پیش‌بینی جریان ورودی سد امیرکبیر با استفاده از الگوهای دورپیوند اقلیمی و مدل‌های یادگیری ماشین

تقاضا برای آب شیرین به‌طور فزاینده‌‌ای در حال افزایش است، درحالی‌که منابع محدود آب، در معرض اضافه‌ برداشت، آلودگی و تغییرات اقلیمی هستند که این موارد نیاز به بهبود مدیریت منابع آب را به‌منظور توزیع عادلانه و دست‌یابی به اهداف توسعه پایدار برجسته می‌کند. یک گزینه کم‌ هزینه برای حمایت از استراتژی‌‌های مدیریت بهتر آب، توسعه مدل‌‌هایی با قابلیت پیش‌‌بینی مقادیر آب دردسترس، به‌ویژه مقادیر مربوط به بارش و جریان رودخانه‌‌هاست. تنوع اقلیمی و تغییرات آب و هوایی، یک فرض اساسی برای پیش‌بینی‌‌های هیدروکلیماتولوژیکی است. یکی از جنبه‌‌های قابل ‌توجه این موضوع، همبستگی بین پدیده‌‌های بزرگ ‌مقیاس جوی-اقیانوسی یا الگوهای دورپیوند با فرایندهای هیدرولوژیکی در مقیاس محلی است که این الگوها می‌‌توانند بر جریان ورودی به سدها نیز اثرگذار باشند. در این مطالعه از سه مدل یادگیری ماشین شبکه عصبی مصنوعی، شبکه عصبی بیزین و سیستم استنتاج عصبی-فازی سازگار برای پیش‌‌بینی جریان ورودی به سدها بهره گرفته شده‌ است تا کارایی آن‌ها مورد ارزیابی قرار بگیرد. بدین منظور 12 سناریو متشکل از متغیرهای بارش، جریان ورودی به سد و نُه شاخص‌ اقلیمی با تاخیر تا شش گام زمانی، طراحی شد تا تاثیر استفاده از الگوهای دورپیوند به‌عنوان متغیرهای پیش‌‌بینی ‌کننده جریان یک ماه بعد سد امیرکبیر، موردبررسی قرار بگیرد. تحلیل نتایج این پژوهش نشان داد که استفاده از شاخص nino3.4 با یک‌ گام زمانی تاخیر و هم‌چنین شاخص pdo با دو گام زمانی تاخیر، می‌‌توانند باعث افزایش دقت مدل نسبت به سناریوهای که در آن‌ها تنها از متغیرهای ایستگاهی استفاده شده ‌است، شوند. طبق نتایج، شاخص nino3.4 موثرترین شاخص بر جریان ورودی به سد امیرکبیر شناخته ‌شد و سناریویی که در آن از شاخص نام‌برده به همراه داده‌‌های بارش و جریان یک و دوماه قبل به‌عنوان ورودی استفاده شده بود، در هر سه مدل، بالاترین دقت را به ثبت رساند. هم‌چنین عملکرد مدل anfis برای سناریوی نام‌برده (سناریوی 9)، با مقادیر rmse و r2، به‌ترتیب معادل با 5.69 مترمکعب بر ثانیه و 0.79، نسبت به دو مدل ann و bnn بهتر بود، به ‌طوری‌که مقدار شاخص r2 برای بهترین سناریوی متشکل از متغیرهای ایستگاهی (سناریوی 5)، به میزان 0.15 افزایش یافته و مقدار شاخص rmse نیز به میزان 0.78 مترمکعب کاهش یافته‌ است.

amirkabir dam inflow prediction using teleconnection patterns and machine learning models

the demand for freshwater is increasingly increasing, while the limited water resources are subject to over-harvesting, pollution, and climate change, which require the improvement of water resource management to distribute it equitably and achieve it highlights the goals of sustainable development. a low-cost option to support better water management strategies is to develop models capable of predicting available water amounts, especially amounts related to precipitation and river flow. climatic diversity and climate changes are basic assumptions for hydro climatological predictions. one of the remarkable aspects of this issue is the correlation between large-scale atmospheric-oceanic phenomena or long-term patterns with hydrological processes on a local scale, and these patterns can also affect the inflow to the dams. this study uses three machine learning models, an artificial neural network, a bayesian neural network, and an adaptive neuro-fuzzy inference system to predict the inflow to the dams and evaluate their efficiency. for this purpose, 12 scenarios consisting of rainfall variables, inflow to the dam, and nine climatic indicators with a delay of up to six-time steps were designed to investigate the effect of using long-term models as predictive variables of the flow one month later in amirkabir dam. to be placed the analysis of the results of this research showed that the use of the nino3.4 index with one-time step delay as well as the pdo index with two-time step delays can increase the accuracy of the model compared to the scenarios in which only station variables are used. to be according to the results, the nino 3.4 index was found to be the most effective index on the inflow to amirkabir dam, and the scenario in which the mentioned index along with the rainfall and flow data of one and two months before was used as input, in all three the model recorded the highest accuracy. also, the performance of the anfis model for the mentioned scenario (scenario 9), with rmse and r2 values, equal to 5.69 and 0.79 cubic meters per second, respectively, was better than the ann and bnn models, so the value of the r2 index for the best scenario consisting of station variables (scenario 5), it increased by 0.15 and the value of rmse index decreased by 0.78 cubic meters.