Abstract:
پیش بینی جریان رودخانه ها نقش بسزایی در برنامه ریزی، مدیریت و بهره برداری از منابع آب دارد . هدف اصلی این تحقیق بررسی امکان پیش آگاهی و پیش بینی دبی رودخانه های کارون شمالی (رودخانه ارمند و بازفت) با استفاده از روش های نوین شبیه سازی می باشد . در این مطالعه نوسانات جریان رودخانه های ارمند و بازفت در ارتباط با سیگنالهای بزرگ مقیاس اقلیمی بررسی شده است. بدین منظور از داده های ماهانه شاخص نوسان جنوبی (SOI )، نوسان اطلس شمالی (NAO) و پدیده ENSO در مناطق NINO4،NINO3 ، NINO3.4 و NINO1+2 استفاده گردید. تمامی داده های مربوط به سیگنال های اقلیمی از مرکز داده های آنالیز شده NCEP دریافت شد. داده های مربوط به دبی روزانه ایستگاه های هیدرومتری ارمند و مرغک نیز از مرکز داده های وزارت نیرو تهیه گردید. در این مطالعه به منظور طراحی بهینه معماری شبکه عصبی مصنوعی جهت پیش بینی دبی رودخانه ها براساس سیگنال های اقلیمی از الگوریتم ژنتیک بهره گرفته شد. نتایج تحقیق نشان داد که سیگنال های ENSO در ناحیه NINO1+2 و NINO3 به عنوان موثرترین سیگنال بر تغییرات جریان رودخانه های ارمند و بازفت هستند و برای پیش آگاهی از وضعیت دبی رودخانه های کارون شمالی می توان از سیگنال های فوق استفاده کرد.
Flow river forecasting plays an important role in designing، management، and utilization of water resources. The main object of the research is to study the possibility of forecasting and monitoring the Northern Karon rivers (Armand and Bazfat) discharge by using modern simulation methods. In this research، Armand and Bazoft discharge variations was investigated. In this regard، Monthly data of SOI، NAO، and ENSO in the regions of NINO3، NINO3.4، NiNO4، and NINO1+2 for the period of 1968 to 2007 were collected from the National Center Environmental Prediction (NCEP). Daily discharge data of Armand and Morgak hydrometric stations were prepared from Niro ministry data center. In order to have the optimal designing of artificial neural network architecture، for Discharge River forecasting on the basis of climatic signals، genetic algorithm method was used. The results show that ENSO signals in NINO1+2 and NINO3 regions are the most effective signals on Armand and Bazfat discharge variations. Thus، ENSO signals can be used for forecasting the Northern Karon rivers discharge.
Machine summary:
"در این مطالعه به منظور طراحی بهینه معماری شبکه عصبی مصنوعی جهتپیشبینی دبی رودخانهها براساس سیگنالهای اقلیمی از الگوریتم ژنتیک بهره گرفته شد.
فتاحی و همکاران(1388)تغییرات سطح پوشش برف حوضههای جنوب غربی ایران را در ارتباط باسیگنالهای بزرگ مقیاس اقلیمی مورد بررسی دادند،نتایج تحقیق آنها نشان داد کهسیگنالهای OAN,IOS و تغییرات ناهنجاری TSS در ناحیه 4ONIN و 2+1ONIN بهعنوان موثرترین سیگنال بر تغییرات پوشش برفی حوضههای مورد مطالعه میباشند وبرای پیش آگاهی از وضعیت سطوح تحت پوشش برف سیگنالهای فوق کاربرد دارند.
از آنجائیکه سیستم دوگانه اتمسفر-اقیانوس{o1o} )OSNE( و اثرش بر وضعیت جوی وپدیدههای مربوط به اتمسفر در جوامع علمی مورد توجه زیادی قرار گرفته است،در اینبررسی نیز سعی شده است با لحاظ کردن سیگنالهای بزرگ مقیاس اقلیمی و با بهکارگیری شبکههای عصبی مصنوعی به صورت تلفیقی با الگوریتم ژنتیک امکان پیشبینیهای لازم طی دورههای همزمان،سه ماهه و شش ماهه مورد ارزیابی قرار گیرد.
{o(1)- noitallicso nrehtuoS-onin IE o} (به تصویر صفحه مراجعه شود) 3-دادهها و روش کار3-1-دادهها در این تحقیق از دادههای سیگنالهای بزرگ مقیاس اقلیمی نظیر شاخص نوسانجنوبی IOS شاخص OAN و پدیده OSNE در مناطق 4ONIN ، 3ONIN ، 4.
الگوریتم بهینهسازی برای تعیین بهترین معماری شبکه عصبی با توجه به پارامترهای ذکر شده مطابق شکل شماره 2 است: (به تصویر صفحه مراجعه شود)به منظور بررسی امکان پیشبینی موثر دبی با استفاده از سیگنالهای اقلیمی،در اینمطالعه از روش تعیین معماری لایههای میانی شبکه،نوع و تعداد ورودیها به شبکه نیزبا استفاده از الگوریتم ژنتیک تعیین میگردد."