پیش‌بینی جریان رودخانه‌های کارون شمالی با استفاده از شبکه عصبی مصنوعی

نویسندگان

چکیده

پیش بینی جریان رودخانه‌ها 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 رودخانه‌های کارون شمالی (رودخانه ارمند و بازفت) با استفاده از روش‌های نوین شبیه سازی می باشد . در این مطالعه نوسانات جریان رودخانه‌های ارمند و بازفت در ارتباط با سیگنالهای بزرگ مقیاس اقلیمی بررسی شده است. بدین منظور از داده‌های ماهانه شاخص نوسان جنوبی (SOI )، نوسان اطلس شمالی (NAO) و پدیده ENSO در مناطق NINO4،NINO3 ، NINO3.4 و NINO1+2 استفاده گردید. تمامی داده‌های مربوط به سیگنال‌های اقلیمی از مرکز داده‌های آنالیز شده NCEP دریافت شد. داده‌های مربوط به دبی روزانه ایستگاه‌های هیدرومتری ارمند و مرغک نیز از مرکز داده‌های وزارت نیرو تهیه گردید. در این مطالعه به منظور طراحی بهینه معماری شبکه عصبی مصنوعی جهت پیش بینی دبی رودخانه‌ها براساس سیگنال‌های اقلیمی از الگوریتم ژنتیک بهره گرفته شد. نتایج تحقیق نشان داد که سیگنال‌های ENSO در ناحیه NINO1+2 و NINO3 به عنوان موثرترین سیگنال بر تغییرات جریان رودخانه‌های ارمند و بازفت هستند و برای پیش آگاهی از وضعیت دبی رودخانه‌های کارون شمالی می‌توان از سیگنال‌های فوق استفاده کرد.

کلیدواژه‌ها

عنوان مقاله [English]

Forecasting the Northern Karon rivers discharge by using artificial neural network

نویسندگان [English]

  • E. Fatahi
  • M. Delavar
  • K. Noohi
چکیده [English]

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.

کلیدواژه‌ها [English]

  • artificial neural network
  • northern Karon
  • Climate signals
  • genetic algorithm method
  • Forecasting

فایل ها

هم رسانی

ارجاع به این مقاله

آمار