پیش بینی آورد رودخانه های استان تهران با استفاده از فناوری های نوین

یک مدل هیدرولوژی معمولا از مجموعه‌ای از روابط ریاضی تشکیل شده که مولفه‌های مختلف یک سیکل هیدرولوژی را بیان می‌کنند و هدف نهایی آن شبیه‌سازی انتهای یک سیکل هیدرولوژی یا همان رواناب است. تبدیل ورودی بارش به خروجی رواناب نیاز به انجام یک سری فرایند‌های وابسته دارد. مدل‌های پیش بینی جریان در هیدرولوژی برف از لحاظ مدت پیش بینی به دو دسته پیش بینی کوتاه مدت و بلند مدت تقسیم می‌شوند. در پیش بینی کوتاه مدت که دوره پیش بینی معمولا روزانه است، از داده‌های روزانه استفاده می‌شود. در پیش‌بینی بلند مدت، متغیر‌های اقلیمی هیدرولوژیکی در تعیین رواناب در یک دوره طولانی در آینده به کار می روند و طول دوره پیش بینی از یک تا چند ماه می باشد. اکثر این مدل‌ها بر مبنای روش‌های آماری بنا شده‌اند. با توجه به وسعت منطقه و روابط توپوگرافی و اقلیمی حاکم بر منطقه، مدل‌ها می‌توانند ساده یا مفهومی باشند.

در سالیان اخیر با پیشرفت تکنیک­های پردازش رایانه ای مدل­های مبتنی بر هوش مصنوعی مورد توجه قرار گرفته­اند. . در همین راستا آداموسکی و سان (Adamowski and sun, 2010) با توسعه یک مدل ترکیبی از موجک و شبکه عصبی، به پیش‏بینی جریان رودخانه در حوزه‏های نیمه‏خشک پرداختند. آنها به کمک موجک، داده‏های ورودی را تجزیه و به عنوان ورودی شبکه عصبی منظور کردند. نهایتا نتایج حاصله با شبکه عصبی معمولی مقایسه شد؛ که مدل ترکیبی دقت پیش‏بینی را تا حد مناسبی نسبت به شبکه عصبی معمولی بهبود داده بود همچنین شیری و کیشی (Shiri and Kisi, 2010) از ترکیب موجک و سیستم نروفازی برای پیش‏بینی جریان روزانه، ماهانه و سالانه استفاده کردند. آنها از جریان ماه‏های قبل به عنوان ورودی استفاده نمودند و نشان دادند عملکرد مدل ترکیبی نروفازی و موجک به خصوص در مدل سالانه بهتر از مدل نروفازی است. نورانی و همکاران (Nouraani et al., 2011) از مدل ترکیبی انفیس و موجک برای مدلسازی بارش- رواناب دو زیر حوزه واقع در استان آذربایجان استفاده کردند. آنها در ادامه کار، نتایج خود را با مدل‏های استوکستیک کلاسیک مقایسه کردند. نتایج آنها نشان داد مدل ترکیبی توانایی بیشتری را در پیش‏بینی بلند مدت و کوتاه مدت جریان دارا است.

از طرفی برف یکی از کلیدی ترین مؤلفه­های بیلان آب در حوزه­های کوهستانی می­باشد. از این رو اندازه­گیری و یا مدلسازی آن به منظور توسعه مدل­های پیش­بینی جریان با عملکرد مناسب بسیار ضروری می­باشد. در سالیان اخیر با توسعه فناوری سنجش از دور، استفاده از این ابزار در پایش بودجه برفی توسعه پیدا کرده است. از جمله مطالعات انجام شده در این زمینه می­توان به مطالعه لنگلویز و همکاران (Langlois et al,. 2008) اشاره کرد. در این تحقیق یک الگوریتم بازیابی SWE در محل با استفاده از داده‌های مایکروویو غیرفعال سنجنده AMSR-E ایجاد شده است. نتایج این مطالعه نشان داد که آب معادل برف تخمین زده شده با ماهواره، با داده های ضخامت برف اندازه گیری شده در محل در محدوده تخمین زده شده 15 تا 25 میلیمتر معتبر می‌باشد. همچنین همبستگی میان مقادیر اندازه گیری شده و تخمین زده شده برای شرایط یخ ریز بین 75/0 تا 73/0 برآورد شده است.

در پژوهش حاضر با استفاده از داده­های سنجنده SSM/I آب معادل برف در سطح حوزه­های آبریز استان تهران برآورد گردیده است. سپس مقادیر آب معادل برف به همراه اطلاعات بارش، دما و دبی مشاهداتی جهت توسعه مدل­های پیش بینی جریان مورد استفاده قرار گرفته است.