پیش‌بینی وقوع سیلاب با استفاده از نظریۀ مجموعه‌های زبر (مطالعۀ موردی: رودخانۀ هلیل‌رود)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری مهندسی سیستم‌های اطلاعات مکانی، دانشکده مهندسی نقشه برداری و اطلاعات مکانی، پردیس دانشکده‌های فنی دانشگاه تهران

2 استادیار گرایش مهندسی سیستم‌های اطلاعات مکانی، دانشکده مهندسی نقشه برداری و اطلاعات مکانی، پردیس دانشکده‌های فنی دانشگاه تهران

3 کارشناس ارشد بخش ترویج و آموزش کشاورزی دانشگاه شیراز

چکیده

پژوهش حاضر روشی برای پیش‌بینی وقوع سیلاب به صورت روزانه، با استفاده از نظریۀ مجموعه‌های ‌زبر ارائه کرده است تا علاوه بر مدیریت ریسک وقوع آن، عدم ‌قطعیت مستخرج از داده‌های استفاده‌شده، آنالیز شود. به همین منظور پارامترهای میزان بارندگی، حداقل دما، مقدار تبخیر و دبی ‌رودخانه به صورت روزانه، برای استخراج قوانین قوی به منظور پیش‌بینی وقوع سیلاب به کار گرفته شدند. با استفاده از این پارامترها و در نظر گرفتن تأثیر هم‌زمان آن‌ها در وقوع سیلاب، برای مدل‌سازی، قوانین محتمل برای وقوع سیلاب استخراج و با استفاده از روابط مطرح در نظریۀ مجموعه‌های ‌زبر، بهترین قوانین به منظور پیش‌بینی روزانۀ سیلاب انتخاب شدند. داده‌های جمع‌آوری‌شده به مدت چهار سال از سد جیرفت با دقت روزانه برای آنالیز و استخراج قوانین استفاده شدند. در این مسیر ابتدا پیش‌پردازش داده‌ها صورت گرفت و بازه‌های زمانی وقوع سیلاب از هر سال جدا شد‌‌ند. سپس، گسسته‌سازی داده‌ها، در پی آن تقریب و تقلیل داده‌ها انجام و با شناسایی هسته‌های مؤثر ویژگی‌ها، محتمل‌ترین قوانین استخراج شد. در نهایت داده‌های سال 88 برای ارزیابی قدرت قوانین استخراج‌شده به کار گرفته شده و با استفاده از ماتریس آشفتگی مقدار 84/0 برای ضریب کاپا محاسبه شد. همچنین، قوانین قوی به‌دست‌آمده در نتایج با 72 درصد از موارد وقوع سیلاب در سال 1388 مطابقت دارد.

کلیدواژه‌ها

موضوعات

مراجع

برزگر، ف.، صدیقیان، ا.، و نجماوی، م. 1389. «یادداشتی بر زمین‌شناسی محل سد هلیل‌رود (جیرفت)»، مرکز اطلاعات علمی مجازی: دورۀ 1، شمارۀ 1، صص 36- 55.
شرکت آب منطقه‌ای استان کرمان. 1389. «گزارش سالیانۀ آماری شرکت سهامی آب منطقه‌ای کرمان»، کرمان: شرکت سهامی آب منطقه‌ای، تعداد صفحات: 55.
Bartholmes, J., and Todini, E. 2005. Coupling meteorological and hydrological models for flood forecasting. Journal of  Hydrology and Earth System Sciences. 9: pp.  333-346
Chau, K., Wu, C., and Li, Y. 2005. Comparison of several flood forecasting models in Yangtze River. Journal of  Hydrologic Engineering. 10: pp.  485–491
Engeland, K., and Hisdal, H. 2009. A comparison of low flow estimates in ungauged catchments using regional regression and the HBV model. Journal of Water Resource  Manage. 23: pp.  2567–2586
Eslamian, S., Ghasemizadeh, M., Biabanaki, M., and Talebizadeh, M. 2010. A principal component regression method for estimating low flow index. Journal of  Water Resource Manage. 24: pp.  2553–2566
Kumar, A.P.S., Sudheer, K. P., Jain, S.K., and Agarwal., P. K. 2005. Rainfall runoff modeling using artificial neural networks comparison of network types.  Journal of  Hydrological Processes. 19: pp. 1277–1291
Kisi, O. 2008. River flow forecasting and estimation using different neural network techniques. Journal of Hydrological Processes. 39: pp. 27–40
Kisi, O. 2004. River flow modeling using artificial neural network. Journal of  Hydrologic Engineering. 9: pp. 60–63
Mukerji, A., Chatterjee, C., and Raghuwanshi, N. 2009. Flood forecasting using ANN, neuro-fuzzy, and neuro-GA Models. Journal of  Hydrologic Engineering. 14: pp.  647–652
Mahabir , C., Hicks , F .E., and Robinson Fayek, A. 2007. Transferability of a neuro-fuzzy river ice jam flood forecasting model.  Journal of  Hydrological Processes.  48: pp. 188–201
Mutlu, E., Chaubey, I., Hexmoor, H., and Bajwa, S.G. 2008. Comparison of artificial neural network models for hydrologic predictions at multiple gauging stations in an agricultural watershed. Journal of Hydrological Processes. 22: pp. 5097–5106
Nayak, P. C., Sudheer, K. P., Rangan, D. M ., and Ramasastri, K. S.  2005. Short-term flood forecasting with a neurofuzzy model. Journal of  Water Resources Research. 41: 2005.
Nourani, V., Komasi, M., and Mano, A.  2009. A multivariate ANN-wavelet approach for rainfall–runoff modeling. Journal of  Water Resour Manage. 23: pp.  2877-2894
Pawlak, Z. 1982. Rough sets. International Journal of  Computer and Information Sciences. 11: pp. 341-356
Rezaeianzadeh, M.,  Tabari, H.,  Arabi Yazdi, A., Isik, S., and Kalin., L. 2013. Flood flow forecasting using ANN, ANFIS and regression models. Journal of Neural Computing and Applications. 25: pp. 25-37
Rezaeian Zadeh, M., Amin, S., Khalili D., and Singh, V. P. 2010. Daily outflow prediction by multi-layer perceptron with logistic sigmoid and tangent sigmoid activation functions. Journal of Water Resour Manag. 24: pp.  2673–2688
Refsgaard , J.C.,  Havno,  K.,  Ammentorp, H.C., and  Verwey, A. 1988. Application of hydrological models for flood forecasting and flood control in India and Bangladesh. Journal of Advances in Water Resources. 11: pp. 101–105
Rodríguez-Rincón, J. P., Breña-Naranjo, J. A., and Pedrozo-Acuña, A. 2014. Uncertainty propagation in a hydro-meteorological approach: from the cloud to the flood map. conference: hic 2014–11th. international conference on hydroinformatics, at new york, usa august. 11: pp. 7977-8011
Shamseldin, A.Y. 2010. Artificial neural network model for river flow forecasting in a developing country. Journal of Hydroinformatics. 12:  pp.  22–35
Stromberg, D. 2007.  Natural disasters, economic development, and humanitarian aid. Journal of Economic Perspectives. 21: pp. 199–222
Sahay, R. R., and Sehgal., V. 2013. Wavelet regression models for predicting flood stages in rivers: a case study in Eastern India. Journal of Flood Risk Manag. 6: pp. 146-155
Sahay, R. R., and Srivastava, A.  2014. Predicting monsoon floods in rivers embedding wavelet transform, genetic algorithm and neural network. Journal of  Water Resour Manage. 28: pp.  301-317
Tokar, A. S., and Johnson, A. 1999. Rainfall-runoff modeling using artificial neural networks. Journal of Hydrologic Engineering. 4: pp. 232–239
Tiwari, M. K., Song, K.Y., Chatterjee, C., and Gupta, M. M. 2013. Improving reliability of river flow forecasting using neural networks, wavelets and self-organizing maps Journal of Hydrologic Engineering. 15: pp. 486-502
Talei, A., Chua, L., Quek, C., and Jansson, P. 2013. Runoff forecasting using a Takagi–Sugeno neuro-fuzzy model with online learning. Journal of Hydrology. 488: pp. 17-32
Yeh, J., and Yang, R. 2014. Application of the Adaptive Neuro-Fuzzy Inference System for Optimal Design of Reinforced Concrete Beams. Journal of  Intelligent Learning Systems and Applications. 6: pp. 162-175

فایل ها

هم رسانی

ارجاع به این مقاله

آمار