علوم آب و خاک

---

سیل از جمله پدیده‌هایی است که همواره مورد توجه پژوهشگران هیدرولوژی قرار دارد. در این بررسی، مدل برآورد یکی از شاخص‌های مهم بیان‌کننده سیلاب، یعنی حداکثر دبی میانگین روزانه در چند حوزه آبریز غرب ایران تعیین گردید. زیرحوزه‌های مورد بررسی عبارتند از گاماسیاب، قره‌سو، سیمره، کشکان (حوزه آبریز کرخه)، سزار (حوزه آبریز دز) و آبشینه (حوزه آبریز قره چای). پس از تهیه آمار دبی‌های میانگین روزانه ایستگاه‌های هیدرومتری، از سال‌های آماری موجود 30 سال دوره مشترک آماری انتخاب شد، و با کمک نرم‌افزارهای HYFA و TR تحلیل فراوانی روی داده‌های سیلاب انجام گرفت، و بهترین توزیع آماری توسط آزمون‌های نیکویی برازش برگزیده شد. سپس دبی یا دوره‌های بازگشت 2، 5، 10، 25، 50، 100، 500 و 1000 ساله برآورد گردید. مدل‌سازی توسط تحلیل منطقه‌ای و به کمک روش رگرسیون چندگانه میان دبی و ویژگی‌های فیزیوگرافیک حوزه‌ها انجام شد. معیار اصلی گزینش مدل، ضریب تبیین اصلاح شده بود، و سطح معنی‌دار بودن، خطای استاندارد و نمودارهای دبی مشاهده شده و محاسبه شده، درستی مدل را کنترل نمودند. بدین ترتیب، مدل‌هایی با شکل‌ها و پارامترهای گوناگون از میان مدل‌های توانی، نمایی، خطی و لگاریتمی انتخاب شد، ولی مدل توانی بیشتر از دیگر مدل‌ها برای منطقه به کار رفت. بر پایه نتایج این پژوهش، پارامترهای طول آبراهه اصلی، تراکم زه‌کشی، و زمان تمرکز بیشترین تأثیر را در تولید دبی داشتند. از تحلیل خطا چنین برآمد که هر چه دوره بازگشت افزایش پیدا کند میزان خطای برآورد مدل‌ها نیز افزایش می‌یابد، به گونه‌ای که در دوره بازگشت 1000 ساله مقدار خطا به 2/32 درصد رسید.

---

در این تحقیق توانایی مدل‌های شبکه عصبی مصنوعی جهت شبیه سازی رفتار هیدرولوژیکی آب در حوزه‌های آبخیز مورد بررسی قرار گرفته است. هدف اصلی تحقیق بررسی کاربرد انواع مختلف شبکه‌های عصبی مصنوعی جهت شبیه سازی جریان در یک حوزه آبخیز با چند ایستگاه هیدرومتری و پیش بینی بهنگام جریان‌های سیلابی در پایین دست بوده است. منطقه مورد بررسی قسمت فوقانی رودخانه درونت (Derwent) می‌باشد که یکی از شاخه‌های اصلی رودخانه ترنت (Trent river)در ناحیه مرکزی انگلستان است. جریان سیلاب رودخانه 3، 6، 9 و 12 ساعت قبل از وقوع در محل ایستگاه هیدرومتری واتستندول (Whatstandwell) با استفاده از داده‌های اندازه‌گیری شده در بالا دست پیش بینی گردیده است. سه نوع شبکه عصبی مختلف که عبارت‌اند از شبکه پرسپترون چند لایه(MLP network) ، شبکه برگشتی (Recurrent network)و شبکه برگشتی با تأخیر زمانی(Time lag recurrent network) به‌صورت جداگانه مورد استفاده و ارزیابی قرار گرفتند. هم‌چنین جهت بررسی تأثیر طول داده‌های ورودی در کارایی مدل‌های شبکه عصبی، شبیه سازی‌های مختلف با استفاده از داده‌های هیدرولوژیکی با طول و تعداد متفاوت مورد استفاده قرار گرفت. داده‌های با فاصله اندازه‌گیری 30 دقیقه‌ای با طول دوره‌های 1 ماه، 6 ماه و سه سال ( که تولید تعداد مشاهده‌های متفاوتی را می‌نماید) بدین منظور مورد استفاده واقع شد. براساس نتایج به‌دست آمده هرچند شبکه‌های عصبی مصنوعی به‌صورت عمومی و کلی کارایی مناسبی را در شبیه سازی و پیش بینی دبی جریان از خود نشان داده‌اند ولی نوع شبکه عصبی مصنوعی و نیز خصوصیات داده‌های ورودی مدل خصوصاً داده‌های آموزشی پارامترهای بسیار مهمی هستند که تأثیر عمده‌ای را روی خروجی‌های مدل دارند.