پژوهشنامه مدیریت حوزه آبخیز

  مدلسازی بارش- رواناب یک فرآیند ضروری و پیچیده می­باشد که در بهره­برداری مناسب از مخازن و مدیریت و برنامه­ریزی صحیح منابع آب نقش عمده­ای دارد. مدلسازی این فرآیند با استفاده از روش­های مختلفی امکانپذیر است. از نظر تئوری، در مدلسازی یک سیستم می­بایست روابط صریح بین متغیرهای ورودی و خروجی معلوم باشند. در حالیکه به علت معلوم نبودن روابط صریح بین متغیرها و عدم
قطعیت­های ذاتی آنها، استخراج چنین مدلی بسیار مشکل می­باشد. بنابراین استفاده از روش­های داده­محور که محاسبات را در شرایط غیردقیق انجام می­دهند و کاربردهای فراوانی در مسائل شناسایی کنترلی داشته­اند، اجتناب­ناپذیر است. روش کنترل گروهی داده‌ها ( GMDH ) یکی از انواع این روش‌ها می­باشد که به تدریج یک نگاشت بین متغیرهای ورودی و خروجی تولید می‌کند. در این تحقیق برای شبیه­­سازی فرآیند بارش-رواناب حوزه آبریز پلرود، یک مدل بر اساس رویکرد GMDH توسعه داده شده است. ارزیابی نتایج با استفاده از معیارهای آماری انجام شده و همچنین با نتایج شبکه­های عصبی ( ANN ) نیز مقایسه شده است. نتایج حاکی از توانایی بالای هر دو روش­­ در پیش­بینی و شناسایی روابط پیچیده بین متغیرها در پیش­بینی رواناب روزانه ناشی از بارندگی می­باشند. مقادیر نتایج معیارهای آماری بیانگر عملکرد بهتر رویکرد استقرائی GHMD نسبت به شبکه­های عصبی در مدلسازی بارش- رواناب در این حوزه می باشد.

برآورد دقیق میزان انتقال بار رسوب در رودخانه­ها و مخازن اهمیت زیادی در برنامه­ریزی، طراحی، اجرا و نگهداری سازه­های آبی دارد. استخراج روابط ریاضی حاکم بر پدیده انتقال رسوبات بسیار پیچیده است. برای شبیه­سازی چنین پدیده­هایی، می­توان از روش­های داده­محوری مانند روش کنترل گروهی داده­ها (GMDH) استفاده کرد که یک رویکرد خودسازماندهی داده بوده و روشی برای شناسایی روابط غیرخطی بین متغیرهای ورودی و خروجی به­کار می­رود. در پژوهش حاضر، با استفاده از روش فوق مدلی برای پیش­بینی نرخ انتقال رسوب در سیستم رودخانه­ توسعه داده شده است. برای بررسی کارایی مدل­ها از داده­های دبی روزانه جریان و غلظت بار معلق رسوب دو ایستگاه Rio Valencia no و Quebrada Blanca استفاده شده است. بررسی کارایی مدل­ها با استفاده از معیارهای آماری MSE، RB و  R^۲انجام شده است. مقادیر معیارهای آماری به دست آمده و نیز مقایسه نتایج با سایر الگوریتم­ها مانند شبکه­های عصبی، نروفازی و برنامه­ریزی ژنتیک خطی نشان داد که روش گروهی کنترل داده­ها نسبت به سایر روش­ها از قابلیت بالاتری برای پیش­بینی و شبیه­سازی نرخ انتقال رسوب در رودخانه­ها برخوردار است.