فهرست نشریات علمی دسترسی آزاد ایران

با توجه به ‌ضرورت پیش‌بینی جریان در مسائل هیدرولوژی از قبیل تعیین ورودی مخازن و پیش‌بینی سیل، مدل‌های پیش‌بینی جریان در علم هیدرولوژی بسیار مورد توجه قرار گرفته‌اند. در این تحقیق، از مدل‌‌های ترکیبی هوش مصنوعی شامل: ANFIS و GA-ANN برای پیش‌بینی کوتاه‌مدت جریان (روزانه) استفاده شده است. هدف این پژوهش پیش‌بینی جریان خروجی حوضه لتیان، استان تهران، در بازه مطالعاتی 1398-1397 می‌باشد. برای این منظور ابتدا، با بهره‌گیری از رویکرد تلفیق شاخص‌گذاری و روش‌های طبقه‌بندی، سطح پوشش برف حاصل از پردازش ماهواره نوری Sentinel-2 تهیه می‌شود. سپس به منظور استخراج سطح پوشش برف موثر، الگوریتم ادغام تصاویر با تصاویر ماهواره راداری Sentinel-1 اعمال می‌شود. نهایتا، مدل هوش‌مصنوعی با کمک پارامتر برف موثر در کنار سایر داده‌های روزانه هیدرومتری و هواشناسی شامل: بارش، دما و جریان به پیش‌بینی روزانه جریان خروجی حوضه می‌پردازد. همچنین، به منظور ارتقاء عملکرد مدل پیش‌بینی از شاخص فصلی در جهت شناسایی تغییرات و آموزش بهتر مدل استفاده شده است. نتایج نشان داد، مدل پیش‌بینی با استفاده از داده‌های ماهواره‌ای تا میزان 37 درصد بهبود عملکرد داشته است. این امر نشان‌دهنده تاثیر مستقیم پارامتر برف موثر بر روند رواناب حوضه می‌باشد. علاوه ‌بر این، روند تغییرات سطح پوشش برف موثر هم‌خوانی مطلوبی با روند جریان حوضه، مخصوصا در نقاط پیک جریان، دارد. همچنین، استفاده از اطلاعات فصلی به عنوان پارامتر ورودی می‌تواند نتایج مدل‌های پیش‌بینی، بر پایه تست-آموزش، را به میزان حدود 22% افزایش دهد. در نهایت، روش هوش مصنوعی برپایه استنتاج فازی عملکرد بهتری نسبت به روش شبکه عصبی بهینه برپایه شاخص‌های آماری نشان داد.