پیش بینی به هنگام تراز سطح آب با بهره گیری از مدل های هیدرودینامیک و داده محور و روزآمدسازی نتایج به کمک فیلترهای مختلف

سیلاب ها بخشی طبیعی و اجتناب ناپذیر زندگی در سراسر جهان می باشند و پیش بینی دقیق و قابل اعتماد سیلاب عاملی تعیین کننده برای مدیریت موثر و زمان واقعی رودخانه شامل کنترل سیلاب، هشدار سیل، بهره برداری از مخازن و تعیین نظام حقوقی رودخانه ها می باشد. سه عنصر اصلی یک سیستم پیش بینی سیلاب شامل مولفه های پایش سیلاب، پیش بینی سیلاب و اعلان هشدار می باشد. بدیهی است که مدل های پیش بینی قلب تپنده یک سیستم پیش بینی بوده و تاثیری قابل توجه بر خطای پیش بینی نهایی دارد. به منظور بهبود عملکرد سیستم پیش بینی و کاستن از خطای دوره پیشبینی، محقق می تواند دو شیوه را مد نظر قرار دهد. در شیوه اول می تواند توجه خود را معطوف به اجزاء خاص در مراحل ساخت مدل کند و یا آنکه مدل را به همراه تمامی عدم قطعیت های بیشمار آن بپذیرد و سپس با تعیین رفتار خطای خروجی از طرق ممکن و اضافه کردن آن به خروجی مدل، تخمین بهتری را بدست آورد. مقصود از داده گواری یا روزآمدسازی داده ها برآوردن این هدف می باشد. در این تحقیق پس از توصیف بعضی عبارات مثل شبیه سازی به همراه یا بدون مدل روزآمدسازی و همچنین واسنجی منفرد و ترکیبی، دو مدل مختلف mike11، به عنوان مدل هیدرودینامیک، و مدل شبکه عصبی مصنوعی، به عنوان مدل داده محور، در نقش مدل های پایه جهت شبیه سازی سیلاب استفاده شده اند. علاوه بر این، سه مدل مختلف تابع انتقال، شبکه های عصبی (mlp and rbf) و فیلتر کالمن استاندارد نیز برای روزآمدسازی نتایج شبیه سازی مدل mike11 مورد استفاده قرار گرفته اند. مدل روزآمدسازی بکار رفته در mike11 یک مدل دو پارامتری تابع انتقال (u2tf) که قادر به تشخیص دو نوع خطای متفاوت بین نتایج شبیه سازی شده و مشاهده شده، شامل خطای مقدار و خطای فاز، بوده و از خطای نوع سومی که تفاوت غیریکنواخت حوالی نقطه حداکثر سیلاب است و به خطای شکل معروف است، صرفنظر می کند. این تحقیق یک مدل 3 پارامتری تابع انتقال (u3tf) را برای بهبود بخشیدن بیشتر مقادیر شبیه سازی شده حوالی نقطه حداکثر سیلاب پیشنهاد می دهد. به منظور ارزیابی و سنجش کارایی مدل های روزآمدسازی مختلف، یک مجموعه داده های با کیفیت مطلوب مورد نیاز است. از آنجایی که هدف نهایی بکارگیری مدل های روزآمدسازی بر روی شبکه آب سنجی رودخانه خشک شیراز می باشد، سعی بر آن است تا اطلاعات استفاده شده برای آزمایشات بر اساس داده های واقعی رودخانه، شامل یک بازه 20 کیلومتری رودخانه با شیب طولی 1 متر در کیلومتر باشد. بعلاوه مدل fldwav برای تولید هیدروگراف بالادست و پایین دست به صورت سری زمانی شامل 2880 نقطه به فواصل زمانی 15 دقیقه ای بکار گرفته شده است. همچنین به منظور ارزیابی انعطاف پذیری مدل روزآمدسازی پیشنهادی چهار منبع خطا شامل خطای تصادفی همبسته زمانی، جابجایی زمانی به میزان 30 دقیقه، خطای مقیاس و ضریب زبری متغیر با عمق برای تولید داده ها در نظر گرفته شده است. در ارتباط با مدل روزآمدسازی جدید ارائه شده در این تحقیق، شاخص های خطای محاسبه شده به وضوح برتری مدل 3 پارامتری را در برابر مدل 2 پارامتری نشان می دهند. علاوه بر این، واسنجی ترکیبی مدل ها باعث پایداری بیشتر پارامترهای واسنجی می گردد. همچنین مقایسه ارزیابی عملکرد مدل mike11 در ترکیب با مدل شبکه عصبی در برابر شبکه عصبی منفرد، نشانگر برتری مدل ترکیبی ، به خصوص ترکیب mike11 با شبکه عصبی mlp، در تقلید رفتار خروجی شامل مقادیر متعیّن و تصادفی می باشد. برای زمان تقدم های کوتاه نتایج فوق کاملا" قابل رقابت با نتایج مدل mike11 ترکیب شده با مدل تابع انتقال می باشد. بعد از تبدیل معادلات سن ونان به فرم معادلات حالت سیستم، فیلتر کالمن برای روزآمدسازی خروجی مدل بکار رفته است. نتایج نشان می دهند که علیرغم همسانی نتایج با شیوه های دیگر، استفاده از فیلتر کالمن باعث افزایش قابل توجه زمان محاسباتی می گردد. به طور خلاصه می توان اذعان داشت که مدل سه پارامتری تابع انتقال پیشنهادی در دو مقوله دقت و کارایی، گزینه مناسب و قابل اعتمادی برای پیش بینی سیلاب انطباق پذیر برای حوزه های آبریز در کنار هر مدل شبیه سازی هیدرولیکی و یا هیدولوژیکی می باشد. در تحقیقات آینده، بررسی کارایی مدل mike11 در ترکیب با مدل های هیدرولوژیکی مورد توجه قرار خواهد گرفت.