پیش بینی جریان ورودی سد امیرکبیر با استفاده از الگوهای دورپیوند اقلیمی و مدل های یادگیری ماشین

تقاضا برای آب شیرین به طور فزاینده ای در حال افزایش است، درحالی که منابع محدود آب، در معرض اضافه برداشت، آلودگی و تغییرات اقلیمی هستند که این موارد نیاز به بهبود مدیریت منابع آب را به منظور توزیع عادلانه و دست یابی به اهداف توسعه پایدار برجسته می کند. یک گزینه کم هزینه برای حمایت از استراتژی های مدیریت بهتر آب، توسعه مدل هایی با قابلیت پیش بینی مقادیر آب دردسترس، به ویژه مقادیر مربوط به بارش و جریان رودخانه هاست. تنوع اقلیمی و تغییرات آب و هوایی، یک فرض اساسی برای پیش بینی های هیدروکلیماتولوژیکی است. یکی از جنبه های قابل توجه این موضوع، همبستگی بین پدیده های بزرگ مقیاس جوی-اقیانوسی یا الگوهای دورپیوند با فرایندهای هیدرولوژیکی در مقیاس محلی است که این الگوها می توانند بر جریان ورودی به سدها نیز اثرگذار باشند. در این مطالعه از سه مدل یادگیری ماشین شبکه عصبی مصنوعی، شبکه عصبی بیزین و سیستم استنتاج عصبی-فازی سازگار برای پیش بینی جریان ورودی به سدها بهره گرفته شده است تا کارایی آن ها مورد ارزیابی قرار بگیرد. بدین منظور 12 سناریو متشکل از متغیرهای بارش، جریان ورودی به سد و نه شاخص اقلیمی با تاخیر تا شش گام زمانی، طراحی شد تا تاثیر استفاده از الگوهای دورپیوند به عنوان متغیرهای پیش بینی کننده جریان یک ماه بعد سد امیرکبیر، موردبررسی قرار بگیرد. تحلیل نتایج این پژوهش نشان داد که استفاده از شاخص Nino3.4 با یک گام زمانی تاخیر و هم چنین شاخص PDO با دو گام زمانی تاخیر، می توانند باعث افزایش دقت مدل نسبت به سناریوهای که در آن ها تنها از متغیرهای ایستگاهی استفاده شده است، شوند. طبق نتایج، شاخص Nino3.4 موثرترین شاخص بر جریان ورودی به سد امیرکبیر شناخته شد و سناریویی که در آن از شاخص نام برده به همراه داده های بارش و جریان یک و دوماه قبل به عنوان ورودی استفاده شده بود، در هر سه مدل، بالاترین دقت را به ثبت رساند. هم چنین عملکرد مدل ANFIS برای سناریوی نام برده (سناریوی 9)، با مقادیر RMSE و R2، به ترتیب معادل با 69/5 مترمکعب بر ثانیه و 79/0، نسبت به دو مدل ANN و BNN بهتر بود، به طوری که مقدار شاخص R2 برای بهترین سناریوی متشکل از متغیرهای ایستگاهی (سناریوی 5)، به میزان 15/0 افزایش یافته و مقدار شاخص RMSE نیز به میزان 78/0 مترمکعب کاهش یافته است.