پیش بینی جریان فصلی با استفاده از تصاویر ماهواره ای تخمین آب معادل برف - حوزه های منابع آب شهر تهران

آب به عنوان یک نیاز حیاتی در جوامع انسانی از جایگاه ویژه ی برخوردار می باشد، به نحوی که امروزه به دلیل گسترش جوامع انسانی و افزایش برداشت از منابع آب در تامین این مهم، مشکلات متعددی ایجاد شده است. در این راستا پیش بینی مناسب از جریان رودخانه و ورودی به مخازن حائز اهمیت می باشد. آب معادل برف به عنوان پارامتر اصلی نشان دهنده ذخیره برفی، در مدل های پیش بینی جریان های رودخانه نقش مهمی دارد. از این رو ارائه روش هایی برای تخمین swe در گستره ی حوزه مورد توجه است. مشکلاتی همچون پرهزینه بودن اندازه گیری های زمینی، عدم وجود ایستگاه برف سنجی در ارتفاعات بالا و عدم تراکم مناسب ایستگاه ها دلایلی برای سوق به سمت استفاده از داده های ماهواره ای برای تخمین swe بوده است. در این مطالعه از داده های ماهواره ای مایکروویو ssm/i، برای تخمین آب معادل برف حوزه های منابع آب تهران، جهت استفاده در مدل های پیش بینی جریان، استفاده شده است. در این راستا با استفاده از روش تخمین زمینی swe در سطح پیکسل های ssm/i و بومی سازی یک شاخص برای در نظرگرفتن شرایط برف مرطوب، نسبت به بهبود نتایج مدل های تخمین swe اقدام گردیده است. در ادامه، مدل های پیش بینی ماهانه و فصلی جریان برای این حوزه ها تشکیل گردیده و مدل های تودرتو تهیه شد که نتایج حاکی از بهبود پیش بینی های فصلی می باشد. با توجه به وجود پیچیدگی در مدل های تخمین swe و پیش بینی جریان، در کنار استفاده از روش رایج رگرسیون خطی، از روش شبکه عصبی مصنوعی نیز در تشکیل این مدل ها استفاده شد. نتایج این تحقیق نشان می دهد که روش تخمین زمینی swe در سطح پیکسل ماهواره ای از اهمیت ویژه ای برخوردار می باشد، به طوری که این روش قادر است تا 22 درصد ضریب همبستگی مدل تخمین swe از تصاویر ssm/i را بهبود بخشد. همچنین استفاده از شاخص بومی شده در کاهش خطای ناشی از وجود برف مرطوب نیز اقدامی موثر بوده است. مضافا آنکه استفاده از شبکه عصبی هم در مدل تخمین swe و هم در مدل های پیش بینی جریان، نتایج مطلوبی دربرداشته است. همچنین، بهبود نتایج در مدل های تودرتو چشمگیر می باشد، به نحوی که استفاده از این مدل ها می تواند ضریب همبستگی پیش بینی فصلی را تا 10 درصد افزایش و خطای آن را تا 20 درصد کاهش دهد.