کاربرد تلفیقی روش های داده محور و تصاویر ماهواره ای در پیش بینی جریان رودخانه

برآورد دقیق سطح پوشش و حجم آب معادل برف از اهمیت ویژه ای در مطالعات منابع آب حوزه های آبریز برخوردار است. این امر بخصوص در مناطقی که برف سهم زیادی در نزولات جوی دارد، حائز اهمیت می باشد. از طرفی استفاده از تصاویر ماهواره ای به دلیل مشکلات مربوط به ایستگاه های زمینی، شامل نقطه ای بودن ایستگاه و کمبود تعداد ایستگاهها و داده های اندازه گیری شده به دلیل صعب العبور بودن و بدی آب و هوا، بسیار مورد توجه قرار گرفته است. در این تحقیق از مدل شبکه عصبی با گام زمانی روزانه و با پارامترهای ورودی دما، بارش، تبخیر، شاخص فصلی و آب معادل برف (swe) بدست آمده از تصاویر سنجنده amsr-e در حوزه مطالعاتی که شامل زیر حوزه های طالقان، کرج، لتیان و فیروزکوه می باشد، برای پیش بینی جریان در دوره 2002 الی 2012 استفاده شده است. در این راستا آب معادل برف بدست آمده از تصاویر ماهواره ای با داده های زمینی مقایسه گردید که با توجه به اختلاف بین داده ماهواره ای و زمینی در محل ایستگاه ها نسبت به اصلاح تصاویر ماهواره ای اقدام گردید. برای این منظور از دو روش رگرسیون خطی و idw استفاده شد. لکن با توجه به اینکه این روش ها صرفا محدود به دوره اندازه گیری زمینی در فصل زمستان می باشند امکان ترمیم آب معادل برف از طریق آنها در سایر دوره ها به خصوص فصل بهار امکان پذیر نمی باشد. لذا با تلفیق روش idw و اختلاف swe حاصل از تصاویر ماهواره در دو زمان متوالی، روش تلفیقی idw-biasتوسعه داده شد. این روش ضمن موثر بودن قادر است swe مشاهداتی را با استفاده از تصاویر ماهواره برای کل طول سال ترمیم نماید. نتایج مدل پیش بینی نشان می دهد که متغیرهای باران و آب معادل برف بیشترین تاثیر را در برآورد جریان رودخانه دارا هستند. نظر به اینکه سهم برف در ارتفاعات افزایش می یابد با در نظر گرفتن حوزه های آبریز در ارتفاعات بالادست مشخص گردید که تاثیر swe نیز افزایش می یابد. از طرفی مشخص است که تاثیر برف بر روی جریان رودخانه با تاخیر صورت می گیرد و لزوما همچون باران بصورت همزمان نمی باشد. لذا با بررسی تاثیر آب معادل برف با تاخیرهای یک الی سه ماهه در مدل با گام روزانه مشخص گردید که ایجاد تاخیر نسبت به حالت همزمان نتایج بهتری دارد، مضافا اینکه swe با تاخیر 3 ماهه بهترین نتیجه را به همراه دارد. در مرحله بعدی جهت ایجاد رابطه مناسب برای مدل با گام ماهانه، ابتدا swe ماکزیمم فصلی در زمستان اصلاح گردید و سپس نسبت به استخراج رابطه بینswe(max) فصل زمستان و جریان ماهانه در فصل بهار اقدام گردید. نتایج نشان می دهد که اصلاح انجام شده تاثیر موثری روی شاخص های ارزیابی مدل دارد.