TY - JOUR ID - 127038 TI - مدل‌سازی رواناب با استفاده از داده‌های بارش ماهواره TRMM در حوزه آبخیز چهل‌چای JO - مهندسی و مدیریت آبخیز JA - IJWMSE LA - fa SN - 2251-9300 AU - امامی, حسین AU - سلاجقه, علی AU - مقدم نیا, علیرضا AU - خلیقی سیگارودی, شهرام AU - فتح آبادی, ابوالحسن AD - کارشناس ارشد آبخیزداری، دانشکده منابع طبیعی، دانشگاه تهران AD - استاد، دانشکده منابع طبیعی، دانشگاه تهران AD - دانشیار، دانشکده منابع طبیعی، دانشگاه تهران AD - استادیار، دانشکده کشاورزی و منابع طبیعی، دانشگاه گنبد کاووس Y1 - 2022 PY - 2022 VL - 14 IS - 3 SP - 412 EP - 423 KW - شاخص‌های آماری KW - مدل‌های داده مبنا KW - روش میانگین‌گیری وزنی KW - رویکرد ترکیب داده KW - TRMM DO - 10.22092/ijwmse.2021.354545.1897 N2 - بارش یکی از مهمترین ورودی‌­ها در مدل­‌سازی رواناب است. وجود داده‌­های بارش با دقت زمانی و مکانی مناسب، برای حوزه­‌های آبخیز با ایستگاه‌های باران­سنجی اندک و پراکنده، بسیار مهم و ضروری است. در حال حاضر ماهواره­‌های اقلیمی از منابع مهم در برآورد بارش هستند. در این پژوهش، ابتدا کارایی داده­‌های بارش ماهواره TRMM در سری زمانی ماهانه حوزه آبخیز چهل‌چای با استفاده از شاخص­‌های آماری R2، RMSE، NSE و Bias از طریق مقایسه با داده‌های بارش ایستگاه‌های باران‌­سنجی (مشاهده شده) مورد ارزیابی قرار گرفت که مقدار این شاخص‌های آماری به‌ترتیب 0.54، 22.70، 0.44 و 14.86- به‌­دست آمد. با توجه به مقدار ضریب تبیین (R2)، می‌توان نتیجه گرفت که ماهواره TRMM توانسته 0.54 بارش مشاهده شده را برآورد کند. در گام بعدی به‌­منظور برآورد رواناب ماهانه از سه مدل­ داده مبنا شامل MLP، ANFIS و SVR استفاده شد. دو نوع ترکیب ورودی به مدل‌های داده مبنا شامل: 1) داده‌های بارش مشاهده شده در گام‌­های زمانی t و 1-t و رواناب در گام زمانی 1-t و 2) داده‌­های بارش ماهواره­ای در گام‌های زمانی t و 1-t و رواناب در گام زمانی 1-t انتخاب شد. برای مقایسه میزان دقت و خطای مدل‌ها از R2 و RMSE مرحله صحت‌سنجی استفاده شد که مدل ANFIS با مقدار R2 و RMSE به‌ترتیب برای ترکیب ورودی نوع اول 0.80 و 0.97 و همچنین، برای ترکیب ورودی نوع دوم  0.78 و 1.02 به‌­عنوان مدل منفرد مناسب در منطقه مورد مطالعه برای برآورد رواناب انتخاب شد. از روش میانگین­‌گیری وزنی در رویکرد ترکیب داده­‌ها به­‌منظور مدل­‌سازی و ارائه یک مدل­ ترکیبی داده­­ مبنا استفاده شد که این مدل ترکیبی داده مبنا باعث بهبود مقادیر0.81= R2 و 4.85- =Bias برای ترکیب ورودی نوع اول و همچنین، بهبود مقدار 0.79=R2 برای ترکیب ورودی نوع دوم شد و این روش ضعف مدل‌های منفرد را پوشش داده است. UR - https://jwem.areeo.ac.ir/article_127038.html L1 - https://jwem.areeo.ac.ir/article_127038_f5dee227bba74241ffee6bf031c4a8f8.pdf ER -