نوع مقاله : مقاله پژوهشی

نویسندگان

1 کارشناس ارشد آبخیزداری، دانشکده منابع طبیعی، دانشگاه تهران

2 استاد، دانشکده منابع طبیعی، دانشگاه تهران

3 دانشیار، دانشکده منابع طبیعی، دانشگاه تهران

4 استادیار، دانشکده کشاورزی و منابع طبیعی، دانشگاه گنبد کاووس

چکیده

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.

کلیدواژه‌ها

عنوان مقاله [English]

Runoff modeling using TRMM satellite precipitation data in Chehel Chai Watershed

نویسندگان [English]

  • Hossein Emami 1
  • Ali Salajegh 2
  • Alireza Moghaddamnia 3
  • Shahram Khalighi 3
  • Abolhassan Fathbabadi 4

1 MSc Watershed Management Science and Engineering, Faculty of Natural Resource, University of Tehran, Iran

2 Professor, Faculty of Natural Resource, University of Tehran, Iran

3 Associate Professor, Faculty of Natural Resource, University of Tehran, Iran

4 Assistant Professor, Faculty of Natural Resources and Agriculture, Gonbad Kavous University, Iran

چکیده [English]

Precipitation is of the most important inputs of runoff modeling. The availability of precipitation data with appropriate temporal and spatial accuracy is very important and necessary for watersheds with small and scattered rainfall stations. Nowadays, climatic satellites are practical and widely-used tools in precipitation estimations. In this study, first the efficiency of TRMM satellite precipitation data in the monthly time series of Chehelchai Watershed was evaluated using R2, RMSE, NSE and Bias statistical indices by comparing the precipitation data of rain gauge stations (observed)  and the values of these statistical indices were 0.54, 22.70, 0.44 and -14.86, respectively. Considering the value of the coefficient of determination (R2), it can be concluded that the TRMM satellite was able to estimate the 0.54 of observed precipitation. In the next step, three base data models including MLP, ANFIS and SVR were used to estimate the monthly runoff. Two different input scenarios were selected :1) observed precipitation data in t and t-1 time steps and runoff in t-1 time step and 2) satellite precipitation data in t and t-1 time steps and runoff in t-1 time step. To compare the accuracy and error of the models, R2 and RMSE of the validation stage were used. The ANFIS model with the values of R2 and RMSE were 0.80 and 0.97 for the first type input combination and 0.78 and 1.02 for the second type input combination, respectively, as the suitable single model for estimating runoff in the study area were selected. Then weighted-mean method was used in the data fusion approach to provide a data driven combination model for each combination of inputs into the model in the studied watershed. This data fusion approach data-driven model improved the values (R2=0.81) and (Bias=-4.85) for the first type input combination and also improved the value (R2=0.79) for the second type input combination.

کلیدواژه‌ها [English]

  • Data-driven models
  • Data fusion approach
  • Statistical indices
  • TRMM
  • Weighted-mean method