Journal of Rainwater Catchment Systems

fa برآورد تراز سطح آب مخزن سد گتوند علیا با تلفیق سنجش‌ازدور و متغیرهای هیدرومتئورولوژیکی در چارچوب یادگیری ماشین Estimating Water-Surface Elevation in the Upper Gotvand Dam Reservoir by Integrating Remote Sensing and Hydrometeorological Variables within a Machine-Learning Framework تخصصي Special پژوهشي Research <table align="right" class="Table" dir="rtl" style="width:100.0%; border-collapse:collapse; border:none" width="100%"> <tbody> <tr> <td style="border-bottom:1px dashed #4bacc6; width:69%; padding:0cm 7px 0cm 7px; height:19px; border-top:1px dashed #4bacc6; border-right:1px dashed #4bacc6; border-left:1px dashed #4bacc6" valign="top">تراز سطح آب مخازن سدها یکی از مهم‌ترین متغیرهای مورد نیاز برای پایش و مدیریت منابع آب است، اما دسترسی پیوسته به داده‌های ایستگاهی در بسیاری از مخازن با محدودیت‌های فنی و اجرایی همراه است. هدف این پژوهش، توسعه یک چارچوب سنجش‌ازدور و داده‌محور برای برآورد تراز سطح آب مخزن سد گتوند علیا و بررسی قابلیت استفاده از متغیرهای طیفی، ارتفاعی و هیدرومتئورولوژیکی در این فرایند است. در این مطالعه، داده‌های روزانه تراز سطح آب مخزن در دوره 1395 تا 1405 با تصاویر Sentinel-2، مدل رقومی سطح AW3D30 و داده‌های ERA5-Land تلفیق شد. ابتدا شاخص تفاضل نرمال‌شده آب (NDWI) از تصاویر Sentinel-2 محاسبه و پنج آستانه 00/0، 05/0، 10/0، 15/0 و 20/0 برای استخراج مرز آبی مخزن ارزیابی شد. سپس، با انطباق مرز استخراج‌شده بر مدل رقومی ارتفاع، تراز اولیه سطح آب از میانه ارتفاع پیکسل‌های مرزی برآورد شد. علاوه بر این، متغیرهای بارش، دما، تبخیر، رواناب، معادل آبی برف و بارش برف در زیرحوضه‌های بالادست مبتنی بر HydroBASINS استخراج و با ساخت متغیرهای زمانی تجمعی و میانگین‌گیری‌شده، در مدل‌سازی مورد استفاده قرار گرفتند. برای مقایسه عملکرد روش‌های داده‌محور، چهار مدل XGBoost، شبکه عصبی عمیق (DNN)، شبکه عصبی کانولوشنی (CNN) و حافظه طولانی کوتاه‌مدت (LSTM) به کار گرفته شدند. نتایج ارزیابی آستانه‌های NDWI نشان داد که آستانه 00/0 بهترین عملکرد را داشته و افزایش آستانه موجب کاهش پیوسته دقت برآورد تراز شده است. در میان مدل‌های داده‌محور، XGBoost در مجموعه آزمون با R2=0.98، RMSE=1.07 متر و NSE=0.98 بهترین عملکرد را ارائه کرد. همچنین تحلیل SHAP نشان داد که متغیر تراز اولیه استخراج‌شده از تصاویر ماهواره‌ای و مدل رقومی ارتفاع، مهم‌ترین متغیر پیش‌بین بوده و متغیرهای هیدروکلیماتیک نقش مکملی در بهبود برآورد داشته‌اند. مقایسه نتایج مدل‌ها با استفاده از نمودار تیلور نیز بر پایداری بیشتر XGBoost و توانایی بالاتر آن در بازسازی دامنه و الگوی تغییرات تراز آب در داده‌های آزمون تأکید کرد. در مجموع، نتایج نشان داد که ترکیب اطلاعات سنجش‌ازدوری، توپوگرافی و شرایط هیدرومتئورولوژیکی بالادست با الگوریتم‌های داده‌محور، به‌ویژه XGBoost، می‌تواند رویکردی مؤثر برای برآورد تراز سطح آب مخزن سد گتوند علیا فراهم کند.</td> </tr> </tbody> </table> <table class="Table" style="border-collapse:collapse; border:none" width="100%"> <tbody> <tr> <td style="border-bottom:1px dashed #0070c0; width:65%; padding:0cm 2px 0cm 2px; height:19px; border-top:1px dashed #0070c0; border-right:1px dashed #0070c0; border-left:1px dashed #0070c0" valign="top">Reservoir water-surface elevation is one of the most important variables required for water-resources monitoring and management; however, continuous access to in situ observations is constrained by technical and operational limitations in many reservoirs. This study aimed to develop a remote-sensing and data-driven framework for estimating the water-surface elevation of the Upper Gotvand Dam Reservoir and to investigate the applicability of spectral, elevation, and hydrometeorological variables in this process. Daily reservoir water-level data covering the May 2016 to May 2026 were integrated with Sentinel-2 imagery, the ALOS World 3D–30m digital surface model (AW3D30 DSM), and ERA5-Land data. First, the normalized difference water index (NDWI) was calculated from Sentinel-2 images, and five thresholds of 0.00, 0.05, 0.10, 0.15, and 0.20 were evaluated for extracting the reservoir’s water boundary. The preliminary water-surface elevation was then estimated by overlaying the extracted boundary on the digital surface model and calculating the median elevation of the boundary pixels. In addition, precipitation, temperature, evaporation, runoff, snow-water equivalent, and snowfall variables were extracted for the HydroBASINS-based upstream sub-basins and used in the modeling process by generating accumulated and averaged temporal variables. Four models—XGBoost, a deep neural network (DNN), a convolutional neural network (CNN), and a long short-term memory network (LSTM)—were employed to compare the performance of the data-driven approaches. Evaluation of the NDWI thresholds showed that 0.00 provided the best performance and that increasing the threshold resulted in a continuous decline in water-level estimation accuracy. Among the data-driven models, XGBoost achieved the best performance on the test dataset, with R² = 0.98, RMSE = 1.07 m, and NSE = 0.98. SHAP analysis also showed that the preliminary water-level variable derived from the satellite imagery and digital surface model was the most important predictor, while the hydroclimatic variables played a complementary role in improving the estimates. Comparison of the model results using a Taylor diagram further emphasized the greater stability of XGBoost and its superior ability to reconstruct the magnitude and pattern of water-level variations in the test data. Overall, the results demonstrated that integrating remote-sensing information, topographic data, and upstream hydrometeorological conditions with data-driven algorithms, particularly XGBoost, can provide an effective approach for estimating the water-surface elevation of the Upper Gotvand Dam Reservoir.</td> </tr> </tbody> </table> تراز سطح آب، سد گتوند علیا، Sentinel-2، NDWI، AW3D30 DSM، ERA5-Land، XGBoost، یادگیری عمیق Water level, Upper Gotvand Dam, Sentinel-2, NDWI, AW3D30 DSM, ERA5-Land, XGBoost, Deep learning. 0 0 http://jircsa.ir/browse.php?a_code=A-10-2431-2&slc_lang=fa&sid=1 Javad Zahiri جواد ظهیری j.zahiri@asnrukh.ac.ir 10031947532846006559 10031947532846006559 Yes Agricultural Sciences and Natural Resources University of Khuzestan دانشگاه علوم کشاورزی و منابع طبیعی خوزستان