|
برآورد تراز سطح آب مخزن سد گتوند علیا با تلفیق سنجش‌ازدور و متغیرهای هیدرومتئورولوژیکی در چارچوب یادگیری ماشین
|
جواد ظهیری*   |
| دانشگاه علوم کشاورزی و منابع طبیعی خوزستان |
|
|
چکیده: (5 مشاهده) |
| 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. |
|
شماره‌ی مقاله: 6 |
| واژه‌های کلیدی: تراز سطح آب، سد گتوند علیا، Sentinel-2، NDWI، AW3D30 DSM، ERA5-Land، XGBoost، یادگیری عمیق |
|
|
|
نوع مطالعه: پژوهشي |
موضوع مقاله:
تخصصي
دریافت: 1405/6/11 | ویرایش نهایی: 1405/7/7 | پذیرش: 1405/7/20 | انتشار الکترونیک پیش از انتشار نهایی: 1405/7/23
|
|
|
|
|
|
|
| ارسال پیام به نویسنده مسئول |
|
|
|
| ارسال نظر درباره این مقاله |
|
|
|
