استفاده از محاسبات نرم در پيش‌بيني و برآورد دبي جريان و بررسي جريان زيست - محيطي (مطالعه موردي: رودخانه خرخره‌چاي)

Use of Soft Calculations at Estimation and Prediction of Environmental Flow Discharge (Case Study: Khorkhoreh Chay River)

پيش ­بيني جريان رودخانه و جريان زيست ­محيطي به منظور تأمين نياز اكوسيستم رودخانه، بهر ه­برداري و برنامه­ريزي منابع آب، لازم و ضروري است. در تحقيق حاضر، ابتدا عملكرد مدل­هاي فازي- عصبي و برنامه ريزي بيان ژن براي پيش­بيني جريان رودخانه خرخره ­چاي مورد بررسي قرار گرفت. رودخانه خرخره ­چاي از شعب رودخانه سقز در استان كردستان است كه از تلاقي سه شاخه آب رغجو، ايراب، پيرسليمان در روستاي خرخره­ چاي به وجود آمده است. در مهندسي منابع آب استفاده از داده ­هاي ايستگاه مجاور و مشابه جهت پيش­ بيني جريان در ايستگاه فاقد آمار مورد توجه مي­باشد. بدين منظور از داده هاي روان آب ماهانه ايستگاه هيدرومتري صفاخانه بر روي رودخانه ساروق­ چاي به مدت 21 سال جهت پيش­ بيني جريان خرخره در ايستگاه سنته استفاده گرديد. همچنين در اين تحقيق اثرات دوره­اي و فصلي جريان ماهانه بر روي عملكرد پيش ­بيني مدل­ها مورد ارزيابي قرار گرفت. پس از پيش ­بيني جريان، در بخش دوم تحقيق جريان زيست­ محيطي رودخانه ساروق­چاي با استفاده از دو روش اكو- هيدرولوژيك DRM،FDC Shifting برآورد شد. در بخش اول مطالعه، نتايج نشان داد كه روش­هاي فازي- عصبي و برنامه ­ريزي بيان ژن نتايج قابل قبولي در پيش­بيني جريان رودخانه داشتند. با اين وجود مدل برنامه ­ريزي بيان ژن به دليل ارائه رابطه رياضي حاكم بر مسأله مورد مطالعه نسبت به مدل فازي- عصبي برتري داشت. نتايج بخش دوم تحقيق نشان داد كه براي حفظ رودخانه ساروق­ چاي در حداقل وضعيت اكولوژيكي قابل قبول (كلاس مديريت زيست­ محيطي C)، به طور متوسط، شدت جريان 05/2 مترمكعب بر ثانيه (معادل 23 درصد متوسط جريان سالانه) در طول رودخانه تا درياچه اروميه، بايستي برقرار باشد.

Recently, according to the water crisis, special ecological conditions of Urmia lake and the importance of predicting and estimating the environmental requirement of rivers in the Urmia lake watershed, the present study was carried out in the Zarrinerud river basin. It is noted that the Zarrinerud river supplies the majority of water for urmia lake. This research is presented in two main sections. The first part predicts the monthly flow at the station without data using two intelligent methods including ANFIS and GEP. In the second section, the estimation of environmental flow was done through two methods of FDC shifting and DRM