مطالعه اثر تغيير اقليم بر جريان ورودي به مخزن سد طالقان با استفاده از روش تركيب اطلاعات

Assessing climate change impacts on Taleghan reservoir daily inflow using data fusion method

در تحقيق حاضر، كاربرد روش تركيب اطلاعات در شبيه‌سازي فرايند هيدرولوژيك جريان ورودي به مخزن سد طالقان بررسي شد. دو الگوريتم تركيب اطلاعات بر مبناي الگوريتم K نزديك‌ترين همسايه (K-NN) پيشنهاد و ارزيابي شدند. چهار مدل شبكه عصبي مصنوعي و دو مدل همراشتين - واينر به‌عنوان مدل‌هاي شبيه‌ساز جريان روزانه ورودي به مخزن به‌كار گرفته شدند. مقايسه نتايج حاصل از روش تركيب اطلاعات با مدل‌هاي منفرد، حاكي از افزايش دقت شبيه‌سازي در مقايسه با مدل‌هاي منفرد است. عملكرد هر دو الگوريتم تركيب اطلاعات در شبيه‌سازي متوسط ماهانه جريان ورودي به مخزن يكسان بود، اما الگوريتم AL1 به مقادير بزرگ‌تري از انحراف استاندارد ماهانه منجر شد. در نهايت، با استفاده از مدل مولد اقليم، سري روزانه دما و بارش تحت سناريوهاي تغيير اقليم بازتوليد شده و اين سري‌ها، به‌عنوان ورودي مدل‌هاي منفرد و روش تركيب اطلاعات استفاده شدند. نتايج نشان داد كه پيش‌بيني مدل‌هاي منفرد در شرايط تغيير اقليم ممكن است متفاوت بوده و گاه، تغييرات پيش‌بيني‌شده توسط آنها داراي جهات متناقضي باشند. به‌علاوه مشخص شد كه عملكرد روش تركيب اطلاعات با استفاده از الگوريتم AL2 توسط مدل همراشتين - واينر تاييد مي‌شود و در مقايسه با الگوريتم AL1، به نتايج منطقي‌تري مي‌انجامد. همچنين، با توجه به تناقض‌هاي مدل‌هاي منفرد، كاربرد اين روش سبب افزايش ضريب اطمينان در مورد تغييرات پيش‌بيني‌شده جريان ورودي به مخزن در شرايط تغيير اقليم مي‌شود.

In this research, Data Fusion (DF) method was applied to simulate the hydrological process of Taleghan reservoir daily inflow. Two different DF algorithms were proposed and assessed based on K-nearest neighbors (KNN) algorithm. Four artificial neural network models and two Hammerstein-Wiener (HW) models were used as the individual simulation models. Comparison of the results between individual models and DF algorithms revealed the superiority of the DF method. The performances of the two DF algorithms were comparable in simulating monthly mean inflow values, but AL1 overestimated the monthly standard deviations. Then, the daily time series of Temperature and Precipitation were generated by a well-tested weather generator model and were used as the inputs to the individual models. The results showed that the individual models can result in different or even inconsistent variations under climate change scenarios. It was also revealed that the performance of the AL2 data fusion algorithm was proved by the best HW model and this algorithm resulted in more logical results. Moreover, regarding considerable diversity among the individual models, the DF method can increase the reliability of the simulations related to the predicted variations of reservoir daily inflow under climate change scenarios.