يكپارچه‌سازي سيستم اطلاعات مكاني (GIS)، شبكه عصبي پرسپترون چندلايه (MLP) و مدل بارش-رواناب (SWAT) با درنظرگرفتن تغييرات كاربري‌ها براي پيش‌بيني دبي ورودي و حجم رسوب (مطالعه موردي: سد ستارخان)

Integration of GIS, MLP and SWAT by Considering of Usage Changes to Prediction of Input Flow and Volume of Sediment (Case Study: Sattarkhan Dam)

هدف از مطالعات رسوب‌گذاري در يك سد مخزني يافتن ديدي كلي درمورد ميزان حجم ازدست‌رفته مخزن است. در اين ميان، بررسي و پيش‌بيني حجم رسوب واردشده به مخزن اهميت ويژه‌اي دارد. در اين پژوهش، با استفاده از روش آماري ريزمقياس‌كردن، بارش و دما در محدوده حوضه آبريز سد ستارخان با مساحت 950 كيلومترمربع، واقع در استان آذربايجان شرقي، در بلند‌مدت پيش‌بيني شده‌اند. با توجه به اطلاعات بارش و دماي پيش‌بيني‌شده، به‌كمك مدل SWAT، رسوب ورودي به سد شبيه‌سازي شده است. مقايسه نتايج اين مدل و مقادير مشاهداتي نشان مي‌دهد گرچه مدل SWAT با دقت بالاي 80% مي‌تواند روند جريان رسوب ورودي به مخزن را شبيه‌سازي كند، قادر به شبيه‌سازي مقادير واقعي رسوب نيست. براي رفع اين اختلاف، بايد پارامتر فرسايش نيز، براي رسيدن به نتيجه مطلوب، در محاسبات لحاظ شود. بنابراين ابتدا با كمك مدل شبكه عصبي پرسپترون چندلايه (MLP) بارش مورد نظر پيش‌بيني شده و سپس نقشه كاربري به‌منظور تعيين ميزان تاثير كاربري و، به‌تبع آن، فرسايش در محيط GIS تهيه شده است. تركيب پارامتر كاربري در محيط GIS و بارش پيش‌بيني‌شده مي‌تواند خروجي SWAT را به مقدار واقعي نزديك‌تر كند. نتايج حاصل نشان مي‌دهد كه با يكپارچه‌سازي و استفاده از مدل‌هاي به‌كاررفته و قابليت‌هاي GIS مي‌توان نتايج و برآورد ميزان حجم رسوب را با دقت بالاي 95% محاسبه كرد.

The aim of studying of sedimentary in a reservoir dam is finding of a comprehensive attitude about the measurement of the reservoir lost volume. In this middle, studying and anticipating of the volume of input sediment into the reservoir is significant. In this paper by using of sub-scaling, we have anticipated long term precipitation and temperature in Sattarkhan reservoir by the area of 950 km2 located in East Azerbaijan province. According to anticipated precipitation and temperature and Water Assessment Tools (SWAT) input sediments into the dam has simulated. The results show that although SWAT model can simulate with upper than 80% the procedure of input flow into the reservoir, but it couldn’t assessment of the simulation of flow maximum value. To resolve of this problem, it must be add erosion parameter. Therefore we have used of SDSM model and Multi-Layer Perceptron (MLP) and then land use map has made in GIS environment to recognition of application effect and erosion rate. Composing and integrating of user parameter in GIS environment and anticipated precipitation can optimize SWAT outcome and make it close to real value. Results indicated that Correlation between flows are anticipated and value of error has decreased in 95% accuracy by integrated using of above models. Keywords: Prediction, Input Discharge, Sediment Volume, GIS, MLP, SWAT.