17555

17555

چهارچوب طبقه‌بندي حوضه‌هاي آبريز با استفاده از تئوري آشوب

دكتري

عمران - آب

فروردين 1396

دكتر عباس قاهري

دكتر محمد علي قرباني

عمران

طبقه بندي حوضه آبريز يكي از گامهاي اساسي و ضروري در بهبود مسايل مرتبط با علم هيدرولوژي مانند مدلسازي پديده هاي هيدرولوژيكي مي باشد. بدليل پيچيدگي و ارتباط غير خطي بين اجزاي يك سيستم در فرايندهاي هيدرولوژيكي، طبقه بندي بر پايه محاسبه سطح پيچيدگي سيستمها و روشهاي غير خطي مانند تئوري آشوب كه داراي فرضيات مشابه با خصوصيات پديده هاي هيدرولوژيكي مي باشد، مورد توجه قرار گرفته و بسيار موثر ظاهر شده است. با استفاده از اين مفهوم، حالت سيستم در هر زمان/مكان توصيف شده و تعداد متغيرهايي كه براي نشان دادن يك سيستم ديناميكي مورد نياز است، تعيين مي¬شود. هرچند محققيني در اين زمينه تلاش نموده اند، اما تحقيقات در اين زمينه در مراحل ابتدايي قرار دارد. در اين رساله تلاش گرديده است تا ميزان كارايي اين مفاهيم در ارائه يك چهارچوب طبقه بندي مورد بررسي قرار گيرد، بدين منظور از داده هاي دبي روزانه 60 ايستگاه در كشور استفاده شده است. جهت شناسايي و صحت سنجي الگوي طبقه بندي معرفي شده از مدل شبيه ساز شبكه عصبي مصنوعي استفاده شده است. نتايج نشان داد با استفاده از دو معيار زمان تاخير و بعد همبستگي مي¬توان حوضه¬ها را طبقه بندي نمود. بر اساس نتايج شبيه سازي داده ها با استفاده از مدل شبكه عصبي، ايستگاهها به سه گروه بر مبناي زمان تاخير (زمان تاخير زياد، بينابيني و كم) و چهار گروه بر مبناي بعد همبستگي (بعد كم، بينابيني، زياد و غير قابل تعريف) دسته بندي شدند. استفاده از بعد همبستگي جوابهاي دقيق تري نسبت به روش زمان تاخير بدست مي¬دهد اما استفاده از زمان تاخير آسانتر بوده و نياز به محاسبه پارامترهاي كمتري دارد. نتايج نشان داد اگرچه همسايگي دو ايستگاه نشاندهنده شباهت رفتاري آنها نيست اما برخي همگني هاي مكاني در رفتار ايستگاهها مشاهده مي¬شود. الگوي طبقه بندي حوضه هاي آبريز نشان داد حوضه هايي با اقليم متفاوت كه در فاصله اي دور از يكديگر قراردارند ممكن است رفتار مشابهي با سطح پيچيدگي مشابه نشان دهند. همچنين بررسي نتايج حاكي از پيچيدگي زياد ديناميك رواناب در نواحي جنوب شرق ايران مي باشد، درحالي كه بيشتر ايستگاههاي واقع در مناطق مرطوب كه عمدتا در شمال ايران واقع شده اند داراي سطح پيچيدگي كمتري نسبت به ساير ايستگاهها مي-باشند. بطور كلي، كاهش مقدار بارش باعث افزايش ميزان پيچيدگي رواناب مي شود. محاسبه معيارهاي ذكر شده به شناسايي مدل مناسب بر مبناي سطح پيچيدگي پديده هاي هيدرولوژيكي كمك نموده و باعث صرفه جويي در زمان و هزينه هاي محاسباتي خواهد شد.

1396/04/12

1/1/1900 12:00:00 AM

Catchment classification is a necessary and basic step toward improving the hydrology-related sciences such as hydrologic modeling. Owing to the complexity and nonlinear relations among the components of a system in the hydrologic processes, the classification based on the complexity level of estimation systems and nonlinear methods, such as the phase space reconstruction concept, has been considered and appears to be highly effective. By using this concept, the system state can be described at any time/space and define the number of variables needed to represent the trajectories of a dynamic system. Although researchers’ efforts have included the development and introduction of some procedures, studies in this area are still in the infancy stage. This study attempts to propose and verify a suitable pattern for catchment classification based on use of the concept of the Chaos theory. To this end, the daily runoffs of sixty stations in Iran were used. The Artificial Neural network (ANN) was employed to identify the classification pattern using the mentioned concept. The results show that using two measures of the Chaos theory (i.e. the lag time and the correlation dimension) one can classify the catchments based on the complexity of the system. The result of data simulation using ANN method was employed to divide the stations into 3 groups based on the lag time (High-lag time, Transition and Low-lag time) and 4 groups based on correlation dimension (low dimension, Transition, high dimension and unidentifiable). While the use of the criteria D2 leads to certain groups also a bit more accurate results in comparison to the use of the lag time in stations classification, use of lag time criteria is easier and requires less information. The results show that although the spatial nearness of two stations does not indicate behavioral similarity, some homogeneity in spatial behavior was observed. The spatial pattern classification of Iran's catchments indicates that catchments with different climate characteristics which are located at a far distance from each other might yield similar responses along with the same level of complexity. Evident from an analysis in this study shows while the runoff dynamic of south-eastern stations exhibit very high complexity more stations located in very wet climates (especially in the north part of Iran) are less complex than the other stations. In general, decrease in amounts of rainfall (drought increasing) leads to increase in the value of complexity. Calculating the mentioned criteria would guide modelers in the identification of the most suitable model based on the complexity of the hydrologic phenomena. This approach saves considerable time and reduces computation requirements.