27883

توسعه مدل بهره¬برداري بهينه تطبيقي مبتني بر پيش¬بيني آورد هيدرولوژيك بر پايه روش¬هاي يادگيري عميق و تركيب داده¬هاي زميني و ماهواره¬اي

كارشناسي ارشد

مهندسي عمران- مهندسي آب - مديريت منابع آب

1398

1401/8/1

حسين عليزاده

مهندسي عمران

مدل¬هاي داده¬محور و بالاخص شبكه¬هاي عصبي بازگشتي راه را براي پيش¬بيني سري¬هاي زماني هيدرولوژيك هموار كردند. حافظه طولاني كوتاه¬مدت (LSTM) يك نوآوري قابل¬توجه در حل معضل وابستگي¬هاي بلندمدت سيستم¬هاي هيدرولوژيك به شمار مي¬آيد. دسترسي داده¬هاي ماهواره¬اي زمان¬واقعي مدل¬هاي داده¬محور را بيش از پيش مورد توجه قرار داده¬است. در اين مطالعه، كاوشي در خصوص قابليت¬هاي مدل LSTM دوسويه (BiLSTM) در پيش¬بيني جريان بر اساس تركيب داده¬هاي زميني و ماهواره¬اي انجام مي¬گيرد. اضافه بر آن، چهارچوبي براي تعيين اهميت متغيرهاي هيدرولوژيكي در پيش¬بيني جريان وضع مي¬شود تا تاثير وجود خطا در هر متغير بر خطاي پيش¬بيني مشخص شود. براي يك حوضه كوهستاني، يعني حوضه سد مهاباد، منابعي شامل داده¬هاي زميني جريان ورودي به مخزن، داده¬هاي بازتحليلي رطوبت خاك GLDAS، پوشش برف MODIS، بارش PERSIANN-CDR و ميانگين دماي روزانه ايستگاه سينوپتيك مهاباد استفاده شده¬اند تا جريان در سناريوهاي مختلف پيش¬بيني شود. افزون بر آن، مدل¬هاي BiLSTM، LSTM و XGBoost با يكديگر از لحاظ دقت پيش¬بيني مقايسه مي¬شوند. نتايج نشان مي¬دهند كه اگر داده¬هاي جريان ورودي به مخزن به صورت زمان¬واقعي در دسترس نباشند، تركيب داده¬هاي رطوبت خاك و پوشش برف و داده¬هاي اقليمي به دقت پيش¬بيني 78درصد منجر مي¬شود. در اين سناريو، دقت پيش¬بيني همبستگي بالايي با داده¬هاي رطوبت خاك دارد. سناريوهايي كه داده¬هاي جريان را به صورت ورودي دريافت مي¬كنند (چه به تنهايي چه در تركيب با ساير داده¬ها) عملكردي نزديك به هم در پيش¬بيني جريان با افق يك روزه دارند. در اين سناريوها شاخص NSE مقداري بين 5/87 تا 92 درصد اتخاذ مي¬كند. خطاي پيش¬بيني نيز بيش از هر متغير ديگري وابسته به خطاي اندازه¬گيري جريان خواهد بود. با اين حال، در صورت افزايش افق پيش¬بيني تا پنج روز، سناريوهاي شامل همه متغيرهاي موجود عدم¬قطعيت كمتر و توانايي بالاتري در پيش¬بيني جريان پيك دارند. همچنين مشخص شد كه مدل BiLSTM عملكرد بسيار كارآمدتري از مدل XGBoost دارد. يك مدل پيش¬بيني تطبيقي با گام زماني ماهانه نيز توسعه داده¬شد كه بر اساس به¬كارگيري پيش¬بيني جريان به عنوان ورودي مدل طراحي شده¬است. در اين مدل، ابتدا با استفاده از يك مدل بپيش¬بيني جريان از يك گام زماني جلوتر تا انتهاي سال آبي پيش¬بيني مي¬شود. سپس يك مدل بهره¬برداري اجرا شده و رهاسازي بهينه را مشخص مي¬كند. نتايج اين مدل نشان مي¬دهند كه در صورت استفاده از اين مدل زمان¬واقعي، مي¬توان عملكردي نزديك به عملكرد ايده¬ال داشت و در بلندمدت حقابه زيست¬محيطي درياچه اروميه از مخزن مهاباد را برآورده كرد. همچنين اين مدل نشان مي¬دهد كه براي ارائه يك عملكرد قابل¬اعتماد در تمام گام¬هاي زماني، پيش¬بيني درست از ميزان آب ورودي به مخزن در ماه¬هاي اسفند، فروردين و ارديبهشت الزامي است.

1401/11/09

Development of an Optimal Adaptive Operation Model Based on Hydrological Inflow Prediction Upon Deep Learning Methods and Combination of Ground And Satellite Data

10/23/2023 12:00:00 AM

Data-driven models, particularly Recurrent Neural Networks (RNNs), paved the way for forecasting hydrological real-time time series. Long Short-Term Memory (LSTM) is an appreciable innovation to overcome the long-term dependencies associated with hydrological systems. Real-time (RT) satellite data availability has made data-driven models more appealing. This paper investigates the potential of Bidirectional LSTM (BiLSTM) for streamflow prediction based on combinations of ground and satellite hydro-climatological data products. Additionally, we propose a framework to determine the relative importance of predictor variables and to explore the effect of error in each predictor on prediction accuracy. For a mountainous basin in Iran, i.e., Mahabad River Basin, we use different data sources, including daily time series of ground measurements of streamflow and temperature as well as reanalysis and satellite products of GLDAS (Global Land Data Assimilation System) soil moisture (SM), MODIS (Moderate Resolution Imaging Spectroradiometer) snow cover fraction (SC) and PERSIANN-CDR (Precipitation Estimation from Remotely Sensed Information using Artificial Neural Networks- Climate Data Record) precipitation, to develop different scenarios of streamflow prediction. Additionally, we compare BiLSTM with LSTM and XGBoost (eXtreme Gradient Boosting) models. Results show that if the streamflow records are not available in real-time, the combination of SM&SC with climate data (precipitation and temperature) results in a prediction with 78% accuracy. In this scenario, prediction accuracy is highly dependent on SM accuracy. Scenarios that employ streamflow records as an input (alone or in combination with other predictors) represent nearly similar accuracy in predicting streamflow of a 1-day advance. In these scenarios, the NSE factor takes values between 87.5% and 92% in the worst and best conditions. The prediction error is most correlated with streamflow error among all scenarios that use streamflow records. However, as the prediction lead time increases, usage of more available data reduces the uncertainty associated with the prediction and enhances the model’s potential in predicting extreme peak flows. Moreover, results demonstrate that climate data are essential for predicting peak flows. Considering all prediction lead times and all scenarios, a scenario that employs SM&SC and climate data accompanied by streamflow records is the most accurate scenario. Also, BiLSTM shows an acceptable ability in RT streamflow prediction. Furthermore, the (Bi)LSTM model outperforms XGBoost concerning prediction accuracy.

يادگيري عميق , حافظه طولاني كوتاه مدت , XGBoost , پيش بيني جريان , بهره¬برداري مخزن , سد مهاباد

Deep Learning , Long Short-Term Memory (LSTM) , XGBoost , Streamflow Prediction , Reservoir Operation , Mahabad dam

Mohammad Mosavat

Dr. Hossein Alizade