The survey on the effective parameters of river discharge using the artificial neural networks in Dehgolan basin-Kurdistan

Document Type : Research Paper

Authors

1 Ph.D student university of Mohaghegh Ardabili

2 Assistant Professor of climatology of Kordestan university

Abstract

A deficit in precipitation (meteorological drought) can result in a recharge deficit, which in turn causes lowered surface flow and a deficit in groundwater discharge. Given the importance of water in human life, regulating the access to reliable and sustainable water resources and planning proper consumption are essential for every designated region. There are two type of limitations that results from natural phenomena or improper management by human. This phenomenon is evident when above mentioned two factors emerge together. The purpose of this study is to identifying the climatic conditions that affect the flow in Dehgolan basin. The applied dataset in this study is the Precipitation, temperature, evaporation and runoff recorded in stations located at the Dehgolan basin. First using the Double-Mass curve the accuracy and the exactness of the mentioned data checked. Having made sure of their accuracy, using the data of adjacent stations and through proportions and differentials, the lost data of each station rebuilt. Drought occurrence was calculated using SPI index and other climatic variables normalized too. Then operative climatic conditions on surface flow studied using the artificial neural network in MATLAB environment as the method of feed forward back propagation. The highest correlation coefficient and proper mean square error for the input parameters obtained in an input model include: SPI in half year time scale, flow in the last months, temperature and evaporation in the synchronic month. Compare the multiple regression method and artificial neural networks shows higher correlation coefficient in artificial neural network. According to the major changes in the values of correlation, Standard Precipitation Index (SPI) and the discharge of the previous month can mention that the variation of these parameters got a higher effect on decreasing or the increasing of the monthly discharge.

Keywords

References

منابع
1-  اسلامیان، سید سعید؛مسعود نصری ونعیمه رحیمی. 1388. بررسی دوره­های ترسالی و خشک‌سالی و اثرات آن بر منابع آب در حوضه­ آبی دشت بوئین، مجله­ی جغرافیا و برنامه­ریزی محیطی، شماره33، اصفهان، صص 75-90.
2-   برخورداری، جلال و محمدخسروشاهی. 1385. بررسی اثرات پوشش اراضی و اقلیم بر جریان رودخانه، مجله­ی پژوهش و سازندگی در منابع طبیعی، شماره­ی 77، تهران، صص 191-199.
3-   خسروی، محمود و هانیه شکیبا. 1389. پیش­بینیبارشبااستفادهازشبکه­هایعصبیمصنوعیبه منظورمدیریتسیل (مطالعه­موردی:منطقهایرانشهر)،  چهارمینکنگره­یبین­المللیجغرافی­دانان جهاناسلام، زاهدان، صص1-21.
4-  خوشحال، جواد وسید مهدیحسینی.1389. کاربردشبکه­یعصبیمصنوعیدرشبیه­سازی عناصراقلیمیوپیش­بینیسیکل خشک‌سالی(مطالعه­یموردی:استاناصفهان)، مجله­ی جغرافیا و برنامه­ریزی محیطی، شماره­ی 39، اصفهان، صص107-120.
5-  داننده­مهر، علی و محمدرضا مجد­زاده طباطبایی. 1388. بررسیتأثیرتوالیدبیروزانهدرپیش­بینیجریانرودخانه­هابااستفادهازبرنامه­ریزیژنتیک، نشریه­ی آب و خاک، جلد 24، مشهد، صص325-333.
6-   علیزاده، امین. 1388. اصول هیدرولوژی کاربردی.چاپ بیست و ششم، مشهد، انتشارات دانشگاه امام رضا (ع).
7-  عرفانیان، مریم و جواد احمدیان، 1388. بررسی و محاسبه وضعیت خشکسالی استان خراسان رضوی،مجموعه مقالات اولین کنفرانس بین­المللی مدیریت منابع آب. شاهرود، انتشارات دانشگاه صنعتی شاهرود.
8-  رضوی، سید سامان ومحمد کارآموز. 1388. استفادهازشبکه­هایعصبیمصنوعیدرپیش­بینیماهانه­جریان رودخانه، دهمین کنفرانس سراسری دانشجویان مهندسی عمران، دانشگاه صنعتی امیر­کبیر، تهران.
9-  زارع­زادهمهریزی، محبوبه و امیدبزرگحداد. 1389. شبیه­سازیوپیش­بینیآب­دهیبااستفادهازالگوریتمترکیبیANN-GA، نشریه­یآبوخاک، جلد24،شماره­ی5، مشهد، صص942-954.
10- صادقی، س.ح.ر.،ب یثربی ونورمحمدی، ف. (1384). تهیهوتحلیلمدل­هایبارش- روانابماهانهحوزه­ی آبخیزهرازدراستانمازندران، پژوهش­نامه­ی علومکشاورزیومنابعطبیعیخزر،سالسوم،شمارهاول، مازندران، صص1-12.
11- قلی­زاده، محمدحسین و محمد دارند. 1388. پیش­بینی بارش ماهانه با استفاده از شبکه­های عصبی مصنوعی، پژوهش­های جغرافیای طبیعی، شماره­ی 71، تهران، صص51-63.
12-Aksoy, H., and Dahamsheh, A. 2009. Artificial neural network models for forecasting monthly precipitation in Jordan , Stoch Environ Res Risk Assess,23, 917-931 .
13-Fang, X.J., Pomeroy, W. 2007.Drought impact on Canadian prairie wetland snow hydrology, hydrological processes,117: 233-251.
14-Hardy, J. 2003. Climate Change, Causes, Effects and Solutions, Wiley, New York, 264.
15-Laércio Ender, Rubens Maciel F. 2003.Neural networks applied to a multivariable nonlinear control strategies, Computer Aided Chemical Engineering, 15: 190-195.
16-Lallahem, S., Mania, J., Hani, A., and Najjar, Y. 2004. On the use of neural networks to evaluate groundwater levels in fractured media. Journal of Hydrology,307: 92–111.
17-McKee T.B., Doesken N.J., and Kleist J. 1993. The Relationship of Drought Frequency and Duration to Time Scales, Proceedings of the Eighth Conference on Applied Climatology,American Meteorological Society, Boston, 179–184.
18-Mendez, Marıa Castellano, Gonzalez, Wenceslao, Manteiga, Manuel Febrero, Bandea, 2004. Modelling of the monthly and daily behaviour of the runoff of the Xallas River using Box–Jenkins and neural networks methods, Journal of Hydrology, 296: 38–58.
19-Micheli Hayes, Mark D. Svoboda, DonaldA. Wilhite, Olga V. Vanyarkho, 1999. Monitoring the 1996 Drought Using the Standardized Precipitation Index,Bull. Amer. Meteor. Soc., 80: 429–438.
20-Mishra, A.K., and Desai,V.R. 2006. Drought forecasting using feed-forward recursive neural network, ecological modeling, 19(8): 127–138.
21-Polemio, M, and Casarano, D. 2008. Climate change, drought and groundwater availability in southern Italy, The Geological Society Special Publications, 288, Italy, 39-51.
22-Querner, E.P., Talaksen,L.M. and Van lanen,H.A.J. 1997. Impact of land-use, climate change and groundwater abstraction on stream flow droughts using physically-based models, IAHS Publ., 74: 171-179.
23-Sciuto G., Bonaccorso,B.,Cancelliere,A.,and Rossi,G. 2009. Quality control of daily rainfall data with neural networks, Journal of Hydrology,364: 13– 22.
24-Vasiliades, L., and Loukas, A. 2009. Hydrological response to meteorological drought using the Palmer drought indices in Thessaly, Greece, Desalination 237: 3–21.

Files

Share

How to cite

Statistics