دو عامل تغییرات اقلیمی و شهرنشینی دو فرایند پیشرونده موازی هستند که چالش های زیادی از جمله ایجاد سیلاب را موجب می شوند (Krellenberg et al., 2014). در سال های اخیر شدت بارندگی در نتیجه نوسانات اقلیمی افزایش یافته است (Sperotto et al, 2016). با توجه به عدم سازگاری کانال های رودخانه ها با دبی های جدید (Surian et al., 2016) و نیز گسترش سکونتگاه ها به سمت محدوده های سیل گیر که عمدتا در نتیجه افزایش جمعیت و گسترش سطح زیرکشت کشاورزی می باشد، موجب افزایش میزان آسیب پذیری سکونتگاه ها و زیرساختها در برابر مخاطرات طبیعی مانند سیل شود (Ettinger et al., 2015). افزایش مخاطرات در سکونتگاه های انسانی در نتیجه افزایش جمعیت و سرمایه، تخلیه منابع، و فعالیت های در حال تغییر محیطی و انسانی می باشد (Chen, 2012). ایران نیز همواره با مسایل و مشکلات سیلاب های خسارت بار روبرو  بوده و هزینه هایی را برای جبران خسارات سیل صرف نموده است (Ghahroudi and Nezammahalleh, 2012). سیل شهریورماه سال 1395 در استان مازندران خسارات قابل توجهی را برجای گذاشته است. در جريان این سيل 104 ميليارد تومان به تاسيسات زيربنايي ، 16 ميليارد تومان به واحدهاي مسكوني و تجاري ، يك ميليارد و 900 ميليون تومان به بخش معيشتي ، يك ميليارد و 200 ميليون تومان به وسايل نقليه و 24 ميليارد تومان به حوزه كشاورزي خسارت وارد شده است (سایت استانداری مازندران). مطابق با گزارشات هواشناسی استان مازندران شدت بارش بطور میانگین در ایستگاه های مختلف در طول مدت 6 ساعت حدود 217 میلیمتر بوده است.

مشاهده و دانلود google earth حوضه های آبخیز و زیرحوضه های آبریز ایران

با توجه به خسارات هنگفت مطالعه شرایط محیطی وقوع این گونه مخاطرات ضرورتی اجتناب ناپذیر است. این گونه مخاطرات علاوه بر ایجاد خسارات معنوی و اجتماعی اقتصادی و همچنین آسیب به بخش های خصوصی از جمله سازمان های بیمه، می تواند با ایجاد هزینه های جدید مالی و زمانی موجب کند شدن دولت در رسیدن به اهداف برنامه های توسعه و نیز کاهش عملکرد مدیران در اجرای برنامه ها شود. مطالعه این مخاطرات می تواند با کاهش هزینه های بودجه در پیشبرد برنامه های توسعه مفید باشد. مطالعه حاضر می تواند گامی کوچک در جهت شناسایی این مشکل و ارائه راهکار هایی برای این منظور باشد.

دانلود شیپفایل های حوضه های آبریز

---

دو عامل تغییرات اقلیمی و شهرنشینی دو فرایند پیشرونده موازی هستند که چالش های زیادی از جمله ایجاد سیلاب را موجب می شوند (Krellenberg et al., 2014). در سال های اخیر شدت بارندگی در نتیجه نوسانات اقلیمی افزایش یافته است (Sperotto et al, 2016). با توجه به عدم سازگاری کانال های رودخانه ها با دبی های جدید (Surian et al., 2016) و نیز گسترش سکونتگاه ها به سمت محدوده های سیل گیر که عمدتا در نتیجه افزایش جمعیت و گسترش سطح زیرکشت کشاورزی می باشد، موجب افزایش میزان آسیب پذیری سکونتگاه ها و زیرساختها در برابر مخاطرات طبیعی مانند سیل شود (Ettinger et al., 2015). افزایش مخاطرات در سکونتگاه های انسانی در نتیجه افزایش جمعیت و سرمایه، تخلیه منابع، و فعالیت های در حال تغییر محیطی و انسانی می باشد (Chen, 2012). ایران نیز همواره با مسایل و مشکلات سیلاب های خسارت بار روبرو  بوده و هزینه هایی را برای جبران خسارات سیل صرف نموده است (Ghahroudi and Nezammahalleh, 2012). سیل شهریورماه سال 1395 در استان مازندران خسارات قابل توجهی را برجای گذاشته است. در جريان این سيل 104 ميليارد تومان به تاسيسات زيربنايي ، 16 ميليارد تومان به واحدهاي مسكوني و تجاري ، يك ميليارد و 900 ميليون تومان به بخش معيشتي ، يك ميليارد و 200 ميليون تومان به وسايل نقليه و 24 ميليارد تومان به حوزه كشاورزي خسارت وارد شده است (سایت استانداری مازندران). مطابق با گزارشات هواشناسی استان مازندران شدت بارش بطور میانگین در ایستگاه های مختلف در طول مدت 6 ساعت حدود 217 میلیمتر بوده است.

با توجه به خسارات هنگفت مطالعه شرایط محیطی وقوع این گونه مخاطرات ضرورتی اجتناب ناپذیر است. این گونه مخاطرات علاوه بر ایجاد خسارات معنوی و اجتماعی اقتصادی و همچنین آسیب به بخش های خصوصی از جمله سازمان های بیمه، می تواند با ایجاد هزینه های جدید مالی و زمانی موجب کند شدن دولت در رسیدن به اهداف برنامه های توسعه و نیز کاهش عملکرد مدیران در اجرای برنامه ها شود. مطالعه این مخاطرات می تواند با کاهش هزینه های بودجه در پیشبرد برنامه های توسعه مفید باشد. مطالعه حاضر می تواند گامی کوچک در جهت شناسایی این مشکل و ارائه راهکار هایی برای این منظور باشد.

مشاهده و دانلود نرم افزار اکسل هیدرومتری تحلیل مورفومتری آبخیز و هیدرولوژی سیلاب حوضه ها

معرفی مدل شبکه عصبی مصنوعی

در شبکه ارتباطی مغز انسانها سیگنالهای ارتباطی به صورت پالسهای الکتریکی هستند.جزء اصلی مغز نرون است که از یک ساختمان سلولی و مجموعه ای از شیارها و خطوط تشکیل شده و شیارها محل ورود اطلاعات به نرون هستند وخطوط محل خروج اطلاعات از نرون اند . نقطه اتصال یک نرون به نرون دیگر را سیناپس می نامند که مانند دروازه یا کلید عمل می کنند. اگر واکنشهایی که میلیونها نرون مختلف به پالسهای متفاوت نشان میدهند با یکدیگر هماهنگ باشند ممکن است پدیده های مهمی در مغز رخ دهد (نوری و همکاران، 1394).

سیستم شبکه عصبی این کار را از طریق ارزشگذاری کمی برای ارتباطات سیگنالها بین نرونها انجام میدهد مکانیسم ارزشگذاری توسط مقاومتها با تقویت یا تضعیف پالسها انجام میشود.چون شبکه های عصبی میلیونها نرون دارند خرابی تعدادی از آنها تاثیر چندانی برعملکرد سیستم نمی گذارد تا کنون چند سیستم آزمایشی با استفاده از این اصول طراحی و ساخته شده اند مثلاًدر بررسی های زیست محیطی، شبکه های عصبی برای جمع آوری و تحلیل اطلاعاتی که از راه دور حس شده اند مورد استفاده قرار می گیرند اطلاعاتی که اغلب سفینه ها مخابره می کنند بسیار حجیم است.

شبکه های عصبی این اطلاعات را به راحتی دسته بندی کرده وپس از جمع آوری اطلاعات ذهنی و تجسمی نتایج جالبی به دست می آورند (مثلاًتشخیص انواع خاصی از ابرها) البته این فرایند با آنچه سیستم های خبره انجام می دهند متفاوت است زیرا این سیستم ها ابزارهای تصمیم سازی هستند و می توانند حجم زیادی از اطلاعات را به سرعت تحلیل کنند شبکه های عصبی برای مدل سازی فرایندهای فکری مغزی که زمینه ی دیگری برای مطالعات حساس به اطلاعات و پیچیدگی است مورد استفاده قرار گرفته است.

شبکه عصبی مصنوعی یک سامانه پردازشی داده ها است که از مغز انسان ایده گرفته و پردازش داده ها را به عهدهٔ پردازنده های کوچک و بسیار زیادی سپرده که به صورت شبکه ای به هم پیوسته و موازی با یکدیگر رفتار می کنند تا یک مسئله را حل نمایند. در این شبکه ها به کمک دانش برنامه نویسی، ساختار داده ای طراحی می شود که می تواند همانند نورون عمل کند. که به این ساختارداده نورون گفته می شود. بعد باایجاد شبکه ای بین این نورونها و اعمال یک الگوریتم آموزشی به آن، شبکه را آموزش می دهند (شعبانی، 1391).

در این حافظه یا شبکه عصبی نورونها دارای دو حالت فعال (روشن یا 1) و غیرفعال (خاموش یا 0) اند و هر یال (سیناپس یا ارتباط بین گره ها) دارای یک وزن می باشد. یال های با وزن مثبت، موجب تحریک یا فعال کردن گره غیر فعال بعدی می شوند و یال های با وزن منفی، گره متصل بعدی را غیر فعال یا مهار (در صورتی که فعال بوده باشد) می کنند.

معرفی الگوریتم ژنتیک

الگوریتم ژنتیک (Genetic Algorithm – GA)  تکنیک جستجویی در علم رایانه برای یافتن راه‌حل تقریبی برای بهینه‌سازی و مسائل جستجو است. الگوریتم ژنتیک نوع خاصی از الگوریتمهای تکامل است که از تکنیکهای زیست‌شناسی مانند وراثت و جهش استفاده می‌کند. الگوریتم ژنتیک که به‌عنوان یکی از روشهای تصادفی بهینه یابی شناخته شده, توسط جان هالند در سال ۱۹۶۷ ابداع شده‌است. بعدها این روش با تلاشهای گلدبرگ ۱۹۸۹, مکان خویش را یافته و امروزه نیز بواسطه تواناییهای خویش , جای مناسبی در میان دیگر روشها دارد. (نوری و همکاران، 1394)

در هر مسئله قبل از آنکه بتوان الگوریتم ژنتیک را برای یافتن یک پاسخ به کار برد به دو عنصر نیاز است: اول روشی برای ارائه یک جواب به شکلی که الگوریتم ژنتیک بتواند روی آن عمل کند لازم است. به شکل سنتی یک جواب به صورت یک رشته از بیتها، اعداد یا نویسه ها.نمایش داده می‌شود.دوم روشی لازم است که بتواند کیفیت هر جواب پیشنهاد شده را با استفاده از توابع تناسب محاسبه نماید.

مراحل انجام تحقیق

داده های مورد استفاده در تحقیق:

در این مطالعه آمارهای ایستگاه هیدرومتری از سازمان آّب منطقه ای استان مازندران در بازه زمانی 1391 تا 1397 مربوط به ایستگاه دوآب سوادکوه دریافت شده و بعد از بازسازی و اصلاحات مورد تحلیل آماری قرار گرفته است. این ایستگاه در موقعیت 53-03-16 طول شرقی و   36-00-05 عرض شمالی در ارتفاع 876 از سطح دریا واقع شده است. دبی متوسط سالانه این ایستگاه 2.5 مترمکعب در ثانیه، و حداکثردبی اوج و حداقل دبی اوج شش ساله در این ایستگاه برابر با 58.75 و 26.17 مترمکعب در ثانیه است. نقشه رقومی توپوگرافی 1:25000 حوضه آبخیز از سازمان نقشه برداری با فرمت DGN تهیه شده است. نقشه زمین شناسی نیز براساس نقشه زمین شناسی اسکن شده منطقه وارد نرم افزار شده و بعد از ژئورفرنس کردن بعد از رقومی سازی موقعیت عوارض اطلاعات توصیفی وارد شده است. مشخصات حوضه خطیرکوه نیز براساس داده های DEM و نقشه توپوگرافی و زمین شناسی حوضه استخراج و سپس بصورت لایه های وکتوری آماده شده است. مشخصات فیزیوگرافی و هیدروگرافی حوضه از نقشه ها و آمارهای ایستگاه هیدرومتری استخراج شده است.   

 به منظور بررسی توانایی شبكه عصبی در برآورد دبی اوج لحظه اي رودخانه ها در مقایسه با روشهاي تجربی ذكر شده، نتایج برآورد روش با استفاده از معیارهاي RMSE  (ریشه دوم میانگین مربع خط) و ) MAE ( میانگین خطاي مطلق و ضریب تعیین مقادیر مشاهده اي و برآوردي (R2) در روابط زیر نشان داده شده اند. 

از نتایج مدل بارش رواناب با شبکه عصبی مصنوعی می توان نتیجه گرفت که مدل      MLP با مقدار RMSE برابر با 7.12 قابل استفاده است. بنابراین، نتایج پیش بینی این مدل با توجه به شرایط هر منطقه و درنظر گرفتن سایر عوامل موثر می تواند در مطالعات لحاظ شود. مقادیر مدل در جدول زیر آمده است.  ضریب R2 برای این مدل در این مطالعه مقدار 0.83 بدست آمده است.

 

 

 

 

بنابراین، می توان بیان داشت که ترکیب ورودی های بارش روز جاری، بارش و دبی روز قبل، و دبی دو روز و سه روز قبل از سیل می تواند بطور قابل قبولی دبی جریان خروجی را پیش بینی نماید. می توان نتیجه گرفت که شبیه سازی هیدرولیکی با استفاده از شبکه عصبی در این منطقه دارای دقت خوبی است و می توان براساس داده های مورد نظر دبی آب را برای زمان های مورد نظر پیش بینی نمود.