Runoff estimation in ungauged catchments using climatic and physiographic parameters (Case Study: Ardabil Province)

Pourseifollahi Anzabi, Batul and Kanooni, Amin and Nikpour, Mohammad Reza and Ramezani Moghaddam, Javad (2019) Runoff estimation in ungauged catchments using climatic and physiographic parameters (Case Study: Ardabil Province). Masters thesis, University of Mohaghegh Ardabili.

[img] Text
برآورد رواناب در حوضه‏های آبریز فاقد آمار با استفاده از عوام.pdf

Download (495kB)
Official URL: http://uma.ac.ir/

Abstract

Research Aim: The purpose of this study is to estimate runoff using metheorological and physiographic parameters of the catchments in Ardabil province for estimating of runoff in ungauged catchments. Research method: In this research, the Ardabil province, which has a variety of sub-basins, has been considered as the study area. Data of Flow and rainfall of 30 hydrometric stations and 55 rain gauge stations were collected with a statistical period of 23 years. Then the physiographic characteristics of the sub-basins were extracted using ArcGIS software. Due to the large size and variation of physiographic and climatic parameters, the study area was divided into homogeneous regions. First, the number of input variables needed in the cluster analysis was reduced by principal component analysis. Then, by applying Ward’s hierarchical clustering method and the K-means partitioning method the homogeneous regions were identified. In the next step, the regression analysis method, regional model and artificial neural network method were used to estimate runoff in homogeneous clusters. Also, the root mean square error (RMSE), Nash-Sutcliff (NS), mean relative error (MRE) and correlation coefficient (r) were used to evaluate different models. Findings: According to the results obtained from the Principal Component Analysis, the first four factors with a total accumulation variance of 83.6% were selected as inputs of cluster analysis. The number of homogeneous regions was determined using the Ward’s clustering method and then, using the K-means partitioning method, the study area was divided into four homogeneous clusters. The annual runoff of catchments in homogeneous regions was estimated using the regression analysis method, regional model and artificial neural network method, and finally appropriate equations and models were presented. Conclusion: The results showed that the models obtained from the artificial neural network have a high ability in simulation and estimation of runoff at the validation stage. The regression analysis method has a appropriate performance compared to artificial neural network

Item Type: Thesis (Masters)
Persian Title: برآورد رواناب در حوضه¬های آبریز فاقد آمار با استفاده از عوامل هواشناسی و فیزیوگرافی حوضه¬ها (مطالعه موردی: استان اردبیل)
Persian Abstract: هدف: هدف از انجام این پژوهش تعیین رواناب با استفاده از عوامل هواشناسی و فیزیوگرافی حوضه¬ها در استان اردبیل می¬باشد تا با استفاده از آن بتوان مقدار رواناب در حوضه¬های آبریز فاقد آمار را تخمین زد. روش‌شناسی پژوهش: در این پژوهش استان اردبیل که از زیرحوضه¬های متعددی با مشخصات متنوعی برخوردار است به‏عنوان منطقه مورد مطالعه در نظر گرفته شد. داده¬های دبی و بارش 30 ایستگاه هیدرومتری و 55 ایستگاه باران¬سنجی با دوره آماری 23 سال جمع¬آوری شد و سپس مشخصات فیزیوگرافی زیرحوضه¬های آبریز با استفاده از نرم¬افزار ArcGIS استخراج شدند. به‏دلیل وسعت زیاد و تنوع پارامترهای فیزیوگرافی و اقلیمی، منطقه مورد مطالعه به مناطق همگن تقسیم شد. ابتدا تعداد متغیرهای ورودی مورد نیاز در تجزیه و تحلیل خوشه¬ای با تحلیل مؤلفه¬های اصلی کاهش یافت، سپس با به‏کارگیری خوشه¬بندی سلسله مراتبی وارد و روش افرازی K-means نواحی همگن شناسایی گردید. در مرحله بعد به‏منظور برآورد رواناب در خوشه¬های همگن، سه روش تحلیل رگرسیون، مدل منطقه¬ای و شبکه عصبی مصنوعی به‏کار گرفته شد. همچنین از معیارهای مجذور میانگین مربعات خطا (RMSE)، نش-ساتکلیف (NS)، میانگین خطای نسبی (MRE) و ضریب همبستگی (r) برای ارزیابی آماری مدل¬های مختلف استفاده شد. یافته‌ها: با توجه به نتایج به¬دست آمده از تجزیه و تحلیل مؤلفه¬های اصلی، چهار عامل اول با مجموع واریانس تجمعی 6/83 درصد به‏عنوان ورودی تجزیه و تحلیل خوشه¬ای انتخاب شدند. تعداد مناطق همگن با استفاده از روش خوشه¬بندی وارد تعیین و سپس با بهره¬گیری از روش افرازی K-means منطقه مورد مطالعه به چهار خوشه همگن تقسیم شد. در ادامه رواناب سالانه حوضه¬های واقع در نواحی همگن با استفاده از روش¬های رگرسیون، مدل منطقه¬ای و شبکه عصبی مصنوعی برآورد شد و در نهایت روابط و مدل¬های مناسب ارائه شد. نتیجه‌گیری: نتایج نشان داد که مدل¬های به¬دست آمده از روش شبکه عصبی مصنوعی در مرحله صحت¬سنجی توانایی بالایی در شبیه¬سازی و برآورد رواناب سالانه دارند. روش تحلیل رگرسیون عملکرد مناسبی در مقایسه با روش شبکه عصبی مصنوعی داشته است و می¬تواند برای تخمین رواناب در حوضه¬های فاقد آمار مورد استفاده قرار گیرد.
Supervisor:
SupervisorE-mail
Kanooni, AminUNSPECIFIED
Nikpour, Mohammad RezaUNSPECIFIED
Advisor:
AdvisorE-mail
Ramezani Moghaddam, JavadUNSPECIFIED
Subjects: Faculty of Agricultural Sciences & Natural Resources > Department of Water Engineering
Divisions > Faculty of Agricultural Sciences & Natural Resources > Department of Water Engineering
Divisions: Subjects > Faculty of Agricultural Sciences & Natural Resources > Department of Water Engineering
Faculty of Agricultural Sciences & Natural Resources > Department of Water Engineering
Date Deposited: 30 Jun 2019 05:55
Last Modified: 30 Jun 2019 05:55
URI: http://repository.uma.ac.ir/id/eprint/7143

Actions (login required)

View Item View Item