ارائه کننده: آرزو شفیعی بافتی

استاد راهنما: دکتر مهدی وفاخواه

استاد مشاور: دکتر وحید موسوی

استاد مشاور دوم: دکتر هادی خسروی فارسانی

استاد ناظر داخلی: دکتر حمیدرضا مرادی رکابدارکلائی، دکتر عبدالواحد خالدی درویشان

استاد ناظر خارجی: دکتر هیراد عبقری، دکتر باقر قرمزچشمه

نماینده تحصیلات تکمیلی: دکتر سیدحمیدرضا صادقی

تاریخ: ۱۴۰/۰۷/۲۹

ساعت:‌ ۰۸:۰۰

مکان: سالن اصلی کاخ

چکیده: 

با افزایش جمعیت و گسترش فعالیت‌های انسانی، نیاز به منابع آب به‌طور چشمگیری افزایش یافته است. ازاین‌رو، مدیریت منابع آب یکی از مهم‌ترین موضوعات در حوزه مدیریت و برنامه‌ریزی منابع آب و از الزامات اساسی توسعه اجتماعی و اقتصادی محسوب می‌شود. منحنی تداوم جریان (FDC) یکی از داده‌های ارزنده و دارای اطلاعات مفید است که تمامی مقادیر دبی رودخانه، مانند جریان‌های کمینه، بیشینه و شرایط عادی را نمایش می‌دهد. این منحنی در طراحی و بهره‌برداری از نیروگاه‌های برق‌آبی، ارزیابی کیفیت آب، ارزیابی وضعیت اکولوژیکی رودخانه، تعیین نیاز آبی محیط‌زیستی و ارزیابی کمی اثرات اقدامات آبخیزداری کاربرد دارد. بااین‌حال، بسیاری از حوزه‌های آبخیز در جهان فاقد ایستگاه‌های آب‌سنجی یا دارای آمار کوتاه‌مدت دبی هستند. با توجه به این موضوع، هیدرولوژیست­ها از روش تحلیل منطقه‌ای بهره می‌گیرند. در این روش، متغیرهای هیدرولوژیکی حوزه‌های فاقد آمار بر اساس اطلاعات حوزه‌های دارای آمار برآورد می‌شوند. لذا پژوهش حاضر با هدف تحلیل منطقه­ا­ی منحنی تداوم جریان در بزرگ حوزه آبخیز دریای خزر با استفاده از روش‌های متداول (رگرسیونی) و هوشمند (داده‌کاوی و یادگیری عمیق) انجام شد. برای نیل به اهداف پژوهش، ابتدا متغیرهای مستقل شامل ویژگی‌های فیزیوگرافی، اقلیمی، زمین‌شناسی، کاربری اراضی و شاخص‌های پوشش گیاهی  و هیدرولوژیکی استخراج شدند و سپس بر اساس آزمون گاما، در رویکرد اول، متغیرهای ارتفاع متوسط، شیب میانگین، NDSI  و درصد کاربری اراضی جنگلی و در رویکرد دوم، متغیرهای شیب میانگین حوزه آبخیز، دمای میانگین سالانه،NDSI  و درصد کاربری اراضی مرتعی به‌عنوان متغیرهای مستقل انتخاب شدند. در ادامه، منحنی تداوم جریان برای هر یک از ایستگاه‌های آب‌سنجی ترسیم شد و مقادیر دبی متناظر با فراوانی­های 2، 10، 20، 50 و 90 درصد در سال‌های مختلف استخراج گردید. سپس این مقادیر با استفاده از روش‌های متداول (رگرسیونی) و هوشمند (داده‌کاوی و یادگیری عمیق) برآورد شدند. به‌منظور انتخاب مناسب‌ترین مدل از نمایه­های ریشه میانگین مربعات خطا (RMSE) و ضریب تعیین (R²)  استفاده شد. نتایج نشان داد که در رویکرد بلندمدت (آزمون گاما)، مدل ترکیبی  ANFIS-FCM  با R² آزمون بین 75/0 تا 94/0 و RMSE  آزمون بین 03/0 تا 07/0 به‌عنوان برترین مدل معرفی شد، در حالی‌که در رویکرد سالانه، مدل  LSBoost با R² آزمون بین 74/0 تا 79/0 و RMSE  آزمون بین 11/0 تا 03/2 بهترین عملکرد را در میان مدل‌های یادگیری ماشین از خود نشان داد.