توسعه شاخص تركيبي ريسك سيلاب تحت اثر سناريوهاي اقليمي بر مبناي پيش‌بيني با يادگيري ماشين

اصفهان : دانشگاه صنعتي اصفهان

عمران

دكتري

سيلاب يكي از مهم‌ترين و مخرب‌ترين مخاطرات طبيعي است كه سالانه امنيت جاني، اقتصادي، اجتماعي، زيست‌محيطي و رواني ساكنين زمين را به خطر مي‌اندازد. الگوي رفتاري اين پديده در سال‌هاي اخير در اثر عوامل بسياري همچون تغييرات اقليم دستخوش تغييرات شده ‌است. بنابراين پيش‌بيني سيلاب و ارزيابي ريسك اين پديده تحت عامل ناپايداري هم‌چون تغيير اقليم مي‌‌تواند نقشي حياتي در بسياري از ابعاد زندگي ايفا كند. به همين منظور در اين مطالعه به ارزيابي دو هدف مهم شامل پيش‌بيني سيلاب و ارزيابي ريسك سيلاب درحوضـة آبريـز رودخانه‌ي كن واقع در شمال استان تهران به عنوان مطالعه‌ي موردي پرداخته شده‌است. اين حوضه به دليل داشتن موقعيت و شرايط خاص يكي از حوضه‌هاي مهم و بحراني براي مطالعه‌ي رفتار سيلاب محسوب مي‌شود. در فاز اول اين مطالعه يك چارچوب جديد همجوشي براي پيش‌بيني سيل بر اساس مدل‌هاي يادگيري ماشين، مدل‌هاي آماري و زمين‌آماري معرفي شده‌است. بدين منظور در ابتدا يك مدل يادگيري ماشين به منظور پركردن شكاف داده‌هاي مشاهداتي زميني دوره تاريخي(2020-2000) بر اساس داده‌هاي بارش سنجش از راه دور شامل ERA5، CHIRPS و PERSIANN-CDR مورد استفاده قرار گرفت. سپس چهار مدل يادگيري ماشين، از جمله جنگل تصادفي، پرسپترون چند لايه، ماشين بردار پشتيبان وماشين يادگيري افراطي، به منظور شبيه‌سازي جريان روزانه در مقياس بلند مدت توسعه داده شده است. در مرحله بعد سه مدل تركيبي، از جمله جنگل تصادفي، ميانگين‌گيري مدل بيزي، و حداكثر آنتروپي بيزي، براي تركيب خروجي‌هاي مدل‌هاي يادگيري ماشين منفرد گام قبل و به منظور بهبود نتايج به خصوص در پيش‌بيني گام‌هاي زماني دورتر استفاده شده است. چارچوب پيشنهادي همچنين براي ريز مقياس نمايي متغيرهاي بارش روزانه‌ي سه مدل گردش عمومي آب و هوايي (GCMs) تحت دو سناريوي انتشار اجرا شده است. نتايج اين گام نشان داد كه مدل‌هاي منفرد عملكرد ضعيفي را به‌ويژه در پيش‌بيني جريان روزانه‌ي گام‌هاي زماني دور نشان مي‌دهند، بنابراين لازم است از يك تكنيك همجوشي براي بهبود نتايج استفاده شود. در اين گام مدل جنگل تصادفي كارايي بالايي را در مرحله همجوشي در مقايسه با ساير مدل‌هاي مبتني بر همجوشي نشان داده است. از طرفي اين تكنيك همچنين عملكرد موثري در ريزمقياس نمايي داده‌هاي بارش روزانه GCM ها نشان داده است. در گام دوم پژوهش، ريسك سيلاب منطقه مورد مطالعه تحت مدل‌ها و سناريوهاي مختلف تغيير اقليم بر اساس ديدگاه كاپيولا ارزيابي شده است. تحقيقات سنتي اغلب از يك چارچوب دو متغيره با تكيه بر داده‌هاي تاريخي استفاده مي‌كنند، حال آن كه رويكرد دو متغيره‌ي سيلاب مي‌تواند به كاهش دقت تخمين منجر شود، كمااين كه انتظار مي‌رود تغييرات اقليم بر تجزيه و تحليل فركانس سيل و طراحي سيستم سيل در آينده تأثير بگذارد. بنابراين گام دوم اين مطالعه به ارزيابي تغييرات پيش‌بيني‌شده در سه ويژگي مهم سيل شامل تداوم، حجم سيلاب و دبي حداكثر جريان و دوره بازگشت هاي مشترك سيلاب با استفاده از توابع مفصل بر اساس هشت مدل گردش عمومي ريزمقياس نمايي شده پرداخته است. در اين فاز مطالعه تجزيه و تحليل بر اساس دو سناريوي انتشار شامل SSP2-4.5 و SSP5-8.5 براي سه دوره‌ي 31 ساله شامل آينده دور (2070-2100)، آينده ميان مدت (2040-2070) و تاريخي (1982-2012) صورت‌گرفته‌است. در اين گام خروجي‌هاي بارش و دماي حداقل و حداكثر مدل‌هاي تغيير اقليم ريزمقياس نمايي شده به عنوان پيش‌بيني‌كننده‌هاي مدل يادگيري ماشين فاز اول براي شبيه‌سازي جريان روزانه استفاده شده‌اند. سپس، يك چارچوب سه متغيره مبتني بر توابع مفصل، رويدادهاي سيل را به صورت سه متغيره در حوضه‌ي اشاره شده ارزيابي كرده است. اين تحليل‌ها با استفاده از كاپيولاي ارشميدسي سلسله مراتبي در سه ساختار شامل كاپيولاي متقارن، همگن نامتقارن و ناهمگن نامتقارن ارائه شده است و در نهايت عملكرد آن‌ها در تخمين فركانس‌هاي سيل مورد ارزيابي قرار گرفته‌است.

232829

مهندسي و مديريت منابع آب

مهندسي عمران

دانشگاه صنعتي اصفهان