Iranian Dam and Hydroelectric Powerplant

fa توسعه چارچوب پیش‌بینی-پایش متغیرهای هیدرولوژیکی مبتنی بر جذب چندمتغیره داده‌های میدانی و دورسنجی Prediction-Monitoring of Hydrological Variables based on Multivariate Assimilation of Ground and Satellite Data هیدرولوژی و برنامه ریزی منابع آب هیدرولوژی و برنامه ریزی منابع آب پژوهشي Research امروزه توانایی پیش‌بینی متغیرهای مختلف هیدرولوژیکی و نیز پایش وضعیت حوضه&lrm;های آبریز، یکی از موضوعات مهم در علم هیدرولوژی محسوب می‌شود. به طور کلاسیک، با توجه به عدم دسترسی به مشاهدات میدانی متغیرهای مختلف، توسعه و نیز واسنجی مدل‌های هیدرولوژیکی بر پایه‌ی مشاهدات میدانی رواناب استوار بوده‌است. از طرفی، استفاده صرف از مشاهده رواناب، الزاماً موجب شبیه‌سازی صحیح سایر متغیرهای هیدرولوژیکی نمی‌شود. با گذشت زمان و توسعه دورسنجی، افق مناسبی جهت استفاده از انواع اطلاعات دورسنجی در توسعه و واسنجی مدل‌های هیدرولوژیکی مبتنی بر مشاهدات مذکور ایجاد شد. نظر به اهمیت حوضه دریاچه ارومیه، و همچنین عدم توسعه یک چارچوب پیش‌بینی متغیرهای هیدرولوژیکی مختلف در حوضه مذکور، در این پژوهش اقدام‌به استفاده از رویکرد جذب مشاهدات هیدرولوژیکی در بالادست حوضه مذکور شد. برای این منظور از مشاهدات میدانی رواناب و داده‌های سطح پوشش برف (SCF)، متعلق به سنجنده MODIS، به طور توأم و به منظور پیش&lrm;بینی شرایط هیدرولوژیکی در بالادست حوضه مهابادچای استفاده شد. همچنین نتایج رویکرد پیشنهادی مبتنی بر جذب داده با نتایج حاصل از الگوریتم SUFI2 مقایسه گردید. نتایج حاکی از آن بود که استفاده توأم از مشاهدات رواناب و SCF میتواند به بهبود هم‌زمان شبیه‌سازی این دو متغیر کمک شایانی نماید. Nowadays the capability of forecasting-monitoring of hydrological variables is one of the crucial issues in the hydrology context. Traditionally, calibrating and developing hydrological models is based on streamflow observation. This issue arises from the lack of the availability of in situ measurements of other hydrological variables. Moreover, the models that only rely on the streamflow observation measured at the subbasin’s outlet may incorrectly represent the internal watershed processes. Due to advances in remote-sensing techniques, a good opportunity is available for calibrating-developing hydrological models based on the remotely-sensed data. Due to the importance of the Urmia Lake basin and the lack of a hydrological system for forecasting hydrological variables in the basin, we applied Data Assimilation (DA) at the upstream part of the basin. Accordingly, we simultaneously used the in-situ measurement of streamflow and remotely-sensed MODIS Snow Cover Fraction (SCF) to forecast hydrological variables at the upstream part of the Mahabad basin. Moreover, we compared the result of EnKF with SUFI2. Results show the simultaneous utilization of SCF and streamflow can concurrently improve the simulation accuracy of both variables. However, both EnKF and SUFI2 access similar result concerning streamflow simulation, EnKF provide a better result for SCF compared to SUFI2. واسنجیِ چند متغیره, جذب داده, SUFI2, سطح پوشش برف, دریاچه ارومیه Multi-variate calibration, Data assimilation, SUFI2, Snow Cover Fraction, Urmia Lake 101 113 http://journal.hydropower.org.ir/browse.php?a_code=A-10-1015-1&slc_lang=fa&sid=1 Mehrad Bayat مهراد بیات me_bayat@civileng.iust.ac.ir 0014564920 10031947532846004412 No Iran University of Science and Technology دانشگاه علم و صنعت ایران Hosein Alizadeh حسین علیزاده alizadeh@iust.ac.ir 1753764513 10031947532846004413 Yes Iran University of Science and Technology دانشگاه علم و صنعت ایران Barat Mojaradi برات مجردی mojaradi@iust.ac.ir 0060405945 10031947532846004414 No Iran University of Science and Technology دانشگاه علم و صنعت ایران