آمار
| تعداد نشریات | 13 |
| تعداد شماره‌ها | 654 |
| تعداد مقالات | 6,815 |
| تعداد مشاهده مقاله | 9,745,987 |
| تعداد دریافت فایل اصل مقاله | 9,140,595 |
ارزیابی مولفه های هیدرولوژیکی حوضه با کمک مدل مفهومی پیوسته بارش- رواناب شماره منحنی اصلاح شده | ||
| مجله پژوهش‌های حفاظت آب و خاک | ||
| مقاله 1، دوره 24، شماره 1، فروردین 1396، صفحه 1-23 اصل مقاله (945.43 K) | ||
| نوع مقاله: مقاله کامل علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22069/jwfst.2017.12085.2660 | ||
| نویسندگان | ||
| ثریا گلنارکار* 1؛ محسن پوررضا2؛ عباس خاشعی سیوکی3؛ مهدی امیر آبادی زاده4 | ||
| 1دانشجو | ||
| 2عض هیئت علمی | ||
| 3عضو هیئت علمی | ||
| 4مدیر گروه | ||
| چکیده | ||
| سابقه و هدف: مدل های شبیه سازی هیدرولوژیکی پیوسته و روزانه یکی از بهترین ابزارهای برآورد رواناب حاصل از بارندگی می باشند. این مدل ها با شبیه سازی فرایند تبدیل بارش به رواناب قادر به تخمین میزان رواناب حوضه های آب ریز فاقد ایستگاه اندازه گیری با کمترین زمان و هزینه ممکن می باشند. هدف این مقاله معرفی یک روش مدلسازی پیوسته، مفهومی و روزانه بارش-رواناب بر مبنای روش شماره منحنی تغییر یافته است که با استفاده از آن بتوان علاوه بر رواناب خروجی حوضه ، غالب یا مغلوب بودن فرآیند های هیدرولوژیکی مدل را نیز مشخص کرد. مواد و روش ها: درتحقیق حاضر مدل بارش-رواناب بر اساس مدل شماره منحنی اصلاح شده ،به صورت یکپارچه، مفهومی و در مقیاس روزانه در محیط برنامه نویسی متلب کدنویسی شد و با استفاده ازالگوریتم بهینه سازیPSO و تابع هدف ناش-ساتکلیف (NSE) واسنجی گردید. واسنجی مدل توسط الگور یتم PSO (کدنویسی شده در زبان برنامه نویسی متلب) و با تکرار نه هزار مرتبه اجرای مدل، انجام شد. بدین ترتیب که ، ابتدا متغیرهای تصمیم (پارامترهای مدل )در محدوده مشخص شده به صورت تصادفی مقداردهی اولیه شده و سپس الگوریتم PSOاجرا اشده و سری پارامتر بهینه محاسبه گردید. ضمن آنکه در مرحله شبیه سازی مدل ذکر شده با استفاده از داده های ایستگاه معرف جهانی برای حوضه لیف واقع در شمال شهرکالینز در ایالت می سی سی پی آمریکا و همچنین یکی از زیرحوضه های کرخه در داخل کشور واسنجی و صحت سنجی شده است. یافته ها : مقایسه مقادیر رواناب مشاهده شده و شبیه سازی شده در حوضه لیف با کمک آماره های ریشه میانگین مربعات خطا (RMSE) ، ضریب ناش-ساتکلیف (NSE) و معیار کلینگ گوپتا (KGE) به ترتیب در دوره ی واسنجی 4/1 ، 81/0و 87/0 و در دوره ی صحت سنجی 53/2، 83/0 و 86/0 نشان از عملکرد مناسب و قابل قبول مدل داشت. نتایج معیارهای مذکور در زیر حوضه قره سو نیز قابل قبول برآورد گردید ولی به دلیل کیفیت بالاتر داده های حوضه لیف نتایج آن نسبتاً بهتر ارزیابی می گردد. نتایج مدل حاضر با خروجی های مشابه از مدل مفهومی بارش– رواناب روزانه Hymod (و با حیث ورودی های یکسان) مقایسه گردید. به طور کلی برتری نسبی مدل Hymod در مقایسه نتایج در هر دو حوضه به چشم می خورد که دلیل آن را شاید بتوان در عدم قطعیت کمتر ناشی از تعداد کمتر پارامترها و روابط ساده تر مدل Hymod جستجو کرد. ضمن آنکه مدل ارائه شده مبتنی بر شماره منحنی علی رغم دارا بودن معیارهای کمتر از مدل hymod به دلیل محاسبه مولفه های مختلف هیدرولوژیکی شامل جریان میانی، جریان پایه، تلفات اولیه، نفوذ زیرسطحی، زهکشی و رواناب سطحی از اهمیت ویژه ای برخوردار بوده و اطلاعات دقیق تری از فرآیند های غالب موثر در رژیم هیدرولوژیکی زیرحوضه ها را در اختیار قرار می دهد. نتیجه گیری: مدل (SCS–CN)اصلاح شده مدلی مفهومی بوده که رواناب را با استفاده از داده های بارش و تبخیر- تعرق پتانسیل روزانه و با دقت مناسب محاسبه می نماید. مزیت اصلی این مدل نسبت به سایر مدل های مفهومی (به عنوان مثال hymod در این تحقیق) برآورد اجزای هیدرولوژیکی مدل و تعیین پروسه غالب حوضه آبریز مورد مطالعه می باشد. در این تحقیق می توان سه جز اصلی نفوذ، تبخیر و رواناب سطحی را به ترتیب فرآیندهای غالب در حوضه آبریز لیف و همان فرآیندها ولی با ترتیب از آخر به اول را فرآیندهای غالب در زیر حوضه قره سو دانست. بنابراین مدیریت حوضه آبریز با کمک خروجی های خاص ناشی از این نوع مدل ها (درصد مقادیر اجزاء مختلف رابطه بیلان هیدرولوژیکی) به نحو بسیار موثرتری قابل حصول می باشد. | ||
| کلیدواژه‌ها | ||
| شبیه سازی بلند مدت بارش-رواناب؛ شماره منحنی؛ اجزاء رابطه بیلان هیدرولوژیکی؛ الگوریتم بهینه سازی PSO؛ مدل مفهومی hymod | ||
| مراجع | ||
|
.Arnold, J.G., Engel, B.A., and Srinivasan, R. 1993. Continuous time, grid cell watershed model, application of advanced information technologies. Effective management of natural resources. ASAE Publication, 04–93. American Society of Agricultural Engineers, Pp: 267-278. 2.Boughton, W.C. 1966. A mathematical model for relating runoff to rainfall with daily data. Civil Engineering Trans I.E Australia, 38: 2. 779-787. 3.Boughton, W.C. 1968. A mathematical catchment model for estimating runoff. J. Hydrol. (New Zealand), Pp: 75-100. 4.Boyle, D.P., Gupta, H.V., and Sorooshian, S. 2000. Toward improved calibration of hydrologic models: Combining the strengths of manual and automatic methods. Water Resources Research, 36: 12. 3663-3674. 5.Choi, J.Y., Engel, B.A., and Chung, H.W. 2002. Daily streamflow modelling and assessment based on the curve-number technique. Hydrological Processes, 16: 16. 3131-3150. 6.Cooper, V.A., Nguyen, V.T.V., and Nicell, J.A. 2007. Calibration of conceptual rainfall– runoff models using global optimisation methods with hydrologic process-based parameter constraints. J. Hydrol. 334: 3. 455-466. 7.Crawford, N.H., and Linsley, R.K. 1966. Digital Simulation in Hydrology'Stanford Watershed Model 4. 8.Douglas, E.M., Jacobs, J.M., Sumner, D.M., and Ray, R.L. 2009. A comparison of models for estimating potential evapotranspiration for Florida land cover types. J. Hydrol. 373: 3. 366-376. 9.Geetha, K., Mishra, S.K., Eldho, T.I., Rastogi, A.K., and Pandey, R.P. 2008. SCS-CN-based continuous simulation model for hydrologic forecasting. Water Resources Management, 22: 2. 165-190. 10.Gupta, H.V., Kling, H., Yilmaz, K.K., and Martinez, G.F. 2009. Decomposition of the mean squared error and NSE performance criteria: Implications for improving hydrological modelling. J. Hydrol. 377: 1. 80-91. 11.Heaney, J.P., Sample, D., Wright, L., and Koustas, R. 1999. Geographical information systems, decision support systems and urban stormwater management. US Environmental Protection Agency, National Risk Management Research Laboratory, Office of Research and Development. 12.James, D. 1970. An Evaluation of Relationships Between Streamflow Patterns and Watershed Characteristics Through the Use of OPSET: A Self Calibrating Version of the Stanford Watershed Model. 13.James, L.D. 1972. Hydrologic modeling, parameter estimation and watershed characteristics. J. Hydrol. 17: 4. 283-307. 14.Liou, E.Y. 1970. Opset: program for computerized selection of watershed parameter values for the Stanford watershed model. 15.Mandeville, A.N., O'connell, P.E., Sutcliffe, J.V., and Nash, J.E. 1970. River flow forecasting through conceptual models part III-The Ray catchment at Grendon Underwood. J. Hydrol. 11: 2. 109-128. 16.Michel, C., Andréassian, V., and Perrin, C. 2005. Soil conservation service curve number method: how to mend a wrong soil moisture accounting procedure?. Water Resources Research, 41: 2. 17.Mishra, S.K. 1998. Long-term hydrologic simulation using SCS-CN method. Tech report. National Institute of Hydrology, Roorkee-247 667. UP, India. 18.Mishra, S.K., and Singh, V. 2013. Soil conservation service curve number (SCS-CN) methodology (Vol. 42). Springer Science and Business Media. 19.Mishra, S.K., and Singh, V.P. 2002. SCS-CN-based hydrologic simulation package. Mathematical Models of Small Watershed Hydrology and Applications, Water Resources Publs., LLC, Highlands Ranch, Pp: 391-464. 20.Mishra, S.K., and Singh, V.P. 2004a. Long-term hydrological simulation based on the Soil Conservation Service curve number. Hydrological Processes, 18: 7. 1291-1313. 21.Mishra, S.K., and Singh, V.P. 2004b. Validity and extension of the SCS-CN method for computing infiltration and rainfall-excess rates. Hydrological Processes, 18: 17. 3323-3345. 22.Nash, J.E., and Sutcliffe, J.V. 1970. River flow forecasting through conceptual models part IA discussion of principles. J. Hydrol. 10: 3. 282-290. 23.Ponce, V.M., and Hawkins, R.H. 1996. Runoff curve number: Has it reached maturity?. J. Hydrol. Engin. 1: 1. 11-19. 24.Saghafian, B., Noroozpour, S., Kiani, M., and Nasab, A.R. 2016. A coupled ModClark-curve number rainfall-runon-runoff model. Arab. J. Geosci. 9: 4. 1-13. 25.Singh, V.P. 1989. Hydrologic systems: watershed modeling (Vol. 2). Prentice Hall. 26.Singh, V.P. 1995. Computer Models of Watershed Hydrology1 Water Resources Publications. Littleton, Colorado. 27.Singh, V.P., Frevert, D.K., Rieker, J.D., Leverson, V., Meyer, S., and Meyer, S. 2006. Hydrologic modeling inventory: cooperative research effort. J. Irrig. Drain. Engin. 132: 2. 98-103. 28.Vrugt, J.A., Gupta, H.V., Bouten, W., and Sorooshian, S. 2003. A Shuffled Complex Evolution Metropolis algorithm for optimization and uncertainty assessment of hydrologic model parameters. Water Resources Research, 39: 8. 29.Vrugt, J.A., Ter Braak, C.J., Gupta, H.V., and Robinson, B.A. 2009. Equifinality of formal (DREAM) and informal (GLUE) Bayesian approaches in hydrologic modeling?. Stochastic environmental research and risk assessment, 23: 7. 1011-1026. 30.Wagener, T., Boyle, D.P., Lees, M.J., Wheater, H.S., Gupta, H.V., and Sorooshian, S. 2001. A framework for development and application of hydrological models. Hydrology and Earth System Sciences, 5: 1. 13-26. | ||
|
آمار تعداد مشاهده مقاله: 1,912 تعداد دریافت فایل اصل مقاله: 2,002 |
||
سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب