دانشگاه علوم کشاورزی و منابع طبیعی گرگان

  اخبار و اعلانات

 آمار

تعداد نشریات13
تعداد شماره‌ها622
تعداد مقالات6,501
تعداد مشاهده مقاله8,616,135
تعداد دریافت فایل اصل مقاله8,206,190
احمدی زاده, مجتبی, معروفی, صفر. (1396). کاربرد آنالیز بیز و فیلتر ذره‌ای در مدل‌های بارش-رواناب و تحلیل عدم قطعیت. , 24(1), 251-264. doi: 10.22069/jwfst.2017.12108.2663
مجتبی احمدی زاده; صفر معروفی. "کاربرد آنالیز بیز و فیلتر ذره‌ای در مدل‌های بارش-رواناب و تحلیل عدم قطعیت". , 24, 1, 1396, 251-264. doi: 10.22069/jwfst.2017.12108.2663
احمدی زاده, مجتبی, معروفی, صفر. (1396). 'کاربرد آنالیز بیز و فیلتر ذره‌ای در مدل‌های بارش-رواناب و تحلیل عدم قطعیت', , 24(1), pp. 251-264. doi: 10.22069/jwfst.2017.12108.2663
احمدی زاده, مجتبی, معروفی, صفر. کاربرد آنالیز بیز و فیلتر ذره‌ای در مدل‌های بارش-رواناب و تحلیل عدم قطعیت. , 1396; 24(1): 251-264. doi: 10.22069/jwfst.2017.12108.2663

کاربرد آنالیز بیز و فیلتر ذره‌ای در مدل‌های بارش-رواناب و تحلیل عدم قطعیت

مجله پژوهش‌های حفاظت آب و خاک
مقاله 15، دوره 24، شماره 1، فروردین 1396، صفحه 251-264    اصل مقاله (1.51 M)
نوع مقاله: مقاله کامل علمی پژوهشی
شناسه دیجیتال (DOI): 10.22069/jwfst.2017.12108.2663
نویسندگان
مجتبی احمدی زاده1؛ صفر معروفی* 2
1دانشگاه بوعلی سینا
2گروه آب دانشگاه بو علی سینا همدان
چکیده
سابقه و هدف: استفاده از مدل‌های هیدرولوژیکی و انجام پیش‌بینی در مطالعات مختلف منابع آب یک ضرورت می‌باشد. پیش‌بینی جریان خروجی از حوضه‌های آبریز با توجه به پیچیدگی‌های موجود در چرخه هیدرولوژیکی همواره با انجام فرض‌هایی همراه است. با توجه به ساده‌سازی در روابط توسعه داده شده در ساختار مدل‌های بارش-رواناب و فرضیات بکار رفته در آن‌ها، پیش‌بینی‌ها همواره با عدم قطعیت همراه می‌باشند. منابع عدم قطعیت در این مدل‌ها را می‌توان در سه دسته که ناشی از بکارگیری پارامترها، ساختار مدل و داده‌های مورد استفاده می‌باشند، دسته‌بندی نمود. لزوم تدقیق پیش‌بینی‌ها و ارائه عدم قطعیت مدل‌ها بایستی مورد توجه قرار گرفته و برای تحلیل این موضوع روش‌های مختلفی ارائه شده است. از جمله روش‌های پیشنهادی شیوه بروزرسانی داده‌ها می‌باشد و فیلتر ذره‌ای از روش‌های توسعه داده شده در این خصوص می‌باشد. هدف از این پژوهش استفاده از روش فیلتر ذره‌ای در بروزرسانی و بهبود پیش‌بینی جریان آب شبیه‌سازی شده توسط مدل‌ بارش-رواناب HYMOD با لحاظ جریان مشاهداتی می‌باشد. همچنین با کاربرد این روش کمی‌سازی عدم قطعیت و کاهش آن با توجه به منابع مختلف خطا مورد ارزیابی قرار گرفت.
مواد و روش‌ها: در این مطالعه، برای تدقیق پیش‌بینی‌ها از شیوه بروزرسانی داده‌ها استفاده گردید. این روش با بکارگیری فیلتر ذره‌ای، تخمین متوالی بیز و تابع توزیع پسین مقدار رطوبت مدل Hymod و پارامترهای آن را در حوضه آبریز کسیلیان با مساحت حدود 67 کیلومتر مربع در مقیاس روزانه محاسبه شد. فیلتر ذرهای بر پایه معادله بیز و تابع حداکثر درستنمایی خطاها در بازه زمانی مورد نظر می‌باشد. ضمناً در بکارگیری این شیوه باید از روش ترکیبی بازنمونه‌گیری احتمالاتی نیز استفاده کرد. این روش از واگرایی تحلیل‌ها جلوگیری کرده و همچنین مشکلاتی نظیر تبهگنی و پدیده غنی‌سازی دسته ذرات و میل نمودن وزن دسته ذرات به عدد واحد را تصحیح می‌نماید.
یافته‌ها : روش فیلتر ذره‌ای استفاده از پارامترهای مدل در شبیه‌سازی و پیش‌بینی جریان با تولید دسته پارامترهای تصادفی و ایجاد توزیع پیشین را امکان‌پذیر می‌نماید. این شیوه در تدقیق پیش‌بینی‌ها و استفاده توأمان از متغیر رطوبت خاک و پارامترها در تحلیل‌ها مؤثر است. همچنین با تعریف تابع درستنمایی خطای اولیه و بکار بردن تئوری بیز نسبت به اصلاح پیش‌بینی‌ها کمک می‌نماید. بعلاوه این روش تابع چگالی احتمال پسین پارامترها را نیز ارائه نموده و تابع چگالی اولیه را اصلاح می‌کند.
نتیجه‌گیری: نتایج نشان داد که استفاده از روش فیلتر ذره‌ای در ترکیب با شیوه بازنمونه‌گیری آماری در بروزرسانی هیدرولوژیکی سبب تدقیق پیش‌بینی‌ها در حوضه آبریز کسیلیان می‌گردد. همچنین روش فیلتر ذره‌ای سبب می‌گردد که شاخص نش- ساتکلیف در مقایسه با شیوه متداول در شبیه‌سازی و پیش‌بینی جریان، 22 درصد افزایش داشته و مقدار آن از 55/0 به 67/0 برسد.
کلیدواژه‌ها
مدل HyMod؛ فیلتر ذره‌ای؛ بهنگام‌سازی جریان؛ بازنمونه‌گیری؛ تبهگنی
مراجع
1.Arulampalam, S., Maskell, S., Gordon, N., and Clapp, T. 2002. A tutorial on particle
filters for on-line nonlinear/non-Gaussian Bayesian tracking. IEEE Trans. Signal Processess.
50: 2. 174-189.
2.Beven, K.J., and Freer, J. 2001. Equifinality, data assimilation and uncertainty estimation in
mechanistic modelling of complex environmental systems. J. Hydrol. 249: 11-29.
3.Boyle, D.P. 2000. Multicriteria calibration of hydrological models. PhD Dissertation,
Department of Hydrology and Water Resources. University of Arizona, 145p.
4.Bulygina, N., and Gupta, H. 2009. Estimating the uncertain mathematical structure of a water
balance model via Bayesian data assimilation. Water Resour. Res. 45: W00B13.
5.Clark, M.P., and Vrugt, J.A. 2006. Unraveling uncertainties in hydrologic model calibration:
Addressing the problem of compensatory parameters. Geophys. Res. Lett. 33 (L06406): 1-5.
6.DeChant, C., and Moradkhani, H. 2012. Examining the effectiveness and robustness of
sequential data assimilation methods for quantification of uncertainty in hydrologic
forecasting. Water Resour. Res. 48: W04518.
7.Duan, Q., Sorooshian, S., and Gupta, V.K. 1992. Effective and efficient global optimization
for conceptual rainfall-runoff models. Water Resour. Res. 28: 4. 1015-1031.
8.Evensen, G. 1994. Sequential data assimilation with a nonlinear quasi geostrophic model
using Monte Carlo methods to forecast error statistics. J. Geophys. Res. 99: 10143-10162.
9.Gordon, N., Salmond, D., and Smith, A.F.M. 1993. Novel approach to nonlinear and
non-Gaussian Bayesian state estimation, Proc. Inst. Electr. Eng. 140: 107-113.
10.Leisenring, M., and Moradkhani, H. 2011. Snow water equivalent prediction using Bayesian
data assimilation methods. Stoch. Environ. Res. Risk Assess. 25: 2. 253-270.
11.Li, T., Gannan, Y., and Wang, L. 2016. Particle Filter with Novel Nonlinear Error
Model for Miniature Gyroscope-Based Measurement While Drilling Navigation. Sensors.
16: 3. 371-394.
12.Liu, J.S., Chen, R., and Logvinenko, T. 2001. A theoretical framework for sequential
importance sampling and resampling, in Sequential Monte Carlo Methods in Practice.
Springer, New York, Pp: 225-246.
13.Miller, R.N., Ghil, M., and Guathiez, F. 1994. Advanced data assimilation in strongly
nonlinear dynamical systems. J. Atmos. Sci. 51: 8. 1037-1056.
14.Moore, R.J. 1985. The probability-distributed principle and runoff production at point and
basin scales. Hydrol. Sci. J. 30: 2. 273-297.
15.Moradkhani, H., Hsu, K.L., Gupta, H., and Sorooshian, S. 2005. Uncertainty assessment of
hydrologic model states and parameters: Sequential data assimilation using the particle filter.
Water Resour. Res. 41: 5. 1001-1017.
16.Pourreza Bilondi, M., Akhoond Ali, A.M., Gharaman, B., and Telvari, A.R. 2015.
Uncertainty analysis of a single event distributed rainfall-runoff model by using two
different Markov Chain Monte Carlo methods. J. Water Soil Conservation. 21: 5. 1-26.
(In Persian)
17.Salamon, P., and Feyen, L. 2009. Assessing Parameter, Precipitation and Predictive
Uncertainty in a Distributed Hydrological Model Using Sequential Data Assimilation with
the Particle Filter. J. Hydrol. 376: 428-442.
18.Sorooshian, S., Duan, Q., and Gupta, V.K. 1993. Calibration of rainfall-runoff models:
application of global optimization to the soil moisture accounting model. Water Resour. Res.
29: 4. 1185-1194.
19.Vrugt, J.A.C., Diks, G.H., Gupta, H.V., Bouten, W., and Verstraten, J.M. 2005. Improved
treatment of uncertainty in hydrologic modeling: Combining the strengths of global
optimization and data assimilation. Water Resour. Res. 41: 1-17.
20.Weerts, A.H., and El Serafy, G.Y.H. 2006. Particle filtering and ensemble Kalman filtering
for state updating with hydrological conceptual rainfall-runoff models. Water Resour. Res.
42: W09403.

آمار
تعداد مشاهده مقاله: 967
تعداد دریافت فایل اصل مقاله: 1,221


سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب