
تعداد نشریات | 13 |
تعداد شمارهها | 622 |
تعداد مقالات | 6,489 |
تعداد مشاهده مقاله | 8,607,815 |
تعداد دریافت فایل اصل مقاله | 8,199,707 |
ارزیابی روش برآورد عدمقطعیت درستنمایی تعمیمیافته در مدلهای HyMod و HBV (مطالعه موردی: حوضه چهلچای استان گلستان) | ||
مجله پژوهشهای حفاظت آب و خاک | ||
دوره 27، شماره 3، مرداد و شهریور 1399، صفحه 23-43 اصل مقاله (1.9 M) | ||
نوع مقاله: مقاله کامل علمی پژوهشی | ||
شناسه دیجیتال (DOI): 10.22069/jwsc.2020.14360.2909 | ||
نویسندگان | ||
محمد علی قربانی؛ یعقوب دین پژوه؛ محمدمهدی معیری* | ||
گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران | ||
چکیده | ||
سابقه و هدف: یکی از مهمترین مشکلات مسائل بدطرح معکوس در بیشبرازش مدل با دادههای مشاهداتی، در بهینهسازی پارامترها است که با این عمل، پارامترهایی که برازش کمتری با دادههای مشاهداتی دارند و ممکن بود با دادههای غیر از صحتسنجی، نتیجهای حتی بهتر از جواب بهینه نشان میدادند، حذف میشوند. این پارامترها، نباید حذف شوند بلکه باید به نحوی در نظر گرفته شوند. درروش برآورد عدمقطعیت درستنمایی تعمیمیافته (GLUE) این دیدگاه، بهکار رفته است. مواد و روشها: در این مطالعه، از روش GLUE در مدلسازی بارش- رواناب استفاده شد که در آن، با استفاده از یک تابع درستنمایی نامرسوم و فرض یک مقدار آستانهای از آن، مجموعهای از پارامترهای رفتاری برای تولید باندهای عدمقطعیت پیشبینی در نظر گرفته شدهاند. روش GLUE، جهت برآورد عدمقطعیت در مدلسازی بارش- رواناب حوضه آبریز چهلچای در استان گلستان مورد استفاده واقع شد. برای این کار، از دو مدل یکپارچه HyMod و HBV و شش تابع درستنمایی شامل واریانس معکوس، نش-ساتکلیف، کلینگ-گوپتا، ویتل ، نرمال، نرمال با واریانس ناهمسان بهره گرفته شد. یافتهها: برای ارزیابی روش GLUE، مناسبترین توابع درستنمایی انتخاب شده و تأثیر عوامل مؤثر بر آن مورد تحلیل قرار گرفت. برای حوضه موردمطالعه، از بین شش تابع درستنمایی ارزیابیشده، توابع واریانس معکوس، کلینگ گوپتا و نرمال بهدلیل نتیجه بهتر انتخاب شدند. آستانه جداسازی پارامترها نیز مورد تحلیل حساسیت قرار گرفت و 5 درصد تعداد کل شبیهسازیها مناسب تشخیص داده شد. نتایج نشان داد که با افزایش پارامتر شکل، وزن بیشتر به جوابهایی تعلق میگیرد که دارای برازش بهتری هستند؛ بنابراین روش GLUE مشابه یک روش بهینهسازی عمل میکند. بررسی عدمقطعیت پارامترهای دو مدل نشان داد اکثر پارامترها همبستگی کمی با یکدیگر دارند که میتوان نتیجه گرفت که پارامترها خوب تعریفشدهاند، اما به خاطر ضریب تغییرات نسبتاً بالای آنها، تشخیصپذیری آنها پایین است. باندهای عدمقطعیت در مدل HyMod حدود 62 درصد و در مدل HBV حدود 55 درصد از دادههای مشاهداتی را (در دورههای صحتسنجی و واسنجی) پوشش دادند بازههای پیشبینی، در جریانهای پایه بیشترین عرض را داشتند. نتیجهگیری: با توجه به نتایج، روش GLUE، نسبت به تابع درستنمایی مورداستفاده، آستانه جداسازی پارامترهای قابلقبول و نوع مدل، حساس بود. برای حوضه چهلچای، بهترین تابع درستنمایی، تابع کلینگ-گوپتا، بهترین آستانه جداسازی، برابر 5 درصد تعداد کل شبیهسازیها بوده و از بین دو مدل مورد بررسی، مدل HyMod نسبت به مدل HBV، نتایج نسبتاً بهتری داشت. همچنین عدمقطعیت پارامترها در این روش، به این دلیل که کل عدمقطعیت را در پارامترها خلاصه میکند، بالاست. از مزایای روش میتوان به اجتناب نسبی آن از بیشبرازش و سادگی آن اشاره کرد. | ||
کلیدواژهها | ||
برآورد عدمقطعیت راستنمایی تعمیمیافته؛ تابع راستنمایی؛ بارش- رواناب؛ HyMod و HBV | ||
مراجع | ||
1.Aghakouchak, A., and Habib, E. 2010. Application of a Conceptual Hydrologic Model in Teaching Hydrologic Processes. Inter. J. Engin. Educ. 26: 4. 1-11.
2.Beven, K. 1993. Prophecy, reality and uncertainty in distributed hydrological modelling. Advances in Water Resources, 16: 1. 41-51.
3.Beven, K. 2006. A manifesto for the equifinality thesis. In Journal of Hydrology. 320: 18-36.
4.Beven, K., and Binley, A. 1992. The future of distributed models: Model calibration and uncertainty prediction. Hydrological Processes, 6: 3. 279-298.
5.Beven, K., and Binley, A. 2014.GLUE: 20 years on. Hydrological Processes. 28: 24. 5897-5918.
6.Beven, K., and Freer J. 2001. Equifinality, data assimilation, and uncertainty estimation in mechanistic modelling of complex environmental systems using the GLUE methodology. J. Hydrol. 249: 1-4. 11-29.
7.Beven, K.J. 2012. Rainfall-runoff modelling: the primer. Rainfall-Runoff Modelling: The Primer: Second Edition, Wiley-Blackwell, Pp: 18-19.
8.Freer, J., Beven, K., and Ambroise, B. 1996. Bayesian estimation of uncertainty in runoff prediction and the value ofdata: An application of the GLUE approach. Water Resources Research,32: 7. 2161-2173.
9.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: 1-2. 80-91.
10.Hamraz, B., Akbarpour, A., and Pourreza-Bilondi, M. 2016. Assessment of parameter uncertainty of MODFLOW model using GLUE method (Case study: Birjand plain). J. Water Soil Cons.22: 6. 61-79. (In Persian)
11.Jafarzadeh, M., Rouhani, H., Salmani, H., and Fathabadi, A. 2016. Reducing uncertainty in a semi distributed hydrological modeling within theGLUE framework. J. Water Soil Cons. 23: 1. 83-100. (In Persian)
12.Kuczera, G., Kavetski, D., Franks, S., and Thyer, M. 2006. Towards a Bayesian total error analysis of conceptual rainfall-runoff models: Characterizing model error usingstorm-dependent parameters. J. Hydrol. 331: 1-2. 161-177.
13.Mantovan, P., and Todini, E. 2006. Hydrological forecasting uncertainty assessment: Incoherence of the GLUE methodology. J. Hydrol. 330: 1-2. 368-381.
14.Mirzaei, M., Huang, Y.F., El-Shafie, A., and Shatirah, A. 2015. Application of the generalized likelihood uncertainty estimation (GLUE) approach for assessing uncertainty in hydrological models: a review. Stochastic Environmental Research and Risk Assessment. 29: 5.
15.Montanari, A. 2005. Large sample behaviors of the generalized likelihood uncertainty estimation (GLUE) in assessing the uncertainty of rainfall-runoff simulations. Water Resources Research, 41: 8. 1-13.
16.Moore, R.J. 2007. The PDM rainfall-runoff model. Hydrology and Earth System Sciences. 11: 1. 483-499.
17.Pourreza-Bilondi, M., Akhoond Ali, A., Ghahraman, B., and Telvari, A. 2014. Uncertainty Analysis a single event distributed rainfall-runoff model with using two different Markov Chain Monte Carlo methods. J. Water Soil Cons. 21: 5. 1-26. (In Persian)
18.Ratto, M., Tarantola, S., and Saltelli, A. 2001. Sensitivity analysis in model calibration: GSA-GLUE approach. Computer Physics Communications. 136: 3. 212-224.
19.Sloto, R., and Crouse, M.Y. 1996. Hysep: a computer program for streamflow hydrograph separation and analysis. U.S. Geological SurveyWater-Resources Investigations Report. 96-4040, 54.
20.Stedinger, J.R., Vogel, R.M., Lee, S.U., and Batchelder, R. 2008. Appraisal of the generalized likelihood uncertainty estimation (GLUE) method. Water Resources Research. 44: 12. 1-17.
21.Vrugt, J.A., Diks, C.G.H., Gupta, H.V., Bouten, W., and Verstraten, J.M. 2005. Improved treatment of uncertainty in hydrologic modeling: Combining the strenghts of global optimization and data assimilation. Water Resources Research. 41: 1. W01017.
22.Whittle, P. 1953. Estimation and information in stationary time series. Arkiv För Matematik. 2: 5. 423-434.
23.Xiong, L., Wan, M., Wei, X., and Connor, K.M. 2009. Indices for assessing the prediction bounds of hydrological models and application by generalized likelihood uncertainty estimation. Hydrol. Sci. J. 54: 5. 852-871. | ||
آمار تعداد مشاهده مقاله: 425 تعداد دریافت فایل اصل مقاله: 392 |