مستخرج از پایان نامه

 

 

علوم و تکنولوژی محیط زیست، دوره بیست و چهارم، شماره شش، شهریور ماه 1401(106-91)

                                                                

ارزیابی خصوصیات واسنجی مدل هیدرولوژیکی  SWATدر یک حوضه کوهستانی

 

بابک امین نژاد [1] ^*

aminnejad@riau.ac.ir

سیدبامداد غفوریان[2]  

حسین ابراهیمی [3]

                                                                                                                                                                            

تاریخ دریافت: 19/9/1400

تاریخ پذیرش: 1/9/1401

 

چکیده

زمینه و هدف: اطلاعات دقیق در مورد رواناب آینده در یک حوضه، تصمیمات مربوط به مدیریت و منابع آب را تسهیل می‌کند و به حفظ منابع طبیعی برای توسعه پایدار کمک می کند. دو عامل هزینه و زمان دقیق مستقیماً با تخمین دقیق رواناب ارتباط دارند. استفاده از مدل‌های کامپیوتری برای شبیه سازی پدیده‌های طبیعی نظیر چرخه هیدرولوژی یکی از روش‌های کاهش هزینه و افزایش دقت می‌باشد که بسیار مورد توجه بوده است. هدف این مقاله ارزیابی روش‌های GLUE و PSO در برابر روش SUFI-2 برای اعتبارسنجی مدل SWAT و بررسی دقت و عملکرد هریک از روش های بهنیه سازی ذکر شده در شبیه سازی های هیدرولوژیکی حوضه مورد نظر می باشد.

روش بررسی: در این تحقیق برای بررسی دقت روش های متفاوت واسنجی و اعتبارسنجی در شبیه سازی هیدرولوژیکی حوضه آبریز قره سو، از مدل هیدرولوژیکی SWAT استفاده شد که در آن مقایسه بین روش‌های GLUE و PSO با روش SUFI-2 برای کالیبراسیون مدل مورد بررسی قرار گرفت. برای شبیه سازی، در یک وضعیت یکسان، 13 پارامتر حساس در همه روش‌ها انتخاب شدند. لازم به ذکر است که داده های مورد نیاز برای این تحقیق از داده های جهانی (وبسایت مدل  SWAT) و ملی (شرکت مدیریت منابع آب) در پاییز سال 1400 جمع­آوری شدند.

یافته‌ها: هر سه روش GLUE و PSO با روش SUFI-2 قادر به شبیه سازی رواناب با R² و NSE قابل قبول بودند (بالای 7/0) و تجزیه و تحلیل حساسیت نشان داد که Sol_K ، CH_N2 و CN2 حساسیت بیشتری نسبت به سایر پارامترها دارند.

بحث و نتیجه گیری: اگرچه الگوریتم‌های SUFI-2، PSO  و GLUE می توانند اختلاف بین داده‌های مشاهده ای و شبیه سازی شده را کاهش دهند، اما عملکرد الگوریتم SUFI-2 در شبیه سازی رواناب دقیق تر از الگوریتم های دیگر است. بنابراین پیشنهاد می شود که از این الگوریتم برای پیش بینی رواناب استفاده گردد.

 

واژه­های کلیدی: قره سو، مدل SWAT، مدل فیزیکی، رواناب، زاگرس.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

J. Env. Sci. Tech., Vol 24, No. 6, September, 2022

 

 

 

 

Evaluation of calibration characteristics of SWAT hydrological model in a mountainous watershed

 

Babak Aminnejad [4] ^*

aminnejad@riau.ac.ir

S.Bamdad Ghaforian  [5]

 Hossein Ebrahimi[6]

 

Admission Date:November 22, 2022

Date Received: December 10, 2021

 

Abstract

Background and Objective: Accurate data about runoff in the future in a watershed facilitates managers' decisions in water-related decisions and helps conserve natural resources for sustainable development. The two factors of cost and exact time are directly related to accurate runoff estimation. Using computer models to simulate natural phenomena such as the hydrological cycle is one way to reduce costs and increase accuracy.

Material and Methodology: The information for this research was obtained through the SWAT model website and global data. This study evaluates the accuracy of different calibration and validation methods in the hydrological simulation of Qarasu watershed, the SWAT (hydrological model) and a comparison between GLUE and PSO methods with the SUFI-2 method were used to calibrate the SWAT model. For simulation, 13 specific parameters were selected in all methods in the same situation. It should be noted that the data required for this research were collected from (SWAT model website) and (Water Resources Management Company).

Findings: All three methods were able to simulate runoff with acceptable R² and NSE results (above 0.7), and the sensitivity analysis showed that Sol_K, CH_N2 and CN2 were more sensitive than other parameters.

Discussion and Conclusion: Although the SUFI-2, PSO, and GLUE algorithms can reduce the difference between the observed and simulated data, the performance of the SUFI-2 algorithm in runoff simulation is more accurate than other algorithms. Therefore, it is suggested to use this algorithm to predict runoff.

 

Key words: Qare-su, SWAT model, Physical model, Runoff, Zagros

 

 

مقدمه

 

رواناب یکی از مهم ترین اجزای چرخه هیدرولوژیکی است و در هر حوضه ای، یکی از ضروری ترین اقدامات برآورد رواناب برای برنامه­ریزی دقیق مدیریت منابع آب و درک فرآیند بارش-رواناب است (1). مدل‌سازی بارش و رواناب بخش مهمی از تحقیقات جهانی در زمینه هیدرولوژی آب‌های سطحی است. با وجود تلاش‌های گسترده برای جمع‌آوری داده‌های هیدرولوژیکی، هنوز مناطقی از جهان به‌ویژه مناطق خشک و نیمه‌خشک هستند که فاقد آمار هیدرولوژیکی به‌ویژه آمار ایستگاه‌های هیدرومتری هستند (2).

استفاده از فناوری‌های نوین و مدل‌های هیدرولوژیکی برای شبیه‌سازی منابع آب و اجزای آب از جمله روش‌های کاهش تقاضا و کاهش تنش آبی است، بنابراین پیش‌بینی مناسب و مطمئن جریان می تواند برای مدیریت منابع آب و تخصیص برنامه‌ریزی بسیار سودمند باشد، زیرا دقت و مهارت در مدل پیش‌بینی جریان تأثیر مستقیمی بر تصمیم‌گیری‌های مربوط به مدیریت منابع آب دارد (3). از آنجا که اندازه گیری تمام داده های مربوط به سیستم ها و فرآیندهای هیدرولوژیکی به دلایل مختلف از جمله ناهمگونی مکانی و زمانی امکان پذیر نیست و روش های اندازه گیری پرهزینه و زمان بر هستند، لذا مدل‌های هیدرولوژیکی این فرصت را برای ما فراهم می کند تا با تغییر متغیرها و پارامترهای سیستم، بتوانیم درک بهتری از تعامل بین آنها و سیستم داشته باشیم (4). مدل‌های هیدرولوژیکی در سال های اخیر به عنوان یک ابزار مفید جهت مدیریت آب در حوضه های آبریز به کار گرفته شده اند. هریک از مدل‌های هیدرولوژیکی دارای نقاط قوت و ضعف هستند. از دیدگاه شبیه سازی جامع حوضه های آبریز، مدل های توزیعی و نیمه توزیعی برتری بیشتری نسبت به مدل های یکپارچه دارند(5).

مدل‌های توزیعی و نیمه توزیعی نظیر Soil and Water Assessment Tool (SWAT) و Variable Infiltration Capacity (VIC)  می‌توانند به شبیه سازی تمام اجزای هیدرولوژی حوضه آبریز بپردازند. از این روی این مدل‌ها دارای ارججیت بالاتری در شبیه سازی هیدرولوژیکی هستند. اما این مدل‌ها نیاز به داده‌های فراوانی جهت شبیه سازی هیدرولوژیکی دارند (6).  مدل های توزیعی و نیمه توزیعی دارای پارامترهای فراوانی هستند و جهت استفاده بهینه از این مدل ها، بایستی این پارامترها مورد واسنجی و اعتبار سنجی قرار گیرند. اعتبار سنجی و واسنجی در حال حاضر با استفاده از جدیدترین روشهای بهینه سازی درحال انجام می باشد و پژوهش های جدیدی هرساله به بررسی این روش ها می‌پردازند. روش SUFI-2 به عنوان یک روش قابل اطمینان و سریع برای واسنجی و اعتبارسنجی مدل SWAT شناخته شده است (6).

اعتبارسنجی به مفهوم قرار دادن مقادیر تقریبی برای هر پارامتر است تا یک مدل هیدرولوژیکی را با داده‌های اندازه گیری شده مانند جریان رودخانه مقایسه کند تا مدل آماده استفاده برای اجرای سناریوها شود. در طول دهه‌های گذشته، تحقیقات زیادی چالش‌های مربوط به اعتبارسنجی را ارزیابی کرده‌اند. توانایی اندازه‌گیری عدم قطعیت‌ها در مرحله اعتبارسنجی برای تمام اجزای چرخه هیدرولوژیکی و محدودیت در روش‌های جستجو اعداد تصادفی در مرحله اعتبارسنجی از این موارد هستند. معروف ترین روش های تولید این اعداد تصادفی روش‌های مونت کارلو، زنجیره مارکوف، و مربع لاتین هستند. مقایسه الگوریتم های SUFI-2 و GLUE را می توان در مطالعات نکونگه[7] و همکاران (2016) مشاهده کرد که در ناحیه حوضه تانا در کنیا ارزیابی شده است. آن‌ها اثر این الگوریتم‌ها را در کاهش عدم قعطیت پارامترهای حساس در مقایس حوضه بررسی کرده‌اند. سرانجام، بر اساس نتایج آماری به دست آمده از شبیه سازی هر یک از روش‌های فوق‌، الگوریتم SUFI-2 برتر از الگوریتم GLUE  بود (7).

در سال های اخیر، PSO، SUFI-2 ، GLUE ، MCMC و بسیاری از الگوریتم های دیگر برای فرآیند اعتبارسنجی مدل‌های هیدرولوژی استفاده شده‌اند (8-6). مدل SWAT یکی از محبوب ترین مدل های هیدرولوژیکی در بین محققان است (1، 11 و 12). علاوه بر این، نرم افزار SWAT-CUP توسط عباسپور و همکاران معرفی شده است­(9). برای اعتبارسنجی و اعتبار سنجی، و این نرم افزار یکی از پر استنادترین نرم افزارها در علوم هیدرولوژی است. این نرم افزار برای اعتبارسنجی و اعتبار سنجی از SUFI-2 ، MCMC ، PSO ، ParaSol و GLUE استفاده می کند (13). با این حال، روش SUFI-2 ، به دلیل استفاده آسان و محاسبه سریع (14) ، برای اعتبارسنجی مدل SWAT معمول تر است.

بورا و همکاران^[8] (2007)، پس از مقایسه مدل SWAT با چندین مدل دیگر (در مقیاس حوضه‌ای) دریافتند که این مدل نتایج بهتری در شبیه‌سازی پیوسته حوضه‌های با کاربری کشاورزی به دست می‌دهد (15). سینگ[9] و همکاران (2013) مدل SWAT را جهت برآورد دبی حوضه ای در هند به کار بردند. آن‌ها از دو روش  SUFI-2 و  GLUE جهت واسنجی و بررسی عدم قطعیت مدل SWAT استفاده نمودند. بررسی نتایج نشان داد که بین مقادیر مشاهداتی و شبیه‌سازی دبی ماهانه همبستگی خوبی وجود دارد در حالی که همبستگی در گام زمانی روزانه نسبتا خوب می‌باشد (16). بسالت پور و همکاران (2014) کارایی الگوریتم واسنجی شامل الگوریتم‌های SUFI-2، PSO و  GLUE برای مدل، SWAT به منظور شبیه‌سازی رواناب روزانه در ناحیه آبخیز کوهستانی بازفت بررسی کردند (17). وو[10] و همکاران(2014) از سه الگوریتم  SUFI-2 ، ParaSol و GLUE جهت واسنجی و بررسی عدم قطعیت مدل  SWAT در برآورد رواناب حوضه رودخانه ونجینگ استفاده کردند. بررسی نتایج حاصل نشان داد که روش  SUFI-2 نسبت به دو روش دیگر نتایج بهتری دارد (18). آنگ و یورنگ[11] (2018) در مطالعه خود رواناب را در حوضه فاقد آمار کامبوج با مدل SWAT شبیه سازی کردند و نتایج قابل قبولی را گزارش کردند (19). منگیستوه[12] و همکاران (2019) در مطالعه خود با هدف واسنجی و اعتبارسنجی مدل SWAT در حوضه های فاقد آمار در منطقه نیمه خشک آفریقای جنوبی با استفاده از رویکرد منطقه ای با روش شباهت فیزیکی، نتایج رضایت بخشی به دست آورده اند (20). نتایج مطالعات یانگ[13] و همکاران (2019) در نروژ، نشان داد که روش شباهت فیزیکی بهترین روش در بین روش های دیگر است. مطالعات انجام شده برای شبیه سازی رواناب حوضه های آبخیز بدون آمار با استفاده از مدل SWAT در نقاط مختلف جهان و با رویکرد پهنه بندی، مقبولیت نتایج این مدل را نشان می دهد (21). لای و همکاران (2020) نیز نتایج خوبی را در مطالعه حوضه رودخانه کایانگا با مدل SWAT برای اهداف مدیریت منابع آب ارائه دادند (22).

بررسی مطالعات پیشین نشان داده است که در هر منطقه از جهان با شرایط آب و هوایی متفاوت، این روش ها در شبیه سازی های هیدرولوژیکی نتایج متفاوتی دارند. حوضه مورد مطالعه در این پژوهش از جنبه هیدرولوژیکی دارای شرایط خاص کوهستانی و یکی از سرچشمه های اصلی کرخه می‌باشد. هدف این مقاله ارزیابی روش‌های GLUE و PSO در برابر روش SUFI-2 برای اعتبارسنجی مدل SWAT می باشد. بررسی دقت و عملکرد هریک از روش های بهنیه سازی ذکر شده در شبیه سازی های هیدرولوژیکی حوضه مورد نظر از ضروریات انجام این پژوهش می باشد.

مواد و روش‌ها

منطقه مورد مطالعه و داده های مورد استفاده

منطقه مورد مطالعه حوضه آبخیز قره­سو است که در غرب ایران واقع شده است (شکل 1). در بلند مدت، متوسط جریان قره سو 289 میلیون متر مکعب در سال بود. شکل 1 مرز قره سو، رودخانه‌ها و ایستگاه‌های هیدرومتری را نشان می‌دهد. حوضه آبخیز قره سو یکی از پنج ناحیه اصلی حوضه رودخانه کرخه واقع در استان کرمانشاه است و به عنوان یک حوضه نیمه خشک طبقه بندی می‌شود. میانگین ارتفاع و دمای حوضه به ترتیب 1555 متر و 4/14 درجه سانتی گراد است و اوج رواناب سالانه آن از ذوب برف در بهار تولید می شود (23).

 

شکل 1- موقعیت حوضه قره سو و موقعیت شبکه آبراهه و ایستگاه های هیدرومتری

Figure 1. Location of Qare-su watershed, stream network, and discharge stations

 

 

در این تحقیق، نقشه ی خاک منطقه ی مورد مطالعه، از نقشه جهانی خاک استخراج شد که در سایت  https://swat.tamu.edu/data در دسترس است. نقشه ی کاربری اراضی این منطقه از نقشه های تهیه شده توسط سازمان مراتع و جنگل ها استخراج گردید. شکل 2 نقشه کاربری راضی را با جزییات بیشتری نشان می دهد. همچنین، داده های هواشناسی از جمله بارش روزانه و دمای حداکثر و حداقل روزانه از ایستگاه های هواشناسی موجود در منطقه از 1989 تا 2019 در پاییز سال 1400جمع آوری گردید و سپس به مدل معرفی شد. از داده های رواناب ثبت شده در سه ایستگاه هیدرومتری موجود در منطقه ی مورد مطالعه برای کالیبراسیون مدل استفاده شد. جدول 1 مشخصات ایستگاه های هیدرومتری را نشان می دهد. لازم به ذکر است که در این تحقیق، مدل از سال های 1989 تا 2010 کالیبره شد و سپس اعتبار سنجی آن طی سال های 2011 تا 2019 ارزیابی گردید. شکل 3 و 4 نیز به ترتیب نقشه خاک و قوم ارتفاعی حوزه مورد مطالعه را نشان می دهد.

 

 

جدول 1 – مشخصات ایستگاه های هیدرومتری مورد استفاده در این مطالعه

Table 1. Specifications of hydrometric stations of Qare-su Watershed

دوره زمانی	عرض جغرافیایی	طول جغرافیایی	نام ایستگاه
1989-2019	34-16-00	46-48-00	ماهیدشت (Section A)
1989-2019	34-38-55	46-53-21	سرآسیاب (Section B)
1989-2019	34-14-00	47-15-00	قورباغستان‌(Section C)

 

شکل 2- نقشه کاربری ناحیه مورد استفاده در این مطالعه

Figure 2. Landuse of Qare-su Watershed

شکل 3- نقشه خاک ناحیه مورد استفاده در این مطالعه

Figure 3. Soil Map of Qare-su Watershed

 

شکل 4- نقشه رقوم ارتفاعی ناحیه مورد استفاده در این مطالعه

Figure 4. DEM Map of Qare-su Watershed

 

 

 

روش های واسنجی

 

SUFI-2 یک روش نیمه خودکار است که برای واسنجی، اعتبار سنجی و حساسیت و تحلیل عدم قطعیت استفاده می‌شود. درSUFI-2، تمام منابع عدم قطعیت پارامترها به پارامترها اختصاص داده می‌شوند. در این روش عدم قطعیت در داده‌های ورودی به صورت توزیع‌های یکنواخت تعریف می‌شود. در مقابل، عدم قطعیت تولیدی با عدم قطعیت برآورد 95٪ (95PPU)  محاسبه می شود که در سطح 5/2 و 5/97٪ توزیع تجمعی متغیرهای خروجی بدست آمده از طریق نمونه برداری از مکعب لاتین هستند.

GLUE  به خروجی محاسبات از روش مونت کارلو متکی است. یک مجموعه پارامتر بهینه کلی جستجو می‌شود و  جستجوی بهینه پارامتر مورد نظر در آن بازه انجام می شود. این روش مبتنی بر نظریه غیر منحصر به فرد بودن است، به این معنی که مجموعه پارامترهای مختلف می‌توانند عملکردهای به همان اندازه خوب و قابل قبولی از پیش بینی مدل را به دلیل فعل و انفعال پارامترهای مختلف تولید کنند. هدف GLUE شناسایی مدل‌های رفتاری در حالت کلی از ترکیب‌های ممکن مدل و یا پارامتر است (6).

PSO یک روش بهینه سازی آماری مبتنی بر جمعیت (ازدحام) است که از اقدامات اجتماعی اجتماع پرندگان یا ماهیگیری الهام گرفته شده است. PSO یا ذرات تصادفی که در فضای جستجوگر optima حرکت می کنند، آغاز می‌شود. PSO موقعیت و سرعت ذرات را تولید می کند و سپس سرعت هر ذره را با استفاده از اطلاعات بهترین نتیجه ای که تاکنون رسیده است و بهترین جواب به دست آمده توسط سایر ذرات را به روز می کند. موقعیت جدید هر ذره با به روزرسانی موقعیت فعلی با استفاده از بردار سرعت محاسبه می شود (6).

شاخص های آماری مورد استفاده

بررسی اعتبارسنجی و عدم قطعیت نتایج تولید شده توسط مدل با استفاده از الگوریتم های SUFI2 ، GLUE و PSO در نرم افزار SWAT-CUP اجرا شد. این تکنیک‌ها محدوده‌هایی را برای پارامترهای مورد نظر تعیین و پس از آن اجرای چندین مرحله شبیه سازی با مجموعه پارامترهای مختلف به بهترین جواب میرسند. در این مطالعه، تابع هدف Nash-Sutcliffe Efficiency (NSE) تعیین شد. علاوه بر این، برای مقایسه عملکرد مدل ها، از شاخص های آماری NSE و R² استفاده شد.

نتایج شبیه سازی هیدرولوژیکی با روش SUFI-2

برای واسنجی این مدل هیدرولوژیکی توصیه شده است تعداد شبیه سازی های زیاد انجام شود. با تعداد 9 تکرار (500 شبیه سازی در هر تکرار)، نتیجه در این روش در محدوده "بسیار خوب" قرار گرفت. 13 پارامتر مطابق جدول 2 برای کالیبراسیون انتخاب، و نتایج  تجزیه و تحلیل حساسیت نشان داد که Sol_K ، CH_N2 و CN2 حساسیت بیشتری نسبت به سایر پارامترها دارند.

 

 

جدول 2- نتایج شبیه سازی با هر سه روش بهینه سازی

Table 2. Simulation results based on all of three optimization methods

Discharge station	SUFI-2 (1989-2010) calibration				SUFI-2 (2011-2019) validation
	P-factor	R-factor	R2	NSE	R2	NSE
Station A	74/0	85/0	75/0	69/0	71/0	69/0
Station B	74/0	78/0	78/0	78/0	73/0	71/0
Station C	86/0	94/0	78/0	78/0	70/0	71/0
Sub	GLUE (1989-2010) calibration				GLUE (2011-2019) validation
	P-factor	R-factor	R2	NSE	R2	NSE
Station A	39/0	64/0	72/0	72/0	69/0	71/0
Station B	54/0	75/0	76/0	71/0	65/0	70/0
Station C	62/0	78/0	78/0	72/0	71/0	65/0
Sub	PSO (1989-2010) calibration				PSO (2011-2019) validation
	P-factor	R-factor	R2	NSE	R2	NSE
Station A	70/0	77/0	70/0	69/0	70/0	64/0
Station B	79/0	01/0	72/0	71/0	66/0	71/0
Station C	83/0	06/1	77/0	75/0	69/0	69/0

 

 

 

 

جدول 3- پارامترهای مورد استفاده و رتبه موثر هریک در هر یک از روش های واسنجی

Table 3. Used parameters and ranks of parameters in each method

پارامتر	کمینه	بیشینه	Sufi-2 rank	GLUE rank	PSO rank
r__CN2.mgt	2/0-	2/0	3	1	1
v__ALPHA_BF.gw	0	1	5	2	4
v__GW_DELAY.gw	30	450	4	6	6
v__GWQMN.gw	0	2	9	4	5
v__GW_REVAP.gw	0	2/0	7	3	8
v__ESCO.hru	8/0	1	10	12	9
v__CH_N2.rte	0	3/0	2	10	10
v__CH_K2.rte	5	130	11	11	12
v__ALPHA_BNK.rte	0	1	13	8	13
r__SOL_AWC(1).sol	2/0-	4/0	8	9	7
r__SOL_K(1).sol	8/0-	8/0	1	7	2
r__SOL_BD(1).sol	-5/0	6/0	6	5	3
v__SFTMP.bsn	-5	5	12	13	11

 

در جدول 3 نتایج شبیه سازی در دوره کالیبراسیون و اعتبارسنجی مدل بر اساس شاخص های آماری ضریب تبیین (R2)  و شاخص کارایی نش-ساتکلیف (NSE) آورده شده است. این شاخص‌ها برای مقایسه بین دو سری زمانی مشاهداتی و مدل سازی شده به کار می روند. در مطالعات بسیاری نشان داده شده است که مقادیر بالاتر از 7/0 برای هر دو این شاخص‌ها به معنای شبیه سازی خوب و نتایج خوب مدل می­باشد (5). شاخص های Pfactor و Rfactor نیز بیانگر باند عدم قطعیت و همچنین کارایی پارامترهای مورد استفاده در شبیه سازی می باشد. در اینجا نیز هرچه مقادیر به عدد 1 نزدیک تر باشند به معنای دقت بالاتر و در نظر گرفتن عدم قطعیت با بازه ای قابل قبول از پارامترها می باشد. به طور کلی نتایج هر دو قسمت واسنجی و اعتبار سنجی قابل قبول هستند ولی نتایج دوره واسنجی مدل از دقت بالاتری نسبت به اعتبار سنجی برخوردار بوده است. در هر سه روش، نتایج شبیه سازی دارای دقت بالا و بدون فاصله معنادار از یکدیگر هستند.

 

شکل 5- نتایج سری زمانی رواناب شبیه سازی شده با روش SUFI-2

Figure 5. Result of time series simulations based on SUFI-2

 

 

نتایج سری زمانی جریان در شکل 5 را نشان می دهد که پیک رواناب با روش SUFI-2 بهتر از سایر روش ها شبیه سازی شده که در آن محور افقی، زمان (ماه) و محور عمودی دبی (متر مکعب بر ثانیه) بوده، و سری زمانی آبی رنگ برای سری زمانی مشاهداتی، قرمز برای سری زمانی مدل و باند سبز رنگ بیانگر باند عدم قطعیت مدل می باشد.

روش واسنجی و اعتبار سنجی GLUE

در این روش، با 23 تکرار، نتایج "بسیار خوبی" کسب شد. در این روش، پارامترها و دامنه‌های مشابه انتخاب، وتجزیه وتحلیل عدم قطعیت نشان می دهد که CN2 و ALPHA_BF حساس ترین پارامترها هستند (جدول 3). شکل 6 نتایج شبیه سازی سری زمانی جریان را نشان می‌دهد. در این روش پیک رواناب کمتر از مشاهداتی شبیه سازی شده و جریان پایه کمتر از داده‌های مشاهده ای شبیه سازی شده است.

 

شکل 6- سری زمانی (2011-2019) شبیه سازی شده با روش GLUE

Figure 6. Result of timeseries simulations based on GLUE

 

 

در شکل 6، محور افقی، زمان (ماه) و محور عمودی دبی (مترمکعب بر ثانیه) سری زمانی آبی رنگ برای سری زمانی مشاهداتی، قرمز برای سری زمانی مدل و باند سبز رنگ بیانگر باند عدم قطعیت مدل می باشد.

روش واسنجی و اعتبارسنجی PSO

در این روش نیز مانند روش قبلی واسنجی انجام شده است. با هشت بار تکرار، نتایج "بسیار خوب" حاصل شد. در این روش، CN2 و Sol_K حساس‌ترین پارامترها بوده و مطابق شکل 4، در این روش، سری زمانی جریان، پیک های جریان مطابقت داشته، اما در سری‌های زمانی زمان تأخیر وجود دارد.

 

 شکل 7- سری زمانی شبیه سازی شده با روش PSO

Figure 7. Result of timeseries simulations based on PSO

 

 

در شکل 7، مشابه اشکال قبلی، محور افقی زمان (ماه) و محور عمودی دبی (مترمکعب بر ثانیه) سری زمانی آبی رنگ برای سری زمانی مشاهداتی، قرمز برای سری زمانی مدل و باند سبز رنگ بیانگر باند عدم قطعیت مدل را نشان می دهد.

با بررسی نتایج می توان اظهار کرد که روش GLUE کاربردی تر از سایر روش ها می‌باشد. این روش در مطالعات مدل‌سازی هیدرولوژیکی به طور چشمگیری استفاده شده است (26-24). هر چند کاربرد روش SUFI-2  آسان می‌باشد ولی این روش کاملا خودکار نیست و نیاز به داشتن دانش و فهم عوامل و تاثیر آنها در خروجی مدل دارد که ممکن است خطای مضاعفی به عنوان عدم قطعیت مدل به سایر عدم قطعیت‌ها اضافه نماید. سینگ و همکاران (2013) توانایی الگوریتم‌های SUFI-2 و GLUE را برای شبیه سازی جریان تخلیه در حوضه آبریز Tungabhadra در هند، که 44٪ از پوشش جنگل است، مقایسه کردند، آن‌ها نتایج دست آمده از روش SUFI-2 را مناسب‌تر ارزیابی کردند(16). در پژوهش ژانگ[14] و همکاران (2009)، روش PSO  سریعتر از سایر روش بوده است که نتایج مشابهی با این پژوهش داشته است (26). همچنین عینی و همکاران (2019) در حوضه دریاچه مهارلو به شبیه سازی هیدرولوژیکی با استفاده از داده های مختلف بارشی با استفاده از روش SUFI-2 در مدل SWAT پرداختند که مشخص شد این روش توانایی شناسایی پارامترهای حساس و همچنین دقت بالایی در شبیه سازی دارد (27). یافته‌های این پژوهش مشابه مطالعات انجام شده در مورد کالیبراسیون و تجزیه و تحلیل عدم قطعیتی است که وو و چن[15] (2015)  انجام شده است که از روش های GLUE ، SUFI-2 و ParaSol برای ارزیابی برآورد عدم قطعیت در مدل سازی هیدرولوژیکی توزیع شده برای حوضه رودخانه ونجینگ (چین) واقع در منطقه آب و هوای مرطوب نیمه گرمسیری تحت تأثیر موسمی استفاده کردند، و نشان دادند که روش SUFI-2 مزایای بیشتری نسبت به سایر روش‌ها دارد (18).

 

نتیجه گیری

به طور کلی، هر سه روش قادر به شبیه سازی رواناب با نتایج "بسیار خوب" بودند. در این مطالعه، بین سه روش مختلف بهینه سازی، دو روش SWAT ، PSO  عملکرد بهتر و سریع تری داشتند. در این مطالعه حوضه رودخانه قره سو (غرب ایران) با مدل هیدرولوژیکی SWAT شبیه سازی شد و با سه روش مختلف بهینه سازی، واسنجی و اعتبارسنجی شد. برای شبیه سازی با شرایط یکسان، 13 پارامتر مشترک در همه روش‌ها انتخاب شد. نتایج دست آمده نشان می دهد که هر سه روش (SUFI-2، GLUE و PSO) می‌توانند رواناب را با عملکرد بالا برای همه ایستگاه‌های هیدرومتری شبیه سازی کنند. به طور کلی نتایج هر دو قسمت واسنجی و اعتبار سنجی با دقت بالاتر 70 درصد به دست آمدند، که قابل قبول هستند. همچنین نتایج دوره واسنجی مدل از دقت بالاتری نسبت به اعتبار سنجی برخوردار است. در هر سه روش، نتایج شبیه سازی دارای دقت بالا و بدون فاصله معنادار از یکدیگر هستند. اگرچه الگوریتم‌های SUFI-2 ، PSO و GLUE می­توانند اختلاف بین داده‌های مشاهده ای و شبیه سازی شده را کاهش دهند، اما عملکرد الگوریتم SUFI-2 در شبیه سازی رواناب دقیق تر از الگوریتم های دیگر است و از محبوبیت بیشتری در میان هیدرولوژیست‌ها برخوردار است.

 

References

1. Teshome, F. T., Bayabil, H. K., Thakural, L., & Welidehanna, F. G. (2020). Modeling Stream Flow Using SWAT Model in the Bina River Basin, India. Journal of Water Resource and Protection, 12(03), 203.
2. Tegegne, G., & Kim, Y. O. (2018). Modelling ungauged catchments using the catchment runoff response similarity. Journal of Hydrology, 564, 452-466.
3. Marques C. A. F., Ferreira J. A., Rocha A., Castanheira J. M., Melo-Goncalves P., Vaz N. and Dias J. M. (2006). Singular spectrum analysis and forecasting of hydrological time series. Phys. Chem. Earth A/B/C., 31(18), 1172–1179.
4. Sokolowski J. and Banks C. (2011). Principles of modeling and simulation: a multidisciplinary approach. John Wiley and Sons, Hoboken, New Jersey, USA.
5. Arnold, J., Moriasi, D., Gassman, P., Abbaspour, K.C., White, M., Srinivasan, R., Santhi, C., Harmel, R., Van Griensven, A. and Van Liew, M. 2012. SWAT: Model use, calibration, and validation. Transactions of the ASABE Vol. 55(4), pp. 1491-1508.
6. Abbaspour, K.C., Rouholahnejad, E., Vaghefi, S., Srinivasan, R., Yang, H. and Kløve, B. 2015. A continental-scale hydrology and water quality model for Europe: Calibration and uncertainty of a high-resolution large-scale SWAT model. Journal of Hydrology Vol. 524, pp. 733-752.
7. Aalami, M.T., Abbasi, H. and Niksokhan, M.H. 2018. Comparison of two calibration-uncertainty methods for Soil and Water Assessment Tool in stream flow modeling. 28, pp. 53-64. (In Persian)
8. Narsimlu, B., Gosain, A.K, Chahar, B.R, Singh, S.K and Srivastava, P.K. 2015. SWAT model calibration and uncertainty analysis for streamflow prediction in the Kunwari River Basin, India, using sequential uncertainty fitting. Environ Process, Vol 2(1), pp. 79–95.
9. Yang, J., Reichert, P., Abbaspour, K.C., Xia, J. and Yang, H. 2018. Comparing uncertainty analysis techniques for a SWAT application to the Chaohe Basin in China. Journal of hydrology, Vol. 358(1-2), pp. 1-23.
10. Abbaspour, K.C., Yang, J., Maximov, I., Siber, R., Bogner, K., Mieleitner, J., Zobrist, J. and Srinivasan, R. 2007b. Modelling hydrology and water quality in the pre-alpine/alpine Thur watershed using SWAT. Journal of hydrology, Vol. 333(2-4), pp. 413-430.
11. Eini, M.R., Javadi, S., Delavar, M., Monteiro, J.A. and Darand, M. 2019. High accuracy of precipitation reanalyses resulted in good river discharge simulations in a semi-arid basin. Ecological engineering, Vol. 131, pp. 107-119.
12. Zhang, D., Yao, H., James, A., Lin, Q. and Fu, W. 2020. Modifying SWAT-CS for simulating chloride dynamics in a Boreal Shield headwater catchment in south-central Ontario, Canada. Science of The Total Environment, Vol. 717, pp. 137-213.
13. Abbaspour, K.C., Vejdani, M., Haghighat, S. and Yang, J. 2017. SWAT-CUP calibration and uncertainty programs for SWAT, pp. 1596-1602.
14. Kumarasamy, K. and Belmont, P. 2018. Calibration Parameter Selection and Watershed Hydrology Model Evaluation in Time and Frequency Domains. Water, Vol. 10(6), pp. 710.
15. Borah D.K, Arnold J.G, Bera M, Krug C.E, and Liang, X.Z. 2017. Storm event and continuous hydrologic modeling for comprehensive and efficient watershed simulations. Transaction of the ASCE, Vol. 6 (605), pp. 605-617.
16. Singh, V., Bankar, N., Salunkhe, S.S., Bera, A.K. and Sharma, J. 2013. Hydrological stream flow modelling on Tungabhadra catchment: parameterization and uncertainty analysis using SWAT CUP. Current science, pp. 1187-1199.
17. Besalatpour, A.A., Ayoubi, S., Hajabbasi, M.A., Gharipour, A., and A. Yousefian Jazi. 2014. Feature selection using parallel genetic algorithm for the prediction of geometric mean diameter of soil aggregates by machine learning methods. Arid Land Research and Management. Vol. 28, pp. 383-394.
18. Wu, H. and Chen, B. 2015. Evaluating uncertainty estimates in distributed hydrological modeling for the Wenjing River watershed in China by GLUE, SUFI-2 and ParaSol methods. Ecological Engineering, Vol. 76, pp. 110–
19. Ang, R., & Oeurng, C. (2018). Simulating streamflow in an ungauged catchment of Tonlesap Lake Basin in Cambodia using Soil and Water Assessment Tool (SWAT) model. Water Science, 32(1), 89-101.
20. Mengistu, A. G., van Rensburg, L. D., & Woyessa, Y. E. (2019). Techniques for calibration and validation of SWAT model in data scarce arid and semi-arid catchments in South Africa. Journal of Hydrology: Regional Studies, 25, 100621 .
21. Yang, X., Magnusson, J & ,.Xu, C.-Y. (2019). Transferability of regionalization methods under changing climate. Journal of Hydrology, 568, 67-81.
22. Leye, I., Sambou, S., Sané, M. L., Ndiaye, I., Ndione, D. M., Kane, S., . . . Cissé, M. T. (2020). Hydrological Modeling of an Ungauged River Basin Using SWAT Model for Water Resource Management Case of Kayanga River Upstream Niandouba Dam. Journal of Water Resources and Ocean Science, 9(1), 29-41 .
23. Ashrafi, S.M., Gholami, H. and Najafi, M.R. 2020. Uncertainties in runoff projection and hydrological drought assessment over Gharesu basin under CMIP5 RCP scenarios. Journal of Water and Climate Change, Vol. 11(S1), pp. 145-163.
24. Cameron, D., Beven, K. and Naden, P., 2000a. Flood frequency estimation by continuous simulation under climate change (with uncertainty). Hydrology and Earth System Sciences, Vol. 4:3, pp. 393–405.
25. Blazkova, S., Beven, K., Tacheci, P. and Kulasova, A. 2002. Testing the distributed water table predictions ofTOPMODEL (allowing for uncertainty in model calibration): the death of TOPMODEL? Water Resources Research, Vol. 38:11, pp. 1257.
26. Zhang, X., Srinivasan, R., Zhao, K. and Liew, M.V. 2009. Evaluation of global optimization algorithms for parameter calibration of a computationally intensive hydrologic model. Hydrological Processes, Vol. 23(3), pp. 430-441.
27. Eini, M.R. 2019. Discussion of Intra-and interannual streamflow variations of Wardha watershed under changing climate. ISH Journal of Hydraulic Engineering, 27(4), pp. 474–475.

 

 

 

 

 

 

 

 

 

 

 

 

[1]- استادیار، گروه مهندسی عمران، هیئت علمی دانشگاه آزاد اسلامی واحد رودهن. ^*(مسوول مکاتبات)

[2]- دانشجوی دکتری، گروه مهندسی عمران، هیئت علمی دانشگاه آزاد اسلامی واحد رودهن.

3- دانشیار، گروه علوم و مهندسی آب، هیئت علمی دانشگاه آزاد اسلامی واحد شهر قدس.

1-Assistant professor, Department of Civil Engineering, Roudehen Branch, Islamic Azad University, Iran. *(Corresponding Author)

2- PhD candidate, Department of Civil Engineering, Roudehen Branch, Islamic Azad University Iran.

3- Associate professor, Department of Water Science and Engineering, Shahr-Ghods Branch, Islamic Azad University, Iran.

1- Nkonge

1- Borah

2- Singh

3- Wu

4- Ang & Oeurng

5- Mengistu

6-Yang

 

1- Zhang

2- Wu and Chen

تعداد مشاهده مقاله: 83

تعداد دریافت فایل اصل مقاله: 86