
تعداد نشریات | 13 |
تعداد شمارهها | 623 |
تعداد مقالات | 6,502 |
تعداد مشاهده مقاله | 8,643,774 |
تعداد دریافت فایل اصل مقاله | 8,240,119 |
روشهای ترکیبی چندگانه مدلسازی برای تجزیه و تحلیل شبیهسازیهای هیدرولوژیکی (مطالعه موردی: زیرحوضه آبریز قرهسو، استان کرمانشاه) | ||
مجله پژوهشهای حفاظت آب و خاک | ||
مقاله 11، دوره 26، شماره 3، مرداد و شهریور 1398، صفحه 193-206 اصل مقاله (961.3 K) | ||
نوع مقاله: مقاله کامل علمی پژوهشی | ||
شناسه دیجیتال (DOI): 10.22069/jwsc.2019.15457.3069 | ||
نویسندگان | ||
محسن پوررضا بیلندی* 1؛ هادی معماریان خلیل آباد2؛ علی شهیدی3؛ سمیرا رهنما4 | ||
1دانشگاه بیرجند گروه مهندسی آب | ||
2استادیار گروه مرتع و آبخیزداری، دانشکده منابع طبیعی و محیط زیست، دانشگاه بیرجند، بیرجند، ایران | ||
3گروه علوم و مهندسی آب- دانشکده کشاورزی- دانشگاه بیرجند | ||
4دانشجوی دکتری منابع آب، گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بیرجند، بیرجند، ایران | ||
چکیده | ||
سابقه و هدف: مدلهای شبیهسازی هیدرولوژیکی نمایش ساده شدهای از سیستم هیدرولوژی واقعی هستند که به مطالعه درباره کارکرد حوضه در واکنش به ورودیهای گوناگون و فهم بهتر از فرآیندهای هیدرولوژی کمک میکنند. این مدل ها با شبیهسازی فرآیند بارش- رواناب قادر به تخمین میزان رواناب حوضههای آبریز با کمترین زمان و هزینه ممکن بوده ولی علیرغم توانمندیهای بالا، دارای خطا میباشند. یکی از مهمترین مسائل در بین پژوهشگران، برطرف نمودن این خطاها میباشد. ازین رو، کاربرد روش های ترکیبی به عنوان یکی از رویکردهای مورد استفاده جهت بهبود نتایج مورد تاکید این تحقیق می باشد. در این پژوهش برای تجزیه و تحلیل شبیهسازیهای هیدرولوژیکی از چهار روش ترکیبی چندگانه (Simple Model Average (SMA)، Weighted Average Method (WAM)، Multi Model Super Ensemble (MMSE) و Modified Multi Model Super Ensemble (M3SE)) در زیرحوضه آبریز قرهسو واقع در استان کرمانشاه استفاده شده است. مواد و روشها: زیرحوضه آبریز قرهسو با مساحت 5354 کیلومترمربع در شمالغربی حوضه کرخه و در غرب ایران واقع شدهاست. در این پژوهش دادههای پایه مورد استفاده شامل دادههای دما، بارش و رواناب مشاهدهای به صورت روزانه طی دوره آماری 2008 -1997 از ایستگاههای منتخب منطقه میباشد. 70 درصد دادهها برای دوره واسنجی (2005 –1997) و 30 درصد باقیمانده برای صحتسنجی (2008 -2006) بکار گرفته شد. بدینمنظور، از مدلهای موجود در بسته نرمافزاری RRL چون Simhyd، AWBM، Sacramento و TANK و مدلهای SCS-Milc و Hymod کدنویسی شده در زبان برنامهنویسی Matlab استفاده شد. پس از حصول نتایج، به منظور بهبود نتایج از چهار روش ترکیبی SMA، WAM، MMSE و M3SE استفاده شد. در نهایت با استفاده از شاخصهای ارزیابی ریشه میانگین مربعات خطای نرمال(NRMSE) و نش- ساتکلیف (NS) عملکرد هر کدام از روشها بررسی شد. یافتهها: در پژوهش حاضر تمامی مدلهای شبیهسازی شده نتایج قابل قبولی را ارائه میدهند. نتایج مربوط به روشهای ترکیبی نشان داد که به طور کلی روشها موجب بهبود نتابج شبیهسازی شدهاند. همچنین بیشترین میزان بهبود به ترتیب در روشهای M3SE و MMSE بدست آمد. مقدار شاخصهای ارزیابی NS و NRMSE در روش M3SE به ترتیب 80/0 و 97/0 در دوره واسنجی و در دوره صحتسنجی 87/0 و 53/0 بدست آمد. نتیجهگیری: روشهای ترکیبی چندگانه به طور مشخص نتایج شبیهسازی دبی جریان توسط هر یک از مدلهای شبیهسازی را بهبود بخشیدند. هرچند روش M3SE به دلیل داشتن فرآیندی که در آن تاثیر تصحیح خطا دیده شده است نتایج بهتری نسبت به بقیه ارائه داده است. در نهایت در بدترین حالت می توان انتظار داشت خروجی مدل ترکیبی M3SE برابر یا بهتر از بهترین شبیه سازی از بین مدل های هیدرولوژی به کار رفته باشد. | ||
کلیدواژهها | ||
شبیهسازی بارش- رواناب؛ قرهسو؛ بسته RRL؛ روشهای ترکیبی | ||
مراجع | ||
1.Ajami, N.K., Duan, Q., Gan, X., and Sorooshian, S. 2006. Multimodel combination techniques for analysis of hydrological simulations: application to distributed model intercomparison project results. J. Hydrometeorol. 7: 4. 755-768.
2.Bates, J.M., and Granger, C.W.J. 1969. The combination of forecasts. J. Oper. Res. Soc. 20: 4. 451-468.
3.Clemen, R.T. 1989. Combining forecasts: A review and annotated bibliography. Inter. J. Forecast. 5: 4. 559-583.
4.Dickinson, J.P. 1973. Some statistical results in the combination of forecast. J. Oper. Res. Soc. 24: 2. 253-260.
5.Dinpashoh, Y. 2006. Study of reference crop evapotranspiration in I.R. of Iran. J. Agric. Water Manage. 84: 1-2. 123-129.
6.Dovonec, E. 2000. A physically base distributed hydrologic model,M.Sc. Thesis, the Pennsylvania State University.
7.Farahmand Rad, M. 2016. Multi-objective calibration of conceptual hydrological model based on geomorphological instantaneous unit hydrograph (GIUH) using AMALGAM algorithm, M.Sc. Thesis, Graduate University of Advanced Technology. 116p. (In Persian)
8.Fraedrich, K., and Smith, N.R. 1989. Combining predictive schemes in long-range forecasting. J. Clim. 2: 3. 291-294.
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.Geoff, P. 2004. CRC for Catchment Hydrology, Australia, 100p.
11.Georgakakos, K.P., Seo, D.J., Gupta, H., Schake, J., and Butts, M.B. 2004. Characterizing streamflow simulation uncertainty through multi model ensembles. J. Hydrol. 298: 1-4. 222-241.
12.Ghorbani, K., and Salarijazi, M. 2016. Estimation of monthly discharge using climatological and physiographic parameters of ungauged basin. J. Water Soil Cons. 23: 3. 207-224. (In Persian)
13.Jabbari, A., Bahmanesh, J., and Hessari, B. 2017. Modelling the daily runoff of Nazloo Chai watershed at the west side of Urmia Lake. J. Water Soil Cons.23: 6. 123-141. (In Persian)
14.Krishnamurti, T.N., Kishtawal, C.M., LaRow, T., Bachiochi, D., Zhang, Z., Williford, C.E., Gadgil, S., and Surendran, S. 1999. Improved skill of weather and seasonal climate forecasts from multimodel superensemble. J. Sci. 285: 5433. 1548-1550.
15.Krishnamurti, T.N., Kishtawal, C.M., Shin, D.W., and Williford, C.E. 2000a. Improving tropical precipitation forecasts from a multi-analysis superensemble. J. Clim. 13: 23. 4217-4227.
16.Krishnamurti, T.N., Kishtawal,C.M., Zhang, Z., LaRow, T., Bachiochi, D., and Willi Ford, C.E. 2000b. Multimodel ensemble forecastsfor weather and seasonal climate. J. Clim. 13: 23. 4196-4216.
17.Liao, W., and Lei, X. 2012. Multi-model Combination Techniques for Flood Forecasting from the Distributed Hydrological Model EasyDHM. Computational Intelligence and Intelligent Systems, 316: 1. 396-402.
18.Mayers, M., Krishnamurti, T.N., Depradine, C., and Moseley, L. 2001. Numerical weather prediction over the eastern Caribbean using Florida State University (FSU) global and regional spectral models and multi-model/multi-analysis superensemble. J. Meteorol. Atm. Physic. 78: 1-2. 75-88.
19.Newbold, P., and Granger, C.W.J. 1974. Experience with forecasting univariate time series and the combination of forecasts. J. Royal Stat. Soc. 137: 2. 131-146.
20.Pourreza Bilondi, M., Akhoond Ali, A.M., Ghahraman, B., and Telvari, A. 2015. 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)
21.Pourreza Bilondi, M., Khashei Siuki, A., and Sadeghi Tabas, S. 2015. Daily rainfall-runoff modeling with Least Square Support Vector Machine (LS- SVM). J. Water Soil Cons. 21: 6. 293-304. (In Persian)
22.Rouhani, H., and Farahi Moghadam,M. 2014. Application of the genetic algorithm technique for optimization of the Hydrologic TANK and SIMHHYD Models’ Parameters. J. Range Water. Manage. 66: 4. 521-533. (In Persian)
23.Salmani, H. 2011. Optimization of Effective Parameters in Precipitation-Runoff in Semi Distributed Model SWAT (Case study of GozoghliSub-Basin, Gorgan River Basin, Gorgan Province). Master's Thesis. Department of natural resources. University of Tehran. 158p. (In Persian)
24.Shamseldin, A.Y., O'Connor, K.M., and Liang, G.C. 1997. Methods for combining the outputs of different rainfall-runoff models. J. Hydrol.197: 1-4. 203-229.
25.Spruill, C.A., Workman, S.R., and Taraba, J.L. 2000.Simulation of daily and monthly stream discharge from small watershed using the SWAT model. J. Soil Water Div. ASAE.43: 6. 1431-1440.
26.Thompson, P.D. 1976. How to improve accuracy by combining independent forecasts. J. Month. Weather Rev. 105: 2. 228-229. 27.Yun, W.T., Stefanova, L., and Krishnamurti, T.N. 2003. Improvement of the multimodel superensemble technique for seasonal forecasts. J. Clim. 16: 22. 3834-3840.
28.Zarrin, H., Moghadamnia, A.R., Namdorost, J., and Mosaedi, A. 2013. Simulation of outflow runoff in watersheds without statistics using rainfall- runoff AWBM model (Case study: Sistan and Baluchestan province). J. Water Soil Cons. 20: 2. 195-208.(In Persian) | ||
آمار تعداد مشاهده مقاله: 621 تعداد دریافت فایل اصل مقاله: 371 |