ارزیابی دو الگوریتم مختلف مونت‌کارلو زنجیر‌مارکف در تحلیل عدم قطعیت پارامترهای مدل توزیعی هیدرولوژیکی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشگاه بیرجند گروه مهندسی آب دانشجوی سابق دکتری دانشگاه شهید چمران اهواز

2 استاد دانشکده مهندسی علوم آب، دانشگاه شهید چمران اهواز

3 استاد گروه مهندسی آب دانشگاه فردوسی مشهد

4 دانشیار گروه عمران دانشگاه آزاد واحد اهواز

چکیده

تعیین مقادیر بهینه برای پارامترهای به کار رفته در هر مدل شبیه سازی کاری است که همواره با شک و تردید همراه می باشد و بنابراین بایستی عدم قطعیت موجود در پارامترهای شبیه سازی با روشهای مناسب تحلیل و بررسی گردد. در این تحقیق مقایسه دو الگوریتم عدم قطعیت DREAM و SCEM UA، برای پارامترهای مدل بارش- رواناب فیزیکی و توزیعی تک رخداد AFFDEF به کار گرفته شد. این روشها برپایه مونت کارلو زنجیرمارکف بوده که اخیراً توسعه یافته اند و از روش نمونه گیر متروپولیس استفاده می کنند که به خوبی قادر به بررسی فضای پارامتری با حداقل تعداد تکرار می باشد. مدل هیدرولوژیک توزیعی AFFDEF در زبان برنامه نویسیFortran بدلیل خطای کمتر آن - به نسبت مدلهای یکپارچه در این تحقیق بکار گرفته شد. منطقه مورد مطالعه، حوضه ابوالعباس به مساحت تقریبی 280 کیلومتر مربع در شرق استان خوزستان بوده که دارای میانگین سالانه بارش 550 میلیمتر می باشد. تعداد 6 رخداد در خلال فصل غیر ذوب برف برای این منظور به کار گرفته شد که از این میان 4 رخداد برای واسنجی و 2 رخداد برای صحت سنجی نتایج مورد استفاده قرار گرفت. نتایج دو روش عدم قطعیت، همگرایی سریعتر و همچنین بازه پسین باریکتر برای پارامتر های مدل بارش رواناب را در روش DREAM به نسبت روش SCEM-UA نشان داد که در حقیقت کارایی بالای روش DREAM را اثبات نمود. ضمن آنکه وابستگی توابع توزیع پارامترها در هر رخداد به ویژگیهای دبی اوج و شرایط رطوبتی آن رخداد را نیز نشان داده شد.

کلیدواژه‌ها

عنوان مقاله [English]

Uncertainty Analysis a single event distributed rainfall-runoff model with using two different Markov Chain Monte Carlo methods

نویسندگان [English]

  • Mohsen Pourreza Bilondi 1
  • Ali Mohammad Akhoond ALi 2
  • Bijan Ghahraman 3
  • Abdolrasoul Telvari 4

چکیده [English]

So far flood forecasting and simulation in hydrologic literature suffer from lack of explicit recognition of forcing and parameter and model structural error. However since any model is a simplification of reality there remains a great deal of uncertainty even after the calibration of model parameters. Often parameters in hydrologic models cannot be measured directly and can only be inferred by a calibration process. This work addresses the application and comparison of two parameter uncertainty methods and their effects on the prediction of streamflow in Abolabbas watershed (290 km2) located in Khuzestan Province. Two Markov Chain Monte Carlo methods, Shuffled Complex Evolution Metropolis (SCEM UA) and DiffeRential Evolution Adaptive Metropolis (DREAM) were used in this study to quantify parameter uncertainty in AFFDEF implemented in FORTRAN language programming, a single event distributed rainfall runoff model. Respectively, four and two historical floods with hourly time step for calibration and validation periods were selected. More than 45000 Simulation runs with 15 chains were done to indicate convergence to a stationary posterior distribution. For example, results showed that p-factor and d-factor values for event 31/1/1993 changed from 0.92 and 2.25 in SCEM-UA approach and reached to 0.96 and 1.56 in DREAM approach respectively. Finally posterior parameters distributions were created with samples from last 20 percent of chains. All of these posterior distributions properly become smaller than initial upper and lower bounds.

کلیدواژه‌ها [English]

  • Uncertainty Analysis
  • Markov Chain Monte Carlo
  • Single event distributed rainfall-runoff model