تعداد نشریات | 161 |
تعداد شمارهها | 6,532 |
تعداد مقالات | 70,504 |
تعداد مشاهده مقاله | 124,123,093 |
تعداد دریافت فایل اصل مقاله | 97,231,187 |
ارزیابی عملکرد مدلهای AWBM، Sacramento و SimHyd در شبیهسازی رواناب حوضه امامه با استفاده از بهینهساز واسنجی خودکار الگوریتم ژنتیک | ||
تحقیقات آب و خاک ایران | ||
مقاله 14، دوره 50، شماره 7، آذر 1398، صفحه 1759-1769 اصل مقاله (1.34 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22059/ijswr.2019.258701.667923 | ||
نویسندگان | ||
محمدرضا محمدی وند1؛ شهاب عراقی نژاد2؛ کیومرث ابراهیمی3؛ فرشته مدرسی* 4 | ||
1دانشجوی کارشناسی ارشد مهندسی منابع آب، دانشگاه تهران، کرج، ایران | ||
2دانشیار، گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران | ||
3استاد، گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران | ||
4دانش آموخته دکتری گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران | ||
چکیده | ||
یکی از روشهای معتبر در شبیهسازی فرآیند پیچیده و غیرخطی بارش–رواناب استفاده از مدلهای هیدرولوژیکی است. هدف مقاله حاضر بررسی کارایی سه مدل بارش-رواناب یکپارچه و مفهومی AWBM، Sacramento و SimHyd در شبیهسازی رواناب روزانه در خروجی حوضه آبریز معرف امامه با کاربرد بهینهساز واسنجی خودکار الگوریتم ژنتیک است. مشابه سایر مدلهای هیدرولوژیکی، در هر سه مدل مذکور محدوده تغییر پارامترها زیاد است و با توجه به دشواری واسنجی با روشهای متداول مبتنی بر سعی و خطا، در این مقاله کاربرد روشهای بهینهسازی به منظور واسنجی خودکار مدلهای هیدرولوژیکی بررسی شد. تهیه نقشههای مورد نیاز در محیط نرمافزار سامانه اطلاعات جغرافیایی نسخه 10.4.1 انجام گرفت و دادههای بارش، تبخیر و تعرق پتانسیل و رواناب مشاهداتی روزانه سالهای 2005-2001 برای واسنجی و سالهای 2007-2006 برای صحتسنجی در امر شبیهسازیها استفاده شد. معیارهای ارزیابی شامل ضریب نش-ساتکلیف (NSE)، ضریب تبیین (R2) و ضریب مجذور میانگین مربعات خطا (RMSE) برای ارزیابی مدلها استفاده شد. نتایج آماری و گرافیکی واسنجی و صحتسنجی حاکی از عملکرد بهتر مدل SimHyd نسبت به دو مدل دیگر با داشتن ضریب نشساتکلیف 575/0 و 731/0، تبیین 61/0 و 80/0 و مجذور میانگین مربعات خطا 033/1 و 829/0 به ترتیب در دوره واسنجی و صحتسنجی با کاربرد بهینهساز واسنجی خودکار الگوریتم ژنتیک و انطباق گرافیکی خوب با مقادیر مشاهداتی است. همچنین مدلهای AWBM و Sacramento نیز نتایج آماری و گرافیکی رضایتبخش و مطلوب در حوضه منتخب داشته و کارایی خوب بهینهساز واسنجی خودکار الگوریتم ژنتیک را مورد تأکید قرار میدهند. | ||
کلیدواژهها | ||
AWBM؛ Sacramento؛ SimHyd؛ الگوریتم ژنتیک؛ مدل های هیدرولوژیکی | ||
مراجع | ||
Bergstra, J. and Bengio, Y (2012). Random Search for Hyper- parameter optimization, Machine Learning Research, 13, 281-305. Chiew, F. H. S., Peel, M. C., Western, A. W. (2002). Application of testing of the simple rainfall-runoff model SimHyd, In: mathematical models of small watershed hydrology and applications, Water Resources Publication, Littleton, Colorado, USA, pp. 355-367. Cooper, VA., Nguyen, VTV. and Nicell, JA. (1997). Evaluation of global optimization methods for conceptual rainfall-runoff model calibration. Journal of Water Science Technology, 36(5), 53–60. Garmeh, R. and Farid Hosseini, A. R. (2015). Optimization of the Parameters of HEC-HMS Rainfall-Runoff model by the PSO Optimization Algorithm. Irainian journal of Soil and Water Research, 46(2), 255-264. (In Farsi) Izadi, M., Ajdari, Kh., Akhavan, S. and Imam Gholizadeh, S. (2013). SWAT 2009 uses in flow simulation of Shirin Dareh River. Fifth Iranian National Water Resources Management Conference, Tehran, Iran. (In Farsi) Khazaei, M. R., Zahabiyoun, B. and Saghafian, B. (2009). Automatic calibration of the ARNO conceptual rainfall- runoff model. Iranian Journal of Watershed Management Science, 3(8), 21-28. (In Farsi) Mizumura, K. (1995). Runoff prediction by simple TANK model using recession curve. Journal of Hydraulic Engineering. 121(11), 812-818. Moriasi, D.N., Arnold, J.G., Van Liew, M.W., Bingner, R.L., Harmel, R.D. and Veith, T.L. (2007). Model evaluation guidelines for systematic quantification of accuracy in watershed simulations, Transactions of the ASABE, 50(3), 885-900. Podger, G. (2004). Rainfall Runoff Library (RRL), user guide. CRC for Catchment Hydrology, Australia. Rouhani, H and Farahi Moghadam, M. (2014). Application of the genetic algorithm technique for optimization of the hydrologic TANK and SimHyd model’s parameters. Journal of Range and Watershed Management (Iranian Journal of Natural Resources). 66(4), 512-533. (In Farsi) Sharifi, F. (1997). Evaluation of three continuous rainfall-runoff models, a new approach. Proceeding of the 8th International Conference on Rainwater Catchments Systems, Tehran, Iran. 10-14 April pp. 416-432. Sharifi, F. and Boyd, M.J. (1994). A comparison of the SFB and AWBM rainfall-runoff models. 25th congress of the international association of hydrologeologists/International hydrology and water resourses symposium of the institution of engineers, Australia. Adelaide. 21-25 November, pp.491-495. Wang, Q. J. (1991). The genetic algorithm and its application to calibrating conceptual rainfall-runoff models. Journal of Water resource research, 27(9), 2467-2471. Yu, P. S. and Yang, T. C. (2000). Fuzzy multi-objective function for rainfall-runoff model calibration, Journal of . Hydrology 238(1-2), 1–14. Zhou, Y. and Zhu Y.M. (2007). Suspended sediment flux ,modeling with artificial neural network: An example of the Longchuanjiang River in the Upper Yangtze catchment, China. Geomorphology 84:111-125. | ||
آمار تعداد مشاهده مقاله: 589 تعداد دریافت فایل اصل مقاله: 539 |