پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,532 |
| تعداد مقالات | 70,501 |
| تعداد مشاهده مقاله | 124,106,335 |
| تعداد دریافت فایل اصل مقاله | 97,211,659 |
بررسی عدم قطعیت‌های مدل مفهومی بارش-رواناب برای شبیه‌سازی حوضۀ آبریز طالقان با روش بیزین | ||
| اکوهیدرولوژی | ||
| مقاله 17، دوره 7، شماره 1، فروردین 1399، صفحه 223-236 اصل مقاله (1.05 M) | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ije.2020.294740.1264 | ||
| نویسندگان | ||
| زهرا سبحانیه1؛ محمد حسین نیک سخن* 2؛ بابک امیدوار2 | ||
| 1دانشجوی دکتری مهندسی محیط زیست- منابع آب دانشکدۀ محیط زیست، پردیس دانشکدههای فنی دانشگاه تهران | ||
| 2دانشیار دانشکدۀ محیط زیست، پردیس دانشکدههای فنی دانشگاه تهران | ||
| چکیده | ||
| طالقان‌رود به دلیل منتهی شدن به سد طالقان که تأمینکنندۀ آب شرب این منطقه و نیز بخشی از شهر تهران است و نیز به دلیل استقرار مناطق مسکونی زیاد در حاشیۀ آن، یکی از رودخانههای مهم کشور محسوب میشود. دادههای بلندمدت دبی رودخانه برای طراحی ایستگاههای برقآبی و مدیریت منابع آب ضروری‌اند. در جایی که ایستگاههای پایش موجود پراکنده است و نمیتواند دادههای هیدرولوژیکی کافی برای حوضه فراهم کند، مدلهای بارش-رواناب ابزارهایی پرکاربرد برای گسترش دادن دادههای هیدرولوژیکی در زمان و مکان هستند. در مقالۀ حاضر امکانپذیری اعمال مدل مفهومی بارش-روانابی با نام HYMOD، به حوضۀ آبریز رودخانۀ طالقان بررسی شد. همچنین، سه روش تخمین بیزین برای برآورد عدم قطعیت‌های پارامتری برای کالیبراسیون مدل و تحلیل عدم قطعیت بهکار گرفته شد. نتایج نشان میدهند با استفاده از این روش و پس از اعمال صحتسنجی، دبی تخمینی به طور رضایتبخشی با دبی مشاهداتی تطابق دارند؛ که بیانگر این است که شبیه‌سازی حوضۀ یادشده با استفاده از این مدل هیدرولوژیکی به‌خوبی انجام شده است و اعمال HYMOD برای تخمین سریهای زمانی طولانی از دبی رودخانه در محدودۀ مطالعه‌شده، نتایج منطقی ارائه میدهد. | ||
| کلیدواژه‌ها | ||
| حوضۀ آبریز طالقان‌رود؛ روش بیزین بارش رواناب؛ عدم قطعیت؛ HYMOD | ||
| مراجع | ||
|
[1]. Deletic A, Dotto CB, McCarthy DT, Kleidorfer M, Freni G, Mannina G, Uhl M, Henrichs M, Fletcher TD, Rauch W, Bertrand-Krajewski JL. Assessing uncertainties in urban drainage models. Physics and Chemistry of the Earth, Parts A/B/C. 2012;42:3-10. [2]. Quan Z, Teng J, Sun W, Cheng T, Zhang J. Evaluation of the HYMOD model for rainfall–runoff simulation using the GLUE method. Proceedings of the International Association of Hydrological Sciences. 2015;368:180-185. [3]. Zhang JL, Li YP, Huang GH, Baetz BW, Liu J. Uncertainty analysis for effluent trading planning using a Bayesian estimation-based simulation-optimization modeling approach. Water research. 2017;116:159-181. [4]. Cu Thi P, Ball JE, Dao NH. Uncertainty Estimation Using the Glue and Bayesian Approaches in Flood Estimation: A case Study—Ba River, Vietnam. Water. 2018;10(11):1641. [5]. Herman JD, Reed PM, Wagener T. Time‐varying sensitivity analysis clarifies the effects of watershed model formulation on model behavior. Water Resources Research. 2013;49(3):1400-1414. [6]. Alipour MH, Kibler KM. A framework for streamflow prediction in the world’s most severely data-limited regions: Test of applicability and performance in a poorly-gauged region of China. Journal of hydrology. 2018;557:41-54. [7]. Sobol IM. Global sensitivity indices for nonlinear mathematical models and their Monte Carlo estimates. Mathematics and computers in simulation. 2001;55(1-3):271-280. [8]. Shen M, Chen J, Zhuan M, Chen H, Xu CY, Xiong L. Estimating uncertainty and its temporal variation related to global climate models in quantifying climate change impacts on hydrology. Journal of Hydrology. 2018;556:10-24. [9]. Thompson DB. The rational method, regional regression equations, and site-specific flood-frequency relations. Civil Engineering department Texas Tech University; 2006:1-7. [10]. Cooper VA, Nguyen VT, Nicell JA. Calibration of conceptual rainfall–runoff models using global optimisation methods with hydrologic process-based parameter constraints. Journal of Hydrology. 2007;334(3-4):455-466. [11]. Chen H, Xu CY, Guo S. Comparison and evaluation of multiple GCMs, statistical downscaling and hydrological models in the study of climate change impacts on runoff. Journal of hydrology. 2012;434:36-45. [12]. Cooper VA. On automatic calibration of conceptual rainfall runoff models using optimisation techniques. Canada: National Library of Canada; 2002. [13]. Andréassian V, Le Moine N, Perrin C, Ramos MH, Oudin L, Mathevet T, Lerat J, Berthet L. All that glitters is not gold: the case of calibrating hydrological models. Hydrological Processes. 2012;26(14):2206 [14]. Kirchner JW. Getting the right answers for the right reasons: Linking measurements, analyses, and models to advance the science of hydrology. Water Resources Research. 2006;42(3). [15]. Beven K. Prophecy, reality and uncertainty in distributed hydrological modelling. Advances in water resources. 1993;16(1):41-51. [16]. Beven K. A manifesto for the equifinality thesis. Journal of hydrology. 2006;320(1-2):18-36. [17]. Efstratiadis A, Dialynas YG, Kozanis S, Koutsoyiannis D. A multivariate stochastic model for the generation of synthetic time series at multiple time scales reproducing long-term persistence. Environmental Modelling & Software. 2014;62:139-152. [18]. van Emmerik T, Steele-Dunne SC, Judge J, van de Giesen N. Impact of diurnal variation in vegetation water content on radar backscatter from maize during water stress. IEEE Transactions on Geoscience and Remote Sensing. 2015;53(7):3855-3869. [19]. Chiew FH, Kirono DG, Kent DM, Frost AJ, Charles SP, Timbal B, Nguyen KC, Fu G. Comparison of runoff modelled using rainfall from different downscaling methods for historical and future climates. Journal of Hydrology. 2010;387(1-2):10-23. [20]. Arsenault R, Poulin A, Côté P, Brissette F. Comparison of stochastic optimization algorithms in hydrological model calibration. Journal of Hydrologic Engineering. 2014;19(7):1374-1384. [21]. Song JH, Her Y, Suh K, Kang MS, Kim H. Regionalization of a Rainfall-Runoff Model: Limitations and Potentials. Water. 2019;11(11):2257. [22]. Vrugt JA, Diks CG, Gupta HV, Bouten W, Verstraten JM. Improved treatment of [23]. Abdolvandi AF, Eslamian SS, Heidarpour M, Babazadeh H. Simultaneous simulation of both surface and groundwater resources using system dynamics approach (Case Study: Taleghan Dam). Advances in Environmental Biology. 2013:562-571. [24]. Vafakhah M, Nouri A, Alavipanah SK. Snowmelt-runoff estimation using radiation SRM model in Taleghan watershed. Environmental earth sciences. 2015;73(3):993-1003. [25]. Antonetti M, Zappa M. How can expert knowledge increase the realism of conceptual hydrological models? A case study based on the concept of dominant runoff process in the Swiss Pre-Alps. Hydrology & Earth System Sciences. 2018;22(8):4425-4447. [26]. Boyle DP, Gupta HV, Sorooshian S. Multicriteria calibration of hydrologic models. Calibration of Watershed Models, edited by: Duan, Q., Gupta, H., Sorooshian, S., Rousseau, A., Turcotte, R., AGU. 2003:185-196. [27]. Vrugt JA, Ter Braak CJ, Clark MP, Hyman JM, Robinson BA. Treatment of input uncertainty in hydrologic modeling: Doing hydrology backward with Markov chain Monte Carlo simulation. Water Resources Research. 2008;44(12). | ||
|
آمار تعداد مشاهده مقاله: 471 تعداد دریافت فایل اصل مقاله: 295 |
||