بهینه سازی پارامترهای مدل KINEROS۲ با استفاده از الگوریتم PSO برای شبیه سازی رخداد سیلاب (مطالعه موردی: حوزه تمر استان گلستان)
- سال انتشار: 1397
- محل انتشار: پژوهشنامه مدیریت حوزه آبخیز، دوره: 9، شماره: 18
- کد COI اختصاصی: JR_JWMR-9-18_009
- زبان مقاله: فارسی
- تعداد مشاهده: 376
نویسندگان
دانشکده منابع طبیعی و محیط زیست دانشگاه بیرجند
دانشکده کشاورزی دانشگاه بیرجند
دانشکده منابع طبیعی و محیط زیست دانشگاه بیرجند
چکیده
شبیه سازی بارش- رواناب به منظور برنامه ریزی و مدیریت منابع آب در حوزه های آبخیز نیازمند استفاده از مدل های مفهومی هیدرولوژیکی بهینه شده است. در این تحقیق از بسته بهینه سازی hydroPSO به منظور واسنجی و بهینه سازی پارامترهای مدل بارش-رواناب KINEROS۲ (K۲) در حوزه آبخیز تمر در استان گلستان استفاده شد. بدین منظور از ۴ واقعه رگباری در تاریخ های مختلف استفاده شد. نتایج حاکی از کارایی بهتر مدل در شبیه سازی هیدرولوژیک واقعه رگباری شماره ۲ می باشد که در این شبیه سازی، ضریب تبیین (R۲) و ضریب نش (NSE) به ترتیب برابر با ۹۰۸۴/۰ و ۹۲/۰ به دست آمد. شبیه سازی بر اساس وقایع رگباری شماره ۳ و ۴ با ضرایب NSE برابر با ۸۹/۰ و ۸۶/۰ توانست منجر به برازش به ترتیب عالی و خوب رکوردهای شبیه سازی شده بر رکوردهای مشاهداتی شود. تحلیل حساسیت نشان داد که پارامترهای Ks_p، Ks_c، n_p، n_c، CV_p و Sat به ترتیب مهم ترین و موثرترین پارامترها در فرآیند واسنجی مدل K۲ به شمار می روند. توزیع فراوانی برخی از پارامترها مانند Ks_p و n_c دارای شکل زنگوله ای با اوج تیزتر می باشد که این خود نشان دهنده عدم قطعیت کمتر تحمیل شده از جانب این پارامترها بر مدل است. اما برخی از پارامترها مانند In، COV، Por_p و Dist_p توزیع فراوانی یکنواختی را نشان می دهند. تفسیر بصری نمودارهای جعبه ای نشان می دهد که در ۶ پارامتر Ks_c، n_c، G_c، Rock، Dist_c و Smax ارزش بهینه پارامتر به دست آمده در فرآیند واسنجی منطبق بر میانه ارزش های نمونه برداری شده است که این مطلب موید این است که اکثر ذرات به سمت یک منطقه کوچک از فضای پاسخ هدایت شده اند. نمودارهای نقطه ای نیز نشان می دهند که ارزش های بهینه پارامترهای Ks_p، Ks_c و n_c دامنه محدودی از فضای پارامتری را که راندمان بالای مدل K۲ را ایجاد می کند، اشغال می نمایند. به عبارت دیگر کارآیی مدل بیشتر تحت تاثیر اندرکنش پارامترهای Ks و n می باشد. تحلیل همبستگی نیز نشان داد که بالاترین ضریب همبستگی NSE در درجه اول با پارامترهای Ks_p، Ks_c و n_p و سپس با پارامترهای CV_p، G_c، Por_p، Dist_p و Smax به دست آمد. نتایج این تحقیق نشان داد که بسته بهینه سازی hydroPSO می تواند با موفقیت با مدل K۲ تلفیق شده و با سرعت و کارآیی بالایی پارامترهای مدل را واسنجی و بهینه سازی نماید.کلیدواژه ها
HydroPSO, KINEROS۲, Particle Swarm Optimization (PSO), Rainfall-runoff, Simulation, hydroPSO, KINEROS۲, بهینه سازی انبوه ذرات, بارش-رواناب, شبیه سازیاطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.