ارزیابی تاثیر توابع هدف غیرهمسو در واسنجی چندهدفه مدل هیدرولوژیکی SWAT، مطالعه موردی: حوزه آبخیز قره سو کرمانشاه

سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 55

فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JWEM-15-4_009

تاریخ نمایه سازی: 3 دی 1402

چکیده مقاله:

مقدمه یکی از راه های برآورد مقدار رواناب حاصل از بارش، استفاده از مدل های هیدرولوژیکی است. مدل SWAT، یکی از ابزارهای پرکاربرد در سطح حوزه آبخیز در شبیه سازی کمیت و کیفیت آب است. این مدل، یک مدل مفهومی است که قادر است حوضه های بزرگ با سناریوهای مدیریتی مختلف را شبیه سازی کند. از جمله چالش های مهم مدل مذکور و بسیاری از مدل های هیدرولوژیکی، واسنجی پارامترهای موثر و حساس در برآورد مقدار رواناب است. به طور کلی، روش های واسنجی را می توان به دو گروه دستی و خودکار تقسیم کرد. واسنجی یک مدل به صورت دستی، نیازمند این است که مدل ساز، شناخت خوبی نسبت به فیزیک مد ل داشته باشد. از سویی، به دلیل وقت گیر بودن و پیچیدگی های موجود و همچنین، توسعه الگوریتم های جدید بهینه سازی، امروزه واسنجی خودکار بیشتر مورد توجه قرار گرفته است. واسنجی خودکار بر پایه سه مولفه تابع هدف، الگوریتم بهینه سازی و اطلاعات ایستگاه ها بنا شده است. استفاده از یک تابع هدف در واسنجی یک مدل ممکن است موجب افزایش خطا در برخی دیگر از جنبه های شبیه سازی شود و همچنین، تجربه های علمی در زمینه واسنجی تک هدفه نشان داده است که هیچ تابع هدفی هرچند با کارایی بالا، به تنهایی نمی تواند ویژگی ها و خصوصیات حوضه را به درستی نشان دهد. لذا، به کارگیری راه حل بهینه سازی مناسب به منظور بهبود نتایج واسنجی شامل استفاده از یک الگوریتم بهینه سازی مناسب با چندین تابع هدف، برای شناسایی مجموعه جواب های کارآمد است. مواد و روش ها حوزه آبخیز مورد مطالعه در غرب ایران و در استان کرمانشاه، با مساحت ۵۴۶۷ کیلومتر مربع، واقع شده است. کمینه و بیشینه ارتفاع آن، ۱۲۷۵ و ۳۳۶۰ متر است. متوسط بارندگی حوضه، حدود ۵۰۵ میلی متر بوده است که بیشترین بارش در ماه های آبان و آذر و کمترین بارش در ماه های تیر و مرداد رخ می دهد و سه رودخانه اصلی مرک، قره سو و رازآور در این حوضه جریان دارند. در این پژوهش، مدل بارش-رواناب SWAT، با استفاده از الگوریتم NSGA-II تحت سه سناریو واسنجی شد. برای واسنجی این مدل، در سناریوی اول، از تابع هدف NSE که به جریان های بیشینه توجه دارد، استفاده شد. در سناریوی دوم، برای تمرکز بر جریان های کمینه، پس از تبدیل لگاریتمی دو سری جریان رواناب شبیه سازی شده و مشاهداتی، ضریب کارایی NSE به عنوان تابع هدف اتخاذ شد که به صورت LogNSE نمایش داده می شود. سناریوی آخر، تلفیقی از دو سناریوی اول و دوم بود. به طوری که توابع هدف غیرهمسوی NSE و LogNSE به صورت همزمان مورد استفاده قرار گرفتند. نتایج و بحث نتایج این پژوهش، نشان داد که با توجه به مقادیر شاخص ارزیابی NSE برابر با ۰.۸۳، ۰.۷۴ و ۰.۸۳ برای سناریوهای اول تا سوم و بیش برآوردی مدل و بررسی نمودار جریان در سناریوی اول و تمایل بیشتر برای حرکت به سمت دبی های بالا، این سناریو برای برآورد جریان های بیشینه، کارآمدتر خواهد بود. همچنین، با توجه به شاخص ارزیابی LogNSE، مقادیر ۰.۶۹، ۰.۷۴ و ۰.۷۲ برای سناریوهای اول تا سوم، سناریوی دوم با تک هدف LogNSE در دبی های کمینه، عملکرد بهتری دارد. اما مدل ساخته شده با استفاده از دو تابع هدف غیرهمسو، سعی بر ایجاد توازن داشته است و عملکرد مطلوبی در تخمین همزمان رواناب های بیشینه و کمینه دارد. نتیجه گیری به طور کلی می توان گفت، در صورتی که هدف مطالعه بررسی دبی های بیشینه و کمینه، یعنی مطالعات سیلاب یا خشکسالی باشد، الگوریتم های تک هدفه عملکرد مطلوب تری خواهند داشت. در صورتی که با هدف کنترل بیلان آبی و عملکرد مطلوب یک مدل در دو سوی دبی های بیشینه و کمینه، مدلسازی انجام شود، سناریوی دو هدفه با رویکرد غیرهمسو می تواند نتیجه بهتری نسبت به الگوریتم های تک هدفه داشته باشد.

نویسندگان

اشکان بنی خدمت

دانشجوی دکتری، مهندسی و مدیریت منابع آب، دانشکده مهندسی عمران، دانشگاه صنعتی شاهرود، ایران و کارشناس برنامه ریزی طرح های شرکت آب و فاضلاب استان گیلان، ایران

حسین صالحی

کارشناس ارشد، مهندسی و مدیریت منابع آب، دانشکده مهندسی عمران، دانشگاه صنعتی شاهرود، ایران

سعید گلیان

دانشیار گروه مهندسی و مدیریت منابع آب، دانشکده مهندسی عمران، دانشگاه صنعتی شاهرود، ایران و محقق ارشد، دانشکده جغرافی، دانشگاه مینوث، ایرلند

فرشاد کوهیان افضل

دکتری هیدرولوژی و منابع آب، موسسه تحقیقات آب، تهران، ایران

نازنین عزتی بورستان

دانشجوی دکتری، مهندسی ژئوتکنیک، دانشکده مهندسی عمران، دانشگاه محقق اردبیلی، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Abbaspour, K.C., ۲۰۱۵. SWAT Calibration and Uncertainty Programs (CUP), a ...
  • Abbaspour, K.C., Johnson C., Genuchten, M.T., ۲۰۰۴. Estimating uncertain flow ...
  • Abbaspour, K.C., Rouholahnejad, E., Vaghefi, S., Srinivasan, R., Yang, H., ...
  • Abbaspour, K.C., Vejdani, M., Haghighat, S., Yang, J., ۲۰۰۷. SWAT-CUP ...
  • Abbaspour, K.C., Yang, J., Maximov, I., Siber, R., Bogner, K., ...
  • Ahmadi, A., Jalali, J., Mohammadpour, A., ۲۰۲۲. Future runoff assessment ...
  • Ambrosio, D.D., Spataro, W., Rongo, R., ۲۰۱۳. Genetic algorithms, optimization ...
  • Arnold, J.G., Allen, P.M., ۱۹۹۶. Estimating hydrologic budgets for three ...
  • Arnold, J.G., Moriasi, D.N., Gassman, P.W., Abbaspour, K.C., White, M.J., ...
  • Arnold, J.G., Srinivasa, R., Muttiah, R.S., Williams, J.R., ۱۹۹۸. Large ...
  • Barezaei, A., Jalali, J., ۲۰۲۳. A comparison of simulated runoff ...
  • Bekele, E.G., Nicklow, J.W., ۲۰۰۷. Multiobjective automatic calibration of SWAT ...
  • Brighenti, T.M., Bonuma, N.B., Grison, F., Mota, A.D.A., Kobiyama, M., ...
  • Chen, L., Qio, J., Wei, G., Shen, Zh., ۲۰۱۴. A ...
  • Chilkoti, V., Bolisetti, T., Balachandar, R., ۲۰۱۸. Multi-objective autocalibration of ...
  • Deb, K., ۲۰۱۱. Multi-objective optimization using evolutionary algorithms: an introduction, ...
  • Deb K., Pratap, A., Agarwal, S., Meyarivan, T., ۲۰۰۲. A ...
  • Eckhardt, K., Arnold, J.G., ۲۰۰۱. Automatic calibration of a distributed ...
  • Ercan, M.B., Goodall, J.L., ۲۰۱۷. Design and implementation of a ...
  • Francesconi, W.R., Srinivasan, P.M.E., Willcock, S.P., Quintero, M., ۲۰۱۶. Using ...
  • Gassman, P.W., Reyes, M.R., Green, C.H., Arnold, J.G., ۲۰۰۷. The ...
  • Golian, S., Murphy, C., Meresa, H., ۲۰۲۱. Regionalization of hydrological ...
  • Gupta, H.V., Sorooshian, S., ۱۹۹۸. Toward improved calibration of hydrologic ...
  • Gupta, H.V., Sorooshian, S., Yapo, P.O., ۱۹۹۹. Status of automatic ...
  • Gupta, H.V., Kling, H., Yilmaz, K.K., Martinez, G.F., ۲۰۰۹. Decomposition ...
  • Jajarmizadeh, M., Sidek, L.K., Harun, S., Salarpour, M., ۲۰۱۷. Optimal ...
  • Jalali, J., Ahmadi, A., Abbaspour, K., ۲۰۲۱. Runoff responses to ...
  • Jong, W.S., ۲۰۱۸. Efficient flow calibration method for accurate estimation ...
  • Kang, H., Moon, J., Shin, Y., Ryu, J., Kum, D.H., ...
  • Mengistu, A.G., Rensbur, L.D.V., Woyessa, Y.E., ۲۰۱۹. Techniques for calibration ...
  • Paul, M., Negahban-azar, M., ۲۰۱۸. Sensitivity and uncertainty analysis for ...
  • Rajib, M.A., Merwade, V., Yu, Zh., ۲۰۱۶. Multi-objective calibration of ...
  • Remegio, B., Confesor, J., Whittaker, G.W., ۲۰۰۷. Automatic calibration of ...
  • Rusli, N., Majid, M.R., Yusop, Z., Tan, L.M., Hashim, S., ...
  • Salehi, H., Sadeghi, M., Golian, S., Nguyen, P., Murphy, C., ...
  • Sorooshian, S., Gupta, V.K., Fulton, J.L., ۱۹۸۳. Evaluation of maximum ...
  • Srinivas, N., Deb, K., ۲۰۰۱. Multiobjective optimization using nondominated sorting ...
  • Tan, M.L., Gassman, Ph., Yang, X., Haywood, J., ۲۰۲۰. A ...
  • Vrugt, J.A., Gupt, H.V., Bastidas, L.A., Bouten, W., Sorooshian, S., ...
  • Yapo, P.O., Gupta, H.V., Sorooshian, S., ۱۹۹۶. Automatic calibration of ...
  • Yapo, P.O., Gupta, H.V., Sorooshian, S., ۱۹۹۸. Multi-objective global optimization ...
  • Zhang, X., Srinivasan, R., Leiw, M.V., ۲۰۰۸. Multi‐site calibration of ...
  • نمایش کامل مراجع