مدل‌سازی اطلاعات محورسببی فرآیند پویای بارش – رواناب: مطالعه موردی حوضه کارون علیـا
محورهای موضوعی :
نوید جلال‌کمالی
1
(دانشجوی دوره دکتری هیدرولوژی و منابع آب،دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران.)
حسین صدقی
2
(استاد هیدرولوژی،دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران.)
کلید واژه: مدل‌سازی اطلاعات محورسببی, فرآیند بارش, رواناب, تخمین برگشتی, مدل‌مخزن خطی, فرآیند جریان موازی,
چکیده مقاله :
بخش عمده‌ای از مطالعات هیدرولوژی بر مدل‌سازی فرآیند پیچیده و غیرخطی بارش – رواناب متمرکز است. مدل‌های ارایه شده جهت تبیین رفتار این فرآیند شامل دامنه گسترده‌ای از مدل‌های جعبه سیاه تا مدل‌های حجیم مبتنی بر معادلات حاکم بر فیزیک سیستم می باشند. نظر به وجود عدم اطمینان حاکم بر فرآیند مذکور در خصوص ورودی‌های مدل و پارامترهای واسنجی‌شده، به نظر می‌رسد که مدل‌سازی استوکاستیک فرآیند نسبت به مدل‌سازی قطعی ارجحیت دارد. در این تحقیق شناسایی و تخمین روابط غیرخطی عملگر در فرآیند مذکور از طریق رهیافت اطلاعات محور سببی(DBM) می‌باشد. روش مذکور یک روش استوکاستیک مدل‌سازی مبتنی بر تخمین برگشتی پارامترها توسط صافی کالمن در سیستم معادلات فضای حالت است که علاوه بر ارایه مدلی جهت تشریح رفتار حوضه در پاسخ به پالس‌های ورودی بارش، قادر به انعکاس تفسیری فیزیکی از نحوه تبدیل بارش به رواناب نیز می‌باشد. جنبه اخیر شاخص‌ترین ویژگی این روش مدل‌سازی است که آن را از سایر روش‌های مدل‌سازی جعبه سیاه متمایز می‌سازد. آزمون رهیافت مذکور بر اطلاعات مشاهداتی حوضه کارون علیا از زیرحوضه‌های اصلی رودخانه کارون بزرگ، آشکار‌کننده یک طبیعت موازی محتمل در روندیابی بارش ورودی بود. نهایتاً بر اساس روش مونت کارلو، نتایج حاصله تحت تحلیل حساسیت قرار گرفتند و میزان اعتمادپذیری آنها کمی شد.
A major part of hydrological researches focused on complex and non-linear rainfall-runoff process. Mathematical models were presented to describe this process including a wide range from simple black-box representation to complex physically-based models. Considering inherent uncertainty associated with the process as a result of uncertain input variables and uncertain calibrated parameters, stochastic modeling seemed preferable to deterministic approaches. In this study, data-based mechanistic modeling (DBM) was selected to identify non-linearities of the process. The method is categorized as a stochastic approach relying upon recursive parameter estimation using Kalman filtering algorithm in state space system of equations. In addition, it is capable to reflect a physical interpretation of rainfall-runoff conversion to describe the behavior of the system. The later capability differs it from other black-box modeling approaches. In this research, a parallel structure of flow routes was identified in upper-Karoun subbasin of the great Karoun catchment. Sensitivity analysis was also carried out based on Monte Carlo simulation (MCS) method and the reliability of the presented model were quantified.
1- جلال کمالی، ن. 1384. بررسی و بازنگری در شیوه استفاده از اطلاعات منطقه‌ای و ویژگی‌های زمانی و مکانی بارش و تلفات در شبیه‌سازی جریان به کمک مدل‌های بارش – رواناب در حوضه آبریز کارون. رساله دکتری، دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران. 140صفحه.
2- صدقی، ح. 1371. ارزیابی و برآورد ابعاد حداکثر بارش و سیلاب متحمل حوضه آبریز کارون در پل‌شالو به عنوان معیار طراحی سد کارون 3. شرکت توسعه منابع آب و نیروی ایران، تهران،200 صفحه.
3- صدقی، ح. 1379. پروژه بهروزرسانی و بررسی گزارشات مطالعات هیدرولوژی سیلاب گتوند – گزارش نهایی. شرکت خدمات مهندسی برق مشانیر، تهران، 165 صفحه .
4. Beven, K. J. 2001. Rainfall-runoff modelling: the primer. Chichester: J. Willey. 360 .
5. Young, P.C. 2002a. Advances in real-time flood forecasting. CRES report number TR/176, Lancaster University Press, UK.
6. Young, P.C . and K. J. Beven. 1994. Data based mechanistic modeling and rainfall – flow non-linearity. Environmetrics. 5: 335-363.
7. Young, P.C., C. J. Taylor, W. Tych, D.J. Pedregal, and P.G. McKenna. 2004. The Captain Toolbox. Center for research on environmental systems and statistics, Lancaster university. U.K.
_||_