كاهش خطاي شبيه سازي فرآيند بارش-رواناب با بكارگيري تكنيك داده گواري در مدل هيدرولوژيكي SWAT

Reducing Error of Rainfall-Runoff Simulation Using Coupled Hydrological SWAT Model and Data Assimilation Technique

مدل سازي فرآيند بارش-رواناب با انبوهي از پارامترها و داده هاي اقليمي همراه است كه ارائه يك مدل شبيه ساز مناسب با حداقل خطا از چالش هاي مطالعات گذشته بوده است. عدم اطمينان و قطعيت بر صحت داده ها و پارامترهاي ورودي مدل هاي شبيه سازي منجر به توليد خطا مي شود كه تاثير قابل توجهي بر پيش بيني هاي بلند مدت و سياست هاي مديريتي مي گذارد. در اين مطالعه از مدل مفهومي آب و خاك SWAT به منظور شبيه سازي فرآيند بارش-رواناب در زير حوضه آبريز چلگرد استفاده مي شود. به منظور ارائه يك مدل مناسب، تكنيك داده گواري فيلتر كالمن مجموعه اي (EnKF) جهت به روزرساني و اصلاح منابع توليد خطا در مدل سازي به كار برده مي شود كه اين منابع شامل پارامترها و داده هاي ورودي مدل مي باشد. نتايج بدست آمده از مدل اصلاحي ارائه شده با معيار ارزيابي Nash-Sutcliff سنجيده شده كه مدل اصلاحي با ضريب 0.86 عملكرد بهتري نسبت به مدل توسعه يافته بدون تكنيك EnKF از خود نشان مي دهد و همچنين ضريب Nash-Sutcliff براي دوره صحت سنجي به 0.82 ارتقاء مي يابد.

Modeling conceptual rainfall-runoff procedure involves large number of parameters and climate data. Uncertainty in these input parameters are very likely which lead to output errors as well as impractical prediction of long-term impact of management policies. In this study Soil and Water Assessment Tool (SWAT) is implemented to simulate rainfall-runoff process in Chelgerd sub-basin. To develop appropriate model with acceptable and reliable performance, Ensemble Kalman filter (EnKF) as data assimilation technique is used to assimilate the variables of model which are known as sources of error product; these sources include model parameters and input data. The paper in concluded that EnKF as a data assimilation technique is capable of reducing the computational error inherited in the simulation model. Results of proposed model is evaluated by Nash-Sutcliff (NS) factor with value of 0.86 which have better performance than modeling without EnKF technique. Also developed model performance is improved with NS value of 0.82 for validation period.