بهينه‌سازي پارامترهاي مدل KINEROS2 با استفاده از الگوريتم PSO براي شبيه‌سازي رخداد سيلاب (مطالعه موردي: حوزه تمر استان گلستان)

Parameters Optimization of KINEROS2 using Particle Swarm Optimization Algorithm for Single Event Rainfall-Runoff Simulation (Case Study: Tamar Watershed, Golestan, Iran)

شبيه‌سازي بارش- رواناب به‌منظور برنامه‌ريزي و مديريت منابع آب در حوزه‌هاي آبخيز نيازمند استفاده از مدل‌هاي مفهومي هيدرولوژيكي بهينه‌شده است. در اين تحقيق از بسته بهينه‌سازي hydroPSO به‌منظور واسنجي و بهينه‌سازي پارامترهاي مدل بارش-رواناب KINEROS2 (K2) در حوزه آبخيز تمر در استان گلستان استفاده شد. بدين منظور از 4 واقعه رگباري در تاريخ‌هاي مختلف استفاده شد. نتايج حاكي از كارايي بهتر مدل در شبيه‌سازي هيدرولوژيك واقعه رگباري شماره 2 مي‌باشد كه در اين شبيه‌سازي، ضريب تبيين (R2) و ضريب نش (NSE) به ترتيب برابر با 9084/0 و 92/0 به دست آمد. شبيه‌سازي بر اساس وقايع رگباري شماره 3 و 4 با ضرايب NSE برابر با 89/0 و 86/0 توانست منجر به برازش به ترتيب عالي و خوب ركوردهاي شبيه‌سازي‌شده بر ركوردهاي مشاهداتي شود. تحليل حساسيت نشان داد كه پارامترهاي Ks_p، Ks_c، n_p، n_c، CV_p و Sat به ترتيب مهم‌ترين و مؤثرترين پارامترها در فرآيند واسنجي مدل K2 به شمار مي‌روند. توزيع فراواني برخي از پارامترها مانند Ks_p و n_c داراي شكل زنگوله‌اي با اوج تيزتر مي‌باشد كه اين خود نشان‌دهنده عدم قطعيت كمتر تحميل‌شده از جانب اين پارامترها بر مدل است. اما برخي از پارامترها مانند In، COV، Por_p و Dist_p توزيع فراواني يكنواختي را نشان مي‌دهند. تفسير بصري نمودارهاي جعبه‌اي نشان مي‌دهد كه در 6 پارامتر Ks_c، n_c، G_c، Rock، Dist_c و Smax ارزش بهينه پارامتر به‌دست‌آمده در فرآيند واسنجي منطبق بر ميانه ارزش‌هاي نمونه‌برداري شده است كه اين مطلب مؤيد اين است كه اكثر ذرات به سمت يك منطقه كوچك از فضاي پاسخ هدايت ‌شده‌اند. نمودارهاي نقطه‌اي نيز نشان مي‌دهند كه ارزش‌هاي بهينه پارامترهاي Ks_p، Ks_c و n_c دامنه محدودي از فضاي پارامتري را كه راندمان بالاي مدل K2 را ايجاد مي‌كند، اشغال مي‌نمايند. به‌عبارت‌ديگر كارآيي مدل بيشتر تحت تأثير اندركنش پارامترهاي Ks و n مي‌باشد. تحليل همبستگي نيز نشان داد كه بالاترين ضريب همبستگي NSE در درجه اول با پارامترهاي Ks­_p، Ks_c و n_p و سپس با پارامترهاي CV_p، G_c، Por_p، Dist_p و Smax به دست آمد. نتايج اين تحقيق نشان داد كه بسته بهينه‌سازي hydroPSO مي‌تواند با موفقيت با مدل K2 تلفيق‌شده و با سرعت و كارآيي بالايي پارامترهاي مدل را واسنجي و بهينه‌سازي نمايد.

Simulation of rainfall-runoff process for planning and management of water resources and watersheds requires the use of a conceptual optimized hydrological model. In this study, the hydroPSO package was employed to optimize KINEROS2 (K2) parameters applied in the Tamar watershed, Iran. Four storm events were utilized in hydrograph simulation. Results indicated better efficiency of K2 based on the event #2 with the coefficient of determination and Nash-Sutcliffe Efficiency (NSE) of 0.9084 and 0.92, respectively. The events #3 and #4 with NSE of 0.89 and 0.86 showed the excellent and very good fitness of simulated flow compared to observed flow, respectively. Sensitivity analysis established that the parameters Ks_p, Ks_c, n_p, n_c, CV_p and Sat were the most effective parameters in K2 calibration, respectively. The posterior distributions of some parameters such as Ks_p and n_c appeared to be more sharply peaked than other parameters which established less uncertainty in hydrological modeling. Visual inspection of boxplots showed that for 6 out of 16 parameters (Ks_c, n_c, G_c, Rock, Dist_c and Smax) the optimum value found during the optimization coincided with the median of all the sampled values confirming that most of the particles converged into a small region of the solution space. Dotty plots showed that the optimum values found for Ks_p, Ks_c, and n_c define a narrow range of the parameter space with high model performance. On the other hand, the model performance was more impacted by the interaction of Ks and n parameters. The parameters CV_p and n_p showed a wider range of the optimized levels. Correlation analysis revealed that the highest linear correlation between the NSE and K2 parameters was obtained for the Ks­_p, Ks_c and n_p, followed by CV_p, G_c, Por_p, Dist_p and Smax. Conclusively, this work demonstrated the capability of hydroPSO in optimization of the K2 as an event-based hydrological model.