بررسي كارايي روش‌هاي ناپارامتريك مبتني بر تجزيه و تحليل باقيمانده‌ها و پارامتريك در برآورد عدم قطعيت مدل هيدرولوژيكي

The efficiency of nonparametric methods based on residual analizes and parametric method to estimate hydrological model uncertainty

به منظور تصميم‌گيري مناسب جهت اجراي اقدامات مديريتي نياز است تا علاوه بر خروجي مدل دامنه عدم قطعيت آن نيز برآورد گردد. در تحقيق حاضر كارايي روش‌هاي ناپارامتريك LEC (Local Errors and Clustering)، رگرسيون چندك و جنگل تصادفي در برآورد عدم قطعيت مدل يكپارچه HBV در حوضه چهل‌چاي استان گلستان بررسي گرديد. پس از بهينه‌‌سازي پارامترهاي مدل HBV با استفاده از روش تكامل تصادفي جوامع، مدل براي دوره‌هاي واسنجي و صحت سنجي اجرا و مقادير باقيمانده‌ها محاسبه گرديد. نتايج نشان داد با در نظر گرفتن متغيرهاي دبي برآوردي، دبي مشاهداتي، مقدار بارش و مقادير باقيمانده‌ها در حوضه مورد مطالعه داده‌هاي ورودي در چهار خوشه فازي قرار مي‌گيرند. نتايج برآورد عدم قطعيت نشان داد بزرگترين و كوچكترين مقدار دامنه عدم قطعيت به ترتيب توسط روش‌هاي LEC در حالتي كه توسط ماشين بردار رگرسيون آموزش ديده باشد و روش جنگل تصادفي، بدست آمده است. با توجه به مقادير شاخص‌هاي ارزيابي PICP (Prediction Interval Coverage Probability)، MPI (Mean Prediction Interval) و(Average Relative Interval Length) ARIL بهترين عملكرد مربوط به روش رگرسيون چندك و سپس روش LEC در حالتي كه آموزش داده نشده است، بود. در مقايسه با روش‌هاي ناپارامتريك، روش(Generalized Liklihod Uncertainty Estimation) GLUE با توجه به مقادير هر سه معيار ارزيابي عملكرد مناسبي نداشت.

Despite modern scientific knowledge and computational power in hydrology, the key to properly addressing hydrologic uncertainty remains a critical and challenging one. Here, we applied lumped HBV hydrological model to describe the uncertainty in runoff prediction in Chehl-Chay watershed in Golestan province. We applied a new framework for uncertainty analysis that is rooted on ideas from predicting model residual uncertainty. The uncertainty calculated by local Errors and Clustering (EEC) is compared with estimates from two non parametric methods (quantile regression (QR) and random forest (RF)) and a parametric method (GLUE). Firstly, the model parameters were optimized by Shuffled Complex Evolution approach and model residuals of test data were computed. Fuzzy clustering in EEC is carried out by the fuzzy c-means method and employs four clusters, predictive discharges, observed discharges, rainfall values and residuals in study basin. The results of this case study show that the uncertainty estimates obtained by EES which is trained by SVM gives wider uncertainty band and RF gives narrower uncertainty band. The best overall uncertainty estimates according to the PICP, MPI and ARIL indices were obtained with QR and then EEC. In comparison with non-parametric, with respct to all indices nonparametric methods had better performance than GLUE method.