كليدواژه :
رواناب , زيرحوضه بحراني , مدل SWMM , روش TOPSIS
چكيده فارسي :
جاري شدن رواناب در نواحي شهري، باعث آب‌گرفتگي معابر مي‌شود. اين موضوع همواره مشكلات زيادي را به همراه دارد. شناسايي مناطق مستعد وقوع سيلاب‌هاي شهري و نقاط داراي آب‌گرفتگي، مي‌تواند كمك زيادي به برنامه‌ريزي براي جلوگيري و كنترل سيلاب‌هاي احتمالي كند. در اين پژوهش با استفاده از مدل SWMM، شبكه جمع‌آوري رواناب سطحي شهر شهركرد، در دوره بازگشت‌هاي 2، 5 و 10 ساله شبيه‌سازي شد. واسنجي مدل در 2 رويداد رگباري بر روي پارامتر عمق رواناب در چند كانال و گره تصادفي انجام شد. با انجام آناليز حساسيت بر روي پارامتر‌هاي تأثيرگذار بر ميزان رواناب كل حوضه، پارامتر عرض معادل به‌عنوان حساس‌ترين پارامتر حوضه شناخته شد. پس از انجام كاليبراسيون، صحت‌سنجي با مقدار بهينه در 2 رويداد رگباري ديگر انجام شد. براي تعيين خطاي مدل‌سازي از ضرايب NSE، RMSE، و درصد BIAS، در مراحل واسنجي و صحت‌سنجي استفاده شد كه به‌عنوان نمونه مقدار ضريب NSE، در مرحله واسنجي بيشتر از 8/0 و در مرحله صحت‌سنجي بيش از 9/0 به دست آمد. اين نتايج نشان از دقت خوب شبيه‌سازي دارد. نتايج مدل SWMM نشان داد شبكه جمع‌آوري رواناب سطحي كفايت لازم را براي عبور رواناب سطحي در دوره بازگشت‌هاي مختلف ندارد و زيرحوضه‌هاي 20، 90، 25، 39 و 99 به‌ترتيب داراي بيشترين مقدار رواناب هستند. نتايج روش TOPSIS نيز نشان داد كه بحراني‌ترين زيرحوضه‌ها، به‌ترتيب 92، 20، 25، 39 و 90 هستند. اغلب اين زيرحوضه‌ها در مناطق جنوبي شهر واقع شده‌اند. در اين مناطق به‌دليل تراكم زياد مناطق مسكوني و تجاري و عدم وجود فضاي سبز كافي درصد مناطق نفوذناپذير و در نتيجه ميزان رواناب توليدي، افزايش يافته است. مقايسه نتايج مدل SWMM و روش TOPSIS نشان از تطابق 80 درصدي در انتخاب زيرحوضه‌هاي بحراني دارد. بنابراين استفاده از الگوريتم‌هاي تصميم‌گيري چند شاخصه‌اي مانند روش TOPSIS مي‌تواند دقت مدل SWMM را در انتخاب و اولويت‌بندي زيرحوضه‌هاي بحراني، افزايش دهد. در نتيجه استفاده از اين روش باعث بهبود روند تصميم‌گيري در مواقع بحراني مي‌شود.
چكيده لاتين :
Runoff in urban areas causes road flooding. This issue has many problems in itself. Identifying areas prone to urban floods and flood-prone areas can greatly assist in planning of prevention and control of possible floods. In this study, using SWMM model, Shahrekord surface runoff collection network was simulated in 2, 5 and 10 year return periods. Model calibration was performed on 2 rainfall events on runoff depth parameter in several canal and random nodes. Sensitivity analysis was performed on the parameters affecting the total runoff of the catchment, and the equivalent width parameter was identified as the most sensitive parameter of the catchment. After calibration, validation was performed with optimum values in 2 other rainfall events. NSE, RMSE, and BIAS% coefficients were used to determine the modeling error in the calibration and validation steps in witch the values of the coefficient of NSE obtained more than 0.8 in calibration and more than 0.9 in validation. These results showed that the simulation has a good accuracy. Results of SWMM model showed that surface runoff collection network is not sufficient for passing surface runoff during different return periods and the sub catchments 20, 90, 25, 39 and 99 have the highest amount of runoff, respectively. The results of TOPSIS method also showed that the most critical sub catchments are 92, 20, 25, 39 and 90, respectively. Most of these sub catchments are located in the southern part of the city. Due to the high density of residential and commercial areas and the lack of enough green space, the percentage of impermeable areas has been developed and as a result, the production of runoff has been increased. Comparison of SWMM model and TOPSIS method results shows 80% compliance in the selection of critical sub catchments. Therefore, using multi-criteria decision making algorithms such as TOPSIS can increase the accuracy of SWMM model in selecting and prioritizing the critical sub catchments. As a result, using this approach improves the decision making process in critical times.
