تحليل عدم قطعيت در برآورد پارامترهاي مدل توزيعي بارش- رواناب با كاربرد الگوريتم مونت‌كارلو- زنجير‌ ماركف

Parameters Uncertainty Analysis in distributed single- event rainfall-runoff model with MCMC approach

يافتن مقادير بهينه براي پارامترهاي هر مدل شبيه‌سازي كاري است كه همواره با شك و ترديد همراه است. به طوري كه به عنوان مثال يك هيدرولوژيست با وجود مهارت و تجربه بالا هم نمي‌تواند به نتايج برآورد خود اطمينان كافي داشته باشد. در تحقيق حاضر، محدوده اطمينان و توزيع احتمالاتي پسين براي دبي خروجي و پارامترهاي يك مدل توزيعي بارش- رواناب به كار رفته در حوضه ابوالعباس در استان خوزستان با استفاده از الگوريتم عدم قطعيت DREAM مبتني بر مونت كارلو- زنجيره ماركف كه اخيراً توسعه يافته است، تعيين شد. تعداد چهار رويداد براي واسنجي و دو رويداد براي صحت‌سنجي توزيع‌هاي پسين پارامترها به كار گرفته شد. مدل هيدرولوژيك توزيعي AFFDEF توسعه يافته در زبان برنامه‌نويسيFortran به دليل خطاي كمتر آن (نسبت به مدل‌هاي يكپارچه) كه ناشي از تخصيص مقادير ورودي براي هر سلول است، در اين تحقيق به كار گرفته شد. نتايج رويداد‌هاي دوره‌هاي واسنجي و صحت‌سنجي نشان داد كه دبي‌هاي اوج هيدروگراف كه يكي از مهمترين مولفه‌هاي آن است به خوبي در بازه‌هاي اطمينان 95 درصد تعيين شده قرار مي‌گيرند. در مورد نقاط ابتدايي و انتهايي، شرايط اوليه مدل و خطاهاي موجود در روش‌هاي تعيين دبي پايه براي رويداد‌هاي كوتاه مدت باعث شده اند تا به خوبي برآورد نشوند و تا حدودي خارج از محدوده اطمينان شبيه‌سازي شده قرار گيرند. كارآيي بالاي الگوريتم DREAM در سرعت بالاي رسيدن به همگرايي براي تمام زنجيره‌ها از ديگر ويژگي‌هاي خاص اين الگوريتم است.

So far flood forecasting and simulation in hydrologic literature suffers from lack of explicit recognition of forcing, parameters, and model structural error. However, since any model is a simplification of reality, there remains a great deal of uncertainty even after the calibration of model parameters. Hydrologic models often contain parameters that cannot be measured directly but which can only be inferred by a trial-and-error (calibration) process that adjusts the parameter values to closely match the input-output behavior of the model to the real system it represents. This work addresses calibration of spatially physically based rainfall-runoff model (AFFDEF) implemented in FORTRAN language programming and implemented to quantify parameter uncertainty and its effect on the prediction of streamflow for Abolabbas subwatershed (284 km2) located in Khuzestan Province. This research was intended to take advantage of novel Markov chain Monte Carlo (MCMC) sampler entitled DiffeRential Evolution Adaptive Metropolis (DREAM) that is especially designed to estimate the posterior probability density function of hydrologic model parameters efficiently in complex high-dimensional sampling problems. The results for calibration period showed that observational discharge values especially peak values bracketed well within %95 confidence interval. Regarding rising and recession limb as a result of initial conditions and uncertainties originating from baseflow determination procedures have caused predictions to be out confidence interval. Updating the scale and orientation of proposed distribution during sampling is the main advantage of MCMC scheme compared to some other models such as SCEM-UA algorithm as another MCMC method.