واسنجي و تحليل عدم قطعيت مدل SWAP با استفاده از روش GLUE

تجزيه و تحليل عدم قطعيت پارامترها در مدل هاي هيدرولوژي و تشخيص ويژگي هاي آماري خروجي مدل براساس روابط موجود بين پارامترها و ورودي هاي مدل از مهم ترين موارد مدل سازي در هيدرولوژي به شمار مي آيد. در اين پژوهش روش عمومي عدم قطعيت تشابهات (GLUE) براي واسنجي و تحليل عدم قطعيت پارامترهاي هيدروليكي خاك در مدل آگروهيدرلوژي خاك-آب-اتمسفر-گياه (SWAP) نسبت به داده هاي رطوبت اندازه گيري شده در يك مزرعه تحت كشت ذرت واقع در دشت قيام در استان اصفهان مورد مطالعه قرار گرفت. نتايج نشان داد از بين شش پارامتر هيدروليكي خاك در مدل ونگنوختن-معلم، پارامترهاي ?r و Ks در روند واسنجي از قابليت تشخيص كمتري برخوردار بوده و بيشترين نقش در عدم قطعيت رطوبت شبيه سازي شده داشتند. همچنين، نتايج نشان داد كه نمي توان پارامترهاي هيدروليكي خاك در رابطه ونگنوختن-معلم را كه ماهيت برازشي دارند در فرآيند واسنجي ثابت فرض كرد. بررسي عدم قطعيت رطوبت شبيه سازي شده نشان داد كه روش GLUE به خوبي توانست تغييرات رطوبت را در نيمرخ خاك در طول دوره رشد محصول واسنجي كند به طوري كه اغلب داده هاي اندازه گيري شده (ميانگين 75 درصد) در محدوده ي اطمينان 95 درصد قرار گرفتند.

Parameter uncertainty analysis of hydrological models and identifying the statistical characteristics of model output based on the relation between model inputs and parameters is one of the most important issues in hydrological modeling. In this study, the Generalized Likelihood Uncertainty Estimation (GLUE) was used for calibration and uncertainty analysis of soil hydraulic parameters of SWAP (Soil, Water, Atmosphere and Plant) agro-hydrological model based on measured soil moisture in a maize field in Borkhar area, Isfahan province. Results showed that the ?r and Ks out of the six Van Genuchten-Mualem parameters, were the most non-identifiable parameters in calibration process and had much contribution into the soil moisture uncertainty in SWAP. Moreover, results confirmed that in Van Genuchten-Mualem equation, the soil hydraulic parameters are fitting parameters and fixing some of them during the calibration process was not realistic. Finally, results indicated that the GLUE method could successfully calibrate the model for soil moisture simulation during the growing season, with most of the measured data (about 75%) falling in the 95% confidence interval.