مقايسه عملكرد دو مدل هيدرولوژيكيIHACRES و GR2M در شبيه سازي جريان ماهانه حوضه آبخيز دره تخت

Comparing The Performance Of Two Hydrological Models, IHACRES And GR2M For Simulating Monthly Flow Of Dareh-Takht Basin

مدل سازي فرايند بارش-رواناب از اهميت به سزايي برخوردار مي باشد. نتايج مدل هاي بارش-رواناب به طور مستقيم در مسائلي از قبيل مديريت منابع آب، كنترل سيلاب و طراحي سازه هاي هيدروليكي مورد استفاده قرار مي گيرد. با توجه به تنوع مدل هايبارش رواناب دردسترس، انتخاب يك مدل مناسب براي حوضه از جهت بهره وري و مديريت منابع آب مهم مي باشد.در اين پژوهش كارايي دو مدل بارش–رواناب IHACRES و GR2M در شبيه سازي جريان ماهانه حوضه دره تخت در بازه زماني 92-1379 مورد ارزيابي قرار گرفت. مدل ها در حوضه مورد مطالعه، واسنجي و اعتبار سنجي گرديدند. ميزان خطاي بين مقادير جريان مشاهده اي و شبيه سازي شده بر اساس معيارهاي نش، مجذور ميانگين مربعات خطا و خطاي كل در حجم جريان برآورد گرديد. شبيه سازي ها حاكي از عملكرد رضايت بخش دو مدل در شبيه سازي جريان است. همچنين نتايج نشان داد كه مدل IHACRES با ضريب نش ۰/۷ و معيار خطاي 56/ نسبت به مدل GR2M از عمكرد بهتري بر خوردار بود.

Modeling of the rainfall-runoff process is important. The Results of the rainfall-runoff models have been used directly on issues such as water resource management, flood control and design of hydraulic structures. According to variety of accessible rainfall runoff models, selecting an appropriate model for a basin is important in terms of productivity and water resources management. In this study the performance of two rainfall–runoff models, IHACRES and GR2M in simulation of monthly flow were evaluated in Darhe Tkaht basin between 2000 and 2013 time. The models in the study region were calibrated and validated. The error between observed and simulated flow values was estimated based on the criteria Nash, root mean square error and the total flow volume error. Simulations is indicative satisfactory performance of two models in monthly flow simulation. In addition, the results show that the HACRES model simulate monthly flow with The Nash coefficient 0.7 and RMSE 0.56, better than the GR2M model.