بهینه سازی پارامترهای مدل KINEROS۲ با استفاده از الگوریتم PSO برای شبیه سازی رخداد سیلاب (مطالعه موردی: حوزه تمر استان گلستان)
Publish place: Journal of Watershed Management Research، Vol: 9، Issue: 18
Publish Year: 1397
نوع سند: مقاله ژورنالی
زبان: Persian
View: 230
This Paper With 20 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JWMR-9-18_009
تاریخ نمایه سازی: 4 مهر 1400
Abstract:
شبیه سازی بارش- رواناب به منظور برنامه ریزی و مدیریت منابع آب در حوزه های آبخیز نیازمند استفاده از مدل های مفهومی هیدرولوژیکی بهینه شده است. در این تحقیق از بسته بهینه سازی hydroPSO به منظور واسنجی و بهینه سازی پارامترهای مدل بارش-رواناب KINEROS۲ (K۲) در حوزه آبخیز تمر در استان گلستان استفاده شد. بدین منظور از ۴ واقعه رگباری در تاریخ های مختلف استفاده شد. نتایج حاکی از کارایی بهتر مدل در شبیه سازی هیدرولوژیک واقعه رگباری شماره ۲ می باشد که در این شبیه سازی، ضریب تبیین (R۲) و ضریب نش (NSE) به ترتیب برابر با ۹۰۸۴/۰ و ۹۲/۰ به دست آمد. شبیه سازی بر اساس وقایع رگباری شماره ۳ و ۴ با ضرایب NSE برابر با ۸۹/۰ و ۸۶/۰ توانست منجر به برازش به ترتیب عالی و خوب رکوردهای شبیه سازی شده بر رکوردهای مشاهداتی شود. تحلیل حساسیت نشان داد که پارامترهای Ks_p، Ks_c، n_p، n_c، CV_p و Sat به ترتیب مهم ترین و موثرترین پارامترها در فرآیند واسنجی مدل K۲ به شمار می روند. توزیع فراوانی برخی از پارامترها مانند Ks_p و n_c دارای شکل زنگوله ای با اوج تیزتر می باشد که این خود نشان دهنده عدم قطعیت کمتر تحمیل شده از جانب این پارامترها بر مدل است. اما برخی از پارامترها مانند In، COV، Por_p و Dist_p توزیع فراوانی یکنواختی را نشان می دهند. تفسیر بصری نمودارهای جعبه ای نشان می دهد که در ۶ پارامتر Ks_c، n_c، G_c، Rock، Dist_c و Smax ارزش بهینه پارامتر به دست آمده در فرآیند واسنجی منطبق بر میانه ارزش های نمونه برداری شده است که این مطلب موید این است که اکثر ذرات به سمت یک منطقه کوچک از فضای پاسخ هدایت شده اند. نمودارهای نقطه ای نیز نشان می دهند که ارزش های بهینه پارامترهای Ks_p، Ks_c و n_c دامنه محدودی از فضای پارامتری را که راندمان بالای مدل K۲ را ایجاد می کند، اشغال می نمایند. به عبارت دیگر کارآیی مدل بیشتر تحت تاثیر اندرکنش پارامترهای Ks و n می باشد. تحلیل همبستگی نیز نشان داد که بالاترین ضریب همبستگی NSE در درجه اول با پارامترهای Ks_p، Ks_c و n_p و سپس با پارامترهای CV_p، G_c، Por_p، Dist_p و Smax به دست آمد. نتایج این تحقیق نشان داد که بسته بهینه سازی hydroPSO می تواند با موفقیت با مدل K۲ تلفیق شده و با سرعت و کارآیی بالایی پارامترهای مدل را واسنجی و بهینه سازی نماید.
Keywords:
HydroPSO , KINEROS۲ , Particle Swarm Optimization (PSO) , Rainfall-runoff , Simulation , hydroPSO , KINEROS۲ , بهینه سازی انبوه ذرات , بارش-رواناب , شبیه سازی
Authors
هادی معماریان
دانشکده منابع طبیعی و محیط زیست دانشگاه بیرجند
محسن پوررضا بیلندی
دانشکده کشاورزی دانشگاه بیرجند
زینت کومه
دانشکده منابع طبیعی و محیط زیست دانشگاه بیرجند
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :