ارزیابی عملکرد مدل بارش-رواناب یکپارچه MILC در تخمین رواناب روزانه ( مطالعه موردی : زیر حوضه قره سو)
Publish place: Conference and Exhibition Water Engineering
Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 815
This Paper With 12 Page And PDF and WORD Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
CEWE01_152
تاریخ نمایه سازی: 14 آذر 1394
Abstract:
مدل های هیدرولوژیکی یکی از روش های برآورد رواناب به دست آمده از بارندگی می باشند . این مدل ها با شبیه سازی فرایند تبدیل بارش به رواناب قادر به تخمین میزان رواناب حوضه های آب خیزی فاقد ایستگاه اندازه گیری با کمترین زمان و هزینه ممکن می باشند. در این پژوهش مدل بارش-رواناب MILC که یک مدل مفهومی و یکپارچه است، با استفاده از تابع هدف ناش – ساتکلیف (NSE) واسنجی شده است. مدل فوق یکی از انواع مدل های بارش رواناب است که می تواند رواناب خروجی از حوضه را با استفاده از داده های بارش و دما (روزانه یا ساعتی) محاسبه نماید. در این مدل برای محاسبه تلفات از روش (SCS_CN (Curve Number و از هیدروگراف واحد لحظه ای ژئومورفلوژیک (GIUH) برای روند یابی مازاد سیلاب زیر حوضه ها استفاده می شود. با استفاده از امکان واسنجی خودکار می توان بدون نیاز به شناخت کامل پارامتر های مدل، مقادیر پارامتر ها را برای یک حوضه خاص با سرعت و دقت بیشتری نسبت به روش واسنجی دستی انجام داد. مدل بارش-رواناب یاد شده برای زیرحوضه قره سو که در شمال غربی حوضه کرخه و در غرب ایران واقع شده است واسنجی شد و مقادیر تایع هدف NSE برای دوره 7 ساله واسنجی و دوره 3 ساله اعتبارسنجی با استفاده از داده های روزانه به ترتیب 0/84 و 0/78 و معیار RMSE به ترتیب 11/02 و 10/4 بدست آمد. نتایج بدست آمده نشان دهنده عملکرد مناسب مدل فوق در تخمین رواناب روزانه زیر حوضه قره سو می باشد.
Keywords:
Authors
مرتضی فرهمند راد
دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته کرمان
غلامعباس بارانی
دانشکده عمران، دانشگاه باهنر کرمان
محسن پوررضا بیلندی
گروه مهندسی آب، دانشگاه بیرجند
محمدصادق غضنفری مقدم
دانشکده عمران و نقشه برداری، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته کرمان
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 :