تحلیل عدم قطعیت دربرآوردپارامترهای مدل بارش رواناب باالگوریتم مونت کارلو زنجیره مارکوف

 یافتن مقادیر بهینه برای پارامترهای هر مدل شبیه­سازی، کاری است که همواره با شک و تردید همراه می­باشد. مثلاً یک هیدرولوژیست با وجود مهارت و تجربه بالا هم نمی­تواند به نتایج برآورد خود اطمینان کافی داشته باشد. هدف از تحقیق حاضر، پیدا کردن محدوده اطمینان برای دبی خروجی و توزیع احتمالاتی پسین پارامترهای یک مدل توزیعی بارش- رواناب به کار رفته در حوضه ابولعباس در استان خوزستان با استفاده از الگوریتم عدم قطعیت متروپولیس تطبیقی، تکامل تفاضلی (DREAM) می باشد. این روش که اخیراً توسعه یافته است مبتنی بر روش نمونه گیر متروپولیس از گروه روش های مونت کارلو- زنجیر مارکف بوده که به خوبی قادر به بررسی فضای پارامتری با حداقل تعداد تکرار می باشد. تعداد چهار رویداد برای واسنجی و دو رویداد برای صحت سنجی توزیع­های پسین پارامترها به کار گرفته شد. مدل هیدرولوژیک توزیعی AFFDEF توسعه یافته در زبان برنامه نویسیFortran  بدلیل خطای کمتر آن - به نسبت مدلهای یکپارچه - که ناشی از تخصیص مقادیر ورودی برای هر سلول می باشد، در این تحقیق بکار گرفته شد. بهبود نتایج مدل با اضافه شدن مولفه جریان زیر سطحی به آن صورت گرفت. تعداد 45000 اجرای مدل بارش-رواناب AFFDEF برای سه رخداد و 75000 تکرار برای یک رخداد باقیمانده دوره واسنجی انتخاب گردید بطوریکه معیار همگرایی گلمن و رابین (R<1.2) در تمامی رخدادها ارضا گردد. سپس ساخت توزیع های پسین برای 9 پارامتر واسنجی مدل بارش-رواناب، با استفاده از پارامترهای 20 درصد انتهای هر زنجیر انجام گرفت. مقایسه محدوده توزیع­های پارامترهای بدست آمده برای چهار رخداد واسنجی نشان از کاهش چشم گیر محدوده اولیه هر پارامتر داشت. نتایج بازه های 95 درصد اطمینان رویداد­های دوره­های واسنجی نشان داد که علاوه بر عدم قطعیت ناشی از پارامترهای مدل بارش-رواناب، منابع دیگر عدم قطعیت مانند ساختار مدل و مقادیر ورودی های اندازه گیری شده نیز سهم مهمی در خطای شبیه سازی دارند. همچنین دبی­های اوج هیدروگراف که یکی از مهمترین مولفه­های آن می­باشند به خوبی در اطراف بازه­های اطمینان 95 درصد تعیین شده قرار گرفتند. در مورد نقاط ابتدایی و انتهایی برخی رخداد­ها، شرایط رطوبتی اولیه مدل و خطاهای موجود در روش­های تعیین دبی پایه برای رویداد های کوتاه مدت باعث شده اند تا بازه اطمینان آنها، نقاط اندازه گیری شده را به خوبی در بر نگیرد و این نقاط تا حدودی خارج از محدوده اطمینان شبیه­سازی شده قرار گیرند. کارایی بالای الگوریتم DREAM در سرعت بالای رسیدن به همگرایی از دیگر ویژگی های خاص این الگوریتم می باشد بطوریکه مقایسه نتایج تعداد تکرارهای مورد نیاز الگوریتم جدید DREAM با الگوریتم قبلی SCEM-UA نشان از کارآیی بالای آن را داشت. اَشکال توزیع های پسین ارائه شده از رخدادهای دوره واسنجی به همراه نتایج صحت سنجی اخذ شده توسط توزیع نماینده (بهترین توزیع دوره واسنجی)، هر دو موید این مطلب بودند که توزیع پارامترها وابستگی زیادی به مشخصات رخداد از قبیل شرایط رطوبتی، مقدار دبی اوج، فصل وقوع بارش و مقدار آن دارند. به طوری که در یک رخداد منفرد توزیع پارامترها حول مقدار مشخصی متمرکز می شود در حالی که در مجموع سیلاب ها این امر اتفاق نمی افتد.