ناصری, محسن, احمدی, آرمان. (1397). شبیه‌سازی عدم قطعیت پارامترهای مدل هیدرولوژیک با بهره‌گیری از چهارچوب UNEEC-P: مطالعه موردی مدل بیلان آبی ماهانه. تحقیقات منابع آب ایران, 14(5), 189-203.
محسن ناصری; آرمان احمدی. "شبیه‌سازی عدم قطعیت پارامترهای مدل هیدرولوژیک با بهره‌گیری از چهارچوب UNEEC-P: مطالعه موردی مدل بیلان آبی ماهانه". تحقیقات منابع آب ایران, 14, 5, 1397, 189-203.
ناصری, محسن, احمدی, آرمان. (1397). 'شبیه‌سازی عدم قطعیت پارامترهای مدل هیدرولوژیک با بهره‌گیری از چهارچوب UNEEC-P: مطالعه موردی مدل بیلان آبی ماهانه', تحقیقات منابع آب ایران, 14(5), pp. 189-203.
ناصری, محسن, احمدی, آرمان. شبیه‌سازی عدم قطعیت پارامترهای مدل هیدرولوژیک با بهره‌گیری از چهارچوب UNEEC-P: مطالعه موردی مدل بیلان آبی ماهانه. تحقیقات منابع آب ایران, 1397; 14(5): 189-203.
شبیه‌سازی عدم قطعیت پارامترهای مدل هیدرولوژیک با بهره‌گیری از چهارچوب UNEEC-P: مطالعه موردی مدل بیلان آبی ماهانه
1استادیار / دانشکده مهندسی عمران، پردیس دانشکده های فنی، دانشگاه تهران، تهران، ایران.
2دانشجوی کارشناسی ارشد/ محیط زیست، دانشکده مهندسی عمران، پردیس دانشکده‌های فنی، دانشگاه تهران، تهران، ایران.
چکیده
تلاش به منظور شبیه‌سازی عدم قطعیت متأثر از پارامترها و یا ساختار اصلی مدل ریاضی و یا مفهومی منجر به ارائه روش‌های مختلف احتمالاتی، امکانی و خلاقانه شده است. در مقاله حاضر با استفاده از ساختار UNEEC-P به تخمین رفتار غیرقطعی پارامتری در مدل بیلان ماهانه پرداخته شده است. نوآوری ارائه شده در این مقاله مبتنی بر استفاده از مدل مفهومی اصلی (مدل بیلان آبی ماهانه) به جای استفاده از مدل‌های رگرسیونی به منظور تخمین حد بالا و پایین غیر قطعی نتایج است. مدل مفهومی مورد استفاده، مدل بیلان آبی ماهانه با سه پارامتر است که در حوضه آبریزی کوچک با مساحت 82 کیلومتر مربع در جنوب فرانسه مورد استفاده قرار گرفته تا نتایج عدم قطعیت پارامتری حاصل از استفاده روش GLUE و در دامنه غیر قطعی [95، 5] شبیه‌سازی شود. همچنین به منظور ارزیابی عملکرد مدل پیشنهادی نتایج حاصل از مدل بیلان با نتایج مدل رگرسیون عمومی شبکه عصبی مصنوعی (GRNN) مقایسه شده است. با هدف ارزیابی دقت و اعتبار آماری ساز و کار نوین پیشنهادی در این مقاله، علاوه بر شاخص‌های ارزیابی معمول تشابه و عدم تشابه، از شاخص AIC نیز استفاده شده است. مشخصات آماری متعددی همچون میانگین مربعات خطا (MSE)، میانگین مربعات خطای نرمال شده (NMSE)، شاخص Nash-sutcliff، ضریب همبستگی و AIC دال بر مطلوبیت بیشتر استفاده از روش ارائه شده و همچنین بهبود نتایج حاصل از ساختار مفهومی ارائه شده در مقایسه با نتایج حاصل از شبکه عصبی مصنوعی به تفکیک دوره کالبیدن و ارزیابی است.
Simulation of Parametric Uncertainty of Hydrological Models using UNEEC-P Framework: Monthly Water Balance Model case Study
نویسندگان [English]
M. Nasseri1؛ A. Ahmadi2
1Assistant Professor, Faculty of Civil Engineering, College of Engineering, University of Tehran, Tehran, Iran
2M. Sc. Student, Faculty of Civil Engineering, College of Engineering, University of Tehran, Tehran, Iran
چکیده [English]
Efforts to achieve suitable estimation of parametric or the structural uncertainty of mathematical or conceptual frameworks have been led to develop various probabilistic, possibilistic, and innovative methods. In this paper, uncertain parametric behavior in a monthly water balance model has been studied using the structure of the UNEEC-P method. In the approach proposed by this paper and for the first time, instead of using a variety of regression methods to estimate the upper and lower uncertain bounds, the original conceptual model has been used. The applied conceptual model is a three-parameter monthly water balance model, and the case study of the paper is a small basin with an area of 82 square kilometers in southern France. Also, in order to evaluate the performance of the proposed method, Generalized Regression Neural Network (GRNN) has been used to evaluate the results of the conceptual models. The estimation of parametric uncertainty has been used to simulate the results of GLUE method in a Confidence Level (CL) equal to 90%. In order to measure the accuracy and validity of the new mechanism proposed in this study, in addition to the usual evaluation indicators of similarity and dissimilarity, the AIC index is also used, and different statistical indicators such as Mean Square Error (MSE), Normal Mean Square Error (NMSE), Nash-Sutcliff (NS), Correlation Coefficient (CC), and AIC demonstrate the better performance of proposed method comparing to the GRNN.
کلیدواژه‌ها [English]
estimation of uncertainty, UNEEC-P model, monthly water balance model, GLUE, GRNN
مراجع
Araghinejad S (2013) Data-driven modeling: using MATLAB® in water resources and environmental engineering. Springer Science and Business Media
Arnaud P, Lavabre J, Fouchier C, Diss S, Javelle P (2011) Sensitivity of hydrological models to uncertainty in rainfall input. Hydrological Sciences Journal 56(3):397-410
Beven K (2006) A manifesto for the equifinality thesis. Journal of Hydrology 320:18-36
Beven K, Binley A (1992) The future of distributed models: Model calibration and uncertainty prediction. Hydrological Processes 6:279-298
Guo Sh (2002) A macro-scale and semi-distributed monthly water balance model to predict climate change impacts in China. Journal of Hydrology 268:1-15
Hamilton AS, Moore RD (2012) Quantifying uncertainty in streamflow records. Canadian Water Resources Journal 37(1):3-21
Heidari A, Saghafian B, Maknoon R (2005) Improved hydrologic model calibration based on coupled Monte Calro and Bayesian methods. Iran-Water Resources Research 1(3):29-40 (In Persian)
Krause S, Lewandowski J, Dahm CN, Tockner K (2015) Frontiers in realtime ecohydrology-a paradigm shift in understanding complex environmental systems. Ecohydrology 8(4):529-537
Maskey S, Guinot V, Price RK (2004) Treatment of precipitation uncertainty in rainfall-runoff modeling: a fuzzy set approach. Advances in Water Resources 27:889-898
Montanari A (2007) What do we mean by 'uncertainty'? The need for a consistent wording about uncertainty assessment in hydrology. Hydrological Processes 21:841-845
Montanari A (2011) Uncertainty of hydrological predictions. In: Peter Wilderer (ed.) Treatise on Water Science, Oxford: Academic Press, 2:459-478
Nasseri M, Zahraie B, Ansari A, Solomatin DP (2013) Uncertainty assessment of monthly water balance models based on incremental modified fuzzy extension principle method. Journal of Hydroinformatics 15(4):1340-1360
Nasseri M, Ansari A, Zahraie B (2014) Uncertainty assessment of hydrological models with fuzzy extension principle: evaluation of a new arithmetic operator. Water Resources Research 50:1095-1111
Perrin C, Michel C, Andréassian V (2001) Does a large number of parameters enhance model performance? Comparative assessment of common catchment model structures on 429 catchments. Journal of Hydrology 242:275-301
Pianosi F, Shrestha DL, Solomatine DP (2010) ANN-based representation of parametric and residual uncertainty of models. International Joint Conference on Neural Networks (IJCNN), Barcelona, Spain, 18–23 July
Samani S, Asghari Moghaddam A (2016) Exploring uncertainty caused by model complexity in column experiments from local and global perspectives. Iran-Water Resources Research 13(2):18-31 (In Persian)
Shrestha DL, Solomatine DP (2006) Machine learning approaches for estimation of prediction interval for model output. Neural Networks 19:225-235
Singh VP, Wooloser DA (2002) Mathematical modeling of watershed hydrology. Journal of Hydrologic Engineering 7(4):270-292
Solomatine DP, Shrestha DL (2009) A novel method to estimate model uncertainty using machine learning techniques. Water Resources Research 45(12)
Spence Ch (2010) A paradigm shift in hydrology: storage thresholds across scales influence catchment runoff generation. Geography Compass 4(7):819-833
Tong H (1983) Threshold models in non-linear time series analysis. Springer science and business media
ابتدای صفحه