نوع مقاله : مقاله پژوهشی
نویسندگان
1 دانشجوی کارشناسی ارشد مهندسی منابع آب، دانشکدة کشاورزی، دانشگاه بیرجند
2 استادیار گروه مهندسی آب، دانشکدة کشاورزی، دانشگاه بیرجند
چکیده
مدلهای بارش- رواناب برای محاسبة رواناب حاصل از بارش در یک حوضة آبریز به‌کار میروند. کاربرد موفقیتآمیز مدلهای پیشبینی بارش- رواناب به نحوة واسنجی پارامترهای آن‌ها بستگی دارد. با وجود عمومیت این مدلها، در صورتی که نتوان مقدار بهینه برای پارامترهای آن‌ها را با استفاده از واسنجی مدل به‌دست آورد، کاربرد آن مدلها بسیار مشکل خواهد بود. تخمین مقادیر بهینه برای پارامترهای مدل بارش- رواناب دارای عدم قطعیت است. در تحقیق حاضر تحلیل عدم قطعیت پارامترهای یک مدل بارش- رواناب با استفاده از الگوریتم‌های فراکاوشی ارزیابی و مقایسه شد. نتایج به‌دست‌آمده برای محدودة اطمینان دبی شبیهسازیشدة یک مدل مفهومی بارش– رواناب به‌کاررفته در حوضة معرف رودخانة لیف آمریکا با استفاده از چهار الگوریتم فراکاوشی‌ـ 1. الگوریتم بهینه‌سازی مجموعة ذرات(PSO) ، 2. الگوریتم تکامل تصادفی جوامع(SCE) ، 3. ترکیب الگوریتم بهینه‌سازی مجموعة ذرات و ژنتیک(Hybrid-GA&PSO) ، 4. الگوریتم جهش ترکیبی قورباغه(SFLA) ـ با یکدیگر مقایسه شد. نتایج نشان داد الگوریتم‌های PSO و SCE کارایی بهتری در تحلیل عدم قطعیت برآورد پارامترهای مدل بارش- رواناب نسبت به دو الگوریتم دیگر داشتند.
عنوان مقاله [English]
Comparison of optimization and uncertainty analysis methods in hydrological modeling
نویسندگان [English]
- Sadegh Sadeghi Tabas 1
- mohsen Pourreza bilondi 2
1 MSc. student of Water Resources Engineering, Department of Water Engineering, University of Birjand, Birjand, Iran
2 Assistant Professor, Department of Water Engineering, University of Birjand, Birjand, Iran
چکیده [English]
Rainfall-runoff modeling is most important component in the water resource management of river basins. The successful application of a conceptual rainfall-runoff model depends on how well it is calibrated. The degree of difficulty in solving the global optimization method is generally dependent on the dimensionality of the model and certain of the characteristics of object function. The purpose of optimization is to finalize the best set of parameters associated with a given calibration data set that optimize the evaluation criteria. In the present study an uncertainty analysis of conceptual rainfall - runoff model (Hymod) were evaluated and compared using the four different evolutionary optimization methods for a Leaf River representative watershed in US. Results appealed that particle swarm optimization (PSO) and shuffled complex evolution (SCE) algorithms had better performances compared to Hybrid Genetic Algorithm & PSO (Hybrid-GA&PSO) and Shuffled Frog Leaping Algorithm (SFLA).
)