دوره 9، شماره 18 - ( پاییز و زمستان 1397 )                   جلد 9 شماره 18 صفحات 91-110 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Memarian H, Pourreza Bilondi M, Zinat Komeh Z K. Parameters Optimization of KINEROS2 using Particle Swarm Optimization Algorithm for Single Event Rainfall-Runoff Simulation (Case Study: Tamar Watershed, Golestan, Iran) . jwmr. 2019; 9 (18) :91-110
URL: http://jwmr.sanru.ac.ir/article-1-746-fa.html
معماریان هادی، پوررضا بیلندی محسن، کومه زینت. بهینه‌سازی پارامترهای مدل KINEROS2 با استفاده از الگوریتم PSO برای شبیه‌سازی رخداد سیلاب (مطالعه موردی: حوزه تمر استان گلستان) . پ‍‍ژوهشنامه مديريت حوزه آبخيز. 1397; 9 (18) :91-110

URL: http://jwmr.sanru.ac.ir/article-1-746-fa.html


دانشکده منابع طبیعی و محیط زیست دانشگاه بیرجند
چکیده:   (189 مشاهده)

شبیه‌سازی بارش- رواناب به‌منظور برنامه‌ریزی و مدیریت منابع آب در حوزه‌های آبخیز نیازمند استفاده از مدل‌های مفهومی هیدرولوژیکی بهینه‌شده است. در این تحقیق از بسته بهینه‌سازی hydroPSO به‌منظور واسنجی و بهینه‌سازی پارامترهای مدل بارش-رواناب KINEROS2 (K2) در حوزه آبخیز تمر در استان گلستان استفاده شد. بدین منظور از 4 واقعه رگباری در تاریخ‌های مختلف استفاده شد. نتایج حاکی از کارایی بهتر مدل در شبیه‌سازی هیدرولوژیک واقعه رگباری شماره 2 می‌باشد که در این شبیه‌سازی، ضریب تبیین (R2) و ضریب نش (NSE) به ترتیب برابر با 9084/0 و 92/0 به دست آمد. شبیه‌سازی بر اساس وقایع رگباری شماره 3 و 4 با ضرایب NSE برابر با 89/0 و 86/0 توانست منجر به برازش به ترتیب عالی و خوب رکوردهای شبیه‌سازی‌شده بر رکوردهای مشاهداتی شود. تحلیل حساسیت نشان داد که پارامترهای Ks_p، Ks_c، n_p، n_c، CV_p و Sat به ترتیب مهم‌ترین و مؤثرترین پارامترها در فرآیند واسنجی مدل K2 به شمار می‌روند. توزیع فراوانی برخی از پارامترها مانند Ks_p و n_c دارای شکل زنگوله‌ای با اوج تیزتر می‌باشد که این خود نشان‌دهنده عدم قطعیت کمتر تحمیل‌شده از جانب این پارامترها بر مدل است. اما برخی از پارامترها مانند In، COV، Por_p و Dist_p توزیع فراوانی یکنواختی را نشان می‌دهند. تفسیر بصری نمودارهای جعبه‌ای نشان می‌دهد که در 6 پارامتر Ks_c، n_c، G_c، Rock، Dist_c و Smax ارزش بهینه پارامتر به‌دست‌آمده در فرآیند واسنجی منطبق بر میانه ارزش‌های نمونه‌برداری شده است که این مطلب مؤید این است که اکثر ذرات به سمت یک منطقه کوچک از فضای پاسخ هدایت ‌شده‌اند. نمودارهای نقطه‌ای نیز نشان می‌دهند که ارزش‌های بهینه پارامترهای Ks_p، Ks_c و n_c دامنه محدودی از فضای پارامتری را که راندمان بالای مدل K2 را ایجاد می‌کند، اشغال می‌نمایند.  به‌عبارت‌دیگر کارآیی مدل بیشتر تحت تأثیر اندرکنش پارامترهای Ks و n می‌باشد. 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 بهینه‌سازی hydroPSO می‌تواند با موفقیت با مدل K2 تلفیق‌شده و با سرعت و کارآیی بالایی پارامترهای مدل را واسنجی و بهینه‌سازی نماید.

 

 

متن کامل [PDF 2909 kb]   (58 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: هيدرولوژی
دریافت: ۱۳۹۵/۱۰/۲۳ | ویرایش نهایی: ۱۳۹۷/۱۱/۱ | پذیرش: ۱۳۹۶/۴/۱۲ | انتشار: ۱۳۹۷/۱۱/۱

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA code

ارسال پیام به نویسنده مسئول


کلیه حقوق این وب سایت متعلق به (پژوهشنامه مدیریت حوزه آبخیز (علمی-پژوهشی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2019 All Rights Reserved | Journal of Watershed Management Research

Designed & Developed by : Yektaweb