دوره 10، شماره 20 - ( پاییز و زمستان 1398 )
جلد 10 شماره 20 صفحات 108-97 |
برگشت به فهرست نسخه ها
دانشگاه تبریز
چکیده: (2744 مشاهده)
تبدیل بارش به رواناب در حوضه های آبخیز شامل روابط غیرخطی پبچیده حاصل از تعامل مجموعه ای از فرآیندهای هیدرولوژیکی مختلف می باشند. در مطالعه حاضر، بدون اتکاء به ساختاری از پیش تعیین شده، رابطه بین ورودی و خروجی سیستم صرفاً بر اساس طبیعت اطلاعات ثبت شده استخراج گردید. همچنین اختلاف فاز اتفاق افتاده بین سیگنالهای بارش و رواناب با استفاده از آنالیز موجک متقاطع محاسبه شد. سپس دیاگرام اختلاف فاز در مقیاسه ای مورد مطالعه برای وقایع منفرد و مرکب حوضه آبخیز لیقوان ترسیم گردید. با اعمال این فازها در موقعیت زمانی سیگنالهای بارش، کلیه خطاهای ناشی از در نظر گرفتن حد متوسط برای تلفات حوضه به حداقل ممکن رسید، که در این تحقیق تحت عنوان موقعیت زمانی مینیمم خطا معرفی گردید (METP). همچنین پیشبینی دبی خروجی از حوضه توسط مدل فیلتر کالمن و بهینه سازی فضای حالت حاکم بر حوضه آبخیز لیقوان با استفاده از وقایع مرحله واسنجی انجام گرفت. با اعمال این اختلاف فازها در مؤلفه های بارش مؤثر، خطای ناشی از در نظر گرفتن متوسط تلفات نفوذ و شاخص φ به حداقل ممکن کاهش یافت. همچنین با کاربرد روش بهینه سازی برنامه ریزی خطی، هیدروگراف واحد حوضه آبخیز لیقوان به عنوان مدل اندازه گیری فیلتر کالمن استفاده گردید. نتایج نشان داد با اعمال اختلاف فازهای اتفاق افتاده بین سیگنال های بارش و رواناب و تلفیق آن با روش فیلتر کالمن و برنامه ریزی خطی (KF- LP-CW) به طور متوسط ضریب نش- ساتکلیف اصلاح شده 94/0 در هر دو مرحله واسنجی و صحت سنجی حاصل شد. این مقادیر نسبت به حالتی که اختلاف فاز اعمال نگردید (روش KF-LP) برابر 63/0 و 68/0 در مراحل واسنجی و صحت سنجی حاصل گردید. بنابراین در این مطالعه بهبود قابل توجهی با اعمال اختلاف فازها در مؤلفه های بارش مؤثر مشاهد شد.
نوع مطالعه: پژوهشي |
موضوع مقاله:
هيدرولوژی
دریافت: 1396/10/3 | ویرایش نهایی: 1399/3/27 | پذیرش: 1396/12/5 | انتشار: 1398/10/24
دریافت: 1396/10/3 | ویرایش نهایی: 1399/3/27 | پذیرش: 1396/12/5 | انتشار: 1398/10/24
فهرست منابع
1. Ambrus, S., A. Szöllösi and Nagy. 1982. Operational real-time river flow forecasting using stochastic prediction algorithms. Real-time operation of hydrosystems, 467-486.
2. Andreo, B., P. Jime'nez, J.J. Dura'nCarrasco, F.I. Vadillo and A. Mangin. 2006. Climatic and hydrological variations during the last 117-166 years in the south of the Iberian Peninsula, from spectral and correlation analyses and continuous wavelet analyses, Journal of hydrology, 324: 24-39. [DOI:10.1016/j.jhydrol.2005.09.010]
3. Antonios, A. and E.V. Constantine. 2003. Weavelet exploratory analysis of the FTSE ALL SHARE. Index. Economics Letters University of Durham UK, 1-22.
4. Bras, R.L. and I. Rodriguez-Iturbe. 1985. Random function and hydrology. Chapters 8 and 9, Addison-Wesley, Reading, Mass, 425-520.
5. Chiu, C.L., ed. 1978. Applications of Kalman filter to hydrology, hydraulics, and water resources. University of Pittsburgh, 341-352.
6. Chou, C.M., R.Y. Wang. 2004. Application of wavelet-based multi model Kalman filters to real-time flood forecasting. Hydrology Process, 18: 987-1008. [DOI:10.1002/hyp.1451]
7. Duong, N., C.B. Winn and G.R. Johnson. 1975. Modern control concepts in hydrology, Institute of Electrical and Electronics Engineers Transactions on Systems, Man, and Cybernetics, 5(1): 46-53. [DOI:10.1109/TSMC.1975.5409154]
8. Fargé, M., E. Goirand, Y. Meyer, F. Pascal and M.V. Wickerhauser. 1992. Improved predictability of two-dimensional turbulent flows using wavelet packet compression, Fluid Dynamics Rsearch, 104(6): 229-250. [DOI:10.1016/0169-5983(92)90024-Q]
9. Fargé, M., N. Kevlahan, V. Perrier and E. Goir. 1996. Wavelets and turbulence, Institute of Electrical and Electronics Engineers, 84: 639-669. [DOI:10.1109/5.488705]
10. Grinsted, A., J.C. Moore and S. Jevrejeva. 2004. Application of the cross wavelet transform and wavelet coherence to geophysical time series. Nonlinear Processes in Geophysics, 11: 561-566. [DOI:10.5194/npg-11-561-2004]
11. Guasti Lima, F. and A. Assaf Neto. 2012. Combining wavelet and kalman filters for financial time series forecasting. Journal of International Finance & Economics, 12(3): 47.
12. Hudgins, L.H., C.A. Friehe and M.E. Mayer .1993. Wavelet transforms and atmospheric turbulence. Physical. Review. Letters, 71(2): 3279-3283. [DOI:10.1103/PhysRevLett.71.3279]
13. Kumar, P. and E. Foufoula-Georgiou. 1993. A multicomponent decomposition of spatial rainfall fields, 1, Segregation of large and small-scale features using wavelet transforms. Water Resource Research, 298: 2515-2532. [DOI:10.1029/93WR00548]
14. Kumar, P. 1996. Role of coherent structures in the stochastic-dynamic variability of precipitation, Journal of Geophysical Research, (26): 26-393.
15. Labat, D., R. Ababou and A. Mangin. 2000. Wavelet analysis in Karstic hydrology. 2nd Part: Rainfall-runoff cross-wavelet analysis. Comptes Rendus de l'Academie des Sciences Series IIA Earth and Planetary Science, 329: 881-887. [DOI:10.1016/S1251-8050(00)88501-8]
16. Lee, Y.H. and V.P. Singh. 1999. Tank model using kalman filter, Journal of hydrologic engineering, 4: 344-349. [DOI:10.1061/(ASCE)1084-0699(1999)4:4(344)]
17. Ming Chou, C. 2007. Efficient nonlinear modeling of rainfall runoff process using wavelet compression, Journal of Hydrology, 332: 442-455. [DOI:10.1016/j.jhydrol.2006.07.015]
18. Mizumura, K. 1984. Aplication of kalman filter to oceanic data, Journal of Waterway, Port, Coastal, and Ocean Engineering, 110: 334-343. [DOI:10.1061/(ASCE)0733-950X(1984)110:3(334)]
19. Moradkhani, H. and S. Sorooshian. 2008. General Review of Rainfall-Runoff Modeling: Model Calibration, Data Assimilation, and Uncertainty Analysis, in Hydrological Modeling and Water Cycle, Coupling of the Atmospheric and Hydrological Models, Springer, Water Science and Technology Library, 63: 1-23. [DOI:10.1007/978-3-540-77843-1_1]
20. Nakken, M. 1999. Wavelet analysis of rainfall-runoff variability isolating climatic from anthropogenic patterns. Environmental Modelling and Software, 14: 283-295. [DOI:10.1016/S1364-8152(98)00080-2]
21. Shoaib, A., A.Y. Shamseldin, B.W. Melvillea and M. Mudasser Muneer Khan. 2016. A comparison between wavelet based static and dynamic neural network approaches for runoff prediction. Journal of hydrology, 535: 211-225. [DOI:10.1016/j.jhydrol.2016.01.076]
22. Sun. L., I. Nistor and O. Seidou. 2015. Streamflow data assimilation in SWAT model using Extended Kalman Filter. Journal of hydrology, 531: 671-684. [DOI:10.1016/j.jhydrol.2015.10.060]
23. Todini, E. 1978. Mutually interactive state parameter (MISP) estimation. Application of Kalman Filter, Proc., AGU Chapman Conferance, University of Pittsburgh, Pittsburgh, 135-151.
24. Torrence, C. and G.P. Compo. 1998. A practical guide to wavelet analysis. Bulletin of the American eteorological Society. Bulletin of the American Meteorological Society, 79(1): 61-78.
https://doi.org/10.1175/1520-0477(1998)079<0061:APGTWA>2.0.CO;2 [DOI:10.1175/1520-0477(1998)0792.0.CO;2]
25. Vrugt, J., H. Gupta and B. Nuallain. 2006. Real time data assimilation for operational ensemble streamflow forecasting. Journal of Hydrometeorol, 7(3): 548-565. [DOI:10.1175/JHM504.1]
26. Wu, C.M. and W.C. Huang. 1990. Effect of observability in Kalman filtering on rainfall-runoff modeling. Taiwan Water Conservancy Quarterly, Taiwan, 38: 37-47.
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |