fa بهینه‌سازی پارامترهای مدل KINEROS2 با استفاده از الگوریتم PSO برای شبیه‌سازی رخداد سیلاب (مطالعه موردی: حوزه تمر استان گلستان) هيدرولوژی هيدرولوژی پژوهشي Research <p style="text-align: justify;"><span style="font-size:11px;"><strong>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 </strong><strong><span dir="LTR">hydroPSO</span></strong><strong> به‌منظور واسنجی و بهینه‌سازی پارامترهای مدل بارش-رواناب </strong><strong><span dir="LTR">KINEROS2 (K2)</span></strong><strong> 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 (</strong><strong><span dir="LTR">R²</span></strong><strong>) و ضریب نش (</strong><strong><span dir="LTR">NSE</span></strong><strong>) به ترتیب برابر با 9084/0 و 92/0 به دست آمد. شبیه‌سازی بر اساس وقایع رگباری شماره 3 و 4 با ضرایب </strong><strong><span dir="LTR">NSE</span></strong><strong> 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 </strong><strong><span dir="LTR">Ks_p</span></strong><strong>، </strong><strong><span dir="LTR">Ks_c</span></strong><strong>، </strong><strong><span dir="LTR">n_p</span></strong><strong>، </strong><strong><span dir="LTR">n_c</span></strong><strong>، </strong><strong><span dir="LTR">CV_p</span></strong><strong> و </strong><strong><span dir="LTR">Sat</span></strong><strong> به ترتیب مهم‌ترین و مؤثرترین پارامترها در فرآیند واسنجی مدل </strong><strong><span dir="LTR">K2</span></strong><strong> به شمار می‌روند. توزیع فراوانی برخی از پارامترها مانند </strong><strong><span dir="LTR">Ks_p</span></strong><strong> و </strong><strong><span dir="LTR">n_c</span></strong><strong> 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 </strong><strong><span dir="LTR">In</span></strong><strong>، </strong><strong><span dir="LTR">COV</span></strong><strong>، </strong><strong><span dir="LTR">Por_p</span></strong><strong> و </strong><strong><span dir="LTR">Dist_p</span></strong><strong> توزیع فراوانی یکنواختی را نشان می‌دهند. تفسیر بصری نمودارهای جعبه‌ای نشان می‌دهد که در 6 پارامتر </strong><strong><span dir="LTR">Ks_c</span></strong><strong>، </strong><strong><span dir="LTR">n_c</span></strong><strong>، </strong><strong><span dir="LTR">G_c</span></strong><strong>، </strong><strong><span dir="LTR">Rock</span></strong><strong>، </strong><strong><span dir="LTR">Dist_c</span></strong><strong> و </strong><strong><span dir="LTR">Smax</span></strong><strong> 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 </strong><strong><span dir="LTR">Ks_p</span></strong><strong>، </strong><strong><span dir="LTR">Ks_c</span></strong><strong> و </strong><strong><span dir="LTR">n_c</span></strong><strong> دامنه محدودی از فضای پارامتری را که راندمان بالای مدل </strong><strong><span dir="LTR">K2</span></strong><strong> را ایجاد می‌کند، اشغال می‌نمایند.&nbsp; به‌عبارت‌دیگر کارآیی مدل بیشتر تحت تأثیر اندرکنش پارامترهای </strong><strong><span dir="LTR">Ks</span></strong><strong> و </strong><strong><span dir="LTR">n</span></strong><strong> می‌باشد. تحلیل همبستگی نیز نشان داد که بالاترین ضریب همبستگی </strong><strong><span dir="LTR">NSE</span></strong><strong> در درجه اول با پارامترهای </strong><strong><span dir="LTR">Ks&shy;_p</span></strong><strong>، </strong><strong><span dir="LTR">Ks_c</span></strong><strong> و </strong><strong><span dir="LTR">n_p</span></strong><strong> و سپس با پارامترهای </strong><strong><span dir="LTR">CV_p</span></strong><strong>، </strong><strong><span dir="LTR">G_c</span></strong><strong>، </strong><strong><span dir="LTR">Por_p</span></strong><strong>، </strong><strong><span dir="LTR">Dist_p</span></strong><strong> و </strong><strong><span dir="LTR">Smax</span></strong><strong> به دست آمد. نتایج این تحقیق نشان داد که بسته بهینه‌سازی </strong><strong><span dir="LTR">hydroPSO</span></strong><strong> می‌تواند با موفقیت با مدل </strong><strong><span dir="LTR">K2</span></strong><strong> تلفیق‌شده و با سرعت و کارآیی بالایی پارامترهای مدل را واسنجی و بهینه‌سازی نماید. </strong></span></p> <p>&nbsp;<br> <br> &nbsp;</p> <h1 style="text-align: justify;"><span style="font-size:12px;"><span style="color:#000000;">Simulation of rainfall-runoff process for planning and management of water resources and watersheds requires the use of a conceptual optimized hydrological model. In this study, the hydroPSO package was employed to optimize KINEROS2 (K2) parameters applied in the Tamar watershed, Iran. Four storm events were utilized in hydrograph simulation. Results indicated better efficiency of K2 based on the event #2 with the coefficient of determination and Nash-Sutcliffe Efficiency (NSE) of 0.9084 and 0.92, respectively. The events #3 and #4 with NSE of 0.89 and 0.86 showed the excellent and very good fitness of simulated flow compared to observed flow, respectively. Sensitivity analysis established that the parameters Ks_p, Ks_c, n_p, n_c, CV_p and Sat were the most effective parameters in K2 calibration, respectively. The posterior distributions of some parameters such as Ks_p and n_c appeared to be more sharply peaked than other parameters which established less uncertainty in hydrological modeling. Visual inspection of boxplots showed that for 6 out of 16 parameters (Ks_c, n_c, G_c, Rock, Dist_c and Smax) the optimum value found during the optimization coincided with the median of all the sampled values confirming that most of the particles converged into a small region of the solution space. Dotty plots showed that the optimum values found for Ks_p, Ks_c, and n_c define a narrow range of the parameter space with high model performance. On the other hand, the model performance was more impacted by the interaction of Ks and n parameters. The parameters CV_p and n_p showed a wider range of the optimized levels. Correlation analysis revealed that the highest linear correlation between the NSE and K2 parameters was obtained for the Ks&shy;_p, Ks_c and n_p, followed by CV_p, G_c, Por_p, Dist_p and Smax. Conclusively, this work demonstrated the capability of hydroPSO in optimization of the K2 as an event-based hydrological model.</span></span></h1> hydroPSO, KINEROS2, بهینه‌سازی انبوه ذرات, بارش-رواناب, شبیه‌سازی HydroPSO, KINEROS2, Particle Swarm Optimization (PSO), Rainfall-runoff, Simulation 91 110 http://jwmr.sanru.ac.ir/browse.php?a_code=A-11-578-1&slc_lang=fa&sid=1 hadi Memarian هادی معماریان hadi_memarian@birjand.ac.ir 10031947532846006995 10031947532846006995 Yes دانشکده منابع طبیعی و محیط زیست دانشگاه بیرجند Mohsen Pourreza Bilondi محسن پوررضا بیلندی mohsen.pourreza@birjand.ac.ir 10031947532846006996 10031947532846006996 No دانشکده کشاورزی دانشگاه بیرجند Zinat Komeh Zinat Komeh زینت کومه z.komeh@gmail.com 10031947532846006997 10031947532846006997 No دانشکده منابع طبیعی و محیط زیست دانشگاه بیرجند