کاهش خطای شبیه سازی فرآیند بارش-رواناب با بکارگیری تکنیک داده گواری در مدل هیدرولوژیکی swat

مدلسازی فرآیند بارش-رواناب با انبوهی از پارامترها و داده های اقلیمی همراه است که ارائه یک مدل شبیه ساز مناسب با حداقل خطا از چالش های مطالعات گذشته بوده است. عدم اطمینان و قطعیت بر صحت داده ها و پارامترهای ورودی مدل های شبیه سازی منجر به تولید خطا می شود که تاثیر قابل توجهی بر پیش بینی های بلند مدت و سیاست های مدیریتی می گذارد. در این مطالعه از مدل مفهومی آب و خاک swat به منظور شبیه سازی فرآیند بارشرواناب در زیر حوضه آبریز چلگرد استفاده می شود. به منظور ارائه یک مدل مناسب، تکنیک داده گواری فیلتر کالمن مجموعه ای (enkf) جهت به روزرسانی و اصلاح منابع تولید خطا در مدلسازی به کار برده می شود که این منابع شامل پارامترها و داده های ورودی مدل می باشد. نتایج بدست آمده از مدل اصلاحی ارائه شده با معیار ارزیابی nashsutcliff سنجیده شده که مدل اصلاحی با ضریب 0.86 عملکرد بهتری نسبت به مدل توسعه یافته بدون تکنیک enkf از خود نشان می دهد و همچنین ضریب nashsutcliff برای دوره صحت سنجی به 0.82 ارتقاء یافته است.

Reducing Error of RainfallRunoff Simulation Using Coupled Hydrological SWAT Model and Data Assimilation Technique

Modeling conceptual rainfallrunoff procedure involves large number of parameters and climate data. Uncertainty in these input parameters are very likely which lead to output errors as well as impractical prediction of longterm impact of management policies. In this study Soil and Water Assessment Tool (SWAT) is implemented to simulate rainfallrunoff process in Chelgerd subbasin. To develop appropriate model with acceptable and reliable performance, Ensemble Kalman filter (EnKF) as data assimilation technique is used to assimilate the variables of model which are known as sources of error product; these sources include model parameters and input data. The paper in concluded that EnKF as a data assimilation technique is capable of reducing the computational error inherited in the simulation model. Results of proposed model is evaluated by NashSutcliff (NS) factor with value of 0.86 which have better performance than modeling without EnKF technique. Also developed model performance is improved with NS value of 0.82 for validation period.