تخمین عدم قطعیت مدل شبیه سازی سیلاب Hec-Hms با استفاده از الگوریتم مونت کارلو زنجیره مارکوف

مدل های هیدرولوژیکی اغلب شامل پارامترهایی هستند که به طور مستقیم نمی توانند اندازه گیری شوند. تخمین پارامترها توسط روش ها و الگوریتم های مختلف بهینه سازی هم با خطا همراه است. بنابراین تجزیه و تحلیل عدم قطعیت امری ضروری به شمارمی آید. در تحقیق حاضر از الگوریتم dreamzs (از الگوریتم های مبتنی بر مونت کارلو زنجیره مارکوف) به منظور بررسی عدم قطعیت پارامترهای مدل هیدرولوژیکی hechms در حوزه آبخیز تمر به مساحت 1530 کیلومتر مربع واقع در استان گلستان استفاده شد. به منظور ارزیابی عدم قطعیت 24 پارامتر بکار رفته درمدل hechms، سه رویداد سیل برای واسنجی و یک رویداد سیل در اعتباریابی استفاده گردید. نتایج حاصل از واسنجی نشان داد که بازه های 95 درصد عدم قطعیت کل، بیشتر داده های مشاهده ای بویژه دبی اوج را در برگرفتند. همچنین علاوه بر عدم قطعیت ناشی از پارامترهای مدل بارش رواناب، منابع دیگر عدم قطعیت مانند ساختار مدل و داده های ورودی هم سهم مهمی در خطای شبیه سازی دارند. با مشاهده مقادیر پایین ضریب تغییرات برای پارامتر cn (شماره منحنی) در تمامی سیلاب ها، این پارامتر به عنوان حساس ترین پارامتر به حساب آمد. هیستوگرام های پسین پارامترها نشان داد که بیشتر پارامترها به خوبی تعیین شده اند و ناحیه کوچکی از توزیع های یکنواخت پیشین را اشغال می کنند. همچنین بهترین شبیه سازی حاصل از اجرای الگوریتم عدم قطعیت dreamzs آشکارا بر شبیه سازی حاصل از الگوریتم جستجوی خودکار نلدر و مید برتری داشت.

Uncertainty Estimation of HEC-HMS Flood Simulation Model using Markov Chain Monte Carlo Algorithm

There are some parameters in hydrologic models that cannot be measured directly. Estimation of hydrologic model parameters by various approaches and different optimization algorithms are generally errorprone, and therefore, uncertainty analysis is necessary. In this study we used DREAMZS, Differential Evolution Adaptive Metropolis, to investigate uncertainties of hydrologic model (HECHMS) parameters in Tamar watershed (1530 km2) in Golestan province. In order to assess the uncertainty of 24 parameters used in HMS, three flood events were used to calibrate and one flood event was used to validate the model. The results showed that the 95% total prediction uncertainty bounds bracketed most of the observed data especially peak discharge values but the uncertainty due to other sources than parameter uncertainty (e.g. forcing data (rainfall) and model structure error) are significant. Coefficient of variation for curve number (CN) was small for all flood events, therefore this parameters is more sensitive than the others. Histograms of the posterior probability density functions (pdfs) show that most of the individual parameters are welldefined and occupy only a relatively small region of the uniform prior distributions. Best simulation under DREAMZS was obviously better than simulation results of Nelder and Mead search algorithm.