تحلیل عدم‌ قطعیت چندهدفه مدلسازی زراعی-هیدرولوژیکی یک مزرعه نیشکر با زهکشی زیرزمینی از طریق شبیه‌سازی‌های مهار شده مونت‌کارلو

شبیه‌سازی‌های زراعی-هیدرولوژیکی در معرض درجات مختلفی از عدم قطعیت قرار دارد. در این رابطه، تحلیل عدم قطعیت می‌تواند بینش مفیدی در خصوص درجه استحکام خروجی‌های مدل فراهم آورد. در این مطالعه، با تلفیق روش برآورد عدم قطعیت درست‌نمایی تعمیم یافته (glue) و گونه‌ یکپارچه‌سازی شده الگوریتم بهینه‌سازی رفتار جمعی اجزا (upso) یک طرح تحلیل عدم قطعیت چندهدفه ترکیبی (glueu-pso) مبتنی بر شبیه‌سازی‌های مهار شده مونت‌کارلو توسعه یافت. طرح توسعه یافته به‌منظور تحلیل عدم قطعیت مدل‌سازی زراعی-هیدرولوژیکی توزیعی با استفاده از مدل swap برای یک مزرعه نیشکر با زهکشی زیرزمینی، واقع در کشت و صنعت نیشکر شعیبیه، خوزستان مورد کاربرد قرار گرفت. نتایج این بررسی حاکی از غیریکتایی قوی اکثر پارامترهای واسنجی شده و اهمیت تحلیل عدم قطعیت شبیه‌سازی‌های مدل swap بود. وجود ضرایب همبستگی قوی بین پارامترهای واسنجی شده حاکی از اهمیت واسنجی مولفه‌های مختلف مدل به‌ازای داده‌های اندازه‌گیری شده معیار متنوع به‌صورت هم‌زمان بود. محدوده‌های عدم قطعیت پیش‌بینی 95 درصد اشتقاق یافته برای مولفه‌های هیدرولوژی (رطوبت خاک، نوسانات سطح ایستابی و جریان زه‌آب خروجی از زهکش زیرزمینی)، انتقال املاح (نیم‌رخ غلظت املاح آب خاک و شوری زه‌آب) و بیوفیزیکی مدل (شاخص سطح برگ، عملکرد نی و عملکرد ساکارز) به‌ترتیب، بین 67 تا 90، 23 تا 71 و 75 تا 100 درصد از کل داده‌های اندازه‌گیری شده (اعم از هردو مجموعه داده‌های واسنجی و صحت‌سنجی) را با rfactor بین 0.58 تا 1.34، 0.43 تا 1.07 و 0.70 تا 0.98 در بر گرفتند. نتایج این مطالعه، حاکی از سطح قابل قبول عدم قطعیت مدل و قابلیت روش تلفیقی توسعه یافته در واسنجی و کمی‌سازی عدم قطعیت مولفه‌های مختلف مدل به‌طور هم‌زمان بود.

Multi-Objective Uncertainty Analysis of Agro-Hydrological Modeling of a Sugarcane Farming System with Subsurface Drainage through Restrained Monte-Carlo Simulations

The agrohydrologic simulations are subject to varying degrees of uncertainty. In this regard, uncertainty analysis can provide useful insights into the level of robustness of the model outputs. In this study, a hybrid multiobjective uncertainty analysis scheme, GLUEUPSO, based on strained MonteCarlo simulations was developed, combining Generalized Likelihood Uncertainty Estimation (GLUE) and Unified Particle Swarm Optimization (UPSO). The developed scheme was used for uncertainty analysis of distributed agrohydrological modeling with SWAP for a sugarcane farming system with subsurface drainage located at Shoaybiyeh Sugarcane Agroindustrial Company farms, Khuzestan, Iran. The results highlighted the strong nonuniqueness of most of the calibrated parameters and the importance of uncertainty analysis of the SWAP simulations. Strong parameter correlations revealed the need for the simultaneous calibration of the model parameters against diverse calibration data. The 95% prediction uncertainty bands obtained for the model’s hydrology (soil water content, water table level, subsurface drainage outflow), solute transport (soil water solute concentration and subsurface drainage outflow salinity), and biophysical (leaf area index, cane, and sucrose dry yield) components enveloped 67%90%, 23%71%, and 75%100% of the corresponding observed data (including both calibration and validation datasets), respectively, with an rfactor of 0.581.34, 0.431.07, and 0.700.98. The results of the study indicated the acceptable level of model uncertainty and the capability of the developed framework for simultaneous calibration and uncertainty quantification of model components.