شبیه‌سازی رواناب سطحی شهری و اولویت‌بندی زیرحوضه‌های بحرانی با استفاده از مدل swmm و روش topsis (مطالعه موردی: شهر شهرکرد)

جاری شدن رواناب در نواحی شهری، باعث آب‌گرفتگی معابر می‌شود. این موضوع همواره مشکلات زیادی را به همراه دارد. شناسایی مناطق مستعد وقوع سیلاب‌های شهری و نقاط دارای آب‌گرفتگی، می‌تواند کمک زیادی به برنامه‌ریزی برای جلوگیری و کنترل سیلاب‌های احتمالی کند. در این پژوهش با استفاده از مدل swmm، شبکه جمع‌آوری رواناب سطحی شهر شهرکرد، در دوره بازگشت‌های 2، 5 و 10 ساله شبیه‌سازی شد. واسنجی مدل در 2 رویداد رگباری بر روی پارامتر عمق رواناب در چند کانال و گره تصادفی انجام شد. با انجام آنالیز حساسیت بر روی پارامتر‌های تاثیرگذار بر میزان رواناب کل حوضه، پارامتر عرض معادل به‌عنوان حساس‌ترین پارامتر حوضه شناخته شد. پس از انجام کالیبراسیون، صحت‌سنجی با مقدار بهینه در 2 رویداد رگباری دیگر انجام شد. برای تعیین خطای مدل‌سازی از ضرایب nse، rmse، و درصد bias، در مراحل واسنجی و صحت‌سنجی استفاده شد که به‌عنوان نمونه مقدار ضریب nse، در مرحله واسنجی بیشتر از 0.8 و در مرحله صحت‌سنجی بیش از 0.9 به دست آمد. این نتایج نشان از دقت خوب شبیه‌سازی دارد. نتایج مدل swmm نشان داد شبکه جمع‌آوری رواناب سطحی کفایت لازم را برای عبور رواناب سطحی در دوره بازگشت‌های مختلف ندارد و زیرحوضه‌های 20، 90، 25، 39 و 99 به‌ترتیب دارای بیشترین مقدار رواناب هستند. نتایج روش topsis نیز نشان داد که بحرانی‌ترین زیرحوضه‌ها، به‌ترتیب 92، 20، 25، 39 و 90 هستند. اغلب این زیرحوضه‌ها در مناطق جنوبی شهر واقع شده‌اند. در این مناطق به‌دلیل تراکم زیاد مناطق مسکونی و تجاری و عدم وجود فضای سبز کافی درصد مناطق نفوذناپذیر و در نتیجه میزان رواناب تولیدی، افزایش یافته است. مقایسه نتایج مدل swmm و روش topsis نشان از تطابق 80 درصدی در انتخاب زیرحوضه‌های بحرانی دارد. بنابراین استفاده از الگوریتم‌های تصمیم‌گیری چند شاخصه‌ای مانند روش topsis می‌تواند دقت مدل swmm را در انتخاب و اولویت‌بندی زیرحوضه‌های بحرانی، افزایش دهد. در نتیجه استفاده از این روش باعث بهبود روند تصمیم‌گیری در مواقع بحرانی می‌شود.

Urban Surface Runoff Simulation and Prioritization of Critical Sub Catchments Using SWMM Model and TOPSIS Method (Case Study: Shahrekord City)

Runoff in urban areas causes road flooding. This issue has many problems in itself. Identifying areas prone to urban floods and floodprone areas can greatly assist in planning of prevention and control of possible floods. In this study, using SWMM model, Shahrekord surface runoff collection network was simulated in 2, 5 and 10 year return periods. Model calibration was performed on 2 rainfall events on runoff depth parameter in several canal and random nodes. Sensitivity analysis was performed on the parameters affecting the total runoff of the catchment, and the equivalent width parameter was identified as the most sensitive parameter of the catchment. After calibration, validation was performed with optimum values in 2 other rainfall events. NSE, RMSE, and BIAS% coefficients were used to determine the modeling error in the calibration and validation steps in witch the values of the coefficient of NSE obtained more than 0.8 in calibration and more than 0.9 in validation. These results showed that the simulation has a good accuracy. Results of SWMM model showed that surface runoff collection network is not sufficient for passing surface runoff during different return periods and the sub catchments 20, 90, 25, 39 and 99 have the highest amount of runoff, respectively. The results of TOPSIS method also showed that the most critical sub catchments are 92, 20, 25, 39 and 90, respectively. Most of these sub catchments are located in the southern part of the city. Due to the high density of residential and commercial areas and the lack of enough green space, the percentage of impermeable areas has been developed and as a result, the production of runoff has been increased. Comparison of SWMM model and TOPSIS method results shows 80% compliance in the selection of critical sub catchments. Therefore, using multicriteria decision making algorithms such as TOPSIS can increase the accuracy of SWMM model in selecting and prioritizing the critical sub catchments. As a result, using this approach improves the decision making process in critical times.