بخشی از مقاله

چکیده

هنگام مدل سازی ثوابت و ضرایب زیادی وجود دارد که بر نتایج خروجی تأثیر زیادی می گذارند در بسیاری از مواقع ممکن است این ضرایب وثوابت با مقادیر واقعی خود در محیط اختلاف داشته باشند، عدم قطعیت ابزاری است برای ارزیابی میزان تأثیر گذاری این مقادیر،علی رغم کاربری آسان اکثر مدل های بارش  رواناب ، به علت تعداد نسبتا زیاد پارامتر ها و عدم وجود درک فیزیکی از آنها، این مدل ها در مرحله کالیبراسیون پارامتر ها دچار مشکل شده اند.حتی در صورت کالیبراسیون وشبیه سازی موفق مدل در یک دوره آماری با اطلاعات موجود، عدم قطعیت پارامترها سبب می شود که شبیه سازی برای دوره خارج از دوره کالیبراسیون کمتر اطمینان پذیر باشد.

بررسی و کمی کردن عدم قطعیت پارامتر های مدل بارش-رواناب عمدتاَ در دهه اخیر مطرح شده است.در مقاله موجود داده های بارش، دما و دبی 30 سال متوالی - 1971-2000 - حوضه آبریز قره سو موجود است و تلاش بر آن است که به کمک مدل IHACRES شبیه سازی برای سال های - 2069-2040 - این حوضه انجام گیرد ، درنتایج بدست آمده مشاهده شده است، که بیشترین مقدار سیلاب رامی توان دراین سال ها،در ماه آپریل وسپس مارچ دراین حوضه آبریز انتظار داشت.

مقدمه

هنگام مدل سازی ثوابت و ضرایب زیادی وجود دارد که بر نتایج خروجی تأثیر زیادی می گذارند در بسیاری از مواقع ممکن است این ضرایب وثوابت با مقادیر واقعی خود در محیط اختلاف داشته باشند، عدم قطعیت ابزاری است برای ارزیابی میزان تأثیر گذاری این مقادیر، بررسی و کمی کردن عدم قطعیت پارامتر های مدل بارش-رواناب عمدتاَ در دهه اخیر مطرح شده است.

عدم قطعیت مدل توزیعی پایه فیزیکی بارش - رواناب با استفاده از روشهای روزنبلت و شبیه سازی مونت کارلو بررسی نمودند و اثرات تغییر کاربری را ارزیابی کردند. بون و باینلی - 1993 - روش تخمین عدم قطعیت تشابهات عمومی - GLUE - را پیشنهاد کردندکه در آن روش شبیه سازی مونت کارلو و تئوری بیز تلفیق شده بود. فریبر و بون - 1996 - روش GLUE را در کالیبراسیون مدل TOPMODEL به کار بردند.

چمبل و همکارانش - 1999 - روش تلفیقی مونت کارلو و زجیره - - MCMC مارکو را به کار بردند که بر خلاف روش GLUE که فرض بر تبعیت پارامترهای مدل از توزیع احتمالاتی یکنواخت بود، از توزیع احتمالاتی واقعی پارامترها استفاده شد. این روش متکی بر روش متروپلیس هیسینگ - کوزا و پارنت 1998، بیت و چمبل - 2001 است.

مدل های متفاوتی جهت برآورد رواناب حوضه گسترش یافته اند که در این میان مدل IHACRES به دلیل استفاده از دما و بارش، یک مدل ساده و بسیار کابردی به منظور شبیه سازی رواناب به حساب می آید . عمده عدم قطعیت های شبیه سازی مدلها ناشی ازساختار مدل و عدم تعریف صحیح پارامتر ها هستند. بنابراین برای پیش بینی صحیح رواناب، عدم قطعیت پارامترها و به تبع آن عدم قطعیت پیش بینی ها باید مد نظر قرار گیرد. جهت به کمیت درآوردن عدم قطعیت روش های گوناگونی وجود دارد که از بین آنها روش شبیه سازی مونت کارلو به طور گسترده در منابع آب استفاده می گردد.

منابع عدم قطعیت - source of uncertainty -

تیپ :1 عدم قطعیت مربوط به داده های ورودی برای بررسی دلایل عدم قطعیت داده های ورودی می توان این سه عامل رادرنظرگرفت:

1.    خطای اندازه گیری

2.    خطای گزارش کردن ومحاسبات دستی

3.    کافی نبودن تعداد داده ها

تیپ:2 درک طبیعت مسئله - بدین معنی که دراین مقاله چگونه داده های بارش ودما به رواناب تبدیل می شود . به طور مثال مدل های HEC HMS , SAWTبرای درک بهترمسائل به کارمی روند وچون برداشت های مختلفی ازیک مسئله وجوددارد , مدل های مختلفی نیز موجود می باشد. - تیپ:3 پارامتر های مربوط به مدل

دلیل به کاربردن عدم قطعیت درمقالات بدین منظور است که آن مقاله کاربردی تر گردد ودر حدودیک رنج خاصی بتوان درک صحیحی از مسئله داشت.

روش های نشان دادن عدم قطعیت

1.    وجودرنج برای پارامتر ها

2.    دادن انحراف معیار ومیانگین ها

3.    احتمال وقوع بهترین پارامتر ونشان دادن نمودار cdfکه نمودار احتمالاتی می باشد.

روش های آنالیز عدم قطعیت

شبیه سازی بارش  رواناب

برای شبیه سازی بارش رواناب یک منطقه به دوروش زیر می توان عمل کرد :

1.    شبیه سازی : پیدا کردن الگوی مناسب برای تعیین داده های حاضر برای منطقه مورد نظر.

2.    پیش بینی جریان : دربحث رواناب پیش بینی جریان را می توان تا 4-3 ماه آینده پیش بینی گردد. برای این دوروش نیز دو رویکرد وجود دارد :

•  رویکرد های موجود برای شبیه سازی بارش  

.1 مدل های آماری - statistical -

.2 مدل های مفهومی - - conceptual

دراین مقاله مدل های مفهومی مد نظر هستندکه ، این نوع مدل ها مدل هایی فیزیکی هستند که بین لحظه ای که بارش رخ می دهد تازمانی که به رواناب تبدیل می گردد رابطه برقرار می کنند. این نوع مدل ها به غیر از اطلاعات اقلیمی به اطلاعات غیر اقلیمی هم احتیاج دارن ، به طور کلی این نوع مدل ها به اطلاعات زیادی احتیاج دارند .

•  مدل های مفهومی به دودسته تقسیم می شوند

1.    :Distributed این نوع مدل های ، مدل های توزیعی هستند که به تعداد داده بالایی احتیاج دارند وبرای هر قسمتی از حوضه به اطلاعات احتیاج دارند.

2.    :Lumped این نوع مدل های برای یک حوضه از هر پارامتری به یک داده احتیاج دارند.

مدل استفاده شده IHACRES از نوع Lumped می باشد ،که داده های مورد نیاز آن عبارتند از:

دبی ، دما و بارش . مدل نیمه مفهومی IHACRES که توسط Jaceman و - 1993 - Hornberger ارائه ، استفاده شده است. اساس این روش از دو مدول غیرخطی کاهش - Non-linear loss module - ومدول خطی هیدروگراف تشکیل می شود.

منطقه مورد مطالعه

منطقه مطالعاتی این تحقیق، حوضه قره سو یکی از زیر حوضه های اصلی حوضه آبریز کرخه است که موقعیت آن در شکل شماره 1 به همراه موقعیت ایستگاههای هیدرومتری و بارانسنجی موجود نشان داده شده است. مساحت حوضه تا ایستگاه هیدرو متری قره باغستان 5500 کیلومتر مربع است که سطحی معادل %13 حوضه کرخه تا محل سد کرخه را می پوشاند. حداقل و حداکثر ارتفاع حوزه در محل ایستگاه هیدرو متری خرس آباد تا مساحت 1460 کیلومتر مربع به ترتیب برابر 1180 و 2700 متر از سطح دریاست که از نظر رده بندی جزو حوضه های کوهستانی برف گیر قرار می گیرد. سیلاب های این حوضه با سیلاب های شاخه گاماسیاب، سیلاب دشت رودخانه سیمره را غرقاب کرده و خسارت زیادی به بار می آورد.

شکل شماره - : - 1 شکل رودخانه های حوضه قره سو و توپوگرافی منطقه

مدل بارش - رواناب IHACRES

مدل بارش رواناب روزانه توسط جکمن و هورنبرگر در سال 1993 ارائه شد. اساس این روش از دو مدول غیر خطی کاهش و مدول خطی هیدروگراف تشکیل می شود .به این منظور درتوسط مدول غیر k در هر گام زمانی و دما ابتدا بارندگی تبدیل شده و سپس به وسیله مدول خطی uk خطی، به بارندگی موثرهیدروگراف واحد به رواناب سطحی در همان گام زمانی تبدیل می شود.

مواد وروش ها

در این مقاله هدف بدست آوردن عدم قطعیت رواناب حوزه قره سو تحت تاثیر تغییر اقلیم می باشد،و برای آنالیز عدم قطعیت از روش مونت کارلو استفاده شده است. این روش ازنوع دوم روش های آنالیز عدم قطعیت می باشد. برای این روش در هر سه منبع عدم قطعیت باید نمودار احتمالاتی PDFداده های ورودی وجود داشته باشد .

دراین روش ازهر کدام از نمودارهای PDFیک sampleیا نمونه برداشت می شود,sample های انتخاب شده رادرمدل مورد نظر قرار داده ومقادیر تابع هدف را بدست می آورند.

در متن اصلی مقاله به هم ریختگی وجود ندارد. برای مطالعه بیشتر مقاله آن را خریداری کنید