تجزیه و تحلیل حساسیت پارامتر مدل SWAT برای شبیه سازی جریان با مجموعه داده های بارش چند منبع

جینگ گوو ، شیائولینگ سو ؛تجزیه و تحلیل حساسیت پارامتر مدل SWAT برای شبیه سازی جریان با مجموعه داده های بارش چند منبع. تحقیقات هیدرولوژی 1 ژوئن 2019 ؛50 (3): 861-877. doi: https://doi.org/10. 2166/nh. 2019. 083

دانلود پرونده استناد:

خلاصه

جریان جریان در حوضه رودخانه شییانگ بر اساس ابزار ارزیابی خاک و آب (SWAT) عددی بررسی شده است. مجموعه داده های بارش درون یابی از داده های بارش GSI ، ماهواره چند منبع و تجزیه و تحلیل مجدد از جمله TRMM ، CMDF ، CFSR ، CHIRPS و PGF به طور ویژه به عنوان ورودی های مدل SWAT و حساسیت های پارامترهای مدل و همچنین پیش بینی جریان جریان های غیر منتظره جریان مورد بحث قرار می گیرند. روش اتصالات عدم اطمینان متوالی (SUFI-2). نتایج نشان می دهد که با پایین آمدن مجموعه داده های بارش ، شبیه سازی جریان را می توان به طور مؤثر بهبود بخشید. حساسیت پارامترهای مدل با توجه به مجموعه داده های مختلف بارش و زیر پاییز به طور قابل توجهی متفاوت است. CN2 (شماره منحنی رواناب اولیه SCS برای شرایط رطوبت II) و SMTMP (دمای پایه ذوب برف) حساس ترین پارامترها است ، این بدان معناست که نسل های رواناب سطح و ذوب برف برای جریان جریان در این حوضه بسیار مهم هستند. علاوه بر این ، تجزیه و تحلیل عدم اطمینان از پیش بینی جریان نشان می دهد که عملکرد شبیه سازی با بهینه سازی پارامتر می تواند بیشتر بهبود یابد. همچنین نشان می دهد که داده های بارش از مجموعه داده های ماهواره ای و تجزیه و تحلیل مجدد می تواند برای شبیه سازی جریان به عنوان ورودی های مؤثر اعمال شود و وابستگی به حساسیت پارامتر به حوضه و مجموعه داده بارش مسئول تغییر عملکرد شبیه سازی است.

معرفی

بارش به عنوان یکی از مهمترین مجموعه داده های ورودی برای شبیه سازی جریان با استفاده از مدلهای هیدرولوژیکی به خوبی پذیرفته شده است (لیانگ و همکاران 2018). به طور کلی ، داده های بارش را می توان توسط ایستگاه های زمینی ، رادارهای زمینی و اطلاعات سنجش از راه دور بدست آورد. داده های بارش به دست آمده توسط ایستگاه های بارندگی زمینی دقیق است ، اما به دلیل وابستگی شدید به توپوگرافی ، جهت باد ، جنبه تپه و سایر عوامل منطقه ای از توزیع های ناهمگن مکانی و زمانی است (Price et al. 2014). در همین حال ، داده های بارش مورد استفاده در ابزار ارزیابی خاک و آب (SWAT) به طور معمول از ایستگاه های بارش که نزدیکترین سانتروئید زیر بیزین هستند بدون در نظر گرفتن ناهمگونی مکانی (Neitsch و همکاران 2011) اتخاذ می شوند ، بنابراین وضوح مکانیداده های بارش برای مدل سازی هیدرولوژیکی مهم است. با این حال ، توزیع مکانی پراکنده و ناهمگن بارش برای ارزیابی دقیق دشوار است (Moine et al. 2015).< Pan> بارش به عنوان یکی از مهمترین مجموعه داده های ورودی برای شبیه سازی جریان با استفاده از مدلهای هیدرولوژیکی به خوبی پذیرفته شده است (لیانگ و همکاران 2018). به طور کلی ، داده های بارش را می توان توسط ایستگاه های زمینی ، رادارهای زمینی و اطلاعات سنجش از راه دور بدست آورد. داده های بارش به دست آمده توسط ایستگاه های بارندگی زمینی دقیق است ، اما به دلیل وابستگی شدید به توپوگرافی ، جهت باد ، جنبه تپه و سایر عوامل منطقه ای از توزیع های ناهمگن مکانی و زمانی است (Price et al. 2014). در همین حال ، داده های بارش مورد استفاده در ابزار ارزیابی خاک و آب (SWAT) به طور معمول از ایستگاه های بارش که نزدیکترین سانتروئید زیر بیزین هستند بدون در نظر گرفتن ناهمگونی مکانی (Neitsch و همکاران 2011) اتخاذ می شوند ، بنابراین وضوح مکانیداده های بارش برای مدل سازی هیدرولوژیکی مهم است. با این حال ، توزیع مکانی پراکنده و ناهمگن بارش برای ارزیابی دقیق دشوار است (Moine et al. 2015) . PRECIPITATION به عنوان یکی از مهمترین مجموعه داده های ورودی برای شبیه سازی جریان با استفاده از مدلهای هیدرولوژیکی پذیرفته شده است (Liang et al. 2018). به طور کلی ، داده های بارش را می توان توسط ایستگاه های زمینی ، رادارهای زمینی و اطلاعات سنجش از راه دور بدست آورد. داده های بارش به دست آمده توسط ایستگاه های بارندگی زمینی دقیق است ، اما به دلیل وابستگی شدید به توپوگرافی ، جهت باد ، جنبه تپه و سایر عوامل منطقه ای از توزیع های ناهمگن مکانی و زمانی است (Price et al. 2014). در همین حال ، داده های بارش مورد استفاده در ابزار ارزیابی خاک و آب (SWAT) به طور معمول از ایستگاه های بارش که نزدیکترین سانتروئید زیر بیزین هستند بدون در نظر گرفتن ناهمگونی مکانی (Neitsch و همکاران 2011) اتخاذ می شوند ، بنابراین وضوح مکانیداده های بارش برای مدل سازی هیدرولوژیکی مهم است. با این حال ، توزیع مکانی پراکنده و ناهمگن بارش برای ارزیابی دقیق دشوار است (Moine et al. 2015).

برای بهبود دقت داده های بارش ، روشهای درون یابی مکانی مانند میانگین الگوریتمی ساده ، چند ضلعی های Thiessen ، وزن گیری از راه دور معکوس (IDW) و درون یابی کریگینگ ، ارائه شده است ، و بسیاری از مدل ها بر اساس درون یابی فضایی مشاهدات هواشناسی با توجه به آن ایجاد می شوند. روابط غیرخطی بین بارش و عوامل توپوگرافی ، به عنوان مثالارتفاع ، طول و عرض جغرافیایی (Teegavarapu & Chandramouli 2005). در سالهای اخیر ، با توجه به مزایای پوشش فضایی بزرگ ، وضوح مکانی و زمانی زیاد و وابستگی ضعیف به شرایط توپوگرافی ، داده های هواشناسی به دست آمده از منابع مختلف ، مانند ماهواره و تجزیه و تحلیل مجدد ، در تحقیقات مربوط به تغییرات آب و هوا به طور گسترده ای اعمال می شود. یک روش جدید و امکان پذیر برای تشکیل مضرات داده های مشاهده (مایکلیدس و همکاران 2009). مجموعه داده های بارش ماهواره و تجزیه و تحلیل مجدد ، به عنوان مثالمأموریت اندازه گیری بارش باران گرمسیری (TRMM) ، سیستم پیش بینی آب و هوا (Reanalysis) ، خطرات آب و هوا بارش مادون قرمز با ایستگاه ها (CHIRPS) و مجموعه داده های اجباری هواشناسی جهانی برای مدل سازی سطح زمین که توسط دانشگاه پرینستون (PGF) انجام شده است ، هنگامی که رسوب ناهمگن تفریحی به طور گسترده ای اعمال شده است. از داده ها به عنوان داده های ورودی برای مدلهای هیدرولوژیکی مانند SWAT استفاده می شود (هو و همکاران 2014 ؛ دوان و همکاران 2016). داده های بارش چند منبع به دست آمده توسط ماهواره و تجزیه و تحلیل مجدد ، به عنوان یک مکمل مهم برای مجموعه داده های بارش در مدلهای هیدرولوژیکی ، می تواند نتایج شبیه سازی را بهبود بخشد. به عنوان مثال ، این نشان می دهد که خطای خروجی ناشی از خطای داده بارش رادار کمتر از خطای ایجاد شده در هنگام انتقال از بارش به جریان است (Wyss et al. 1990). با این وجود ، به جز خطاهای جدی سیستم در اختیار داده های بارش ، دقت بارش بازیابی شده به دلیل محدودیت تئوری های فیزیکی و الگوریتم های برای به دست آوردن ماهواره بازیابی شده بارش (وانگ و همکاران 2018) و عدم قطعیت نسبتاً کم است (وانگ و همکاران 2018)داده های ورودی بارش منجر به انتقال و تجمع عدم اطمینان در ماژول های مختلف در مدلهای هیدرولوژیکی می شود. برای شبیه سازی هیدرولوژیکی در مقیاس های کوچک ، پردازش تصحیح پایین و انحراف معمولاً برای همگن سازی وضوح مکانی ورودی های بارش استفاده می شود (وانگ و همکاران 2015).

علاوه بر این ، بهینه سازی پارامتر مهمترین روش در طول شبیه سازی هیدرولوژیکی است زیرا تعداد زیادی از پارامترها به عنوان ایجاد مدل هیدرولوژیکی درگیر هستند (بک 1987) و هر پارامتر برای نتایج شبیه سازی بسیار مهم است. به طور کلی ، پارامترهای مدل توصیفات جامع از فرآیند هیدرولوژیکی تاریخی و خصوصیات سطح زیرین است (Beven & Binley 1992) ، و این پارامترها به طور مستقیم یا غیرمستقیم از خصوصیات حوضه ، داده های هیدرولوژیکی و بهینه سازی پارامترها بدست می آیند. با این حال ، ناهمگونی مکانی پارامترها ، خطاهای ناشی از طی فرآیند دستیابی به داده های هیدرولوژیکی و خطاهای ناشی از انتخاب روش بهینه سازی یا عملکرد عینی ، دقت شبیه سازی هیدرولوژیکی را کاهش داده و عدم قطعیت های جدی را به مقادیر اولیه پارامتر معرفی می کنند (BEVEN1993). در همین حال ، مقادیر پارامترهای مدل با یکدیگر بسیار مرتبط هستند و پدیده ای به نام "پارامترهای Equifinality" به عنوان چند گروه از پارامترها با همان توابع مناسب مطابقت دارد ، که باعث افزایش عدم اطمینان از مقادیر پارامتر می شود. بنابراین ، تجزیه و تحلیل حساسیت از پارامترهای مدل برای درک تأثیر هر پارامتر بر نتایج شبیه سازی در طول شبیه سازی هیدرولوژیکی ضروری است (جیانگ و همکاران 2018). پارامترها را می توان با توجه به حساسیت پارامتر به دست آمده توسط تجزیه و تحلیل حساسیت انتخاب کرد ، که باعث کاهش تعداد پارامترهای مورد نیاز در فرآیند کالیبراسیون و بهبود راندمان شبیه سازی می شود. مهمتر از همه ، عدم اطمینان پارامتر و عدم اطمینان خروجی به طور مؤثر کاهش می یابد.

حوضه رودخانه Shiyang یک منطقه خشک معمولی با ایستگاه های بارندگی پراکنده است ، بنابراین داده های بارش با کیفیت بالا برای به دست آوردن نتایج شبیه سازی رضایت بخش جریان بر اساس مدل SWAT در این حوضه مورد نیاز است. در این مطالعه ، داده های درون یابی فضایی جغرافیایی بارش مشاهده شده (GSI) و مجموعه داده های بارش چند منبع به دست آمده توسط سنجش از دور و تجزیه و تحلیل مجدد ، از جمله TRMM ، مجموعه داده های اجباری هواشناسی چین (CMDF) ، CFSR ، Chirps و PGF به ویژه به عنوان داده های ورودی در نظر گرفته می شوند. سواتدر همین حال ، مجموعه داده های بارش چند منبع بر اساس مجموعه داده GSI کاهش یافته است ، و سپس مجموعه داده های Downscaled برای شبیه سازی جریان استفاده می شود تا در مورد اینکه آیا می توان آن را به عنوان داده های ورودی بارش امکان پذیر ارائه داد یا خیر ، استفاده می شود. حساسیت ها و عدم قطعیت های پارامترهای مدل با استفاده از ورودی های بارش پایین با توجه به اثرات آنها بر نتایج شبیه سازی جریان بحث شده است ، بنابراین عدم اطمینان پیش بینی جریان نیز برای به دست آوردن تأثیر پارامترها بر عملکرد شبیه سازی تحت داده های بارش چند منبع مشاهده می شود.

داده ها و روش شناسی

منطقه مورد مطالعه

همانطور که در شکل 1 نشان داده شده است، حوضه رودخانه شی یانگ یک حوضه معمولی خشک داخلی است که در استان گانسو (چین) واقع شده است و مساحتی معادل 41400 کیلومتر مربع را پوشش می دهد. منطقه مورد مطالعه شامل شش زیرحوضه است که در بالادست حوضه رودخانه شی یانگ قرار دارند، از جمله حوضه رودخانه Xida، حوضه رودخانه Dongda، حوضه رودخانه Xiying، حوضه رودخانه Jintai، حوضه رودخانه Zamu و حوضه رودخانه Huangyang. داده های اولیه هواشناسی شامل بارش، دما، سرعت باد، تابش خورشیدی و رطوبت نسبی است که از ایستگاه هواشناسی ووشائولینگ به دست آمده است. داده های بارش روزانه از 32 ایستگاه باران سنج (شکل 1(a)) برای دوره 1989-2008 جمع آوری شد. داده‌های جریان جریان از سال 1990 تا 2008 از شش ایستگاه هیدرولوژیکی، از جمله ایستگاه مخزن Xidahe، ایستگاه Shagousi، ایستگاه Jiutiaoling، ایستگاه مخزن Nanying، ایستگاه Zamusi و ایستگاه مخزن Huangyang به‌دست آمد. توزیع فضایی کاربری زمین و انواع خاک در سال 2000 در شکل 1(b) نشان داده شده است که نشان می دهد 18 نوع کاربری زمین وجود دارد. دسته بندی اصلی کاربری اراضی علفزارهای با پوشش متوسط، مراتع با پوشش بالا و درختچه ها هستند. علاوه بر این، 15 نوع خاک در این منطقه وجود دارد که سه نوع اصلی خاک عبارتند از لپتوسول ژلیک، لپتوسول اوتریک و گلی سول مولک. جزئیات در مورد داده های مورد نیاز مدل SWAT در جدول 1 آمده است.

منابع داده و توضیحات

اطلاعات اساسی حوضه رودخانه شیانگ: (الف) بررسی اجمالی حوضه و توزیع ایستگاه های نظارت و (ب) توزیع انواع خاک و کاربری زمین.

اطلاعات اساسی حوضه رودخانه شیانگ: (الف) بررسی اجمالی حوضه و توزیع ایستگاه های نظارت و (ب) توزیع انواع خاک و کاربری زمین.

درون یابی بارش مشاهده شده

در این مطالعه ، هیچ یک از ایستگاه های بارندگی در ارتفاعات بالاتر از 3000 متر در منطقه مورد مطالعه واقع نشده است. به همین دلیل ، یک روش درون یابی فضایی جغرافیایی برای برآورد توزیع مکانی بارش با توجه به عوامل توپوگرافی حاصل از ایستگاه های بارندگی محدود ایجاد شده است. رابطه بین بارش و ارتفاع را می توان با عملکردهای خطی یا نمایی به خوبی ضبط کرد (دالی و همکاران 1994). در این مطالعه از روابط بین ارتفاع ، طول جغرافیایی ، عرض جغرافیایی و بارش در روش درون یابی در نظر گرفته شده است و از داده های بارش موجود در 32 ایستگاه بارندگی استفاده می شود. داده های درون یابی فضایی جغرافیایی بارش مشاهده شده (GSI) را می توان در مقیاس 0. 01 درجه بدست آورد و داده های بارش سالانه به عنوان تابعی از عوامل ژئومورفیک توسط:

جایی که PCP بارش سالانه (میلی متر) است ، طول آن ایستگاه های بارندگی است ، عرض جغرافیایی است و نشان دهنده ارتفاع ایستگاه (M) است.

مجموعه داده های چند منبع و پایین آمدن

مجموعه داده های بارش ماهواره ای و تجزیه و تحلیل مجدد از جمله TRMM ، CMDF ، CFSR ، CHIRPS و PGF در این مطالعه مورد استفاده قرار گرفت و اطلاعات دقیق هر مجموعه داده در جدول 2 خلاصه شده است. به طور خاص ، TRMM 3B42 ، به عنوان یک نوع تجزیه و تحلیل رسوب بارش چند نفری TRMM (TRMM)TMPA) مجموعه داده (هافمن و همکاران 2007) ، را می توان از مرکز داده های علوم و اطلاعات علوم زمین گودارد در http://mirador. gsfc. nasa. gov دریافت کرد. داده های CMDF ، ارائه شده توسط مرکز جذب و مدل سازی داده ها برای چند کلوچه تبت (سد) ، با ادغام سری داده ها ، از جمله داده های موجود در تجزیه و تحلیل پرینستون موجود ، داده های جهانی جذب داده های زمین (GLDAS) ، انرژی جهانی انرژی و چرخه آب تولید می شود. بودجه تابش سطح آزمایش (GEEX-SRB) ، داده های بارش TRMM و مشاهدات روتین هواشناسی از اداره هواشناسی چین (لی و همکاران 2012). داده های CFSR ، که توسط مراکز ملی پیش بینی محیط زیست ارائه شده است ، به عنوان یک سیستم سطح جهانی و اقیانوس و اقیانوس سطح زمین-یخ-آب و هوا به عنوان یک سیستم سطح و اقیانوس و اقیانوس و آبساخته طراحی و پیاده سازی شده است تا بهترین تخمین های حالات این حوزه های همراه را ارائه دهد (Saha و همکاران 2010) ، موجود در https://rda. ucar. edu/pub/cfsr.html. داده های chirps بر اساس ادغام مجموعه داده های مختلف است و در http://chg. geog. ucsb. edu/data/chirps/ در دسترس است. در واقع ، داده های CHIRPS شامل داده های آب و هوای بارش ماهانه (CHPCLIM) ، اطلاعات مدت زمان Cloud Cloud (CCD) ، داده های TRMM 3B42 (نسخه 7) ، مدل بارندگی جوی (نسخه 2) و داده های ایستگاه باران (Funk et al. 2015). مجموعه داده PGF ، موجود در http://hydrology. princeton. edu/data. pgf. php ، می تواند با استفاده از چهار مجموعه داده ، از جمله داده های بازآرایی NCEP ، واحد تحقیقات آب و هوایی (CRU) داده بارش ماهانه ، پروژه جهانی آب و هوای بارش (پروژه آب و هوایی بارش (CRU) ، ساخته شود. GPCP) داده بارش روزانه و داده های TRMM 3 ساعته در زمان واقعی (شفیلد و همکاران 2006).

بارش به دست آمده از داده های ماهواره ای و تجزیه و تحلیل

همانطور که در جدول 2 نشان داده شده است ، این مجموعه داده ها در وضوح مکانی متفاوت هستند که از 0. 01 تا 0. 3 درجه متغیر است ، که ممکن است بر صحت شبیه سازی جریان به سمت های مختلف تأثیر بگذارد (لی و همکاران 2012). از این رو ، پردازش تصحیح پایین یا انحراف برای بهبود صحت داده های بارش انجام می شود (سسیناتی و همکاران 2017). برای فرآیند پایین آمدن ، از داده های درون یابی مکانی بارش (GSI) به دست آمده از طریق روش درون یابی فضایی جغرافیایی به عنوان داده های پایه استفاده می شود. سپس ، داده های بارش ماهواره و تجزیه و تحلیل مجدد می توانند در وضوح مکانی 0. 01 درجه توسط ضریب تنظیم جبران به شرح زیر اصلاح شوند:

بارش در روز j در ماه من در محل داده رادار (MM) ثبت شده است ، بارش در روز j در ماه من در ایستگاه سنج (MM) ثبت شده است ، میانگین بارش در ماه به دست آمده استاز مجموعه داده های رادار ، و نشان دهنده میانگین بارش در ماه من است که از داده های سنج بدست آورده ام.

روش sufi-2

پارامترهای در نظر گرفته شده در نظریه آماری بیزی به عنوان گروهی از متغیرهای فازی گرفته می شوند که مربوط به چگالی احتمال خلفی مفصل است (او و همکاران 2011). بنابراین ، عدم قطعیت پارامتر می تواند با احتمال خلفی پارامترهای مدل ، اطلاعات قبلی موجود در پارامترهای مدل و اطلاعات موجود در داده های ورودی اندازه گیری شود (Misirli و همکاران 2013). از جمله روش حساسیت و عدم اطمینان از پارامترها ، SUFI-2 (روش اتصالات عدم اطمینان پی در پی ، نسخه 2) یک الگوریتم جستجوی جهانی کارآمد برای کالیبراسیون ، بهینه سازی پارامترها و تجزیه و تحلیل عدم اطمینان با هزینه محاسباتی پایین است (بین 500 تا 1500 مدل اجرا)(Abbaspour 2011) ، و همه این موارد را می توان بر اساس بسته ابزار برنامه های عدم قطعیت کالیبراسیون SWAT (CUP) بدست آورد. در SUFI-2 ، بهینه سازی پارامتر برای یک مجموعه پارامتر اعمال می شود و عدم قطعیت های پارامتر توسط محدوده نهایی مجموعه های پارامتر (Abbaspour 2011) شرح داده شده است ، و به طور کلی ، الگوریتم های بهینه سازی شامل روش SIMPLEX ، الگوریتم جستجوی تصادفی و همبستگی رقابتی استالگوریتم (Duan et al. 1992) ، و روش های تجزیه و تحلیل جهانی LH (لاتین-هیپرکوب) در SUFI-2 استفاده می شود (Abbaspour 2011).

روش SUFI-2 شامل موارد زیر است: (1) عملکرد هدف و دامنه های اولیه پارامترها را تعریف کنید ، جایی که مقادیر اولیه تجربی هستند.(2) مقادیر پارامتر جدیدی را برای عملکرد بعدی با همبستگی بین عملکرد هدف و پارامترها فراهم کنید ، که در آن شبیه سازی های متعدد از هر پارامتر انجام می شود.(3) ترکیبات چندگانه از پارامترها را بر اساس نمونه گیری LH بدست آورید ، و فاصله پیش بینی 95 ٪ از هر پارامتر تعیین می شود.(4) عدم اطمینان پیش بینی 95 ٪ (95ppu) را محاسبه کنید. در طی این فرایندها ، ماتریس حساسیت توسط:

در جایی که من شماره گروه LH هستم ، j تعداد پارامتر است ، تعداد ردیف های موجود در ماتریس حساسیت ، پارامتر J Th است که باید کالیبره شود ، حساسیت پارامتر است.