تحلیل حساسیت مبتنی بر واریانس در مدلهای هیدرولوژیکی: ارزیابی پارامترهای مدل HMETS نسبت به شاخصهای ارزیابی خطا
Keywords:
تحلیل حساسیت, مدل هیدرولوژیکی HMETS, روش مبتنی بر واریانس, شاخصهای ارزیابی خطا, عدمقطعیت مدلسازیAbstract
درک حساسیت مدلهای هیدرولوژیکی نسبت به شاخصهای مختلف خطا برای بهبود دقت و قابلیت اطمینان آنها امری ضروری است. این مطالعه با استفاده از روش Sobol، که مبتنی بر تحلیل حساسیت واریانسمحور است، تأثیر ۲۱ پارامتر مدل هیدرولوژیکی École de Technologie Supérieure (HMETS) را نسبت به پنج شاخص ارزیابی خطا شامل ضریب نش-ساتکلیف (NSE)، Log NSE، شاخص بایاس (PBIAS)، میانگین مربعات خطا (MSE) و مجذور میانگین مربعات خطا (RMSE) بررسی میکند. با تجزیه و تحلیل واریانس خروجیهای مدل به اثرات مرتبه اول و کل، این مطالعه مهمترین پارامترها و برهمکنشهای آنها را شناسایی کرده و درکی جامع از میزان تأثیرگذاری هر پارامتر ارائه میدهد. نتایج نشان میدهد که پارامتر (حداکثر ظرفیت ذخیرهسازی منطقه غیراشباع) در تمامی شاخصها تأثیر غالب دارد، که بر نقش کلیدی فرآیندهای ذخیرهسازی زیرسطحی در عملکرد مدل تأکید میکند. پارامترهای مرتبط با جریانهای زیرسطحی و تغذیه آب زیرزمینی، مانند (ضرایب تغذیه آب زیرزمینی) و (ضرایب جریان هیپودرمیک)، در شاخصهای NSE و Log NSE حساسیت بالایی دارند که اهمیت آنها را در شبیهسازی جریان پایه نشان میدهد. پارامتر (تبخیر و تعرق واقعی) مؤثرترین پارامتر در PBIAS است، که نشاندهنده نقش مستقیم آن در کنترل توازن آبی مدل میباشد. همچنین، پارامترهای مرتبط با ذوب برف، مانند (دمای پایه ذوب برف) تأثیر زیادی بر RMSE و Log NSE دارند،
درک حساسیت مدلهای هیدرولوژیکی نسبت به شاخصهای مختلف خطا برای بهبود دقت و قابلیت اطمینان آنها امری ضروری است. این مطالعه با استفاده از روش Sobol، که مبتنی بر تحلیل حساسیت واریانسمحور است، تأثیر ۲۱ پارامتر مدل هیدرولوژیکی École de Technologie Supérieure (HMETS) را نسبت به پنج شاخص ارزیابی خطا شامل ضریب نش-ساتکلیف (NSE)، Log NSE، شاخص بایاس (PBIAS)، میانگین مربعات خطا (MSE) و مجذور میانگین مربعات خطا (RMSE) بررسی میکند. با تجزیه و تحلیل واریانس خروجیهای مدل به اثرات مرتبه اول و کل، این مطالعه مهمترین پارامترها و برهمکنشهای آنها را شناسایی کرده و درکی جامع از میزان تأثیرگذاری هر پارامتر ارائه میدهد. نتایج نشان میدهد که پارامتر (حداکثر ظرفیت ذخیرهسازی منطقه غیراشباع) در تمامی شاخصها تأثیر غالب دارد، که بر نقش کلیدی فرآیندهای ذخیرهسازی زیرسطحی در عملکرد مدل تأکید میکند. پارامترهای مرتبط با جریانهای زیرسطحی و تغذیه آب زیرزمینی، مانند (ضرایب تغذیه آب زیرزمینی) و (ضرایب جریان هیپودرمیک)، در شاخصهای NSE و Log NSE حساسیت بالایی دارند که اهمیت آنها را در شبیهسازی جریان پایه نشان میدهد. پارامتر (تبخیر و تعرق واقعی) مؤثرترین پارامتر در PBIAS است، که نشاندهنده نقش مستقیم آن در کنترل توازن آبی مدل میباشد. همچنین، پارامترهای مرتبط با ذوب برف، مانند (دمای پایه ذوب برف) تأثیر زیادی بر RMSE و Log NSE دارند، که بر اهمیت فرآیندهای برفی در کاهش خطاهای جریانهای کم تأکید دارد. این ارزیابی مقایسهای حساسیت، بینش ارزشمندی را در اولویتبندی پارامترها برای کالیبراسیون و بهبود مدل فراهم میکند. یافتهها نشان میدهد که برای بهینهسازی عملکرد مدل HMETS، باید به ذخیرهسازی زیرسطحی، تعاملات بین جریانهای سطحی و زیرزمینی، و فرآیندهای برف توجه ویژهای شود. نتایج این تحقیق میتواند در بهبود استراتژیهای مدلسازی هیدرولوژیکی از طریق راهنمایی در انتخاب پارامترهای کلیدی و کاهش عدمقطعیت در پیشبینی جریان رودخانه مؤثر باشد.
که بر اهمیت فرآیندهای برفی در کاهش خطاهای جریانهای کم تأکید دارد. این ارزیابی مقایسهای حساسیت، بینش ارزشمندی را در اولویتبندی پارامترها برای کالیبراسیون و بهبود مدل فراهم میکند. یافتهها نشان میدهد که برای بهینهسازی عملکرد مدل HMETS، باید به ذخیرهسازی زیرسطحی، تعاملات بین جریانهای سطحی و زیرزمینی، و فرآیندهای برف توجه ویژهای شود. نتایج این تحقیق میتواند در بهبود استراتژیهای مدلسازی هیدرولوژیکی از طریق راهنمایی در انتخاب پارامترهای کلیدی و کاهش عدمقطعیت در پیشبینی جریان رودخانه مؤثر باشد.
Downloads
References
[1] Song XM, Kong FZ. Application of Xinanjiang model coupling with artificial neural networks. Bulletin of Soil and Water Conservation. 2010;30(6):135-8.
[2] Singh VP, Woolhiser DA. Mathematical modeling of watershed hydrology. Journal of hydrologic engineering. 2002 Jul;7(4):270-92.https://doi.org/10.1061/(ASCE)10840699 (2002)7: 4(270).
[3] Song XM, Zhan CS, Kong FZ, Xia J. A review on uncertainty analysis of large-scale hydrological cycle modeling system. Acta Geographica Sinica. 2011;66(3):396-406.
[4] Song X, Zhan C, Kong F, Xia J. Advances in the study of uncertainty quantification of large-scale hydrological modeling system. Journal of Geographical Sciences. 2011 Oct;21:801-19. https://doi.org/10.1007/s11442-011-0881-2.
[5] Campolongo F, Cariboni J, Saltelli A. An effective screening design for sensitivity analysis of large models. Environmental modelling & software. 2007 Oct 1;22(10):1509-18. https://doi.org/ 10.1016/j.envsoft.2006.10.004.
[6] Jakeman AJ, Letcher RA, Norton JP. Ten iterative steps in development and evaluation of environmental models. Environmental Modelling & Software. 2006 May 1;21(5):602-14. https:// doi.org/10.1016/j.envsoft.2006.01.004.
[7] Smith MB, Koren V, Zhang Z, Zhang Y, Reed SM, Cui Z, Moreda F, Cosgrove BA, Mizukami N, Anderson EA, Andreassian V. Results of the DMIP 2 Oklahoma experiments. Journal of hydrology. 2012 Feb 8;418:17-48. https://doi.org/10.1016/j.jhydrol.2011.08.056.
[8] Reed S, Koren V, Smith M, Zhang Z, Moreda F, Seo DJ, Participants DM. Overall distributed model intercomparison project results. Journal of Hydrology. 2004 Oct 1;298(1-4):27-60. https:// doi.org/10.1016/j.jhydrol.2004.03.031.
[9] Wang GS, Xia J, Chen JF. A multi-parameter sensitivity and uncertainty analysis method to evaluate relative importance of parameters and model performance. Geographical Research. 2010;29(2):263-70.
[10] Bahremand A, De Smedt F. Distributed hydrological modeling and sensitivity analysis in Torysa Watershed, Slovakia. Water Resources Management. 2008 Mar;22:393-408. https://doi. org/10.1007/s11269-007-9168-x.
[11] Lenhart T, Eckhardt K, Fohrer N, Frede HG. Comparison of two different approaches of sensitivity analysis. Physics and Chemistry of the Earth, Parts A/B/C. 2002 Jan 1;27(9-10):645-54. https://doi.org/10.1016/S1474-7065(02)00049-9.
[12] Saltelli A, Tarantola S, Campolongo F, Ratto M. Sensitivity analysis in practice: a guide to assessing scientific models. New York: Wiley; 2004 Apr 1. https://doi.org/10.1111/j. 1467985X. 2005.358_13.x.
[13] Ren QW, Chen YB, Zhou HL, Wang BD, Wang HX. Global sensitivity analysis of TOPMODEL parameters based on Sobol method. Yangtze River. 2010;41(19):91-4.
[14] Ascough II, Green TR, Ma L, Ahjua LR. Key criteria and selection of sensitivity analysis methods applied to natural resource models. InInternational Congress on Modeling and Simulation Proceedings. Salt Lake City, UT 2005 Nov 6 (pp. 2463-2469).
[15] Ren QW, Chen YB, Shu XJ. Global sensitivity analysis of Xinanjiang model parameters based on extend FAST method. Acta Sci. Nat. Univ. Sunyatseni. 2010;49(3):127-34.
[16] Morris MD. Factorial sampling plans for preliminary computational experiments. Technometrics. 1991 May 1;33(2):161-74. https://doi.org/10.1080/00401706.1991.1048 4804.
[17] Spear RC, Grieb TM, Shang N. Parameter uncertainty and interaction in complex environmental models. Water Resources Research. 1994 Nov;30(11):3159-69. https://doi. org/10.1029/94WR01732.
[18] Soboĺ IM. Sensitivity estimates for nonlinear mathematical models. Math. Model. Comput. Exp.. 1993;1:407.
[19] Ratto M, Pagano A, Young P. State dependent parameter metamodelling and sensitivity analysis. Computer Physics Communications. 2007 Dec 1;177(11):863-76. https://doi.org/ 10.1016/j.cpc.2007.07.011.
[20] Nash JE, Sutcliffe JV. River flow forecasting through conceptual models part I—A discussion of principles. Journal of hydrology. 1970 Apr 1;10(3):282-90. https://doi.org/10. 1016/0022-1694(70)90255-6.
[21] Krause P, Boyle DP, Bäse F. Comparison of different efficiency criteria for hydrological model assessment. Advances in geosciences. 2005 Dec 16;5:89-97. https://doi. org/10.5194/adgeo-5-89-2005.
[22] Oudin L, Andréassian V, Perrin C, Michel C, Le Moine N. Spatial proximity, physical similarity, regression and ungaged catchments: A comparison of regionalization approaches based on 913 French catchments. Water resources research. 2008 Mar;44(3). https://doi. org/10.1029/ 2007WR006240.
[23] Moriasi DN, Arnold JG, Van Liew MW, Bingner RL, Harmel RD, Veith TL. Model evaluation guidelines for systematic quantification of accuracy in watershed simulations. Transactions of the ASABE. 2007;50(3):885-900.
[24] Yapo PO, Gupta HV, Sorooshian S. Automatic calibration of conceptual rainfall-runoff models: sensitivity to calibration data. Journal of hydrology. 1996 Jun 1;181(1-4):23-48. https:// doi.org/10.1016/0022-1694(95)02918-4.
[25] Gupta HV, Sorooshian S, Yapo PO. Status of automatic calibration for hydrologic models: Comparison with multilevel expert calibration. Journal of hydrologic engineering. 1999 Apr;4(2):135-43. https://doi.org/10.1061/(ASCE)1084-0699(1999)4:2(135).
[26] Chai T, Draxler RR. Root mean square error (RMSE) or mean absolute error (MAE)?–Arguments against avoiding RMSE in the literature. Geoscientific model development. 2014 Jun 30;7(3):1247-50. https://doi.org/10.5194/gmd-7-1247-2014.
[27] Legates DR, McCabe Jr GJ. Evaluating the use of “goodness‐of‐fit” measures in hydrologic and hydroclimatic model validation. Water resources research. 1999 Jan;35(1):233-41. https://doi. org/10.1029/1998WR900018.
[28] Willmott CJ, Matsuura K. Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance. Climate research. 2005 Dec 19;30(1):79-82. https://doi.org/10.3354/cr030079.
[29] Vehviläinen B. Snow cover models in operational watershed forecasting. Helsinki, Finland: National Board of Waters and the Environment; 1992 Jan 1.
[30] Oudin L, Hervieu F, Michel C, Perrin C, Andréassian V, Anctil F, Loumagne C. Which potential evapotranspiration input for a lumped rainfall–runoff model?: Part 2—Towards a simple and efficient potential evapotranspiration model for rainfall–runoff modelling. Journal of hydrology. 2005 Mar 1;303(1-4):290-306. https://doi.org/10.1016/j.jhydrol. 2004.08.026.
