شبيه‌سازي عدم قطعيت پارامترهاي مدل هيدرولوژيك با بهره‌گيري از چهارچوب UNEEC-P: مطالعه موردي مدل بيلان آبي ماهانه

Simulation of Parametric Uncertainty of Hydrological Models using UNEEC-P Framework: Monthly Water Balance Model case Study

تلاش به منظور شبيه‌سازي عدم قطعيت متأثر از پارامترها و يا ساختار اصلي مدل رياضي و يا مفهومي منجر به ارائه روش‌هاي مختلف احتمالاتي، امكاني و خلاقانه شده است. در مقاله حاضر با استفاده از ساختار UNEEC-P به تخمين رفتار غيرقطعي پارامتري در مدل بيلان ماهانه پرداخته شده است. نوآوري ارائه شده در اين مقاله مبتني بر استفاده از مدل مفهومي اصلي (مدل بيلان آبي ماهانه) به جاي استفاده از مدل‌هاي رگرسيوني به منظور تخمين حد بالا و پايين غير ‌قطعي نتايج است. مدل مفهومي مورد استفاده، مدل بيلان آبي ماهانه با سه پارامتر است كه در حوضه آبريزي كوچك با مساحت 82 كيلومتر مربع در جنوب فرانسه مورد استفاده قرار گرفته تا نتايج عدم قطعيت پارامتري حاصل از استفاده روش GLUE و در دامنه غير قطعي [95، 5] شبيه‌سازي شود. همچنين به منظور ارزيابي عملكرد مدل پيشنهادي نتايج حاصل از مدل بيلان با نتايج مدل رگرسيون عمومي شبكه عصبي مصنوعي (GRNN) مقايسه شده است. با هدف ارزيابي دقت و اعتبار آماري ساز و كار نوين پيشنهادي در اين مقاله، علاوه بر شاخص‌هاي ارزيابي معمول تشابه و عدم تشابه، از شاخص AIC نيز استفاده شده است. مشخصات آماري متعددي همچون ميانگين مربعات خطا (MSE)، ميانگين مربعات خطاي نرمال شده (NMSE)، شاخص Nash-sutcliff، ضريب همبستگي و AIC دال بر مطلوبيت بيشتر استفاده از روش ارائه شده و همچنين بهبود نتايج حاصل از ساختار مفهومي ارائه شده در مقايسه با نتايج حاصل از شبكه عصبي مصنوعي به تفكيك دوره كالبيدن و ارزيابي است.

Efforts to achieve suitable estimation of parametric or the structural uncertainty of mathematical or conceptual frameworks have been led to develop various probabilistic, possibilistic, and innovative methods. In this paper, uncertain parametric behavior in a monthly water balance model has been studied using the structure of the UNEEC-P method. In the approach proposed by this paper and for the first time, instead of using a variety of regression methods to estimate the upper and lower uncertain bounds, the original conceptual model has been used. The applied conceptual model is a three-parameter monthly water balance model, and the case study of the paper is a small basin with an area of 82 square kilometers in southern France. Also, in order to evaluate the performance of the proposed method, Generalized Regression Neural Network (GRNN) has been used to evaluate the results of the conceptual models. The estimation of parametric uncertainty has been used to simulate the results of GLUE method in a Confidence Level (CL) equal to 90%. In order to measure the accuracy and validity of the new mechanism proposed in this study, in addition to the usual evaluation indicators of similarity and dissimilarity, the AIC index is also used, and different statistical indicators such as Mean Square Error (MSE), Normal Mean Square Error (NMSE), Nash-Sutcliff (NS), Correlation Coefficient (CC), and AIC demonstrate the better performance of proposed method comparing to the GRNN.