بهبود پيش بيني دبي جريان با استفاده از داده گواري در مدل مفهومي Hymod

Improving River Discharge Forecasting With the Hymod Conceptual Rainfall-Runoff Model Using Data Assimilation

پيش بيني دبي جريان توسط مدل هاي هيدرولوژي، همواره با عدم قطعيت همراه است. به همين دليل از روش هاي مختلف از جمله افزايش كيفيت اطلاعات ورودي به مدل، بهبود ساختار مدل، و داده گواري اطلاعات مشاهداتي در دسترس براي كاهش عدم قطعيت مدل ها استفاده شده است. در صورت بدون اشكال فرض كردن ساختار مدل هيدرولوژي،نمي توان از عدم قطعيت ورودي، پارامتر، و شرايط اوليه مدل چشم پوشي كرد. يكي از روش هاي كاهش عدم قطعيت، داده گواري است كه با درنظر گرفتن عدم قطعيت ورودي ها و مشاهدات، و به روزرساني متغير حالت، عدم قطعيت را كاهش مي دهد. در اين پژوهش بهبود پيش بيني دبي جريان براي يك روز آتي با مدل هيدرولوژي Hymod توسط فيلتر كالمن دسته اي (EnKF) كه يكي از روش هاي داده گواري است در آبخيز رودك بررسي شده است. نتايج با استفاده از معيارهاي نكويي برازش ناش ساتكليف (NSE) ، كلينگ گوپتا (KG)، ناش ساتكليف لگاريتمي (LNSE) و DCpeak بررسي شد. نتايج نشان دهنده افزايش معيارهاي نكويي برازش NSE، KG ، DCpeak و LNSE مدل هيدرولوژي Hymod توسط الگوريتم EnKF نسبت به الگوريتم بهينه سازي تكامل مجتمع هاي مخلوط شده به ترتيب به مقدار 13% ، 5% ، 17% و 94% بوده است. به اين ترتيب امكان پيش بيني دبي جريان يك روز آتي با دقت قابل قبولي فراهم شد.

Predicting discharge prediction through modeling is inherently associated with important uncertainties.Then uncertainty in hydrological modeling is mostly reduced by increasing the quality of inputs, improving structure of models, and data assimilation. Even if we assume that the physical structure of the model is perfect, uncertainties in parameters, forcing variables and initial conditions will be reflected in the simulation results through complex error propagations. One of the actions that can be taken toward reducing uncertainty in hydrologic predictions is data assimilation. It provide a superior hydrologic state estimate by considering input and observation uncertainties. In the current study, the efficiency of assimilating stream-flow into a hydrologic model using the Ensemble Kalman Filter (EnKF) in the Roudak catchment is investigated. Four evaluation criteria including NSE, KG,LNSE, DCpeak are applied to estimate the predictive performance of results. Results show that EnKF improved estimated stream-flow compared to an offline calibration with SCE-UA as NSE, KG,LNSE, DCpeak are increased by 13%, 5%, 17% and %94 respectively. Also one-day ahead prediction of stream-flow could be estimated by acceptable accuracy.