واسنجي و تحليل عدم قطعيت مدل COUP براي شبيه سازي دماي خاك در ايستگاه سينوپتيك همدان

Calibration and Uncertainty Analysis of COUP Model for Simulation of Soil Temperature at Hamedan Synoptic Station

در اين پژوهش واسنجي و تحليل عدم قطعيت مدل COUP با هدف شبيه‌سازي دماي خاك در مقياس زماني سه‌ساعته براي ايستگاه سينوپتيك همدان انجام شده است. براي اين منظور از روش برآورد عدم قطعيت درست‌نمايي تعميم يافته (GLUE) استفاده شده است. 22 پارامتر كه ارتباط نزديكي با شبيه‌سازي دماي خاك دارند، انتخاب گرديدند و با انجام نمونه‌گيري‌هاي تصادفي به ‌روش مونت كارلو از فضاي عدم قطعيت آنها، 25000 سناريو از تركيب مقدار پارامترها توليد و شبيه‌سازي‌هاي مدل بر اساس آن‌ها انجام شد. براي جداسازي شبيه‌سازي‌هاي كارآمد و ناكارآمد از يكديگر سه شاخص نش‌- ساتكليف، ميانگين اريبي خطا، و ريشه ميانگين مربعات خطا در نظر گرفته شدند و آستانه‌هاي قابل پذيرش براي هر شاخص تعريف گرديد. با اعمال آستانه‌هاي قابل پذيرش، تعداد 253 شبيه‌سازي به‌عنوان شبيه‌سازي‌هاي كارآمد شناسايي شدند و مبناي انجام واسنجي و تحليل عدم قطعيت مدل قرار گرفتند. بر مبناي توزيع پسين پارامترها، تعدادي از پارامترها به‌عنوان پارامترهاي حساس شناخته شدند. واسنجي مدل بر اساس ميانه شبيه‌سازي‌هاي كارآمد و تحليل عدم قطعيت بر مبناي كران هاي عدم قطعيت 5% و 95% خطاي مربوط به شبيه‌سازي‌هاي كارآمد انجام شد. نتايج حاكي از بهبود قابل توجه در عملكرد مدل پس از انجام واسنجي در مقايسه با حالت اجراي مدل با مقادير پيش‌فرض پارامترها بود. همچنين، نتايج حاصل از تحليل عدم قطعيت نشان داد كه به كارگيري روش GLUE در بيشتر موارد منجر به كاهش عدم قطعيت مربوط به پارامترهاي مدل گرديد و باقي‌مانده اختلافات بين مقادير شبيه‌سازي شده و داده‌هاي مشاهداتي به ساير منابع عدم قطعيت نسبت داده شد.

In this research calibration and uncertainty analysis of COUP model with focus on soil temperature simulation for 3-hours time scale have been performed for Hamedan synoptic station. The Generalized Likelihood Uncertainty Estimation (GLUE) was used for this object. In order to simulate the soil temperature, 22 parameters were chosen and by using the Monte Carlo stochastic sampling method from the uncertainty space of the parameters, 25000 scenarios were produced and model simulations were implemented. For separate behavioral and non-behavioral simulations, 3 criteria including Nash-Sutcliff, Mean Bias Error, and Root Mean Square Error were considered and acceptable thresholds for each criterion were defined. With applying the acceptable thresholds, 253 behavioral simulations were detected and used for calibration and uncertainty analysis of the model. Based on posterior parameter distributions some parameters were recognized as sensitive parameters. The median of behavioral simulations was considered for model calibration and the uncertainty analysis of the model was performed based on 90% confidence levels of behavioral simulation errors. The results showed that calibration of model has considerably improved the performance of the model in comparison to default parameter values. In addition, the uncertainty analysis showed that the uncertainty of parameters has been considerably decreased at most cases with application of GLUE method. Other differences between simulated and observed values were attributed to other sources of model uncertainty.