شبیه سازی هوشمند فرآیند بارش- رواناب در قالب یک مدل نیمه توزیعی متغیر در زمان

شبیه سازی فرآیند بارش-رواناب نقش بسیار مهمی را در برنامه ریزی های شهری، محیط زیستی، کاربری اراضی، مدیریت منابع آب و سیل و نیز کاهش اثرات خشکسالی در سیستم های منابع آب می تواند ایفا کند. هدف این رساله ارائه شیوه ای از مدلسازی هیدرولوژیکی به صورت مدل خطی متغیر در زمان است که در کنار لحاظ نمودن تغییرات زمانی در مدلسازی در برگیرنده ویژگی های تغییرات مکانی نیز بوده و قابل اعمال در هر مطالعه موردی باشد. بر این اساس در این تحقیق ترکیبی از دو نگرش مفهومی نیمه توزیعی (بخش خطی و متغیر در مکان مدل سازی) و سیستمی یا جعبه سیاه (بخش متغیر در زمان مدل سازی) در بررسی مدلسازی فرآیند بارش ـ رواناب با استفاده از ابزار هوش محاسباتی مورد توجه قرار گرفته و در محاسبه و پیش بینی تغییرات آتی پارامتر معرف مشخصات حوضه آبریز(کاربری اراضی/ پوشش گیاهی ) در مورد حوضة آبریز شاخة جنوبی رودخانه ایل مورد استفاده قرار گرفته است. بر اساس نگرش مفهومی نیمه توزیعی بکار گرفته شده در این تحقیق با تقسیم حوضه آبریز به زیر حوضه ها و اعمال مدل مخزن خطی به آنها مجموعه ای از مدل های همگن خطی به دست می آید که میزان بارش بر روی هر یک از آنها می تواند متفاوت باشد ولی بر هر یک به طور یکنواخت توزیع شده است. بر این اساس دو مدل ژئومورفولوژیکی به نام های مدل تصحیح یافته مدل guhn و مدل آبشار مخازن نا مساویuecr ارائه می شود. دو پارامتر زمان تاخیر مخزن خطی k و پارامتر زمان تاخیر کانال خطی t در این مدل ها بکار رفته است. پارامتر k دلالت بر انتقال بارش به رواناب بر روی زمین داشته در حالیکه پارامتر t مربوط به انتقال رواناب در طول مسیر رودخانه ها و آبراهه ها می باشد. برای لحاظ نمودن تأثیر داده های دبی مشاهداتی سایر ایستگاه های داخل حوضه آبریز و یا به عبارت دیگر کالیبراسیون دو ایستگاهه در مدلسازی از روش بهینه سازی nsga-ii استفاده شده است. کاربرد روش بهینه سازی nsga-ii در چهار چوب کالیبراسیون دو ایستگاهه در زمینه مدلسازی هیدرولوژیکی رویداد- پایه از جمله نو آوری های این پژوهش می باشد. مدلسازی دو ایستگاهه با بهینه سازی همزمان ایستگاههای بالادست و پایین دست می تواند منجر به انتشار اثرات شرایط و پارامترهای زیرحوضه های بالادست به زیرحوضه های پائین دست شده، مفهوم و تفسیر فیزیکی پارامترهای مدل را افزایش دهد. کاربرد جدیدی از دو استراتژی کالیبراسیون در زمینه مدلسازی هیدرولوژیکی رویداد- پایه تحت عنوان استراتژی کالیبراسیون نیمه گرده ای و استراتژی کالیبراسیون نیمه توزیعی با لحاظ نمودن خصوصیات ژئوموفولوژیکی و عدم لحاظ نمودن آنها در این تحقیق ارائه شده است. در مجموع نتایج کلی نشان دهنده برتری استراتژی کالیبراسیون نیمه گرده ای نسبت به استراتژی کالیبراسیون نیمه توزیعی است. در بخش نگرش سیستمی این تحقیق، داده های اندازه گیری حدود سی سال جهت استخراج و تجزیه و تحلیل رویدادهای بارش-رواناب مورد استفاده قرار گرفته است. در این بخش، از مدل uecr بر اساس استراتژی کالیبراسیون نیمه گرده ای استفاده شده است. نتایج بدست آمده نشان می دهد که مدل پیشنهادی حساسیت بیشتری نسبت به تغییرات زمانی پارامتر k داشته و تغییرات طولانی مدت آن می¬تواند به عنوان معیاری از تغییر پوشش گیاهی و کاربری اراضی در طی زمان باشد. نتیجتاً در این تحقیق برای اولین بار جهت شناسایی و پیش بینی تغییرات درخصوصیات حوضه آبریز اقدام به مدلسازی تغییرات سری زمانی پارامتر k از طریق دو رهیافت شبکه عصبی- پایه شامل یک مدل شبکه عصبی ساده و یک مدل ترکیبی شبکه موجکی- عصبی wann صورت گرفته است. بر این اساس متغیر های ورودی مناسب در مدلسازی که شامل ترکیبی از پارامتر زمان تأخیر حوضه، تبخیرتعرق و دما است با استفاده از روش تابع اطلاعات مشترک mi تعیین شده است. با مقایسة دو مدل شبکه عصبی- پایه (یعنی شبکه عصبی ساده و wann)، ملاحظه می شود مدل wann بسیار کاراتر از شبکه عصبی ساده می باشد. نتایج کلی تایید کننده این مطلب است که بررسی تغییرات دراز مدت پارامتر k می تواند یک روش معقول برای ارزیابی و پیش بینی تغییر کاربری اراضی و پوشش گیاهی حوضه آبریز باشد.