ارزیابی روش برآورد عدم‌قطعیت درست‌نمایی تعمیم‌یافته در مدل‌های HyMod و HBV (مطالعه موردی: حوضه چهل‌چای استان گلستان)

Abstract

سابقه و هدف: یکی از مهم‌ترین مشکلات مسائل بدطرح معکوس در بیش‌برازش مدل با داده‌های مشاهداتی، در بهینه‌سازی پارامترها است که با این عمل، پارامترهایی که برازش کمتری با داده‌های مشاهداتی دارند و ممکن بود با داده‌های غیر از صحت‌سنجی، نتیجه‌ای حتی بهتر از جواب بهینه نشان می‌دادند، حذف می‌شوند. این پارامترها، نباید حذف شوند بلکه باید به نحوی در نظر گرفته شوند. درروش برآورد عدم‌قطعیت درست‌نمایی تعمیم‌یافته (GLUE) این دیدگاه، به‌کار رفته است.<br /> مواد و روش‌ها: در این مطالعه، از روش GLUE در مدل‌سازی بارش- رواناب استفاده شد که در آن، با استفاده از یک تابع درست‌نمایی نامرسوم و فرض یک مقدار آستانه‌ای از آن، مجموعه‌ای از پارامترهای رفتاری برای تولید باندهای عدم‌قطعیت پیش‌بینی در نظر گرفته شده‌اند. روش GLUE، جهت برآورد عدم‌قطعیت در مدل‌سازی بارش- رواناب حوضه آبریز چهل‌چای در استان گلستان مورد استفاده واقع ‌شد. برای این کار، از دو مدل یکپارچه HyMod و HBV و شش تابع درست‌نمایی شامل واریانس معکوس، نش-ساتکلیف، کلینگ-گوپتا، ویتل ، نرمال، نرمال با واریانس ناهمسان بهره گرفته شد.<br /> یافته‌ها: برای ارزیابی روش GLUE، مناسب‌ترین توابع درست‌نمایی انتخاب ‌شده و تأثیر عوامل مؤثر بر آن مورد تحلیل قرار گرفت. برای حوضه موردمطالعه، از بین شش تابع درست‌نمایی ارزیابی‌شده، توابع واریانس معکوس، کلینگ گوپتا و نرمال به‌دلیل نتیجه بهتر انتخاب شدند. آستانه جداسازی پارامترها نیز مورد تحلیل حساسیت قرار گرفت و 5 درصد تعداد کل شبیه‌سازی‌ها مناسب تشخیص داده شد. نتایج نشان داد که با افزایش پارامتر شکل، وزن بیشتر به جواب‌هایی تعلق می‌گیرد که دارای برازش بهتری هستند؛ بنابراین روش GLUE مشابه یک روش بهینه‌سازی عمل می‌کند. بررسی عدم‌قطعیت پارامترهای دو مدل نشان داد اکثر پارامترها همبستگی کمی با یکدیگر دارند که می‌توان نتیجه گرفت که پارامترها خوب تعریف‌شده‌اند، اما به خاطر ضریب تغییرات نسبتاً بالای آن‌ها، تشخیص‌‌پذیری آن‌ها پایین است. باندهای عدم‌قطعیت در مدل HyMod حدود 62 درصد و در مدل HBV حدود 55 درصد از داده‌های مشاهداتی را (در دوره‌های صحت‌سنجی و واسنجی) پوشش دادند بازه‌‌‌های پیش‌بینی، در جریان‌های پایه بیشترین عرض را داشتند.<br /> نتیجه‌گیری: با توجه به نتایج، روش GLUE، نسبت به تابع درست‌نمایی مورداستفاده، آستانه جداسازی پارامترهای قابل‌قبول و نوع مدل، حساس بود. برای حوضه چهل‌چای، بهترین تابع درست‌نمایی، تابع کلینگ-گوپتا، بهترین آستانه جداسازی، برابر 5 درصد تعداد کل شبیه‌سازی‌ها بوده و از بین دو مدل مورد بررسی، مدل HyMod نسبت به مدل HBV، نتایج نسبتاً بهتری داشت. همچنین عدم‌قطعیت پارامترها در این روش، به این دلیل که کل عدم‌قطعیت را در پارامترها خلاصه می‌کند، بالاست. از مزایای روش می‌توان به اجتناب نسبی آن از بیش‌برازش و سادگی آن اشاره کرد.