ارزیابی عملکرد مدل IHACRES با روش‌های خطی ARMAX و EXPUH (مطالعه موردی: حوضه رودخانه شور در قائن)

آب و خاک

مقاله 2، دوره 36، شماره 1 - شماره پیاپی 81، فروردین و اردیبهشت 1401، صفحه 17-30   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.2022.74115.1122

نویسندگان

محمد فولادی نصرآباد¹؛ مهدی امیرآبادی زاده^{* 2}؛ محسن پوررضا بیلندی³؛ مصطفی یعقوب زاده⁴

¹دانشجوی کارشناسی ارشد منابع آب گروه علوم و مهندسی آب، دانشگاه بیرجند

²استادیار گروه علوم و مهندسی آب دانشگاه بیرجند و عضو هیئت علمی گروه پژوهشی خشکسالی و تغییر اقلیم

³دانشیار، گروه علوم و مهندسی آب، دانشگاه بیرجند، بیرجند، ایران و عضو هیئت علمی گروه پژوهشی خشکسالی و تغییر اقلیم

⁴دانشیار گروه علوم و مهندسی آب دانشگاه بیرجند و عضو هیئت علمی گروه پژوهشی خشکسالی و تغییر اقلیم

چکیده

مدل‌سازی بارش-رواناب یکی از ابزارهای کلیدی در هیدرولوژی برای دستیابی به خصوصیات سیلاب، مانند میزان دبی اوج و زمان رسیدن به دبی اوج است. در این تحقیق مدل IHACRES در قالب بسته نرم‌افزاری hydromad و در بستر R، برای شبیه‌سازی جریان حوضه رودخانه شور قائن مورداستفاده قرار گرفت و عملکرد آن در شبیه‌سازی رواناب با روش‌های ARMAX و EXPUH در بخش خطی مدل، بررسی شد. برای انجام شبیه‌سازی با مدل مذکور، از ‌داده‌های بارش، دبی جریان و دما در مقیاس ماهانه طی سال­های 1377 تا 1398 استفاده شد. پارامترهای مدل IHACRES با استفاده از تابع هدف KGE، واسنجی شدند.  در گام­های واسنجی و صحت­سنجی مدل در شبیه‌سازی مقدار ‌دبی اوج و زمان رسیدن به ‌دبی اوج ، از معیارهای ارزیابی NS، KGE و  استفاده گردید. مقدار این معیارها در روش EXPUH به ترتیب برابر 86/0، 93/0، 86/0 و در روش ARMAX برابر 7/0، 85/0 و 73/0 محاسبه‌شد که نشان دهنده­ی عملکرد بهتر روش EXPUH نسبت به روش ARMAX می­باشد. درگام مربوط به صحت‌سنجی نیز، معیارهای ارزیابی در روش‌های EXPUH ‌و ARMAX به‌ترتیب برابر 51/0، 63/0، 54/0 و 55/0، 73/0 و 65/0 برآورد شد که نشان‌دهنده عملکرد بهتر مدل با روش ARMAX نسبت به روش EXPUH است و همچنین مدل با روش ARMAX در شناسایی دبی‌های اوج از نظر مقدار و از نظر زمان وقوع عملکرد دقیق‌تری از خود نشان داد. درمجموع نتایج تحقیق، نشان‌دهنده این مطلب است که مدل IHACRES در منطقه موردمطالعه، با استفاده از روش ARMAX نسبت به روش EXPUH عملکرد دقیق‌تری داشته است.

کلیدواژه‌ها

رودخانه شور قائن؛ شبیه‌سازی بارش-رواناب؛ مدل IHACRES؛ واسنجی

مراجع

1. Abushandi E., and Merkel B. 2013. Modelling rainfall runoff relations using HEC-HMS and IHACRES for a single rain event in an arid region of Jordan. Water Resources Management 27(7): 2391-2409. https://doi.org/10.1007/s11269-013-0293-4.
2. Abushandi E.H., and Merkel B.J. 2011. Application of IHACRES rainfall-runoff model to the Wadi Dhuliel arid catchment, Jordan. Journal of Water and Climate Change 2(1): 56-71. https://doi.org/10.2166/wcc.2011.048.
3. , Ahmad A., Rezaei M., Rezvani Mahmoui A., and Mousavi H. 2016. River Flow Prediction Using Artificial Neural Network System (Case Study of Shurqain River), International Conference on New Research Achievements in Civil Engineering, Architecture and Urban Planning. (In Persian)
4. Ayele G.T., Teshale E.Z., Yu B., Rutherfurd I.D., and Jeong J. 2017. Streamflow and sediment yield prediction for watershed prioritization in the Upper Blue Nile River Basin, Ethiopia. Water. 9(10): 782. https://doi.org/10.3390/w9100782.
5. Ahmadi M., Moeini A., Ahmadi H., Motamedvaziri B., and Zehtabiyan G.R. 2019. Comparison of the performance of SWAT, IHACRES and artificial neural networks models in rainfall-runoff simulation (case study: Kan watershed, Iran). Physics and Chemistry of the Earth, Parts A/B/C, 111: 65-77. https://doi.org/10.1016/j.pce.2019.05.002.
6. Baddoo T.D., Li Z., Guan Y., Boni K.R.C., and Nooni I.K. 2020. Data-Driven Modeling and the Influence of Objective Function Selection on Model Performance in Limited Data Regions. International Journal of Environmental Research and Public Health 17(11): 4132. https://doi.org/10.3390/ijerph17114132.
7. Box G.E. 1970. GM Jenkins Time Series Analysis: Forecasting and Control. San Francisco, Holdan-Day.
8. Chidaz A., Mohseni Sarvi M., Vafakhah M. 2009. Evaluation of HEC_HMS model for estimating flood hydrograph in Kasilian watershed, Watershed Management Research, No. 84. (In Persian with English abstract)
9. Dailari M., Darbandi S., Asadi E., and Samadian M. 2021. Simulation of effective parameters on river flow discharge trend using HACRES rainfall-runoff model in future periods (Case study: Zolachai River). Echo Hydrology 8(1): 177-193. (In Persian with English abstract)
10. Dooge J. 1973. Linear theory of hydrologic systems. Agricultural Research Service, US Department of Agriculture.
11. Hafezparast M., and Marabi S. 2021. Prediction of Discharge Using Artificial Neural Network and IHACRES Models Due to Climate Change. Journal of Renewable Energy and Environment 8(3): 75-85. https://doi.org/10.30501/jree.2021.257941.1162.
12. Jakeman A., Littlewood I., and Whitehead P. 1990. Computation of the instantaneous unit hydrograph and identifiable component flows with application to two small upland catchments. Journal of Hydrology 117(1-4): 275-300. https://doi.org/10.1016/0022-1694(90)90097-H.
13. Jakeman A., and Hornberger G. 1993. How much complexity is warranted in a rainfall‐runoff model? Water Resources Research 29(8): 2637-2649. https://doi.org/10.1029/93WR00877.
14. Karimi M., Malekinejad H., Abqari H., and Azizian M. 2012. Evaluation of Different Flood Hydrograph Simulation Methods Using HEC_HMS Software Package (Case Study: Chehel Gezi Watershed), Iranian Journal of Water Research 5(9): 28-39. (In Persian)
15. Karami F., and Bayati Khatibi M. 2019. Modeling soil erosion and sediment yield prioritization in Satar Khan Watershed using MUSLE and SWAT models: The Journal of Hydro Geomorphology 15(18): 115-137. (In Persian with English abstract)
16. Lotfirad M., Adib A., and Haghighi A. 2018. Estimation of daily runoff using of the semi-conceptual rainfall-runoff IHACRES model in the Navrood watershed (a watershed in the Gilan province. Iranian Journal of Ecohydrology 5(2): 449-460. (In Persian with English abstract). https://dx.doi.org/10.22059/ije.2017.234237.614.
17. Moriasi D.N., Arnold J.G., Van Liew M.W., Bingner R.L., Harmel R.D., and Veith T.L. 2007. Model evaluation guidelines for systematic quantification of accuracy in watershed simulations. Transactions of the ASABE 50(3): 885-900. Doi: 10.13031/2013.23153.
18. Sadeghi S.H., Ghasemieh H., and Sadatinegad S.J. 2015. Performance Evaluation of the IHACRES Hydrological Model in Wet Areas (Case Study: Navrud Basin, Gillan) [Research]. Journal of Water and Soil Science 19(73): 73-83. https://doi.org/10.18869/acadpub.jstnar.19.73.73. (In Persian)
19. Sarraf A., and Ghasemi H. 2021. Calibration of the IHACRES hydrological model using multi-objective social spider optimization and search and rescue algorithms. Hydrogeomorphology. (In Persian). DOI: 22034/hyd.2021.45015.1581.
20. Yaghoubi M., and Massah Bavani A. 2014. Sensitivity analysis and comparison of capability of three conceptual models HEC-HMS, HBV and IHACRES in simulating continuous rainfall-runoff in semi-arid basins. Journal of the Earth and Space Physics 40(2): 153-172. (In Persian with English abstract). https://dx.doi.org/10.22059/jesphys.2014.50640.
21. Zeid Ali Nejad N., Naseri Sh., and Alijani F. 2020. (Simulation of the effect of climate change on Taraz-Haraksh river runoff, Khuzestan province, using NEX-GDDP data set and IHACRES rainfall-runoff model. Meteorology and Atmospheric Sciences 2(2): 162-178. (In Persian with English abstract)