Journal of Geomatics Science and Technology

fa بهبود عملکرد یک مدل هیدرولوژی ساده با استفاده از الگوریتم های بهینه سازی چند هدفه و داده های گرانی سنجی ماهواره ای Using Satellite Gravimetric Data for Optimizing the Performance of a Simple Hydrological Model via Multi-Objective Evolutionary Algorithms ژئودزی و هیدروگرافی Geo&Hydro ترویجی Tarviji <div style="text-align: justify;">امروزه استفاده از مدلهای هیدرولوژی، عمدتاً برای شبیه سازی تغییرات منبع آب و سیلان (شامل رواناب و تبخیر) ضروری به نظر میرسد. مدلسازی خوب فرآیندهای هیدرولوژیکی با استفاده از مدلهای هیدرولوژی نیازمند تعیین پارامترهای مدل میباشد. در فرآیند واسنجی (کالیبراسیون) مقادیر پارامترهای مدل طوری برآورد میشوند که مدل به خوبی بتواند سیستم طبیعی را شبیه سازی نماید. موفقیت مدلهای موجود در شبیه سازی واقعیت به پیچیدگی و تعداد پارامترهای آن بستگی ندارد. ساختار مدل، تشخیص پارامترهای تأثیرگذار و نحوه واسنجی میتواند تأثیر قابل توجهی در بهبود عملکرد شبیه سازی داشته باشد. روشهای بهینه سازی از جمله روشهای اتوماتیک واسنجی این مدلها میباشد. تجربههای عملی واسنجی مدلهای هیدرولوژی نشان داده است که روشهای تک هدفه اغلب جهت اندازهگیری همه ساختارهای مهم دادههای مشاهداتی کافی نیست. در این تحقیق الگوریتمهای بهینه سازی تکاملی چندهدفه NSGA-II، MPSO، PESA-II و SPEA-II جهت واسنجی اتوماتیک یک مدل هیدرولوژیکی ساده (GR4J)، متشکل از 4 پارامتر، برای حوضه دانوب با استفاده از دادههای رواناب و ذخیره کلی آب حاصل از دادههای روزانه ثقل سنجی ماهوارهای به کار گرفته میشوند. در این الگوریتمها با ماکزیمم کردن ضرایب بهرهوری نش-ساتکلیف (NS) مربوط به رواناب و تغییرات ذخیره آب، پارامترهای مدل برآورد شده و با معیارهای ارزیابی تعداد جواب آرشیو پرتو (NPS)، فاصله نسلی (GD)، فاصله گذاری (SP) و بیشترین گسترش (MS) عملکرد الگوریتمها در فرآیند واسنجی مقایسه میشود. تمامی الگوریتمها توانستهاند در پایان الگوریتم تعداد جواب آرشیو پرتو یکسانی داشته باشند. با توجه به معیارهای SP و MS الگوریتم NSGA-II عملکرد بهتری داشته و الگوریتم MPSO با توجه به تمامی معیارها عملکرد بهتری نسبت به روش-های PESA-II و SPEA-II و با معیار GD نیز بهتر از الگوریتم NSGA-II ارزیابی شده است. با توجه به نتایج محاسبه ضریب NS، مشخص شد که مدل در دورههای واسنجی و ارزیابی (اعتبار سنجی) دارای عملکرد قابل قبولی است و استفاده همزمان رواناب و تغییرات ذخیره آب منجر به بهبود عملکرد مدل شده است یعنی علاوه بر شبیهسازی قابل قبول رواناب، شبیهسازی قابل قبولی از تغییرات ذخیره آب نیز صورت گرفته است.</div> <div>Hydrologic models are useful tools for simulating water resources and flux(contain Runoff and evaporation) variations. Determining hydrological model parameters is primary condition for good simulating of hydrological process. With the estimated values of this parameters via the calibration process, the model can well simulate the natural system. The success of the existing models to simulate reality does not depend on the complexity and number of parameters. The structure of the model, identify influential parameters and calibration method can have a significant impact on improving the model outputs.</div> <div>Optimization methods are from the useful automatic calibration methods. Practical experiences of hydrological models calibration have shown that single objective optimization methods often not enough to measure all important structures of observational data. In this research four different evolutionary multi-objective optimization algorithms are used for calibration and estimating main 4 parameters of GR4J (in French, mod`ele du G´enie Rural `a 4 param`etres au pas de temps Journalier) hydrological model over Danube basin. GR4J is a simple rainfall-runoff model and belongs to the family of hydrological models that focus on the soil moisture compartment.</div> <div>All the four used evolutionary optimization techniques, including the Non-dominated Sorting Genetic Algorithm II (NSGA-II), the Multi-objective Particle Swarm Optimization (MPSO), the Pareto Envelope-Based Selection Algorithm II (PESA-II) and the Strength Pareto Evolutionary Algorithm II (SPEA-II) applied in the mode of two objective function. Both objective functions of these algorithms are regarded base on <a href="https://en.wikipedia.org/wiki/Nash%E2%80%93Sutcliffe_model_efficiency_coefficient">Nash–Sutcliffe model efficiency coefficient</a> which can be calculated as follow:</div> <div><img alt="" height="73" src="file:///C:UsersDaViDAppDataLocalTempmsohtmlclip1�1clip_image002.gif" width="211" ></div> <div>where <img alt="" height="39" src="file:///C:UsersDaViDAppDataLocalTempmsohtmlclip1�1clip_image004.gif" width="30" > and <img alt="" height="39" src="file:///C:UsersDaViDAppDataLocalTempmsohtmlclip1�1clip_image006.gif" width="30" > are observed and simulated values, respectively, and <img alt="" height="37" src="file:///C:UsersDaViDAppDataLocalTempmsohtmlclip1�1clip_image008.gif" width="41" > stands for the temporal mean of observations (<img alt="" height="39" src="file:///C:UsersDaViDAppDataLocalTempmsohtmlclip1�1clip_image004.gif" width="30" >, runoff or GRACE dTWS anomalies).</div> <div>First objective is base on daily observed and simulated runoff and the other is according to daily Total Water Storage (dTWS) changes derived from the Gravity Recovery And Climate Experiment (GRACE) and its corresponding simulated daily total water storage using GR4J model. For the study basin, GR4J-derived Total Water Storage (TWS) at time t was calculated as the sum of amount of four water comportments which extracted from different simulation steps of GR4J as:</div> <div align="center">TWSt = St + Rt + Vt + Wt</div> <div>where S and R are the amount of water stored in the production store and routing store at the end of each day respectively. V and W are the remaining water in unite hydrographs (UH1 and UH2) during the simulation process at the end of each day, respectively. Finally, basin averaged TWS anomalies (dTWS) are computed as a difference between daily TWS (TWSt) and the temporal mean of TWS (<img alt="" height="38" src="file:///C:UsersDaViDAppDataLocalTempmsohtmlclip1�1clip_image010.gif" width="32" >) during the study period as:</div> <div align="center"><img alt="" height="38" src="file:///C:UsersDaViDAppDataLocalTempmsohtmlclip1�1clip_image012.gif" width="160" ></div> <div>GR4J parameters are estimated by maximizing the objective functions through each algorithm process. Some quality measures including Number of Pareto Solution(NPS), Generation Distance(GD), Spacing(SP) and Maximum Spread(MS) are used to compare the calibration results. The results indicate that NPS of all methods at the last iteration are the same. NSGA-II has better SP and MS criteria rather than other techniques for calibrating GR4J using GRACE dTWS and in-situ runoff data. MPSO show better response in all criteria respect to PESA-II and SPEA-II method and its GD is also better than NSGA-II. The calculated Nash-Sutcliffe model efficiency coefficient in calibration and evaluation periods show that GR4J simulation results can be judged as satisfactory results.</div> مدل هیدرولوژی, منابع آب, ثقل سنجی ماهواره‌ای, کالیبراسیون چند هدفه Hydrologic Model, Water Resources, Satellite Gravity Data, Multi-Objective Calibration 1 18 http://jgst.issgeac.ir/browse.php?a_code=A-10-536-1&slc_lang=fa&sid=1 A. R. Safari عبدالرضا صفری asafari@ut.ac.ir 10031947532846007655 10031947532846007655 No بدون سازمان A. R. Mostafaie عبدالرحمن مصطفایی amostafaie@ut.ac.ir 10031947532846007656 10031947532846007656 Yes بدون سازمان