تحلیل عدم قطعیت در مدل‌سازی آب زیرزمینی با استفاده از روش GLUE (مطالعه موردی: دشت بجنورد)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانش آموخته کارشناسی ارشد مهندسی آب، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران

2 استادیار گروه مهندسی آب، دانشکده مهندسی کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران

3 عضو هیئت علمی، گروه هیدروانفورماتیک، مرکز پژوهشی آب و محیط زیست شرق و کارشناس بخش منابع آب شرکت مهندسین مشاور هیدروتک توس

4 استاد گروه مهندسی آب، دانشکده مهندسی کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران

5 دانشیار گروه مهندسی آب، دانشکده مهندسی کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران

6 مدیر دفتر مطالعات منابع آب شرکت آب منطقه‌ای خراسان شمالی، ایران

چکیده

تحلیل عدم قطعیت، مرحله­ای جدانشدنی در فرآیند مدل­سازی­های هیدرولوژی می­باشد. ارزیابی کمی عدم قطعیت در خروجی­های مدل شبیه­سازی و تخمین پارامترهای آن، موجب افزایش اطمینان در نتایج مدل­سازی و شناخت درستی از منابع عدم قطعیت می­شود. با توجه به رشد روز افزون کاربرد مدل­های آب زیرزمینی در مدیریت و پیش­بینی رفتار آبخوان­ها، این پژوهش به دنبال تحلیل عدم قطعیت در مدل­ساز کمی آبخوان آبرفتی دشت بجنورد در خراسان شمالی است. آبخوان آبرفتی بجنورد با مساحت 2/65 کیلومترمربع، از جمله آبخوان­های پیچیده از لحاظ مدل­سازی آب­زیرزمینی است که با مشکل بالا آمدن سطح ایستابی به دلیل توسعه شهر در برخی نقاط آن مواجه است. بنابراین پیش­بینی با درصد اعتماد بالا در این آبخوان از اهمیت زیادی برخوردار است. بر همین اساس، مدل­سازی در مقیاس ماهانه و واسنجی آبخوان بجنورد بر اساس مدل مفهومی تولید شده برای یک دوره ده ساله (1390-1380) با استفاده از 11 چاه مشاهداتی انجام شد. جهت واسنجی و تحلیل عدم قطعیت مدل آبخوان بجنورد از روش عمومی عدم قطعیت تشابهات (GLUE) استفاده شد. در این راستا، توابع توزیع احتمالی پیشین پارامترهای مدل شامل تغذیه و هدایت هیدرولیکی به صورت تابع توزیع یکنواخت تعیین شد و با استفاده از آمار سطح آب در چاه­های مشاهداتی واسنجی مدل و استخراج توابع توزیع پسین انجام شد. نتایج نشان داد که پارامتر تغذیه نسبت به سایر پارامترها از قابلیت تشخیص کم­تری در فرآیند واسنجی برخوردار بوده (به عبارتی تابع توزیع پسین آن نسبت به تابع توزیع پیشین تغیر زیادی نکرده است) و دارای عدم قطعیت بیش­تری است. از طرف دیگر پارامتر هدایت هیدرولیکی عدم قطعیت آن در فرایند واسنجی به طور موثری کاهش یافته است. همچنین نتایج تحلیل عدم قطعیت در نتایج پیش­بینی سطح آب مدل نشان داد که73 % از مقادیر مشاهداتی سطح ایستابی در بازه اطمینان 95%، در محدوده اطمینان قرار گرفته و نتایج واسنجی رضایت­بخش می­باشد. بنابراین می­توان از مدل ریاضی آب زیرزمینی آبخوان بجنورد با اطمینان در سایر پیش­بینی­ها و تحلیل­ها استفاده کرد.

کلیدواژه‌ها


عنوان مقاله [English]

Uncertainty Assessment of Groundwater Flow Modeling by Using Generalized Likelihood Uncertainty Estimation Method (Case Study: Bojnourd Plain)

نویسندگان [English]

  • Maryam Abedini 1
  • Ali Naghi Ziai 2
  • Mojtaba Shafiei 3
  • Bijan Ghahraman 4
  • Hossein Ansari 5
  • Javad Meshkini 6
1 M.Sc. of Water Engineering Department, Faculty of Agriculture, Ferdowsi University of Mashhad., Mashhad., Iran
2 Assistant Professor of Water Engineering Department, Faculty of Agriculture, Ferdowsi University of Mashhad., Mashhad., Iran
3 ph.D. Hydroinformatic Group, East Water and Environmental Research Institute (EWERI) and Hydrotech toos Consulting Engineers Company
4 Professor of Water Engineering Department, Faculty of Agriculture, Ferdowsi University of Mashhad., Mashhad., Iran
5 Associate Professor of Water Engineering Department, Faculty of Agriculture, Ferdowsi University of Mashhad., Mashhad., Iran
6 Northern Khorasan Regional Water, Office of Research Affair., Iran
چکیده [English]

behavior. Therefore uncertainty estimation into modeling is inevitable. This study aimed to analyze and quantify amounts of uncertainty in model parameters of Bojnurd aquifer with an area of 65.2 km2 due to the highly uncertain available data and the increasing importance of Bojunrd aquifer  caused by the expansion of its  urban areas to the plains. A steady-state groundwater flow model of Bojnurd aquifer was developed and calibrated employing ten years of data (1380-1390) and 11 observation wells. The prior distributions of model parameters including hydraulic conductivity and recharge were assumed uniform and uncertainty bounds and posterior distributions were derived within the generalized likelihood uncertainty estimation (GLUE) framework. The results showed high amounts of uncertainty in recharge parameters. The pre and posterior distributions does not showed a significant change. Hydraulic conductivity as the most sensitive parameters, reduced the uncertainty of the model output. Most of the observed head values fall within 95% confidence interval and only a few number of points were out of it. It can be concluded that the GLUE approach has been successfully applied to Bojnurd MODFLOW model and the modeling results are reliable to decision makers for water resources management projects.

کلیدواژه‌ها [English]

  • GLUE
  • Inverse modeling
  • MODFLOW
بهروز،م.، علی­محمدی،س و عطاری،ج. 1393. تحلیل حساسیت عدم قطعیت­های هیدرولوژیکی، هیدرولیکی و اقتصادی در طراحی سیستم­های کنترل سیلاب، تحقیقات منابع آب ایران. 10.2 :81-69.

بی­نام.1392. گزارش مدل مفهومی حوضه بجنورد، شرکت هیدروتک توس، مشهد.

بی نام.1393. گزارش مدل ریاضی حوضه بجنورد، شرکت هیدروتک توس، مشهد.

پوررضابیلندی،م.، آخوندعلی،م و قهرمان،ب. ١391. تحلیل عدم قطعیت دربرآورد پارامترهای مدل توزیعی بارش_رواناب با کاربرد الگوریتم مونت کارلو-زنجیره مارکف، مجله پژوهش آب ایران. 6. 11 :173-165.

پوررضابیلندی،م.، آخوندعلی،م.، قهرمان،ب و تلوری، ع. 1393. ارزیابی دو الگوریتم مختلف مونت کارلو زنجیر مارکف در تحلیل صدک قطعیت پارامترهای مدل توزیعی هیدرولوژیکی، نشریه پژوهش­های حفاظت آب و خاک. 21 . 5: 26-1.

چیت سازان،م.، عابدینی،م. ج و سالک،م. 1387. بررسی و کمی سازی عدم قطعیت در مدل آب زیرزمینی آبخوان دشت کازرون به کمک مشخصه­های آماری، مجله علوم دانشگاه شهید چمران. 19 33–17.

خوشخو،ی.، ایران نژاد،پ.، خلیلی،ع.، رحیمی،ح.، لیاقت،ع و جانسن،پ. 1392. واسنجی و تحلیل عدم قطعیت مدل COUP برای شبیه­سازی دمای خاک در ایستگاه سینوپتیک همدان، نشریه آب و خاک. 27. 5: 939-928.

رسول­زاده،ع و موسوی،س.ع.ا. 1387. استفاده از روش معکوس WTF بررسی عدم اطمینان در برآورد پارامترهای مدل آب زیر زمینی، هفتمین کنفرانس هیدرولیک ایران، 13-21 آبان، دانشگاه صنعت آب و برق، تهران.

حسینی،س.م.، جهانگیری،م. 1390. تجزیه ­و ­تحلیل عدم قطعیت و­حساسیت روابط برآورد عامل­های جر یان در محیط سنگ­ریزه، مجله علوم مهندسی و آبخیزداری ایران. 5. 14: 70-61 .

شفیعی،م.، انصاری،ح. داوری،ک. و قهرمان،ب. 1392. واسنجی و تحلیل عدم­قطعیت یک مدل نیمه­توزیعی در یک منطقه نیمه­خشک، مجله علوم و فنون کشاورزی و منابع طبیعی، آب و خاک.17. 64: 148-137.

شفیعی،م.، قهرمان،ب.، ثقفیان،ب.، داوری،ک. و وظیفه دوست،م. 1393. تحلیل عدم قطعیت در برآورد مولفه­های بیلان آب در دو مزرعه فاریاب در منطقه خشک، نشریه آب و خاک. 28. 25: 917–909.

ضیایی،ع.، داوری،ک.، مشکینی،ج.، قلی­زاده،ش.، ایزدی،ع.، جودوی،ع.، بهرامی،ر.، جعفری،ز و مجیدی،م. 1394. شبیه­سازی جریان و محاسبه بیلان آب­زیرزمینی در دشت بجنورد با استفاده از کد MODFLOW، اولین کنگره ملی آبیاری و زهکشی ایران، دانشگاه فردوسی مشهد، 24-23 اردیبهشت، مشهد، (مجموعه مقالات).

نصرتی،ک. 1390. منشایابی رسوب بر اساس برآورد عدم قطعیت، مجله پژوهش آب ایران. 5. 9: 60-51 .

Abbaspour,K.C., Johnson,C.A., Genuchten,M.T. 2004. Estimating uncertain flow and transport parameters using a sequential uncertainty, fitting procedure, Journal of Vadose Zone. 3:1340-1352.

Beven,K.J. 2001. How far can we go in distributed hydrological modeling?, Hydrology and Earth System Sciences. 5.1:1–12.

Beven,K.J. 2006. A manifesto for the equifinality thesis, Journal of Hydrology, 320. 1–2:18–36.

Beven,K.J. and Binley,A. 1992. The future of distributed models: model calibration and uncertainty prediction, Hydrological Processes, 6.3:279–298.

Blasone,R.S., Vrugt,J.A., Madsen,H., Rosberg,D., Robinson,B.A., Zyvoloski,G.A. 2008. Generalized likelihood uncertainty estimation (GLUE) using adaptive Markov Chain Monte Carlo sampling, Advances in Water Resources. 31:630–648.

Buckley,K.M., Binley,A.M and Beven,K.J. 1995. Calibration and predictive uncertainty estimation of groundwater quality models: Application to the Twin Lake Tracer Test, in Groundwater qualily Management. 220: 205-214.

Dettinnger,M.D and Wilson,J.L. 1981. First Order Analysis of Uncertainty in Numerical Models of Groundwater Flow. Part 1. Mathematical Development, Water Resources Research. 17.1:149–161.

Dotto,C.B.S., Mannina,G., Kleidorfen,M., Vezzaro,L., Henrichs,M., McCarthy,D.T., Freni,G., Rauch,W and Deletic,A. 2012. Comparison of different uncertainty techniques in urban stormwater quantity and quality modeling, Water Research. 46.8:2545-2558.

Feyen,L., Beven,K.J., Smedt,F.D and Freer,J. 2001. Stochastic capture zone delineation within the generalized likelihood uncertainty estimation methodology: Conditioning on head observation. Water Resources Research. 37.3: 625-638.

Fu,J and Gomez-Hernandez,J.J. 2009. Uncertainty Assessment and data worth in groundwater flow and mass transport modeling using a blocking markov chain monte carlo method,  Journal of Hydrology.364:328-341.

Harbaugh,A. 2005. MODFLOW-2005, the U.S. Geological Survey modular groundwater model- the Groundwater Flow Process, Techniques and methods 6–a16,United States Geological Survey, Reston, Virginia, USA.

Hardyanto,W and Merkel,B. 2007. Introducing Probability and Uncertainty in groundwater modeling with FEMWATER_LHS, Journal of Hydrology.332.

Hassan,A.E., Bekhit,H.B and Chapmann,J.B. 2008. Uncertainty assessment of a stochastic groundwater flow model using GLUE analysis, Journal of Hydrology. 362:89-109.

Hassan,A.E., Bekhit,H.B and Chapmann,J.B. 2009. Using Markov Chain Monte Carlo to quantify parameter uncertainty and its effect on predictions of a groundwater flow model, Environmental modeling and software. 24.6:749-763.

Helton,J.C and Davis,F.J. 2003. Latin hypercube sampling and the propagation of uncertainty in analyses of complex systems, Reliability Engineering & System Safety. 81.1:23-69.

Izady,A., Davary,K., Alizadeh,A., Ziaei, A.N., Alipoor,A., Joodavi,A and Brusseau,M.L. 2013. A framework toward developing a groundwater conceptual model, Arabian Journal of Geosciences. 7.9: 3611-3631.

Johnson,J. 2010. Framework to effectively quantify and comunicate groundwater model uncertainty to management and client, U.S. department of the Interior Burea Of Reclamation. Pacific Northwest Regional Office Boise, Idaho, U.S.A.

Kanso,A., Chebbo,G and Tassin,B. 2004.Application of MCMC–GSA model calibration method to urban runoff quality modeling, Reliability Engineering & System Safety. 91.10-11:1398–1405.

Keating,E.H.,  Doherty,J., Vrugt,J.A and Kang,Q. 2010. Optimization and uncertainty assessment of strongly non-linear groundwater models with high parameter dimensionality, Water Resources Research. W10517(46).

Mein,R.G and Brown,B.M. 1978. Sensitivity of optimized parameters in watershed models, Water Resources Research. 14:299-303.

Migliaccio,K.W and Chaubey,I. 2008. Spatial distributions and stochastic parameter influences on SWAT flow and sediment predictions, Journal of Hydrological Engineering-ASCE.13:258–269.

Mirzaei,M., Huang,Y.F and El-Shafie,A. 2015. Application of the generalized likelihood uncertainty estimation (GLUE) approach for assessing uncertainty in hydrological models: A review, Stochastic Environmental Research and Risk Assessment.  29.5: 1265-1273.

Morse,B.S., Pohll,G., Huntington,J and Rodrigues-Castillo,R. 2003. Stochastic capture zone analysis of arsenic-contaminated well using the generalized likelihood uncertainty estimator (GLUE) methodology, Water Resources Research. 39.6:1151.

Muleta,M.K., Nicklow,J.W. 2005. Sensitivity and uncertainty analysis coupled with automatic calibration for a distributed watershed model, Journal of Hydrology, 306: 127-145.

Pohll,G., Pohlmann,K., Hassan,A., Chapman,J Mihvec,T. 2002. Assessing groundwater model uncertainty for the central Nevada test area. Spectrum 2002.

Rojas,R., Kahunde,S. 2010. Application of a multimodel approach to account for conceptual model and scenario uncertainties in groundwater modeling, Journal of Hydrology, 394(3)416-435.

Rojas,R., Feyen,L and Dassargues,A. 2008, Conceptual model uncertainty in groundwater modeling: Combining generalized likelihood uncertainty estimation and Bayesian model averaging, Water Resources Research. W12418 44.12:619- 624.

Sepúlveda,N and Doherty,J. 2015. Uncertainty Analysis of a Groundwater Flow Model in East-Central Florida, Groundwater, 53.3:464–474.

Shafiei,M., Ghahraman,B., Saghafian,B., Davary,K., Pande,S., Vazifedoust,M. 2014. Uncertainty assessment of the agro-hydrological SWAP model application at field scale: A case study in a dry region, Agricultural Water Management. 146: 324-334.

Stow,C.A., Reckhow,K.H., Qian,S.S., Conrad.E. 2007. Approaches to evaluate water quality model parameter uncertainty for adaptive TMDL implementation, Journal of the american water resourcs association. 43.6:1499-1507.

Talebizadeh,M., Morid,S., Ayyoubzadeh, S.A., Ghasemzadeh,M. 2009. Uncertainty Analysis in Sediment Load Modeling Using ANN and SWAT Model, Water Resources Management, 24.9:1747-1761.

Vrugt,J.A., Gupta,H.V., Bouten,W and Sorooshian,S. 2003. A Shuffled ComplexEvolution Metropolis algorithm for optimization and uncertainty assessment of hydrologic model parameters, Water Resources Research. 39.8:1-12.

Vrugt,J.A., Braak,C.J.F., Gupta,H.V., Robinson,B.A. 2008. Equifinality of formal (DREAM) and informal (GLUE) Bayesian approaches in hydrologic modeling, Stochastic Environmental Research and Risk Assessment. 23: 1011–1026.

Yoon,H., Hart,D.B., McKenna,S.A. 2013. Parameter estimation and predictive uncertainty in stochastic inverse modeling of groundwater flow: Comparing null-space Monte Carlo and multiple starting point methods, Water Resources Research. 49:536-553.