کاربرد روش های موجک متقاطع- فیلتر کالمن وGIUH در مدل سازی وقایع بارش- رواناب

نوع مقاله: مقاله پژوهشی

نویسندگان

1 گروه مهندسی منابع آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران

2 گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز

3 گروه ریاضی، دانشکده ریاضی، دانشگاه تبریز

چکیده

وجود عدم قطعیت بالا و غیر خطی بودن روابط بارش و رواناب، جای خالی بسیاری از مطالعات در این راستا را همچنان مشهود می‌سازد. مطالعه حاضر نیز با هدف شبیه‌سازی و پیش‌بینی رفتار حوضه بر اساس شناخت بخشی از روابط حاکم بر این سیستم پیچیده انجام می‌گیرد. در این مطالعه روش‌های تبدیل موجک متقاطع، فیلترکالمن و برنامه ریزی خطی(KF- LP_CW) جهت تجزیه و تحلیل 9 رخداد مرکب بارش و رواناب حوضه آبخیز صوفی چای با مساحت65/250 کیلومتر مربع استفاده شد. سپس جهت مقایسه عملکرد روش مذکور نتایج حاصله با روشهای هیدروگراف واحد ژئومورفولوژی و هیدروگراف واحد ژئومورفولوژی بر پایه مدل نش مقایسه گردید. با توجه به عملکرد رضایتبخش هر سه مدل، در نهایت با استفاده از معیارهای ارزیابی مورد استفاده در تحقیق، عملکرد نهایی روشهای مذکور، مورد بحث قرار گرفت. نتایج نشان داد روش KF- LP_CW رخدادهای مرکب مورد مطالعه را به ترتیب در مرحله واسنجی و صحت سنجی با مجذور میانگین مربعات خطای 47/2 و 2/3 شبیه سازی نمود. در مورد زمان تا اوج به طور متوسط میانگین مطلق خطای نسبی در کل رخدادها (MARE) در مرحله واسنجی و صحت سنجی به ترتیب در 3 روش مورد مطالعه 05/0 و 037/0 است و همین معیار برای دبی اوج و زمان پایه در دو مرحله واسنجی (به ترتیب 07/0 و 06/0) و صحت سنجی (18/0 و 07/0) می‌باشد. که این امر بیانگر عملکرد مناسب تر روش ها به ترتیب در برآورد زمان تا اوج، زمان پایه و دبی اوج می‌باشد.

کلیدواژه‌ها


عنوان مقاله [English]

Application of Cross Wavelet - Kalman Filter and GIUH Methods in Modeling of rainfall-Runoff Events

نویسندگان [English]

  • Fatemeh Mohammadi 1
  • ahmad fakherifard 2
  • mohammad ali ghorbani 2
  • yaghob dinpazhoh 2
  • sedaghat shahmorad 3
1 Water resources dept, faculty of agricultural. Tabriz university. Tabriz. Iran
2 Water Engr. Dept. Faculty of Agriculture, University of Tabriz, Iran
3 Mathematical Dept. Faculty of Mathematical Sciences. University of Tabriz, Iran
چکیده [English]

The existence of high uncertainty and the nonlinearity of rainfall and runoff relationships signalize the vacancy of many studies in this direction. The present study is conducted with the aim of simulating and predicting the watershed’s behavior based on the recognition of a part of the relationships prevailing on this complex system. In this study, Cross wavelet transform methods, Kalman Filter and Linear Programming (KF-LP_CW) were used to analysis of 9 compound events of rainfall and runoff in the Sufi Chai watershed with about 250.65 km2 area. Then, to compare the performance of this method, the results were compared with geomorphologic unit hydrograph combination with Cross wavelet (GIUH-CW) and geomorphologic unit hydrograph based on Nash models combination with Cross wavelet (GIUH-Nash-CW). Considering the satisfactory performance of all three models, the final performance of these methods was finally discussed using the evaluation criteria used in the research. Results showed that the KF-LP_CW method simulated the compound events in the calibration and validation stage with a mean square error (MSE) of 2.47 and 3.2, respectively. In the case of time to peak, the mean average relative error (MARE) for the three studied methods was 0.05 and 0.037 for the calibration and validation stages, respectively. The same criteria for peak discharge and base time were 0.07 and 0.06 respectively for the two calibration stages, and 0.18 and 0.07 in the two validation stages. This indicates better performance of the methods in the estimation of time to peak, base time, and peak discharge, respectively.

کلیدواژه‌ها [English]

  • Cross-Wavelet
  • GIUH
  • Kalman Filter
  • Rainfall-Runoff
عبداللهی،س. 1390. تخمین دبی جریان روزانه رودخانه کارون با استفاده از آنالیز موجک متقاطع. پایان نامه کارشناسی ارشد مهندسی آب، دانشگاه تبریز.

کرمی،ف.، اسمعیل پور،م. 1393. برآورد رواناب با استفاده از مدل هیدروگراف لحظه­ای ژئومورفولوژی (مطالعه موردی: حوضه دریان چای)، هیدرومورفولوژی. 1: 157-145

Chen,B.H., Wang,X.Z., Yang,S.H., McGreavy,C. 1999. Application of wavelets and neural Networks to diagnostic System development, feature extraction, Comput and Chem. Computers and Chemical Engineering, Elsevier Sciences. 23.7: 899-906.

Chou,C.M., Wang,R.Y. 2004. Application of wavelet-based multi model Kalman filters to real-time flood forecasting. Hydrology process. 18: 987–1008.

Chow,V.T., Maidment,D.R and Mays, L.W. 1988. Applied Hydrology. McGraw- Hill book company, New York.

Guasti Lima, F and Assaf Neto,A. 2012. Combining wavelet and kalman filters for financial time series forecasting, Journal of International Finance and Economics. 12. 3: 47-64.

Hong, L., Chen,G., Chui,C.K. 1998. A filter-bank-based Kalman filtering technique for wavelet estimation and decomposition of random signals. IEEE Trans. Circuits Systems-II: Analog Digit Signal Processing. 45.2: 237–241.

J.B.Swaina,R. Jhab,K., Patrac,C. 2015. Stream flow prediction in a typical ungauged catchment using GIUH approach, international conference on water resouces, coastal and ocean engineering. 4:993 – 1000.

Jothityangkoon, C., Sivapalan, M and Farmer, D.L. 2001. Process controls of water balance variability in a large semi-arid catchment:  downward approach to hydrological model development. Journal of Hydrolog. 254:174-198.

Jury,M.R., Enfield,D.B., Melice,J.L. 2002. Tropical monsoons around Africa: stability of El Nino-southern oscillation associations and links with continental climate. Journal of Geophysical Research. 107. 15:1-17

Labat, D. Ababou, R., Mangin, A. 2000. Wavelet analysis in Karstic hydrology. 2nd Part: Rainfall–runoff cross–wavelet analysis. Comptes Rendus de l’Academie des Sciences Series IIA Earth and Planetary Science. 329: 881-887.

Lee,Y.H and Singh,V.P. 1999. Tank model using kalman filter, Journal of hydrologic engineering. 4: 344-349.

Liu,Y., Brown,J., Demargne,J and Jun Seo,D. 2011. A wavelet-based approach to assessing timing errors in hydrologic predictions, Journal of Hydrology. 397:210–224.

Mizumura, K.1984. Aplication of kalman filter to oceanic data, J. Waterway, Port, Coastal, Ocean Engineering. 110:334-343.

Nakken, M. 1999. Wavelet analysis of rainfall–runoff variability isolating climatic from anthropogenic patterns. Environmental Modelling and Software. 14: 283–295.

Nayak,P.C., Venkatesh,B., Krishna,B and Jain,S.K. 2013. Rainfall-runoff modeling using conceptual, data driven, and wavelet based computing approach. Journal of Hydrology. 493: 57–67.

Rodriguez-Iturbe, I and Valdes,J.B. 1979. The geomorphic structure of hydrologic response, Water Resource. Research. 18.4:877–886.

Rosso, R. 1984. Nash model relation to Horton order ratios. Water Resources Research. 20: 914–920.

Sagar RohidasChavan, S., Srinivas,V.V. 2015.  Effect of DEM source on equivalent Horton–Strahler ratio based GIUH for catchments in two Indian river basins, Journal of Hydrology. 528: 463-489.

Shoaib,M.Y., Shamseldin,A.W., Melville,B. 2014. Comparative study of different wavelet based neural network models for rainfall–runoff modeling, Journal of Hydrology. 515: 47–58.

Tejaswini,N.B., Shetty,A.,  Hegde,V.S. 2011. Spatial variation in drainage characteristics and geomorphic instantaneous unit hydrograph (GIUH); implications for watershed management-A case study of the Varada River basin, Northern Karnataka. Catena. 87: 52–59.

Todini, E. 1978. Mutually interactive state parameter (MISP) estimation. Application of Kalman Filter, Proceeding of American Geophysical Union (AGU) Chapman Conferance, University of Pittsburgh, Pittsburgh: 135–151.

Torrence, C and Compo,G.P. 1998. A practical guide to wavelet analysis. Bulletin of the American eteorological Society. Bulletin of the American Meteorological Society. 79.1: 61-78.

Wu,C.M and Huang,W.C. 1990.  Effect of observability in Kalman filtering on rainfall-runoff modeling. Taiwan Water Conservancy Quarterly, Taiwan. 38: 37–47.