ارزیابی روش برآورد عدم قطعیت درست نمایی تعمیم یافته در مدل های HyMod و HBV (مطالعه موردی: حوضه چهل چای استان گلستان)

یکی از مهم ترین مشکلات مسایل بدطرح معکوس در بیش برازش مدل با داده های مشاهداتی، در بهینه سازی پارامترها است که با این عمل، پارامترهایی که برازش کمتری با داده های مشاهداتی دارند و ممکن بود با داده های غیر از صحت سنجی، نتیجه ای حتی بهتر از جواب بهینه نشان می دادند، حذف می شوند. این پارامترها، نباید حذف شوند بلکه باید به نحوی در نظر گرفته شوند. درروش برآورد عدم قطعیت درست نمایی تعمیم یافته (GLUE) این دیدگاه، به کار رفته است.

در این مطالعه، از روش GLUE در مدل سازی بارش- رواناب استفاده شد که در آن، با استفاده از یک تابع درست نمایی نامرسوم و فرض یک مقدار آستانه ای از آن، مجموعه ای از پارامترهای رفتاری برای تولید باندهای عدم قطعیت پیش بینی در نظر گرفته شده اند. روش GLUE، جهت برآورد عدم قطعیت در مدل سازی بارش- رواناب حوضه آبریز چهل چای در استان گلستان مورد استفاده واقع شد. برای این کار، از دو مدل یکپارچه HyMod و HBV و شش تابع درست نمایی شامل واریانس معکوس، نش-ساتکلیف، کلینگ-گوپتا، ویتل ، نرمال، نرمال با واریانس ناهمسان بهره گرفته شد.

برای ارزیابی روش GLUE، مناسب ترین توابع درست نمایی انتخاب شده و تاثیر عوامل موثر بر آن مورد تحلیل قرار گرفت. برای حوضه موردمطالعه، از بین شش تابع درست نمایی ارزیابی شده، توابع واریانس معکوس، کلینگ گوپتا و نرمال به دلیل نتیجه بهتر انتخاب شدند. آستانه جداسازی پارامترها نیز مورد تحلیل حساسیت قرار گرفت و 5 درصد تعداد کل شبیه سازی ها مناسب تشخیص داده شد. نتایج نشان داد که با افزایش پارامتر شکل، وزن بیشتر به جواب هایی تعلق می گیرد که دارای برازش بهتری هستند؛ بنابراین روش GLUE مشابه یک روش بهینه سازی عمل می کند. بررسی عدم قطعیت پارامترهای دو مدل نشان داد اکثر پارامترها همبستگی کمی با یکدیگر دارند که می توان نتیجه گرفت که پارامترها خوب تعریف شده اند، اما به خاطر ضریب تغییرات نسبتا بالای آن ها، تشخیص پذیری آن ها پایین است. باندهای عدم قطعیت در مدل HyMod حدود 62 درصد و در مدل HBV حدود 55 درصد از داده های مشاهداتی را (در دوره های صحت سنجی و واسنجی) پوشش دادند بازه های پیش بینی، در جریان های پایه بیشترین عرض را داشتند.

با توجه به نتایج، روش GLUE، نسبت به تابع درست نمایی مورداستفاده، آستانه جداسازی پارامترهای قابل قبول و نوع مدل، حساس بود. برای حوضه چهل چای، بهترین تابع درست نمایی، تابع کلینگ-گوپتا، بهترین آستانه جداسازی، برابر 5 درصد تعداد کل شبیه سازی ها بوده و از بین دو مدل مورد بررسی، مدل HyMod نسبت به مدل HBV، نتایج نسبتا بهتری داشت. همچنین عدم قطعیت پارامترها در این روش، به این دلیل که کل عدم قطعیت را در پارامترها خلاصه می کند، بالاست. از مزایای روش می توان به اجتناب نسبی آن از بیش برازش و سادگی آن اشاره کرد.