ارزیابی مقایسه‏ ای مدل های Sacramento، SMAR و SimHyd در شبیه سازی رواناب روزانه بلندمدت

با توجه به تاثیر قابل توجه میزان رواناب در مدیریت پایدار منابع آب و عملیات مهندسی، پیش بینی و برآورد دقیق این متغیر از اهمیت بالایی برخوردار است. بنابراین، هدف از پژوهش حاضر ارزیابی عملکرد تعدادی از مدل های هیدرولوژیکی در شبیه سازی رواناب و نیز تحلیل حساسیت پارامترهای این مدل‏ها جهت تعیین پارامترهای تاثیرگذار بر شبیه‎سازی است. به این منظور در پژوهش حاضر پس از تهیه داده‏ های مورد نیاز در دوره آماری 1397-1367 به شبیه سازی رواناب حوزه آبخیز گالیکش استان گلستان با استفاده از سه مدل هیدرولوژیکی یکپارچه Sacramento، SimHyd و SMAR پرداخته شد. پس از برآورد رواناب حوزه آبخیز، عملکرد هر یک از این مدل‏ها در شبیه سازی رواناب خروجی از حوزه آبخیز با استفاده از چهار معیار ارزیابی ضریب نش-ساتکلیف (NSE)، ریشه میانگین مربعات خطا (RMSE)، ضریب تبیین (R2) و میانگین درصد قدر مطلق خطا (MAPE) در دو دوره واسنجی و صحت‏ سنجی بررسی شده و در نهایت حساسیت پارامترهای هر یک از مدل‏ ها در برآورد رواناب مورد بررسی قرار گرفت. نتایج حاصل از شبیه سازی رواناب حاکی از عملکرد بهتر مدل بارش-رواناب Sacramento با ضریب نش-ساتکلیف 82/0 و 70/0 در دوره واسنجی و صحت‏ سنجی نسبت به دیگر مدل های هیدرولوژیکی است. پس از آن، مدل SimHyd با ضریب نش-ساتکلیف 71/0 و 76/0 برای دو دوره واسنجی و صحت‏ سنجی عملکرد مطلوبی را نشان داده است، اما مدل SMAR در شبیه‎سازی رواناب حوزه آبخیز موفق نبوده و عملکرد پایینی داشته است. یافته های تحلیل حساسیت پارامترهای مدل‏ها نیز نشان می دهد که پارامترهایی مانند LZTWM و Zperc در مدل Sacramento، پارامترهای نسبت نفوذناپذیری و ضریب نفوذ در مدل SimHyd و پارامتر ظرفیت ذخیره برگابی در مدل SMAR بیش‏ترین حساسیت را به کاهش مقدار خود داشته‏ اند. هم‏چنین، افزایش مقدار پارامترهای Rexp و نسبت رواناب مستقیم در مدل های Sacramento و SMAR بیش‏ترین تاثیر را نسبت به دیگر پارامترها بر شبیه سازی رواناب داشته‏ اند. یافته‏ ها حکایت از عملکرد بهتر مدل Sacramento و پس از آن مدل SimHyd در شبیه سازی رواناب حوزه آبخیز دارد و مدل SMAR ضعیف ترین عملکرد را در بین مدل ها داشته است. هم‏چنین، نتایج تحلیل حساسیت نشان داد که تغییر پارامترهای مدل تاثیر متفاوتی بر روند شبیه سازی رواناب داشته و بهینه‏ سازی صحیح این پارامترها موجب افزایش دقت شبیه سازی‏ ها خواهد شد.