مدلسازی آب زیرزمینی مبنایی برای تجزیهوتحلیل کمی و کیفی منابع آب زیرزمینی است که ارزیابی موفقیتآمیز این منابع به شبیهسازی پایدار و قابل اعتماد آن بستگی دارد. چون مدلهای آب زیرزمینی تقریبی از واقعیت هستند. بنابراین، نمیتوان از طریق مدلسازی خصوصیات یک سیستم را به طور کامل تعیین کرد. از اینرو، ذاتاً همۀ مدلها درجهای از عدم قطعیت دارند و در نتیجه، وجود عدم قطعیت در مدل آب زیرزمینی، تصمیمگیریهای مدیریتی در رابطه با آن را با خطر شکست مواجه میکند. هدف از این تحقیق، توضیح شیوهای برای شناخت کمی عدم قطعیت در مدلسازی آب زیرزمینی است و اینکه چگونه عدم قطعیت مدل میتواند به عنوان یک ابزاری برای فهم بهتر سیستم مدلشده به کار رفته و اطلاعات لازم را برای کمک به تصمیمگیری آگاهانهتر در اختیار گذارد. بررسی کمی عدم قطعیت در مدلسازی آب زیرزمینی در محدودۀ مطالعاتی نجفآباد واقع در استان اصفهان انجام شد سه مدل مفهومی، به وسیلۀ موقعیتهای مختلف زمینشناسی، تغذیه و مرزهای مدل برای آبخوان نجفآباد تهیه شد. مدلهای مفهومی در حالت پایدار و برای سال آبی 1397ـ 1398 توسعه داده و با استفاده از دادههای مشاهداتی سطح آب واسنجی شدند. همۀ مدلها، با استفاده از دادههای سطح آب موجود سال 1397ـ 1398، صحتسنجی شدند. مدلها به طور قابل قبولی سطح آب در آبخوان را شبیهسازی کردند. برای انتخاب بهترین مدل از روش معیار انتخاب مدل (AIC، AICC، BIC و KIC) استفاده شد. نتایج نشان داد مدل 1 با بیشترین وزن و کمترین عدم قطعیت به عنوان بهترین مدل معرفی شد.
Neuman S.P, Maximum likelihood Bayesian averaging of uncertain model predictions. Stochastic Environmental Research and Risk Assessment. 2003; 17(5): 291-305.
Rojas R, F. L. Conceptual model uncertainty in groundwater modeling: Combining generalized likelihood uncertainty estimation and Bayesian model averaging. Water Resour Res. 2008; 44: W12418.
Brendecke C. Comments on Model Uncertainty Memo. For consideration by the Eastern Snake Hydrologic Modeling Committee. 2009.
Wu J.Ch , & Zeng X. Review of the uncertainty analysis of groundwater numerical simulation. Chinese Science Bulletin. 2013; 58(25): 3044-3052.
Zeng X, Wu J, Wang D, Zhu X, & Long Y. Assessing Bayesian model averaging uncertainty of groundwater modeling based on information entropy method. Journal of Hydrology. 2016; 538: 689–704. doi:10.1016/j.jhydrol.2016.04.038
Parrish M. A , Moradkhani H, & DeChant C. M. Toward reduction of model uncertainty: Integration of Bayesian model averaging and data assimilation. WATER RESOURCES RESEARCH. 2012; 48. doi:10.1029/2011WR011116
Samani S, Asghari Moghaddam A, & Ye M. Investigating the effect of complexity on groundwater flow modeling uncertainty. Stoch Environ Res Risk Assess. 2018; 32(3): 643–659. doi:10.1007/s00477-017-1436-6
Engelhardt I, De Aguinaga J, Mikat H, Schu¨th C, & Liedl R. Complexity vs. simplicity: groundwater model ranking using. Ground Water. 2014; 52:573–583. doi:10.1111/ gwat.12080
Lukjan A, Swasdi S, & Chalermyanont T. Importance of Alternative Conceptual Model for Sustainable Groundwater Management of the Hat Yai Basin, Thailand. Procedia Engineering, 2016; 154: 308 – 316.
Touhidul Mustafa S. Md , Nossent J, Ghysels G, Huysmans M. Integrated Bayesian Multi-model approach to quantify input, parameter and conceptual model structure uncertainty in groundwater modeling. Journal of Hydrology. 2020; https://doi.org/10.1016/j.envsoft.2020.104654
Malmir M, Javadi S, Moridi A, Neshat A, & Razdar B. A new combined framework for sustainable development using the DPSIR approach and numerical modeling. Geoscience Frontiers. 2021;12(4).doi.org/10.1016/j.gsf.2021.101169.
Zayandab Consulting Engineers, updating the balance of water resources in the case study of Gavkhooni catchment in 2011-2012, Volume 5: Water Resources Assessment, Appendix 6: Water Resources Balance Report Najafabad Case Study (4206). 2015. (In Persian)
Holder J. J. E. Olsen and Philip Z. Experimental determination of subcritical crack growth parameters in sedimentary rock: Geophysical Research Letters 2001; 28(4): 599-602
Singhal B. B. S. and Gupta R. P. Applied Hydrogeology of Fractured Rocks. Springer Publication. 2010; United States.
Akaike H. A new look at the statistical model identification. IEEE Trans Automat Contr. 1974; 19: 716–723.
Hurvich C.M, and Tsai C.L. Regression and time series model selection in small samples. Biometrika. 1989;76(2): 297-307.
Rissanen, J., Modeling by shortest data description. Automatica 1978; 14(5): 465-471.
Schwarz G. Estimating the dimension of a model. The annals of statistics.1978;6(2):461-464.
Kashyap R.L. Optimal choice of AR and MA parts in autoregressive moving average models. IEEE Transactions on Pattern Analysis and Machine Intelligence. 1982; (2): 99-104.
Ye M, Meyer PD, Neuman SP. On model selection criteria in multi model analysis. Water Resour Res. 2008a; doi:10.1029/2008WR006803.
Carrera J and Neuman S.P. Estimation of aquifer parameters under transient and steady state conditions: 2. Uniqueness, stability, and solution algorithms. Water Resources Research. 1986b; 22(2): 211-227.
Samper F.J, & Neuman Sh.P. Estimation of spatial covariance structures by adjoint state maximum likelihood cross validation: 1. Theory. Water Resources Research. 1989a; 25(3): 351-362.
Carrera J. and Neuman S.P. Estimation of aquifer parameters under transient and steady state conditions: 1. Maximum likelihood method incorporating prior information. Water Resources Research. 1986a; 22(2): 199-210.
Ye M, Meyer PD, Neuman SP. On model selection criteria in multi model analysis. Water Resour Res. 2008a; doi:10.1029/2008WR006803.
Ye M, Neuman S.P, Meyer P.D, Pohlmann K. Sensitivity analysis and assessment of prior model probabilities in MLBMA with application to unsaturated fractured tuff. Water Resources Research. 2005; 41(12).
Ye M , Neuman S. P, Meyer P. D. Maximum likelihood Bayesian averaging of spatial variability models in unsaturated fractured tuff. Water Resour Res. 2004; 40: W05113.
Kass R.E, and Raftery A.E. Bayes factors. Journal of the American statistical association 90; 1995: (430)773-795.
Liu P, Elshall A.S , Ye M , Beerli P, Zeng X, Lu D and Tao Y. Evaluating marginal likelihood with thermodynamic integration method and comparison with several other numerical methods. Water Resources Research. 2016.
Hill C.M, Tiedeman C.R. Effective Groundwater Model Calibration: With Analysis of Data, Sensitivities, Predictions, and Uncertainty. John Wiley & Sons, Inc., Hoboken, New Jersey. 2007; 455 pp.
Hill M.C. Methods and guidelines for effective model calibration: with application to UCODE, a computer code for universal inverse modeling, and MODFLOWP, a computer code for inverse modeling with MODFLOW: U.S.Geological Survey Water-Resources Investigations Report; 1998: 98-4005
Diks C.G.H, Vrugt J.A. Comparison of point forecast accuracy of model averaging methods in hydrologic applications, Stochastic Environmental Research and Risk Assessment. 2010; 24: 809-820.
Duan Q, Ajami N, Gao X, and Sorooshian S. Multi-model ensemble hydrologic prediction using Bayesian model averaging. Advances in Water Resources. 2007; 30(5): 1371–1386.
