بررسی عدم‌قطعیت مدل مفهومی در مدل‌سازی آب زیرزمینی (مطالعۀ موردی: آبخوان نجف‏آباد حوضۀ گاوخونی)

نوع مقاله : پژوهشی

نویسندگان

1 دانشجوی دکتری منابع آب، پردیس ابوریحان، دانشگاه تهران، پاکدشت

2 دانشیار گروه مهندسی آب، پردیس ابوریحان، دانشگاه تهران، پاکدشت

3 استادیار، عضو هیئت علمی پژوهشکدۀ مطالعات و تحقیقات منابع آب، مؤسسۀ تحقیقات آب، تهران

چکیده

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.

کلیدواژه‌ها

مراجع

  • 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.
اکوهیدرولوژی
دوره 8، شماره 4
دی 1400
صفحه 1081-1097

فایل ها

سابقه مقاله

  • تاریخ دریافت: 19 شهریور 1400
  • تاریخ بازنگری: 11 بهمن 1400
  • تاریخ پذیرش: 11 بهمن 1400
  • تاریخ اولین انتشار: 11 بهمن 1400
  • تاریخ انتشار: 01 دی 1400

هم رسانی

ارجاع به این مقاله

آمار