Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Mô hình hóa dòng chảy với độ không chắc chắn dự đoán bằng cách sử dụng các mô hình thủy văn SWAT và RBNN cho một lưu vực nông nghiệp ở Ấn Độ
Tóm tắt
Mô phỏng các quá trình thủy văn tại điểm ra của lưu vực là điều cần thiết cho việc lập kế hoạch và thực hiện các biện pháp bảo tồn đất phù hợp tại lưu vực Damodar Barakar, Hazaribagh, Ấn Độ, nơi xói mòn đất là một vấn đề chính. Nghiên cứu này định lượng độ không chắc chắn tham số liên quan đến việc mô phỏng dòng chảy bằng cách sử dụng mô hình quy mô lưu vực công cụ đánh giá đất và nước (SWAT) và mạng nơ-ron cơ sở bán kính (RBNN), một mô hình mạng nơ-ron nhân tạo. Cả hai mô hình đều đã được hiệu chỉnh/đào tạo và xác thực, và việc định lượng độ không chắc chắn trong đầu ra của mô hình được đánh giá bằng cách sử dụng "thuật toán đo lường không chắc chắn tuần tự" và kỹ thuật Bootstrap. Mô hình RBNN hoạt động tốt hơn so với SWAT với các giá trị R2 và NSE lần lượt là 0.92 và 0.92 trong giai đoạn đào tạo, và 0.71 và 0.70 trong giai đoạn xác thực. Giá trị của hệ số P liên quan đến từng mô hình cho thấy rằng tỷ lệ phần trăm giá trị dòng chảy quan sát được kẹp trong 95PPU ở mô hình RBNN là 91 % cao hơn so với hệ số P trong mô hình SWAT là 87 %. Nói cách khác, mô hình RBNN ước lượng các giá trị dòng chảy chính xác hơn và với độ không chắc chắn thấp hơn. Có thể khẳng định rằng mô hình RBNN dựa trên đầu vào đơn giản có thể được sử dụng để ước lượng dòng chảy hàng tháng, dữ liệu thiếu, và kiểm tra độ chính xác và hiệu suất của các mô hình khác.
Từ khóa
#Mô hình hóa dòng chảy #độ không chắc chắn dự đoán #mô hình SWAT #mạng nơ-ron cơ sở bán kính #lưu vực nông nghiệp #xói mòn đất #kỹ thuật BootstrapTài liệu tham khảo
Di Luzio M, Srinivasan R, Arnold JG (2002) Integration of watershed tools and SWAT model into basins. JAWRA 38(4):1127–1141
Mutlu E, Chaubey I, Hexmoor H, Bajwa SG (2008) Comparison of artificial neural network models for hydrologic predictions at multiple gauging stations in an agricultural watershed. Hydrol Process. doi:10.1002/hyp.7136
Park J, Sandberg IW (1993) Universal approximations using radial basis function networks. Neural Comput 3(2):246–257
Demirel MC, Venancio A, Calla E (2009) Flow forecast by SWAT model and ANN in Pracana basin, Portugal. Adv Eng Softw 40(7):467–473
Singh A, Imtiyaz M, Isaac RK, Denis DM (2012) Comparison of soil and water assessment tool (SWAT) and multilayer perceptron (MLP) artificial neural network for predicting sediment yield in the Nagwa agricultural watershed in Jharkhand, India. Agric Water Manag 104:113–120
Arnold JG, Srinivasan R, Muttiah RS, Williams JR (1998) Large area hydrologic modelling and assessment part I: model development. JAWRA 34(1):73–89
Nash JE, Sutcliffe JV (1970) River flow forecasting through conceptual models: part I. A discussion of principles. J Hydrol 10(3):282–290
Abbaspour KC, Yang J, Maximov I, Siber R, Bogner K, Mieleitner J, Zobrist J, Srinivasan R, Reichert P (2007) Modelling of hydrology and water quality in the pre-alpine/alpine Thur watershed using SWAT. J Hydrol 333:413–430
Efron B, Tibshirani RJ (1993) An introduction to the bootstrap. CRC Press, Boca Raton
Srinivasan R, Ramanarayanan TS, Arnold JG, Bednarz ST (1998) Large area hydrologic modeling and assessment part II: model application. J Am Water Resour Assoc 34(1):91–101