PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
Tytuł artykułu

Automatic calibration and sensitivity analysis of DISPRIN model parameters: A case study on Lesti watershed in East Java, Indonesia

Treść / Zawartość
Identyfikatory
Warianty tytułu
PL
Kalibracja automatyczna i analiza czułości parametrów modelu DISPRIN: Przypadek zlewni Lesti w prowincji Jawa Wschodnia, Indonezja
Języki publikacji
EN
Abstrakty
EN
The Dee Investigation Simulation Program for Regulating Network (DISPRIN) model consists of eight tanks that are mutually interconnected. It contains 25 parameters involved in the process of transforming rainfall into runoff data. This complexity factor is the appeal to be explored in order to more efficiently. Parameterization process in this research is done by using Differential Evolution (DE) algorithm while parameters sensitivity analysis is done by using Monte Carlo simulation method. Software application models of merging the two concepts are called DISPRIN25-DE model and compiled using code program M-FILE from MATLAB. Results of research on Lesti watershed at the control point Tawangrejeni automatic water level recorder (AWLR) station (319.14 km2) in East Java Indonesia indicate that the model can work effectively for transforming rainfall into runoff data series. Model performance at the calibration stage provide value of NSE = 0.871 and PME = 0.343 while in the validation stage provide value of NSE = 0.823 and PME = 0.180. Good performance in the calibration process indicates that DE algorithm is able to solve problems of global optimization of the equations system with a large number of variables. The results of the sensitivity analysis of 25 parameters showed that 3 parameters have a strong sensitivity level, 7 parameters with a medium level and 15 other parameters showed weak sensitivity level to performance of DISPRIN model.
PL
Model DISPRIN składa się z ośmiu zbiorników wzajemnie ze sobą połączonych. Zawiera 25 parametrów zaangażowanych w proces transformacji danych opadowych w dane odpływu. Ten czynnik złożoności skłania do podjęcia badań celem zwiększenia wydajności. W badaniach prezentowanych w niniejszej pracy proces parametryzacji zrealizowano, stosując algorytm zróżnicowanej ewolucji (DE), podczas gdy analizę czułości przeprowadzono z użyciem metody symulacji Monte Carlo. Modele aplikacji polegające na łączeniu dwóch koncepcji nazywane są DISPRIN25-DE i są kompilowane za pomocą programu M-FILE z MATLAB. Wyniki badań zlewni Lesti (319,14 km2) w punkcie kontrolnym stacji Tawangrejeni z automatycznym pomiarem poziomu wody w prowincji Jawa Wschodnia w Indonezji wskazują, że model może efektywnie działać w celu przekształcenia opadów w serie danych o odpływie. Na etapie kalibracji model dostarczył wartości NSE = 0,871 i PME = 0,343, a na etapie walidacji wartości NSE = 0.823 i PME = 0,180. Dobre rezultaty w procesie kalibracji wskazują, że algorytm DE jest zdolny rozwiązywać problemy globalnej optymalizacji systemu równań z dużą liczbą zmiennych. Wyniki analizy czułości 25 parametrów wykazały, że 3 parametry mają wysoką czułość, 7 – pośrednią, a 15 innych parametrów cechuje niski poziom czułości na zachowanie modelu DISPRIN.
Wydawca
Rocznik
Tom
Strony
141--152
Opis fizyczny
Bibliogr. 23 poz., rys., tab.
Twórcy
autor
  • University of Muhammadiyah Malang, Department of Civil Engineering, Jl. Raya Tlogomas No 246, 65114 Malang, East Java Province, Indonesia, sulianto1967@gmail.com
autor
  • University of Brawijaya, Faculty of Engineering, Department of Water Resources, Malang, East Java Province, Indonesia, mbisri@ub.ac.id
  • University of Brawijaya, Faculty of Engineering, Department of Water Resources, Malang, East Java Province, Indonesia, lilymont2001@gmail.com
autor
  • University of Brawijaya, Faculty of Engineering, Department of Water Resources, Malang, East Java Province, Indonesia, suikoken@gmail.com
Bibliografia
  • BAO H.J, WANG L., LI Z.J, ZAO L.N., ZHANG G. 2010. Hydrological daily rainfall-runoff simulation with BTOPMC model and comparison with Xin’anjiang model. Water Science and Engineering. Vol. 3(2) p. 121–131. DOI 10.3882/j.issn.1674-2370.2010.02. 001.
  • CHEN C., SHRESTHA D.L., PEREZ G.C., SOLOMATINE D. 2006. Comparison of methods for uncertainty analysis of hydrologic models [online]. 7th International Conference on Hydroinformatics. Nice, France. [Access 15.04.2017]. Available at: https://www.researchgate.net/publication/282331922_COMPARISON_OF_METHODS_FOR_UNCERTAINTY_ANALYSIS_OF_HYDROLOGIC_MODELS
  • DARIKANDEH D., AKBARPOUR A., POURREZA M.B., HASHEMI S.R. 2014. Automatic calibration for estimation of the parameters of rainfall-runoff model, SCIJOU. Journal of River Engineering. Vol. 2. Iss. 8 pp. 9.
  • GHOLAMI A., HABIBNEJAD R.M., SHAHEDI K., VAFAKHAH M., SOLAYMANI K. 2016. Hydrological stream flow modeling in the Talar catchment (central section of the Alborz Mountains, north of Iran): Parameterization and uncertainty analysis using SWAT-CUP. Journal of Water and Land Development. No. 30 p. 57–69. DOI 10.1515/jwld-2016-0022.
  • GUPTA H.V., SOROOSHIAN S., YAPO P.O. 1999. Status of automatic calibration for hydrologic models: Comparation with multilevel expert calibration. Journal of Hydrologic Engineering. Vol. 4. No. 2 p. 135–143.
  • HUANG X.L., XIONG J. 2010. Parameter optimization of multi-tank model with modified dynamically dimensioned search algorithm. Proceedings of the Third International Symposium on Computer Science and Computational Technology (ISCSCT ’10), Jiaozuo, China, 14–15 August 2010. Oulu, Finnland. Academy Publisher p. 283–288.
  • HSU P.-Y., YEH Y.-L. 2015. Study on flood Para-Tank model parameters with particle swarm optimization. Journal of Information Hiding and Multimedia Signal Processing, Ubiquitous International. Vol. 6. No. 5 p. 911–923.
  • JONSDOTTIR H., MADSEN H., PALSSON O.P. 2005. Parameter estimation in stochastic rainfall-runoff models. Journal of Hydrology. Vol. 326 p. 379–393.
  • KENJI T.,YUZO O.,XIONG J., KOYAMA T. 2008. Tank model and its application to predicting groundwater table in slope. Chinese Journal of Rock Mechanics and Engineering. Vol. 27. No. 12 p. 2501–2508.
  • KUMAR D., CH S., MATHUR S., ADAMOWSKI J. 2015. Multiobjective optimization of in-situ bioremediation of groundwater using a hybrid metaheuristic technique based on differential evolution, genetic algorithms and simulated annealing. Journal of Water and Land Development. No. 27 p. 29–40. DOI 10.1515/jwld-2015-0022.
  • NGOC T.A., HIRAMATSU K., HARAMADA M. 2012. Optimizing parameters for two conceptual hydrological models using a genetic algorithm: A case study in the Dau Tieng river watershed, Vietnam. Japan Agricultural Research Quarterly. Vol. 47(1) p. 85–96.
  • PIOTROWSKI A., NAPIÓRKOWSKI M., NAPIÓRKOWSKI J., OSUCH M., KUNDZEWICZ Z. 2016. Are modern metaheuristics successful in calibrating simple conceptual rainfall- runoff models? Hydrological Siences Journal. Vol. 62. Iss. 4 p. 606–625.
  • RAMIRES J.D., CAMACHO R., MCANALLY W., MARTIN J. 2012. Parameter uncertainty methods in evaluating a lumped hydrological model. Obrasy Proyectos. No. 12 p. 42–56. DOI 10.4067/S0718-28132012000200004.
  • SANTOS C.A.G. 2011. Application of a particle swarm optimization to the tank model. In: Risk in water resources management. Proceedings of Symposium H03 held during IUGG2011 in Melbourne, Australia, July 2011. IAHS Publication. No. 347 p. 114–120.
  • SEIBERT J. 2000. Multi-criteria calibration of conceptual runoff model using a genetic algorithm. Hydrology and Earth System Sciences. Vol. 4(2) p. 215–224.
  • SETIAWAN B., FUKUDA T., NAKANO Y. 2003. Developing procedures for optimization of Tank model’s parameters. Agricultural Engineering International: CIGR Journal of Scientific Research and Development. Vol. 5 p. 1–13.
  • SHAW E.M. 1985. Hydrology in practice. London. Van Nostrand Reinhold (UK) pp. 569.
  • STORN R., PRICE K. 1997. Differential evolution – a simple and efficientheuristic for global optimization over continuous spaces. Journal of Global Optimization. Vol. 11 p. 341–359.
  • TOLSON B.A., SHOEMAKER C.A. 2007. Dynamically dimensioned search (DDS) algorithm for computationally efficient watershed model calibration. Water Resources Research. Vol. 43. Iss. 1 pp. 16. DOI 10.1029/2005WR004723.
  • UHLENBROOK S., SEIBERT J., LEIBUNDGUT C., RODHE A. 1999. Prediction uncertainty of conceptual rainfall runoff models caused by problems in identifying model parameters and structure. Hydrological Sciences – Journaldes Sciences Hydrologiques. Vol. 44(5) p. 779–798.
  • WANG W.C., CHENG C.T., CHAU K.W., XU D.M. 2012. Calibration of Xinanjiang model parameters using hybrid genetic algorithm based fuzzy optimal model. Journal of Hydroinformatic. Vol. 14. Iss. 3 p. 784–799.
  • ZHANG S., SRINIVASAN R., ZHAO K., VAN LIEW M. 2008. Evaluation of global optimization algorithms for parameter calibration of a computationally intensive hydrologic model. Hydrological Processes. Vol. 23. Iss. 3 p. 430–441. DOI 10.1002/hyp.7152.
  • ZHANG X., HÖRMANN G., FOHRER N., GAO J. 2012. Parameter calibration and uncertainty estimation of a simple rainfall-runoff model in two case studies. Journal of Hydroinformatics. Vol. 14. Iss. 4 p. 1075–1088.
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-4acf8efe-fa79-4f97-a0aa-f4b4dc0c84fb
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.