مقاله ی ترجمه شده ی مهندسی آب بهبود چارچوب R-SWAT-FME برای تایید متغیرهای چندگانه و توابع چند منظوره

اختصاصی از رزفایل مقاله ی ترجمه شده ی مهندسی آب بهبود چارچوب R-SWAT-FME برای تایید متغیرهای چندگانه و توابع چند منظوره دانلود با لینک مستقیم و پر سرعت .

دانلود  مقاله ی ترجمه شده ی مهندسی آب بهبود چارچوب R-SWAT-FME برای تایید متغیرهای چندگانه و توابع چند منظوره Improvement of the R-SWAT-FME framework to support multiple
variables and multi-objective functions فایل ترجمه به صورت ورد وقابل ویرایش تعدادصفحات 20

برای دریافت رایگان اصل مقاله  اینجا کلیک کنید

چکیده

استفاده از مدل های عددی عملی معمول در زمینه زیست محیطی برای بررسی و پیش بینی فرآیندهای طبیعی و انسانی است می باشد. با این حال، دانش فرایند، شناسایی پارامتر، حساسیت، و آنالیز عدم قطعیت هنوز برای مدل های ریاضی بزرگ و پیچیده مانند مدل های هیدرولوژیکی/ کیفیت آب، ابزار ارزیابی خاک و آب (SWAT)چالش برانگیز است. در این مطالعه، محیط مدل سازی انعطاف پذیر SWAT زبان برنامه نویسی R (R-SWAT-FME)که قبلا توسعه یافته برای اثبات متغیرها و اهداف چندگانه ی مدل ها در مراحل چند زمانی (به عنوان مثال، روزانه، ماهانه، سالانه) بهبود یافته است. این گسترش قابل توجه است به دلیل که معمولا بیش از یک متغیر (به عنوان مثال، آب، مواد مغذی، و آفت کش ها) مورد نظر برای مدل های زیست محیطی مانند SWAT وجود دارد. به منظور تسهیل بیشتر در استفاده آسان از آن، ما نیز نیازهای برنامه ای آن را بدون به خطر انداختن مزیت های آن، مانند رابط کاربر پسند ساده، ساده ساطس کردیم. به منظور بررسی عملکرد چارچوب بهبود یافته، یک مطالعه ی موردی با تمرکز بر هر دو جریان رودخانه ای و نیتراته شده نیتروژن در حوضه ی رودخانه رودخانه ی آیووای بالا (بالاتر از مارنگو) در ایالات متحده استفاده کردیم. نتایج نشان داد کهR-SWAT-FME  به خوبی عمل کرده و با ابزار داخلی کالیبراسیون خودکار در کالیبراسیون مدل چند منظوره قابل مقایسه است. به طور کلی، R-SWAT-FME بهبود یافته می تواند برای جامعه یSWAT مفید باشد، و همچنین روش هایی که ما استفاده می کنیم می تواند برای قدرت پنهان سازی بسته ی R با دیگر مدل های زیست محیطی ارزشمند باشد. 1- مقدمه با توسعه سریع فن آوری رایانه ای، مدل های هیدرولوژیکی و زیست محیطی به طور گسترده ای برای تایید تصمیم گیری در زمینه ی محیط زیست استفاده می گردند، چراکه این مدل های ریاضی به منظور بررسی فرآیندهای طبیعی (به عنوان مثال، جریان جانبی زیرسطحی در مقیاس منطقه ای) و پیش بینی اثرات تغییرات جهانی (به عنوان مثال، تغییرات آب و هوا و پوشش زمین) ارزشمند هستند. در کنار دانش در حال رشد درباره ی مکانیسم علّی در سیستم های زیست محیطی و افزایش قدرت محاسباتی، استفاده از مدل های بزرگ و پیچیده عملی مرسوم می باشد و رشد بیشتر آنها اجتناب ناپذیر به نظر می رسد (Beck, 1999; Brun et al., 2001). اگر چه مدل های عددی می تواند در شناسایی مشکلات زیست محیطی و پیدا کردن راه حل های بهینه مفید باشد (Borah and Bera, 2002; Howarth et al., 1996; Liu et al., 2008; Panagopoulos et al., 2011, 2012, 2013; Woznicki and Nejadhashemi, 2012; Wu and Xu, 2006; Wu et al., 2012b)، آنها معمولا حاوی برخی از پارامترهای هستند که، ه علت تنوع فضایی، اثرات مقیاس، هزینه های بالا، و دانش فرآیند سازی ناقص، نمی توان به طور مستقیم با استفاده از اندازه گیری های میدانی را تعیین شوند (Beven, 2001; Nandakumar and Mein, 1997; Zhang et al., 2009). بنابراین، کالیبراسیون مدل ، قبل از کاربرد عملی آن، برای استخراج مجموعه ای بهینه از پارامترهایی برای رسیدن به یک توافق بین مشاهدات و شبیه سازی لازم است (Ng et al., 2010; Tolson and Shoemaker, 2007). با این حال، ارتباط بین پارامترها ممکن است منجر به همپایایی شود (Beven and Binley, 1992; Duan et al., 1992) و پارامترسازی اجتناب ناپذیر می تواند به پارامترهای ضعیف از نظر قابل شناسایی و غیر قابل شناسایی منجر شود (Brun et al., 2001 ). از سوی دیگر، عدم قطعیت وجود دارد و می توان با داده های ورودی، ساختار مدل و پارامترها مرتبط باشد (Beven, 1993; Kucaera, 1983a, 1983b). بنابراین، پیش بینی های مدل باید با دامنه ی اطمینان به جای مقادیر مشخص بیان شود (Beven and Freer, 2001; Beven, 2001; Gupta et al., 1999; Van Griensven et al., 2008). با این حال، بهینه سازی پارامتر های معمولی، که این مشکل را به شکل قطعی به وجود می آورد و می انگارد که بهترین مجموعه ی واحد پارامتر که قابل شناسایی است، وجود دارد، نمی تواند عدم قطعیت پارامتر را منعکس کند (Ng et al., 2010). بر اساس Ng et al. (2010)، این مساله به خصوص برای مدل های بزرگ و پیچیده از قبیل ابزار ارزیابی خاک و آب (SWAT) صحیح است (Arnold et al., 1998; Neitsch et al., 2005)، که دارای پارامترهای متعددی برای کالیبره شدن می باشد (Muleta and Nicklow, 2005; Zhang et al., 2010). در دهه های گذشته، تعداد زیادی از روش ها برای برآورد عدم قطعیت پارامتر ارائه شده است مانند الگوریتم برازش عدم قطعیت دنباله ای (SUFI) (Abbaspour et al., 1997, 1999; Uhlenbrook et al., 1999)، براورد عدم قطعیت درست نمایی تعمیم یافته (GLUE) (Beven and Binley, 1992 )، روش خودگردان (Efron, 1979)، روش مونت کارلوی زنجیره های مارکو (Campbell et al., 1999; Haario et al., 2006; Kuczera and Parent, 1998; Makowski et al., 2002; Vrugt et al., 2003).  در مطالعه قبلی ما (Wu and Liu, 2012a )، به عنوان مثال با استفاده ازSWAT  مدل هیدرولوژی/ کیفیت آب، ما یک چارچوب مدل سازی جامع که بسته ی R (R Development Core Team,2009)، محیط مدل سازی انعطاف پذیر (FME) (Soetaert and Petzoldt, 2010) برای خودکار نمودن عاملیت ها شامل شناسایی پارامتر، کالیبراسیون مدل، و آنالیز حساسیت و عدم قطعیت (MCMC) با تصویرسازی فوری را ایجاد نمودیم. قابل ذکر است که توابعR-SWATFME بسیار شبیه به یک نرم افزار package- SWAT-CUP  محبوب می باشد (Abbaspour, 2011 ). SWAT-CUP در اجرای بهینه سازی پارامتر مبتنی بر پوشش زمین، کالیبراسیون داده های آب و هوا، و کالیبراسیون همزمان ایستگاه های متعدد منحصر به فرد است. با این حال، R-SWAT-FME جذاب نیز هست چراکه شناسایی پارامتر، دسترسی آسان به توابع R  از جمله الگوریتم های آنالیز عدم قطعیت- حساسیت و بهینه سازی های مختلف را پشتیبانی می کند (محدود نشده به بسته ی R)، که هنوز در حال رشد هستند، تصویرسازی سفارشی از نتایج وارونگی مدل از طریق توابع رسم قدرتمند R. Besides، برای استفاده بوسیله ی تغییر یک تعداد پرچم به تعویض بین خودش و ابزار کالیبراسیون خودکار داخلی مدل آسان است. با این حال، چارچوب موجود (نسخه 1.0) صرفا یک متغیر خروجی مدل منحصر به فرد (جریان رودخانه ای) و مرحله ی زمانی خروجی منحصر به فرد (ماهانه) را پشتیبانی می کند.  هدف از مطالعه حاضر بهبود چارچوب مدل سازیR-SWATFME   بوسیله ی 1) پشتیبانی از متغیرهای مختلف (به عنوان مثال، جریان رودخانه ای، رسوب، مواد مغذی، و آفت کش ها) در مراحل زمانی مختلف (به عنوان مثال، روزانه، ماهانه، سالانه) و، 2) اجرای کالیبراسیون مدل چند منظوره و هم راستایی چند متغیری، حساسیت، و آنالیزMCMC، و 3) ساده سازی نیازهای کاربردی آن (چشمپوشی از نصب RFortran (Thyer et al., 2011) و نیازهای نصب محیط) بدون به خطر انداختن رابط کاربر پسند آن (به عنوان مثال ، نشان دادن پیشرفت اجرای مدل و اجرای اسکریپتR  ). برای نشان دادن بیشتر و بررسی عملکردR-SWAT-FME  بهبود یافته (نسخه 2.0)، ما یک مطالعه موردی با تمرکز بر شبیه سازی جریان رودخانه ای ماهانه و نیتراته شدن نیتروژن در حوضه رودخانه ی آیووای بالا (بالاتر از مارنگو، آیووا) در ایالات متحده انجام دادیم. برای یک پروژه سفارشی شده، کاربران بالقوه می تواند شامل متغیر های بیشتر (تا هر 5  متغیر از 22 متغیر هدف همانطور که توسط ابزار کالیبراسیون خودکار استفاده شده است) و پارامترهای بیشتر با استفاده از رابط کالیبراسیون خودکار ArcSWAT باشد (van Griensven, 2006; Winchell et al., 2009). 2- روش ها 2-1- R-SWAT-FME موجود R-SWAT-FME ، SWAT را با ویژگی های از شناسایی پارامتر، کالیبراسیون مدل، و آنالیز حساسیت و عدم قطعیت با تصویر سازی آنی را فراهم می کند. توضیحات در مورد توسعه ی نرم افزار را می توان در Wu and Liu 2012a یافت، در حالی که اطلاعات در مورد توابع FME توسط Soetaert and Petzoldt 2010  ارائه شده است.  این چارچوب برای عموم آزاد است و جهت استفاده برای یک پروژه SWAT سفارشی آسان می باشد چراکه به عنوان روند کالیبراسیون خودکار داخلی مدل، از همان فایل های ورودی استفاده می کند (به عنوان مثال، changepar.dat و ObsDat.dat) (Green and van Griensven, 2008; van Griensven et al., 2006). نسخه موجود از این چارچوب و راهنمای آن (Wu and Liu, 2012d) در http://pubs.usgs.gov/of/2012/1071/ موجود است. همانطور که توسط Wu and Liu 2012a شرح داده شد، SWAT مبتنی بر  (R-SWAT)  برای اولین بار با تبدیل مدل SWAT مبتنی بر Fortran به یک تابع R توسعه داده شد. بنابراین علاوه بر FME، کاربران همچنین می توانند بسته های R بالقوه d دیگر ( توسعه  و ارزیابی مدل هیدرولوژیکی (hydromad) (Andrews et al., 2011)، Optmix (Nash and Varadhan, 2011) و غیره) را برای SWAT به با فراخوانی ساده ی R-SWAT (pars) یا R-SWATcost (pars) اعمال کنند که باقیمانده ی داده های مدل را محاسبه و هزینه ی مدل را فراهم می کند (Wu and Liu, 2012d). 2-2- بهبود R-SWAT-FME همانطور که در قسمت بالا گفته شد، R-SWAT-FME موجود از شبیه سازی جریان رودخانه ای SWAT در مرحله ی زمانی ماهانه پشتیبانی می کند. در مطالعه حاضر، ما این چارچوب را به شرح زیر بهبود بخشیدیم. 2-2-1- به کار رفتن متغیرهای چندگانه ی مدل و توابع چند منظوره برای گسترش R-SWAT-FME برای مدیریت متغیرهای چندگانه ی خروجی مدل و پیاده سازی توابع چند منظوره (به عنوان مثال، بهینه سازی پارامتر و آنالیز حساسیت و عدم قطعیت)، باید دو تابع اصلی چارچوب: R-SWAT (pars) و R-SWATcost (pars) را بهبود بدهیم. اولی SWAT مبتنی بر Fortran را اجرا می کند و نتایج شبیه سازی را (به عنوان مثال، جریان رودخانه ای) به R انتقال می دهد، و دومی بقایای شبیه سازی- تصویرسازی SWAT را محاسبه و مجموع مجذور بقایا را به عنوان تابع هدف می گیرد. در SWAT، تعدادی از متغیرهای خروجی مدل، از جمله جریان رودخانه ای، رسوب، اشکال مختلف نیتروژن و فسفر، و آفت کش ها، معمولا در کالیبراسیون مدل و آنالیز حساسیت و عدم قطعیت نقش دارند. بنابراین، تابع R-SWAT برای قادر بودن به انتقال یک یا چند متغیر خروجی به R برای هر اجرای مدل اصلاح شد، و متغیرهای خاص (به عنوان مثال، جریان رودخانه ای و نیتراته شده نیتروژن) برای منتقل شدن می تواند با استفاده از ابزار کالیبراسیون خودکار ArcSWAT تعریف شود (در فایل objmet) (van Griensven, 2006). هنگامی که متغیرهای چندگانه ی خروجی مدل (به عنوان مثال، شبیه سازی جریان رودخانه ای و تیتراته ی شدن نیتروژن) به R منتقل می شود، مشاهدات مربوطه (به عنوان مثال، جریان رودخانه ای و نیتراته شدن نیتروژن مشاهده شده) نیز با تابع R-SWATcost برای محاسبه باققی مانده ی داده ی مدل و هزینه ی مدل، با دست گرفتن مجموع مازاد مجذور، نیاز دراد. بنابراین، تابع R-SWATcost برای انجام انتقال از یک یا چند متغیر، همانطور که توسط کاربران تعریف شده است، اصلاح شد. علاوه بر این، از آنجا که متغیرهای چندگانه ی خروجی مدل ها ممکن است واحد ها و مقادیر متفاوت داشته باشند، عامل توزین (Wj) در تابع R-SWATcost فعال می شود تا باقی مانده ها را بی بعد سازد. علاوه بر این، با توجه به قابلیت دسترسی مختلف (به عنوان مثال، طول داده) بین متغیرها، عامل مقیاس (nj) نیز برای جلوگیری از کنترل نتایج توسط مجموعه ی داده های فراوان فعال می شود. بنابراین، محاسبات باقی مانده ی نهایی (resi,j) و هزینه مدل (cost) برای متغیرهای چند گانه (Soetaert و Petzoldt، 2010) در زیر نشان داده شده است، که در آن m تعداد متغیر (به عنوان مثال، متغیر خروجی مدل) تعریف شده توسط کاربران است، Yi,j  و Oi,j  مقادیر شبیه سازی و مشاهده شده در هر داده ی نقطه ای i برای هر متغیر j می باشد،  WJ عامل وزن است و به انحراف استاندارد مشاهدات هر متغیر اشاره می شود، و nj تعداد داده ی مشاهدات معتبر برای هر متغیر است.