33252

توسعه چارچوب تركيبي شبيه سازي-جذب داده-بهينه سازي براي پشتيباني فرآيند مديريت تطبيقي حوضه آبريز

دكتري تخصصي (PhD)

مهندسي عمران- مهندسي آب - مديريت منابع آب

1396

1403/10/16

حسين عليزاده - برات مجردي

.

دانشكده مهندسي عمران

مديريت و بهرهبرداري تطبيقي، يكي از رويكردهاي مفيد در حوزه مديريت منابع آب به شمار ميرود. هدف اين پژوهش توسعه يك چارچوب بهرهبرداريِ مبتني بر پيشبيني، به منظور پشتيباني از فرآيند مديريت تطبيقي (به‌طور خاص مديريت مخازن، به عنوان يكي از منابع آبي مهم در دسترس) در حوضههاي آبريز است. يكي از ويژگي‌هاي مهم مديريت تطبيقي، توانايي تطبيق‌پذيري با تغيير شرايط سيستم، در ادوار آتي پيشِ رو است. اين مهم، در گروي دسترسي به پيش‌بيني‌هاي به‌هنگام، از وضعيت سيستم در ادوار آتي بوده كه اصطلاحاً موجب آگاه‌سازي تصميم‌گيران مي‌گردد. بنابراين، استفاده از رويكردهايي كه با گذر زمان و دسترسي به مشاهدات جديد، پيش‌بيني‌هاي به‌هنگامي را از شرايط آتي هيدرولوژيكي ارائه مينمايند، امكان موفقيت در مديريت تطبيقي را افزايش خواهد داد. جذب داده هيدرولوژيكي (DA) يكي از رويكردهاي نوين به‌منظور ارائه پيشبيني‌هاي زمانواقعي است. در اين تحقيق به‌طور خاص اقدام به توسعه يك ماجول شبيهسازي-جذب داده با هدف ارائه پيشبينيهاي زمان واقعي از متغيرهاي مختلف (به‌طور خاص آورد مخزن مهاباد و نياز آبي پايين‌دست مخزن) شد. در چارچوب مذكور، از الگوريتم جذب داده EnKF و مدل شبيه‌سازSWAT استفاده گرديد. اين پيش‌بيني‌ها، در اختيار مدل بهينه‌سازيِ بهره‌برداري مخزن قرار گرفته و موجب آگاه‌سازي مدل مذكور و تطبيق تصميمات آن متناسب با پيشبينيهاي جديد مي‌شود. ماجول بهينه‌سازي مبتني بر برنامه‌ريزي پويا (DP) توسعه داده شده و به صورت زمان واقعي اجرا مي‌گردد. حوضه مهابادچاي به عنوان محدوده مطالعاتي، انتخاب شد. در ميان 13 حوضه‌ي منتهي به درياچه اروميه، حوضه مهابادچاي سومين حوضه پرآب است. همچنين سد مهاباد در كنار سدهاي بوكان و شهرچاي بزرگترين مخازن زيرحوضه‌هاي مشرف به درياچه اروميه را تشكيل مي‌دهند. پياده‌سازي ماجول شبيهسازي-جذب داده، مستلزم آن است كه مدل شبيه‌ساز هيدرولوژيكي، دسترسي گستردهاي از شرايط اوليه (ICs) خود را در اختيار الگوريتم جذب داده قرار دهد. مدل SWAT، نظير بسياري از مدل‌هاي (نيمه-) توزيعي، به واسطه پيچيدگي و تعدد متغيرها و پارامترها، چنين امكاني را فراهم نمي‌كند. اين موضوع موجب محدود شدن پژوهش‌هاي انجام شده در حيطه جذب داده در مدل SWAT شده است. براي رفع اين محدوديت، اقدام به اصلاح ساختاري كدهاي مرجع مدل (ارائه SWAT_DA)، به منظور فراهمسازي امكان اتصال موثر و صحيح آن به الگوريتم جذب داده، شد. علاوه بر اصلاح ساختاري، كدهاي مرجع مدل از منظر شبيهسازي فرآيندهاي مرتبط با برف و آب زيرزميني نيز اصلاح گرديده و ارتقاء يافت. ماجول شبيه‌سازي-جذب داده‌، مبتني بر جذب چندمتغيره مشاهدات رواناب، سطح پوشش برف، رطوبت سطحي خاك، شاخص سطح برگ و ذخيره آب زيرزميني، پيشبينيهاي به‌هنگامي را از متغيرهاي هيدرولوژيكي مختلف (به‌طور خاص آورد مخزن و نياز آبي پاييندست مخزن) ارائه مي‌دهد. در اين ميان ضمن تعريف و اجراي سناريوهاي نوآورانه‌ي جذب چند متغيره داده (حائز نوآوري از منظر نوع و تعداد مشاهدات)، نتايج حاصل از آن‌ها با يكديگر مقايسه شد. استفاده از جذب چند متغيره مشاهدات ميدانيِ رواناب و دادههاي دورسنجي سطح پوشش برف MODIS در محدوده بالادست، موجب بهبود شبيهسازي آورد مخزن و ارتقاء مقدار ضريب نش (NS) از 53/0 به 58/0 در مقايسه با جذب تك متغيره رواناب شد. همچنين درنظرگيري اثركوهبارش در فرآيند جذب چند متغيره داده، موجب بهبود شبيه‌سازي رواناب (افزايش NS از 58/0 به 83/0) و سطح پوشش برف (افزايش NS از 3/0 به 79/0) در مقايسه با سناريوي جذب چند متغيره‌ي فاقد اثر كوهبارش شد. بهبود نتايج با درنظرگيري كوهبارش (قابليت باندهاي ارتفاعي در مدل SWAT) به دليل وجود نواحي مرتفع و نيز تغييرات ارتفاعي در محدوده بالادست سد مهاباد است. به دليل تمركز و توسعه كشاورزي در محدوده پاييندست مهاباد، رژيم هيدرولوژيكي در منطقه مذكور تحت تاثير اقدامات انساني است. نياز آبياري اراضي پاييندست، از حدود 140 (در سال 2013)، به حدود 90 ميليون متر مكعب (در سال 2017) كاهش يافته است. با توجه به موارد مذكور ، در محدوده پايين‌دست از رويكرد آزمايش مصنوعي استفاده شد. در اين محدوده نيز جذب چند متغيره داده (مشاهدات مصنوعي رواناب، رطوبت سطحي خاك، شاخص سطح برگ و ذخيره آب زيرزميني) موجب بهبود دقت شبيهسازي نياز آبي، از 60 درصد به 97 درصد، در مقايسه با سناريوي جذب دومتغيره مشاهدات رطوبت سطحي خاك و ذخيره آب زيرزميني شد. بر اساس نتايج بخش پاييندست، ملاحظه شد كه اگرچه فرآيند توليد رواناب داراي همبستگي با فرآيندهاي مرتبط با رطوبت خاك و شاخص سطح برگ است، ليكن ارتباط ميان فرآيند رواناب با رطوبت خاك به طور محسوسي بيشتر از فرآيند رواناب-شاخص سطح برگ است. در مجموع استفاده از جذب چند متغيره داده، موجب استواري شبيهسازيها و جلوگيري از انحراف آنها، در صورت افزايش عدم قطعيت‌هاي شبيه‌سازي، شده و رهيافتي براي مشكل همپاياني فراهم مي‌كند. سناريوي بهينه‌سازي مبتني بر چارچوب پيشنهادي اين تحقيق (DP-DA)، موجب دستيابي به نتايجي مشابه با سناريوي بهرهبرداري بهينه از مخزن (DP-OP)، حاوي فرض دسترسي مدل بهينهسازي به پيشبينيهايي با دقت 100 درصد از متغير آورد و نياز آبي، ميگردد. به عنوان مثال شاخص متوسط كمبود (براي تأمين نياز) در طول دوره بهينهسازي، تحت سناريوهاي DP-DA و DP-OP به ترتيب برابر با 1/16 و 22 ميليون متر مكعب برآورد شده است. اين در حالي است كه اجراي مدل بهينهسازي فاقد ماجول آگاه‌سازي از پيش‌بيني‌ها (DP-OL) موجب دستيابي مقدار 8/49 ميليون متر مكعبي از شاخص مذكور مي‌گردد. مشابه اين مقايسه، درخصوص شاخص‌هاي اعتمادپذيري و متوسط تابع هدف نيز صادق است. همچنين سري زماني رهاسازي (ذخيره) مخزن تحت دو سناريوي DP-DA و DP-OP مشابه يكديگر و داراي اختلاف قابل توجه با سناريوي DP-OL است.

1404/01/27

Developing a simulation-assimilation-optimization framework to support the adaptive management procedure of a basin

1/1/1900 12:00:00 AM

Adaptive management and operation is considered a beneficial approach in the field of water resource management. The goal of this research is to develop a forecast-based operational framework to support the adaptive management procedure (specifically reservoir management, as one of the important available water resources) in watersheds. One of the key features of adaptive management strategies is its ability to adapt to changing system conditions in future periods. This capability relies on access to updated forecasts of the system's future state, which informs decision-makers. Therefore, employing approaches that provide real-time hydrological forecasts due to the new observations becoming available over time enhances the possibility of success in adaptive management. Data assimilation (DA) is a modern approach to providing real-time forecasts. In this study, a simulation-data assimilation module was specifically developed to deliver real-time forecasts of various variables (particularly the inflow to the Mahabad reservoir and the downstream reservoir’s water demand). The framework utilized the EnKF data assimilation algorithm and the SWAT simulation model. These forecasts are provided to the reservoir optimization model, informing it and enabling the adaptation of decisions based on new forecasts. The optimization module, based on dynamic programming (DP), was developed and performed in real-time. The Mahabad watershed was selected as the study area. Among the 13 watersheds feeding Urmia Lake, the Mahabad watershed is the third most water-abundant. Additionally, the Mahabad reservoir, the Boukan dam, and the Shaharchai dam are the largest reservoirs at the Lake Urmia basin. Implementing the simulation-data assimilation module requires that the hydrological simulation model provides extensive access of its initial conditions (ICs) for the data assimilation algorithm. The SWAT model, like many (semi-)distributed models, does not provide this capability due to its complexity and the multitude of variables and parameters. This limitation has restricted research in the field of data assimilation within the SWAT model. To address this limitation, structural modifications were made to the model's reference codes (introducing SWAT_DA) to enable effective and accurate integration with the data assimilation algorithm. In addition to structural modifications, the model's reference codes were also enhanced and upgraded in terms of simulating processes related to snow and groundwater. The simulation-data assimilation module, based on the multivariate assimilation of runoff observations, snow cover, surface soil moisture, leaf area index, and groundwater storage, provides real-time forecasts of various hydrological variables (particularly reservoir inflow and downstream water demand). Innovative multivariate data assimilation scenarios (innovative in terms of the type and number of observations) were defined and executed, and their results were compared. The use of multivariate assimilation of field runoff observations and MODIS remote sensing snow cover data in the upstream region improved reservoir inflow simulations and increased the Nash-Sutcliffe efficiency (NS) coefficient from 0.53 to 0.58 compared to single-variable runoff assimilation. Additionally, considering orographic precipitation effects in the multivariate data assimilation process improved runoff simulations (increasing NS from 0.58 to 0.83) and snow cover simulations (increasing NS from 0.3 to 0.79) compared to a multivariate assimilation scenario without orographic precipitation effects. The improvement in results when considering orographic precipitation (due to the elevation band capability in the SWAT model) is attributed to the presence of high-altitude areas and elevation variations in the upstream region of the Mahabad Dam. Due to the concentration and expansion of agriculture in the downstream area of Mahabad, the hydrological regime in this region is influenced by human activities. The irrigation water demand in the downstream area decreased from approximately 140 million cubic meters (in 2013) to about 90 million cubic meters (in 2017). Given these factors, a synthetic experiment approach was used in the downstream region. In this area, multivariate data assimilation (synthetic runoff observations, surface soil moisture, leaf area index, and groundwater storage) improved the accuracy of water demand simulations from 60% to 97%, compared to a scenario involving the assimilation of two variables (surface soil moisture and groundwater storage). Based on the downstream results, it was observed that while the runoff generation process is correlated with soil moisture and leaf area index processes, the relationship between runoff and soil moisture is significantly stronger than that between runoff and leaf area index. Overall, the use of multivariate data assimilation enhanced the robustness of simulations, preventing deviations in the face of increased simulation uncertainties, and provided a solution to the equifinality problem. The optimization scenario based on the proposed framework in this study (DP-DA) achieved results similar to the optimal reservoir operation scenario (DP-OP), which assumes that the optimization model has access to 100% accurate forecasts of inflow and water demand variables. For example, the average shortage index (for meeting demand) during the optimization period under the DP-DA and DP-OP scenarios was estimated at 16.1 and 22 million cubic meters, respectively. In contrast, running the optimization model without the forecast-informed module (DP-OL) resulted in a shortage index of 49.8 million cubic meters. Similar comparisons apply to reliability indices and the average objective function. Additionally, the time series of reservoir releases (storage) under the DP-DA and DP-OP scenarios were similar to each other and significantly different from the DP-OL scenario.

جذب داده چندمتغيره , بهرهبرداري تطبيقي , بهرهبرداري مبتني بر پيشبيني , ماديس , سوات , استواري شبيهسازي ها

Multivariate Data Assimilation , Adaptive operation , forecast-based operation , MODIS , SWAT , Robustness of simulations

Mehrad Bayat

Dr. Alizade