@article { author = {Ahmadizadeh, Mojtaba and Marofi, Safar}, title = {Uncertainty estimation of rainfall-runoff calibration process using the generalized likelihood method (GLUE) in the HBV model}, journal = {Irrigation Sciences and Engineering}, volume = {46}, number = {1}, pages = {111-124}, year = {2023}, publisher = {Shahid Chamran University of Ahvaz}, issn = {2588-5952}, eissn = {2588-5960}, doi = {10.22055/jise.2018.14179.1106}, abstract = {The accurate determination of the amount of runoff resulting from precipitation on the surface of the watersheds is accompanied by errors due to the effect of various components, such as soil moisture, evaporation and transpiration, infiltration, and the impossibility of accurately measuring them. Therefore, the simulation of the precipitation-runoff process is associated with uncertainty. Uncertainty in calibrating models is caused by input information, model structure, and used parameters. Quantifying uncertainty is necessary for making decisions in water resource plans. One of the methods of calculating the uncertainty in the simulation process is to use Bayes's theory as the basis of calculations. In this research, an innovative method, which is a combination of Bayes analysis and the Monte Carlo method, taking into account the goodness of fit criteria, under the title of generalized similarity function, was used to calculate uncertainty. To determine the uncertainty of the parameters used in the calibration of the HBV rainfall-runoff model, the equation of daily flow entering the Shahid Rajaei dam in the Tajen catchment was used. The results showed that the mentioned method can detect uncertainty in the model. So the Nash index was obtained in the range of 0.4 to 0.68. The mentioned method is effective in identifying and introducing the co-termination theory, using a set of different parameters in the calibration of the model. So that by using the set of parameters, the same value of the goodness of fit index is obtained.}, keywords = {Bayesian Analysis,Monte Carlo,Equatability,Simulation,Shahid Rajaei Dam}, title_fa = {تخمین عدم قطعیت در واسنجی فرآیند بارش– رواناب روزانه با استفاده از تابع تشابه تعمیم‌یافته در مدل HBV}, abstract_fa = {تعیین دقیق میزان رواناب حاصل از بارش در سطح حوضه‌های آبریز، ‌به‌دلیل تأثیر مؤلفه‌های مختلف، نظیر رطوبت خاک، تبخیر و تعرق، نفوذ و عدم امکان اندازه‌گیری دقیق آن‌ها، توأم با خطا است.از این‌روی شبیه‌سازی فرآیند بارش– رواناب با عدم قطعیت همراه است. عدم قطعیت در واسنجی مدل‌ها، ناشی از اطلاعات ورودی، ساختار مدل و پارامترهای به‌کار رفته می‌باشد.کمی‌سازی عدم قطعیت، برای تصمیم‌گیری در طرح‌های منابع آب، ضروری است. یکی از روش‌های محاسبه عدم قطعیت در فرآیند شبیه‌سازی، استفاده از تئوری بیز به‌عنوان پایه محاسبات است. در این تحقیق از روش ابتکاری که ترکیبی از تحلیل بیز و شیوه مونت‌کارلو با در نظر گرفتن معیارهای نکویی برازش است، تحت عنوان تابع تشابه تعمیم یافته در محاسبه عدم قطعیت استفاده گردید. به‌منظور تشخیص عدم قطعیت پارامترهای مورد استفاده در واسنجی مدل بارش- رواناب HBV از معادله جریان روزانه ورودی به سد شهید رجایی در حوضه آبریز تجن، استفاده گردید. نتایج نشان داد روش مزبور قابلیت تشخیص عدم قطعیت در مدل را دارد. به‌طوری که شاخص ناش در در بازه 4/0 تا 68/0 به‌دست آمد. روش مزبور در خصوص شناسایی و معرفی نظریه همپایانی، با استفاده از دسته پارامترهای مختلف در واسنجی مدل، موثر است. به‌طوریکه با به‌کارگیری دسته‌ پارامترها، مقدار یکسانی از شاخص نکویی برازش، حاصل می‌گردد.}, keywords_fa = {Bayesian Analysis,Monte Carlo,Equatability,Simulation,Shahid Rajaei Dam}, url = {https://jise.scu.ac.ir/article_15246.html}, eprint = {https://jise.scu.ac.ir/article_15246_1cc2f98ead412b0f4a489fc42bdd2da4.pdf} }