تحلیل چند متغیره خشکسالی‌های هیدرولوژیک در حوضه دریاچه ارومیه با استفاده از تکنیک تولید داده مصنوعی و توابع مفصل
محورهای موضوعی : خشکسالی در هواشناسی و کشاورزیبابک شاهی نژاد 1 , زهرا شمس 2 , ذبیح الله خانی تملیه 3 , آزاده ارشیا 4
1 - استادیار گروه مهندسی آب دانشگاه، دانشکده کشاورزی و منابع طبیعی، دانشگاه لرستان، لرستان، ایران.
2 - دانشجوی دکتری سازه‌های آبی، گروه مهندسی آب، دانشکده کشاورزی و منابع طبیعی، دانشگاه لرستان، لرستان، ایران.
3 - دانش‌آموخته دکتری مهندسی منابع آب دانشگاه ارومیه، گروه مهندسی آب، دانشکده کشاورزی، ارومیه، ایران.
4 - دانشجوی دکتری سازه‌های آبی، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه لرستان، لرستان، ایران.
کلید واژه: توابع مفصل, Ar (1), تولید داده مصنوعی, دریاچه ارومیه,
چکیده مقاله :
زمینه و هدف: در دیدگاه هیدرولوژیک اندازه‌گیری میزان آب‌های جاری رودخانه‌ها دریاچه‌ها و آب‌های زیرزمینی معیار خشکسالی می‌باشد و یک زمان پایه بین فقدان بارندگی و کم شدن آب‌های جاری و رودخانه‌ها و آب دریاچه‌ها و آب‌های زیرزمینی وجود دارد. در زمینه خشکسالی هواشناسی مطالعات بیشتری در قیاس با خشکسالی هیدرولوژیک صورت گرفته است. لذا هدف از این تحقیق تحلیل چند متغیره خشکسالی های هیدرولوژیک در حوضه دریاچه ارومیه با استفاده از مدل‌های تولید داده مصنوعی و توابع مفصل می باشد. لذا بکار بردن تلفیق روش های مذکور برای تحلیل خشکسالی های هیدرولوژیک به عنوان روشی جدید جهت تحلیل خشکسالی های هیدرولوژیک بکار گرفته شد.روش پژوهش: در این تحقیق به منظور تحلیل چند متغیره خشکسالی های هیدرولوژیک در حوضه دریاچه ارومیه از داده های دبی جریان 28 ایستگاه هیدرمتری که رژیم جریان در آنها واقعی می باشد طی دوره آماری 40 ساله (1395-1356 شمسی) استفاده گردید. همچنین جهت تولید داده های مصنوعی از مدل Ar (1) و جهت تحلیل خشکسالی از شاخص SDImod استفاده گردید. برای این منظور اقدام به تولید داده-های مصنوعی در 1000 تکرار گردید. از آنجائی که تحلیل تک متغیره خشکسالی و تحلیل بر مبنای داده های تاریخی نمی تواند به تنهایی افقی از خشکسالی های آتی را نشان دهد، لذا با استفاده از مدل Ar (1) داده های سالیانه تولید گردید و سپس با استفاده از مدل والنسیا شاکی اقدام به تولید داده های مصنوعی ماهیانه گردید. سپس مشخصات خشکسالی (شدت و مدت) برای هر دو سری داده-های تاریخی و تولیدی استخراج گردید و توزیع های رایج در هیدرولوژی بر داده های شدت، مدت و جریان برازش داده شد سپس ماتریس احتمال انتقال و ماتریس شرایط پایدار آنها نیز محاسبه گردید. همچنین با استفاده از ده توابع مفصل ارشمیدسی اقدام به تحلیل چند متغیره خشکسالی های هیدرولوژیک گردید. کد نویسی مراحل فوق در محیط نرم‌افزار متلب انجام شد.یافته‌ها: نتایج حاصل از این تحقیق نشان داد پس از بررسی همگنی داده ها و تست ایستایی بودن آنها غالب داده ها از همگنی لازم برخوردار بوده‌اند و نتایج حاصل از همگنی داده ها نشان داد که ضریب تبیین بالای 9/0 و نتایج تست ایستایی و روند آنها نشان داد که داده ها در محدود مجاز 1/2± و 96/1± قرار داشتند. نتایج حاصل از برازش داده ها بر توزیع های رایج آماری نشان داد که تابع لوگ پیرسون تیپ 3 بر داده های جریان و توابع توزیع های گاما و نمایی به ترتیب بر شدت و مدت خشکسالی به عنوان توابع توزیع برتر شناخته شدند. تعداد دوره‌های خشکسالی بر اساس مقیاس‌های مختلف شاخص SDImod نشان داد برای دوره‌های مختلف تعداد دوره‌های خشکسالی برای مقیاس‌های کوتاه‌مدت بیشتر از مقیاس‌های بلندمدت بوده است. همچنین متوسط شدت و مدت خشکسالی برای داده های تولیدی و تاریخی حاکی از افزایش شدت خشکسالی برای داده های تولیدی نسبت به داده های تاریخی می باشد. نتایج حاصل از کلاس‌بندی دوره های خشکسالی برای داده های تاریخی و تولیدی نشان داد که به‌طور تقریبی 68 درصد از داده ها در طی دوره آماری در محدوده نرمال قرار داشتند و 32 درصد را سایر کلاس ها تشکیل داده‌اند. همچنین نتایج حاصل از توابع مفصل نشان داد که تابع مفصل جوئی در مرتبه اول و توابع فیلیپ گامبل و گالامبوس در مرتبه بعدی به عنوان توابع مفصل برتر شناخته شدند.نتایج: در نهایت نتایج حاصل نشان داد مدل‌های تولید داده‌های مصنوعی برای داده‌های سالیانه و ماهیانه برای سال‌های آماری کمتر از 30 سال مشخصات آماری میانگین، انحراف معیار، چولگی و همبستگی بین دو ماه متوالی را در حد قابل قبولی حفظ می‌کند، در حالی‌که با افزایش تعداد سال‌های آماری عملکرد مدل مطلوب‌تر می‌شود. احتمال تجمعی عدم خشکسالی یک‌ساله و احتمالات حالت نرمال و تر سالی در ماه‌های گرم سال بیشتر از ماه‌های دیگر سال باشد. همچنین با افزایش دوره‌های خشکسالی، احتمال تجمعی عدم خشکسالی نیز افزایش می‌یابد، بطوریکه با افزایش دوره‌ها این میزان احتمال کاهش می‌یابد و تقریباً صفر می‌شود. نتایج حاصل از دوره بازگشت های توأم و شرطی و همچنین دوره بازگشت کندال نشان داد که در دوره های آتی احتمال رخدادن خشکسالی حداقل مشابه داده های تاریخی انتظار می رود. همچنین نتایج نشان داد که تابع مفصل جوئی به عنوان تابع مفصل برتر برای داده های تاریخی و تولیدی شناخته شد. بر این اساس تابع مفصل تئوری در برابر تابع مفصل تجربی به نیمساز زاویه 45 درجه نزدیک می باشد.
Background and Aim: From a hydrological point of view, measuring the flow of rivers, lakes and groundwater is a measure of drought and there is a baseline time between the lack of rainfall and the decrease of running water of inlets and lakes and groundwater. More studies have been done on meteorological droughts compared to hydrological droughts. Therefore, the purpose of this study is multivariate analysis of hydrological droughts in Lake Urmia basin using artificial data generation models and Copula functions. Therefore, using a combination of the above methods for the analysis of hydrological droughts was used as a new method for the analysis of hydrological droughts.Method:In this study, in order to multivariate analysis of hydrological droughts in the Urmia Lake basin, the flow data of 28 hydrometric stations in which the flow regime is real were used during a statistical period of 40 years (1978-2017). Also, Ar (1) model was used to generate artificial data and SDImod index was used for drought analysis. For this purpose, artificial data were generated in 1000 sequence. Since univariate drought analysis and analysis based on historical data can not show the horizontal of future droughts alone, so using the Ar (1) model, annual data were generated and then using the model The Valencia and Schakke generated monthly artificial data. Then drought characteristics (intensity and duration) were extracted for both historical and generation data series and common distributions in hydrology were fitted to intensity, duration and flow data. Then the transfer probability matrix and their steady state condition matrix (SSC) were also calculated. Also, multivariate analysis of hydrological droughts was performed using ten Archimedean Copula functions. The above coding was done in MATLAB software environment.Results: The results of this study showed that after examining the homogeneity of data and their static test, most of the data had the necessary homogeneity and the results of data homogeneity showed that the coefficient of explanation was above 0.9 and the results of static test and Their trend showed that the data were within the allowable range of 1.2 ±2.1 and ±1.96. The results of fitting the data on the common statistical distributions showed that the Log Pearson Type3 (LP3) function was known as the superior distribution functions on the flow data and the gamma and exponential distribution functions on the severity and duration of the drought, respectively. The number of drought periods based on different scales of SDImod index showed that for different periods the number of drought periods for short-term scales was more than long-term scales. Also, the average intensity and duration of drought for generated and historical data indicate an increase in the intensity of drought for generated data compared to historical data. The results of classifying drought periods for historical and generated data showed that approximately 68% of the data were in the normal range during the statistical period and 32% were other classes. The result of the Copula functions showed that the Joe Copula function in the first order and Filip Gumble and Galambos functions in the next order were known as the superior Copula functions.Conclusion: Finally, the results showed that the artificial data generation models for annual and monthly data for statistical years less than 30 years maintain the statistical characteristics of mean, standard deviation, skewness and correlation between two consecutive months, while increasing The number of statistical years of model performance becomes more favorable. The cumulative probability of non-annual drought and the probability of normal and wet season in hot months of the year is higher than other months of the year. Also, with increasing periods of drought, the cumulative probability of non-drought increases, so that with increasing periods, this probability decreases and becomes almost zero. The results of the joint and conditional return periods as well as the Kendall return period showed that the probability of drought occurring in future periods is expected to be at least similar to the historical data. The results also showed that the Joe Copula function was recognized as the superior Copula function for historical and generated data. Accordingly, the theoretical Copula function is close to the 45 degree angle bisector against the experimental Copula function.
Amirataee, B., Montaseri, M., & Rezaie, H. (2018). Regional analysis and derivation of copula-based drought Severity-Area-Frequency curve in Lake Urmia basin, Iran. Journal of Environmental Management, 206, 134-144.
Arena, C., Cannarozzo, M., & Mazzola, M. R. (2006). Multi-year drought frequency analysis at multiple sites by operational hydrology–A comparison of methods. Physics and Chemistry of the Earth, Parts A/B/C, 31 (18), 1146-1163.
Ayantobo, O. O., Li, Y., Song, S., Javed, T., & Yao, N. (2018). Probabilistic modelling of drought events in China via 2-dimensional joint copula. Journal of Hydrology, 559, 373-391.
Azhdari, Z., Bazrafshan, O., Shekari, M., & Zamani, H. (2020). Analysis of Hydrological Drought Severity, Duration and Magnitude Using Copula Functions (Case study: Bandar-Sedij and Kol-Mehran Watershed). Iranian journal of Ecohydrology, 7 (1), 237-249. [in Persian]
Bouabdelli S. Meddi M., Zeroual A., & Alkama R. (2020). Hydrological drought risk recurrence under climate change in the karst area of Northwestern Algeria. Journal of Water and Climate Change.
Britten, M.R. (1961). Probability analysis to the development of a synthetic hydrology for the Colorado River, in part IV of past and probable future variations in stream flow in the upper Colorado River University of Colorado
Danandeh Mehr A. Sorman A. U. Kahya E. , & Hesami Afshar M. (2020). Climate change impacts on meteorological drought using SPI and SPEI: case study of Ankara, Turkey. Hydrological Sciences Journal, 65 (2), 254-268.
Daneshzadeh, M., Karami, H., Sani Khani, H., Farzin, S., & Mousavi, S. (2019). Application of copula functions and intelligent algorithms for analysis of meteorological drought of Shahrood. Iranian Water Researches Journal, 13 (1), 91-104. [in Persian]
Das, J., Jha, S. , & Kumar Goyal, M. (2020). Non-stationary and Copula-Based Approach to Assess the Drought Characteristics Encompassing Climate Indices over the Himalayan States in India, Journal of Hydrology, Volume 580, January 2020, 124356:
Geyer, C. J. (1992). Practical markov chain monte carlo. Statistical science, 473-483.
Ghorbani H, Vali A., & Zarepour H. (2020). Prediction and Investigation of Meteorological Drought Using SARIMA Time Series and SPI Index In Isfahan Province. JWSS. 2020; 23 (4):313-328. [in Persian]
Kao SC., & Govindaraju RS. (2010). A copula-based joint deficit index for droughts. Journal of Hydrology 380 (1-2): 121-134.
Khani temeliyeh Z, rezaie H. , & Mirabbasi najafabadi R. (2021). Joint Risk Analysis of Meteorological Droughts (Case Study of East Iran). Arid Regions Geographic Studies.; 11 (44):1-20. [in Persian]
Khani temeliyeh, Z., Rezaie, H. , & Mirabbasi, R. (2020). Application of the Nested Copula Functions for Analysis of Four variate of Meteorological Droughts (Case Study: West of Iran). Journal of Water and Soil Resources Conservation, 10 (1), 93-112. [in Persian]
McMahon, T.A., & Mein, R.G. (1986). River and reservoir yield Water Resource Publications, Littleton, Colorado.
Mishra, A. K., V. R. Desai., & V. P. Singh. (2007). Drought forecasting using a hybrid stochastic and neural network model. Journal of Hydrologic Engineering12.6 (2007): 626-638.
Montaseri M., & Adeloye, A.J. (1999). Critical period of reservoir systems for planning purposes. Journal of Hydrology (224): 115-136.
Montaseri, M., Amirataee, B., & Rezaei, H. (2017). Copula-Based Regional Drought Analysis and Derivation of Severity-Area-Frequency Curve in Lake Urmia Basin. Water and Soil, 31 (4), 1260-1277. [in Persian]
Mostafazadeh R, Haji K., & Esmali-Ouri A. (2018). Determining the severity and duration of hydrological drought by using power laws analysis in Gorganroud Watershed rivers.253-237, 18 (62),237-253. [in Persian]
Mutreja, K. N. (1976). Reservoir capacity for periodic-stochastic input and periodic output (Doctoral dissertation, Colorado State University. Libraries).
Nelsen, R. B. (2006). An Introduction to Copulas, Springer, New York. 269 pp.
Palmer, W. C. 1965. Meteological Drought.Research Paper, No. 45.
Requena, A.I. Mediero, L., & Garrote, L. A. (2013). bivariate return period based on copulas for hydrologic dam design: Accounting for reservoir routing in risk estimation. Hydrol. Earth Syst. Sci., 17, 3023–3038.
Salvadori. G., & De Michele. C. (2015). Multivariate real-time assessment of droughts via copula-based multi-site Hazard Trajectories and Fans. Journal of Hydrology 526, 101–115.
Sklar, A. (1959). Fonctions de répartition à n dimensions et leurs marges, Publications de l'Institut de Statistique de L'Université de Paris, 8: 229-231.
Slalas, J.D., Deller, G.W., Yevjevich, V., & Lane, W.L., (1980). Applied modeling hydrology time series Water Resource Publications, Littleton, Colorado.
Smakhtin, V.U., & hughes, D.A. (2004). Review, Automated Estimation and Analyses of Drought Indices in south Asia. Working Paper 83. Colombo, Sri Lanka: International Wter Management Institute.
Thompson, S. A. (1990). A Markov and runs analysis of drought in the central united states, Physical Geography, 11 (3), 191-205.
Valencia, R. D., & Schakke Jr, J. C. (1973). Disaggregation processes in stochastic hydrology. Water Resources Research, 9 (3), 580-585.
Wang, F., Wang, Z., Yang, H., Di, D., Zhao, Y., Liang, Q., & Hussain, Z. (2020). Comprehensive evaluation of hydrological drought and its relationships with meteorological drought in the Yellow River basin, China. Journal of Hydrology, 584, 124751.
Wilhite, D. A., & M. H. Glantz. (1985). Understanding the drought phenomenon: The role of definitions. WaterIntl.10 (1): 111-120.
Wilks, D.S. (1995). Statistical methods in the atmospheric sciences, Academic Press, San Diego, California, USA, 467 pp.
Yurekli, K., & Kurunc, A. (2004).Simulation of drought periods using stochastic models, Turkish J. Eng. Env. Sci. 28 (2004), pp. 181-19.
_||_