تحلیل چند متغیره خشکسالی‌های هیدرولوژیک در حوضه دریاچه ارومیه با استفاده از تکنیک تولید داده مصنوعی و توابع مفصل

الموضوعات :

بابک 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.

تاريخ الإرسال : 23 السبت , شعبان, 1443 تاريخ التأكيد : 30 الجمعة , ذو الحجة, 1443 تاريخ الإصدار : 27 الجمعة , صفر, 1444

الکلمات المفتاحية: توابع مفصل, Ar (1), تولید داده مصنوعی, دریاچه ارومیه,

ملخص المقالة :

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.

المصادر:

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.