بررسی تأثیر استفاده از آمار تبدیل‌شده در طراحی شبکهی پایش باران بابهره‌گیری از مفهوم ورگشت
محورهای موضوعی : برگرفته از پایان نامه
1 - گروه عمران، دانشکده مهندسی، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران
کلید واژه: طراحی شبکه پایش باران, توزیع بهنجار, ورگشت, تبدیل باکس-کاکس,
چکیده مقاله :
در میان پدیدههای مختلف چرخهی آبشناسی، بارندگی به عنوان یکی از مهمترین آنها شناخته میشود. برداشت صحیح از آمار در این زمینه به وسیلهی مجموعهی ایستگاههای پایش باران (شبکهی پایش)، کمک مهمی به شبیهسازی این پدیده و برنامهریزیهای مربوط به حوضهی آبخیز میکند. از اینرو طراحی یک شبکهی پایش مناسب بارندگی در منطقه، شامل تعداد ایستگاههای بهینه را میتوان از اولویتهای هر مطالعهی آبشناسی دانست. شاخصهای مختلفی در انعکاس دقت و حجم اطلاعات برداشت شده از شبکهی پایش استفاده میگردد، که یکی از پرکاربردترین آنها ورگشت میباشد. در مطالعات گذشنه با فرض بهنجار بودن آمار بارندگی، از معادلات منطبق با این توزیع آماری استفاده گردیده که نبودن این فرض، میتواند به عدم دقت لازم نتایج منجر گردد. با توجه به عدم دقت به این مسأله در مطالعات گذشته، در این تحقیق روش نگاشت دادههای اولیه با استفاده از تبدیل باکس-کاکس با فراسنجهای بهینه، به منظور اطمینان استفاده از فرض توزیع آماری بهنجار، پیشنهاد گردیده است. بدین منظور با طراحی یک نمایشنامه، دادههای ماهانه مربوط به 24 ایستگاه پایش بارندگی استان فارس که دارای توزیع آماری غیر بهنجار میباشند، بهنجار گردیده و بعد از آن شبیهسازیهای مرسوم طراحی شبکههای پایش با استفاده از مفهوم ورگشت برای این دادهها استفاده قرار گرفته است. علاوه بر آن، طراحی شبکهی بارانسنجی با استفاده از روشهای متداول نیز به منظور مقایسه با روش پیشنهادی، انجام پذیرفته است. نتایج بهدست آمده نشان میدهند که نرخ رشد ورگشت با افزایش تعداد ایستگاهها در حالت دادههای بهنجار شده کاهش مییابد، در حالیکه در روش متداول طراحی این نرخ ثابت میباشد. علاوه بر آن اولویت ایستگاههای انتخابی در روشهای مطرح شده تغییر نموده است.
Precipitation is known as one of the most important factors in a hydrologic cycle. Hence, an accurate knowledge of rainfall data, which are usually gathered through a group of rain gauges, is necessary for any hydrologic simulation on a watershed. Therefore, a rain gauge network design, including determination of an optimum number of stations, is one of the fundamental concerns in any hydrologic study. Several indexes are employed to express accuracy of a rain gauge network. Among the indexes, entropy is one of the well-used concepts, which is utilized to assess the accuracy of the data collected by any rain gauge network. In earlier studies, entropy-based equations were used assuming normality of rainfall data. This assumption may have led to inaccuracy in results. In this study, the validation of the supposition was checked by the actually observed (non-normal) monthly precipitation data of 24 rain gauges in the Province of Fars, Iran. A traditional rain gauge network design based on the entropy concept and the actually observed data was used. The designed network compared with a procedure in which the Box-Cox transformation is used to normalize primary data. The results indicate that the priority of selected stations changes drastically, and entropy growth rate decreases, as the number of the rain gauge stations whose transformed data are used increased.
1) Alfonso L., Lobbrecht A., and Price R. 2010. Information theory–based approach for location of monitoring water level gauges in polders. Water Resour. Res. (46): W03528
2) Al-Zahrani M., and Husain T. 1998. An algorithm for designing a precipitation network in the south-western region of Saudi Arabia. J. Hydrol. 205: 205-216,
3) Box G.E.P., and Cox D.R. 1964. An analysis transformation. J. Roy. Stat. Soc. B26: 211-252
4) Chen Y.C., Wei C, and Yeh H.C. 2008. Rainfall network design using Kriging and entropy. Hydrol. Process. 22: 340-346
5) Cheng K.C., Lin Y.C., and Liou J.J. 2008. Rain-gauge network evaluation and augmentation using geostatistics. Hydrol. Process. 22(14): 2554-2564
6) Harmancioglu N., and Yevjevich V. 1987. Transfer of hydrologic information among river points. J. Hydrol. 91: 103-118
7) Husain T. 1987 .Hydrologic Network Design Formulation. Canadian Water Resources Journal. 12(1): 44-63
8) Husain T. 1989. Hydrologic uncertainty measure and network design. Water Resour. Bull., 25(3): 527-534
9) Krstonavic (1) P.F. 1992 Evaluation of rainfall network using entropy: I. theoretical development. Water Resour. Manag. 6: 279-293
10) Krstonavic (2) P.F. 1992. Evaluation of rainfall network using entropy: II. Application. Water Resour. Manag. 6: 295-314
11) Machiwal D., and Jha M.K. 1012. Hydrologic time series analysis. Capital Publishing Company: pp 272
12) Mazzarella A., and Tranfaglia G. 2000. Fractal characterization of geophysical measuring networks and its implication for an optimal location of additional stations: an application to a rain-gauge network, Theor. Appl. Climatol. 65: 157-163
13) Memarzadeh M., Mahjouri N., and Kerachian R. 2013. Evaluating sampling locations in river water quality monitoring networks: application of dynamic factor analysis and discrete entropy theory. Environ. Earth Sci. 70: 2577-2585
14) Shaghaghian M.R., and Abedini M.J. 2013. Rain gauge network design using coupled geostatistical and multivariate techniques. Scientia Iranica A. 20(2): 259-269
15) Shannon C.E. 1948. A mathematical theory of communication. Bell Syst. Tech. J. 27: 623-656
16) Wei C., Yeh H.C., and Chen Y.C. 2014. Spatiotemporal scaling effect on rainfall network design using entropy. Entropy. 16(8): 4626-4647
Yeh H.C., Chen Y.C., Wei C., Chen R.H. 2011. Entropy and Kriging Approach to rainfall Network Design. Paddy Water Environ. 9: 343-355
_||_