مدل سازی جریان رودخانه هیرمند با استفاده از روش های کاپیولا و خودرگرسیون میانگین متحرک فصلی

آب و خاک

مقاله 5، دوره 28، شماره 3، شهریور 1393، صفحه 523-533   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v0i0.29031

نویسندگان

احمدعلی کیخا^{* 1}؛ مهدیه مسنن مظفری²؛ محمود صبوحی²؛ غلامرضا سلطانی³

¹دانشگاه زابل

²دانشگاه فردوسی مشهد

³دانشگاه شیراز

چکیده

مدل سازی جریان رودخانه در برنامه ریزی و مدیریت منابع آب از اهمیت ویژه ای برخوردار است. با این وجود، ایجاد داده هایی که بتواند شباهت زیادی با داده های حقیقی داشته باشد، به دلیل اندک بودن داده های جریان رودخانه و وابستگی و همبستگی ماهانه و سالانه آنها، کاری مشکل و پیچیده است. در این مطالعه از آمار 50 ساله و دو روش خودرگرسیون میانگین متحرک فصلی و کاپیولاهای فرانک و کلیتون که به ترتیب روش های پیش بینی و شبیه سازی در مدل سازی جریان رودخانه هستند، برای ایجاد داده-های جریان رودخانه هیرمند استفاده شد. نتایج نشان داد، داده های بازسازی‌شده در روش خودرگرسیون میانگین متحرک مقادیر کم جریان رودخانه را به خوبی پیش بینی می کنند، ولی از همبستگی داده های تاریخی برخوردار نبوده و حداکثر جریان رودخانه را کمتر از حد واقعی نشان می دهند. از طرف دیگر، کاپیولا همبستگی داده های جریان رودخانه را حفظ کرده و مقادیری مشابه داده های واقعی ایجاد می کند. لذا، پیشنهاد می شود از روش کاپیولا برای مدل سازی داده های تصادفی جریان رودخانه هیرمند استفاده شود. به علاوه استفاده از این روش برای شبیه سازی جریان سایر رودخانه ها توصیه می شود. همچنین کاربرد انواع روش های کاپیولا برای مدل سازی جریان رودخانه می تواند موضوع تحقیقات آتی باشد.

کلیدواژه‌ها

شبیه سازی؛ پیش بینی؛ مدیریت منابع آب؛ همبستگی

مراجع

1- ابریشمی ح. 1383. مبانی اقتصادسنجی (ترجمه). چاپ سوم، انتشارات دانشگاه تهران، صفحات 907 تا 925.

2- خلقی اشکلک م. 1386. اندازه‌گیری میزان رادون و رادیوم آب منطقه سیستان. پایان‌نامه کارشناسی ارشد. گروه فیزیک. دانشکده علوم دانشگاه پیام نور، واحد مشهد.

3- دلیری ف.، و خلقی م. 1388. اصلاح روش IUDRN به منظور شبیه‌سازی استوکاستیکی دبی سالانه رودخانه ها (مطالعه موردی: رودخانه اریه استان خراسان رضوی). علوم و مهندسی آبخیزداری ایران. 3 (6)، 1-8.

4- اندرس و. 1386. اقتصادسنجی سری های زمانی با رویکرد کاربردی (صادقی م.، و شوال پور س.). چاپ اول، انتشارات دانشگاه امام صادق، 526 ص.

5- طرازکار م.، و صدق آمیز ع. 1387. مقایسه پیش بینی دبی جریان ماهانه رودخانه کرخه با استفاده از روش های سری زمانی و هوش مصنوعی. پژوهش و سازندگی در منابع طبیعی. 80، 51-58.

6- نوفرستی م. 1378. ریشه واحد و همجمعی در اقتصادسنجی. چاپ اول، موسسه خدمات فرهنگی رسا، 183 ص.

7- وزارت نیرو. 1390. گزارش برنامه‌ریزی منابع آب رودخانه و مخازن چاه نیمه‌های سیستان. جلد دوم. شرکت سهامی آب منطقه ای استان سیستان و بلوچستان، زابل.

8- Dogan I., Toluk T., and Sandalci M. 2007. Daily stream flow forecasting using artificial neural networks, International Congress River Flood Management, 448-459.

9- Favre A.C., El Adlouni S., Perreault L., Thiemonge N., and Bobee B. 2004. Multivariate hydrological ferequency analysis using copulas, Water Resource Research, 40:1-12.

10- Genest C., and Mackay L. 1986. The joy of copulas: Bivariate distributions with uniform marginals, The American Statistician, 40 (4), 280–283.

11- Hardaker J.B., Hurine R.B.M., Anderson J. R., and Lein G. 2004. Coping with Risk in Agriculture. 2nd den, CABI, Wallingford, Oxford, U.K.

12- Hope A., and Bart R. 2012. Evaluation of a regionalization approach for daily flow duration curves in central and southern California watersheds, Journal of the American Water Resources Association (JAWRA), 48(1): 123-133.

13- http://www.vosesoftware.com/index.php

14- Kao S.C., and Govindaraju R.S. 2010. A copula-based joint deficit index for droughts, Journal of Hydrology, 380: 121–134.

15- Kehkha A,A. 2005. Modeling water resources management in the Sistan region of Iran, Thesis for the degree of Doctor of Philosophy, University of New England.

16- Remillard B., Papageorgiou N., and Soustra F. 2012. Copula-based semi parametric models for multivariate time series, Journal of Multivariate Analysis, 110:30-42.

17- Renard B., and Lang M. 2007. Use of a Gaussian copula for multivariate extreme value analysis: Some case studies in hydrology, Advances in Water Resources, 30: 897–912.

18- Van der Lee J.J. 2002. A decision support framework for participative and integrated river basin management: an application of the triple bottom line, Ph.D. thesis, University of New England, Australia.

19- Wang W. 2005. Testing and modeling autoregressive conditional heteroskedasticity of stream flow process, Nonlinear processes in Geophysics, 12: 55-66.

20- Zhang L., and Singh V.P. 2007. Bivariate rainfall frequency distributions using Archimedean copulas, Journal of Hydrology, 332, 93–109