کاربرد نمودارهای مبتنی بر رستر در هیدرولوژی (مطالعه موردی: چشمه گاماسیاب)

آب و خاک

مقاله 3، دوره 33، شماره 5 - شماره پیاپی 67، زمستان 1398، صفحه 685-694  

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v33i5.80597

نویسندگان

اباذر سلگی¹؛ حیدر زارعی ²؛ صفر معروفی¹

¹چمران اهواز

²دانشگاه شهید چمران، اهواز

چکیده

تکنیک­های تجسم برای مجموعه داده­های بزرگ، مسئله­ای است که در هیدرولوژی کمتر به آن پرداخته شده است. در حالی­که این تکنیک­ها در بررسی و تحلیل مقادیر زیاد اطلاعات چند بعدی، اهمیت زیادی دارند. یکی از این تکنیک­ها، نمودارهای مبتنی بر پیکسل (نمودارهای رستری) می­باشد. در این مطالعه، به بررسی دو نوع از نمودارهای رستری، شامل هیدروگراف رستری و هایتوگراف رستری برای چشمه کارستی گاماسیاب در نهاوند پرداخته می­شود. این نمودارها با استفاده از اطلاعات روزانه آبدهی و بارش چشمه گاماسیاب با یک دوره آماری 49 ساله (1396-1348) ترسیم شدند. برای ترسیم این نمودارها، از نرم­افزار MATLAB استفاده شده است. با استفاده از هیدروگراف رستری، پدیده­های مختلفی از جمله ذوب برف، خشکسالی، و ... تشخیص داده شدند. در این تحقیق 6 پدیده مختلف با استفاده از این نمودارها شناسایی شده است. نتایج نشان داد که دوره ذوب برف در چشمه گاماسیاب از سال 1348 تا 1396 کمتر شده، به طوری­که این دوره از حدود 100 روز به 30 روز کاهش یافته است. همچنین سال 1387 خشک­ترین سال در طول دوره آماری چشمه بوده است، یک خشکسالی هم در سال 1377 مشاهده شده است. با استفاده از هیدروگراف رستری مشخص شد که ماه مهر، خشک­ترین ماه می­باشد، مشخص کردن این ماه برای بررسی و جداسازی جریان پایه بسیار مناسب می­باشد. به­طورکلی می­توان گفت که این نمودارها ضمن داشتن اطلاعات بسیار زیاد، قابلیت بررسی و تفسیر سریع­تری را فراهم می­کنند.

کلیدواژه‌ها

چشمه گاماسیاب؛ نمودارهای رستری؛ نمودارهای مبتنی بر پیکسل؛ هیدروگراف رستری

مراجع

1- Anonymous. 2005. A Guideline to Prepare Karstic and Consolidated Formation Spring Hydrograph. Publication No. 232-A. (In Persian)

2- Helsel D.R., and Hirsch R.M. 2002. Statistical methods in water resources. Chapter A3 in Book 4, Hydrologic Analysis and Interpretation. Techniques of water-resources investigations of the U.S. Geological Survey.

3- McCulloch E.S. 2013. Harnessing the power of big data in biological research. Bioscience 63 9): 715-716.

4- Michener W.K., and Jones M.B. 2012. Ecoinformatics: Supporting ecology as a data-intensive science. Trends in Ecology and Evolution 27(2): 85-93.

5- Kim D.A. ,and Kriegel H.P. 1996. Visualization Techniques for Mining Large Databases: A Comparison. IEEE Transactions on Knowledge and Data Engineering 8(6): 1-23.

6- Keim D.A. 2000. Designing Pixel-Oriented Visualization Techniques: Theory and Applications. IEEE Transactions on Visualization and Computer Graphics 6(1): 59-78.

7- Koehler R. 2004. Raster-Based Streamflow Analysis Applied to the Upper Snake River. Southern Illinois University Carbondale OpenSIUC, Conference Proceedings. 1-11.

8- Mckay S.K. 2014. Informing Flow Management Decisions in the Middle Oconee River. University of Georgia, Degree Doctor of Philosophy, 169 pp.

9- Koehler R., and Ball G. 1998. A Statistical Analysis of Low Flows on the San Pedro River, Arizona. Presentation to the September Symposium of the Arizona Hydrological Society, Tucson, AZ.

10- Koehler R., Pool D., and Kirchner J. 2002. A Visualization Techniquefor Hydrologic Timeseries Analysis. Presentation to the Flood-plain Management Association annual conference. Monterey, CA.

11- Strandhgan E. 2006. Cartographic Tecniques. Cartographic Perspectives, 55.