برآورد فراوانی توأم بیشینه دبی لحظه‌ای–بار معلق رسوب حوضه آبریز زرینه‌رود با استفاده از تحلیل دوبعدی

آب و خاک

مقاله 7، دوره 34، شماره 2 - شماره پیاپی 70، خرداد 1399، صفحه 333-347   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v34i2.81812

نویسندگان

محمد ناظری تهرودی¹؛ یوسف رمضانی^{* 1}؛ کارلو دی میکله²؛ رسول میرعباسی نجف آبادی³

¹دانشگاه بیرجند

²پلی تکنیک میلان

³دانشگاه شهرکرد

چکیده

پدیده­های فرسایش، انتقال رسوب و برآورد بار رسوب در رودخانه­ها با توجه به خسارات ناشی از آن یکی از مهم­ترین و پیچیده­ترین موضوعات مهندسی رودخانه است. مدل­سازی و تحلیل دقیق این پارامتر با توجه به میزان اهمیت آن در تعیین عمر مفید سازه­های آبی و شبکه­های آبیاری و زهکشی می­تواند بسیار مفید واقع شود. در این مطالعه تحلیل فراوانی بار معلق رسوب لحظه­ای حوضه آبریز زرینه­رود واقع در جنوب شرقی دریاچه ارومیه با در نظر گرفتن بیشینه دبی لحظه­ای در محل ایستگاه هیدرومتری چالخماز در دوره آماری 95-1371 با استفاده از توابع مفصل مورد بررسی قرار گرفت. به این منظور در ابتدا همبستگی داده­های مذکور با استفاده از آماره همبستگی کندال تائو مورد بررسی قرار گرفته و همبستگی 75/0 بین داده­ها محاسبه شد. با برازش 65 تابع توزیع مختلف به سری‌‌های یاد شده، توزیع ویبول برای مقادیر بار معلق رسوب و توزیع پاریتو تعمیم­یافته برای مقادیر بیشینه دبی لحظه­ای بر اساس معیارهای ارزیابی به‌عنوان توزیع­های حاشیه‌‌ای مناسب انتخاب شد. نتایج بررسی دقت و کارایی توابع مفصل در مقایسه با مفصل تجربی با استفاده از آماره­های جذر میانگین مربعات خطا، نش–ساتکلیف، بایاس و آکائیکه مورد بررسی قرار گرفته و مفصل گالامبوس از بین مفصل­های کاندید، به‌عنوان مفصل برتر انتخاب شد. دوره بازگشت شرطی و توأم بار معلق رسوب مبتنی بر مفصل با احتمالات 10 تا 90 درصد ارائه شد. با مقایسه تحلیل دومتغیره و دوره بازگشت آن با حالت تک متغیره، نتایج نشان داد که برآورد بار معلق رسوب مبتنی بر مفصل به مقادیر بار معلق رسوب ایستگاه چالخماز نزدیک­تر بوده و دقت بالاتری دارد. هم­چنین نتایج نشان داد که در حالت تک متغیره، برآورد بار معلق رسوب در ایستگاه چالخماز کمتر از مقدار واقعی آن در دوره بازگشت دوساله است. با توجه به نتایج حاصله می­توان از منحنی­های دوره بازگشت تولید شده به‌عنوان منحنی­های تیپ برای مدیریت و تخصیص منابع آب در حوضه استفاده کرد.

کلیدواژه‌ها

تابع مفصل؛ توزیع حاشیه‌‌ای؛ چالخماز؛ دریاچه ارومیه؛ گالامبوس

مراجع

1- Aas K., Czado C., Frigessi A., and Bakken H. 2009. Pair-copula constructions of multiple dependence. Insurance: Mathematics and Economics 44(2): 182-198.

2- Abdi A., Hassanzadeh Y., Talatahari S., Fakheri-Fard A., and Mirabbasi R. 2016. Regional bivariate modeling of droughts using L-comoments and copulas. Stochastic Environmental Research and Risk Assessment, DOI: 10.1007/s00477-016-1222-x.

3- Ahmadi F., Radmaneh F., Parham G.A., and Mirabbasi R. 2017. Comparison of the performance of power law and probability distributions in the frequency analysis of flood in Dez Basin, Iran. Natural Hazards 87(3): 1313-1331.

4- Ahmadi F., Radmanesh F., Parham G.A., and Mirabbasi Najaf Abadi R. 2017. Application of Archimedean and Extreme values Copula Functions for Multivariate Analysis of Low Flows in Dez Basin. Journal of Water and Soil 31(4): 1031-1045. (In Persian with English abstract)

5- Ayantobo O.O., Li Y., and Song S. 2019. Multivariate drought frequency analysis using four-variate symmetric and asymmetric Archimedean copula functions. Water Resources Management 33(1): 103-127.

6- Bedford T., and Cooke R.M. 2001. Probability density decomposition for conditionally dependent random variables modeled by vines. Annals of Mathematics and Artificial Intelligence 32(1-4): 245-268.

7- Besharat S., Khalili K., and Tahrudi M.N. 2014. Evaluation of SAM and Moments methods for estimation of log Pearson type III parameters (Case Study: daily flow of rivers in Lake Urmia basin). Journal of Applied Environmental and Biological Sciences 4(S1): 24-32.

8- Bevacqua E., Maraun D., Hobæk Haff I., Widmann M., and Vrac M. 2017. Multivariate statistical modelling of compound events via pair-copula constructions: analysis of floods in Ravenna (Italy). Hydrology and Earth System Sciences 21(6): 2701-2723.

9- Bezak,N., Rusjan S., Kramar Fijavž M., Mikoš M., and Šraj M. 2017. Estimation of suspended sediment loads using copula functions. Water 9(8): 1-23.

10- Brunner M.I., Furrer R., and Favre A.C. 2019. Modeling the spatial dependence of floods using the Fisher copula. Hydrology and Earth System Sciences 23(1): 107-124.

11- Cooke R.M., Kurowicka D., and Wilson K. 2015. Sampling, conditionalizing, counting, merging, searching regular vines. Journal of Multivariate Analysis 138: 4-18.

12- De Michele C., and Salvadori G. 2003. A generalized Pareto intensity‐duration model of storm rainfall exploiting 2‐copulas. Journal of Geophysical Research: Atmospheres 108(D2).

13- Gräler B., van den Berg M., Vandenberghe S., Petroselli A., Grimaldi S., De Baets B., and Verhoest N. 2013. Multivariate return periods in hydrology: a critical and practical review focusing on synthetic design hydrograph estimation. Hydrology and Earth System Sciences 17(4): 1281-1296.

14- Joe H. 1997. Multivariate models and multivariate dependence concepts. London: Chapman & Hall, 399 pp.

15- Kavianpour M., Seyedabadi M., and Moazami S. 2018. Spatial and temporal analysis of drought based on a combined index using copula. Environmental Earth Sciences 77(22):769.

16- Khalili K., Tahoudi M.N., Mirabbasi R., and Ahmadi F. 2016. Investigation of spatial and temporal variability of precipitation in Iran over the last half century. Stochastic Environmental Research and Risk Assessment 30(4): 1205-1221.

17- Khan F., Spöck G., and Pilz J. 2020. A novel approach for modelling pattern and spatial dependence structures between climate variables by combining mixture models with copula models. International Journal of Climatology 40(2): 1049-1066.

18- Kurowicka D., and Cooke R.M. 2007. Sampling algorithms for generating joint uniform distributions using the vine-copula method. Computational Statistics & Data Analysis 51(6): 2889-2906.

19- Mirabbasi R., Anagnostou E.N., Fakheri-Fard A., Dinpashoh Y., and Eslamian S. 2013. Analysis of meteorological drought in northwest Iran using the Joint Deficit Index. Journal of Hydrology 492: 35-48.

20- Mirabbasi R., Fakheri-Fard A., and Dinpashoh Y. 2012. Bivariate drought frequency analysis using the copula method. Theoretical and Applied Climatology 108(1-2): 191-206.

21- Nash J.E., and Sutcliffe J.V. 1970. River flow forecasting through conceptual models part I—A discussion of principles. Journal of Hydrology 10(3): 282-290.

22- Nazeri Tahroudi M., Khalili K., Abbaszadeh Afshar M., Nazeri Tahroudi Z., Ahmadi F., and Motallebian M. 2016. Evaluation of the Univariate, Multivariate and Combined Time Series Models in order to Prediction and Estimation the Mean Annual Sediment Load. Quarterly journal of Environmental Erosion Research 6: 1(21):52-70. (In Persian with English abstract)

23- Nelsen R.B. 2006. An introduction to copulas. Springer, New York, 269p.

24- Nguyen-Huy T., Deo R.C., Mushtaq S., Kath J., and Khan S. 2019. Copula statistical models for analyzing stochastic dependencies of systemic drought risk and potential adaptation strategies. Stochastic Environmental Research and Risk Assessment 1-21.

25- Rahimi L., Dehghani A.A., Abdolhosseini, M., Ghorbani K. 2014. Flood frequency analysis using archimedean copula functions based on annual maximum series (Case Study: Arazkuseh hydrometric station in Golestan province). Iranian Journal of Irrigation and Drainage 2(8): 353-365.

26- Ramezani Y., Tahroudi M.N., and Ahmadi F. 2019. Analyzing the droughts in Iran and its eastern neighboring countries using copula functions. Quarterly Journal of the Hungarian Meteorological Service 123(4): 435-453.

27- Salvadori G., and De Michele C. 2004. Frequency analysis via copulas: Theoretical aspects and applications to hydrological events. Water Resources Research 40(12).

28- Salvadori G., and De Michele C. 2007. On the use of copulas in hydrology: theory and practice. Journal of Hydrologic Engineering 12(4): 369-380.

29- Sanikhani H., Mirabbasi Najaf Abadi R. and Dinpashoh Y. 2014. Modeling of temperature and rainfall of tabriz using copulas. Journal of Irrigation and Water Engineering 5(17): 123-134. (In Persian)

30- Shiau J.T. 2006. Fitting drought duration and severity with two-dimensional copulas. Water Resources Management 20(5): 795-815.

31- Sklar A. 1959. Fonctions de Repartition and Dimensions et Leurs-Marges. Publications de L’Institute de Statistique, Universite’ de Paris, Paris. 8: 229–231.

32- Tahroudi M.N., Ramezani Y., and Ahmadi F. 2019. Investigating the trend and time of precipitation and river flow rate changes in Lake Urmia basin, Iran. Arabian Journal of Geosciences 12(6): 219-239.

33- Vazifehkhah S., Tosunoglu F., and Kahya E. 2019. Bivariate risk analysis of the droughts using a nonparametric multivariate standardized drought index and copulas. Journal of Hydrology Engineering 24(5): 1-17.

34- Yue S., and Rasmussen P. 2002. Bivariate frequency analysis: discussion of some useful concepts in hydrological application. Hydrological Processes 16(14): 2881-2898.

35- Yue S., Ouarda T.B.M.J., and Bobee B. 2001. A review of bivariate gamma distributions for hydrological application. Journal of Hydrology 246(1): 1-18.

36- Zhang D., Yan M., and Tsopanakis A. 2018. Financial stress relationships among Euro area countries: an R-vine copula approach. The European Journal of Finance 24(17): 1587-1608.