تعداد نشریات | 27 |
تعداد شمارهها | 363 |
تعداد مقالات | 3,209 |
تعداد مشاهده مقاله | 4,716,877 |
تعداد دریافت فایل اصل مقاله | 3,222,864 |
تحلیل جریان ماهانۀ رودخانة سفیدرود با استفاده از تئوری آشوب | ||
مدل سازی و مدیریت آب و خاک | ||
مقاله 3، دوره 2، شماره 1، 1401، صفحه 27-41 اصل مقاله (871 K) | ||
نوع مقاله: پژوهشی | ||
شناسه دیجیتال (DOI): 10.22098/mmws.2021.9431.1043 | ||
نویسندگان | ||
حسین رضایی1؛ پریسا قره باغی2؛ ذبیح الله خانی تملیه* 3؛ رسول میرعباسی نجف آبادی4 | ||
1استاد/ گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه، ایران | ||
2دانشآموخته کارشناسی ارشد/ گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه، ایران | ||
3دانشآموخته دکتری/ گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه، ایران | ||
4دانشیار/ گروه مهندسی آب، دانشکده کشاورزی، دانشگاه شهرکرد، شهرکرد، ایران | ||
چکیده | ||
بررسی جریان رودخانه از بُعد آشوب یکی از موارد اساسی در طراحی، بهرهبرداری و مطالعات مربوط به مهندسی آب است. از اینرو بهکارگیری روشهای نوین در هیدرولوژی و منابع آب، اخیراً توجه زیادی به خود جلب کرده است. پدیدۀ آشوب مرتبط با سیستمهایی است که دینامیک آنها در برابر تغییر مقادیر اولیه رفتار بسیار حساسی نشان میدهد. در مواجه با سیستم آشوبی که مدلسازی تحلیلی بهعلت نامشخص بودن عوامل تأثیرگذار و در دسترس نبودن معادلات دقیق ریاضی حاکم برآن بسیار دشوار مینماید، استفاده از سریهای زمانی یکراه حل مناسب در تحلیل این دستگاههاست. برای بازسازی فضای حالت با استفاده از نظریۀ آشوب نیاز به برآورد دو پارامتر زمان تأخیر و بُعد محاط است. در این پژوهش با استفاده از آمار 63 سالۀ جریان ماهانۀ رودخانۀ سفیدرود، از روش میانگین اطلاعات متقابل و روش شمارش نزدیکترین همسایههای کاذب برای محاسبه این دو پارامتر استفاده شد. برای تعیین آشوبپذیری نیز از آزمون بُعد همبستگی و شاخص هارست استفاده شد. نتایج حاکی از بُعد فرکتالی بر اساس بُعد همبستگی برابر با 37.3 و زمان تأخیر 5 ماه و بُعد محاط 6 است که برای بازسازی فضای حالت دینامیکی جریان رودخانه میتواند استفاده شود. اهمیت بررسی موازی سریهای زمانی در مقیاسهای مختلف (روزانه، هفتگی، ماهانه) به جهت بررسی تأثیر مقیاس زمانی و نوسانات سری زمانی بر تحلیلهایآشوبی و در نهایت انتخاب چارچوب مدل مناسب است. زمان تأخیرهای بهدست آمده برای سریهای روزانه، هفتگی و ماهانه حاکی از وجود وابستگی بیشتر بین دادههای روزانه نسبت به دادههای هفتگی و ماهانه است؛ که این موضوع در تحلیل جریانهای سیلابی و استخراج مشخصههای آن از اهمیت بهسزایی برخوردار است. با اثبات وجود آشوب در سریهای زمانی در جریان رودخانه در مقیاسهای مختلف، استفاده از روشهای پیشبینی بر پایۀ بازسازی فضای حالت را امکانپذیر نموده که این مورد جهت تحلیل خشکسالیها، جریانهای سیلابی و تحلیل حجم مخازن ذخیره سدها با روشهای مختلف بر مبنای سریهای زمانی، از جنبههای کاربردی موضوع است. | ||
کلیدواژهها | ||
بُعد محاط؛ زمان تأخیر؛ فضای حالت؛ هارست؛ همبستگی | ||
مراجع | ||
ادب، ف.، کرمی، ح.، موسوی، س.ف.، و فرزین، س. (1397). تحلیل جریان رودخانۀ کارون در سه مقیاس روزانه، ماهانه، و فصلی با استفاده از شاخصهای نظریۀ آشوب. پژوهشهای جغرافیای طبیعی، 50(3)، 443-457. اسلامی، ا.، قهرمان، ب.، ضیایی، ع.ن.، و اسلامی، پ. (1395). تأثیر کاهش نوفه در تحلیل پویایی غیرخطی سری زمانی دمای حداکثر روزانه در ایستگاه کرمان. تحقیقات منابع آب ایران، 12(1)، 171-185. اعلمی، م.ت.، و ملکانی، ل. (1392). بازسازی فضای حالت و بعد فرکتالی جریان رودخانه با استفاده از زمان تأخیر و بعد محاط.. مهندسی عمران و محیطزیست، 1/43(70)، 15-21. انیسحسینی، م.، و ذاکرمشفق، م. (1391). تحلیل و پیشبینی جریان رودخانه کشکان با استفاده از نظریة آشوب. هیدرولیک ایران، 8(3)، 45-61. انیسحسینی، م.، و ذاکرمشفق، م. (1394). مقایسۀ مدلهای محلی آشوبناک مبتنی بر فضای فاز در پیشبینی جریان رودخانه. مهندسی عمران مدرس. ۱۵(۳)، 13-24. بوستانی، م.، کرمی، ح.، موسوی، س.ف.، و فرزین، س. (1398). بررسی ارتباط بین شاخصهای نظریة آشوب در رفتارنگاری جریان رودخانهای در مقیاسهای زمانی کوتاهمدت. مهندسی آبیاری و آب ایران، 4(9)، 98-116. پری زنگنه، م.، عطائی، م.، و معلم، پ. (1388). بازسازی فضای حالت سریهای زمانی آشوبی با استفاده از یک روش هوشمند. الکترونیک و قدرت، 1(2)، 3-10. جان بزرگی، م.، حنیفه پور، م.، و خسروی، ح. (1400). تغییرات زمانی خشکسالی هواشناسی - هیدرولوژیکی (مطالعۀ موردی: استان گیلان). مدلسازی و مدیریت آب و خاک، 1(2)، 1-14. جباری قرهباغ، ث.، رضایی، ح.، و محمدنژاد، ب. (1394). مقایسه فضای حالت بازسازی شده و آشوبناکی جریان رودخانۀ نازلو چای در مقیاسهای زمانی مختلف. پژوهشهای حفاظت آب و خاک، 22(5)، 135-151. حسنزاده، ی.، اعلمی، م. ت.، فرزین، س.، شیخالاسلامی، س. ر.، و حسنزاده، ا. (1391). بررسی ماهیت آشوبناکی نوسانات روزانه تراز آب دریاچه ارومیه. مهندسی عمران و محیطزیست، 42(66)، 9-20. ذونعمت کرمانی، م.، و امیرخانی، خ. (1394). تعیین پارامترهای دینامیکی تندباد و موج شاخص با استفاده از نظریة آشوب، مورد مطالعاتی بندر عسلویه. علوم و فناوری دریا، 19(73)، 37-45. رضایی، ح.، و جباری قره باغ، ث. (1396). تأثیر کاهش نویز در تحلیل آشوبی جریان رودخانه نازلو چای. دانش آب و خاک، 27(3)، 239-250. فرزین، س.، حاجیآبادی، ر.، و احمدی، م.ح. (1396). کاربرد نظریة آشوب و شبکه عصبی مصنوعی در بررسی و تخمین تبخیر از سطح آب دریاچهها. آب و خاک، 31(1)، 61-74. فرزین، س.، حسینی، خ.، کرمی، ح .، و موسوی، س.ف. (1396). تحلیل سری زمانی فرایندهای هیدرولوژیک از دیدگاه نظریة آشوب (مطالعه موردی: بارش ماهانه دریاچه ارومیه). مهندسی عمران، 17(2)، 225-234. قاهری.،ع.، قربانی، م.، دل افروز، ه.، و ملکانی، ل. (1391). ارزیابی جریان رودخانه با استفاده از نظریه آشوب. مجله آب ایران، 6(10)، 177-186. مرادیزاد، ف.، قربانی، م.، دین پژوه، ی.، و فرسادیزاده، د. (1391). مدل تخمین جریان رودخانه بر اساس بازسازی، فضای حالت آشوبی. دانش آب و خاک، 22(4)، 1-16. مشیری، س. (1381). مروری بر نظریة آشوب و کاربردهای آن در اقتصاد. پژوهشهای اقتصادی ایران، 12، 29-68. موسوی، س.ف.، بوستانی، م.، کرمی، ح.، و فرزین، س. (1397). تحلیل 223 رودخانه با استفاده از شاخصهای مبتنی بر نظریة آشوب (مطالعۀ موردی: دبی جریان رودخانه زایندهرود). تحقیقات منابع آب ایران، 14(4)، 253-256.
ABarbanel, H.D., Brown, R., Sidorowich, J.J., & Tsimring, L.S. (1993). The analysis of observed chaotic data in physical systems. Reviews of Modern Physics, 65(4), 1331. Adab, F., Karami, H., Mousavi, S., & Farzin, S. (2018). Application of Chaos theory in modeling and analysis of river discharge under different time scales (Case Study: Karun River). Physical Geography Research Quarterly, 50(3), 443-457 (in Persian). Alami, M., & Malekani, L. (2013). Phase space reconstruction and fractal dimension using of lag time and embedding dimension. Journal of Civil and Environmental Engineering, 43.1(70), 15-21 (in Persian). Anishosseini, M., & Zakermoshfegh, M. (2015). Comparison between phase space-based local chaotic models for river flow forecasting. IQBQ; 15(3), 13-24 (in Persian). Anishosseini, M., & Zakermoshfegh, M. (2013). Analysis and prediction of the Kashkan river flow using chaos theory. Journal of Hydraulics, 8(3), 45-61 (in Persian). Boustani, M., Karami, H., Mousavi, S., & Farzin, S. (2019). Relationship between chaos theory indicators in monitoring of river flow at short-term time scales. Irrigation and Water Engineering, 9(4), 98-116 (in Persian). Damle, C., & Yalcin, A. (2007). Flood prediction using time series data mining. Journal of Hydrology, 333, 305-316. Elshorbagy, A., Simonovic, S.P., & Panu, U.S. (2002). Estimation of missing streamflow data using principles of chaos theory. Journal of Hydrology, 255(1-4), 123-133. Embrechts, M. (1994). Basic concepts of nonlinear dynamics and chaos theory. Trading on the Edge: Neural, Genetic, and Fuzzy Systems for Chaotic Financial Markets, Wiley, New York, 265-279. Eslami, A., Ghahraman, B., Ziaee, A., & Eslami, P. (2016). Effect of Noise reduction in nonlinear dynamic analysis of maximum daily temperature series in Kerman station. Iran-Water Resources Research, 12(1), 171-185 (in Persian). Farzin, S., Hajiabadi, R., & Ahmadi, M. (2017). Application of chaos theory and artificial neural networks to evaluate evaporation from lake's water surface. Water and Soil, 31(1), 61-74 (in Persian). Farzin, S., Hosseini, Kh., Karami, H., & Mousavi S. (2017). Analysis of time series in hydrological processes using chaos theory (Case study: Monthly rainfall of Urmia lake). Civil Engineering Journal, 17(2), 213-223 (in Persian). Ghaheri, A., Ghorbani, M.A., Delafrouz, H., & Malekani, L. (2012). Evaluation of river flow using turbulence theory, Iranian Journal of Water Research, 6(10), 177-186 (in Persian). Ghorbani, M.A., Kisi, O., & Aalinezhad, M., (2010). A probe into the chaotic nature of daily streamflow time series by correlation dimension and largest Lyapunov methods. Applied Mathematical Modelling, 34(12), 4050-4057. Hassanzadeh, Y., Aalami, M., Farzin, S., Sheikholeslami, S., & Hassanzadeh, E. (2012). Study of Chaotic Nature of daily water level fluctuations in Urmia lake. Journal of Civil and Environmental Engineering, 42.1(66), 9-20 (in Persian). Hurst, H.E. (1951). Long-term storage capacity of reservoirs. Transactions of the American Society of Civil Engineers, 116, 770-808. Jabbari Gharabgh, S., Rezaie, H., & Mohammadnezhad, B. (2016). Comparison of reconstructed phase space and chaotic behavior of Nazloochay river flow at different temporal scales. Journal of Water and Soil Conservation, 22(5), 135-151 (in Persian). Janbozorgi, M., Hanifepour, M., & Khosravi, H. (2021). Temporal changes in meteorological-hydrological drought (Case study: Guilan Province). Water and Soil Management and Modelling, 1(2), 1-14 (in Persian). Jones, C.L., Lonergan, G.T., & Mainwaring, D.E. (1996). Wavelet packet computation of the Hurst exponent. Journal of Physics A: Mathematical and General, 29(10), 2509. Kantz, H., & Schreiber, T. (1997). Nonlinear Time Series Analysis. Cambridge University Press, 369 pages. Kennel, N., & Brown, R. (1992). Determining embedding dimension for phase space reconstruction using a geometrical construction. Physica Review A, 45(6), 3403-3411. Khan, S., Ganguly, A.R., & Saigal, S. (2005). Detection and predictive modeling of chaos in finite hydrological time series. Nonlinear Processes in Geophysics, 12(1), 41-53. Kocak, K., Bali, A., & Bektasoglu, B. (2007). Prediction of monthly flows by using chaotic approach. International Congress on river Basin Management. Antalya, Turkey. Pp. 553-559. Lange, H. (1999). Time series analysis of ecosystem variables with complexity measures. Interantional Journal of Complex Systems, 250, 1-9. Moradizadeh Kermani, F., Ghorbani, M. A., Dinpashoh, Y., & Farsadizadeh, D. (2013). Predicting model of river Stream flow based on chaotic phase space reconstruction. Water and Soil Science, 22(4), 1-16 (in Persian). Moshiri, S. (2002). A review on chaos and its applications in economic. Iranian Journal of Economic Research, 4(12), 29-68 (in Persian). Mousavi, S., Boustani, M., Karami, H., & Farzin, S. (2018). Analysis of river parameters using chaos-theory based indices (Case study: Zayandehrud river flow). Iran-Water Resources Research, 14(4), 253-256 (in Persian). Ng, W.W., Panu, U.S., & Lennox, W.C. (2007). Chaos based analytical techniques for daily extreme hydrological observations. Journal of Hydrology, 342(1-2), 17-41. Pari Zanganeh, M., Ataee, M., & Moalam, P. (2009). Reconstruct the chaotic time series space using an intelligent method. Electronic Journal and Power, 1(2), 3-10 (in Persian). Regonda, S.K., Sivakumar, B., & Jain A. (2004). Temporal scaling in river flow: can it be chaotic? Hydrological Sciences Journal- des Sciences Hydrologiques, 49(3), 373-385. Rezaei, H., & Jabbari Gharabagh, S. (2017). Noise reduction effect on chaotic analysis of Nazluchay river flow. Water and Soil Science, 27(3), 239-250 (in Persian). Rosenstein, M.T., Collins, J.J., & De Luca, C.J. (1993). A practical method for calculating largest Lyapunov exponents from small data sets. Physica D: Nonlinear Phenomena, 65(1-2), 117-134. Scott, D.W. (1992). Multivariable density estimation: Theory, practice, and visualization. Wiley, New York, 336 pages. Shannon, C.E. (1948). A Mathematical theory of communication. Bell System Technical Journal, 27(3), 379–423. Sivakumar, B., & Berndtsson, R. (2010). Advances in data-based approaches for hydrologic modeling and forecasting. World Scientific, Singapore, 441 pages. Sivakumar, B. (2001). Rainfall dynamics at different temporal scales: A chaotic perspective. Hydrology and Earth System Sciences, 5(4), 645-652. Takens, F. (1981). Detecting strange attractors in turbulence. Pp. 366-381, In: Rand D., Young LS. (eds), Dynamical Systems and Turbulence, Warwick 1980, Lecture Notes in Mathematics, vol 898. Springer, Berlin, Heidelberg. Thomas, M. Cover., J., & Thomas, A. (1991). Elements of Information Theory. John Wiley & Sons, Inc, New York, 776 pages. Wolf, A., Swift, J.B., Swinney, H.L., & Vastano, J.A. (1985). Determining Lyapunov exponents from a time series. Physica D: nonlinear phenomena, 16(3), 285-317. Zounemat Kermani, M., & Amirkhani, K. (2015). Determining of dynamic parameters of strong breeze and significant wave using chaos theory , (Case study: Asaluyeh port). Iranian Journal of Marine Science and Technology, 19(73), 37-45 (in Persian). | ||
آمار تعداد مشاهده مقاله: 930 تعداد دریافت فایل اصل مقاله: 535 |