![سامانه مدیریت نشریات علمی دانشگاه محقق اردبیلی](./data/logo.png)
تعداد نشریات | 26 |
تعداد شمارهها | 374 |
تعداد مقالات | 3,304 |
تعداد مشاهده مقاله | 4,918,345 |
تعداد دریافت فایل اصل مقاله | 3,367,846 |
تحلیل ویژگیهای خشکسالی با استفاده از روش مفصل و ترکیب الگوریتم های محاسبات نرم (مطالعه موردی: ایستگاه قزوین) | ||
مدل سازی و مدیریت آب و خاک | ||
مقاله 11، دوره 4، شماره 4، 1403، صفحه 183-202 اصل مقاله (3.19 M) | ||
نوع مقاله: پژوهشی | ||
شناسه دیجیتال (DOI): 10.22098/mmws.2023.13351.1329 | ||
نویسندگان | ||
حامد کیافر1؛ حسین بابازاده* 2؛ حسین صدقی2؛ علی صارمی3 | ||
1دانشآموخته دکتری، گروه علوم و مهندسی آب، ، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران | ||
2استاد، گروه علوم و مهندسی آب، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران | ||
3استادیار، گروه علوم و مهندسی آب، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران | ||
چکیده | ||
خشکسالی یک پدیده طبیعی است که تأثیرات منفی قابل توجهی بر بخشهای مختلف دارد، بهویژه به دلیل تغییرات در الگوهای بارندگی مانند مقدار، شدت و توزیع که منجر به خشکسالیهای سالانه در برخی مناطق شده است. پیشبینی، پایش و مدیریت خشکسالی بهعنوان پدیدهای طبیعی همواره از چالشهای مهم جامعة علمی و تصمیمگیری بوده است. برای درک بهتر و پیشبینی خشکسالی، پژوهشگران معمولاً از روشهای آماری در مطالعات هیدرولوژیکی استفاده میکنند. توابع احتمال مشترک برای تحلیل چندین متغیر بهطور همزمان و حفظ همبستگیهای آنها مؤثر هستند. علاوه بر این، استفاده از الگوریتمهای محاسبات نرم برای پیشبینی و برآورد بهطور فزایندهای محبوب شده است. بخشهای مختلف کشور نیز با توجه به ویژگیهای جغرافیایی با شدت و مدت متفاوتی از خشکسالی مواجه بوده است. در این مقاله بهمنظور پایش خشکسالیهای هواشناسی ایستگاه قزوین در ایران، مدت و شدت خشکسالی با استفاده از دادههای بارندگی ماهانه طی سالهای 1343 تا 1397 با استفاده از الگوریتمهای ترکیبی محاسبات نرمM5-PSO، M5-GA، M5-GMDH ،M5-GEP وCART بر مبنای توابع مفصل با نرمافزار کدنویسی R و GeneXproTools 4 مورد بررسی قرار گرفته است. ویژگیهای خشکسالی از شاخص استاندارد بارش ماهانه (SPI) محاسبه میشود. الگوریتم درخت M5 از نوع دستهبندی برای دادهها استفاده شد. دادههای پیشبینی بارانسنجی (از سال 1397-1401) بهطور تصادفی که 70 درصد دادهها برای آموزش و 30 درصد دادهها برای آزمون برگزیده شد و سپس با خروجی پژوهشهای دیگر (میزان خطا، همبستگی و صحت) مقایسه شدند. در بین الگوریتم M5-GEP بهترین جواب در مقایسه با سایر مدلها نمایش داد. مقدار RMSE برای M5-GEP مبتنی بر مفصل 12/0 بهدست آمد و برتری این مدل را در مقایسه با سایر الگوریتمهای اشاره شده نشانمیدهد. چنین ویژگیهای احتمالی خشکسالی میتواند برای مدیریت و برنامهریزی منابع آب استفاده شود. | ||
کلیدواژهها | ||
الگوریتمهای محاسبات نرم؛ تحلیل خشکسالی؛ توابع مفصلی؛ دورة بازگشت | ||
مراجع | ||
Amirataee, B., Montaseri, M., & Yasi, M. (2013). Comparison of Inherent Performance of Seven Drought Indices in Drought Mitigation Using a Monte Carlo Simulation Approach. Journal of Civil and Environmental Engineering, 43(1), 25-39. (In Persian) Ayantobo, O.O., Li, Y., Song, S., Javed, T., Yao, N., (2018). Probabilistic modelling of drought events in China via 2-dimensional joint copula. Journal of Hydrology, 559, 373–391. doi:10.1016/j.jhydrol.2018.02.022 Capéraà, P., Fougères, A.L., & Genest, C. (1997). A nonparametric estimation procedure for bivariate extreme value copulas. Biometrika, 84(3), 567-577. Cunha, A. P. M. A., Zeri, M., Deusdará Leal, K., Costa, L., Cuartas, L. A., Marengo, J. A., Tomasella, J., Vieira, R. M., Barbosa, A. A., Cunningham, C., Cal Garcia, J. V., Broedel, E., Alvalá, R., & Ribeiro-Neto, G. (2019). Extreme Drought Events over Brazil from 2011 to 2019. Atmosphere, 10(11), 642. https://doi.org/10.3390/atmos10110642 Da Rocha Júnior, R.L., dos Santos Silva, F.D., Costa, R.L., Gomes, H.B., Pinto, D.D.C., Herdies, D.L. (2020). Bivariate assessment of drought return periods and frequency in Brazilian northeast using joint distribution by copula method. Geosciences, 10(4), 135. doi:10.3390/geosciences10040135. Dodangeh, E., Shahedi, K., Solaimani, K., Shiau, J.T., & Abraham, J. (2019). Databased bivariate uncertainty assessment of extreme rainfall-runoff using copulas: comparison between annual maximum series (AMS) and peaks over threshold (POT). Environmental Monitoring and Assessment, 191(2), 67. doi:10.1007/s10661-019-7202-0. Dracup, J.A., Lee, K.S., & Paulson, E.G.R. (1980). on the statistical characteristics of drought events. Water Resources Reseaarch, 16(2), 289-96. doi:10.1029/WR016i002p00289. Grillakis, M.G. (2019). Increase in severe and extreme soil moisture droughts for Europe under climate change. Science of the Total Environment, 60, 1245–1255. doi:10.1016/j.scitotenv.2019.01.001 Hayes, M.J., Svoboda, M.D., Wilhite, D.A., Vanyarkho, O.V. (1999). Monitoring the 1996 drought using the standardized precipitation index. Bulletin of American Meteorological Society, 80(3), 429–438 doi:10.1175/1520-0477(1999)080<0429:MTDUTS>2.0.CO;2 McKee, T.B., Doesken, N.J., & Kleist, J. (1993). The relationship of drought frequency and duration to time scales. In: 8th conference on applied climatology. American Meteorological Society, Boston. Atmospheric and Climate Sciences, 17 - 22 January 1993, Anaheim, California Mehr, A.D., Sorman, A.U., Kahya, E., & Afshar, M.H. (2020). Climate change impacts on meteorological drought using SPI and SPEI: Case study of Ankara, Turkey. Hydrological Sciences Journal 65, 254–268. doi:10.1080/02626667.2019.1691218 Mirabbasi Najafabadi, R., Fakheri-Fard, A., & Dinpashoh, Y. (2012). Bivariate drought frequency analysis using the copula method. Theoretical and Applied Climatology, 108(2-1), 191-206. Mirabbasi Najafabadi, R., Fakheri-Fard, A., Dinpashoh, Y., & Eslamian, S. (2014). Longterm drought monitoring of Urmia using joint deficit index (JDI). Water and Soil Science, 23(4), 87-103. (In Persian) Nabaei, S., Sharafati, A., Yaseen, Z.M., & Shahid, S. (2019). Copula based assessment of meteorological drought characteristics: regional investigation of Iran. Agricultural and Forest Meteorology, 76, 107611. doi:10.1016/j.agrformet.2019.06.010 Nelsen, R.B. (2006) An Introduction to Copulas. Springer. https://doi.org/10.1007/0-387-28678-0. Sabziparvar,A., Kazemi, A. (2010). Study of solid waste management of hotels placed in District No 6 of the City of Tehran. Journal of Environmental Science and Technology, 1, 97-112. (In Persian) Salvadori, G., De Michele, C. (2006). Statistical characterization of temporal structure of storms. Advances in Water Resources, 29(6), 827–842. doi:10.1016/j.advwatres.2005.07.013 Shiau, J. (2006). Fitting drought duration and severity with twodimensional copulas. Water Resources Management, 20(5), 795–815. doi:10.1007/s11269-005-9008-9 Tosunoglu, F., & Can, I. (2016). Application of copulas for regional bivariate frequency analysis of meteorological droughts in Turkey. Journal of the International Society for the Prevention and Mitigation of Natural Hazards, 82, 1457–1477. doi:10.1007/s11069-016-2253-9 Wang, Y., Liu, G., & Guo, E., (2019). Spatial distribution and temporal variation of drought in Inner Mongolia during 1901–2014 using standardized precipitation evapotranspiration index. Science of the Total Environment, 654, 850–862. doi:10.1016/j.scitotenv.2018.10.425. Zhang, L., Wang, Y., Chen, Y., Bai, Y., & Zhang, Q. (2020). Drought risk assessment in central Asia using a probabilistic copula function approach. Water, 12(2), 421. doi:10.3390/w12020421 | ||
آمار تعداد مشاهده مقاله: 268 تعداد دریافت فایل اصل مقاله: 93 |