
تعداد نشریات | 13 |
تعداد شمارهها | 623 |
تعداد مقالات | 6,502 |
تعداد مشاهده مقاله | 8,645,380 |
تعداد دریافت فایل اصل مقاله | 8,242,499 |
تحلیل دومتغیره ریسک خشکسالی در غرب و شمال غرب ایران با استفاده از الگوریتم PSO و توابع مفصل | ||
مجله پژوهشهای حفاظت آب و خاک | ||
دوره 27، شماره 3، مرداد و شهریور 1399، صفحه 125-144 اصل مقاله (723.87 K) | ||
نوع مقاله: مقاله کامل علمی پژوهشی | ||
شناسه دیجیتال (DOI): 10.22069/jwsc.2020.17271.3273 | ||
نویسندگان | ||
حسین رضایی* 1؛ رسول میرعباسی نجف آبادی2؛ ذبیح الله خانی تملیه3 | ||
1استاد گروه مهندسی آب، دانشگاه ارومیه | ||
2هیات علمی گروه مهندسی آب/دانشگاه شهرکرد رئیس مرکز تحقیقات منابع آب | ||
3گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه، شهر ارومیه، ایران | ||
چکیده | ||
خشکسالی بهعنوان یک وضعیت کمبود آب طولانیمدت، موضوعی چالشبرانگیز در مدیریت منابع آب است. این پدیده یکی از بلایای طبیعی پرهزینه و کمتر شناخته شده است. پایش و پیشبینی خشکسالیها، بهویژه تعیین دقیق زمان شروع و تداوم آن و همچنین تحلیل ریسک خشکسالی، اهمیت ویژهای در مدیریت منابع آبی، تعیین الگوی کشت مناسب و برنامهریزی جهت کاهش اثرات مخرب خشکسالی دارد. هدف از این پژوهش، تحلیل دومتغیره شدت و مدت خشکسالیهای هواشناسی هشت ایستگاه واقع در غرب و شمال غرب ایران با استفاده از توابع مفصل، شاخص ریسک خشکسالی و الگوریتم بهینهسازی ازدحام ذرات (PSO) است. بدین منظور، برازش 10 تابع مختلف مفصل برای ایجاد توزیع توأم متغیرهای شدت و مدت خشکسالی مورد آزمون قرار گرفت. همچنین ریسک خشکسالی بر اساس شاخص-های برگشتپذیری، آسیبپذیری، اعتمادپذیری و شاخص ریسک خشکسالی مورد ارزیابی قرار گرفت. بکار بردن توابع مفصل متعدد، محاسبه ریسک خشکسالی بر اساس شاخصهای آن، بکار بردن الگوریتم PSO جهت تعیین ضرایب بهینه شاخصها و استفاده از شاخص SPImod برای استخراج مشخصههای خشکسالی از اهم نوآوریهای این تحقیق است، که برای اولین بار صورت گرفته است. در این تحقیق، از توابع مفصل بهمنظور ایجاد توزیع توأم دومتغیره خشکسالی (شدت و مدت) در مناطق غرب و شمال غرب کشور استفاده شد. پس از محاسبه مقادیر شاخص بارش استاندارد شده اصلاحی (SPImod) در هر ایستگاه، متغیرهای شدت و مدت خشکسالی استخراج گردید. همچنین تابع مفصل برتر در هر ایستگاه پس از بررسی برازش 10 تابع مفصل مختلف بر اساس آمارههای ارزیابی تعیین گردید. ریسک خشکسالی (DRI) بر اساس شاخصهای برگشتپذیری، آسیبپذیری و اعتمادپذیری محاسبه شد. بهمنظور تعیین مقدار بهینه ریسک از الگوریتم PSO استفاده شد. در تحقیقات دیگری در سطح دنیا قبلا شاخص ریسک بر مبنای روش DRI و روشهای دیگر ریسک محاسبه شده است، اما مبنای کار آنها الگوریتم PSO و شاخص SPImod نبوده است، همچنین در آنها تعداد توابع مفصل کمتری بکار برده شده است. نتایج نشان داد در منطقه مورد مطالعه بین متغیرهای شدت و مدت خشکسالی هواشناسی همبستگی بالایی وجود دارد. سپس برازش چند خانواده از مفصلهای دوبعدی بهمنظور ایجاد توزیع توأم مدت و شدت خشکسالی مورد آزمون قرار گرفت و مناسبترین تابع مفصل بر اساس آمارههای میانگین مربعات خطا و حداکثر لگاریتم درستنمائی (Maximum log-likelihood) برای هر ایستگاه انتخاب شد. پس از ایجاد توابع توزیع توأم مبتنی بر مفصل برتر در هر ایستگاه، برخی از خصوصیات احتمالاتی خشکسالی از قبیل احتمالات توأم، دورههای بازگشت دومتغیره، احتمالات شرطی و دورههای بازگشت شرطی محاسبه شد. همچنین مقادیر دوره بازگشت کندال محاسبه و با تعریف استاندارد دوره بازگشت توأم مقایسه شد. نتایج نشان داد که در یک سطح احتمال بحرانی معین، t، مقدار دوره بازگشت کندال بزرگتر از دوره بازگشت استاندارد متناظر است و این تفاوت با افزایش مقدار t، افزایش مییابد. در ادامه جهت محاسبه مقدار ریسک خشکسالی، ابتدا مدت زمان خشکسالی برای هر ایستگاه با استفاده از شاخص SPImod استخراج گردید، سپس مقادیر شاخصهای آسیبپذیری، اعتمادپذیری و برگشتپذیری محاسبه گردید و با استفاده از الگوریتم PSO مقادیر بهینه ضرایب w1، w2 و w3 برای ایستگاههای مورد مطالعه به ترتیب 08/0، 7/0 و 22/0 به دست آمد که به ازای ضرایب مذکور، شاخص ریسک هر ایستگاه کمینه میگردد. سپس مقدار بهینه شاخص ریسک خشکسالی که برای مقادیر وزن مذکور کمینه شده، برای هر ایستگاه محاسبه گردید. نتایج حاصل نشان داد که کمترین میزان ریسک مربوط به ایستگاه خرمآباد (برابر 565/0) و بیشترین آن مربوط به ایستگاه کرمانشاه (برابر با 617/)0 است. | ||
کلیدواژهها | ||
تحلیل دومتغیره؛ خشکسالی هواشناسی؛ تابع مفصل؛ ریسک؛ الگوریتم بهینهسازی ازدحام ذرات (PSO) | ||
مراجع | ||
1.Amirataee, B., Montaseri, M., and Rezaie, H. 2018. Regional analysis and derivation of copula-based drought Severity-Area Frequency curve in Lake Urmia basin, Iran. J. Environ. Manage. 31: 4. 1260-1277.(In Persian)
2.Ayantobo, O.O., Li, Y., Song, S., Javed, T., and Yao, N. 2018. Probabilistic modelling of drought events in China via 2-dimensional joint copula. J. Hydrol. 559: 373-391.
3.Chang, J.X., Li, Y.Y., Wang, Y.M., and Yuan, M. 2016. Copula-based drought risk assessment combined with an integrated index in the Wei River basin, China. J. Hydrol. 540: 64. 824-834.
4.Dabanli, I. 2018. Drought hazard, vulnerability, and risk assessment in Turkey. Arab J. Geosci. 11: 18. 1-12.
5.Dahal, P., Shree Shrestha, N., Shrestha, M.L., Krakauer, N.Y., Panthi, J., Soni Pradhanang, M., Jha, A., and Lakhankar, T. 2016. Drought risk assessment in central Nepal: temporal and spatial analysis. Natural Hazards, 80: 1913-1932.
6.Ghobadi, S., Abghari, H., and Erfanian, M. 2017. Monitoring the spatial and temporal distribution of the intensity droughts using the isoSDI and isoSPI in the west of lake Uremia. J. Water Soil Cons. 24: 5. 111-127. (In Persian)
7.Halwatura, D., Lechner, A.M., and Arnold, S. 2015. Drought severity-duration–frequency curves: a foundation for risk assessment and planning tool for ecosystem establishment in post-mining landscapes. Hydrology and Earth System Sciences, 19: 2. 1069-1091.
8.Hashimoto, T., Stedinger, J.R., and Loucks, D.P. 1982. Reliability, resiliency and vulnerability criteria for water resource system performance evaluation. Water Resources Research, 18: 1. 14-20.
9.Heppner, F., and Grenander, U. 1990.A stochastic nonlinear model for coordinated bird flocks, P 233-238. In: Krasner, S. (ed.), The Ubiquity of Caos, ISBN: 0871683504, AAAS Publications, Washington, DC. 579p.
10.Hoorfar, A. 2007. Evolutionary programming in electromagnetic optimization, IEEE transactions on antennas and propagation, 55: 3. 523-537.
11.Joe, H. 1997. Multivariate Modelsand Dependence Concepts. London: Chapman & Hall. 399p.
12.Kao, S.C., and Govindaraju, R.S. 2010. A copula-based joint deficit index for droughts. J. Hydrol. 380: 1-2. 121-134.
13.Loukas, A., and Vasiliades, L. 2004. Probabilistic analysis of drought spatiotemporal characteristics in Thessaly region, Greece, Natural Hazards and Earth System Sciences, 4: 5-6. 719-731.
14.Maity, R., Sharma, A., Nagesh Kumar, D. ,and Chanda, K. 2013. Characterizing drought using the reliability-resilience-vulnerability concept. J. Hydrol. Engin. 18: 7. 859-869.
15.McKee, T.B., Doesken, N.J., and Kleist, J. 1993. The relationship of drought frequency and duration to time scales, paper presented at Eighth Conference on Applied Climatology. Am. Meteorol. Soc., Anaheim, CA.
16.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.
17.Mirakbari, M., Ganji, A., and Fallah, S.R. 2010. Regional bivariate frequency analysis of meteorological droughts. J. Hydrol. Engin. 15: 12. 985-1000.
18.Mishra, A.K., and Singh, V.P. 2010. A review of drought concepts. J. Hydrol. 391: 202-216.
19.Mosaedi, A., Mohamadi Moghadam, S., and Kavakebi, G. 2017. Drought characteristics based on reconnaissance drought index and its variations in different time periods and regions of Iran. J. Water Soil Cons. 23: 6. 27-52. (In Persian)
20.Mousavi Nadoushani, S., Alimohammadi, S., Ahani, A., Behrouz, M., and Mousavi, S. 2018. Bivariate drought frequency analysis in Gharesoo-Gorganrud basin by using copulas. J. Water Soil Cons. 25: 4. 71-91.(In Persian) 21.Salas, J.D., Fu, C., Cancelliere, A., Dustin, D., Bode, D., Pineda, A.,and Vincent, E. 2005. Characterizingthe severity and risk of drought inthe Poudre River, Colorado, J.Water Resour. Plan. Manage. ASCE. 131: 5. 383-393.
22.De Michele, C., and Salvadori, G. 2003. A Generalized Pareto intensity-duration model of storm rainfall exploiting2-copulas. J. Geophysic. Res.108: D2. 4067.
23.Shiau, J.T. 2003. Return period of bivariate distributed hydrological events. Stochastic Environmental Research and Risk Assessment, 17: 1-2. 42-57.
24.Shiau, J.T., and Modarres, R. 2009. Copula-based drought severity-duration-frequency analysis in Iran. Meteorological Applications, 16: 4. 481-489.
25.Sklar, A. 1959. Distribution functions of n dimensions and margins. Publications of the Institute of Statistics of the University of Paris, 8: 229-231.
26.Smakhtin, V.U., and Hughes, D.A. 2004. Review, Automated estimation and analyses of drought indices in south Asia. Working Paper 83. Colombo, Sri Lanka: International Water Management Institute. 32p.
27.Van de Vyver, H., and Van den Bergh, J. 2018. The Gaussian copula modelfor the joint deficit index for droughts. J. Hydrol. 561: 987-999.
28.Yang, J., Chang, J., Wang, Y., Li, Y., Hu, H., Chen, Y., Huang, Q., and Yao, J. 2018. Comprehensive drought characteristics analysis based on a nonlinear multivariate drought index.J. Hydrol. 557: 651-667.
29.Yen, B.C. 1970. Risks in hydrologic engineering projects, J. Hydraul. Div.96: 4. 959-966.
30.Yu, J., Choi, S.J., Kwon, H.H., andKim, T.W. 2018. Assessment of regional drought risk under climate change using bivariate frequency analysis. Stochastic Environmental Research and Risk Assessment,32: 3439-3453. | ||
آمار تعداد مشاهده مقاله: 657 تعداد دریافت فایل اصل مقاله: 339 |