Investigation of Chaos and Dynamical Phase Space Reconstruction of Precipitation in Daily, Weekly and Monthly Scales (Case Study: Qarah-Soo Watershed in Kermanshah)

Document Type : Research Article

Authors

1 Water Engineering Department, Shahid Bahonar University of Kerman, Kerman, Iran

2 MSc. of water resources, Shahid Bahonar University of Kerman, Kerman, Iran

Abstract

In this research the chaocity of precipitation time series in daily, weekly and monthly scales in the Pole-Kohneh and Ghourbaghestan Stations located in Qarah-Soo watershed is investigated. In order to reassure about the absence of stochastic behavior of the time series, method of surrogate data is applied. Thereafter, the aperiodicity of the time series is investigated using power spectrum analysis. The results of chaocity investigation indicates that according to correlation dimension method and Lyapunov exponent, the daily scale is not chaotic but weekly and monthly scales are chaotic (existence of the largest Lyapunov exponent and correlation dimension between 4 to 7). Also, the phase space reconstruction is done using time delay and embedding dimension method (embedding dimensions of 7 to 10 and time delay of 2 to 4 for Pole-Kohneh Station; embedding dimensions of 9 to 19 and time delay of 2 to 3 for Ghourbaghestan Station). Findings of the research indicate the stochasticity of short term precipitation time series (daily) and chaosity of medium term precipitation time series (weekly and monthly).

Keywords

Main Subjects

References

[1].  انیس‌حسینی، مسعود؛ ذاکرمشفق، محمد، 1392، کاربرد نظریۀ آشوب در تحلیل فرایند بارش-رواناب. هفتمین کنگرۀ ملی مهندسی عمران، زاهدان.
[2].  حسن‌زاده یوسف؛ لطف‌اللهی، محمدعلی؛ شاهوردی، سجاد؛ فرزین، سعید؛ فرزین، نیما، 1391، نویززدایی و پیش‌بینی سری زمانی بر پایۀ الگوریتم موجک و نظریۀ آشوب (مطالعۀ موردی: شاخص پایش خشکسالی SPI شهر تبریز). مجلۀ تحقیقات منابع آب ایران. 8(3): 13-1.
[3].  ذونعمت کرمانی، محمد؛ بای، یارمحمد، 1392، واکاوی کارایی روش­های مبتنی بر شبکه­های عصبی مصنوعی و رگرسیون خطی چندمتغیره در پیش­بینی کشند، اقیانوس‌شناسی، 13: 10-1.
[4].  سازمان آب منطقه‌ای غرب. 1385. گزارش زمین‌شناسی مطالعات ساماندهی رودخانۀ قره‌سو.
[5].  فرزین، سعید؛ شیخ الاسلامی، سیدرضی؛ حسن‌زاده، یوسف، 1390، تحلیل آشوب پذیری سری زمانی با استفاده از ترسیم فضای فاز و روش بُعد همبستگی (مطالعۀ موردی: بارش ماهانه در دریاچۀ ارومیه). چهارمین کنفرانس مدیریت منابع آب ایران، دانشگاه صنعتی امیرکبیر تهران.
[6].  قربانی، محمدعلی؛ اعلمی، محمدتقی؛ یوسفی، پیمان؛ اسدی، حکیمه؛ زینالی، صبا، 1390، کارایی نظریۀ آشوب در پیش‌بینی میزان رسوبات معلق رودخانه‌ها (مطالعۀ موردی: رودخانه لیقوان). نشریۀ مهندسی عمران و محیط زیست. 1(41): 66-59.
[7].  لطف‌اللهی یقین، محمدعلی؛ بیک‌لریان، مرتضی؛ مجتهدی، علیرضا؛ سیدی، ناصر، 1391، مقایسه‌سازی و پیش‌بینی ارتفاع موج شاخص دریای خزر با نظریۀ آشوب. دهمین همایش بین‌المللی سواحل، بنادر و سازه‌های دریایی. تهران، ایران.
[8].  مرادی‌زاده کرمانی، فرنوش؛ قربانی، محمدعلی؛ دین‌پژوه، یعقوب؛ فرسادی‌زاده، داود، 1391، مدل تخمین جریان رودخانه براساس بازسازی فضای حالت آشوبی. نشریۀ دانش آب و خاک، 4(22): 16-1.
[9].    Dhanya, C.T. and Kumar, D.N., 2010, Nonlinear ensemble prediction of chaotic daily rainfall. Advances in Water Resources. 33: 327–347.
[10]. Jayawardena, A.W. and Lai, F., 1994, Analysis and prediction of chaos in rainfall and stream flow time series. Journal of Hydrology. 153: 23–52.
[11]. Men, B., Zhao, X. and Liang, C., 2004, Chaotic Analysis on Monthly Precipitation on Hills Region in Middle Sichuan of China. Nature and Science. 2(2): 45-51.
[12]. McCue, L. and Troesch, A., 2011, Use of Lyapunov Exponents to Predict Chaotic Vessel Motions. Physica D. 65: 156-171.
[13]. Ng, W.W., Panu, U.S. and Lennox, W.C., 2007, Chaos based Analytical techniques for daily extreme hydrological observations. Journal of Hydrology. 342: 17– 41.
[14]. Qin, G., Li, H., Wang, X., He, Q., Li, S., 2015, Annual runoff prediction using a nearest-neighbor method based on cosine angle distance for similarity estimation, Remote Sensing and GIS for Hydrology and Water Resources, 368: 204-208.
[15]. Rodriguez-Iturbe, I., Dc Power, B.F., Sharifi, M.B. and Georgakakos, K.P., 1989, Chaos in Rainfall. Water Resources Research. 25(7): 1667.1675.
[16]. Rosenstein, M.T., Collins, J.J. and De Luca, C.J., 1993, A practical method for calculating largest Lyapunov exponents from small data sets. Physica D. 65: 117-134.
[17]. Shang, P., Li, X. and Kamae, S., 2005, Chaotic analysis of traffic time series. Chaos, Solitons and Fractals. 25: 121–128.
[18]. Sivakumar, B., Liong, S.Y. and Liaw, C.Y., 1998, Evidence of chaotic behavior in Singapore rainfall. Journal of the American Water Resources Association. 34(2): 301-310.
[19].  Sivakumar, B., Berndtsson, R., Olsson, J., Jinno, K. and Kawamura, A., 2000, Dynamics of monthly rainfall-runoff process at the Gota basin: A search for chaos. Hydrology & Earth System Sciences. 4(3): 407-417.
[20].  Sivakumar, B., 2001, Rainfall dynamics at different temporal scales: a chaotic perspective. Hydrology and Earth System Sciences. 5(4): 645-651.
[21].  Wolff, R.C.L., 1992, Local Lyapunov exponents: looking closely at chaos. J, Royal Stat. 54(2): 353 371.
[22].  Zounemat-Kermani, M., 2014, Principal Component Analysis (PCA) for estimating chlorophyll concentration using forward and generalized Regression Neural Networks, Applied artificial intelligence. 28(1): 16-29.
[23].  Zounemat-Kermani, M. and Kisi, O., 2015, Time series analysis on marine wind-wave characteristics using chaos theory, Ocean Engineering. 100: 46-53.

Files

History

  • Receive Date: 18 April 2015
  • Revise Date: 18 May 2015
  • Accept Date: 30 May 2015
  • First Publish Date: 30 May 2015
  • Publish Date: 21 March 2015

Share

How to cite

Statistics