مدل‏سازی مقادیر بارش در دورۀ تر سال با استفاده از مدل‏های احتمالاتی گامای تعمیم‌یافته در سواحل شمالی و جنوبی ایران

نوع مقاله : پژوهشی

نویسندگان

1 استادیار، گروه ریاضی و آمار، دانشکدۀ علوم پایه، دانشگاه هرمزگان، بندرعباس

2 استادیار، گروه مهندسی منابع طبیعی، دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه هرمزگان، بندرعباس

چکیده

تحقیق حاضر با استفاده از مدل‏های خانوادۀ گامای تعمیم‌یافته امکان برآورد بارش را برای مناطق پربارش و کم‏بارش ایران طی دورۀ ترِ سال در ایستگاه‏های سینوپتیک سواحل دریای خزر در شمال کشور و سواحل جنوبی در خلیج فارس و دریای عمان طی دورۀ آماری 1986-2016 فراهم می‏سازد تا مدلی کاربردی را برای تفسیر و مدل‏سازی شرایط ترسالی در آینده پیشنهاد ‌کند. مدل‏های استفاده‌شده در تحقیق حاضر شامل گامای تعمیم‌یافته (گامای سه‌متغیره)، گاما، وایبل و لوگ نرمال می‌شوند. برای انتخاب مدل، از معیار AIC و BIC و به منظور نکویی برازش، از آزمون K-S در محیط نرم‌افزاری R استفاده شده و پارامترهای توابع توزیع در هر ایستگاه برآورد شد. با توجه به مناسب‏ترین تابع توزیع در هر ایستگاه، بزرگی بارش ماهانه طی دورۀ تر سال در دورۀ بازگشت‏های 2 تا 100 سال در سواحل جنوبی و شمالی محاسبه شد. نتایج نشان داد تمامی ایستگاه‏ها در سواحل دریای عمان با تابع توزیع وایبل (WEI)، در مناطق مرکزی خلیج فارس با تابع توزیع گاما (GA) و در مناطق پربارش سواحل شمالی و غرب خلیج فارس با تابع توزیع گامای تعمیم‌یافته (GG) بهترین برازش را داشته‏اند. در سواحل عمان، تابع توزیع وایبل با مقدار پارامتر شکل و مقیاس کمتر از 11 و 5/0، در بخش مرکزی خلیج فارس تابع توزیع گاما با پارامتر شکل بین 20 تا 30 و پارامتر مقیاس بیش از 5/1 و در بخش غربی خلیج فارس و در سواحل شمالی کشور، تابع توزیع گامای تعمیم‌یافته با محدودۀ پارامتر شکل 31 تا 170 و محدودۀ پارامتر مقیاس 5/0 تا 5/1 ‌بهترین برازش بر مقدار بارش در دورۀ ترِ سال را دار‌ند. تکنیک‏ها و نتایج ارائه‌شده در تحقیق حاضر، به‏عنوان مرجعی برای انتخاب تابع توزیع مناسب بر مقادیر بارش در دورۀ تر در سواحل شمالی و جنوبی ایران فراهم می‏آورد تا بتوان در آینده از آن به عنوان ابزاری برای پیش‏بینی و تصمیم‏گیری در مدیریت منابع آب در بخش کشاورزی بهره برد.

کلیدواژه‌ها

موضوعات


 
منابع
 
[1]. Dinpashoh Y, Jhajharia D, Fakheri-Fard A, Singh V. P, & Kahya E. Trends in reference crop evapotranspiration over Iran. J Hydrol. 2011; 399(3-4): 422-433.
[2]. Kousari M R, Dastorani M T, Niazi Y, Soheili E, Hayatzadeh M, & Chezgi J. Trend detection of drought in arid and semi-arid regions of Iran based on implementation of reconnaissance drought index (RDI) and application of non-parametrical statistical method. Wat Resour Manage. 2014; 28(7): 1857-1872.
[3]. NDWMC. National Drought Warning Monitoring Center. http://ndc.irimo.ir/far/index.php
[4]. Bazrafshan O, Gerkani Nezhad Moshizi Z.The Impacts of Climate Variability on Spatiotemporal Water Footprint of Tomato Production in Hormozgan. J Wat Soil. 2018; 32(1): 29-43.
[5]. Husak G J, Michaelsen J, & Funk C. Use of the gamma distribution to represent monthly rainfall in Africa for drought monitoring applications. International Journal of Climatology, 2007; 27(7): 935-944.
[6]. Katz R W. Extreme value theory for precipitation: Sensitivity analysis for climate change. Advanc Wat Resour. 1999; 23(2): 133-139.
[7]. Semenov V, & Bengtsson L. Secular trends in daily precipitation characteristics: Greenhouse gas simulation with a coupled AOGCM. Clim Dynam. 2002;19(2): 123-140.
[8]. Stacy E W. A generalization of the gamma distribution. Annals Math Stat. 1962; 33:1187-1192.
[9]. Vergni L, Di Lena B, Todisco F. & Mannocchi F.. Uncertainty in drought monitoring by the Standardized Precipitation Index: the case study of the Abruzzo region (central Italy). Theor.Appl. Climatol. 2015; 1685-6.
[10].            Vergni L, Todisco F, & Mannocchi F. Evaluating the uncertainty and reliability of standardized indices. Hydrol Res. 2016; 60-76.
[11].            Alijani B, Afsharmanesh H. Long term Analysis of Precipitation Using using Probability Distribution Function (Case Study: Iran), Geoghraph Urban Plan Zagros Land Scape. 2016; 7(25): 79-95.
[12].            Esmaeili A, MAhmudi S, Raof M, Mirzaei S. Estimation of Maximum Rainfall using Probability Distribution Function (Case Study: Namin Watershed), 1st Agriculture Science and Environment of Iran, Ardebil. 2016.
[13].  Mahmoudzadeh F. Uncertainties in assessing meteorological drought using SPI and SPEI drought index in arid and semi-arid Iran. MSc Thesis, University of Hormozgan, 2016.
[14].            Castellvi F, Mormeneo I, Perez P J. Generation of daily amounts of precipitation from standard climatic data: a case study for Argentina. J Hydrol. 2004; 289: 286–302.
[15].            Shoji T, & Kitaura H. Statistical and geostatistical analysis of rainfall in central Japan. Comput Geosci, 2006; 32(8): 1007-1024.
[16].            Pal S, & Mazumdar, D. Stochastic Modelling of Monthly Rainfall Volume During Monsoon Season over Gangetic West Bengal, India. Nat Environ Pollut Technol, 2015; 14(4): 951.
[17].            Ghosh, S., Roy, M. K., & Biswas, S. C. (2016). Determination of the best fit probability distribution for monthly rainfall data in Bangladesh. American Journal of Mathematics and Statistics, 6(4), 170-174.
[18].            Abbas N, Siti Mulisha S M, & Abdul Halim S. Probability distributions comparative analysis in assessing rainfall process in time and space. International J Civil Eng Technol. 2017; 8(10): 1679-1688.
[19].            Alam, M. A., Emura, K., Farnham, C., & Yuan, J. (2018). Best-Fit Probability Distributions and Return Periods for Maximum Monthly Rainfall in Bangladesh. Climate, 6(1), 9.
[20].            Sadeghi Mazidi H, Bazrafshan O, Bahremand A, Malekian A. Correction annual maximum discharge based on appropriate probability distribution function in south of Iran. Iranian J Ecohydro, 2017; 4(4): 1175-1185.
[21].            Vogel R M & Wilson I. Probability distribution of annual maximum, mean, and minimum streamflows in the United States. J hydrol Eng. 1996; 1(2): 69-76.
[22].             Susanti W, Adnan A, Yendra R, Muhaijir, M N. The Analysis of Extreme Rainfall Events in Pekanbaru City Using Three-Parameter Generalized Extreme Value and Generalized Pareto Distribution. Appl Math Sci. 2018; 12(2): 69-80.
[23].            Hurst, H. 1951. The long-term storage capacity of reservoirs Transactions of American Society Civil Engineer." 116-195.
[24].            Helsel D R, Hirsch R M. Statistical methods in water resources Vol. 1992; 49, Elsevier, 340P.
[25].            Akaike H. Information theory and an eztension oof the maximum likefood principle. In Second International Symposium on Information Theory, 1973 (pp. 267-281). Akademiai Kiado. 1973
[26].            Schwarz G. Estimating the dimension of a model. The annals of statistics, 1978; 6(2): 461-464.
[27].            Musy A, Meylan P, & Favre AC. Predictive hydrology: A frequency analysis approach. CRC Press. 2012.
[28].            Chandler RE, & Wheater HS. Analysis of rainfall variability using generalized linear models: a case study from the west of Ireland. Wat Resour Res, 2002; 38(10): 10-1.
دوره 6، شماره 3
مهر 1398
صفحه 739-751
  • تاریخ دریافت: 20 آذر 1397
  • تاریخ بازنگری: 30 اردیبهشت 1398
  • تاریخ پذیرش: 30 اردیبهشت 1398
  • تاریخ اولین انتشار: 01 مهر 1398
  • تاریخ انتشار: 01 مهر 1398