ورود
مقالات فارسیISIکنفرانسهاژورنالها

شبیه سازی خشک سالی با استفاده از دو مدل تلفیقی CEEMD-GPR و GPR-GARCH (مطالعه موردی: شمال غرب ایران)

محل انتشار: فصلنامه علوم و مهندسی آبیاری، دوره: 44، شماره: 1
سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 484

فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:
https://civilica.com/doc/1245343

شناسه ملی سند علمی:

JR_JISE-44-1_006

تاریخ نمایه سازی: 28 تیر 1400

چکیده مقاله:

خشک­سالی یکی از مهم­ترین حوادث طبیعی تاثیر­گذار بر بخش کشاورزی و منابع آب می­باشد. پیش­­بینی آن نقش مهمی در برنامه­ریزی و مدیریت منابع آب دارد. در تحقیق حاضر، با استفاده از داده­های سه ایستگاه سینوپتیک ارومیه، تبریز و اردبیلواقعدرشمال­غرب کشور طی دوره زمانی (۲۰۱۷-۱۹۷۸) به پیش­­بینی خشک­سالی پرداخته شده است. برای این منظور، ابتدا شاخص بارندگی استاندارد (SPI) در مقیاس زمانی شش­ ماهه محاسبه گردید. سپس با استفاده از روش­های تلفیقی CEEMD-GPR و GPR-GARCH، خشک­سالی سه ایستگاه مزبور پیش­بینی شد. برای بررسی کارایی روش­های تلفیقی، مدل­های متفاوتی با در نظر گرفتن شاخص SPIدوره­های قبل و عناصر اقلیمی به­عنوان پارامترهای وروردی تعریف شد و نرخ تاثیر هر یک از این پارامترها مورد بررسی قرار گرفت. با توجه به نتایج محاسبه شاخص خشک­سالی SPI مشخص شد که سطوح مختلف خشک­سالی طی سال­های ۱۹۸۵-۱۹۸۳، ۱۹۹۱-۱۹۸۸، ۲۰۰۱-۱۹۹۵، ۲۰۱۰-۲۰۰۵، ۲۰۱۳-۲۰۱۱ و ۲۰۱۷ در طول دوره آماری در سه منطقه رخ داده است. نتایج حاصل از تحلیل مدل­های تعریف شده براساس شاخص SPIدوره­های قبل و عناصر اقلیمی، دقت بالای روش­های­ تلفیقی به­کار­رفته در تحقیق حاضر را در تخمین شاخص خشک­سالی به خوبی نشان داد. به­طوری­که در تمامی ایستگاه­ها، درصد خطا با استفاده از روش­های تلفیقی CEEMD-GPRو GPR-GARCHنسبت به روش GPR تقریبا به میزان ۲۵ تا ۴۰ درصد کاهش یافت. ملاحظه گردید که در پیش­بینی خشک­سالی، عناصر اقلیمی شامل میانگین دما و رطوبت نسبی ماهانه و هم­چنین شاخص SPI­ مربوط به ماه­های گذشته تاثیر­گذار می­باشند. نتایج تحلیل حساسیت نشان داد که SPIt-۱تاثیرگذارترین پارامتر در مدل­سازی است.

کلیدواژه ها:

نویسندگان

کیومرث روشنگر

استاد گروه آب، دانشکده عمران، دانشگاه تبریز

رقیه قاسم پور

دانشجوی دکتری مهندسی و مدیریت منابع آب، دانشکده عمران، دانشگاه تبریز.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Agarwal, A., Maheswaran, R., Sehgal, V., Khos, R., Sivakumar, B. ...
  • Amirat, Y., Benbouzidb, M., Wang, T., Bacha, K. and Feld, ...
  • Govindaraju, R.S., ۲۰۰۰. Artificial neural networks in hydrology. I: Preliminary ...
  • Engle, R.F., ۱۹۸۲. Autoregressive conditional heteoscedasticity with estimates of the ...
  • Hayes, M.J., ۲۰۰۷. What is drought: drought indices. National drought ...
  • Hayes, M.J., Svoboda, M.D., Wilhite, D.A. and Vanyarkho. O.V., ۱۹۹۹. ...
  • Hung, W.U., Hayes, M.J., Wilhite, D.A. and Svoboda, M. D., ...
  • Khosravi, M., Nasiri, M., Safavi, A.A. and Pourjafarian, N., ۲۰۱۴. ...
  • Laux, P., Vogl, S., Qiu, W., Knoche, H.R. and Kunstmann, ...
  • McKee, T.B., Doesken, J. and Kleist, J., ۱۹۹۳. The Relationship ...
  • Modarres, R. and Ouarda, T.B., ۲۰۱۳. Modeling rainfall–runoff relationship using ...
  • Modarres, R. and Ouarda, T.B., ۲۰۱۴. Modeling the relationship between ...
  • Modarres, R., Sarhadi, A. and Burn, D.H., ۲۰۱۶. Changes of ...
  • Morid, S., Smakhtin, V. and Bagherzadeh, K., ۲۰۰۸. Drought forecasting ...
  • Morid, S., Smakhtin, V. and Moghaddasi, M., ۲۰۰۶. Comparison of ...
  • Neal, R.M., ۱۹۹۷. Monte carlo implementation of gaussian process models ...
  • Nosrati, K., Eslamian, S., Shahbazi, A., Malekian, A. and Saravi, ...
  • Rezazadeh, A. and Sattari, M.T., ۲۰۱۶. Estimation of scour depth ...
  • Saada, N. and Abu-Romman, A., ۲۰۱۷. Multi-site modeling and simulation ...
  • Samuelsson, O., Björk, A., Zambrano, J. and Carlsson, B., ۲۰۱۷. ...
  • Shokrikochak, S. and Behnia, A., ۲۰۱۳. Monitoring and prediction of ...
  • Siviapragasam, C. and Liong, S., ۲۰۰۱. Rainfall and runoff forcasting ...
  • Wang, W., Van Gelder, P.H. and Vrijling, J.K., ۲۰۰۵. Testing ...
  • Wu, Z. and Huang, N.E., ۲۰۰۴. A study of the ...
  • Younesi, M., Shahraki, N., Marofi, S. and Nozari, H., ۲۰۱۸. ...
  • Zhu, S., Luo, X., Xu, Z. and Ye, L., ۲۰۱۹. ...
    • نمایش کامل مراجع