تحلیل فراوانی بیشینه بارش روزانه در شرایط ایستایی و ناایستایی در حوزه آبریز اترک

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار گروه مهندسی طبیعت. دانشکده کشاورزی شیروان. دانشگاه بجنورد

2 استادیار پژوهشی، بخش تحقیقات منابع طبیعی مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان گلستان، سازمان تحقیقات، آموزش و ترویج

3 دانش‌آموخته‌ی دکتری علوم و مهندسی آبخیز، دانشگاه علوم کشاورزی و منابع طبیعی گرگان. گرگان

چکیده

برآورد صحیح بارش طراحی، یکی از ملزومات ساخت سازه‌های هیدرولیکی است که توسط روش‌های مختلف تحلیل فراوانی انجام می شود. روش‌های کلاسیک برازش داده‌های مشاهداتی از فرض ثابت بودن پارامترهای توابع توزیع استفاده می‌کنند؛ در صورتی‌که مطالعات زیادی ناایستایی داده‌ها در اثر عواملی مانند تغییر اقلیم را اثبات کرده‌اند. بنابراین هدف این پژوهش، بکارگیری پارامترهای ناایستای توابع -در صورت لزوم- و مقایسه با پیش فرض ایستایی داده‌های بارش بیشینه روزانه حوزه آبریز اترک است. از آزمون من‌کندال و آزمون وایت برای بررسی ناایستایی در میانگین و واریانس داده‌های سالانه استفاده شد. تابع توزیع حدی تعمیم‌یافته نیز بر سری زمانی داده‌ها برازش یافت. از بین 24 ایستگاه دارای داده‌های طولانی دوره آماری، پنج ایستگاه دارای روند و شش ایستگاه دارای ناایستایی واریانس تشخیص داده شد. معیارهای ارزیابی شامل آکائیکه، معیار اطلاعاتی بیزین، مجذور میانگین مربعات خطا و ضریب کارایی نش-ساتکلیف برای مقایسه برازش، تحت فرض ایستایی و ناایستایی، برای تمام ایستگاه‌ها تعیین شد. نتایج نشان داد که در تمام ایستگاه‌های دارای ناایستایی، لحاظ نمودن شرایط مزبور در محاسبات تحلیلی، انتخاب مناسبی است. همچنین مقادیر حد پایینی (5 درصد)، میانی (50 درصد) و بالایی (95 درصد) با دوره بازگشت 100 ساله با هر دو فرض، مشخص و با روش کلاسیک بیشینه درست‌نمایی مقایسه شد. نتیجه حاصله بیانگر برآورد کم روش بیشینه درست‌نمایی در مقایسه با روش بیزین با استفاده از مونت کارلوی زنجیره مارکف در برآورد پارامترها است. همچنین در بین معیارهای ارزیابی مورد استفاده ، معیار آکائیکه نتایج بهتری ارائه نمود.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Stationary and Non-stationary Frequency Analysis of maximum Daily Precipitation in the Atrak Basin

نویسندگان [English]

  • Mehdi Teimouri 1
  • Aiding Kornejady 2
  • Omid Asadi Nalivan 3
1 Assistant Professor. Department of Nature Engineering. Shirvan Faculty of Agriculture. University of Bojnord
2 Assistant Professor, Research Department of Natural Resources, Golestan Agricultural and Natural Resources Research and Education Center, AREEO, Gorgan, Iran
3 Graduated in Watershed Sciences and Engineering, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan
چکیده [English]

The accurate estimation of the design Precipitation is one of the requirements for the construction of hydraulic structures, which is done by various methods of frequency analysis. Classical methods of fitting observational data use the assumption of constant parameters of distribution functions; while, many studies have been done on non-stationary data due to factors such as climate change. Therefore, this paper aims to use the functions of non-stationary parameters - if necessary - and compare them with the stationary assumption of the maximum daily precipitation data of the Atrak river basin. Mann-Kendall test and White test were used to check the non-stationary in the mean and variance of annual data. The Generalized extreme value distribution function was also fitted to the data time series. Among the 24 stations with long-term data, 5 stations with trends and 6 stations with variance non-stationary were detected. Evaluation criteria including Akaike (AIC), Bayesian (BIC), Root mean square error (RMSE), and Nash-Sutcliffe efficiency (NSE) coefficient was determined under stationary and non-stationary assumptions, for all stations. The results showed that in all stations with non-stationary, considering the mentioned conditions in the analytical calculations is a good choice. Also, the lower (5%), median (50%), and upper (95%) limit values with the return period of 100 years with both assumptions were determined and compared with the classical maximum likelihood method. The underestimation of the maximum likelihood method compared to the Bayesian method used by using Markov chain Monte Carlo (MCMC) in parameter estimation was observed. Also, Akaike criterion provided better results among the used evaluation criteria.

کلیدواژه‌ها [English]

  • Extreme event
  • Generalized extreme value distribution
  • Return period
  • Stationary
  • Trend