پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,532 |
| تعداد مقالات | 70,504 |
| تعداد مشاهده مقاله | 124,122,934 |
| تعداد دریافت فایل اصل مقاله | 97,231,098 |
مقایسه روش های متداول و هوشمند در تخمین پارامتر تابع مفصل به منظور تحلیل فراوانی چندمتغیره جریان کمینه (مطالعه موردی: حوضه آبریز دز) | ||
| اکوهیدرولوژی | ||
| مقاله 3، دوره 4، شماره 2، تیر 1396، صفحه 315-329 اصل مقاله (589.37 K) | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ije.2017.61466 | ||
| نویسندگان | ||
| فرشاد احمدی1؛ فریدون رادمنش* 2؛ غلام علی پرهام3؛ رسول میرعباسی نجف آبادی4 | ||
| 1دکترای منابع آب/ دانشگاه شهید چمران اهواز | ||
| 2دانشگاه شهید چمران اهواز | ||
| 3استاد گروه آمار، دانشکدۀ علوم ریاضی، دانشگاه شهید چمران اهواز | ||
| 4استادیار گروه مهندسی آب، دانشکدۀ کشاورزی، دانشگاه شهرکرد | ||
| چکیده | ||
| در سالهای اخیر، توجه به ساختار وابستگی موجود در بین متغیرهای هیدرولوژیک افزایش یافته و این امر موجب شده است که تحلیل چندمتغیره به‌عنوان جایگزین مناسبی در مقابل روشهای تک‌متغیره معرفی شود. در این مطالعه از تابع مفصل برای تحلیل چند‌متغیرۀ جریانهای کمینۀ حوضۀ آبریز دز در محل ایستگاههای تنگ پنج‌ـ بختیاری و تنگ پنج‌ـ سزار استفاده شد. ابتدا جریان کمینۀ هفت‌روزه در محل ایستگاههای مطالعه‌شده، از دادههای دبی روزانۀ رودخانههای بختیاری و سزار در دورۀ آماری 1335ـ 1391 استخراج شد. در مرحلۀ بعد، 11 تابع توزیع احتمالاتی مختلف به دادههای جریان کمینه برازش داده شد که در این بین توزیعهای لجستیک (برای ایستگاه تنگ پنج‌ـ بختیاری) و مقادیر حدی تعمیم‌یافته (برای ایستگاه تنگ پنج‌ـ سزار) به‌عنوان توزیع حاشیهای مناسب انتخاب شدند. پس از انتخاب توزیع حاشیهای، باید پارامتر مفصل تعیین شود. در این مطالعه، از دو روش توابع منطقی برای حاشیهها (IFM) و الگوریتم بهینه‌سازی ازدحام ذرات (PSO) استفاده شد. نتایج نشان داد روش PSO عملکرد مناسبتری در برآورد پارامتر مفصل داشت. سپس از بین توابع مفصل علی‌ـ میخائیل‌ـ حق، کلایتون، فرانک، گالامبوس و گامبل‌ـ هوگارد، تابع مفصل فرانک با داشتن کمترین خطا و بیشترین دقت برای ایجاد توزیع توأم جفت دادههای جریان کمینۀ هفت‌روزه ایستگاههای تنگ پنج‌ـ بختیاری و تنگ پنج‌ـ سزار انتخاب و دورۀ بازگشتهای توأم در دو حالت «یا» و «و» محاسبه شد. | ||
| کلیدواژه‌ها | ||
| تحلیل فراوانی؛ توابع مفصل؛ توزیعهای حاشیهای؛ توزیع توأم؛ دورۀ بازگشت توأم | ||
| عنوان مقاله [English] | ||
| Comparison of conventional and intelligent methods in estimating Copula Function Parameters for multivariate frequency analysis of low flows (Case Study: Dez River Basin) | ||
| نویسندگان [English] | ||
| Farshad Ahmadi1؛ Fereidun Radmaneh2؛ Gholam Ali Parham3؛ Rasoul Mirabbasi Najaf Abadi4 | ||
| 1PhD Candidate of Water Resources Engineering. Shahid Chamran University, Ahvaz, Iran | ||
| 2Water Engineering Department, Shahid Chamran University, Ahvaz, Iran | ||
| 3Department of Statistics, Shahid Chamran University, Ahvaz, Iran | ||
| 4Water Engineering Department, Shahre Kord University, Shahre Kord, Iran | ||
| چکیده [English] | ||
| Over the recent years, the dependence structure among hydrological variables has been taken into consideration and it resulted in employment of the multivariate analysis as a suitable alternative for univariate methods. In this study, the copula functions were employed for multivariate frequency analysis of low flows of Dez River basin at Tange Panj-Bakhtiari (TPB) and Tange Panj-Sezar (TPS) hydrometric stations. First, 7-d series of low flow was extracted from measured daily flows at the studied stations over the period of 1956-2012. In the next stage, 11 different distribution functions were fitted into the low flow data whereby logistic distribution had the best fit on the TPB station and the GEV distribution had the best fit on the low flow data of TPS station. After specifying the best fitted marginal distributions, the copula parameter should be estimated. In this study, two methods of inference function for margins (IFM) and particle swarm optimization (PSO) were used to estimate copula parameter. The results showed that the PSO method outperformed IFM in estimating the copula parameter. Among the Ali - Mikhail – Haq, Clayton, Frank, Galambos and Gumbel-Hougaard copulas, the Frank copula function had the lowest error and the highest accuracy in constructing the joint distribution of paired 7-d low flows data and was used for calculating the joint return periods in two states of “OR” and “AND”. | ||
| کلیدواژه‌ها [English] | ||
| Frequency Analysis, Copula Functions, marginal distributions, joint distribution, Joint return period | ||
| مراجع | ||
|
[1]. Bahremand A, Alvandi E, Bahrami M, Dashti Marvili M, Heravi H, Khosravi GHR, et al. Copula functions and their application in stochastic hydrology. Journal of Conservation and Utilization of Natural Resources. 2015; 4 (2):1-20. [Persian]
[2]. Salvadori G, De Michele C. On the use of copulas in hydrology: theory and practice. Journal of Hydrologic Engineering. 2007;12(4):369-80.
[3]. Salari Jazi M. Assessment of the Flooding Risk for River with Tidal Interaction Zones. PhD Thesis. 2013.
[4]. Sklar M. Fonctions de répartition à n dimensions et leurs marges. Université Paris. 1959.
[5]. Frees EW, Valdez EA. Understanding relationships using copulas. North American actuarial journal. 1998; 2(1):1-25.
[6]. Favre AC, El Adlouni S, Perreault L, Thiémonge N, Bobée B. Multivariate hydrological frequency analysis using copulas. Water resources research. 2004; 40(1): 25-39.
[7]. Brunner MI, Seibert J, Favre AC. Bivariate return periods and their importance for flood peak and volume estimation. Wiley Interdisciplinary Reviews: Water. 2016; 3(6):819-33.
[8]. Duan K, Mei Y, Zhang L. Copula-based bivariate flood frequency analysis in a changing climate—A case study in the Huai River Basin, China. Journal of Earth Science. 2016; 27(1):37-46.
[9]. Serinaldi F. A multisite daily rainfall generator driven by bivariate copula‐based mixed distributions. Journal of Geophysical Research: Atmospheres. 2009; 114(10): 70-91.
[10]. Seo BC, Krajewski WF, Mishra KV. Using the new dual-polarimetric capability of WSR-88D to eliminate anomalous propagation and wind turbine effects in radar-rainfall. Atmospheric Research. 2015; 153:296-309.
[11]. Mirabbasi R, Anagnostou EN, Fakheri-Fard A, Dinpashoh Y, Eslamian S. Analysis of meteorological drought in northwest Iran using the Joint Deficit Index. Journal of Hydrology. 2013; 492:35-48.
[12]. Abdi A, Hassanzadeh Y, Talatahari S, Fakheri-Fard A, Mirabbasi R. Parameter estimation of copula functions using an optimization-based method. Theoretical and Applied Climatology. 2016. DOI: 10.1007/s00704-016-1757-2.
[13]. Joe H. Multivariate models and multivariate dependence concepts. CRC Press. 1997.
[14]. Eberhart R, Kennedy J. A new optimizer using particle swarm theory. InMicro Machine and Human Science, 1995. MHS'95., Proceedings of the Sixth International Symposium on 1995, (pp. 39-43). IEEE.
[15]. Reddy MJ, Singh VP. Multivariate modeling of droughts using copulas and meta-heuristic methods. Stochastic environmental research and risk assessment. 2014; 28(3):475-89.
[16]. Rakhecha PR. Probable maximum precipitation for 24-h duration over an equatorial region: Part 2-Johor, Malaysia. Atmospheric Research. 2007; 84(1):84-90.
[17]. Khalili K, Tahoudi MN, Mirabbasi R, Ahmadi F. Investigation of spatial and temporal variability of precipitation in Iran over the last half century. Stochastic Environmental Research and Risk Assessment. 2016; 30(4):1205-21.
[18]. Zahedianfar F, Ghorbani Kh, Meftah Halaghi M, Abdolhosseini m, and Dehghani A. Flood Frequency Analysis on the basis of extreme values theory (Case study: Arazkuseh hydrometric station, Golestan). Journal of Water and Soil Conservation. 2015; 22(3): 115-135. [Persian]
[19]. Zhang Q, Chen YD, Chen X, Li J. Copula-based analysis of hydrological extremes and implications of hydrological behaviors in the Pearl River basin, China. Journal of Hydrologic Engineering. 2011;16(7): 598-607.
[20]. Hosking JR, Wallis JR. The effect of intersite dependence on regional flood frequency analysis. Water Resources Research. 1988; 24(4): 588-600.
[21]. Nelsen RB. An introduction to copulas. Springer Science & Business Media. 2007.
[22]. Eberhart R, Simpson P, Dobbins R. Computational intelligence PC tools. Academic Press Professional, Inc. 1996.
[23]. Shi Y, Eberhart RC. Parameter selection in particle swarm optimization. InInternational Conference on Evolutionary Programming 1998 Mar 25 (pp. 591-600). Springer Berlin Heidelberg.
[24]. Hamed Ensaniyat, N. Daily Runoff Simulation Using the PSO Algorithm in Catchment Model Optimization. Msc Thesis. 2013. [Persian]
[25]. Nash JE, Sutcliffe JV. River flow forecasting through conceptual models part I—A discussion of principles. Journal of hydrology. 1970; 10(3): 282-90.
[26]. Yue S, Rasmussen P. Bivariate frequency analysis: discussion of some useful concepts in hydrological application. Hydrological Processes. 2002; 16(14):2881-98.
| ||
|
آمار تعداد مشاهده مقاله: 1,286 تعداد دریافت فایل اصل مقاله: 991 |
||