آنالیز منطقه‌ای سیل با استفاده از رویکرد مبتنی بر عمق داده

نوع مقاله : مقاله پژوهشی

نویسندگان

1 عضو هیات علمی، دانشگاه گنبد کاووس

2 عضو هیات علمی دانشگاه گنبد کاووس

چکیده

راهکار عملی جهت برآورد دبی سیل در حوضه‌های فاقد آمار، انتقال اطلاعات از حوضه دارای ایستگاه با استفاده از روش‌های آنالیز منطقه­ای است. تاکنون روش‌های مختلفی برای این منظور ارائه ‌شده که نیاز است تا در هر منطقه با توجه به داده‌های در دسترس و شرایط منطقه روش مناسب تعیین گردد. در این تحقیق اقدام به برآورد سیلاب در سه دوره بازگشت 10، 50 و 100 ساله در حوضه‌های فاقد آمار با استفاده از رویکرد مبتنی بر عمق داده در غالب رگرسیون چند متغیره وزن‌دار در رودخانه‌های البرز جنوبی گردید. در هر مرحله هر یک از ایستگاه‌ها به عنوان ایستگاه فاقد آمار در نظر گرفته شد و با استفاده از اطلاعات سایر ایستگاه‌ها مقادیر پارامترهای تابع وزنی توسط الگوریتم ژنتیک بهنیه و در نهایت با در نظر گرفتن شباهت هر یک از حوضه‌ها با حوضه مورد نظر مقادیر دبی در دوره بازگشت‌های مختلف برآورد گردید. در ادامه نتایج حاصل از رویکرد مبتنی بر عمق داده با دو روش رگرسیون چند متغیره و کریجینگ در فضای فیزیوگرافی مقایسه شد. نتایج نشان داد رویکرد مبتنی بر عمق داده از نظر تمام معیارهای ارزیابی عملکرد بهتری نسبت به دو روش رگرسیون چند متغیره و کریجینگ در فضای فیزیوگرافیکی داشت. همچنین روش کرجینگ در فضای فیزیوگرافیکی بهتر از رگرسیون چند متغیره توانسته مقادیر سیل را در حوضه فاقد آمار برآورد کند. مقادیر ضریب کارایی ناش_ساتکلیف در روش مبتنی بر عمق داده برای پیش­بینی دبی با دوره بازگشت‌های (برای دوره بازگشت 10، 50 و 100 سال به ترتیب 64/0، 65/0 و 65/0 بدست آمدند) مختلف تقریباً مشابه است. در این روش نسبت خطا به مساحت در حوضه کوچک بیشتر از مقادیر آن در حوضه‌های بزرگتر بوده است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Depth based regional flood frequency analysis

نویسندگان [English]

  • Abolhasan FathAbadi 1
  • Hamed Rohani 2
  • Seyed Morteza Seyedian 2
1
2
چکیده [English]

By using regionalization methods information from gauged sites transform to desired site. Up until now a variety of regionalization approaches have been proposed. In every site it is necessary to evaluate these methods and select the best method. It is of interest to understand how spatial weighted least square regression method based on depth function flood quantiles (SWLSR) compare with multivariate regression (MR) and Physiographical space-based kriging (PSK) methods. In each iteration desired station regarded as ungauged site then using genetic algorithm depth functions weights were optimized, finally (regarding) by taking account similarity between desired site and others sites flood quantiles corresponding to different return periods were estimated. By means of a leave-one-out cross-validation procedure, the performance of SWLSR was compared to MR and PSK methods for prediction of 10, 50 and 100 yr for 26 gauging station in the Southern Alborz. . The Result showed SWLSR approach yielded lower root-mean-square estimation errors and higher Nush Sutcliffe criteria thaneither the MR or the PSK approaches. PSK method estimated foold discharge in ungaged basin better than MR. In depth based approach Nush Sutcliffe criteria values for flood quintiles (Nash–Sutcliffe efficiency values for 10,50 and 100 yr floods were 0.64, 0.65 and 0.65 respectivly) three corresponding to different return periods were similar.In this method relative error to area in small catchment were biger than those obtained in big catchment.

کلیدواژه‌ها [English]

  • data Depth
  • Kriging
  • multivariate regression
  • canonical correlation analysis
Archfield, S. A., Pugliese, A., Castellarin, A., Skøien, J. O. and Kiang, J. E. (2013.) Topological and canonical kriging for design flood prediction in ungauged catchments: an improvement over a traditional regional regression approach?.Hydrol. Earth Syst. Sci, 17, pp.1575–1588.
Bardossy, A. and Singh, S. K. (2008) Robust estimation of hydrologi-cal model parameters, Hydrol. Earth Syst. Sci, 12, pp. 1273–1283.
Burn, D.H. (1990) Evaluation of regional flood frequency analysis with a region of influence approach, Water Resour. Re., 26, pp. 2257–2265.
Castiglioni, S., Castellarin, A. and Montanari, A. (2009) Prediction of low-flow indices in ungauged basins through physio-graphical space-based interpolation, J. Hydrol, 378, PP.272–280
Chebana, F. and Ouarda, T. B. M. J. (2008) Depth and homogeneity in regional flood frequency analysis, Water Resour. Res, 44, W11422, doi :10.1029/2007WR006771.
 Chebana, F. and Ouarda, T. B. M. J. (2011a)  Depth-based multivariate de-scriptive statistics with hydrological applications, J. Geophys. Res.-Atmos, 116, D10120.
Chebana, F. and Ouarda, T. B. M. J. (2011b) Multivariate extreme value identification using depth functions, Environmetrics, 22, PP. 441–455.
Chokmani, F. and Ouarda, T. B. M. J. (2004) Physiographical space based kriging for regional flood frequency estimation at ungauged sites,Water Resour. Res, 40, PP. 1–13.
Cunderlik, J.M and Burn, D.H. (2006) Switching the pooling similarity distances: Mahalanobis for Euclidean. WATER RESOURCES RESEARCH, VOL. 42, W03409.
Gingras, D. and Adamowski, K. (1992) Coupling of nonparametric frequency and L-moment analysis for mixed distribution identification. Water Resources Bulletin, 28: PP. 263 – 272.
Grehys, (1996) Presentation and review of some methods for regional flood frequency analysis, J. Hydrol, 186, PP. 63–84.
 Grover, P.L., Burn, D.H. and Cunderlik, J.M. (2002) A comparison of index flood estimation procedures for ungauged catchments. Canadian Journal of Civil Engineering, 29 : PP. 734 – 741.
Javelle, P., Ouarda, T.B.M.J., Lang, M., Bobee, B., Galea, G. and Gresillon, G.M. (2002) Development of regional flood-duration-frequency curves based on the index-flood method. Journal of Hydrology, 258(1 – 4): PP. 249 – 259.
Kraube, T. and Cullmann, J. (2012) Towards a more representative parametrisation of hydrologic models via synthesizing the strengths of Particle Swarm Optimisation and Robust Parameter Estimation, Hydrol. Earth Syst. Sci, 16, PP. 603–629.
Kraube, T., Cullmann, J., Saile, P. and Schmitz, G. H. (2012) Robust Multi objective calibration strategies possibilities for improv-ing flood forecasting, Hydrol. Earth Syst. Sci, 16,PP. 3579–3606,
Ouarda, T. B. M. J., Girard, C., Cavadias, G. S. and Bobee, B. (2001) Regional flood frequency estimation with canonical correlation analysis, J. Hydrol, 254, PP.157–173.
Ouarda, T. B. M. J., Ba, K. M., Diaz-Delgado, C., Carsteanu, A., Chokmani, K., Gingras, H., Quentin, E., Trujillo, E. and Bobee, B. (2008) Intercomparison of regional flood frequency estimation methods at ungauged sites for a Mexican case study, J. Hydrol, 348, PP. 40–58.
Pandey, G.R. and Nguyen, V.T.V. (1999) A comparative study of regression based methods in regional flood frequency analysis. Journal of Hydrology, 225: PP. 92 – 101.
Saf, B. (2008) Application of index procedures to flood frequency analysis in Turkey. Journal of the American Water Resources Association, 44 (1): PP. 37 – 47.
Sheikh, Z., Dehvari, A. and Farsadnia, F. (2014) Comparison Canonical Kriging and Linear Moments Methods for Regiona Flood Frequency Analysis in Mazandaran Province. Iran-Watershed Management Science & Engineering, Vol. 8, No. 25. PP. 25-38. (In Farsi).
Shu, C. and Ouarda, T. B. M. J. (2007) Flood frequency analysis at ungauged sites using artificial neural networks in canonical co-relation analysis physiographic space, Water Resour. Re., 43, W07438,doi:10.1029/2006WR005142.
Stedinger, J.R. and Lu, L.H. (1995) Appraisal of regional and index flood quantile estimators. Stochastic Hydrolics and Hydraulics 9(1): PP. 49 – 75.
Tukey, J.W. (1974) Mathematics and the picturing of data, Vol. 2, Proceedings of the International Congress of Mathematicians, Van-couver, B.C., 1974, Canad. Math. Congress, Montreal, Quebec, PP. 523–531,
Verhulst, P. F. (1938) Notice sur la loique la population pursuit dans son accroissement, Correspondance Math´ematiqueet Physique, 10, PP. 113–121.
Wazneh, H.Chebana, F. and Ouarda, T. B. M. J. (2013a) Optimal depth-based regional frequency analysis.Hydrol. Earth Syst. Sci., 17, PP. 2281–2296.
Wazneh, H., Chebana, F. and Ouarda, T. B. M. J. (2013b) Depth-based regional index-flood model.WATER RESOURCES RESEARCH, VOL. 49, PP. 7957–7972.