ارزیابی یک روش توزیع ناپارامتری برای داده های هیدرولوژیک در مکان-زمان مبتنی بر K نزدیک ترین همسایه (مطالعه موردی: سه زیرحوضه غرب دریاچه ارومیه)

Publish Year: 1397
نوع سند: مقاله ژورنالی
زبان: Persian
View: 135

This Paper With 10 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_IWRR-14-1_024

تاریخ نمایه سازی: 29 بهمن 1401

Abstract:

در هیدرولوژی، مدل های احتمالاتی توزیع داده جهت توزیع جریان و بارندگی در مکان و زمان با حفظ وابستگی زمانی و مکانی به طور گستردهای استفاده می شوند. از بین این مدل ها، مدل های توزیع داده ناپارامتری به دلیل سادگی و عدم نیاز به تعداد پارامترهای زیاد اخیرا بسیار مورد استقبال محققین قرار گرفته اند. در این تحقیق روش توزیع ناپارامتری لل-شارما اصلاح شده به عنوان یک روش K نزدیک ترین همسایه معرفی و سپس عملکرد آن در توزیع زمانی و مکانی مقادیر جریان رودخانهای و بارش در سه حوضه آبریز در غرب دریاچه ارومیه مورد استفاده قرار گرفته است. بدین منظور ابتدا مقادیر مجموع جریان و بارندگی سالیانه سامانه هیدرولوژیک مورد نظر با استفاده از مدل احتمالاتی خود بازگشتی مرتبه اول تولید گردید. در ادامه براساس مدل توزیع ناپارامتری لل-شارما اصلاح شده، ابتدا دادههای سالیانه تولیدی از مدل خود بازگشتی مرتبه اول در سه حوضه آبریز توزیع شد. پس از آن، مقادیر سالیانه در هر حوضه به ماه های مختلف سال توزیع گردید. مقایسه پارامترهای آماری داده های تاریخی و تولیدی در دو سطح سالیانه و ماهیانه نشان میدهد که روش توزیع ناپارامتری لل-شارما بعنوان یک روش K نزدیک ترین همسایه اصلاح شده، در بازتولید همبستگی های زمانی بهتر از همبستگی های مکانی عمل کرده است. همچنین این روش آمارگان تاریخی در سطح سالانه را به خوبی بازتولید کرده، درصورتی که عملکرد آن در بازتولید آمارگان تاریخی در سطح ماهانه ضعیفتر است.

Authors

محمد مهدی باطنی

کاندیدای دکترای /مهندسی منابع آب، دانشگاه ارومیه، ارومیه.

مجید منتصری

دانشیار /گروه مهندسی آب، دانشگاه ارومیه

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :