کاربرد تابع کاپولا در تحلیل چندمتغیره شاخص خشکسالی جریان (مطالعه موردی: حوضه سد استقلال میناب)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری علوم و مهندسی آبخیزداری، گروه مهندسی منابع طبیعی، دانشگاه هرمزگان، بندرعباس، ایران

2 دانشیار گروه مهندسی منابع طبیعی، دانشگاه هرمزگان، بندرعباس، ایران

3 استادیار، گروه آمار و ریاضی، دانشگاه هرمزگان، بندرعباس، ایران

10.29252/aridbiom.2023.20698.1962

چکیده

در تحلیل فراوانی خشکسالی به­ عنوان یک پدیده چندوجهی، خلاصه‌کردن رویداد در یک متغیر، سبب کاهش اعتمادپذیری نتایج می­‌گردد. تحلیل فراوانی دو و چندمتغیره خشکسالی با استفاده از توابع کاپولا، این امکان را فراهم می‌­کند که دوره بازگشت یک رویداد خشکسالی با شدت، تداوم و پیک مشخص برآورد شود. در این مطالعه، شاخص خشکسالی جریان برای بررسی ویژگی‌­های خشکسالی با استفاده از جریان ماهانه ایستگاه برنطین حوزه آبخیز سد استقلال میناب، با در نظر گرفتن مقیاس‌های زمانی 12 ماهه مورد استفاده قرار می­‌گیرد. ضریب همبستگی اسپیرمن برای تجزیه و تحلیل وابستگی بین متغیرهای خشکسالی هیدرولوژیکی و شش تابع توزیع حاشیه‌ای برای مدل­سازی آنها مورد استفاده قرار گرفت و سپس با استفاده از کاپولای خانواده ارشمیدسی و بیضوی بهترین مفصل انتخاب و تحلیل چندمتغیره شرطی و ریسک خشکسالی جریان صورت پذیرفت. تجزیه و تحلیل توزیع حاشیه‌ای نشان داد، توزیع‌های گاما، لوگ ‌نرمال و ویبول به‌ترتیب برای شدت، تداوم و پیک خشکسالی بهترین توزیع‌ها هستند و نتایج برازش کاپولا نشان می‌دهد، بهترین تابع کاپولا در تحلیل وابستگی بین متغیرها کاپولای فرانک است. احتمال شرطی سه متغیره شدت خشکسالی در تداوم­‌های 20، 50، 80 و 100ساله و پیک 1 و 5/1 مورد بررسی قرار گرفت. این آستانه‌ها با توجه به این که بیشترین فراوانی را در منطقه مورد مطالعه داشتند، انتخاب گردید. نتایج حاکی از آن است که با ثابت‌ماندن تداوم خشکسالی و افزایش پیک از 1 به 5/1 احتمال شدت خشکسالی کاهش می‌یابد اما با افزایش تداوم و شدت خشکسالی، پیک خشکسالی نیز افزایش می‌­یابد.

کلیدواژه‌ها

موضوعات


[1]. Abbaszadeh, M., Bazrafshan, O., Mahdavi, R., Sardooi, E. R., & Jamshidi, S. (2023). Modeling Future Hydrological Characteristics Based on Land Use/Land Cover and Climate Changes Using the SWAT Model. Water Resources Management, 1-18.
[2]. Achite, M., Bazrafshan, O., Wał ˛ega, A., Azhdari, Z., Krakauer, N., & Caloiero, T. (2022). Meteorological and Hydrological Drought Risk Assessment Using Multi-Dimensional Copulas in the Wadi Ouahrane Basin in Algeria. Water, 14(4), 653. doi: 10.3390/w14040653.
[3]. AghaKouchak, A., Bárdossy, A., & Habib, E. (2010). Conditional simulation of remotely sensed rainfall data using a non-Gaussian v-transformed copula. Advances in Water Resources, 33, 624-634. doi: 10. 1016/j.advwatres.2010.02.010
[4]. Avşaroğlu, Y., & Gumus, V. (2022). Assessment of hydrological drought return periods with bivariate copulas in the Tigris river basin. Meteorology and Atmospheric Physics, 134, 95. doi: 10.1007/ s00703-022-00933-2
[5]. Ayantobo, O., Li, Y., & Song, S. (2019). Copula-based trivariate drought frequency analysis approach in seven climatic sub-regions of mainland China over 1961–2013. Theoretical and Applied Climatology, 137, 2217-2237. doi: 10.1007/s00704-018-2724-x
[6]. Azhdari, Z., bazrafshan, O., Bazrafshan, J., Shekari, M., & Zamani, H. (2021). Meteorological drought monitoring based on multivariate statistical and probability indices in Hormozgan province. Journal of Arid Biome10(2), 1-17. doi: 10.29252/aridbiom.2021.15258.1821 [in Farsi]
[7]. Azhdari, Z., Bazrafshan, O., Zamani, H., Shekari, M., Psingh, V. (2021). Hydro-meteorological drought risk assessment using linear and nonlinear multivariate, Physics and Chemistry of the Earth, 123, doi: 10.1016/j.pce.2021.103046 [in Farsi]
[8]. Bazrafshan, O., Zamani, H., Mozaffari, E., Azhdari, Z., & Shekari, M. (2023). Trivariate risk analysis of meteorological drought in Iran under climate change scenarios. Meteorology and Atmospheric Physics, 135(6), 52. doi: 10.1007/s00703-023-00988-9
[9]. Bhuiyan, C. (2004). Various drought indices for monitoring drought condition in Aravalli terrain of India. In Proceedings of the XXth ISPRS Congress, Istanbul, Turkey.
[10]. Doesken, N. J., & Garen, D. (1991). Drought monitoring in the Western United States using a surface water supply index. In: Proceedings of the 7th Conference on Applied Climatology, Salt Lake City, UT, USA.
[11]. Dracup, J. A., Lee, K. S., & Paulson Jr, E. G. (1980). On the definition of droughts. Water Resource Research, 16, 297-302. doi: 10.1029/WR016i002p00297
[12]. Esit, M., & Yuce, M. I. (2023). Copula-based bivariate drought severity and duration frequency analysis considering spatial-temporal variability in the Ceyhan Basin, Turkey. Theoretical and Applied Climatology 151, 1113-1131. doi: 10.1007/s00704-022-04317-9
[13]. EskandariPour, M., & Soltaninia, S. (2021). Analyzing the duration frequency and severity of drought using copula function in the Yazd city. Journal of Water Climate Change, 13(1), 67-82. doi: 10.2166/wcc.2021.366
[14]. Goodarzi, M., Fatehifar, A., & Avazpoor, F. (2019). Bivariate Analysis of the Impact of Climate Change on Drought with SPEI Index and Coppola Functions (Case Study: Dugonbadan). Iran-Water Resources Research15(4), 352-365. [in Farsi]
[15]. Gusyev, M., Hasegawa, A., & Magome, J. (2015). Drought assessment in the Pampanga River basin, the Philippines – Part 1: Characterizing a role of dams in historical droughts with standardized indices. In Proceedings of the 21st international congress on modelling and simulation (MODSIM 2015), Queensland, Australia.
[16]. Joe, H. (1997). Multivariate Models and Dependence Concepts, Chapman & Hall.
[17]. Mirabbasi, R., Fakheri-Fard, A., & Dinpashoh, Y. (2012). Bivariate drought frequency analysis using the copula method. Theoretical Applied Climatology, 108, 191-206. doi: 10.1007/s00704-011-0524-7
[18]. Nafii, A., Lamane, H., Taleb, A., & El Bilali, A. (2023). An approach based on multivariate distribution and Gaussian copulas to predict groundwater quality using DNN models in a data scarce environment. MethodsX10, 102034.‏
[19]. Nalbantis, I., & Tsakiris, G. (2009). Assessment of hydrological drought revisited. Water Resources Management, 23, 881-897. doi: 10.1007/s11269-008-9305-1
[20]. Nelsen, R. B. (2006). An Introduction to Copulas, Springer.
[21]. Niemeyer, S. (2008). New drought indices. Options Méditerranéennes, Série A, 80, 267-274.
[22]. Palmer, W. C. (1965). Meteorological drought. US. Weather Bureau Res. Paper45, 1-58.
[23]. Shiau, J. T. (2006). Fitting drought duration and severity with two-dimensional copulas. Water Resources Management, 20, 795-815. doi: 10.1007/s11269-005-9008-9
[24]. Shiau, J. T., & Modarres, R. (2009). Copula-based drought severity-duration-frequency analysis in Iran. Meteorological applications, 16, 481-489. doi: 10.1002/met.145
[25]. Sklar, M. (1959). Functions de repartition a n dimensions et leurs marges. Publications de l’Institut Statistique de l’Université de Paris, 8, 229-231.
[26]. Teimouri, M., Asadi Nalivan, O., & Elahi, S. (2023). The Probabilistic Analysis of Drought Severity- Duration in North Khorasan Province using Copula Functions. Watershed Management Research Journal36(2), 36-52. doi: 10.22092/wmrj.2022.359052.1479 [in Farsi]
[27]. Tosunoğlu, F., & Onof, C. (2017). Joint modelling of drought characteristics derived from historical and synthetic rainfalls: Application of Generalized Linear Models and Copulas. Journal of Hydrology: Regional Studies, 14, 167-181. doi: 10.1016/j.ejrh.2017.11.001
[28]. Tsakiris, G., Kordalis, N., & Tsakiris, V. (2015). Flood double frequency analysis: 2D-archimedean copulas vs bivariate probability distributions. Environmental Process, 2, 705-716. doi: 10.1007/ s40710-015-0078-2
[29]. Zhang, L., & Singh, V. P. (2006). Bivariate flood frequency analysis using the copula method. Journal of Hydrologic Engineering, 11(2), 150–164. doi: 10.1061/(ASCE)1084-0699(2006)11:2(150)