تغییرات پله ای غیرنظام مند در پارامترهای مربوط به شبیه سازی استوکاستیکی بارش روزانه چندایستگاهی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استاد / گروه مهندسی آب، دانشکده کشاورزی، دانشگاه فردوسی مشهد

2 دانشجوی سابق کارشناسی ارشد آبیاری و زهکشی/ گروه مهندسی آب، دانشکده کشاورزی، دانشگاه فردوسی مشهد

چکیده

شبیه ‌سازی استوکاستیکی باران روزانه در بسیاری از مدل‌ها (برای مثال هیدرولوژی، هواشناسی، تولید محصول) کاربرد دارد. بیش‌تر مدل‌ های شبیه‌سازی استوکاستیکی تک-ایستگاهی بوده و مدل‌ های اندکی ساختار همبستگی بارندگی (وقوع و مقدار) را به‌ صورت چند-ایستگاهی درنظر می‌گیرند. با این‌حال در مدل‌های موجود توجهی به احتمال ناایستایی پارامترهای دخیل نمی‌شود. تعداد 36 ایستگاه باران‌سنجی در گستره‌ی سه استان خراسان شمالی، رضوی و جنوبی با طول دوره‌ی آماری 30 سال درنظر گرفته شد. پارامترهای مدل شبیه سازی استوکاستیکی باران روزانه که در آن وقوع بارندگی از فرآیند مارکوف مرتبه‌ ی اول و وقوع مقدار بارندگی از تابع چگالی گامای دومتغیره پیروی می‌کرد برای 6 ماه بارانی سال (آبان تا اردیبهشت) به‌ دست آمد. نشان داده شد که پارامترهای این مدل (2 پارامتر احتمال بـارانی بودن مشروط بـر بـارانی بودن یـا نبودن روز پیش برای وقوع بارندگی و دو پارامتر شکل و مقیاس تابع چگالی گاما) به‌ طور معنی‌داری به ماه سال و محل ایستگاه بستگی دارد ولـی هیچ رابطه‌ ی معنی‌ داری برای برآورد آن‌ها به ‌دست نیامد. نشان داده شد که هر 4 پارامتر مدل شبیه‌ سازی در زمان ناایستا می‌ باشد. ناایستایی توسط تغییرات پله ای غیرنظام‌مند مدل شد. نتایج نشان داد که پارامترهای تابع چگالی مقدار بارندگی تقریبا بدون پله بودند که ممکن است منجر به استخراج تابع چگالی ناحیه ‌ای شود. با این‌حال هم‌سو نبودن محل پله‌ ها و تعداد آن‌ها برای پارامترهای مدل استوکاستیکی شبیه ‌سازی بارندگی، موجب دشواری در تاثیر ناایستایی در شبیه ‌سازی می‌شود

کلیدواژه‌ها


عنوان مقاله [English]

Regime Shift in Parameters of Multi-Site Daily Rainfall Stochastically Generation

نویسندگان [English]

  • B. Ghahraman 1
  • E. Amini 2
1 Professor, Water Engineering Department, College of Agriculture, Ferdowsi University of Mashhad, Iran
2 Former Graduate Student of Irrigation and Drainage, Water Engineering Department, College of Agriculture, Ferdowsi University of Mashhad, Iran
چکیده [English]

Many models (e.g. hydrologic, meteorologic, crop yield) need for stochastic daily rainfall generation. Most of the stochastic models are single-station and rather few deal with rainfall correlation structure (occurrence and amount). A plausible shortcoming of the later, however, is due to not considering the possible time-non-stationarity. A total of 36 rain gage stations with 30 years of record were considered in North-, Razavi-, and South-Khorasan Provinces for this study. One stochastic rainfall generation consisting of first order Markov model for rainfall occurrence and Gamma probability density function for rainfall amount for 6 rainy months of November to May was adopted. Results showed that the model parameters (rainfall probability conditioned to previous day rainy or dry state, and two parameters of Gamma distribution) were depended on the month of the year and on the geographical location. Yet significant relations were not found to describe them. It was shown that all parameters were non-stationary in time. Non-stationarity was modeled through regime shift concept. Results showed that nearly all parameters of rainfall amount model (Gamma probability density function) were independent of regime shift. This may be a clue for a plausible regional probability density function. However, the regime shifts for all parameter were not consistent which poses difficulty in modeling the stochastic generation of daily rainfall in the region.

کلیدواژه‌ها [English]

  • Arid and semi-arid climate
  • Gamma probability density function
  • Rainfall transition matrix

امینی ا، قهرمان ب، داوری ک،  موسوی بایگی م (1390) ترمیم بارش روزانه در منطقه خراسان بزرگ به روش دو جزیی. نشریه آب و خاک (علوم و صنایع کشاورزی). جلد 25، شماره 5: 1147-1157.

Bras R, Rodriguez-Iturbe I (1976) Rainfall generation: a nonstationary time varying multi-dimensional model. Water Resour Res 12: 450–456, DOI:10.1029/WR012i003p00450.

Brissette FP, Khalili M, Leconte R (2007) Efficient stochastic generation of multi-site synthetic precipitation data. J Hydrol 345: 121–133, DOI:10.1016/j.jhydrol.2007.06.035.

Derakhshan H, Talebbeydokhti N (2011) Rainfall disaggregation in non-recording gauge stations using space-time information system. Scientific Iranica, Transaction A: Civil Engineering. 18(5): 995-1001.

Fackler PL (1999) Generating correlated multidimensional variates. Working paper, available at http://www4.ncsu.edu/∼pfackler/.

Ghahraman B (2006) Time trend in mean annual temperature of Iran. Turk J Agric Fores 30(6): 439-448.

Ghahraman B (2013) Effect of short-and long-term memory on trend significancy of mean annual flow by Mann-Kendall test. Int J Engrng 26(10): 1155-1168.

Hamed KH, Rao AR (1998) A modified Mann-Kendall trend test for autocorrelated data. J Hydrol 204(1): 182-196.

Hughes JP, Guttorp P, Charles S (1999) A nonhomogeneous hidden Markov model for precipitation occurrence. J Royal Stat Soc (Series C): Appl Stat 48: 15–30, DOI:10.1111/1467-9876.00136.

Jonsson P Eklundh L (2002) Seasonality extraction by function fitting to time-series of satellite sensor data. IEEE Trans Geosc Remote Sens 40(8): 1824-1832.

Katz RW (1977) Precipitation as a chain-dependent process. J Appl Meteorol 16: 671–676.

Katz RW (1981) One some criteria for estimating the order of a Markov chain. Technomet 23: 243–249, DOI:10.2307/1267787.

Kerr RA (1992) Unmasking a shifty climate system. Science 255: 1508-1510.

Liu J, Williams JR, Wang X, Yang H (2009) Using MODAWEC to generate daily weather data for the EPIC model. Environ Model & Softwr 24: 655–664, DOI:10.1016/j.envsoft.2008.10.008

Mantua NJ, Hare SR Zhang Y Wallace JM Francis RC (1997) A Pacific interdecadal climate oscillation with impacts on salmon production. Bull Am Meteorol Soc 78: 1069-1079.

Mhanna M, Bauwens W (2011) A stochastic space-time model for the generation of daily rainfall in the Gaza Strip. Intern J Clim DOI: 10.1002/joc.2305

Qian B, Corte-Real J, Xu H (2002) Multisite stochastic weather models for impact studies. Intern J Clim 22:1377–1397, DOI:10.1002/joc.808.

Richardson CW (1981) Stochastic simulation of daily precipitation, temperature, and solar radiation. Water Resour Res 17:182–190, DOI:10.1029/ WR017i001p00182.

Rodionov SN (2004) A sequential algorithm for testing climate regime shifts. Geophys Res Let 31: L09204, doi:10.1029/2004GL019448.

Schwarz G (1978) Estimating the dimension of a model. Ann Statis 6: 461–464, DOI:10.2307/2958889.

Srikanthan R (2005) Stochastic generation of daily rainfall data at a number of sites. Cooperative Research Centre for Catchment Hydrology, Technical Report: 05/7.

Srikanthan R, Pegram GGS (2009) A nested multisite daily rainfall stochastic generation model. J Hydrol 371: 142–153, DOI:10.1016/j.jhydrol.2009.03.025.

Thom HCS (1958) A note on the gamma distribution. Month Weath Rev 86: 117–122.

Thompson CS, Thompson PJ, Zheng X (2007) Fitting a multisite daily rainfall model to New Zealand data. J Hydrol 340: 25-39, DOI:10.1016/ j.jhydrol.2007.03.020.

Wilks DS (1998) Multisite generalization of a daily stochastic precipitation generation model. J Hydrol 210: 178–191,DOI:10.1016/S0022-1694(98)00186-3.

Wilks DS (1999) Simultaneous stochastic simulation of daily precipitation, temperature and solar radiation at multiple sites in complex terrain. Agric Forest Meteorol 96: 85–101, DOI:10.1016/S0168-1923(99)00037-4.

Wilks DS, Wilby RL (1999) The weather generation game: a review of stochastic weather models. Progress Phys Geograph 23: 329–357, DOI:10.1177/030913339902300302.

Zhao, Sh Wei GW (2003) Jump process for the trend estimation of time series. Comput Statis Data Analy 42: 219-241.

Zheng X, Katz RW (2008) Simulation of spatial dependence in daily rainfall using multisite generators. Water Resour Res 44: W09403, DOI:10.1029/2007WR006399.