تحلیل فراوانی سیل با استفاد از تبدیل موجک‌ها (مطالعه‌ی موردی: رودخانه‌ی پلرود)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 sajad.shahaaby@gmail.com

2 استادیار، گروه مهندسی عمران، دانشگاه شهید باهنر، کرمان، ایران،

3 دانشگاه آزاد اسلامی، واحد رودسر و املش، گروه مهندسی عمران، رودسر، ایران،

چکیده

بی­توجهی به تحلیل فراوانی می­تواند موجب خسارت­های جبران­ناپذیر شود. از اینرو همواره افزایش دقت در این زمینه مورد توجه محققین مختلف بوده­است. در این مقاله داده­های 52 ساله­ی مشاهده شده بر روی رودخانه­ی پلرود برای تحلیل فراوانی استفاده شده­است. تحلیل فراوانی سیل با استفاده از دو تابع مختلف موجک (هار و دوبشی3) بر روی این داده­ها انجام شده و نتایج آن ارائه شده­است. در دومرحله داده­های دبی کوچکتر از80% و 95% کوچکترین داده­ی حداکثر سالانه، جهت کاهش تأثیر داده­های بسیار کوچک در مدل موجکی حذف شد. سپس تحلیل فراوانی با استفاده از سری­های جزئی و حداکثر سالانه و برازش به توزیع­های آماری مختلف انجام شد و نتایج با تحلیل موجک مقایسه شده­اند. مقایسه­ی نتایج موجک با سری­های جزئی و سری حداکثر سالانه بیانگر این نکته­ی بسیار مهم است که دقت تحلیل و انتخاب روش، مبتنی بر طبیعت داده­ها و ناحیه­ی مورد مطالعه است. در حوضه­ی پلرود سری­های حداکثر سالانه، تخمین دست­بالا را به­دست می­دهد چون تنها 06/0% از داده­ها بیش از 200 مترمکعب برثانیه و 10داده بین 200 تا 537 مترمکعب برثانیه هستند.

کلیدواژه‌ها


عنوان مقاله [English]

Flood Frequency Analysis Using Wavelet Transform (Case Study: Polroud River)

نویسندگان [English]

  • Sajad Shahaaby 1
  • Maoudreza Hessami Kermani 2
  • Aziz Hossien nejad 3
  • Bahman Panjalizadeh
چکیده [English]

Inattention to flood frequency analysis (FFA) can cause irreparable damages. Thus, increasing accuracy in this area has been considered by various researchers. In this paper, data observed over a period of 52 years in Polrood River are used in frequency analysis. FFA has been performed using two different wavelet functions (Haar and daubechies3) and results are presented. In two stages, data less than 80% and 95% of the smallest annual maximum (AM) data are removed to reduce the impact of very small data in wavelet model. Then FFA using partial duration (PD) series and AM series has been performed with fitting different statistical distributions to data and results are compared with wavelet analysis. Results comparison between wavelet, AM and PD methods indicates this very important point that the accuracy of analysis and the selection of method are mostly based on the nature of data and study area. In Polrood basin, AM series method overestimates the results because just 0.06 percent of data are more than 200 m3/sec and 10 data are between 200 to 537 m3/sec.

کلیدواژه‌ها [English]

  • flood frequency analysis
  • normal distribution
  • Polroud River
  • wavelet transform
  1. دفتر مطالعات پایه­. 1389. سازمان آب منطقه­ای گیلان.
  2. شامکوئیان، ح؛ قهرمان، ب؛ داوری، ک؛ سرمد، م. 1388. تحلیل فراوانی سیلاب منطقه­ای با استفاده از تئوری گشتاورهای خطی و سیلاب نمایه در حوضه­های آبریز استان­های خراسان، مجله آب و خاک (علوم و صنایع کشاورزی)، جلد 23، شماره 1، ص 43-31.
  3. عسگری همت, ع. 1379. آشنایی با موجکها. آذرخش، تهران.
    1. Boggess, A; Narcowich, F. J. 2009. A First Course in wavelets with Fourier Analysis, John Wiley, New Jersey.
    2. Box, G. E. P; Cox, D. R. 1964. An Analysis of Transformations. Journal of the Royal Statistical Society, 127(B):211-252.
    3. Burn, D. H; Zrinji. Z; Kowalchuk, M. 1997. Regionalization of Catchments for Regional Flood Frequency Analysis. Journal of Hydrologic Engineering, ASCE,  2(2):76-82.
    4. Chou, C. M. 2007. Efficient Nonlinear Modeling of Rainfall-Runoff Process Using Wavelet Compression. Journal of Hydrology, 332(3-4):442-455.
    5. Chow, V. T; Maidment, R; Mays, W. 1988. Applied Hydrology. Mc Graw-Hill, New York: 380-415.
    6. Griffis, V. W; Stedinger, G. R. 2007. Log-Pearson Type 3 Distribution and Its Application in Flood Frequency Analysis. I: Distribution Characteristic. Journal of Hydrologic Engineering, ASCE, 12(5): 482-491.
    7. Lecrec, M; Ouarda, T.M.B.J. 2007. Nn-Stationary Regional Flood Frequency Analysis at Ungauged Sites. Journal of Hydrology, 343(1-2):254-265.
    8. Ozger, M; Mishra, A.K ;Singh, V. P. 2010. Scaling Characteristics of Precipitation Data in Conjunction with Wavelet Analysis. Journal of Hydrology, 395(3-4): 279-288.
    9. Partal, T ; Kisi, O. 2007. Wavelet and Neuro-Fuzzy Conjunction Model for Precipitation Forecasting. Journal of Hydrology, 342(1-2):199-212.
    10. Rao, A. R; Hamed, K. H. 2000. Flood Forecasting Analysis. Dehli.
    11. Rossi, A; Massei, N; Laignel, B; Sebag, D; copard, Y. 2009. The response of Mississipi River to Climate Fluctuations and Reservoir Construction as Indicated by Wavelet Analysis of streamflow and suspended-Sediment load. Journal of Hydrology, 377(3-4): 237-244.
    12. Saf, B. 2009. Regional Flood Frequency Analysis Using L Moments for the Buyuk and Kucuk Menderes. Journal of Hydrologic Engineering, ASCE, 14(8)783-794.
    13. Schaefli, B; Maraun, D; Holschneider, M. 2007. What Drives High Flow Events in the Swiss Alps? Recent Developments in Wavelet Spectral Analysis and their Application to Hydrology, advances in water resources, 30(12):2511-2525.
    14. Shu, C; Ouarda, T. B. M. J. 2008. Regional Flood Frequency Analysis at Ungauaged Sites Using the Adaptive Neuro-Fuzzy Interface System. Journal of Hydrology, 349(1-2):31-43.
    15. Srinivas, V. V; Tripath, S; Ramachandra Rao, A; Gorindaraju, R. S. 2008. Regional Flood Frequency Analysis by Combining Self-Organizing Feature Map and Fuzzy Clustering. Journal of Hydrology, 348(1-2):148-166.
    16. Subramanya, K. 2008. Engineering Hydrology, Mc Graw-Hill.
    17. The MathWorks. 2009. MATLAB, Version 7.8.0.347(R2009a)., Wavelet toolbox.