تحلیل تغییرات دقت برازش سری‌های متعامد نرمال به اندازه نمونه دبی اوج سالانه

نوع مقاله : مقاله پژوهشی

نویسنده

استادیار گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران

چکیده

مطالعات تحلیل ریسک سیلاب بر اساس برآورد تابع چگالی احتمال دبی اوج سیلاب صورت می‌گیرد. روش‌های مرسوم برای تخمین تابع چگالی احتمال توزیع‌های پارامتری هستند که دارای محدودیت‌های مختلف از جمله حساسیت در دقت برازش نسبت به کاهش اندازه نمونه می‌باشند. روش‌های ناپارامتری برآورد تابع چگالی احتمال دارای محدودیت‌های کمتری نسبت به توزیع‌های پارامتری می‌باشند. در این مطالعه از توزیع‌های پارامتری نمایی، لوگ نرمال، گاما و گامبل و روش سری‌های متعامد نرمال به عنوان یک روش نوین ناپارامتری و همچنین معیارهای دقت برازش معیار اطلاعات آکائیک (AIC)، معیار اطلاعات بیزی (BIC) و میانگین مربعات خطا (MSE) استفاده شد تا دقت این روش‌ها و نیز حساسیت آن‌ها به کاهش اندازه نمونه دبی اوج سالانه سیلاب بررسی گردد. بر اساس داده­های ثبت شده پنج ایستگاه هیدرومتری در استان گلستان (با طول دوره آماری 38 تا 48 سال)دقت و تغییرات دقت برازش توزیع‌های پارامتری و ناپارامتری به کاهش اندازه نمونه‌ها بررسی شد. نتایج نشان داد دقت روش ناپارامتری سری‌های متعامد نرمال از توزیع‌های پارامتری به شکل محسوسی بالاتر می‌باشد. به علاوه روش سری‌های متعامد نرمال در مقایسه با روش‌های پارامتری دارای حساسیت کمتر به کاهش اندازه نمونه می‌باشد که این ویژگی موجب می‌شود بتواند به عنوان یک گزینه مناسب در مواردی که داده­های ثبت شده کوتاه مدت است به حساب آید.

کلیدواژه‌ها

عنوان مقاله [English]

Analysis of Precision Changes of Otho-Normal Series to Annual Maximum Discharge Sample Size

نویسنده [English]

  • Meysam Salarijazi
Assistant Professor, Department of Water Engineering, Gorgan University of Agricultural Sciences and Natural Resources., Gorgan., Iran
چکیده [English]

Flood risk analysis studies carry out based on estimation of the probability density function (PDF) of flood peak. Conventional approaches to estimate the probability density function distributions are parametric methods that have constraints such as sensitivity of fitness precision to reduction in sample size. Non-parametric methods to estimate the PDF have fewer restrictions than the parametric distributions. In this study, Exponential, Log-Normal, Gamma and Gumbel as parametric distributions, Ortho-Normal Series method as a non-parametric method, and Akaike Information Criterion (AIC), Bayesian Information Criterion (BIC) and Mean Square Error (MSE) as precision criteria were applied to investigate the precision of mentioned methods and their sensitivity to reduction of annual maximum peak flow series. The precision and change in precision of fitness of parametric and non-parametric distributions to sample size reduction were investigated based on five hydrometry station (with 38 to 48 years recorded datasets) in Golestan province. The results show that the precision of non-parametric ortho-normal series method is considerably higher than parametric distributions. In addition, ortho-normal series method is less sensitive to sample size reduction than parametric distribution that makes it as suitable option where the recorded data sets are belonging to relatively short time period. 

کلیدواژه‌ها [English]

  • Ortho-Normal Series Method
  • Parametric Distributions
  • Sensitivity analysis
  • sample size

مراجع

حقیقت جو، پرویز. (1387). ارزیابی مقایسه ای آمار پارامتری و ناپارامتری در تحلیل فراوانی بارش. رساله دکتری هیدرولوژی. دانشگاه شهید چمران اهواز. 115 صفحه.
Adamowski,K. 1985. Nonparametric kernel estimation of flood frequencies.Water Resources Research. 21.11:1585-1590.
Adamowski,K. 2000. Regional analysis of annual maximum and partial duration flood data by nonparametric and L-moment methods. Journal of Hydrology. 229.3:219-231.
Adamowski,K., Feluch,W. 1990. Nonparametric flood-frequency analysis with historical information. Journal of Hydraulic Engineering. 116.8. 1035-1047.
Adib,A., Salarijazi,M., Najafpour,K. 2010. Evaluation of synthetic outlet runoff assessment models. Journal of Applied Sciences and Environmental Management. 14.3: 13-18.
Adib,A., Salarijazi,M., Shooshtari,M.M., Akhondali,A.M. 2011. Comparison between characteristics of geomorphoclimatic instantaneous unit hydrograph be produced by GcIUH based Clark Model and Clark IUH model.Journal of Marine Science and Technology. 19.2: 201-209.
Adib,A., Salarijazi,M., Vaghefi,M., Shooshtari,M.M., Akhondali,A.M. 2010. Comparison between GcIUH-Clark, GIUH-Nash, Clark-IUH, and Nash-IUH models. Turkish Journal of Engineering and Environmental Sciences. 34.2: 91-104.
Akaike, Hirotugu. 1974. New look at the statistical model identification. IEEE Transactions on Automatic Control. 19.6: 716-723.
Bowman,A., Azzalini,A. 1997. Applied smoothing techniques for data analysis: the Kernel approach with S-plus illustrations. Oxford University Press, New York. 198p.
Efromovich,S. 1999. Nonparametric curve estimation: methods, theory and applications. Springer-Verlag, New York. 411p.
Eidipour,A., Akhondali,A.M., Zarei,H., Salarijazi,M. 2016. Flood Hydrograph Estimation Using GIUH Model in Ungauged Karst Basins (Case Study: Abolabbas Basin). TUEXENIA. 36.36: 26-33.
Ghosh,S., Mujumdar,P.P. 2007. Nonparametric methods for modeling GCM and scenario uncertainty in drought assessment.Water Resources Research.43.7:1-19.
Hamed,K., Rao,A.R. 1999. Flood frequency analysis.CRC press.
Karmakar,S., Simonovic,S.P. 2008. Bivariate flood frequency analysis: Part 1. Determination of marginals by parametric and nonparametric techniques. Journal of Flood Risk Management. 1.4: 190-200.
Kidson,R., Richards,K.S. 2005. Flood frequency analysis: Assumptions and alternatives. Progress in Physical Geography. 29.3: 392-410.
Kim,T.-W., Valdés,J.B., Yoo,C. 2003. Nonparametric approach for estimating return periods of droughts in arid regions.Journal of Hydrologic Engineering. 8.5: 237-246.
Lall,U. 1995. Nonparametric function estimation: Recent hydrologic contributions. Reviews of Geophysics, Contributions in Hydrology, U.S. National Report to the IUGG 1991-1994. 1093-1099.
Moazed,H., Moradzadeh,M., Veysi,S., Kaboli,H.S., Salarijazi,M. 2012. Analysis of drought return periods in Khuzestan province, southwest of Iran. Journal of Food, Agriculture and Environment. 10.1: 642-645.
Quintela-Del-Río,A. 2011. On bandwidth selection for nonparametric estimation in flood frequency analysis.Hydrological Processes. 25.5: 671-678.
Reddy,M.J., Ganguli,P. 2012. Bivariate flood frequency analysis of upper Godavari river flows using Archimedean copulas. Water resources management. 26.14: 3995-4018.
Schwarz,G. 1978. Estimating the dimension of a model.Annals of Statistics. 6.2: 461–464.
Shabri,A. 2002. Nonparametric kernel estimation of annual maximum stream flow quantiles. Matematika. 18:99-107.
Smakhtin,V.U. 2001. Low flow hydrology: A review. Journal of Hydrology. 240.3-4: 147-186.
Vittal,H., Singh,J., Kumar,P., Karmakar,S. 2015. A framework for multivariate data-based at-site flood frequency analysis: Essentiality of the conjugal application of parametric and nonparametric approaches. Journal of Hydrology. 525: 658-675.
 
نشریه آبیاری و زهکشی ایران
دوره 10، شماره 5 - شماره پیاپی 59
آذر و دی 1395
صفحه 696-706

فایل ها

هم رسانی

ارجاع به این مقاله

آمار