تعیین تغییرات توزیع بارش سالانه در برخی از ایستگاه‌های نیمه شمالی ایران

نوع مقاله : مقاله کامل علمی پژوهشی

نویسنده

دانشگاه علوم کشاورزی و منابع طبیعی گرگان-گروه مهندسی آب

چکیده

سابقه و هدف: در کنار محدودیت‌های اولیه آزمون‌های متداول بررسی روند بارش(رگرسیون خطی معمولی، من-کندال، سن و...)، این روش‌ها فقط به برآورد میانگین یا میانه شرطی می‌پردازند و کوانتایل‌های مختلف را در نظر نمی‌گیرند. بررسی روند تغییرات تابع توزیع احتمال تجربی (EPDF) و تابع توزیع تجمعی تجربی (ECDF) می‌تواند منجر به دستیابی به اطلاعات کامل‌تری در مقایسه با روش‌های متداول شود. در این مطالعه هدف کاربرد رگرسیون کوانتایل در برآورد تغییرات EPDF و ECDF بارش سالانه در پنج ایستگاه در شمال کشور و تحلیل ان‌ها می‌باشد.
مواد و روش‌ها: با استفاده از رگرسیون کوانتایل خطوط رگرسیون برای کوانتایلها (95/0-05/0 با گام 01/0) برآورد گردید. بر اساس شیب خطوط رگرسیون کوانتایل و نیز معنی داری آماری آن‌ها در سطح 05/0 نمودار شیب-کوانتایل رسم و بررسی شد. با در نظر گرفتن کوانتایل های منتخب 9/0، 7/0، 5/0، 3/0 و 1/0 نمودار روند بارش سالانه در سری‌های مختلف ارایه شد و نتایج تحلیل گردید. با کاربرد مفهوم رگرسیون کوانتایل نمودارهای EPDF و ECDF سال اول و سال آخر دوره آماری ثبت شده در هر سری برآورد شده و نمودار آن تعیین گردید و مقایسه بین آن‌ها گرفت.
یافته‌ها: با در نظر گرفتن سطح 05/0 معنی داری آماری، تعداد خطوط با شیب‌های مثبت در همه سری‌های از تعداد خطوط با شیب‌های منفی به مراتب بیشتر بوده است. بررسی نمودار خطوط رگرسیون کوانتایل نشان می‌دهد برای سری داده های مشهد خطوط روند برای کوانتایل‌های بالایی کاهشی و برای کوانتایل‌های پایینی افزایشی است در حالیکه برای سایر سری‌ها خطوط بالایی روند افزایشی و خطوط پایینی روند کاهشی را نشان می‌دهند. همچنین در سری داده های گرگان، بندر انزلی، تبریز و ارومیه بزرگی شیب خطوط روند در کوانتایل‌های پایینی از بزرگی شیب خطوط روند در کوانتایل‌های بالایی بیشتر است اما برای سری مشهد این الگو به شکل معکوس برقرار است. بررسی مقایسه ای نمودارهای ECDF در ابتدا و انتهای دوره بیانگر آنست که سری داده های تبریز، گرگان و ارومیه و تا حدی بندر انزلی ECDF ها دارای تفاوت مشهود در کران پایینی سطوح احتمال مورد بررسی هستند اما برای سری داده های مشهد این تفاوت محدود می‌باشد. بررسی الگوی تغییراتEPDF نشان می‌دهد برای هر پنج سری پارامتر مکان نسبتاً ثابت است اما تغییرات پارامتر مقیاس موجب تیزتر شدنEPDF انتهای دوره سری داده مشهد و مسطح‌تر شدن سری‌های داده های گرگان، بندر انزلی، تبریز و ارومیه شده است. بعلاوه برای سری داده های مشهد و بندر انزلی بیش‌ترین تغییرات در انتهایEPDF و برای سری داده های گرگان، تبریز و ارومیه تغییرات در ابتدایEPDF مشاهده می‌شود.
نتیجه گیری: کاربرد رگرسیون کوانتایل می‌تواند بدون تأثیر از محدودیت‌های روش‌های متداول تحلیل روند منجر به دسترسی به طیف وسیع‌تری از نتایج کاربردی شود. بین علامت شیب خطوط رگرسیون در کوانتایل‌های بالایی و پایینی در هر پنج سری تفاوت کاملاً مشخصی وجود دارد که نشان می‌دهد روش‌های متداول نمی‌توانند ابزاری مناسب برای بررسی روند رویدادهای حدی باشد. نتایج این تحقیق نشان می‌دهد که رگرسیون کوانتایل یک ابزار مفید جهت تحلیل تغییرات EPDF و ECDF داده‌ها در طول سری زمانی است و این تحلیل نتایج کاملاً مفیدتری در مقایسه با روش‌های متداول بررسی روند ارایه می‌دهد.

کلیدواژه‌ها


عنوان مقاله [English]

Determination of Distributional Changes of Annual Rainfall in Some Semi-Northern Stations in Iran

نویسنده [English]

  • Meysam Salarijazi
Gorgan University of Agricultural Sciences and Natural Resources
چکیده [English]

Background and objectives: In addition to the limitations of conventional for investigation of rainfall trend tests (OLR, Mann-Kendall, Sen), these are only provided to estimate the conditional mean or median and do not consider different quantiles. Investigation of trend of changes of empirical probability distribution function (EPDF) and empirical cumulative distribution function (ECDF) can lead to more detailed information in comparison with conventional methods. The objectives of this study are application of quantile regression for estimation of changes in EPDF and ECDF of five annual rainfall series in northern Iran and interpreting their results.
Materials and methods: The linear regression lines were estimated using quantile regression considering quantiles (0.05-0.95 with 0.01 steps). Then slope-quantiles curve were extracted based on slopes of quantile regression lines and considering 0.05 statistical significance level. The graphs of trends of different annual rainfall series were presented considering selected quantiles 0.9, 0.7, 0.5, 0.3 and 0.1 and the results were analyzed. The curves of EPDF and ECDF belonging to first and last years of data recorded periods estimated with concept of quantile regression and their curves were plotted and comparison between first and last year curves were done.
Results: The numbers of lines with positive slopes were considerably more than negative slopes considering 0.05 statistical significance level. Investigation of quantile regression lines showed decreasing and increasing trend lines for upper and lower quantiles respectively for Mashhad series but increasing and decreasing trend lines for upper and lower quantiles of other series. In addition, the magnitude of slope lines for lower quantiles were more than those belonging to upper quantiles for Gorgan, Bandar-Anzali, Tabriz and Urmia series but there were inverse pattern for Mashhad series. Comparative assessment of ECDF curves belonging to first and last recoded years revealed apparent difference in lower level of probability for Tabriz, Gorgan, Urmia and (to some extent) Bandar-Anzali but a limited difference for Mashhad series. Assessment of changes pattern of EPDF showed relatively constant location parameters but changes in scale parameters that resulted in peakness for last year EPDF of Mashahad but flatness for Gorgan, Bandar-Anzali, Tabriz and Urmia series. In addition, most of the changes related to end part of EPDF for Mashhad and Bandar-Anzali series while related to beginning for Gorgan, Tabriz and Urmia series.
Conclusion: Thequantile regression can be used without affecting the limitations of conventional methods for trend analysis to access a wider range of applied analysis. There were apparent differences between signs of quantile regression lines belonging to upper and lower levels in all of five investigated series that showed Conventional methods could not be a useful tool for trend assessment of extreme events. The results of this study showed quantile regression is a suitable method to analyses changes in EPDF and ECDF of time series and this type of analysis present more useful results with comparison to conventional trend analysis methods.

کلیدواژه‌ها [English]

  • Quantile Regression
  • Changes
  • Annual Rainfall
  • Empirical Probability Distribution Function
  • Empirical Cumulative Distribution Function
1.Adib, A., Ahmadeanfar, I., Salarijazi, M., Labibzadeh, M., and Vaghefi, M. 2012.
Optimization of Released Water from the Dez Dam for Supply of Water Demands in
the Downstream of Dam. In Applied Mechanics and Materials. Trans Tech Publications.
147: 187-190.
2.Adib, A., Salarijazi, M., and Najafpour, K. 2010. Evaluation of synthetic outlet runoff
assessment models. J. Appl. Sci. Environ. Manage. 14: 3.
3.Adib, A., Salarijazi, M., Shooshtari, M.M., and Akhondali, A.M. 2011. Comparison between
characteristics of geomorphoclimatic instantaneous unit hydrograph be produced by GcIUH
based Clark Model and Clark IUH model. J. Mar. Sci. Technol. 19: 2. 201-209.
4.Adib, A., Salarijazi, M., Vaghefi, M., Shoshtari, M.M., and AkhondAli, A.M. 2010.
Comparison between GcIUH-Clark, GIUH-Nash, Clark-IUH and Nash-IUH models. Turk. J.
Engin. Environ. Sci. 34: 2. 91-104.
5.Ahmadianfar, I., Adib, A., and Salarijazi, M. 2015. Optimizing multireservoir operation:
Hybrid of bat algorithm and differential evolution. J. Water Resour. Plan. Manage.
142: 2. 05015010.
6.Barbosa, S.M. 2008. Quantile trends in Baltic sea level. Geophysical Research Letters, 35: 22.
7.Barbosa, S.M., Scotto, M.G., and Alonso, A.M. 2011. Summarising changes in air
temperature over Central Europe by quantile regression and clustering. Natural Hazards and
Earth System Sciences, 11: 12. 3227-3233.
8.Bookhagen, B., and Burbank, D.W. 2010. Toward a complete Himalayan hydrological
budget: Spatiotemporal distribution of snowmelt and rainfall and their impact on river
discharge. J. Geophysic. Res. Earth Surface. 115: F3.
9.Cade, B.S., and Noon, B.R. 2003. A gentle introduction to quantile regression for ecologists.
Frontiers in Ecology and the Environment, 1: 8. 412-420.
10.Caloiero, T., Coscarelli, R., Ferrari, E., and Mancini, M. 2011. Trend detection of annual and
seasonal rainfall in Calabria (Southern Italy). Inter. J. Climatol. 31: 1. 44-56.
11.Dai, A. 2011. Drought under global warming: a review. Wiley Interdisciplinary Reviews:
Climate Change, 2: 1. 45-65.
12.Eidipour, A., Akhondali, A.M., Zarei, H., and Salarijazi, M. 2016. Flood Hydrograph
Estimation Using GIUH Model in Ungauged Karst Basins (Case study: Abolabbas basin).
TUEXENIA, 36: 36. 26-33.
13.Gao, P., Mu, X.M., Wang, F., and Li, R. 2011. Changes in streamflow and sediment
discharge and the response to human activities in the middle reaches of the Yellow River.
Hydrology and Earth System Sciences, 15: 1. 1-10.
14.Ghorbani, Kh., Sohrabian, E., and Salarijazi, M. 2016. Evaluation of hydrological and
data mining models in monthly river discharge simulation and prediction (Case study:
Araz-Kouseh watershed). J. Water Soil Cons. 23: 1. 203-217.
15.Ghorbani, Kh., Sohrabian, E., Salarijazi, M., and Abdolhoseini, M. 2016. Prediction of
climate change impact on monthly river discharge trend using IHACRES hydrological model
(Case study: Galikesh watershed). J. Water Soil Resour. Cons. 5: 4. 18-34.
16.Gocic, M., and Trajkovic, S. 2013. Analysis of changes in meteorological variables using
Mann-Kendall and Sen's slope estimator statistical tests in Serbia. Global and Planetary
Change, 100: 172-182.
17.Helsel, D.R., and Hirsch, R.M. 1992. Statistical methods in water resources (Vol. 49).
Elsevier.
18.Hooshmand, A., Salarijazi, M., Bahrami, M., Zahiri, J., and Soleimani, S. 2013. Assessment
of pan evaporation changes in South Western Iran. Afric. J. Agric. Res. 8: 16. 1449-1456.
19.Jagger, T.H., and Elsner, J.B. 2009. Modeling tropical cyclone intensity with quantile
regression. Inter. J. Climatol. 29: 10. 1351-1361.
20.Jhajharia, D., Dinpashoh, Y., Kahya, E., Singh, V.P., and FakheriFard, A. 2012. Trends in
reference evapotranspiration in the humid region of northeast India. Hydrological Processes,
26: 3. 421-435.
21.Kisi, O., and Ay, M. 2014. Comparison of Mann–Kendall and innovative trend method for
water quality parameters of the Kizilirmak River, Turkey. J. Hydrol. 513: 362-375.
22.Koenker, R. 2005. Quantile regression (No. 38).Cambridge university press.
23.Koenker, R., and Bassett Jr, G. 1978. Regression quantiles. Econometrica: J. Econ. Soc.
Pp: 33-50.
24.Liu, X., Zheng, H., Zhang, M., and Liu, C. 2011. Identification of dominant climate factor
for pan evaporation trend in the Tibetan Plateau. J. Geograph. Sci. 21: 4. 594-608.
25.Marofi, S., Soleymani, S., Salarijazi, M., and Marofi, H. 2012.Watershed-wide trend analysis
of temperature characteristics in Karun-Dez watershed, southwestern Iran. Theoretical and
Applied Climatology, 110: 1-2. 311-320.
26.Mazvimavi, D. 2010. Investigating changes over time of annual rainfall in Zimbabwe.
Hydrology and Earth System Sciences, 14: 12. 2671-2679.
27.McCuen, R.H. 2016. Modeling hydrologic change: statistical methods.CRC press.
28.Miao, C., Ni, J., and Borthwick, A.G. 2010. Recent changes of water discharge and sediment
load in the Yellow River basin, China. Progress in Physical Geography, 34: 4. 541-561.
29.Mileham, L., Taylor, R.G., Todd, M., Tindimugaya, C., and Thompson, J. 2009. The impact
of climate change on groundwater recharge and runoff in a humid, equatorial catchment:
sensitivity of projections to rainfall intensity. Hydrol. Sci. J. 54: 4. 727-738.
30.Mileham, L., Taylor, R., Thompson, J., Todd, M., and Tindimugaya, C. 2008. Impact of
rainfall distribution on the parameterisation of a soil-moisture balance model of groundwater
recharge in equatorial Africa. J. Hydrol. 359: 1. 46-58.
31.Moazed, H., Moradzadeh, M., Veysi, S., Kaboli, H.S., and Salarijazi, M. 2012. Analysis of
drought return periods in Khuzestan province, southwest of Iran. J. Food Agric. Environ.
10: 1. 642-645.
32.Moazed, H., Salarijazi, M., Moradzadeh, M., and Soleymani, S. 2012. Changes in rainfall
characteristics in Southwestern Iran. Afric. J. Agric. Res. 7: 18. 2835-2843.
33.Mondal, A., Kundu, S., and Mukhopadhyay, A. 2012. Rainfall trend analysis by MannKendall test: A case study of north-eastern part of Cuttack district, Orissa. Int. J. Geol. Earth
Environ. Sci. 2: 1. 70-78.
34.Moslemzadeh, M., Salarizazi, M., and Soleymani, S. 2011. Application and assessment of
kriging and cokriging methods on groundwater level estimation. J. Am. Sci. 7: 7. 34-39.
35.Naddeo, V., Scannapieco, D., Zarra, T., and Belgiorno, V. 2013. River water quality
assessment: Implementation of non-parametric tests for sampling frequency optimization.
Land Use Policy, 30: 1. 197-205.
36.Nakayama, T., and Fujita, T. 2010. Cooling effect of water-holding pavements made of
new materials on water and heat budgets in urban areas. Landscape and urban planning,
96: 2. 57-67.
37.Rehman, S. 2013. Long-Term Wind Speed Analysis and Detection of its Trends Using
Mann–Kendall Test and Linear Regression Method. Arabi. J. Sci. Engin. 38: 2. 421-437.
38.Salarijazi, M. 2013. Assessment of the Flooding Risk for River with Tidal Interaction Zones.
PhD Dissertation, Shahid Chamran University of Ahvaz.
39.Salarijazi, M., Akhond-Ali, A.M., Adib, A., and Daneshkhah, A. 2012. Trend and changepoint detection for the annual stream-flow series of the Karun River at the Ahvaz
hydrometric station. Afric. J. Agric. Res. 7: 32. 4540-4552.
40.Salarijazi, M., Akhond-Ali, A.M., Adib, A., and Dneshkhah, A.R. 2013. Flood Variables
Frequency Analysis Using Parametric and Non-Parametric Methods. J. Water Soil Cons.
20: 6. 25-46.
41.Salarijazi, M., Akhond-Ali, A-M., Adib, A., and Dneshkhah, A.R. 2015. Bivariate Flood
Frequency Analysis Using the Copula Functions. J. Irrig. Sci. Engin. 37: 4. 29-38.
42.Shiau, J.T., and Huang, W.H. 2015. Detecting distributional changes of annual rainfall
indices in Taiwan using quantile regression. J. Hydro-Environ. Res. 9: 3. 368-380.
43.Shiau, J.T., and Huang, W.H. 2015. Detecting distributional changes of annual rainfall
indices in Taiwan using quantile regression. J. Hydro-Environ. Res. 9: 3. 368-380.
44.Shiau, J.T., and Lin, J.W. 2016. Clustering quantile regression-based drought trends in
Taiwan. Water Resources Management, 30: 3. 1053-1069.
45.Toreti, A., and Desiato, F. 2008. Temperature trend over Italy from 1961 to 2004.
Theoretical and Applied Climatology, 91: 1-4. 51-58.
46.Villarini, G., Smith, J.A., Baeck, M.L., Vitolo, R., Stephenson, D.B., and Krajewski, W.F.
2011. On the frequency of heavy rainfall for the Midwest of the United States. J. Hydrol.
400: 1. 103-120.
47.Wang, H., Killick, R., and Fu, X. 2014. Distributional change of monthly precipitation due to
climate change: comprehensive examination of dataset in southeastern United States.
Hydrological Processes, 28: 20. 5212-5219.
48.Wang, L., Wei, S., Horton, R., and Shao, M.A. 2011. Effects of vegetation and slope
aspect on water budget in the hill and gully region of the Loess Plateau of China. Catena,
87: 1. 90-100.
49.Xu, Z.X., Gong, T.L., and Li, J.Y. 2008. Decadal trend of climate in the Tibetan Plateauregional temperature and precipitation. Hydrological Processes, 22: 16. 3056-3065.
50.Yenilmez, F., Keskin, F., and Aksoy, A. 2011. Water quality trend analysis in Eymir Lake,
Ankara. Physics and Chemistry of the Earth, Parts A/B/C, 36: 5. 135-140.