ارزیابی کاربرد تبدیل موجک برای تشخیص روند دبی جریان رودخانه (منطقه مورد مطالعه: رودخانه هلیل رود ایران)

نوع مقاله : مقاله کامل علمی پژوهشی

نویسندگان

1 کارشناسی‌ارشد مدیریت منابع آب، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان، کرمان، ایران.

2 دکتری سازه‌های آبی، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان، کرمان، ایران.

3 دکتری سازه‌های آبی، دستیار پژوهشی، موسسه مهندسی هیدرولیک آکادمی علوم لهستان، گدنسک، لهستان.

4 نویسنده مسئول، استاد بخش مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه شهید باهنر کرمان، کرمان، ایران.

چکیده

سابقه و هدف: جریان رودخانه ها به عنوان یکی از تأثیر گذارترین عوامل در منابع آبی و پدیده های هیدرولوژیکی، در تعامل با عناصر اقلیمی است. در نتیجه، تشخیص تغییرات دبی رودخانه در یک دوره زمانی می تواند وجود یا عدم وجود تغییرات آب و هوای یک منطقه خاص را اثبات کند. مطالعات قبلی نشان داده اند که دبی رودخانه به دلیل تغییرات در الگوهای هیدرولوژیکی، مداخلات انسانی، تغییرات در پوشش گیاهی یا نوسانات آب و هوایی سالانه متفاوت است. نوآوری پژوهش حاضر در ارزیابی روند دبی رودخانه هلیل رود در حوضه جازموریان در ایران با استفاده از تبدیل موجک، ارزیابی عملکرد آن و مقایسه با روش من-کندال است.
مواد و روش ها: در این تحقیق از تبدیل موجک برای تشخیص روند احتمالی دبی رودخانه هلیل رود که یکی از رودخانه های مهم جنوب شرق ایران است، استفاده شد. بدین منظور داده های دبی ایستگاه های حسین آباد و کهنک شیبانی واقع در رودخانه هلیل رود به ترتیب در بازه زمانی 1342 تا 1389 و 1361 تا 1391 مورد تجزیه و تحلیل قرار گرفت. همچنین نتایج مدل با آزمون من-کندال مقایسه شد.
یافته ها: نتایج روند ماهانه، فصلی و سالانه در هر دو ایستگاه روند نزولی ثابتی را نشان دادند که بیانگر کاهش دبی رودخانه است. همچنین نتایج روند بدست آمده توسط تبدیل موجک بیانگر روند منفی در تمامی مقیاس ها در ایستگاه حسین آباد با سطح معنی داری 001/0 است. نتایج بیان شده در ایستگاه کهنک شیبانی نیز مشاهده شد. هر دو روش من-کندال و تبدیل موجک نوع روند نزولی یا صعودی را به خوبی تشخیص دادند. برای تحلیل روند سالانه، هر دو حالت روش تبدیل موجک از روش من-کندال بهتر عمل کردند و مقادیر بالاتر و اهمیت بیشتری را در سطوح مختلف معنی داری نشان دادند. در حالت فصلی، روش من-کندال از روش تبدیل موجک در سطح دوم بهتر عمل کرد اما عملکرد ضعیف تری را در سطح اول نشان می دهد. در تحلیل ماهانه در ایستگاه کهنک-شیبانی، خروجی حوضه، مقادیر روند روش من-کندال اهمیت بیشتری نشان می دهد.
نتیجه گیری: برای تشخیص روند احتمالی دبی رودخانه هلیل رود در ایستگاه های حسین آباد و کهنک شیبانی از تبدیل موجک و آزمون روند من-کندال استفاده شد. به طور کلی نتایج نشان دهنده کاهش دبی جریان در این ایستگاه در تمامی مقیاس های زمانی بود. تجزیه و تحلیل تبدیل موجک روند نزولی قابل توجهی را در دبی مربوط به ایستگاه کهنک شیبانی در مقیاس ماهانه، فصلی و سالانه نشان داد که همگی در سطح 001/0 معنی دار بودند. بطور کلی، نتایج حاکی از کاهش دبی در ایستگاه ها در تمامی مقباس ها در طول دوره ها بود.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Evaluation of Wavelet Transform Application for Detecting Trends in River Flow Discharge (Case Study: Halilrood River in Iran)

نویسندگان [English]

  • Shima Doorandish 1
  • Atefeh Moghbeli 2
  • Amin Mahdavi-Meymand 3
  • Mohammad Zounemat-Kermani 4
1 M.Sc. of Water Resource Management, Dept. of Water Engineering, Faculty of Agriculture, Shahid Bahonar University of Kerman, Kerman, Iran
2 Ph.D. of Water Structures, Dept. of Water Engineering, Faculty of Agriculture, Shahid Bahonar University of Kerman, Kerman, Iran
3 Ph.D. of Water Structures, Institute of Hydro-Engineering, Polish Academy of Sciences, Poland
4 Corresponding Author, Professor, Dept. of Civil Engineering, Faculty of Engineering, Shahid Bahonar University of Kerman, Kerman, Iran
چکیده [English]

Background and Objectives: River flow, one of the most influential factors affecting water resources and hydrological phenomena, interacts with climatic factors. Consequently, detecting changes in river discharge over time can reveal the presence or absence of climate change in a specific region. Previous studies have shown that river discharge varies owing to changes in hydrological patterns, human intervention, changes in vegetation, or annual climate fluctuations. The innovation of the current research lies in evaluating the discharge trend of the Halilrood River in the Hamon-e Jaz-Murian basin in Iran using wavelet transform, assessing its performance, and comparing it with the Mann-Kendall method.
Materials and Methods: In this study, wavelet transform was used to detect possible trends in the discharge flow of the Halilrood River, which is one of the most important rivers in south-eastern Iran. For this purpose, discharge data from the Hossein-Abad station, from 1963 to 2010, and the Kohank-Sheibani station, from 1982 to 2012, both located on the Halilrood River, were analyzed. Moreover, the results of the model were compared with the Mann-Kendall trend test.
Results: The monthly, seasonal, and annual trends at both stations showed consistent downward trends, indicating a decrease in the river discharge. Moreover, the trend detection results obtained using the wavelet transform, indicated a negative trend at all scales in the Hossein-Abad station, with a significance level of 0.001. The same result was observed at Kohank-Sheibani station. Both the Mann-Kendall and wavelet transform methods recognize the type of downward or upward trend well. For the annual trend analysis, both modes of the wavelet transform method outperformed the Mann-Kendall method, exhibiting higher values and greater significance across various significance levels. In the seasonal mode, the Mann-Kendall method outperformed the wavelet transform at the second level, but showed weaker performance at the first level. In the monthly analysis at the Kohank-Sheibani station, a basin outlet, the Mann-Kendall method's trend values show greater significance.
Conclusion: The wavelet transforms and the Mann-Kendall trend test was used to detect the possible trends in the discharge flow of the Halilrood River at the Hossein-Abad and the Kohank-Sheibani stations. In general, the results showed a decrease in discharge at this station on all timescales. Wavelet transform analysis revealed a significant downward trend in discharge at the Kohank-Sheibani station across monthly, seasonal, and annual scales, all at the 0.001 significance level. Overall, the results indicate a decrease in discharge at the stations across all scales throughout the periods.

کلیدواژه‌ها [English]

  • Trend River Flow
  • Wavelet Transform
  • Mann-Kendall Test
  • The Halilrood River

مراجع

1.Ekolu, J., et al. (2022). Long-term variability in hydrological droughts and floods in sub-Saharan Africa: New perspectives from a 65-year daily streamflow dataset. Journal of Hydrology, 613, 128359.
2.Gebremicael, T., et al. (2013). Trend analysis of runoff and sediment fluxes in the Upper Blue Nile basin: A combined analysis of statistical tests, physically-based models and landuse maps. Journal of hydrology, 482, 57-68.
3.Zamani, R., et al. (2017). Streamflow trend analysis by considering autocorrelation structure, long-term persistence, and Hurst coefficient in a semi-arid region of Iran. Theoretical and Applied Climatology, 129, 33-45.
4.Zhang, Q., et al. (2011). Precipitation and streamflow changes in China: changing patterns, causes and implications. Journal of Hydrology, 410 (3-4), 204-216.
5.Juez, C., & Nadal-Romero, E. (2021). Long-term temporal structure of catchment sediment response to precipitation in a humid mountain badland area. Journal of Hydrology, 597, 125723.
6.Vicente‐Serrano, S. M., et al. (2021). Increased vegetation in mountainous headwaters amplifies water stress during dry periods. Geophysical Research Letters, 48 (18), e2021GL094672.
7.Lorenzo-Lacruz, J., et al. (2022). Streamflow frequency changes across western Europe and interactions with North Atlantic atmospheric circulation patterns. Global and Planetary Change, 212, 103797.
8.Guillén-Ludeña, S., Toapaxi, J. A., & Castillo, L. G. (2022). Flushing capacity of a stored volume of water: An experimental study. Water, 14 (17), 2607.
9.Abebe, S. A., et al. (2022). Wavelet transform-based trend analysis of streamflow and precipitation in Upper Blue Nile River basin. Journal of Hydrology: Regional Studies, 44, 101251.
10.Xu, Z., et al. (2010). Trends of major hydroclimatic variables in the Tarim River basin during the past 50 years. Journal of arid Environments, 74 (2), 256-267.
11.Zhang, Q., et al. (2006). Observed trends of annual maximum water level and streamflow during past 130 years in the Yangtze River basin, China. Journal of hydrology, 324(1-4), 255-265.
12.Adamowski, J., & Sun, K. (2010). Development of a coupled wavelet transform and neural network method for flow forecasting of non-perennial rivers in semi-arid watersheds. Journal of Hydrology, 390 (1-2), 85-91.
13.Kisi, O., & Cimen, M. (2011). A wavelet-support vector machine conjunction model for monthly streamflow forecasting. Journal of Hydrology, 399 (1-2), 132-140.
14.Abghari, H., Tabari, H., & Talaee, P. H. (2013). River flow trends in the west of Iran during the past 40 years: impact of precipitation variability. Global and Planetary Change, 101, 52-60.
15.Nassaji Zavareh, M., et al. (2014). Assessment of discharge trend of Kasilian watershed. Iran. J. Watershed Manage. Sci. 8 (24), 1-9.
16.Wang, H., et al. (2012). Hydro-climatic trends in the last 50 years in the lower reach of the Shiyang River Basin, NW China. Catena, 95, 33-41.
17.Rashid, M. M., Beecham, S., & Chowdhury, R. K. (2015). Assessment of trends in point rainfall using continuous wavelet transforms. Advances in water resources, 82, 1-15.
18.Solgi, A., Zareie, H., & Golabi, M. R. (2017). Performance assessment of gene expression programming model using data preprocessing methods to modeling river flow. Journal of Water and Soil Conservation, 24 (2), 185-201.
19.Seyedian, S. M., et al. (2019). Investigation of the relationship between base flow index with temperature
and rainfall using wavelet coherence (Case study: Gorganroud watershed). Journal of Water and Soil Conservation, 26 (1), 1-25.
20.Ruwangika, A. M., Perera, A., & Rathnayake, U. (2020). Comparison of statistical, graphical, and wavelet transform analyses for rainfall trends and patterns in Badulu Oya Catchment, Sri Lanka. Complexity, 2020, 1-13.
21.Zamrane, Z., Mahé, G., & Laftouhi, N. E. (2021). Wavelet analysis of rainfall and runoff multidecadal time series on large river basins in Western North Africa. Water, 13 (22), 3243.
22.Guo, A., & He, L. (2023). Correlations between Summer Discharge and South Asian Summer Monsoon Subsystems
in Mekong River Basin. Atmosphere, 14(6), 958.
23.Yin, L., et al. (2023). Spatial and wavelet analysis of precipitation and river discharge during operation of the Three Gorges Dam, China. Ecological Indicators, 154, 110837.
24.Addou, R., et al. (2023). Wavelet Analysis for Studying Rainfall Variability and Regionalizing Data: An Applied Study of the Moulouya Watershed in Morocco. Applied Sciences, 13 (6), 3841.
25.Sharma, D., et al. (2024). Wavelet analysis of rainfall and application of hydrological model in a semi‐arid river basin of Rajasthan, India. CLEAN–Soil, Air, Water, 2024, 2300223.
26.Song, C., et al. (2024). Evaluating and understanding tide-river interactions based on both physical models and
data analysis. Journal of Hydrology, 632, 130765.
27.Solgi, A. (2014). Stream flow forecasting using combined neural network wavelet model and comparsion with adaptive neuro fuzzy inference system and artificial neural network methods (case study: Gamasyab river, Nahavand). Shahid Chamran University of Ahvaz, pp. 1-164.
28.Hosseini, S. M., Karbalaee, A., & Hosseini, S. A. (2021). Spatiotemporal changes of early fall and late spring frost and its trend based an daily minimum temperature in Iran. Arabian Journal of Geosciences, 14 (4), 304.
29.Hu, Z., et al. (2020). Modified Mann-Kendall trend test for hydrological time series under the scaling hypothesis and its application. Hydrological Sciences Journal, 65 (14), 2419-2438.
30.Tarar, Z. R., et al. (2018). Detection of sediment trends using wavelet transforms in the upper Indus River. Water, 10 (7), 918.
31.Palizdan, N., et al. (2017). Precipitation trend analysis using discrete wavelet transform at the Langat River
Basin, Selangor, Malaysia. Stochastic Environmental Research and Risk Assessment, 31, 853-877.
32.Hajam, S., Khoush, K. Y., & Shams, A. V. R. (2008). Annual and seasonal precipitation trend analysis of some selective meteorological stations in central region of Iran using non-poarametric methods.
33.Yue, S., et al. (2002). The influence of autocorrelation on the ability to detect trend in hydrological series. Hydrological processes, 16 (9), 1807-1829.
34.Hirsch, R. M., Slack, J. R., & Smith, R. A. (1982). Techniques of trend analysis for monthly water quality data. Water resources research, 18 (1), 107-121.
35.Douglas, E., Vogel, R., & Kroll, C. (2000). Trends in floods and low flows in the United States: impact of spatial correlation. Journal of hydrology, 240 (1-2), 90-105.
36.Yue, S., & Wang, C. (2004). The Mann-Kendall test modified by effective sample size to detect trend in serially correlated hydrological series. Water resources management, 18 (3), 201-218.
37.Percival, D. B., & Walden, A. T. (2000). Wavelet methods for time series analysis. Vol. 4. Cambridge university press.
38.Addison, P. S. (2017). The illustrated wavelet transform handbook: introductory theory and applications in science, engineering, medicine and finance. CRC press.
مجله پژوهش‌های حفاظت آب و خاک
دوره 31، شماره 4
دی 1403
صفحه 113-136

فایل ها

هم رسانی

ارجاع به این مقاله

آمار