ارزیابی شاخص ترکیبی خشکسالی «MCDI» بر اساس توزیع مشترک چند متغیره (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
خشکسالی، مشکلی چالش برانگیز است اما با دیدگاه های چندمتغیره و ترکیبی می توان آن را ارزیابی کرد. تاکنون مطالعات کمی درخصوص مکانیسم و عملکرد شاخص ها به صورت ترکیبی انجام پذیرفته است؛ بنابراین پژوهش حاضر برای ایجاد شاخصی جامع که دربر گیرنده همه جنبه های هواشناسی، هیدرولوژیکی و کشاورزی باشد، از سه شاخص: «SPI»، « PDSI» و «SRI» با هدف تحلیل سه متغیره خشکسالی(شدت، مدت، فراوانی) برای 10 ایستگاه هواشناسی ایران برای بازه آماری 2021-1990 انجام شد. ابتدا با آنالیز مؤلفه های اصلی «PCA» و مدل غیر خطی توزیع احتمال توأم مبتنی بر کاپولا برای ساخت شاخص ترکیبی «MCDI» پرداخته شد. سپس با قابلیت توابع مفصل کلایتون، فرانک و گامبل جهت ایجاد توزیع توام سه متغیره مورد آزمون قرار گرفت. بهترین تابع کاپولا برای هر ایستگاه از طریق آزمون « کلموگرف- اسمیرنوف» (K_S) تعیین گردید. نتایج نشان دهنده برتری تابع گامبل در بیشتر ایستگاه ها بود. منحنی های دوره بازگشت به ازای . نشان از فرکانس طولانی مدت خشکسالی با شدت بیشتر برای دوره های 50 و 100 ساله بود. کمترین مدت دوره بازگشت 50 ساله با برتری تابع کلایتون مربوط به تبریز و با برتری تابع گامبل مربوط به تهران با مدت 10 ماه و بیشترین مدت، مربوط به مشهد با برتری تابع گامبل، 30 ماه بود که به ترتیب با شدت 53/6، 95/8 و 26/34 همراه بود. برای دوره بازگشت 100 ساله کمترین مدت با برتری کلایتون مربوط به تبریز با 13 ماه و شدت 75/13 و بیشترین مدت با برتری تابع گامبل متعلق به کرمان با مدت 48 ماه و شدت 56/42 بوده است. نتایج این پژوهش نشان می دهد که استفاده از شاخص ترکیبی چندمتغیره «MCDI» با بهره گیری از توابع مفصل، امکان ارزیابی جامع تر و دقیق تر از خشکسالی را فراهم می آورد. این رویکرد با در نظر گرفتن همزمان همه جانبه خشکسالی، ابزاری کارآمد برای مدیریت منابع آب و برنامه ریزی استراتژیک در مواجهه با خشکسالی در مناطق مختلف ایران ارائه می دهد.Evaluation of the Combined Drought Index MCDI Based on Multivariate Copula Distribution
Drought is a challenging problem that can be evaluated with multi-variable and combined perspectives. Therefore, the aim of this study is to create a comprehensive index of three indices SPI, PDSI, and SRI, which includes all aspects of meteorology, hydrology, and agriculture. For this purpose, three drought variables (severity, duration, Magnitude) were analyzed for 10 meteorological stations in Iran for the statistical period of 1990-2021, firstly using principal component analysis (PCA) and nonlinear coupling based on copula. were analyzed. The probability distribution model for constructing the MCDI composite index. It was then tested with the ability of the exact functions of Clayton, Frank, and Gamble to generate a trivariate joint distribution. The best copula function for each station was determined through the Kolmograf-Smirnov (K_S) test, and the results showed the superiority of the Gumbel function in most stations. Return period curves were drawn for all stations and for all three joints. The period of returns indicated a long-term frequency of drought with greater intensity for periods of 50 and 100 years. The shortest return period of 50 years with the superiority of Clayton's function related to Tabriz and with the superiority of Gumbel's function related to Tehran was 10 months and the longest period was 30 months related to Mashhad with the superiority of Gumbel's function, respectively with intensity of 6.53 and 8.95 and 26/34 were included. For the 100-year return period, the shortest period with the superiority of Clayton is related to Tabriz with 13 months and intensity of 13.75, and the longest period with the superiority of Gumbel's function belongs to Kerman with a duration of 48 months, and the intensity of 42.56. The results of this research show that the use of a multivariate composite index (MCDI) by using detailed functions provides the possibility of a more comprehensive and accurate assessment of drought on a national scale. This approach, taking into account the meteorological, hydrological, and agricultural aspects of drought, provides an efficient tool for managing water resources and strategic planning in the face of drought in different regions of Iran.
تبلیغات
