مدلسازی مشخصات رویدادهای بارش با استفاده از مفصل دی-واین

Authors

Abstract:

بررسی ویژگی‌های بارش در شناخت و پیش‌بینی پدیده‌های حاصل از بارش مانند رواناب و سیلاب ضروری است، لذا در این مطالعه وابستگی میان ویژگی­های مهم رویدادهای بارش (عمق بارش(R) ، ماکزیمم بارش (M)، مدت خشک  (D) و مرطوب(L) ) با استفاده از ساختار دی-واین مدلسازی شد. ابتدا توزیع­های احتمالی چند متغیره با توجه به جایگشت­های مختلف متغیرهای شرطی ساخته شد و سپس خانواده­های مفصل­های ارشمیدسی و بیضوی جهت برازش بر جفت-مفصل­های ساختارهای دی-واین مورد آزمون قرار گرفتند و مناسب­ترین خانواده مفصل جهت برازش بر هر جفت-مفصل با توجه به معیارهای مختلف انتخاب گردیدند. در مرحله  بعد با توجه به معیارهای اطلاعات آکائیکه (AIC)  و بیزین(BIC)  ساختار M-R-D-L (یعنی D با L، R با D و L، M با R، D و L شرطی شده‌اند) بعنوان بهترین ساختار شناخته شد. در نهایت با استفاده از ساختار منتخب دی- واین ویژگی­های مهم رویداد بارش شبیه‌سازی شد و به منظور ارزیابی دقت شبیه‌سازی مدل پیشنهادی، آماره­های مهم هر یک از متغیرهای شبیه‌سازی شده‌ی رویداد بارش با آماره­های متغیرهای مشاهداتی مقایسه گردیدند. نتایج نشان دادند که اکثر آماره­های شبیه‌سازی شده توسط مدل چهار بعدی دی-واین دارای تطابق خوبی با آماره­های متغیرهای مشاهداتی می­باشند. 

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

محاسبه حق بیمه شاخص‌های آب و هوایی گندم دیم میانه: کاربرد رهیافت مفصل تاکی شکل قابل رسم (دی واین کاپیولا)

ریسک عنصری گریزناپذیر ولی قابل مدیریت در کشاورزی است. بیمه کشاورزی از جمله برنامه‌های موثر مدیریت ریسک است. اما طرح‌های سنتی بیمه محصولات کشاورزی مشکلاتی همچون هزینه‌ اجرایی بالا، چالش ناشی از اطلاعات نامتقارن یعنی، انتخاب نامساعد و مخاطرات اخلاقی را دارند؛ لذا در این پژوهش، بیمه محصولات کشاورزی بر پایه شاخص‌های آب و هوایی برای محصول گندم دیم در شهرستان میانه ارائه شده است که یک ابزار کارآمد در...

full text

تحلیل ساختار وابستگی مفصل های واین (درختی)

در این پایان نامه‏، مفصل واین که توسط مجموعه ای از مفصل های دو متغیره ساخته شده و قابلیت مدل سازی وابستگی های پیچیده از طریق به کار بردن مفصل های دو متغیره ‏متنوع دارد‏، معرفی شده است. به ویژه‏، توابع وابستگی دمی مفصل واین‏، ارتباط این توابع با توابع وابستگی دمی و دمی شرطی حاشیه ای های با بعد کوچکتر و همچنین تأثیر وابستگی دمی مفصل های دو متغیره تشکیل دهنده واین بر مفصل واین نیز مورد توجه و برر...

15 صفحه اول

مدلسازی فرآیند بارش – رواناب در حوضه لیقوان چای با استفاده از نرون شرطی آستانه دمایی

لزومِ پیشبینى بده رودخانه در کارهاى عمرانى، برنامهریزى براى استفادة بهینه از مخازن سدها، ساماندهىِ رودخانهو هشدار سیل، کاملاً احساس مىشود. در این راستا مسئلۀ بارش- رواناب بیشترین توجه مدلسازهای شبکههای عصبی2 برای پیشبینی بارش- MLP مصنوعی 1 را به خود معطوف کرده است. در این تحقیق از شبکههای عصبی چند لایهرواناب حوضه آبریز برفگیر لیقوانچای واقع در استان آذربایجان شرقی استفاده شده است. اطلاعات این حوضه...

full text

مدل‌سازی دما و بارش تبریز با بکارگیری توابع مفصل

به‌طور کلی توزیع احتمالاتی داده‌های تصادفی چند متغیره در مقایسه با حالت یک متغیره آن‌ها به دلیل وابستگی غیرخطی بین متغیرهای تصادفی، پیچیده‌تر است. یکی از روش‌های حل این مشکل استفاده از توابع مفصل می‌باشد که در سال‌های اخیر بیشتر مورد توجه محققین بوده است. در این مطالعه، وابستگی دما و بارش ایستگاه تبریز با استفاده از توابع مفصل مدل‌سازی شد. برای این منظور از داده‌های بارش و دمای ماهانه ایستگاه ت...

full text

تعیین شماره منحنی از رویدادهای بارش و رواناب و تغییرات آن با مؤلفه‌های بارش در یک حوضه آبخیز جنگلی

The SCS-CN developed by the USDA Soil Conservation Service is a widely used technique for estimation of direct runoff from rainfall events. The watershed CN represents the hydrological response of watershed as an indicator of watershed potential runoff generation. The aim of this research is determining the CN from recorded rainfall-runoff events in different seasons and analyzing its relations...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 6  issue 2

pages  45- 58

publication date 2017-01-20

By following a journal you will be notified via email when a new issue of this journal is published.

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023