ارزیابی یک روش توزیع ناپارامتری برای داده های هیدرولوژیک در مکان-زمان مبتنی بر k نزدیک ترین همسایه (مطالعه موردی: سه زیرحوضه غرب دریاچه ارومیه)

در هیدرولوژی، مدل های احتمالاتی توزیع داده جهت توزیع جریان و بارندگی در مکان و زمان‏ با حفظ وابستگی زمانی و مکانی به طور گسترده‏ای استفاده می شوند. از بین این مدل ها، مدل های توزیع داده ناپارامتری به دلیل سادگی و عدم نیاز به تعداد پارامترهای زیاد اخیراً بسیار مورد استقبال محققین قرار گرفته اند. در این تحقیق روش توزیع ناپارامتری للشارما اصلاح شده به عنوان یک روش k نزدیک ترین همسایه معرفی و سپس عملکرد آن در توزیع زمانی و مکانی مقادیر جریان رودخانه‏ای و بارش در سه حوضه آبریز در غرب دریاچه ارومیه مورد استفاده قرار گرفته است. بدین منظور ابتدا مقادیر مجموع جریان و بارندگی سالیانه سامانه هیدرولوژیک مورد نظر با استفاده از مدل احتمالاتی خود بازگشتی مرتبه اول تولید گردید. در ادامه براساس مدل توزیع ناپارامتری للشارما اصلاح شده، ابتدا داده‏های سالیانه تولیدی از مدل خود بازگشتی مرتبه اول در سه حوضه آبریز توزیع شد. پس از آن، مقادیر سالیانه در هر حوضه به ماه‌های مختلف سال توزیع گردید. مقایسه پارامترهای آماری داده‌های تاریخی و تولیدی در دو سطح سالیانه و ماهیانه نشان می‏دهد که روش توزیع ناپارامتری للشارما بعنوان یک روش k نزدیک ترین همسایه اصلاح شده، در بازتولید همبستگی های زمانی بهتر از همبستگی های مکانی عمل کرده است. همچنین این روش آمارگان تاریخی در سطح سالانه را به خوبی بازتولید کرده، درصورتی که عملکرد آن در بازتولید آمارگان تاریخی در سطح ماهانه ضعیف تر است.

Assessment of a nonparametric method for hydrologic data disaggregation in spacetime based on KNearest Neighbors (Case Study: Three subbasin in West of Urmia Lake)

Stochastic parametric disaggregation models that maintain spatial and temporal correlation are widely used in hydrology. To avoid high complexity and large number of parameters, which imposes a significant amount of uncertainty to the results, use of nonparametric disaggregation methods has been widely suggested as an alternative by researchers. Among the nonparametric modeling methods, the Knearest neighbors method proposed by Prairie et al. gains strong mathematical basis and inherent simplicity. In our work, the modified disaggregation approach of the Knearest neighbors method is used for temporal and spatial disaggregation of rainfall and river flow values and the performance is evaluated. The exploited flow and rainfall data correspond to three stations in three subbasins located at the west of Lake Urmia are used. The total amount of annual rainfall and flow of the three stations are generated using stochastic lag 1 autoregressive model (AR (1)). Using the nonparametric disaggregation model, the generated annual values are disaggregated into three subbasins. The annual values for each subbasin are then disaggregated into different months. Comparing statistics of disaggregated data with those for historical data, shows the good performance of the proposed disagreation model and its ability to disaggregate streamflow and rainfall data.