مقایسه عملکرد مدل های استوکاستیک در تولید داده های ماهیانه جریان و بارندگی

مدل های تولید داده مصنوعی به عنوان ابزار مناسبی جهت پیش‌بینی و تولید سری های زمانی جانشین یا یک سری بسیار طولانی مدت در مطالعات منابع آب شناخته شده و این مدلها به طور وسیعی در سراسر دنیا توسط محققین مختلف مورد استفاده قرار میگیرد. این مدلها برای تولید داده های مصنوعی سالیانه، ماهیانه و روزانه بارندگی یا جریان رودخانه ‏ای در طی دهه های اخیر توسعه داده شده اند. در این میان مدل های تولید داده مصنوعی ماهیانه به دلیل استفاده در مطالعات مهم و اساسی سیستم های منابع آب از جمله سیستم مخازن ذخیره، پایش خشکسالی و غیره دارای اهمیت خاصی بوده و استفاده از آنها تحلیل دقیقتر از رفتار عملکرد واقعی چنین سیستم هایی را فراهم می کند. از طرف دیگر، پایه نظری مدل های استوکاستیک مختلف تولید داده‌های ماهیانه متفاوت بوده و این امر می تواند اثر قابل توجهی در عملکرد آنها داشته باشد. لذا انتخاب یک مدل مناسب‌ تر در مطالعه و تحلیل دقیق و درست یک سیستم منابع آب یکی از دغدغه‌های مهم متخصصین منابع آب می­باشد. در این مطالعه با استفاده از روش شبیه سازی مونت کارلو، عملکرد چهار تیپ ازمدل غیرپارامتریک bootstrap و مــدل هــــای پـــارامتـــریــک valenciaschaake، thomasfiering و fragment در تولید داده های ماهیانه مصنوعی مورد مقایسه و ارزیابی قرار گرفته است. بدین منظور داده‌های جریان ماهیانه 47 ساله سه رودخانه نازلوچای، شهرچای و باراندوزچای واقع در استان آذربایجان غربی درشمال غرب ایران مورد استفاده قرار گرفته و 1000 سری زمانی مصنوعی جریان­های ماهیانه 47 ساله برای هر سه رودخانه مذکور به ازاء هر کدام از مدل­های هفتگانه مورد مطالعه، تولید و مورد استفاده قرار گرفته است. نتایج مطالعه نشان داد که مدل توزیعی valenciaschaake دارای عملکرد بسیار مطلوب نسبت به سایر مدل ها به ازاء تمامی آماره های مطرح ارزیابی است.

A Comparison among the Performance of the Stochastic Models in Generating the Monthly Streamflow and Rainfall Data

Synthetic data generation models have been recognized as useful tools to predict and generate alternative time series or longterm series throughout the studies conducted in the domain of water resources management. Accordingly, these models have widely been used by different researchers across the world. In the recent decades, these models have been developed to generate annual, monthly, and daily rainfall or river flow data. Among the synthetic data generated, monthly data are of great importance since they are used in the critical and important studies in the field of water resource systems, such as storage tanks and drought monitoring. Accordingly, the utilization of the monthly synthetic data models leads to more detailed analyses about the real performance of such systems. On the other hand, the theoretical basis of different stochastic models is the generation of diverse monthly data and the performance of these models can remarkably be affected by this fact. Therefore, one can argue that selecting an appropriate model is one of the major concerns of water resources experts. As such, this study made use of the Monte Carlo simulation method to compare and assess the performance of four types of nonparametric Bootstrap models as well as parametric models of ValenciaSchaake, ThomasFiering, and Fragment in monthly synthetic data generation. To do this, the monthly flow data of Nazluchay, Shaharchay, and Barandozchay rivers, located at the Western Azerbaijan province in the North West of Iran, were analyzed over a 47year period. Then, 1000 synthetic time series of monthly flows for these rivers were generated and used for each of the desired seven models over a 47year period thereof. The results indicated that, compared to other models, the ValenciaSchaake distribution model had a very high performance in terms of all wellknown assessment statistical indicators.