تحلیل چند متغیرۀ سیل با استفاده از مفصل‌های vine در حوزۀ آبخیز بازفت استان چهارمحال و بختیاری

سیل یک پدیدۀ چند بعدی است و به دلیل داشتن ویژگی های همبستۀ متعدد، تجزیه و تحلیل تک متغیره نمی تواند دانش یکپارچه ای در مورد این پدیده ارائه دهد. در این مطالعه، از ساختارهای واین برای تجزیه و تحلیل چند متغیرۀ ویژگی های سیل استفاده شد. به این منظور، هیدروگراف های 98 رویداد سیل ثبت شده در ایستگاه لندی در حوزۀ آبخیز بازفت در استان چهارمحال و بختیاری انتخاب شد و مشخصات سیلاب، از جمله دبی اوج سیل(p ) ، حجم سیل(v) ، مدت زمان سیل (d)  و زمان رسیدن به اوج  (t) استخراج شد. سپس با آزمون کلموگرفاسمیرنوف بهترین توزیع برازش یافته بر هر متغیر انتخاب شد. توزیع حاشیه ای منتخب شامل لوگ نرمال ، جانسون اس بی و پیرسون نوع 5 به ترتیب برای دبی اوج سیل و حجم سیل،  مدت زمان سیل و زمان رسیدن به اوج  می باشد. در مرحلۀ بعد، مفصل های سی واین (cvine) و دی واین (dvine) در دو شکل سه و چهار متغیره با ترکیب متغیر ایجاد شد. به این ترتیب که در سه متغیره، حجم و دبی اوج سیل در ترکیب ثابت و مدت زمان سیل یا زمان رسیدن به اوج  متغیر در نظر گرفته شدند. در  مفصل چهار متغیره نیز ترکیب های متفاوت از هر چهار متغیر استفاده شد. برای ترکیب این متغیرها، از مفصل های گامبل، فرانک، جو، کلایتون، گواسین و تی استیودنت استفاده شد. نتایج به دست آمده از مفصل، با مفصل تجربی آن ترکیب، مقایسه شد. نتایج نشان داد که بهترین ترکیب در هر دو مفصل سی واین و دی واین در مدل های سه گانه، ترکیب tpv  با مقدار نش 0.913است و مفصل های گامبل و گواسین به عنوان بهترین مفصل در لبه ها شناخته شدند. در مورد ترکیب چهار متغیره، بهترین ترکیب سی واین pvtd و دی واین و  ptvd با مقدار نش 0.989 شناخته شدند. مفصل های گامبل و گواسین در درختها دارای غالبیت می باشند. به طور کلی نتایج نشان داد که ساختارهای واین چهار متغیره از ساختارهای سه متغیره دارای همسبتگی بالاتری هستند.

Multivariate Flood Analysis Using Vine Copulas in Bazoft Watershed, Iran

In this study, we applied the vine copula structures for multivariate analysis of flood characteristics. For this purpose, the hydrographs of 98 flood events recorded at Landi station in Bazoft watershed, in Chaharmahal va Bakhtiari Province, were selected and the flood characteristics, including peak flood (P), flood volume (V), flood duration (D) and time to peak (T) were extracted. Then, the best fitted distribution on each variable was selected by KolmogorovSmirnov test. In the next phase, the Cvine and Dvine structure were created considering three (P,V and T/D) and four variables (P,D,T and V) in changeable orders. In this way, the flood volume and peak were considered in a constant combination, and flood duration or the time to peak were consideredchangeable in trivariate joints. In the fourvariable joints, different combinations of all four variables were used. We used Gumbel, Frank, Joe, Clayton, Gaussian and tstudent copula functions to combine these variables. The results obtained from the theoretical joint were compared with the experimental joint of that compound. Results showed that the best permutations of Cvine and Dvine copulas are similar in trivariate models TPV, (NSE=0.913), and the Gumbel and Gaussian copulas have selected as the bestfitted copula at the edges. In fourvariate cases, the best Cvine and Dvine structures were PVTD and PTVD, (NSE=0.989) and the Gumbel and Gaussian were the abundant copulas in both of Cvine and Dvine models. The results indicated that the fourvariate vine structures have higher concordance with the empirical copula than the trivariate structures.