تحلیل فراوانی منطقه‌ای شدت خشکسالی توام شاخص‌های Sei-Sri و Sei-Ssi در تداوم‌های مشترک با استفاده از گشتاورهای ‌خطی‌ چندمتغیره و توابع کاپولا (مطالعه موردی: حوضه آبریز کرخه)

بررسی همگنی منطقه ای با استفاده از خصوصیات تک‌متغیره، گام مهمی در روش تجزیه و تحلیل فراوانی منطقه ای است؛ لیکن برخی پدیده‌های هیدرولوژیک دارای خصوصیات چندمتغیره بوده که نمی‌توان با روش‌های تک متغیره آنها را بررسی کرد. خشکسالی‌ها از جمله این پدیده‌ها هستند که تعریف آنها به‌صورت تک‌متغیره برای ارزیابی خطرات، تصمیم‌گیری و مدیریت مناسب تاثیرگذار نخواهد بود. بدین جهت در این مطالعه، به بررسی تحلیل فراوانی منطقه‌ای خشکسالی به‌صورت چندمتغیره با استفاده از شاخص‌های sei (تبخیر تعرق استاندارد شده)، ssi (رطوبت خاک استاندارد شده) و sri (رواناب استاندارد شده) در حوضه آبریز کرخه طی دوره آماری 1996 تا 2019 پرداخته شد. شاخص‌ها، با استفاده از روش گشتاورهای خطی چندمتغیره و توابع کاپولا، توزیع توام احتمال بین متغیرهای تبخیر تعرق، رواناب و رطوبت خاک را محاسبه کرده و خشکسالی‌های هواشناسی، کشاورزی و هیدرولوژیک را به‌صورت همزمان مدنظر قرار دادند. نتایج تحلیل فراوانی منطقه‌ای چندمتغیره، با درنظر گرفتن تابع منطقه‌ای کاپولا گامبل، نشان داد که حوضه از لحاظ شدت شاخص‌های توام خشکسالی sei ssi در تداوم‌های مشترک همگن قابل ‌قبول و از لحاظ شاخص‌های sei sri ناهمگن است. این درحالی است که پس از خوشه‌بندی حوضه به چهار ناحیه همگن از لحاظ خصوصیات شاخص spi (بارش استاندارد شده)، حوضه در تمام نواحی از لحاظ شاخص‌های تک‌متغیره sei، ssi و sri همگن قابل ‌قبول و در خوشه سوم و چهارم شاخص‌های خشکسالی sri و ssi ناهمگن شناسایی شد. توابع توزیع پیرسون نوع (3)، پارتو، نرمال و لجستیک عمومی برای بررسی خصوصیات شاخص‌های خشکسالی sei، ssi و sri در این حالت، مناسب تشخیص داده شد. درنهایت برآورد بزرگی انواع خشکسالی‌های توام و احتمال وقوع آنها نشان داد که نواحی شمالی و جنوبی حوضه آبریز کرخه طی سال‌های آتی، خشکسالی‌های کوتاه و پیاپی را تجربه خواهند کرد. خشکسالی‌ها در مناطق فاقد داده‌های هواشناسی، از نظر احتمال مشترک با استفاده از روش تحلیل فراوانی منطقه‌ای خشکسالی پیشنهاد شده در این پژوهش، قابل پیش‌بینی هستند.

regional frequency analysis of drought severity of sei-sri and sei-ssi indices in common duration using multivariate l-moments and copula functions (case study: karkheh river basin)

investigation of homogeneity regions using univariate characteristics is an important step in the regional frequency analysis method. however, some hydrological phenomena have multivariate characteristics that cannot be studied by univariate methods. droughts are one of these phenomena their definition as univariate will not be effective for risk assessment, decision making, and management. therefore, in this study, the regional frequency analysis of drought was studied in multivariate methods using sei (standardized evapotranspiration index), ssi (standardized soil moisture index), and sri (standardized runoff index) indices in the karkheh river basin from 1996 to 2019. the indices calculated probabilistic distribution between the variables of evapotranspiration, runoff, and soil moisture using multivariate l moments method and copula functions and considered meteorological, agricultural, and hydrological droughts simultaneously. the results of multivariate regional frequency analysis considering the copula gumbel as the regional copula showed that the basin is homogeneous in terms of severity of sei ssi combined drought indices and is heterogeneous in terms of severity of sei ssi combined drought indices. however, after clustering the basin into four homogeneous areas in terms of characteristics of spi (standardized precipitation index), the basin is homogeneous in all areas in terms of univariate sei, ssi, and sri indices and is heterogeneous in the third and fourth clusters of sri and ssi drought indices. pearson type (iii), pareto, normal, and general logistics distribution functions were found suitable to investigate the characteristics of sei, ssi, and sri drought indices in this case. finally, large estimates of the types of combined droughts and their probability of occurrence showed that the northern and southern parts of the karkheh river basin will experience short and consecutive droughts in the next years. droughts in areas without meteorological data can be predicted in terms of joint probability using the multivariate regional frequency analysis method proposed in this study.