پديد آورندگان :
جوانرودي، سامان دانشگاه آزاد اسلامي واحد علوم و تحقيقات - دانشكده كشاورزي و منابع طبيعي , مهدوي، محمد دانشگاه تهران - دانشكده منابع طبيعي , معتمدوزيري، بهارك دانشگاه آزاد اسلامي واحد علوم و تحقيقات - دانشكده كشاورزي و منابع طبيعي
كليدواژه :
توزيع هاي آماري , خطاي برآورد سيلاب , دبي بيشينه روزانه , روش RMSE , نرم افزار Smada
چكيده فارسي :
به‌منظور تعيين نقش طول دوره آمار هيدرولوژيكي در پيش بيني سيلاب در حوزه آبخيز سفيدرود، اقدام به جمع‌آوري آمار و اطلاعات دبي بيشينه روزانه ايستگاه هاي هيدرومتري اين حوزه آبخيز شد و 17 ايستگاه هيدرومتري داراي آمار مناسب و طولاني مدت تر را انتخاب نموده و با در نظر گرفتن پايه زماني مشترك، داده هايي كه در بعضي سال هاي آماري موجود نبود، بازسازي شد. سپس آمار و اطلاعات به سريهاي آماري با طول دوره 10، 15، 20، 25، 30 و بالاتر از 30 ساله تقسيم شد. بعد از اين كار با استفاده از نرم‌افزار Smada، در سري هاي آماري در نظر گرفته شده، اقدام به تعيين برازش توزيع هاي آماري نرمال، لوگ نرمال دو پارامتره، لوگ نرمال سه پارامتره، پيرسون نوع 3، لوگ پيرسون نوع 3 و گمبل شد و نيز سيلاب هاي با دوره بازگشت دو، سه، پنج، 10، 25، 50، 100 و 200 ساله محاسبه شد. به وسيله نرم‌افزارهاي SPSS و Excel و از طريق روش RMSE (كمينه مربعات خطا)، بهترين توزيع هاي آماري براي همه ايستگاه هاي هيدرومتري در سري هاي آماري مختلف تعيين شد. با در نظر گرفتن خطاي صفر درصد براي سيلاب هاي پيش بيني شده با استفاده از سري هاي با طول دوره آماري بلندمدت (بالاتر از 30 ساله) در دوره بازگشت هاي مورد نظر در اين تحقيق (به صورت فرضي براي مقايسه سري هاي كوتاه مدت تر)، و مقايسه آن با سيلاب هاي پيش بيني شده با سري هاي با طول دوره آماري كوتاه مدت تر، خطاي برآورد سيلاب براي همه ايستگاه هاي هيدرومتري حوزه آبخيز سفيدرود محاسبه شد. به طور كلي مي توان گفت كه با افزايش طول دوره آماري، دقت پيش بيني ها در بيشتر ايستگاه هاي هيدرومتري مختلف در حوزه آبخيز سفيدرود، افزايش مي يابد و استفاده از آمار كوتاه مدت مخصوصاً براي پيش بيني سيلاب هاي با دوره بازگشت بالا، امكان خطاهاي بالايي را به دنبال دارد.
چكيده لاتين :
In order to determine the role of hydrological statistic data periods on flood forecasting in Sefidrood Watershed, maximum daily flows were collected from hydrometric stations, thus seventeen valid stations with long-term statistical data period was chosen and in some cases which data were corrupted, data has been reproduced by considering common time base.. At the second step, maximum daily flow data have been divided in to statistic series with 10, 15, 20, 25, 30 and more than 30 years data periods. Fitting statistic distribution of Normal, Normal log, Normal log 2 parameters, Normal log 3 parameters, Pearson log 2, Pearson log 3 and Gamble were determined by “Smada” software, also flood with two, three, five, 10, 25, 50, 100 and 200 return periods were calculated either. Statistic distribution for all of seventeen hydrometric stations were determined separately with RMSE method in Excel and SPSS for maximum daily flow.. Regarding zero-error in forecasted floods for long statistic data period (more than 30 years) in related return periods, compared with short statistic data period (10, 15, 20, 25 and 30 years), flood’s estimated error was calculated for all stations. In general, results indicated that increasing of statistic period, will enhance the accuracy of forecasting in hydrometric stations, and applying short-term data period will result in high levels of error.
