پیش‌بینی مقادیر پارامترهای کیفی EC و TDS با استفاده از تغییرات دبی جریان رودخانه مطالعه موردی رودخانه های مهاباد چای و بالخلوچای (بایزید آباد) حوضه آبریز دریاچه ارومیه 1392-1371

نوع مقاله: Research Paper

نویسندگان

1 دکترای تخصصی، گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه، ایران.

2 استادیار، گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه، ایران.

3 دانشیار، گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه، ایران.

چکیده

مقدمه :  بیش از سه دهه است که هیدرولوژیست ‌ها، استفاده از مدل‌های چندمتغیره را جهت توصیف و مدل‌سازی داده‌ های پیچیده هیدرولوژی توصیه می‌ کنند، درحالی که به تازگی اهمیت مدل‌ های چند متغیره در آب‌شناسی مطرح شده است. در واقع در مدل‌ های چند متغیره با دخالت دادن عوامل مؤثر دیگر، می‌توان نتایج توصیف، مدل‌ سازی و پیش‌بینی پارامترهای مختلف را بهبود بخشید.
 مواد و روش‌ها: در این مطالعه، مدل‌ های چند ‌متغیره خود همبسته با میانگین متحرک هم‌زمان آرما (کارما) جهت مدل‌سازی پارامترهای EC و TDS ایستگاه‌ های جنوب دریاچه ارومیه مورد ارزیابی قرار گرفت. جهت استفاده از مدل‌ های کارما، از سری زمانی دبی سالانه، مقادیر EC، TDS، SAR و pH مربوط به سه ایستگاه هیدرومتری کوتر، بالقچی و گردیعقوب در دوره آماری (1392-1371) استفاده شد.
 یافته ها:  نتایج بررسی روند تغییرات پارامترهای کیفی رودخانه‌ های غرب حوضه دریاچه ارومیه نشان داد که در دوره آماری مورد بررسی روند دبی رودخانه‌ های مورد مطالعه در جنوب دریاچه ارومیه کاهشی بوده و در مقابل مقادیر EC و TDS روندی افزایشی را تجربه کرده ‌اند. بر اساس نتایج مدل‌سازی مقادیر EC و TDS، میزان متوسط خطا (RMSE) در مدل‌ سازی مقادیر EC در مرحله آموزش برابر باmho/cm  16/60 و در مرحله آزمایش  mho/cm 13/26 و برای مقادیر پارامتر TDS در مرحله آموزش برابر با 19/84 و در مرحله آزمایش 12/71 بود. مقادیر برآورد شده از محاسبه خطا و دقت مدل تماماً در محدوده اطمینان واقع شدند.
نتیجه گیری :  در واقع می‌توان چنین نتیجه‌گیری کرد که در روش‌های مدل‌سازی چند ‌متغیره با در نظر گرفتن عوامل مؤثر بیشتر، می‌توان دقت مدل‌ های سری زمانی و نتایج حاصل از آنها را ارتقاء داد.

کلیدواژه‌ها


عنوان مقاله [English]

Prediction of EC and TDS quality parameters by using changes in River discharge. Case Study: Rivers of Mahabadchay and Balkhlouchay (Bayazid e) located in urmia lake basin (1992-2013).

نویسندگان [English]

  • Mohammad Soleimani 1
  • kivan khalili 2
  • javad Behmanesh 3
1 Ph.D, Department of Water Resources Engineering, Faculty of Agriculture, University of Urmia, Urmia, Iran.
2 Assistant Professor, Department of Water Resources Engineering, Faculty of Agriculture, University of Urmia, Urmia, Iran.
3 Associate Professor, Department of Water Resources Engineering, Faculty of Agriculture, University of Urmia, Urmia, Iran.
چکیده [English]

Introduction : More than three decades, hydrologists , using multivariate models to describe complex data modeling. While recently the importance of multivariate models have been proposed in hydrology.Indeed, the results of multivariate models can improve the results of description, modeling, and prediction of different parameters by involving other influential factors.
Methods: In this study, univariate models (ARMA) and auto-correlated multivariate models with simultaneous autoregressive moving average model (CARMA) were evaluated for modeling EC and TDS parameters of the Southern stations of Urmia Lake Basin. In order to employ CARMA models, annual flow rate timeseries, EC, TDS, SAR, and pH values measured across 3 hydrometric stations (Kotar- Balqchy- Gerdyaghob ) within 1992-2013 were used.
Findings: The results of the qualitative parameters of the West River basin of Lake Urmia Showed that in the period under review the flow of the studied rivers in the south of Lake Urmia decrease And the EC and TDS values ​​have experienced an increasing trend. EC and TDS values ​​modeling results showed that the average error (RMSE) EC in modeling values ​​equal to 16/60 mho / cm into the teaching and 13/26 mho / cm in the testing phase and for the TDS parameter values 19/84 and 12/71 in the testing phase is the phase of training. The estimated values ​​of the calculation error and accuracy of the model is located entirely within the confidence interval.
Conclusion: The results of multivariate modeling EC and TDS values ​​showed that the involvement of the parameters listed in the model , modeling accuracy will be satisfactory.

کلیدواژه‌ها [English]

  • Time series
  • Multivariate models
  • CARMA
  • quality parameters
  • Urmia lake
  • Mahabadchay
1. Khalili, K. Fakherifard,A.dinpajhooh, Y& behmanesh, J., 2012. The introduction and application of the proposed integrated model BL-ARCH for predict daily river discharge (Case Study: Shahrchay River of Orumiyeh). Journal of Soil and Water (Agricultural Science and Technology). Volume 27, Number 2.

2. Khalili, K. Nazeri Tahrudi, M.2014,  Modeling of Annual water level of Urmia Lake by using linear time series models. Journal of water management in arid areas. Volume 1, Issue 1, 35-25.

3. Khalili, K. Nazeri Tahrudi, M & Ahmadi.F. 2014. Evaluation and analysis of river water volume by using historical data and predicted (Case Study: West River basin of Urmia Lake). Irrigation Science and Engineering, Volume 38, Number 1, 97-109.

4. Khalili, K .; hesari, B. 2004, predicted the drought by time-series models (case study Orumieh synoptic station). The first annual conference of Iran Water Resources Management: 26 to 27 November, Faculty of Engineering, Tehran University.

5. AbbasZadeh Afshar, M. Khalili,K. and BEHMANESH, J. 2015. Application of Consolidated AR-ARCH model to predict the water level of the Lake. Knowledge of soil and water. Vol. 25, No. 2/4, 175-186.

6. Nazeri Tahrudi M, Khalili K, 2015. Compare Fusion models ARMA-ARCH and ARMA-PARCH at the moment of maximum flood (Case Study: West Azerbaijan Province Siminehrood River).

7. Nazeri Tahrudi M, Khalili K, 2015. ARMA parameter estimation methods for modeling and prediction of annual rainfall, case study: Shahrekord synoptic stations. International Journal of analytical research and development of water resources. Issue 2, 121-130.

8. Asadollahfardi A, Taklifi G.H, Ghanbari A. 2012. Application of artificial neural network to predict TDS in Talkheh Rud River. Journal of Irrigation and Drainage Engineering, 138(4):70–363.

9. Box, G.E. and Jenkins, G.M. 1976. Time series analysis. Forcasting and Control, San Francisco: Holden-Day.

10. Caiado J, 2007. Forecasting water consumption in Spain using univariate time series models. Munich Personal RePEc Archive, MPRA Paper No. 6610, posted 7. Online at http://mpra.ub.uni-muenchen.de/6610/

11. Douglas, E.M., Vogel, R.M., Kroll, C.N., 2000. Trends in flood and low flows in the United States: impact of spatial correlation. J.Hydrol. 240, 90–105.

12. De Domenico M, Ghorbani MA, Makarynskyy O, Makarynska D and Asadi H, 2013. Chaos and reproduction in sea level. Applied Mathematical Modeling 37: 3687-3697.

13. Fiering, M. B. 1964. Multivariate techniques for synthetic hydrology. Journal of hydrology. Div. ASCE, 90, HY5, pp 43-60.

14. Kendall, M.G. 1938. A new measure of rank correlation, Biometrika 36: 81-93.

15. Mann, H.B. 1945. Nonparametric test against trend, Econometrica 13: 245-259.

16. Matalas, N. C. 1967. Mathematical assessment of synthetic hydrology. Journal of Water Resource. 3, 4, pp937-945.

17. Matalas, N. C. and Wallis, J. R., 1971. Statistical properties of multivariate fractional noise processes. Journal of water resource. 3, 4, pp. 1460-1468.

18. Mejia, J. M., 1971. On the generation of multivariate sequences exhibiting the Hurst phenomenon and some state university, Fort Colins, Colorado.

19. O'Connel, P.E,. 1974. Stochastic modeling of long-term persistence in streamflow sequences. Ph.D, Thesis. Imperial College, University of London.

20. Salas, J. D., Delleur, J. W., Yevjevich, V. and Lane, W. L., 1980, Applied Modeling of Hydrologic Time Series, Water Resources Publications, Littleton, Colorado, 484 p. (2nd Printing 1985, 3rd Printing, 1988).

21-   Şen, Z. 2012. Innovative Trend Analysis Methodology. J. Hydrol. Eng., 17(9), 1042–1046.

22. Thomas H.A., Fiering M.B. 1962. Mathematical Synthesis of Stream Flow Sequences for the Analysis of River Basin by Simulation. Harward University Press, Cambrige, 751pp.

23. Valencia, D. and Schaake, J. C. 1973. Disaggregation processes in stochastic hydrology. Journal of water resource 9, 3, pp. 580-585.

24. Young GD and Pisano WC, 1968. Operational hydrology using residuals. Journal of the Hydraulics Division 94(4): 909-924.

25. Yu, Y.S., Zou, S., Whittemore, D. 1993. Non-parametric trend analysis of water quality data of rivers in Kansas. Journal of Hydrology, 150: 61-80.

26. Zou P, Jingsong Y, Jianrong F, Guangming L and Dongshun L, 2010. Artificial neural network and time series models for predicting soil salt and water content. Agricultural Water Management 97: 2009-2019.