عنوان

مطالعات خصوصیات زمانی- مکانی بارش با استفاده از تبدیل موجک و ابزار مکانی,‮‭Investigating spatio-temporal characteristics of precipitation using wavelet transform and spatial statistics‬

Number

‭۲۲۲۶۵پ‬

.Language of Text, Soundtrack etc

per

Title Proper

مطالعات خصوصیات زمانی- مکانی بارش با استفاده از تبدیل موجک و ابزار مکانی

Parallel Title Proper

‮‭Investigating spatio-temporal characteristics of precipitation using wavelet transform and spatial statistics‬

First Statement of Responsibility

/محسن مقدس

Name of Publisher, Distributor, etc.

: مهندسی عمران

Date of Publication, Distribution, etc.

، ‮‭۱۳۹۸‬

Name of Manufacturer

، افشاری

Specific Material Designation and Extent of Item

‮‭۱۱۸‬ص‬

Text of Note

چاپی - الکترونیکی

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

مهندسی عمران،مهندسی آب

Date of degree

‮‭۱۳۹۸/۰۶/۱۷‬

Body granting the degree

تبریز

Text of Note

بارش از شناخته‌ترین پدیده‌های محیطی و تغییرپذیرترین فرآیندها، در علوم محیطی به‌حساب می‌آید .داده‌های بارش به هر دو پارامتر زمان و مکان همبستگی دارند به همین دلیل تحلیل رفتار تغییرات بارش سخت‌تر شده ولی دقت تحلیل داده‌ها افزایش می‌یابد .تغییرات زمانی-مکانی بارش در یک حوضه، می‌تواند اثرات متعددی بر مهندسی، مدیریت و برنامه‌ریزی منابع آب در آن حوضه داشته باشد .در تحقیق حاضر برای مطالعه ی خصوصیات بارش ماهانه از دو روش کلاسیک و پیشنهادی استفاده گردید .در روش پیشنهادی، روش‌های تبدیل موجک گسس‍ـته ماکزیمم همپوشانی‮‭(MODWT)‬ به همراه خوشه‌بندی‮‭means - K‬مورداستفاده قرار گرفت .بدین منظور خصوصیات سری زمانی بارش ماهانه ‮‭۳۰‬ ایستگاه جنوب شرقی کشور ایالت متحده طی سال‌های‮‭۱۹۶۸ - ۲۰۱۸‬ موردمطالعه قرار گرفته و سپس با روش توابع پایه‌ای شعاعی ‮‭(RBF)‬ تمامی اطلاعات به دست آمده به‌کل حوضه تعمیم و پهنه‌بندی گردید .سری زمانی بارش ماهانه ایستگاه‌ها با استفاده از روش ‮‭MODWT‬ و موجک مادر ‮‭db‬ به چندین زیر سری زمانی تجزیه شد .در این مطالعه برای بدست آوردن سطح تجزیه و شماره ‮‭db‬ مناسب برای مطالعه بجای روش های کلاسیک که موجب ایجاد زیر سری های اضافی می شود با مقایسه ‮‭RMSE‬ حالت های مختلف، انتخاب شده است .انرژی زیر سری‌های به‌دست‌آمده را پس از محاسبه به‌عنوان ورودی به‮‭means - K‬و ‮‭RBF‬ مورد استفاده قرار گردید .جهت بررسی عملکرد نتایج خوشه‌بندی‮‭means - K‬بارش ماهانه در هر دو روش کلاسیک و پیشنهادی از ضریب سیلوئت ‮‭(Silhouette)‬ مورداستفاده قرار گرفت و براساس نتایج حاصل تعداد خوشه بندی بهینه برای ایستگاه‌ها در این تحقیق ‮‭۵‬ خوشه تعیین گردید و تحلیل‌های بیشتری بر روی این خوشه‌ها انجام پذیرفت .در روش پیشنهادی خروجی تحلیل خوشه‌های حاصل‌شده نشان داد که با افزایش انرژی خوشه‌ها، بارش ایستگاه‌های آن خوشه کاهش می یابد و بالعکس .قبل از اینکه داده ها به‌عنوان ورودی به ‮‭RBF‬ داده شوند، آن ها ازنظر توزیع موردبررسی قرار می گیرند .در این مرحله نمودارهای واریوگرام و کوواریانس همبستگی داده‌های مورد مطالعه را تأیید می‌کنند .پس از آن برای ‮‭۵‬ روش پرکاربرد تابع کرنل مدل‌سازی ‮‭RBF‬ انجام شد و بهترین مدل‌ها بر اساس کمترین خطای مربعات و ضریب تشخیص انتخاب گردیده و نقشه‌های پهنه‌بندی رسم شد و نتایج نقشه‌ها همچون خوشه‌بندی نتایج یکسانی به دست آمد .ازنظر تغییرات طول و عرض جغرافیایی نحوه تغییرات بارش و انرژی مورد مقایسه واقع‌شده و مانند روش پیشنهادی به نتایج مشابه ای منتهی گردید .نهایتا نتیجه گیری گردید که با افزایش طول جغرافیایی و کاهش عرض جغرافیایی مقدار بارش ایستگاه‌های موردمطالعه افزایش و انرژی آن‌ها کاهش می‌یابند .ضریب سیلوئت خوشه بندی در روش کلاسیک برابر ‮‭۳/۰‬ بوده، که مقدار این ضریب در روش پیشنهادی این تحقیق به ‮‭۸/۰‬ افزایش یافت .این امر، نشان دهنده خوشه بندی بهتر ایستگاه های مورد مطالعه در روش انتخابی می باشد .نهایتا می توان گفت روش پیشنهادی در این تحقیق، بعلت نیاز کمتر این روش به تعداد داده های ورودی، زمان محاسباتی و همچنین نویز کمتر، نسبت به روش کلاسیک دارای عملکرد بهتری می باش

Text of Note

Precipitation is one of the most recognized environmental phenomena and the most variable processes in environmental science. Precipitation data are correlated with both time and spatial parameters, making it more difficult to analyze the behavior of precipitation changes, but the accuracy of data analysis is increased. Spatio-temporal change of precipitation in a basin can have several effects on the engineering, management and planning of water resources in that basin. In the present study, the classic and proposed methods were used to study the monthly rainfall characteristics. In the proposed method, maximal overlap discrete wavelet transform (MODWT) methods with K-means clustering were used. For this purpose, the monthly rainfall data of 30 stations in the southeastern United States during 1968- 2018 were studied and then all the obtained data were generalized and zoned by using RBF method. The monthly precipitation time series of the stations were decomposed into several time series using MODWT method and db mother wavelet. In this study, we have chosen to obtain the appropriate level of parsing and db number for study instead of the classical methods that generate additional subsets by comparing different RMSE modes. The energy of the obtained from sub-series used as input to K-means and RBF. In order to evaluate the performance of K-means clustering results, monthly rainfall in both classical and proposed methods was used by Silhouette coefficient and based on the results of optimal clustering number for stations 5 clusters were determined and further analysis on these clusters was performed. In the proposed method, outputs from the analysis of the obtained clusters showed that with increasing the energy of the clusters, the precipitation of the stations in that cluster would decrease and vice versa. Before the data is given to the RBF as input, distribution of them were examined. At this stage, the variograms and covariance diagrams confirm the correlation of the studied data. Then, for the five most commonly used the Kernel functions, RBF modeling was performed, and the best models were selected based on least squares error and detection coefficient and zoning maps were drawn and the maps results were similar to clustering results. In terms of latitude and longitude variations of rainfall and energy variations were compared and similar results were obtained. Finally, it was concluded that with decreasing longitude and increasing latitude the amount of precipitation of the stations was increased and their energy decreased. The cluster silhouette coefficient in the classical method was 0.3, which increased to 0.8 in the proposed method. This indicates better clustering of the studied stations in the selected method. Finally, it can be said that the proposed method in this study performs better than the classical method due to the lower need for input data, less time, as well as less noises

Parallel Title

‮‭Investigating spatio-temporal characteristics of precipitation using wavelet transform and spatial statistics‬

مقدس، محسن

Moghaddas, Mohsen

Public note

سیاه و سفید

نمایه‌سازی قبلی