بررسی و مقایسه روشهای مختلف تحلیل روند بارش در ایستگاه سینوپتیک تبریز

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشکده فنی و مهندسی، دانشگاه شهیدمدنی آذربایجان، تبریز، ایران

2 دانشکده عمران، دانشگاه تبریز، تبریز، ایران

چکیده

دراین تحقیق روند تغییرات زمانی بارش ماهانه در دوره زمانی مابین سالهای 1951 تا 2022 در ایستگاه سینوپتیک تبریز با استفاده از روش‌های مختلف مورد بررسی و مقایسه قرار‌گرفت. آزمون‌های ناپارامتری شامل آزمون من-کندال و آزمون من-کندال دنباله‌ای و روش گرافیکی تحلیل روند نوآورانه شِن برای شناسایی روند بالقوه بارندگی استفاده ‌شد. علاوه بر این از ابزار تبدیل موجک و آزمون‌های آماری من-کندال برای پی‌بردن به ساختار اصلی روند در بارش و نیز مقیاس‌های زمانی موثر بر روند به‌کار گرفته‌ شد. در تحلیل برمبنای موجک از شاخص جدیدی به نام انرژی سری زمانی به شکل موفقیت‌آمیزی استفاده شد. روش‌های تحلیل روند با یکدیگر مقایسه شد تا تکنیک بهتر شناسایی شود. نتایج حاصل از روش‌های مختلف نشان دهنده وجود روند منفی در تغییرات بارش ایستگاه تبریز است. همچنین نتایج نشان می‌دهد که آزمون ناپارامتری من-کندال استاندارد در این مطاله موردی برای تولید روندهای آماری معنی‌دار بارندگی به صورت کیفی و کمی در مقایسه با آزمون من-کندال اصلاح شده بهتر است. نتایج تحلیل مدل ترکیبی موجک-من کندال نشان داد در مقیاس ماهانه برای بارش، پریود‌های درون‌سالانه (2 تا 8 ماهه) با فرکانس زیاد بیشترین تأثیر را در ایجاد روند در سری زمانی ماهانه بارش ایستگاه سینوپتیک تبریز دارند. نمودارهای من-کندال دنباله‌ای شروع تقریبی یک روند منفی در حال توسعه از سال ۱۹۹۵ تا انتهای دوره مطالعاتی را تشخیص ‌داد. نمودار پراکندگی روش گرافیکی شن نیز نشان دهنده وجود روند منفی طی سال‌های ۲۰۲۲-۱۹۸۷ نسبت به سالهای ۱۹86-۱۹51 بوده و برای مقادیر بارش"بالا" روند کاهشی تندتری قابل تشخیص است.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Investigation and Comparison of Different Methods of Trend Analysis of Rainfall in Tabriz Synoptic Station

نویسندگان [English]

  • Bahram Saeidifarzad 1
  • Vahid Nourani 2
1 Civil Engineering Department, Faculty of Engineering, Azarbaijan Shahid Madani University, Tabriz, Iran
2 Water resources engineering department, Faculty of Civil engineering, Tabriz, Iran.
چکیده [English]

In this study, the temporal trend of monthly rainfall changes for the time period of 1951 to 2022 in Tabriz Synoptic Station was examined and compared using different methods. Nonparametric tests including Mann-Kendall test and sequential Mann-Kendall test and Şen's innovative graphical trend analysis method were used to identify the potential rainfall trend. In addition, wavelet transform and Mann-Kendall statistical tests were used to understand the main structure of the trend in rainfall as well as the time scales affecting the trend. The trend analysis methods were compared with each other to obtain a valid result. The results obtained from different methods indicate the presence of a negative trend in the precipitation changes of the Tabriz station. The results also show that the standard Mann-Kendall nonparametric test is better in this case study for producing statistically significant trends in rainfall compared to the modified Mann-Kendall test. The results of the wavelet-based analysis method and the hybrid wavelet Mann-Kendall analysis method showed that at the monthly scale, intraannual periods (2 to 8 months) with high frequency have the greatest impact on creating trends in the monthly rainfall time series of the Tabriz synoptic station. The sequential Mann-Kendall curves detected the approximate onset of a developing negative trend from 1995 to the end of the study period. The Şen graphical method also indicated a negative trend during the years 1987-2022 compared to 1951-1986, with a steeper decreasing trend for "high" rainfall values.

کلیدواژه‌ها [English]

  • Rainfall Trend Analysis
  • Mann-Kendall Tests
  • Wavelet Transform
  • Şen Graphical Method
  • Tabriz Synoptic Station

مراجع

[1] A.M. Ruwangika, A. Perera, U. Rathnayake, Comparison of statistical, graphical, and wavelet transform analyses for rainfall trends and patterns in Badulu Oya catchment, Sri Lanka, Complexity, ID 7146593, (2020) 1-13.
[2] K. Adamowski, A. Prokoph, J. Adamowski, Development of a new method of wavelet aided trend detection and estimation, Hydrological Processes, 23(18) (2009) 2686-2696.
[3] T. Partal, M. Küçük, Long-term trend analysis using discrete wavelet components of annual precipitations measurements in Marmara region (Turkey), Physics and Chemistry of the Earth, 31(18) (2006) 1189-1200.
[4] E. McBean, H. Motiee, Assessment of impacts of climate change on water resources – a case study of the Great Lakes of North America, Hydrology and Earth System Sciences Discussions, 3(5) (2006) 3183-3209.
[5] Z. Şen, Innovative trend analysis methodology, Journal of Hydrologic Engineering, 17(9) (2012) 1042-1046.
[6] R. Sneyers, On the statistical analysis of series of observations, World Meteorological Organization, Technical Note 143, WMO No. 415, (1990).
[7] W. Wang, S. Hu, Y. Li, Wavelet transform method for synthetic generation of daily streamflow, Water Resources Management, 25(1) (2011) 41-57.
[8] V. Nourani, A.H. Baghanam, J. Adamowski, O. Kisi, Applications of hybrid wavelet–artificial intelligence models in hydrology: a review, Journal of Hydrology, 514 (2014) 358-377.
[9] F. Taghavi, A. Neyestani, H. Mohammadi, S. Rostami Jalilian, Application of wavelet analysis to investigate precipitation variability at western regions of Iran, Iranian Journal of Geophysics, 5(4) (2011) 13-30, (In Persian).
[10] P. Toufani, A. Mosaedi, F.A. Fakheri, Prediction of precipitation applying wavelet network model, Journal of Water and Soil, 25(5) (2011) 1217-1226, (In Persian).
[11] A.R. Araghi, M. Mousavi Baygi, M. Hashemi Nia, Using discrete wavelet transform for trend analysis and oscillatory patterns identification of temperature (Case Study: Mashhad Synoptic Station), Journal of Water and Soil, 29(1) (2015) 239-249, (In Persian).
[12] D. Nalley, J. Adamowski, B. Khalil, Using discrete wavelet transforms to analyze trends in streamflow and precipitation in Quebec and Ontario (1954–2008), Journal of Hydrology, 475 (2012) 204-228.
[13] R. Modarres, A. Sarhadi, Rainfall trends analysis of Iran in the last half of the twentieth century, Journal of Geophysical Research: Atmospheres, 114 (2009) D03101.
[14] R. Mirabassi, Y. Dinpazhooh, Trend analysis of precipitation of NW of Iran over the past half of the century, Journal of Irrigation Sciences and Engineering, 35(4) (2013) 59-73, (In Persian).
[15] P.S. Katirai, S. Hajam, P. Irannejad, The contribution of changes in the frequency and intensity of daily rainfall in the rainfall trend in Iran during the period from 1960 to 2001, Journal of Earth and Space Physics, 33(1) (2007) 67-83, (In Persian).
[16] V. Nourani, A. Danandeh Mehr, N. Azad, Trend analysis of hydroclimatological variables in Urmia Lake basin using hybrid wavelet Mann–Kendall and Sen tests, Environmental Earth Sciences, 77(207) (2018).
[17] S.G. Mallat, A wavelet tour of signal processing, second ed., Academic Press, San Diego, (1998).
[18] Y. Chen, Y. Guan, G. Shao, D. Zhang, Investigating trends in streamflow and precipitation in Huangfuchuan basin with wavelet analysis and the Mann-Kendall test, Water, 8(77) (2016) 1-32.
[19] K.H. Hamed, A.R. Rao, A modified Mann–Kendall trend test for autocorrelated data, Journal of Hydrology, 204(1-4) (1998) 182-196.
[20] S. Yue, C.Y. Wang, The Mann-Kendall test modified by effective sample size to detect trend in serially correlated hydrological series, Water Resources Management, 18 (2004) 201-218.
[21] Z. Şen, Trend identification simulation and application, Journal of Hydrologic Engineering, 19(3) (2014) 635-642.
[22] Y.F. Sang, A practical guide to discrete wavelet decomposition of hydrologic time series, Water Resources Management, 26 (2012) 3345-3365.
[23] M.H. Fattahi, N. Talebbeydokhti, H. Moradkhani, E. Nikooee, Revealing the chaotic nature of river flow, Iranian Journal of Science and Technology, Transaction of Civil Engineering, 37(C+) (2013) 121-130.
[24] M.Z.D. Artigas, A.G. Elias, P.F.D. Campra, Discrete wavelet analysis to assess long-term trends in geomagnetic activity, Physics and Chemistry of the Earth, 31 (2006) 77-80.
[25] W. Wang, S. Ding, Wavelet network model and its application to the prediction of hydrology, Nature and Science, 1 (2003) 67-71.
[26] H. Su, Q. Liu, J. Li, Alleviating border effects in wavelet transforms for nonlinear time-varying signal analysis, Advances in Electrical and Computer Engineering, 11 (2011) 55-60.
[27] M. Farhangi, M. Kholghi, S.A. Chavoshian, Rainfall trend analysis of hydrological subbasins in western Iran, Journal of Irrigation and Drainage Engineering, 142(10) (2016) 05016004.
نشریه مهندسی عمران امیرکبیر
دوره 57، شماره 11
بهمن 1404
صفحه 1921-1938

فایل ها

هم رسانی

ارجاع به این مقاله

آمار