توسعه مدل ناپارامتري شبيه‌ساز داده‌هاي ماهانه هيدرولوژيكي

Develop a non-parametric model to simulate monthly hydrological data

يكي از ملزومات مدلسازي منابع آب در سطح حوضه ها، آگاهي كافي از سري هاي درازمدت پارامترهاي هواشناسي و هيدرولوژ ي است. در تحقيق حاضر ، روش خودگردا ن ساز نزديك ترين همساي ه ارايه شده توسط لل و شارما توسعه داده شد . در مدل توسعه داده شده به جاي استفاده از منحني رگرسيون ناپارامتري محلي در روش پريرا، از مدل رگرسيون ناپارامتري نزديك ترين همسايه براي پيش بيني سري زماني استفاده شد . اين كار مشكلات ناشي از تخمين درج ه چندجمله اي ناپارامتري در روش پريرا را رفع كرده و شبيه سازي سري هاي زماني را ب ه صورت چندمتغيره ميسر مي كند. كارايي مدل توسعه داده شده با استفاده از اطلاعات تاريخي ايستگا ه هاي هيدرومتري كوتر و هواشناسي سينوپتيك واقع در حوضه آبريز رودخانه مهاباد ارزيابي شد . نتايج نشان داد كه مدل علاوه بر رفع مشكل روش خودگردان نزديك ترين همسا يه كلاسيك در توليد اعداد ب ي سابقه تاريخي، قادر به حفظ مشخصات مهم آماري سري مشاهداتي است. همچنين مدل توسعه داده شده، شبيه سازي سري هاي زماني هيدرولوژيكي به صورت چندمتغيره را امكان پذير مي كند.

One of the water resources modeling requirements is sufficient knowledge of long-term series of meteorological and hydrological parameters. In this study the nearest neighbor resampling method presented by Lall and Sharma was developed. In the developed model, the KNN regression was used for time series forecasting instead of local polynomial used in the developed algorithm by Prairie. In this case problems caused by polynomial degree estimation were solved. This caused that multivariate time series simulation became feasible. To evaluate the performance of the developed model recorded data in the Kawtar hydrometer station located on one of the main branch of Mahabad River and Mahabad synoptic station were used. The results from time series simulation showed that the developed model is able to keep important statistical characteristics of historic series. In addition, it could solve the classic nearest neighbor resampling method problem in order to produce values not seen in the historical record. Also, this model showed that it could simulate the multivariate hydrologic series.