پایش یکپارچه خشکسالی در حوضه سد استقلال میناب از طریق مدلسازی وابستگی متقابل بارش، رطوبت خاک و جریان سطحی با توابع کاپولا | ||
| خشک بوم | ||
| دوره 15، شماره 2، مهر 1404، صفحه 57-76 اصل مقاله (1.26 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.29252/aridbiom.2026.4152 | ||
| نویسندگان | ||
| الهام همتی1؛ یحیی اسماعیل پور2؛ ام البنین بذرافشان* 3؛ حسین زمانی4؛ مهدی بی نیاز5 | ||
| 1دانشجوی دکتری، گروه مهندسی منابع طبیعی، دانشکده کشاورزی و منابع طبیعی، دانشگاه هرمزگان، بندرعباس، ایران. | ||
| 2دانشیار، گروه مهندسی منابع طبیعی، دانشکده کشاورزی و منابع طبیعی، دانشگاه هرمزگان، بندرعباس، ایران. | ||
| 3استاد، گروه مهندسی منابع طبیعی، دانشکده کشاورزی و منابع طبیعی، دانشگاه هرمزگان، بندرعباس، ایران. | ||
| 4استادیار، گروه آمار، دانشکده علوم پایه، دانشگاه هرمزگان، بندرعباس، ایران. | ||
| 5استادیار، گروه مهندسی منابع طبیعی، دانشکده کشاورزی و منابع طبیعی، دانشگاه هرمزگان، بندرعباس، ایران. | ||
| چکیده | ||
| خشکسالی یکی از مهمترین مخاطرات طبیعی در مناطق خشک و نیمهخشک است که بهطور همزمان بخشهای مختلف چرخه هیدرولوژیکی از جمله بارش، رواناب و رطوبت خاک را تحت تأثیر قرار میدهد. در این پژوهش، بهمنظور پایش یکپارچه خشکسالیهای هواشناسی، هیدرولوژیکی و کشاورزی در حوضه آبخیز سد استقلال میناب، یک شاخص چند متغیره مبتنیبر توابع کاپولا با عنوان JDI توسعه داده شد. برای این منظور از دادههای بارش ۱۵ ایستگاه بارانسنجی، جریان رودخانه ایستگاه برنطین و دادههای ماهوارهای رطوبت خاک GLDAS طی دوره آماری ۱۳۷۲ تا ۱۴۰۲ استفاده گردید. ابتدا شاخصهای تک متغیره SPI12، SRI12 و SMDI12 محاسبه و سپس ساختار وابستگی میان آنها با استفاده از توابع کاپولا مدلسازی شد و صحت عملکرد آنها توسط آزمونهای نیکویی برازش Cramér-von Mises و AIC در سطح اطمینان ۹۵٪ آزمون گردید. نتایج برازش توزیعهای حاشیهای نشان داد که توزیع لجستیک برای بارش و رواناب با مقادیر AIC برابر 94/630 و 36/563 مناسبترین توزیع بوده و برای رطوبت خاک توزیع نرمال با مقدار AIC برابر 07/636 بهترین برازش را ارائه داد. در تحلیل وابستگی، کاپولای فرانک بهترین عملکرد را نشان داد؛ بهطوریکه ضریب تاو کندال برای جفت متغیرهای SPI12–SRI12 برابر 441/0 و برای SRI12–SMDI12 برابر 567/0 برآورد شد. نتایج نشان داد شاخص چندمتغیره JDI توانایی بیشتری در شناسایی رخدادهای شدید و طولانی خشکسالی دارد، بهطوریکه براساس تحلیل ویژگیهای خشکسالی (شدت، مدت و بزرگی) و معیارهای آماری شامل ضریب همبستگی، شاخص توافق و ضریب کاپا، عملکرد بهتری در بازنمایی شرایط خشکسالی نشان داد. بهگونهای که بیشترین شدت خشکسالی برابر 35/3، بیشترین مدت 10 ماه و بیشترین بزرگی خشکسالی 4/21 بدست آمد. همچنین همبستگی این شاخص با SPI12 برابر 81/0 و با SRI12 برابر 71/0 بود که اعتبار رفتاری این شاخص را تأیید میکند. نتایج تحلیل مؤلفههای اصلی نیز نشان داد مؤلفه اول حدود 06/92 درصد از واریانس دادهها را تبیین میکند. بهطورکلی، شاخص پیشنهادی قادر است با ترکیب اطلاعات بارش، رواناب و رطوبت خاک، تصویری جامعتر از شرایط خشکسالی ارائه دهد و میتواند بهعنوان ابزاری کارآمد در سامانههای پایش و مدیریت منابع آب در مناطق خشک مورد استفاده قرار گیرد. | ||
| کلیدواژهها | ||
| خشکسالی چند متغیره؛ توابع کاپولا؛ شاخص JDHMI؛ رطوبت خاک؛ حوضه آبخیز میناب | ||
| عنوان مقاله [English] | ||
| Integrated Drought Monitoring in the Minab Esteghlal Dam Basin through Copula-Based Modeling of the Interdependence among Precipitation, Soil Moisture, and Surface Runoff | ||
| نویسندگان [English] | ||
| ٍElham Hemmati1؛ Yahya Esmaelpour2؛ Omolbanin bazrafshan3؛ Hossein Zamani4؛ Mehdi Biniaz5 | ||
| 1PhD student, Department of Natural Resources Engineering, Faculty of Agriculture and Natural Resources, University of Hormozgan, Bandar Abbas, Iran. | ||
| 2Associate Professor, Department of Natural Resources Engineering, Faculty of Agriculture and Natural Resources, University of Hormozgan, Bandar Abbas, Iran. | ||
| 3Professor, Department of Natural Resources Engineering, Faculty of Agriculture and Natural Resources, University of Hormozgan, Bandar Abbas, Iran. | ||
| 4Assistant Professor, Department of Statistics, Faculty of Basic Sciences, University of Hormozgan, Bandar Abbas, Iran. | ||
| 5Assistant Professor, Department of Natural Resources Engineering, Faculty of Agriculture and Natural Resources, University of Hormozgan, Bandar Abbas, Iran. | ||
| چکیده [English] | ||
| Drought is one of the most complex and costly natural hazards, particularly in arid and semi‑arid regions, affecting different components of the hydrological cycle such as precipitation, runoff, and soil moisture. In this study, a comprehensive multivariate drought index based on copula functions, named the Joint Drought Hydro‑Meteorological Index (JDHMI), was developed to monitor meteorological, hydrological, and agricultural droughts simultaneously in the Minab Independence Dam watershed in southern Iran. Monthly precipitation data from 15 rain gauge stations, streamflow data from the Berentin hydrometric station, and satellite‑based soil moisture data from the GLDAS dataset during the period 1993–2023 were used. First, the univariate drought indices including SPI‑12, SRI‑12, and SMDI‑12 were calculated. Then, the dependence structure among these variables was modeled using copula functions. The results of marginal distribution fitting indicated that the logistic distribution provided the best fit for precipitation and runoff with AIC values of 630.94 and 563.36, respectively, while the normal distribution was selected for soil moisture with an AIC value of 636.07. Copula analysis showed that the Frank copula performed best in modeling dependence. The Kendall’s tau coefficients were estimated as 0.441 for SPI12–SRI12 and 0.567 for SRI12–SMDI12, indicating moderate to strong dependence between these variables. The developed multivariate index demonstrated higher capability in identifying severe and persistent drought events. The maximum drought intensity, duration, and magnitude obtained from the JDHMI were 3.35, 10 months, and 21.4, respectively. Moreover, the correlation of JDHMI with SPI12 and SRI12 was 0.81 and 0.71, respectively, showing strong agreement with conventional indices. Principal component analysis also revealed that the first component explained about 92.06% of the total variance. Overall, the proposed copula‑based index provides a more comprehensive representation of drought conditions by integrating precipitation, runoff, and soil moisture information, and can serve as an effective tool for drought monitoring and water resources management in arid regions. | ||
| کلیدواژهها [English] | ||
| Multivariate drought, Copula functions, JDHMI index, Soil moisture, Minab watershed | ||
| مراجع | ||
|
[1]. Azhdari, Z., Bazrafshan, O., Shekari, M., & Zamani, H. (2020). Three-dimensional risk analysis of hydro-meteorological drought using multivariate nonlinear index: Z. Azhdari et al. Theoretical and Applied Climatology, 142(3), 1311-1327. DOI: 10.1007/s00704-020-03365-3
[2]. Bazrafshan, O., Zamani, H., & Shekari, M. (2020). A copula‐based index for drought analysis in arid and semi‐arid regions of Iran. Natural Resource Modeling, 33(1), e12237. DOI: 10.1111/nrm.12237
[3]. Genest, C., Rémillard, B., & Beaudoin, D. (2009). Goodness-of-fit tests for copulas: A review and a power study. Insurance: Mathematics and economics, 44(2), 199-213. DOI: 10.1016/j.insmatheco.2008.12.005
[4]. Govindaraju, R. S. (2019). Review of copulas and their applications in water resources engineering by lan zhang and VP Singh. https://doi.org/10.1061/(ASCE)HE.1943-5584.000182
[5]. Hao, Z., & Singh, V. P. (2015). Drought characterization from a multivariate perspective: A review. Journal of Hydrology, 527, 668-678. DOI: 10.1016/j.jhydrol.2014.10.058
[6]. Jin, S., & Feng, G. (2013). Large-scale variations of global groundwater from satellite gravimetry and hydrological models, 2002–2012. Global and Planetary Change, 106, 20-30. DOI: 10.1016/j.gloplacha.2013.04.006
[7]. Joe, H. (2014). Dependence modeling with copulas. CRC press.
[8]. Kao, S. C., & Govindaraju, R. S. (2010). A copula-based joint deficit index for droughts. Journal of Hydrology, 380(1-2), 121-134. DOI: 10.1016/j.jhydrol.2010.06.018
[9]. Kumar, Y., Singh, S., & Kumar, A. (2025). Copula-based meteorological drought risk assessment in Northwest India. Environmental Science and Pollution Research, 32(59), 31455-31474. DOI: 10.1007/s11356-024-30889-6
[10]. Lan, X., Luo, Y., Leng, G., & Cao, J. (2025). A novel copula-based index for agricultural drought monitoring: integrating vegetation response and meteorological drought dynamics in the middle–lower Yangtze River Basin. Ecological Indicators, 178, 114107. DOI: 10.1016/j.ecolind.2024.114107
[11]. Liu, R., Yin, J., Kang, S., Yang, Y., Liu, P., Guo, J., & Gu, X. (2023). Machine learning-constrained projection of bivariate hydrological drought magnitudes and socioeconomic risks. Hydrology & Earth System Sciences Discussions.
[12]. McKee, T. B., Doesken, N. J., & Kleist, J. (1993, January). The relationship of drought frequency and duration to time scales. In Proceedings of the 8th Conference on Applied Climatology (Vol. 17, No. 22, pp. 179-183).
[13]. Nabaei, S., Sharafati, A., Yaseen, Z. M., & Shahid, S. (2019). Copula based assessment of meteorological drought characteristics: regional investigation of Iran. Agricultural and Forest Meteorology, 276, 107611. DOI: 10.1016/j.agrformet.2019.107611
[14]. Nelsen, R. B. (2006). An introduction to copulas. New York, NY: Springer New York.
[15]. Obasi, G. O. P. (1994). WMO's role in the international decade for natural disaster reduction. Bulletin of the American Meteorological Society, 75(9), 1655-1661.
[16]. Rodell, M., Houser, P. R., Jambor, U. E. A., Gottschalck, J., Mitchell, K., Meng, C. J., ... & Toll, D. (2004). The global land data assimilation system. Bulletin of the American Meteorological society, 85(3), 381-394. DOI: 10.1175/BAMS-85-3-381
[17]. Requena, A. I., Flores, I., Mediero, L., & Garrote, L. (2016). Extension of observed flood series by combining a distributed hydro-meteorological model and a copula-based model. Stochastic Environmental Research and Risk Assessment, 30(5), 1363-1378. DOI: 10.1007/s00477-015-1113-2
[18]. Shukla, S., & Wood, A. W. (2008). Use of a standardized runoff index for characterizing hydrologic drought. Geophysical research letters, 35(2). DOI: 10.1029/2007GL032381
[19]. Singh, H. V., Joshi, N., & Suryavanshi, S. (2026). Evaluating hydrological drought characteristics in a semi-arid river basin using the conditional copula approach under the changing climate. Journal of Earth System Science, 135(2), 56. https://doi.org/10.1007/s12040-026-02757-9
[20]. Wilhite, D. A. (2002, November). Combating drought through preparedness. In Natural resources forum (Vol. 26, No. 4, pp. 275-285). Oxford, UK and Boston, USA: Blackwell Publishing Ltd. DOI: 10.1111/1477-8947.00031
[21]. Wang, H., Zhu, Y., Qin, T., & Zhang, X. (2022). Study on the propagation probability characteristics and prediction model of meteorological drought to hydrological drought in basin based on copula function. Frontiers in Earth Science, 10, 961871. DOI: 10.3389/feart.2022.961871
[22]. Zhong, Z., Zhao, Q., Sang, G., Xue, J., Wang, J., & Lin, F. (2026). Copula-based composite drought index combining precipitation, temperature, and NDVI used for drought monitoring. Theoretical and Applied Climatology, 157(2), 103. DOI: 10.1016/j.jhydrol.2024.135059
[23]. Zhang, Q., Lu, Z., Ying, J., Qiu, Y., Wang, P., Xu, Z., ... & Li, Y. (2026). Nonstationary agricultural drought risk under compound meteorological drought and hot conditions. Journal of Hydrology, 135059. https://doi.org/10.1016/j.jhydrol.2026.135059 | ||
|
آمار تعداد مشاهده مقاله: 59 تعداد دریافت فایل اصل مقاله: 51 |
||