کمی‌سازی عدم قطعیت در پیش‌بینی سیلاب‌های حدی: تحلیل ژئومورفیک پارامترهای آماری در حوضه‌های خشک (مطالعه موردی حوضه رودخانه قره‌آغاج)

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی

نویسندگان

1 کارشناس ارشد گروه زمین‌‌شناسی، دانشگاه علوم و فنون دریایی خرمشهر، ایران

2 دانشیار گروه زمین‌‌شناسی، دانشگاه علوم و فنون دریایی خرمشهر، ایران

چکیده

حوضه قره‌آغاج به عنوان یکی از مهم‌ترین حوضه‌های آبریز استان فارس، طی دهه‌های اخیر شاهد وقوع سیلاب‌های مخرب متعددی بوده که خسارات گسترده‌ای به زیرساخت‌های منطقه وارد کرده است. مطالعه حاضر با هدف ارائه تحلیلی جامع از رفتار سیلابی حوضه قره‌آغاج انجام شده است. این پژوهش با به‌کارگیری رویکردی ترکیبی، چهار توزیع آماری گامبل نوع ۱، توزیع مقادیر حدی تعمیم‌یافته (GEV)، توزیع پارتو تعمیم‌یافته (GPD) و لوگ‌نرمال را مورد بررسی قرار داده است. پارامترهای توزیع‌ها با سه روش گشتاورها (MOM)، گشتاورهای خطی (L-moments) و حداکثر درست‌نمایی (MLE) برازش داده شدند. ارزیابی کیفیت برازش با معیارهای مختلفی شامل آزمون کولموگروف-اسمیرنوف، معیار اطلاعات آکائیکه (AIC) و ریشه میانگین مربعات خطا (RMSE) انجام گرفت. یافته‌های کلیدی نشان‌دهنده برتری واضح توزیعGEV  در مدل‌سازی سیلاب‌های این حوضه است. توزیع GEV با کمترین مقدار آزمون کولموگروف-اسمیرنوف (058/0) و پایین‌ترین معیار اطلاعات آکائیکه (5/234)، بهترین برازش را با داده‌های مشاهداتی نشان می‌دهد. همچنین، این توزیع با خطای RMSE  برابر 3/112 مترمکعب بر ثانیه و اریبی مثبت 1/2 درصد، دقیق‌ترین پیش‌بینی‌ها را ارائه کرده است. این نتیجه حاکی از وجود رفتار دم‌سنگین در توزیع فراوانی سیلاب‌های حوضه مورد مطالعه است که عمدتاً ناشی از ویژگی‌های منحصربه‌فرد ژئومورفولوژیک از جمله شیب تند (میانگین 5/12 درصد)، تراکم بالای زهکشی (8/1 km/km²) و وجود سازندهای کارستی (حدود 60 درصد مساحت حوضه) می‌باشد. این تحلیل‌ها تأکید می‌کنند که در حوضه‌های خشک با ویژگی‌های هیدرولوژیک پیچیده مانند قره‌آغاج، استفاده از توزیع‌های پیشرفته مانند GEV ضروری است و می‌تواند از خطاهای محاسباتی تا ۲۰ درصد جلوگیری کند. این یافته‌ها نشان می‌دهد که نمی‌توان از یک توزیع ثابت برای تمام حوضه‌های خشک استفاده کرد و باید ویژگی‌های خاص هر حوضه را در نظر گرفت. یافته‌های این مطالعه می‌تواند مبنای علمی برای به‌روزرسانی استانداردهای مدیریت سیلاب در مناطق مشابه قرار گیرد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Uncertainty Quantification in Extreme Flood Prediction: Geomorphic Analysis of Statistical Parameters in Arid Basins (Case Study: Qareh Aghaj River Basin

نویسندگان [English]

  • Hamid Zeinli 1
  • Heeva Elmizadeh 2
1 MS. in Geomorphology, Khorramshahr University of Marine Science and Technology, Khorramshahr, Iran
2 Associate Prof., Department of Marine Geology, Faculty of Marine Natural Resources, Khorramshahr University of Marine Science and Technology, Khorramshahr, Iran
چکیده [English]

The Qarah-Aghaj basin, as one of the most significant watersheds in Fars Province, has experienced numerous destructive flood events in recent decades, causing extensive damage to regional infrastructure. This study presents a comprehensive analysis of flood behavior in the Qarah-Aghaj basin through an integrated approach that evaluates four statistical distributions: Gumbel Type I, Generalized Extreme Value (GEV), Generalized Pareto (GPD), and log-normal. The distribution parameters were fitted using three distinct methods: Method of Moments (MOM), L-moments, and Maximum Likelihood Estimation (MLE). The goodness-of-fit was rigorously assessed through multiple criteria, including the Kolmogorov-Smirnov test, Akaike Information Criterion (AIC), and Root Mean Square Error (RMSE). Key findings demonstrate the superior performance of the GEV distribution in flood modeling for this basin. The GEV distribution showed optimal agreement with observational data, as evidenced by the lowest Kolmogorov-Smirnov statistic (0.058) and AIC value (234.5). Furthermore, it provided the most accurate predictions with an RMSE of 112.3 m³/s and a positive bias of 2.1%. These results indicate heavy-tailed behavior in the flood frequency distribution, primarily attributable to unique geomorphological characteristics, including steep slopes (mean 12.5%), high drainage density (1.8 km/km²), and extensive karst formations (covering approximately 60% of the basin area). The analysis underscores the necessity of employing advanced distributions like GEV for complex hydrological systems in arid basins such as Qarah-Aghaj, potentially reducing computational errors by up to 20%. The study conclusively establishes that a single distribution cannot be universally applied across all arid basins, emphasizing the critical importance of considering basin-specific characteristics in flood frequency analysis. These findings provide a scientific basis for updating flood management standards in similar regions, with significant implications.

کلیدواژه‌ها [English]

  • Extreme floods
  • Uncertainty quantification
  • Arid basins
  • Geomorphic parameters
  • Qarah-Aghaj River

مراجع

احمدی، سیما و نبی‌زاده، علی. (1402). استفاده از مدل حافظه طولانی کوتاه‌مدت پیچشی برای پیش‌بینی سیلاب در استان گلستان، ایران. پژوهش‌های سنجش از دور و اطلاعات مکانی، 2 (1)، ۲۳۹-۲۴۶. doi: 10.22061/jrsgr.2023.2021
اسلامی، حمیدرضا؛ جمالی، سعید؛ ایوبی‌کیا، رضا و اسلامی، کامیاب. (۱۴۰۱). ارزیابی عملکرد مدل‌های پیش‌بینی بارش در برآورد دبی و حجم سیلاب با مدل NAM توسعه‌یافته (محدوده مطالعات: حوضه‌های غرب). رویکردهای نوین در مهندسی آب و محیط‌زیست، ۱(۱)، ۱۰۱-۱۱۲. doi: 10.22034/nawee.2023.346025.1001
اسلامی‌نژاد، سیداحمد؛ افتخاری، مبین؛ محمودی‌زاده، سعید؛ اکبری، محمد و حاجی‌الیاسی، علی. (۱۴۰۰). ارزیابی مدل‌های هوش مصنوعی مبتنی بر درخت به منظور پیش‌بینی خطر سیل در بستر GIS . تحقیقات منابع آب ایران، ۱۷(۲)، ۱۷۴-۱۸۹.
ایرانی، طیبه، عبقری، هیراد و رسولی، علی اکبر. (1404). تحلیل تهدیدات تغییر اقلیم و تغییرکاربری اراضی بر افزایش ریسک سیلاب حوضه آبخیز شهرچای. مخاطرات محیط طبیعی، 14(44)، 105-126. doi: 10.22111/jneh.2024.49039.2053
پناهی، عبدالحافظ، جانباز قبادی، غلامرضا ، متولی، صدرالدین و خالدی، شهریار . (1402). سنجش و پیش‌بینی پتانسیل وقوع سیلاب تحت شرایط تغییر اقلیم (مطالعه موردی: حوضه آبخیز گرگانرود). مطالعات جغرافیایی نواحی ساحلی، 4(2)، 45-61. doi: 10.22124/gscaj.2023.22411.1172
جباری، ایرج؛ قبادیان، رسول و جدیدی، انیس. (۱۴۰۲). تأثیر سیل فروردین ۱۳۹۸ بر ریخت‌شناسی پیوندگاه مئاندری دو رودخانۀ دینور به گاماسیاب با استفاده از مدل عددی SRH-2D . مجله جغرافیا و توسعه، ۲۱(۷۰)، ۱-۲۶. doi: 10.22111/gdij.2023.7401
حنیفی­نیا، عبدالعزیز و عبقری، هیراد. (1404). پیش‌‌بینی مناطق مستعد سیل با استفاده از مدل‌‌های یادگیری ماشین خطی تعمیم یافته و بیشینه آنتروپی. مخاطرات محیط طبیعی، 14(43)، 19-34. doi: 10.22111/jneh.2024.47730.2021
زینلی، حمید.، 1402. تجزیه و تحلیل آثار ژئومورفولوژیکی سیلاب در حوضه تنگ کارزین. پایان­نامه کارشناسی ارشد هیدروژئومورفولوژی، دانشکده منابع طبیعی، دانشگاه علوم و فنون دریایی خرمشهر. صفحات 1-107.
سعیدی مفرد، ساناز؛ آسیایی، مهدی و گهرخواه، فاطمه. (۱۴۰۱). پهنه‌بندی خطر وقوع سیل در شهرستان تربت‌حیدریه با استفاده از عملگرهای فازی. مجله جغرافیا و توسعه، ۲۰(۶۶)، ۸۱-۱۰۶. doi: 10.22111/j10.22111.2022.6714
شیخ‌کاظمی، مهسا؛ بنی‌حبیب، محمد ابراهیم؛ سلطانی، جابر؛ روزبهانی، عباس و تنهاپور، میترا. (۱۳۹۹). ارزیابی اثر متغیرهای تاثیرگذار بر پیش‌بینی سیلاب واریزه‌ای با استفاده از مدل شبکه بیزین. تحقیقات منابع آب ایران، ۱۶(۳)، ۱۸-۳۰.
کاکاوند، مائده، حقی زاده، علی و سلیمانی مطلق، مهدی. (1403). مقایسه شاخص‌های سنجش از دور در تعیین پهنه سیل حوضه آبخیز دوآب ویسیان. مخاطرات محیط طبیعی، 13(40)، 41-56. doi: 10.22111/jneh.2023.46291.1978
Akinsoji, A. H., Adelodun, B., Adeyi, Q. (2024). Integrating machine learning models with comprehensive data strategies and optimization techniques to enhance flood prediction accuracy: A review. Water Resources Management, 38, 4735-4761. https://doi.org/10.1007/s11269-024-03885-x
Al-Juaidi, A. E. M. (2023). The interaction of topographic slope with various geo-environmental flood-causing factors on flood prediction and susceptibility mapping. Environmental Science and Pollution Research, 30, 59327-59348. https://doi.org/10.1007/s11356-023-26616-y
Al-Rawas, G., Nikoo, M. R., Janbehsarayi, S. (2024). Near-future flash flood prediction in an arid region under climate change. Scientific Reports, 14, 25887. https://doi.org/10.1038/s41598-024-76232-0
Bashirgonbad, M., Moghaddam Nia, A., Khalighi-Sigaroodi, S. (2024). A hydro-climatic approach for extreme flood estimation in mountainous catchments. Applied Water Science, 14, 98. https://doi.org/10.1007/s13201-024-02149-8
Cui, L., Hu, G., Zhu, Y. (2025). Multi-strategy improved snow ablation optimizer: a case study of optimization of kernel extreme learning machine for flood prediction. Artificial Intelligence Review, 58, 181. https://doi.org/10.1007/s10462-025-11192-z
Das, P., Posch, A., Barber, N. (2024). Hybrid physics-AI outperforms numerical weather prediction for extreme precipitation nowcasting. npj Climate and Atmospheric Science, 7, 282. https://doi.org/10.1038/s41612-024-00834-8
El Baida, M., Boushaba, F., Chourak, M., Hosni, M., & Sabar, H. (2025). Mapping urban flood hazard using extreme gradient boosting and random forest. In B. El Bhiri, S. Assoul, & M. Essaaidi (Eds.), Technology and the environment: Implementing smart and sustainable solutions into our cities (pp. 1-12). Springer. https://doi.org/10.1007/978-3-031-74474-7_1
Fordjour, G. K., Nur, F., Kalyanapu, A. J. (2025). Enhancing flood water level prediction through transfer learning with warmup learning rate scheduling in LSTM models: A comparative case study in Kentucky and Tennessee watersheds. Modeling Earth Systems and Environment, 11, 14. https://doi.org/10.1007/s40808-024-02211-z
Gardini, A. (2023). Functional and variable selection in extreme value models for regional flood frequency analysis. Environmental and Ecological Statistics, 30(4), 715-739. https://doi.org/10.1007/s10651-023-00581-8
Ghanem, M. A. A. N., & Zaifoglu, H. (2024). A geospatial analysis of flood risk zones in Cyprus: Insights from statistical and multi-criteria decision analysis methods. Environmental Science and Pollution Research, 31, 32875-32900. https://doi.org/10.1007/s11356-024-33391-x
Gandhre, N., Dauji, S., & Londhe, S. (2024). Extreme value analysis of annual precipitation in districts of Maharashtra, India. Journal of Earth System Science, 133, 53. https://doi.org/10.1007/s12040-023-02243-6
Ghobadi, M., Ahmadipari, M. (2024). Enhancing Flood Susceptibility Modeling: a Hybrid Deep Neural Network with Statistical Learning Algorithms for Predicting Flood Prone Areas. Water Resources Management, 38, 2687-2710. https://doi.org/10.1007/s11269-024-03770-7
Guo, W. D., Chen, W. B., & Chang, C. H. (2025). Flood bend flow prediction in intermittent river reach using a 2D hydraulic model and stacking-ensemble-based LSTM technique. Earth Science Informatics, 18, 80. https://doi.org/10.1007/s12145-024-01526-w
Han, Z., Li, F., Liu, C. (2025). Influence of geomorphological parameters on flash flood susceptibility analyzed using a coupled approach of HEC-HMS model and logistic regression. Water Resources Management. https://doi.org/10.1007/s11269-024-04079-1
Handique, A., Acharjee, S., Dhadumia, U. (2024). Flood frequency analysis in the lower Burhi Dehing River in Assam, India, using Gumbel Extreme Value and log Pearson Type III methods. Discover Geoscience, 2, 75. https://doi.org/10.1007/s44288-024-00084-4
Hossaki, V. Y., Negri, R. G., Santos, L. B. L. (2025). Combining social media data and meteorological sensors for urban flood detection: A statistical analysis in São Paulo City. Earth Science Informatics, 18, 281. https://doi.org/10.1007/s12145-025-01802-3
Huang, J., Hong, Y., Sun, D. (2025). Urban flood depth prediction using an improved LSTM model incorporating precipitation forecasting. Natural Hazards, 121, 8305-8326. https://doi.org/10.1007/s11069-024-07065-3
Imran, M., Hou, J., Wang, T. (2025). Flood characteristics and risk analysis in small watersheds on the Loess Plateau under extreme heavy rainfall. Natural Hazards, 121, 6857-6878. https://doi.org/10.1007/s11069-024-07025-x
Jeba, G. S., & Chitra, P. (2024). Flood prediction through hydrological modeling of rainfall using Conv1D-SBiGRU algorithm and RDI estimation: A hybrid approach. Stochastic Environmental Research and Risk Assessment, 38, 3587-3606. https://doi.org/10.1007/s00477-024-02768-2
Katipoğlu, O. M., & Sarıgöl, M. (2023). Prediction of flood routing results in the Central Anatolian region of Türkiye with various machine learning models. Stochastic Environmental Research and Risk Assessment, 37, 2205-2224. https://doi.org/10.1007/s00477-023-02389-1
Ke, X., Wang, N., Xiu, Y. (2025). A flash flood susceptibility prediction and partitioning method based on GeoDetector and random forest. Stochastic Environmental Research and Risk Assessment, 39, 1377-1404. https://doi.org/10.1007/s00477-025-02922-4
Kritidou, E., Kauzlaric, M., Staudinger, M. (2025). Impact of different weather generator scenarios on extreme flood estimates in Switzerland. Stochastic Environmental Research and Risk Assessment, 39, 847-866. https://doi.org/10.1007/s00477-024-02843-8
Liu, L., Liu, S., & Pan, L. (2024). Reservoir flood prediction service based on a Seq2seq model. In J. Wang, B. Xiao, & X. Liu (Eds.), Service science (pp. 11-22). Springer. https://doi.org/10.1007/978-981-97-5760-2_11
Lymperi, O. A., & Varouchakis, E. A. (2024). Modeling extreme precipitation data in a mining area. Mathematical Geosciences, 56, 1405-1437. https://doi.org/10.1007/s11004-023-10126-1
Mantovani, J., Alcântara, E., Pampuch, L. A. (2024). Assessing flood risks in the Taquari-Antas Basin (Southeast Brazil) during the September 2023 extreme rainfall surge. npj Natural Hazards, 1, 9. https://doi.org/10.1038/s44304-024-00009-8
Mei, C., Liu, J., Shi, H. (2023). Exploring the impact of street layout on urban flood risk to people and vehicles under extreme rainfall based on numerical experiments. Science China Technological Sciences, 66(12), 2561-2574. https://doi.org/10.1007/s11431-022-2393-2
Nearing, G., Cohen, D., Dube, V. (2024). Global prediction of extreme floods in ungauged watersheds. Nature, 627(8004), 559-563. https://doi.org/10.1038/s41586-024-07145-1
Nemnem, A.M., Tanim, A.H., Nahian, A. (2025). How extreme rainfall and failing dams unleashed the Derna flood disaster. Nature Communications, 16, 4191. https://doi.org/10.1038/s41467-025-59261-9
Okonofua, E. S., Atikpo, E., Lasisi, K. H. (2022). Application of selected FFA methods in extreme flood prediction of the River Osse. Modeling Earth Systems and Environment, 8, 5061-5075. https://doi.org/10.1007/s40808-022-01400-y
Oyegbile, O., Chan, A., Ooi, M. (2024). Evaluation of WRF model performance with different microphysics schemes for extreme rainfall prediction in Lagos, Nigeria: Implications for urban flood risk management. Bulletin of Atmospheric Science and Technology, 5, 19. https://doi.org/10.1007/s42865-024-00081-y
Pawar, U. (2025). An identification and mapping of flood susceptible areas in the Wardha Basin using frequency ratio and statistical index models, India. Environmental Science and Pollution Research, 32, 1565-1580. https://doi.org/10.1007/s11356-024-35871-6
Qin, Z., Tian, Y., Wei, Y. (2024). Study on the up-downstream water level correlation and the extreme water levels under flood-tide encounters of the Feiyun River main stream. Environmental Earth Sciences, 83, 250. https://doi.org/10.1007/s12665-024-11552-y
Safari, S., Sadeghian, M.S., Hajikandi, H. (2024). Identifying homogeneous hydrological zones for flood prediction using multivariable statistical methods and machine learning. Applied Water Science, 14, 261. https://doi.org/10.1007/s13201-024-02316-x
Selva Jeba, G., & Chitra, P. (2024). River flood prediction through flow level modeling using multi-attention encoder-decoder-based TCN with filter-wrapper feature selection. Earth Science Informatics, 17, 5233-5249. https://doi.org/10.1007/s12145-024-01446-9
Sharma, D., Das, S., & Goswami, B. N. (2025). Seasonal prediction of Indian summer monsoon extreme rainfall frequency. npj Climate and Atmospheric Science, 8, 141. https://doi.org/10.1038/s41612-025-01032-w
Sundriyal, Y., Kumar, V., Khan, F. (2023). Impact of potential flood on riverbanks in extreme hydro-climatic events, NW Himalaya. Bulletin of Engineering Geology and the Environment, 82, 196. https://doi.org/10.1007/s10064-023-03205-4.
Suryawanshi, R., Maikap, H., Ingale, C., Jadhav, P., Kale, I., & Jain, K. (2025). Machine learning-based geospatial flood prediction: The case of Brahmaputra Basin. In P. K. Shukla, H. Sharma, & R. Mallipeddi (Eds.), World Congress on Smart Computing (pp. 19-34). Springer. https://doi.org/10.1007/978-981-97-9006-7_19
Totaro, V., Gioia, A., Kuczera, G. (2024). Modelling multidecadal variability in flood frequency using the Two-Component Extreme Value distribution. Stochastic Environmental Research and Risk Assessment, 38, 2157-2174. https://doi.org/10.1007/s00477-024-02673-8
Wang, X., Zhao, J., Meng, F. (2025). Research on flood peak prediction in the Three Gorges region based on similarity search with multisource information fusion. Earth Science Informatics, 18, 71. https://doi.org/10.1007/s12145-024-01509-x
Xu, Z., Zheng, H., Zhang, H. (2025). Enhancing monthly streamflow prediction with LSTM-P and ANN-P models using statistical feature-based penalty factors. Water Resources Management. https://doi.org/10.1007/s11269-025-04201-x
Yeboah, F., Ackom, E. K., Yidana, S. M. (2024). Hydrologic modelling for flood threshold and hazard prediction in the Black Volta River Basin, West Africa. Environmental Modeling and Assessment, 29, 375-394. https://doi.org/10.1007/s10666-023-09946-6
Zhao, J., & Marsani, M. F. (2025). Flood level prediction model based on Kolmogorov-Arnold Networks: an improved deep learning approach. Theoretical and Applied Climatology, 156, 247. https://doi.org/10.1007/s00704-025-05470-7.
مخاطرات محیط طبیعی

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از تاریخ 26 شهریور 1404

فایل ها

سابقه مقاله

  • تاریخ دریافت: 07 خرداد 1404
  • تاریخ بازنگری: 10 مرداد 1404
  • تاریخ پذیرش: 26 شهریور 1404
  • تاریخ اولین انتشار: 26 شهریور 1404
  • تاریخ انتشار: 26 شهریور 1404

هم رسانی

ارجاع به این مقاله

آمار