مقایسه مدلPERSIANN با روشهای درون یابی به منظور کاربرد در تخمین مقادیر بارندگی روزانه(مطالعه موردی: خراسان شمالی)

آب و خاک

مقاله 20، دوره 25، شماره 1، فروردین 1390   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v0i0.8523

نویسندگان

محمدصادق غضنفری مقدم^{* 1}؛ امین علیزاده²؛ محمد موسوی بایگی³؛ علیرضا فریدحسینی⁴؛ محمد بنایان اول⁵

¹دانشگاه تحصیلات تکمیلی صنعتی کرمان

²استاد آبیاری، زهکشی و هواشناسی دانشگاه فردوسی مشهد، مشهد، ایران

³استاد هواشناسی کشاورزی، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه فردوسی مشهد

⁴دانشیار گروه آموزشی علوم و مهندسی آب-دانشکده کشاورزی دانشگاه فردوسی مشهد

⁵دانشگاه فردوسی مشهد

چکیده

چکیده
عامل بارندگی در مطالعات کاربردی که بر پایه پارامتر‌های هواشناسی صورت می‌گیرد همواره به عنوان مهمترین فاکتور نقش مهمی را ایفا کرده است. در بسیاری از مطالعات هیدرولوژیکی، هیدروکلیماتولوژی، هواشناسی و بویژه کشاورزی از داده‌های بارندگی ایستگاه‌های هواشناسی (سینوپتیک، کلیماتولوژی، باران سنجی) استفاده شده است. در این میان در مواردی که تراکم شبکه بارانسنجی پاسخگو نبوده و یا برای مناطقی که بعلت صعب العبور بودن فاقد ایستگاه و داده‌های معتبر بارندگی بوده اند، روش‌های درون یابی نقش مهمی را ایفا نموده اند. این روش‌ها همواره دارای خطا بوده و اغلب غیر قابل تعمیم بوده، بویژه در مناطق خشک و نیمه خشک که نوسانات زمانی و مکانی بارندگی جزو ویژگی‌های غالب این مناطق می‌باشد. در این مطالعه ابتدا مدل پیش بینی بارندگی از داده‌های سنجش از دور و شبکه عصبی مصنوعی (PERSIANN) معرفی شده و سپس به منظور جایگزینی برای روشهای درون یابی در تخمین بارش روزانه در مناطق فاقد ایستگاه، خروجی‌های مدل با دو روش رایج درون یابی (کریجینگ و روش معکوس فواصل) مقایسه شده است. بدین منظور داده‌های 6 ایستگاه هواشناسی در استان خراسان رضوی برای سال‌های 2006 تا 2008 مورد استفاده قرار گرفت. نتایج آنالیز آماری، همبستگی بیشتر خروجی‌های PERSIANN را با داده‌های واقعی بارندگی نسبت به دو روش درون یابی نشان می‌دهد، بطوریکه ضریب همبستگی خروجی‌های مدل با داده‌های ایستگاه بجنورد در آزمون کندال 805/0 بوده که این مقدار برای داده‌های بازسازی شده به روش معکوس فواصل 488/0 و برای کریجینگ 565/0 بوده است.

واژه های کلیدی: مدل PERSIANN، روش معکوس فواصل، روش کریجینگ، تخمین بارندگی روزانه، روش‌های درون یابی