اعتبارسنجی برآوردهای بارندگی روزانه شبکه APHRODIT و برآوردهای حاصل از درون یابی مکانی بارندگی در استان خوزستان

آب و خاک

مقاله 10، دوره 28، شماره 3، مرداد 1393، صفحه 625-637   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v0i0.22014

نویسندگان

مژده جامعی^* ؛ محمد موسوی بایگی؛ محمد بنایان اول

دانشگاه فردوسی مشهد

چکیده

وجود داده های صحیح و قابل اطمینان بارندگی در مطالعات هیدرولوژی، مدیریت و برنامه ریزی منابع آب از اهمیت ویژه ای برخوردار است. در این مطالعه برای دستیابی به مناسب ترین روش برآورد بارندگی منطقه ای در استان خوزستان، داده های بارندگی روزانه برآوردی حاصل از مناسب ترین روش درون یابی و داده های بارندگی روزانه موجود شبکه APHRODITE طی سال های2000-2007 با مقادیر اندازه گیری شده در 44 ایستگاه هواشناسی مقایسه شدند. مناسب ترین روش درون یابی بارندگی روزانه از ارزیابی چهار روش: وزنی عکس فاصله، کریجینگ عمومی، کوکریجینگ و رگرسیون کریجینگ تعیین گردید. در روش های کریجینگ برای تحلیل نیم تغییرنماها پنج مدل نیم-تغییرنمای کروی، نمایی، خطی، خطی دارای حد آستانه و گوسی بر داده های بارندگی برازش داده شد. مقایسه داده-های بارندگی روزانه APHRODITE با داده های ثبت شده ایستگاه ها، از روش نزدیکترین همسایگی صورت پذیرفت. برای ارزیابی روش های مختلف از تکنیک اعتبارسنجی حذفی و تعیین دقیق ترین روش برآورد براساس شاخص های ریشه میانگین مربعات خطا، میانگین خطای اریب، خطای مطلق میانگین و تحلیل رگرسیونی انجام گردید. نتایج ارزیابی خطای روش های درون یابی نشان داد که روش رگرسیون کریجینگ دقت بالاتری در درون یابی داده های بارندگی روزانه استان خوزستان دارد. بنابراین روش های درون یابی مبتنی بر روابط رگرسیونی که از چندین متغیر کمکی استفاده می کنند، دقت برآورد بارندگی را در منطقه بهبود می دهند. مقایسه شاخص های خطا و تحلیل رگرسیونی روش درو یابی رگرسیون کریجینگ و برآوردهای شبکه APHRODITE بیانگر آن بود دقت برآورد رگرسیون کریجینگ در بیشتر روزهای مورد بررسی بالاتر از APHRODITE است. بنابراین برای آگاهی از توزیع مکانی و برآورد داده های بارندگی روزانه در استان خوزستان، استفاده از روش درون یابی رگرسیون کریجینگ دقیق تر از داده های موجود APHRODITE می باشد.

کلیدواژه‌ها

بارندگی روزانه؛ رگرسیون کریجینگ؛ APHRODITE؛ خوزستان

مراجع

1- بارانی زاده الف.، بهیار م.ب.، جوانمرد س. و عابدینی ی.ع. 1390. صحت سنجی برآوردهای بارندگی الگوریتم ماهوارهای PERSIANN با داده های بارش زمینی شبکه بندی شده APHRODIT در ایران. مجموعه مقالات کنفرانس فیزیک ایران. 2618-2615.

2- حسنی پاک ع.الف.1386. زمین آمار(ژئواستاتیستیک)، انتشارات دانشگاه تهران.

3- رضیئی ط.، عزیزی ق.، محمدی ح. و خوش اخلاق ف. 1389. الگوهای روزانه گردش جو زمستانه تراز 500 هکتوپاسکال بر روی ایران و خاورمیانه. مجله پژوهش های جغرافیای طبیعی74 : 34-17.

4- مدنی ح.1373. مبانی زمین آمار. دانشگاه صنعتی امیرکبیر- واحد تفرش.

5- میرموسوی ح.، مزیدی الف. و خسروی ی. 1389. تعیین بهترین روش زمین آمار جهت تخمین توزیع بارندگی با استفاده از GIS (مطالعه موردی: استان اصفهان).،‌ فصلنامه فضای جغرافیایی 10(30) :120-105.

6- نادی م.، جامعی م. و بذرافشان م.ج .1391. ارزیابی روش های مختلف درون یابی داده های بارندگی ماهانه و سالانه(مطالعه موردی: استان خوزستان).مجله پژوهش های جغرافیای طبیعی 44(4) :130-117.

7- Beven K.J. 2001. Rainfall–runoff Modelling: The Primer. John Wiley and Sons Ltd., Chicheste.

8- Coulibaly M. and Becker S. 2007. Spatial Interpolation of Annual Precipitation in South Africa -Comparison and Evaluation of Methods.Journal of International Water Resources Association, 32(3): 494-502.

9- Di Piazza A., Lo Conti F., Noto L.V., Viola F. and Loggia G.La. 2011. Comparative analysis of different techniques for spatial interpolation of rainfall data to create a serially complete monthly time series of precipitation for Sicily, Italy, International Journal of Applied Earth Observation and Geoinformation,13 : 396–408.

10- Francisco J.M. 2010. Comparison of different geostatistical approaches to map climate variables: application to precipitation. International Jornal of Climatology, 30: 620-631.

11- Kamiguchi K., Arakawa O., Kitoh A., Yatagai A., Hamada A. and Yasutomi N. 2010. Development of APHRO_JP, the first Japanese high-resolution daily precipitation product for more than 100 years. Hydrological Research Letters, 4:60–64.

12- Odeh I.O.A., McBratney A.B. and Chittleborough D.J. 1995. Further results on prediction of soil properties from train attributes: heterotopic Cokriging and regression-kriging. Geoderma 673: 215–226.

13- Rajeevan M. and Bhate J. 2009. A high resolution daily gridded rainfall dataset (1971–2005) for meso-scale meteorological studies. Curr. Sci, 96:558-562.

14- Raziei T., Mofidi A., Santos J. and Bordi I. 2011.Spatial patterns and regimes of daily precipitation in Iran in relation to large-scale atmospheric circulation. International Journal of Climatology.International Journal of Climatology, 32(8), 1226–1237.

15- Torres M.P.J. and Jacquin A.P. 2011. Geostatistical interpolation of precipitation data over an Andean catchment in Central Chile. Geophysical Research Abstracts,13:EGU2011-3829-1.

16- Verworn A. and Haberlandt U. 2011. Spatial interpolation of hourly rainfall – effect of additional information, variogram inference and storm properties. Hydrology and Earth System Sciences, 15:569–584.

17- Vu M.T., Raghavan S.V. and Liong S.Y. 2012. SWAT use of gridded observations for simulating runoff – a Vietnam river basin study Hydrology and Earth System Sciences, 16: 2801–2811.

18- Wagner P.D., Fiener P., Wilken F., Kumar Sh. and Schneider K. 2012. Comparison and evaluation of spatial interpolation schemes for daily rainfall in data scarce regions.Journal of Hydrology, 464–465 (2012): 388–400.

19- Wilks D.S. 2006. Statistical Methods in the Atmospheric Sciences, Second Edition, Academic Press is an imprint of Elsevier, Cornell University, USA.

20- Zhang X. and Srinivasan R. 2009. GIS-Based Spatial Precipitation Estimation: A Comparison of Geostatistical Approaches. Journal of the American Water Resources Association, 45(4) :894–906.

21- Yatagai A., Kamiguchi K., Arakawa O., Hamada A., Yasutomi N. and Kitoh A. 2012. APHRODITE: Constructing a Long-Term Daily Gridded Precipitation Dataset for Asia Based on a Dense Network of Rain Gauges. Bulltion of American Meteorological Society, 9: 1401–1415