مطالعه تطبیقی روش‌های برآورد منطقه‌ای دمای بیشینة روزانه (مطالعه موردی: استان اصفهان)

آب و خاک

مقاله 10، دوره 29، شماره 2، خرداد 1394، صفحه 504-516   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v0i0.26427

نویسندگان

قمر فدوی^* ؛ جواد بذرافشان

دانشگاه تهران

چکیده

تعیین توزیع منطقه‌ای دمای بیشینة روزانه نقش مهمی در اجرای منطقه‌ای مدل‌های اقلیم-محصول و به‌خصوص ارزیابی نواحی تحت تنش دمایی پوشش‌های گیاهی دارد. هدف تحقیق حاضر ارزیابی دقت روش های درون یابی در برآورد منطقه ای دمای بیشینة روزانه در استان اصفهان و نیز مقایسه دقت این روش ها در دوسال مختلف با تعداد ایستگاه های متفاوت و تأثیرآن در میزان دقت روش های درون یابی می باشد. در این پژوهش برای درون یابی دمای بیشینة روزانه استان اصفهان ازداده های ایستگاه های سازمان هواشناسی کشور در سال های 1992 و 2007 استفاده شد. سال 1992 با تعداد30 ایستگاه (19 ایستگاه همدیدی و11 ایستگاه اقلیم شناسی) به‌عنوان سال با تعداد ایستگاه کم و سال 2007 با تعداد 54 ایستگاه (31 ایستگاه همدیدی و23 ایستگاه اقلیم شناسی) به عنوان سال با تعداد ایستگاه های تقریباً دو برابر سال 1992 انتخاب شدند.جهت منطقه ای نمودن داده های نقطه ای دمای بیشینة روزانه روش های درون یابی شامل: وزنی عکس فاصله، کریجینگ، کوکریجینگ، کریجینگ-رگرسیون، روش-رگرسیون چندگانه خطی واسپیلاین بکار گرفته شد. ارزیابی نتایج درون یابی و انتخاب بهترین روش به کمک چهار آمارۀ ریشه میانگین مربعات خطا، میانگین خطای مطلق و ضریب همبستگی انجام شد. بر اساس نتایج بدست آمده روش رگرسیون چندگانه خطی برای درون یابی داده های دمای بیشینه روزانة سال 1992 (با ریشه میانگین مربعات خطا از 41/1 تا 03/4، میانگین خطای مطلق از 98/0 تا55/2 و ضریب همبستگی از61/0 تا 95/0) و روش رگرسیون چندگانه خطی برای درون یابی داده های دمای بیشینه روزانة سال 2007 (با ریشه میانگین مربعات خطا از 99/0 تا 98/3، میانگین خطای مطلق از 77/0 تا 92/2 و ضریب همبستگی از 32/0 تا 97/0) با داشتن کمترین خطا به‌عنوان بهترین روش بوده وروش های کریجینگ-رگرسیون، کریجینگ،کوکریجینگ، وزنی عکس فاصله واسپیلاین در مراتب بعدی قرار گرفتند. با توجه به نتایج به‌دست آمده از این مطالعه برای افزایش دقت تخمین پیشنهاد می‌شود نسبت به احداث ایستگاه های جدید به خصوص در مناطق با تنوع ارتفاعی، اقدام به‌عمل آید.

کلیدواژه‌ها

اصفهان؛ درون یابی؛ دمای بیشینة روزانه

مراجع

1- Anderson S. 2002. An evaluation of spatial interpolation methods on air temperature in Phoenix, AZ. http://www.cobblestoneconcepts.com/ucgis2summer/anderson/anderson.htm

2- Baghebanbashi M.V. and Sepaskhah A.R. 2001. Assessing the geostatistical methods for estimation of annual rainfall in Fars, Boushehr, Kohkilouieh va Bouirahmad provinces. Journal of Shiraz university,25(4B):432.

3- Bazgeer S., Oskuee E.A., Hagigat M., and Darban Astane A.R. 2012. Assessing the Performance of Spatial Interpolation Methods for Mapping Precipitation Data: A Case Study in Fars Province, Iran.Trends in Applied Sciences Research, 7: 467-475

4- Burrough P.A., and Mc Donnell R.A. 1998. Creating Continuous Surfaces from Point Data. In: Principles of Geographic Information Systems, Burrough, P.A. and M.F. Goodchild, R.A. McDonnell, P. Switzer, M. Worboys (Eds.), Oxford University Press, Oxford, UK., pp: 535-550.

5- Chen D., Gong L., Xu C.-Y., and Halldin S. 2007. A high-resolution gridded dataset for monthly temperaturenormals (1971–2000) in Sweden. Geogr. Ann., 89 A (4): 249–261.

6- Chuanyan Z., Zhongren N., and Guodong Ch. 2005 . Methods for modelling of temporal and spatial distribution of air temperature at landscape scale in the southern Qilian mountains, China, Ecological Modelling, 189: 209–220

7- Daly CH .2006. Guidelines for assessing the suitability of spatial climate data sets. International Journal of Climatology, 26:707-721.

8- Goula Bi, T.A., FadikaV., and Soro G.E. 2011. Improved estimation of the mean rainfall and rainfall-runoff modeling to a station with high rainfall (Tabou) in South-Western Cote D'ivoire. J. Applied Sci., 11: 512-519.

9- Hong Y. Nix H.A., Hutchinson M.F., and Booth T. 2005 .Spatial interpolation of monthly mean climate data for China. International J. of climatology, 25:1369-1379.

10- Hassani pak A.A. 1998. Geostatistics. Tehran University, Tehran. (in Persian)

11- Jarvis C.H., and Stuart N. 2001. A comparison among strategies for interpolating maximum and minimum daily air temperatures. Part II: the interaction between number of guiding variables and the type of interpolation method. J. Appl. Meteorol, 40, 1075–1084.

12- Joly D., Brossard T., Cardot H., Cavailhes J., Hilal M. and Wavresky M. 2010. Temperature interpolation based on local information: the example ofFrance. International Journal of Climatology. (wileyonlinelibrary.com) DOI: 10.1002/joc.2220

13- Mehdizadeh M. 2002. Evaluation of geostatistical methods to estimate temperature and rainfall in Ourmieh lake basin. M.Sc. Thesis, University of Tehran. (in Persian with English abstract)

14- Nadi M. 2010. Application of various interpolation techniques of climatic data for determining the most important factors affecting the tree growth at the elevated areas of Chaharbagh, Gorgan. M.Sc.Thesis, University of Tehran.(in Persian with English abstract)

15- Skirvin S.M., Marsh S.E., McClaranw M.P., and Mekoz D.M. 2003. Climatepatial variability and data resolution in asemi-arid watershed, south-eastern Arizona. Journal of Arid Environments, 54: 667–686.

16- Stahl K., Moore R.D., Floyer J.A., Asplin M.G., and McKendry,I.G. 2006. Comparison of pproaches for spatial interpolation of daily airtemperature in a large region with complex topographyand highly variable station density. Agricultural and Forest Meteorology, 139: 224–236

17- Taskinena. Sirvio H., and Vehvilainen B. 2003.Interpolation of daily temperature in finland. Nordic hydrology, 34(5):413-426.

18- Vicente-Serrano S.M., Saz-Sanchez M.A., and Cuadrat J.M. 2003. Comparative analysis of interpolation methods in the middle Ebro Valley(Spain): application to annual precipitation and temperature. Climate Research, 24: 161–180.

19- Wang Y., and Hou SH. 2009. A new interpolation method for Antarctic surface temperature. Progress in Natural Science, 19:1843–1849.

20- Willmott C.J.1982. Some comments on the evaluation of model performance. Bulletin American Meteorological Society, 63(11):1309-1313

21- Yang J.S., Wang Y.Q., and August P.V. 2004. Estimation of Land Surface Temperature Using Spatial Interpolation andSatellite-Derived Surface Emissivity.Journal ofEnvironmental Informatics, 4 (1): 37-44.