ارزیابی روش های درون‌یابی بارش سالانه و فصلی در دشت مشهد

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشگاه صنعتی شاهرود

2 استادیار دانشکده مهندسی عمران، دانشگاه صنعتی شاهرود

3 کارشناش اداره کل شبکه

4 استاد فیزیک کاربردی دانشگاه والنسیا

چکیده

برآورد تغییرات مکانی عوامل هواشناسی در بسیاری از مطالعات هواشناسی و منابع آب اجتناب‌ناپذیر است. بارندگی یکی از مهم‌ترین اجزای گردش آب در طبیعت است و توزیع مکانی آن نقش مهمی در مدیریت منابع آب دارد. در بررسی توزیع مکانی بارش، انتخاب روش درون‌یابی یکی از چالش‌های اصلی است.
هدف این تحقیق تعیین بهترین روش درون‌یابی بارش در دشت مشهد، به‌عنوان قطب اصلی کشاورزی در استان خراسان رضوی است. بدین منظور داده‌های بارش موجود در دوره آماری 2004 تا 2013 گردآوری شد. پس از بررسی کیفیت و خلأهای موجود، مجموعاً 63 ایستگاه شامل ایستگاه‌های هواشناسی(32ایستگاه باران‌سنجی و 3 ایستگاه سینوپتیک)و وزارت نیرو (28 ایستگاه باران‌سنجی) مناسب تشخیص داده شد. سپس جهت برآورد توزیع مکانی بارش از 5 روش درون‌یابی ازجمله کریجینگ، کو کریجینگ، رگرسیون، رگرسیون کریجینگ و روش وزنی عکس فاصله استفاده شد. برای انتخاب مناسب‌ترین روش درون‌یابی محاسبه‌ی ریشه دوم مربع میانگین خطا RMSE و میانگین انحراف خطا MBE مدنظر قرار گرفت.
ارزیابی روش‌ها با استفاده از روش اعتبارسنجی حذفی انجام شد و مناسب‌ترین روش درون‌یابی بر اساس تحلیل واریوگرافی نشان داد مدل کروی، به‌عنوان بهترین مدل نظری برای نیم تغییر نما است. بررسی خطاهای روش نشان داد روش ترکیبی رگرسیون کریجینگ با 5.8541RMSE=و 0.3004MBE= به‌عنوان بهترین روش و پس‌ازآن روش رگرسیون سه متغیره (طول و عرض جغرافیایی و ارتفاع) با 7.5888RMSE= و 0.3498 MBE= دارای بهترین برآورد از مقادیر بارش سالانه هستند؛ اما برای بارش های فصلی به دلیل همبستگی ضعیف داده ها بهتر است از روش کریجینگ برای درون یابی داده های بارش استفاده شود. همچنین روش کو کریجینگ به‌عنوان ضعیف‌ترین روش شناخته شد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Assessment of interpolation methods for annual and seasonal precipitation in Mashhad plain

نویسندگان [English]

  • saeed golian 2
  • Ebrahim Ebrahim Asadi Oskouei 3
  • Ernesto Lopez-Baeza 4
2 Civil Engineering Department, Shahrood University of Technology
3 expert of Iranian Meteorological Organization
4 A/Professor of Applied Physics University of Valencia
چکیده [English]

Rainfall is one of the most important components of the hydrologic cycle, and its spatial distribution plays an important role in water resources management. Choosing an appropriate interpolation method is one of the main challenges in optimally estimating the values at those locations where no samples or measurements were taken. The purpose of this research is to determine the best interpolation method for precipitation in Mashhad plain as the main agricultural areas in Khorasan Razavi Province. First, rainfall data was collected during the period of 2004 to 2013. A total of 63 stations were selected. Then, five interpolation methods, namely Kriging, co-Kriging, Regression, regression Kriging and Inverse Weighted Distance were used for estimating spatial distribution of precipitation. The Root Mean Square Error and Mean Bias Error was considered to select the best interpolation method. The interpolation approaches were evaluated using a cross-validation method. Results revealed that the most accurate interpolation method is based on the spherical model as the theoretical semivariogram model. The error of method showed that the regression kriging and three-variable regression (x,y,z) methods are the most accurate models with RMSE=5.8541 and MBE=0.3004 and RMSE=7.5888 and MBE=0.3498, respectively to interpolate annual precipitation over the study area. It was also deduced that for seasonal rainfall data, due to poor data correlation, it is better to use the Kriging method to interpolation method. The co-Kriging method was also recognized as the weakest method with least accuracy for rainfall interpolation.

کلیدواژه‌ها [English]

  • Precipitation
  • Interpolation methods
  • Regression kriging
  • Mashhad plain
 
 1. ثقفیان، ب.، سیما، مقایسه ی روش های درون یابی و برون یابی برای برآورد توزیع مکانی مقدار بارندگی سالانه،دو فصلنامه‌ی تحقیقات منابع آب ایران ، سال اول، شماره2،  صفحه‌74 الی 84 ، 1384.

2.فرجی سبکبار، ح.، پژوهش‌های جغرافیای طبیعی، ارزیابی میزان دقت روش های درون یابی فضایی )مطالعة موردی: الگوسازی بارندگی حوزة کارده مشهد، دوره 38، شماره‌ 58، صفحه‌ 1 الی 15، 1385.

3.حسنی پاک، ع.، زمین‌آمار(ژئواستاتیستیک)،چاپ دوم، 1388،  انتشارات دانشگاه تهران، تهران.

4.دلبری، م.، جهانی، س.، ارزیابی استفاده از مدل رقومی ارتفاع در تخمین بارش ماهانه و سالانه استان گلستان، مجله آبیاری و زهکشی ایران، دوره 6، صفحه 118 الی 132، 1391.

5.میرموسوی، س، مزیدی ، ا.،تعیین بهترین روش زمین آمار جهت تخمین توزیع بارندگی بااستفاده ازGIS( مطالعه موردی استان اصفهان)، فصلنامه‌ی فضایی جغرافیایی، سال دهم، شماره  30، صفحه‌ 105 الی 120، 1389.

6.معروفی، ص، گل محمدی، گ، محمدی، ک.، ارزیابی روش های زمین آمار در برآورد توزیع مکانی بارش در استان همدان در محیط GIS، مجله دانش آب‌وخاک، دوره19،  شماره 2،   صفحه‌ 1 الی 18، 1388.

7.نادی، م.،ارزیابی روش های مختلف درو نیابی داده های بارندگی ماهانه و سالانه پژوهش‌های جغرافیای طبیعی، سال44،  شماره‌ 4،  صفحه‌ 117 الی 130، 1391.

8.Anderson.Sharolyn ،An Evaluation of Spatial Interpolation Methods pn Air Temperature in Phoenix،AZ, 2000

9.Apaydin, H., Sonmez, F.K. and Yildirim, Y.E. "Spatial interpolation techniques for climate data in the GAP region in Turkey". Climate Research. Vol. 28. No. 1: 31-40, 2004

10.Coulibaly, M., Becker, S., Spatial Interpolation of Annual Precipitation in South Africa Comparison and Evaluation of Methods, International Water Resources Association, Water International, Vol. 3, No. 23, PP. 494-502, 2007

11.Deutsch, C.V. and Journel, A.G.,GSLIB: Geostatistical Software Library and User's Guide. 2nd ed. NewYork: Oxford University Press, 1988

12.Francisco, J.M.,Comparison of Different Geostatistical Approaches to Map Climate Variables: Application to Precipitation International Journal of Climatology, No. 30, PP. 620-631, 2010

13.Goovaerts, P., Geostatistical Approaches for Incorporating Elevation Into the Spatial Interpolation of Rainfall, Journal of Hydrology, Vol. 228, PP. 113-129., 2000

14.Kravchenko, A., Zhang, R., Tung, Y, Estimation of Mean Annual Precipitation in Wyoming Using Geostatistical Analysis, 16th Annual Hydrology Days, Colorado., 1996

15.Lloyd, C. "Assessing the effect of integrating elevation data into the estimation of monthly precipitation in Great Britain". Journal of Hydrology. Vol. 308: 128-150. 2005

16.Mair, A. and Fares, A. "Comparison of rainfall interpolation methods in a mountainous region of atropicalisland". Journal of Hydrologic Engineering. Vol. 16. No. 4: 371-383. 2010

17.Odeh, I. O. A., McBratney, A.B., Chittleborough, D. J., Geoderma,Further Results on Prediction of Soil Properties from Terrain Attributes: Heterotopic Cokriging and Regression-Kriging Vol. 67, No.3, PP. 215-226, 1995

18.Siska،peter .P. and I-Kuai Hung, Assessment of kriging Accuracy in the GIS Environment, Http://gis.esri.com/userconf/proc01/professional/papers/pap280/ p280.htm, 2001

19.Zhang, X., Srinivasan, R., GIS-Based Spatial Precipitation Estimation: A Comparison of Geostatistical Approaches, Journal of the American Water Resources Association (JAWRA), Vol. 45, No. 4, PP. 894- 906., 2009