مطالعه موردی پهنه بندی بارش ( ماهانه ،فصلی ، سالانه) و مقایسه برخی روش های درون یابی بارش روی ایران

نوع مقاله : مقاله ترویجی

نویسندگان

1 کارشناس هواشناسی استان مرکزی

2 عضو هیات علمی پژوهشکده هواشناسی

چکیده

بارش یکی از عناصر مهم اقلیمی است که از پیچیدگی های خاصی برخورداراست. از آن جا که تغییرات مکانی و زمانی این عنصر مهم اقلیمی بسیار با اهمیت است تقاضا برای تهیه اطلس های اقلیمی و بلند مدت آن اهمیت چشمگیری پیدا می کند. آگاهی از مقادیر این کمیت در کلیه مناطق کشور ، ضرورت انجام فرآیند درون یابی را برای نقاط بدون داده (ایستگاه ) آشکار می سازد. از اینرو ضمن مرور شش روش متداول درون یابی ، شامل عکس مجذور فاصله (IDW) ، وایازش خطی چندگانه (MLR) ،گرادیان بعلاوه عکس مجذور فاصله (GIDS) ،کریجینگ ساده (S- KRIGING) ، کریجینگ معمولی(O- KRIGING) و کریجینگ جهانی (U-KRIGING)، پهنه بندی بارش های متوسط( ماهانه ، فصلی و سالانه) روی کشور اراِئه می شود. شایان گفتن است که این مطالعه با در نظر گرفتن تاثیر ناهمواری انجام شده است . با مقایسه این شش روش یادشده درون یابی و نیز محاسبات میانگین مطلق خطا (MAE) و ریشه میانگین مربع خطا (RMSE) مشاهده شد که روش گرادیان بعلاوه عکس مجذور فاصله نسبت به روش های دیگر از دقت بالاتری در براورد بارش در نقاط مختلف کشور برخوردار است. همچنین روش عکس مجذور فاصله کمترین دقت را نیز داشته است. در اندازه گیری های بارش بیشینه روش گرادیان بعلاوه عکس مجذور فاصله نسبت به سایر روش ها بهترین تخمین را داشته حال آن که در بارش کمینه روش U-K بهترین برآورد را داشته و بقیه روش ها تقریبا از یک میزان خطا برخوردار بوده اند. محاسبات پهنه بندی بارش تجمعی سالانه روی کشور نشان دهنده بیشترین بارش روی مناطق شمالی ، شمال غرب و سلسله جبال زاگرس بوده است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

A Case study of comparing some interpolation methods for precipitation analysis over Iran

نویسندگان [English]

  • Mohammad Amini 1
  • Akram Hedayati 2
  • Majid Azadi 2
چکیده [English]

Precipitation is one of the most complicated climatic elements. Moreover, for many applications a climatological atlas of precipitation is needed. Preparing a climatological atlas of precipitation using observed rain gauge data is a challenging task.
In this research six interpolation methods including Inverse Distance Weighting (IDW), Gradient plus Inverse Distance Squared (GIDS), Multiple Linear Regression (MLR), Ordinary Kriging (O-K), Universal Kriging (U-K) and Simple Kriging (S-K) have been used to analyze the monthly, seasonal and annual means of precipitation at 354 synoptic stations over Iran during TIR 1393 to KHORDAD 1394 and the results have been compared.
Comparison of the results showed that the GIDS method gives relatively better performance for most of the times. It is also found that the U-K method has considerably lower errors particularly for the interpolation of precipitation over the regions/seasons with low amounts of precipitation. The final analyzed data agree well with the corresponding observations

کلیدواژه‌ها [English]

  • Analysis
  • Interpolation methods
  • Precipitation
  • Iran
1- ناظم السادات ، س . ، ب . بیگی و س . امین ، 1382  پهنه بندی بارندگی زمستانه استان های بوشهر ، کهگیلویه و بویر احمد با استفاده از روش تحلیل مولفه های اصلی . مجله علوم و فنون کشاورزی و منابع طبیعی . شماره اول .
2- دین پژوه ، ی . ،  ا . فاخری فرد ، م . مقدم واحد ، س . جهانبخش و م ، میرنیا . 1382 انتخاب متغیرها به منظور پهنه بندی اقلیم بارش ایران با روش های چند متغیره . مجله علوم کشاورزی ایران ، شماره 34 : ص 823-809
3- صمدی ، س . و ح . محمدی ، 1389 . پهنه بندی بارش پاییزه نیمه غربی ایران : کاربرد توابع متعامد تجربی در مطالعات اقلیم شناسی . نشریه تحقیقات کاربردی علوم جغرافیایی . جلد 16 شماره 19 : 44-27
4- نادی ، م . ، ع . خلیلی ، ک . پورطهماسبی ، ج . بذرافشان ، 1392 . مقایسه تکنیک های مختلف پهنه بندی داده های اقلیمی برای تعیین مهم ترین عامل های موثر بر رویش درختان ناحیه مرتفع چهارباغ گرگان . مجله منابع طبیعی ایران دوره 66 شماره 1
5- شمس الدینی ، علی 1379 . تغییرات منطقه ای بارندگی با استفاده از روش کریجینگ در استان های شمالی ، پایان نامه کارشناسی ارشد آبیاری و زهکشی ، دانشکده کشاورزی دانشگاه شیراز
6- بلیانی، ی . س . حکیم دوست ، 1393 ، اصول و مبانی پردازش داده های مکانی (فضایی) با استفاده از روش های تحلیل فضایی ، انتشارات آزاده پیما
7-Nalder, I . A . and R. W . Wein , 1998, Spatial interpolation of climatic normal: test of a new method in the Canadian boreal forest. Agricultural and forest meteorology , 92(4) : p. 211-225.
8-Aalto, J., et al., 2013, Spatial interpolation of monthly climate data for Finland: comparing the performance of kriging and generalized additive models. Theoretical and Applied Climatology, 112(1-2): p. 99-111.
9-Sluiter, R., 2008, Interpolation methods for climate data: literature review. De Bilt, Royal Netherlands Meteorological Institute(KNMI).
10-Hattis, D., Y. Ogneva-Himmelberger, and S. Ratick,2012, The spatial variability of heat-related mortality in Massachusetts. Applied Geography, 33: p. 45-52.
11-Daly, C.,2006, Guidelines for assessing the suitability of spatial climate data sets. International journal of climatology, 26(6): p. 707-721.
12-Yang , X . , X . Xiaojin , D . Liu , F. Ji , and L.Wang .2015,  Spatial Interpolation of Daily Rainfall Data for Local Climate Impact Assessment over Greater Sydney Region, Advances in Meteorology
13-Tang , L . , X .Su , G . Shao , H . Zhang ,and J. Zhao .2012,  A Clastering – Assissted Regression (CAR) Approach for Developing Spatial Climate Data Sets in China. Environmental Modeling and Software . 38 . p. 122-128
14- Ly, S . , C. Charles and A . Degre.2011,  Geostatistical Interpolation of Daily Rainfal at catchment Scale : The Use of Several Variogram Models in the Ourthe and Ambleve catchments. Belgium. Hydrology and Eerth System Sciences , 15. P . 2259-2274
دوره 42، 100-101
فروردین 1397
صفحه 67-74
  • تاریخ دریافت: 20 خرداد 1396
  • تاریخ بازنگری: 27 شهریور 1396
  • تاریخ پذیرش: 29 مهر 1396
  • تاریخ اولین انتشار: 01 فروردین 1397