پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,228 |
| تعداد مقالات | 67,750 |
| تعداد مشاهده مقاله | 115,083,091 |
| تعداد دریافت فایل اصل مقاله | 89,821,897 |
ارزیابی روش‌های مختلف درون‌یابی داده‌های بارندگی ماهانه و سالانه (مطالعهی موردی: استان خوزستان) | ||
| پژوهش های جغرافیای طبیعی | ||
| مقاله 7، دوره 44، شماره 4، دی 1391، صفحه 117-130 اصل مقاله (1.1 M) | ||
| شناسه دیجیتال (DOI): 10.22059/jphgr.2012.30245 | ||
| نویسندگان | ||
| مهدی نادی1؛ مژده جامعی2؛ جواد بذرافشان3؛ سمیه جنت رستمی4 | ||
| 1دانشجوی دکترای هواشناسی کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران | ||
| 2دانشجوی دکترای هواشناسی کشاورزی، دانشگاه فردوسی مشهد | ||
| 3استادیار پردیس کشاورزی و منابع طبیعی، دانشگاه تهران | ||
| 4دانشجوی دکترای مهندسی منابع آب، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران | ||
| چکیده | ||
| نقشه‌های همبارش یک منطقه، پیش‌نیاز بسیاری از مطالعات هیدرولوژی و هواشناسی است. دقّت نقشه‌های همبارش، به روش درون‌یابی داده‌های بارندگی وابسته است. با توجّه به توپوگرافی پیچیدهی استان خوزستان و فقدان ایستگاه‌های هواشناسی مرتفع با آمار درازمدّت در آن، تعیین روش مناسب درون‌یابی داده‌های بارندگی ماهانه و سالانه در این استان ضروری بهنظر می‌رسد. به این منظور، هفت روش درون‌یابی شامل کریجینگ عمومی، کوکریجینگ، کریجینگ با روند خارجی، رگرسیون کریجینگ، وزنی عکس فاصله، اسپلاین و گرادیان خطّی سهبُعدی با یکدیگر مقایسه شدند. در تحلیل واریوگرافی داده‌های بارندگی، پنج مدل نیمتغییرنما بر داده‌های بارندگی برازشداده شد. ارزیابی روش‌ها با استفاده از روش اعتبارسنجی حذفی انجام شد و انتخاب روش مناسب درون‌یابی براساس تحلیل رگرسیونی، محاسبهی ریشهی میانگین مربّعات خطا و میانگین خطای اریب انجام گرفت. نتایج تحلیل واریوگرافی نشان داد مدل کروی، بهعنوان بهترین مدل نظری نیمتغییرنما است. همچنین داده‌های بارندگی این منطقه در تمامی ماه‌ها، بهجز ماه‌های کم‌بارش دارای ساختار مکانی قوی بودند. تحلیل نتایج نشان داد که تمامی روش‌ها بهجز روش رگرسیون کریجینگ، در برآورد مقادیر زیاد بارندگی دچار خطای کمبرآوردی هستند. با مقایسه روش‌های درون‌یابی مورد بررسی، روش رگرسیون کریجینگ، بهعنوان مناسب‌ترین روش درون‌یابی داده‌های بارندگی ماهانه و سالانه تشخیص داده شد. همچنین با روش منتخب، نقشهی همبارش سالانهی استان ترسیم و از روی آن، میانگین بارندگی سالانهی منطقه 391 میلیمتر بهدست آمد که این مقدار به اندازهی 41 میلیمتر بیشتر از مقدار ارائه شده از سوی سازمان هواشناسی کشور است که دلیل آن، استفاده از ارتفاع، بهعنوان متغیّر کمکی است که تا حدودی توانست مشکل کمبود ایستگاه‌های مرتفع در منطقه را رفع کند. بهعلاوه نتایج پژوهش نشان داد، روش‌هایی که از متغیّر ارتفاع بهعنوان متغیّر کمکی برای برآورد بارندگی استفاده می‌کنند، نسبت به روش‌های دیگر از دقّت بالاتری برخوردارند. | ||
| کلیدواژه‌ها | ||
| اسپلاین؛ بارندگی؛ خوزستان؛ رگرسیون کریجینگ؛ روش‌های درون‌یابی | ||
| عنوان مقاله [English] | ||
| Evaluation of Different Methods for Interpolation of Mean Monthly and Annual Precipitation Data (Case Study: Khuzestan Province) | ||
| نویسندگان [English] | ||
| mehdi nadi1؛ M Jamei2؛ Javad Bazrafshan3؛ S Janatrostami4 | ||
| چکیده [English] | ||
| Introduction Isohyetal map is the prerequisite of hydrology, meteorology and climatology studies. Precipitation distribution in a region is related to regionalization method of precipitation data. Khuzestan elevation fluctuates from sea level up to 3712 meter while the elevations of meteorological stations fluctuate from 3 meter up to 875 meter. Due to the complex topography of Khuzestan province and the lack of high elevation meteorological stations with long-term data, it is necessary to determine the appropriate interpolation method for monthly and annual precipitation data in this region. Methodology In this study, in order to determine the best method for regionalization of precipitation data, seven interpolation methods were compared together. These methods are ordinary kriging, Cokriging, kriging with external drift, regression kriging, inverse distance weighting, spline and three-dimensional linear gradient. The monthly average and annual long-term data were used from 37 meteorological stations (synoptic, climatology and rain gage) over the 22-year period (1984-2005). In variography analysis, five variogram models (spherical, exponential, Gaussian, linear and linear to sill) were fitted to precipitation data and the best one was selected based on higher correlation coefficient and higher structured component to unstructured ratio. Cross validation technique was used to compare the interpolation methods and the best one was chosen based on regression analysis, and calculation of some error indices like as root mean square error and mean bias error. Results and Discussion The probability distribution of precipitation data were tested for normality with Anderson Darling (AD) method. The results showed that precipitation data had normal distribution throughout the year except January and December. Non-normal data in other months were normalized with logarithmic transformation. Variography analysis results showed that structured component in more than 85% of the months was more effective than unstructured component. Our results confirmed that precipitation data had strong spatial structure. Effective ranges of precipitation data vary from 81.1 Km (in warm months) to 250.3 Km (in cold months). Also spatial structure of warm months was weaker than cold months. The goodness of fit results for different variogram models showed that the optimal model was the spherical model. These results were obtained based on evaluation of different interpolation methods: • The optimum power in Inverse Distance Weighting method among the five powers (1-5) was the power 3. It was also found that in this method the variation of adjacent point’s number does not have significant differences in results. • The Cokriging method was removed from calculations, because spatial correlation was not strong enough in cross variogram models for different months,. • Altitude variable and altitude, longitude, latitude variables were selected as covariate variables in kriging with external drift and regression kriging methods, respectively. • The results of three-dimensional linear gradient method showed that meridional, zonal and altitudinal gradients are positive in all months. In other words, precipitation increase from west to east and south to north of region and also increase with increase in altitude. • Selection of regression kriging and kriging with external drift methods as the best methods based on the regression analysis showed that there is a consistency between results of these methods with real data. So that it can be considered as a result of using elevation as covariate variable. • Regression kriging was selected as the best interpolation method in monthly precipitation data based on error indices and regression analysis results in Khuzestan province. • In annual precipitation data, Regression kriging and ordinary kriging methods were selected as the best interpolation methods based on regression analysis and calculation of error indices. But precipitation of highland area was underestimated by using ordinary kriging method. Considering the importance of precipitation in the highland area and slight difference of root mean square error between these two methods, regression kriging was selected as the best interpolation method for annual precipitation data. In this study, long-term weighted average of annual precipitation data in Khuzestan province was calculated by using regression kriging. It was 391 mm, which is 41 mm more than the amount reported by the Iran meteorological organization. Conclusion Among the interpolation methods which were investigated in this study, regression kriging method is introduced as the most suitable interpolation method in Khuzestan province for monthly average and annual precipitation data. The average annual precipitation obtained from regression kriging map was 41 millimeter more than the average reported by the Iran Meteorological Organization. This difference is due to accurate estimation of precipitation over highland area of this region. | ||
| کلیدواژه‌ها [English] | ||
| interpolation methods, Khuzestan, precipitation, Regression Kriging | ||
|
آمار تعداد مشاهده مقاله: 5,087 تعداد دریافت فایل اصل مقاله: 2,410 |
||