پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,230 |
| تعداد مقالات | 67,757 |
| تعداد مشاهده مقاله | 115,115,561 |
| تعداد دریافت فایل اصل مقاله | 89,882,630 |
بهینه‌سازی تعداد ایستگاه‌های باران‌سنجی ایران براساس روش‌‌های میان یابی و تحلیل مولفه‌های اصلی | ||
| اکوهیدرولوژی | ||
| مقاله 23، دوره 4، شماره 3، مهر 1396، صفحه 897-910 اصل مقاله (1.03 M) | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ije.2017.62648 | ||
| نویسندگان | ||
| زهرا گرکانی نژاد مشیزی1؛ فاطمه تیموری2؛ ام البنین بذرافشان* 3 | ||
| 1دانش آموختۀ کارشناسی ارشد آبخیزداری، دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه هرمزگان، بندرعباس | ||
| 2دانش آموختۀ کارشناسی ارشد آبخیزداری، دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه هرمزگان، بندرعباس | ||
| 3استادیار، دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه هرمزگان، بندرعباس | ||
| چکیده | ||
| بهینه‌سازی تعداد ایستگاه‌های سینوپتیک در تخمین میزان بارندگی به لحاظ کاهش هزینۀ تعمیر و نگهداری، گامی مهم است. هدف اصلی این تحقیق، تعیین تعداد بهینۀ ایستگاه‌های سینوپتیک برای تخمین میزان بارندگی است. بر این اساس، ابتدا مقادیر باران ایستگاه‌های سینوپتیک مربوط به دورۀ آماری مشترک 14ساله از سازمان هواشناسی کشور اخذ شد و عملکرد پنج روش مختلف درونیابی ارزیابی شد. با توجه به نتایج، روش تابع پایۀ شعاعی (RBF)، با میزان خطای 63/0 به‌عنوان مناسبترین برازش داده، انتخاب شد و سپس با استفاده از روش یادشده و PCA بهینه‌سازی ایستگاهها صورت پذیرفت. بررسیهای انجام‌شده نشان میدهد با حذف ایستگاه‌های سینوپتیک در روش PCA خطای برآورد RMSE از 48/0 به 52/0 نسبت به حالتی که از همۀ ایستگاه‌های سینوپتیک استفاده میشد، افزایش یافت و در روش میانیابی تابع پایۀ شعاعی میزان خطا از 63/0 به 55/0 کاهش یافت که بیان‌کنندۀ مناسب‌بودن این روش در بهینه‌سازی ایستگاه‌های سینوپتیک کشور است. نتایج بیان می‌کند که با حذف 34 نقطه در روش PCA و 22 نقطه در روش میانیابی تابع پایۀ شعاعی از شبکۀ ایستگاه‌های سینوپتیک ایران مقدار خطای به‌دست‌آمده قابل قبول است. | ||
| کلیدواژه‌ها | ||
| اعتبارسنجی؛ ایستگاه سینوپتیک؛ بهینه سازی؛ درون یابی؛ PCA | ||
| عنوان مقاله [English] | ||
| Optimization of the number of rain gage stations based on interpolation methods and principal components analysis in Iran | ||
| نویسندگان [English] | ||
| Zahra Gerkani Nezhad Moshizi1؛ Fatemeh Teimouri2؛ Ommolbanin Bazrafshan3 | ||
| 1Graduate Student, Faculty of Agriculture and Natural Resources, University of Hormozgan, Bandar -Abbas, Iran | ||
| 2Graduate Student, Faculty of Agriculture and Natural Resources, University of Hormozgan, Bandar -Abbas, Iran | ||
| 3Assistant Professor, Faculty of Agriculture and Natural Resources, University of Hormozgan, Bandar- Abbas, Iran | ||
| چکیده [English] | ||
| Optimization of the number of synoptic stations in the estimation of rainfall is an important step in terms of reducing the maintenance cost and saving the data collection. The main objective of this study was to determine the optimal number of synoptic stations to estimate the amount of rainfall in Iran. Accordingly, the amount of rainfall of synoptic stations related to a common 14-year period was received from the National Weather Service and the performances of five different interpolation methods were evaluated. Based on the results of radial basis function (RBF), with a margin of error of 0.63, this method was selected as the most appropriate method in fitting the data. Studies show that eliminating the synoptic stations in PCA method increases the estimation error of RMSE from 0.48 to 0.52 related given that all synoptic stations were used; moreover, in the radial basis function, interpolation method decreases from 0.63 to 0.55 which indicates the suitability of this method in the optimization of synoptic stations. The results indicate that through removing 34 and 22 points from the network of synoptic stations in Iran respectively in the PCA method and interpolation method of radial basis, the resulting error will acceptable. | ||
| کلیدواژه‌ها [English] | ||
| Optimization, interpolation, PCA, Validation, synoptic stations | ||
| مراجع | ||
|
منابع
[1] Yousefi H, Nohegar A, Khosravi Z, Azizabadi Farahani M. Drought Modeling and Management Using SPI and RDI Indexes (Case study: Markazi provin). The Univercity of Tehrans Scientific Journals Database. 2015; 2(3): 337- 344. (In Persian)
[2] Mohammadi M, Karami H, Farzin S, Farokhi A. Prediction of Monthly Precipitation Based on Large-scale Climate Signals Using Intelligent Models and Multiple Linear Regression (Case Study: Semnan Synoptic Station), The Univercity of Tehrans Scientific Journals Database. 2017; 4(1): 201- 214. (In Persian)
[3] Sajal KA, Abdullah GY, Nitin M. Optimal design of rain gauge network in the Middle Yarra River catchment, Australia. Hydrol.Process.2014.
[4] Pardo-Igúzquiza E. Optimal selection of number and location of rainfall gauges for areal rainfall estimation using geostatistics and simulated annealing. Journal of Hydrology. 1998; 210: 206–220.
[5] Xie, Y., bin Chen, T., Mei Lei, Jun Yang, Qing-jun Guo, Bo Song, Xiao-yong Zhou, 2011, Spatial distribution of soil heavy metal pollution estimated by different interpolation methods: Accuracy and uncertainty analysis, Chemosphere, Vol. 82, No. 3, PP. 468- 476.
[6] Kassim AHM, Kottegoda NT. Rainfall network design through comparative kriging methods. Hydrological Sciences Journal. 1991; 36: 223–240.
[7] Mohd Aziz M, Yusof F, Mohd Daud Z, Yusop A, Afif M. Optimal design of rain gauge network in Johor by using geostatistics and particle swarm optimization. International Journal of GEOMATE. 2016; 11(25): 2422-2428.
[8] Adhikary SK, Yilmaz AG, Muttil N. Optimal design of rain gauge network in the Middle Yarra River catchment, Australia. HYDROLOGICAL PROCESSES. 2014; 29(3): 2582–2599.
[9] Mishra AK, Coulibaly P. Developments in hydrometric network design: a review. Reviews of Geophysics. 2009. 47: RG2001.
[10] Chebbi A, Bargaoui ZK, da Conceição Cunha M. Development of a method of robust rain gauge network optimization based on intensity-duration-frequency results. Hydrol. Earth Syst. Sci.2013; 17: 4259–4268.
[11] Tsintikidis D, Georgakakos KP, Sperfslag JA, Smith DE, Carpenter TM. Precipitation Uncertainty and Raingage Network Design Within Folsum Lake watershed. Journal of Hydrologic Engineering.2002; 7(2): 175-184.
[12] Dimitris M, Metaxa G. 2006. Geostatiscal Analisis of Spatial Variability of Rainfall and Optimal Design of a Rainguage Network, Water Resources Management. 2006; 10: 107-127.
[13] Cheng KS, Wei C, Cheng YB, Yeh HC. Effect of spatial variation characteristics on contouring of design storm depth, Hydrol Process 2003; 17(9): 1755-69.
[14] Barca E, Passarella G, Uricchio V. 2008. Optimal Extension of the Rain Gauge Monitoring Network of the Apulian Regional Consortium for Crop Protection, Environ Monittoring Assessment. 2008; 145(58): 375-386.
[15] Karamouz M, Kerachian R, Akhbari M, Hafez B. Design of river water quality monitoring networks: a case study, Environ Model Assess 2009; 14(6): 705-14.
[16] Shafiei M, Ghahraman B, Saghafian B. 2013. Evaluation and optimization of raingauge network based on probability kriging (case study: Gorgan-Rud watershed). Iran-Water Resources Research. 2013; 9(2): 9-18. (In Persian)
[17] Adib A, Moslemzadeh M. Optimal Selection of Number of Rainfall Gauging Stations by Kriging and Genetic Algorithm Methods. International Journal of Optimization in Civil Engineering. 2016; 6(4):581-594.
[18] Feki H, Slimani M, Cudennec CH. 2016. Geostatistically based optimization of a rainfall monitoring network extension: case of the climatically heterogeneous Tunisia. Hydrology Research.2016; 48(1).
[19] Asakere H, Kriging interpolation method is used in the case of Iran, the interpolation of precipitation 12/26/1376. Journal of Geography and Development. 2004; 5(12): 25-42. (In Persian)
[20] Gurunathan K, Ravichandran S. 1994. Analysis of water quality data using a multivariate statistical technique - a case study. IAHS Pub. 1994; 219.
[21] Salah H. Geostatistical analysis of groundwater levels in the south Al Jabal Al Akhdar area using GIS. GIS Ostrava. 2009; 25: 1-10.
[22] Taghizadeh R, Zareian M, Mahmudi SH, Heidari A, Sarmadian F. Evaluation methods temporal interpolation to determine the spatial variability of water quality characteristics of groundwater in Rafsanjan. Watershed Management Science and Engineering Iran. 2008; 2(5): 63-70. (In Persian)
[23] Bastin G, Lorent B, Duque C, Gevers M. Optimal estimation of the average areal rainfall and optimal selection of rain gauge locations, Water Resour Res. 1984; 20(4): 463-70.
[24] Webster R and Oliver MA. Geostatistics for Environmental Scientists. John Wiley and Sons, Ltd., Chichester, UK.2001; 271.
[25] Asghari moghadam A, Nurani V, Nadiri A. Predict when and where the groundwater level in the city of Tabriz metro area using neural kriging model. Iran Water Resources Research. 2008; 13(1): 14-24. (In Persian)
[26] Isaaks, E.H., Srivastava, R.M., 1989, An Introduction to Applied Geostatistic, Oxford University Press New York, P.561.
[27] Sun Y, Kang S, Li F and Zhang L. Comparison of interpolation methods for depth to groundwater and its temporal and spatial variations in the Minqin oasis of northwest China. Environmental Modelling & Software. 2009; 24:1163-1170.
[28] 28. Camdevyren HN, Demyr A, Kanik S, Keskyn. “Use of principal component scores in multiple linear regression models for prediction of Chlorophyll-a in reservoirs.” Ecol. Model. 2005; 181: 581–589.
[29] Manly BFJ. Multivariate statistical methods: A primer, 2nd Ed., Chapman and Hall, London.1986.
[30] Lu, W. Z., W. J. Wang, X. K. Wang, Z. B. Xu and A. Y. T. Leung. “Using improved neural network to analyze RSP, NOX and NO2 levels in urban air in Mong Kok, Hong Kong.” Environmental Monitoring and Assessment. 2003; 87: 235–254.
Petersen W. Process identification by principal component analysis of river water-quality data. Ecol. Model.2001; 138: 193-213 | ||
|
آمار تعداد مشاهده مقاله: 880 تعداد دریافت فایل اصل مقاله: 680 |
||