دوماه نامه

نوع مقاله : مقالات پژوهشی

نویسندگان

1 دانشگاه تحصیلات تکمیلی صنعتی کرمان

2 استاد آبیاری، زهکشی و هواشناسی دانشگاه فردوسی مشهد، مشهد، ایران

3 استاد هواشناسی کشاورزی، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه فردوسی مشهد

4 دانشیار گروه آموزشی علوم و مهندسی آب-دانشکده کشاورزی دانشگاه فردوسی مشهد

5 دانشگاه فردوسی مشهد

چکیده

چکیده
عامل بارندگی در مطالعات کاربردی که بر پایه پارامتر‌های هواشناسی صورت می‌گیرد همواره به عنوان مهمترین فاکتور نقش مهمی را ایفا کرده است. در بسیاری از مطالعات هیدرولوژیکی، هیدروکلیماتولوژی، هواشناسی و بویژه کشاورزی از داده‌های بارندگی ایستگاه‌های هواشناسی (سینوپتیک، کلیماتولوژی، باران سنجی) استفاده شده است. در این میان در مواردی که تراکم شبکه بارانسنجی پاسخگو نبوده و یا برای مناطقی که بعلت صعب العبور بودن فاقد ایستگاه و داده‌های معتبر بارندگی بوده اند، روش‌های درون یابی نقش مهمی را ایفا نموده اند. این روش‌ها همواره دارای خطا بوده و اغلب غیر قابل تعمیم بوده، بویژه در مناطق خشک و نیمه خشک که نوسانات زمانی و مکانی بارندگی جزو ویژگی‌های غالب این مناطق می‌باشد. در این مطالعه ابتدا مدل پیش بینی بارندگی از داده‌های سنجش از دور و شبکه عصبی مصنوعی (PERSIANN) معرفی شده و سپس به منظور جایگزینی برای روشهای درون یابی در تخمین بارش روزانه در مناطق فاقد ایستگاه، خروجی‌های مدل با دو روش رایج درون یابی (کریجینگ و روش معکوس فواصل) مقایسه شده است. بدین منظور داده‌های 6 ایستگاه هواشناسی در استان خراسان رضوی برای سال‌های 2006 تا 2008 مورد استفاده قرار گرفت. نتایج آنالیز آماری، همبستگی بیشتر خروجی‌های PERSIANN را با داده‌های واقعی بارندگی نسبت به دو روش درون یابی نشان می‌دهد، بطوریکه ضریب همبستگی خروجی‌های مدل با داده‌های ایستگاه بجنورد در آزمون کندال 805/0 بوده که این مقدار برای داده‌های بازسازی شده به روش معکوس فواصل 488/0 و برای کریجینگ 565/0 بوده است.

واژه های کلیدی: مدل PERSIANN، روش معکوس فواصل، روش کریجینگ، تخمین بارندگی روزانه، روش‌های درون یابی

عنوان مقاله [English]

Comparison the PERSIANN Model with the Interpolation Method to Estimate Daily Precipitation (A Case Study: North Khorasan)

نویسندگان [English]

  • M.S. Ghazanfari Moghadam 1
  • A. Alizadeh 2
  • M. Mousavi baygi 3
  • A.R. Farid-Hosseini 4
  • M. Bannayan Aval 5

1 Graduate University of Advanced Technology, Kerman, Iran

2 Professor in Water Resources Engineering, Ferdowsi University of Mashhad, Mashhad, Iran

3 Professor Agro meteorology, Department of Water Engineering, Faculty of Agriculture, Ferdowsi University of Mashhad

4 Faculty of Agriculture, Ferdowsi University of Mashhad

5 Ferdowsi University of Mashhad

چکیده [English]

Abstract
Precipitation as the most important factor plays the main role in many application researches which are based on climatic parameters. Many researches in the field of hydrology, hydrometeorology and agriculture employs rain-gauges (such as synoptic and climatologic stations) data. Precipitation characteristics, such as rainfall intensity and duration, usually exhibit significant spatial variation, even within small watersheds; while rain gauge network density could not provide desirable cover. Nearly all related researches use interpolation methods for places without rain gauge data. Many studies showed that the estimated error was usually high by usual interpolation methods. Employing satellite data with high spatial and temporal resolution could provide accurate precipitation estimation. PERSIANN (Precipitation estimation from remotely sensed information using artificial neural network) model works based on the ANN (artificial Neural Network) system which uses multivariate nonlinear input-output relationship functions to fit local cloud top temperature (Tb) to pixel rain rates (R). In this study, PERSIANN model and two interpolation methods (Kriging & IDW) were employed to estimate precipitation for North-Khorasan between the years 2006 until 2008. Results show better correlation between PERSIANN outputs and station data than other two interpolation methods. while correlation coefficient for Kendal`s test is 0.805 between model and Bojnord Station data, this coefficient is 0.488 for IDW and 0.565 for Kriging methods.

Keywords: PERSIANN model, IDW, Kriging, Interpolation methods, Precipitation estimation

CAPTCHA Image