دوماه نامه

نوع مقاله : مقالات پژوهشی

نویسندگان

دانشگاه فردوسی مشهد

چکیده

چکیده
بارندگی به‌عنوان یکی از مهم‌ترین پارامترهای اقلیمی، نقشی اساسی در مدیریت منابع آب دارد. شبیه سازی این پارامتر با توجه به ناقص بودن آمار بارندگی روزانه در اغلب ایستگاه های هواشناسی، اهمیت بسزایی در مطالعات هیدرولوژی دارد. در این پژوهش روش دو جزئی برای شبیه سازی بارندگی روزانه در ایستگاه های فاقد آمار کافی استفاده شده است. این روش برای برآورد پارامترهای الگو، برای تولید داده های بارندگی در ایستگاه-های فاقد آمار کافی، از روابط بین پارامترهای الگوهای موجود در ایستگاه های دارای آمار کافی و برخی ویژگی های ماهانه بارندگی (میانگین بارندگی در روزهای بارانی و نسبت ماهانه روزهای بارانی) استفاده می کند. ایستگاه های مورد استفاده در این پژوهش 67 ایستگاه (دارای آمار بلند‌مدت بیش از 20 سال) و همگن است. روابط کلی در منطقه خراسان با استفاده از این ایستگاه ها به دست آمده است. شبیه سازی بارندگی در ایستگاه های با آمار کافی برای صحت‌سنجی روش مذکور انجام و مشخص شد که زنجیره مارکوف روش مناسبی در شبیه سازی تعداد روزهای بارانی بوده و تابع گاما نتایج بهتری در شبیه سازی میانگین بارندگی در روزهای بارانی نسبت به تابع توزیع نمایی دارد.

واژه های کلیدی: تابع توزیع گاما، زنجیره مارکوف، شبیه سازی بارندگی، منطقه خراسان بزرگ

عنوان مقاله [English]

Estimation of the Daily Rainfall Amount in Province of Khorasan

نویسندگان [English]

  • E. Amini
  • B. Ghahraman
  • K. Davary
  • M. Mousavi Baygi

Department of Water Engineering, Faculty of Agriculture, Ferdowsi University of Mashhad

چکیده [English]

Abstract
Agricultural scientists have developed considerable interest in modeling and generation of rainfall as new ways of analyzing rainfall data and assessing its impact on agriculture. A combination of Markov chain and gamma distribution function is recognized as a simple approach and is demonstrated to be effective in generating daily rainfall data for many environments. Thus the availability of the weather data limits the applicability of the simulation method. When these model parameters are evaluated over time and at different places, however, certain general characteristics are revealed. First, the transitional probability of a wet day followed by a wet day tends to be greater but parallel to the transitional probability of a dry day followed by a wet day. This phenomenon leads to a linear relationship of the transitional probabilities to the fraction of wet days per month. Second, the beta parameter, which is used to describe the amount of rainfall, is related to the amount of rain per wet day owing to the positive skew ness of the rainfall distribution. Based on these relationships, a simple method is introduced, by which model parameters can be estimated from monthly summaries instead of from daily values. The suggested method, therefore, provides a convenient vehicle for applying weather simulation models to areas in which its use had been impossible because of the unavailability of long series of daily weather data.

Keywords: Modeling, Markov chain, Gamma distribution function

CAPTCHA Image