تخمين مكاني بارش مبتني بر خصوصيات مكاني و مدل PRISM در حوضه سفيدرود بزرگ

Spatial Estimation of Precipitation Based on Spatial Characteristics and PRISM Framework in Sefidroud Basin

تخمين دقيق توزيع مكاني بارش در بسياري از فرآيندهاي برنامه ريزي و مديريت بهره برداري از منابع آب و فعاليت‌هاي كشاورزي، نقش كليدي ايفا مي‌كند. در اين تحقيق، به منظور تخمين ماهانه بارش با دقت مطلوب مكاني، مدلي بر پايه چهارچوب PRISM مبتني بر الگوي ارتفاعي و ساير خصوصيات مكاني، توسعه داده شد و در حوضه آبريز سفيدرود و در بازه زماني سال آبي 1379 الي 1394 پياده‌سازي شد. در گام اول نتايج حاصل از اين روش در مقياس ماهانه با روش بهبود يافته معكوس فاصله وزندار2 مقايسه شد. با توجه به درجه آزادي‌هاي موجود در هر دو روش، پارامترهاي اين دو روش ابتدا در مقياس زماني سالانه با استفاده از الگوريتم ژنتيك بهينه‌يابي شده و از مجموعه پارامترهاي بدست آمده به منظور تخمين عملكرد آماري مدل ماهانه از طريق اعتبار سنجي3 متقابل استفاده شد. بر اساس نتايج ماهانه محاسبه شده، هر دو مدل در تخمين مقدار بارش در محل ايستگاه‌ها، عملكردي نزديك داشتند. اما عليرغم اين عملكرد تقريبا يكسان، توزيع مكاني بارش محاسبه شده توسط روش مبتني بر PRISM از انطباق بهتري نسبت به الگوي توپوگرافي و شواهد موجود برخوردار است. در گام بعدي عملكرد اين مدل در تخمين ميانگين بارش ماهانه با روش كريجينگ معمولي مقايسه شد، نتايج مدل توسعه داده شده در ماه‌هاي پربارش و روش كريجينگ در ماه‌هاي خشك مطلوب‌تر ارزيابي مي شود. . با توجه به حجم اندك بارش‌هاي تابستانه، PRISM ابزار مناسب تري نسبت به كريجينگ به منظور درورن‌يابي مكاني بارش شناخته شد.

Accurate spatial estimation of precipitation plays a key role in many hydrological modelling, water resources planning and agricultural management studies. In order to estimate high-resolution precipitation in the current research, an estimation model based on PRISM framework considering Digital Elevation Model (DEM) and other spatial attributes is developed and applied to Sefidroud basin during the years 2000-2015. In the first step, the monthly results were compared with modified Inverse Distance Weighted (IDW) as a benchmark method. Considering both models’ degrees of freedom, the parameters are calibrated with Genetic Algorithm in annual time scale and the obtained parameters are utilized to estimate model monthly cross validation error. According to the monthly results, both models had roughly same statistical performance in estimating precipitation at the selected rain gauges. In spite of similar statistical performance of the models, the spatial distribution of precipitation provided by the PRISM based method is more consistent with topographic pattern and existing evidences. In the next step the proposed model’s ability to estimate mean monthly precipitation is compared with ordinary kriging method and according to the results, in wet months the developed model and in dry months kriging method represents more optimal results. According to small amount of summer precipitation, PRISM based approach is considered to be a better tool for spatial interpolation of precipitation than kriging.