مقايسه روشهاي زمين آماري براي بهينه سازي شبكه ايستگاههاي باران سنجي استان خوزستان

Comparison of geostatistic methods for rain gauge network optimization of Khuzestan province

طراحي شبكه باران سنجي به منظور كاهش هزينه ها و افزايش دقت در تخمين مقادير بارش، نيازمند يافتن موقعيت بهينه ايستگاه هاي باران سنجي ميباشد. بيشتر خطاهاي تخمين بارش، ناشي از موقعيت باران سنج ها ميباشد كه طراحي بهينه شبكه باران سنجي ميتواند خطاهاي مرتبط با اندازه گيري بارش را كاهش دهد. در اين تحقيق روش هاي مختلف ميان يابي زمين آماري كريجينگ و كوكريجينگ براي محاسبه خطاي تخمين و تهيه نقشه هاي پراكنش مكاني بارندگي روزانه استان خوزستان مورد بررسي قرار گرفت. براي تهيه نقشه هاي تغييرات مكاني نياز به برآورد مقدار بارندگي در نقاط مجهول بين ايستگاه ها دارد. در اين تحقيق از اطلاعات 49 ايستگاه باران سنجي براي 6 واقعه بارندگي روزانه استفاده شد. پس از تعيين بهترين مدل نيم تغييرنما و بهترين روش زمين آماري، در مرحله اول، باران سنج هايي كه به كمك ساير باران سنج هاي شبكه، تخمين مقدار بارندگي در آنها با دقت كافي امكانپذير بود، مشخص گرديد. نتايج نشان دهنده دقت بالاتر روش ميان يابي كريجينگ دارد و بيشتر بارش هاي روزانه منطبق بر مدل گوسي بودند. در مرحله دوم، با استفاده از ارزيابي ميزان خطاي تخمين شبكه باقيمانده از مرحله اول، نقاطي كه ايجاد باران سنج جديد در آنها مورد نياز بود مشخص شد. در نهايت تعداد 7 ايستگاه باران سنج غير ضروري در شبكه مشخص گرديد و 5 باران سنج جديد به شبكه اضافه شد.

Design of the rain gauge network to increase accuracy and cost decrease in precipitation prediction value needs to find optimum location of the rain gauge station. Most precipitation prediction errors is due to location of the rain gage station that optimum design of the rain gauge stations can reduce precipitation prediction error. In this study used geostatistic methods named Kriging and cokriging to optimization of the Khuzestan rain gauge station network. 49 rain gauges used for 6 daily rainfall. After determination of the best model of semivariograms and the best geostatistic method, in the first step, the rain gauge which precipitation prediction in them has appropriate accuracy determined with the help of other rain gauge network. Result showed that kriging had more accuracy and most daily rainfalls was fitted with gaussian model. In the next step, using assessment of network prediction error value which remain from first step, the points that needs new rain gage determined. Finally7 unnecessary rain gage stations determined and 5 new rain gages added to the network.