برآورد بارندگي فصلي و سالانه با استفاده از روش‌هاي درون‌يابي چند‌متغيره (بررسي موردي: دامنه جنوبي البرز در استان سمنان)

برآورد بارندگي فصلي و سالانه با استفاده از روش‌هاي درون‌يابي چند‌متغيره (بررسي موردي: دامنه جنوبي البرز در استان سمنان)

در اين تحقيق از روش زمين‌آماري چندمتغيره كوكريجينگ براي تحليل منطقه‌اي و برآورد بارندگي فصلي و سالانه در حوزه‌‌آبخيز كد 21 در دامنه جنوبي البرز واقع در استان سمنان استفاده‌‌شد. در اين روش متغير ارتفاع از سطح دريا 38 ايستگاه باران‌سنجي با دوره آماري 30 ساله به‌عنوان عامل كمكي (يا ثانويه) و تاثيرگذار در ميزان بارندگي استفاده شد. تجزيه و تحليل، ترسيم تغييرنما (واريوگرام) داده‌ها و تهيه نقشه‌هاي بارش فصلي و سالانه با روش كوكريجينگ از طريق نرم‌افزارهاي +GS و Arc GIS 9.3 انجام شد. دو روش خطاي متوسط و متوسط مربعات كاهش يافته براي ارزيابي پيش‌بيني بارش استفاده شد. نتايج نشان داد كه براي برآورد بارش فصلي و سالانه، روش كوكريجينگ با درنظر گرفتن عامل كمكي ارتفاع و كاهش واريانس برآورد اطلاعاتي دقيق در مورد مقادير بارش را ارايه مي‌دهد. اين برآورد دقيق به‌دليل همبستگي قوي بين ارتفاع و بارش است. گرچه در بعضي فصول ضرايب همبستگي كمتر از بقيه فصل‌ها است، اما در هيچ كدام كمتر از 6/0 نيست و بنابراين هر چه ضريب همبستگي بين ارتفاع و بارش فصلي و سالانه قويتر باشد، صحت پيش‌بيني بالاتر خواهد بود.

To perform regional analysis and rainfall estimation of the rain gauges of the river basin code of 21 located in Semnan province, multivariate geostatistical approaches were used. Elevation was introduced as a covariant and effective factor in rainfall. Thirty eight rain gauges were selected for a 30 year period. The geostatistical analysis extension module of ArcGIS 9.3 was used for analysis and development of seasonal and annual prediction map. GS+ was used for understanding the details of variogram models and statistical fitting parameters. Average and reduced mean square errors of cross validation indices were considered for prediction of rainfall. The results showed that Cokriging methods with the assumption of elevation as a covariant factor and variance reduction gives accurate rainfall estimation which is mainly due to the high correlation between elevation and rainfall. Although the seasonal correlation is not stable, the value of correlation is not less than 0.6. Therefore, as the coefficient of correlation increases the accuracy of estimation will be enhanced.