ترميم بارش روزانه در منطقه خراسان بزرگ به روش دو جزيي

بارندگي به‌عنوان يكي از مهم‌ترين پارامترهاي اقليمي، نقشي اساسي در مديريت منابع آب دارد. شبيه سازي اين پارامتر با توجه به ناقص بودن آمار بارندگي روزانه در اغلب ايستگاه هاي هواشناسي، اهميت بسزايي در مطالعات هيدرولوژي دارد. در اين پژوهش روش دو جزيي براي شبيه سازي بارندگي روزانه در ايستگاه هاي فاقد آمار كافي استفاده شده است. اين روش براي برآورد پارامترهاي الگو، براي توليد داده هاي بارندگي در ايستگاه-هاي فاقد آمار كافي، از روابط بين پارامترهاي الگوهاي موجود در ايستگاه هاي داراي آمار كافي و برخي ويژگي هاي ماهانه بارندگي (ميانگين بارندگي در روزهاي باراني و نسبت ماهانه روزهاي باراني) استفاده مي كند. ايستگاه هاي مورد استفاده در اين پژوهش 67 ايستگاه (داراي آمار بلند‌مدت بيش از 20 سال) و همگن است. روابط كلي در منطقه خراسان با استفاده از اين ايستگاه ها به دست آمده است. شبيه سازي بارندگي در ايستگاه هاي با آمار كافي براي صحت‌سنجي روش مذكور انجام و مشخص شد كه زنجيره ماركوف روش مناسبي در شبيه سازي تعداد روزهاي باراني بوده و تابع گاما نتايج بهتري در شبيه سازي ميانگين بارندگي در روزهاي باراني نسبت به تابع توزيع نمايي دارد.

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.