رگرسيون وزن دار جغرافيايي: روشي براي ترسيم نقشه هاي هم بارش در استان گيلان

Geographically Weighted Regression: A Method for Mapping Isohyets in Gilan Province

تاكنون روش‌هاي زيادي براي درون‌يابي و ترسيم نقشه‌هاي هم بارش ارايه و نتايج متفاوتي از آنها در مناطق مختلف گزارش شده است. روش رگرسيون وزن‌دار جغرافيايي يكي از روش‌هايي است كه اخيرا مورد استقبال قرار گرفته است. اين روش براي ارزيابي غيريكنواختي متغير وابسته با برقراري رگرسيون‌هاي موضعي مناسب است. تحقيقي بر اين اساس صورت گرفت تا تغييرات مكاني بارش سالانه در استان گيلان (كه تحت تاثير شرايط محيطي مختلف به‌طور غيريكنواخت توزيع مي‌شود) مورد بررسي قرار گيرد. نتايج روش رگرسيون وزن‌دار جغرافيايي با روش‌هاي معمول درون‌يابي شامل چندجمله‌اي سراسري و موضعي، اسپلاين، وزن عكس فاصله‌ها، كريجينگ و كوكريجينگ مقايسه شد. آمار ميانگين ده ساله بارش سالانه 185 ايستگاه هواشناسي واقع در استان گيلان و مجاورت آن استفاده و تغييرات مكاني بارش به كمك پارامترهاي ديگر مانند ارتفاع از سطح دريا و موقعيت نقاط نسبت به دريا، الگو‌سازي شد. سپس بهترين روش درون‌يابي بارش در اين منطقه معرفي شد. براي ارزيابي دقت هر يك از اين روش‌ها از فن اعتبارسنجي متقابل استفاده شد. نتايج به‌دست آمده نشان داد كه روش رگرسيون وزن‌دار جغرافيايي با RMSE=147 داراي كمترين مقدار خطا بود و نتايج آن با روش كريجينگ كه با RMSE=187 در رتبه دوم قرار دارد اختلاف زيادي داشت. بر اين اساس مناسب‌ترين روش براي ترسيم هم‌بارش در استان گيلان روش رگرسيون وزن‌دار جغرافيايي معرفي مي‌شود.

So far several methods have been developed for mapping and interpolation of isohyets.one of the recently accepted methods is geographically weighting regression which is suitable for evaluation of spatial heterogeneity of dependent variable by using local regressions. In order to evaluate annually precipitation spatial variation, this study was conducted in Gilan province which precipitation is distributed non-uniform due to different environmental conditions. The results of geographically weighting regression method were compared with another interpolation methods including global polynomial, local polynomial, inverse distance weighting (IDW), spiline, kriging and co-kriging and . In this study, average of 20 years annually precipitation data of 185 meteorological observations over Gilan Province and its neighboring stations was used for modeling of spatial distribution variations of mean annual precipitation by using other variables like elevation and position of points to the sea level. Cross validation technique was used to assessment accuracy of each interpolation methods. The result showed that geographically weighting regression method had minimum error with RMSE=147 and had significant difference with the kriging method which was in the second rank with RMSE=187. Finally the best method for mapping isohyets in Gilan province is geographically weighting regression method.