روشي تازه به‌منظور درون‌يابي مشاهدات بارندگي با كمك كريجينگ شاخص نرم و الگوريتم ژنتيك

A New Approach for Interpolation of Precipitation Data by Soft Indicator Kriging and Genetic Algorithm

درون‌يابي از جمله مهم‌ترين مسايل در علوم مكاني است؛ زيرا هميشه اين نياز وجود دارد كه از يك حجم محدود داده، مجموعه‌اي از اطلاعات دقيق فراهم گردد. كريجينگ نيز از كاربردي‌ترين و دقيق‌ترين روش‌هاي درون‌يابي به شمار مي‌آيد كه به زير روش‌هاي مختلفي از جمله كريجينگ معمولي، كريجينگ شاخص و كريجينگ شاخص نرم تقسيم مي‌شود. الگوريتم ژنتيك در زمره الگوريتم‌هاي تكاملي است كه براي يافتن يك جواب بهينه از مجموعه‌اي از جواب‌هاي بالقوه استفاده مي‌شود. در اين مقاله، از الگوريتم ژنتيك براي آموزش بهينه برخي از پارامترهاي كريجينگ شاخص نرم با توجه به تابع هدف براي رسيدن به جواب بهينه استفاده مي‌شود. در اين تحقيق، از چهار روش كريجينگ معمولي، كريجينگ شاخص، كريجينگ شاخص نرم و كريجينگ شاخص نرم با الگوريتم ژنتيك بر يك مجموعه داده از 15 ايستگاه سينوپتيك استان مازندران استفاده گرديد. داده‌هاي استفاده‌شده، مشاهدات بارندگي در اين ايستگاه‌ها مربوط به بهمن ماه سال 1387 بود. با مقايسه مقادير مشاهداتي و محاسباتي در دو حالت اعتبارسنجي متقابل و جكنايف در چهار روش ذكر‌شده، ثابت گرديد كه روش كريجينگ شاخص نرم با الگوريتم ژنتيك دقيق‌ترين روش است. به عنوان معيار اين تصميم‌گيري، از ميانگين قدرمطلق اختلاف بين مقادير مشاهداتي و محاسباتي هر روش استفاده گرديد. اين كميت براي روش كريجينگ شاخص نرم با الگوريتم ژنتيك برابر با 3/10 ميلي‌متر است كه نسبت به سه روش اول (3/12، 3/13 و 8/12) كمينه است.

Abstract Interpolation is among the most important areas in geosciences, because there is always a need to obtain reasonable large and accurate information from a finite set of data. Many methods of interpolation have been developed so far. Kriging is one of the most applicable and accurate among them. Also, Kriging has been classified into various sub-types; Such as: Ordinary Kriging, Indicator Kriging and Soft Indicator Kriging. Genetic Algorithm is a common evolutionary algorithm used to obtain an optimum result from a potential answer space. In this paper, Genetic Algorithm has been utilized to train some parameters of SIK relating to an objective function to result in the best answer. In this article, Ordinary Kriging, Indicator Kriging, Soft Indicator Kriging and Soft Indicator Kriging & Genetic Algorithm have been applied to a data set collected from 15 Synoptic stations in Mazandaran province, Iran. The data are the observations of monthly obtained precipitation of Bahman, 1387. By comparing the calculated and observed values in both Cross-Validation and Jackknife approaches in all of the above mentioned methods (4ones) it is proved that the combination of Soft Indicator Kriging and Genetic Algorithm is the most accurate approach. The mean of the absolute differences between the observed and calculated values of each method is the criterion by which the methods have been evaluated. This quantity for the Soft Indicator Kriging & Genetic Algorithm method is 10.3 mm and is the least one compared to the other methods (12.3, 13.3 and 12.8 mm respectively). Keywords: Interpolation, Kriging, Uncertainty, Soft Indicator Kriging, Genetic Algorithm.