ارزيابي اثر استفاده از مدل رقومي ارتفاع (DEM) در تخمين بارش ماهانه و سالانه در استان گلستان

Assessing the effect of incorporating a digital elevation model (DEM) into the estimation of annual and monthly rainfall in Golestan province

بسياري از مدل هاي هيدرولوژيكي نياز به داده هاي بارندگي با تراكم زياد دارند. هدف از اين تحقيق ميان يابي بارندگي ماهانه و سالانه در استان گلستان با داشتن تعداد محدودي داده هاي نقطه اي مي باشد. در اين مطالعه روش هايي كه در آن ها از ارتباط بين بارندگي و متغيرهاي كمكي مانند مدل رقومي ارتفاع (DEM) در تخمين استفاده مي گردد با روش هايي كه بدون در نظر گرفتن متغير كمكي به تخمين متغير مي پردازند مورد مقايسه قرار گرفتند. روش هاي مورد استفاده شامل روش هاي يك متغيره مانند معكوس مربع فاصله و كريجينگ معمولي و روش هاي زمين آماري چند متغيره مانند كوكريجينگ، كريجينگ با روند خارجي و كريجينگ ساده با ميانگين هاي موضعي متغير مي باشند. ارزيابي عملكرد روش ها با استفاده از فناوري اعتبارسنجي متقابل و نيز با مقايسه بصري نقشه هاي بارندگي توليد شده توسط روش هاي بكار گرفته شده، صورت گرفت. براساس نتايج حاصل از ارزيابي متقابل، روش كوكريجينگ براي ماه هاي ارديبهشت تا مهر (به‌جز خرداد‌ماه)، روش كريجينگ با روند خارجي براي خرداد‌ماه و روش كريجينگ معمولي براي ساير ماه ها و بارندگي سالانه مناسب‌ترين روش ميان يابي تشخيص داده شد. بدترين روش ميان يابي روش معكوس مربع فاصله بود كه در آن هم متغير كمكي و هم همبستگي مكاني بين داده ها در فرآيند تخمين مورد توجه قرار نمي‌گيرد. اثر قطعه اي نسبي نيم تغييرنما و همبستگي بين داده هاي بارندگي و ارتفاع ايستگاه ها در عملكرد روش ها موثر بودند. هنگامي كه ضريب همبستگي بين ارتفاع و بارش كمتر از 5/0 بود، روش كريجينگ معمولي نسبت به ساير روش ها از دقت بالاتري در تخمين برخوردار بود.

Many hydrological models require high resolution rainfall data. The aim of this paper was to interpolate annual and monthly rainfall in Golestan province from sparse point data. To do this the methods, which make use of secondary variables (e.g. a digital elevation model, DEM) for rainfall estimation were compared with those, which do not make use of such information in estimation. The methods applied included univariate interpolation algorithms such as inverse square distance and ordinary kiriging and multivariate geostatistical algorithms such as cokriging, kriging with an external drift and simple kriging with varying local means. The performance of each interpolator was assessed through examination of mapped estimates of rainfall and cross-validation. It was concluded that cokriging provides the most accurate estimates of rainfall for May to October except June which was best estimated using kiriging with an external drift judging by the cross-validation estimation error summary statistics. For other periods ordinary kriging yielded more accurate rainfall predictions than other interpolators. The worst algorithm was inverse square distance that ignores both the elevation and rainfall records at neighboring stations. Relative nugget effect of semivariograms and correlation between rainfall and elevation affected the performance of different methods. For instance, ordinary kriging outperformed other technique when the correlation between rainfall and elevation was less than 0.5.