استفاده ازمدل فرآيند نقطه‌اي زماني- مكاني STNSRP در توليد بارش روزانه

Applying spatial-temporal NSRP model (STNSRP) for daily rainfall simulation at ungauged regions

آمار و داده ها در علم هيدرولوژي بعنوان اصلي ترين و اولين گام محاسبات و بررسيها مي باشد. همواره نبود يا كمبود اطلاعات، عدم تحليل صحيح و نتايج قابل استفاده جهت پيش بيني را منجر مي شود. در مواقعي كه آمار با كيفيت مناسب و يا با طول كافي در دسترس نمي باشد، استفاده از سري هاي زماني مصنوعي بارش توليد شده اهميت ويژه اي دارد. در اكثر مطالعات انجام شده، از روشهاي آماري مانند مدل هاي زنجيره ماركوفي و ARIMA براي توليد بارش در يك ايستگاه استفاده مي شود. با توجه به اهميت و تاثير زياد توزيع مكاني بارندگي در خصوصيات هيدروگراف خروجي از يك حوضه آبريز، توليد بارش در چند ايستگاه به صورت همزمان اهميت ويژه اي دارد. در اين تحقيق، از مدل فرايند نقطه اي زماني-مكاني (STNSRP; Spatial-Temporal Neyman-Scott Rectangular Pulses) براي توليد بارش در مقياس زماني روزانه و با درنظر گرفتن وابستگي مكاني بارش در حوضه آبريز والنات گالچ كشور آمريكا براي يك سري زماني بارش طولاني مدت (50 ساله) در 14 ايستگاه باران سنجي استفاده شد. سپس آماره هاي مختلف مانند ميانگين، واريانس و احتمال روز خشك براي بارش توليد شده و مشاهداتي در هر يك از ايستگاه ها در ماه هاي مختلف سال با هم مقايسه شد. همچنين همبستگي مكاني بارش در ايستگاه هاي مجاور براي دوره مشاهداتي و شبيه سازي شده با يكديگر مقايسه شد. نتايج نشان دادند كه مدل به خوبي توانايي بازتوليد آماره هايي مانند ميانگين، واريانس و احتمال وقوع روزهاي خشك را براي ايستگاه هاي مختلف در منطقه دارد.

Reliable data plays an important role in hydrological sciences. Lack of sufficient or qualified data usually leads to unreliable and inadequate results. In these cases, synthetic time series, e.g. generated rainfall time series, have a significant importance for watershed management. In most previous studies statistical methods such as Markov chain and ARIMA methods have been applied for rainfall generation for a single site. As rainfall spatial patterns have significant effect on flow hydrograph characteristics, multisite rainfall generation is important in hydrology. In the present research, the Spatial-Temporal Neyman-Scott Rectangular Pulses (STNSRP) method was fitted to daily data taken from 14 raingauges in Walnut Gulch watershed, USA. Different statistics such as mean, variance and probability of dry days were calculated and compared for both generated and observed time series. Rainfall spatial correlation for adjacent raingauges was also analyzed for different raingauges across the watershed. Results revealed that the STNSRP model has the ability to match observed statistics. For instance, in RG012 raingauge, average rainfall in January was calculated 0.36 and 0.39 for observed and generated time series, respectively.