محاسبه عدم‌قطعيت محلي و مكاني بارش با استفاده از الگوريتم‌هاي شبيه‌سازي زمين‌آماري SGS وSGS CO-

Calculation of Local and Spatial Uncertainty of Precipitation Using Geostatistical SGS and CO-SGS Simulation Algorithms

از ميان روش‌هاي معمول درون‌يابي، روش‌هاي كريجينگ و كوكريجينگ به‌عنوان بهترين برآوردگرهاي خطي نااريب، كاربرد فراواني در درون‌يابي داده‌هاي بارش دارند. مدل‌هاي مذكور به‌رغم مزيت‌شان نمايش همواري از پديده تحت مطالعه به‌دست مي‌دهند و چون براساس ميانگين محلي داده‌ها عمل مي‌كنند، مقادير حداكثر را كمتر و مقادير حداقل را بيشتر از مقدار واقعي پيش‌بيني مي‌كنند. بنابراين استفاده از اين مدل‌ها به‌تنهايي در مواردي كه هدف ارزيابي ميزان ريسك و بررسي تغييرپذيري يك پديده است، مناسب نيست. تغييرپذيري پديده با استفاده از عدم‌قطعيت اندازه‌گيري مي‌شود. در پژوهش حاضر به‌منظور محاسبه عدم‌قطعيت محلي و مكاني متغير بارندگي، از الگوريتم‌هاي شبيه‌سازي زمين‌آماري SGS و CO-SGS استفاده شده است. نتايج تحقيق نشان مي‌دهند الگوريتم‌هاي SGS و CO-SGS در نمونه‌هاي شبيه‌سازي با بازسازي مقادير محتمل حداكثر و حداقل و همچنين حفظ دامنه نوسانات بارندگي در هر واحد مكاني، واريانسي نزديك به واريانس نمونه‌هاي اصلي توليد مي‌كنند. اختلاف واريانس شبيه‌سازي در مقايسه با نمونه اصلي بسيار ناچيز است، درحالي‌كه واريانس روش‌هاي درون‌يابي اختلاف فاحشي با واريانس نمونه‌هاي اصلي دارد. همچنين نتايج نشان مي‌دهند كه اين الگوريتم‌ها مي‌توانند عدم‌قطعيت محلي و مكاني پديده‌هاي مكاني ازجمله بارش را به‌درستي محاسبه كنند.

Among the usual interpolation methods, kriging and co-kriging are frequently used in the interpolation of precipitation data as one the best linear unbiased estimators, Despite these advantages, there models show smoothness representation and because they are based on regional averages of the data, they predict maximum and minimum values lower and higher than real values respectively. Therefore, using these models alone is not sufficient in cases where the target is assessment of risk and study of variability. Variability of phenomenon could be measured by uncertainty index. In the study in order to calculation of local and spatial uncertainty of precipitation, geostatistical simulation algorithms CO-SGS and SGS were used. The main result of the study showed that, in simulation sample SGS and CO-SGS algorithms would be able generate the Max and Min probable value making variance as close as to the main data. The difference simulation variance is very low with main samples, in contrast, the difference of variance between main samples and interpolation method is very high. The result also showed that the mentioned algorithms could be able to compute the local and spatial uncertainty of the precipitation by different simulation. Keywords: Precipitation, Uncertainty, Geostatistical Simulation, SGS Algorithm, CO-SGS Algorithm.