بررسي مقياس پارامترهاي ژئومرفومتري بر پيش بيني پراكنش مكاني عمق برف

Scale Effect Geomorphometric Parameters of Spatial Pattern of Snow Depth

ارتقاء اطلاعات كمي به بهبود پيش بيني پارامتر هاي برف كمك مي كند. تاكنون تعاملات بين اندازه ­ي پيكسل به صورت محدود بررسي شده است. هدف از اين تحقيق، بررسي اثر قدرت تفكيك مكاني بر روي پيش بيني عمق برف از طريق آزمون تجربي روابط بين مدل هاي رقومي ارتفاع و پارامترهاي موثر در مدل سازي عمق معادل برف با قدرت تفكيك مختلف و با استفاده از مدل رگرسيون چند متغيره مي باشد. به همين منظور ابتدا با استفاده از روش ­هايپركيوب محل 100 نقطه مشخص و طي يك عمليات صحرايي داده هاي عمق برف در نقاط مورد نظر و همچنين در 195 نقطه ديگر به صورت سيستماتيك و با نمونه بردار مدل فدرال برداشت گرديد. سپس يك مدل رقومي ارتفاع 10 متري به عنوان مبنا انتخاب گرديد و از مدل رقومي ارتفاع مبنا تعداد 25 پارامتر مرفومتري استخراج و به عنوان ورودي شبكه­ ي عصبي انـتخاب و با استفاده از آناليز حساسيت مهم ترين پارامترهاي تاثـيرگذار در مدل سازي عـمق برف مشخص شد. در مرحله­ي بعد با استفاده از مدل رقومي ارتفاع مبنا 9 مدل رقومي ارتفاعي با اندازه­ي پيكسل متفاوت استخراج گرديد. سپس در ادامه پارامترهاي موثر در عمق برف با استفاده از 10 مدل رقومي ارتفاع استخراج و بين آن ها و عمق برف نمونه برداري شده يك رابطه­ي رگرسيوني ايجاد و عمق برف محاسبه گرديد. جهت ارزيابي دقت مدل ها از پارامترهاي RMSE، NMSE، MSE و MAE استفاده و در نهايت مدل رقومي ارتفاع 150 متر با مقادير به ترتيب 75 / 24، 350 / 0، 975 / 612 و 97 / 18 بهترين مدل رقومي ارتفاع جهت مدل سازي عمق برف انتخاب گرديد. اين مساله مي تواند در كاهش هزينه ها و افزايش دقت برآورد عمق برف كمك بسياري نمايد.

Promotion of scale informaion quantity can improve the prediction of snow parameters. There are limited studies about the interaction on in the pizel size. The aim of this study is investigation on the effect of spatial resolution on predicting snow depth through empirical test of the relationship between some digital elevation models and snow depth modeling using multi variate regression medel. First using Latin Hypercube Sampling (LHS) technique 100 snow depth data and 195 random data were collected. Then a base DEM with 10m resolution was selefcted and 25 terrain parameters were extracted from it as the ANN input. 9 DEMs with different pixel sizes were resampled from the base DEM. Finally effective parameters on sonw depth were estracted from 10 DEMs and their relationship between measured data was calculated usnig a multiple linear regression. The models were compared by RMSE, NMSE, MSE and MAE and the results showed that the DEM with 150m resolution was the best DEM for snow depth simulation. Thus this result can reduce costs and increase the accuracy of estimation of snow depth.