نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 دانشیار و عضو هیئت علمی گروه مرتع و آبخیزداری، دانشکده کشاورزی دانشگاه ایلام

2 دانشجوی کارشناسی ارشد بیابان زدایی، دانشگاه ایلام.

چکیده

ﭼﻜﻴﺪه
انتخاب یک روش درون­یابی بهبنه برای تخمین ویژگی­های یک منطقه موردی در نقاط نمونه­گیری نشده نقش مهمی در مدیریت داده­ها دارد. در این پژوهش، مدل­های میان­­یابی کریجینگ معمولی شامل خطی، نمایی، گوسی و کروی معمولی جهت تخمین پارامتر میانگین بارندگی استان ایلام مورد استفاده قرار گرفته است. بدین منظور ابتدا نرمال بودن داده­ها با استفاده از روش کلموگروف- اسمیرنف بررسی و سپس به ازای هر مدل وایروگرام آن محاسبه و ترسیم شد. در ادامه واریوگرامی برای برازش بر داده­ها استفاده شد که همبستگی مکانی بین داده­ها را به­صورت مطلوب­تری از سایر واریوگرام­ها نشان دهد. برای این امر از نسبت میان اثر قطعه­ای و سقف واریوگرام استفاده گردید (Co+C). با توجه به پارامترهای به­دست آمده برای واریوگرام­های برازش شده وایروگرام گوسین با میزان 33/0 بهترین همبستگی بین داده­ها را مدل کرده و برای درون­یابی استفاده گردید. برای ارزیابی انواع مدل­ها از مربع میانگین ریشه خطا با خطای استاندارد استفاده شد. نتایج به­دست آمده نشان داد که مدل گوسین با پایین­ترین میزان خطای برآورد (12/6) و مربع میانگین ریشه خطا (166) بهترین مدل برای درون­یابی داده­ها در این پژوهش ارزیابی شد. هم­چنین در مقایسه مربع میانگین ریشه خطا با خطای استاندارد برای تعیین میزان برآورد مورد انتظار، هر چهار مدل دارای برآوردی بیشتر از حد انتظار بودند.

کلیدواژه‌ها

عنوان مقاله [English]

The Survey of Regional Changes in Annual Precipitation Using Geostatistic techniques (Case Study: Ilam Province)

نویسندگان [English]

  • Haji Karimi 1
  • Hasan Fathizade 2

چکیده [English]

Abstract
Selection of an optimal interpolation method for estimating the characteristics of the not-sampled points was the main aim of this study, due to the important role of data management. In this study, ordinary Kiriging interpolation models including linear, exponential, spherical, Gaussian were used to estimate the mean annual rainfall of Ilam Province. For this purpose the normality of the data was checked using the Kolmogorov-Smirnov method and then the variogram of each model was calculated and plotted. In continuation, the best spatially fitted variogram between the data was used being compared to the other variograms. For this purpose, the relation between the piece effect and the roof of variogram was used (Co+C). According to the parameters obtained from the fitted variograms, the Gaussian variogram with the 0.33 best fitted the correlation between the data and was used for interpolation. In order to evaluate the efficiency of employed models, the root mean square error (RMSE) and the standard error of results were used. The results showed that the Gaussian Variogram having the lowest estimation error (6.12) and root mean square error (166) were the best model for the interpolation of the data in this investigation. Furthermore, comparison of RMSE with Standard Error (SE) for calculating the amount of expectations demonstrated that the four models gave overestimations.

کلیدواژه‌ها [English]

  • Interpolation
  • Ordinary Kiriging
  • Variogram
  • Mean Annual Precipitation
  • Ilam Province
منابع
ـ حبشی، هـ.؛ حسینی، س م.؛ محمدی، ج.؛ رحمانی، ر. (1385)، «کاربرد زمین آمار در مطالعات خاک­های مناطق جنگلی»، مجلهعلومکشاورزیومنابعطبیعیگرگان، 14 (1): 11-20.
ـ حسنی، پاک. ع. (1386)، .«زمینآمار»، دانشگاه تهران. 380 ص.
ـ خداکرمی، ل.؛ سفیانیان، ع.؛ محمدی توفیق، ا.؛ میرغفاری، ن.ا. (1390)، «بررسی غلظت عناصر سنگین مس روی و آرسنیک خاک با استفاده از RS وGIS  (مطالعه موردی: حوزه آبخیز کبودر آهنگ، رزن و خونجین- تلخاب در استان همدان)»، مجله کاربرد سنجش از دور و GIS در علوم منابع طبیعی، 2 (1): 79-89.
ـ ذبیحی، ع.؛ سلیمانی، ک.؛ شعبانی، م. (1390)، «بررسی توزیع مکانی بارش سالانه با استفاده از روش­های زمین آماری (مطالعه موردی: استان قم)»، پژوهش­هایجغرافیایطبیعی، 78: 101-112.
ـ شعبانی، ا.؛ متین­فر، ح.ر.؛ آرخی، ص.؛ رحیمی هرآبادی، س. (1390)، «مدلینگ فاکتور فرسایندگی باران با استفاده از روش زمین آمار (مطالعه موردی: حوضه آبخیز سد ایلام)»، مجله کاربرد سنجش از دور و GIS در علوم منابع طبیعی، 2 (2): 55-67.
ـ شمس­الدینی، ع.ا. (1379)، «تغییرات منطقه­ای بارندگی با استفاده از روش کریجینگ در استان­های شمالی»، سمینار کارشناسی ارشد.
ـ علوی­پناه، س.ک.؛ متین­فر، ح.ر.؛ رفیعی امام، ع. (1387)، «کاربرد فناوری اطلاعات در علوم زمین»، انتشارت دانشگاه تهران، چاپ اول، 457 ص.
ـ مدنی، ح. (1377)، «مبانیزمین آمار»، دانشگاه صنعتی امیرکبیر، واحد تفرش، ص 659.
ـ میثاقی، ف. (1383)، «توسعه الگوریتم ترکیبی زمین آمار و شبکه عصبی مصنوعی به­منظور استخراج توزیع مکانی بارندگی»، پایان­نامه کارشناسی ارشد آبیاری و زهکشی، دانشکده کشاورزی دانشگاه تربیت مدرس.
ـ مظفری، غ.؛ میرموسوی، س ح.؛ خسروی، س. (1391)، «ارزیابی روش های زمین آمار و رگرسیون خطی در تعیین توزیع مکانی بارش (منطقه مورد مطالعه: استان بوشهر)»، مجله حغرافیا و توسعه، 27: 63-76.
ـ وفاخواه، م.؛ محسنی ساروی، م.؛ مهدوی، م.، علوی پناه، س ک. (1387)، «کاربرد زمین آمار در برآورد عمق و چگالی برف در حوزه آبخیز اورازان،نشریهعلومو مهندسی آبخیزداری ایران، 2 (4): 49- 55.
- Ball JE. and Luk KC., (1998), “Modeling spatial variability of rainfall over a catchment”: J. Hydrol. Eng. , ASCE. 3 (2): 122-130.
- Ben-Jemaa F. and Marino MA., (1990), “Ptimization of a groundwater well monitoring network”. International Conference on Optimizing the Resources for Water Management, Forth worth, Texas, U. S. A. 17 (21): 610-615.
- Collins Jr FC. and Bolstad PV., (1996), “A Comparison of Spatial Interpolation­ Techniques in Temperature Estimation”. Third, InternationalConference/Workshop on Integrating GIS and Environmental Modeling. Santa Fe: New Mexico. January 21 (2):38-52.
- Hargrove, WW., (2001), “Interpolation of Rainfall in Switzerd Using Regularized Splines with Tension”, Geographic Information and Spatial Technologies Group Oak Ridge National Laboratory, http://www. geobabble. org/~hnw/sic97.
- Hevesi, JA., Istok JD. and AL. Flint. (1992), “Precipitation estimation in mountainous terrain using multivariate geostatistic. Part І: Structural Analysis”. J. Appl. Meteorol. 31: 661-676.
- Hohn, ME., (1988), “Geostatistic and Petroleum Geology, Kluwer Academic Publisher, Netherlands. pp. 250.
- Johnston, KJ., (2000), “Using ArcGIS Geostatistic analyst”, New York: ESRI. KOULI, equation (RUSLE) in a catchment of Sicily (southern Italy)”. Environ Geol. 50: 1129- 1140.
- Leclerc, G. and JC. Schaake (1972), “Derivation of Hydrologic Frequency Curves, Report” 142, Massachusetts Institute of Technology, Cambridge.
- Goovaerts, P., (2000), “Geostatistical Approach for Incorporating E levation into Spatial Interpolation Rainfall”, Journal of Hydrology. Amsterdam. 228 (1-2):129-133.
- Irvem, A., Topaloglu, F. and Uygur, V., (2007), “Estimating spatial distribution of soil loss over Seyhan River Basin in Turkey”. Journal of Hydrology, 336: 30- 37.
- Mahdian, M., (2002), “Determination of Optimization Interpolation Methods to Estimate Rainfall and Temperature in Arid, Semiarid and Humid Regions (IRAN)”, Project Report Soil Conservation and Watershed Management Research Institute.
- Mirmousavi, SH., Mazidi, A., and Khosravi Y., (2010), “The Determination of Optimum Geostatistics Method for Estimating Precipitation Distribution Using GIS (Case Study of Esfahan Province)”, Geographic Space. 10:105-120.
- Nalder, JA., and Wein, RW. (1998), “Spatial interpolation of climate normal: Test of a new method”. Canadian Boreal Forest. Agr. Forest. 94 (4): 211-225.
- Prudhomme, C., and Reed, D.W., (1999), “Mapping extreme rainfall in mountainous region using Geostatistical techniques”. Int. J. Climatol. ,19 (2): 1337-1356.
- Punyawordena, BUR., and Kulasiri, G., (1999), “Spatial interpolation of rainfall in the dry zone of SriLanka”, J. National Sci. council ofSriLanka. 26 (3): 247-262.
- Vankuilenber, J., Degruijter, J., Marsman, BA. and Bouma, J., (1982), “Accuracy of Spatial Interpolition between Point Data on Soil Moisture Supply Capacity Compared with Estimates from Mapping Units”, Geoderma. 27: 311-325.