پیش بینی بارش روزانه در مناطق بدون آمار بارش با شبیه فرایند نقطه‌ای زمانی- مکانی STNSRP (مطالعه موردی: حوضة Walnut Gulch)

الموضوعات :

محمود ذاکری نیری ¹ (گروه عمران، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی- واحد اسلامشهر، تهران، ایران)

تاريخ الإرسال : 18 السبت , رجب, 1438 تاريخ التأكيد : 18 السبت , رجب, 1438 تاريخ الإصدار : 22 الأحد , جمادى الأولى, 1438

الکلمات المفتاحية: پیش بینی, حوضة Walnut Gulch, تولید بارش روزانه, شبیه فرایند نقطه‌ای زمانی- مکانی, STNSRP,

ملخص المقالة :

با توجه به اهمیت پیش بینی بارش، نیاز به وجود آمار دارای کیفیت مناسب، یا با طول بسنده در مطالعات آبشناسی و اینکه نبودن داده های ثبت شده ARIMA بارش در بسیاری از حوضه­های آبخیز، استفاده از گروه­های زمانی بارش تولید شده با شبیه­هایی، مانند زنجیره­ی مارکوفی برای تولید بارش در یک ایستگاه موضوعی مهم و متداول شده است. با توجه به ضریب اهمیت و تأثیر زیاد توزیع مکانی بارندگی در ویژگیهای آب­نگار خروجی از یک حوضه آبخیز، تولید بارش در چند ایستگاه به صورت همزمان اهمیت ویژه­ای دارد. در این تحقیق، از شبیه فرایند نقطه­ای زمانی- مکانی [1](STNSRP) برای تولید بارش در مقیاس زمانی روزانه، با درنظر گرفتن وابستگی مکانی بارش در حوضه آبخیز والنات گالچ ایالات متحده­ی برای یک گروه زمانی بارش طولانی مدت (50 ساله) در 20 ایستگاه­ باران­سنجی استفاده شده است: 14 ایستگاه به عنوان ایستگاه واقعی و 6 ایستگاه به عنوان نقاط مجازی در نظر گرفته شدند. سپس آماره­های مختلف مانند میانگین، واریانس و احتمال روز خشک برای بارش تولید شده و مشاهداتی در هر یک از ایستگاه­ها در ماه­های مختلف سال با هم مقایسه گردیدند . همچنین با استفاده از روش IDW، نقشه­ی بارش با استفاده از بارش باریده در ایستگاههای مجازی و سایر ایستگاه­های موجود در منطقه تولید، با نقشه­ی بارش باریده با فرض وجود همه ایستگاهها مقایسه شدند. نتایج نشان دادند که نقشه­ی بارش تولید شده با درنظر گرفتن بارش باریده در ایستگاههای مجازی نسبت به نقشه­ی بارش تولید شده بدون این ایستگاهها، تنها با درنظرگرفتن ایستگاههای موجود، خطای کمتری را دارد.

المصادر:

1)                  نسیمی علیرضا و ضرغام محمدی. 1393، ارزیابی آسیب‏پذیری استان یزد در برابر خشکسالی با استفاده از شاخص بارش معیار و روش‌های زمین‏آماری، مجله مهندسی منابع آب صفحه 79-90 :7.

2)                  زارعی سهیلا و احمد فاخری فرد. 1393، ارزیابی ارتباط زمانی خشکسالی‌های هواشناسی و آبشناسی با کاربرد برنامه‌ریزی‌های ژنتیک (GP) و سامانه‌ی استنتاج تطبیقی عصبی- فازی (ANFIS) در حوضه‌ی آبخیز صوفی‌چای، مجله مهندسی آب صفحه 37-50 :7.

3)                   Cowpertwait, P.S.P. 1991. Further developments of the Neyman-Scott clustered point process for modelling rainfall, Water ResourRes, 27: 1431-1438.

4)                   Cowpertwait, P.S.P. 1995. A generalized spatial-temporal model of rainfall based on a clustered point process. Proceedings of the Royal Society of London, Series A 450, pp: 163-175.

5)                   Cowpertwait, P.S.P. 2002. A space-time Neyman-Scott model of rainfall: Empirical analysis of extremes, Water ResourRes Research, 38 (8), 1131-1138.

6)                   Cowpertwait, P.S.P., C. Kilsby,., and P.E. O’Connell.2002. A space-time Neyman-Scott model of rainfall: empirical analysis of extremes. Water Resources Research, Vol. 38:1-14.

7)                   Cowpertwait, P.S.P., P.E. O’Connell,. A.V. Metcalfe, and, J.A.  Mawdsley1996a. Stochastic point process modeling of rainfall: I. Single site fitting and validation. Hydrol. 175: 17-46.

8)                   Cowpertwait, P.S.P., P.E.  O’Connell, A.V. Metcalfe, and J.A. Mawdsley. 1996. Stochastic point process modelling of rainfall: II. Regionalization and disaggregation. Hydrol. 175: 47-65.

9)                   Goodrich, D. C., T. O. Keefer, C. L. Unkrich, M. H. Nichols, H. B. Osborn, J. J. Stone, and J. R. Smith. 2008. Long-term precipitation database, Walnut Gulch Experimental Watershed, Arizona, United States, Water Resour. Res., 44: 5 doi:10.1029/2006WR005782.

10)               Luyckx G., P. Willems & J. Berlamont (1998). Influence of the spatial variability of rainfall on sewer system design. In: Hydrology in a changing environment, H. Wheater and C. Kirby (ed.), John Wiley & Sons, Chichester, vol. III, 339-349; (ISBN 0-471-98680-6)

11)               Mehrotra, R., and A. Sharma. 2007. Preserving low-frequency variability in generated daily rainfall sequences. Journal of Hydrolo.345: 102-120.

12)               Rodriguez-Iturbe, I., Cox, D. R., and V. Isham. 1987. Some models for rainfall based on stochastic point processes. Proc. R Soc. Lond. A 410, 269–288.

13)               Shepard, D. 1968. A two dimensional interpolation function for irregularly-spaced data, Proceedings of the 1968 ACM Nat. Con: 517–524.

14)               Srikanthan, R, and G. Pegram. 2009. A nested multisite daily rainfall stochastic generation model, J. Hydrol. 371:142–153.

15)               Srikanthan R. and T.A. McMahon. 2001. Stochastic generation of annual, monthly and daily climate data: A review, Hydrol Earth Sys Sci, 5: 653–670.

16)               Willems, P. 2001. A spatial rainfall generator for small spatial scales. Hydrol, 252:126-144.