مقایسه روشهای زمین آماری برای بهینه سازی شبکه ایستگاههای باران سنجی استان خوزستان
محورهای موضوعی : علوم آب
حسین اسلامی
1
(
گروه علوم آب، دانشکده علوم آب، دانشگاه آزاد اسلامی واحد شوشتر، شوشتر
)
مجتبی محمدیان
2
(
دانش آموخته دانشگاه آزاد واحد شوشتر
)
کلید واژه: بهینه سازی, استان خوزستان, کریجینگ, ایستگاههای باران سنجی,
چکیده مقاله :
طراحی شبکه باران سنجی به منظور کاهش هزینه ها و افزایش دقت در تخمین مقادیر بارش، نیازمند یافتن موقعیت بهینه ایستگاه های باران سنجی می باشد. بیشتر خطاهای تخمین بارش، ناشی از موقعیت باران سنج ها می باشد که طراحی بهینه شبکه باران سنجی می تواند خطاهای مرتبط با اندازه گیزی بارش را کاهش دهد. در این تحقیق روشهای مختلف میان یابی زمین آماری کریجینگ و کوکریجینگ برای محاسبه خطای تخمین و تهیه نقشه های پراکنش مکانی بارندگی روزانه استان خوزستان مورد بررسی قرار گرفت. برای تهیه نقشه های تغییرات مکانی نیاز به برآورد مقدار بارندگی در نقاط مجهول بین ایستگاهها دارد. در این تحقیق از اطلاعات 49 ایستگاه باران سنجی برای 6 واقعه بارندگی روزانه استفاده شد. پس از تعیین بهترین مدل نیم تغییرنما و بهترین روش زمین آماری، در مرحله اول، بارانسنج هایی که به کمک سایر باران سنج های شبکه، تخمین مقدار بارندگی در آنها با دقت کافی امکان پذیر بود، مشخص گردید. نتایج نشان دهنده دقت بالاتر روش میان یابی کریجینگ دارد و بیشتر بارشهای روزانه منطبق بر مدل گوسی بودند. در مرحله دوم، با استفاده از ارزیابی میزان خطای تخمین شبکه باقیمانده از مرحله اول، نقاطی که ایجاد باران سنج جدید در آنها مورد نیاز بود مشخص شد. در نهایت تعداد 7 ایستگاه باران سنج غیر ضروری در شبکه مشخص گردید و 5 باران سنج جدید به شبکه اضافه شد.
Design of the rain gauge network to increase accuracy and cost decrease in precipitation prediction value needs to find optimum location of the rain gauge station. Most precipitation prediction errors is due to location of the rain gage station that optimum design of the rain gauge stations can reduce precipitation prediction error. In this study used geostatistic methods named Kriging and cokriging to optimization of the Khuzestan rain gauge station network. 49 rain gauges used for 6 daily rainfall. After determination of the best model of semivariograms and the best geostatistic method, in the first step, the rain gauge which precipitation prediction in them has appropriate accuracy determined with the help of other rain gauge network. Result showed that kriging had more accuracy and most daily rainfalls was fitted with gaussian model. In the next step, using assessment of network prediction error value which remain from first step, the points that needs new rain gage determined. Finally7 unnecessary rain gage stations determined and 5 new rain gages added to the network.
_||_
