نویسندگان
1 استاد گروه ژئومورفولوژی دانشگاه تبریز
2 دانشجوی کارشناسی ارشد سنجش از دور دانشگاه تبریز.
3 دانشجوی کارشناسی ارشد
چکیده
بارندگی به عنوان اصلیترین ورودی در مدلسازیهای هیدرولوژیک محسوب میشود. شبکهی کارآمد ایستگاههای بارانسنجی، شبکهای است که از تراکم مناسبی برخوردار بوده و در نقاط فاقد ایستگاه، برآورد مطلوبی از بارش داشته باشد. به منظور بهینهسازی موقعیت ایستگاههای بارانسنجی روشهای متفاوتی ارایه شده که در این میان روشهای زمینآمار به طور گسترده مورد استفاده قرار میگیرند. تحقیق حاضر با هدف ارزیابی وضعیت ایستگاههای بارانسنجی استان کردستان و بهینهسازی موقعیت این ایستگاهها با استفاده از روشهای زمینآمار صورت گرفته است. در این تحقیق و در راستای ارزیابی دقت روشهای مختلف درونیابی مشخص شد که روش Ordinary Kriging با مدل تابع Circular نسبت به سایر مدلها از اعتبار بیشتری برخوردار بوده و مناسبترین روش درونیابی پراکنش بارش در استان کردستان میباشد. در ادامه به منظور بهینهیابی و برآورد خطای ایستگاههای موجود از دادههای بارش 145 ایستگاه هواشناسی استفاده گردیدهاست و با تـوجه بـه وسعت زیاد منطقهی مورد مطالعه و تغییرات زیاد دادههای بارش، ناحیهبندی منطقه یا خوشهبندی ایستگاهها صورت گرفت و کل منطقه به 8 خوشه تقسیم شده است. نتایج حاصله از بهینهیابی بر مبنای ضریب تغییرات کریجینگ نشان میدهد که با اضافه شدن 17 ایستگاه پیشنهادی جدید به شبکهی بارانسنجی موجود در این استان، مقـادیر ضـریب تغییـرات مکـانی بـارش سـالانه از بخشهای مرکزی تا جنوبی بین 0.21 تا 6.67 درصد و در نواحی غربی نزدیک به 12 درصد کاهش مییابد. نتایج پژوهش حاضر به منظور کاربرد روشهای زمینآمار در بهینهیابی از اهمیت بالایی برخوردار بوده و نقشههای تولید شده نیز برای سازمانهای اجرایی (وزارت نیرو، سازمان هواشناسی و ...) از ارزش کاربردی بالایی برخوردار هستند.
کلیدواژه‌ها
عنوان مقاله [English]
The Application of the Geo-statistical Methods in Optimizing and Strengthening the Network of the Rain Gauge Stations in Kordestan Province
نویسندگان [English]
- Davood Mokhtari 1
- Arash Zandkarimi 2
- Sheida Zandkarimi 3
چکیده [English]
Received: 2015.07.09
Accepted: 2016.10.19
Davood Mokhtari[1]*
Arash Zandkarimi[2]
Sheida Zandkarimi[3]
Abstract
Rainfall is counted as the main entrance in hydrologic modeling. Efficient network of the rain gauge stations are the ones having an appropriate density and favorable estimations of rainfall in locations without any station. In order to optimize the position of the rain gauge stations, different methods have been proposed, among which the geo-statistical methods are widely used. The present study aimed to assess the status of the rain gauge stations of Kordestan Province, and to optimize their position based on geo statistical methods. In this study, in order to evaluate the accuracy of various interpolation methods, the Ordinary Kriging method with circular function was detected to be more credible compared to other models and that it was the most suitable interpolation method in the distribution of rainfall in the province. Furthermore, in order to optimize and estimate the errors of the current stations, the precipitation data from 145 meteorological stations were used, and given the sheer size of the study area and great changes to rainfall data, area segmentation or clustering of the stations was done, and the whole area was divided into 8 clusters. The results of the optimization based on the Kriging coefficient of variation indicated that, by the addition of new 17 proposed stations to the rain gauge network in the province, the values of spatial coefficient of variation of annual rainfall has decreased between 0.21 to 6.67 percent, and close to 12% from the central to the south, and in western areas, respectively. The results of this study have a great importance on the use of geo-statistical methods in optimization, and the generated maps are of high practical value for the executive agencies (Ministry of Energy, the National Weather Service, etc.).
[1]- Associate Professor Professor Department of Geomorphology, University of Tabriz (Corresponding Autor), Email:d_mokhtari@tabrizu.ac.ir.
[2]- Master Student Remote Sensing, University of Tabriz .
[3]- M.A. Land Use-Environmenta, University of Payam Noor Tehran East.
کلیدواژه‌ها [English]
- optimization
- Network of rain gauges
- Geo-statistics
- GIS
- Kordestan Province
مقدمه
یکی از مراحل مهم در بسیاری از برنامههای کاربردی هیدرولوژیک، برآورد متوسط بارندگی در حوضههای آبریز بوده که این اندازهگیریها با استفاده از ایستگاههای بارانسنجی[1] صورت میگیرد (باستین و همکاران[2]، 1984: 456؛ پاردو[3]، 1998: 206). از ﭘﯿﺶ ﺷﺮطﻫﺎی اﺻﻠﯽ ﺑﺮای برداشت دادههای صحیح بارش، وجود شبکهی مناسب بارانسنجی میباشد چرا که این دادههای مکانی به شدت تحت تأثیر پراکنش شبکهی ایستگاهها قرار دارند (زیمرمن[4]، 2006: 635). از طرفی با توجه به بحران به وجود آمده در مورد منابع آب در سطح دنیا، نیاز به مدیریت دقیق منابع آب لازم و ضروری به نظر میرسد (ازغدی و همکاران،1390 :1) و این مدیریت وابسته به اطلاعاتی است که از ایستگاههای بارانسنجی به دست میآید. از آنجا که دادههای به دست آمده از ایستگاهها جهت به دست آمدن اطلاعات بعدی مورد استفاده قرار میگیرد (رودل[5]، 2001: 3) بنابراین هر چه دقت دادههایی که از ایستگاهها برداشت میشود بیشتر باشد، میزان صحت تصمیمگیری در مورد مسائل فوق بالاتر میرود (ازغدی و همکاران،1390: 2).
هدف از طراحی شبکهی ایستگاه بارانسنجی به دست آوردن اطلاعات قابل اطمینان با کمترین هزینه است (یاه و همکاران[6]، 2011: 344). اگر تعداد ایستگاههای مورد نظر زیاد باشد از لحاظ اقتصادی مقرون به صرفه نبوده و در صورت کم بودن آنها میزان تخمین بارندگی با واقعیت محل، تفاوت فاحشی خواهد داشت (ازغدی و همکاران، 1389: 2). سازمان جهانی هواشناسی (WMO)[7] تراکم ایستگاهها را برای مناطق مسطح به ازای هر 500 کیلومتر مربع یک ایستگاه و در حوضههای کوهستانی با بارش نامنظم در هر 25 کیلومتر مربع یک ایستگاه پیشنهاد نموده است (254: 1994، WMO).
به منظور ارزیابی شبکهی بارانسنجی الگوریتمهای مختلفی ارایه شده که از این میان کریجینگ به دلیل کاربردی بودن و فراهم نمودن واریانس تخمین[8]، عموماً در طراحی شبکه مورد توجه بوده است که از جملهی آنها میتوان به موارد زیر اشاره نمود:
کاسم و کوتیگودا[9] (1991)، با استفاده از روشهای مختلف زمین آمار توسعهی و طراحی شبکهی بارانسنجی را در حوضهی Severn Trent کشور انگلستان بررسی نمودهاند. در این پژوهش، عملکرد روشهای مختلف زمینآمار در طراحی شبکه ارزیابی شده است. پاپامیشل و میتاکسا[10] (1996)، در پژوهشی با عنوان تحلیل مکانی بارش و طراحی بهینهی شبکهی بارانسنجی در شمال یونان؛ با استفاده از تحلیل فضایی ایستگاههای موجود و بهرهگیری از انحراف معیار کریجینگ طراحی شبکهی جدید در منطقهی مورد مطالعه را انجام دادهاند. چنگ و همکاران (2008)، نیز با استفاده از واریانس خطای کریجینگ و احتمال پذیرش به ارزیابی شبکه باران سنجی و تقویت آن در شمال تایوان پرداختهاند. یاه و همکاران (2011)، از روش متشکل از دو معیار آنتروپی و کریجینگ جهت اصلاح شبکه در تایوان استفاده نمودهاند. شقاقیان و عابدینی (2012)، در مقالهای به طراحی شبکهی بارانسنجی با استفاده از روشهای زمینآمار و تجزیهی عاملی در زاگرس جنوبی پرداختهاند. در این پژوهش با استفاده از خوشهبندی ایستگاهها، منطقهی مورد مطالعه به نواحی همگن تقسیم شده و سپس با ترکیب تجزیهی عاملی و کریجینگ معمولی، شبکهی جدید بارانسنجی طراحی شدهاست. نتایج پژوهش نشان میدهد که با افزودن 6 ایستگاه بارانسنجی جدید دقت برداشت دادههای بارش بالا خواهد رفت. آدهیکاری و همکاران[11] (2015)، با استفاده از روش کریجینگ و محاسبهی خطای شبکه، امکان حذف و احداث ایستگاه جدید در حوضهی آبریز رودخانه یارا در استرالیا را بررسی نمودهاند.
رحیمی بندرآبادی و ثقفیان (1389)، در مقالهای بهینهسازی شبکه ایستگاههای بارانسنجی بر مبنای بارش ماهانه و سالانه در حوضهی آبخیز کرخه را بررسی نمودهاند.نتایج پژوهش نشان میدهد که با جابجایی 17 ایستگاه در منطقه، واریانس خطا 10% کاهش یافته است. شفیعی و همکاران (1392)، در پژوهشی به ارزیابی و بهینهیابی شبکه ایستگاههای بارانسنجی برمبنای روش کریجینگ احتمالی در حوضهی گرگانرود پرداختهاند. در این پژوهش که با استفاده از روش مبتنی بر زمینآماری کریجینگ و تابع توزیع نرمال صورت گرفته است ابتدا با تحلیل تغییرات مکانی بارندگی سالانه در حوضه، ساختار مکانی بارندگی استخراج گردیده و سپس الگوریتم ارایه شده جهت اصلاح شبکه اجرا شده است. فرجی سبکبار و همکاران (1393)، نیز توسعهی بهینهی شبکهی بارانسنجی با استفاده از روش کریجینگ و آنتروپی را در حوضهی آبریز کرخه بررسی نمودهاند.
با توجه به اینکه روش کریجینگ به ازای هر برآورد، خطای مرتبط با آن را نیز محاسبه نماید، بنابراین مـیتواند علاوه بر مقدار متوسط خـطا، تـوزیع خطا را نیز در کل محدودهی موردنظر بـه دست آورد (رحیمی بندرآبادی و ثقفیان، 1389: 27). در این روش به دلیل وجود تابع نیم تغییرنما که ارتباط مکانی معقولی را بین نقاط نمونه مشخص میکند، لزوماً n ایستگاه، تخمین بهتری از m ایستگاه (n>m) ارایه نخواهد داد (سینتکیدز و همکاران[12]، 2002: 184) که این ویژگی بسیار مهم یکی از نقاط قوت روش کریجینگ میباشد. تحقیق حاضر با هدف تحلیل و ارزیابی شبکهی بارانسنجی موجود در استان کردستان و پیشنهاد اضافه نمودن ایستگاههای جدید (در صورت نیاز) و همچنین اولویتگذاری بین ایستگاههای پیشنهادی جهت کم کردن مقادیر ضریب تغییرات مکانی بارش صورت گرفته است.
معرفی منطقهی مورد مطالعه
استان کردستان با مساحت 29173 کیلومترمربع در غرب کشور ایران واقع شده است (شکل 1). این استان با داشتن منابع آبـی مهم نقش عمدهای را در بیلان آبی کشور ایفا میکند به طوری که رودخانههای سیروان، قزلاوزن و زرینهرود از ارتفاعات آن سرچشمه میگیرند. متوسط بارندگی استان کردستان 500 میلی متر بوده و با قرار گرفتن در رشته کوه زاگرس در قسمت غربی و همچنین وجود دشت دهگلان- قروه در قسمت شرقی دارای دامنهی ارتفاعی 708 تا 3207 متر میباشد. بنابراین وجود شرایط متنوع هیدروژئومورفولوژیک[13] در استان کردستان ضرورت مطالعات بیشتر در این زمینه را ایجاب میکند.
شکل (1) موقعیت جغرافیایی منطقهی مورد مطالعه
مواد و روشها
در این تحقیق و در راستای ارزیابی و تحلیل شبکهی بارانسنجی استان کردستان و بهینهسازی این شبکه از دادههای بارش ایستگاههای بارانسنجی، سینوپتیک و کلیماتولوژی استفاده شده است. پس از بررسی وضعیت آماری ایستگاهها، دورهی آماری(2001- 2013) برای مطالعه انتخاب شده و از میان کلیهی ایستگاههای داخل حوضه، ایستگاههایی که تا سال 1392 دارای 12 سال آمار کامل یا قابل بازسازی بودند، برای مطالعه برگزیده شدند. لازم به ذکر است انتخاب ایستگاهها بر اساس امکان بازسازی آمار آنها با به کارگیری روش بیشترین همبستگی خطی[14]با ایستگاههای مجاور بوده و در نهایت کیفیت دادهها و نرمال بودن سری دادههای ثبت شده با استفاده از آزمونهای آماریKolmogorov-Smirnov مورد ارزیابی قرار گرفته است.
بعد از بررسی دادههای ایستگاههای موجود (77 ایستگاه بارانسنجی و 22 ایستگاه سینوپتیک و کلیماتولوژی سازمان هواشناسی و 76 ایستگاه بارانسنجی و تبخیرسنجی وزارت نیرو)، با توجه به دورهی آماری ایستگاهها و با در نظر گرفتن اینکه در بازسازی دادههای بارندگی مفقود، حداقل طول دورهی مشترک آماری آنها نباید کمتر از 10 سال باشد (سان و پترسون[15]، 2006: 1990)، آزمون نرمال بودن دادهها صورت گرفته و در نهایت 145 ایستگاه برای تحلیل شبکهی موجود و بهینه نمودن آن، برگزیده شدهاند؛ سپس دقت روشهای مختلف درونیابی پراکنش بارش به منظور انتخاب مناسبترین روش سنجیده شد. پس از انتخاب مناسبترین روش درونیابی پراکنش بارش، به واسطهی تغییرپذیری متوسط بارندگی، منطقهی مورد مطالعه به ناحیههای کوچکتر با تغییرات کمتر میانگین بارندگی سالیانه، تقسیم شدهاست. تقسیمبندی منطقه یا خوشهبندی[16] ایستگاهها بر مبنای حوضههای آبریز اصلی صورت گرفته است. در مرحلهی بعدی ضریب تغییرات (CV)[17] در تمامی نقاط شبکهی موجود محاسبه شده است، سپس مناطقی با بیشترین ضریب تغییرات به عنـوان اولویـت نخست جهت احداث ایستگاههای پیشنهادی انتخاب گردید. پس از وارد نمودن ایستگاه جدید به شبکه، تحلیل کریجینگ بار دیگر در کل شبکه صورت گرفته و مجدداً ضریب تغییرات درکل سیستم محاسبه شدهاست؛ دو مرحلهی پایانی تا زمانی تکرار میگردد که خطای شبکه به حداقل مقدار خود برسد، در این حالت موقعیت ایستگاههای جدید، بهینه گردیده و شبکهی اصلاح شده جدید طراحی شده است. با اجرای مرحلهی پایانی و رسیدن به حالت بهینه مشخص گردید که ضریب تغییرات با اضافه کردن ایستگاه جدید، نه تنها کاهش نمییابد بلکه به سمت افزایش میل پیدا میکند. شکل (2) مراحل اجرای پژوهش برای انتخاب دادهها و بهینهترین روش را نشان میدهد.
شکل (2) فلوچارت مراحل اجرای پژوهش
ـ آمادهسازی دادهها و بررسی توزیع دادهها
در این پژوهش در گام اول توزیع دادهها با استفاده از آزمون Kolmogorov– Smirnov در سطح 95% بررسی شده است
ـ اجرای روشهای مختلف درونیابی و ارزیابی دقت آنها
به منظور تعیین مناسبترین الگوریتم درونیابی پراکنش بارش استان کردستان اقدام به اجرای روشهای درونیابی از جملهInverse Distance Weighting ، Spline (با تابعهای Tension، Thin Plate و Completely Regular)، Ordinary Kriging (با تابعهای Circular، Spherical، Exponential و Gussian) و Universal Kriging (با تابعهای Rational Quadratic و Liner) گردید، سپس برای ارزیابی دقت متقابل، یک نقطه به صورت موقتی حذف شده و با اعمال درونیابی مورد نظر برای آن نقطه مقداری برآورد گردید، سپس مقدار حذف شده به جای خود برگردانده شده و برای بقیه نقاط به صورت مجزا این برآورد صورت میگیرد؛ به طوری که در پایان یک جدول با دو ستون که نشاندهندهی مقادیر واقعی و برآورد شده میباشند، حاصل میگردد. با داشتن این مقادیر میتوان میانگین خطای مطلق (MAE)[18] و معیار اریب خطا (MBE)[19] را به دست آورد. هر چه دو مقدار فوق به صفر نزدیکتر باشد، نشاندهندهی بالا بودن دقت مدل میباشد؛ از سایر آزمونها جهت ارزیابی کارایی روشهای درونیابی میتوان به روش ریشهی دوم میانگین مربع خطا (RMSE)[20] و ضریب همبستگی (R2) بین مقادیر محاسبه شده و مشاهدهای اشاره کرد که هرچه مقدار RMSE کمتر و میزان R2بیشتر باشد، مدل اعمال شده دارای دقت آماری بالاتری خواهد بود (میرموسوی و همکاران، 1388: 111).
|
رابطهی (1) |
|
|
رابطهی (2) |
|
|
رابطهی (3) |
Ù2 |
در روابط فوق (xi) z*مقادیر پیشبینی شده و (xi) zمقادیر اندازهگیری شده میباشد.
ـ ناحیهبندی منطقه و خوشهبندی ایستگاهها
بر اساس تحلیلهای صورت گرفته منطقهی مورد مطالعه به 8 خوشه تقسیم شده است (شکل3).
ـ تحلیل کریجینگ و محاسبهی ضریب تغییرات کلیهی نقاط شبکهی موجود
روش کریجینگ یک میانگین متحرک وزندار است (جلالی و همکاران، 1392: 197) که به عنوان بهترین تخمینگر خطی نااریب شناخته میشود (مهرشاهی و خسروی، 1387: 236). مطلق بودن تخمین در درونیابی از ویژگیهای عمدهی این روش است (میرموسوی، 1388: 112). به طور کلی تغییرات فضایی در روش کریجینگ از رابطهی زیر به دست میآید (فرجی سبکبار و عزیزی، 1385: 8).
رابطهی (4)
در رابطهی (4) در آنZ(Si) : برآورد آماری از متغیر موردنظر، λi: وزن آماری اختصاص داده شـده به نمونه، S0: فاصله از نقطهی نمونه، N: تـعداد نقاط نـمونه میباشد. در ادامه اقدام به محاسبهی واریانس کریجینگ یا همان کمترین واریانس میگردد که آن را میتوان با استفاده از رابطهی زیر محاسبه نمود (باکچی و همکاران[21]، 1995: 319؛ دواتگر، 1376: 56).
|
رابطهی (5) |
در رابطهی (5) λi و h به ترتیب مقادیر بهینهی وزنهای آماری و ضریب لاگرانژ میباشد که با حل ماتریسی به دست میآید (مدنی،1376: 54). (ua - ui) g مقدار نیم تغییر نما بین نقاط معلوم و نقاط تخمینی میباشد. نیم تغییر نمای دادهها به صورت زیر تعریف میشود.
|
رابطهی (6) |
در رابطهی (65) N(d) برابر تعداد زوج نمونه که به فاصلهی بردار d از یکدیگر واقعاند و Z(u) مقدار پارامتر مورد نظر در موقعیت u میباشد (کسایی رودسری، 1389: 36). برای یک متغیر تصادفی ضریب تغییرات به صورت زیر تعریف میشود (هاشمیپرست، 1369: 54؛ صفوی، 1385: 30).
رابطهی (7)
نتیجهی به دست آمده از رابطهی بالا که برابر تقسیم انحراف معیار تخمین کریجینگ در هر نقطهی شبکه، روی مقدار میانگین بارش سالانه به دست آمده در آن نقطه است، نسبت به مقدار انحراف معیار شاخصی مناسبتر برای تعیین نقاط ضعف شبکه است (حسنی پاک، 1377: 12).
در این مقاله با بررسی مقادیر CV مکانی بارش سالانه در سطح هر خوشه، نقاطی که دارای بیشترین ضریب تغییرات هستند به عنوان اولویت احداث ایستگاه در نظر گرفته میشود.با اضافه نمودن هر ایستگاه ضریب تغییرات کل شبکه مجدداً محاسبه گردیده و در صورتی که کاهشی در آن صورت گیرد به معنای انتخاب موقعیت درست برای احداث ایستگاه میباشد و در غیر این صورت میبایستی موقعیت ایستگاه پیشنهادی تغییر کند
بحث و نتایج
اجرای روشهای مختلف درونیابی و ارزیابی دقت آنها
پس از اطمینان از نرمال بودن توزیع دادهها، الگوریتمهای مختلف درونیابی پراکنش بارش استان کردستان مورد ﻣﻘﺎﻳﺴﻪ ﻗﺮار ﮔﺮﻓت. ﺑﺮای ﻣﻘﺎﻳﺴﻪ ﻋﻤﻠﻲ ﻧﺘﺎﻳﺞ، از شرایط یکسان برای ارزیابی دقت استفاده گردید؛ سپس ﻣﻬﻢﺗﺮﻳﻦ روشﻫﺎی ارزﻳﺎﺑﻲ ﺻﺤﺖ ﺷﺎﻣﻞ میانگین خطای مطلق (MAE)، معیار اریب خطا (MBE)، ریشه دوم میانگین مربع خطا (RMSE) و ضریب همبستگی (R2) اﺳﺘﺨﺮاج و ﻣﺸﺨﺺ ﺷﺪ ﻛﻪ روش درونیابی Ordinary Kriging با مدل تابع Circular بالاترین دقت را در مقایسه با سایر روشها نتیجه میدهد (جدول 1). ﻳﻜﻲ از ﻣﻬﻢترین دﻻﻳﻞ دﺳﺖﻳﺎﺑﻲ ﺑﻪ دﻗﺖ ﺑﺎﻻ در این روش توانایی آن در تخمین خطی نااریب است، البته سایر روشها خصوصاً Universal Krigingبا مدل تابع Quadratic به دلیل بهرهگیری از روندهای محلی دقت قابل قبولی را ارائه میدهد.
تقسیمبندی منطقه و خوشهبندی ایستگاهها
پس از تعیین مناسبترین روش پراکنش دادههای بارش استان کردستان، جهت بالا بردن دقت بهینهیابی ایستگاهها و به منظور یکنواخت نمودن دادهها، خوشهبندی ایستگاهها صورت گرفته است. این کار با توجه به تغییرات زیاد میانگین بارندگی سالیانه در سطح منطقه و بر اساس حوزههای آبریز اصلی در سطح استان است و کل منطقهی مورد مطالعه به 8 خوشه تقسیم شدهاست؛ شکل (3) پراکنش ایستگاهها در خوشهبندی را نشان میدهد.
جدول (1) ارزیابی روشهای مختلف درونیابی پراکنش بارش استان کردستان
|
روش |
مدل تابع |
خطای روش ارزیابی متقابل |
معادله خط رگرسیون |
|||
|
MBE |
MAE |
RMSE |
R2 |
|||
|
IDW |
Power 1.15 |
43/1- |
51/55 |
75/79 |
68/0 |
25/157 x + 652/0 |
|
Spline |
Tension |
58/0- |
62/54 |
64/78 |
69/0 |
53/148 x + 675/0 |
|
Thin Plate |
33/2- |
26/67 |
69/97 |
57/0 |
96/122 x + 720/0 |
|
|
Regularized |
41/0 |
70/54 |
90/78 |
69/0 |
97/145 x + 681/0 |
|
|
Ordinary Kriging |
Circular |
05/0- |
37/53 |
31/77 |
70/0 |
15/133 x + 713/0 |
|
Sepherical |
076/0- |
55/53 |
50/77 |
70/0 |
92/131 x + 715/0 |
|
|
Exponential |
13/0- |
03/56 |
58/77 |
70/0 |
54/139 x + 694/0 |
|
|
Gussian |
15/0- |
93/54 |
91/78 |
69/0 |
31/110 x + 741/0 |
|
|
Universal Kriging |
Quadratic |
08/0- |
50/53 |
05/77 |
67/0 |
37/119 x + 729/0 |
|
Liner |
15/0- |
91/54 |
91/76 |
68/0 |
75/135 x + 708/0 |
|
شکل (3) خوشهبندی ایستگاههای بارانسنجی استان کردستان
تعیین اولویت احداث ایستگاه
به منظور بالا بردن دقت در انجام کار در تمامی خوشهها به صورت مجزا مقادیر CV برای کلیهی ایستگاهها محاسبه گردیده و بالاترین اولویت نخست برای احداث ایستگاه میباشد. برای سایر خوشهها نیز همانند شکل (4) مقادیر ضریب تغییرات محاسبه میگردد (انتخاب این خوشه به صورت تصادفی صورت گرفته است).
شکل (4) پراکنش مقادیر ضریب تغییرات ایستگاههای موجود
لازم به ذکر است تعیین اولویت برای ایستگاههای جدید بعد از تمرین و تکرار و محاسبهی ضریب تغییرات برای کل شبکه پس از اضافه نمودن هر ایستگاه صورت گرفتهاست. اضافه نمودن تا زمانی که مقادیر CV دیگر کاهش نیافته و حتی میل به افزایش نیز پیدا کرده، ادامه یافته است. شکل (5)، موقعیت ایستگاههای پیشنهادی را در کنار ایستگاههای موجود نشان میدهد.جدول(2) موقعیت اولویت احداث ایستگاههای پیشنهادی را نشان میدهد. همانطورکه مشاهده میشود 17 ایستگاه جهت تقویت شبکه به شبکهی موجود اضافه گردیدهاست.همچنین به منظور کمک به شناسایی دقیقتر موقعیت مکانی ایستگاههای پیشنهادی، شهرستان، دهستان و نزدیکترین روستا به ایستگاه در جدول (2) آمده است.
شکل (5) موقعیتهای پیشنهادی احداث ایستگاه جدید به ترتیب اولویت
جدول (2) موقعیت پیشنهادی برای احداث ایستگاههای جدید در استان کردستان به ترتیب اولویت
|
اولویت |
طول (UTM) |
عرض (UTM) |
شهرستان |
نزدیکترین روستا |
دهستان |
بارش (mm) |
ضریب تغییرات |
|
1 |
2/655713 |
3943329 |
دیواندره |
تازهآباد قاضیعلی |
سارال |
85/440 |
37/95 |
|
2 |
5/764932 |
3999525 |
بیجار |
قره محمدلو |
گرگین |
12/663 |
24/89 |
|
3 |
4/652850 |
4018473 |
سقز |
یورقل |
گل تپه |
93/487 |
94/86 |
|
4 |
2/608156 |
3936570 |
مریوان |
سرگل |
سلسلی علیا |
14/525 |
45/86 |
|
5 |
4/655823 |
3985000 |
سقز |
سرخ موسی |
خورخوره |
54/493 |
13/81 |
|
6 |
8/632010 |
4029000 |
سقز |
قلندر |
سرا |
35/476 |
02/81 |
|
7 |
2/756808 |
3976880 |
بیجار |
چشمهکوره |
خورخوره |
67/315 |
59/79 |
ادامه جدول (2)
|
اولویت |
طول (UTM) |
عرض (UTM) |
شهرستان |
نزدیکترین روستا |
دهستان |
بارش (mm) |
ضریب تغییرات |
|
8 |
3/657686 |
3909265 |
سنندج |
کلاته |
ژاورود غربی |
12/420 |
51/73 |
|
9 |
9/727809 |
3953545 |
بیجار |
قشلاق نوروز |
حومه |
47/276 |
83/72 |
|
10 |
8/680687 |
3942860 |
سنندج |
گزان علیا |
حسینآبادجنوبی |
12/385 |
67/69 |
|
11 |
8/648900 |
3865217 |
کامیاران |
میسوراب |
ژاورود |
17/416 |
78/66 |
|
12 |
5/688165 |
3896698 |
سنندج |
تجره |
نران |
54/370 |
63/66 |
|
13 |
4/706977 |
3884514 |
کامیاران |
دگن |
امیرآباد |
74/395 |
17/66 |
|
14 |
3/700227 |
3951406 |
بیجار |
پشت تنگ |
نجفآباد |
27/361 |
05/65 |
|
15 |
8/765456 |
3984512 |
بیجار |
ایده لو |
خورخوره |
76/296 |
25/60 |
|
16 |
8/590302 |
3969062 |
بانه |
ننور |
ننور |
79/716 |
41/55 |
|
17 |
5/592967 |
3943972 |
مریوان |
خانم شیخان |
خاوومیرآباد |
13/705 |
84/41 |
در مر حلهی پایانی به منظور بررسی کارایی شبکه و اطمینان از بهبود برداشت دادهها مقادیر CV قبل و بعد از اضافه نمودن مورد مقایسه قرار میگیرد. جدول (3) میانگین ضریب تغییرات هر خوشه را در دو حالت نشان میدهد.
جدول (3) مقادیر ضریب تغییرات قبل و بعد از اضافه نمودن ایستگاههای پیشنهادی
|
شماره خوشه |
ضریب تغییرات اولیه |
ضریب تغییرات نهایی |
اختلاف ضریب تغییرات دو حالت |
|
1 |
30 |
88/28 |
11/1 |
|
2 |
34 |
37/33 |
62/0 |
|
3 |
59 |
70/57 |
29/1 |
|
4 |
17/67 |
59/64 |
58/2 |
|
5 |
04/80 |
37/73 |
67/6 |
|
6 |
92/63 |
65/63 |
27/0 |
|
7 |
21/57 |
68/45 |
52/11 |
|
8 |
30/68 |
78/66 |
52/1 |
نتیجهگیری
در این پژوهش از روش زمینآمار مبتنی بر ضریب تغییرات کریجینگ به سبب دقت بالا استفاده شد؛ ﻣﻘﺪار اﻓﺰاﻳﺶ ﺻﺤﺖ در این روش تا حد زیادی به ویژگیهای نیم تغییرنما (ساختارمکانی) بارش بستگی دارد که با بهرهگیری از آن میتوان، قبل از احداث ایستگاه و آماربرداری، میزان کاهش واریانس برآورد را به ازای اضافه نمودن ایستگاه جدید محاسبه کرد؛ از طرف دیگر با برآورد توزیع مکانی واریانس خطا میتوان مناطقی که دارای خطای بیش از یک حد آستانه است را شناسایی نمود و تحت پوشش ایستگاههای جدید قرار داد. نکتهی دیگری که نتایج این تحقیق نشان میدهد خوشهبندی ایستگاهها و لحاظ نمودن تغییرات بارش در سطوح گسترده است که در تحقیقات قبلی مورد توجه قرار نگرفته است.
در این تحقیق و در راستای تقویت شبکهی بارانسنجی استان کردستان 17 نقطه به عنوان مکان احداث ایستگاههای پیشنهادی تعیین شد. نتایج مطالعات نشان میدهد که مقـادیر ضریب تغییرات مکانی بارش سالانه از بخشهای مرکزی تا جنوبـی بین 21/0 تا 67/6 درصد و در نـواحی غربی نزدیک به 12 درصد کاهش مییابد. در راستای نتایج این تحقیق و با توجه به دقت بالایی که روشهای زمینآمار ارائه خواهند داد، پژوهش آتی بر مبنای نتایج به دست آمده و بر استفاده از سایر الگوریتمها و عملگرهای روش کریجینگ استوار خواهد بود. بر اساس نتایج به دست آمده از این پژوهش، پیشنهاد میشود که پژوهشگران برای مکانیابی بهینهی سایر ایستگاههای هواشناسی نیز از روشهای زمینآمار استفاده نمایند، همچنین در مرحله اضافه نمودن ایستگاهها و مرحله تعیین ایستگاههای پیشنهادی برای حذف دقت لازم و تکرار مناسب رعایت گردد. نتایج این تحقیق برای سازمانهای اجرایی (نظیر وزارت نیرو، سازمان هواشناسی و ...) به منظور برنامهریزی و مدیریت منابع آب و خاک قابل استفاده است.
[1]- Rain-gauge stations
[2]- Bastin et al.,
[3]- Pardo
[4]- Zimmerman
[5]- Rudel
[6]- Yeh et al.,
[7]- World Meteorological Organization
[8]- Variance Estimation
[9]- Kassim and Kottegoda
[10]- Papamichail and Metaxa
[11]- Adhikary et al.,
[12]- Tsintikidis et al.,
[13]- Hydrogeomorphologic
[14]- Linear correlation
[15]- Sun and Petreson
[16]- Clustering
[17]- Coefficient of Variation
[18]- Mean Absolute Error
[19]- Mean Bias Error
[20]- Root Mean Square Error
[21]- Bacchi et al.,
)