پیش بینی بارش روزانه در مناطق بدون آمار بارش با شبیه فرایند نقطه ای زمانی- مکانی STNSRP (مطالعه موردی: حوضه Walnut Gulch)
محل انتشار: مجله مهندسی منابع آب، دوره: 9، شماره: 31
سال انتشار: 1395
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 45
فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_WEJMI-9-31_008
تاریخ نمایه سازی: 28 بهمن 1402
چکیده مقاله:
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 تاثیر 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 [۱](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 (۵۰ ساله) در ۲۰ ایستگاه بارانسنجی استفاده شده است: ۱۴ ایستگاه به عنوان ایستگاه واقعی و ۶ 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.
کلیدواژه ها:
نویسندگان
محمود ذاکری نیری
گروه عمران، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی- واحد اسلامشهر، تهران، ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :