مقالات آب و خاك (علوم و صنايع كشاورزي)

عامل بارندگي در مطالعات کاربردي که بر پايه پارامتر هاي هواشناسي صورت مي گيرد همواره به عنوان مهمترين فاکتور نقش مهمي را ايفا کرده است. در بسياري از مطالعات هيدرولوژيکي، هيدروکليماتولوژي، هواشناسي و بويژه کشاورزي از داده هاي بارندگي ايستگاه هاي هواشناسي (سينوپتيک، کليماتولوژي، باران سنجي) استفاده شده است. در اين ميان در مواردي که تراکم شبکه باران سنجي پاسخگو نبوده و يا براي مناطقي که بعلت صعب العبور بودن فاقد ايستگاه و داده هاي معتبر بارندگي بوده اند، روش هاي درون يابي نقش مهمي را ايفا نموده اند. اين روش ها همواره داراي خطا بوده و اغلب غير قابل تعميم بوده، بويژه در مناطق خشک و نيمه خشک که نوسانات زماني و مکاني بارندگي جزو ويژگي هاي غالب اين مناطق مي باشد. در اين مطالعه ابتدا مدل پيش بيني بارندگي از داده هاي سنجش از دور و شبکه عصبي مصنوعي (PERSIANN) معرفي شده و سپس به منظور جايگزيني براي روشهاي درون يابي در تخمين بارش روزانه در مناطق فاقد ايستگاه، خروجي هاي مدل با دو روش رايج درون يابي (کريجينگ و روش معکوس فواصل) مقايسه شده است. بدين منظور داده هاي 6 ايستگاه هواشناسي در استان خراسان رضوي براي سال هاي 2006 تا 2008 مورد استفاده قرار گرفت. نتايج آناليز آماري، همبستگي بيشتر خروجي هاي PERSIANN را با داده هاي واقعي بارندگي نسبت به دو روش درون يابي نشان مي دهد، بطوريکه ضريب همبستگي خروجي هاي مدل با داده هاي ايستگاه بجنورد در آزمون کندال 0.805 بوده که اين مقدار براي داده هاي بازسازي شده به روش معکوس فواصل 0.448 و براي کريجينگ 0.565 بوده است.

 نسخه قابل چاپ