ارزيابي روش هاي زمين آماري مبتني بر GIS در پهنهبندي مکاني ميانگين بارش ساالنه در استان بوشهر

زهرا صفتی ، محمدرضا انصاری 1- دانشجوی کارشناسی ارشد دانشگاه کشاورزی و منابع طبیعی رامین خوزستان 2- عضو هیئت علمی دانشگاه کشاورزی و منابع طبیعی رامین خوزستان

Email: [email protected] چکيده داده های مربوط به بارندگی در هر منطقه نقشی اساسی در بررسی مسایل آبشناسی و مطالعات منابع آبی دارند. در این میان مساله بررسی پراکنش مکانی بارش ها بایستی مورد مطالعه قرار گیرد. روش های درون یابی متنوعی وجود دارند که به کمک آنها می توان خطوط هم باران را استخراج کرد اما به دلیل ناکافی بودن آمار و داده های موجود و دقت پایین اندازه گیری ها، تخمین حاصله در برخی روش ها چندان رضایت بخش نیست. در این راستا داده های بارش 35 ایستگاه در سطح استان بوشهر و 4 ایستگاه در استان های مجاور آن، مورد استفاده قرار گرفتند.در این پژوهش از داده های آمار بارندگی ساالنه و روش های گوناگون درون یابی در نرم افزار Arc GIS ، استفاده شد وسپس توسط پارامترهای MAE ، MBE ، RMSS ، RMSE ، RMS روشهای مختلف ارزیابی شدند. در نهایت، با توجه به نتایج حاصل از این پژوهش، روش پهنه بندی کوکریجینگ )با فاکتور کمکی ارتفاع( با مدل گوسین جهت پهنه بندی بارش در سطح استان بوشهر تعیین و توصیه شد.

کلمات کلیدی: GIS ، بوشهر، بارش، پهنه بندی

- مقدمه یکی از مهم ترین عوامل مورداستفاده در مطالعات منابع طبیعی، مقدار متوسط بارش و اغلب متوسط منطقه ای بارش است. روش های مختلفی برای برآورد مقدار بارش وجود دارد که از جمله آنها می توان به روشهای زمین آماری اشاره نمود. روش های زمین آمار به دلیل در نظر گرفتن همبستگی و ساختار مکانی داده ها، از اهمیت زیادی برخوردار هستند. بارش در سطح هر منطقه ای به صورت نقطه ای اندازه گیری می شود. یکی از مشکالت مهم مطالعات منابع آب، برآورد منطقه ای بارندگی بر اساس مشاهدات نقطه ای می باشد، بدین منظور جهت تعمیم داده نقطه ای به کل منطقه و در هر نقطه ای، عملیات درون یابی بر روی نقاط اندازه گیری شده انجام می گیرد. درون یابی یکی از مهمترین روش هایی است که اقلیم شناسان در مطالعات پهنه بندی از آن بهره مند می شوند . به فرایند برآورد ارزشهای کمی، برای نقاط بدون داده، به کمک نقاط مجاور و معلوم، درون یابی می گویند. این فرایند به دلیل محدودیت دادههای نقطه ای و ضرورت تدوین نقشه از کل یک پهنه، بمنظور تهیه ی نقشه های هم ارزش )همباران، همدما و …) انجام میگیرد [4].

1

درون یابی به معنای تبدیل داده های نقطه ای به داده های پهنه ای است( تسونگ، 4004 (. در تعیین ارزش یک نقطه تمامی نقاط مجاور و معلوم به گونه یکسان و همسان موﺛر نیستند . لﺬا، هر یک از نقاط یاد شده به تناسب تاﺛیرشان بر ارزش نقطهی مجهول ، حامل وزنی خواهند بود. روش های تعیین وزن های مرتبط با هر یک از نقاط سبب تکوین روش های گوناگونی در درون یابی شده است. ارکان اساسی در درون یابی عبارتند از: تعیین پیمونگاه )محدوده ای که متﻐیر مکانی در آن اندازه گیری شده و دارای ارزش معلوم می باشد( و تعیین شبکه که به معنی تشخیﺺ اندازه سلول بهینه برای سلول های نقشه است، به گونهای که کیفیت و توان تفکیک نقشه به بهترین شیوه نمود یابد. متاسفانه مهندسین و کارشناسان اغلب یک روش را به صورت تصادفی انتخاب کرده و برآورد مورد نظر را انجام می دهند که دقت تخمین آنها جای تامل است. البته با توجه به امکان استفاده از این روش ها در سیستم های اطالعات جﻐرافیایی )GIS( و استفاده روزافزون از این سیستم ها در امور مطالعاتی و تحقیقاتی، اهمیت انتخاب روش مناسب توسط سیستم استفاده کننده دو چندان می گردد. مرور تحقیقات پیشین نشان می دهد که روش های زمین آماری برای بررسی توزیع مکانی بارندگی و دما مورد استفاده قرارگرفته اند و در بیشتر موارد دارای دقت مناسبی بوده اند. با توجه به مطالب مطرح شده انتخاب روش میانیابی مناسب و دقیق برای برآورد بارش ضروری به نظر می رسد. اولیور، مک برانتی، دویستر و ترافل از پیشگامان استفاده کننده روش های زمین آماری محسوب می شوند. تابیوس )5893( روش کریجینگ را در توزیع بارش ساالنه در شمال ایالت کوئینتال آمریکا برای 48 ایستگاه باران سنجی مناسب تشخیﺺ دادند[13]. فیلیپس و همکاران )5884( برای برآورد بارندگی ساالنه در حوضه ویلمت در غرب ایالت اورگن از روشهای کریجینگ، کریجینگ رونددار )detrended kriging( و کوکریجینگ استفاده کردند و به این نتیجه رسیدند که در منطقه مورد مطالعه، روشهای کریجینگ رونددار وکوکریجینگ، در برابر روش کریجینگ معمولی مناسب تر هستند[11]. هوسی و همکاران )5884( برای برآورد بارندگی متوسط ساالنه در منطقهای کوهستانی واقع در جنوب نوادا و جنوب شرقی کالیفرنیا، از روش های عکس فاصله، کریجینگ، همبستگی خطی، همبستگی خطی لگاریتمی، متوسط همسایگی و کوکریجینگ استفاده کردند و به علت همبستگی بارندگی و ارتفاع در منطقه مورد مطالعه، روش کوکریجینگ را مناسب ترین روشتشخیﺺ دادند[8,9]. بال و الك )5889( برای برآورد شدت بارندگی، در حومه غربی شهر سیدنی، روشهای تیسن )Thiessen(، عکس فاصله (inverse distance(، توابع اسپالین و چند جمله ای را با استفاده از سیستم اطالعات جﻐرافیایی بررسی کردند و روش اسپالین را دقیق ترین روش معرفی کردند[6]. ایگوزکویزا )5889( به منظور تخمین میانگین بارش حوضهی آبخیز رود گودال هورس در اسپانیای شمالی، از روش های کالسیک تیسن و کریجینگ معمولی )داده های بارش( و کوکریجینگ و کریجینگ همراه با روند)داده های بارش و ارتفاع( استفاده کرد. نتایج نشان دادند که کریجینگ همراه با روند به نتیجه مناسب تری میرسد[10]. دیرکس و همکاران)5889( برای برآورد متوسط بارندگی در جزیره نورفولک استرالیا، چهار روش کریجینگ، عکس فاصله، تیسن و میانگین ایستگاهها را مورد مقایسه قرار دادند. بر اساس نتایج این محققین، روش عکس فاصله و کریجینگ به ترتیب مناسب ترین و ضعیف ترین روش بودند[7]. پونیاوردنا و کوالسیری )5888( مطالعاتی را در زمینه برآورد بارندگی در نواحی خشک سریالنکا صورت دادند و مدل پیوستگی مکانی بارندگی در این مطالعه را از نوع نمایی به دست آوردند. آنها با بررسی و مقایسه روش های عکس فاصله و

2

میانگین ایستگاهها با مدل نمایی، اﻇهار داشتند که در منطقه مورد مطالعه، مدل نمایی مزیتی بر روشهای ساده استفاده شده ندارد[12]. در ارتباط با تهیه نقشه های مکانی بارش و خشکسالی در ایران، قهرودی تالی ) 5595( به ارزیابی درون یابی به روش کریجینگ و وزن دهی عکس فاصله در استان کرمان پرداخت. نتایج نشان داد که کریجینگ وابستگی زیادی به تعداد نقطه نمونه برداری و فاصله آنها از یکدیگر دارد[5]. ﺛقفیان و رحیمی بندر آبادی )5594( قابلیت چند روش درون یابی از جمله میانگین متحرك وزنی و کریجینگ را برای برآورد توزیع مکانی بارندگی ماهانه و ساالنه جنوب غربی ایران را بررسی کرد . نتایج نشان داد که روش کریجینگ تﻐییرات مکانی بارندگی در منطقه را بهتر نشان داده و با توپوگرافی منطقه هماهنگی بیشتری دارد [1]. محمدی و همکاران)5591( سه روش کریجینگ ساده، معمولی و یونیورسال و توابع شعاعی را برای تخمین توزیع بارندگی ساالنه در استان همدان، مورد بررسی قرار دادند. نتایج به دست آمده نشان داد که روش کریجینگ ساده، باالترین دقت را داشته است. شقاقی و همکاران)5593( به ارزیابی تﻐییرات منطقه ای بارش ماهانه و ساالنه ی حوضه ی کارون با کاربرد روش های زمین آمار پرداخته، با استفاده از داده های28 ایستگاه هواشناسی با دوره ی آماری 28 ساله روش های کریجینگ، کوکریجینگ با متﻐیر کمکی ارتفاع و وزن دهی عکس فاصله با توانهای 1 تا 4 مورد بررسی قرار گرفت .نتایج نشان داد که برای برآورد بارندگی ماهانه و ساالنه روش کریجینگ تخمین بهتری به عمل آورد [3]. عساکره )5591( به کاربرد روش کریجینگ در درون یابی بارش برای تهیهی نقشه ی هم باران کشور پرداخت. در این پژوهش 55 شبیه زمین آماری با سه فرض نبود روند در داده ها، وجود روند خطی و روند درجهی دو بررسی شد و کریجینگ خطی به عنوان روش بهینه انتخاب گردید[4]. با جمع بندی مطالب می توان گفت که روش مناسب برای میان یابی و برآورد یک متﻐیر، به نوع متﻐیر و عوامل منطقهای تﺄﺛیرگﺬار بر آن بستگی دارد و نمی توان روش منتخب در یک منطقه را به سایر مناطق تعمیم داد.

- روش تحقيق محدوده تحقیق: استان بوشهر با مساحتی حدود 416.35 کیلومتر مربّع بین 41درجه و 58دقیقه تا 50درجه و .5دقیقه عرض شمالی و 30 درجه و 5دقیقه تا 34 درجه و 38 دقیقه طول شرقی از نصف النهار گرینویچ قرار دارد. این استان از شمال به قسمتی از استان خوزستان و استان کهگیلویه و بویراحمد، از شرق به استان فارس، از جنوب و غرب به خلیج فارس و از جنوب شرق به قسمتی از استان هرمزگان محدود است. استان بوشهر با خلیج فارس بیش از 101 کیلومتر مرز دریایی دارد)شکل 5(.

3

شکل 1- محدوده تحقیق و موقعیت استان بوشهر در ایران داده ها بصورت خام از اداره ی کل هواشناسی بوشهر گرفته شد. در نهایت 35 ایستگاه با بازهی زمانی 8 ساله انتخاب شدند)5594-.551(. البته برای باال بردن دقت کار و تهیه ی یک نقشه ی دقیق تر، 4 ایستگاه از استان های هم مرز با استان بوشهر نیز انتخاب شده بودند. این امر باعﺚ می شود که در مرز حوضه برونیابی انجام نگیرد و خطا در محدوده حوضه افـزایش نیابـد.)جدول 5()شکل4 و 5( جدول1- مشخصات ایستگاه های مورد بررسی در استان بوشهر و استان های هم مرز Stations shahrestan X Y min.Rain ELEVATION Lg(Elevation) 500000 3260059 300 45 1/653212514 Ahram tangestan 526328 3194721 274/6 55 1/740362689 Anarestan jam 605179 3100987 343/144444 602 2/779596491 bandar kangan kangan 605373 3078830 245/444444 56 1/748188027 Benion tangestan 541970 3183688 317/677778 256 2/408239965 Bido deylam 432574 3333397 284/855556 157 2/195899652 borazjan eghlim borazjan 521372 3237920 323/866667 280 2/447158031 bushehr 483434 3202458 336/877778 1 0 Bushkan borazjan 568292 3189352 303/033333 550 2/740362689 Chakutah bushehr 514603 3213534 280/722222 42 1/62324929 Daier dayyer 591585 3078718 232/2 45 1/653212514 Dehdaran borazjan 487399 3263390 303/611111 63 1/799340549 Dehroud borazjan 561345 3211473 365/077778 787 2/895974732 domeigez shomaly dayyer 566965 3078556 217/922222 20 1/301029996 faqih hasanan dashti 529365 3150413 256/511111 70 1/84509804 Faryab borazjan 545822 3196997 330/566667 400 2/602059991 gawsafid bozorg genaveh 470944 3272285 284/944444 66 1/819543936 rah genaveh genaveh 453506 3271236 284/222222 5 0/698970004 goorak sadat bushehr 506823 3199124 296/555556 40 1/602059991

4

Hanashour dashti 590097 3145182 310/388889 521 2/716837723 Hosseinzaery dashti 546984 3150470 250/277778 40 1/602059991 Jam jam 635917 3078027 335/155556 674 2/828659897 Kaky dashti 550971 3133869 233/7 100 2 kharg baransanji bushehr 434912 3238086 300/944444 0 0 Khormooj dashti 537130 3171115 245/733333 55 1/740362689 kordevan sofla dashti 539267 3116099 263/044444 18 1/255272505 Kordolan dashti 578477 3125156 264/777778 228 2/357934847 Korehband bushehr 492228 3237902 294/433333 10 1 lavar sharqi® dashti 555731 3163803 285/6 215 2/33243846 mozafary shomaly deylam 439250 3321169 316/144444 182 2/260071388 qaleh qaeed heidar genaveh 446758 3277914 262/555556 6 0/77815125 saad abad borazjan 511645 3250094 317/111111 46 1/662757832 samal jonooby tangestan 522380 3219087 296/244444 81 1/908485019 sana dashti 558747 3147199 213/088889 35 1/544068044 shirinou kangan 646021 3057091 213/3 96 1/982271233 shonbeh dashti 575428 3141755 238/111111 79 1/897627091 shoul genaveh 453626 3300045 295/477778 58 1/763427994 syah makan deylam 435412 3324515 282/333333 28 1/447158031 tajmaleky genaveh 458432 3293377 271/322222 68 1/832508913 talheh borazjan 550736 3188154 313/111111 508 2/705863712 tang eram borazjan 551548 3224721 433/744444 1083 3/034628457 tangesoog borazjan 536898 3243500 458/555556 1226 3/08849047 tonel daryaqoly borazjan 531992 3261213 390/233333 267 2/426511261 vahdatyeh borazjan 522298 3261189 338/166667 106 2/025305865 zyarat borazjan 506800 3239010 278/377778 21 1/322219295 dayyer 591911 3079090 234/488889 4 0/602059991 jam 634608 3077643 340/977778 655 2/8162413 bushehre daryaiy 482126 3196920 346/344444 8/4 0/924279286 Shiraz 655044 3268144 346/011111 1484 3/171433901 Lamerd 709473 3021439 210/7 411 2/613841822 Omidiye 370802 3404522 262/966667 34/9 1/542825427 Behban 426504 3385524 354/922222 313 2/495544338

5

شکل2- پراکنش ایستگاه های مورد مطالعه

شکل3- نقشه ارتفاعی استان بوشهر شیوه پژوهش: قبل از شروع کار با داده ها ،در ابتدا می بایست اگر داده پرتی در بین آنها وجود دارد شناسایی و حﺬف گردد. با جستجوی صورت گرفته در داده های بارندگی یک داده پرت یافت شد که مربوط به ایستگاه یاسوج بوده و از داده ها حﺬف گردید. در اغلب آزمون های پارامتری، مفروضات مقدماتی بسیاری وجود دارد که تا این مفروضات تامین نشوند؛ نتایج به دست آمده از آزمون، نامعتبر خواهد بود .در میان این مفروضات مهمترین و شایعترین فرض، فرض نرمال بون داده هاست .منظور

6

از نرمال بودن توزیع داده ها این است که هیستوگرام فراوانی داده ها تقریبا به صورت منحنی نرمال باشد. ضریب چولگی و ضریب کشیدگی، دو شاخﺺ اساسی توزیع داده ها هستند. در حالت کلی چنانچه مقدار چولگی و کشیدگی داده ها خارج از فاصله)4،4-( باشند )البته ممکن است برخی از آماردانان این بازه را کوچکتر یا بزرگتر در نظر بگیرند(، داده ها از توزیع نرمال برخوردار نیستند و می بایست قبل از هر گونه آزمونی که مشروط به فرض نرمال بودن داده هاست، آن ها را به توزیع نرمال نزدیک کرد. روش هایی وجود دارد که با تﻐییراتی روی داده ها، توزیع آنها نرمال می شود. ما با استفاده از ترم افزار SPSS نرمال بودن داده ها را بررید و نتایج زیر حاصل شد)جدول4(:

جدول2- نتایج حاصل از بررسی نرمال بودن داده های بارندگی Statistics Rain

N Valid 52

Missing 1 Mean 295.7726 Median 294.9556 Mode 210.70a Skewness .776 Std. Error of Skewness .330 Kurtosis 1.249 Std. Error of Kurtosis .650

a. Multiple modes exist. The smallest value is shown

پس از بررسی مقدماتی متﻐیر Rain حدس ما این بود که توزیع متﻐیر نرمال است. .اما برای اﺛبات این ادعا، باید از آزمون های آماری استفاده کنیم. در نرم افزار SPSS به کمک آزمون شاپیرو- ویلک و آزمون کلموگروف- اسمیرنوف نرمال بودن یا نبودن توزیع داده ها را آزمون کردیم و به نتایج زیر)جدول 5( دست یافتیم:

جدول3- نتایج آزمون شاپیرو- ویلک و آزمون کلموگروف- اسمیرنوف Tests of Normality

Kolmogorov-Smirnova Shapiro-Wilk

Statistic df Sig. Statistic Df Sig.

Rain .075 52 .200* .956 52 .054

a. Lilliefors Significance Correction *. This is a lower bound of the true significance.

با توجه به این نتایج نرمال بودن داده ها تایید شد.

7

برای روش کوکریجینگ نیاز است داده های کمکی )ارتفاع( نیز نرمال باشند، با بررسی های صورت گرفته مشخﺺ شد که داده های ارتفاع نرمال نیستند و باید عملیات الزم جهت نرمال کردن آنها صورت گیرد. مطایق محاسبات با لگاریتم گرفتن ، داده های ارتفاع نرمال می شوند و بنابراین در پهنه بندی به روش کوکریجینگ از داده های لگاریتمی ارتفاع استفاده می کنیم. توزیع داده ها در نرم افزار Arc GIS بررسی شد. پس از نرمال سازی داده ها بایستی روندیابی صورت گیرد. در داده های بارش دو روند در دو جهت شرقی- غربی و شمالی-جنوبی مشاهده می شود که باید حﺬف شوند و داده های ارتفاع نیز در جهت شرقی- غربی دارای روند می باشند که بایستی در روش کوکریجینگ، این روند را برای داده های کمکی با تابع درجه یک حﺬف نماییم. در این مطالعه ما از دو روش کریجینگ )یونیورسال( و کوکریجینگ) با فاکتور کمکی ارتفاع( با مدلهای کروی، نمایی، گوسی و دو روش قطعی وزن دهی عکس فاصله)IDW( با توان 4، روش توابع پایه شعاعی)RBF( با مدلهای اسپیالین کامال منظم، مولتی کوادریک معکوس، مولتی کوادریک، اسپیالین با کشش، اسپیالین صفحه نازك استفاده می کنیم. پس از تهیه نقش پهنه بندی برای اینکه نقشه تهیه شده سراسر منطقه مطالعاتی مورد نظر را پوشش دهد، باید آنها را برون یابی کرد. سپس بایستی نقشه پهنه بندی را توسط مرز منطقه مطالعاتی برش دهیم. برای این کار پلی گون بوشهر را وارد نرم افزار می کنیم تا پهنه بندی به مرزهای استان بوشهر برش بخورد. در انتها بایستی روش ها را با هم مقایسه و بهترین روش را انتخاب کنیم. معیارهای مختلفی برای مقایسه مقادیر مشاهده ای و برآورد شده وجود دارد از جمله میانگین قدر مطلق خطا )MAE(، میانگین انحراف خطا )MBE(، ریشه دوم میانگین مربع خطا )RSME( و نمودار پراکنش مقادیر مشاهده ای و برآوردی می باشد.

- نتيجهگيري

در این مطالعه ما از از معیارهای R2( RMSS ، RMSE ، RSME ، MBE ( برای مقایسه روش ها استفاده می کنیم. بدین منظور ما به اطالعات مربوط به مقادیر مشاهده ای و مقادیر برآورد شده توسط هر روش نیاز داریم. این اطالعات را از طریق Cross Validation بدست می آوریم که در مرحله آخر تهیه نقشه ذخیره کرده بودیم. پس از وارد کردن هر Cross Validation در محیط نرم افزار بایستی اطالعات آن به وسیله نوار ابزار XTools Pro به فایل اکسل تبدیل شود و سپس محاسبات مربوطه را مطابق فرمول انجام می دهیم. حال می توانیم روش های مختلف را با هم مقایسه و بهترین روش و مدل را برای پهنه بندی بارش در سطح استان برگزینیم. البته نرم افزار خود در انتها (RSME ، Mean Error (MBE و RMSS را به ما می دهد.

اگر پیوستگی فﻀایی در همه ی جهات یکسان باشد همسانگردی وجود خواهد داشت، اما چنانچه خودهمبستگی فﻀایی در بعﻀی جهت ها نسبت به جهت های دیگر گسترده تر باشد با ناهمسانگردی روبرو هستیم )کاستلک و کوسملج، 4004(. ناهمسانگردی به تﻐییرات دامنه تﺄﺛیر و یا سقف واریوگرام در جهات مختلف اطالق میشود و آنچه که باعﺚ بروز این تﻐییرات میشود، ناهمگنیهایی است که در جهت مختلف وجود دارد. واریوگرام ابزار مفیدی برای تشخیﺺ ناهمگنی ها میباشد. بنابراین با رسم آن در امتدادهای مختلف و مقایسه آنها با یکدیگر میتوان به وجود ناهمسانگردی پیبرد. نقشه واریوگرام بارش نشان می دهد که داده های بارش دارای همسانگردی است .

8

با توجه به جدول )4( نسبت C0/ C+C0 در تمامی موارد بسیار کم و به صفر نزدیک می باشد که نشان دهنده پایین بودن ساختار تصادفی نسبت به ساختار مکانی می باشد. در سمی ورایوگرامیکه مقدار واریانس تصادفی)بدون ساختار C0 ( صفر است، مقدار این نسبت صفر خواهد بود. در نتیجه، هرگاه مقدار این نسبت یک بود نشاندهنده آن است که هیچ وابستگی فﻀایی بین نمونه های اندازه گیری شده وجود ندارد. اگر این نسبت بیشتر از 0،3 باشد نقش مﺆلفه ساختار دار کمتر از مﺆلفه بی ساختار است و ساختار مکانی ضعیف بوده و کاربرد زمین آمار مفید واقع نمی شود[2].

جدول4– مشخصات سمی واریوگرام در مدل های دو روش کریجینگ و کوکریجینگ

روش N. Lag Lag Major C0/Sill Sill C C0 Model size Range

کروی 0 152559 152559 0 65700 1000 10

یونیورسال نمایی 0 891578 891578 0 65700 1000 10 کریجینگ

گوسی 645741 441652 44805941 050144 65700 1000 10

کروی 0 152559 152559 0 65700 1000 10

یونیورسال نمایی 0 891578 891578 0 65700 1000 10 کوکریجینگ

گوسی 645741 441652 44805941 050144 65700 1000 10 روش یونیورسال کریجینگ دارای کمترین مقدار MBE و باالترین RMSS می باشد ، در مجموع روش یونیورسال کوکریجینگ دارای مقادیر مناسب تری از پارامترها می باشد، دارای کمترین مقدار RMS ، RSME و MAE بوده و دارای مقدار باالی RMSS می باشد. بنابراین روش یونیورسال کوکریجینگ بافاکتور کمکی ارتفاع مناسب ترین روش برای پهنه بندی بارش در سطح استان بوشهر می باشد. در بین مدل های بررسی شده مدل گوسین با باالترین مقدار RMSS و کمترین مقدار برای MBE و MAE بهترین مدل می باشد)جدول 3(.

جدول5- نتایج ارزیابی روش های مختلف روش MAE RMSS RMS RMSE Mean error Model (MBE) یونیورسال کروی 0.5858 3.5350 24.49 0.7925 19.4901 کریجینگ نمایی 1.069 3.6110 25.02 0.715 20.0576 گوسین 0.228 3.4631 23.99 0.8788 18.7584 یونیورسال کروی 0.9635 3.3904 23.49 0.7661 18.8734 کوکریجینگ نمایی 1.217 3.3224 23.02 0.6826 18.6901

9

گوسین 50150. 3.4414 23.84 0.8688 18.6861 RBF مولتی 1.1351 3.7307 26.9 ---- 20.7611 کوادریک مولتی 1.2114 3.5898 25.89 ---- 19.3554 کوادریک معکوس اسپیالن کامال 1.0469 3.6467 26.3 ---- 19.8259 منظم اسپیالن با 0.7885 3.7445 27 ---- 20.4333 کشش اسپیالن 4.3960 7.1913 51.86 ---- 25.3239 صفحه نازک IDW با توان 2 0.6897 5.1808 37.36 ---- 26.2442 بنابر مطالعات صورت گرفته در این بررسی روش یونیورسال کوکریجینگ)با فاکتور کمکی ارتفاع( از سایرین در پهنه بندی بارش استان بوشهر بهتر عمل می کند و نیز در بین مدل ها، مدل گوسین بهترین است. نقشه نهایی پهنه بندی بارش به صورت شکل 4 می باشد:

شکل4- نقشه نهایی پهنه بندی بارش در سطح استان بوشهر

10

مراجع 5. ﺛقفیان، بهرام، رزمخواه، هما و قرمز چشمه، باقر، بررسی تﻐییرات منطقه ای بارش ساالنه با کاربرد روش های زمین آمار)مطالعهی موردی : استان فارس(، مجله مهندسی منابع آّب، سال چهارم)-48 59(، 5580. 4. حمیدیان پور، محسن، سلیقه، محمد و فالح قالهری، غالمعباس، کاربرد انواع روش های درون یابی به منظور پایش و تحلیل فﻀایی خشکسالی)مورد : استان خراسان رضوی(، فصلنامه جﻐرافیا و توسعه، سال یازدهم، 50) -31 10(، 5584. 5. شقاقی، م .، نظری فر، م.، مومنی، ر.، زواره مقدم، ز.، بررسی تﻐییرات منطقه ای بارش ماهانه و ساالنه حوضه کارون با استفاده از روشهای زمین آمار، اولین همایش منطقهای بهره برداری بهینه از منابع آب حوضه های کارون و زاینده رود، شهرکرد، 5593. 4. عساکره، ح.، کاربرد روش کریجینگ در درون یابی بارش، مطالعه موردی، درون یابی بارش .4/54/.551 در ایران زمین، جﻐرافیا و توسعه، 54)44-43(، 5591. 3. قهرودی تالی، محمد، ارزیابی درون یابی به روش کریجینگ، پژوهش های جﻐرافیایی، 45)509-83(، 5595. 6. Ball J. E., Luk, K. C., Modeling spatial variability of rainfall over a catchment, J. Hydrol. Eng., ASCE, Vol. 3, No. 2, pp. 122-130, 1998. 7. Dirks, K. N., Hay, I. E., Stow, C. D., Harris, D., High-resolution studies of rainfall on Norflok Island. Part II: Interpolation of Data, J. Hydrol. Amsterdam., Vol. 208, No. 3-4, pp. 187-193, 1998. 8. Hevesi, J.A., Flint, A.L., Istok, J.D, Precipitation Estimation in Mountainous Terrain Using Multivariate Geostatistics, Part 1: Structural Analysis, Journal of Applied Meteorolog, No. 31, pp. 661-676, 1992. 9. Hevesi, J.A., Flint, A.L., Istok, J.D, Precipitation Estimation in Mountainous Terrain Using Multivariate Geostatistics, Part 2: Isoheytal Maps, Journal of Applied Meteorolog, No. 31, pp. 677- 688, 1992. 10. Igúzquiza, E. P., Comparison of geostatistical methods for estimating the areal average climatological rainfall mean using data on precipitation and topography. Inter. J. Climat. Vol. 8, No.9, pp.1031– 1047, 1998. 11. Phillips D.L., Dolph J., Marks D, A comparison of geostatistical procedures for spatial analysis of precipitation in mountainous terrain, Agricultural and Forest Meteorology, No. 58, pp. 119-141, 1992. 12. Punyawordena, B. U. R., Kulasiri, G., Spatial interpolation of rainfall in the dry zone of SriLanka, Journal of National Science, council of SriLanka.,Vol. 26, No. 3, pp. 247-262, 1999. 13. Tabios, G.Q,, Salas, J.D., A comparative analysis of techniques for spatial interpolation of precipitation, American water resources association, Vol. 21, No. 3, pp. 365-380, 1985.

11