محاسبة عدم‌قطعیت محلی و مکانی بارش با استفاده از الگوریتم‌های شبیه‌سازی زمین‌آماری SGS وSGS CO-

نوع مقاله : مروری

نویسندگان

1 دانشگاه شهید بهشتی

2 دانشگاه اصفهان

چکیده

 از میان روش‌های معمول درون‌یابی، روش‌های کریجینگ و کوکریجینگ به‌عنوان بهترین برآوردگرهای خطی نااریب، کاربرد فراوانی در درون‌یابی داده‌های بارش دارند. مدل‌های مذکور به‌رغم مزیت‌شان نمایش همواری از پدیدة تحت مطالعه به‌دست می‌دهند و چون براساس میانگین محلی داده‌ها عمل می‌کنند، مقادیر حداکثر را کمتر و مقادیر حداقل را بیشتر از مقدار واقعی پیش‌بینی می‌کنند. بنابراین استفاده از این مدل‌ها به‌تنهایی در مواردی که هدف ارزیابی میزان ریسک و بررسی تغییرپذیری یک پدیده است، مناسب نیست. تغییرپذیری پدیده با استفاده از عدم‌قطعیت اندازه‌گیری می‌شود. در پژوهش حاضر به‌منظور محاسبة عدم‌قطعیت محلی و مکانی متغیر بارندگی، از الگوریتم‌های شبیه‌سازی زمین‌آماری SGS و CO-SGS استفاده شده است. نتایج تحقیق نشان می‌دهند الگوریتم‌های SGS و CO-SGS در نمونه‌های شبیه‌سازی با بازسازی مقادیر محتمل حداکثر و حداقل و همچنین حفظ دامنة نوسانات بارندگی در هر واحد مکانی، واریانسی نزدیک به واریانس نمونه‌های اصلی تولید می‌کنند. اختلاف واریانس شبیه‌سازی در مقایسه با نمونة اصلی بسیار ناچیز است، درحالی‌که واریانس روش‌های درون‌یابی اختلاف فاحشی با واریانس نمونه‌های اصلی دارد. همچنین نتایج نشان می‌دهند که این الگوریتم‌ها می‌توانند عدم‌قطعیت محلی و مکانی پدیده‌های مکانی ازجمله بارش را به‌درستی محاسبه کنند.  کلید‌واژه‌ها: بارندگی، عدم‌قطعیت، شبیه‌سازی زمین‌آماری، الگوریتم SGS، الگوریتم CO-SGS.

عنوان مقاله [English]

Calculation of Local and Spatial Uncertainty of Precipitation Using Geostatistical SGS and CO-SGS Simulation Algorithms

چکیده [English]

Among the usual interpolation methods, kriging and co-kriging are frequently used in the interpolation of precipitation data as one the best linear unbiased estimators, Despite these advantages, there models show smoothness representation and because they are based on regional averages of the data, they predict maximum and minimum values  lower and higher than real values respectively. Therefore, using these models alone is not sufficient in cases where the target is assessment of risk and study of variability. Variability of phenomenon could be measured by uncertainty index. In the study in order to calculation of local and spatial uncertainty of precipitation, geostatistical simulation algorithms CO-SGS and SGS were used. The main result of the study showed that, in simulation sample SGS and CO-SGS algorithms would be able generate the Max and Min probable value making variance as close as to the main data. The difference simulation variance is very low with main samples, in contrast, the difference of variance between main samples and interpolation method is very high. The result also showed that the mentioned algorithms could be able to compute the local and spatial uncertainty of the precipitation by different simulation. Keywords: Precipitation, Uncertainty, Geostatistical Simulation, SGS Algorithm, CO-SGS Algorithm