مقایسه مدلPERSIANN با روشهای درون یابی به منظور کاربرد در تخمین مقادیر بارندگی روزانه(مطالعه موردی: خراسان شمالی)

چکیده عامل بارندگی در مطالعات کاربردی که بر پایه پارامتر های هواشناسی صورت می گیرد همواره به عنوان مهمترین فاکتور نقش مهمی را ایفا کرده است. در بسیاری از مطالعات هیدرولوژیکی، هیدروکلیماتولوژی، هواشناسی و بویژه کشاورزی از داده های بارندگی ایستگاه های هواشناسی (سینوپتیک، کلیماتولوژی، باران سنجی) استفاده شده است. در این میان در مواردی که تراکم شبکه بارانسنجی پاسخگو نبوده و یا برای مناطقی که بعلت صعب العبور بودن فاقد ایستگاه و داده های معتبر بارندگی بوده اند، روش های درون یابی نقش مهمی را ایفا نموده اند. این روش ها همواره دارای خطا بوده و اغلب غیر قابل تعمیم بوده، بویژه در مناطق خشک و نیمه خشک که نوسانات زمانی و مکانی بارندگی جزو ویژگی های غالب این مناطق می باشد. در این مطالعه ابتدا مدل پیش بینی بارندگی از داده های سنجش از دور و شبکه عصبی مصنوعی (PERSIANN) معرفی شده و سپس به منظور جایگزینی برای روشهای درون یابی در تخمین بارش روزانه در مناطق فاقد ایستگاه، خروجی های مدل با دو روش رایج درون یابی (کریجینگ و روش معکوس فواصل) مقایسه شده است. بدین منظور داده های ۶ ایستگاه هواشناسی در استان خراسان رضوی برای سال های ۲۰۰۶ تا ۲۰۰۸ مورد استفاده قرار گرفت. نتایج آنالیز آماری، همبستگی بیشتر خروجی های PERSIANN را با داده های واقعی بارندگی نسبت به دو روش درون یابی نشان می دهد، بطوریکه ضریب همبستگی خروجی های مدل با داده های ایستگاه بجنورد در آزمون کندال ۸۰۵/۰ بوده که این مقدار برای داده های بازسازی شده به روش معکوس فواصل ۴۸۸/۰ و برای کریجینگ ۵۶۵/۰ بوده است. واژه های کلیدی: مدل PERSIANN، روش معکوس فواصل، روش کریجینگ، تخمین بارندگی روزانه، روش های درون یابی