برآورد نقشه‌های فرسایندگی و بارش در مناطقی با ایستگاه باران‎سنجی محدود (مطالعه موردی: استان سمنان)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه بیابانزدایی، دانشکده کویرشناسی، دانشگاه سمنان، سمنان، ایران

2 گروه مدیریت مناطق خشک، دانشکده کویرشناسی، دانشگاه سمنان، سمنان، ایران

چکیده

در این پژوهش با استفاده از داده‎های در دسترس مانند متوسط بارش سالانه، مقدار فرسایندگی باران برآورد شد. استان سمنان با وسعتی برابر با 96816 کیلومتر مربع، دارای تعداد محدودی ایستگاه سینوپتیک و باران‎سنجی است. در این مطالعه به منظور برطرف ساختن کمبود ایستگاه‌های باران‎سنجی و سینوپتیک، از متغیرهای کمکی شامل ارتفاع (DEM)، پوشش گیاهی نرمال شده (NDVI)، دمای سطح زمین (LST) و داده‎های شبکه‎ای جهانی بارش ""Open Land Map Precipitation(LMP) که بیشترین ارتباط را با بارش داشتند، استفاده شد. برای این منظور ابتدا با استفاده از داده‎های کمکی و مدل غیرخطی جنگل تصادفی (RF) نقشه بارش استان تهیه شد. در ایستگاه‎های سینوپتیک مقدار فرسایندگی بر اساس شاخص EI30 و متوسط بارندگی سالانه ایستگاه‎ها تعیین و ارتباط بین بارش و فرسایندگی باران با استفاده از رگرسیون غیرخطی تعیین شد. نتایج نشان داد مقدار مجذور میانگین مربعات خطا RMSE)) و ضریب همبستگی (r) مدل RF در برآورد بارش ایستگاه‌های مورد توجه برابر با 9/16 میلیمتر و (p<0.01) 98/0 بود، که نشان از دقت بالای این مدل در برآورد بارش استان می‌باشد. نقشه بارش استان نشان داد که میزان بارش سالانه مناطق مختلف استان بین 420-70 میلیمتر متغیر می‌باشد. نقشه‎های طبقه‎بندی بارش نشان داد که نیمی از استان دارای بارش کمتر از 100 میلیمتری می‎باشد. 30 درصد استان بارشی بین 100 تا 150 میلیمتری دارند و تنها حدود 17 درصد از سطح استان بارشی بیش از 150 میلیمتر را دارا است. بررسی رگرسیون‌های خطی و غیرخطی نشان داد که تابع توانی به خوبی قادر به برآورد فرسایندگی باران با استفاده از داده‌های متوسط بارش سالانه بود. به‌طوری که ضریب همبستگی معادله‌ی که فرسایندگی را به عنوان تابعی از بارش برآورد می‌کند، برابر با **96/0 بدست آمد. بیشترین و کمترین مقادیر فرسایندگی باران به ترتیب برابر با 380 و 39 MJha-1mm h-1year-1 در مناطق شمالی و جنوبی استان بدست آمد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Estimation of erosivity and precipitation maps in areas with limited number of rainfall station (Case study: Semnan province)

نویسندگان [English]

  • Elham Amini 1
  • Ali Zolfaghari 2
  • Hasan Kaboli 2
  • Mohammad Rahimi 1
1 Department of desertification, Faculty of Desert Science, Semnan University, Semnan, Iran.
2 Department of Arid lands management, Faculty of Desert Science; Semnan University. Iran.
چکیده [English]

Rainfall erosivity (R) is one of the factors in this model. Direct calculation of R required meteorological gauge stations which are available at a limited number of synoptic stations. In this study, we tried to estimate rainfall erosivity using available data such as annual rainfall. Semnan province, with an area of 96816 km2, has a limited number of synoptic and rain gauge stations, which makes it difficult to estimate rain erosivity in this province. In this study the auxiliary variables including digital elevation model (DEM), normalized vegetation index (NDVI), land surface temperature (LST) and global precipitation network data "Open Land Map Precipitation" (LMP) were used for spatial prediction of annual rainfall. The rainfall map of the study area was prepared using auxiliary data and using random forest (RF) model. Also in synoptic stations, the amount of erosivity based on the EI30 index and average annual rainfall were determined. Finally, the relation between rainfall and erosivity and annual rainfall was determined using nonlinear regression. Root mean square error (RMSE) and coefficient of correlation (r) of RF model for prediction of annual rainfall were 16.9 mm and 0.98, respectively. The results of the rainfall map in study area showed that the rainfall varied between 70-420 mm year-1. Rainfall classification maps showed that near the half of the study area has annual rainfall less than 100 mm, 30% of the province has annual rainfall of between 100 and 150 mm and only about 17% of the province has annual rainfall more than 150 mm year-1. The maximum and minimum values of erosivity were 380 and 39 MJha-1mm h-1year-1 in the northern and southern part of the study area, respectively.

کلیدواژه‌ها [English]

  • Auxiliary variables
  • Network precipitation data
  • Random Forest model