journal of watershed management research
پژوهشنامه مديريت حوزه آبخيز
jwmr
Agriculture
http://jwmr.sanru.ac.ir
1
admin
2251-6174
2676-4636
10.61186/jwmr
fa
jalali
1394
10
1
gregorian
2016
1
1
6
12
online
1
fulltext
fa
مدل سازی فضایی-زمانی وقوع و مقدار بارش زمستانه در گستره ایران با استفاده از مدل مارکف پنهان
Spatial-Temporal Modeling of Occurrence and Amount of Winter Rainfall using Hidden Markov Model
تخصصي
Special
پژوهشي
Research
<p dir="RTL"><strong>مدل­سازی چندمکانی بارش یکی از زمینه­های مهم در علوم طبیعی است و مدل­های مختلف آماری برای این مهم توسعه یافته­اند که نگرشی فضایی به مدل­سازی و شبیه­سازی بارش روزانه دارند. مدل مارکف پنهان یکی از انواع مدل­های چندمکانی بارش روزانه است که علاوه بر شبیه­سازی بارش روزانه، به بررسی توزیع فضایی و زمانی الگوهای وقوع بارش نیز می­پردازد. در مطالعه حاضر با بکارگیری مدل مارکف پنهان، اقدام به مدل­سازی بارش زمستانه (ژانویه تا آوریل) براساس داده­های 130 ایستگاه باران­سنجی در گستره ایران شده است. طول دوره آماری داده­های بارندگی روزانه 21 سال (2010-1990) می­باشد. هدف این تحقیق، دستیابی به توزیع فضایی و زمانی الگوهای جوی و شبیه­سازی تصادفی وقوع و مقدار بارش به­طور همزمان است. نیل به این اهداف با بکارگیری<br>
الگوریتم­های مختلف حل مسائل مدل مارکف پنهان شامل الگوریتم برآورد پارامتر بیشینه­سازی امید (</strong><strong><span dir="LTR">EM</span></strong><strong>) و الگوریتم رمزگشایی ویتربی و یک الگوریتم شبیه­سازی که با تبدیل احتمالاتی همراه است، میسر است. انتظار می­رود که الگوهای جوی مستخرج از مدل مارکف پنهان، منطبق بر الگوهای سینوپتیکی باشند که براین اساس 8 الگوی مختلف جوی به­عنوان مجموعه متناهی حالات پنهان به­دست آمدند و هرکدام گویای الگوی خاص سینوپتیکی هستند. فراوان­ترین الگوی توزیع بارندگی مستخرج از مدل مارکف پنهان، الگوی خشک (شرایط پایدار) بوده که طی آن احتمال وقوع بارش در اکثر ایستگاه­های کشور پایین است. این الگو دارای بیشترین احتمال آغازین معادل 429/0 و بیشترین احتمال انتقال مارکفی از حالت مشابه معادل 637/0 می­باشد. همچنین، شبیه­سازی چندمکانی بارش زمستانه نیز با حفظ آماره­های اساسی شامل میانگین و انحراف معیارهای مجموع فصلی ایستگاه­ها، مقدار صدک­های مختلف هر ایستگاه و وابستگی­های فضایی وقوع و عدم وقوع بارش، دارای نتایج قابل­ قبولی است که در مجموع بکارگیری این رهیافت، سودمند ارزیابی شده است.</strong></p>
<p>Multi site modeling of rainfall is one of the most important issues in environmental sciences especially in watershed management. For this purpose, different statistical models have been developed which involve spatial approaches in simulation and modeling of daily rainfall values. The hidden Markov is one of the multi-site daily rainfall models which in addition to simulation of daily rainfall values, explores the spatial and temporal pattern of rainfall events. In this study, the winter (January to April) rainfall pattern of 130 rain gauges have been modeled using hidden Markov approach during a 21 years period (1990-2010). The aim of this study was finding temporal and spatial distribution of weather patterns and stochastic simulation of occurrence and amount of rainfall, simultaneously. To achieve this goal, different hidden Markov algorithms including, <em>Viterbi</em> decoding algorithm, <em>Expectation-Maximization (EM) </em>algorithm and a stochastic simulation approach with the <em>probability transformation</em> were applied. It is expected that extracted patterns, using hidden Markov model, are consistent with synoptic patterns and accordingly eight different weather pattern as the definite set of possible cases were recognized. The most frequent rainfall pattern extracted from hidden Markov model was the dry pattern (stable condition) in which the rainfall occurrence probability is low in most of the stations. This pattern has the maximum initial probability of 0.429 and maximum Markov transfer probability of 0.637 Besides, multi-site simulation of winter rainfall keeping the basic statistic of mean, standard deviation of total seasonal rainfall and percentile values in each station and also spatial correlation of occurrence or non-occurrence of rainfall produced reasonable result. In general this approach can be recommended for regional studies.</p>
مدل مارکف پنهان, بارش زمستانه, الگوی فضایی, شبیه سازی
Hidden Markov Model, Winter rainfall, Spatial patterns, Simulation
139
153
http://jwmr.sanru.ac.ir/browse.php?a_code=A-10-1-111&slc_lang=fa&sid=1
Mehdi
Ghamghami
مهدی
قمقامی
10031947532846007132
10031947532846007132
No
University of Tehran
دانشگاه تهران
Nozar
Ghahreman
نوذر
قهرمان
10031947532846007133
10031947532846007133
Yes
University of Tehran
دانشگاه تهران
Javad
Bazrafshan
جواد
بذر افشان
10031947532846007134
10031947532846007134
No
University of Tehran
دانشگاه تهران