نشریه علمی پژوهشی مهندسی آبیاری و آب ایران

نشریه علمی پژوهشی مهندسی آبیاری و آب ایران

رویکرد نوآورانه برآورد داده های گمشده بارش ماهانه در حوضه آبریز بلوچستان جنوبی

نوع مقاله : مقاله پژوهشی

نویسندگان
خورشید کریم 1
حمید نظری پور 2
محمود خسروی 3
سید مهدی امیرجهانشاهی 4
1 دانشجوی کارشناسی ارشد، گروه جغرافیای طبیعی، دانشکده جغرافیا و برنامه ریزی محیطی، دانشگاه سیستان و بلوچستان، ایران
2 گروه جغرافیای طبیعی، دانشکده جغرافیا و برنامه ریزی محیطی، دانشگاه سیستان و بلوچستان، زاهدان، ایران.
3 استاد، گروه جغرافیای طبیعی، دانشکده جغرافیا و برنامه ریزی محیطی، دانشگاه سیستان و بلوچستان، ایران
4 استادیار، گروه آمار، دانشکده ریاضی،آمار و علوم کامپیوتر، دانشگاه سیستان و بلوچستان،، ایران.
10.22125/iwe.2023.422204.1761
چکیده
بارش یک پارامتر مرتبط با اقلیم بوده و تحقیقات در مورد آن به دلیل عدم وجود داده‌های مداوم با مشکل مواجه است. برنامه‌ریزی و مدیریت دقیق منابع آب به وجود داده‌های مداوم و دقیق بارش در ایستگاه‌های هواشناسی بستگی دارد. وجود مقادیر از دست‌رفته می‌تواند منجر به نتایج مغرضانه شود و ممکن است موانعی در تجزیه و تحلیل ایجاد کند. از این رو، تخمین داده‌های از دست‌رفته بارندگی به منظور به دست آوردن نتایج قابل اعتمادتر مهم است. روش‌های انتساب مختلفی توسط محققان برای تخمین مقادیر گمشده در داده‌های بارندگی روزانه و ماهانه پیشنهاد و توسعه داده شده است. تکنیک‌های درون‌یابی فضایی مانند روش‌های نسبت نرمال و معکوس فاصله برای تخمین داده‌های گمشده بارندگی در یک ایستگاه خاص بر اساس مقادیر بارندگی موجود ثبت شده در ایستگاه‌های مجاور استفاده می‌شوند. این تکنیک‌ها در مواردی که ایستگاه‌های همسایه بسیار نزدیک و همبستگی بالایی با ایستگاه‌های هدف دارند، بسیار مفید هستند. در این مطالعه، اصلاحات و بهبودهای متعددی بر روی این روش‌ها صورت گرفته تا با استفاده از اطلاعات ایستگاه‌های مجاور، مقادیر بارندگی گمشده در ایستگاه‌های مورد نظر برآورد گردد. این روش‌ها با درصدهای مختلف مقادیر گمشده بارندگی و همچنین با بُرد 75 تا 150 کیلومتر در حوضه آبریز بلوچستان جنوبی آزمایش شده‌اند. نتایج نشان می‌دهد که عملکرد این روش‌های اصلاح شده در برآورد مقادیر گمشده بارندگی در ایستگاه هدف بر اساس شاخص شباهت (S-index)، میانگین خطای مطلق(MAE) و ضریب همبستگی (R) بهبود یافته است.
کلیدواژه‌ها
داده های گمشده بارش
میانیابی فضایی
معکوس فاصله
نسبت نرمال
شاخص شباهت
موضوعات

عنوان مقاله English

An Innovative Approach For Estimating Missing Monthly Rainfall Data in the Southern Balochestan Basin

نویسندگان English

Khorshid Karim 1
Hamid Nazaripour 2
Mahmood Khosravi 3
Seyed Mahdi Amir Jahanshahi 4
1 Master's student, Department of physical Geography, Faculty of Geography and Environmental Planning, University of Sistan and Baluchestan, Iran
2 Department of Physical Geography, University of Sistan and Baluchestan, Zahedan, Iran.
3 Professor, Department of physical Geography, Faculty of Geography and Environmental Planning, University of Sistan and Baluchestan, Iran
4 Assistant Professor, Department of Statistics, Faculty of Mathematics, Statistics and Computer Science, University of Sistan and Baluchestan, Iran
چکیده English

Precipitation is a parameter related to climate and research on it is facing problems due to the lack of continuous data. Accurate planning and management of water resources depends on the availability of continuous and accurate precipitation data at meteorological stations. Hence, estimation of missing rainfall data is important in order to obtain more reliable results. Various imputation methods have been proposed and developed by researchers to estimate missing values in daily and monthly rainfall data. In most situations, spatial interpolation techniques such as normal ratio and inverse distance methods are used for estimating missing rainfall values at a particular target station based on the available rainfall values recorded at the neighboring stations. Moreover, these two methods are found to be very useful in the case where the neighboring stations are very close and highly correlated with the target stations. In this study, several modifications and improvements have been proposed to these methods in order to estimate the missing rainfall values at the target station using the information from the nearby stations. The methods have been tested with different percentages of missing rainfall values and also with a radius range of 75 km to 150 km in the catchment area of South Balochestan. The result indicate that the performance of these modified methods improved the estimation of missing rainfall values at the target station based on the similarity index (S-index), mean absolute error (MAE) and coefficient of correlation (R).

کلیدواژه‌ها English

missing rainfall data
spatial interpolation
inverse distance
normal ratio
similarity index
رضازاده جودی، ع.ر.، م.ت. ستاری.1395. ارزیابی عملکرد روش­های مختلف در برآورد داده­های بارش ماهانه، تحقیقات کاربردی علوم جغرافیایی، دوره 16، شماره 42، صص 176-155.
رضایی، محسن.، م،  اژدری­مقدم.، غ، ر، عزیزیان.، ع، ا.، شمسی­پور.1402.  ارزیابی پایگاه­های داده­های شبکه­ای بارش در حوزه آبخیز بلوچستان جنوبی، محیط زیست و مهندسی آب، سال9، شماره 1، صص 76-66.
فرزندی، محبوبه.، ح، ثنایی­نژاد.، ب، قهرمان.، م، سرمدی. 1399. افزایش دقت برآورد داده­های گمشده بارش ماهانه با الگوریتم ژنتیک و کلونی مورچگان، پژوهش­های اقلیم­شناسی، دوره 11، شماره 42، صص 60-47.
کوثری، م.ر.، اسمعیل­زاده حسینی، میتراالسادات، ا، ح.، م، میری.1400. بررسی کارایی روش­های برآورد نواقص آماری در رابطه با پارامتر بارش در مناطق خشک ایران، فیزیک زمین و فضا، دوره 47، شماره 2، صص 332-315.
معروفی، صفر.، ر، نوروز ولاشدی.،ف، گلکار. 1396. مدل­سازی و پیش­بینی بارش ماهانه در حوضه آبریز بلوچستان جنوبی، تحقیقات جغرافیایی، دوره 32، شماره 1، صص 162-149.
Abebe, A. J., Solomatine, D. P., & Venneker, R. G. W. 2000. Application of adaptive fuzzy rule-based models for reconstruction of missing precipitation events. Hydrological Sciences Journal, 45(3), 425-436.
Chow, V. T., Maidment, D. R., & Mays, L. W. 1988. Design Storms-Chapter 14. Applied Hydrology, McGraw-Hill Book Company.
Coulibaly, P., & Evora, N. D. 2007. Comparison of neural network methods for infilling missing daily weather records. Journal of hydrology, 341(1-2), 27-41.
de Carvalho, J. R. P., Almeida Monteiro, J. E. B., Nakai, A. M., & Assad, E. D. 2017. Model for multiple imputation to estimate daily rainfall data and filling of faults. Revista Brasileira de Meteorologia, 32, 575-583.
Egigu, M. L. 2020. Techniques of Filling Missing Values of Daily and Monthly Rain Fall Data: A Review. SF J Environ Earth Sci. 2020; 3 (1), 1036.
Eischeid, J. K., Baker, C. B., Karl, T. R., & Diaz, H. F. 1995. The quality control of long-term climatological data using objective data analysis. Journal of applied meteorology and climatology, 34(12), 2787-2795.
Fraser, G., & Yan, R. 2007. Guided multiple imputation of missing data: using a subsample to strengthen the missing-at-random assumption. Epidemiology, 246-252.
Harel, O. 2007. Inferences on missing information under multiple imputation and two-stage multiple imputation. Statistical Methodology, 4(1), 75-89.
Lam, N. S. N. 1983. Spatial interpolation methods: a review. The American Cartographer, 10(2), 129-150.
Nascimento, M. L., Gonçalves, K. C., & Mendonça, M. J. 2023. Spatio-Temporal Instrumental Variables Regression with Missing Data: A Bayesian Approach. Computational Economics, 62(1), 29-47.
Nunes, L. N., Klück, M. M., & Fachel, J. M. G. 2010. Comparação de métodos de imputação única e múltipla usando como exemplo um modelo de risco para mortalidade cirúrgica. Revista Brasileira de Epidemiologia, 13(4), 596-606.
Paulhus, J. L., & Kohler, M. A. 1952. Interpolation of missing precipitation records. Monthly Weather Review, 80(8), 129-133.
Rahman, M. G., & Islam, M. Z. 2014. Fimus: A framework for imputing missing values using co-appearance, correlation and similarity analysis. Knowledge-Based Systems, 56, 311-327.
Ramos‐Calzado, P., Gómez‐Camacho, J., Pérez‐Bernal, F., & Pita‐López, M. F. 2008. A novel approach to precipitation series completion in climatological datasets: application to Andalusia. International Journal of Climatology: A Journal of the Royal Meteorological Society, 28(11), 1525-1534.
Rubin, D. B. 1996. Multiple imputation after 18+ years. Journal of the American statistical Association, 91(434), 473-489.
Sattari, M. T., Rezazadeh-Joudi, A., & Kusiak, A. 2017. Assessment of different methods for estimation of missing data in precipitation studies. Hydrology Research, 48(4), 1032-1044.
Schafer, J. L., & Graham, J. W. 2002. Missing data: our view of the state of the art. psychological methods, 7(2), 147.
Schneider, T. 2001. Analysis of incomplete climate data: Estimation of mean values and covariance matrices and imputation of missing values. Journal of climate, 14(5), 853-871.
Singh, V. P. 1997. The use of entropy in hydrology and water resources. Hydrological processes, 11(6), 587-626.
Suhaila, J., Sayang, M. D., & Jemain, A. A. 2008. Revised spatial weighting methods for estimation of missing rainfall data. Asia-Pacific Journal of Atmospheric Sciences, 44(2), 93-104.
Tang, W. Y., Kassim, A. H. M., & Abubakar, S. H. 1996. Comparative studies of various missing data treatment methods-Malaysian experience. Atmospheric Research, 42(1-4), 247-262.
Teegavarapu, R. S., & Chandramouli, V. 2005. Improved weighting methods, deterministic and stochastic data-driven models for estimation of missing precipitation records. Journal of hydrology, 312(1-4), 191-206.
Tronci, N., Molteni, F., & Bozzini, M. 1986. A comparison of local approximation methods for the analysis of meteorological data. Archives for Meteorology Geophysics and Bioclimatology Series B Theoretical and Applied Climatology, 36(2), 189-211.
Widaman, K. F. 2006. Best practices in quantitative methods for developmentalists: III. Missing data: What to do with or without them. Monographs of the Society for Research in Child Development. 7(1), 210-211.
Xia, Y., Fabian, P., Stohl, A., & Winterhalter, M. 1999. Forest climatology: estimation of missing values for Bavaria, Germany. Agricultural and forest meteorology, 96(1-3), 131-144.
Young, K. C. 1992. A three-way model for interpolating for monthly precipitation values. Monthly Weather Review, 120(11), 2561-2569.