بررسی مقیاس پارامترهای ژئومرفومتری بر پیش بینی پراکنش مکانی عمق برف
آرشیو
چکیده
ارتقاء اطلاعات کمی به بهبود پیش بینی پارامتر های برف کمک می کند. تاکنون تعاملات بین اندازه ی پیکسل به صورت محدود بررسی شده است. هدف از این تحقیق، بررسی اثر قدرت تفکیک مکانی بر روی پیش بینی عمق برف از طریق آزمون تجربی روابط بین مدل های رقومی ارتفاع و پارامترهای مؤثر در مدل سازی عمق معادل برف با قدرت تفکیک مختلف و با استفاده از مدل رگرسیون چندمتغیره می باشد. به همین منظور ابتدا با استفاده از روش هایپرکیوب محل 100 نقطه مشخص و طی یک عملیات صحرایی داده های عمق برف در نقاط مورد نظر و همچنین در 195 نقطه دیگر به صورت سیستماتیک و با نمونه بردار مدل فدرال برداشت گردید.. سپس یک مدل رقومی ارتفاع 10 متری به عنوان مبنا انتخاب گردید و از مدل رقومی ارتفاع مبنا تعداد 25 پارامتر مرفومتری استخراج و به عنوان ورودی شبکه ی عصبی ان تخاب و با استفاده از آنالیز حساسیت مهم ترین پارامترهای تأث یرگذار در مدل سازی ع مق برف مشخص شد. در مرحله ی بعد با استفاده از مدل رقومی ارتفاع مبنا 9 مدل رقومی ارتفاعی با اندازه ی پیکسل متفاوت استخراج گردید. سپس در ادامه پارامترهای مؤثر در عمق برف با استفاده از 10 مدل رقومی ارتفاع استخراج و بین آن ها و عمق برف نمونه برداری شده یک رابطه ی رگرسیونی ایجاد و عمق برف محاسبه گردید. جهت ارزیابی دقت مدل ها از پارامترهای RMSE، NMSE، MSE و MAE استفاده و در نهایت مدل رقومی ارتفاع 150 متر با مقادیر به ترتیب 75/24، 350/0، 975/612 و 97/18 بهترین مدل رقومی ارتفاع جهت مدل سازی عمق برف انتخاب گردید. این مسأله می تواند در کاهش هزینه ها و افزایش دقت برآورد عمق برف کمک بسیاری نماید.Scale Effect Geomorphometric Parameters of Spatial Pattern of Snow Depth
Promotion of scale informaion quantity can improve the prediction of snow parameters. There are limited studies about the interaction on in the pizel size. The aim of this study is investigation on the effect of spatial resolution on predicting snow depth through empirical test of the relationship between some digital elevation models and snow depth modeling using multi variate regression medel. First using Latin Hypercube Sampling (LHS) technique 100 snow depth data and 195 random data were collected. Then a base DEM with 10m resolution was selefcted and 25 terrain parameters were extracted from it as the ANN input. 9 DEMs with different pixel sizes were resampled from the base DEM. Finally effective parameters on sonw depth were estracted from 10 DEMs and their relationship between measured data was calculated usnig a multiple linear regression. The models were compared by RMSE, NMSE, MSE and MAE and the results showed that the DEM with 150m resolution was the best DEM for snow depth simulation. Thus this result can reduce costs and increase the accuracy of estimation of snow depth.
تبلیغات
