تغییرات پله ای غیرنظام مند در پارامترهای مربوط به شبیه سازی استوکاستیکی بارش روزانه چندایستگاهی

شبیه ‌سازی استوکاستیکی باران روزانه در بسیاری از مدل‌ها (برای مثال هیدرولوژی، هواشناسی، تولید محصول) کاربرد دارد. بیش‌تر مدل‌ های شبیه‌سازی استوکاستیکی تکایستگاهی بوده و مدل‌ های اندکی ساختار همبستگی بارندگی (وقوع و مقدار) را به‌ صورت چندایستگاهی درنظر می‌گیرند. با این‌حال در مدل‌های موجود توجهی به احتمال ناایستایی پارامترهای دخیل نمی‌شود. تعداد 36 ایستگاه باران‌سنجی در گستره‌ی سه استان خراسان شمالی، رضوی و جنوبی با طول دوره‌ی آماری 30 سال درنظر گرفته شد. پارامترهای مدل شبیه سازی استوکاستیکی باران روزانه که در آن وقوع بارندگی از فرآیند مارکوف مرتبه‌ ی اول و وقوع مقدار بارندگی از تابع چگالی گامای دومتغیره پیروی می‌کرد برای 6 ماه بارانی سال (آبان تا اردیبهشت) به‌ دست آمد. نشان داده شد که پارامترهای این مدل (2 پارامتر احتمال بارانی بودن مشروط بر بارانی بودن یا نبودن روز پیش برای وقوع بارندگی و دو پارامتر شکل و مقیاس تابع چگالی گاما) به‌ طور معنی‌داری به ماه سال و محل ایستگاه بستگی دارد ولی هیچ رابطه‌ ی معنی‌ داری برای برآورد آن‌ها به ‌دست نیامد. نشان داده شد که هر 4 پارامتر مدل شبیه‌ سازی در زمان ناایستا می‌ باشد. ناایستایی توسط تغییرات پله ای غیرنظام‌مند مدل شد. نتایج نشان داد که پارامترهای تابع چگالی مقدار بارندگی تقریبا بدون پله بودند که ممکن است منجر به استخراج تابع چگالی ناحیه ‌ای شود. با این‌حال هم‌سو نبودن محل پله‌ ها و تعداد آن‌ها برای پارامترهای مدل استوکاستیکی شبیه ‌سازی بارندگی، موجب دشواری در تاثیر ناایستایی در شبیه ‌سازی می‌شود

Regime Shift in Parameters of MultiSite Daily Rainfall Stochastically Generation

Many models (e.g. hydrologic, meteorologic, crop yield) need for stochastic daily rainfall generation. Most of the stochastic models are singlestation and rather few deal with rainfall correlation structure (occurrence and amount). A plausible shortcoming of the later, however, is due to not considering the possible timenonstationarity. A total of 36 rain gage stations with 30 years of record were considered in North, Razavi, and SouthKhorasan Provinces for this study. One stochastic rainfall generation consisting of first order Markov model for rainfall occurrence and Gamma probability density function for rainfall amount for 6 rainy months of November to May was adopted. Results showed that the model parameters (rainfall probability conditioned to previous day rainy or dry state, and two parameters of Gamma distribution) were depended on the month of the year and on the geographical location. Yet significant relations were not found to describe them. It was shown that all parameters were nonstationary in time. Nonstationarity was modeled through regime shift concept. Results showed that nearly all parameters of rainfall amount model (Gamma probability density function) were independent of regime shift. This may be a clue for a plausible regional probability density function. However, the regime shifts for all parameter were not consistent which poses difficulty in modeling the stochastic generation of daily rainfall in the region.