محاسبه عدم‌قطعیت محلی و مکانی بارش با استفاده از الگوریتم‌های شبیه‌سازی زمین‌آماری SGS وSGS CO-

از میان روش‌های معمول درون‌یابی، روش‌های کریجینگ و کوکریجینگ به‌عنوان بهترین برآوردگرهای خطی نااریب، کاربرد فراوانی در درون‌یابی داده‌های بارش دارند. مدل‌های مذکور به‌رغم مزیت‌شان نمایش همواری از پدیده تحت مطالعه به‌دست می‌دهند و چون براساس میانگین محلی داده‌ها عمل می‌کنند، مقادیر حداکثر را کمتر و مقادیر حداقل را بیشتر از مقدار واقعی پیش‌بینی می‌کنند. بنابراین استفاده از این مدل‌ها به‌تنهایی در مواردی که هدف ارزیابی میزان ریسک و بررسی تغییرپذیری یک پدیده است، مناسب نیست. تغییرپذیری پدیده با استفاده از عدم‌قطعیت اندازه‌گیری می‌شود. در پژوهش حاضر به‌منظور محاسبه عدم‌قطعیت محلی و مکانی متغیر بارندگی، از الگوریتم‌های شبیه‌سازی زمین‌آماری sgs و co-sgs استفاده شده است. نتایج تحقیق نشان می‌دهند الگوریتم‌های sgs و co-sgs در نمونه‌های شبیه‌سازی با بازسازی مقادیر محتمل حداکثر و حداقل و همچنین حفظ دامنه نوسانات بارندگی در هر واحد مکانی، واریانسی نزدیک به واریانس نمونه‌های اصلی تولید می‌کنند. اختلاف واریانس شبیه‌سازی در مقایسه با نمونه اصلی بسیار ناچیز است، درحالی‌که واریانس روش‌های درون‌یابی اختلاف فاحشی با واریانس نمونه‌های اصلی دارد. همچنین نتایج نشان می‌دهند که این الگوریتم‌ها می‌توانند عدم‌قطعیت محلی و مکانی پدیده‌های مکانی ازجمله بارش را به‌درستی محاسبه کنند.