برآورد فاکتور فرسایندگی باران با استفاده از الگوریتم‌های زمین آمار ( مطالعه‌ی موردی: استان ایلام)

امروزه فرسایش خاک به عنوان یکی از مباحث مهم مدیریت حوزه های آبخیز در سطح ملی و جهانی مطرح می باشد. برآورد خطر کاهش خاک و توزیع فاصله ای آن یکی از عوامل کلیدی برای ارزیابی موفق فرسایش خاک است. هدف از این تحقیق محاسبه و مدلینگ فاکتور فرسایندگی باران در استان ایلام با استفاده از داده های 28 ایستگاه باران سنجی در طی دوره 23 ساله با روش های زمین آماری می باشد. پس از محاسبه فاکتور فرسایندگی باران برای ایستگاه مورد نظر، با استفاده از روش های زمین آماری مختلف، نقشه فاکتور فرسایندگی باران منطقه مورد مطالعه ترسیم گردید و برای نشان دادن همبستگی مکانی بین داده های فرسایندگی باران از ترسیم واریوگرام استفاده شد که واریوگرام خطی با میزان 5/0 بهترین همبستگی بین داده ها را مدل کرده و برای درون یابی استفاده گردید. همجنین، برای بررسی میزان شاخص فرسایندگی از روش های دورن یابی روش عکس فاصله (idw)، درون یاب چند جمله ای جهانی (gpi)، تابع شعاعی (rbf)، درون یاب موضعی (lpi) و کریجینگ استفاده شده و جهت انتخاب بهترین روش درون یابی از شاخص های آماری ریشه میانگین مربعات خطا (rms) و میانگین قدر مطلق خطا (mae) استفاده گردید. نتایج نشان داد که روش چند جمله ای جهانی با ریشه میانگین مربعات خطا برابر با 93/28 و میانگین قدر مطلق خطا برابر با 95/20 بهترین روش می باشد.

Evaluation erosivity factor of rain using Geostatistical algorithms (case study: Ilam province, Iran)

Today, soil erosion is considered as one of main subjects of watershed management at national and global levels. Assessment of decreasing risk of soil and it spatial distribution are one of key factors for successful evaluation of soil erosion. The objectives of research were calculation and modeling of rain erosivity factor in Ilam province using data of number of 28 pluviometry stations during of 23 years period. After that, rain erosivity factor was calculated, map of rain erosivity factor was provided using geostatistical algorithms. Spatial correlation between data of rain erosivity was drawn using Variogram. In order to, studying of erosivity index were used (IDW), (GPI), (RBF), (LPI) and kriging. The best algorithm was selected using statistical indices of Root Mean Square Error (RMSE) and MAE. Results showed that, GPI was the best algorithm with RMSE and MAE equal to 28.93 and 20.95, respectively.