ارزیابی مدل فیزیکی‌مبنای sparse gash در برآورد باران‌ربایی جنگل‌های پهن‌برگ هیرکانی

مشکلات اندازه‌گیری باران‌ربایی در توده‌های جنگلی، ضرورت استفاده از مدل‌های برآوردکننده باران‌ربایی را دوچندان میکند. پرکاربردترین مدل‌های برآوردکننده باران‌ربایی، مدل‌های فیزیکی‌مبنا هستند که از بین آن‌ها، مدل sparse gash بیشترین کاربرد را دارد. هدف از پژوهش حاضر، ارزیابی مدل sparse gash در برآورد باران‌ربایی پنج توده جنگلی (دو توده جنگلی از گونه بلندمازو، دو توده جنگلی از گونه راش شرقی و یک توده پلت) در ناحیه رویشی هیرکانی بود. بدین منظور، مقدار باران و تاج‌بارش در هر توده به ترتیب با بهره‌گیری از پنج و 20 جمع‌آوری‌کننده باران اندازه‌گیری و بارانربایی از کسر مقدار تاج‌بارش از مقدار باران محاسبه شد. برای ارزیابی مدل، از چهار آماره‌ی درصد خطا (error)، میانگین مطلق خطا (mae)، ریشه دوم میانگین مربع خطا (rmse) و ضریب کارآیی (ce) استفاده شد. نتایج نشان داد براساس ضریب همبستگی پیرسون، همبستگی بین مقادیر برآورد شده توسط مدل و مقادیر اندازه‌گیری باران‌ربایی در سطح اطمینان 95 درصد معنی‌دار است. در تمامی توده‌های مورد مطالعه، مقادیر آماره ce که بیانگر کارآیی مدل sparse gash در برآورد باران‌ربایی است، بالاتر از 0.5 حاصل شد که بیانگر قابلیت مناسب مدل است. هم‌چنین براساس آماره درصد خطا، مدل قابلیت مناسبی در برآورد باران‌ربایی چهار توده راش شرقی منطقه لاجیم (10.3 درصد)، بلندمازو منطقه کوهمیان (12.7+ درصد)، بلندمازو منطقه ساری (10.8+ درصد) و پلت منطقه ساری (15.4 درصد) از خود نشان داد. بررسی عملکرد مدل‌های مختلف فیزیکی‌مبنا در جنگل‌های با گونه‌های متفاوت و خصوصیات مختلف آلومتریک، اقلیمی و باران، می‌تواند به تکمیل اطلاعات درباره کارآیی مدل‌های مختلف در برآورد باران‌ربایی کمک نماید.

Performance of the physicallybased Sparse Gash model for estimating rainfall interception of the Hyrcanian broadleaved forests

The difficulties in the measurement of rainfall interception in forests confirm the necessity of presenting models. The widely used models for estimating rainfall interception are physicalbased models, among which the Sparse Gash is the most commonly used. We evaluated the Sparse Gash model for estimating the rainfall interception of five forest stands (two chestnutleaved oak stands, two oriental beech stands, and one velvet maple stand) in the Hyrcanian region. In each stand, the gross rainfall and throughfall were measured using 5 and 20 rainfall collectors, respectively, and rainfall interception was calculated by subtracting the throughfall from gross rainfall. To evaluate the performance of the model, we used statistical metrics: Error percentage (Error), Mean Absolute Error (MAE), Root Mean Square Error (RMSE), and the Model Efficiency coefficient (CE). Based on the Pearson correlation coefficient, the correlation between the values estimated by the model and the observed values was statistically significant at a 95% confidence interval. In all forests, the values of the CE were higher than 0.5, indicating the appropriate efficiency of the model. Based on the Error, the model showed good capability in estimating the rainfall interception of four forest stands (i.e., oriental beech in Lajim, chestnutleaved oak in Kohmiyan and Sari, and velvet maple in Sari Error metric were found to be 10.3%, +12.7%, +10.8%, and +15.4%, respectively). Studying the performance of physicallybased models in forests with different species and different allometric, climatic and rainfall characteristics completes the information gap about the efficiency of models to estimate rainfall interception.