يكي از مهم ترين عوامل در اجراي طرح هاي حفاظت آب و خاك، مهار کردن سيلاب ها و مبارزه با خشكسالي است. نقشه هاي پهنه بندي باران و آگاهي از ميزان تغييرات آن، نقش مهمي را در تهيه طرح هاي حفاظت خاك، جلوگيري از فرسايش و مديريت اراضي يك منطقه ايفا مي كنند. هدف از انجام اين تحقيق، ارزيابي روش هاي زمين آمار در برآورد بارندگي سالانه در استان فارس و پهنه بندي منطقه از نظر اندازه بارندگي مي باشد. در اين تحقيق، پس از جمع آوري آمار بارندگي 92 ايستگاه هواشناسي با طول دوره آماري 20 ساله و با پراكنش مناسب در سطح استان، ميانگين بارندگي سالانه براي كليه ايستگاه ها محاسبه، سپس به منظور تعميم داده هاي نقطه اي به اطلاعات ناحيه اي براي تهيه نقشه همباران، از رو ش هاي مختلف ميان يابي شامل كريجينگ معمولي (OK) و كريجينگ ساده (SK) و روش هاي معين مانند عكس فاصله (IDW)، تابع شعاعي (RBF)، تخمينگر موضعي (LPI) و تخمينگر عام (GPI) استفاده گرديد. نتايج بر اساس معيارهايR بالاتر و MAE و RMSE پايين تر نشان دادند كه از بين روش هاي مختلف ميانيابي، روش كريجينگ معمولي (OK)،به دليل بالاتر بودن مقدار R و پايين تر بودن مقادير RMSE و R=0.847) MAE،MAE=65.334 و (RMSE=101.533،نسبت به ساير روش هاي ميانيابي ديگر برتري داشته، در نتيجه به عنوان روش مناسب در تهيه نقشه هم باران سالانه در استان فارس انتخاب گرديد. نتايج به دست آمده مويد برتري روش هاي زمين آماري كريجينگ نسبت به روش هاي معين مي باشند. علاوه بر اين، نتايج نشان داد که 45.46% از كل سطح استان داراي بارندگي 300-200 ميلي متر و 0.09% از سطح استان داراي بارندگي 1000-900 ميلي متر بوده كه به ترتيب بيشترين و كمترين سطح را به خود اختصاص مي دهند.

نویسنده:  شعباني محمد

لینک دانلود مقاله: C:/Users/emdadrayaneh/Downloads/29513890707%20(2).pdf

دوره آموزش GIS

مدرس: دکتر سعید جوی زاده

موسسه چشم انداز

تلفن ثبت نام: 09382252774

آدرس: شیراز، خیابان برق، کوچه 1

برای دانلود جزوات و فیلم های رایگان در زمینه GIS وRS به وب سایت زیر مراجعه نمایید:

https://gisland.org/

Interpolation، درون یابی، نمونه گیری، تخمین، پیش بینی، منطقه، مدیریت داه ها، کریجینگ، توابع شعاعی، رگرسیون، آموزش gis، بهترین آموزش جی ای اس، زمین آمار، سیستم اطلاعات جغرافیایی، ارزیابی، روش های زمین آمار، تجزیه خوشه ای، تغییرات مکانی، کاربری اراضی، همبستگی مکانی، سیستم اطلاعات جغرافیایی، عکس مجذور فاصله، اسپلاین،

یکی از خصوصیات مشترک علوم محیطی ماهیت داده های آنهاست. اغلب، ویژ گی های محیطی دارای پراکنشی پیوسته در محیط بوده واز سوی دیگر نمونه برداری و اندازه گیری آنها درتمامی نقاط واقع در محدوده‌ی مطالعاتی غیرممکن است. بدین ترتیب جهت توصیف ونمایش تغییرات مکانی متغیرهای موردنظرمقادیر آنها را می توان در نقاطی که نمونه برداری نشده‌اند با در نظرگرفتن اطلاعات موجود از محلهای نمونه برداری شده برآورد نمود. تغییرات مکانی در خاک را ،بعنوان سیستمی پویا و چند مرحله‌ای ،میتوان در دو دسته‌ی کلی ساختاری (سیستماتیک) وغیر ساختاری (تصادفی) تقسیم نمود.تغییرات ساختاری دربرگیرنده ی تغییرات مشخص و تدریجی خصوصیات خاک بعنوان تابعی از فیزیوگرافی ، ژئومرفولوژی وبرهمکنش‌های عوامل خاکسازی است. این نوع تغییرات را می‌توان با توجه به داده‌ها و آگاهی از عوامل دخیل در تشکیل خاک و ارتباط آنها با چشم انداز اراضی،درک و مورد شناسایی قرار داد. معهذا ، حتی پس از تقسیم بندی وپهنه‌بندی تغییرات خصوصیات کلی خاکها در قالب واحدهای مختلف نقشه ، هنوز با بخشی از تغییرات مکانی خصوصیات خاک در هر واحد مواجه می باشیم .

دوره جامع آموزش gis:

مدرس: دکتر سعید جوی زاده

تلفن ثبت نام: 09382252774

موسسه چشم انداز

آدرس: شیراز- خیابان برق، کوچه 1- درب اول

برای دانلود جزوات و فیلم های رایگان در زمینه GIS وRS به وب سایت زیر مراجعه نمایید:

https://gisland.org/

آموزش جی آی اس، آموزش gis، درون یابی، تعریفInterpolation ،Interpolation،انواع درون یابی، روش های درون یابی، مفاهیم درون یابی،داده های گسسته، داده های پیوسته، تحلیل آماری، نتایج درون یابی، تعداد و توزیع نقاط معلوم، تعداد و توزیع نقاط مجهول، روش نمونه گیری، خروجی درون یابی، تحلیل GIS، روشهای درون یابی زمین آماری، Geostatistical، درون یابی جبری، درون یابی همگانی، درون یابی Global ، درون یابی محلی، درون یابی  Local، روشهای درون یابی جبری، درون یابی قطعی،سعید جوی زاده،  درون یابی Deterministic، مدلهای زمین آماری ، نقاط همسایه، کشیدگی توزیع نرمال، مژگان صداقت، موسسه علمی تحقیقاتی،انحراف کشیدگی، منحنی توزیع،نظریه احتمال، آمارگیری، توزیع نمونه ها در درون یابی،موسسه چشم انداز، نشر آکادمیک، شاخص‌های آماری، میانگین، میانه، Median ، نما،  Mode، رگرسيون، پيش بيني، زمین آمار،ژئواستاتیستیک

داده های مکانی از نظر روشهای تحلیل در GIS دارای دو چهره هستند که درک آنها اهمیت ویژه ای دارند. داده هایی که گسسته (Discrete) یا منفصل (Discontinuous) نامیده می شوند، عموماً داده های مطلق (Categorical) می باشند. به این معنا که مرز این داده ها در طبیعت به طور دقیق قابل تعریف است و در هر دو شکل رستر یا وکتور قابل ذخیره می باشند، مانند یک دریاچه، یک ساختمان، یک جاده و . . . اما داده های پیوسته (Continuous) در طبیعت از یکپارچگی برخوردارند و هر موقعیتی در سطح زمین اندازه ای از آن را دارا می باشد. برای مثال درجه حرارت یک نوع داده پیوسته می باشد که امکان اندازه گیری آن در هر نقطه ای امکان پذیر است. جهت شیب عوارض نوعی دیگر از داده های پیوسته است که با جهات شمال، جنوب و . . . قابل اندازه گیری است، پدیده های مایع مانند رواناب نیز از داده های پیوسته ای است که علاوه بر قابلیت اندازه گیری دارای جهت نیز می باشد

داده های پیوسته به دلیل پیوستگی که دارند قابل اندازه گیری در تمام سطوح نیستند، لذا به طور نمونه ای برداشت می شوند. برآورد میزان متغیر پیوسته را در مناطق نمونه گیری نشده در داخل ناحیه ای که مشاهدات نقطه ای پراکنده شده اند، درونیابی (Interpolation) می گویند. در واقع درونیابی، تغییرات فضایی متغیری پیوسته را نمایش می دهد. به عبارت دیگر درون یابی روش برآورد ارزش پدیده ها در مکانهای نمونه برداری نشده با استفاده از مقادیر معلوم در نقاط همسایه است. نقاط همسایه ممکن است به طور منظم یا نامنظم در آن ناحیه پراکنده شده باشند. بنابراین برای تبدیل داده ها از نقاط مشاهده شده در موضوعات پیوسته از درون یابی استفاده می شود. خروجی درون یابی می تواند به عنوان یک نقشه یا لایه در تحلیل GIS مورد استفاده قرار گیرد.

میزان صحت نتایج درون یابی به دقت مکانی، تعداد و توزیع نقاط معلوم و مدل مورد استفاده بستگی دارد. بهترین نتایج هنگامی بدست می آیند که رفتار تابع ریاضی با رفتار پدیده مورد نظر مشابه باشد. به عنوان مثال تغییرات دمای هوا در یک منطقه هموار، ممکن است یکسان باشد، در نتیجه مدلی مناسب است که بتواند بر اساس میانگین گیری درون یابی کند، اما در مورد یک زمین با تغییرات شدید ارتفاعی نیاز به مدلی است که تغییرات شدید دما را پیش بینی کند از طرف دیگر چون درون یابی برآورد ارزش توصیفی نقاط نامعلوم در یک منطقه بر پایه تعدادی نقاط معلوم می باشد لذا روش نمونه گیری براساس پدیده مورد نظر انتخاب می شود. بیشتر داده های پیوسته در طبیعت جهت دار هستند و تمرکز آنها یکسان نیست. برای مثال درون یابی عناصر آلوده کننده هوا در شهری را در نظر بگیرید که دارای مراکز آلوده کننده و همچنین دارای بادی است که در جهتی خاص آلودگی را پخش می کند، لذا توزیع نقاط معلوم به طور قطعی تابع پدیده مورد نظر است.

دوره جامع آموزش gis:

مدرس: دکتر سعید جوی زاده

تلفن ثبت نام: 09382252774

موسسه چشم انداز

آدرس: شیراز- خیابان برق، کوچه 1- درب اول

برای دانلود جزوات و فیلم های رایگان در زمینه GIS وRS به وب سایت زیر مراجعه نمایید:

https://gisland.org/

آموزش جی آی اس، آموزش gis، درون یابی، تعریفInterpolation ،Interpolation،انواع درون یابی، روش های درون یابی، مفاهیم درون یابی،داده های گسسته، داده های پیوسته، تحلیل آماری، نتایج درون یابی، تعداد و توزیع نقاط معلوم، تعداد و توزیع نقاط مجهول، روش نمونه گیری، خروجی درون یابی، تحلیل GIS، روشهای درون یابی زمین آماری، Geostatistical، درون یابی جبری، درون یابی همگانی، درون یابی Global ، درون یابی محلی، درون یابی  Local، روشهای درون یابی جبری، درون یابی قطعی،سعید جوی زاده،  درون یابی Deterministic، مدلهای زمین آماری، نقاط همسایه، کشیدگی توزیع نرمال، مژگان صداقت، موسسه علمی تحقیقاتی،انحراف کشیدگی، منحنی توزیع،نظریه احتمال، آمارگیری، توزیع نمونه ها در درون یابی،موسسه چشم انداز، نشر آکادمیک، شاخص‌های آماری، میانگین، میانه، Median ، نما،  Mode، رگرسيون، پيش بيني

درون یابی Interpolation

درون یابی

روش اندازه گیری یا برداشت مکانی داده ها، پدیده های طبیعی را در محیط GIS شکل می دهند. زمانی که پدیده ها به صورت نقطه ای برداشت می شوند؛ روشهای خاصی برای شکل دادن یا لایه ساختن از آنها به کار می رود که درونیابی نام دارد. در واقع به روشهای تخمین و برآورد متغیر های مجهول توسط نقاط معلوم، درون یابی یا Interpolation گفته می شود. داده هایی که به عنوان ورودی در Interpolation مورد استفاده قرار می گیرند از نوع داده های نقطه ای می باشند. در این روش ها با استفاده از نقاط معلوم، یک سطح رستری ساخته می شود. درونیابی یک نوع تحلیل ریاضی و آماری است که در این جا شرح داده می شود.

روشهای درون یابی (Interpolation):

روشهای درون یابی (Interpolation) مجموعه ای از مدلهای مختلف ریاضی و آماری را برای پیش بینی مقادیر نامعلوم بکار می گیرند. آنچه مسلم است شباهت نقاط مجهول به نزدیکترین نقاط معلوم یا اصل نزدیکترین همسایه پایه روشهای دورن یابی است و اینکه چگونه این اصل مورد استفاده قرار می گیرد بستگی به مدل انتخابی دارد که جزییات آن شرح داده می شود. در یک دسته بندی کلی روشهای درون یابی به دو رده بزرگ تقسیم می شوند:

ابزارهای درونیابی در ArcGIS

در اینجا به معرفی ابزارهای مرتبط با درون یابی می پردازیم. هر نقطه در سطح زمین دارای ارتفاعی میباشد که میزان آن در اکثر موارد، بیشترین شباهت را به نزدیکترین نقاط دارد و می توانیم از طریق نقاط معلوم، مقادیر نقاط مجهول را برآورد کنیم. به این روشهای تخمین و برآورد متغیر های مجهول ،درون یابی یا Interpolation گفته میشود. هر کدام از آنها،از متد و روشی خاص برای محاسبه نقاط مجهول استفاده میکند. داده هایی که به عنوان ورودی در Interpolation مورد استفاده قرار میگیرند از نوع داده های نقطه ای میباشند.در این روش ها با استفاده از نقاط ارتفاع دار، یک سطح رستری ساخته میشود.