Аннотация
Различные климатические факторы, включая температуру, осадки, влажность и ветер, играют ключевую роль в росте растений, урожайности и качестве. Поэтому понимание климатических характеристик региона является важным перед началом сельскохозяйственной деятельности для определения подходящих культур для выращивания.
Целью данного исследования является картирование пространственного распределения годового общего количества осадков в Казахстане с применением различных методов интерполяции к долгосрочным (20-летним) данным об осадках с 80 метеорологических станций. Данные об осадках за период с 2000 по 2019 годы были получены из базы данных метеорологических переанализов MERRA-2.
Для определения наиболее точного метода интерполяции были протестированы семь техник: метод обратного расстояния (IDW), радиальные базисные функции (RBF), локальная полиномиальная интерполяция (LPI), обыкновенное кригинг (OK), байесовский эмпирический кригинг (BEK), кокригинг (COK) и метод диффузионного ядра. Коэффициенты корреляции и значения среднеквадратичной ошибки (RMSE) использовались в качестве критериев для оценки точности каждого метода.
Результаты показали значения RMSE: 35.568 для IDW, 30.777 для RBF, 30.031 для LPI, 25.751 для OK, 28.767 для BEK, 45.9 для COK и 25.379 для метода диффузионного ядра. Метод диффузионного ядра, обладающий наименьшим RMSE и наибольшим коэффициентом корреляции, оказался наиболее подходящим для создания карт распределения осадков в Казахстане.
Выбор наилучшего метода интерполяции является важным, поскольку различия между методами могут привести к различным пространственным распределениям. Использование наиболее подходящего метода интерполяции для каждого набора данных позволяет более точно картировать данные о воде, почве и климате, что ведет к улучшению управления ресурсами.
01 Введение
Полный текст статьи доступен для скачивания в формате PDF на панели справа.
02 Список литературы
- 1. Borges, P. D. A., Franke, J., da Anunciação, Y. M. T., Weiss, H., Bernhofer, C., 2016. Comparison of spatial interpolation methods for the estimation of precipitation distribution in Distrito Federal, Brazil. Theoretical and applied climatology, 123(1): 335-348.
- 2. Wagner PD, Fiener P, Wilken F, Kumar S, Schneider K. 2012. Comparison and evaluation of spatial interpolation schemes for Daily rainfall in data scarce regions. J Hydrol 464: 388–400.
- 3. Cho, Y., 2020. Application of NEXRAD radar-based quantitative precipitation estimations for hydrologic simulation using ArcPy and HEC software. Water, 12(1): 273.
- 4. Irvem, A., Ozbuldu, M. 2019. Evaluation of satellite and reanalysis precipitation products using GIS for all basins in Turkey. Advances in Meteorology doi.org/10.1155/2019/4820136.
- 5. Gelaro, R., McCarty, W., Suarez, M.J., Todling, R., Molod, A., Takacs, L., Randles, C.A., Darmenov, A., Bosilovich, M.G., Reichle, R., 2017. The Modern-Era Retrospective Analysis for Research and Applications, Version 2 (MERRA-2). J. Clim., 30: 5419–5454.
- 6. Gelaro, R., McCarty, W., Suárez, M. J., Todling, R., Molod, A., Takacs, L., Zhao, B., 2017. The modern-era retrospective analysis for research and applications, version 2 (MERRA-2). Journal of climate, 30(14): 5419-5454.
- 7. Yıldırım, D., Arslan, H., Cemek, B., 2015. Assessment of spatial distribution of precipitation with different interpolation methods for Yeşilırmak catchment. 2nd International Conference on Sustainable Agriculture and Environment (2nd ICSAE), 30 september – 3 october, 2015, Konya, Turkey.
- 8. Fares, A., Bayabil, H. K., Zekri, M., Mattos-Jr, D., Awal, R., 2017. Potential climate change impacts on citrus water requirement across major producing areas in the world. Journal of Water and Climate Change, 8(4): 576-592.
- 9. Javari, M. 2017. Comparison of interpolation methods for modeling spatial variations of Precipitation in Iran. International Journal of Environmental and Science Education, 12(5): 1037-1054.
- 10. Benavides, R., Montes, F., Rubio, A., Osoro, K., 2007. Geostatistical modelling of air temperature in a mountainous region of Northern Spain. Agricultural and Forest Meteorology, 146(3-4): 173-188.
- 11. Hadi, S. J., Tombul, M. 2018. Comparison of spatial interpolation methods of precipitation and temperature using multiple integration periods. Journal of the Indian Society of Remote Sensing, 46(7): 1187-1199.
- 12. Pellicone, G., Caloiero, T., Modica, G., Guagliardi, I. 2018. Application of several spatial interpolation techniques to monthly rainfall data in the Calabria region (southern Italy). International Journal of Climatology, 38(9): 3651-3666.
- 13. Katipoğlu, O.M. 2022. Spatial analysis of seasonal precipitation using various interpolation methods in the Euphrates basin, Turkey. Acta Geophys.
- 14. Antal, A., Guerreiro, P.M.P., Cheval, S., 2021. Comparison of spatial interpolation methods for estimating the precipitation distribution in Portugal. Theor Appl Climatol, 145: 1193–1206.
- 15. Hamal, K., Sharma, S., Khadka, N., Baniya, B., Ali, M., Shrestha, M. S., Dawadi, B. 2020. Evaluation of MERRA-2 precipitation products using gauge observation in Nepal. Hydrology, 7(3): 40.
- 16. A.G. Rau1,Ye.M. Kalybekova1,I.S. Seitasanov1,S.B. Zulpibekova1,M.B. Arystanov (2024). The role of groundwater ın cotton crop rotatıon crops of the Shardara irrigation massif. Izdenister Natigeler, (1 (101), 210–220. https://doi.org/10.37884/1-2024/21