Improving Bayesian maximum entropy and ordinary Kriging methods for estimating precipitations in a large watershed: a new cluster-based approach

Abstract

The main purpose of this research is to investigate spatial variations of mean annual precipitation in a watershed. As a case study, the research focused on the Namak Lake watershed in Iran. Literature provides various techniques for studying spatial patterns of precipitation in a watershed. These techniques often require a large dataset. On the other hand, nonuniform data distribution in a watershed can reduce the accuracy and reliability of the predictions. To overcome these problems, this research applied the cluster method coupled with ordinary Kriging and Bayesian maximum entropy techniques. An estimated point was modified based on the distance from the point to the cluster center. The research considered elevation variations as a secondary variable. A cross-validation technique was used for evaluating the results of mean annual precipitations. The research compared the results of ordinary Kriging and Bayesian maximum entropy methods with and without the application of the clustering method. The research concluded that the cluster-based method can estimate the dynamics of long-term mean annual precipitation more reliably and accurately. The research also revealed more informative results for the cluster-based method.Résumé : Le but principal de la présente recherche était d'étudier les variations spatiales de la précipitation moyenne annuelle dans un bassin versant. Pour l'étude, la recherche ciblait le bassin versant du lac Namak en Iran. Il existe, dans la littérature, diverses techniques pour étudier les configurations spatiales de la précipitation dans un bassin versant. Ces techniques exigent souvent un vaste ensemble de données. Par contre, la distribution non uniforme des données dans un bassin versant peut réduire la précision et la fiabilité des prévisions. Afin de surmonter ces problèmes, la présente recherche a appliqué la méthode de grappes jumelée à des techniques de krigeage ordinaire et d'entropie maximale bayésienne. Un point estimé était modifié en se basant sur la distance entre ce point et le centre de la grappe. Les variations d'élévation étaient considérées des variables secondaires. Une technique de validation croisée a été utilisée pour évaluer les résultats des précipitations annuelles moyennes. La recherche comparait les résultats des méthodes de krigeage ordinaire et d'entropie maximale bayésienne avec et sans l'application de la méthode des grappes. La recherche conclut que la méthode basée sur les grappes peut estimer la dynamique de précipitation moyenne annuelle à long terme avec une meilleure fiabilité et plus de précision. La recherche révèle aussi plus d'information sur les résultats obtenus par la méthode basée sur les grappes. [Traduit par la Rédaction]

Spatiotemporal fusion of multiple‐satellite aerosol optical depth (AOD) products using Bayesian maximum entropy method

“…Thus, BME has the potential to merge spatiotemporally incomplete and noisy remote sensing products to produce spatiotemporally complete, accurate, and coherent remote sensing product. BME was originally developed by Christakos [2000] and has been successfully applied in various fields for mapping and spatial estimation, such as soil property mapping [Modis et al, 2013;Orton and Lark, 2007], ambient particle matter concentration estimation Pang et al, 2010;Reyes and Serre, 2014;Yu et al, 2009], infectious disease analysis [Christakos et al, 2007;Yu et al, 2010], environmental risk assessment [Akita et al, 2007;Messier et al, 2012;Savelieva et al, 2005], water consumption mapping [Lee and Wentz, 2008], and precipitation estimating [Bayat et al, 2013]. BME was first introduced into the thermal infrared and passive microwave sea surface temperature (SST) products fusion in 2013 [Li et al, 2013].…”