بررسی امکان سنجی استفاده از پایگاه داده AgMERRA برای ساخت داده های ناقص و گمشده موجود در داده های ایستگاه های سینوپتیک (مطالعه موردی: دشت مشهد)

آب و خاک

مقاله 15، دوره 29، شماره 6، اسفند 1394، صفحه 1749-1758   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v29i6.41686

نویسندگان

اعظم لشکری¹؛ محمد بنایان اول^{* 1}؛ علیرضا کوچکی¹؛ امین علیزاده¹؛ یانگ سای چوی²؛ سئون کی پارک³

¹دانشگاه فردوسی مشهد

²دانشگاه ایوا

³ایوا

چکیده

ساخت داده های ناقص (گمشده) موجود در مشاهدات ایستگاه های سینوپتیک با استفاده از روش های پیشرفته، استاندارد و دقیق در سطح جهانی اهمیت بسزایی در مطالعات هواشناسی کشاورزی و شبیه سازی عملکرد گیاهان زراعی دارد. لذا این پژوهش با هدف امکان سنجی استفاده از داده های AgMERRA برای تخمین داده های گمشده انجام شد. در این تحقیق با استفاده از خصوصیات جغرافیایی ایستگاه های مرجع گلمکان و مشهد داده های متناظر با دشت مشهد استخراج شد. با استفاده از روش های ارزیابی کارایی مدل ها شامل ضریب همبستگی، جذر میانگین مربع خطا، میانگین خطای مطلق و انحراف نتایج، واسنجی داده های AgMERRA انجام گرفت. نتایج واسنجی حاکی از قدرت بالای این مجموعه در شبیه سازی حداکثر و حداقل دمای روزانه بود. اگرچه مقادیر پارامترهای ارزیابی کارایی مدل برای بارندگی نیز در سطح قابل قبولی بود با این وجود ضریب همبستگی بارندگی روزانه بین داده های AgMERRA و داده های ایستگاهی برای ایستگاه های گلمکان و مشهد به ترتیب 25/0 و 43/0 بود. مقایسه توزیع احتمال تجمعی داده های مشاهده شده با داده های AgMERRA طی کل دوره مورد مطالعه برای ایستگاه های گلمکان و مشهد، نشان داد که داده های مورد استفاده از هر دو منبع از روند مشابهی تبعیت می کنند. با این وجود، تفاوت میانگین حداکثر دمای روزانه، حداقل دمای روزانه و بارندگی روزانه مشاهده شده و شبیه سازی شده طی دوره 30 ساله مورد مطالعه برای ایستگاه مشهد به ترتیب42/3 درجه سانتیگراد، 68/4 درجه سانتیگراد و 06/0 میلی متر در روز بود و این مقادیر برای ایستگاه گلمکان طی دوره 23 ساله مورد مطالعه به ترتیب 10/2 و 05/3 درجه سانتیگراد و 28/0 میلی متر در روز بود. بطور کلی نتایج حاصل از این پژوهش نشان داد که برای اطمینان از دقت این داده ها تعداد ایستگاه های بیشتری مورد مطالعه قرار گیرد تا از این طریق میزان دقیق تری از قدرت این داده ها در شبیه سازی بارندگی نیز بدست آید.

کلیدواژه‌ها

AgMERRA؛ بارندگی و دما؛ تخمین داده های گمشده

مراجع

1- Allen R.J., and De Gaetano A.T. 2001. Estimating missing daily temperature extremes using an optimized regression approach. International Journal of Climatology, 21: 1305–1319.

2- Anonymous. 2013. Solutions for Sustainable Agriculture and Food Systems. Technical report for the post-2015 development Agenda. Prepared by the Thematic Group on Sustainbale Agriculture and Food Systems of the Sustainable Development Solutions Network.

3- Ashraf B., Yazdani R., Mousavi-Baygi M., and Bannayan M. 2013. Investigation of temporal and spatial climate variability and aridity of Iran. Theoretical Applied Climatology, 118: 35-46.

4- Bannayan M., Mohammadian A., and Alizadeh A. 2010. On Climate Variability in North-East of Iran. Journal of Water and Soil, 24 (1): 118-131

5- Dunn R.J.H., Willett K.M., Thorne P.W., Woolley E.V., Durre I., Dai A., Parker D.E., and Vose R.S. 2012. HadISD: a quality-controlled global synoptic reportdatabase for selected variables at long-term stations from 1973–2011. Climate of the Past, 8: 1649–1679.

6- Ghagourian H., and SanaeiNejad H. 2013. Drought monitoring using TRMM dataset in RazaviKhorasan Province. MSc thesis in Agrometeorology, Ferdowsi University.

7- GhazanfariMoghaddam M.S., Alizadeh A., MousaviBaygi S.M., Faridhosseini A.R., and Bannayan M. 2011. Comparison the PERSIANN Model with the Interpolation Method to Estimate Daily Precipitation (A Case Study: North Khorasan).Journal of Water and Soil, 25 (1): 207-2015.

8- Haylock M.R., Hofstra N., Klein Tank A.M.G., Klok E.J., Jones P.D., New M. 2008. A European daily high-resolution gridded data set of surface tem-perature and precipitation for 1950–2006. Journal of Geophysical Research. 113, D20119, http: //dx.doi.org/ .1029/ 2008JD010201.

9- Iizumi T., Okada M., and Yokozawza M. 2014. A meteorological forcing data set for global crop modeling: Development, evaluation, and intercomparison. Journal of Geophysical Research: Atmospheres, 119 (2): 363–384

10- Jamei M., MousaviBaygi S.M., and Bannayan M. 2014. Comparison of daily precipitation of APHRODITE network and results of spatial interpolation of precipitation in Khozestan Province. 2th National Conference on Agrometeorology.

11- Joyce R.J., Janowiak J.E., Arkin P.A., and Xie P. 2004.” CMORPH: A method that produces global precipitation estimates from passive microwave and infrared data at high spatial and temporal resolution. Journal of Hydrometeorology, 5: 487- 503

12- Maggioni V., Sapiano M.R.P., Adler R.F., Tian Y., and Huffman G.J. 2014. An Error Model for Uncertainty Quantification in High-Time-Resolution Precipitation Products. Journal of Hydrometeorology, 15, 1274–1292.

13- Pilgrim D.H., Chapman T.G. andDoran D.G. 1998. Problems of rainfall-runoff modeling in arid and semiarid regions. Hydrological Sciences Journal, 33 (4) 379-400.

14- Rosenzweig C., Elliott J., Deryng D., Ruane A.C., Müller C., Arneth A., Boote K.J., Folberth C., Glotter M., Khabarov N., Neumann K., Pionteke F., Pugh T.A.M., Schmid E., Stehfest E., Yang H., and Jones J.W. 2013. Assessing agricultural risks of climate change in the 21st century in a global gridded crop model intercomparison. Proceeding of the National Academy of Science of the United States of America, 111(9): 3268–3273.

15- Ruane A.C., Goldberg R., Chryssanthacopoulos J. 2015. Climate forcing datasets for agricultural modeling: Merged products for gap-filling and historical climate series estimation. Agricultural and Forest Meteorology, 200: 233-248.

16- Shabani B., MousaviBaygi, M., JabariNoghabi M., and Ghareman B. 2013. Modeling and Prediction of Monthly Max &MinTemperatures of Mashhad Plain Using Time Series Models. Journal of Water and Soil, 27 (5): 896-906

17- Sheffield J., Goteti G., Wood E.F., 2006. Development of a 50-year high-resolutionglobal dataset of meteorological forcings for land surface modeling. Journal of Climatology, 3088–3111

18- Tardivo G., and Berti A. 2012. A Dynamic Method for Gap Filling in Daily Temperature Datasets. Journal of Applied Meteorology and Climatology. 51, 1079–1086.

19- Wallach D., Makowski D., and Jones J.W. 2007. Working with dynamic crop models. Elsevier.

Weedon, G. P., Gomes, S., Balsamo, G., Best, M. J., Bellouin, N., and Viterbo, P. 2012. README file for the “WFDEI” dataset. Version: September 18th, 2013, Availableat www.eu-watch.org/data availability

20- Yatagai A., Kamiguchi K., Arakawa O., Hamada A., Yasutomi N., Kitoh A. 2012.APHRODITE: constructing a long-term daily gridded precipitation dataset forAsia based on a dense network of rain gauges. Bulletin of the American Meteorological Society, 93:1401–1415.