تهیه داده‌های تلفیقی بارش ماهانه برای حوضه‌های آبریز جنوب غرب کشور با بکارگیری داده‌های شبکه‌ای APHRODITE و مشاهداتی

آب و خاک

مقاله 5، دوره 31، شماره 3 - شماره پیاپی 53، مرداد 1396، صفحه 969-984   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v31i3.54023

نویسندگان

ایمان بابائیان^{* 1}؛ مریم کریمیان¹؛ حامد عاشوری²؛ راهله مدیریان¹؛ لیلی خزانه داری¹؛ شراره ملبوسی¹؛ منصوره کوهی¹؛ آزاده محمدیان¹؛ ابراهیم فتاحی³

¹پژوهشکده اقلیم شناسی، سازمان هواشناسی کشور، مشهد

²دانشگاه کالیفرنیا-اروین

³سازمان هواشناسی کشور، تهران

چکیده

حوضه های آبریز جنوب غرب کشور شامل کرخه، کارون بزرگ، جراحی و زهره سهم چشمگیری در تامین منابع آبی مورد نیاز بخش های کشاورزی، شرب، صنعت و نیروگاههای برقابی منطقه و برخی استان های واقع در شرق زاگرس دارند. وجود داده های پایه ماهانه بارش با تراکم مناسب از نیازهای اساسی برای مدیریت منابع آبی منطقه از قبیل تصمیم گیری در مورد زمان مناسب آبگیری و تخلیه سدها، واسنجی و پس پردازش برونداد مدل های پیش بینی ماهانه بارش و پیش آگاهی خشکسالی می باشد. بررسی تعدادایستگاههای سنجش بارش تحت پوشش وزارت نیرو و سازمان هواشناسی کشور نشان می دهد که حدود 34 درصد از منطقه فاقد تراکم مناسب از ایستگاههای اندازه گیری بارش می باشد. برای پرکردن خلاء های آماری از داده های بازکاوی افرودیت که توسط سازمان هواشناسی ژاپن و با همکاری اتحادیه هواشناسی آسیا در تامین داده های بارش کشورهای آسیایی تهیه شده است، استفاده گردید. داده های شبکه ای افرودیت در دو تفکیک مکانی 5/0×5/0 درجه و 25/0×25/0 درجه در دسترس هستند. بدین منظور در ابتدا صحت داده های بارش افرودیت با داده های دیدبانی بررسی گردید. پس از حصول اطمینان از کارایی داده های افرودیت و اعمال تصحیحات مربوطه، داده ها مذکور جایگزین داده های دیدبانی مخدوش یا شبکه های فاقد داده شدند. به دلیل عدم به روزرسانی داده های APHRODITE بر روی غرب آسیا، دوره مطالعاتی محدود به دوره 2007-1987 میلادی گردید. بررسی ها نشان داد، داده های تلفیقی دیدبانی-افرودیت بدست آمده به خوبی قادر به نمایش الگوهای بارش حوضه های آبریز جنوب غرب کشور به ویژه در ماههای سرد و پر بارش می باشد.

کلیدواژه‌ها

اریبی؛ بارش شبکه ای؛ پس پردازش؛ پیش بینی ماهانه؛ کارون بزرگ

مراجع

1. Adam J.C., Lettenmaier D.P. 2003. Adjustment of Global Gridded Precipitation for Systematic Bias, Geophysical Research, 108(D9): 42-57.

2. Adler R., Coauthors. 2003. The version-2 Global Precipitation Climatology Project (GPCP) monthly precipitation analysis (1979–present). Journal of Hydrometeorology, 4:1147–1167.

3. Akhavan S., Abedi J., Mousavi F., Abaspoor K., Afyoni M., Eslamian S. 2010. Estimation of blue and green water using SWAT in Hamedan Sub-Basin, Science and Technology of Agriculture and Natural Resources, Water and Soil Science, No. 53.

4. Ashouri H., Hsu K. L., Sorooshian S., Braithwaite D. K., Knapp K. R., Cecil L. D., Nelson B. R., Prat O. 2015. PERSIANN-CDR Daily precipitation Climate Data Record from Multi-satellite Observations for Hydrological and Climate Studies, Bulletin of the American Meteorological Society, 96(1):69-83.

5. Babaeian I., Karimian M., Modirian R. 2013. Statistical post processing MRI-CGCM3 output for seasonal precipitation forecast over Khorasan-Razavi province, Iranian Journal of Geophysics, 7(3): 119-133.

6. Burroughs W. 2003. Climate into the 21st Century, Cambridge University Press, 240 pp.

7. Ghazanfari moghadam M. S., Alizadeh A., Musavi baygi S. M., Farid hoseini A., Bannayan aval 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): 207-215.

8. Gruber A., Levizzani V. 2008. Assessment of global precipitation products. Technical Report-WRCP-128, WMO/TD-No. 1430, 55 pp. Available online at: www.gewex.org/reports/2008AssessmentGlobal PrecipReport.pdf.]

9. Hou, A., Jackson G. S., Kummerow C., Shepherd J. M. 2008. Global precipitation measurement. Precipitation: Advances in Measurement, Estimation, and Prediction,S. Michaelides, Ed., Springer: 131–170.

10. Hou A., Jackson G. S., Kummerow C., Shepherd J. M. 2014. The Global Precipitation Measurement Mission. Bulletin of American Meteorological Society, 95:701–722.

11. Huffman G. J., Coauthors. 1997. The Global Precipitation Climatology Project (GPCP) combined precipitation dataset, Bulletin of American Meteorological Society, 78: 5–20.

12. 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.

13. Kamiguchi K., Arakawa O., Kitoh A., Yatagai A., Hamada A., Yasutomi N. 2010. Development of APHRO_JP, the First Japanese High-resolution Daily Precipitation Product for More than 100 Years, Hydrological Research Letters, 4: 60–64.

14. Kummerow C., Barnes W., Kozu T., Shiue J., Simpson J. 2000. The status of the Tropical Rainfall Measuring Mission (TRMM) after two years in orbit, Journal of Applied Meteorology, 39:1965–1982.

15. Kavyani M. R., Alijani B. 1995. The Foundations of Climatology. The Organization for Researching and Composing University Textbooks in the Humanities (SAMT).,Tehran.

16. Lin Y., Mitchell K. E. 2005. The NCEP stage II/IV hourly precipitation analyses. Development and applications. Extended Abstracts, 19th Conference on Hydrology, San Diego, CA, Amer. Meteor. Soc., 1.2. Available online at http://ams.confex.com/ams /Annual2005/techprogram/paper_83847.htm.

17. Maddox R. A., Zhang J., Gourley J. J., Howard K. W. 2002. Weather radar coverage over the contiguous United States, Journal of Weather and Forecasting, 17:927–934.

18. Mansour Far K. 1995. Statistical Methods. University of Tehran Press, Tehran.

19. Nasrabadi E., Masoodian A., Asakereh H. 2013. Comparison of Gridded Precipitation Time Series Data in APHRODITE and Asfazari Database within Iran’s Territory, Journal of Atmospheric and Climate Sciences, 3: 235-248.

20. Rasu A.G.G., Mahmood T., Zaman Q., Cheema S.B. 2012. Validation of APHRODITE Precipitation Data for Humid and Sub Humid Regions of Pakistan, Pakistan Journal of Meteorology, 19(17): 45-58.

21. Takashima H., Yatagai A., Kawamoto H., Arakawa O., Kamiguchi K. 2008. Hydrological Balance over Northern Eurasia from Gauge-based High-resolution Daily Precipitation Data, Hydrochange 2008 in Kyoto, 10,03, Kyoto.

22. Utsumi N., Kanae S., Kim H., Seto S., Oki T., Nitta T., Hirabayashi Y. 2008. Importance of Wind-induced Under catch Adjustment in a Gauge-based Analysis of Daily Precipitation over Japan, Hydrological Research Letters, 2:47–51.

23. Westrick, K. J., Mass C. F., Colle B. A. 1999. The limitations of the WSR-88D radar network for quantitative precipitation measurement over the coastal western United States, American Meteorological Society, 80:2289–2298.

24. Xie, P., Janowiak J. E., Arkin P. A., Adler R., Gruber A., Ferraro R., Huffman G. J., Curtis S. 2003. GPCP pentad precipitation analyses: An experimental dataset based on gauge observations and satellite estimates, Journal of Climate, 16:2197–2214.

25. Yasutomi N., Hamada A., Yatagai A. 2011. Development of a Long-term Daily Gridded Temperature Dataset and its Application to Rain/Snow Discrimination of Daily Precipitation, Global Environmental Research.

26. Yatagai A., Kamiguchi K., Arakawa O., Hamada A., Yasutomi N., Kitoh A. 2012. Constructing a Long-Term Daily Gridded Precipitation Dataset for Asia Based on a Dense Network of Rain Gauges, American Meteorological Society , Vol. 93, No. 9, pp. 1401-1415.