امکان‌سنجی استفاده از AgMERRA برای پرکردن خلأ داده‌های بارندگی و دما در ایستگاه‌های سینوپتیک افغانستان

آب و خاک

مقاله 8، دوره 32، شماره 3 - شماره پیاپی 59، تابستان 1397، صفحه 601-616  

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v32i3.68501

نویسندگان

احمدرضا رضوی ¹؛ مهدی نصیری محلاتی¹؛ علیرضا کوچکی¹؛ علیرضا بهشتی²

¹دانشگاه فردوسی مشهد

²مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی خراسان رضوی

چکیده

تغییر اقلیم یکی از مهمترین چالش‌های فراروی بشر در قرن جاری است که به نظر می‌رسد اثرات آن در افغانستان به خصوص در بخش کشاورزی بسیار شدید باشد. مطالعه این اثرات بیش از هر چیز مستلزم دسترسی به داده‌های هواشناسی دقیق و کافی به خصوص برای متغیرهای دما و بارش است، اما به دلایل مختلف این داده‌ها در افغانستان از دقت و کفایت لازم برخوردار نیستند. در این پژوهش امکان استفاده از پایگاه داده AgMERRA از طریق مقایسه داده‌های آن با داده‌های ثبت شده‌ی چهار ایستگاه سینوپتیک مهم در افغانستان با استفاده از پنج شاخص نکویی برازش (RMSE، NRMSE، MBE، R2 و d)، الگوی تغییرات فصلی و نیز تابع توزیع احتمال آنها مورد بررسی قرار گرفت. نتایج این مطالعه بیانگر قدرت و کارایی لازم داده‌های AgMERRA برای پر کردن خلأها و قابلیت مطلوب آن در تولید سری داده‌های هواشناسی بود. نتایج حاصل از طریق شاخص NRMSE بیانگر قرار گرفتن مقادیر شبیه‌سازی شده در رده عالی و خوب در تمامی ایستگاه‌ها و مقیاس‌های زمانی بود. مقدار شاخص R2 برای شبیه‌سازی درجه حرارت در فواصل زمانی روزانه، 14 روزه و ماهانه بیش از 86/0 بود. بارش در مقیاس زمانی روزانه دارای R2 نامناسب بود، اما با افزایش مقیاس زمانی به 14 روزه و ماهانه مقدار R2 آن در حد قابل قبولی افزایش یافت. مقادیر ضریب توافق d نیز برای بارش‌های 14 روزه و ماهانه مناسب بود (حداقل 87/0). داده‌های شبیه‌سازی شده‌ی AgMERRA در مقیاس ماهانه تبعیت خوبی از الگوی فصلی داده‌های ایستگاهی نشان داد. با این وجود مقادیری از تخمین‌های کمتر و بیشتر از حد واقعی به خصوص در ایستگاه کابل مشاهده شد. این تبعیت از الگو در مقیاس روزانه نیز برای متغیرهای هواشناسی مورد مطالعه در حد قابل قبول بود، اگرچه AgMERRA نتوانست برخی از نوسانات موجود در توزیع احتمال داده‌های دمای حداکثر و حداقل (با بازه یک درجه سانتی‌گراد) را به خوبی شبیه‌سازی نماید.

کلیدواژه‌ها

اگمرا؛ تغییر اقلیم؛ داده‌های ناقص؛ کابل؛ هواشناسی

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. - Bannayan M., Lashkari A., Zare H., Asadi S., and Salehnia N. 2015. Applicability of AgMERRA forcing dataset to fill gaps in historical in-situ meteorological data. In: American Geophysical Union, Fall Meeting 2015. Abstract #GC13D-1180. 2015AGUFMGC13D1180B. Washington DC: American Geophysical Union.
3. - Burroughs W. 2003. Climate into the 21st Century. Cambridge University Press, 240 pp.
4. - Carson D. J. 1999. Climate modelling: achievements and prospects. Quarterly Journal of Royal Meteorological Society, 125:1–28.
5. - Ceglar A., Toreti A., Balsamo G., and Kobayashi S. 2017. Precipitation over Monsoon Asia: a comparison of reanalyses and observations. Journal of Climate, 30(2):465–476.
6. - Ghafourian H., and Sanaei Nejad H. 2013. Drought monitoring using TRMM dataset in Razavi Khorasan Province. MSc thesis in Agrometeorology, Ferdowsi University of Mashhad.
7. - Ghazanfari Moghaddam 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. (In Persian with English summary)
8. - Goovaerts P. 1997. Geostatistics for natural resources evaluation, Oxford University Press, New York, Oxford, Vol. 483.
9. - Greene A.M., and Allis E.C. 2014. A Stochastic Climate Generator for Agriculture in Southeast Asian Domains, American Geophysical Union, Fall Meeting 2014, abstract #GC23D-0663.
10. - Hijmans R.J., Cameron S.E., Para J.L., Jones P.G., and Jarvis A. 2005. Very high resolution interpolated climate surfaces for global land areas. International Journal of Climatology, 25:1965–1978.
11. - Hong Y., Hsu K., Gao X., and Sorooshian S. 2004. Precipitation estimation from remotely sensed imagery using artificial neural network cloud classification system. Journal of Applied Meteorology, 43:1834–1853.
12. - Huffman G. J., Adler R. F., Bolvin D. T., Gu G., Nelkin E. J., Bowman K. P., Hong Y., Stocker E. F., and Wolff D. B. 2007. The TRMM Multi-satellite Precipitation Analysis: Quasi-Global, Multi-Year, Combined-Sensor Precipitation Estimates at Fine Scale. Journal of Hydrometeorology, 8:38-55.
13. - Kessler E., and Neas B. 1994. On correlation, with applications to the radar and raingage measurement of rainfall, Atmospheric Researches, 34:217-229.
14. - Kira O., Nguy-Robertson A.L., Arkebauer T.J., Linker R., and Gitelson A.A. 2017. Toward Generic Models for Green LAI Estimation in Maize and Soybean: Satellite Observations. Remote Sensing, 9:318.
15. - Koocheki A., Nassiri Mahallati M., and Jafari L. 2016. Evaluation of Climate Change Effect on Agricultural Production of Iran: I. Predicting the Future Agroclimatic Conditions. Iranian Journal of Crop production, 13(4): 651-664. (In Persian with English summary)
16. - Lashkari A., Bannayan M., Zare A., Asadi A., and Salehnia N. 2015. Applicability of AgMERRA forcing dataset to fill the gaps in historical in-situ meteorological data, case study: Iran. AGU FALL MEETING, San-Francisco.
17. - Lashkari A., Bannayan M., Koocheki A., Alizadeh A., Choi Y. S., and Park S. K. 2016. Applicability of AgMERRA forcing dataset for gap-filling of in-situ meteorological observation, Case Study: Mashhad Plain. Journal of Water and Soil, 29(6):1749-1758.
18. - Legates D. R. 1999. Evaluating the use of "goodness-of-fit" measures in hydrologic and hydroclimatic model validation. Water Resources Research, 35(1): 33-241.
19. - Legates D. R., and Davis R. E. 1997. The continuing search for an anthropogenic climate change signal: Limitations of correlation-based approaches, Geophysical Research Letters, 24:2319-2322.
20. - Legates D. R., and McCabe Jr.G.J. 1999. Evaluating the use of goodness-of-fit measures in hydrologic and hydroclimatic model validation. Water and Resources Research, 35(1):233-241.
21. - Mohanty M., Sinha N.K., and Patra A.K. 2015. Crop Growth Simulation Models in Agricultural Crop Production: 1-27 in Crop Growth Simulation Modelling and Climate Change. Mohanty M., Sinha N. K., Hati K. M., Chaudhary R. S., Patra A.K. (ed.) Scientific Publishers, India.
22. - Nalder I.A., and Wein R.W. 1998. Spatial interpolation of climatic normal: test of a new method in the Canadian boreal forest. Agricultural and Forest Meteorology, 92:211–225.
23. - New M., Hulme M., and Jones P. 1999. Representing twentieth century space-time climate variability. Part I. Development of a 1961–1990 mean monthly terrestrial climatology. Journal of Climate, 12:829–856.
24. - New M., Lister D., Hulme M., and Makin I. 2002. A high-resolution data set of surface climate over global land areas. Climate Researches, 21.
25. - Reilly J., Tubiello F., McCarl B., Abler D., Darwin R., Fuglie K., Hollinger S., Izaurralde, C., Jagtap S., Jones J., Mearns L., Ojima D., Paul E., Paustian K., Riha S., Rosenberg N., and Rosenzweig C. 2003. Agriculture and climate change: new results. Climatic Change, 57: 43–69.
26. - 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.
27. - Ruane A.C., Goldberg R., and 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.
28. - Salehnia N., Alizadeh A., Sanaeinejad H., Bannayan M., Zarrin A., and Hoogenboom G. 2017. Estimation of meteorological drought indices based on AgMERRA precipitation data and station-observed precipitation data. Journal of Arid Land.
29. - Schneider U., Becker A., Finger P., Meyer-Christoffer A., Rudolf, B., and Ziese M. 2011. GPCC Full Data Reanalysis Version 6.0 at 0.5◦: Monthly LandSurface Precipitation from Rain-Gauges built on GTS-based and Historic Data.
30. - Shcherbakov M.V., Brebels A., Shcherbakova N. L., Tyukov A. P., Janovsky T.A., and Kamaev V.A. 2013. A Survey of Forecast Error Measures. World Applied Sciences Journal, 24:171-176.
31. - Steward P.R., Andrew J.D., Christian T., Cameron M.P., Lindsay C.S., Maxwell K., and Gorm E.S. 2018. The adaptive capacity of maize-based conservation agriculture systems to climate stress in tropical and subtropical environments: A meta-regression of yields. Agriculture, Ecosystem and environment, 251:195-202.
32. - 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.
33. - UNEP. 2009. Afghanistan National Capacity Needs Self-Assessment for Global Environmental Management (NCSA) and National Adaptation Programme of Action for Climate Change (NAPA), 128 pp. Available at: http://www.unep.org/dgef/Portals/43/publications/Afghan_NCSA_and_NAPA_2009.pdf.
34. - Wallach D., Makowski D., and Jones J.W. 2007. Working with dynamic crop models. Elsevier. In 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, Available at: www.eu-watch.org/data availability.
35. - Wallach D., Makowski D., and Jones J.W. 2006. Working with dynamic crop models: Evaluations, analysis, parameterization and applications (First edition). Elsevier Science.
36. - Wechsung F., Childers K., Frieler K., and Hoffman P. 2015. Forecasting Moroccan Wheat Yields using Two Statistical Models, American Geophysical Union, Fall Meeting 2015, abstract #A21F-0210.
37. - Wilby R.L., Charles S., Zorita E., Timbal B., Whetton P., and Mearns L. 2004. Guidelines for use of Climate Scenarios Developed from Statistical Downscaling Methods. IPCC, IPCC Supporting Material, available from the DDC of IPPC TGCIA.
38. - Willmott C.J. 1981. On the validation of models, Physical Geography, 2(2):184–194.
39. - Willmott C.J., Ackleson S.G., Davis R.E., Feddema J.J., Klink K.M., Legates D.R., O'Donnell J., Rowe C.M. 1985. Statistics for the evaluation and comparison of models, Journal of Geophysics Researches, 90:8995-9005.
40. - Willmott C.J., and Matsuura K. 1995. Smart interpolation of annually averaged air temperature in the United States. Journal of Applied Meteorology, 34(12):2577–2586.
41. - Yatagai A., Arakawa O., Kamiguchi K., Kawamoto H., Nodzu M., and Hamada A. 2009. A 44-year daily gridded precipitation dataset for Asia based on a dense network of rain gauges. Scientific Online Letters on the Atmosphere, 5:137–140.
42. - Yatagai A., Kamiguchi K., Arakawa O., Hamada A., Yasutomi N., and Kitoh A. 2012. APHRODITE: Constructing a long-term daily gridded precipitation dataset for Asia based on a dense network of rain gauges. Bulletin of American Meteorology Society, 93:1401–1415.
43. - Zare H., Fallah M.H., Asadi A., Mojab A., and Bannayan M. 2016. Assessment of DSSAT and WOFOST sensitivity to temperature derived from AgMERRA. International Crop Modelling Symposium: 434-435.