ارزیابی و کاربرد انواع مجموعه داده‌های دیدبانی (زمینی و ماهواره‌ای) بارش بر روی ایران

آب و خاک

مقاله 10، دوره 33، شماره 3 - شماره پیاپی 65، شهریور 1398، صفحه 501-520   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v0i0.78832

نویسندگان

سید علی چاوشیان¹؛ پری سیما کتیرایی بروجردی^{* 2}

¹دانشگاه علم و صنعت ایران

²دانشگاه آزاد اسلامی واحد تهران شمال

چکیده

هدف این مقاله معرفی، ارزیابی و کاربرد انواع مجموعه داده‌های بارش دیدبانی زمینی و ماهواره‌ای معتبر است که بر روی ایران داده مستمر و به روز دارند. تولید و کاربرد مجموعه‌های بارش بر اساس داده‌های ماهواره‌ای به دلیل تفکیک مکانی و زمانی بالا و همچنین پوشش مکانی تقریبا کامل جهانی در سال‌های اخیر به سرعت رو به گسترش است. در این مقاله  توزیع مکانی هفت مجموعه بارش جهانی دیدبانی بر روی ایران با داده‌های باران‌سنجی در 228 پیکسل 25/0 درجه طول و عرض جغرافیایی که حداقل شامل سه باران‌سنج هستند مقایسه و بررسی شده است. مقایسه این نتایج نشان می‌دهند که مجموعه‌ها اختلاف زیادی در مقدار بارش سالانه بر روی پهنه ایران نشان می‌دهد (mm 180-260). این اختلاف در کرانه دریای خزر بالغ بر80 درصد میانگین بارش سالانه (حدود 300 میلی‌متر در سال) می‌رسد. داده‌های ماهواره‌ای روی منطقه سواحل دریای خزر و مناطق پر ارتفاع کوه‌های زاگرس واقع در جنوب غرب ایران بارش را با دقت کمتری نسبت به سایر نقاط برآورد می‌کنند. مجموعه‌های بارش زمینی بیشترین سهم از بارش سالانه را برای فصل بهار و سایر مجموعه‌ها بیشترین سهم را برای بارش زمستانی نشان می‌دهند. مقایسه بارش ماهانه، فصلی و سالانه مجموعه‌ها با داده های باران‌سنچی نشان می‌دهد مجموعه‌های ماهواره‌ای که با داده‌های باران‌سنجی تصحیح شده‌اند نتایج بهتری حتی نسبت به مجموعه‌های بارش زمینی دارند. مجموعه‌های ماهواره‌ای حال حاضر نیز بیش از سایرین بارش را کم برآورد می‌کنند.

کلیدواژه‌ها

ارزیابی بارش؛ بارش ماهوار‌ه‌ای؛ سنجش از دور؛ مجموعه‌های بارش

مراجع

1- Adler R., Sapiano M., Huffman G., Bolvin D., Gu G., Wang J., and Ferraro R. 2016. The new version 2.3 of the global precipitation climatology project (GPCP) monthly analysis product. University of Maryland, April.

2- Adler R., Huffman G., Chang A., Ferraro R., Xie P., Janowiak J., and Bolvin D. 2003. The version-2 global precipitation climatology project (GPCP) monthly precipitation analysis (1979–present). Journal of Hydrometeorology 4(6): 1147-1167.

3- Aonashi K., Awaka J., Hirose M., Kozu T., Kubota T., Liu G., and Takahashi N. 2009. GSMaP passive microwave precipitation retrieval algorithm: Algorithm description and validation. Journal of the Meteorological Society of Japan. Ser. II 87: 119-136.

4- Ashouri H., Hsu K.L., Sorooshian S., Braithwaite D. K., Knapp K.R., Cecil L.D., and Prat O.P. 2015. PERSIANN-CDR: Daily precipitation climate data record from multisatellite observations for hydrological and climate studies. Bulletin of the American Meteorological Society 96(1): 69-83.

5- Beck H.E., Van Dijk A.I.J.M., Levizzani V., Schellekens J., Miralles D.G., Martens B., and Roo A.D. 2017. MSWEP: 3-hourly 0.25 global gridded precipitation (1979-2015) by merging gauge, satellite, and reanalysis data. Hydrology and Earth System Sciences 21(1):589-615.

6- Ebert E.E. 2007. Methods for Verifying Satellite Precipitation Estimates. In: Levizzani V., Bauer P., Turk F.J. (eds) Measuring Precipitation From Space. Advances In Global Change Research, vol 28. Springer, Dordrecht.

7- Funk C., Peterson P., Landsfeld M., Pedreros D., Verdin J., Shukla S., and Hoell A. 2015. The climate hazards infrared precipitation with stations—a new environmental record for monitoring extremes. Scientific data, 2, 150066.

8- Galindo, Francisco J, & Palacio, Juan. (1999). Estimating the instabilities of N correlated clocks: REAL OBSERVATORIO DE LA ARMADA (SPAIN).

9- Golian S., Moazami S., Kirstetter P.E., and Hong Y. 2015. Evaluating the performance of merged multi-satellite precipitation products over a complex terrain. Water Resources Management 29(13): 4885-4901.

10- Harris I.P.D.J., Jones P.D., Osborn T.J., and Lister D.H. 2014. Updated high‐resolution grids of monthly climatic observations–the CRU TS3. 10 Dataset. International journal of climatology 34(3): 623-642.

11- Hong Y., Hsu K.L., Sorooshian S., and Gao X. 2004. Precipitation estimation from remotely sensed imagery using an artificial neural network cloud classification system. Journal of Applied Meteorology 43(12): 1834-1853.

12- Huffman G.J., Bolvin D.T., Nelkin E.J., Wolff D.B., Adler R.F., Gu G., and Stocker E.F. 2007. The TRMM multisatellite precipitation analysis (TMPA): Quasi-global, multiyear, combined-sensor precipitation estimates at fine scales. Journal of hydrometeorology 8(1): 38-55.

13- Javanmard S., Yatagai A., Nodzu MI., BodaghJamali J., and Kawamoto H. 2010. Comparing high-resolution gridded precipitation data with satellite rainfall estimates of TRMM_3B42 over Iran. Advances in Geosciences 25: 119-125.

14- 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(3): 487-503.

15- Katiraie-Boroujerdy P.S., Asanjan A.A., Hsu K.L., and Sorooshian S. 2017. Intercomparison of PERSIANN-CDR and TRMM-3b42v7 precipitation estimates at monthly and daily time scales. Atmospheric Research 193: 36-49.

16- Katiraie-Boroujerdy P.S., Ashouri H., Hsu K.L., and Sorooshian S. 2017. Trends of precipitation extreme indices over a subtropical semi-arid area using PERSIANN-CDR. Theoretical and Applied Climatology 130(1-2): 249-260.

17- Katiraie-Boroujerdy P.S., Nasrollahi N., Hsu K.L., and Sorooshian S. 2013. Evaluation of satellite-based precipitation estimation over Iran. Journal of Arid Environments 97: 205-219.

18- Kubota T., Shige S., Hashizume H., Aonashi K., Takahashi N., Seto S., and Nakagawa K. 2007. Global precipitation map using satellite-borne microwave radiometers by the GSMaP project: Production and validation. IEEE Transactions on Geoscience and Remote Sensing 45(7): 2259-2275.

19- Moazami S., Golian S., Hong Y., Sheng C., and Kavianpour M.R. 2016. Comprehensive evaluation of four high-resolution satellite precipitation products under diverse climate conditions in Iran. Hydrological Sciences Journal 61(2): 420-440.

20- Moazami S., Golian S., Kavianpour M. R., and Hong Y. 2013. Comparison of PERSIANN and V7 TRMM Multi-satellite Precipitation Analysis (TMPA) products with rain gauge data over Iran. International Journal of Remote Sensing 34(22): 8156-8171.

21- Rudolf B., and Schneider U. 2005. Calculation of gridded precipitation data for the global land-surface using in-situ gauge observations. P. 231-247, Paper presented at the Proc. Second Workshop of the Int. Precipitation Working Group, October 2004, Monterey,Germany, EUMETSAT, ISBN 92-9110-070-6, ISSN 1727-432X, 231-247.

22- Schamm K., Ziese M., Becker A., Finger P., Meyer-Christoffer A., Schneider U., and Stender P. 2014. Global gridded precipitation over land: A description of the new GPCC First Guess Daily product. Earth System Science Data 6(1): 49-60.

23- Schneider U., Becker A., Finger P., Meyer-Christoffer A., Ziese M., and Rudolf B. 2014. GPCC's new land surface precipitation climatology based on quality-controlled in situ data and its role in quantifying the global water cycle. Theoretical and Applied Climatology 115(1-2): 15-40.

24- Sorooshian S., AghaKouchak A., Arkin P., Eylander J., Foufoula-Georgiou E., Harmon R., Skahill B. 2011. Advanced concepts on remote sensing of precipitation at multiple scales. Bulletin of the American Meteorological Society 92(10): 1353-1357.

25- Sorooshian S., Hsu K.L., Gao X., Gupta H.V., Imam B., and Braithwaite D. 2000. Evaluation of PERSIANN system satellite-based estimates of tropical rainfall. Bulletin of the American Meteorological Society 81(9): 2035-2046.

26- Sun Q., Miao C., Duan Q., Ashouri H., Sorooshian S., and Hsu K.L. 2018. A review of global precipitation data sets: Data sources, estimation, and intercomparisons. Reviews of Geophysics 56(1): 79-107.

27- Ushio T., Sasashige K., Kubota T., Shige S., Okamoto K., Aonashi K., and Kachi M. 2009. A Kalman filter approach to the Global Satellite Mapping of Precipitation (GSMaP) from combined passive microwave and infrared radiometric data. Journal of the Meteorological Society of Japan. Ser. II, 87: 137-151.

28- Wilks D.S. 2006. Statistical Methods in the Atmospheric Sciences. Burlington, MA: Academic Press.

29- Willmott C.J., and Robeson S.M. 1995. Climatologically aided interpolation (CAI) of terrestrial air temperature. International Journal of Climatology 15(2): 221-229.

30- Xie P., and Arkin P.A. 1997. Global precipitation: A 17-year monthly analysis based on gauge observations, satellite estimates, and numerical model outputs. Bulletin of the American Meteorological Society 78(11): 2539-2558.

31- 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 the American Meteorological Society 93(9): 1401-1415.

32- Zhang X., Alexander L., Hegerl G.C., Jones P., Tank A.K., Peterson T.C., and Zwiers F.W. 2011. Indices for monitoring changes in extremes based on daily temperature and precipitation data. Wiley Interdisciplinary Reviews: Climate Change 2(6): 851-870.