اخبار و اعلانات

 آمار

تعداد نشریات56
تعداد شماره‌ها2,157
تعداد مقالات22,294
تعداد مشاهده مقاله98,800,341
تعداد دریافت فایل اصل مقاله38,312,863
فلاحی خوشحی, مصطفی, کربلائی درئی, علیرضا, زهراحجازی زاده, زهرا, همه زاده, پرستو. (1403). ارزیابی و مقایسه محصولات بارش ماهواره‌ای در مناطق کوهستانی فاقد آمار هواشناسی استان لرستان. سامانه مدیریت نشریات علمی, 38(4), 429-443. doi: 10.22067/jsw.2024.87068.1395
مصطفی فلاحی خوشحی; علیرضا کربلائی درئی; زهرا زهراحجازی زاده; پرستو همه زاده. "ارزیابی و مقایسه محصولات بارش ماهواره‌ای در مناطق کوهستانی فاقد آمار هواشناسی استان لرستان". سامانه مدیریت نشریات علمی, 38, 4, 1403, 429-443. doi: 10.22067/jsw.2024.87068.1395
فلاحی خوشحی, مصطفی, کربلائی درئی, علیرضا, زهراحجازی زاده, زهرا, همه زاده, پرستو. (1403). 'ارزیابی و مقایسه محصولات بارش ماهواره‌ای در مناطق کوهستانی فاقد آمار هواشناسی استان لرستان', سامانه مدیریت نشریات علمی, 38(4), pp. 429-443. doi: 10.22067/jsw.2024.87068.1395
فلاحی خوشحی, مصطفی, کربلائی درئی, علیرضا, زهراحجازی زاده, زهرا, همه زاده, پرستو. ارزیابی و مقایسه محصولات بارش ماهواره‌ای در مناطق کوهستانی فاقد آمار هواشناسی استان لرستان. سامانه مدیریت نشریات علمی, 1403; 38(4): 429-443. doi: 10.22067/jsw.2024.87068.1395

ارزیابی و مقایسه محصولات بارش ماهواره‌ای در مناطق کوهستانی فاقد آمار هواشناسی استان لرستان

آب و خاک
دوره 38، شماره 4 - شماره پیاپی 96، مهر و آبان 1403، صفحه 429-443    اصل مقاله (2.27 M)
نوع مقاله: مقالات پژوهشی
شناسه دیجیتال (DOI): 10.22067/jsw.2024.87068.1395
نویسندگان
مصطفی فلاحی خوشحی* 1؛ علیرضا کربلائی درئی2؛ زهرا زهراحجازی زاده2؛ پرستو همه زاده3
1پژوهشگر جهاد دانشگاهی، واحد لرستان، لرستان. ایران
2گروه جغرافیا، دانشکده علوم جغرافیایی، دانشگاه خوارزمی، تهران، ایران
3دانشکده کشاورزی، دانشگاه لرستان، لرستان. ایران
چکیده
اندازه‌گیری بارش همراه با توزیع و تغییرات زمانی-مکانی آن برای بهبود درک ما از چرخه آب، نظارت بر منابع آب و مدل‌سازی‌های هیدرولوژیکی مهم است. کمبود داده‌های قابل‌اعتماد به‌خصوص در مناطق کوهستانی یکـی از مهم‌ترین چالش‌ها در اندازه‌گیری بـارش است. امروزه محصولات ماهواره‌ی به‌عنوان ابزاری برای اندازه‌گیری بارش در این مناطق مورداستفاده قرار می‌گیرند اما اختلاف بین محصولات موجود دقت آن‌ها را برای مناطق کوهستانی به چالش می‌کشد، بنابراین ارزیابی کامل محصولات ماهواره‌ی قبل از کاربرد آن‌ها ضرورت دارد. هدف از این تحقیق، ارزیابی داده‌های بارش دو محصول ماهواره‌ای (GPM, PERSIAN) و داده‌های بازکاوی (ECMWF) در برآورد بارش در مناطق کوهستانی فاقد ایستگاه در استان لرستان است. برای ارزیابی دقت محصولات از آماره‌های ضریب تعیین (R2)، جذر میانگین مربع خطا (RMSE)، میانگین قدر مطلق خطا (MAD)، ضریب همبستگی (CORR)، انحراف خطا (MBE) و ضریب نش-ساتکلیف (NSE) استفاده شد. همچنین برای اعتبارسنجی داده‌ها از شاخص‌های احتمال آشکارسازی (POD)، نسبت هشدار اشتباه (FAR)، شاخص موفقیت بحرانی (CSI) استفاده شد. نتایج نشان داد که هیچ‌یک از سه محصول نماینده مناسبی برای برآورد بارش در مقیاس روزانه در مناطق کوهستانی نیستند. در مقیاس ماهانه این محصولات نتایج مطلوبی برای برآورد بارش ارائه می‌دهند. از بین سه محصول، با داده‌های مختلف، محصول ماهوارهGPM  با توجه به میزان خطاها و همچنین الگوی مکانی بارش تخمین زده‌شده، از دقت بهتری در مقیاس ماهانه برخوردار است. در مقیاس سالانه نیز با توجه به مقدار خطاهای آماری و همچنین الگوهای مکانی میانگین بارش سالانه، ماهواره‌ی GPM عملکرد بهتری در برآورد مقدار بارش را نشان داد. همچنین با توجه به نتایج شاخص MBE در مقیاس روزانه و ماهانه محصولات ECMWF بیش برآورد و محصولات PERSIAN و GPM کم برآورد در تخمین بارش هستند. در مقیاس سالانه محصولات GPM و ECMWF بیش برآورد و محصولات PERSIAN کم برآورد هستند.
کلیدواژه‌ها
بارش، کوهستان، GPM، PERSIAN؛ ECMWF
مراجع
  1. Abdulhaipour, A., Ahmadi, H., Aminnejad, B. (2022). Exponential microscale of satellite precipitation considering heterogeneous spatial relationship between precipitation and environmental variables. Natural Geography, 14(54), 109-126. (In Persian)
  2. Adane, G.B., Hirpa, B.A., Gebru, B.M., Song, C., & Lee, W.K. (2021). Integrating satellite rainfall estimates with hydrological water balance model: rainfall-runoff modeling in awash river basin, Ethiopia. Water, 13(6), 800. https://doi.org/10.3390/w13060800
  3. Azizi, J., Rasulzadeh, A., Rahmati, A., Shayghi, A., & Bakhter, A. (2019). Evaluation of the performance of Era-5 reanalyzed data in estimating daily and monthly rainfall in Ardabil province. Iran Water and Soil Research (Agricultural Sciences of Iran), 51(11), 2937-2951. (In Persian). https://doi.org/10.22059/ijswr.2020.302176. 668600
  4. Barros, A.P., & Arulraj, M. (2020). Remote sensing of orographic precipitation. Satellite Precipitation Measurement, 2, 559-582. https://doi.org/10.1007/978-3-030-35798-6_6
  5. Berthomier, L., Perier, L., & Espresso. (2023) A Global deep learning model to estimate precipitation from satellite observations. Meteorology, 2, 421-444. https://doi.org/10.3390/meteorology2040025
  6. Chen, S., Zhang, L., & Dunxian, C. (2019). Spatial downscaling of tropical rainfall measuring Mission (TRMM) annual and monthly precipitation data over the middle and lower reaches of the Yangtze River Basin, China. Water, 11(3), P.568. 12. https://doi.org/10.3390/w11030568
  7. Chen, X., & Huang, G. (2020). Applicability and hydrologic substitutability of TMPA satellite precipitation product in the Feilaixia Catchment, China. Water, 12(6), 1803. https://doi.org/10.3390/w12061803
  8. Dejene, I.N., Wedajo, G.K., & Bayissa, Y.A. (2023). Satellite rainfall performance evaluation and application to monitor meteorological drought: a case of Omo-Gibe basin, Ethiopia. Nat Hazards 119, 167–201. https://doi.org/ 10.1007/s11069-023-06127-2
  9. Dezfooli, D., Hosseini-Moghari, S.M., & Ebrahimi, K. (2016). Comparison of TRMM-3B42 V7 and PERSIANN satellites precipitation data with ground-based data (Case study: Gorganrood Basin, Iran). JWSS, 20(76), 85-98. https://doi.org/10.18869/acadpub.jstnar.20.76.85
  10. Dinku, T., Ceccato, P., & Connor, S.J. (2011). Challenges of satellite rainfall estimation over mountainous and arid parts of east Africa. International Journal of Remote Sensing, 32(21), 5965–5979. https://doi.org/10.1080/ 01431161.2010.499381
  11. Emami, H., Salajegheh, A., Moghaddamnia, A., & Khalighi Sigaroudi, S. (2020). Evaluation of TRMM satellite accuracy and efficiency in estimating monthly rainfall in Gorganroud watershed. Iranian Journal of Ecohydrology, 7(3), 719-729. https://doi.org/10.22059/ije.2020.261641.917
  12. Fatemi, Q.S., Yazdan Panah, H. (2013). evaluation of different interpolation methods in order to estimate the precipitation data of Isfahan province. Geographical Space, 12(40). (In Persian)
  13. Gao, Y., Guan, J., Zhang, F., Wang, X., & Long, Z. (2022). Attention-unet-based near-real-time precipitation estimation from fengyun-4A satellite imageries. Remote Sensing, 14, 2925. https://doi.org/10.3390/rs14122925
  14. Ghairi Sara, F., & Yazdan Panah, H. (2013). Evaluation of different interpolation methods in order to estimate the precipitation data of Isfahan province. Geographical Space, 12(40).
  15. Han, P.D., Long, Z., Han, M., Du, L., Dai & Hao, X. (2019). Improved understanding of snowmelt runoff from the headwaters of China's Yangtze River using remotely sensed snow products and hydrological modeling. Remote Sensing of Environment, 224, 44-59. https://doi.org/10.1016/j.rse.2019.01.041
  16. Hosseini, M., Seyed Mohammad, I., & Shahab, E. (2017). Introduction of global networked precipitation databases. Water and Sustainable Development, 5(2), 153-162. (In Persian). https://doi.org/10.22067/jwsd.v5i2.70826
  17. Hsu, K.L., Gao, X., Sorooshian, S., & Gupta, H.V. (1997). Precipitation estimation from remotely sensed information using artificial neural networks. Journal of Applied Meteorology, 36, 1176-1190. https://doi.org/ 10.1175/1520-0450(1997)036%3C1176:PEFRSI%3E2.0.CO;2
  18. https://chrsdata.eng.uci.edu
  19. https://gpm.nasa.gov/data
  20. https://www.ecmwf.int
  21. Huffman, G., Stocker, E., Bolvin, D., Nelkin, E., & Tan, J.(2019). GPM IMERG Final Precipitation L3 Half Hourly 0.1 degree × 0.1 degree V06. Available online:. https://doi.org/10.5067/GPM/IMERG/3B-HH/06
  22. Jiang, S.L., Ren, B., Yong, Y., Hong, X., Yang & Yuan, F. (2016). Evaluation of latest TMPA and CMORPH precipitation products with independent rain gauge observation networks over high-latitude and low-latitude basins in China. Chinese Geographical Science, 26(4), 439-455. https://doi.org/10.1007/s11769-016-0818-x
  23. Khanmohammadi, Z., Mahjoobi, E., Gharachelou, S., & Banikhedmat, A. (2022). Statistical assessment of satellite rainfall products in daily and monthly gauge spatial scales. Journal of Watershed Engineering and Management, 14(4), 512-527.  https://doi.org/10.22092/ijwmse.2022.355269.1908
  24. Kubota, T., Aonashi, K., Ushio, T., Shige, S., Takayabu, Y.N., Kachi, M., Arai, Y., Tashima, T., Masaki, T., & Kawamoto, N. (2020). Global Satellite Mapping of Precipitation (GSMaP) products in the GPM era. In Satellite Precipitation Measurement; Springer: Cham, Switzerland. https://doi.org/10.1007/978-3-030-24568-9_20
  25. Lu, X., Li, J., Liu, Y., Li, Y., & Huo, H.(2023). Quantitative precipitation estimation in the Tianshan mountains based on machine learning. Remote Sensing, 15, 3962. https://doi.org/10.3390/rs15163962
  26. Ma, Z., He, K., Tan, X., Xu, J., Miri, M., Rahimi, M., & Noroozi, A. (2019). Evaluation and comparison of GPM and TRMM daily precipitation with observed precipitation across Iran. Watershed Engineering and Management, 11(4), 972-983. https://doi.org/10.22092/ijwmse.2018.121397.1469
  27. Ma, Z., Xu, J., He, K., Han, X., Ji, Q., Wang, T., Xiong, W., & Hong, Y. (2020). An updated moving window algorithm for hourly-scale satellite precipitation downscaling: A case study in the southeast coast of China. Journal Of Hydrology, 581, P.124378. https://doi.org/10.1016/j.jhydrol.2019.124378
  28. NASA Global Precipitation Measurement (GPM).( 2020). Integrated Multi-satellitE Retrievals for GPM (IMERG). Algorithm Theoretical Basis Document (ATBD) Version 06.
  29. Ordoni, M., Memarian, H., Akbari, M., & Pourreza, M. (2019). Validation of GPM-IMERG satellite rainfall data in half-hourly and daily time scales (case study: Gorganrood watershed). Journal of Water and Soil Protection Research, 27(4), 149-166. (In Persian). https://doi.org/10.22069/jwsc.2020.17531.3301
  30. Panthi, J.P., Dahal, M.L., Shrestha, S., Aryal, N.Y., Krakauer, S.M., Pradhanang & Karki, R. (2015). Spatial and temporal variability of rainfall in the Gandaki River Basin of Nepal Himalaya. Climate, 3(1), 210-226. https:// doi.org/10.3390/cli3010210
  31. Paolo, F., Luca, B., Raphael, Q., Luca, C., Carla, S., Wolfgang, W., & Angelica, T. (2022). High resolution (1 km) satellite rainfall estimation from SM2RAIN applied to Sentinel-1: Po River Basin as case study. Hydrology Earth System Science, 26, 2481–2497. https://doi.org/10.5194/hess-26-2481-2022
  32. Ruan, H., Zou, S., Yang, D., Wang, Y., Yin, Z., Lu, Z., & Xu, B. (2017). Runoff simulation by SWAT model using high-resolution gridded precipitation in the upper Heihe River Basin, northeastern Tibetan Plateau. Water, 9(11), 866. https://doi.org/10.3390/w9110866
  33. Sharifi, E., Eitzinger, J., Dorigo, W. (2019). Performance of the state-of-the-art gridded precipitation products over mountainous Terrain: A regional study over Austria. Remote Sens., 11, 2018. https://doi.org/10.3390/rs11172018
  34. Shokri, K., Akhund Ali, S., & Sharifi, M. (2019). Evaluating the performance of PERSIANN and PERSIANN-CDR satellite precipitation algorithms and investigating the impact of roughness on it (case study: Helleh watershed). Eco-Hydrology, 7(2), 511-530. (In Persian). https://doi.org/10.22034/jdmal.2020.38472
  35. Tafte, A., Mallah, S., & Ebrahimi, N. (2019). Examining the results of daily, ten-day and monthly data of satellite images in estimating the amount of precipitation using the Google Earth Engine system in Khuzestan province. Protection of water and soil resources (scientific-research), 9(3), 93-104. (In Persian)
  36. Talchabhadel, R., Aryal, A., Kawaike, K., Yamanoi, K., Nakagawa, H., Bhatta, B., Karki, S., & Thapa, B.R. (2021). Evaluation of precipitation elasticity using precipitation data from ground and satellite-based estimates and watershed modeling in Western Nepal. Journal of Hydrology: Regional Studies, 33, 100768. https://doi.org/ 10.1016/j.ejrh.2020.100768
  37. Tan, X., Yong, B., & Ren, L. (2018). Error features of the hourly GSMaP multi-satellite precipitation estimates over nine major basins of China. Hydrology Research, 49(3), 761-779. https://doi.org/10.2166/nh.2017.263
  38. Taye, M., Sahlu, D., Zaitchik, BF., & Neka, M. (2020). Evaluation of satellite rainfall estimates for meteorological drought analysis over the Upper Blue Nile Basin. Ethiopia Geosci 10(9), 352. https://doi.org/10.3390/ geosciences10090352
  39. Vasavi, , Krishna, V.S., Sri P.D., Navena, M., & HariKiran, C. (2022). Rainfall estimation from satellite images using cloud classifications, 2022 IEEE North Karnataka Subsection Flagship International Conference (NKCon), Vijaypur, India, , pp. 1-5. https://doi.org/10.1109/NKCon56289.2022.10126540
  40. Wang, C., Xu, J., Tang, G., Yang, Y., & Hong, Y.(2020). Infrared precipitation estimation using convolutional neural network. IEEE Trans. Geosci. Remote Sens. 8, 8612–8625. https://doi.org/10.1109/TGRS.2020.2989183
  41. Wei, L., Jiang S., Ren, L., Zhang, L., Wang, M., & Duan, Z. (2020). Preliminary utility of the retrospective IMERG precipitation product for large-scale drought monitoring over Mainland China. Remote Sens, 12, 2993. https:// doi.org/10.3390/rs12182993
  42. Wilks, D.S. (2011). Statistical methods in the atmospheric sciences. Academic press.
  43. Yousefi, K., Alireza, N., & Jamei, M. (2021). Combination of interpolation methods and TRMM satellite precipitation products in order to increase the accuracy of rainfall maps in Mazandaran province. Journal of Water and Soil Conservation Research, 28(3), 49-70. (In Persian). https://doi.org/10.22069/jwsc.2022.19286.3477
Zeng, Q.H., Chen., C.Y., Xu. M.X., Jie, J., Chen, S.L., & Liu, J. (2018). The effect of rain gauge density and distribution on runoff simulation using a lumped hydrological modelling approach. Journal of Hydrology, 563, 106-122. https://doi.org/10.1016/j.jhydrol.2018.05.058

آمار
تعداد مشاهده مقاله: 1,388
تعداد دریافت فایل اصل مقاله: 500


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب