بررسی تطبیقی عملکرد پایگاه‌های داده CHIRPS و ERA5-Land در آشکارسازی خشکسالی‌های ایران

محورهای موضوعی : اقلیم شناسی

سروش غلامی ¹ , منوچهر فرج زاده ² , یوسف قویدل رحیمی ³

1 - دانشجوی دکتری آب و هواشناسی، گروه جغرافیای طبیعی، دانشگاه تربیت مدرس، تهران، ایران
2 - استاد گروه جغرافیای طبیعی ، دانشگاه تربیت مدرس، تهران، ایران
3 - دانشیار گروه جغرافیای طبیعی، دانشگاه تربیت مدرس، تهران، ایران

تاریخ دریافت : 1401/11/24 تاریخ پذیرش : 1402/05/21 تاریخ انتشار : 1402/08/01

کلید واژه: خشکسالی, SPI, بارش, CHIRPS, ERA5-Land,

چکیده مقاله :

هدف پژوهش حاضر ارزیابی عملکرد دو پایگاه داده بارش ماهواره‌ای CHIRPS و پایگاه داده بازتحلیل ERA5-Land در آشکارسازی خشکسالی‌های ایران با استفاده از شاخص بارش استاندارد شده در محدوده ایران می‌باشد. به همین منظور داده‌های رستری دو پایگاه داده با استفاده از شاخص بارش استاندارد شده در 11 گام زمانی، و با استفاده از داده‌های 110 ایستگاه هواشناسی و تحلیل آزمون همبستگی در محدوده کشور ایران مورد ارزیابی قرار گرفتند. نتایج نشان داد که هر دو پایگاه داده در گام‌های زمانی 1 تا 12 ماهه در سرتاسر ایران بجز مناطق شمالی کشور، از همبستگی خوبی با داده‌های ایستگاهی (RCHIRPS = 0.56, RERA5 = 0.76) برخوردار می‌باشند. همچنین پایگاه داده ERA5-Land در گام‌های زمانی بالاتر (24-72 ماهه) نیز عملکرد قابل قبولی در آشکارسازی خشکسالیها نشان داد. همچنین نتایج نشان داد که مساحت مناطق تحت سیطره خشکسالی در هر دو پایگاه داده تا گام زمانی 12 ماهه نسبتا برابر بوده اما در گام‌های زمانی بالاتر در پایگاه داده CHIRPS دچار خطا شده و قابل اعتماد نخواهد بود. همچنین بر اساس نتایج مشخص شد که بطور کلی دقت و قابلیت پایگاه‌های داده در گام‌های زمانی بالا با طول دوره آماری 30-40 سال کاهش قابل ملاحضه‌ای یافته و برای گام‌های زمانی بلندتر می‌بایست از طول دوره آماری طولانی تری استفاده شود.

چکیده انگلیسی:

The aim of this study is to evaluate the performance of two precipitation datasets, CHIRPS and ERA5-Land, in detecting droughts using the Standardized Precipitation Index (SPI) over Iran. To achieve this, the raster data of the two datasets were evaluated using the standardized precipitation index in 11 time steps, along with precipitation data from 110 meteorological stations and correlation analysis. The study results revealed that both CHIRPS and ERA5-Land datasets exhibited a high degree of correlation with station data in time steps ranging from 1 to 12 months across Iran, except for the northern region (RCHIRPS = 0.56, RERA5 = 0.76). Furthermore, the ERA5-Land dataset demonstrated an acceptable level of performance in higher time steps (24-72 months) compared to CHIRPS. Additionally, the study revealed that the areas affected by drought were relatively similar between both datasets for time steps up to 12 months, although the reliability of CHIRPS was questionable at higher time steps. Moreover, based on the results, it was found that in general, the accuracy and capability of databases in high time steps, with a statistical period length of 30-40 years, have been significantly reduced, and for longer time steps, a longer statistical period should be used.

منابع و مأخذ:

1- بذرافشان، جواد (1381): مطالعه تطبیقی برخی شاخص‌های خشک‌سالی هواشناسی در چند نمونه اقلیمی ایران. پایان‌نامه کارشناسی ارشد هواشناسی کشاورزی. دانشگاه تهران- کرج.

2- دارند، محمد و زند کریمی، سوما. (1395): ارزیابی دقت داده‌های بارش مرکز اقلیم‌شناسی بارش جهانی بر روی ایران. مجله ژئوفیزیک ایران، 10(3)، 95-113.

3- زارع پور هادی، ولی عباسعلی، قربانی حمید، ساداتی نژاد سید جواد، علوی‌نیا سیدحسن. (1400): تحلیل آماری بلندمدت روند خشک‌سالی هواشناسی استان اصفهان. مجله علمی پژوهشی مهندسی اکوسیستم بیابان. سال 11، شماره 34، بهار 1401، صص 113-126.

4- دوستان رضا. (1398): تحلیلی بر تحقیقات خشک‌سالی در ایران. تحلیل فضایی مخاطرات محیطی. سال 6، شماره 4، زمستان 1398، صص 53 تا 94.

5- علیجانی بهلول، کاویانی محمدرضا. (1387): مبانی آب و هواشناسی.چاپ 14، تهران، سمت.

6- غفوریان هادی، سید حسین ثنایی‌نژاد، داوری کامران. (1393): بررسی تعیین مناطق مناسب جهت پایش خشک‌سالی با استفاده از داده‌های ماهواره TRMM (مطالعه موردی: استان خراسان رضوی). آب و خاک (علوم و صنایع کشاورزی). 28 (3)، 639-648.

7- فاضل‌دهکردی لیلا، سهرابی طیبه‌السادات، محمودی کهن فرهاد. (1394): پایش خشک‌سالی با استفاده از تصاویر سنجنده مادیس در مناطق خشک. مجله علمی-پژوهشی مهندسی اکوسیستم بیابان. سال 4، شماره 9، زمستان 94.

8- قربانی حمید، عباسعلی ولی زارع پور هادی. (1398): تحلیل روند خشک‌سالی هواشناسی با استفاده از آزمون‌های من-کندال، سن و پتیت در استان اصفهان. نشریه تحلیل فضایی مخاطرات محیطی. سال 6، شماره 2، تابستان 98، صفحات 129-146.

9- کله‌هوئی مهین، کاویان عطاءاله، شاهدی کاکا، سلطانی میلاد. (1396): پهنه‌بندی خشک‌سالی جلگه خزر با استفاده از شاخص‌های SPI و ZCI. نشریه ترویج و توسعه آبخیزداری. سال 6، شماره 20، بهار 1397.

10- گرجی زاده، علی، آخوند علی، علی‌محمد، شهبازی، علی و مریدی، علی. (1398): مقایسه و ارزیابی بارش برآورد شده توسط مدل‌های ERA-Interim, PERSIANN-CDR و CHIRPS در بالادست سد مارون. تحقیقات منابع آب ایران، 15(1 )، 267-279.

11- محمودی بابلان، سجاد، نسترنی عموقین، سعید و رسول‌زاده، علی. (1401): ارزیابی محصولات بارش ماهواره‌ای جهت برآورد رخدادهای بارشی سنگین در نوار ساحلی دریای خزر. مدل‌سازی و مدیریت آب و خاک، 2(4)، 107-122.

12- نظافت، آرزو. مریدی، علی. گرجی زاده، علی؛ و یوسفی، حسین. (1400): ارزیابی عملکرد محصولات شبکه‌بندی بارش با در نظر گرفتن شرایط اقلیمی و توپوگرافی در ایران. تحقیقات منابع آب ایران، 17(2)، 62-81.

 

13- Abramowitz, M. & Stegun, I. A. (1965): Handbook Of Mathematical Functions. Dover Publications Inc. New York.

14- Adams, J. (2017): Climate_Indices: An Open-Source Python Library Providing Reference Implementations Of Commonly Used Climate Indices. Retrieved From Https: //Github.Com/Monocongo/Climate_Indices

15- Awchi, T. A. & Kalyana M. M. (2017): Meteorological Drought Analysis In Northern Iraq Using Spi And Gis. Water Resources Management, 31(3), 451-463.

16- Dai, A. (2011): Characteristics And Trends In Various Forms Of The Palmer Drought Severity Index During 1900-2008. Journal Of Geophysical Research, 116, D12115.

17- Dukat, P. Bednorz, E. Ziemblinska, K. & Urbaniak, M. (2022): Trends In Drought Occurrence And Severity At Mid-Latitude European Stations (1951-2015) Estimated Using Standardized Precipitation (Spi) And Precipitation And Evapotranspiration (Spei) Indices. Meteorology And Atmospheric Physics, 134(1), 67-85.

18- Funk, C. Peterson, P. Landsfeld, M. Et Al. The Climate Hazards Infrared Precipitation With Stations—A New Environmental Record For Monitoring Extremes. Sci Data 2, 150066 (2015).

19- Gao, F. Zhang, Y. Ren, X. Et Al. (2018): Evaluation Of Chirps And Its Application For Drought Monitoring Over The Haihe River Basin, China. Natural Hazards, 92(1), 155-172.

20- Guttman, N. B. (1994): On The Sensitivity Of Sample L-Moments To Sample Size. Journal Of Climate, 7(7), 1026-1029.

21- Javanmard, S. Emamhadi, M. Bodaghjamali, J. & Didehvarasl, A. (2017). Spatial-Temporal Analysis Of Drought In Iran Using Spi During A Long-Term Period. Earth Sciences, 6(2), 15-29.

22- Rhee, J. Im, J. & Carbone, G. J. (2010): Monitoring Agricultural Drought For Arid And Humid Regions Using Multi-Sensor Remote Sensing Data. Remote Sensing Of Environment, 114(12), 2875-2887.

23- Kokilavani, S. Ramanathan, S. P. Dheebakaram, G. Sathyamoorthy, N. K. Maragatham, N. & Gowtham, R. (2021): Drought Intensity And Frequency Analysis Using Spi For Tamil Nadu, India. Current Science, 120(5), 885-892.

24- Koohi, S. Azizian, A. Brocca, L. (2021): Spatiotemporal Drought Monitoring Using Bottom-Up Precipitation Dataset (Sm2rain-Ascat) Over Different Regions Of Iran. Science Of The Total Environment, 779, 146535.

25- Liu, L. Hong, Y. Looper, J. Riley, R. Yong, B. Zhang, Z. Hocker, J. & Shafer, M. (2013): Climatological Drought Analyses And Projection Using Spi And Pdsi: Case Study Of The Arkansas Red River Basin. Journal Of Hydrologic Engineering, 18(7), 809-816.

26- Mckee, T. B. Doesken, N. J. & Kleist, J. (1993): The Relationship Of Drought Frequency And Duration To Time Scales. 8th Conference On Applied Climatology, Anaheim, California.

27- Mianabadi, A. Salari, K. & Pourmohamad, Y. (2022): Drought Monitoring Using The Long-Term Chirps Precipitation Over Southeastern Iran. Applied Water Science, 12(1), 183.

28- Muñoz Sabater, J. (2019): Era5-Land Monthly Averaged Data From 1981 To Present. Copernicus Climate Change Service (C3s) Climate Data Store (Cds). Retrieved From Https: //Cds.Climate.Copernicus.Eu/Cdsapp#!/Dataset/Reanalysis-Era5-Land?Tab=Overview.

29 Muñoz Sabater, J. (2021): Era5-Land Monthly Averaged Data From 1950 To 1980. Copernicus Climate Change Service (C3s) Climate Data Store (Cds). Retrieved From Https: //Cds.Climate.Copernicus.Eu/Cdsapp#!/Dataset/Reanalysis-Era5-Land?Tab=Overview.

30- Navidi Nassaj, B. Zohrabi, N. Nikbakht Shahbazi, A. & Fathian, H. (2021): Evaluation Of Global Gridded Precipitation Datasets For Drought Monitoring (Case Study: Great Karoon Watershed). Journal Of Water And Soil Resources Conservation, 10(3), 79-96.

31- Ojha, S. S. Singh, V. & Roshni, T. (2021): Comparison Of Meteorological Drought Using Spi And Spei. Civil Engineering Journal, 7(6), 1312-1323.

32- Das, P. Zhang, Z. & Ren, H. (2022): Evaluating The Accuracy Of Two Satellite-Based Quantitative Precipitation Estimation Products And Their Application For Meteorological Drought Monitoring Over The Lake Victoria Basin, East Africa. Geospatial Information Science, 25(3), 500-518.

33- Rahmat, S. N. Jayasuriya, N. & Bhuiyan, M. (2012): Trend Analysis Of Drought Using Standardized Precipitation Index (Spi) In Victoria, Australia. In Hydrology And Water Resources Symposium. Sydney, Australia.

34- Shamsnia, S. A. & Boustani, F. (2014): Application Of Remote Sensing Indices In The Assessment Of Meteorological Drought For Sustainable Development. Journal Of Civil Engineering And Environmental Technology, 1(5), 96-101.

35- Wu, W. Li, Y. Luo, X. Zhang, Y. Ji, X. & Li, X. (2019): Performance Evaluation Of The Chirps Precipitation Dataset And Its Utility In Drought Monitoring Over Yunnan Province, China. Geomatics, Natural Hazards And Risk, 10(1), 2145-2162.

36- Wilks, D. S. (2019). Statistical Methods In The Atmospheric Sciences. Elsevier.

37- World Meteorological Organization (Wmo). (2012): Standardized Precipitation Index User Guide (Wmo-No. 1090). World Meteorological Organization (Wmo). Isbn 978-92-63-11091-6.