توسعه مدل های واریوگرام به دست آمده از مجموعه-داده های ماهواره ای خانواده PERSIANN و TRMM 3B43 V. 7 در استان فارس

محورهای موضوعی : برگرفته از پایان نامه

کیوان خجند ¹ , محمود رضا شقاقیان ^{2 *} , زهرا قدم پور ³ , تورج سبزواری ⁴

1 - گروه مهندسی عمران، دانشکده مهندسی، واحد استهبان، دانشگاه آزاد اسلامی، استهبان، ایران
2 - گروه عمران، دانشکده مهندسی، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران
3 - گروه مهندسی عمران، دانشکده مهندسی، واحد استهبان، دانشگاه آزاد اسلامی، استهبان، ایران
4 - گروه مهندسی عمران، دانشکده مهندسی، واحد استهبان، دانشگاه آزاد اسلامی، استهبان، ایران

تاریخ دریافت : 1402/02/11 تاریخ پذیرش : 1402/05/17 تاریخ انتشار : 1402/11/25

کلید واژه: واریوگرام, مجموعه-داده¬های ماهوراره¬ای, مدل گوسی, حذف روند,

چکیده مقاله :

مقدمه: داده ­های بارندگی معمولاً یکی از اجزای جدایی ناپذیر اغلب مدل­ های هیدرولوژیکی به حساب می­ آیند. از این­ رو­ می ­بایستی شناخت مناسبی از توزیع مکانی و زمانی این­ گونه داده­ ها، قبل از استفاده در مدل ­های مربوطه حاصل گردد. این موضوع مستلزم دسترسی به آمار کافی پدیده بارش می­ باشد. با توجه به هزینه و عدم دسترسی به آمار پایش باران در نقاط مختلف، مجموعه-داده ­های مبتنی بر اندازه­ گیری­های ماهواره­ای می­ تواند در این راستا بسیار موثر باشد.

روش­: در این تحقیق، 4 مجموعه­-داده­ ماهواره­ای (PERSIANN، PERSIANN-CDR، PERSIANN-CCS و TRMM 3B43 V. 7) برای به دست آوردن و بهسازی منحنی­ های واریوگرام میانگین بارندگی سالیانه در استان فارس، با هم مقایسه گردیده ­اند. برای ارزیابی آن ها، از مقادیر مشاهداتی در 23 ایستگاه پایش زمینی در منطقه مورد مطالعه استفاده شده است.

یافته­ ها: با مقایسه داده­های مشاهداتی و ماهواره­ای، ملاحظه گردید که علاوه بر عدم تطابق مقادیر مجموعه-داده ­های به دست آمده از داده­ های ماهواره­ای با مشاهدات ایستگاه ­های پایش زمینی (به عنوان مثال، ضریب رگرسیون مجموعه-داده ­های مورد استفاده از خانواده PERSIANN و TRMM با مشاهدات ایستگاه­ های زمینی به ترتیب 35/0 و 65/0 می­ باشد)، این مجموعه-داده­ها ناهمسان گرد بوده و منحنی­ های واریوگرام به ­دست آمده از آن ها نامحدود می ­باشند که این موارد کاربرد آن ها را در اغلب کاربردهای هیدرولوژیکی سخت می­ نماید. بنابراین، با حذف روند چندجمله­ ای‌های درجه 1 یا درجه 2، برای همسان گرد نمودن مجموعه­-داده­ های مبتنی بر داده­ های ماهواره­ای و جدا نمودن بخش غیرتصادفی از آن ها اقدام به عمل آمد. پس از حذف روند از مجموعه­-داده ­ها، دو مجموعه-داده تهیه شده از داده ­های اولیه مبتنی بر PERSIANN-CCS و TRMM 3B43 V. 7 دارای خصوصیات قابل قبول بوده و همسان گرد به ­دست می­ آید، به طوری­که شاخص محدودیت منحنی واریوگرام به حداکثر 85/0 و 31/0 رسیده است.

نتیجه­ گیری: از میان مدل­ های مختلف واریوگرام تئوری نیز، مدل گوسی به عنوان مدل منتخب برای بیان واریوگرام مجموعه-داده­ های ماهواره­ای انتخاب گردید. بنابراین، ملاحظه می­ گردد که با استفاده از یافته­ های این مطالعه، می توان حتی در مناطقی که فاقد ایستگاه­ های پایش زمینی هستند، با استفاده از برخی مجموعه­-داده­ های منتخب ماهواره­ای ومدل مناسب واریوگرام بارندگی را به دست آورده و در سایر مدل های هیدرولوژیکی استفاده نمود.

چکیده انگلیسی:

Introduction: Precipitation data plays a crucial role in hydrological models, and it is important to have a good understanding of its spatial and temporal distribution before incorporating it into these models. Access to sufficient statistics on precipitation events is necessary to address this issue. However, due to the cost and limited availability of ground-based rain monitoring statistics in various locations, satellite-derived datasets can be a highly effective alternative.

Methods: In the current study four satellite-derived datasets (PERSIANN, PERSIANN-CDR, PERSIANN-CCS, and TRMM 3B43 V.7) were compared to assess and enhance the variogram curves of average annual precipitation. Ground-based observations from 23 stations in the area were utilized to evaluate the datasets.

Findings: The regression coefficient of the employed PERSIANN and TRMM families' satellite-derived datasets with ground-based observations were found to be 0.35 and 0.65, respectively. These datasets were found to be anisotropic, meaning that their characteristics vary directionally, and the variogram curves obtained from them were unbounded. These factors make their use challenging in most hydrological applications. To mitigate these issues, the trend of 1st or 2nd order polynomials was removed from the datasets in order to make them isotropic and separate the non-random component. After trend removal, the resulting two datasets prepared based on PERSIANN-CCS and TRMM 3B43 V.7 exhibited acceptable characteristics and isotropy. The bound indices of the variograms reached approximately 0.85 and 0.31, respectively. Among various models of theoretical variogram, the Gaussian model was selected as the most suitable model to express the variogram of the satellite-derived precipitation datasets.

منابع و مأخذ:

1. Shaghaghian MR, Abedini MJ. Rain gauge network design using coupled geostatistical and multivariate techniques. Scientia Iranica. 2013;20(2):259–69.
2. Huang Y, Bárdossy A, Zhang K. Sensitivity of hydrological models to temporal and spatial resolutions of rainfall data. Hydrol Earth Syst Sci. 2019;23(6):2647–63.
3. Shirvani A. Comparison of ground based observation of precipitation with TRMM satellite estimations in Fars Province. Journal of Agricultural Meteorology. 2014;2(2):1–15 [In persian].
4. Kiany MSK, Masoodian SA, Balling Jr RC, Montazeri M. Evaluation of the TRMM 3B42 product for extreme precipitation analysis over southwestern Iran. Advances in Space Research. 2020;66(9):2094–2112.
5. Salmani-Dehaghi N, Samani N. Spatiotemporal assessment of the PERSIANN family of satellite precipitation data over Fars Province, Iran. Theor Appl Climatol. 2019;138(3):1333–57.
6. Mahbod M, Safari S, Rafiee MR. Spatial downscaling of TRMM satellite precipitation data by NDVI, DEM and surface temperature using regression learner methods. Watershed Engineering and Management. 2022;14(3):347–61 [In Persian].
7. Mikaili O, Rahimzadegan M. Investigating remote sensing indices to monitor drought impacts on a local scale (case study: Fars province, Iran). Natural Hazards. 2022;111(3):2511–29.
8. Khojand K, Shaghaghian MR, Ghadampour Z, Sabzevari T. Validity, reliability and certainty of PERSIANN and TRMM satellite-derived daily precipitation data in arid and semiarid climates. Acta Geophysica. 2022;70(4):1745–67.
9. Gutierrez-Lopez A. A Robust Gaussian variogram estimator for cartography of hydrological extreme events. Natural Hazards. 2021;107(2):1469–88.
10. Shehu B, Haberlandt U. Relevance of merging radar and rainfall gauge data for rainfall nowcasting in urban hydrology. J Hydrol (Amst). 2021;594:125931.
11. Zou W yue, Yin S qing, Wang W ting. Spatial interpolation of the extreme hourly precipitation at different return levels in the Haihe River basin. J Hydrol (Amst). 2021;598:126273.
12. Bárdossy A, Modiri E, Anwar F, Pegram G. Gridded daily precipitation data for Iran: A comparison of different methods. J Hydrol Reg Stud. 2021;38:100958.
13. Saghafian B, Razmkhah H., Ghermez Cheshmeh B. Spatial mapping of the mean annual precipitation using geostatistics techniques (Case study: Fars province). 2011;4(9):29–38 [In Persian].
14. Alijanian M, Rakhshandehroo GR, Mishra AK, Dehghani M. Evaluation of satellite rainfall climatology using CMORPH, PERSIANN‐CDR, PERSIANN, TRMM, MSWEP over Iran. International Journal of Climatology. 2017;37(14):4896–914.
15. Usowicz B, Lipiec J, Łukowski M, Słomiński J. Improvement of spatial interpolation of precipitation distribution using cokriging incorporating rain-gauge and satellite (SMOS) soil moisture data. Remote Sens (Basel). 2021;13(5):1039.
16. Vallejo-Bernal SM, Urrea V, Bedoya-Soto JM, Posada D, Olarte A, Cárdenas-Posso Y, et al. Ground validation of TRMM 3B43 V7 precipitation estimates over Colombia. Part I: Monthly and seasonal timescales. Int J Climatol. 2021;41(1):601–24.
17. Isaaks EH. Applied Geostatistics. Oxford University Press; 1989.
18. Shaghaghian MR. Application of transformed data in rain gauge network design using entropy concept. Water Resources Engineering. 2017;10(33):73–82 [In Persian].