ارزیابی داده‌های بارش شبکه‌بندی جهانی در پایش خشکسالی (مطالعه موردی: حوضه‌ی آبریز کارون بزرگ)

محورهای موضوعی : مدیریت آب در مزرعه با هدف بهبود شاخص های مدیریتی آبیاری

بهزاد نویدی نساج ¹ (گروه مهندسی منابع آب، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران.)
نرگس ظهرابی ² (گروه مهندسی منابع آب، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران)
علیرضا نیکبخت شهبازی ³ (گروه مهندسی منابع آب، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران.)
حسین فتحیان ⁴ (گروه مهندسی منابع آب‌، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران.)

تاریخ دریافت : 1399/09/11 تاریخ پذیرش : 1399/11/14 تاریخ انتشار : 1400/03/01

کلید واژه: SPI, حوضه کارون بزرگ, زمانی-مکانی, بارش شبکه‌بندی, خشکسالی,

چکیده مقاله :

در این پژوهش عملکرد زمانی و مکانی 5 مجموعه داده‌ی بارش شبکه‌بندی جهانی شامل GPCC V8، CHIRPS V2، ECMWF ERA5، NASA MERRA2 و PERSIANN-CDR (PCDR) در پایش خشکسالی مورد ارزیابی قرار گرفته است. به این منظور از شاخص خشکسالی بارش استاندارد شده (SPI) و اطلاعات بارش 13 ایستگاه سینوپتیک سازمان هواشناسی ایران طی دوره‌ی سی ساله‌ی 2016-1987 استفاده شده است. مقایسه‌ها بر مبنای شاخص‌های کارائی شامل: همبستگی، خطای جذر میانگین مربعات (RMSE)، ضریب کارائی نش-ساتکلیف، و شاخص توافق اصلاح شده (MAI) و همچنین شاخص‌های تعیین دقت تشخیص خشکسالی شامل: نسبت هشداردهی اشتباه (FAR)، احتمال تشخیص (POD) و شاخص موفقیت قطعی (CSI) انجام گرفته است. نتایج نشان داد که مجموعه داده‌های GPCC، ERA5، PCDR توافق قوی با SPI مشاهداتی داشته‌اند به طوریکه روند و وقایع خشکسالی را به خوبی نشان داده‌اند و R2 آن‌ها با SPI مشاهداتی به ترتیب 90/0 < ، 89/0 < و 90/ < بوده است. همچنین میزان RMSE آن‌ها نسبت به CHIRPS و MERRA2 پایین‌تر و ضریب نش ساتکلیف و MAI آن‌ها بالاتر بوده است. نتایج همچنین نشان داد در بیشتر بخش‌های حوضه خصوصا شمال شرقی و جنوب غربی GPCC، ERA5 و PCDR دارای همبستگی و NSE بالاتری نسبت به سایر مجموعه داده‌ها بودند. از نظر تشخیص وقایع خشکسالی نیز مجموعه داده‌های GPCC، ERA5 وPCDR قدرت خوبی در 1- < SPI نشان دادند. با این حال در شدت‌های بالای خشکسالی میزان CSI تمامی مجموعه داده‌ها با روندی نزولی همراه بوده و بنابراین قدرت تشخیص وقایع خشکسالی کاهش یافته است. CHIRPS و MERRA2 عملکرد متوسط و ضعیفی در پایش خشکسالی این حوضه نشان داده‌اند.

چکیده انگلیسی:

In this study, the Spatio-temporal performance of 5 global gridded precipitation datasets including GPCC V8, CHIRPS V2, ECMWF ERA5, NASA MERRA2, and PERSIANN-CDR (PCDR) in drought monitoring has been evaluated. For this purpose, the standardized precipitation index (SPI) and precipitation information of 13 synoptic stations of the Meteorological Organization of Iran during the thirty years of 1987-2016 has been used. Comparisons were carried out based on performance indices include correlation, mean square root error (RMSE), Nash-Sutcliffe efficiency coefficient, and modified agreement index (MAI) as well as drought detection accuracy metrics including False Alarm Ratio (FAR), probability of detection (POD) and the Critical Success Index (CSI). The results showed that GPCC, ERA5, PCDR datasets had a strong agreement with SPI observations so that they showed the drought trends and situations well and their R2 with observational SPI was

منابع و مأخذ:

پیل‌پایه، ع.، شایقی، ا.، باختر، ا.، رحمتی. و وطن‌خواه، ا. 1399. ارزیابی منابع بارش جهانی با قدرت تفکیک زمانی و مکانی بالا در سطح حوضه درده‌رود اردبیل. نشریه حفاظت منابع آب و خاک، 9(4)، 1-20.

حسینی موغاری، س.، عراقی نژاد، ش. و ابراهیمی، ک. 1395. ارزیابی پایگاه‌های جهانی داده‌های بارش و کاربرد آن‌ها در پایش خشکسالی (مطالعه موردی: حوضه کرخه)، هواشناسی کشاورزی، 4(2): 14-26.

رحمتی، ا. و مساح بوانی، ع. 1398. ارزیابی پایگاه داده‌های جهانی بارش برای استفاده در مدل‌های فیزیکی، مطالعه موردی: حوزه آبریز کارون، تحقیقات منابع آب ایران، 15 (1): 178-192.

زارعی، ک.، محمدی، حسین. و بازگیر، س. 1398. پیش‌بینی عناصر اقلیمی دما و بارش ایستگاه سینوپتیک گرگان براساس سناریوهای RCP، پژوهش‌های جغرافیای طبیعی، 51(4): 5563-579.

میری، م.، رضیئی، ط. و رحیمی، م. 1395. ارزیابی و مقایسه آماری داده‌های بارش TRMM و GPCC با داده‌های مشاهده‌ای در ایران، فیزیک زمین و فضا، 42 (3): 657-672.

نویدی نساج، ب.، ظهرابی، ن.، شهبازی، ع. 1398. تحلیل یکپارچه اثر بهبود راندمان آبیاری بر شاخص‌های اعتمادپذیری و آسیب‌پذیری سیستم منابع آب با در نظر گرفتن نوسانات آبدهی (مطالعه موردی حوضه دز). مجله علوم آب و خاک، ۲۳ (۲) :۳۷۹-۳۹۵.

Abbasian, M. S., Najafi, M. R. and Abrishamchi, A. 2020. Increasing risk of meteorological drought in the Lake Urmia basin under climate change: Introducing the precipitation–temperature deciles index. Journal of Hydrology, 125586.

Akinsanola, A. A., Ogunjobi, K., Ajayi, V., Adefisan, E., Omotosho, J. and Sanogo, S. 2017. Comparison of five gridded precipitation products at climatological scales over West Africa. Meteorology and Atmospheric Physics, (6) 129, 669-689.

Amini, A., Abdeh Kolahchi, A., Al-Ansari, N., Karami Moghadam, M. and Mohammad, T. 2019. Application of TRMM Precipitation Data to Evaluate Drought and Its Effects on Water Resources Instability. Applied Sciences, 924: 5377.

Behrangi, A., Fetzer, E. J. and Granger, S. L. 2016. Early detection of drought onset using near surface temperature and humidity observed from space. International Journal of Remote Sensing, 3716: 3911-3923.

Butu, H. M., Seo, Y. and Huh, J. S. 2020. Determining extremes for future precipitation in South Korea based on RCP scenarios using non-parametric SPI. Sustainability, 12(3): 963.

Chen, F. and Liu, C. 2012. Estimation of the spatial rainfall distribution using inverse distance weighting (IDW) in the middle of Taiwan. Paddy and Water Environment 10 (3), 209-222.

Darand, M. and Khandu, K. 2020. Statistical evaluation of gridded precipitation datasets using rain gauge observations over Iran. Journal of Arid Environments, 178: 104172.

Deng, X., Nie, S., Deng, W and Cao, W. 2017. Statistical evaluation of the performance of gridded monthly precipitation products from reanalysis data, satellite estimates, and merged analyses over China. Theoretical and Applied Climatology, 132(1-2): 621-637. 

Gringorten, I. 1963. A plotting rule for extreme probability paper. Journal of Geophysical Research, 68 (3), 813-814.

Farahmand, A. and AghaKouchak, A. 2015. A generalized framework for deriving nonparametric standardized drought indicators. Advances in Water Resources, 76: 140-145.

Faiz, M. A., Liu, D., Fu, Q., Sun, Q., Li, M., Baig., Li, T. and Cui, S. How accurate are the performances of gridded precipitation data products over Northeast China. Atmospheric Research 211 (1), 12:20.

Gao, Y. C. and Liu, M. F. 2013. Evaluation of high-resolution satellite precipitation products using rain Gauge observations over the Tibetan Plateau. Hydrology and Earth System Sciences, 17(2): 837-849.

Golian, S., Javadian, M. and Behrangi, A. 2019. On the use of satellite, gauge, and reanalysis precipitation products for drought studies. Environmental Research Letters, 147: 075005.

Hao, Z. and AghaKouchak, A. 2014. A Nonparametric multivariate multi-index drought monitoring framework. Journal of Hydrometeorology, 15(1): 89-101.

Islam, M. A., Yu, B. and Cartwright, N. 2020. Assessment and comparison of five satellite precipitation products in Australia. Journal of Hydrology, 590: 125474.

Liu, X., Feng, X., Ciais, P., Fu, B., Hu, B. and Sun, Z. 2020. GRACE satellite-based drought index indicating increased impact of drought over major basins in China during 2002–2017. Agricultural and Forest Meteorology, 291: 108057.

Madani, K., AghaKouchak, A. and Mirchi, A. 2016. Iran’s Socio-economic Drought: Challenges of a Water-Bankrupt Nation. Iranian Studies, 496: 997-1016.

Nash, J. and Sutcliffe, J. 1981. River flow forecasting through conceptual models part I - A discussion of principles. Journal of hydrology, 10 (3), 282-290.

Pour, S. H., Wahab, A. K. and Shahid, S. 2020. Spatiotemporal changes in aridity and the shift of drylands in Iran. Atmospheric Research, 233: 104704.

Satgé, F., Defrance, D., Sultan, B., Bonnet, M., Seyler, F., Rouché, N. and Pierron, F. 2020. Evaluation of 23 gridded precipitation datasets across West Africa. Journal of Hydrology, 581: 124412.

Shah, R. and Mishra, V. 2014. Evaluation of the Reanalysis Products for the Monsoon Season Droughts in India. Journal of Hydrometeorology, 154: 1575-1591.

Sharafati, A., Nabaei, S. and Shahid, S. 2019. Spatial assessment of meteorological drought features over different climate regions in Iran. International Journal of Climatology, 403: 1864-1884.

Su, F.G., Gao, H., Huffman, G.J. and Lettenmaier, D.P. 2011. Potential utility of the real-time TMPA-RT precipitation estimates in streamflow prediction. Journal of Hydrometeorology, 12 (3), 444–455.

Suliman, A. H., Awchi, T. A., Al-Mola, M. and Shahid, S. 2020. Evaluation of remotely sensed precipitation sources for drought assessment in Semi-Arid Iraq. Atmospheric Research, 242: 105007.

Sun, Q., Miao, C., Duan, Q., Ashouri, H., Sorooshian, S. and Hsu, K. 2018. A Review of Global Precipitation Data Sets: Data Sources, Estimation, and Intercomparisons. Reviews of Geophysics, 561: 79-107.

Svoboda, M., Hayes, M., Wood, D., 2012. Standardized Precipitation Index User Guide. World Meteorology. Organization, Geneva, Switzerland, 24p.

Tan, M., Samat, N., Chan, N. and Roy, R. 2018. Hydro-Meteorological Assessment of Three GPM Satellite Precipitation Products in the Kelantan River Basin, Malaysia. Remote Sensing, 10 (7), 1-15.

Wei, L., Jiang, S. and Ren, L. 2020. Evaluation and comparison of three long-term gauge-based precipitation products for drought monitoring over mainland China from 1961 to 2016. Natural Hazards, 1042: 1371-1387.

Willmott, C. 1981. On the validation of models. Physical Geography, 2 (2), 184-194.

Yao, J., Chen, Y., Yu, X., Zhao, Y., Guan, X. and Yang, L. 2020. Evaluation of multiple gridded precipitation datasets for the arid region of northwestern China. Atmospheric Research, 236: 104818. https://doi.org/10.1016/j.atmosres.2019.104818.

Zhou, H., and Liu, Y. 2016. SPI based meteorological drought assessment over a humid basin: Effects of processing schemes. Water, 8(9): 373.