پایش و روندیابی خشک‌سالی بر مبنای محصولات بارش ERA5، CHIRPS و PERSIANN-CDR در ایران

الموضوعات :

میلاد نوری ¹ , شادمان ویسی ²

1 - موسسه تحقیقات خاک و آب، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران.
2 - موسسه تحقیقات خاک و آب، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران.

تاريخ الإرسال : 18 الأربعاء , ذو القعدة, 1444 تاريخ التأكيد : 04 الأحد , صفر, 1445 تاريخ الإصدار : 04 الخميس , ذو الحجة, 1444

الکلمات المفتاحية: مناطق داده محدود, نوسانات اقلیمی, روندیابی, داده های جایگزین,

ملخص المقالة :

زمینه و هدف: کمبود داده‌ چالش قابل توجهی برای مطالعات خشک‌سالی است. مجموعه داده‌های جایگزین برای تکمیل منابع داده‌های موجود ایجاد و ارائه می‌شوند. با وجود عدم قطعیت ذاتی مرتبط با مجموعه داده‌های جایگزین، این مجموعه داده‌های شبکه‌بندی شده داده‌های آب و هوایی پیوسته و بلند مدت به لحاظ مکانی را فراهم می‌کنند و برای ارزیابی خشک‌سالی در تغییرات اقلیمی مناسب هستند. چندین مطالعه درباره مدل‌سازی دوره‌های خشک‌سالی در سراسر ایران با استفاده از مجموعه داده‌های نقطه‌ای و محصولات شبکه‌بندی صورت گرفته است. با این حال، بیشتر این مطالعات بر شناسایی خطاهای مربوط به مقادیرمطلق شاخص‌های خشک‌سالی و تشخیص خشک‌سالی تمرکز داشته‌اند.روش پژوهش: در این مطالعه، عملکرد سه مجموعه داده شبکه‌بندی ERA5، CHIRPS و PERSIANN-CDR در برآورد خشک‌سالی در شرایط اقلیمی مختلف ایران مورد ارزیابی قرار گرفت. مجموعه داده های مورد بررسی نسل پنجم مرکز اروپا برای پیش بینی هوای متوسط (ERA5)، بارش مادون قرمز گروه مخاطرات آب و هوا با داده های ایستگاه (CHIRPS) و تخمین بارش از اطلاعات سنجش از دور با استفاده از شبکه های عصبی مصنوعی- رکورد داده های آب و هوا ( PERSIANN-CDR). شاخص خشک سالی بارش استاندارد شده در سه بازه ی زمانی 3 (SPI3)، 6 (SPI6)، و 12 (SPI12) ماهه استفاده شد. داده های بارش از سازمان هواشناسی ایران برای 35 ایستگاه در بازه زمانی 1988 تا 2017 جمع‌آوری شد. نواحی مورد مطالعه شامل مناطق فراخشک، خشک، نیمه خشک و مرطوب/نیمه مرطوب بودند. برای تجزیه و تحلیل روند تغییرات بارش، از برآوردگر شیب سِن و آزمون ناپارامتری من کندال استفاده شد.یافته ها: نتایج نشان داد که داده‌های شبکه‌بندی در تشخیص ماه‌های خشک سالی و برآورد مقادیر شاخص ها در نواحی مرطوب/نیمه مرطوب عملکرد ضعیفی داشتند. با این وجود، داده های ERA5 مقدار شاخص های SPI3، SPI6، و SPI12 را در بیش از دو-سوم مناطق خشک و نیمه خشک با دقت مناسبی برآورد کردند. همچنین، ERA5 در اکثر مناطق خشک و نیمه خشک عملکرد مناسبی در تشخیص دوره‌های خشک سالی بلند مدت (SPI12) از خود نشان داد. به طور ویژه، داده های ERA5 رویدادهای خشک سالی شدید و طولانی‌مدت 1998-2001 و 2007-2009 را بخوبی در مناطق خشک و نیمه خشک تشخیص دادند. این دوره‌های خشک سالی شدید که توسط ERA5 تشخیص داده شده‌اند، تأثیرات منفی قابل توجهی بر بخش کشاورزی در خاورمیانه داشته‌اند، که این به نوبه خود نیاز حیاتی به نظارت و مدیریت دقیق خشک‌سالی را برجسته می‌کنند. لیکن داده های CHIRPS و PERSIANN-CDR عملکرد نامناسبی در تخمین مقدار SPI و تشخیص ماه های خشک سالی در اکثر مناطق خشک و نیمه خشک داشتند. علاوه بر این، داده های ERA5 برآوردی قابل اعتماد از معنی داری و جهت شیب SPI3، SPI6، و SPI12 در بیش از نیمی از مناطق خشک و نیمه خشک ارائه داد، در حالی که CHIRPS و PERSIANN-CDR برآورد‌های نادرستی در بیشتر مناطق ارائه کردند. با این حال، در برخی از موارد که مقادیر SPI و ماه‌های خشک‌سالی به درستی مدل‌سازی نشدند، معنی داری و جهت شیب به درستی تخمین زده شد. این یافته‌ها نشان می‌دهند که ممکن است برآورد‌های نادرست SPI مجموعه داده های شبکه بندی شده بیانگر محدودیت‌هایی در توانایی‌های تعریف خشکسالی باشد، اما این به معنی نامناسب بودن آن ها برای تجزیه و تحلیل روند و ارزیابی تغییرات اقلیمی نیست.نتایج: نتایج نشان می‌دهند که ERA5 عملکرد بهتری در برآورد مقادیر SPI، تشخیص دوره های خشک‌سالی و برآورد معنی داری و شیب SPI در مناطق خشک و نیمه خشک نسبت به سایر مجموعه‌ داده‌های جایگزین دارد. بنابراین، داده های بارش ERA5 می توانند برای مدل‌سازی و نظارت بر خشک‌سالی تحت تغییرات اقلیمی در مناطق خشک و نیمه خشک به کار روند.

المصادر:

Abarghouei, H. B., Zarch, M. A. A., Dastorani, M. T., Kousari, M. R., & Zarch, M. S. (2011). The survey of climatic drought trend in Iran. Stochastic environmental research and risk assessment, 25(6), 851-863.

Abebe, S. A., Qin, T., Yan, D., Gelaw, E. B., Workneh, H. T., Kun, W., Liu, S., & Dong, B. (2020). Spatial and Temporal Evaluation of the Latest High-Resolution Precipitation Products over the Upper Blue Nile River Basin, Ethiopia. Water, 12, 3072. https://doi.org/10.3390/w12113072

Abramowitz, M., & Stegun, I. A. (1964). Handbook of mathematical functions: with formulas, graphs, and mathematical tables. Courier Corporation.

Bannayan, M., Sanjani, S., Alizadeh, A., Lotfabadi, S., & Mohamadian, A. (2010). Association between climate indices, aridity index, and rainfed crop yield in northeast of Iran. Field Crops Research, 118(2), 105-114.

Bazrafshan, O., Zamani, H., & Shekari, M. (2019). A copula‐based index for drought analysis in arid and semi‐arid regions of Iran. Natural Resource Modeling, 33, e12237. https://doi.org/10.1111/nrm.12237

Bouaziz, M., Medhioub, E., & Csaplovisc, E. (2021). A machine learning model for drought tracking and forecasting using remote precipitation data and a standardized precipitation index from arid regions. Journal of Arid Environments, 189, 104478. https://doi.org/10.1016/j.jaridenv.2021.104478

Dai, A. (2011). Drought under global warming: a review. Wiley Interdisciplinary Reviews: Climate Change, 2(1), 45-65. https://doi.org/10.1002/wcc.81

Darand, M., Amanollahi, J., & Zandkarimi, S. (2017). Evaluation of the performance of TRMM Multi-satellite Precipitation Analysis (TMPA) estimation over Iran. Atmospheric Research, 190, 121-127. https://doi.org/10.1016/j.atmosres.2017.02.011

Darand, M., & Pazhoh, F. (2022). Spatiotemporal changes in precipitation concentration over Iran during 1962–2019. Climatic Change, 173, 25. https://doi.org/10.1007/s10584-022-03421-z

Dashtpagerdi, M. M., Kousari, M. R., Vagharfard, H., Ghonchepour, D., Hosseini, M. E., & Ahani, H. (2015). An investigation of drought magnitude trend during 1975–2005 in arid and semi-arid regions of Iran. Environmental Earth Sciences, 73(3), 1231-1244. https://doi.org/10.1007/s12665-014-3477-1

Dee, D. P., Balmaseda, M., Balsamo, G., Engelen, R., Simmons, A. J., & Thépaut, J. N. (2014). Toward a Consistent Reanalysis of the Climate System. Bulletin of the American Meteorological Society, 95(8), 1235-1248. https://doi.org/10.1175/bams-d-13-00043.1

Edwards, D. C., & McKee, T. B. (1997). Characteristics of 20th Century drought in the United States at multiple time scales, Atmospheric Science Paper No. 634, Climatology Report No. 97-2. C. Department of Atmospheric Science Colorado State University Fort Collins, USA.

Funk, C., Peterson, P., Landsfeld, M., Davenport, F., Becker, A., Schneider, U., Pedreros, D., McNally, A., Arsenault, K., Harrison, L., & Shukla, S. (2020). Algorithm and Data Improvements for Version 2.1 of the Climate Hazards Center’s InfraRed Precipitation with Stations Data Set. In V. Levizzani, C. Kidd, D. B. Kirschbaum, C. D. Kummerow, K. Nakamura, & F. J. Turk (Eds.), Satellite Precipitation Measurement: Volume 1 (pp. 409-427). Springer International Publishing. https://doi.org/10.1007/978-3-030-24568-9-23.

Gao, F., Zhang, Y., Ren, X., Yao, Y., Hao, Z., & Cai, W. (2018). Evaluation of CHIRPS and its application for drought monitoring over the Haihe River Basin, China. Natural Hazards, 92(1), 155-172. https://doi.org/10.1007/s11069-018-3196-0

Ghozat, A., Sharafati, A., & Hosseini, S. A. (2022). Satellite-based monitoring of meteorological drought over different regions of Iran: application of the CHIRPS precipitation product. Environmental Science and Pollution Research, 29, 36115-36132. https://doi.org/10.1007/s11356-022-18773-3

Godfray, H. C. J., Beddington, J. R., Crute, I. R., Haddad, L., Lawrence, D., Muir, J. F., Pretty, J., Robinson, S., Thomas, S. M., & Toulmin, C. (2010). Food security: the challenge of feeding 9 billion people. Science, 327(5967), 812-818.

Hersbach, H., Bell, B., Berrisford, P., Hirahara, S., Horányi, A., Muñoz‐Sabater, J., Nicolas, J., Peubey, C., Radu, R., Schepers, D., Simmons, A., Soci, C., Abdalla, S., Abellan, X., Balsamo, G., Bechtold, P., Biavati, G., Bidlot, J., Bonavita, M., Chiara, G., Dahlgren, P., Dee, D., Diamantakis, M., Dragani, R., Flemming, J., Forbes, R., Fuentes, M., Geer, A., Haimberger, L., Healy, S., Hogan, R. J., Hólm, E., Janisková, M., Keeley, S., Laloyaux, P., Lopez, P., Lupu, C., Radnoti, G., Rosnay, P., Rozum, I., Vamborg, F., Villaume, S., & Thépaut, J. N. (2020). The ERA5 global reanalysis. Quarterly Journal of the Royal Meteorological Society, 146, 1999-2049. https://doi.org/10.1002/qj.3803

Kam, J., Min, S.-K., Park, C.-K., Kim, B.-H., & Kug, J.-S. (2022). Human Contribution to 2020/21-like Persistent Iran Meteorological Droughts. Bulletin of the American Meteorological Society, 103(12), E2930-E2936. https://doi.org/10.1175/bams-d-22-0149.1

Karimi, M. and Heidari, S. (2023). Variability and trend of changes in the severity-area of drought and wet in Iran. Journal of Natural Environmental Hazards 12, 129-150. [in Persian]

Kazemzadeh, M., Noori, Z., Alipour, H., Jamali, S., Akbari, J., Ghorbanian, A., & Duan, Z. (2022). Detecting drought events over Iran during 1983–2017 using satellite and ground-based precipitation observations. Atmospheric Research, 269, 106052. https://doi.org/https://doi.org/10.1016/j.atmosres.2022.106052

Keikhosravi‐Kiany, M. S., Masoodian, S. A., Balling, R. C., & Darand, M. (2021). Evaluation of Tropical Rainfall Measuring Mission, Integrated Multi‐satellite Retrievals for GPM, Climate Hazards Centre InfraRed Precipitation with Station data, and European Centre for Medium‐Range Weather Forecasts Reanalysis v5 data in estimating precipitation and capturing meteorological droughts over Iran. International Journal of Climatology, 42, 2039-2064. https://doi.org/10.1002/joc.7351

McKee, T. B., Doesken, N. J., & Kleist, J. (1993). The relationship of drought frequency and duration to time scales. Proceedings of the 8th Conference on Applied Climatology, Anaheim, California,17–22 January.

Miller, D. E., Wang, Z., Li, B., Harnos, D. S., & Ford, T. (2021). Skillful Subseasonal Prediction of United States Extreme Warm Days and Standardized Precipitation Index in Boreal Summer. Journal of Climate, 34, 5887-5898. https://doi.org/10.1175/jcli-d-20-0878.1

Moriasi, D. N., Arnold, J. G., Van Liew, M. W., Bingner, R. L., Harmel, R. D., & Veith, T. L. (2007). Model Evaluation Guidelines for Systematic Quantification of Accuracy in Watershed Simulations. Transactions of the ASABE, 50(3), 885-900. https://doi.org/https://doi.org/10.13031/2013.23153

Mukherjee, S., Mishra, A., & Trenberth, K. E. (2018). Climate Change and Drought: a Perspective on Drought Indices. Current Climate Change Reports, 4(2), 145-163. https://doi.org/10.1007/s40641-018-0098-x

Nguyen, P., Ashouri, H., Ombadi, M., Hayatbini, N., Hsu, K.-L., & Sorooshian, S. (2020). PERSIANN-CDR for Hydrology and Hydro-climatic Applications. In V. Levizzani, C. Kidd, D. B. Kirschbaum, C. D. Kummerow, K. Nakamura, & F. J. Turk (Eds.), Satellite Precipitation Measurement: Volume 2 (pp. 993-1012). Springer International Publishing. https://doi.org/10.1007/978-3-030-35798-6_26

Nouri, M., & Homaee, M. (2018). On modeling reference crop evapotranspiration under lack of reliable data over Iran. Journal of Hydrology, 566, 705-718. https://doi.org/10.1016/j.jhydrol.2018.09.037

Nouri, M., & Homaee, M. (2020). Drought trend, frequency and extremity across a wide range of climates over Iran. Meteorological Applications, 27, e1899. https://doi.org/10.1002/met.1899

Nouri, M., & Homaee, M. (2021a). Contribution of soil moisture variations to high temperatures over different climatic regimes. Soil and Tillage Research, 213, 105115. https://doi.org/https://doi.org/10.1016/j.still.2021.105115

Nouri, M., & Homaee, M. (2021b). Spatiotemporal changes of snow metrics in mountainous data-scarce areas using reanalyses. Journal of Hydrology, 603, 126858. https://doi.org/10.1016/j.jhydrol.2021.126858

OCHA. (2000). United Nations technical mission on the drought situation in the Islamic republic of Iran (UN Mission Report, Issue).

Sadat Hoseeni, Z., Moghaddasi, m., & Paimozd, S. (2022). Accuracy Assessment of ECMWF Datasets in Prediction of Climate Data and Drought Monitoring of Garechai Basin of Markazi Province. Iranian Journal of Soil and Water Research, 53, 715-732. [in Persian]

Sadeghi, A., Kamgar-Haghighi, A., Sepaskhah, A., Khalili, D., & Zand-Parsa, S. (2002). Regional classification for dryland agriculture in southern Iran. Journal of Arid Environments, 50(2), 333-341.

Salami, H., Shahnooshi, N., & Thomson, K. J. (2009). The economic impacts of drought on the economy of Iran: An integration of linear programming and macroeconometric modelling approaches. Ecological Economics, 68(4), 1032-1039. https://doi.org/10.1016/j.ecolecon.2008.12.003

Santos, C. A. G., Brasil Neto, R. M., Nascimento, T., Silva, R. M. D., Mishra, M., & Frade, T. G. (2021). Geospatial drought severity analysis based on PERSIANN-CDR-estimated rainfall data for Odisha state in India (1983-2018). Science of the Total Environment, 750, 141258.

Sen, P. K. (1968). Estimates of the Regression Coefficient Based on Kendall's Tau. Journal of the American Statistical Association, 63(324), 1379-1389. https://doi.org/10.1080/01621459.1968.10480934

Sheffield, J., Wood, E. F., Pan, M., Beck, H., Coccia, G., Serrat‐Capdevila, A., & Verbist, K. (2018). Satellite Remote Sensing for Water Resources Management: Potential for Supporting Sustainable Development in Data‐Poor Regions. Water Resources Research, 54(12), 9724-9758. https://doi.org/10.1029/2017wr022437

Tabari, H., Abghari, H., & Hosseinzadeh Talaee, P. (2012). Temporal trends and spatial characteristics of drought and rainfall in arid and semiarid regions of Iran. Hydrological Processes, 26(22), 3351-3361. https://doi.org/10.1002/hyp.8460

Taghizadeh, E., Ahmadi-Givi, F., Brocca, L., & Sharifi, E. (2021). Evaluation of satellite/reanalysis precipitation products over Iran. International Journal of Remote Sensing, 42(9), 3474-3497. https://doi.org/10.1080/01431161.2021.1875508

Trigo, R. M., Gouveia, C. M., & Barriopedro, D. (2010). The intense 2007–2009 drought in the Fertile Crescent: Impacts and associated atmospheric circulation. Agricultural and Forest Meteorology, 150(9), 1245-1257.

UNEP. (1997). World atlas of desertification. Arnold, Hodder Headline, PLC.

Vicente‐Serrano, S. M., Domínguez‐Castro, F., Reig, F., Tomas‐Burguera, M., Peña‐Angulo, D., Latorre, B., Beguería, S., Rabanaque, I., Noguera, I., Lorenzo‐Lacruz, J., & El Kenawy, A. (2022). A global drought monitoring system and dataset based on ERA5 reanalysis: A focus on crop‐growing regions. Geoscience Data Journal, 00, 1-14. https://doi.org/10.1002/gdj3.178

Wang, J., Zhang, Q., Zhang, L., Wang, Y., Yue, P., Hu, Y., & Ye, P. (2022). The global pattern and development trends & directions on the drought monitoring research from 1983 to 2020 by using bibliometric analysis. Bulletin of the American Meteorological Society. Wright, B., & Cafiero, C. (2011). Grain reserves and food security in the Middle East and North Africa [journal article]. Food Security, 3(1), 61-76. https://doi.org/10.1007/s12571-010-0094-z

Xiong, W., Tang, G., Wang, T., Ma, Z., & Wan, W. (2022). Evaluation of IMERG and ERA5 Precipitation-Phase Partitioning on the Global Scale. Water, 14(7). https://doi.org/10.3390/w14071122

Yue, S. and Wang, C. (2004). The Mann-Kendall Test Modified by Effective Sample Size to Detect Trend in Serially Correlated Hydrological Series. Water Resources Management, 18, 201-218.