داده های بارش ماهواره ای به‌ صورت گسترده جهت تخمین بارش بخصوص در مناطقی که پراکنش ایستگاه های باران سنجی نامناسب و ناکافی هستند، مورداستفاده قرار می گیرند. بااین‌وجود، وضوح مکانی کم این نوع داده ها، کاربرد آن‌ها را با محدودیت هایی در مطالعات هیدرولوژیکی حوزه های آبریز و در مقیاس منطقه ای مواجه کرده است. بنابراین حفظ دقت برآورد بارش توسط ماهواره ها و دستیابی به مقیاس مکانی مناسب در مطالعات هیدرولوژیک هدف اصلی این مطالعه قرار گرفت. در این تحقیق روش رگرسیون وزنی جغرافیایی (GWR) برای ریز مقیاس نمایی مکانی داده‌های بارندگی ماهواره‌ای تی آر ام ام (TRMM-3B42V7) در سال آبی 90-89 برای حوزه آبریز سد دز واقع در جنوب غرب ایران مورد ارزیابی قرار گرفت. ریزمقیاس نمایی با ایجاد روابط ناایستا بین بارش TRMM و ویژگی های به‌دست‌آمده از مدل ارتفاع رقومی (DEM)، شاخص پوشش گیاهی نرمال شده (NDVI)، شاخص گیاهی بهبود یافته (EVI) و دمای سطح زمین (LST) انجام شد. نتایج نشان می دهند که داده های بارش ریزمقیاس شده در مقیاس مکانی 1 کیلومتر به‌طور معنی‌داری تفکیک مکانی را بهبود داده و با داده های مشاهداتی ایستگاه های باران سنجی از تطابق خوبی برخوردارند. به طوری که برای بارش تجمعی 16 روزه، مقادیر آماره های جذر میانگین مربعات خطا (RMSE) و میانگین مطلق خطا (MAE) به ترتیب برابر با 22.7 و 7.45 میلی‌متر هستند. بااین‌وجود میزان دقت مدل در مکان ها مختلف متفاوت بوده و به شرایط پوشش گیاهی وابستگی زیادی دارد. پرونده مقاله

با توجه به پیشرفت های صورت گرفته در فناوری سنجش‌ازدور، جمع آوری اطلاعات از وضعیت کیفی منابع آب سطحی به وسیله این فناوری ضمن کاهش هزینه و زمان نمونه برداری های سنتی، می تواند تمامی پهنه های آب سطحی را مورد پایش قرار دهد. در این مطالعه قابلیت تصاویر ماهواره سنتینل-2 جهت برآورد غلظت پارامترهای اسیدیته، بیکربنات و سولفات موردبررسی قرار گرفت. ابتدا تصاویر ماهواره سنتینل-2 پیش پردازش شد و سپس باندها و شاخص های طیفی مناسبی جهت شناسایی ارتباط معنی دار میان مقادیر هر پارامتر کیفیت آب و تصاویر با استفاده از روش رگرسیون چند متغیره تعیین گردید. در مرحله بعد با به‌کارگیری دو مدل شبکه عصبی مصنوعی ANN و مدل سیستم استنتاج فازی-عصبی تطبیق یافته ANFIS، ارتباط میان تصاویر ماهواره سنتینل-2 و پارامترهای کیفیت آب به تفکیک مدل‌سازی شده و سپس دقت آن ها به ازای مقادیر واقعی محاسبه گردید. نتایج نشان داد که در مدل‌سازی پارامتر سولفات با استفاده از ماهواره سنتینل-2، مدل ANFIS به ترتیب با خطای نسبی و جذر میانگین مربعات خطا RMSe برابر 0.0773 و 0.8014 نسبت به مدل شبکه عصبی مصنوعی با خطای نسبی و RMSe برابر 0.1581 و 1.2477 دقت بالاتری دارد؛ درحالی‌که در مدل‌سازی پارامترهای اسیدیته و بیکربنات، نتایج حاصل از مدل شبکه عصبی مصنوعی با خطای نسبی به ترتیب برابر با 0.0064 و 0.0556 و RMSe برابر با 0.0702 و 0.2691 برای هر دو پارامتر بهتر از مدل سیستم استنتاج فازی-عصبی تطبیق یافته با خطای نسبی به ترتیب برابر با 0.0165 و 0.0722 و RMSe برابر با 0.1975 و 0.3307 است. درنهایت با اعمال مدل های تهیه‌شده بر روی تصاویر ماهواره ای، نقشه وضعیت کیفی هر پارامتر در طول قسمتی از رودخانه کارون تهیه گردید. پرونده مقاله