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
کلید واژه:
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.
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.