ارزیابی محصولات بارش ماهواره‌ای جهت برآورد رخدادهای بارشی سنگین در نوار ساحلی دریای خزر

نوع مقاله : پژوهشی

نویسندگان

1 دانش آموخته کارشناسی ارشد/ گروه مهندسی آب، دانشکدگان ابوریحان، دانشگاه تهران، تهران، ایران

2 دانش آموخته کارشناسی ارشد/ گروه مهندسی آبیاری و آبادانی، دانشکدگان کشاورزی و منابع طبیعی، دانشگاه تهران، تهران، ایران

3 استاد/ گروه مهندسی آب، دانشکده کشاورزی و منابع طبیعی، پژوهشکده مدیریت آب، دانشگاه محقق اردبیلی، اردبیل، ایران

چکیده

بارش یکی از متغیرهای مهم برای بسیاری از کاربردها و رشته‌های مرتبط با منابع آب و سامانة ژئوفیزیک زمین بوده که عنصر اصلی در وقوع رخدادهای شدید و سیل‌آساست. سامانه‌های تخمین بارش ماهواره‌ای داده‌هایی اغلب با پوشش جهانی تولید می‌کنند که می‌توانند اطلاعاتی را ارائه دهند که داده‌های منابع دیگر ثبت بارش در دسترس نیستند. در این مطالعه، محدودة نوار ساحلی جنوب غرب دریای خزر، استان گیلان، به‌عنوان منطقۀ مورد مطالعه در نظر گرفته‌ شده و دقت چهار محصول ماهواره‌ای GPM-IMERG، CHIRPS، PERSIANN-CDR و TRMM-3B42V7، برای برآورد بارش‌های سنگین از سال 1396 تا سال1400 مقایسه شد. ارزیابی‌ها به‌صورت مقایسه بارش‌های برآورد شده ماهواره‌ای با ایستگاه‌های زمینی با در نظر گرفتن ارتفاع هر ایستگاه و میانگین کل ایستگاه‌ها، با استفاده از شاخص‌های قطعی شامل PC، CSI، BIAS و HSS و معیارهای آماری همبستگی (Corr) و نرمال شده مجذور میانگین مربعات خطا (nRMSE)، انجام شد. نتایج نشان داد با توجه به شاخص PC در هشت ایستگاه، بندر انزلی، رشت، رودسر، تالش، آستارا، رشت (کشاورزی)، کیاشهر و لاهیجان که همگی در ارتفاعی کم‌تر از 40 متر از سطح آب‌های آزاد و در نوار ساحل دریای خزر پراکنده‌اند، محصول بارش ماهواره‌ای IMERG امتیاز بیش‌تری نسبت به مابقی محصولات کسب کرد. ضعیف­ترین عملکرد در شاخص PC در آستانة بیش‌تر از پنج میلی‌متر، مربوط به ماهواره‌های TRMM و PERSIANN-CDR بود که کم‌ترین امتیازات را در همة ایستگاه‌ها کسب کردند. نتایج شاخص CSI نشان داد که در همة ایستگاه‌ها، به‌جز ایستگاه منجیل، محصول بارش ماهواره‌ای IMERG عملکرد بهتری دارد. هم‌چنین در بررسی تأثیر ارتفاع ایستگاه‌ها و برآورد ماهواره‌ای بارش در شاخص CSI، ارتباطی بین ارتفاع ایستگاه‌ها با عملکرد محصولات یافت نشد. در شاخص کیفی Bias، در محصولات IMERG و CHIRPS، سوگیری هر ایستگاه ارتباط مستقیمی با ارتفاع آن دارد به‌طوری‌که در ایستگاه‌های مرتفع بارش بیش برآورد شده و بر عکس در ایستگاه‌های کم ارتفاع‌تر بارش‌ها کم‌تر از میزان مشاهداتی برآورد شده‌اند، ولی در محصولات PERSIANN-CDR و TRMM در همه ایستگاه‌ها بارش‌های تخمینی کم برآورده شده است. با توجه به نتایج به‌دست ‌آمده محصول IMERG نسبت به سه محصول CHIRPS، PERSIANN-CDR و TRMM بهتر عمل کرده است.

کلیدواژه‌ها

موضوعات


حجازی‌زاده، ز.، اکبری، م.، ساسانپور، ف.، حسینی، ع.، و محمدی، ن. (1401). بررسی اثرات تغییر اقلیم بر بارش‌های سیل‌آسا در استان تهران. مدل‌سازی و مدیریت آب و خاک، 2(2)، 87-105.
رحیمیانی ایرانشاهی، ح.، مرادی، ح.، و جلیلی، خ. (1400). روند تغییرات بارش و دما در مقیاس‌های زمانی مختلف در حوزة آبخیز کرخه. مدل‌سازی و مدیریت آب و خاک، 2(2)، 1-12.
قریشی قره‌تیکان، ک.، قره‌چلو، س.، محجوبی، ع.، گلیان، س.، و صالحی، ح. (1400). ارزیابی منابع آب سطحی قابل دسترس در حوضۀ مرزی قره‌تیکان با استفاده از محصولات ماهواره‌ای و GIS. مدل‌سازی و مدیریت آب و خاک، 2(1)، 1-13.
محمدرضایی، م.، سلطانی، س.، و مدرس، ر. (1401). تأثیر شاخص‌های دمایی انسو بر خشکسالی هواشناسی در نیمۀ غربی ایران. مدل‌سازی و مدیریت آب و خاک، 2(2)، 13-27.
 
Agarwal, A., Marwan, N., Maheswaran, R., Ozturk, U., Kurths, J., & Merz, B. (2020). Optimal design of hydrometric station networks based on complex network analysis. Hydrology and Earth System Sciences, 24(5), 2235-2251.
Alijanian, M., Rakhshandehroo, G.R., Mishra, A. K., & Dehghani, M. (2017). Evaluation of satellite rainfall climatology using CMORPH, PERSIANN-CDR, PERSIANN, TRMM, MSWEP over Iran. International Journal of Climatology, 37(14), 4896-4914.
Ashouri, H., Hsu, K.L., Sorooshian, S., Braithwaite, D.K., Knapp, K.R., Cecil, L.D., Nelson, B.R., & Prat, O.P. (2015). PERSIANN-CDR: Daily precipitation climate data record from multisatellite observations for hydrological and climate studies. Bulletin of the American Meteorological Society, 96(1), 69-83.
Behzadi, J. (2017). Monitoring wet and dry process using precipitation changes. Water Harvesting Research, 2(2), 39-46.
Conti, F.L., Hsu, K.L., Noto, L.V., & Sorooshian, S. (2014). Evaluation and comparison of satellite precipitation estimates with reference to a local area in the Mediterranean Sea. Atmospheric Research, 138, 189-204.
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.
Funk, C.C., Peterson, P.J., Landsfeld, M.F., Pedreros, D.H., Verdin, J.P., Rowland, J.D., Romero, B.E., Husak, G.J., Michaelsen, J.C., & Verdin, A.P. (2014). A quasi-global precipitation time series for drought monitoring. US Geological Survey Data Series, 832(4), 1-12.
Funk, C., Peterson, P., Landsfeld, M., Pedreros, D., Verdin, J., Shukla, S., Husak, G., Rowland, J., Harrison, L., Hoell, A., & Michaelsen, J. (2015). The climate hazards infrared precipitation with stations- A new environmental record for monitoring extremes. Scientific Data, 2(1), 1-21.
Ghafarian, P. (2021). Impact of physical parameterizations on simulation of the Caspian Sea lake-effect snow. Dynamics of Atmospheres and Oceans, 94, 101219.
Ghajarnia, N., Daneshkar Arasteh, P., Liaghat, M., & Araghinejad, S. (2018). Error analysis on PERSIANN precipitation estimations: Case study of Urmia Lake Basin, Iran. Journal of Hydrologic Engineering, 23(6), 05018006.
Ghoreishi Gharetikan, S., Gharechelou, S., Mahjoobi, E., Golian, S., Salehi, H. (2021). Evaluation of available surface water resources in Qarah Tikan border basin using satellite products and GIS. Water and Soil Management and Modelling, 2(1), 1-13 (in Persian).
Hamza, A., Anjum, M.N., Masud Cheema, M.J., Chen, X., Afzal, A., Azam, M., Kamran Shafi, M., & Gulakhmadov, A. (2020). Assessment of IMERG-V06, TRMM-3B42V7, SM2RAIN-ASCAT, and PERSIANN-CDR precipitation products over the Hindu Kush Mountains of Pakistan, South Asia. Remote Sensing, 12(23), 3871.
Hejazizadeh, Z., Akbari, M., Sasanpour, F., Hosseini, A., & Mohammadi, N. (2022). Investigating the effects of climate change on torrential rains in Tehran province. Water and Soil Management and Modelling, 2(2), 87-105 (in Persian).
Huffman, G.J., Adler, R.F., Bolvin, D.T., & Nelkin, E.J. (2010). The TRMM multi-satellite precipitation analysis (TMPA). Pp. 3-22, In: Satellite rainfall applications for surface hydrology. Springer, Dordrecht.
Huffman, G.J., Bolvin, D.T., Nelkin, E.J., & Tan, J. (2015). Integrated multi-satellite retrievals for GPM (IMERG) technical documentation. Nasa/Gsfc Code, 612(47), 2019.
IPCC, (2021). climate change 2021: The physical science basis. IPCC sixth Assessment Report.
Javanmard, S., Yatagai, A., Nodzu, M.I., BodaghJamali, J., & Kawamoto, H. (2010). Comparing high-resolution gridded precipitation data with satellite rainfall estimates of TRMM_3B42 over Iran.  Advances in Geosciences, 25, 119-125.
Kiany, M.S.K., Masoodian, S.A., Balling Jr, R.C., & Montazeri, M. (2020). Evaluation of the TRMM 3B42 product for extreme precipitation analysis over southwestern Iran. Advances in Space Research, 66(9), 2094-2112.
Kidd, C., Bauer, P., Turk, J., Huffman, G.J., Joyce, R., Hsu, K.L., & Braithwaite, D. (2012). Intercomparison of high-resolution precipitation products over northwest Europe. Journal of Hydrometeorology, 13(1), 67-83.
Mahbod, M., Shirvani, A., & Veronesi, F. (2019). A comparative analysis of the precipitation extremes obtained from tropical rainfall-measuring mission satellite and rain gauges datasets over a semiarid region. International Journal of Climatology, 39(1), 495-515.
Moazami, S., Golian, S., Hong, Y., Sheng, C., & Kavianpour, M.R. (2016). Comprehensive evaluation of four high-resolution satellite precipitation products under diverse climate conditions in Iran. Hydrological Sciences Journal, 61(2), 420-440.
Mohammadrezaei, M., Soltani, S., & Modarres, R. (2022). Effect of Enso indices on meteorological drought in the midwest of Iran. Water and Soil Management and Modelling, 2(2), 13-27 (in Persian).
Qureshi, S., Koohpayma, J., Firozjaei, M.K., & Kakroodi, A.A. (2021). Evaluation of seasonal, drought, and wet condition effects on performance of satellite-based precipitation data over different climatic conditions in Iran. Remote Sensing, 14(1), 76.
Rahimiani Iranshahi, H., Moradi, H., & Jalili, K. (2022). Trend of precipitation and temperature changes at different time scales in the Karkheh Watershed. Water and Soil Management and Modelling, 2(2), 1-12 (in Persian).
Saeidizand, R., Sabetghadam, S., Tarnavsky, E., & Pierleoni, A. (2018). Evaluation of CHIRPS rainfall estimates over Iran. Quarterly Journal of the Royal Meteorological Society, 144, 282-291.
Samer, A.S.,  Magdalena, B.,  Tara, B., David, E.,  Deon, F.,  Märt, K.,  Halsey, R.,  Shwetlena, S., Alexandria, V. (2018). World Development Report 2018: Learning to realize education's promise. Final report, The World Bank Group.
Sharifi, E., Steinacker, R., & Saghafian, B. (2016). Assessment of GPM-IMERG and other precipitation products against gauge data under different topographic and climatic conditions in Iran: Preliminary results. Remote Sensing, 8(2), 135.
Sohn, B.J., Han, H.J., & Seo, E.K. (2010). Validation of satellite-based high-resolution rainfall products over the Korean Peninsula using data from a dense rain gauge network. Journal of Applied Meteorology and Climatology, 49(4), 701-714.
Tan, M.L., & Santo, H. (2018). Comparison of GPM IMERG, TMPA 3B42 and PERSIANN-CDR satellite precipitation products over Malaysia. Atmospheric Research, 202, 63-76.
Yeditha, P.K., Kasi, V., Rathinasamy, M., & Agarwal, A. (2020). Forecasting of extreme flood events using different satellite precipitation products and wavelet-based machine learning methods. Chaos: An Interdisciplinary Journal of Nonlinear Science, 30(6), 063115.
Yu, L., Leng, G., & Python, A. (2022). A comprehensive validation for GPM IMERG precipitation products to detect extremes and drought over mainland China. Weather and Climate Extremes, 36, 100458.
Zeyaeyan, S., Fattahi, E., Ranjbar SaadatAbadi, A., Azadi, M., & Vazifedoust, M. (2017). Evaluating the effect of physics schemes in WRF simulations of summer rainfall in north west Iran. Climate, 5(3), 48.