ترکیب روش های درون یابی و محصولات بارش ماهواره ای TRMM به منظور افزایش دقت نقشه های همبارش در استان مازندران

سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 117

فایل این مقاله در 22 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JWSC-28-3_003

تاریخ نمایه سازی: 30 بهمن 1400

چکیده مقاله:

سابقه و هدف: تخمین مکانی و تشخیص پاراکندگی بارش، عمدتا توسط روشهای زمین آمار و تصاویر ماهواره ای انجام می شود. امروزه اقبال زیادی از محصولات بارش ماهواره ای در تهیه نقشه های همبارش شده است. این محصولات با استفاده از تصاویر ماهواره ای به تخمین بارش در نقاط فاقد داده می پردازد و معمولا با خطای زیادی همراه بوده و نیاز به واسنجی دارند. روش های درون یابی نیز با استفاده از داده های واقعی ثبت شده به تخمین بارش می پردازند. بنظر می رسد ترکیب روش های درون یابی و تصاویر ماهواره ای می تواند در افزایش دقت نقشه های همبارش بخصوص در مناطق با توپوگرافی پیچیده مانند استان مازندران موثر باشد. مواد و روش ها: در این پژوهش در راستای ارزیابی روش های مختلف تخمین بارش استان مازندران و ترکیب تصاویر ماهواره ای با روش های درونیابی از داده های ۲۱ ایستگاه سینوپتیک و باران سنجی و از ۲۴ تصویر ماهانه و ۲ تصویر سالانه ماهواره ی TRMM در سال های ۲۰۱۲ و ۲۰۱۵ استفاده شد، که تفکیک مکانی این ماهواره ۲۵/۰*۲۵/۰ درجه می باشد. روش های درون یابی مورد بررسی شامل کریجینگ، وزنی عکس فاصله بوده و همچنین دقت محصولات بارش ماهواره TRMM نیز بررسی شد. به علاوه برای افزایش دقت نقشه های همبارش از رابطه رگرسیون خطی چندگانه برای ترکیب تصاویر ماهواره ای با متغیرهای کمکی طول و عرض جغرافیایی و ارتفاع استفاده شد. ارزیابی روش ها با استفاده از شاخص های میانگین مربعات خطا و میانگین خطای اریب و تحلیل رگرسیونی صورت گرفت. همچنین نقشه های هم بارش سالانه استان نیز برای دو سال ۲۰۱۲ و ۲۰۱۵ ترسیم و تحلیل شد. یافته ها: در این پژوهش ۵ مدل تئوری نیم تغییرنما بر داده ها برازش داده شد که مدل های نمایی و کروی به عنوان مناسب ترین مدل نیم تغییرنما انتخاب شدند. همچنین ضریب تعیین مدل نیم تغییرنمای منتخب و نسبت تغییرات ساختار دار به تغییرات کل وضعیت نسبتا مناسب ساختار مکانی داده های بارش را نشان داد و دامنه تاثیر داده های بارش در حدود ۸۰ کیلومتر بدست آمد. ضرایب همبستگی پارامترهای کمکی و بارش در اکثر ماه ها نتایج قابل قبولی ارائه داد و تقریبا در بیش از ۵۰ درصد ماه های مورد بررسی معنادار بود که در نتیجه ضرایب تعیین معادله رگرسیونی گرادیان چهار بعدی نیز مقادیر راضی کننده را نشان داد بطوریکه متغیرهای کمکی مورد استفاده بین ۱۰ تا بیش از ۷۰ درصد از تغییرات بارش را توجیه نمودند. بررسی شاخص ارزیابی خطا نشان داد که روش های درون یابی و داده های شبکه ماهواره ای TRMM تخمین مناسبی از بارش استان نداشته و استفاده از متغییرهای کمکی در روش گرادیان خطی چهار بعدی توانسته باعث کاهش خطای تخمین گردد به طوری که خطای تخمین بارش را ۲۰ تا ۴۰ درصد کاهش داد. بررسی شاخص اریبی نشان داد که داده های شبکه بارش TRMM برخلاف همبستگی خوب با داده های مشاهده ای تا حدود ۵ برابر بیشتر از سایر روش های درونیابی دارای خطای کم برآوردی است اما ترکیب داده های شبکه TRMM با سایر متغیرهای کمکی در روش گرادیان ۴ بعدی خطای اریبی را به صفر رساند. تحلیل رگرسیونی روش های مختلف درونیابی نیز حاکی از برتری چشمگیر روش گرادیان ۴ بعدی بود که شیب خط روش گرادیان ۴ بعدی بیش از ۳ برابر روش های زمین آماری بوده که نشان دهنده درک دقیقتر روش گرادیانی در تشخیص حلقه های کم بارش و پربارش منطقه است. نتیجه گیری: نتایج بدست آمده حاکی از برتری روش گرادیان ۴ بعدی در تخمین مکانی بارش در استان مازندران بوده و نقش متغیرهای کمکی در افزایش دقت نقشه های همبارش را نشان داد به طوری که استفاده از روش منتخب سبب کاهش ۳۰ درصدی خطای تخمین روش های زمین آماری و کاهش ۴۰ درصدی خطای شبکه TRMM شد. نتایج این پژوهش نشان داد که ترکیب محصولات بارش ماهواره ای با روش های درون یابی منجر به تخمین دقیقتر بارش ارتفاعات و نقاط فاقد داده ثبت شده بارش خواهد شد.

کلیدواژه ها:

زمین آمار ، نقشه هم بارش ، گرادیان خطی چهار بعدی ، تخمین دقیق بارش

نویسندگان

علیرضا یوسفی کبریا

دانشجو دانشگاه علوم کشاورزی و منابع طبیعی ساری

مهدی نادی

استادیار دانشگاه علوم کشاورزی و منابع طبیعی ساری

مژده جامعی

سازمان آب و برق خوزستان

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • ۱.Alexakis, D.D., and Tsanis, I.K.۲۰۱۶. Comparison of multiple linear regression ...
  • ۲.Amini, M., Dezful, A., and Azadi, M. ۲۰۱۹. Comparison of ...
  • ۳.Arowolo, A., Bhowmik, O.K.A., Qi, M., and Deng, X. ۲۰۱۷. ...
  • ۴.Ataei, H., Tavana, M., and Parsa, L. ۲۰۱۴. Climate Analysis ...
  • ۷.De Mello Cunha, A., dos Santos, G.R., de Souza, E., ...
  • ۸.Dellavari, D., Mirzai zade, M., andTarek, M. ۲۰۱۴. Evaluation of ...
  • ۱۰.Ghaderpour, E., Ben Abbes, A., Rhif, M., Pagiatakis, S.D., and ...
  • ۱۱.Guo, H., Chen, S.H., Bao, A., Behrangi, A., Hong, Y., ...
  • ۱۲.Hosseini Moghari, S.M., Iraqinejad, S.H., and Ebrahimi, K. ۲۰۱۶. Evaluation ...
  • ۱۳.Jamei, M., and Mousavi Baigi, M. ۲۰۱۳. Spatial and zoning ...
  • ۱۴.Kumari, M., Basistha, A., Bakimchandra, O., and Singh, K.C. ۲۰۱۶. ...
  • ۱۵.Nabi Pur, Y., and Vafa Khah, M.۲۰۱۷. Comparison of Different ...
  • ۱۶.Nadi, M., Jamei, M., Bazrafshan, J.,and Janat Rostami, S. ۲۰۱۲. ...
  • ۱۸.Poméon, T., Jackisch, D., and Diekkrüger, B. ۲۰۱۷. Evaluating the ...
  • ۱۹.Seyf, S., and Sherafati, A. ۲۰۲۱. Analysis of TRMM precipitation ...
  • ۲۰.Sharifi, A., Saghafian, B., and Hold Stein Ker, R. ۲۰۱۶. ...
  • (In Persian)۲۱.Tan, M.L., and Santo, H. ۲۰۱۸. Comparison of GPM ...
  • ۲۲.Ten, M.L., Ibrahim, A.L., Duan, Z.H., Cracknell, A.P., and Chaplot, ...
  • ۲۳.Worqlul, A.W., Yen, H., Collick, A.S., Tilahun, S.A., Langan, S., ...
  • ۲۴.Yang, X., Xiaojin, X., Liu, D., Ji, F., and Wang, ...
  • ۲۵Yousefi Kabria, A., Nadi, M., and Sheikhi Arjanki, S.H. ۲۰۲۰. ...
  • نمایش کامل مراجع