ارزیابی داده های بارش با استفاده از مدل های CHIRPS و PERSIANN (مطالعه موردی: بندرعباس)
محل انتشار: فصلنامه علوم آب و خاک، دوره: 27، شماره: 1
سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 40
فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JWSS-27-1_011
تاریخ نمایه سازی: 21 اسفند 1402
چکیده مقاله:
دسترسی به داده های بارشی وسیع با دقت مناسب، می تواند نقش موثری در برنامه ریزی های آبیاری و مدیریت منابع آبی ایفا نماید. تصاویر ماهواره ای با تولید داده های زیاد، وسیع، ارزان و به روز به عنوان راهکاری عملی جهت تخمین بارش مطرح است. بدین منظور، در این پژوهش با استفاده از سامانه گوگل ارث انجین و محصولات بارش حاصل از تصاویر ماهواره ای مدل PERSIANN و CHIRPS در بازه های زمانی روزانه، ماهانه و سالانه به ارزیابی و صحت سنجی مقدار بارش ایستگاه بندرعباس طی دوره آماری ۲۰۲۰- ۱۹۸۳ پرداخته شد. نتایج نشان داد که برآورد بارش توسط ماهواره های PERSIANN و CHIRPS در مﻘیاس ماهانه و سالانه از دقت بیشتر نسبت به مﻘیاس روزانه برخوردار بوده و در مﻘیاس های ماهانه و سالانه، بیشترین ضریب همبستگی و کمترین مقدار RMSE متعلق به الگوریتم PERSIANN است. مقدار ضریب همبستگی الگوریتم PERSIANN در مﻘیاس های روزانه و ماهانه و سالانه به ترتیب برابر با ۰/۳۲ ، ۰/۸۳ و ۰/۹۴ و ضریب همبستگی الگوریتم CHIRPS در مﻘیاس های روزانه و ماهانه و سالانه به ترتیب برابر با ۰/۲۴، ۰/۷۱ و ۰/۹۰ بهدست آمد. مقدار ضریب تبیین R۲ الگوریتم های PERSIANN و Chrips در مقیاس ماهانه به ترتیب برابر با ۰/۸۹ و ۰/۷۰ و در مقیاس سالانه به ترتیب برابر با ۰/۸۸ و ۰/۸۰ به دست آمد. نتیجه گیری کلی این بود که دقت هر دو الگوریتم در تعیین الگوی مکانی بارندگی در مﻘیاس ماهانه و سالانه مناسب بوده و الگوریتم PERSIANN از دقت بالاتری در مقیاس زمانی ماهانه برخوردار است.
کلیدواژه ها:
Precipitation pattern ، satellite imagery ، Google Earth ، PERSIANN and CHIRPS satellites ، الگوی بارش ، تصاویر ماهواره ، گوگل ارث ، ماهواره های PERSIANNوCHIRPS
نویسندگان
هادی سیاسر
Payame Noor University (PNU)
امیر سالاری
University of Hormozgan
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 :