ریزمقیاس نمایی داده های بارندگی ماهواره ای TRMM برپایه روابط ناایستا بین بارندگی و ویژگی های سطح زمین
سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 494
فایل این مقاله در 17 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_GIRS-10-2_006
تاریخ نمایه سازی: 13 آذر 1398
چکیده مقاله:
داده های بارش ماهوارهای به صورت گسترده جهت تخمین بارش بخصوص در مناطقی که پراکنش ایستگاه های بارانسنجی نامناسب و ناکافی هستند، مورداستفاده قرار می گیرند. بااین وجود، وضوح مکانی کم این نوع دادهها، کاربرد آن ها 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 ریزمقیاس نمایی مکانی داده های بارندگی ماهواره ای 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 ویژگیهای به دست آمده 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 میدهند که داده های بارش ریزمقیاس شده در مقیاس مکانی 1 کیلومتر به طور معنی داری تفکیک مکانی را بهبود داده و با داده های مشاهداتی ایستگاه های بارانسنجی از تطابق خوبی برخوردارند. به طوریکه 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 میلی متر هستند. بااین وجود میزان دقت مدل در مکان ها مختلف متفاوت بوده و به شرایط پوشش گیاهی وابستگی زیادی دارد.
کلیدواژه ها:
نویسندگان
بهاره زنجانی
دانشجوی کارشناسی ارشد مهندسی و مدیریت منابع آب، دانشکده مهندسی عمران، دانشگاه صنعتی جندی شاپور دزفول
حسام سید کابلی
استادیار گروه عمران آب، دانشکده مهندسی عمران، دانشگاه صنعتی جندی شاپور دزفول
محسن رشیدیان
مربی گروه مهندسی نقشه برداری، دانشکده مهندسی عمران، دانشگاه صنعتی جندی شاپور دزفول
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 :