مدیریت بیابان

مدیریت بیابان

تصحیح داده‌های بارش ماهانه TRMM 3B43 با استفاده از مدل رگرسیون چندکی در حوضۀ آبریز دریاچۀ ارومیه

نوع مقاله : مقاله پژوهشی

نویسندگان
سیما کاظم پور چورسی 1
مهدی عرفانیان 2
هیراد عبقری 2
میرحسن میریعقوب زاده 2
خدیجه جوان 3
1 دانشجوی دکتری، گروه مرتع و آبخیزداری، دانشکدۀ منابع طبیعی، دانشگاه ارومیه، ارومیه، ایران.
2 دانشیار گروه مرتع و آبخیزداری، دانشکدۀ منابع طبیعی، دانشگاه ارومیه، ارومیه، ایران.
3 دانشیار گروه جغرافیا، دانشکدۀ ادبیات و علوم انسانی، دانشگاه ارومیه، ارومیه، ایران.
10.22034/jdmal.2024.2021488.1452
چکیده
استفاده از داده‌های بارش ماهواره‌ای در پژوهش‌های مدیریت منابع آب و هیدرولوژی در شرایط کشور ایران ضرورت دارد. مقدار بارش ماهواره‌ای را می‌توان تنها منبع داده‌ای و جایگزین در مناطق فاقد آمار در نظر گرفت. در پژوهش حاضر، داده‌های بارش ماهانۀ ماهوارۀ TRMM 3B43 با بهره­‌گیری از مدل‌های رگرسیون خطی OLS و رگرسیون چندکی QR برای حوزۀ آبخیز دریاچۀ ارومیه در دورۀ آماری سال‌های 2019-2001 (1380-1398)، تصحیح و اعتبارسنجی شد. کارایی این دو مدل در تصحیح داده‌های TRMM بر اساس معیارهای RMSE، MAE، PBIAS و KGE مورد ارزیابی قرار گرفت. مقدار PBIAS نشان داد که داده‌های خام TRMM، در تمام ماه‌های سال، بارش را با احتمال 20% بیشتر از مقادیر مشاهده‌ای در 12 ایستگاه سینوپتیک واقع در حوضه برآورد کرده است. نتایج مدل OLS نشان داد که مقادیر تصحیح‌شده بارش ماهانه، دارای درصد اریبی PBIAS نسبتاً زیاد در اغلب ماه‌های سال می‌باشد. مقادیر تصحیح‌شده بر اساس رگرسیون چندکی به دلیل اعمال ضرایب مختلف شیب و عرض از مبدأ، در تمام ماه‌های سال تقریباً نزدیک به مقادیر مشاهداتی ایستگاه‌ها می‌باشند. پس از تصحیح با مدل QR، مقادیر RMSE و PBIAS به کمتر از mm2.35 و 2.1% رسید. معیار KGE مدل رگرسیون چندکی در تمام ماه‌ها، بیشتر از 0.97 بود و مقدار آن در مقایسه با داده‌های خام TRMM و مقادیر تصحیح‌شده با رگرسیون خطی، به عدد 1 نزدیک‌تر به‌­دست آمد. نتایج نشان داد که استفاده از مدل رگرسیون چندکی QR می‌تواند به‌طور قابل‌توجهی در تصحیح داده‌های خام TRMM مورد استفاده قرار گیرد و نتایج بهتری نسبت به مدل رگرسیون خطی OLS داشته باشد. ازنظر کاربردی، توصیه می‌شود که ابتدا داده‌های ماهانه خام TRMM با مقادیر شیب و عرض از مبدأ خطوط رگرسیون چندکی تصحیح شوند و سپس در پژوهش‌های مدیریت منابع آب و پایش خشک‌سالی استفاده گردند.
کلیدواژه‌ها
بارش گرمسیری
تکنیک‌های واسنجی
داده‌های ماهواره‌ای
موضوعات
  1. Abbas, S. A., Xuan, Y., & Song, X. (2019). Quantile regression based methods for investigating rainfall trends associated with flooding and drought conditions. Water Resources Management, 33(12), 4249-4264. DOI: https://doi.org/10.1007/s11269-019-02362-0 
  2. Abdelmoneim, H., Soliman, M. R., & Moghazy, H. M. (2020). Evaluation of TRMM 3B42V7 and CHIRPS satellite precipitation products as an input for hydrological model over Eastern Nile Basin. Earth Systems and Environment, 4, 685-698. DOI: https://doi.org/10.1007/s41748-020-00185-3
  3. Ahn, K. H., & Palmer, R. (2016). Regional flood frequency analysis using spatial proximity and basin characteristics: Quantile regression vs. parameter regression technique. Journal of Hydrology, 540, 515-526. DOI: https://doi.org/10.1016/j.jhydrol.2016.06.047 
  4. Almazroui, M. (2011). Calibration of TRMM rainfall climatology over Saudi Arabia during 1998–2009. Atmospheric Research, 99(3-4), 400-414. DOI: https://doi.org/10.1016/j.atmosres.2010.11.006
  5. Bararkhanpour, S., Ghorbani, K., Salari Jazi, M., & Rezaei Ghaleh, L. (2020). Study of seasonal and annual rainfall changes with quantile regression method (case study: Gorgan Hashem-Abad station. Journal of Climate Research, 10(39), 89-104. [In Persian]
  6. Beck, H. E., Van Dijk, A. I., Levizzani, V., Schellekens, J., Miralles, D. G., Martens, B., & De Roo, A. (2017). MSWEP: 3-hourly 0.25 global gridded precipitation (1979–2015) by merging gauge, satellite, and reanalysis data. Hydrology and Earth System Sciences, 21(1), 589-615. DOI: https://doi.org/10.5194/hess21-589-2017 
  7. Brasil Neto, R. M., Guimaraes Santos, C. A., Marques da Silva, R., & Costa dos Santos, C. A. (2022). Evaluation of TRMM satellite dataset for monitoring meteorological drought in northeastern Brazil. Hydrological Sciences Journal, 67(14), 2100-2120. DOI: https://doi.org/10.1080/02626667.2022.2130333
  8. Choubin, B., Khalighi-Sigaroodi, S., Mishra, A., Goodarzi, M., Shamshirband, S., Ghaljaee, E., & Zhang, F. (2019). A novel bias correction framework of TMPA 3B42 daily precipitation data using similarity matrix/homogeneous conditions. Science of The Total Environment, 694, 1-11. DOI: https://doi.org/10.1016/­j.scitotenv.2019.133680 
  9. de Almeida, K. N., dos Reis, J. A. T., Buarque, D. C., Mendonça, A. S. F., Rodrigues, M. B., & de Laia Nascimento Sá, G. (2020). Performance analysis of TRMM satellite in precipitation estimation for the Itapemirim River basin, Espirito Santo state, Brazil. Theoretical and Applied Climatology, 141, 791-802. DOI: https://doi.org/10.1007/s00704-020-03204-5 
  10. Erfanian M., Kazempour S., & Heidari H. (2016). Calibration of TRMM satellite 3B42 and 3B43 rainfall data in climatic zones of Iran. Physical Geography Research. 48(2): 287-303. DOI: 22059/JPHGR.­2016.59370 [In Persian]
  11. Funk, C., Peterson, P., Landsfeld, M., Pedreros, D., Verdin, J., Shukla, S., L., & Michaelsen, J. (2015). The climate hazards infrared precipitation with stations—a new environmental record for monitoring extremes. Scientific data, 2(1), 1-21. DOI: https://doi.org/10.1038.sdata.2015.66
  12. Ghiglieri, G., Barbieri, G., Vernier, A., Carletti, A., & Pittalis, D. (2010). Sustainable water resources management to combat desertification in the Nurra region, northwestern Sardinia, Italy. Italian Journal of Agronomy, 5(3), 7-14.
  13. Gupta, H. V., Kling, H., Yilmaz, K. K., & Martinez, G. F. (2009). Decomposition of the mean squared error and NSE performance criteria: Implications for improving hydrological modelling. Journal of hydrology, 377(1-2): 80-91. DOI: https://doi.org/10.1016/j.jhydrol.2009.08.003
  14. Hou, A. Y., Kakar, R. K., Neeck, S., Azarbarzin, A. A., Kummerow, C. D., Kojima, M., Oki, R., Nakamura, K., & Iguchi, T. (2014). The global precipitation measurement mission. Bulletin of the American meteorological Society, 95(5), 701-722. DOI: https://doi.org/10.1175/BAMS-D-13-00164.1 
  15. Huffman, G. J., Adler, R. F., Arkin, P., Chang, A., Ferraro, R., Gruber, A., Janowiak, j., McNab, A., Rudolf, B., & Schneider, U. (1997). The global precipitation climatology project (GPCP) combined precipitation dataset. Bulletin of the American Meteorological Society, 78(1), 5-20. DOI: https://­doi.org/­10.1175/1520-0477(1997)078<0005:TGPCPG>2.0.CO;2 
  16. Hsu, K. L., Gao, X., Sorooshian, S., & Gupta, H. V. (1997). Precipitation estimation from remotely sensed information using artificial neural networks. Journal of Applied Meteorology and Climatology, 36(9), 1176-1190. DOI: https://doi.org/10.1175/1520-0450(1997)036<1176:PEFRSI>2.0.CO;2 
  17. Huffman, G. J., Bolvin, D. T., Nelkin, E. J., Wolff, D. B., Adler, R. F., Gu, G., Hong, y., Bowman, k.p., & Stocker, E. F. (2007). The TRMM multisatellite precipitation analysis (TMPA): Quasi-global, multiyear, combined-sensor precipitation estimates at fine scales. Journal of hydrometeorology, 8(1), 38-55. DOI: https://doi.org/10.1175/JHM560.1 
  18. Kazempour Choursi, S., Erfanian, M., & Ebadi Nehari, Z. (2019). Evaluation of MODIS and TRMM satellite data for drought monitoring in the Urmia Lake basin. Geography and Environmental Planning. 30(2): 17-34. DOI: https://doi.org/10.22108/gep.2019.115381.1115  [In Persian]
  19. Kubota, T., Shige, S., Hashizume, H., Aonashi, K., Takahashi, N., Seto, S., Hirose, M., Takayabu, Y.N., Ushio, T., Nakagawa, K., & Okamoto, K. I. (2007). Global precipitation map using satellite-borne microwave radiometers by the GSMaP project: Production and validation. IEEE Transactions on Geoscience and Remote Sensing, 45(7), 2259-2275. DOI: https://doi.org/10.1109/TGRS.2007.895337
  20. Li, F., Wei, W., Zhao, Y., & Qiao, J. (2017). Groundwater depth prediction in a shallow aquifer in north China by a quantile regression model. Hydrogeology Journal, 25(1), 191-202. DOI: https://doi.org/­10.1007/s10040-016-1473-0 
  21. Li, Y., Guo, B., Wang, K., Wu, G., & Shi, C. (2020). Performance of TRMM product in quantifying frequency and intensity of precipitation during daytime and nighttime across China. Remote Sensing, 12(4), 740. DOI: https://doi.org/10.3390/rs12040740
  22. Liu, S., Yan, D., Qin, T., Weng, B., & Li, M. (2016). Correction of TRMM 3B42V7 based on linear regression models over China. Advances in Meteorology, 2016(1), 1-13. DOI: https://doi.org/10.1155/2016/3103749
  23. Lu, X., Wei, M., Tang, G., & Zhang, Y. (2018). Evaluation and correction of the TRMM 3B43V7 and GPM 3IMERGM satellite precipitation products by use of ground-based data over Xinjiang, China. Environmental earth sciences, 77(209), 1-18. DOI: https://doi.org/10.1007/s12665-018-7378-6 
  24. Koenker, R., & Bassett, G. (1978). Regression Quantiles. Econometrica, 46(1), 33-50. DOI: https://doi.­org/10.2307/1913643
  25. Kolios, S., & Kalimeris, A. (2020). Evaluation of the TRMM rainfall product accuracy over the central Mediterranean during a 20-year period (1998–2017). Theoretical and Applied Climatology, 139(1-2), 785-799. DOI: https://doi.org/10.1007/s00704-019-03015-3 
  26. Kummerow, C., Barnes, W., Kozu, T., Shiue, J., & Simpson, J. (1998). The tropical rainfall measuring mission (TRMM) sensor package. Journal of Atmospheric and Oceanic Technology, 15(3), 809-817. DOI: https://doi.org/10.1175/1520-0426(1998)015<0809:TTRMMT>2.0.CO;2 
  27. Kyriakidis, P. C., Kim, J., & Miller, N. L. (2001). Geostatistical mapping of precipitation from rain gauge data using atmospheric and terrain characteristics. Journal of Applied Meteorology, 40(11), 1855-1877. DOI: https://doi.org/10.1175/1520-0450(2001)040<1855:GMOPFR>2.0.CO;2 
  28. Mahesh, C., Prakash, S., Sathiyamoorthy, V., & Gairola, R. M. (2011). Artificial neural network based microwave precipitation estimation using scattering index and polarization corrected temperature. Atmospheric research, 102(3), 358-364. DOI: https://doi.org/10.1016/j.atmosres.2011.09.003  
  29. Petty, G. W. (1995). The status of satellite-based rainfall estimation over land. Remote Sensing of Environment, 51(1), 125-137. DOI: https://doi.org/10.1016/0034-4257(94)00070-4
  30. Ouatiki, H., Boudhar, A., & Chehbouni, A. (2023). Accuracy assessment and bias correction of remote sensing–based rainfall products over semiarid watersheds. Theoretical and Applied Climatology, 154(3), 763-780. DOI: https://doi.org/10.1007/s00704-023-04586-y 
  31. Safavi Gherdini, M., Delbari, M., Amiri, M., & piri, J. (2019). Calibration of TRMM 3B43 precipitation data in Hormozgan. Irrigation and Water Engineering. 9(3): 99-112. DOI: https://doi.org/­10.22125/IWE.2019.88673 [In Persian]
  32. Scheel, M. L. M., Rohrer, M., Huggel, C., Santos Villar, D., Silvestre, E., & Huffman, G. J. (2011). Evaluation of TRMM Multi-satellite Precipitation Analysis (TMPA) performance in the Central Andes region and its dependency on spatial and temporal resolution. Hydrology and Earth System Sciences, 15(8), 2649-2663. DOI: https://doi.org/10.5194/hess-15-2649-2011
  33. Shahbazdashti, R., Sharafati, A., Kheyruri, Y., Ghasemzadeh, F., & Mohajeri, S. H. (2024). Enhancing the TRMM precipitation product in diverse regions of Iran through an intelligent-based post-processing approach. Acta Geophysica, 72, 2925-2940. DOI: https://doi.org/10.1007/s11600-023-01280-5 
  34. Shao, J. (1993). Linear model selection by cross-validation. Journal of the American statistical Association, 88(422), 486-494. DOI: https://doi.org/10.1080/01621459.1993.10476299
  35. Shukla, A. K., Ojha, C. S. P., Singh, R. P., Pal, L., & Fu, D. (2019). Evaluation of TRMM precipitation dataset over Himalayan catchment: the upper Ganga basin, India. Water, 11(3), 1-25. DOI: https://doi.org/10.3390/w11030613
  36. Strauch, M., Kumar, R., Eisner, S., Mulligan, M., Reinhardt, J., Santini, W., Vetter, T., & Friesen, J. (2017). Adjustment of global precipitation data for enhanced hydrologic modeling of tropical Andean watersheds. Climatic Change, 141, 547-560. DOI: https://doi.org/10.1007/s10584-016-1706-1 
  37. Tian, Y., Peters-Lidard, C. D., Choudhury, B. J., & Garcia, M. (2007). Multitemporal analysis of TRMM-based satellite precipitation products for land data assimilation applications. Journal of Hydrometeorology, 8(6), 1165-1183. DOI: https://doi.org/10.1175/2007JHM859.1 
  38. Treppiedi, D., Cipolla, G., Francipane, A., & Noto, L. V. (2021). Detecting precipitation trend using a multiscale approach based on quantile regression over a Mediterranean area. International Journal of Climatology, 41(13), 5938-5955. DOI: https://doi.org/10.1002/joc.7161 
  39. Vallejo‐Bernal, S. M., Urrea, V., Bedoya‐Soto, J. M., Posada, D., Olarte, A., Cárdenas‐Posso, Y., Ruiz‐Murcia, F., Martínez, M. T., Petersen, W. A., Huffman, G. H., & Poveda, G. (2021). Ground validation of TRMM 3B43 V7 precipitation estimates over Colombia. Part I: Monthly and seasonal timescales. International Journal of Climatology, 41(1), 601-624. DOI: https://doi.org/10.1002/­joc.6640
  40. Zhang, T., Yang, Y., Dong, Z., & Gui, S. (2021). A multiscale assessment of three satellite precipitation products (TRMM, CMORPH, and PERSIANN) in the three gorges reservoir area in China. Advances in Meteorology, 2021, 1-27. DOI: https://doi.org/10.1155/2021/9979216 
مدیریت بیابان
دوره 12، شماره 1 - شماره پیاپی 29
6 مقاله
بهار 1403
صفحه 57-74

  • تاریخ دریافت 08 بهمن 1402
  • تاریخ بازنگری 20 اسفند 1402
  • تاریخ پذیرش 26 اسفند 1402