مدل سازی خشکسالی بر پایه شاخص SPI با استفاده از داده های زمینی و ماهواره ای به کمک مدل تلفیقی GPR-CEEMD

Publish Year: 1400
نوع سند: مقاله ژورنالی
زبان: Persian
View: 227

This Paper With 21 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_WATER-11-4_016

تاریخ نمایه سازی: 13 شهریور 1400

Abstract:

خشکسالی یکی از مشکلات مهمی است که در بخش کشاورزی و منابع آب تاثیرگذار می­باشد. امروزه استفاده از تکنیک سنجش از دور به عنوان یک ابزار مفید جهت پایش خشکسالی مورد توجه قرار گرفته است. هدف از این مطالعه پیش­بینی زمانی خشکسالی با استفاده از دادههای ایستگاه­های زمینی و ماهواره­ای محصول TRMM۳B۴۳ بین سالهای ۱۹۹۸-۲۰۱۷ میباشد. در این راستا، ابتدا داده­های بارش به شاخص SPI تبدیل گردید و سپس با استفاده از روش هوشمند رگرسیون فرآیند گاوسی (GPR) بر پایه روش تجزیه­ی یکپارچه مد تجربی کامل (CEEMD) خشکسالی شهر تبریز مورد بررسی قرار گرفت. مدل­های متفاوتی تعریف گردید و نرخ تاثیر پارامترهای ورودی مختلف بررسی شد. مشاهده گردید که مقادیر بارش حاصل از ماهواره TRMM در مﻘیاس ماهانه دارای همبستگی مطلوبی با مﻘدار بارش حاصل از ایستگاه تبریز بوده و نتایج تحلیل خشکسالی با استفاده از داده­های ماهواره­­ای تقریبا منطبق بر داده­های ایستگاه زمینی است. نتایج قابلیت و کارایی بالای روش به ­کار رفته را در تخمین شاخص خشکسالی  SPI به خوبی نشان داد و مشاهده شد که تجزیه سری­ زمانی بر اساس روش­ تجزیه­ی یکپارچه مد تجربی کامل منجر به نتایج دقیق­تری می­گردد. تجزیه داده­های ورودی تقریبا۳۰ تا ۴۰ درصد دقت پیش­بینی را افزایش داد. ملاحظه گردید که در پیش بینی خشکسالی، عناصر اقلیمی شامل میانگین دما و رطوبت نسبی ماهانه و همچنین شاخص SPIهای مربوط به ماه­های گذشته تاثیرگذار می­باشند و با حذف پارامترهای اقلیمی، خطای مدل­سازی ۱۵ تا ۲۰ درصد افزایش می­یابد. همچنین نتایج آنالیز حساسیت نشان داد که SPIt-۱تاثیرگذارترین پارامتر در مدل­سازی است.

Authors

کیومرث روشنگر

گروه آب دانشکده عمران دانشگاه تبریز

رقیه قاسم پور

گروه آب، دانشکده عمران، دانشگاه تبریز

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :