مقایسه مقادیر مشاهداتی بارش و اطلاعات بارش ماهواره ای PERSIANN و CMORPH - روش های درونیابی در مقیاس ساعتی و روزانه (مطالعه موردی: حوضه آبریز شاپور)

Publish Year: 1397
نوع سند: مقاله ژورنالی
زبان: Persian
View: 197

This Paper With 13 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_IWRR-14-4_001

تاریخ نمایه سازی: 29 بهمن 1401

Abstract:

بارش یک پارامتر مهم در چرخه هیدرولوژی بوده و کمبود داده های آن از بزرگترین مشکلات در تحلیل های اقلیمی و هیدرولوژیک است. لذا، محققین استفاده از تصاویر ماهواره ای حاصل از سنجش از دور را به عنوان یکی از راهکارهای عملی به منظور تخمین بارش مطرح کرده اند. در این مقاله، به ارزیابی اطلاعات بارش ماهواره های PERSIANN و CMORPH در حوضه آبریز شاپور پرداخته شده است. بدین منظور، از اطلاعات بارش روزانه و ساعتی ایستگاه های حوضه شاپور ۲۸ رویداد بارش (مقیاس ساعتی) و ۴۱ رویداد (مقیاس روزانه) در بازه زمانی ۹۵-۹۱ برای ایستگاه بوشیگان کازرون واقع در محدوده مطالعاتی کازرون استفاده شد. نتایج نشان داد که ماهواره های PERSIANN و CMORPH در مقیاس ساعتی و روزانه دقت کافی ندارند. همچنین با مقایسه داده های روزانه ۴۱ رویداد ماهواره ها، مشاهده ای و روش درونیابی کریجینگ برای ایستگاه هدف (بوشیگان کازرون) نتایج حاکی از دقت پایین تر مدل های ماهواره ای نسبت به روش درونیابی کریجینگ می باشد. همبستگی داده های مشاهداتی در مقیاس ساعتی با CMORPH نسبت به PERSIANN بیشتر است.( در مقیاس روزانه ضریب همبستگی ۱۹۶/۰و ۳۰۹/۰ به ترتیب برای CMORPH و PERSIANN) همچنین، شاخص های ارزیابیPOD, FAR, CSI و TSS برای مقیاس ساعتی محاسبه و تحلیل شدند. نتایج نشان می دهد اگرچه مدل CMORPH در مقیاس ساعتی همبستگی بیشتری را با داده های مشاهداتی دارد، اما در آشکارسازی تعداد روزهای بارانی(شاخصPOD) مدل PERSIANN نتایج بهتری را ارائه کرده است.

Authors

محمد رضا زنگنه اینالو

کاندید دکتری/ آبیاری و زهکشی دانشگاه فردوسی مشهد

بیژن قهرمان

استاد /گروه مهندسی آب، دانشگاه فردوسی مشهد

علیرضا فریدحسینی

دانشیار /گروه مهندسی آب، دانشکده کشاورزی، دانشگاه فردوسی مشهد

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 :
  • Abdollahi B, Hosseini-Moghari S M, Ebrahimi K (۲۰۱۶) Assessment of ...
  • Liang S Li X, Wang J (۲۰۱۲) Advanced Remote Sensing: ...
  • نمایش کامل مراجع