پایش و روندیابی خشک سالی بر مبنای محصولات بارش ERA۵، CHIRPS و PERSIANN-CDR در ایران
Publish place: Water and Soil Resources Conservation، Vol: 13، Issue: 2
Publish Year: 1402
Type: Journal paper
Language: Persian
View: 92
This Paper With 15 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
JR_WSRCJ-13-2_009
Index date: 25 November 2023
پایش و روندیابی خشک سالی بر مبنای محصولات بارش ERA۵، CHIRPS و PERSIANN-CDR در ایران abstract
زمینه و هدف: کمبود داده چالش قابل توجهی برای مطالعات خشک سالی است. مجموعه داده های جایگزین برای تکمیل منابع داده های موجود ایجاد و ارائه می شوند. با وجود عدم قطعیت ذاتی مرتبط با مجموعه داده های جایگزین، این مجموعه داده های شبکه بندی شده داده های آب و هوایی پیوسته و بلند مدت به لحاظ مکانی را فراهم می کنند و برای ارزیابی خشک سالی در تغییرات اقلیمی مناسب هستند. چندین مطالعه درباره مدل سازی دوره های خشک سالی در سراسر ایران با استفاده از مجموعه داده های نقطه ای و محصولات شبکه بندی صورت گرفته است. با این حال، بیشتر این مطالعات بر شناسایی خطاهای مربوط به مقادیرمطلق شاخص های خشک سالی و تشخیص خشک سالی تمرکز داشته اند.روش پژوهش: در این مطالعه، عملکرد سه مجموعه داده شبکه بندی ERA۵، CHIRPS و PERSIANN-CDR در برآورد خشک سالی در شرایط اقلیمی مختلف ایران مورد ارزیابی قرار گرفت. مجموعه داده های مورد بررسی نسل پنجم مرکز اروپا برای پیش بینی هوای متوسط (ERA۵)، بارش مادون قرمز گروه مخاطرات آب و هوا با داده های ایستگاه (CHIRPS) و تخمین بارش از اطلاعات سنجش از دور با استفاده از شبکه های عصبی مصنوعی- رکورد داده های آب و هوا ( PERSIANN-CDR). شاخص خشک سالی بارش استاندارد شده در سه بازه ی زمانی ۳ (SPI۳)، ۶ (SPI۶)، و ۱۲ (SPI۱۲) ماهه استفاده شد. داده های بارش از سازمان هواشناسی ایران برای ۳۵ ایستگاه در بازه زمانی ۱۹۸۸ تا ۲۰۱۷ جمع آوری شد. نواحی مورد مطالعه شامل مناطق فراخشک، خشک، نیمه خشک و مرطوب/نیمه مرطوب بودند. برای تجزیه و تحلیل روند تغییرات بارش، از برآوردگر شیب سن و آزمون ناپارامتری من کندال استفاده شد. یافته ها: نتایج نشان داد که داده های شبکه بندی در تشخیص ماه های خشک سالی و برآورد مقادیر شاخص ها در نواحی مرطوب/نیمه مرطوب عملکرد ضعیفی داشتند. با این وجود، داده های ERA۵ مقدار شاخص های SPI۳، SPI۶، و SPI۱۲ را در بیش از دو-سوم مناطق خشک و نیمه خشک با دقت مناسبی برآورد کردند. همچنین، ERA۵ در اکثر مناطق خشک و نیمه خشک عملکرد مناسبی در تشخیص دوره های خشک سالی بلند مدت (SPI۱۲) از خود نشان داد. به طور ویژه، داده های ERA۵ رویدادهای خشک سالی شدید و طولانی مدت ۱۹۹۸-۲۰۰۱ و ۲۰۰۷-۲۰۰۹ را بخوبی در مناطق خشک و نیمه خشک تشخیص دادند. این دوره های خشک سالی شدید که توسط ERA۵ تشخیص داده شده اند، تاثیرات منفی قابل توجهی بر بخش کشاورزی در خاورمیانه داشته اند، که این به نوبه خود نیاز حیاتی به نظارت و مدیریت دقیق خشک سالی را برجسته می کنند. لیکن داده های CHIRPS و PERSIANN-CDR عملکرد نامناسبی در تخمین مقدار SPI و تشخیص ماه های خشک سالی در اکثر مناطق خشک و نیمه خشک داشتند. علاوه بر این، داده های ERA۵ برآوردی قابل اعتماد از معنی داری و جهت شیب SPI۳، SPI۶، و SPI۱۲ در بیش از نیمی از مناطق خشک و نیمه خشک ارائه داد، در حالی که CHIRPS و PERSIANN-CDR برآورد های نادرستی در بیشتر مناطق ارائه کردند. با این حال، در برخی از موارد که مقادیر SPI و ماه های خشک سالی به درستی مدل سازی نشدند، معنی داری و جهت شیب به درستی تخمین زده شد. این یافته ها نشان می دهند که ممکن است برآورد های نادرست SPI مجموعه داده های شبکه بندی شده بیانگر محدودیت هایی در توانایی های تعریف خشکسالی باشد، اما این به معنی نامناسب بودن آن ها برای تجزیه و تحلیل روند و ارزیابی تغییرات اقلیمی نیست. نتایج: نتایج نشان می دهند که ERA۵ عملکرد بهتری در برآورد مقادیر SPI، تشخیص دوره های خشک سالی و برآورد معنی داری و شیب SPI در مناطق خشک و نیمه خشک نسبت به سایر مجموعه داده های جایگزین دارد. بنابراین، داده های بارش ERA۵ می توانند برای مدل سازی و نظارت بر خشک سالی تحت تغییرات اقلیمی در مناطق خشک و نیمه خشک به کار روند.
پایش و روندیابی خشک سالی بر مبنای محصولات بارش ERA۵، CHIRPS و PERSIANN-CDR در ایران Keywords:
پایش و روندیابی خشک سالی بر مبنای محصولات بارش ERA۵، CHIRPS و PERSIANN-CDR در ایران authors
میلاد نوری
موسسه تحقیقات خلک و آب، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران.
شادمان ویسی
موسسه تحقیقات خلک و آب، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران.
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 :