افزایش دقت داده های بارش ماهواره ای: روش ریزمقیاس سازی داده های PERSIANN با استفاده از NDVI، LST و DEM

این مطالعه بر پایه داده های بارانسنجی شهرستان تربت جام و طی یک دوره آماری ۲۳ ساله (۲۰۰۱ تا ۲۰۲۳) انجامشده است. در این پژوهش، داده های بارش ماهوارهای PERSIANN با وضوح مکانی ۲۷ کیلومتر با استفاده از داده های NDVI، دمای سطح زمین (LST)  و مدل ارتفاعی (DEM) و با کمک الگوریتم یادگیری ماشین جنگل تصادفی (RF) به وضوح مکانی یک کیلومتر ارتقا یافت. برای ارزیابی دقت ریزمقیاس سازی داده های بارش ماهواره ای نسبت به داده های ایستگاه های زمینی، از معیارهای آماری شامل ضریب همبستگی (CC)، ریشه میانگین مربعات خطا (RMSE)  و میانگین خطای مطلق (MAE)  استفاده شد. علاوه بر این، روش تصحیح باقیمانده ها برای افزایش دقت پیش بینی مدل به کار گرفته شد. نتایج نشان داد که روش تغییر مقیاس همراه با داده های کمکی مکانی و الگوریتم جنگل تصادفی، دقت مدلسازی بارش را به طور چشمگیری بهبود بخشیده است. نتایج نشان داد که در تمامی ایستگاه های موردمطالعه و در مقیاس های زمانی ماهانه و سالانه استفاده از روش اصلاح باقیمانده باعث بهبود قابل توجهی در دقت پیش بینی ها شد. به طوری که در مقیاس بارش ماهیانه بعد از اصلاح باقیمانده ضریب همبستگی از ۲۹-۲۲ درصد افزایش، ریشه میانگین مربعات خطا از ۶۴-۶۱% کاهش و میانگین مطلق خطا به میزان ۶۸-۶۰ درصد کاهش نشان داد. در مقیاس سالانه ضریب همبستگی از ۳۵-۷ درصد، ریشه میانگین مربعات خطا از ۷۴-۶۹ درصد کاهش و میانگین مطلق خطا به میزان ۷۶-۶۹ درصد کاهش نشان داد. این مطالعه بر اثربخشی روش مذکور در بهبود دقت پیش بینی در مقیاس های زمانی مختلف در منطقه مورد بررسی تاکید دارد. علاوه بر این، مفاهیم عملی این پژوهش بینش های ارزشمندی را برای مدلسازی هیدرولوژیکی و مدیریت منابع آب، به ویژه در مناطقی که داده های ایستگاه زمینی محدود است، ارائه می دهد. یافته های این تحقیق میتواند به بهبود مدیریت منابع آبی و برنامه ریزی های اقلیمی، به خصوص در مناطق خشک و نیمه خشک، کمک قابل توجهی نماید.

Keywords:

افزایش وضوع مکانی , بارش , داده های ماهواره پرشین , یادگیری ماشین