19179

۱۹۱۷۹

ارزيابي محصولات ماهواره‌اي بارش جهت محاسبه شاخص خشكسالي هواشناسي SPI در حوضه آبريز درياچه اروميه

كارشناسي ارشد

عمران - آب

۱۳۹۴

۱۳۹۶/۱۲/۲۱

دكتر باقر ذهبيون

عمران

چكيده ﺧﺸﻜﺴﺎﻟﻲ ﻳﻜﻲ از ﺑﻼﻫﺎي ﻃﺒﻴﻌﻲ و ﭘﺪﻳﺪه¬هاي ﺗﻜﺮارﺷﻮﻧﺪه در ﺗﻤﺎﻣﻲ ﻧﻘﺎط ﺑﺎ اﻗﻠﻴﻢﻫﺎي مختلف است و ﻣﺤﺪود ﺑﻪ ﻣﻨﺎﻃﻖ ﺧﺸﻚ و ﻧﻴﻤﻪﺧﺸﻚ نيست. كشور ما نيز جز ﻛﺸﻮرﻫﺎﻳﻲ اﺳﺖ ﻛﻪ ﺑﺎ خشكسالي در ﻧﻘﺎط ﻣﺨﺘﻠﻒ خود درگير اﺳﺖ. حوضه آبريز درياچه اروميه يكي از حوضه¬هاي آبريز مهم كشور است كه خطر پديده خشكسالي آن را به شدت تهديد مي¬كند. اكثر روش¬هاي محاسبه خشكسالي بر مبناي داده‌هاي بارش ايستگاه¬هاي زميني است اگرچه اين داده¬ها در محل ايستگاه¬هاي زميني داراي دقت بالايي است اما داراي معايب مختلفي همچون محدوديت¬ مكاني ايستگاه¬ها، تراكم كم ايستگاه¬ها مخصوصاً در نقاط صعب‌العبور و پرهزينه بودن اندازه¬گيري¬ در اين ايستگاه¬ها است. لذا به‌كارگيري سيستم¬هاي سنجش از دور در برآورد بارش در نقاط فاقد ايستگاه امري ضروري به نظر مي¬رسد. در اين پژوهش با استفاده از داده‌هاي ايستگاه¬هاي زميني حوضه آبريز درياچه اروميه در بين سال¬هاي 1998 تا 2016 دقت مدل¬هاي ماهواره¬اي در تخمين ميزان بارش و خشكسالي هواشناسي مورد ارزيابي قرار گرفت. شاخص¬هاي مختلفي براي تحليل خشكسالي ارائه شده است كه شاخص خشكسالي هواشناسي SPI از همه بيشتر استفاده شده است و داراي اعتبار بيشتري است. نتايج حاصله حاكي از دقت متوسط دو مدل TRMM و GPCP دارد. مدل TRMM در برآورد خشكسالي هواشناسي SPI ضريب همبستگي 0.75 و ضريب خطاي RMSE 0.7 را دارا بوده است همچنين مدل GPCP در برآورد خشكسالي هواشناسي SPI داراي ضريب همبستگي 0.82 و ضريب خطاي RMSE 0.7 بوده است كه در مقايسه با ساير مدل¬ها عملكرد بهتري داشته است. مدل PERSIANN-CDR نيز داراي ضريب همبستگي 0.65 و ضريب خطاي RMSE 0.78 بوده است. اگرچه مدل PERSIANN در برخي نقاط حوضه آبريز نتايج متوسطي ارائه داد اما در اكثر نقاط اين مدل نتايج ضعيفي ارائه كرده است. اين مدل داراي ضريب همبستگي 0.45 و ضريب خطاي RMSE 1 بوده است. همچنين با مدل CMORPH امكان تخمين¬ مناسب از خشكسالي فراهم نشد و نتايج بسيار ضعيفي ارائه كرد. واژه‌هاي كليدي: خشكسالي، PERSIANN,PERSIANN-CDR، TRMM،CMORPH و GPCP.

1397/04/22

Evaluation of Precipitation Satellite Product for meteorological drought Index SPI Calculation in the Lake Urmia Basin

3/12/2018 12:00:00 AM

Abstract: Drought is one of the natural disasters and recurring phenomena in all parts of the world with different climates and is not limited to arid and semi-arid areas. Our country is also involved with drought in different area. The catchment area of Lake Urmia is one of the most important watersheds in the country, which threatens the dangers of its drought phenomenon. Most drought calculation methods are based on rainfall data of ground stations, although these data are highly accurate, but have various disadvantages such as location constraints, low station densities, especially in Impassable points, and expensive cost of measurements at these stations. Therefore, the use of remote sensing systems in estimating rainfall in locations without a station seems to be necessary. In this study, using the data of ground stations in the catchment area of Lake Urmia during the years 1998 to 2016, the accuracy of satellite models in estimating precipitation and meteorological drought was evaluated. Various indicators for drought analysis have been presented that the SPI Meteorological Drought Index is the most widely used and more valid. The results indicate that both of the TRMM and GPCP models have average accuracy. The TRMM model in the estimation of SPI meteorological drought has a correlation coefficient of 0.75 and a error coefficient of RMSE is 0.7. Also, the GPCP model in SPI meteorological drought estimation has a correlation coefficient of 0.82 and a error coefficient of RMSE is 0.7 , which was better than other models. The PERSIANN-CDR model has a correlation coefficient of 0.65 and a RMSE error rate of 0.78. Although the PERSIANN model offers mediocre results in some parts of the catchment area, but in most parts of the model, it presents poor results. This model has a correlation coefficient of 0.45 and an error factor of RMSE is 1. Also, the CMORPH model did not allow for adequate estimation of drought and provided very poor results. Keywords: Drought , PERSIANN، PERSIANN-CDR , TRMM ، CMORPH and GPCP.