ارزیابی آماری برآورد بارش مبتنی بر تکنیک سنجش از دور در استان های البرز، قزوین، زنجان، کردستان و همدان
سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 162
فایل این مقاله در 27 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_GIS-11-2_002
تاریخ نمایه سازی: 9 آبان 1400
چکیده مقاله:
تخمین بارش در محاسبات بیلان انرژی، مطالعات هیدرولوژیکی و هواشناسی از اهمیت چشمگیری برخوردار است. با توجه به اهمیت داده های بارش در علوم مختلف و عدم وجود شبکه باران سنجی گسترده و مناسب، لازم است داده های بارش به نحوی برآورد شوند. یکی از راههای برآورد بارش، استفاده از داده های ماهواره ای است. در این پژوهش، به ارزیابی داده های بارش مدل GLDAS، CRU، GPCP، TRMM، CMAP و NCEP-NCAR با داده های ایستگاهی در استان های البرز، قزوین، زنجان، کردستان و همدان پرداخته شد. نتایج نشان داد که در این مناطق، بارش GPCP، TRMM، CMAPو NCEP-NCAR نتایج خوبی داشتند و از میان آنها GPCP وTRMM نتیجه بهتری را ارائه کرده اند. در ارزیابی GPCP با میانگین ایستگاه های منطقه مورد مطالعه در پیکسل ۳ در سال ۲۰۰۳، ضریب تبیین (R۲)، ضریب کارایی مدل(EF)، خطای اریب میانگین (MBE)، میانگین مطلق خطا (MAE) و ریشه میانگین مربعات خطا (RMSE) به ترتیب برابر ۹۶/۰، ۹۴/۰، ۱۳/۳، ۳۰/۵ و ۵۸/۶ میلی متر بر ماه به دست آمد. همچنین داده های بارش مدل GLDAS با داده های ایستگاهی مورد ارزیابی قرار گرفت و نتایج نشان داد که در مناطقی که بارش زیاد است، مانند ایستگاه رشت و نوشهر مدل GLDAS از دقت خوبی برخوردار نیست
کلیدواژه ها:
نویسندگان
مژگان احمدی
دانشجوی کارشناسی ارشد مهندسی منابع آب دانشگاه بین المللی امام خمینی (ره)، قزوین، دانشگاه بین المللی امام خمینی (ره)،
عباس کاویانی
استادیار گروه مهندسی آب دانشگاه بین المللی امام خمینی (ره)، قزوین، دانشگاه بین المللی امام خمینی (ره)
پیمان دانش کار آراسته
دانشیارگروه مهندسی آب دانشگاه بین المللی امام خمینی (ره)، قزوین، دانشگاه بین المللی امام خمینی (ره)،
زهره فرجی
دانشجوی دکتری آبیاری و زهکشی دانشگاه بین المللی امام خمینی (ره)، قزوین، دانشگاه بین المللی امام خمینی (ره)،
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :