ارزیابی کیفیت داده های ماهواره ای برآورد بارش با استفاده از شبیه سازی جریان در مدل سازی هیدرولوژیکی (مطالعه موردی: حوضه آبخیز تیغ سیاه)

سال انتشار: 1403
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 68

فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JWMR-15-2_002

تاریخ نمایه سازی: 6 آذر 1403

چکیده مقاله:

چکیده مبسوط مقدمه: بارش یکی از مهم ترین ورودی ها در مدل های هیدرولوژیکی است. از آنجا که بارش از نظر مکانی و زمانی بسیار متغیر است، داده های با تفکیک زمانی و مکانی بالا برای مدل سازی دقیق هیدرولوژیکی مورد نیاز است. اندازه گیری دقیق بارش را می توان به طور کلی از ایستگاه های هواشناسی معمولی به‎دست آورد. با این‎حال، ایستگاه های باران سنجی پراکنده می توانند منجر به نمایش ضعیف بارش از نظر مکانی شوند. این کمبود در دقت مکانی می تواند به‎خصوص در مناطق با تغییرات جغرافیایی شدید، مانند نواحی کوهستانی، تاثیر قابل‎توجهی بر نتایج مدل سازی داشته باشد. فقدان داده های بارش با وضوح بالا می تواند به شبیه سازی های هیدرولوژیکی با کیفیت پایین و راه حل های نامناسب برای مشکلات منابع آب منجر شود. در کشورهای در حال توسعه، مانند ایران، کمبود منابع مالی و فنی منجر به شبکه های باران سنجی با توزیع پراکنده و غیریکنواخت می شود. این توزیع نابرابر می تواند مشکلات عمده ای در زمینه پیش بینی و مدیریت منابع آب ایجاد کند. به‎منظور پر کردن این شکاف، داده های بارش، دما و تبخیر و تعرق مورد نیاز برای مدل سازی هیدرولوژیکی توسط سازمان های مختلف با استفاده از محصولات سنجش از راه دور مبتنی بر ماهواره ارائه شده اند. محصولات بارش شبکه ای در مقیاس جهانی یا شبه جهانی با وضوح های زمانی و مکانی مختلف در چند دهه اخیر تولید شده اند. این محصولات شامل داده هایی هستند که از منابع مختلف جمع آوری و سپس با استفاده از مدل های پیچیده پردازش می شوند تا نقشه های بارش با دقت بالا تولید شود. بنابراین، نیاز به ارزیابی کیفیت، تناسب و صحت این محصولات در مناطق مختلف قبل از استفاده از آن ها در مدل سازی هیدرولوژیکی و تصمیم گیری در زمینه منابع آب وجود دارد. مواد و روش: این مطالعه کیفیت داده های چهار محصول پرکاربرد برآورد بارش ماهواره ای با وضوح بالا شامل: CMORPH، ۳B۴۲RT، ۳B۴۲ و PERSIANN را برای شبیه سازی جریان آب با استفاده از مدل هیدرولوژیکی ابزار ارزیابی خاک و آب (SWAT) در حوضه آبخیز کوهستانی ۳۱۲ کیلومتر مربعی تیغ سیاه در جنوب شرقی ایران ارزیابی می کند. حوضه آبخیز تیغ سیاه به‎دلیل ویژگی های جغرافیایی و اقلیمی خاص خود، محیط مناسبی برای بررسی دقت و کارایی داده های ماهواره ای در شبیه سازی هیدرولوژیکی فراهم می آورد. در این مطالعه، دو رویکرد مختلف واسنجی مدل SWAT به‎منظور ارزیابی کیفیت داده های ماهواره ای برآورد بارش مورد بررسی قرار گرفت. اولین رویکرد واسنجی با استفاده از داده های اندازه گیری شده بارش در ایستگاه های باران سنجی به‎عنوان ورودی مدل انجام شد. در این رویکرد، داده های اندازه گیری شده به‎عنوان مرجع و پایه ای برای ارزیابی دقت و صحت داده های ماهواره ای استفاده شدند. دومین رویکرد واسنجی با هریک از محصولات بارش ماهواره ای به‎عنوان ورودی مدل صورت گرفت. در این روش، داده های ماهواره ای به‎طور مستقیم به مدل SWAT وارد شده و نتایج شبیه سازی جریان آب با استفاده از این داده ها با نتایج حاصل از داده های اندازه گیری شده مقایسه شدند. این مقایسه ها به‎منظور تعیین دقت و کارایی هریک از محصولات ماهواره ای در شبیه سازی جریان آب در حوضه آبخیز تیغ سیاه انجام گرفت. نتایج حاصل از این مطالعه می تواند به شناسایی نقاط قوت و ضعف هر یک از محصولات ماهواره ای برآورد بارش کمک کرده و راهکارهایی برای بهبود دقت شبیه سازی های هیدرولوژیکی ارائه دهد. یافته ها: نتایج این مطالعه نشان دهنده خطای قابل توجهی در تخمین های مربوط به داده های ماهواره ای برآورد بارش است. با این‎حال، عملکرد هر محصول ماهواره ای برآورد بارش متفاوت می باشد. به طور خاص، محصولات ۳B۴۲RT و CMORPH کیفیت بهتری در برآورد بارش نسبت به ۳B۴۲  وPERSIANN نشان دادند. این تفاوت ها در دقت داده های ماهواره ای می تواند تاثیر زیادی بر نتایج شبیه سازی های هیدرولوژیکی داشته باشد. مدل واسنجی شده با داده های ماهواره ای برآورد بارش در مقایسه با مدل واسنجی شده با داده های ایستگاه باران سنج، عملکرد بهتری در شبیه سازی جریان نشان داد. از طرفی، مدل واسنجی شده با داده های ماهواره ای برآورد بارش منجر به بیش برآورد شماره منحنی (CN) شد. بنابراین، هنگام استفاده از مقادیر پارامترهای واسنجی شده با ورودی های ماهواره ای برآورد بارش باید احتیاط کرد. برای بهبود دقت شبیه سازی ها، تصحیح خطای داده های ماهواره ای برآورد بارش در دو مرحله انجام شد. در مرحله اول، در هر پیکسل تخمین، خطا در هر گروه داده ماهواره ای با تقسیم تخمین بارش ماهانه بر مقدار بارش باران سنج مربوطه برآورد شد. سپس، مقدار بارش ماهانه هر داده ماهواره ای در مقدار خطای به‎دست آمده ماهانه ضرب شد تا خطا در تمامی داده های ماهواره ای برآورد بارش از بین برود. نتایج نشان داد که تصحیح خطای تخمین های حاصل از داده های ماهواره ای برآورد بارش به‎طور قابل توجهی شبیه سازی جریان با استفاده از مدل SWAT را بهبود می بخشد. این بهبود نشان می دهد که با انجام تصحیحات مناسب، داده های ماهواره ای می توانند ابزار مفیدی برای شبیه سازی های هیدرولوژیکی باشند، به ویژه در مناطقی که داده های زمینی محدود یا پراکنده هستند. این مطالعه همچنین تاکید می کند که استفاده از داده های تصحیح شده می تواند دقت و قابلیت اعتماد نتایج مدل سازی را افزایش دهد و به تصمیم گیری های بهتر در زمینه مدیریت منابع آب کمک کند. نتیجه گیری: این مطالعه نشان داد که تخمین های حاصل از ماهواره های برآورد بارش هنگامی که مستقیما توسط مدل هیدرولوژیکی به جریان شبیه سازی شده تبدیل می شوند، منجر به خطاهای زیادی می شوند. این خطاها ممکن است به‎دلیل وسعت کوچک و کوهستانی بودن حوضه آبخیز تیغ سیاه باشد. در این مورد، تصحیح خطای داده های ماهواره ای برآورد بارش به‎طور قابل توجهی شبیه سازی مدل را بهبود می بخشد. نتایج این مطالعه حاکی از آن است که بهترین شبیه سازی مدل بر اساس ورودی های بارش ماهواره ای پس از تصحیح خطا و واسنجی مجدد مدل با استفاده از داده های ماهواره ای تصحیح شده به‎دست می آید. این یافته ها بر اهمیت اصلاح داده های ماهواره ای پیش از استفاده در مدل سازی های هیدرولوژیکی تاکید دارد و نشان می دهد که با انجام تصحیحات مناسب، می توان به دقت بالاتری در پیش بینی ها و تصمیم گیری های مرتبط با مدیریت منابع آب دست یافت.

کلیدواژه ها:

Bias correction ، Calibration Approach ، Satellite Rainfall Estimation Data ، Streamflow Simulation ، تصحیح خطا ، داده های ماهواره­ای برآورد بارش ، رویکرد واسنجی ، شبیه سازی جریان

نویسندگان

پدرام سوداگر

Faculty Member of Department of Civil Engineering, National University of Skills (NUS), Tehran, Iran

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 :
  • Alibakhshi, S. M., Farid Hossini, F., Davari, K., Alizadeh, A., ...
  • Arnold, J. G., Srinivasan, R., Muttiah, R. S., & Williams, ...
  • Beven, K., & Westerberg, I. (۲۰۱۱). On red herrings and ...
  • Bitew, M. M., & Gebremichael, M. (۲۰۱۰). Evaluation through independent ...
  • Cronshey, R. (۱۹۸۶). Urban hydrology for small watersheds (No. ۵۵). ...
  • Duan, Z., & Bastiaanssen, W. (۲۰۱۳). First results from Version ...
  • Duan, Z., Møller, N., Greenberg, J., & Weare, J. H. ...
  • Eckhardt, K., & Arnold, J. (۲۰۰۱). Automatic calibration of a ...
  • Gassman, P. W., Reyes, M. R., Green, C. H., & ...
  • Ghorbanian, A., Mohammadzadeh, A., Jamali, S., & Duan, Z. (۲۰۲۲). ...
  • Hirpa, F. A., Gebremichael, M., & Hopson, T. (۲۰۱۰). Evaluation ...
  • Hong, Y., Gochis, D., Cheng, J.-t., Hsu, K.-l., & Sorooshian, ...
  • Huffman, G. J., Bolvin, D. T., Nelkin, E. J., Wolff, ...
  • Hughes, D. (۲۰۰۶). Comparison of satellite rainfall data with observations ...
  • Jahanshahi, A., S. H., Booij, M. (۲۰۲۴). Comparison of satellite-based ...
  • Javanmard, S., Yatagai, A., Nodzu, M. I., BodaghJamali, J., & ...
  • Jiang, S., Liu, S., Ren, L., Yong, B., Zhang, L., ...
  • Joyce, R. J., Janowiak, J. E., Arkin, P. A., & ...
  • Katiraie-Boroujerdy, P.-S., Nasrollahi, N., Hsu, K.-l., & Sorooshian, S. (۲۰۱۳). ...
  • Legates, D. R., & McCabe Jr, G. J. (۱۹۹۹). Evaluating ...
  • Li, X., Balkanski, Y., Wu, Z., Gasser, T., Ciais, P., ...
  • Ndomba, P., Mtalo, F., & Killingtveit, A. (۲۰۰۸). SWAT model ...
  • Nijssen, B., & Lettenmaier, D. P. (۲۰۰۴). Effect of precipitation ...
  • Sorooshian, S., AghaKouchak, A., Arkin, P., Eylander, J., Foufoula-Georgiou, E., ...
  • Sorooshian, S., Hsu, K.-L., Gao, X., Gupta, H. V., Imam, ...
  • Spruill, C. A., Workman, S. R., & Taraba, J. L. ...
  • Tan, M., & Duan, Z. (۲۰۱۷). Assessment of GPM and ...
  • Tapiador, F. J., Turk, F. J., Petersen, W., Hou, A. ...
  • Tuo, Y., Duan, Z., Disse, M., & Chiogna, G. (۲۰۱۶). ...
  • Van Griensven, A., & Meixner, T. (۲۰۰۴). Dealing with unidentifiable ...
  • van Griensven, A. v., Meixner, T., Grunwald, S., Bishop, T., ...
  • Villarini, G., Krajewski, W. F., & Smith, J. A. (۲۰۰۹). ...
  • Wang, Q., Xia, J., She, D., Zhang, X., Liu, J., ...
  • Wood, E. F., Roundy, J. K., Troy, T. J., Van ...
  • Yang, N., Zhang, K., Hong, Y., Zhao, Q., Huang, Q., ...
  • نمایش کامل مراجع