خشکسالی محدودیت قابل توجهی در توسعه اقتصادی ایجاد می کند. ارزیابی خشکسالی با استفاده از شاخص استاندارد بارش (S PI) فقط از داده های بارش استفاده می کند و سایر فرآیندهای محاسباتی اضافی و پیچیده را حذف می کند. با این حال، ایستگاه‌های پراکنده در جنوب غربی چین و فقدان اطلاعات در مورد اندازه‌گیری‌های واقعی بارش، ارزیابی خشکسالی را به شدت به داده‌های بارش ماهواره‌ای وابسته می‌کند که صحت آن را نمی‌توان تضمین کرد. خوشبختانه، حوضه رودخانه چنگبی در شهر بیس از نظر داده های بارش ایستگاه غنی است. در این مقاله، بر اساس ارزیابی دقت داده‌های بارش IMERG، رگرسیون وزن‌دار جغرافیایی (GWR)، تحلیل تفاوت جغرافیایی (GDA) و تابع توزیع تجمعی (CDF) برای ترکیب داده‌های بارش ایستگاه و داده‌های بارش IMERG استفاده شده است. در نهایت، داده های بارش ذوب شده با بالاترین دقت برای ارزیابی وضعیت خشکسالی انتخاب می شوند. نتایج نشان می‌دهد که دقت داده‌های بارش IMERG نیاز به بهبود دارد و کیفیت داده‌های بارش ترکیب‌شده با CDF بالاتر از دو مورد دیگر است. تجزیه و تحلیل خشکسالی نشان داد که حوضه رودخانه چنگبی در وضعیت خشکسالی و سیل دوره ای قرار دارد و از اکتبر تا دسامبر 2014، SPI اساساً بین 1+ و 1- بود، که یک الگوی فضایی از سیل خفیف، شرایط عادی و خشکسالی خفیف را نشان می‌دهد.

کلید واژه ها:

IMERG ; حوضه رودخانه چنگبی ; مدیریت بلایای خشکسالی ; شاخص استاندارد بارش

1. مقدمه

خشکسالی صدمات زیادی به تولید و حیات جامعه بشری وارد می‌کند و ممکن است اثرات غیرمستقیم جدی بر اکوسیستم‌ها و گونه‌های وابسته به آب داشته باشد که یکی از بلایای طبیعی با بیشترین وقوع و علل پیچیده است [ 1 ، 2 ]. رخدادهای خشکسالی معروف بسیاری در جهان با خسارات سنگین و اثرات منفی رخ داده است. به عنوان مثال، در یورکشایر، انگلستان، شدیدترین خشکسالی آب از سال 1995 تا 1996، با تخمین دوره بازگشت بیش از 200 سال بود [ 3 ]. در ایالات متحده، 18 خشکسالی بین سال‌های 1980 تا 2013، 253 میلیارد دلار خسارت وارد کرد. آخرین رویداد خشکسالی خشکسالی در کالیفرنیا از سال 2011 تا 2014 بود که خسارت آن از 50 میلیارد دلار فراتر رفت [ 4 ]]. بر اساس گزارش مرکز ملی اطلاعات محیطی (NCEI) در سال 2012، نزدیک به دو سوم قاره ایالات متحده از خشکسالی رنج برد که ده ها میلیارد دلار خسارت به بار آورد . به منظور به حداقل رساندن خسارات اقتصادی ناشی از خشکسالی، دانشمندان بیش از پیش از اهمیت تحقیقات در بلایا آگاه می شوند. نتایج تحقیقات مثمر ثمری در جنبه های مختلف ارزیابی خشکسالی [ 6 ، 7 ، 8 ، 9 ، 10 ، 11 ، 12 ]، هشدار زودهنگام خشکسالی [ 13 ، 14 ، 15 ، 16 ، 17 ، 18 وجود دارد.، 19 ] و مدیریت خشکسالی [ 20 ، 21 ، 22 ، 23 ].
از آنجایی که تنها داده های بارش در ارزیابی خشکسالی با استفاده از SPI استفاده می شوددقت نتایج ارزیابی به شدت به دقت داده های بارش بستگی دارد. در حال حاضر راه های اصلی برای به دست آوردن داده های بارش، رصد ایستگاه زمینی و رصد ماهواره ای است. ایستگاه های زمینی می توانند اطلاعات بارش با دقت بالا را به دست آورند، اما کمیت محدود و توزیع ناهموار، انعکاس ناهمگونی توزیع مکانی و زمانی بارش را دشوار می کند. با توسعه فناوری بارش وارونگی ماهواره در سال‌های اخیر، محدودیت‌های مکانی و زمانی اطلاعات بارش قابل حل است، اما خطاهایی در نتایج محصولات بارش وارونگی ماهواره‌ای به دلیل تأثیر توپوگرافی [ 24 ]، اقلیم [ 25 ] وجود دارد. موقعیت دریای مجاور [ 26]، شدت بارندگی [ 27 ] و غیره. بنابراین لازم است مزایای داده‌های بارش ایستگاه و داده‌های بارش ماهواره‌ای برای به دست آوردن داده‌های همجوشی بارش دقیق با سری‌های زمانی طولانی و وسعت فضایی گسترده ترکیب شود که می‌تواند به ارزیابی دقیق خشکسالی کمک کند. در سال های اخیر، محققان به طور گسترده بر روی انتخاب داده های ماهواره ای، ادغام داده های بارش و ارزیابی دقیق خشکسالی کار کرده اند.
تجزیه و تحلیل دقت IMERG و دو مجموعه از داده های ماهواره ای TRMM (TRMM 3B42 و TRMM 3B42RT) با استفاده از روش میانگین گیری ساده در سنگاپور نشان داد که داده های ماهواره ای IMERG از نظر توصیف تنوع مکانی بارش و قابلیت تشخیص بارش بهتر از داده های ماهواره ای TRMM عمل می کند . ]. سایر محققان بارش IMERG، بارش TMPA و بارش GSMaP را در هند مقایسه و تجزیه و تحلیل کردند، و این مطالعه نشان داد که داده های IMERG می تواند میانگین مقدار بارندگی موسمی و تنوع آن را به طور واقعی تر از داده های TMPA و GSMaP تنظیم شده با اندازه گیری منعکس کند [ 29 ]. معظمی و همکاران [ 30] عملکرد چندین تخمین بارندگی سنجش از دور با وضوح بالا را در مقیاس‌های زمانی ساعتی و روزانه در کانادا برای 2014-2018 بررسی کرد. مطالعه برآوردهای بارش IMERG V06 و MRMS با وضوح زمانی نسبتاً بالا نشان داد که هر دو محصول پتانسیل تکمیل مشاهدات زمینی بر روی کانادا را دارند. آیات و همکاران [ 31 ] تأثیر منابع مختلف داده را در عدم قطعیت‌های یک محصول ماهواره‌ای ادغام شده با مقایسه بازیابی‌های چند ماهواره‌ای یکپارچه برای محصول نهایی GPM (IMERG) (V06B) با یک محصول رادار زمینی، چند رادار چندگانه ارزیابی کرد. حسگر (MRMS)، با استفاده از هر دو رویکرد مبتنی بر پیکسل و مبتنی بر شی. در سال 1391 آقاکوچک و همکاران. [ 32] از یک الگوریتم تصحیح بیزی برای ترکیب داده های GPCP با مجموعه داده های بارش ماهواره ای در زمان واقعی برای پایش و تجزیه و تحلیل خشکسالی استفاده کرد. Hnilica و همکاران [ 33] یک رویکرد جدید برای تصحیح سوگیری با استفاده از مؤلفه‌های اصلی در ترکیب با نقشه‌برداری کمی ارائه کرد که امکان تصحیح مجموعه داده‌های چند متغیره را فراهم کرد. روش پیشنهادی به طور قابل توجهی سوگیری در ساختارهای کوواریانس و همبستگی و همچنین در توزیع متغیرهای فردی را کاهش داد. نقشه‌های بارش مشتق‌شده از مأموریت اندازه‌گیری باران استوایی (TRMM) تجزیه و تحلیل بارش چند ماهواره‌ای (TMPA) 3B42 v7 محصول بارش خام مبتنی بر ماهواره ارائه‌شده توسط سازمان ملی هوانوردی و فضایی (NASA) برای تجزیه و تحلیل شدت، مدت و خشکسالی استفاده شد. مناطق ضربه در حوضه بسته قونیه از سال 1998 تا 2015 [ 34 ]. کتیرایی بروجردی، پی اس و همکاران. [ 35] از یک روش نگاشت کمی با اطلاعات گیج برای کاهش خطای سیستماتیک تخمین بارش از اطلاعات سنجش از راه دور با استفاده از شبکه‌های عصبی مصنوعی-سیستم طبقه‌بندی ابری (PERSIANN-CCS) استفاده کرد. در طول کالیبراسیون و اعتبارسنجی، میانگین سطح بایاس سالانه 98٪ کاهش یافت. لی و همکاران [ 36 ] یک رویکرد کارآمد مبتنی بر ترکیبی از شبکه عصبی کانولوشن و معماری رمزگذار خودکار، به نام شبکه عصبی رمزگذار خودکار کانولوشن، برای اصلاح بایاس پیکسل به پیکسل برای محصولات مبتنی بر ماهواره ارائه کرد. در سال 2020، وی و همکاران. [ 37] مناسب بودن آخرین بازیابی‌های چندماهواره یکپارچه گذشته‌نگر برای اندازه‌گیری بارش جهانی V06 (IMERG) محصول نهایی را با دوره نسبتاً طولانی (از ژوئن 2000) برای پایش خشکسالی در سرزمین اصلی چین ارزیابی کرد.
منتصری و همکاران [ 38 ] از هفت شاخص خشکسالی هواشناسی و روش های شبیه سازی مونت کارلو برای پایش ویژگی های خشکسالی در 12 منطقه مختلف جهان با شرایط آب و هوایی مختلف استفاده کرد. نصراللهی و همکاران [ 39 ] نقشه‌های شاخص خطر خشکسالی (DHI) را با استفاده از شاخص‌های استاندارد بارش (S PI ) ارائه کرد.) برای مراحل زمانی 3 و 12 ماهه در ایستگاه های هواشناسی برای دوره 1985-2011، با استفاده از روش های درون یابی کریجینگ و شکست طبیعی در نرم افزار ArcGIS 9.3. نقشه‌های شاخص آسیب‌پذیری خشکسالی (DVI) نیز از طریق هشت شاخص اجتماعی-اقتصادی و فیزیکی ارائه شد. در نهایت، نقشه‌های شاخص خطر خشکسالی (DRI) با ادغام نقشه‌های DHI و DVI تهیه شد و مناطق آسیب‌پذیر ایران را در برابر خشکسالی شناسایی کرد. سامانتارای و همکاران [ 40 ] رویدادهای خشکسالی را در حوضه رودخانه ماهانادی مرکزی، منطقه ای عمدتا کشاورزی در اوریسا، هند، با استفاده از تنش آبی محصول به عنوان یک شاخص تجزیه و تحلیل کرد. در حال حاضر، تحقیقات در مورد خشکسالی در چین عمدتاً بر حوضه های بزرگ مانند ارزیابی و پیش بینی خشکسالی در استان شاندونگ [ 41 ] متمرکز است.]، ارزیابی خطر بلایای خشکسالی در حوضه Yellow-Huaihai [ 42 ]، ارزیابی جامع خشکسالی در بخش بالایی رودخانه یانگ تسه در سیچوان و چونگ کینگ [ 43 ]، ارزیابی جامع خشکسالی آب و هواشناسی در حوضه رودخانه Weihe [ 12 ]، و غیره مطالعات کمی در مورد کاربرد در حوضه های کوچک وجود دارد. فرناندز و همکاران [ 44 ] از یک مدل میانگین متحرک یکپارچه خودبازگشتی فصلی ضربی برای پیش‌بینی جریان ماهانه در یک حوزه آبخیز کوچک (0.067 کیلومتر مربع) در گالیسیا (NW اسپانیا) استفاده کرد. نتایج نشان داد که خشکسالی در این حوضه وجود ندارد. لیو و همکاران [ 45 ] وضعیت خشکسالی حوضه داپولینگ (1627 کیلومتر مربع) را از سپتامبر تا نوامبر با استفاده از S تجزیه و تحلیل کرد.شاخص PI .
در این مقاله حوضه رودخانه چنگبی در منطقه کارست جنوب غربی چین به عنوان منطقه مورد مطالعه در نظر گرفته شده است و بر اساس تایید در دسترس بودن داده های بارش ماهواره ای، داده های بارش ماهواره ای با داده های بارش ایستگاه ادغام شده و در نهایت، داده های بارش با بالاترین دقت پس از همجوشی برای ارزیابی خشکسالی در حوضه رودخانه چنگبی استفاده می شود.
چارچوب تحقیق از سه بخش تشکیل شده است: ارزیابی دقت داده‌های بارش IMERG، ارزیابی دقت داده‌های بارش ذوب شده و ارزیابی خشکسالی با استفاده از داده‌های بارش ذوب شده با بالاترین دقت.

2. منطقه مطالعه و مجموعه داده ها

2.1. منطقه مطالعه

حوضه رودخانه چنگبی در شهر بیس در شمال گوانگشی واقع شده است که به سیستم رودخانه راست حوضه رودخانه مروارید تعلق دارد. در حوضه که توسط Chaoli-Haokun-Nongtang محدود شده است، شمال یک لندفرم کارست معمولی است (مانند غار آب سقوط، نورگیر، رودخانه Vuolian و غیره) با خاک کم عمق پوشیده شده توسط ماسه سنگ با نفوذپذیری کم و سنگ بستر شیل [ 46 ]. و جنوب یک زمین تپه ای است.
آب و هوای این حوضه نیمه گرمسیری موسمی است و در تابستان دما و بارندگی زیاد و در زمستان کم باران است. بارندگی از ماه می تا اکتبر حدود 87 درصد از بارندگی سالانه را تشکیل می دهد و میانگین رطوبت نسبی آن 76 درصد است. در زمینه تغییرات آب و هوایی، درجه حرارت در فصل سیل تمایل به افزایش دارد [ 47 ]، با میانگین بارندگی سالانه و دمای آن به ترتیب 1416.2 میلی متر و 21.35 درجه سانتی گراد است.
سه ایستگاه هیدرولوژیکی و 9 ایستگاه بارندگی در حوضه وجود دارد که نقشه پراکنش آنها در شکل 1 نشان داده شده است. داده های اندازه گیری بارش مورد استفاده در مقاله همه از سوابق روزانه این 12 ایستگاه است. از بین این 12 ایستگاه به جز بارش سالانه ایستگاه باشو، بایلیان و ایستگاه لینه که روندی اندکی کاهشی را نشان می‌دهند، بارش سالانه سایر ایستگاه‌ها روند افزایشی را نشان می‌دهد. اطلاعات مکان ویژه هر ایستگاه و همچنین اطلاعات میانگین، حداکثر و حداقل بارش سالانه در جدول 1 نشان داده شده است.. با مقایسه داده‌های ارتفاعی با میانگین، حداکثر و حداقل داده‌های بارش در جدول، می‌توان دریافت که با افزایش ارتفاع، میزان بارش تقریباً افزایش می‌یابد. شکل 2 منحنی هیپسومتریک حوضه رودخانه چنگبی را نشان می دهد که مراحل جوانی بلوغ توسعه چشم انداز را نشان می دهد. از شکل 2 مشاهده می شود که به جز برخی از ایستگاه ها در ارتفاع پایین، توزیع ایستگاه های دیگر در این منحنی اساساً یکنواخت است و توزیع 12 ایستگاه در فضا نیز همانطور که از توزیع ایستگاه در شکل 1 مشاهده می شود، یکنواخت است. ; بنابراین، بارش این 12 ایستگاه اساساً می تواند نشان دهنده بارش سطحی منطقه مورد مطالعه باشد.

2.2. مجموعه داده ها

2.2.1. داده های ماهواره ای

تاکنون سه مجموعه مختلف از داده های ماهواره ای IMERG به نام های IMERG-Early، IMERG-Late و IMERG-Final منتشر شده است. داده های IMERG-Final با ارجاع به داده های بارش ماهانه اندازه گیری شده از ایستگاه های بارش کالیبره شده اند و دقت داده ها بهتر از دو مجموعه دیگر است. در سال های اخیر، مطالعات داخلی و بین المللی نیز ثابت کرده اند که داده های IMERG-Final بهتر از داده های IMERG-Early و IMERG-Late هستند [ 48 ]. داده‌های بارش ماهواره‌ای IMERG مورد استفاده در این مطالعه از محصول نهایی از وب‌سایت رسمی ناسا بارگیری شد، با مقیاس‌های ماهانه توسط ایستگاه‌های بارش زمینی تصحیح شد و مقیاس زمانی روزانه از 1 ژانویه 2002 تا 31 اوت 2018 بود.
2.2.2. داده های DEM
داده‌های مدل رقومی ارتفاع (DEM) مورد استفاده در این مطالعه از ابر داده‌های مکانی GDEMV2 30 متری دانلود شد و DEM حوضه رودخانه چنگبی با بخیه‌زنی، برش و تبدیل مختصات با استفاده از ArcGIS 10.6 به‌دست آمد.
2.2.3. داده های اندازه گیری شده
داده های بارش و دما اندازه گیری شده از سوابق روزانه هر ایستگاه در حوضه به دست آمد. ابزار اندازه گیری بارندگی مورد استفاده همه باران سنج های خود ثبت شده بودند.

3. روش شناسی

3.1. شاخص های ارزیابی

ضریب همبستگی ( CC ) [ 49 ، 50 ] درجه همبستگی خطی بین داده های بارش IMERG و داده های بارش ایستگاه های بارش را نشان می دهد. وقتی CC به 1 نزدیکتر است، نشان دهنده همبستگی مثبت بالاتر بین این دو است. هنگامی که CC به -1 نزدیکتر است، نشان دهنده همبستگی منفی بالاتر بین این دو است. وقتی CC 0 باشد، نشان دهنده عدم همبستگی بین این دو است.

ریشه میانگین مربعات خطا ( RMSE ) [ 51 ] منعکس کننده میزان انحراف داده های بارش IMERG از میانگین خطای داده های بارندگی از ایستگاه ها است و برای ارزیابی پایداری خطا استفاده می شود. هر چه RMSE کوچکتر باشد، دقت داده های بارش IMERG نسبت به داده های بارش ایستگاه های بارش بیشتر است. برعکس، دقت ضعیف است.

سوگیری ( BIAS ) [ 52 ] منعکس کننده توانایی داده های بارش IMERG برای ارزیابی داده های بارش ایستگاه های بارش است. وقتی BIAS > 0، داده های بارش IMERG داده های بارش ایستگاه های بارش را بیش از حد برآورد می کند. در مقابل، زمانی که BIAS <0، بارش IMERG داده های بارش ایستگاه های بارش را دست کم می گیرد.

برای معادلات (1) – (3)، و به ترتیب داده های بارش ایستگاه های بارش و داده های بارش IMERG هستند. و مقادیر میانگین داده های بارش ایستگاه های بارش و داده های بارش IMERG به ترتیب می باشد. تعداد تمام ایستگاه های بارندگی در حوضه رودخانه چنگبی است ( ) و رتبه بندی یک ایستگاه بارانی خاص در حوضه رودخانه چنگبی است ( ).

احتمال تشخیص ( POD ) منعکس کننده توانایی یک ماهواره برای تشخیص صحیح رویدادهای بارش روزانه است و مقدار آن از 0 تا 1 متغیر است .

نرخ هشدار کاذب ( FAR ) منعکس کننده توانایی ماهواره های سنجش از دور برای تشخیص نادرست رویدادهای بارش روزانه است و مقدار آن از 0 تا 1 متغیر است .

شاخص موفقیت بحرانی ( CSI ) نسبت رویدادهای بارش روزانه را که به درستی توسط ماهواره‌های سنجش از دور شناسایی شده‌اند به رویدادهای بارش روزانه کلی منعکس می‌کند و مقدار آن از 0 تا 1 متغیر است. تشخیص توسط ماهواره ها

برای معادلات (4) – (6) [ 53 ]، مشاهده شده است که بارش به درستی شناسایی شده است. مشاهده شده است که بارش شناسایی نشده است یا باران مشاهده شده است اما مشاهده نشده است. و بارش مشاهده و شناسایی نشده است. اگر بارندگی روزانه بیشتر یا مساوی باشد ، باران وجود دارد. در غیر این صورت، باران نیست.

3.2. روش ادغام داده های بارش

3.2.1. رگرسیون وزنی جغرافیایی (GWR)

GWR یک مدل رگرسیون فضایی مبتنی بر پارامترهای متغیر است که بهبود و گسترش رگرسیون خطی عمومی است و روابط فضایی را در رگرسیون خطی عمومی تعبیه می‌کند و GWR را قادر می‌سازد ناهمگنی فضایی را در بین متغیرها مطالعه کند [ 54 ].]. ایده اصلی ادغام داده های بارش IMERG با داده های بارش ایستگاه بر اساس روش GWR این است که ابتدا تفاوت بین بارش اندازه گیری شده 12 ایستگاه بارش و بارش IMERG مربوطه محاسبه شود. سپس با استفاده از رگرسیون وزن‌دار جغرافیایی در نرم‌افزار ARCGIS، خطای بارش شطرنجی بارش ماهواره‌ای با نرخ تفکیک 1×1 کیلومتر را در منطقه مورد مطالعه برآورد کنید. در نهایت، خطای بارش به دست آمده توسط GWR را با بارش IMERG مربوطه اضافه کنید تا مقدار بارش ذوب شده منطقه مورد مطالعه به دست آید.

تفاوت بین مشاهدات IMERG و اندازه‌گیری بارش ایستگاه در یک نقطه مشخص به شرح زیر است.

با استفاده از مقادیر خطای به دست آمده برای هر نقطه، خطای بارش برای منطقه مورد مطالعه با وضوح 1×1 کیلومتر بر اساس روش GWR به دست آمد.

خطاهای بارش به دست آمده با روش GWR با بارش IMERG مربوطه جمع می شود تا بارش ذوب شده با GWR به دست آید.

برای معادلات (7) – (9)، مقدار خطای بارندگی در یک نقطه است، مشاهده بارش در یک ایستگاه است، مشاهده بارش IMERG در آن مکان است، خطای بارندگی به میزان 1×1 کیلومتر است و مقدار بارش ذوب شده با GWR است.
3.2.2. تجزیه و تحلیل تفاوت جغرافیایی (GDA)
روش تجزیه و تحلیل تفاوت جغرافیایی (GDA) یک روش تجزیه و تحلیل مبتنی بر باقیمانده است که توسط Cheema و Bastiaanssen [ 55 ] پیشنهاد شده است. GDA نتایج بهتری نسبت به تحلیل رگرسیون معمولی می دهد. روش ادغام بارش IMERG با بارش ایستگاه با استفاده از GDA به شرح زیر است: در هر ایستگاه، خطای بین داده های بارش ایستگاه و داده های بارش IMERG محاسبه می شود، خطای بارش برای منطقه مورد مطالعه با وزن دهی معکوس فاصله به دست می آید (IDW) ) درون یابی، و خطای بارش به داده های بارش IMERG مربوطه اضافه می شود تا مقدار بارش ذوب شده به دست آید.

تفاوت بین مشاهدات IMERG و اندازه‌گیری بارش ایستگاه در یک نقطه مشخص به شرح زیر است.

با استفاده از مقادیر خطای به دست آمده برای هر نقطه، خطای بارش با تفکیک 1×1 کیلومتر در منطقه مورد مطالعه بر اساس درون یابی IDW به دست می آید.

خطای بارش به دست آمده با درونیابی با استفاده از روش IDW به بارش IMERG مربوطه اضافه می شود تا بارش ذوب شده با GDA به دست آید.

برای معادلات (10) – (12)، مقدار خطای بارندگی در یک نقطه است، مشاهده بارش در یک ایستگاه است، مشاهده بارش IMERG در آن مکان است، خطای بارندگی به میزان 1×1 کیلومتر است و مقدار بارش ذوب شده با GDA است.

3.2.3. تابع توزیع تجمعی (CDF)

CDF احتمال قرار گرفتن یک متغیر تصادفی در یک بازه معین است. فرمول آن احتمال وقوع همه مقادیر ≤ n برای یک متغیر تصادفی x است که به صورت زیر بیان می شود:

این روش در اصل توسط Calheiros و Zawadzki [ 56 ] پیشنهاد شد. در این مقاله از داده های بارش IMERG به عنوان مقدار مرجع استفاده شده و داده های بارش ایستگاه بارش با داده های بارش ماهواره ای از طریق روش CDF ادغام شده اند. یعنی با تنظیم داده های بارش ماهواره ای به گونه ای که بارش ماهواره ای تنظیم شده با همان فرکانس بارش ایستگاه اتفاق بیفتد، منحنی توزیع تجمعی داده های بارش ماهواره ای بی نهایت به منحنی توزیع تجمعی داده های بارش ایستگاه بارش نزدیک است. به این ترتیب که داده های بارش دارای اشکال توزیع مشابه باشند.

جایی که و به ترتیب توابع چگالی احتمال داده های بارش ایستگاه و ماهواره هستند.

3.3. شاخص استاندارد بارش (SPI)

S PI ، پیشنهاد شده توسط محققان آمریکایی McKee و همکاران. [ 57 ]، نشان دهنده احتمال وقوع بارندگی در یک دوره زمانی خاص است و برای توصیف شرایط خشکسالی در مقیاس ماهانه و مقیاس زمانی بزرگتر در یک منطقه استفاده می شود. S PI بارش را با استفاده از احتمالات توزیع شده Γ توصیف می کند، احتمالات تجمعی را با توابع چگالی احتمال محاسبه می کند و آنها را نرمال می کند. در نهایت، توزیع فراوانی تجمعی استاندارد شده بارش برای طبقه بندی طبقات خشکسالی استفاده می شود. در این مقاله، برنامه محاسبه S PI ارائه شده توسط مرکز کاهش خشکسالی ایالات متحده [ 4 ] برای محاسبه SPI اعمال شد .مقادیر برای 1، 3، 6، و 12 ماه در حوضه رودخانه چنگبی، که به ترتیب به عنوان S PI 1، S PI 3، S PI 6 و S PI 12 ذکر شده است ( شکل 3 را برای چارچوب مقاله ببینید).

4. نتایج

داده های مورد استفاده برای ارزیابی دقت در بخش 4.1 و بخش 4.2 برای دوره از ژانویه 2014 تا اوت 2018 است.

4.1. دقت داده های محصولات بارش IMERG

4.1.1. دقت داده ها در بعد زمان

اگرچه بارش ماهواره ای هر ایستگاه دارای خطاهایی است و درجات مختلفی از تخمین یا دست کم گرفتن نسبت به داده های ایستگاه وجود دارد، اما روند افزایش یا کاهش اساساً یکسان است و همه آنها ویژگی های دوره ای آشکاری دارند و خطای کلی آن است. پایدار. رویداد بارش روزانه ماهواره ای هر ایستگاه تا حدودی مشکل گزارش های مفقود و خالی را دارد، اما می تواند بیشتر رویدادهای بارش روزانه را در برخی از ایستگاه ها به درستی تشخیص دهد و توانایی تخمین مناسبی برای وقوع یا عدم وقوع وقایع بارش دارد ( شکل 4 a، b و جدول 2 ). بنابراین، داده‌های بارش روزانه IMERG در حوضه رودخانه چنگبی کاربرد دارد.
در مقیاس ماهانه، داده‌های بارش ماهانه از IMERG و ایستگاه‌ها اساساً همان روند را در سری‌های زمانی با همبستگی خطی قوی و خطای کلی پایدار حفظ می‌کنند. مقادیر BIAS همه ایستگاه ها، به جز باشو، لینه، و بایلیان، در محدوده مثبت تا منفی 0.3 کنترل می شوند، و مقدار BIAS کلی حوضه 0.007- است ( شکل 4 c،d و جدول 3 ). مشاهده می شود که دقت داده های بارش IMERG در مقیاس ماهانه به خوبی ارزیابی شده و در حوضه رودخانه چنگبی کاربرد زیادی دارد.
در مقیاس سالانه، خطای کلی پایدار است و روند به طور کلی با بیش برآوردی یا دست کم گرفتن جزئی سازگار است. ضرایب همبستگی برای همه ایستگاه‌ها به جز Chaoli (بخش غربی حوضه) بالاتر از 0.9 است و بایاس بین 0.2- و 0.4 حفظ می‌شود ( شکل 4 e,f و جدول 4 ).
4.1.2. دقت داده ها در بعد فضایی
بارندگی سطح روزانه در حوضه توسط چند ضلعی تایسون محاسبه شد و بر اساس مقادیر داده ها با استفاده از مدل مخلوط گاوسی، داده های بارش روزانه ایستگاه های بارش به چهار نوع 0، 1، 2 و 3 طبقه بندی شدند که نشان دهنده چهار مورد بدون بارندگی، کم بارش، متوسط ​​بارش و بارش زیاد. فرکانس ها و پارامترهای آماری هر نوع از داده های بارش روزانه در جدول 5 در زیر نشان داده شده است.
توزیع فضایی چهار نوع بارش با درون یابی IDW به دست آمد ( شکل 5 ).
زمانی که بارش ماهواره ای با بارش ایستگاه در زمان وقوع بارش کم مقایسه می شود، “بیش از حد برآورد بارندگی کم و دست کم گرفتن میزان بارندگی زیاد” وجود دارد. بارندگی ایستگاه بین 1.2 میلی متر تا 2.7 میلی متر است که عموماً از جنوب به شمال افزایش می یابد، در حالی که میانگین بارش اندازه گیری شده توسط ماهواره از 2.1 میلی متر تا 3.2 میلی متر متغیر است و در جنوبی ترین انتهای حوضه بیشتر است. با مقایسه دو نقشه ( شکل 5 c,d) می توان مشاهده کرد که در قسمت های مرکزی و جنوبی حوضه، ماهواره میانگین بارش در ایستگاه های بارش را بیش از حد برآورد می کند، در حالی که در قسمت شمالی حوضه دقیقا برعکس است. درست است.
در شرایط بارش معتدل، با ایستگاه چائولی-ایستگاه هائوکون-ایستگاه نونگ تانگ به عنوان مرز (مرز مجازی که حوضه را به دو قسمت شمالی و جنوبی تقسیم می کند)، بارش ایستگاه در شمال بیشتر و در جنوب کمتر بود و بالاترین آن. میزان بارش 19.4 میلی متر در شمال و کمترین بارش با 13.2 میلی متر در جنوب. در مقایسه با بارش های ماهواره ای، میانگین بارش در شمال شرق به طور قابل توجهی بیشتر از سایر مناطق با حداکثر 16.0 میلی متر است، در حالی که بارش در سایر مناطق اندکی کمتر و با حداقل 14.8 میلی متر است. همانطور که در شکل 5 نشان داده شده استe،f، در قسمت جنوبی حوضه، بارش ماهواره ای مقدار بارش سایت را کمی بیش از حد برآورد می کند، در حالی که قسمت شمالی میانگین بارش اندازه گیری شده را دست کم می گیرد، که در قسمت شمال غربی شدیدتر از قسمت شمال شرقی است.
هنگامی که بارندگی زیاد رخ می دهد، توزیع مکانی بارندگی در شمال بیشتر و در جنوب کمتر است. بیشترین مقدار بارندگی در حوضه 65.9 میلی متر و کمترین مقدار 32.2 میلی متر است. به جز مقدار بارندگی کمتر در ایستگاه دونگه در شمال، مقادیر بارش ماهواره ای به طور کلی روند کاهشی از شمال به جنوب را با میانگین دامنه بارش 38.0-47.3 میلی متر نشان داد. همانطور که در شکل 5 g,h نشان داده شده است، پدیده “کم برآوردی بیشتر از بارش در شمال و بیش برآورد کمتر از بارش در جنوب” هنوز وجود دارد زمانی که بارش ماهواره ای با بارش ایستگاه مقایسه می شود .

4.2. دقت داده های بارش ذوب شده

4.2.1. دقت داده ها در بعد زمان

با استفاده از داده‌های بارش ایستگاه به‌عنوان مقدار مرجع، از سه روش GDA، GWR و CDF برای تصحیح داده‌های بارش ماهواره‌ای استفاده شد و ضریب همبستگی، ریشه میانگین مربعات خطا و بایاس داده‌های تصحیح شده و داده‌های ایستگاه محاسبه شد. محاسبه شده در واحدهای فصلی برای بررسی دقت داده های تصحیح شده در بعد زمانی. نتایج محاسبات در جدول 6 در زیر نشان داده شده است.
با مقایسه تغییرات مقادیر شاخص قبل و بعد از تصحیح، می توان دریافت که هر سه روش تصحیح می تواند دقت داده های ماهواره ای اصلی را بهبود بخشد و روش های اصلاح در پاییز و زمستان تا حد زیادی بهتر از بهار و تابستان است. با مقایسه این سه روش، نتیجه جالبی می توان دریافت که روش CDF بدون توجه به فصل، عملکرد بهتری از دو روش دیگر دارد.
4.2.2. دقت داده ها در بعد فضایی
همانطور که در شکل 6 ، شکل 7 و شکل 8 نشان داده شده است، درون یابی IDW برای رسم توزیع فضایی مقادیر CC ، RMSE و BIAS استفاده می شود.
با مشاهده شکل 6 ، می توان دریافت که همبستگی بین بارش ماهواره ای و بارش ایستگاهی در تمام فصول قوی است، با حد بالایی 94/0-97/0 و حد پایینی 82/0-40/0 و کمترین مقدار در ایستگاه هائوکن (بخش مرکزی حوضه) در پاییز. به طور کلی، توزیع فضایی CC بهترین بیان را در زمستان و پس از بهار و تابستان و بدترین بیان را در پاییز دارد. قابل ذکر است که CC در قسمت مرکزی به جز تابستان کمترین مقدار را دارد و به طور کلی روند افزایشی به سمت شمال و جنوب را نشان می دهد ( شکل 6 را ببینید.آگهی). همبستگی بین بارش ذوب شده با GDA و بارش ایستگاه در تمام فصول قوی است، با کمترین مقدار 0.787 در تابستان در ایستگاه بایلیان (جنوب شرقی حوضه) رخ می دهد. توزیع فضایی CC بهترین بیان را در زمستان و به دنبال آن در بهار و پاییز و در نهایت در تابستان دارد ( شکل 6 e-h را ببینید). در مقایسه با داده‌های ماهواره‌ای اصلی، همبستگی بین بارش ترکیب‌شده با GWR و بارش ایستگاه برای هر فصل به‌طور قابل‌توجهی بالاتر است، با کمترین مقدار 0.721 در ایستگاه هاوکون (بخش مرکزی حوضه) در پاییز. توزیع فضایی CC بهترین عملکرد را در زمستان دارد، پس از آن تابستان و بهار و در نهایت در پاییز ( شکل 6 را ببینید).i–l). در مقایسه با بارش ماهواره ای اصلی و دو نوع اول بارش ذوب شده، همبستگی بین بارش ذوب شده با CDF و بارش ایستگاه در هر فصل به طور قابل توجهی بهبود یافته است، با کمترین مقدار 0.88 در بهار در ایستگاه بایلیان (جنوب شرقی حوضه) رخ می دهد. . به طور کلی، مقادیر CC داده‌های بارندگی ذوب شده با CDF با داده‌های اندازه‌گیری شده عملکرد خوبی دارند و کمترین مقدار CC می‌تواند به 0.97 برسد. با مقایسه تک قطعه‌های فرعی در شکل 7 ، مشاهده می‌شود که حد بالایی مقادیر RMSE بارش ماهواره‌ای برای هر فصل از 23.98 تا 153.11 و حد پایین از 9.14 تا 58.36 متغیر است. توزیع فضایی RMSEاین مقادیر در زمستان بهترین است، پس از آن در بهار و پاییز، و بدترین آن در تابستان است ( شکل 7 a-d را ببینید). RMSE بارش ترکیب شده با GDA با بارش ایستگاه کاهش یافته است. توزیع فضایی RMSE بر اساس فصل به طور قابل توجهی در مقایسه با داده‌های ماهواره‌ای اصلی بهبود یافته است، زمستان هنوز بهترین عملکرد را دارد، به دنبال آن پاییز و بهار و در نهایت تابستان ( شکل 7 e–h را ببینید). RMSE بارش ذوب شده با GWR از بارش ماهواره ای اصلی در تمام فصول کوچکتر است و عملکرد آن تفاوت قابل توجهی با داده های ذوب شده با GDA ندارد ( شکل 7 i-l را ببینید). در مقایسه با داده های ماهواره ای اصلی و دو داده ادغام شده اول،RMSE بارندگی ذوب شده با CDF صرف نظر از فصل به طور قابل توجهی کمتر است. بالاترین مقدار RMSE تنها 29.73 است که در تابستان در ایستگاه Haokun (بخش مرکزی حوضه) رخ می دهد ( شکل 7 m–p را ببینید).
مقایسه هر بخش از شکل 8 نشان می دهد که تخمین یا دست کم برآورد بارش ایستگاه توسط بارش ماهواره ای در هر فصل زیاد نیست، با بالاترین مقدار 0.6045 در Linhe (جنوب بخش مرکزی حوضه) و Xiatang (جنوب غربی) رخ می دهد. ایستگاه های حوضه در زمستان و کمترین مقدار 2768/0- که در ایستگاه لینگیون (بخش شمال غربی حوضه) در تابستان رخ می دهد، و تفاوت قابل توجهی در توزیع فضایی BIAS در هر فصل وجود ندارد ( شکل 8 a-d را ببینید). ). توزیع فضایی مقادیر RMSE بارش ترکیب شده با GDA بهتر از بارش ماهواره ای اصلی است ( شکل 8 را ببینیدe–h). توزیع فضایی مقادیر RMSE داده‌های بارش و ایستگاه با GWR گویاتر از داده‌های بارش ماهواره‌ای اصلی است، اما نسبت به داده‌های بارش ذوب شده با GDA گویاتر است ( شکل 8 i-l را ببینید). RMSE بارش ترکیب شده با CDF در هر فصل به طور قابل توجهی کمتر از بارش ماهواره ای اصلی و دو بارش ذوب شده اول بود و RMSE در هر چهار فصل عملکرد خوبی داشت ( شکل 8 m–p را ببینید).
پدیده جالبی را می توان یافت که در بین سه روش همجوشی. مقادیر CC، RMSE و BIAS نشان می‌دهد که داده‌های بارش ترکیب شده با CDF بهترین عملکرد کلی را دارند.

4.3. تجزیه و تحلیل خشکسالی

4.3.1. ویژگی های تکاملی زمانی خشکسالی ها

تجزیه و تحلیل دقت داده های بارش ذوب شده در بخش 4.2 نشان داد که بارش ذوب شده با CDF دارای بالاترین دقت داده است، بنابراین داده های بارش ترکیب شده با CDF از ژانویه 2002 تا اوت 2018 برای تجزیه و تحلیل خشکسالی حوضه رودخانه چنگبی استفاده شد.
برای محاسبه بارندگی سطحی در حوضه از روش چند ضلعی تایسون استفاده شد و سپس مقادیر SPI در مقیاس‌های زمانی مختلف با استفاده از بارندگی سطحی محاسبه شد. شکل 9 تغییرات زمانی S PI را در مقیاس های زمانی متعدد نشان می دهد. مشاهده می‌شود که روند تغییر منحنی‌های SPI اساساً بدون توجه به مقیاس زمانی یکسان است، که نشان می‌دهد داده‌های ترکیب شده می‌توانند شرایط خشکسالی را به خوبی شبیه‌سازی کنند. با افزایش مقیاس زمانی، همبستگی بین منحنی ها بیشتر می شود ( CCمقادیر به ترتیب 0.859، 0.855، 0.879 و 0.893 هستند، اما انحراف بین منحنی ها (یعنی فاصله بین دو منحنی) نیز بزرگتر می شود. علاوه بر این، از شکل 9 مشاهده می شود که مقادیر S PI اساساً بین 2+ و 2- با افزایش و کاهش چرخه ای باقی می مانند، که نشان می دهد حوضه رودخانه چنگبی دارای الگوی متناوب خشکسالی و سیل در طول سال است. دوره‌های سیل عمدتاً فصول بارانی هر سال هستند و زمستان و بهار و سایر فصول کم‌باران اغلب دوره‌های خشک با مقادیر SPI پایین هستند.
بارش و دمای هوا تا حدودی بر خطر خشکسالی تأثیر می گذارد. نمودار 10 روند دمای هوا و بارش در حوضه را از سال 2002 تا 2018 نشان می‌دهد و مشاهده می‌شود که هم بارش و هم دمای هوا الگوی قوی درون سالانه را نشان می‌دهند، بارش و حداکثر دمای هوا روند نزولی کمی را نسبت به سال و حداقل دمای هوا روند صعودی ملایمی را نشان می دهد.
4.3.2. توزیع مکانی خشکسالی ها
S PI برای هر ایستگاه از اکتبر تا دسامبر 2014 برای تجزیه و تحلیل توزیع فضایی خشکسالی محاسبه و به صورت فضایی درون یابی شد. جدول 7 مقیاس خشکسالی و جدول 8 مقادیر S PI 3 را برای هر ایستگاه برای اکتبر تا دسامبر 2014 نشان می دهد.
از جدول 8 ، مشاهده می شود که هم برای بارش ایستگاه و هم برای بارش ذوب شده با CDF، در هر ایستگاه در حوضه، مقادیر S PI3 اساساً یک روند افزایشی تدریجی را بین اکتبر و دسامبر نشان می دهد، یعنی شرایط خشکسالی به تدریج کاهش می یابد. همچنین مشاهده می‌شود که در ماه اکتبر، حوضه در خشکی خفیف و چند ایستگاه در خشکی متوسط ​​قرار داشت. در ماه های نوامبر و دسامبر، حوضه اساساً در وضعیت عادی و بدون خشکسالی یا سیل قرار داشت.
شکل 11 مقایسه ای از شرایط خشکسالی در حوضه رودخانه چنگبی را برای سه ماه متوالی نشان می دهد که نشان می دهد این حوضه در شمال شرق خشکسالی و در جنوب غرب مرطوب است. با مقایسه شکل 11 a,b، مقادیر S PI در شکل 11 محدوده ای از 1.18- تا 0.30 است، مرکز خشکسالی در قسمت شمال شرقی حوضه قرار دارد و قسمت مرکزی حوضه مرطوب تر است. مقادیر S PI در شکل 11 b از 1.19- تا 0.51 متغیر است، مرکز خشکسالی مانند شکل 11 a است، و بخش های مرکزی و جنوبی حوضه مرطوب تر هستند. با مقایسه شکل 11 c,d، مقادیر S PI ازنمودار 11 c محدوده کرت از 0.65- تا 0.44، مرکز خشکسالی در قسمت شمال شرقی حوضه قرار دارد و قسمت جنوب غربی حوضه مرطوب تر است. مقادیر S PI نمودار d نمودار 11 از 0.32- تا 0.15 متغیر است. کانون خشکسالی در قسمت های شرقی، شمال غربی و جنوب غربی حوضه قرار دارد و قسمت مرکزی حوضه مرطوب تر است. با مقایسه شکل 11 e,f، مقادیر S PI از 0.23- تا 0.65 در نمودار 11 e متغیر است، مرکز خشکسالی در قسمت شمال شرقی حوضه قرار دارد و قسمت جنوب غربی حوضه مرطوب تر است. مقادیر S PI در شکل 11محدوده f از 0.26- تا 0.03، مرکز خشکسالی در قسمت شرقی حوضه است و بخش مرکزی و غربی حوضه مرطوب تر است. مشاهده می شود که داده های ذوب شده در شرایط عادی بدون خشکسالی و بدون سیل در حوضه، شدت و مساحت خشکسالی را اندکی بیش از حد برآورد می کنند. مقادیر S PI به‌دست‌آمده با استفاده از بارش ذوب‌شده می‌تواند شرایط کلی خشکسالی در حوضه را منعکس کند، به جز برخی از ایستگاه‌ها با انحرافات زیاد.

5. بحث

5.1. تبیین برخی از پدیده ها

در این مطالعه، دقت مکانی و زمانی داده‌های بارش IMERG از ژانویه 2014 تا آگوست 2018 در حوضه رودخانه چنگبی با استفاده از چندین معیار ارزیابی مورد ارزیابی قرار گرفت و برخی پدیده‌های جالب را می‌توان یافت.
(1) ضرایب همبستگی بین بارندگی نظارت شده توسط ماهواره و بارندگی اندازه‌گیری شده با افزایش مقیاس زمانی افزایش می‌یابد، که نشان می‌دهد سازگاری دو داده بارش در مقیاس‌های زمانی بزرگ‌تر بهتر عمل می‌کند.
(2) در مقیاس های روزانه، ماهانه و سالانه، سوگیری کلی اساساً در 0.007- باقی می ماند و با افزایش مقیاس زمانی تغییر نمی کند. این نشان می دهد که توانایی ماهواره برای نظارت بر بارندگی در حوضه تا حد زیادی پایدار است و کمی دست کم گرفته شده است.
(3) با مقایسه نقشه‌های توزیع فضایی بارش‌های زیاد ( شکل 5 g,h)، می‌توان دریافت که حداکثر اختلاف بین مقادیر بارش ایستگاه و مقادیر بارش ماهواره‌ای به 19 میلی‌متر می‌رسد که احتمالاً به دلیل کمبود زیاد است. نظارت ماهواره ای برای بارندگی شدید
(4) دلایل تخمین بیش از حد کم بارندگی در قسمت جنوبی حوضه حدس زده می شود: اول اینکه در قسمت جنوبی حوضه، یعنی مخزن رودخانه چنگبی، سطح آب زیادی وجود دارد. اگرچه مساحت سطح آب مخزن رودخانه چنگبی تنها حدود 2 درصد از کل مساحت حوضه است، اما هنوز نمی توان از میزان زیاد تبخیر از 38.82 کیلومتر مربع مساحت سطح آب چشم پوشی کرد و مقدار زیاد تبخیر باعث می شود ماهواره این قسمت از آب را به‌عنوان بارندگی اشتباه ارزیابی کنید، بنابراین آن را به‌عنوان یک رویداد بارشی در نظر بگیرید. دوم، با دماهای بالا و توانایی تبخیر قوی در جنوب غربی، زمانی که بارندگی کم و مدت کوتاهی است، مقداری بارش در طول فرآیند فرود تبخیر می شود.
(5) دلیل دست کم گرفتن بارندگی زیاد در قسمت شمالی حوضه حدس زده می شود: توانایی ماهواره در تشخیص بارش به شدت با توپوگرافی منطقه مرتبط است و در توپوگرافی پیچیده و مناطق مرتفع، دقت تشخیص سنسورهای ماهواره ای به شدت مختل شده است و در نتیجه عملکرد ضعیف محصولات بارش IMERG ایجاد می شود.
به طور کلی، دقت محصولات بارش IMERG در حوضه رودخانه چنگبی به محدودیت های سنسورهای ماهواره ای و توپوگرافی، زیرسطحی، شدت تبخیر حوضه و غیره مربوط می شود.

5.2. مقایسه با نتایج قبلی

نتایج ارزیابی صحت بارش ماهواره ای اولیه نشان داد که داده های بارش در مقیاس ماهانه از دقت بالایی برخوردار است. این توسط نتایج جیانگ و همکاران تایید شده است. [ 60 ]. داده های بارش ماهواره ای در مقیاس ماهانه بالاترین دقت را در مقایسه با مقیاس روزانه، فصلی یا سالانه دارد.
با استفاده از سه روش برای ترکیب داده‌های بارش از ایستگاه‌ها و ماهواره‌ها، نتایج نشان داد که داده‌های بارش ترکیب‌شده با CDF دارای بالاترین دقت مکانی و زمانی هستند و می‌توانند شرایط واقعی بارش در حوضه رودخانه چنگبی را بهتر منعکس کنند. اثربخشی این روش در تصحیح داده های بارش نیز توسط Sheau Tieh و همکاران بررسی شده است. [ 61 ] و لی و همکاران. [ 62 ]. آنها به ترتیب از روش نگاشت چندک و روش تطبیق فرکانس (همان اصل روش CDF) برای تصحیح بایاس بارش در آسیای جنوب شرقی و رودخانه بالای هیهه در چین استفاده کردند و هر دو تا حد زیادی بایاس بارش را بهبود بخشیدند.
ارزیابی خشکسالی حوضه رودخانه چنگبی توسط شاخص‌های بارندگی استاندارد شده با استفاده از داده‌های سی دی اف از ایستگاه‌ها و ماهواره‌ها از ژانویه 2002 تا اوت 2018 نشان داد که داده‌های ذوب شده با CDF اساساً به شرایط خشکسالی در حوضه رودخانه چنگبی پاسخ می‌دهند و این حوضه اساساً در یک خشکسالی شدید چرخه ای با سیل شدید. تجزیه و تحلیل فضایی خشکسالی در اکتبر تا دسامبر 2014 نشان داد که تنها مناطق کمی در حوضه رودخانه چنگبی دارای خشکسالی متوسط ​​هستند که اساساً با یافته‌های گائو و همکارانش مطابقت دارد. [ 63 ] در مورد الگوهای مکانی و زمانی خشکسالی در گوانگشی – یعنی “محدوده فراوانی خشکسالی های متوسط ​​و بالاتر در شمال غربی گوئیژو کوچکترین است”.

5.3. مزایا و معایب

شاخص ارزیابی خشکسالی مورد استفاده در این تحقیق، شاخص استاندارد شده بارش می باشد. بر خلاف شاخص چند عاملی، فرمول محاسبه آن ساده است و فقط از داده های بارش استفاده می کند و محاسبات خسته کننده سایر پارامترها را حذف می کند و از آنجایی که این شاخص مکانیسم های خشکسالی خاصی را در بر نمی گیرد، سازگاری مکانی و زمانی قوی دارد و فرمول مذکور به طور گسترده برای ارزیابی خشکسالی در حوضه های مختلف استفاده می شود. علاوه بر این، نتایج تحقیق در مورد ارزیابی دقت و تصحیح همجوشی داده‌های بارش در نواحی کارستی می‌تواند منابع مفیدی برای سایر مناطق کارستی مشابه با شرایط زمین‌شناسی پیچیده‌تر فراهم کند. علاوه بر این، از آنجایی که حوضه رودخانه چنگبی یک حوضه کوچک است،
با ترکیب برخی از کاستی‌های این مطالعه، کار پیگیری در جنبه‌های زیر انجام می‌شود: اول، نرخ مجزای مکانی داده‌های بارش IMERG مورد استفاده در این مقاله است. . گام بعدی باید در نظر گرفتن کاهش مقیاس داده های ماهواره ای با هدف بهبود کیفیت داده های بارش ماهواره باشد. دوم، ارتباط با سایر محصولات ماهواره ای را می توان در نظر گرفت. تنها یک محصول بارش ماهواره ای در این مطالعه استفاده شده است و سایر محصولات ماهواره ای (CMORPH، PERSIANN) را می توان متعاقباً برای تحلیل مقایسه ای به کار برد، یا روش تصحیح همجوشی در این مقاله را می توان برای بهبود دقت سایر محصولات بارش ماهواره ای در نظر گرفت. علاوه بر این، باید توجه داشت که با توجه به تنوع مکانی و زمانی شدید بارش، روش همجوشی داده‌های بارش در مناطق مختلف مورد مطالعه کاربرد متفاوتی دارد، بنابراین در گام بعدی بررسی دقت روش همجوشی در سایر موارد مشابه کوچک است. حوضه ها در مناطق کارستی،

5.4. پیشنهادات

از نتایج ارزیابی دقت و نتایج همجوشی داده ها، دقت داده های بارش ماهانه IMERG نسبتا بالا است و روش CDF به طور قابل توجهی بهتر از دو روش همجوشی دیگر است. این نتیجه می تواند بینش ارزشمندی را برای توسعه دهندگان مربوطه الگوریتم های ماهواره ای فراهم کند تا الگوریتم های خود را بهبود بخشند و همچنین می تواند به کاربران کمک کند تا محصولات بارش ماهواره ای را با دقت بالاتر و روش های ترکیب داده های بهتر انتخاب کنند. بر اساس نتایج ارزیابی خشکسالی، حوضه رودخانه چنگبی در میان خشکسالی ها و سیلاب های دوره ای قرار دارد. بر اساس این قاعده، ادارات ذیربط می‌توانند در دوره‌های سیل و خشکسالی نسبت به به حداقل رساندن خسارات مختلف از جمله خسارات اقتصادی اقدام به پیشگیری از وقوع سیل و اقدامات پیشگیری از خشکسالی نمایند. علاوه بر این،

6. خلاصه و نتیجه گیری

در این مطالعه، ما دقت مکانی و زمانی بارش ماهواره‌ای IMERG را در حوضه رودخانه چنگبی ارزیابی کردیم. در مرحله دوم، داده‌های بارش ماهواره‌ای IMERG و داده‌های بارش ایستگاه بارش بر اساس سه روش رگرسیون وزن‌دار جغرافیایی (GWR)، تجزیه و تحلیل اختلاف جغرافیایی (GDA) و تابع توزیع تجمعی (CDF) – و دقت داده‌های بارش ذوب شده با هم ترکیب و تصحیح شدند. دوباره مورد ارزیابی قرار گرفت. در نهایت، داده های ترکیب شده با بالاترین دقت برای تجزیه و تحلیل خشکسالی حوضه رودخانه چنگبی انتخاب شدند. سه نتیجه اصلی زیر حاصل می شود:
(1)
به طور موقت، مقادیر CC بارش ماهواره‌ای و بارش ایستگاه با افزایش مقیاس زمانی افزایش می‌یابد، مقادیر کلی BIAS اساساً یکسان باقی می‌مانند و مقادیر RMSE کوچکترین در مقیاس روزانه هستند. از نظر فضایی، داده‌های بارش IMERG بارش واقعی در قسمت جنوبی حوضه را بیش از حد برآورد می‌کند و بارش واقعی را در قسمت شمالی حوضه دست‌کم می‌گیرد.
(2)
کیفیت داده های بارندگی ذوب شده با CDF بهتر از دو روش همجوشی دیگر است و بهترین مقادیر CC، RMSE و BIAS به ترتیب 0.997، 4.222 و 0 در هر فصل است.
(3)
تجزیه و تحلیل خشکسالی نشان می دهد که حوضه رودخانه چنگبی در یک چرخه خشکسالی و سیل قرار دارد و سیل بیشتر در طول فصل بارندگی رخ می دهد، در حالی که سایر دوره ها حالت خشک را نشان می دهند. در اکتبر تا دسامبر 2014، شاخص بارش استاندارد شده عمدتاً بین 1+ و 1- بود، با بیان فضایی خشکسالی خفیف، شرایط عادی و سیل خفیف.

منابع

  1. ژو، اس. وانگ، ی. چانگ، جی. گوا، ا. Li، Z. تحقیق در مورد تکامل مکانی-زمانی الگوهای خشکسالی در حوضه رودخانه زرد. جی هیدرول. مهندس 2019 ، 50 ، 1231-1241. [ Google Scholar ]
  2. لیو، تی. کروپ، آر. هی، تی. اسمیت، KH; Svoboda، M. ارزیابی اطلاعات خشکسالی: درک ارزش نظارت بر خشکسالی ایالات متحده در مدیریت زمین. Water 2021 , 13 , 112. [ Google Scholar ] [ CrossRef ]
  3. فاولر، اچ. کیلسبی، سی. یک رویکرد نوع آب و هوا برای تجزیه و تحلیل خشکسالی منابع آب در منطقه یورکشایر از سال 1881 تا 1998. J. Hydrol. 2002 ، 262 ، 177-192. [ Google Scholar ] [ CrossRef ]
  4. Svoboda، MD; فوکس، BA; پولسن، سی سی; Nothwehr، JR اطلس خطر خشکسالی: افزایش پشتیبانی تصمیم برای مدیریت ریسک خشکسالی در ایالات متحده. جی هیدرول. 2015 ، 526 ، 274-286. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  5. Rippey، BR خشکسالی ایالات متحده در سال 2012. آب و هوا. افراطی 2015 ، 10 ، 57-64. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  6. میترا، س. Srivastava، P. ابزار ارزیابی جامع خشکسالی برای مناطق ساحلی، خلیج ها و مصب ها: توسعه شاخص خشکسالی ساحلی. جی هیدرول. مهندس 2021 ، 26 ، 04020055. [ Google Scholar ] [ CrossRef ]
  7. اوه، ک. یو، آی. کیم، اچ. کیم، اس. کیم، ال.-اچ. جونگ، اس. ارزیابی خشکسالی بر اساس شاخص خشکسالی بلادرنگ. آب شیرین کن. 2014 ، 53 ، 3111-3117. [ Google Scholar ] [ CrossRef ]
  8. شاه، د. Mishra، V. شاخص یکپارچه خشکسالی (IDI) برای پایش و ارزیابی خشکسالی در هند. منبع آب Res. 2020 , 56 , e2019WR026284. [ Google Scholar ] [ CrossRef ]
  9. سوژکا، م. جاسکولا، ج. ویلگوس، I. ارزیابی خطر خشکسالی در حوضه رودخانه کوپل. جی. اکول. مهندس 2017 ، 18 ، 134-141. [ Google Scholar ] [ CrossRef ]
  10. توماس، تی. جیسوال، RK; گالکیت، آر. نایاک، رایانه شخصی؛ ارزیابی یکپارچه آسیب‌پذیری خشکسالی مبتنی بر شاخص‌های خشکسالی Ghosh، NC: مطالعه موردی خشکسالی‌های Bundelkhand در مرکز هند. نات. خطرات 2016 ، 81 ، 1627-1652. [ Google Scholar ] [ CrossRef ]
  11. ویکهام، ED; باتکه، دی. عبدالمنعم، ت. برناد، تی. بولینگ، دی. پیتلیک-زیلیگ، ال. استایلز، سی. Wall, N. انجام یک THIRA خاص خشکسالی (شناسایی تهدید و خطر و ارزیابی ریسک): یک ابزار قدرتمند برای یکپارچه سازی کاهش همه خطرات و تلاش های برنامه ریزی خشکسالی برای افزایش کیفیت کاهش خشکسالی. بین المللی J. کاهش خطر بلایا. 2019 ، 39 ، 101227. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  12. یانگ، جی. وانگ، YM; چانگ، جی ایکس؛ یائو، جی. Huang, Q. ارزیابی یکپارچه برای خشکسالی آب و هواشناسی بر اساس مدل زنجیره مارکوف. نات. خطرات 2016 ، 84 ، 1137-1160. [ Google Scholar ] [ CrossRef ]
  13. پرز، اف. دی استفانو، م. دیاباتو، اف. Vigna, R. سیستم هشدار اولیه ITHACA برای پایش خشکسالی: اولین آزمایش نمونه اولیه برای بحران ساحل 2010. ایتالیایی J. Remote Sens. 2012 ، 44 ، 181-195. [ Google Scholar ] [ CrossRef ]
  14. ثقفیان، ب. حمزه‌خانی، FG هشدار اولیه خشکسالی هیدرولوژیکی بر اساس آستانه بارندگی. نات. خطرات 2015 ، 79 ، 815-832. [ Google Scholar ] [ CrossRef ]
  15. وانگ، YT; جیانگ، MX; ژانگ، HX; هوانگ، دبلیو. Destech Publicat، I. توسعه سیستم نظارت بر خشکسالی و هشدار اولیه و ارزیابی بلایا در گوئیژو. در مجموعه مقالات سومین کنفرانس بین المللی مواد سبز و مهندسی محیط زیست (GMEE)، پکن، چین، 22 تا 22 اکتبر 2017؛ ص 61-66. [ Google Scholar ]
  16. مک اوی، دی جی؛ هابینز، ام. براون، تی جی; واندرمولن، ک. دیوار، تی. هانتینگتون، جی ال. Svoboda، M. برقراری روابط بین شاخص‌های خشکسالی و خروجی‌های خطر آتش‌سوزی: مورد آزمایشی برای سیستم هشدار زودهنگام خشکسالی کالیفرنیا-نوادا. آب و هوا 2019 ، 7 ، 52. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  17. بارت، AB; Duivenvoorden، S. سالکپی، EE; موتوکا، جی.ام. موانگی، جی. الیور، اس. روحانی، ص. پیش بینی وضعیت پوشش گیاهی برای سیستم های هشدار اولیه خشکسالی در جوامع شبانی در کنیا. سنسور از راه دور محیط. 2020 ، 248 ، 111886. [ Google Scholar ] [ CrossRef ]
  18. شرفی، ل. زرافشانی، ک. کشاورز، م. آزادی، ح. ون پاسل، اس. ارزیابی خطر خشکسالی: به سوی سیستم هشدار زودهنگام خشکسالی و محیط زیست پایدار در غرب ایران. Ecol. اندیک. 2020 , 114 , 106276. [ Google Scholar ] [ CrossRef ]
  19. ون جینکل، م. بیرادار، سی. هشدار زودهنگام خشکسالی در سیستم های کشاورزی-غذایی. Climate 2021 , 9 , 134. [ Google Scholar ] [ CrossRef ]
  20. Botterill، LC; هیز، MJ عوامل و اعلامیه های خشکسالی: ملاحظات علم و سیاست برای مدیریت خطر خشکسالی. نات. خطرات 2012 ، 64 ، 139-151. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  21. کولیرووا، پ. ووپرویل، جی. باتیستا، م. مندل دانشگاه، بی. سیستم مدیریت یکپارچه خشکسالی در اروپای مرکزی و شرقی. در مجموعه مقالات کنفرانس بین المللی خاک-منابع زیست محیطی غیر قابل تجدید، برنو، جمهوری چک، 7-9 سپتامبر 2015. صص 159-168. [ Google Scholar ]
  22. الفرج، فام; شولز، ام. تیگاس، دی. Boni, M. شاخص‌های خشکسالی حامی مدیریت خشکسالی در حوزه‌های آبخیز فرامرزی در معرض تغییرات آب و هوایی. سیاست آب 2015 ، 17 ، 865-886. [ Google Scholar ] [ CrossRef ]
  23. هونگ، آی. لی، جی اچ. چو، چارچوب مدیریت ملی خشکسالی HS برای آمادگی خشکسالی در کره (درس هایی از خشکسالی 2014-2015). سیاست آب 2016 ، 18 ، 89-106. [ Google Scholar ] [ CrossRef ]
  24. جسیکا، GN; دانیل، ا. هلیزانی، CB; کریستوفر، MUN; سرجیو، ND; اندرسون، ال آر. Ivo، ZG در حال ارزیابی آخرین محصولات IMERG در آب و هوای نیمه گرمسیری: مورد ایالت پارانا، برزیل. Remote Sens. 2021 , 13 , 906. [ Google Scholar ]
  25. چنگ چنگ، م. زینگگو، ام. سوکسیا، ال. Shi, H. ارزیابی گسترده بارش IMERG برای مایع و جامد در منطقه منبع رودخانه زرد. اتمس. Res. 2021 ، 256 ، 105570. [ Google Scholar ]
  26. زو، اس. شن، ی. Ma, Z. دیدگاه جدیدی برای توصیف الگوهای مکانی-زمانی خطا در GPM IMERG در سرزمین اصلی چین. علوم فضایی زمین 2021 ، 8 ، 1-16. [ Google Scholar ] [ CrossRef ]
  27. محمود، MT; محمد، SA; حمودا، م. محمد، MM تاثیر توپوگرافی و شدت بارش بر دقت تخمین بارش IMERG در یک منطقه خشک. Remote Sens. 2020 , 13 , 13. [ Google Scholar ] [ CrossRef ]
  28. قهوهای مایل به زرد، ML; Duan، Z. ارزیابی محصولات بارشی GPM و TRMM در سنگاپور. Remote Sens. 2017 , 9 , 720. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  29. پراکاش، س. میترا، AK; آقاکوچک، ع. لیو، ز. نوروزی، ح. Pai، DS یک ارزیابی اولیه از تخمین های بارش چند ماهواره ای مبتنی بر GPM بر روی یک منطقه تحت سلطه باران های موسمی. جی هیدرول. 2018 ، 556 ، 865-876. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  30. معظمی، س. نجفی، م. ارزیابی جامع GPM-IMERG V06 و MRMS با مشاهدات ساعتی بارش زمینی در سراسر کانادا. جی هیدرول. 2020 , 594 , 125929. [ Google Scholar ] [ CrossRef ]
  31. آیات، ح. ایوانز، جی پی؛ بهرنگی، الف. حسگرهای مختلف چگونه بر تخمین بارش IMERG در طول روزهای طوفان تأثیر می‌گذارند؟ سنسور از راه دور محیط. 2021 ، 259 ، 112417. [ Google Scholar ] [ CrossRef ]
  32. آقاکوچک، ع. نخجیری، N. رکورد داده های آب و هوایی جهانی خشکسالی مبتنی بر ماهواره تقریباً در زمان واقعی. محیط زیست Res. Lett. 2012 ، 7 ، 044037. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  33. هنیلیکا، جی. هانل، ام. چرک، V. تصحیح تعصب چند سایتی داده های بارش از مدل های آب و هوایی منطقه ای. بین المللی جی.کلیماتول. 2017 ، 37 ، 2934-2946. [ Google Scholar ] [ CrossRef ]
  34. یلماز، م. تحلیل خشکسالی حوضه بسته قونیه با استفاده از داده های بارش مبتنی بر ماهواره TMPA. J. Fac. مهندس آرشیت. دانشگاه گازی 2017 ، 32 ، 541-549. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  35. کتیرایی بروجردی، ص. نائینی، محمدرضا; اسنجان، AA; چاوشیان، ع. Hsu، K.-L.; سروشیان، س. تصحیح انحراف برآوردهای بارش مبتنی بر ماهواره با استفاده از رویکرد نقشه برداری کمی در مناطق مختلف آب و هوایی ایران. Remote Sens. 2020 , 12 , 2102. [ Google Scholar ] [ CrossRef ]
  36. Le, X.-H.; لی، جی. یونگ، ک. An، H.-U.; لی، اس. یونگ، ی. کاربرد شبکه عصبی کانولوشن برای تصحیح سوگیری فضایی-زمانی بارش روزانه مبتنی بر ماهواره. Remote Sens. 2020 , 12 , 2731. [ Google Scholar ] [ CrossRef ]
  37. وی، ال. جیانگ، اس. رن، ال. ژانگ، ال. وانگ، ام. Duan, Z. کاربرد مقدماتی محصول بارندگی گذشته نگر IMERG برای پایش خشکسالی در مقیاس بزرگ در سرزمین اصلی چین. Remote Sens. 2020 , 12 , 2993. [ Google Scholar ] [ CrossRef ]
  38. منتصری، م. امیراطعی، ب. ارزیابی تصادفی جامع شاخص‌های خشکسالی هواشناسی. بین المللی جی. کلیم. 2016 ، 37 ، 998-1013. [ Google Scholar ] [ CrossRef ]
  39. نصراللهی، م. خسروی، ح. مقدم نیا، ع. ملکیان، ع. شهید، س. ارزیابی شاخص خطر خشکسالی با استفاده از شاخص‌های خطر خشکسالی و آسیب‌پذیری. عرب جی. ژئوشی. 2018 ، 11 ، 606. [ Google Scholar ] [ CrossRef ]
  40. سامانتارای، AK; سینگ، جی. راماداس، م. تجزیه و تحلیل نقاط داغ خشکسالی پاندا، RK و ارزیابی خطر با استفاده از پایش احتمالی خشکسالی و تجزیه و تحلیل شدت – مدت – فراوانی. هیدرول. فرآیندهای 2019 ، 33 ، 432-449. [ Google Scholar ] [ CrossRef ]
  41. Shengle, CAO; یانلینگ، دبلیو. Ru’an، YUN مطالعه ارزیابی و روش پیش‌بینی خشکسالی در استان شاندونگ. J. شاندونگ دانشگاه. (Eng. Sci.) 2006 ، 36 ، 58-61. [ Google Scholar ]
  42. Guoqing، S. ارزیابی خطر خشکسالی در مناطق انتقال آب جنوب به شمال. انتقال آب جنوب – شمال علوم آب تکنولوژی 2008 ، 6 ، 14-17. [ Google Scholar ]
  43. خو، جی. Pan, D. ارزیابی جامع شدت خشکسالی بر اساس شبیه‌سازی سیر تکاملی آن. J. Yangtze River Sci. Res. Inst. 2014 ، 31 ، 16-22. [ Google Scholar ]
  44. فرناندز، سی. وگا، جی. فونتوربل، تی. پیش بینی سری زمانی خشکسالی جیمنز، E. جریان جریان: مطالعه موردی در یک حوزه آبخیز کوچک در شمال غرب اسپانیا. استوک. محیط زیست Res. ارزیابی ریسک 2009 ، 23 ، 1063-1070. [ Google Scholar ] [ CrossRef ]
  45. لیو، YW; وانگ، دبلیو. هو، YM; لیانگ، ارزیابی خشکسالی ZM و تحلیل عدم قطعیت برای حوضه داپولینگ. نات. خطرات 2014 ، 74 ، 1613-1627. [ Google Scholar ] [ CrossRef ]
  46. مو، سی. روان، ی. شیائو، ایکس. لان، اچ. جین، جی. تأثیر تغییرات آب و هوا و فعالیت های انسانی بر جریان پایه در یک حوضه معمولی کارست، جنوب غربی چین. Ecol. اندیک. 2021 ، 126 ، 107628. [ Google Scholar ] [ CrossRef ]
  47. Mo، CX; Ruan، YL; او، JQ; جین، جی ال. لیو، پی. Sun، GK تجزیه و تحلیل فرکانس بارش شدید تحت تغییرات آب و هوا. بین المللی جی.کلیماتول. 2019 ، 39 ، 1373-1387. [ Google Scholar ] [ CrossRef ]
  48. لینفی، ی. گویونگ، ال. آندره، پ. جیان، پی. ارزیابی جامع آخرین محصولات بارندگی اولیه، دیررس و نهایی GPM IMERG V06 در سراسر چین. Remote Sens. 2021 , 13 , 1208. [ Google Scholar ]
  49. یانگ، ایکس. لو، ی. قهوهای مایل به زرد، ML; لی، ایکس. وانگ، جی. او، R. ارزیابی سیستماتیک نه ساله محصولات بارشی GPM و TRMM در حوضه رودخانه Shuaishui در شرق مرکزی چین. Remote Sens. 2020 , 12 , 1042. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  50. رن، م. خو، ز. پانگ، بی. لیو، دبلیو. لیو، جی. دو، ال. وانگ، آر. ارزیابی محصولات بارشی حاصل از ماهواره برای منطقه پکن. Remote Sens. 2018 ، 10 ، 1914. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  51. دزفولی، د. عبداللهی، ب. حسینی مقری، س.-م. ابراهیمی، ک. مقایسه تخمین بارش ماهواره‌ای با وضوح بالا و داده‌های اندازه‌گیری شده: مطالعه موردی حوضه گرگانرود، ایران. J. Water Supply Res. تکنولوژی -Aqua 2018 ، 67 ، 236–251. [ Google Scholar ] [ CrossRef ]
  52. واسواری، وی. کالیبراسیون باران سنج های سطل واژگون در منطقه تحقیقاتی شهری گراتس. اتمس. Res. 2005 ، 77 ، 18-28. [ Google Scholar ] [ CrossRef ]
  53. Bruster-Flores، JL; اورتیز-گومز، آر. Ferriño-Fierro، AL; Guerra-Cobián، VH; بورگوس-فلورس، دی. Lizárraga-Mendiola، LG ارزیابی بارش CMORPH-CRT در مناطق مکزیک با آب و هوای مختلف. Water 2019 ، 11 ، 1722. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  54. وزن‌دهی جغرافیایی فودی، GM به عنوان اصلاح بیشتر برای مدل‌سازی رگرسیون: نمونه‌ای با تمرکز بر رابطه NDVI-بارندگی. سنسور از راه دور محیط. 2003 ، 88 ، 283-293. [ Google Scholar ] [ CrossRef ]
  55. Cheema، MJM; Bastiaanssen، WGM کالیبراسیون محلی بارندگی سنجش از دور از ماهواره TRMM برای دوره‌ها و مقیاس‌های فضایی مختلف در حوضه سند. بین المللی J. Remote Sens. 2012 , 33 , 2603-2627. [ Google Scholar ] [ CrossRef ]
  56. Calheiros، RV; Zawadzki، II روابط بازتابی- نرخ باران برای هیدرولوژی رادار در برزیل. J. Appl. هواشناسی 1987 ، 26 ، 118-132. [ Google Scholar ] [ CrossRef ]
  57. مک کی، سل؛ دوسکن، نیوجرسی؛ کلایست، جی. رابطه فراوانی و مدت خشکسالی با مقیاس های زمانی. در مجموعه مقالات هشتمین کنفرانس اقلیم شناسی کاربردی، آناهیم، ​​کالیفرنیا، ایالات متحده آمریکا، 17 تا 22 ژانویه 1993. [ Google Scholar ]
  58. دبانلی، آی. Mishra, AK; سن، Z. تغییرپذیری طولانی مدت خشکسالی مکانی-زمانی در ترکیه. جی هیدرول. 2017 ، 552 ، 779-792. [ Google Scholar ] [ CrossRef ]
  59. وانگ، ال. یو، اچ. یانگ، م. یانگ، آر. گائو، آر. Wang, Y. A خشکسالی: شاخص استاندارد شده رواناب تبخیر و تعرق بارش. جی هیدرول. 2019 ، 571 ، 651-668. [ Google Scholar ] [ CrossRef ]
  60. جیانگ، ایکس. لیو، ی. وو، ی. وانگ، جی. وو، دبلیو. جین، جی. او، ر. لیو، سی. تحقیق در مورد ارزیابی کیفیت محصولات داده‌های بارش ماهواره‌ای GPM – نمونه‌ای از رودخانه Yarlung Zangbo. روستایی چین Water Hydropower 2021 ، 6 ، 91-97. [ Google Scholar ]
  61. شیو تیه، ن. تنگانگ، اف. جونگ، L. تصحیح سوگیری بارش جهانی و منطقه‌ای شبیه‌سازی شده روزانه و دمای میانگین سطح در جنوب شرق آسیا با استفاده از روش نقشه‌برداری چندکی. گلوب. سیاره. چانگ. 2017 ، 149 ، 79-90. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  62. لی، اچ. ما، جی. لی، اچ. وانگ، جی. شائو، دی. ژائو، اچ. تصحیح تعصب بارش مدل آب و هوایی در حوضه رودخانه هیهه بالایی بر اساس روش نقشه برداری کوانتیلی. فلات Meteorol. 2020 ، 39 ، 266-279. [ Google Scholar ]
  63. گائو، ی. لیو، ایکس. لنگ، ایکس. ژانگ، ی. دونگ، جی. Fan, C. الگوهای خشکسالی مکانی-زمانی در استان گوانگشی بر اساس تجزیه و تحلیل مؤلفه های اصلی. Acta Ecol. گناه 2020 ، 40 ، 5591-5601. [ Google Scholar ]
Ijgi 11 00048 g001 550
شکل 1. موقعیت حوضه رودخانه چنگبی و توزیع ایستگاه ها.
Ijgi 11 00048 g002 550
شکل 2. این منحنی هیپسومتری حوضه رودخانه چنگبی است.
Ijgi 11 00048 g003 550
شکل 3. نمودار ساختار مقاله.
Ijgi 11 00048 g004a 550 Ijgi 11 00048 g004b 550 Ijgi 11 00048 g004c 550
شکل 4. مقایسه و نمودار پراکندگی داده های بارش ماهواره ای و داده های بارش ایستگاه. ( الف ) نمودار مقایسه بارش روزانه. ( ب ) نمودار پراکنده بارش روزانه. ( ج ) نمودار مقایسه بارش ماهانه. ( د ) نمودار پراکنده بارش ماهانه. ( ه ) نمودار مقایسه بارش سالانه. ( و) نمودار پراکنده بارش سالانه.
Ijgi 11 00048 g005a 550 Ijgi 11 00048 g005b 550
شکل 5. توزیع فضایی بارش ایستگاه و IMERG در هر نوع بارش. ( الف ) توزیع فضایی بارندگی نوع 0 اندازه گیری شده در ایستگاه. ( ب ) توزیع فضایی بارندگی نوع 0 با نظارت ماهواره ای. ( ج ) توزیع فضایی بارندگی نوع 1 اندازه گیری شده در ایستگاه. ( د ) توزیع فضایی بارندگی نوع 1 با نظارت ماهواره ای. ( ه ) توزیع فضایی بارندگی نوع 2 اندازه گیری شده در ایستگاه. ( و) توزیع فضایی بارندگی نوع 2 با نظارت ماهواره ای. ( ز ) توزیع فضایی بارندگی نوع 3 اندازه گیری شده در ایستگاه. ( h) توزیع فضایی بارندگی نوع 3 با استفاده از ماهواره. یافتن این که بارش ماهواره ای کم و بیش بارش واقعی را بیش از حد تخمین می زند، زمانی که هیچ بارندگی رخ نمی دهد، دشوار نیست، و تخمین بیش از حد از 0.1 میلی متر تا 0.4 میلی متر متغیر است و درجه تخمین بیش از حد از مرکز به شمال و جنوب به ترتیب افزایش می یابد. درجه تخمین بیش از حد در جنوب حوضه به طور قابل توجهی بیشتر از شمال است ( a , b ).
Ijgi 11 00048 g006a 550 Ijgi 11 00048 g006b 550
شکل 6. توزیع فضایی مقادیر CC. توجه : مقادیر CC در شکل همگی سطح معنی داری 0.05 را برآورده می کنند. ( الف ) IMERG-بهار، ( ب ) IMERG-تابستان، ( ج ) IMERG-پاییز، ( د ) IMERG-زمستان، ( ه ) GDA- بهار، ( f ) GDA-تابستان، ( g ) GDA-پاییز، ( h ) GDA-زمستان، ( i ) GWR-بهار، ( j ) GWR-تابستان، ( k ) GWR-پاییز، ( l ) GWR-زمستان، ( m ) CDF-بهار، ( n ) CDF-تابستان، ( o ) ) CDF-پاییز، ( ص) CDF-زمستان.
Ijgi 11 00048 g007a 550 Ijgi 11 00048 g007b 550
شکل 7. توزیع فضایی مقادیر RMSE . ( الف ) IMERG-بهار، ( ب ) IMERG-تابستان، ( ج ) IMERG-پاییز، ( د ) IMERG-زمستان، ( ه ) GDA- بهار، ( f ) GDA-تابستان، ( g ) GDA-پاییز، ( h ) GDA-زمستان، ( i ) GWR-بهار، ( j ) GWR-تابستان، ( k ) GWR-پاییز، ( l ) GWR-زمستان، ( m ) CDF-بهار، ( n ) CDF-تابستان، ( o ) ) CDF-پاییز، ( ص ) CDF-زمستان.
Ijgi 11 00048 g008a 550 Ijgi 11 00048 g008b 550
شکل 8. توزیع فضایی مقادیر BIAS . ( الف ) IMERG-بهار، ( ب ) IMERG-تابستان، ( ج ) IMERG-پاییز، ( د ) IMERG-زمستان، ( ه ) GDA- بهار، ( f ) GDA-تابستان، ( g ) GDA-پاییز، ( h ) GDA-زمستان، ( i ) GWR-بهار، ( j ) GWR-تابستان، ( k ) GWR-پاییز، ( l ) GWR-زمستان، ( m ) CDF-بهار، ( n ) CDF-تابستان، ( o ) ) CDF-پاییز، ( ص ) CDF-زمستان.
Ijgi 11 00048 g009 550
شکل 9. روند مقادیر S PI در مقیاس های زمانی مختلف. ( الف ) SPI 1 ماهه ؛ ( ب ) SPI 3 ماهه ؛ ( ج ) SPI 6 ماهه ؛ ( د ) SPI 12 ماهه .
Ijgi 11 00048 g010 550
شکل 10. روند بارش، حداقل و حداکثر دمای هوا از سال 2002 تا 2018. ( الف ) روند حداکثر و حداقل دماهای ماهانه. ( ب ) روند بارندگی ماهانه.
Ijgi 11 00048 g011 550
شکل 11. مقایسه سه ماه خشکسالی متوالی در حوضه رودخانه چنگبی. ( الف ، ب ) توزیع فضایی خشکسالی به‌دست‌آمده از بارش اندازه‌گیری‌شده در ایستگاه و بارش ترکیب‌شده با CDF در اکتبر 2014. ( ج ، د ) توزیع فضایی خشکسالی به‌دست‌آمده از بارش اندازه‌گیری‌شده در ایستگاه و بارش ترکیب‌شده با CDF در نوامبر 2014. ( e ، f ) توزیع فضایی خشکسالی به‌دست‌آمده از بارش اندازه‌گیری‌شده در ایستگاه و بارش ترکیب‌شده با CDF در دسامبر 2014.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید