سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات161
تعداد شماره‌ها6,532
تعداد مقالات70,500
تعداد مشاهده مقاله124,091,525
تعداد دریافت فایل اصل مقاله97,195,332
شکری کوچک, سعید, آخوندعلی, علی محمد, شریفی, محمدرضا, شکری کوچک, وحید. (1401). ارزیابی تطبیقی داده‌های شبکه‌ای بارش و دمای سامانه جهانی داده‌گواری زمینی (مطالعه موردی: حوضه حله). , 12(2), 231-244. doi: 10.22059/jwim.2022.329181.913
سعید شکری کوچک; علی محمد آخوندعلی; محمدرضا شریفی; وحید شکری کوچک. "ارزیابی تطبیقی داده‌های شبکه‌ای بارش و دمای سامانه جهانی داده‌گواری زمینی (مطالعه موردی: حوضه حله)". , 12, 2, 1401, 231-244. doi: 10.22059/jwim.2022.329181.913
شکری کوچک, سعید, آخوندعلی, علی محمد, شریفی, محمدرضا, شکری کوچک, وحید. (1401). 'ارزیابی تطبیقی داده‌های شبکه‌ای بارش و دمای سامانه جهانی داده‌گواری زمینی (مطالعه موردی: حوضه حله)', , 12(2), pp. 231-244. doi: 10.22059/jwim.2022.329181.913
شکری کوچک, سعید, آخوندعلی, علی محمد, شریفی, محمدرضا, شکری کوچک, وحید. ارزیابی تطبیقی داده‌های شبکه‌ای بارش و دمای سامانه جهانی داده‌گواری زمینی (مطالعه موردی: حوضه حله). , 1401; 12(2): 231-244. doi: 10.22059/jwim.2022.329181.913

ارزیابی تطبیقی داده‌های شبکه‌ای بارش و دمای سامانه جهانی داده‌گواری زمینی (مطالعه موردی: حوضه حله)

مدیریت آب و آبیاری
دوره 12، شماره 2، تیر 1401، صفحه 231-244    اصل مقاله (1.44 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22059/jwim.2022.329181.913
نویسندگان
سعید شکری کوچک1؛ علی محمد آخوندعلی* 2؛ محمدرضا شریفی3؛ وحید شکری کوچک4
1دانش‌آموخته دکتری منابع آب، دانشکده مهندسی علوم آب، دانشگاه شهید چمران اهواز، ایران.
2استاد، گروه هیدرولوژی و منابع آب، دانشکده مهندسی علوم آب، دانشگاه شهید چمران اهواز، ایران.
3استادیار، گروه هیدرولوژی و منابع آب دانشکده مهندسی علوم آب دانشگاه شهید چمران اهواز، ایران.
4دانش‌آموخته کارشناسی ارشد، گروه مهندسی و مدیریت آب، دانشکده کشاورزی، دانشگاه تربیت مدرس، تهران، ایران.
چکیده
تحقیق حاضر به ارزیابی عملکرد پایگاه داده مدل جهانی همسان سازی داده‌های زمینی (GLDAS) در برآورد دو متغیر هواشناسی بارش و دمای هوا در دو مقیاس زمانی روزانه و ماهانه در حوضه‌آبریز حله واقع در جنوب ایران می‌پردازد. برای رسیدن به اهداف تحقیق از اطلاعات یازده ایستگاه اندازه گیری بارش و دما، در طی 14 سال استفاده گردید. در این تحقیق به منظور امکان مقایسه داده‌های شبکه‌ای پایگاه و نقطه‌ای ایستگاه، از روش مقیاس کاهی نرخ افتاهنگ دما و بارش و شاخص‌های آماری استفاده شد. نتایج نشان می‌دهد عملکرد پایگاه داده GLDAS در برآورد دمای هوا نسبت به بارش بسیار مناسب‌تر می‌باشد به طوری که در مقیاس زمانی روزانه مقدار میانگین ضریب تعیین در یازده ایستگاه برای برآورد بارش به ترتیب 329/0 می‌باشد در حالی که عملکرد در برآورد دمای هوا با میانگین ضریب تعیین 934/0 بسیار مناسب می‌باشد. در مقیاس زمانی ماهانه نتایج این تحقیق نشان می‌دهد که عملکرد پایگاه داده GLDAS در برآورد هر دو متغیر دما و بارش بسیار مناسب می‌باشد به طوری که در مقیاس ماهانه مقدار ضریب تعیین در پارامترهای دما هوا و بارش به ترتیب 984/0 و 857/0 می‌باشد. بنابراین می-توان بیان داشت، مناسب بودن عملکرد در یک متغیر هواشناسی دلیلی بر مناسب بودن در همه پارامترها نمی‌باشد. با توجه به شاخص میانگین خطاها پایگاه داده GLDAS داده‌های دمای هوا را بیشتر از واقعیت برآورد می‌نماید اما در برآورد داده های بارش کم‌برآورد می باشد. در پهنه‌بندی خطا مشاهده می‌گردد خصوصیات سطح حوضه از جمله ارتفاع نیز می‌تواند در ارزیابی عملکرد پایگاه تاثیرگذار باشد.
کلیدواژه‌ها
بارش؛ پایگاه داده GLDAS؛ دما؛ حوضه‌آبریز حله
مراجع
  1. Ahmadi, M., & Narangifard, M. (2012). Evaluation of precipitation zones using Joule satellite data in Fars province, Researches in Earth Sciences, 3(3),28-44.(In Persian).
  2. Alijanian, M., Rakhshandehroo, Gh. R., Mishra, A. K., & dehghani, M. (2017), Evaluation of satellite rainfall climatology using CMORPH, PERSIANN-CDR, Persiann, Trmm, Mswep Over Iran, International Journal of Climatology, Published online in Wiley Online Library. (wileyonlinelibrary.com) DOI: 10.1002/joc.5131.
  3. Ashrafzadeh Afshar, A., Joodaki, G. R., & Sharifi, M. A. (2016) Evaluation of Groundwater Resources in Iran Using GRACE Gravity Satellite Data. JGST, 5(4), 73-84. (In Persian).
  4. Chen, F., Mitchell, K., Schaake, J., Xue, Y., Pan, H., Koren, V., Duan, Y., EK, M., & Betts, A. (1996). Modeling of land-surface evaporation by four schemes and comparison with FIFE observions. Journal Geophys Res, 101 (D3), 7251-7268.
  5. Duan, Z., Liu, J., Tuo, Y., Chiongna, G., & Disse, M. (2016). Evaluation of eight high spatial resolution gridded precipitation products in Adige Basin (Italy) at multiple temporal and spatial scales. Science of the Total Environment, http://dx.doi.org/10.1016/j. scitotenv.2016.08.213.
  6. Emamifar, S., Rahimikhoob, A., & Noroozi, A. (2014). An Evaluation of M5 Model Tree vs. Artificial Neural Network for Estimating Mean Air Temperature as Based on Land Surface Temperature Data by MODIS-Terra Sensor. Iranian Journal of Soil and Water Research, 45(4), 423-433. doi: 10.22059/ijswr.2014.52595
  7. Fan, Y., & Van Den Dool, H. (2008). A global monthly land surface air temperature analysis for 1948- persent. Geophysical Research, 113, doi: 10.1029/2007/JD008470.
  8. Fars Regional Water (2011). Atlas Water Resources Report of Helleh Basin
  9. Faraji, Z., Kaviani, A., & Shakiba, A. (2017). Evaluation of Evapotranspiration, Precipitation and Air Temperature from Global Land Data Assimilation System (GLDAS) by Lysimeter Data in Qazvin. Journal of Water and Soil Conservation, 24(3), 283-297. doi: 10.22069/jwfst.2017.11535.2630. (In Persian).
  10. Farokhnia, A., & Morid, S. (2014). Assessment of GRACE and GLDAS Capabilities for Estimation of Water Balance in Large Scale Areas, a Case Study of Urmia Lake Watershed., Iran-Water Resources Research, 10(1), 51-62.
  11. Gao, L., Bernhardt, M., & Schulz, K. (2012). Elevation correction of ERA- Interim temperature data in complex terrain. Hydrology and Earth System Sciences, 16, 4661-4673, Doi: 10.5194/hess-16-4661-2012.
  12. Gao, l., Wei, J., Wang, L., Bernhardt, M., Schulz, K., & Chen, H. (2018). A High- resolution air temperature data set for the Chinese Tian Shan in 1979-2016. Earth System Science Data, 10, 2097-2114, Doi: 10.5194/essd-10-2097-2018.
  13. Hajihosseini, M., Hajihosseini, H., Najafi, A., & Morid, S. (2013). Evaluation of VIC and Noah global simulation models and SWAT simulation model in estimating water balance components of Helmand transboundary catchment, Fifth Iranian Water Resources Management Conference, Tehran, Iran (In Persian)
  14. Huld, T., & Pascua, I.P. (2015). Spatial Downscaling of 2- meter Air Temperature Using Operational Forecast Data, Energise, 8, 2381-2411, doi: 10.3390/en8042381.
  15. Ji, L., Senay, G. B., & Verdin, J, P. (2015). Evaluation of the Global Land Data Assimilation System (GLDAS) Air Temperature Data Products. Journal Of Hydrometeorology, 16, 2463-2480, DOI: 10.1175/JHM-D-14-0230.1.
  16. Knoche, ., Fischer, C., Pohl, E., Krause, P., & Merz, R. (2014). Combined uncertainty of hydrological model complexity and satellite-based forcing data evaluated in two data-scarce semi-arid catchments in Ethiopia. Journal of Hydrology, 519, 2049-2066. http://dx.doi.org/10.1016/j.jhydrol.2014.10.003
  17. Koren, V., Schaake, J., Mitchell., K., Duan, Q.Y., Chen, F., & Baker, J.M. (1999). A parameterzation of snowpack and frozen ground intended for NCEP weather and climate models. Journal Geophys Res, 104, 19569-19585.
  18. Liston, G.E. and Elder, K., 2006, A meteorological distribution system for high – resolution terrestrial modeling (micromet), J.Hydrometeorol,7,217-234.
  19. Madadi, G., Hamzeh, S., Noroozi, A. (2015). 'Evaluation of rainfall on a daily, monthly and annual basis using satellite imagery (Case study: west boundary basin of Iran)', Journal of RS and GIS for Natural Resources, 6(2), pp. 59-74.
  20. Ministry of Energy (2012). Update studies of the country's comprehensive water plan in the Helleh basin (Meteorological and climatological report section).
  21. Miri, M., Azizi, G., Mohammadi, H., & Pourhashemi, M. (2018). Introduction and Evaluation of Global Model of Land Data Assimilation. Scientific-Research Quarterly of Geographical Data (SEPEHR), 26(104), 5-17. doi: 10.22131/sepehr.2018.30514 (In Persian)
  22. Morovati, R., & Shokoohi, A. (2015). Evaluation of different interpolation methods for NCEP/NCAR temperature data over the 2nd order watersheds in Iran. Irrigation and Water Engineering, 5(2), 17-31. (In Persian)
  23. Pan, X. O., Li, X., Yang, K., & He, J. (2014). Comparison of downscaled percipitation data over mountainous watershed: a Case study in the Heihe river basin. Journal of Hydrometorology, 15, 1560-1574.
  24. Parviz, L., Kholghi, M., & Valizadeh, KH. (2011). Estimation of Air Temperature Using Temperature-Vegetation Index (TVX) Method. JWSS, 15(56), 21-34 (In Persian).
  25. Polroudimoghadam, M., Hamzeh, S., & Vazifehdoust, M. (2016). Investigating the Trend of Rainfall and Runoff Changes using The Global Land Data Assimilation System (GLDAS) in Doosti Dam Basin. Scientific - Research Quarterly of Geographical Data (SEPEHR), 25(98), 43-56. (In Persian).
  26. Pomeon, T., Jackisch, D., & Diekkruger, B. (2017). Evaluating the performance of remotely sensed and reanalyzed precipitation data over West Africa using HBV light. Journal of Hydrology, 547, 222-235, http://dx.doi.org/10.1016/j.jhydrol.2017.01.055
  27. Rasuli, A.A., Erfanian, M., Sari Sarraf, B., & Javan, Kh. (2016). Comparative assessment of TRMM estimated rainfall and recorded rainfall of ground stations in Lake Urmia basin. Quarterly Journal of Geographical Space, 16(54), 195-217 (In Persian)
  28. Rodell, M., Houser, P., Jambor, U.E.A., Gottschalck, J., Mitchell, K., Meng, C., & et al. (2004). The global land data assimilation system. Bulletin of the American Meteorological Society, 85(3), 381-394.
  29. Sanikhani, H., Mirabbasi Najaf Abadi, R., & Dinpashoh, Y. (2014). Modeling of Temperature and Rainfall of Tabriz Using Copulas, Irrigation and Water Engineering, 5(1), 123-133 (In Persian)
آمار
تعداد مشاهده مقاله: 385
تعداد دریافت فایل اصل مقاله: 272


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب