ريزمقياس سازي تغييرات ذخيره آب زيرزميني مدل هيدرولوژيكي WGHM با استفاده از مدل رگرسيوني چندگانه برروي دشت قزوين

Downscaling WGHM-based groundwater storage data using regression methods for Qazvin plain, Iran

خشكسالي هاي اخير كشور ايران و محدوديت هاي موجود در زمينه پايش منطقه اي و عدم در دسترس بودن اطلاعات كافي و بادقت بالا، يكي از روش هاي مورد تاييد براي پايش تغييرات ذخيره آب زيرزميني(آنومالي)، بكارگرفتن روش هاي سنجش از دور است. دشت قزوين يكي از حاصل خيزترين دشت هاي كشور و زيرمجموعه حوضه درياچه نمك بوده كه داراي تنش آبي شديد است. در اين پژوهش بررسي تغييرات ذخيره آب زيرزميني اين دشت با بكارگيري تكنيك هاي مختلف ريزمقياس سازي داده هاي آب زيرزميني مدل WGHM، از قبيل رگرسيون خطي و چندگانه محاسبه گرديد. اطلاعات مدل هيدرولوژيكي WGHM (وضوح مكاني 0/5 درجه) در كنار داده هاي مدل ERA5-Land و ماهواره IMERG-GPM (وضوح مكاني 0/1 درجه) مورد استفاده قرارگرفت. با استفاده از آزمون كاي-دو متغيرهايي كه بهترين همخواني را داشتند انتخاب و سپس از ميان مدل-هاي رگرسيوني مختلف، بهترين مدل انتخاب و سپس در مقياس 0/1 درجه مقدار تغييرات ذخيره آب زيرزميني را به صورت قابل قبولي تخمين زد. در نهايت، داده هاي ريزمقياس شده در اين مطالعه (0/1 درجه) در مقايسه با تغييرات ذخيره آب زيرزميني اصلي مدل (0/5 درجه)WGHM از نظر الگوهاي مكاني مطابقت كاملي داشته و جزييات بيشتري را از توزيع مكاني آب هاي زيرزميني در دشت قزوين در اختيار قرار دادند. لازم به ذكر است، از اين روش مي توان در حوضه هاي ديگر و حتي در مقياس جهاني نيز استفاده كرد.

According to the latest drought of Iran and due to lack of the reliable and sufficient in-situ information, remote sensing and hydrological models can be count as the alternative datasets for monitoring groundwater (GW) storage changes in regional and global scale. Qazvin plain is also one of the regions which is facing severe drought in Iran. The main purpose of this paper is downscaling WGHM-based GW storage anomaly from a coarse (0.5-degree) to a finer spatial resolution (0.1-degree) using auxiliary datasets such as ERA5-Land model and satellite-based precipitation data (IMERG-GPM) with finer spatial resolution (0.1-degree). The variables with the most correlations with GW were choosed with chi-square method. Since the water budget components are known to have temporal lead or lag the components shifted t times to match with GW. Aftrewards, the most suitable model with the highest skill score during the examination test, was selected, and the model was trained. The 0.1-degree GW was obtained/predicted and finally, the downscaled data (0.1-degree) captured the spatial distribution pattern of the original GW (0.5 degrees) reasonably well with more detailed information when compared with the original GW. This method can easily be applied to other aquifers too.