پايش زماني و مكاني داده هاي بازتحليل شده ECMWF و منابع بارشي مبتني بر تكنيكهاي سنجش از دور

Spatiotemporal Assessment of Reanalysis and Remotely-Sensed Precipitation Datasets

از ميان مولفه هاي اقليمي، بارش به علت دارا بودن تغييرات مكاني و زماني قابل توجه، يكي از پيچيده ترين پديده ها در چرخه هيدرولوژيكي بشمار مي-آيد. با توسعه روزافزون تكنولوژي هاي ماهواره اي در دهه هاي اخير، امكان دسترسي به منابع بارشي با توان تفكيك مكاني و زماني بالا براي بسياري از نقاط جهان فراهم شده است. در پژوهش حاضر به ارزيابي عملكرد زماني و مكاني يكي از مهم ترين منابع بارشي مدل مبنا به نام ECMWF در گام-هاي زماني روزانه و ماهانه در سطح حوضه آبريز سفيدرود پرداخته شده است. همچنين در اين پژوهش از منابع بارشي پركابرد مانند PERSIAN و TRMM نيز براي بررسي كارائي منبع ECMWF استفاده بعمل آمد. نتايج حاصل از ارزيابي عملكرد منبع ECMWF در سطح حوضه آبريز سفيدرود و در مقياس روزانه حاكي از آن است كه اين منبع با دارا بودن ضريب همبستگي بالاي 8/0 با ايستگاه هاي زميني، داراي بهترين علمكرد بوده و اين در حاليست كه دو منبع PERSIAN و TRMM به ترتيب داراي ضريب همبستگي 0/47 و 0/32 مي باشند. بر خلاف گام زماني روزانه، در گام زماني ماهانه عملكرد دو منبع ECMWF و PERSIAN تقريبا مشابه بوده و هر دو داراي ضريب همبستگي بالاي 0/9 هستند. همچنين از نظر آماره هاي طبقه بندي منبع ECMWF در هر دو گام زماني روزانه و ماهانه با دارا بودن كمترين شاخص FAR (گزارش هاي اشتباه)، بالاترين شاخص Accuracy (صحت پيش بيني هاي درست) و نيز بالاترين رتبه در تشخيص روزهاي باراني (POD) داراي عملكرد به مراتب بهتري نسبت به ديگر منابع بارشي مي-باشد.

Among the meteorological components precipitation is one of the complicated issues in hydrological process, due to its considerable changes over time and space. By increasing application of satellite-based technologies over the past decades, it is now easy to access high resolution precipitation products in most parts of the world. This research addressed the accuracy of European Center for Medium Range Weather Forecasts (ECMWF) reanalysis datasets for estimation of daily and monthly precipitation over the SefidRood catchment. Moreover, in order to better evaluating the performance of ECMWF dataset, the PERSIAN and TRMM datasets are also used. Findings on the daily time scale showed that the correlation coefficient between ground observation and ECMWF, PERSIAN and TRMM products was respectively about 0.8, 0.47 and 0.32 and this proved the superiority of ECMWF for estimation of rainfall in daily time scale. On monthly time scale both ECMWF and PERSIAN products correlated very well with gauge measurements (CC statistic is more than 0.9) but TRMM with the CC equal to 0.57 correlated moderately with observations. According to the categorical verification statistics for SefidRood catchment, ECMWF yields better results compared with other satellite data sets, for detection of precipitation events on the basis of Probability of Detection (POD), Critical Success Index (CSI) and False Alarm Ratio (FAR). Therefore, in ungauged catchments or for hydrological modeling which requires an accurate precipitation dataset, using ECMWF dataset is suggested.