ارزيابي عملكرد محصولات شبكه‌بندي بارش با درنظر گرفتن شرايط اقليمي و توپوگرافي در ايران

Evaluating the Performance of Precipitation Products Taking into Account the Climatic and Topographic Conditions across Iran

بارش يك جزء اصلي چرخه هيدرولوژيكي هست كه داراي تغييرات قابل ملاحظه اي در مكان و زمان است. وجود داده هاي گم شده در داده هاي بارش اندازه گيري شده و توزيع نامناسب نقطه محل هاي اندازه گيري بارش سبب به وجود آمدن مشكلات اساسي در پيش بيني هاي هيدرولوژيكي مي گردد و از آنجايي كه داده هاي ماهواره اي- باران سنجي جزء راه حل هاي جديد در جهت برآورد داده هاي بارش است، پژوهش حاضر با هدف ارزيابي عملكرد داده هاي ماهواره اي- باران سنجي P-CDR15و CHIRPS12 با تفكيك مكاني 0/25 × 0/25 و در مقياس روزانه، ماهانه و سالانه در بازه زماني 1990 تا 2019 با استفاده از 88 ايستگاه سينوپتيك واقع در ايران انجام شد. برآورد بارش سالانه داده هاي مدل شبكه بندي شده داراي تخمين فرا برآورد و فرو برآورد در ايستگاه ها هستند و با توجه به شاخص هاي ارزيابي عملكرد P-CDR در مناطقي به غيراز شمال و شمال غرب ايران نسبت به CHIRPS بهتر است. تخمين بارش ماهانه مجموعه داده P-CDR در همه حوضه ها به غيراز اروميه و سرخس داراي خطاي كمتر در برآورد بارش ماهانه و بيشترين همبستگي با داده هاي مشاهداتي نسبت به CHIRPS است. برآورد بارش روزانه داده هاي شبكه بندي CHIRPS داراي عملكرد بهتر نسبت به P-CDR بخصوص در حوضه خليج فارس و درياي عمان است. همچنين، داده هاي CHIRPS بر اساس شاخص تشخيصي CSI13 داراي عملكرد بهتر در تشخيص روزهاي باراني و غير باراني تقريبا در تمام ايستگاه ها است. طبق نتايج حاصل از تحليل هاي ارتفاع و بارندگي مي توان بيان كرد كه ارتفاع نيز به عنوان عامل موثر در عملكرد داده هاي شبكه اي بارش هست به گونه اي كه هر دو مجموعه داده در مناطق مرتفع كوه هاي زاگرس و مناطق شمالي رشته كوه البرز قدرت كمتري در برآورد و تشخيص بارش دارد.

Precipitation is a major component of the hydrological cycle which has significant changes over space and time. Missing data in precipitation measurements and improper distribution of precipitation measurement sites cause major problems in hydrological studies. Satellite data is a new alternative for estimating precipitation data and the present study aimed at evaluating the performance of P-CDR (Precipitation Estimation from Remotely Sensed Information Using Artificial Neural Networks- Climate Data Record) and CHIRPS (Climate Hazards Group Infrared Precipitation with Station Data) with spatial separation of 0.25 × 0.25 and on a daily, monthly and yearly scale for the period of 1990 to 2019 in 88 synoptic stations located in Iran. As a result of annual precipitation estimation analysis and according to performance evaluation indices, P-CDR had better performance than CHIRPS in all regions except for the north and northwest of Iran. Precipitation estimation by P-CDR dataset in all basins except Urmia and Sarakhs had less error in estimating monthly precipitation compared to CHIRPS, and it had the highest correlation with observed data. CHIRPS daily rainfall estimation had better performance than P-CDR, especially in the Persian Gulf and Oman Sea basins. As CSI (critical success index) showed, CHIRPS had a better performance in detecting rainy and non-rainy days in almost all stations. According to the results of altitude-rainfall analysis, both datasets in the highlands of the Zagros mountain chain and north of the Alborz mountain chain performed weak in estimating precipitation.