ريزمقياس نمايي بارش ماهواره اي با در نظر گرفتن رابطه مكاني ناهمگن بين بارش و متغيرهاي محيطي

Downscaling of satellite-based precipitation considering the spatially heterogeneous relationship between precipitation and environmental variables

محصولات بارش ماهواره اي، يكي از منابع تخمين بارندگي مي باشند. با اين وجود، براي استفاده در مناطق محلي، و يا براي پارامترسازي مدل هاي هواشناسي و هيدرولوژيكي در مقياس هاي حوضه اي؛ رزولوشن مكاني آنها اغلب درشت است. بنابراين، در اين تحقيق يك روش ريزمقياس نمايي- كاليبراسيون براي تخمين هاي ماهواره اي ماموريت اندازه گيري بارش جهاني (GPM؛ رزولوشن مكاني 0/1 درجه) از تاريخ 01/04/2014 تا 31/03/2015 به مدت يك سال، با در نظر گرفتن ناهمگني مكاني در رابطه بين بارش و متغيرهاي محيطي، با استفاده از مدل رگرسيون وزني جغرافيايي مختلط (MGWR) براي استان گلستان، توسعه داده شد. در دستيابي به داده هاي بارش بهبود يافته با رزولوشن مكاني يك كيلومتر در مقياس سالانه، نتايج نشان داد كه (1) با روش پيشنهادي نه تنها رزولوشن مكاني بهبود يافت، بلكه دقت نيز افزايش پيدا كرد؛ (2) داده هاي بارش ريز مقياس شده و كاليبره شده (CC= 0.74, bias= 0.23) عملكرد بهتري از داده هاي اصلي (CC= 0.58, bias= 0.35) در برابر مشاهدات زميني داشتند.

The satellite-based precipitation products are one of the sources of rainfall estimation. Nonetheless, for usage in the local regions and, or for parameterizing of meteorological and hydrological models at basin scales, their spatial resolution is often coarse. Therefore, in this study, a downscaling– calibration method was developed for global precipitation measurement (GPM) satellite estimates (at 0.1° spatial resolution), for one year from 01/04/2014 to 31/03/2015, by considering the spatial heterogeneity of the relationship between precipitation and the environmental variables using the mixed geographically weighted regression (MGWR) model for Golestan province. In obtaining improved precipitation data with 1 km spatial resolution at an annual scale, the results showed that (1) the proposed method not only improved the spatial resolution of precipitation but also increased accuracy; (2) the downscaled and calibrated precipitation data (CC = 0.74, bias = 0.23) performed better than the original data (CC = 0.58, bias = 0.35) against ground observations.