ريزمقياس‌سازي داده‌هاي بارش ماهواره TRMM به كمك داده‌هاي NDVI، مدل رقوم ارتفاعي و دماي سطح زمين با استفاده از مدل‌هاي يادگيري رگرسيوني

Spatial downscaling of TRMM satellite precipitation data by NDVI, DEM and surface temperature using regression learner methods

تعيين الگوي مكاني بارش در يك حوزه آبخيز، اهميت فراواني براي محاسبه كميت‌هايي مانند دبي رواناب يا ميزان رطوبت خاك دارد. محدوديت تعداد ايستگاه‌هاي هواشناسي و همچنين، تغييرپذيري مكاني بارش، مانعي در برابر تخمين مكاني دقيق بارش هستند. توسعه فناوري سنجش از دور و امكان استفاده از محصولات بارش توليد شده به‌وسيله سنجنده‌هاي ماهواره، مسير دستيابي به الگوهاي دقيق مكاني بارش را هموار كرده است. بزرگ ‌مقياس بودن مكاني نتايج محصولات بارش ماهواره‌اي، لزوم توسعه روش‌هاي ريزمقياس‌سازي را برجسته مي‌كند. در اين پژوهش، داده­‌هاي بارش TRMM با استفاده از شاخص نرمال شده تفاوت پوشش گياهي (NDVI)، ميانگين دماي روزانه، شبانه و اختلاف دماي شبانه‌روز در سطح زمين، مختصات و ارتفاع مركز پيكسل‌ها براي رسيدن به تفكيك مكاني بالاتر، با جعبه ابزار يادگيري رگرسيوني در محيط نرم‌افزار MATLAB، براي 19 مدل در سال‌هاي 2001 الي 2017 ريزمقياس‌سازي شده است. اين مدل‌ها به پنج دسته كلي رگرسيون خطي، درخت تصميم، بردار پشتيبان، مدل‌هاي تركيبي و مدل‌هاي گاوسي تقسيم مي‌شود. از بين اين 19 مدل، مدل مربوط به دسته مدل‌هاي تركيبي در همه سال‌ها داراي جذر ميانگين مربعات خطاي كمتر و ضريب همبستگي بيشتري بودند. همچنين، براي واسنجي كردن نتايج ريزمقياس‌سازي، از دو روش فاصله اصلاح جغرافيايي و نسبت اصلاح جغرافيايي استفاده شد كه روش فاصله اصلاح جغرافيايي در همه مدل‌ها داراي خطاي كمتري بود.

Determining precipitation spatial pattern in a catchment is necessary for the calculation of hydrologic quantities such as runoff flow and soil moisture content. Sparse meteorological stations as well as spatial variability of precipitation are major obstacles for accurate spatial estimation of precipitation. The development of remote sensing technology and the possibility of using satellite precipitation products has facilitated attaining spatial precipitation patterns. However, low spatial resolution of satellite precipitation products highlights the need for downscaling methods. Nineteen predictive models were fitted using Regression Learner toolbox in MATLAB software. Annual TRMM precipitation data were downscaled from 2001 to 2017 using Normalized Difference Vegetation Index (NDVI), land surface temperature, land elevation and coordination. Models are divided into five general categories: Linear Regressions, Decision Trees, Support Vector Machines, Ensemble models and Gaussian Process Regression models. Comparing the downscaled TRMM data with gauges data, Boosted Ensemble model had the lowest root mean square error and highest correlation coefficient. On the other hand, two methods of Geographical Distance Adjustment (GDA) and Geographical Ratio Adjustment were compared for calibrating the downscaled precipitation. Smaller errors were obtained using GDA in all models.