پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 163 |
| تعداد شماره‌ها | 6,761 |
| تعداد مقالات | 72,826 |
| تعداد مشاهده مقاله | 131,643,314 |
| تعداد دریافت فایل اصل مقاله | 103,419,723 |
افزایش دقت داده‌های بارش ماهوارهای: روش ریزمقیاس سازی داده‌های PERSIANN با استفاده از NDVI، LST و DEM | ||
| تحقیقات آب و خاک ایران | ||
| دوره 56، شماره 3، خرداد 1404، صفحه 735-751 اصل مقاله (1.76 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijswr.2025.384891.669827 | ||
| نویسنده | ||
| زهرا شیرمحمدی علی اکبرخانی* | ||
| استادیار گروه مهندسی آب، مجتمع آموزش عالی کشاورزی و دامپروری تربت‌جام، ایران | ||
| چکیده | ||
| این مطالعه بر پایه داده‌های بارانسنجی شهرستان تربت جام و طی یک دوره آماری ۲3 ساله (۲۰۰۱ تا ۲۰۲۳) انجامشده است. در این پژوهش، داده‌های بارش ماهوارهای PERSIANN با وضوح مکانی ۲۷ کیلومتر با استفاده از داده‌های NDVI، دمای سطح زمین (LST) و مدل ارتفاعی (DEM) و با کمک الگوریتم یادگیری ماشین جنگل تصادفی (RF) به وضوح مکانی یک کیلومتر ارتقا یافت. برای ارزیابی دقت ریزمقیاس‌سازی داده‌های بارش ماهوارهای نسبت به داده‌های ایستگاه‌های زمینی، از معیارهای آماری شامل ضریب همبستگی (CC)، ریشه میانگین مربعات خطا (RMSE) و میانگین خطای مطلق (MAE) استفاده شد. علاوه بر این، روش تصحیح باقیمانده‌ها برای افزایش دقت پیش‌بینی مدل به کار گرفته شد. نتایج نشان داد که روش تغییر مقیاس همراه با داده‌های کمکی مکانی و الگوریتم جنگل تصادفی، دقت مدلسازی بارش را به طور چشمگیری بهبود بخشیده است. نتایج نشان داد که در تمامی ایستگاه‌های موردمطالعه و در مقیاس‌های زمانی ماهانه و سالانه استفاده از روش اصلاح باقیمانده باعث بهبود قابل توجهی در دقت پیش‌بینی‌ها شد. به طوری که در مقیاس بارش ماهیانه بعد از اصلاح باقیمانده ضریب همبستگی از 29-22 درصد افزایش، ریشه میانگین مربعات خطا از 64-61% کاهش و میانگین مطلق خطا به میزان 68-60 درصد کاهش نشان داد. در مقیاس سالانه ضریب همبستگی از 35-7 درصد، ریشه میانگین مربعات خطا از 74-69 درصد کاهش و میانگین مطلق خطا به میزان 76-69 درصد کاهش نشان داد. این مطالعه بر اثربخشی روش مذکور در بهبود دقت پیش‌بینی در مقیاس‌های زمانی مختلف در منطقه مورد بررسی تأکید دارد. علاوه بر این، مفاهیم عملی این پژوهش بینش‌های ارزشمندی را برای مدلسازی هیدرولوژیکی و مدیریت منابع آب، به ویژه در مناطقی که داده‌های ایستگاه زمینی محدود است، ارائه می‌دهد. یافته‌های این تحقیق میتواند به بهبود مدیریت منابع آبی و برنامه‌ریزی‌های اقلیمی، به خصوص در مناطق خشک و نیمه خشک، کمک قابل توجهی نماید. | ||
| کلیدواژه‌ها | ||
| افزایش وضوع مکانی؛ بارش؛ داده‌های ماهواره پرشین؛ یادگیری ماشین | ||
| عنوان مقاله [English] | ||
| Improving Precipitation Accuracy: A Rescaling Method for PERSIANN Using NDVI, LST, and DEM Data | ||
| نویسندگان [English] | ||
| Zahra Shirmohammadi -Aliakbarkhani | ||
| Department of Water Science and Engineering, Faculty of Agriculture and Animal Sciences, University of Torbat-e Jam, Iran | ||
| چکیده [English] | ||
| This study is based on the rain gauge data from Torbat-e Jam over a 23-year period (2001–2023). PERSIANN satellite rainfall data with a spatial resolution of 27 kilometers were enhanced to a 1-kilometer resolution using NDVI, land surface temperature (LST), and digital elevation model (DEM) data, aided by the random forest (RF) algorithm. To evaluate the accuracy of satellite rainfall downscaling compared to ground station data, statistical metrics such as correlation coefficient (CC), root mean square error (RMSE), and mean absolute error (MAE) were utilized. Additionally, a residual correction method was implemented to refine model predictions further. Results demonstrated that integrating spatial datasets with the RF algorithm significantly improved rainfall modeling accuracy. Applying the residual correction method led to substantial improvements in forecasting accuracy across all studied stations on both monthly and annual timescales. On the monthly scale, the correlation coefficient increased by 22-29%, while RMSE and MAE decreased by 61-64% and 60-68%, respectively. On an annual scale, the correlation coefficient showed an increase of 7-35%, with RMSE and MAE reductions of 69-74% and 69-76%, respectively. This study underscores the effectiveness of the applied method in enhancing prediction accuracy across various temporal scales within the studied region. Additionally, the practical implications of this research provide valuable insights for hydrological modeling and water resource management, especially in regions with limited ground station data. The findings of this research can significantly aid in better water resource management and climatic planning, particularly in arid and semi-arid areas. | ||
| کلیدواژه‌ها [English] | ||
| Machine Learning, PERSIANN-CDR, Precipitation, Spatial Resolution Enhancement | ||
| مراجع | ||
|
Chen, C. , Chen, Q. , Qin, B. , Zhao, S. , & Duan, Z. (2020). Comparison of Different Methods for Spatial Downscaling of GPM IMERG V06B Satellite Precipitation Product Over a Typical Arid to Semi-Arid Area. Frontiers in Earth Science, 8, 536337. https://doi.org/10.3389/feart. 2020.536337 Chen, F. , Gao, Y. , Wang, Y. , & Li, X. (2020). A downscaling-merging method for high-resolution daily precipitation estimation. Journal of Hydrology, 581, 124414. https://doi.org/10.1016/j. jhydrol. 2019.124414 Cho, Herin, Hwang, Seok Hwan, Cho, Yong-Sik, & Choi, Minha. (2013). Analysis of Spatial Precipitation Field Using Downscaling on the Korean Peninsula. Journal of Korea Water Resources Association, 46(11), 1129–1140. https://doi.org/10.3741/JKWRA. 2013.46.11.1129 De Kauwe, M. G. , Taylor, C. M. , Harris, P. P. , Weedon, G. P. , & Ellis, Richard. J. (2013). Quantifying Land Surface Temperature Variability for Two Sahelian Mesoscale Regions during the Wet Season. Journal of Hydrometeorology, 14(5), 1605–1619. https://doi.org/10.1175/JHM-D-12-0141.1 Ding, M. , Zhang, Y. , Liu, L. , Zhang, W. , Wang, Z. , & Bai, W. (2007). The relationship between NDVI and precipitation on the Tibetan Plateau. Journal of Geographical Sciences, 17(3), 259–268. https://doi.org/10.1007/s11442-007-0259-7 Farr, T. G. , Rosen, P. A. , Caro, E. , Crippen, R. , Duren, R. , Hensley, S. , Kobrick, M. , Paller, M. , Rodriguez, E. , Roth, L. , Seal, D. , Shaffer, S. , Shimada, J. , Umland, J. , Werner, M. , Oskin, M. , Burbank, D. , & Alsdorf, D. (2007). The Shuttle Radar Topography Mission. Reviews of Geophysics, 45(2), 2005RG000183. https://doi.org/10.1029/2005RG000183 Fensholt, R. , Rasmussen, K. , Nielsen, T. T. , & Mbow, C. (2009). Evaluation of earth observation based long term vegetation trends—Intercomparing NDVI time series trend analysis consistency of Sahel from AVHRR GIMMS, Terra MODIS and SPOT VGT data. Remote Sensing of Environment, 113(9), 1886–1898. https://doi.org/10.1016/j. rse. 2009.04.004 Grohmann, C. H. , Smith, M. J. , & Riccomini, C. (2011). Multiscale Analysis of Topographic Surface Roughness in the Midland Valley, Scotland. IEEE Transactions on Geoscience and Remote Sensing, 49(4), 1200–1213. https://doi.org/10.1109/TGRS. 2010.2053546 Guanghua Xu, Xu, G. , Xianli Xu, Xu, X. , Meixian Liu, Liu, M. , Alexander Y. Sun, Sun, A. Y. , Kelin Wang, & Wang, K. (2015). Spatial Downscaling of TRMM Precipitation Product Using a Combined Multifractal and Regression Approach: Demonstration for South China. Water, 7(6), 3083–3102. https://doi.org/10.3390/w7063083 Immerzeel, W. W. , Rutten, M. M. , & Droogers, P. (2009). Spatial downscaling of TRMM precipitation using vegetative response on the Iberian Peninsula. Remote Sensing of Environment, 113(2), 362–370. https://doi.org/10.1016/j. rse. 2008.10.004 Jia, S. , Zhu, W. , Lű, A. , & Yan, T. (2011). A statistical spatial downscaling algorithm of TRMM precipitation based on NDVI and DEM in the Qaidam Basin of China. Remote Sensing of Environment, 115(12), 3069–3079. https://doi.org/10.1016/j. rse. 2011.06.009 Jing, W. , Yang, Y. , Yue, X. , & Zhao, X. (2016a). A Comparison of Different Regression Algorithms for Downscaling Monthly Satellite-Based Precipitation over North China. Remote Sensing, 8(10), 835. https://doi.org/10.3390/rs8100835 Jing, W. , Yang, Y. , Yue, X. , & Zhao, X. (2016b). A Spatial Downscaling Algorithm for Satellite-Based Precipitation over the Tibetan Plateau Based on NDVI, DEM, and Land Surface Temperature. Remote Sensing, 8(8). https://doi.org/10.3390/rs8080655 Karbalaye Ghorbanpour, A. , Hessels, T. , Moghim, S. , & Afshar, A. (2021). Comparison and assessment of spatial downscaling methods for enhancing the accuracy of satellite-based precipitation over Lake Urmia Basin. Journal of Hydrology, 596, 126055. https://doi.org/10.1016/j. jhydrol. 2021.126055 Li, Y. , Zhang, Y. , He, D. , Luo, X. , & Ji, X. (2019). Spatial Downscaling of the Tropical Rainfall Measuring Mission Precipitation Using Geographically Weighted Regression Kriging over the Lancang River Basin, China. Chinese Geographical Science, 29(3), 446–462. https://doi.org/10.1007/s11769-019-1033-3 Lima, A. R. , Cannon, A. J. , & Hsieh, W. W. (2012). Downscaling temperature and precipitation using support vector regression with evolutionary strategy. The 2012 International Joint Conference on Neural Networks (IJCNN), 1–8. https://doi.org/10.1109/IJCNN. 2012.6252383 Ma, Z. , Shi, Z. , Zhou, Y. , Xu, J. , Yu, W. , & Yang, Y. (2017). A spatial data mining algorithm for downscaling TMPA 3B43 V7 data over the Qinghai–Tibet Plateau with the effects of systematic anomalies removed. Remote Sensing of Environment, 200, 378–395. https://doi.org/10.1016/j. rse. 2017.08.023 Martiny, N. , Camberlin, P. , Richard, Y. , & Philippon, N. (2006). Compared regimes of NDVI and rainfall in semi‐arid regions of Africa. International Journal of Remote Sensing, 27(23), 5201–5223. https://doi.org/10.1080/01431160600567787 Noor, R. , Arshad, A. , Shafeeque, M. , Liu, J. , Baig, A. , Ali, S. , Maqsood, A. , Pham, Q. B. , Dilawar, A. , Khan, S. N. , Anh, D. T. , & Elbeltagi, A. (2023). Combining APHRODITE Rain Gauges-Based Precipitation with Downscaled-TRMM Data to Translate High-Resolution Precipitation Estimates in the Indus Basin. Remote Sensing, 15(2), 318. https://doi.org/10.3390/rs15020318 Shaodan Chen, Chen, S. , Liping Zhang, Zhang, L. , Dunxian She, Dunxian She, She, D. , Dunxian She, Jie Chen, & Chen, J. (2019). Spatial Downscaling of Tropical Rainfall Measuring Mission (TRMM) Annual and Monthly Precipitation Data over the Middle and Lower Reaches of the Yangtze River Basin, China. Water, 11(3), 568. https://doi.org/10.3390/w11030568 Shi, Y. , Song, L. , Xia, Z. , Lin, Y. , Myneni, R. , Choi, S. , Wang, L. , Ni, X. , Lao, C. , & Yang, F. (2015). Mapping Annual Precipitation across Mainland China in the Period 2001–2010 from TRMM3B43 Product Using Spatial Downscaling Approach. Remote Sensing, 7(5), 5849–5878. https://doi.org/10.3390/rs70505849 Sobrino, J. A. , Jiménez-Muñoz, J. C. , & Paolini, L. (2004). Land surface temperature retrieval from LANDSAT TM 5. Remote Sensing of Environment, 90(4), 434–440. https://doi.org/10.1016/j. rse. 2004.02.003 Sorooshian, S. , Hsu, K. -L. , Gao, X. , Gupta, H. V. , Imam, B. , & Braithwaite, D. (2000). Evaluation of PERSIANN System Satellite–Based Estimates of Tropical Rainfall. Bulletin of the American Meteorological Society, 81(9), 2035–2046. https://doi.org/10.1175/1520-0477(2000)081<2035: EOPSSE>2.3. CO; 2 Trenberth, K. E. , & Shea, D. J. (2005). Relationships between precipitation and surface temperature. Geophysical Research Letters, 32(14), 2005GL022760. https://doi.org/10.1029/2005GL022760 Xu, S. , Wu, C. , Wang, L. , Gonsamo, A. , Shen, Y. , & Niu, Z. (2015). A new satellite-based monthly precipitation downscaling algorithm with non-stationary relationship between precipitation and land surface characteristics. Remote Sensing of Environment, 162, 119–140. https://doi.org/10.1016/j. rse. 2015.02.024 Zhan, C. , Han, J. , Hu, S. , Liu, L. , & Dong, Y. (2018). Spatial Downscaling of GPM Annual and Monthly Precipitation Using Regression-Based Algorithms in a Mountainous Area. Advances in Meteorology, 2018, 1–13. https://doi.org/10.1155/2018/1506017 Zhang, Y. , Li, Y. , Ji, X. , Luo, X. , & Li, X. (2018). Fine-Resolution Precipitation Mapping in a Mountainous Watershed: Geostatistical Downscaling of TRMM Products Based on Environmental Variables. Remote Sensing, 10(1), 119. https://doi.org/10.3390/rs10010119 Zhao, N. (2021). An Efficient Downscaling Scheme for High-Resolution Precipitation Estimates over a High Mountainous Watershed. Remote Sensing, 13(2), 234. https://doi.org/10.3390/rs13020234 Zheng, X. , & Zhu, J. (2015). A methodological approach for spatial downscaling of TRMM precipitation data in North China. International Journal of Remote Sensing, 36(1), 144–169. https://doi.org/10.1080/01431161.2014.995275 Zhengming Wan, & Dozier, J. (1996). A generalized split-window algorithm for retrieving land-surface temperature from space. IEEE Transactions on Geoscience and Remote Sensing, 34(4), 892–905. https://doi.org/10.1109/36.508406 Zhu, H. , Liu, H. , Zhou, Q. , & Cui, A. (2023). Towards an Accurate and Reliable Downscaling Scheme for High-Spatial-Resolution Precipitation Data. Remote Sensing, 15(10), 2640. https://doi.org/10.3390/rs15102640 | ||
|
آمار تعداد مشاهده مقاله: 48 تعداد دریافت فایل اصل مقاله: 31 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب