تخمین بارش با استفاده از تصاویر ماهواره‌ای رطوبت سطحی خاک ASCAT در حوضه‌های نیمه‌خشک و مرطوب ایران

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مهندسی آب، دانشگاه بین المللی امام خمینی، قزوین، ایران

2 موسسه تحقیقات ژئو هیدرولوژی IRPI، رم، ایتالیا

چکیده

یکی از روش‌های نوین تخمین بارش استفاده از الگوریتم SM2Rain می‌باشد که با محوریت برآورد بارش با استفاده از تغییرات رطوبت خاک و حل معکوس معادله بیلان آب خاک توسعه داده شده است. در تحقیق حاضر به ارزیابی عملکرد این الگوریتم در تخمین بارش روزانه در سطح دو اقلیم خشک/نیمه­خشک (خراسان رضوی) و مرطوب (مازندران) ایران و با استفاده از داده‌های منبع رطوبتی ASCAT در بازه زمانی 2006 تا 2013 پرداخته شده است. نتایج به­دست آمده در دو استان خراسان رضوی و مازندران نشان داد که متوسط ضریب همبستگی (CC) بین بارش مشاهداتی و تخمین زده شده در سطح بازه‌های مذکور توسط الگوریتم SM2Rain به­ترتیب معادل 70/0 و 62/0 می‌باشد. طبق محاسبات صورت گرفته در سطح استان خراسان رضوی، در بخش‌های جنوب و جنوب-غربی استان، الگوریتم SM2Rain با ضریب CC در حدود 84/0 و RMSE معادل 9/3 میلی­متر در روز بهترین عملکرد و در بخش‌های شمالی استان نیز با ضریب CC در حدود 54/0 و RMSE معادل 7/7 میلی­متر در روز عملکرد ضعیف داشته است. در بخش‌های عمده‌ای از استان مازندران نیز عملکرد الگوریتم مذکور، قابل قبول ارزیابی می‌شود به­طوری که در مناطق شرقی تا بخش‌های مرکزی استان، ضریب همبستگی 72/0 و RMSE معادل 9/3 میلی­متر در روز می‌باشد. نتایج حاصل از اصلاح الگوریتم SM2Rain نیز نشان داد که با افزودن ترم تبخیر-تعرق و تعرق عملکرد الگوریتم مذکور در شبیه‌سازی بارش در بازه‌های مطالعاتی بین 10 تا 18 درصد افزایش یافته است. با اصلاح الگوریتم مذکور میزان متوسط شاخص RBias در سطح استان خراسان رضوی از 9/21- به 3/9 درصد و در سطح استان مازندران از 9/36- به 9/7 درصد کاهش یافته است. خروجی حاصل از این تحقیق می‌تواند به عنوان یک داده بارشی جایگزین یا مکمل داده‌های زمینی به ویژه در حوضه‌هایی که دارای آمار کمی هستند، مدنظر قرار گیرد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Estimation of Precipitation Using Satellite-based Surface Soil Moisture (SSM) in Semi-Arid and Humid Climates of Iran

نویسندگان [English]

  • maryam taromi 1
  • Asghar Azizian 1
  • Luca Brocca 2
1 Water engineering Dept, Imam Khomeini International University, Qazvin, Iran.
2 Research Institute for Geo-Hydrological Protection IRPI, Rome, Italy.
چکیده [English]

One of the new methods for estimation of rainfall is SM2Rain algorithm which calculates rainfall using soil moisture variations and inverse solution of soil water balance equation. This research addressed the efficiency of SM2Rain algorithm for rainfall estimation over the semi-arid (Khorasan-Razavi) and humid (Mazandaran) climate regions of Iran using ASCAT surface soil moisture dataset during 2006-2013. Findings indicate that the basin-averaged value of correlation coefficient (CC) between the estimated and observed datasets for Khorasan-Razavi and Mazandaran areas is 0.70 and 0.62, respectively. Results in the south and south-west regions of Khorasan-Razavi showed that the SM2Rain algorithm with the CC value of 0.84 and RMSE value of 3.9 mm/day (basin-averaged) performs very well, while in the north parts of the province with the CC value of 0.54 and RMSE value of 7.7 mm/day, the performance of this algorithm is relatively low. Also, the performance of SM2Rain algorithm in most parts of the Mazandaran province, especially in east and central parts, is acceptable and the basin-averaged values of CC and RMSE are 0.72 and 3.9 mm/day, respectively. The results also showed that by adding evapotranspiration term to SM2Rain algorithm, the efficiency of modified algorithm in estimation of rainfall increases about 10-18% in both regions. Furthermore, by using the modified SM2Rain algorithm over the Khorasan-Razavi, the basin-averaged value of relative bias (RBias) decreases from -21.9% to 9.3% and in Mazandaran region, the RBias decreases from -36.9 to 7.9%. The findings of this research indicate that the estimated rainfall with the SM2Rain algorithm can be considered as an alternative or supplementary dataset for ground-based observations, especially in ungauged catchments or data-limited areas.

کلیدواژه‌ها [English]

  • Rainfall
  • Surface Soil Moisture
  • Remote Sensing
  • Soil’s Water Balance
Azizian, A. and Ramezani, H. (2019). Assessing the Accuracy of European Center for Medium Range Weather Forecasts (ECMWF) Reanalysis Datasets for Estimation of Daily and Monthly Precipitation. Iranian Journal of Soil and Water Research, 50(4), 777-791.
Ashouri, H. Hsu, K. L. Sorooshian, S. Braithwaite, D. K. Knapp, K. R. Cecil, L. D. Nelson, B. R. and Prat, O. P. (2015). PERSIANN-CDR: Daily precipitation climate data record from Multisatellite observations for hydrological and climate studies. Bull. Am. Meteorol. Soc, 96(1), 69–83. 
Brocca, L. Ciabatta, L. Massari, C. Moramarco, T. Hahn, S. Hasenauer, S. Kidd, R. Dorigo, W. Wagner, W. and Levizzani, V. (2014). Soil as a natural rain gauge: Estimating global rainfall from satellite soil moisture data. J. Geophys. Res. Atmos, 119(9), 5128–5141.
Brocca, L., et al. (2014). Improving the representation of soil moisture by using a semi‐analytical infiltration model. Hydrological Processes, 28(4), 2103-2115.
Ciabatta, L. Brocca, L. Massari, C. Moramarco, T.  Gabellani, S. Puca, S. and Wagner, W. (2015). Rainfall-runoff modelling by using SM2RAIN-derived and state-of-the-art satellite rainfall products over Italy. Int. J. Appl. Earth Obs. Geoinf.
Ciabatta, L. Brocca, L. Massari, C. Moramarco, T. Puca, S. Rinollo, A. Gabellani, S. and Wagner, W. (2015). Integration of Satellite Soil Moisture and Rainfall Observations over the Italian Territory. J. Hydrometeorol.
Crow W. T. and Bolten, J. D. (2007). Estimating precipitation errors using spaceborne surface soil moisture retrievals. Geophys. Res. Lett, 34(8).
Famiglietti, J. S., E. F. Wood. (1994). Multiscale modeling of spatially variable water and energy balance processes. Water Resour. Res, 11, 3061–3078.
Ghajarnia, N. Liaghat, A. and Arasteh, P. D. (2015). Comparison and evaluation of high resolution precipitation estimation products in Urmia Basin-Iran. Atmospheric Research, 158, 50-65.
Ghajarnia, N. Liaghat, A. and Arasteh, P. D. (2014). Verifying precipitation data of TAMAB and meteorology institute in Urmia basin. Journal of Water and Soil Resources Conservation, 4(1), 91-109.
Mekonnen, D. F. (2009). Satellite remote sensing for soil moisture estimation: Gumara catchment, Ethiopia. Thesis in M. Sc., International Institute for Geo-information Science and Earth Observation, Netherland.
Pellarin, T. S. Louvet, C. Gruhier, G. Quantin, and C. Legout. (2013). A simple and effective method for correcting soil moisture and precipitation estimates using AMSR-E measurements, Remote Sens. Environ, 136, 28–36.
Rahimi J., Ebrahimpour M. and Khalili, A. (2013). Spatial changes of extended De Martonne climatic zones affected by climate change in Iran. Theoretical and applied climatology. 112(3-4): 409-418.