نشریه کاربرد سنجش از دور و سیستم اطلاعات جغرافیایی در علوم محیطی

ارزیابی دقت داده‌های بارندگی ایستگاهی و بازتحلیل‌ برای شبیه سازی رواناب (مطالعه موردی: حوضه آبخیز شاپور)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 فارغ التحصیل کارشناسی ارشد دانشگاه بین المللی امام خمینی

2 دانشجوی دکترا دانشگاه تربیت مدرس، تهران، ایران.

10.22034/rsgi.2024.60988.1068

چکیده

پژوهش حاضر به‌منظور ارزیابی کارایی داده‌های بازتحلیل پایگاه‌های Era-interim، Agera5 و داده‌های ایستگاهی جهت شبیه‌سازی رواناب با استفاده از مدل Sacramento در حوضه آبخیز شاپور انجام شده است. با تمرکز بر رویکردی نوآورانه، این مطالعه راهکارهایی برای ادغام داده‌های بازتحلیل در مدل‌سازی رواناب ارائه می‌دهد که می‌تواند انعطاف‌پذیری و دقت مدل‌های هیدرولوژیکی را ارتقا ‌بخشد. داده‌های پژوهش از طریق ارزیابی آماری دبی شبیه‌سازی‌شده با دبی مشاهداتی در خروجی حوضه در مقیاس زمانی روزانه مورد تجزیه‌وتحلیل قرار گرفتند. نتایج نشان داد دبی شبیه‌سازی‌شده توسط داده‌های بارندگی ایستگاهی با ضریب همبستگی 93/0 با دبی مشاهداتی عملکرد بهتری نسبت به دبی شبیه‌سازی‌شده توسط داده‌های بازتحلیل‌ دارد. هم‌چنین در میان داده‌های بازتحلیل‌، داده Agera5 با ضریب همبستگی 82/0 دارای عملکرد بهتری نسبت به داده Era-interim می‌باشد. نتایج داده Era-interim کم برآوردی در مقادیر بارش را نشان می‌دهد که علت این امر واقع‌شدن در حوضه آبخیز شاپور (خط ساحلی هم‌مرز دریای عمان و خلیج‌فارس) می‌باشد. هم‌چنین در بررسی صورت گرفته در داده‌های بلندمدت ماهانه، داده‌های بازتحلیل‌ در ماه‌های گرم سال دبی را به‌درستی شبیه‌سازی نکرده است که علت این امر دوام و ضخامت کم ابرها می‌باشد و این مسئله باعث کاهش دقت در مقدار بارش شده است. درنهایت به دلیل پراکندگی مناسب ایستگاه‌های باران‌سنجی در این حوضه نتایج حاصل از داده‌های ایستگاهی بهتر از داده‌های بازتحلیل‌ می‌باشد.

تازه های تحقیق

به دلیل شرایط اقلیمی و توپوگرافیکی متفاوت کشور ایران استفاده از مدل‌های هیدرولوژیکی به جهت پیش‌بینی جریان در رودخانه‌ها دارای اهمیت بسیار می ‌باشد. از آنجایی‌که مدل‌های هیدرولوژیکی توزیعی نیاز به داده‌های ورودی بیشتر و درنتیجه هزینه بالاتر نسبت به مدل‌های هیدرولوژیکی یکپارچه و نیمه توزیعی دارند لزوم بررسی این مدل‌ها به جهت ارزیابی عملکرد آن‌ها ضروری است. یکی از مهم‌ترین ورودی این مدل‌ها، بارش است. به دلیل وسعت بالای کشور، کمبود ایستگاه زمینی و همچنین توسعه دادههای بازتحلیل­، استفاده از این دادهها به عنوان ورودی مدل‌های هیدرولوژیکی بسیار حائز اهمیت است. پایگاه‌های بازتحلیل بدون محدودیت زمانی و مکانی داده‌ها را در اختیار قرار می‌دهند. بنابراین می بایست به این سوال که کدام منبع داده بازتحلیل در کدام مدل شبیه‌سازی رواناب دقت بیشتری دارد، پاسخ داد. پژوهش‌های مختلفی در زمینه محصولات بارشی بازتحلیل و شبیه‌سازی رواناب در سطح جهان انجام شده است. پژوهشی که در بالادست سد مارون انجام پذیرفته بود حاکی از برتری منبع بارشی Era-interim نسبت به سایر منابع بارشی بود (گرجی زاده و همکاران). هم‌چنین در پژوهش دیگری که در حوضه شاپور انجام گرفت تلفیق مدل بارش-رواناب مفهومیSacramento  و داده‌های تبخیر و تعرق پتانسیل بازتحلیل مدل‌های جهانی برای شبیه‌سازی رواناب مورد بررسی قرار گرفت و نتایج حاکی از برتری مدل تبخیر و تعرق پتانسیل W3RA بود (بایرام و عزیزیان، 1401). همچنین در پژوهشی تحلیل پراکنش فصلی بارش‌های فرین در ایران با استفاده از پایگاه AgERA5 نیز انجام پذیرفته است و نتایج نشان‌دهنده آن است که این پایگاه، بارش را در مناطق خشک و نیمه‌خشک ایران با دقت بیشتری برآورد می‌کند (اسدی رحیم بیگی و همکاران،1400).

درنتیجه هدف از این پژوهش، بررسی تفاوت خروجی شبیهسازی شده توسط داده‌های بازتحلیل­شده Agera5 و Era-interim و هم چنین بررسی عملکرد مدل یکپارچه می‌باشد. نتایج به دست آمده حاکی از عملکرد خوب مدل با داده ایستگاهی و عملکرد مناسب با داده بازتحلیل­شده Agera5 است. داده بازتحلیل­شده Era-interim علیرغم همبستگی 77/0 با داده‌های ایستگاهی، دارای ضریب نش-ساتکلیف 47/0 است. داده‌‌‌های بازتحلیل مقدار بارش را در نواحی ساحلی، خلیج فارس و دریای عمان کم برآورد میکنند (رضیئی و ستوده، 1396). به دلیل اینکه ایران دارای 5000 کیلومتر خط ساحلی هم مرز با دریای عمان و خلیج فارس است (Dibajnia et al,2012) و حوضه شاپور نیز در این ناحیه واقع شده است؛ نتایج این داده در حوضه شاپور در خط ساحلی هم مرز دریای عمان و خلیج فارس دارای کم برآوردی در تخمین بارش است. هم چنین داده بازتحلیل AgERA5 نیز دارای کمبرآوردی در تخمین مقادیر بارش است و علت این کمبرآوردی بارش را نیز می‌توان ساخته‌شدن آن از داده بازتحلیل Era5 دانست؛ بنابراین تصحیح اریبی در داده‌های بازتحلیل­شده می تواند منجر به شبیه‌سازی بهتر رواناب گردد. در بررسی صورت گرفته به جهت متوسط خطای دبی اوج به ترتیب داده‌های ایستگاهی، داده بازتحلیل­شده Era-interim و داده بازتحلیل­شده Agera5 قرار دارند. در مقایسه متوسط جریان سالانه مشاهداتی و شبیه‌سازی‌شده نیز نتایج داده ایستگاهی بهتر از داده بازتحلیل است. داده‌های بازتحلیل ماه‌های گرم سال دبی را به‌درستی شبیه‌سازی نکرده‌اند. علت اصلی این عملکرد ضعیف را این‌چنین می‌توان عنوان نمود که در ماه‌های گرم، ابرها پس از تشکیل دوام زیادی نداشته (دارای ضخامت کمی هستند) و به‌سرعت از بین می‌روند و لذا سنجنده‌ها نمی‌توانند به‌خوبی دمای بالای ابر را محاسبه نمایند که همین مسئله می‌تواند موجب کاهش دقت آن‌ها در تخمین ضخامت ابر و مقدار بارش شود (Kidd et al,2013; De Leeuw et al,2015; Azizian & Ramezani,2019). از طرفی به دلیل اینکه داده‌های بازتحلیل توانایی و دقت خوبی در شبیه‌سازی بارش‌های همرفتی و اروگرافیک ندارند و در مقیاس محلی خوب نیستند؛ بنابراین مقادیر بارش در ماه‌های گرم سال را درست شبیه‌سازی نمی‌کنند. به‌عنوان نتیجه نهایی از تحقیق حاضر می‌توان به اهمیت تلفیق مدل شبیه‌سازی رواناب و داده‌های بازتحلیل­شده اشاره نمود زیرا لزوماً پایگاه‌های بارشی خوب منجر به شبیه‌سازی خوب نخواهند شد و ساختار مدل تأثیر به‌سزایی در این امر دارد. به طور خلاصه مقایسه داده‌های Era-interim با پیکسل سایز 25/0 با داده‌های Agera5 با پیکسل سایز 1/0 نشان می‌دهد که داده‌هایی با پیکسل‌های کوچکتر دارای مزایای بیشتری برای تحلیل و ارزیابی هستند اما داده های با پیکسل سایز بزرگتر نیز در مواردی همچون دبی‌های اوج عملکرد مناسب داشته اند. درنهایت باتوجه به مطالعات مختلف در زمینه شبیه‌سازی رواناب پیشنهاد می‌شود ورودی‌های این مدل‌ها با داده‌های بازتحلیل در حوضه‌های کشور ایران بررسی گردد و  هم چنین ارزیابی گردد که کدامیک از مدلهای بارش رواناب توزیعی، نیمه توزیعی و یکپارچه با تلفیق این داده ها میتوانند نتایج بهتری داشته باشند.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Assessing the accuracy of station precipitation data and reanalysis for runoff simulation (case study: Shapur watershed)

نویسندگان [English]

  • Malihe Bayram 1
  • Milad Rezaei 2

1 Imam Khomeini International University, Qazvin, Iran

2 Tarbiat Modares University, Tehran, Iran

چکیده [English]

The current research was conducted to evaluate the effectiveness of the reanalysis data of Era-interim, Agera5, and station data to simulate runoff using the Sacramento model in the Shapur watershed. Focusing on an innovative approach, this study provides solutions for integrating reanalysis data into runoff modeling that can improve the flexibility and accuracy of hydrological models. The research data were analyzed by statistically comparing the simulated discharge with the observed discharge at the watershed outlet on a daily time scale. The results showed that the discharge simulated by the station precipitation data with a correlation coefficient of 0.93 with the observed discharge performs better than the discharge simulated by the reanalysis data. Also, among the reanalysis data, the Agera5 data with a correlation coefficient of 0.82 performs better than the Era-interim data. The results of Era-interim data show an underestimation in the amount of precipitation, which is because it is located in the Shapur watershed (the coastline bordering the Oman Sea and the Persian Gulf). Also, in the review of the long-term monthly data, the reanalysis data in the hot months of Dubai has not been correctly simulated, which is due to the durability and low thickness of the clouds, and this has caused a decrease in the accuracy of the amount of precipitation. Finally, due to the proper distribution of rain gauge stations in this basin, the results obtained from the station data are better than the reanalysis data.

کلیدواژه‌ها [English]

  • Water resources
  • Sacramento model
  • Precipitation
  • Era-interim
  • Agera5

پژوهش حاضر به‌منظور ارزیابی کارایی داده‌های بازتحلیل پایگاه‌های Era-interim، Agera5 و داده‌های ایستگاهی جهت شبیه‌سازی رواناب با استفاده از مدل Sacramento در حوضه آبخیز شاپور انجام شده است. با تمرکز بر رویکردی نوآورانه، این مطالعه راهکارهایی برای ادغام داده‌های بازتحلیل در مدل‌سازی رواناب ارائه می‌دهد که می‌تواند انعطاف‌پذیری و دقت مدل‌های هیدرولوژیکی را ارتقا ‌بخشد. داده‌های پژوهش از طریق ارزیابی آماری دبی شبیه‌سازی‌شده با دبی مشاهداتی در خروجی حوضه در مقیاس زمانی روزانه مورد تجزیه‌وتحلیل قرار گرفتند. نتایج نشان داد دبی شبیه‌سازی‌شده توسط داده‌های بارندگی ایستگاهی با ضریب همبستگی 93/0 با دبی مشاهداتی عملکرد بهتری نسبت به دبی شبیه‌سازی‌شده توسط داده‌های بازتحلیل­ دارد. هم‌چنین در میان داده‌های بازتحلیل­، داده Agera5 با ضریب همبستگی 82/0 دارای عملکرد بهتری نسبت به داده Era-interim می‌باشد. نتایج داده Era-interim کم برآوردی در مقادیر بارش را نشان می‌دهد که علت این امر واقع‌شدن در حوضه آبخیز شاپور (خط ساحلی هم‌مرز دریای عمان و خلیج‌فارس) می‌باشد. هم‌چنین در بررسی صورت گرفته در داده‌های بلندمدت ماهانه، داده‌های بازتحلیل­ در ماه‌های گرم سال دبی را به‌درستی شبیه‌سازی نکرده است که علت این امر دوام و ضخامت کم ابرها می‌باشد و این مسئله باعث کاهش دقت در مقدار بارش شده است. درنهایت به دلیل پراکندگی مناسب ایستگاه‌های باران‌سنجی در این حوضه نتایج حاصل از داده‌های ایستگاهی بهتر از داده‌های بازتحلیل‌ می‌باشد.

Azizi Mobaser, J., Rasoulzadeh, A., Rahmati, A., Shayeghi, A., & Bakhtar, A. (2021). Evaluating the performance of Era-5 Re-analysis data in estimating daily and monthly precipitation, Case Study; Ardabil Province. Iranian Journal of Soil and Water Research, 51(11), 2937-2951.
Asadi Rahim-Begi, N., Zarrin, A., Modfidi, A., & Dadashi-Roudbari, A. (2022). Seasonal Distribution Analysis of Extreme Precipitation in Iran using AgERA5 dataset. Iranian Journal of Soil and Water Research, 52(11), 2723-2737. (In Persian)
Alibakhshi, S. M., Farid Hossini, A., Davari, K., Alizadeh, A., & Munyka, H. (2019). Assessment of Ground Station, GPM Satellite and MERRA Precipitation Products in Kashafrud Basin. Journal of Watershed Management Research, 9(18), 111-122. (In Persian)
Azizi Mobaser, J., Rasoulzadeh, A., Rahmati, A., Shayeghi, A., & Bakhtar, A. (2021). Evaluating the performance of Era-5 Re-analysis data in estimating daily and monthly precipitation, Case Study; Ardabil Province. Iranian Journal of Soil and Water Research, 51(11), 2937-2951. (In Persian)
Bayram, M., & Azizian, A. (2022). Integrating the Sacramento Conceptual Rainfall-Runoff Model and Reanalyzed Datasets for Runoff Simulation. Iranian Journal of Soil and Water Research ISNN, 2423, 7833. (In Persian)
Wu, C. L., & Chau, K. W. (2011). Rainfall–runoff modeling using artificial neural network coupled with singular spectrum analysis. Journal of Hydrology, 399(3-4), 394-409
Vafakhah, M., & Janizadeh, S. (2021). Application of artificial neural network and adaptive neuro-fuzzy inference system in streamflow forecasting. In Advances in Streamflow Forecasting (pp. 171-191). Elsevier.
Jothiprakash, V., & Magar, R. (2009). Soft computing tools in rainfall-runoff modeling. ISH Journal of Hydraulic Engineering, 15(sup1), 84-96
Trambauer, P., Maskey, S., Winsemius, H., Werner, M., & Uhlenbrook, S. (2013). A review of continental scale hydrological models and their suitability for drought forecasting in (sub-Saharan) Africa. Physics and Chemistry of the Earth, Parts A/B/C, 66, 16-26.
Sooda, A., and V. Smakhtin (2015), Global hydrological models: A review, Hydrol. Sci. J., 60(4), 549–565, doi:10.1016/j.jhydrol.2012.09.002.
Bierkens, M. F. (2015). Global hydrology 2015: State, trends, and directions. Water Resources Research, 51(7), 4923-4947.
Kauffeldt, A., Wetterhall, F., Pappenberger, F., Salamon, P., & Thielen, J. (2016). Technical review of large-scale hydrological models for implementation in operational flood forecasting schemes on continental level. Environmental Modelling & Software, 75, 68-76.
Wheater, H. S., Jakeman, A. J., & Beven, K. J. (1993). Progress and directions in rainfall-runoff modelling.
Manikanta, V., & Umamahesh, N. V. (2024). Unravelling the impact of spatial discretization and calibration strategies on event-based flood models. Modeling Earth Systems and Environment, 1-17.
Beven, K. (1989). Changing ideas in hydrology—the case of physically-based models. Journal of hydrology, 105(1-2), 157-172.
Moges, E., Demissie, Y., Larsen, L., & Yassin, F. (2021). Sources of hydrological model uncertainties and advances in their analysis. Water, 13(1), 28.
Zhou, X., Zhang, Y., Wang, Y., Zhang, H., Vaze, J., Zhang, L., ... & Zhou, Y. (2012). Benchmarking global land surface models against the observed mean annual runoff from 150 large basins. Journal of Hydrology, 470, 269-279.
Hou, Y., Guo, H., Yang, Y., & Liu, W. (2023). Global evaluation of runoff simulation from climate, hydrological and land surface models. Water Resources Research, 59(1), e2021WR031817.
Miralles, D. G., Jiménez, C., Jung, M., Michel, D., Ershadi, A., McCabe, M. F., ... & Fernández-Prieto, D. (2016). The WACMOS-ET project–Part 2: Evaluation of global terrestrial evaporation data sets. Hydrology and Earth System Sciences, 20(2), 823-842.
Michel, D., Jiménez, C., Miralles, D. G., Jung, M., Hirschi, M., Ershadi, A., ... & Fernández-Prieto, D. (2016). The WACMOS-ET project–Part 1: Tower-scale evaluation of four remote-sensing-based evapotranspiration algorithms. Hydrology and Earth System Sciences, 20(2), 803-822.
Talsma, C. J., Good, S. P., Miralles, D. G., Fisher, J. B., Martens, B., Jimenez, C., & Purdy, A. J. (2018). Sensitivity of evapotranspiration components in remote sensing-based models. Remote Sensing, 10(10), 1601.
Martens, B., De Jeu, R. A., Verhoest, N. E., Schuurmans, H., Kleijer, J., & Miralles, D. G. (2018). Towards estimating land evaporation at field scales using GLEAM. Remote Sensing, 10(11), 1720.
Fekete, B. M., Vörösmarty, C. J., Roads, J. O., & Willmott, C. J. (2004). Uncertainties in precipitation and their impacts on runoff estimates. Journal of Climate, 17(2), 294-304.
Azizian, A., & Ramezani Etedali, 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. (In Persian)
Sun, Q., Miao, C., Duan, Q., Ashouri, H., Sorooshian, S., & Hsu, K. L. (2018). A review of global precipitation data sets: Data sources, estimation, and intercomparisons. Reviews of Geophysics, 56(1), 79-107.
Yao, J., Chen, Y., Yu, X., Zhao, Y., Guan, X., & Yang, L. (2020). Evaluation of multiple gridded precipitation datasets for the arid region of northwestern China. Atmospheric Research, 236, 104818.
Jones, E., Wing, A. A., & Parfitt, R. (2021). A global perspective of tropical cyclone precipitation in reanalyses. Journal of Climate, 34(21), 8461-8480.
Hurley, A. R. (2014). Comparison and validation of Arctic precipitation fields from three atmospheric reanalyses: CFSR, MERRA, ERA-Interim (Doctoral dissertation, University of Colorado at Boulder).
Bakketun, Å., Blyverket, J., & Müller, M. (2023). Using a Reanalysis-Driven Land Surface Model for Initialization of a Numerical Weather Prediction System. Weather and Forecasting, 38(11), 2155-2168.
Koohi, S., Azizian, A., & Brocca, L. (2019). Evaluating the Efficiency of Earth2Observe Re-Analysis Dataset and VIC-3L for Estimation of Runoff. Journal of Soil and Water Resources Conservation, 8(4), 118-134. (In Persian)
Dutra, E. (2015). Report on the current state-of-the-art Water Resources Reanalysis, Earth2observe deliverable no. D. 5.1.
Tarek, M., Brissette, F.P. and Arsenault, R., 2020. Evaluation of the ERA5 reanalysis as a potential reference dataset for hydrological modelling over North America. Hydrology and Earth System Sciences, 24(5), pp.2527-2544.
Leisenring, M. A. (2011). Implications of Hydrologic Data Assimilation in Improving Suspended Sediment Load Estimation in Lake Tahoe, California. Portland State University.
Podger, G. (2004). Rainfall runoff library user guide. Cooperative Research Centre for Catchment Hydrology.
Poursalehi, F., & Pourrezabilandi, M. (2015). Automatic recalibration of Sacramento model parameters using genetic algorithm and comprehensive competitive evolution algorithm (case study: Gharesu watershed). Paper presented at the 2nd Iranian National Irrigation and Drainage Congress, Isfahan University of Technology, Isfahan, Iran. (In Persian)
Sadat Rezvani , F., Ghorbani , K., Salarijazi , S., ezaei Ghaleh, L., Yazarloo,B., 2023. Comparative assessment of Sacramento, SMAR, and SimHyd models in long-term daily runoff simulation, Water and Soil Management and Modelling, 3(1), 279-297. (In Persian)
Hameed, M. A. (2015). Evaluating global sensitivity analysis methods for hydrologic modeling over the columbia river basin (Doctoral dissertation, Portland State University).
Nash, J. E., & Sutcliffe, J. V. (1970). River flow forecasting through conceptual models’ part I—A discussion of principles. Journal of hydrology, 10(3), 282-290.
Nguyen, T.H., Masih, I., Mohamed, Y.A. and Van der Zaag, P., 2018. Validating rainfall-runoff modelling using satellite-based and reanalysis precipitation products in the Sre Pok catchment, the Mekong River basin. Geosciences, 8(5), p.164.
Gupta, H. V., Kling, H., Yilmaz, K. K., & Martinez, G. F. (2009). Decomposition of the mean squared error and NSE performance criteria: Implications for improving hydrological modelling. Journal of hydrology, 377(1-2), 80-91.
 
Gorjizade, A., AkhondAli, A., Shahbazi, A., & Moridi, A. (2019). Comparison and evaluation of precipitation estimated by era-interim, persiann-cdr and chirps models at the upstream of maroon dam. Iran-Water Resources Research, 15(1), 267-279. (In Persian)
Pearson, K. (1896). VII. Mathematical contributions to the theory of evolution. —III. Regression, heredity, and panmixia. Philosophical Transactions of the Royal Society of London. Series A, containing papers of a mathematical or physical character, (187), 253-318.
Raziei, T., & Sotoudeh, F. (2017). Investigation of the accuracy of the European Center for Medium Range Weather Forecasts (ECMWF) in forecasting observed precipitation in different climates of Iran.
Dibajnia, M., Soltanpour, M., Vafai, F., Shoushtari, S. M. H. J., & Kebriaee, A. (2012). A shoreline management plan for Iranian coastlines. Ocean & coastal management, 63, 1-15.
De Leeuw, J., Methven, J., & Blackburn, M. (2015). Evaluation of ERA‐Interim reanalysis precipitation products using England and Wales observations. Quarterly Journal of the Royal Meteorological Society, 141(688), 798-806.
Azizian, A., & Ramezani Etedali, H. (2019). Spatiotemporal assessment of reanalysis and remotely-sensed precipitation datasets. Iran-Water Resources Research, 15(1), 163-177. (In Persian)
Kidd, C., Dawkins, E. and Huffman, G. (2013). Comparison of precipitation derived from the ECMWF operational forecast model and satellite precipitation datasets. American Meteorological Society. 14: 1463-1482.
نشریه کاربرد سنجش از دور و سیستم اطلاعات جغرافیایی در علوم محیطی
دوره 4، شماره 10
فروردین 1403
صفحه 147-123
  • تاریخ دریافت: 06 فروردین 1403
  • تاریخ بازنگری: 15 تیر 1403
  • تاریخ پذیرش: 30 فروردین 1403