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

ارزیابی دقت داده‌های بارش ماهواره‌ای خانوادهPERSIANN در مقیاس روزانه، ماهانه و سالانه در ایران

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکترای گروه جغرافیای طبیعی دانشگاه تربیت مدرس

2 استاد گروه جغرافیای طبیعی دانشگاه تربیت مدرس،تهران،ایران

3 استادگروه جغرافیای طبیعی دانشگاه تربیت مدرس،تهران،ایران

10.22034/rsgi.2025.63910.1104

چکیده

بارش مهمترین عامل در چرخه هیدرولوژی است که دارای تغییرات زیاد زمانی و مکانی است استفاده از دادهای بارش ماهواره‌ای می‌تواند کاربرد زیادی در تحقیقات اقلیمی و هیدرولوژیکی بویژه در مناطق فاقد آمار بارندگی داشته باشد. در طول سه دهه گذشته، تعداد زیادی از مجموعه داده‌های بارش جهانی برگرفته از ماهواره، توسعه و مورد استفاده قرار گرفته اند. هدف پژوهش حاضر بررسی میزان کارایی داده‌های بارش ماهواره‌ای مجموعه PERSIANN است که شامل چهار منبع PERSIANN ، PERSIANN-CCS ، PERSIANN-CDRو PDIR- PERSIANNمی‌باشد. بدین منظور داده‌های روزانه، ماهانه و سالانه این محصولات در سطح ایران و در بازه زمانی 2022-2008 با داده‌های مشاهداتی 129 ایستگاه هواشناسی مورد مقایسه قرار گرفت. اعتیار سنجی میزان دقت داده‌های بارش ماهواره‌ای با استفاده از شاخص‌های آماری CC و RMSE و شاخص‌های طبقه بندی POD، FAR ، CSI ، HSS و KSS انجام گرفت نتایج در مقیاس روزانه حاکی از کارایی بهتر منبع PDIR- PERSIANNبا همبستگی و RMSE به ترتیب 30/0و 4/3 میلیمتر و عملکرد بهتر در شاخص‌های POD، CSI و KSS است. در مقیاس ماهانه و سالیانه PERSIANN-CDR با مقدار همبستگی 81/0، 78/0 و RMSE4/23 و 7/152 میلی‌متر بهترین برآورد را در بارش ماهانه و سالیانه دارد. منبع PERSIANN دارای کم برآوردی بارش سالانه و منیع PERSIANN-CCS نیز دارای بیش‌برآوردی بارش است. با این وجود در نواحی پربارش واقع در نوار شمالی و رشته‌کوه زاگرس هر چهار منبع خانوادهPERSIANN بارش سالانه را کمتر از مقدار واقعی گزارش کردند به‌علاوه هر چهار منبع بارشی در مقیاس ماهانه عملکردی بهتر نسبت به مقیاس روزانه و سالانه دارند.

تازه های تحقیق

بارش یکی از مولفه­های اقلیمی است که دارای تغییرات زیاد زمانی و مکانی است توسعه روزافزون ماهواره­ها و الگوریتم­های بارش ماهواره­ای، پتانسیل جدیدی برای برآورد بارش فراهم کرده است. لازمه استفاده از این منابع بارشی، اطمینان از میزان دقت و کارایی این داده­ها است. این تحقیق به بررسی میزان دقت محصولات بارشی خانوادهPERSIANN  در سه مقیاس روزانه، ماهانه و سالانه طی بازه زمانی سال 2008 تا سال 2022 و در سطح کشور ایران پرداخته است. جهت ارزیابی، نتایج حاصله از چهار منبع ماهواره با داده­های 129 ایستگاه هواشناسی سینوپتیک و فرودگاهی سازمان هواشناسی کشور مورد مقایسه گرفت. صحت­سنجی نتایج بدست آمده با استفاده از دو شاخص آماری  CCو  RMSEو نیز پنج شاخص طبقه­بندی انجام گردید. در مقیاس روزانه غیر از شاخص FAR و  HSSکه منبعPERSIANN  نتایج مناسب­تری کسب کرد، در شاخص­های آماری و طبقه بندی CC،RMSE ، POD، CSI و KSS بهترین عملکرد توسط منبع بارشی P-PDIR مشاهده گردید. در مقیاس ماهانه منبع P-CDR توانایی بهتری در مقایسه با سه منبع دیگر دارد. این برتری در شاخص­های آماری CC، RMSE و  شاخص طبقه­بندی POD دیده می­شود. به علاوه در نمودار تیلور هم نزدیکترین منبع به داده­های ایستگاهی براساس CC، RMSE و انحراف معیار، P-CDR بود. لازم به ذکر است تصحیح P-CDR با داده­های ماهانه بارانسنجیGPCP   می­تواند دلیل کارایی بهتر این پایگاه بارشی باشد. در مقیاس سالانه به مانند مقیاس ماهانه P-CDR بالاترین دقت در برآورد بارش را در بین مجموعه­های بارشی خانوادهPERSIANN  دارد. در این پژوهش منبعPERSIANN  بارش سالانه را کمتر از مقدار واقعی برآورد کرده و شاهد بیش­برآوردی در تخمین بارش سالانه توسط منبع P-CCS هستیم. با این وجود در نواحی پربارش واقع در نوار شمالی و رشته­کوه زاگرس هر چهار منبع خانوادهPERSIANN  بارش سالانه را کمتر از مقدار مشاهداتی گزارش کردند. در پایان می­توان بیان کرد که: الف) در مقیاس روزانه P-PDIR از میزان دقت بالاتری در میان خانوادهPERSIANN برخوردار است. ب) در مقیاس ماهانه و سالانه P-CDR عملکرد بهتری دارد و ج) مجموعه بارشی خانوادهPERSIANN  در مقیاس ماهانه کارایی بالاتری نسبت به مقیاس سالانه و روزانه دارند.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Evaluation of PERSIANN family satellite precipitation data on daily, monthly and annual scale in Iran

نویسندگان [English]

  • Ramyar Yusef Nejad 1
  • Manouchehr Faraj Zadeh 2
  • Yousef Gavidel Rahimi 3

1 Physical Geography Department, Tarbiat Modares University

2

3 Physical Geography department, Tarbiat Modares university

چکیده [English]

Precipitation is the most important factor in the hydrological cycle, which has many temporal and spatial changes. The use of satellite precipitation data can be of great use in climatic and hydrological research, especially in areas without rainfall statistics. Over the past three decades, a large number of satellite-derived global precipitation datasets have been developed and used. The purpose of the current research is to investigate the accuracy of the satellite precipitation data of the PERSIANN family products, which includes: PERSIANN, PERSIANN-CCS, PERSIANN-CDR and PERSIANN-PDIR. For this purpose, the daily, monthly and annual data of these products were compared with the observational data of 129 meteorological stations in Iran and in the period of 2008-2022. The evaluation of the accuracy of satellite precipitation data was done using CC and RMSE statistical indices and POD, FAR, CSI, HSS and KSS Categorical metrics. The results on a daily scale indicate the better efficiency of the PERSIANN-PDIR source with correlation and RMSE is 0.30 and 3.4 mm respectively and better performance in POD, CSI and KSS indices. In the monthly and annual scale, PERSIANN-CDR has the best estimation in monthly and annual precipitation with correlation values of 0.81, 0.78 and RMSE 23.4 and 152.7 mm. The PERSIANN source has an underestimation of annual precipitation and the PERSIANN-CCS source also has an overestimation of precipitation. However, in the high rainfall areas located in the northern belt and the Zagros mountain range, PERSIANN family products reported the annual rainfall lower than the actual amount and perform better on a monthly scale than on a daily and annual scale.

کلیدواژه‌ها [English]

  • Keywords: Precipitation
  • Iran
  • PERSIANN Family
  • Statistical Indices
  • Classification Indices

بارش مهمترین عامل در چرخه هیدرولوژی است که دارای تغییرات زیاد زمانی و مکانی است استفاده از دادهای بارش ماهواره­ای می­تواند کاربرد زیادی در تحقیقات اقلیمی و هیدرولوژیکی بویژه در مناطق فاقد آمار بارندگی داشته باشد. در طول سه دهه گذشته، تعداد زیادی از مجموعه داده‌های بارش جهانی برگرفته از ماهواره، توسعه و مورد استفاده قرار گرفته اند. هدف پژوهش حاضر بررسی میزان کارایی داده­های بارش ماهواره­ای مجموعه PERSIANN است که شامل چهار منبع PERSIANN ، PERSIANN-CCS ، PERSIANN-CDRو PDIR- PERSIANN می­باشد. بدین منظور داده­های روزانه، ماهانه و سالانه این محصولات در سطح ایران و در بازه زمانی 2022-2008 با داده­های مشاهداتی 129 ایستگاه هواشناسی مورد مقایسه قرار گرفت.  اعتبار سنجی  میزان دقت داده­های بارش ماهواره­ای با استفاده از  شاخص­های آماری CC و RMSE و شاخص­های طبقه­بندی POD، FAR، CSI، HSS و KSS انجام گرفت. نتایج ارزیابی در مقیاس روزانه حاکی از کارایی بهتر منبع PDIR- PERSIANNبا همبستگی و RMSE به ترتیب 30/0 و 4/3 میلی­متر و عملکرد بهتر در شاخص­های POD، CSI و KSS است. در مقیاس­های ماهانه و سالانه PERSIANN-CDR با مقدار همبستگی 81/0، 78/0 و  RMSE4/23 و 7/152 میلی­متر بهترین برآورد را در بارش ماهانه و سالانه دارد. منبع PERSIANN دارای کم­برآوردی بارش سالانه و منبع بارشی PERSIANN-CCS نیز دارای بیش­برآوردی بارش است. با این وجود در نواحی پربارش واقع در نوار شمالی و رشته­کوه زاگرس، هر چهار منبع خانوادهPERSIANN  بارش سالانه را کمتر از مقدار واقعی گزارش کردند. 

  • Alijanian, M., Rakhshandehroo, G. R., Mishra, A. K., & Dehghani, M. (2017). Evaluation of satellite rainfall climatology using CMORPH, PERSIANN-CDR, PERSIANN, TRMM, MSWEP over Iran, Int. J. Climatol., 37, 4896–4914
  • Alijanian M A., Moradizadeh M., and Moini R., (1401). Estimation of rainfall using PERSIANN-CDR and CMC satellite products (case study: upstream of Zayandeh Rood Dam). Ecohydrology, 9(1), 157-172. (In Persian)
  • Ashouri, H., Hsu, K.L., Sorooshian, S., Braithwaite, D.K., Knapp, K.R., Cecil, L.D., Nelson, B.R., & Prat, O.P., (2015). PERSIANN-CDR: Daily precipitation climate data record from multisatellite observations for hydrological and climate studies. Bull. Am. Meteorol. Soc. 96, 69–83.
  • Azizian A., and Amini (2019). The effect of climate and topographical conditions on the performance of PERSIANN family precipitation products in Iran. Iran Water Resources Research, 16(1), 86-101. (In Persian)
  • Babaei Fini A., and Farajzadeh Assal M. (2002). Patterns of spatial and temporal changes of precipitation in Iran. Lecturer of humanities. 6 (4) consecutively 27. 51-70. (In Persian)
  • Chavoshian S. A., and Katiraei Boroujerdi, P. S. (2018). Evaluation and application of different observational datasets (ground and satellite) of precipitation on Iran. Water and Soil (Agricultural Sciences and Industries), 33(3), 501-520. (In Persian)
  • Dinku, T., Ceccato, P., Grover-Kopec, E., Lemma, M., Connor, S. J., & Ropelewski, C. F. (2007). Validation of satellite rainfall products over East Africa’s complex topography. International Journal of Remote Sensing, 28(7), 1503–1526.
  • Eini, M.R., Rahmati, A., & Piniewski, M., (2022). Hydrological application and accuracy evaluation of PERSIANN satellite-based precipitation estimates over a humid continental climate catchment. J. Hydrol. Reg. Stud. 41, 101109.
  • Islam, M.A., Yu, B., & Cartwright, N., (2020). Assessment and comparison of five satellite precipitation products in Australia. J. Hydrol. 590, 125474
  • Gunathilake, M.B., Amaratunga, Y.V., Perera, A., Karunanayake, C., Gunathilake, A.S., & Rathnayake, U., (2020). Statistical evaluation and hydrologic simulation capacity of different satellite-based precipitation products (SbPPs) in the Upper Nan River Basin, Northern Thailand. J. Hydrol.: Reg. Stud. 32, 100743
  • Ghorbani, L., Jafari R., and Bashri H. (2019). Evaluation of monthly and annual production efficiency of PERSIANN and PERSIANN-CDR in estimating rainfall in semi-arid regions of Zagros. Journal of Desert Management, 7(14): 15-28. (in Persian)
  • Goodrich, David C., Faurès, Jean-Marc, Woolhiser, David A., Lane, Leonard J., & Sorooshian, Soroosh (1995) Measurement and analysis of small-scale convective storm rainfall variability. Journal of Hydrology, 173 (1). 283-308 
  • Hsu, K.L., Gao, X.G., Sorooshian, S., & Gupta, H.V., (1997). Precipitation estimation from remotely sensed information using artificial neural networks. J. Appl. Meteorol. 36, 1176–1190.
  • Huang, W.-R., Liu, P. & Hsu, J. (2021). Multiple timescale assessment of wet season precipitation estimation over Taiwan using the PERSIANN family products. Int. J. Appl. Earth Obs. Geoinf. 103, 102521.
  • Hong, Y., Hsu, K.L., Sorooshian, S., Gao, X., 2004. Precipitation estimation from remotely sensed imagery using an artificial neural network cloud classification system. J. Appl. Meteorol. Climatol. 43 (12), 1834–1853.
  • Khalili A and Rahimi J. (2014) .High-resolution spatiotemporal distribution of precipitation in Iran: A comparative study with three global-precipitation Theoretical and Applied Climatology 118(1–2):211–221.
  • Karbalaee, N., Hsu, K., Sorooshian, S., & Braithwaite, D. (017).Bias Adjustment of Infrared Rainfall Estimation Using Passive Microwave Satellite Rainfall Data, J. Geophys. Res.-Atmos., 122, 3857–3876.
  • Kenzi Haq M., Faizi A., and Hoshiaripour F. (2022). Evaluating the accuracy of satellite precipitation products in estimating rainfall related to flood months (case study: Yamchi Dam catchment area, Ardabil). Ecohydrology, 9(2), 317-331. (In Persian)
  • Katiraie-Boroujerdy P.S., Nasrollahi N., Hsu K.L., & Sorooshian S. (2013). Evaluation of satellite-based precipitation estimation over Iran. Journal of Arid Environments 97: 205-219.
  • Kaviani, M. & Alijani, b. (2006). The Foundations of Climatology. Fifth edition. Tehran. Samt. (In Persian)
  • Lombardo, F., Napolitano, F., Russo, F., Scialanga, G., Baldini, L., & Gorgucci, E. (2006), Rainfall estimation and ground clutter rejection with dual polarization weather radar, Advances in Geosciences 7: 127–130.
  • Li, H., Hong, Y., Xie, P., Gao, J., Niu, Z., Kirstetter, P., & Yong, B., (2015a). Variational merged of hourly gauge-satellite precipitation in China: Preliminary results. J. Geophys. Res. Atmos. 120 (19), 9897–9915.
  • Mousavi Dehaghani A., Gohari A., Zareian M. J & Torabi Haghighi A. (2023). A comprehensive evaluation of the satellite precipitation products across Iran. Journal of Hydrology: Regional Studies, (46) 101360.
  • Nguyen, P., Ombadi, M., Gorooh, V.A., Shearer, E.J., Sadeghi, M., Sorooshian, S., Hsu, K., Bolvin, D., & Ralph, M.F., (2020). PERSIANN Dynamic Infrared-Rain Rate (PDIR-Now): A Near-Real-Time, Quasi-Global Satellite Precipitation Dataset. J. Hydrometeorol. 21, 2893–2906.
  • Nguyen, P., Ombadi, M., Sorooshian, S., Hsu, K., AghaKouchak, A., Braithwaite, D., Ashouri, H., & Thorstensen, A.R., (2018). The PERSIANN family of global satellite precipitation data: A review and evaluation of products. Hydrol. Earth Syst. Sci. 22, 5801–5816.
  • Rauniyar, S. P., A. Protat, & H. Kanamori (2017), Uncertainties in TRMM-Era multisatellite-based tropical rainfall estimates over the Maritime Continent, Earth and Space Science, 4, 275–302.
  • Rahimi, J., Ebrahimpour, M., & Khalili, A.. (2013). Spatial changes of extended De Martonne climatic zones affected by climate change in Iran. Theor. Appl. Climatol. 112, 409–418.
  • Sadeghi, M., Nguyen, P., Naeini, M.R., Hsu, K., Braithwaite, D., & Sorooshian, S., (2021). PERSIANN-CCS-CDR, a 3-hourly 0.04◦ global precipitation climate data record for heavy precipitation studies. (PERSIANN-CCS-CDR). Sci. Data 8, 157.
  • Salmani-Dehaghi, N., Samani, N., (2019). Spatiotemporal assessment of the PERSIANN family of satellite precipitation data over Fars Province, Iran. Theor. Appl. Climatol. 138, 1333–1357.
  • 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. Bull. Am. Meteorol. Soc. 81, 2035–2046.
  • Shakari Kochak S., Akhundali M., and Sharifi, M. R. (2019). Evaluation of the performance of PERSIANN and PERSIANN-CDR satellite precipitation algorithms and Investigating the impact of topography on it (case study: Helleh watershed). Ecohydrology, 7(2), 511-527. (In Persian)
  • Taylor, K.E. (2001). Summarizing multiple aspects of model performance in a single diagram, Journal of Geophysical Research: Atmospheres, 106(D7): 7183-7192.
  • Wilks, D.S., 2019. Statistical Methods in the Atmospheric Sciences. Forecast verification, fourth ed. Elsevier Inc,, pp. 369–483.
  • Zhang, Y., Najafi, M.R., 2020. Probabilistic numerical modelling of compound flooding caused by tropical storm Matthew over a data-scarce coastal environment. Water Resour. Res. e2020WR028565.
  • Zhaofei Liu . (2023) . Accuracy of satellite precipitation products in data-scarce Inner Tibetan Plateau comprehensively evaluated using a novel ground observation network: Journal of Hydrology: Regional Studies (47 )101405
نشریه کاربرد سنجش از دور و سیستم اطلاعات جغرافیایی در علوم محیطی
دوره 4، شماره 13
بهمن 1403
صفحه 116-90
  • تاریخ دریافت: 24 مهر 1403
  • تاریخ بازنگری: 21 آبان 1403
  • تاریخ پذیرش: 10 بهمن 1403