پایش زمانی و مکانی داده های بازتحلیل شده ecmwf و منابع بارشی مبتنی بر تکنیک های سنجش از دورpersian و trmm

از میان مولفه‌های اقلیمی، بارش به علت دارا بودن تغییرات مکانی و زمانی قابل توجه، یکی از پیچیده‌ترین پدیده‌ها در چرخه هیدرولوژیکی بشمار میآید. با توسعه روزافزون تکنولوژی‌های ماهواره‌ای در دهه‌های اخیر، امکان دسترسی به منابع بارشی با توان تفکیک مکانی و زمانی بالا برای بسیاری از نقاط جهان فراهم شده است. در پژوهش حاضر به ارزیابی عملکرد زمانی و مکانی یکی از مهم‌ترین منابع بارشی مدل مبنا به نام ecmwf در گامهای زمانی روزانه و ماهانه در سطح حوضه آبریز سفیدرود پرداخته شده است. همچنین در این پژوهش از منابع بارشی پرکابرد مانند persian و trmm نیز برای بررسی کارائی منبع ecmwf استفاده بعمل آمد. نتایج حاصل از ارزیابی عملکرد منبع ecmwf در سطح حوضه آبریز سفیدرود و در مقیاس روزانه حاکی از آن است که این منبع با دارا بودن ضریب همبستگی بالای 0.8 با ایستگاه‌های زمینی، دارای بهترین علمکرد بوده و این در حالیست که دو منبع persian و trmm به ترتیب دارای ضریب همبستگی 0.47 و 0.32 می‌باشند. بر خلاف گام زمانی روزانه، در گام زمانی ماهانه عملکرد دو منبع ecmwf و persian تقریباً مشابه بوده و هر دو دارای ضریب همبستگی بالای 0.9 هستند. همچنین از نظر آماره‌های طبقه‌بندی منبع ecmwf در هر دو گام زمانی روزانه و ماهانه با دارا بودن کمترین شاخص far (گزارش‌های اشتباه)، بالاترین شاخص accuracy (صحت پیش‌بینی‌های درست) و نیز بالاترین رتبه در تشخیص روزهای بارانی (pod) دارای عملکرد به مراتب بهتری نسبت به دیگر منابع بارشی می باشد.و لذا توصیه می شود در حوضه های فاقد آمار و یا در مدلسازی های هیدرولوژیکی که نیازمند داده های بارشی صحیحی هستند از این منبع اطلاعاتی ارزشمند استفاده بعمل آید.

Spatiotemporal Assessment of Reanalysis and RemotelySensed Precipitation Datasets

Among the meteorological components, because of having considerable changes in time and space, precipitation is one of the complicated issue in hydrological process. By increasing of satellitebased technologies over the past decades, that’s easy to access to high resolution precipitation products in most parts of the world. This research addressed the accuracy of European Center for Medium Range Weather Forecasts (ECMWF) reanalysis datasets for estimation of daily and monthly precipitation over the SefidRood catchment. Moreover, in order to better evaluating the performance of ECMWF dataset, the PERSIAN and TRMM datasets are used. Findings on daily time scale, show that the correlation coefficient between ground observation and ECMWF, PERSIAN and TRMM products is about 0.8, 0.47 and 0.32 and this completely prove the superiority of ECMWF for estimation of rainfall at daily time scale. At monthly time scale, both of ECMWF and PERSIAN products correlate very well with gauges measurements (CC statistic is more than 0.9), but TRMM owing to have CC equal to 0.57 correlates moderately with observations. According to the categorical verification statistics, ECMWF yields better results for detection of precipitation events on the basis of Probability of Detection (POD), Critical Success Index (CSI) and False Alarm Ratio (FAR) in SefidRood catchment, compared with other satellite data sets. Therefore, in ungauged catchments or hydrological modeling that require an accurate precipitation datasets, using ECMWF dataset is suggested.