ارزیابی عملکرد محصولات شبکه‌بندی بارش با درنظر گرفتن شرایط اقلیمی و توپوگرافی در ایران

بارش یک جزء اصلی چرخه هیدرولوژیکی هست که دارای تغییرات قابل ملاحظه‌ای در مکان و زمان است. وجود داده‌های گم‌شده در داده‌های بارش اندازه‌گیری شده و توزیع نامناسب نقطه محل‌های اندازه‌گیری بارش سبب به وجود آمدن مشکلات اساسی در پیش‌بینی‌های هیدرولوژیکی می‌گردد و از آنجایی که داده‌های ماهواره‌ای باران‌سنجی جزء راه‌حل‌های جدید در جهت برآورد داده‌های بارش است، پژوهش حاضر با هدف ارزیابی عملکرد داده‌های ماهواره‌ای باران‌سنجی  pcdr15و chirps12 با تفکیک مکانی 0/25 × 0/25)) و در مقیاس روزانه، ماهانه و سالانه در بازه زمانی 1990 تا 2019 با استفاده از 88 ایستگاه سینوپتیک واقع در ایران انجام شد. برآورد بارش سالانه داده‌های مدل شبکه‌بندی شده دارای تخمین فرا برآورد و فرو برآورد در ایستگاه‌ها هستند و با توجه به شاخص‌های ارزیابی عملکرد pcdr در مناطقی به‌غیراز شمال و شمال غرب ایران نسبت به chirps بهتر است. تخمین بارش ماهانه مجموعه داده‌ pcdr در همه حوضه‌ها به‌غیراز ارومیه و سرخس دارای خطای کمتر در برآورد بارش ماهانه و بیشترین همبستگی با داده‌های مشاهداتی نسبت به chirps است. برآورد بارش روزانه داده‌های شبکه‌بندی chirps دارای عملکرد بهتر نسبت به pcdr بخصوص در حوضه خلیج‌فارس و دریای عمان است. همچنین، داده‌های chirps بر اساس شاخص تشخیصیcsi13  دارای عملکرد بهتر در تشخیص روزهای بارانی و غیر بارانی تقریباً در تمام ایستگاه ها است. طبق نتایج حاصل از تحلیل‌های ارتفاع و بارندگی می‌توان بیان کرد که ارتفاع نیز به‌عنوان عامل موثر در عملکرد داده‌های شبکه‌ای بارش هست به گونه‌ای که هر دو مجموعه داده در مناطق مرتفع کوه‌های زاگرس و مناطق شمالی رشته‌کوه البرز قدرت کمتری در برآورد و تشخیص بارش دارد.

Evaluating the Performance of Precipitation Products Taking into Account the Climatic and Topographic Conditions across Iran

Precipitation is a major component of the hydrological cycle which has significant changes over space and time. Missing data in precipitation measurements and improper distribution of precipitation measurement sites cause major problems in hydrological studies. Satellite data is a new alternative for estimating precipitation data and the present study aimed at evaluating the performance of PCDR (Precipitation Estimation from Remotely Sensed Information Using Artificial Neural Networks Climate Data Record) and CHIRPS (Climate Hazards Group Infrared Precipitation with Station Data) with spatial separation of 0.25 × 0.25 and on a daily, monthly and yearly scale for the period of 1990 to 2019 in 88 synoptic stations located in Iran. As a result of annual precipitation estimation analysis and according to performance evaluation indices, PCDR had better performance than CHIRPS in all regions except for the north and northwest of Iran. Precipitation estimation by PCDR dataset in all basins except Urmia and Sarakhs had less error in estimating monthly precipitation compared to CHIRPS, and it had the highest correlation with observed data. CHIRPS daily rainfall estimation had better performance than PCDR, especially in the Persian Gulf and Oman Sea basins. As CSI (critical success index) showed, CHIRPS had a better performance in detecting rainy and nonrainy days in almost all stations. According to the results of altituderainfall analysis, both datasets in the highlands of the Zagros mountain chain and north of the Alborz mountain chain performed weak in estimating precipitation.