ترکیب روش‌های درون یابی و محصولات بارش ماهواره ای trmm به منظور افزایش دقت نقشه‌های همبارش در استان مازندران

سابقه و هدف: تخمین مکانی و تشخیص پاراکندگی بارش، عمدتا توسط روشهای زمین آمار و تصاویر ماهواره ای انجام می شود. امروزه اقبال زیادی از محصولات بارش ماهواره ای در تهیه نقشه های همبارش شده است. این محصولات با استفاده از تصاویر ماهواره ای به تخمین بارش در نقاط فاقد داده می‌پردازد و معمولا با خطای زیادی همراه بوده و نیاز به واسنجی دارند. روش‌های درون‌یابی نیز با استفاده از داده‌های واقعی ثبت شده به تخمین بارش می‌پردازند. بنظر می‌رسد ترکیب روش‌های درون‌یابی و تصاویر ماهواره‌ای می‌تواند در افزایش دقت نقشه‌های همبارش بخصوص در مناطق با توپوگرافی پیچیده مانند استان مازندران موثر باشد. مواد و روش‌ها: در این پژوهش در راستای ارزیابی روش‌های مختلف تخمین بارش استان مازندران و ترکیب تصاویر ماهواره ای با روش‌های درونیابی از داده‌های 21 ایستگاه سینوپتیک و باران‌سنجی و از 24 تصویر ماهانه و 2 تصویر سالانه ماهواره‌ی trmm در سال‌های 2012 و 2015 استفاده شد، که تفکیک مکانی این ماهواره 25/0*25/0 درجه می‌باشد. روش‌های درون یابی مورد بررسی شامل کریجینگ، وزنی عکس فاصله بوده و همچنین دقت محصولات بارش ماهواره trmm نیز بررسی شد. به علاوه برای افزایش دقت نقشه های همبارش از رابطه رگرسیون خطی چندگانه برای ترکیب تصاویر ماهواره‌ای با متغیرهای کمکی طول و عرض جغرافیایی و ارتفاع استفاده شد. ارزیابی روش‌ها با استفاده از شاخص‌های میانگین مربعات خطا و میانگین خطای اریب و تحلیل رگرسیونی صورت گرفت. همچنین نقشه‌های هم بارش سالانه استان نیز برای دو سال 2012 و 2015 ترسیم و تحلیل شد. یافته‌ها: در این پژوهش 5 مدل تئوری نیم تغییرنما بر داده‌ها برازش داده شد که مدل‌های نمایی و کروی به عنوان مناسب ترین مدل نیم تغییرنما انتخاب شدند. همچنین ضریب تعیین مدل نیم تغییرنمای منتخب و نسبت تغییرات ساختار‌دار به تغییرات کل وضعیت نسبتا مناسب ساختار مکانی داده های بارش را نشان داد و دامنه تاثیر داده‌های بارش در حدود 80 کیلومتر بدست آمد. ضرایب همبستگی پارامترهای کمکی و بارش در اکثر ماه‌ها نتایج قابل قبولی ارائه داد و تقریبا در بیش از 50 درصد ماه های مورد بررسی معنادار بود که در نتیجه ضرایب تعیین معادله رگرسیونی گرادیان چهار بعدی نیز مقادیر راضی کننده را نشان داد بطوریکه متغیرهای کمکی مورد استفاده بین 10 تا بیش از 70 درصد از تغییرات بارش را توجیه نمودند. بررسی شاخص ارزیابی خطا نشان داد که روش‌های درون‌یابی و داده‌های شبکه ماهواره‌ای trmm تخمین مناسبی از بارش استان نداشته و استفاده از متغییرهای کمکی در روش گرادیان خطی چهار بعدی توانسته باعث کاهش خطای تخمین گردد به طوری که خطای تخمین بارش را 20 تا 40 درصد کاهش داد. بررسی شاخص اریبی نشان داد که داده‌های شبکه بارش trmm برخلاف همبستگی خوب با داده‌های مشاهده‌ای تا حدود 5 برابر بیشتر از سایر روش‌های درونیابی دارای خطای کم برآوردی است اما ترکیب داده‌های شبکه trmm با سایر متغیرهای کمکی در روش گرادیان 4 بعدی خطای اریبی را به صفر رساند. تحلیل رگرسیونی روش‌های مختلف درونیابی نیز حاکی از برتری چشمگیر روش گرادیان 4 بعدی بود که شیب خط روش گرادیان 4 بعدی بیش از 3 برابر روش‌های زمین آماری بوده که نشان دهنده درک دقیقتر روش گرادیانی در تشخیص حلقه‌های کم بارش و پربارش منطقه است. نتیجه‌گیری: نتایج بدست آمده حاکی از برتری روش گرادیان 4 بعدی در تخمین مکانی بارش در استان مازندران بوده و نقش متغیرهای کمکی در افزایش دقت نقشه‌های همبارش را نشان داد به طوری که استفاده از روش منتخب سبب کاهش 30 درصدی خطای تخمین روش‌های زمین آماری و کاهش 40 درصدی خطای شبکه trmm شد. نتایج این پژوهش نشان داد که ترکیب محصولات بارش ماهواره‌ای با روش‌های درون‌یابی منجر به تخمین دقیقتر بارش ارتفاعات و نقاط فاقد داده ثبت شده بارش خواهد شد.

Combining interpolation methods and precipitation products of TRMM satellite to increase the accuracy of rainfall maps in Mazandaran province

Background and objectives: The most common methods used to estimate and spatialise precipitation data are geostatistic methods and satellite images. Today, satellite rainfall products have become very popular in preparing rainfall maps. These products use satellite imagery to estimate precipitation in places with no observed data and are usually associated with a large error and require calibration. Interpolation methods also estimate precipitation data using recorded data. It seems that the combination of interpolation methods and satellite images can be effective in increasing the accuracy of rainfall maps, especially in areas with complex topography such as Mazandaran provinceMaterials and methods: In this study, in order to evaluate different methods of estimating precipitation in Mazandaran province and combining satellite images with interpolation methods, precipitation data from 21 synoptic and rain gauge stations and 24 monthly images and 2 annual TRMM satellite images were used in 2012 and 2015 that the spatial resolution of this satellite product is 0.25 * 0.25 degrees. The studied interpolation methods included Kriging and Inverse Distance Weighting. Also the accuracy of rainfall products of TRMM satellite was investigated. In addition, to increase the accuracy of rainfall maps, multiple linear regression were used to combine satellite images with latitude, longitude and altitude covariate. The investigated methods were evaluated using the Root Mean Square Error and Mean Bias Error indices and regression analysis. Also the annual rainfall maps of the province for 2012 and 2015 were drawn and analysed.Results: In this study, 5 theoretical semivariogram models were fitted to the data, that the spherical and exponential models was selected as appropriate models. Also the coefficient of determination of selected variogram model and the ratio of structured part to total variation showed a relatively strong variography anlysis and the effective range of precipitation data wasobtained about 80 km. Correlation coefficients of covariates and precipitation in most months provided acceptable results and were significant in almost more than 50% of the studied months. As a result, the coefficients of determination of fourdimensional gradient regression equation also showed satisfactory values, so that the used covariates explained between 10 and more than 70% of the precipitation variations. evaluation of investigated methods showed that interpolation models and TRMM satellite network data are not efficient in estimation of precipitation in the province and the use of covariates in the gradient method could reduce the error estimation of rainfall data by 20 to 40 percent. Investigation of Bias error showed that TRMM precipitation network data, despite good correlation with observational data, has about 5 times more underestimation error than other interpolation methods, but the combination of TRMM network data with other covariates in the 4dimensional gradient method has reduced the MBE to zero. Regression analysis of the studied methods showed a significant advantage of the 4dimensional gradient method that the slope of this method is 3 times more than the geostatistical methods, which shows the performance of this method in detecting low and high rainfall rings in Mazandaran province. Conclusion: The results showed the superiority of the 4dimensional gradient method in spatial rainfall estimation of Mazandaran province and showed the role of covariates in increasing the accuracy of rainfall maps, that use of the selected method reduced the estimation error of geostatistical methods and TRMM network data by 30% and 40% respectively. The results of this study showed that the combination of satellite raifall products with interpolation methods will lead to more accurate estimation of precipitation in highlands and the points with no recorded rainfall data.