ریزمقیاس نمایی بارش ماهواره ای با در نظر گرفتن رابطه مکانی ناهمگن بین بارش و متغیرهای محیطی

محصولات بارش ماهواره ای، یکی از منابع تخمین بارندگی می باشند. با این وجود، برای استفاده در مناطق محلی، و یا برای پارامترسازی مدل های هواشناسی و هیدرولوژیکی در مقیاس های حوضه ای؛ رزولوشن مکانی آنها اغلب درشت است. بنابراین، در این تحقیق یک روش ریزمقیاس نمایی- کالیبراسیون برای تخمین های ماهواره ای ماموریت اندازه گیری بارش جهانی (gpm؛ رزولوشن مکانی 1/0 درجه) از تاریخ 01 /04 /2014 تا 31 /03 /2015 به مدت یک سال، با در نظر گرفتن ناهمگنی مکانی در رابطه بین بارش و متغیرهای محیطی، با استفاده از مدل رگرسیون وزنی جغرافیایی مختلط (mgwr) برای استان گلستان، توسعه داده شد. در دستیابی به داده های بارش بهبود یافته با رزولوشن مکانی یک کیلومتر در مقیاس سالانه، نتایج نشان داد که (1) با روش پیشنهادی نه تنها رزولوشن مکانی بهبود یافت، بلکه دقت نیز افزایش پیدا کرد؛ (2) داده های بارش ریز مقیاس شده و کالیبره شده (cc= 0.74, bias= 0.23) عملکرد بهتری از داده های اصلی (cc= 0.58, bias= 0.35) در برابر مشاهدات زمینی داشتند.

downscaling of satellite-based precipitation considering the spatially heterogeneous relationship between precipitation and environmental variables

the satellite-based precipitation products are one of the sources of rainfall estimation. nonetheless, for usage in the local regions and, or for parameterizing of meteorological and hydrological models at basin scales, their spatial resolution is often coarse. therefore, in this study, a downscaling– calibration method was developed for global precipitation measurement (gpm) satellite estimates (at 0.1° spatial resolution), for one year from 01/04/2014 to 31/03/2015, by considering the spatial heterogeneity of the relationship between precipitation and the environmental variables using the mixed geographically weighted regression (mgwr) model for golestan province. in obtaining improved precipitation data with 1 km spatial resolution at an annual scale, the results showed that (1) the proposed method not only improved the spatial resolution of precipitation but also increased accuracy; (2) the downscaled and calibrated precipitation data (cc = 0.74, bias = 0.23) performed better than the original data (cc = 0.58, bias = 0.35) against ground observations.