بررسی نتایج داده های روزانه، ده روزه و ماهانه تصاویر ماهواره در تخمین مقدار بارش با استفاده از سامانهgoogle earth engineدر استان خوزستان

با توجه به عدم توزیع ایستگاه های باران سنجی در سطح کشور و نیاز به تعیین و تخمین بارش در مزارع آبیاری جهت برنامه ریزی آبیاری، ابزار هایی که بتوانند در تعیین بارش در سطح مزارع کمک نمایند از اهمیت بالایی برخوردار می باشند. در این مطالعه از ابزار گوگل ارث انجین و اطلاعات ماهواره‌ای chirps ، trmm و gpm به ترتیب در بازه‌های زمانی مختلف استفاده شد. با استفاده از این ابزار مقدار بارش در بازه های روزانه، دهه و ماهانه در ایستگاه اهواز و ایذه در بازه 1393-1394 و 1396-1397 مورد بررسی قرار گرفت و در نهایت با استفاده از اطلاعات 9 ایستگاه ارزیابی نهایی انجام شد. نتایج نشان داد که سامانه در بازه ماهانه از شاخص کارایی بالایی برخوردار است (0.99) و مقدار خطای نرمال شده آن حدود 36 درصد می باشد. ارزیابی نشان داد که به طور متوسط 51 درصد خطا در برآورد بارش وجود دارد و به میزان 3.1 میلی متر به طور متوسط مقدار بارش کمتر برآورد می شود. شاخص توافق و کارایی مدل قابل قبول بود همچنین از نظر آزمون f-test تفاوت معنی داری بین داده های برآورد شده و اندازه گیری شده مشاهده نشد ولی جهت افزایش دقت آن می بایست از روش های مختلف پهنه بندی مانند کوکریجینگ استفاده نمود و از آن به عنوان پارامتر کمکی به همراه نقشه رقوم ارتفاعی استفاده کرد.

Evaluation of Daily, Decade and Monthly Data Satellite Images to Estimate of Precipitation Using Google Earth engine in Khuzestan Province

Since synoptic metrological stations have nonuniformed scattering pattern in Iran and on the other hand precipitation determination and forecasting is essential for irrigation planning, a method precisely determine precipitation of agricultural lands in farm level has great importance. This study was carried out in Google Earth Engine Code programming environment using GPM, TRMM and CHIRPS satellite data which is daily, decade and monthly, respectively in Ahwaz and Izeh metrological stations for calibration and 9 meteorological stations for validation during 20152016 and 2017 2018 Growing season. Results showed that monthly interval could obtain better accuracy with R2 of 0.99 and NRMSE = 0.36, respectively. The validation results of the rest 9 meteoroidal station indicated that precipitation prediction had 51% and 3.1 mm error and under estimation on average, respectively. The efficiency was reasonable and F-Test showed no significant difference between observed and prediction samples. The standard error value was 14.2 mm which is a significant error and need to work on updated better functions. It can be concluded that this method can be a useful tool for monthly precipitation prediction of areas with no climatic data if integrated with Kriging, coKriging and Inverse Distance Weighted (IDW) geostatistical models for interpolation.