ریزمقیاس‌سازی داده‌های بارش ماهواره trmm به کمک داده‌های ndvi، مدل رقوم ارتفاعی و دمای سطح زمین با استفاده از مدل‌های یادگیری رگرسیونی

تعیین الگوی مکانی بارش در یک حوزه آبخیز، اهمیت فراوانی برای محاسبه کمیت‌هایی مانند دبی رواناب یا میزان رطوبت خاک دارد. محدودیت تعداد ایستگاه‌های هواشناسی و همچنین، تغییرپذیری مکانی بارش، مانعی در برابر تخمین مکانی دقیق بارش هستند. توسعه فناوری سنجش از دور و امکان استفاده از محصولات بارش تولید شده به‌وسیله سنجنده‌های ماهواره، مسیر دستیابی به الگوهای دقیق مکانی بارش را هموار کرده است. بزرگ ‌مقیاس بودن مکانی نتایج محصولات بارش ماهواره‌ای، لزوم توسعه روش‌های ریزمقیاس‌سازی را برجسته می‌کند. در این پژوهش، داده ‌های بارش trmm با استفاده از شاخص نرمال شده تفاوت پوشش گیاهی (ndvi)، میانگین دمای روزانه، شبانه و اختلاف دمای شبانه‌روز در سطح زمین، مختصات و ارتفاع مرکز پیکسل‌ها برای رسیدن به تفکیک مکانی بالاتر، با جعبه ابزار یادگیری رگرسیونی در محیط نرم‌افزار matlab، برای 19 مدل در سال‌های 2001 الی 2017 ریزمقیاس‌سازی شده است. این مدل‌ها به پنج دسته کلی رگرسیون خطی، درخت تصمیم، بردار پشتیبان، مدل‌های ترکیبی و مدل‌های گاوسی تقسیم می‌شود. از بین این 19 مدل، مدل مربوط به دسته مدل‌های ترکیبی در همه سال‌ها دارای جذر میانگین مربعات خطای کمتر و ضریب همبستگی بیشتری بودند. همچنین، برای واسنجی کردن نتایج ریزمقیاس‌سازی، از دو روش فاصله اصلاح جغرافیایی و نسبت اصلاح جغرافیایی استفاده شد که روش فاصله اصلاح جغرافیایی در همه مدل‌ها دارای خطای کمتری بود.

spatial downscaling of trmm satellite precipitation data by ndvi, dem and surface temperature using regression learner methods

determining precipitation spatial pattern in a catchment is necessary for the calculation of hydrologic quantities such as runoff flow and soil moisture content. sparse meteorological stations as well as spatial variability of precipitation are major obstacles for accurate spatial estimation of precipitation. the development of remote sensing technology and the possibility of using satellite precipitation products has facilitated attaining spatial precipitation patterns. however, low spatial resolution of satellite precipitation products highlights the need for downscaling methods. nineteen predictive models were fitted using regression learner toolbox in matlab software. annual trmm precipitation data were downscaled from 2001 to 2017 using normalized difference vegetation index (ndvi), land surface temperature, land elevation and coordination. models are divided into five general categories: linear regressions, decision trees, support vector machines, ensemble models and gaussian process regression models. comparing the downscaled trmm data with gauges data, boosted ensemble model had the lowest root mean square error and highest correlation coefficient. on the other hand, two methods of geographical distance adjustment (gda) and geographical ratio adjustment were compared for calibrating the downscaled precipitation. smaller errors were obtained using gda in all models.