ریزمقیاس سازی تغییرات ذخیره آب زیرزمینی مدل هیدرولوژیکی wghm با استفاده از مدل رگرسیونی چندگانه برروی دشت قزوین

خشکسالی های اخیر کشور ایران و محدودیت های موجود در زمینه پایش منطقه ای و عدم در دسترس بودن اطلاعات کافی و بادقت بالا، یکی از روش های مورد تایید برای پایش تغییرات ذخیره آب زیرزمینی(آنومالی)، بکارگرفتن روش های سنجش از دور است. دشت قزوین یکی از حاصل خیزترین دشت های کشور و زیرمجموعه حوضه دریاچه نمک بوده که دارای تنش آبی شدید است. در این پژوهش بررسی تغییرات ذخیره آب زیرزمینی این دشت با بکارگیری تکنیک های مختلف ریزمقیاس سازی داده های آب زیرزمینی مدل wghm، از قبیل رگرسیون خطی و چندگانه محاسبه گردید. اطلاعات مدل هیدرولوژیکی wghm (وضوح مکانی 0/5 درجه) در کنار داده های مدل era5-land و ماهواره imerg-gpm (وضوح مکانی 0/1 درجه) مورد استفاده قرارگرفت. با استفاده از آزمون کای-دو متغیرهایی که بهترین همخوانی را داشتند انتخاب و سپس از میان مدل-های رگرسیونی مختلف، بهترین مدل انتخاب و سپس در مقیاس 0/1 درجه مقدار تغییرات ذخیره آب زیرزمینی را به صورت قابل قبولی تخمین زد. در نهایت، داده های ریزمقیاس شده در این مطالعه (0/1 درجه) در مقایسه با تغییرات ذخیره آب زیرزمینی اصلی مدل (0/5 درجه)wghm از نظر الگوهای مکانی مطابقت کاملی داشته و جزییات بیشتری را از توزیع مکانی آب های زیرزمینی در دشت قزوین در اختیار قرار دادند. لازم به ذکر است، از این روش می توان در حوضه های دیگر و حتی در مقیاس جهانی نیز استفاده کرد.

downscaling wghm-based groundwater storage data using regression methods for qazvin plain, iran

according to the latest drought of iran and due to lack of the reliable and sufficient in-situ information, remote sensing and hydrological models can be count as the alternative datasets for monitoring groundwater (gw) storage changes in regional and global scale. qazvin plain is also one of the regions which is facing severe drought in iran.the main purpose of this paper is downscaling wghm-based gw storage anomaly from a coarse (0.5-degree) to a finer spatial resolution (0.1-degree) using auxiliary datasets such as era5-land model and satellite-based precipitation data (imerg-gpm) with finer spatial resolution (0.1-degree). the variables with the most correlations with gw were choosed with chi-square method. since the water budget components are known to have temporal lead or lag the components shifted t times to match with gw. aftrewards, the most suitable model with the highest skill score during the examination test, was selected, and the model was trained. the 0.1-degree gw was obtained/predicted and finally, the downscaled data (0.1-degree) captured the spatial distribution pattern of the original gw (0.5 degrees) reasonably well with more detailed information when compared with the original gw. this method can easily be applied to other aquifers too.