افزایش دقت داده‌های بارش ماهواره‌ای: روش ریزمقیاس سازی داده‌های PERSIANN با استفاده از NDVI، LST و DEM

Abstract

این مطالعه بر پایه داده‌های بارانسنجی شهرستان تربت جام و طی یک دوره آماری ۲3 ساله (۲۰۰۱ تا ۲۰۲۳) انجامشده است. در این پژوهش، داده‌های بارش ماهوارهای PERSIANN با وضوح مکانی ۲۷ کیلومتر با استفاده از داده‌های NDVI، دمای سطح زمین (LST) و مدل ارتفاعی (DEM) و با کمک الگوریتم یادگیری ماشین جنگل تصادفی (RF) به وضوح مکانی یک کیلومتر ارتقا یافت. برای ارزیابی دقت ریزمقیاس‌سازی داده‌های بارش ماهواره‌ای نسبت به داده‌های ایستگاه‌های زمینی، از معیارهای آماری شامل ضریب همبستگی (CC)، ریشه میانگین مربعات خطا (RMSE) و میانگین خطای مطلق (MAE) استفاده شد. علاوه بر این، روش تصحیح باقیمانده‌ها برای افزایش دقت پیش‌بینی مدل به کار گرفته شد. نتایج نشان داد که روش تغییر مقیاس همراه با داده‌های کمکی مکانی و الگوریتم جنگل تصادفی، دقت مدلسازی بارش را به طور چشمگیری بهبود بخشیده است. نتایج نشان داد که در تمامی ایستگاه‌های موردمطالعه و در مقیاس‌های زمانی ماهانه و سالانه استفاده از روش اصلاح باقیمانده باعث بهبود قابل توجهی در دقت پیش‌بینی‌ها شد. به طوری که در مقیاس بارش ماهیانه بعد از اصلاح باقیمانده ضریب همبستگی از 29-22 درصد افزایش، ریشه میانگین مربعات خطا از 64-61% کاهش و میانگین مطلق خطا به میزان 68-60 درصد کاهش نشان داد. در مقیاس سالانه ضریب همبستگی از 35-7 درصد، ریشه میانگین مربعات خطا از 74-69 درصد کاهش و میانگین مطلق خطا به میزان 76-69 درصد کاهش نشان داد. این مطالعه بر اثربخشی روش مذکور در بهبود دقت پیش‌بینی در مقیاس‌های زمانی مختلف در منطقه مورد بررسی تأکید دارد. علاوه بر این، مفاهیم عملی این پژوهش بینش‌های ارزشمندی را برای مدلسازی هیدرولوژیکی و مدیریت منابع آب، به ویژه در مناطقی که داده‌های ایستگاه زمینی محدود است، ارائه می‌دهد. یافته‌های این تحقیق میتواند به بهبود مدیریت منابع آبی و برنامه‌ریزی‌های اقلیمی، به خصوص در مناطق خشک و نیمه خشک، کمک قابل توجهی نماید.