با همکاری انجمن آبخیزداری ایران

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری علوم و مهندسی آبخیز-آب، دانشکده منابع طبیعی، دانشگاه تهران

2 کارشناس ارشد آبخیزداری، دانشکده منابع طبیعی، دانشگاه تهران

چکیده

در قرن اخیر یکی از مهمترین چالش­‌های جهان، خشکسالی بوده، پایش و ارزیابی شدت و مدت آن برای مقابله و کاهش اثرات آن بسیار ضروری است. در چند دهه اخیر با توسعه و پیشرفت مباحث سنجش از دور، برآوردهای ماهواره­‌ای خشکسالی با دقت مکانی بالا و گام­‌های زمانی مختلف به‌طور گسترده مورد استفاده قرار گرفته است. لذا هدف پژوهش حاضر، تحلیل خشکسالی هواشناسی و توزیع خطای برآوردی داده­‌های ماهواره TRMM با داده‌­های زمینی طی دوره آماری 1998 تا 2014 بوده است. در این راستا، به‌منظور ارزیابی صحت و دقت شاخص خشکسالی هواشناسی، برآوردی از ماهواره TRMM از 41 ایستگاه سینوپتیک ایران استفاده شد. در این پژوهش، معیارهای ارزیابی خطا شامل NSE ،RMSE ،ME، Bias و ضریب همبستگی بوده، برای تحلیل مکانی آن‌ها از روش درون‌یابی IDW در نرم‌افزار ArcGIS 10.3 استفاده شده است. نتایج تحلیل شاخص خشکسالی بر اساس داده­‌های زمینی نشان داد که از لحاظ شدت خشکسالی، ایستگاه­‌های کرمان، بوشهر، کاشمر، قزوین، بجنورد و کاشان در بین ایستگاه­‌های مورد مطالعه یک خشکسالی خیلی شدید را طی دوره 1998 تا 2014 پشت سر گذاشته­‌اند و از لحاظ فراوانی ایستگاه کرج بیشترین فراوانی خشکسالی را در بین ایستگاه‌­های مورد مطالعه داشته است. نتایج تحلیل مکانی معیارهای ارزیابی خطا نشان داد که شاخص خشکسالی برآوردی از ماهواره TRMM در مناطق شمال شرقی (در اطراف ایستگاه­‌های کاشمر و مشهد) و جنوب غربی (در اطراف ایستگاه­‌های شهرکرد، اصفهان، یاسوج، بوشهر و شیراز) کشور خطای کمتری داشته، بیشترین خطا مربوط به مناطق مرکزی کشور (در اطراف ایستگاه­‌های بیارجمند، طبس) بوده است. همچنین، در بیشتر مناطق کشور، شاخص خشکسالی برآوردی از TRMM با محاسباتی ایستگاه‌­های زمینی تطابق قابل قبولی داشته است و با واسنجی داده­‌های TRMM با ایستگاه‌­های زمینی، می­‌توان از آن برای پایش خشکسالی در مناطق فاقد ایستگاه به‌صورت شبکه­‌های 0.25× 0.25 درجه طول و عرض جغرافیایی استفاده کرد.

کلیدواژه‌ها

عنوان مقاله [English]

Spatial resolution analysis of TRMM satellite images to estimate meteorological drought index, case study: Iran

نویسندگان [English]

  • Majid Kazemzadeh 1
  • Javad Akbari 2

1 PhD Students, Faculty of Natural Resources, University of Tehran

2 MSc, Faculty of Natural Resources, University of Tehran

چکیده [English]

One of the most important last century challenges in the world was drought and monitoring and assessing drought severity and duration to combat and mitigate its impacts is very necessary. In recent decades, with developing of remote sensing issues, satellite-based estimating drought with high spatial resolution and different time steps were widely used. Hence, the aim of this study was focused on the analyzing drought and error distribution of TRMM satellite data-based estimation with ground data over the period 1998 to 2014. In this regard, in order to assess the accuracy of meteorological drought index based on the TRMM satellite data, 41 synoptic stations were used in Iran. In this study, error assessment criteria were included NSE, RMSE, ME, Bias and correlation coefficient and also the IDW interpolation method in ArcGIS 10.3 was used for spatial analysis. Results of drought index showed that in terms of severity, Kerman, Bushehr, Kashmar, Ghazvin, Bojnurd, Kashan stations have suffered from at least one extreme status for 1998 to 2014 and in terms of frequency, the most frequent drought was in Karaj station. Results of spatial analysis of error criteria  showed that the drought index estimated of TRMM satellite had the lower error in northeast of Iran (around Mashhad and Kashmar stations) and southwest of Iran (around Shahrkord, Esfahan, Yasouj, and Shiraz stations) while the most error was in central region of Iran (around Biarjomand, Tabass stations), respectively. In most areas of the country, drought index estimated by TRMM data had acceptable agreement with ground stations data. Calibrating the TRMM data with ground stations can be used for drought monitoring in areas without stations for networks 0.25*0.25 latitude and longitude degrees.

کلیدواژه‌ها [English]

  • Drought frequency
  • Drought monitoring
  • Error assessment
  • Remote sensing
  • Spatial distribution