مهندسی و مدیریت آبخیز

با همکاری انجمن آبخیزداری ایران

شماره جاری

بر اساس شماره‌های نشریه

بر اساس نویسندگان

بر اساس موضوعات

نمایه نویسندگان

نمایه کلیدواژه ها

درباره نشریه

اهداف و چشم انداز

اصول اخلاقی انتشار مقاله

بانک ها و نمایه نامه ها

پرسش‌های متداول

فرایند پذیرش مقالات

راهنمای نویسندگان

راهنمایی دریافت کد ORCID

داوران

راهنمای عضویت در Publons

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

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار، دانشکده کشاورزی، دانشگاه جهرم

2 کارشناس ارشد آبیاری و زهکشی، دانشکده کشاورزی، دانشگاه جهرم

چکیده

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، داده­‌های 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. 

کلیدواژه‌ها

عنوان مقاله [English]

Spatial downscaling of TRMM satellite precipitation data by NDVI, DEM and surface temperature using regression learner methods

نویسندگان [English]

  • Mehdi Mahbod 1
  • Saeedeh Safari 2
  • Mohammaf Rafie Rafiee 1

1 Assistant Professor, Department of Water Sciences & Engineering, College of Agriculture, Jahrom University, Jahrom, Iran

2 MSc, Department of Water Sciences & Engineering, College of Agriculture, Jahrom University, Jahrom, Iran

چکیده [English]

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.

کلیدواژه‌ها [English]

  • Fars Province
  • Geographical distance adjustment
  • Meteorological station
  • MODIS
  • Spatial precipitation pattern
مراجع
  1. Alexakis, D.D. and I.K. Tsanis. 2016. Comparison of multiple linear regression and artificial neural network models for downscaling TRMM precipitation products using MODIS data. Environmental Earth Sciences, 75(14): 1-13.
  2. Chen, C., S. Zhao, Z. Duan and Z. Qin. 2015. An improved spatial downscaling procedure for TRMM 3B43 precipitation product using geographically weighted regression. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8(9): 4592-4604.
  3. Duan, Z. and W. Bastiaanssen. 2013. First results from version 7 TRMM 3B43 precipitation product in Combination with a new downscaling-calibration procedure. Remote Sensing of Environment, 131: 1-13.
  4. Funk, C., P. Peterson, M. Landsfeld, D. Pedreros, J. Verdin, J. Rowland, B. Remero, G. Husak, J. Michaelsen and A. Verdin. 2014. A quasi-global precipitation time series for drought monitoring. U.S. Geological Survey Data Series, 832(4): 1-12.
  5. Huffman, G.L., D.T. Bolvin, E.J. Nelkin, D.B. Wolff, R.F. Adler, G. Gu, Y. Hong, K.P. Bowman and E.F. Stocker. 2007. The TRMM Multisatellite Precipitation Analysis (TMPA): Quasi-global, multiyear, combined-sensor precipitation estimates at fine scales. Journal of Hydrometeorology, 8(1): 38-55.
  6. Huffman, G.L., R.F. Adler, D.T. Bolvin and G. Gu. 2009. Improving the global precipitation record: GPCP version 2.1. Geophysical Research Letters, 36(17): 1-5.
  7. Huffman, G.L., R.F. Adler, P. Arkin, A. Chang, R. Ferraro, A. Gruber, J. Janowiak, A. McNab, B. Rudolf and U. Schneider. 1997. The Global Precipitation Climatology Project (GPCP) combined precipitation dataset. Bulletin of the American Meteorological Society, 78(1): 5-20.
  8. Immerzeel, W., M. Rutten and P. Droogers. 2009. Spatial downscaling of TRMM precipitation using vegetative response on the Iberian Peninsula. Remote Sensing of Environment, 113(2): 362-370.
  9. Jia, S., W. Zhu, A. Lu and T. Yan. 2011. A statistical spatial downscaling algorithm of TRMM precipitation based on NDVI and DEM in the Qaidam Basin of China. Remote Sensing of Environment, 115(12): 3069-3079.
  10. Jing, W., Y. Yang, X. Yue and X. Zhao. 2016. A comparison of different regression algorithms for downscaling monthly satellite-based precipitation over North China. Remote Sensing, 8(10): 835-859.
  11. Juang, K., D. Lee and C. Hsiao. 1998. Kriging with cumulative distribution function of order statistics for delineation of heavy-metal contaminated soils. Soil Science, 163: 797-804.
  12. Katsanos, D., A. Retalis and S. Michaelides. 2016. Validation of a high resolution precipitation database (CHIRPS) over Cyprus for a 30-year period. Atmospheric Research, 169: 459-464.
  13. Kazemzadeh, M. and J. Akbari. 2020. Spatial resolution analysis of TRMM satellite images to estimate meteorological drought index, case study: Iran. Watershed Engineering and Management, 11(4): 903-916 (in Persian).
  14. Kubota, T., S. Shige, H. Hashizume, K. Aonashi, N. Takahashi, S. Seto, M. Hirose, Y.N. Takayabu, T. Ushio and K. Nakagawa. 2007. Global precipitation map using satellite-borne microwave radiometers by the GSMaP project: production and validation. IEEE Transactions on Geoscience and Remote Sensing, 45(7): 2259-2275.
  15. Kummerow, C., W. Barnes, T. Kozu, J. Shiue and J. Simpson. 1998. The Tropical Rainfall Measuring Mission (TRMM) sensor package. Journal of Atmospheric and Oceanic Technology, 15(3): 809-817.
  16. Li, S., Z. Zhao, X. Miaomiao and Y. Wang. 2010. Investigating spatial non-stationary and scale-dependent relationships between urban surface temperature and environmental factors using geographically weighted regression. Environmental Modelling and Software, 25(12): 1789-1800.
  17. Madadi, Gh., S. Hamzeh and A. Noroozi. 2017. Assessment of TRMM satellite imagery in temporal and spatial drought monitoring, case study: West Frontier Basin. Watershed Engineering and Management, 8(4): 362-376 (in Persian).
  18. Mahbod, M., F. Veronesi and A. Shirvani. 2019. An evaluative study of TRMM precipitation estimates over multi-day scales in a semi-arid region, Iran. International Journal of Remote Sensing, 40(11): 4143-4174.
  19. Miri, M., M. Rahimi and A. Noroozi. 2020. Evaluation and comparison of GPM and TRMM daily precipitation with observed precipitation across Iran. Watershed Engineering and Management, 11(4): 972-983 (in Persian).
  20. Nichol, J. and S. Abbas. 2015. Integration of remote sensing datasets for local scale assessment and prediction of drought science of the total. Environment, 505: 503-507.
  21. Shi, Y., L. Song, Z. Xia, Y. Hin, R. Myneni, S. Choi, L. Wang, X. Ni, C. Lao and F. Yang. 2015. Mapping annual precipitation across mainland China in the period 2001-2010 from TRMM 3B43 product using spatial downscaling approach. Remote Sensing, 7: 5849-5878.
  22. Statistics and Machine Learning Toolbox-MATLAB, 2016. URL https://www.mathworks.com/ products/statistics.html (accessed 3.14.20).
  23. Teimory, M., Kh. Asadollah and M. Bakhtiarikia. 2019. Evaluation of remotely sensed precipitation data in runoff simulation for Kalam Basin, Hormozgan using SWAT. Watershed Engineering and Management, 11(3): 562-574 (in Persian).
  24. Zanjani, B., H. Seyed Kaboli and M. Rashidian. 2019. Downscaling TRMM satellite-based precipitation data using non-stationary relationships between precipitation and land surface characteristics. Journal of RS and GIS for Natural Resources, 10(2): 85-101 (in Persian).
  25. Zhang, T., B. Li, Y. Yuan, X. Gao, Q. Sun, L. Xu and Y. Jiang. 2018. Spatial downscaling of TRMM precipitation data considering the impacts of macro-geographical factors and local elevation in the Three-River Headwaters Region. Remote Sensing of Environment, 215: 109-119.
مهندسی و مدیریت آبخیز
دوره 14، شماره 3
مهر 1401
صفحه 347-361
فایل ها
هم رسانی
ارجاع به این مقاله
آمار