تركيب روش هاي درون يابي و محصولات بارش ماهواره اي TRMM به منظور افزايش دقت نقشه هاي هم بارش در استان مازندران

Combining interpolation methods and precipitation products of TRMM satellite to increase the accuracy of rainfall maps in Mazandaran province

سابقه و هدف: تخمين مكاني و تشخيص پاراكندگي بارش، عمدتا توسط روش هاي زمين آمار و تصاوير ماهواره اي انجام مي شود. امروزه اقبال زيادي از محصولات بارش ماهواره اي در تهيه نقشه هاي همبارش شده است. اين محصولات با استفاده از تصاوير ماهواره اي به تخمين بارش در نقاط فاقد داده مي پردازد و معمولا با خطاي زيادي همراه بوده و نياز به واسنجي دارند. روش هاي درون يابي نيز با استفاده از داده هاي واقعي ثبت شده به تخمين بارش مي پردازند. بنظر مي رسد تركيب روش هاي درون يابي و تصاوير ماهواره اي مي تواند در افزايش دقت نقشه هاي همبارش بخصوص در مناطق با توپوگرافي پيچيده مانند استان مازندران موثر باشد. مواد و روش ها در اين پژوهش در راستاي ارزيابي روش هاي مختلف تخمين بارش استان مازندران و تركيب تصاوير ماهواره اي با روش هاي درونيابي از داده هاي 21 ايستگاه سينوپتيك و باران سنجي و از 24 تصوير ماهانه و 2 تصوير سالانه ماهواره ي TRMM در سال هاي 2012 و 2015 استفاده شد، كه تفكيك مكاني اين ماهواره 25/0*25/0 درجه مي باشد. روش هاي درون يابي مورد بررسي شامل كريجينگ، وزني عكس فاصله بوده و همچنين دقت محصولات بارش ماهواره TRMM نيز بررسي شد. به علاوه براي افزايش دقت نقشه هاي همبارش از رابطه رگرسيون خطي چندگانه براي تركيب تصاوير ماهواره اي با متغيرهاي كمكي طول و عرض جغرافيايي و ارتفاع استفاده شد. ارزيابي روش ها با استفاده از شاخص هاي ميانگين مربعات خطا و ميانگين خطاي اريب و تحليل رگرسيوني صورت گرفت. همچنين نقشه هاي هم بارش سالانه استان نيز براي دو سال 2012 و 2015 ترسيم و تحليل شد. يافته ها در اين پژوهش 5 مدل تيوري نيم تغييرنما بر داده ها برازش داده شد كه مدل هاي نمايي و كروي به عنوان مناسب ترين مدل نيم تغييرنما انتخاب شدند. همچنين ضريب تعيين مدل نيم تغييرنماي منتخب و نسبت تغييرات ساختار دار به تغييرات كل وضعيت نسبتا مناسب ساختار مكاني داده هاي بارش را نشان داد و دامنه تاثير داده هاي بارش در حدود 80 كيلومتر بدست آمد. ضرايب همبستگي پارامترهاي كمكي و بارش در اكثر ماه ها نتايج قابل قبولي ارايه داد و تقريبا در بيش از 50 درصد ماه هاي مورد بررسي معنادار بود كه در نتيجه ضرايب تعيين معادله رگرسيوني گراديان چهار بعدي نيز مقادير راضي كننده را نشان داد بطوريكه متغيرهاي كمكي مورد استفاده بين 10 تا بيش از 70 درصد از تغييرات بارش را توجيه نمودند. بررسي شاخص ارزيابي خطا نشان داد كه روش هاي درون يابي و داده هاي شبكه ماهواره اي TRMM تخمين مناسبي از بارش استان نداشته و استفاده از متغييرهاي كمكي در روش گراديان خطي چهار بعدي توانسته باعث كاهش خطاي تخمين گردد به طوري كه خطاي تخمين بارش را 20 تا 40 درصد كاهش داد. بررسي شاخص اريبي نشان داد كه داده هاي شبكه بارش TRMM برخلاف همبستگي خوب با داده هاي مشاهده اي تا حدود 5 برابر بيشتر از ساير روش هاي درونيابي داراي خطاي كم برآوردي است اما تركيب داده هاي شبكه TRMM با ساير متغيرهاي كمكي در روش گراديان 4 بعدي خطاي اريبي را به صفر رساند. تحليل رگرسيوني روش هاي مختلف درونيابي نيز حاكي از برتري چشمگير روش گراديان 4 بعدي بود كه شيب خط روش گراديان 4 بعدي بيش از 3 برابر روش هاي زمين آماري بوده كه نشان دهنده درك دقيقتر روش گرادياني در تشخيص حلقه هاي كم بارش و پربارش منطقه است. نتيجه گيري نتايج بدست آمده حاكي از برتري روش گراديان 4 بعدي در تخمين مكاني بارش در استان مازندران بوده و نقش متغيرهاي كمكي در افزايش دقت نقشه هاي همبارش را نشان داد به طوري كه استفاده از روش منتخب سبب كاهش 30 درصدي خطاي تخمين روش هاي زمين آماري و كاهش 40 درصدي خطاي شبكه TRMM شد. نتايج اين پژوهش نشان داد كه تركيب محصولات بارش ماهواره اي با روش هاي درون يابي منجر به تخمين دقيقتر بارش ارتفاعات و نقاط فاقد داده ثبت شده بارش خواهد شد.

Background and objectives: The most common methods used to estimate and spatialise precipitation data are geostatistic methods and satellite images. Today, satellite rainfall products have become very popular in preparing rainfall maps. These products use satellite imagery to estimate precipitation in places with no observed data and are usually associated with a large error and require calibration. Interpolation methods also estimate precipitation data using recorded data. It seems that the combination of interpolation methods and satellite images can be effective in increasing the accuracy of rainfall maps, especially in areas with complex topography such as Mazandaran province Materials and methods: In this study, in order to evaluate different methods of estimating precipitation in Mazandaran province and combining satellite images with interpolation methods, precipitation data from 21 synoptic and rain gauge stations and 24 monthly images and 2 annual TRMM satellite images were used in 2012 and 2015 that the spatial resolution of this satellite product is 0.25 * 0.25 degrees. The studied interpolation methods included Kriging and Inverse Distance Weighting. Also the accuracy of rainfall products of TRMM satellite was investigated. In addition, to increase the accuracy of rainfall maps, multiple linear regression were used to combine satellite images with latitude, longitude and altitude covariate. The investigated methods were evaluated using the Root Mean Square Error and Mean Bias Error indices and regression analysis. Also the annual rainfall maps of the province for 2012 and 2015 were drawn and analysed. Results: In this study, 5 theoretical semivariogram models were fitted to the data, that the spherical and exponential models was selected as appropriate models. Also the coefficient of determination of selected variogram model and the ratio of structured part to total variation showed a relatively strong variography anlysis and the effective range of precipitation data wasobtained about 80 km. Correlation coefficients of covariates and precipitation in most months provided acceptable results and were significant in almost more than 50% of the studied months. As a result, the coefficients of determination of four-dimensional gradient regression equation also showed satisfactory values, so that the used covariates explained between 10 and more than 70% of the precipitation variations. evaluation of investigated methods showed that interpolation models and TRMM satellite network data are not efficient in estimation of precipitation in the province and the use of covariates in the gradient method could reduce the error estimation of rainfall data by 20 to 40 percent. Investigation of Bias error showed that TRMM precipitation network data, despite good correlation with observational data, has about 5 times more underestimation error than other interpolation methods, but the combination of TRMM network data with other covariates in the 4-dimensional gradient method has reduced the MBE to zero. Regression analysis of the studied methods showed a significant advantage of the 4-dimensional gradient method that the slope of this method is 3 times more than the geostatistical methods, which shows the performance of this method in detecting low and high rainfall rings in Mazandaran province. Conclusion: The results showed the superiority of the 4-dimensional gradient method in spatial rainfall estimation of Mazandaran province and showed the role of covariates in increasing the accuracy of rainfall maps, that use of the selected method reduced the estimation error of geostatistical methods and TRMM network data by 30% and 40% respectively. The results of this study showed that the combination of satellite raifall products with interpolation methods will lead to more accurate estimation of precipitation in highlands and the points with no recorded rainfall data.