تحقیقات آب و خاک ایران، جلد ۵۶، شماره ۳، صفحات ۷۳۵-۷۵۱
عنوان فارسی افزایش دقت داده‌های بارش ماهواره‌ای: روش ریزمقیاس سازی داده‌های PERSIANN با استفاده از NDVI، LST و DEM
چکیده فارسی مقاله این مطالعه بر پایه داده‌های بارانسنجی شهرستان تربت جام و طی یک دوره آماری 23 ساله (2001 تا 2023) انجامشده است. در این پژوهش، داده‌های بارش ماهوارهای PERSIANN با وضوح مکانی 27 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. 
کلیدواژه‌های فارسی مقاله افزایش وضوع مکانی،بارش،داده‌های ماهواره پرشین،یادگیری ماشین،
عنوان انگلیسی Improving Precipitation Accuracy: A Rescaling Method for PERSIANN Using NDVI, LST, and DEM Data
چکیده انگلیسی مقاله This study is based on the rain gauge data from Torbat-e Jam over a 23-year period (2001–2023). PERSIANN satellite rainfall data with a spatial resolution of 27 kilometers were enhanced to a 1-kilometer resolution using NDVI, land surface temperature (LST), and digital elevation model (DEM) data, aided by the random forest (RF) algorithm. To evaluate the accuracy of satellite rainfall downscaling compared to ground station data, statistical metrics such as correlation coefficient (CC), root mean square error (RMSE), and mean absolute error (MAE) were utilized. Additionally, a residual correction method was implemented to refine model predictions further. Results demonstrated that integrating spatial datasets with the RF algorithm significantly improved rainfall modeling accuracy. Applying the residual correction method led to substantial improvements in forecasting accuracy across all studied stations on both monthly and annual timescales. On the monthly scale, the correlation coefficient increased by 22-29%, while RMSE and MAE decreased by 61-64% and 60-68%, respectively. On an annual scale, the correlation coefficient showed an increase of 7-35%, with RMSE and MAE reductions of 69-74% and 69-76%, respectively. This study underscores the effectiveness of the applied method in enhancing prediction accuracy across various temporal scales within the studied region. Additionally, the practical implications of this research provide valuable insights for hydrological modeling and water resource management, especially in regions with limited ground station data. The findings of this research can significantly aid in better water resource management and climatic planning, particularly in arid and semi-arid areas.
کلیدواژه‌های انگلیسی مقاله افزایش وضوع مکانی,بارش,داده‌های ماهواره پرشین,یادگیری ماشین
نویسندگان مقاله زهرا شیرمحمدی علی اکبرخانی |
استادیار گروه مهندسی آب، مجتمع آموزش عالی کشاورزی و دامپروری تربت‌جام، ایران

نشانی اینترنتی https://ijswr.ut.ac.ir/article_102204_e14fd82d89fdf3b5e79a917a3ac0ef32.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات