به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت
جستجوی مقالات مرتبط با کلیدواژه

sm2rain algorithm

در نشریات گروه آب و خاک
تکرار جستجوی کلیدواژه sm2rain algorithm در نشریات گروه کشاورزی
تکرار جستجوی کلیدواژه sm2rain algorithm در مقالات مجلات علمی
  • سکینه کوهی، اصغر عزیزیان*، لوکا بروکا
    تخمین مناسب بارش در مطالعات مختلفی همچون هواشناسی، هیدرولوژیکی، شبیه سازی سیلاب و پایش خشکسالی از اهمیت بالایی برخوردار است. منبع بارشی ASCAT-SM2RAIN از جدیدترین تلاش ها بمنظور تخمین بارش برمبنای تغییرات رطوبتی سطح خاک و حل معکوس بیلان آب-خاک می باشد. پژوهش حاضر با هدف بررسی کارایی منبع بارش ASCAT-SM2RAIN در اقلیم های مختلف ایران و در مقیاس های روزانه و ماهانه به انجام رسیده است. لازم بذکر است که در تحقیق حاضر از مقادیر بارش منبع SM2RAIN-ASCAT براساس 54 ایستگاه سینوپتیک واقع در سطح کشور در بازه زمانی 2007 تا 2018 استفاده شده است. همچنین بهبود کارایی این منبع بارشی با حذف اریب از داده ها از دیگر اهداف این پژوهش می باشد که برای این منظور روش اصلاح اریبی نگاشت چندک مورد استفاده قرار گرفته است. نتایج نشان داد که منبع ASCAT-SM2RAIN در تخمین بارش ماهانه دارای عملکرد به مراتب بهتری نسبت به مقیاس روزانه در اکثر ایستگاه های مورد مطالعه به غیر از ایستگاه های واقع در نوار شمالی کشور،  است. در این مقیاس زمانی و در بیش از 67 درصد ایستگاه های مورد بررسی مقدار شاخص CC بالاتر از 65/0 می باشد. مقدار شاخص  RMSEدر مقیاس ماهانه در اقلیم های مختلف نشان داد که منبع بارشی SM2RAIN-ASCAT در اقلیم های خیلی خشک تا خشک دارای خطای به مراتب کمتری نسبت به اقلیم های مدیترانه ای تا خیلی مرطوب می باشد. حذف اریب از داده ها با استفاده از روش نگاشت چندک نیز منجر به افزایش کارایی منبع SM2RAIN-ASCAT و کاهش هشدارهای غلط در بخش های عمده ای از ایران گردید. به عنوان مثال، مقادیر شاخص FAR در مقیاس روزانه و اقلیم های مختلف با بهبودی معادل 8/17 تا 1/35 درصد و درگام زمانی ماهانه با بهبودی در حدود 6/30 تا 0/59 درصد روبرو بوده است. بنابراین منبع SM2RAIN-ASCAT به صورت خام از منابع ارزشمند در تخمین بارش ماهانه بویژه در اقلیم های خیلی خشک تا خشک می باشد، که با تصحیح اریبی می توان بر دقت منبع مذکور در اقلیم های مختلف افزود.
    کلید واژگان: بارش، بیلان آب-خاک، الگوریتم SM2RAIN، تصحیح اریبی، سنجش از دور
    Sakine Koohi, Asghar Azizian *, Luca Brocca
    Estimating precipitation plays an important role in different studies, including meteorological, hydrological, flood simulation, and drought monitoring. SM2RAIN-ASCAT is the newest attempt to estimate precipitation using surface soil moisture and inverse solving the soil-water balance equation. This research addressed the performance of the SM2RAIN-ASCAT dataset over diverse climate regions of Iran at daily and monthly time scales in 54 synoptic stations located in Iran (2007-2018). In addition, improving the efficiency of this product using Quantile Mapping bias correction method is another objective of this study. Results showed that the performance of SM2RAIN-ASCAT at the monthly time scale was better than the daily time scale, and in most parts of Iran, the correlation coefficient between observed and estimated datasets was relatively high. At the monthly time step, 67% of the studied stations had a CC value higher than 0.65. Moreover, findings indicated that this product tended to overestimate in Iran's north and west parts. Based on the RMSE value at the monthly time scale, SM2RAIN-ASCAT performed well at extra-arid and arid regions compared to the Mediterranean and humid climate zones. Also, removing bias from the raw dataset increased the efficiency of SM2RAN-ASCAT in most parts of the studied areas. Based on contingency table metrics, the bias-corrected dataset's skills in detecting rainy days and false alarm ratio (FAR) improved significantly. For instance, the FAR metric averagely improved 26 and 45 % at daily and monthly time scales, respectively. Finally, results indicated that SM2RAIN-ASCAT is a valuable dataset for estimating monthly precipitation, especially in arid-desert to extra-arid climates. The accuracy of this dataset increases using bias correction in different climates.
    Keywords: Rainfall, Soil-water balance, SM2RAIN algorithm, Bias correction, remote sensing
نکته
  • نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
  • کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
  • در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال