مقایسة داده‌های بارش ماهواره‌ای و زمینی برای تحلیل شاخص خشک‌سالی در استان خراسان رضوی

مقدمه و هدفخشک‌سالی یک خطر طبیعی پیچیده است که می‌تواند تأثیرات قابل‌توجهی بر جنبه‌های اجتماعی-اقتصادی و زیست‌محیطی داشته باشد. روش‌های سنتی ارزیابی خشک‌سالی اغلب به اندازه‌گیری‌های بارندگی زمینی متکی هستند که به‌ویژه در مناطق دورافتاده و توسعه‌نیافته پراکنده و توزیع مناسبی ندارند. شاخص بارش استانداردشده (SPI) به‌طور گسترده‌ای برای ارزیابی و پایش خشک‌سالی به‌ویژه در مناطق خشک استفاده می‌شود. با این‌حال، قابلیت اعتماد محاسبات SPI به‌شدت به دسترسی و دقت داده‌های بارندگی وابسته است. داده‌های  بارندگی ماهواره‌ای (SPPs) همراه با پوشش جامع و داده‌های پیوسته در مناطق گسترده و به‌ویژه در مناطقی با مشاهده‌های زمینی محدود، جایگزین مناسبی است.مواد و روش‌هابا استفاده از چهار داده میانگین ماهانة بارش، شامل: (TRMM) TRMM 3B43، (GPM) GPM-IMERGv6، PERSIANN-CDR(PERSIANN) و ERA5 موجود در موتور جستجوگر گوگل‌ارث، شاخص خشک‌سالی 12 ماهه محاسبه شد. سپس، این شاخص با شاخص محاسبه‌شده با استفاده از داده‌های بلندمدت بارش ایستگاه‌های زمینی در دورة آماری هر ایستگاه به‌شکل جداگانه و تجمیعی در سطح استان خراسان‌رضوی در شمال‌شرقی ایران مقایسه شد. ایستگاه‌های انتخاب‌شده شامل قوچان، گناباد، کاشمر، مشهد، نیشابور، سرخس، سبزوار، گلمکان، تربت‌جام و تربت‌حیدریه بودند. دورة پژوهش از سال 2000 تا 2019 بود و شامل تغییرات اقلیمی و رویداد‌های خشک‌سالی گوناگونی بود. برای ارزیابی عملکرد داده‌های ماهواره‌ای، چندین معیار ارزیابی عملکرد (ضریب همبستگی، ریشة میانگین مربعات خطا، بایاس نسبی، شاخص ناش-ساتکلیف و احتمال برآورد) محاسبه شد. با استفاده از این معیار‌ها می‌توان در چارچوب بسیارخوبی، دقت و قابلیت اطمینان داده‌های ماهواره‌ای را در برآورد شاخص خشک‌سالی ارزیابی کرد.نتایج و بحثارزیابی عملکرد داده‌های ماهواره‌ای نتایج متفاوتی در ایستگاه‌های گوناگون نشان داد. عملکرد داده‌های TRMM در تربت‌حیدریه، قوچان، کاشمر، مشهد و نیشابور بهتر بود. این داده دارای ضریب همبستگی زیاد و اندازه‌های کم ریشة میانگین مربعات خطا با داده‌های زمینی بود که این موضوع نشانگر قابلیت اطمینان آن در این مناطق بود. عملکرد داده‌های PERSIANN و GPM به‌ترتیب در گلمکان و سبزوار بهتر بود و با داده‌های بارشی ایستگاه‌های زمینی تطابق بهتری را نشان دادند. بیشترین دقت در تربت‌جام، گناباد و سرخس مربوط به داده‌های ERA5 بود. نتایج معیار‌های بایاس نسبی و میانگین خطا نشان داد داده‌های ماهواره‌ای به‌طورکلی برآورد‌های دقیقی از بارش با کمترین انحراف سامانمند از داده‌های زمینی، ارائه دادند. اندازه‌های شاخص نش-ساتکلیف که می‌توان با استفاده از آن دقت پیش‌بینی مدل‌ها را اندازه‌گیری کرد، برای داده‌های برتر بیش از 0/65 بود که نشان‌دهندة کارایی زیاد این داده‌های در پایش خشک‌سالی بود. نتایج تحلیل‌های آماری داده‌های نقطه ‌به ‌نقطه در مقایسه با داده‌های تجمیعی در سطح استان بهتر بود. در تحلیل تجمیعی، بیشترین ضریب همبستگی (0/8CC=)، بیشترین شاخص نش-ساتکلیف (0/55 NSC=)، کمترین ریشة میانگین مربعات خطا (0/61RMSE=) و بیشترین احتمال برآورد (0/70POD=) از داده‌های ماهواره‌ای TRMM به‌دست آمد. به نظر می‌رسد ایستگاه‌های تکی ممکن است به‌دلیل شرایط خاص محلی مانند وجود منابع آب محلی، پوشش گیاهی ویژه یا دخالت‌های انسانی، داده‌هایی متفاوت از کل استان ارائه دهند. ازاین‌رو، با تجمیع داده‌ها در سطح استان، تأثیر این ناهنجاری‌های محلی افزایش یافت و نتایج به‌دست‌آمده به‌دلیل کاهش دقت نتایج و افزایش تأثیر ناهنجاری‌های محلی، به‌خوبی نمایانگر وضعیت واقعی اقلیمی استان نبود. می‌توان نتیجه گرفت که اعتبارسنجی داده‌های ماهواره‌ای نامبرده در تعیین شاخص خشک‌سالی 12 ماهه باید به‌شکل محلی انجام شود.نتیجه‌گیری و پیشنهاد‌هابر اساس ارزیابی دقت SPI در مقیاس‌های زمانی 12 ماهه، عملکرد داده‌های بارش به‌دست آمده از ماهواره در مناطق مطالعه‌شده خوب بود. نتایج تجزیه ‌و تحلیل‌های آماری جداگانة داده‌ها در هر ایستگاه در مقایسه با بررسی تجمیعی ایستگاه‌ها بهتر بود. به‌طور ویژه، دقت داده‌های TRMM برای ایستگاه‌های تربت‌حیدریه، قوچان، مشهد، نیشابور و کاشمر، داده‌های GPM برای ایستگاه سبزوار، داده‌های ERA5 برای ایستگاه‌های تربت‌جام، سرخس و گناباد و داده‌های PERSIANN برای ایستگاه گلمکان مناسب بودند و برای مدیریت منابع آب و پایش خشک‌سالی می‌توان از آنها بهره برد. پیشنهاد می‌شود، با توجه به‌دقت مناسب داده‌های ماهواره‌ای، این داده‌ها به‌عنوان یک مجموعه داده بلندمدت با ارزش برای بررسی خشک‌سالی‌ها در مناطق مطالعه‌شده استان خراسان‌رضوی به‌کار برده شوند. چونکه در داده‌های ماهواره‌ای از منابع متفاوتی از داده‌ها استفاده می‌شود و هرکدام از این داده‌ها ممکن است تحت تأثیر عامل‌های گوناگون محیطی، جغرافیایی، و اقلیمی باشند. ازاین‌رو، به‌دلیل ویژگی‌های محلی و تفاوت‌های ذاتی در دستورالعمل‌‌های استفاده‌شده در هر داده، نبود عملکرد یکسان در همه ایستگاه‌ها قابل پیش‌بینی بود. بنابراین پیشنهاد می‌شود از داده‌های ماهواره‌ای در مقیاس گسترده، از روش‌های تحلیل داده، واسنجی محلی، و مدل‌سازی نبودن قطعیت‌ها به‌شکل ترکیبی استفاده کرد تا بتوان به ضریب اطمینان مناسب برای این داده‌ها دست یافت.