کاربرد داده‌های شبکه‌ای CRU و GPCC در تحلیل خشکسالی‌های بلند مدت حوضه آبریز دریاچه ارومیه

نوع مقاله : مقاله کامل علمی پژوهشی

نویسندگان

1 دانشجوی دکتری مهندسی منابع آب، گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه، ایران.

2 نویسنده مسئول، استاد گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه، ایران

3 دانشیار گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه، ایران

4 استادیار گروه هیدرولوژی و منابع آب، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران، اهواز، ایران

چکیده

سابقه و هدف:خشکسالی رویدادی است که هر ساله کشورهای زیادی را با کمبود آب مواجه می‌کند. اقلیم خشک و نیمه‌خشک و توزیع نامناسب بارندگی از نظر مکانی و زمانی سبب افزایش اثر منفی کمبود منابع آب در کشور ایران می باشد. در پژوهش حاضر وضعیت خشکسالی هواشناسی حوضه آبریز دریاچه ارومیه با استفاده از داده‌های شبکه‌ای بارش، دما و تبخیر و تعرق مرجع در 10 ایستگاه سینوپتیک از سال 1955-2019 مورد بررسی قرار گرفت. بدین منظور ابتدا عملکرد داده‌های شبکه‌ای CRU (Climatic Research Unit) و (Global Precipitation Climatology Center) GPCC در برآورد پارامترهای اقلیمی با استفاده از داده‌های زمینی ارزیابی شد. سپس از داده‌های شبکه‌ای جهت محاسبه شاخص شناسایی خشکسالی RDI (Reconnaissance Drought Index) استفاده گردید و پایش خشکسالی طی دوره آماری مشاهده مورد بررسی قرار گرفت.
مواد و روش‌ها:حوضه آبریز در شمال‌غرب ایران در استان‌های آذربایجان‌ غربی، شرقی و کردستان قرار گرفته و مرز غربی آن ارتفاعات مرزی ایران و ترکیه است. در پژوهش حاضر در ابتدا با مراجعه به سازمان هواشناسی کشور داده‌های بارش و دمای ایستگاه‌های مورد مطالعه طی یک دوره 65 ساله (11955-2015) دریافت و پردازش شد. سپس جهت معرفی و استفاده از داده‌های شبکه‌ای برای مکان و زمان‌های فاقد آمار، از داده‌های بارش ماهانه GPCC و مولفه‌های (حداقل، متوسط و حداکثر) دماییCRU ، برای 10 ایستگاه همدیدی منتخب حوضه دریاچه ارومیه در طی دوره آماری استفاده شد. جهت تحلیل خشکسالی بلند‌مدت و محاسبه شاخص RDI از داده‌های بارش، دما و تبخیر و تعرق حاصل از داده‌های شبکه‌ای استفاده گردید.
یافته‌ها:در مطاعه حاضر برای واسنجی داده‌های مورد استفاده از دو رویکرد کلی استفاده شد. رویکرد اول عبارتست از اینکه کلیه داده‌های زمینی مستخرج از ایستگاه‌های هواشناسی به‌ترتیب زمانی در مقابل داده‌های شبکه‌ای ترسیم شده و یک رابطه رگرسیونی به آنها برازش داده می‌شود. در رویکرد دوم به تغییرات ماهانه داده‌های شبکه‌ای توجه شده و واسنجی برای هر ماه به‌صورت جداگانه انجام می‌شود. از این‌رو واسنجی ماهانه در ایستگاه‌ها برای داده‌های موجود انجام شد و نتایج نشان داد که خطای محاسباتی در داده‌های CRU برای دما و تبخیر و تعرق به مراتب کوچک‌تر بوده و توانسته است مقادیر داده‌های دما و تبخیر و تعرق را با خطای کمتر و عملکرد بهتر برآورد نماید. به‌عنوان مثال در ایستگاه ارومیه برای تخمین ETo، مقدار شاخص ارزیابی RMSE بین داده‌های زمینی و شبکه‌ای CRU، 0.918 میلی‌متر در روز می‌باشد. در حالیکه بعد از واسنجی این مقدار به 0.671 میلی‌متر در روز کاهش یافت. این روند کاهش خطا بین داده‌های زمینی و شبکه‌ای CRU در کلیه ایستگاه‌های مورد مطالعه نیز تکرار شده است. در ایستگاه‌های پیرانشهر و سقز برآورد تبخیر و تعرق مرجع با خطای بیشتری نسبت به سایر ایستگاه‌ها همراه بود. بطوریکه معیار MAE در ایستگاه‌های مذکور قبل از واسنجی به‌ترتیب 1.087 و 0.965 (mm/day) بوده و بعد از عمل واسنجی این شاخص به مقدار 0.309 و 0.467 (mm/day) کاهش یافته است. در این بخش علاوه بر شاخص‌های آماری از نمودار ویولنی برای نشان دادن توزیع داده‌ها نیز بهره گرفته شد. به طور کلی می‌توان نتیجه گرفت که داده‌های اقلیمی به دست آمده از پایگاه‌های اطلاعاتی CRU و GPCC مطابقت خوبی با مقادیر زمانی نشان می‌دهند اما اصلاح اریبی موجود در آنها همواره باید مورد توجه قرار گیرد.
نتیجه گیری:تحلیل خشکسالی‌های حوضه آبریز حاکی از آن است که از سال2019-1998 RDI مقادیر منفی‌تری را به خود اختصاص داده که خشکسالی شدید را نشان می‌دهد و به عبارتی فعالیت‌های انسانی و شرایط اقلیمی را در منطقه با بحران مواجه می‌کند. نتایج پژوهش حاضر نشان‌دهنده عملکرد مناسب داده‌های شبکه‌ای CRU و GPCC در برآورد پارامترهای هیدرولوژیک بوده و توصیه می‌گردد در مناطقی که داده‌های ثبت شده زمینی طولانی مدت در دسترس نیست از پایگاه‌های اطلاعاتی فوق استفاده شود.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Using of CRU and GPCC data base in the analysis of long-term droughts in the Urmia Lake basin

نویسندگان [English]

  • Marzie Sadeghian Aghkandi 1
  • Hossein Rezaie 2
  • Keivan Khalili 3
  • Farshad Ahmadi 4
1 Ph.D. Student, Dept. of Science and Water Engineering, Faculty of Agriculture, Urmia University, Urmia, Iran.
2 Corresponding Author, Professor, Dept. of Science and Water Engineering, Faculty of Agriculture, Urmia University, Urmia, Iran.
3 Associate Prof., Dept. of Science and Water Engineering, Faculty of Agriculture, Urmia University, Urmia, Iran.
4 Assistant Prof., Dept. of Hydrology and Water Resource, Faculty of Water and Environmental Engineering, Shahid Chamran University, Ahvaz, Iran.
چکیده [English]

Background and objectives: Drought is a natural event that faces many countries with water shortage every year. Arid and semi-arid climate and improper distribution of rainfall in terms of space and time have increased the negative effect of water resources in Iran. In the present study, the meteorological drought condition of the Urmia Lake catchment was investigated using network data of precipitation, temperature and evapotranspiration in 10 synoptic stations from 1955- 2019. For this purpose, the performance of network data of CRU (Climatic Research Unit) and GPCC (Global Precipitation Climatology Center) in estimating climatic parameters using ground data was evaluated. Then, network data was used to calculate RDI (Reconnaissance Drought Index) and drought monitoring was observed and analyzed during the statistical period study.
Materials and methods: The watershed is located in the northwest of Iran in the provinces of West and East Azerbaijan and Kurdistan, and its western border is the heights of Iran and Turkey. In the present research, at first, by referring to the Meteorological Organization of the Iran, the rainfall and temperature data of the studied stations were received and processed during a period of 65 years (1955-2019). Then, in order to introduce and use network data for places and times without statistics, from monthly precipitation data GPCC and (minimum, average and maximum) temperature components of CRU was used for 10 selected synoptic stations of Urmia Lake basin during the statistical period. In order to analyze the long-term drought and calculate the RDI index, the data of precipitation, temperature and evapotranspiration obtained from the network data were used.
Results: In this study, two general approaches were used to calibrate the data used. The first is that all ground data extracted from meteorological stations are drawn in against the network data and a regression relationship is fitted to them. In the second, the monthly changes of the network data are taken into consideration and the calibration is done for each month separately. Therefore, monthly recalibration was done in all stations for the available data and the results showed that the calculation error in the CRU data for temperature and evapotranspiration was much smaller and the temperature data values were able to estimate evapotranspiration with less error and better performance. For example, in Urmia station for ETo estimation, the value of the RMSE evaluation index between ground and CRU data is 0.918 mm/ day. While after calibration, this value decreased to 0.671 mm/day. This process of reducing the error between ground data and CRU has been repeated in all the stations studied. In Piranshahr and Saqez stations, the estimation of reference evapotranspiration was associated with more error than other stations. So that the MAE standard in the mentioned stations before calibration was 1.087 and 0.965 mm/day, respectively, and after calibration, this index decreased to 0.309 and 0.467 mm/day. In this section, in addition to statistical indicators, a violin chart was also used to show the data distribution. In general, it can be concluded that the climate data obtained from the CRU and GPCC databases show a good agreement with the time values, but the bias correction in them should always be considered.
Conclusion: The analysis of droughts in the catchment area indicates that from 1998-2019, RDI has more negative values, which indicates severe drought, and in other words, human activities and climatic conditions in the region with It faces a crisis. The results of the present study show the appropriate performance of CRU and GPCC network data in estimating hydrological parameters and it is recommended to use the above databases in areas where long-term ground data is not available.

کلیدواژه‌ها [English]

  • Bias Correction
  • Meteorological database
  • Meteorological drought
  • RDI index

مراجع

1.Moeinifar, S., Asadi, M. A., Malekinezhad, H., & Talebi, A. (2021). Determining the appropriate statistical distribution to calculate RDI in arid regions (Case study: Central Iran). Journal of Arid Biome, 11 (1), 105-121. [In Persian]
2.Node Farahani, M. A., Rasekhi, A., Parmas, B., & Keshvan, A. (2018). The Effects of climate Change on Temperature, Precipation and Drought in UpcominGPeriod in Shadegan Basin. Iran-Water Resources Research, 3 (14), 160-173. [In Persian]
3.Moafimadani, F., Mosavibaygani, M., & Ansari, H. (2015). Prediction of Khorasan Razavi Province drought condition at 2011-2030 with LARS-WG downscaling model. Geography and Environmental Hazard, 7 (2), 157-17. [In Persian]
4.Tsakiris, G., & Vangelis, H. (2005). Establishing a drought index incorporating evapotranspiration. European Water.
9 (10), 3-11.
5.Ahmadzadeh, H., Fakheri Fard, A., Ghorbani, M. A., & Tajrishy, M. (2021). Regional Analysis of Hydrological Drought in Ajichai Basin Using RDI Index. Journal of Water and Soil Science, 25 (3), 13-30. [In Persian]
6.Ortiz-Gómez, R., Flowers-Cano, R. S., & Medina-García, G. (2022). Sensitivity of the RDI and SPEI Drought Indices to Different Models for Estimating Evapotranspiration Potential in Semiarid Regions. Water Resour. Manage. 36, 2471-2492. https://doi.org/10.1007/ s11269-022-03154-9
7.Ramezani Etedali, H., Khodabakhshi, F., & Kanani, E. (2022). Effects of climate change on drought according to IPCC AR5 (case study: Ilam). Journal of Water and Soil Resources Conservation (WSRCJ). 12 (1) 45, 87-107. [In Persian]
8.Miri, M., Azizi, G., Khoshakhlagh, F., & Rahimi, M. (2017). Evaluation Statistically of Temperature and Precipitation Datasets with Observed Data in Iran. Iran-Watershed Management Science & Engineering, 10 (35), 39-51. [In Persian]
9.Kottek, M., Grieser, J., Beck, C., Rudolf, B., & Rubel, F. (2006). World Map of the Köppen-Geiger climate classification updated, Meteorologists Zeitschrift. 15 (3), 259-263.
10.Peel, M. C., Finlayson, B. L., & McMahon, A. (2007). Updated world map of the Koppen-Geiger climate classification, Hydrology and Earth System Sciences. 11 (42), 1633-1644.
11.Fu, Y., Xia, J., Yang, W., Xu, B., We, X., Chen, Y., & Zhang, H. (2016). Assessment of multiple precipitation products over major river basins of China, Theoretical and Applied Climatology. 123 (3), 11-22.
12.Ahmadi, M., Kaviani, A., Daneshkar Arasteh, P., & Faraji, Z. (2020). Statistical Evaluation of Precipitation Data from GPCC, GPCP, CMAP and NCEP-NCAR with Observational Data in Alborz, Qazvin, Zanjan, Kurdistan and Hamedan Provinces, Iranian Journal of Irrigation and Drainage, 6 (13), 1879-1896. [In Persian]
13.Miri, M., Raziei, T., & Rahimi, M. (2016). Evaluation and statistically comparison of TRMM and GPCC datasets with observed precipitation in Iran. Journal of Earth and Space Physics, 42 (3), 672-657. [In Persian]
14.Arbaby Sabzevari, A. (2021). Seasonal drought monitoring in the Iran using network data. Natural Geography Quarterly, 13 (52), 36-62. [In Persian]
15.Harris, I., Jones, P., Osborn, T. J., & Lister, D. H. (2014). Updated high-resolution grids of monthly climatic observations – the CRU TS3.10 Dataset, International Journal of Climatology. 34 (2), 623-642.
16.Mitchell, T., & Jones, P. (2005). An improved method of constructing a database of monthly climate observations and associated high-resolution grids. International Journal of Climatology. 25 (1), 693-712.
17.New, M., Hulme, M., & Jones, P. (1999). Representing Twentieth-Century Space–Time Climate Variability. Part I: Development of a 1961-90 Mean Monthly Terrestrial Climatology. Journal of Climate. 12 (3), 829-856.
18.Pepin, N. C., Losleben, M., & Hartman, M. (2005). A Comparison of SNOTEL and GHCN/CRU Surface Temperatures with Free-Air Temperatures at High Elevations in the Western United States: Data Compatibility and Trends, Journal of Climate. 18 (1), 1967-1985.
19.Ahmadi, F., & Maddah, M. A. (2021). Development of Wavelet-Kstar Algorithm Hybrid Model for the Monthly Precipitation Prediction (Case Study: Synoptic Station of Ahvaz). Iranian Journal of Soil and Water Research, 52 (2), 409-420. [In Persian]
20.Babamiri, O., & Dinpazhoh, Y. (2016). Comparison and evaluation of twenty methods for estimating reference evapotranspiration based on three general categories: air temperature, solar radiation and mass Transfer in the basin of Lake Urmia. JWSS-Isfahan University of Technology, 20 (77), 145-161. [In Persian]
21.Babamiri, O., & Dinpazhooh, Y. (2014). Comparison of Four Temperature Based Reference Crop Evapotranspiration Estimation Method at Urmia Lake Basin. Irrigation Sciences and Engineering, 37 (1), 43-54. [In Persian]
22.Ramezani Etedali, H., Ababaei, B., & Kaviani, A. (2018). Analysis of long-term changes in temperature over iran using the cru ts dataset. Journal of Water and Soil Resources Conservation (WSRCJ), 8 (1), 25-47. [In Persian]
23.Ahmadi, F., & Valinia, M. M. (2020). Prediction of Monthly River Flow Using Hybridization of Linear Time Series Models and Bayesian network (Case Study: Bakhtiari River). Journal of Water and Irrigation Management, 10 (2), 233-245. [In Persian]
24.Ahmadi, M., Paimozd, S., & Rahimi, M. (2021). Comparison of Hydrological and Meteorological Drought Monitoring using RDI and EDI Indices. Environment and Water Engineering, 7 (4), 683-696. [In Persian]
مجله پژوهش‌های حفاظت آب و خاک
دوره 30، شماره 3
مهر 1402
صفحه 107-125

فایل ها

هم رسانی

ارجاع به این مقاله

آمار