دوره 15، شماره 2 - ( پاییز و زمستان 1403 )
جلد 15 شماره 2 صفحات 31-17 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Sodagar P. (2024). Quality Assessment of Satellite Data for Rainfall Estimation using Streamflow Simulation in Hydrological Modeling
(Case Study: the Tighsiah Catchment). J Watershed Manage Res. 15(2), 17-31. doi:10.61186/jwmr.15.2.17
URL: http://jwmr.sanru.ac.ir/article-1-1230-fa.html
URL: http://jwmr.sanru.ac.ir/article-1-1230-fa.html
سوداگر پدرام. ارزیابی کیفیت داده‌های ماهوارهای برآورد بارش با استفاده از شبیه‌سازی جریان در مدل‌سازی هیدرولوژیکی (مطالعه موردی: حوضه آبخیز تیغ‌سیاه) پژوهشنامه مديريت حوزه آبخيز 1403; 15 (2) :31-17 10.61186/jwmr.15.2.17
عضوهیات علمی گروه مهندسی عمران، دانشگاه ملی مهارت، تهران، ایران
چکیده: (288 مشاهده)
چکیده مبسوط
مقدمه: بارش یکی از مهم‌ترین ورودی‌ها در مدل‌های هیدرولوژیکی است. از آنجا که بارش از نظر مکانی و زمانی بسیار متغیر است، داده‌های با تفکیک زمانی و مکانی بالا برای مدل‌سازی دقیق هیدرولوژیکی مورد نیاز است. اندازه‌گیری دقیق بارش را می‌توان به‌طور کلی از ایستگاه‌های هواشناسی معمولی بهدست آورد. با اینحال، ایستگاه‌های باران‌سنجی پراکنده می‌توانند منجر به نمایش ضعیف بارش از نظر مکانی شوند. این کمبود در دقت مکانی می‌تواند بهخصوص در مناطق با تغییرات جغرافیایی شدید، مانند نواحی کوهستانی، تأثیر قابل‌توجهی بر نتایج مدل‌سازی داشته باشد. فقدان داده‌های بارش با وضوح بالا می‌تواند به شبیه‌سازی‌های هیدرولوژیکی با کیفیت پایین و راه‌حل‌های نامناسب برای مشکلات منابع آب منجر شود. در کشورهای در حال توسعه، مانند ایران، کمبود منابع مالی و فنی منجر به شبکه‌های باران‌سنجی با توزیع پراکنده و غیریکنواخت می‌شود. این توزیع نابرابر می‌تواند مشکلات عمده‌ای در زمینه پیش‌بینی و مدیریت منابع آب ایجاد کند. بهمنظور پر کردن این شکاف، داده‌های بارش، دما و تبخیر و تعرق مورد نیاز برای مدل‌سازی هیدرولوژیکی توسط سازمان‌های مختلف با استفاده از محصولات سنجش از راه دور مبتنی بر ماهواره ارائه شده‌اند. محصولات بارش شبکه‌ای در مقیاس جهانی یا شبه جهانی با وضوح‌های زمانی و مکانی مختلف در چند دهه اخیر تولید شده‌اند. این محصولات شامل داده‌هایی هستند که از منابع مختلف جمع‌آوری و سپس با استفاده از مدل‌های پیچیده پردازش می‌شوند تا نقشه‌های بارش با دقت بالا تولید شود. بنابراین، نیاز به ارزیابی کیفیت، تناسب و صحت این محصولات در مناطق مختلف قبل از استفاده از آن‌ها در مدل‌سازی هیدرولوژیکی و تصمیم‌گیری در زمینه منابع آب وجود دارد.
مواد و روش: این مطالعه کیفیت داده‌های چهار محصول پرکاربرد برآورد بارش ماهوارهای با وضوح بالا شامل: CMORPH، 3B42RT، 3B42 و PERSIANN را برای شبیه‌سازی جریان آب با استفاده از مدل هیدرولوژیکی ابزار ارزیابی خاک و آب (SWAT) در حوضه آبخیز کوهستانی 312 کیلومتر مربعی تیغ سیاه در جنوب‌شرقی ایران ارزیابی می‌کند. حوضه آبخیز تیغ سیاه بهدلیل ویژگی‌های جغرافیایی و اقلیمی خاص خود، محیط مناسبی برای بررسی دقت و کارایی داده‌های ماهوارهای در شبیه‌سازی هیدرولوژیکی فراهم می‌آورد. در این مطالعه، دو رویکرد مختلف واسنجی مدل SWAT بهمنظور ارزیابی کیفیت داده‌های ماهوارهای برآورد بارش مورد بررسی قرار گرفت. اولین رویکرد واسنجی با استفاده از داده‌های اندازه‌گیری شده بارش در ایستگاه‌های باران‌سنجی بهعنوان ورودی مدل انجام شد. در این رویکرد، داده‌های اندازه‌گیری شده بهعنوان مرجع و پایه‌ای برای ارزیابی دقت و صحت داده‌های ماهوارهای استفاده شدند. دومین رویکرد واسنجی با هریک از محصولات بارش ماهوارهای بهعنوان ورودی مدل صورت گرفت. در این روش، داده‌های ماهوارهای به‌طور مستقیم به مدل SWAT وارد شده و نتایج شبیه‌سازی جریان آب با استفاده از این داده‌ها با نتایج حاصل از داده‌های اندازه‌گیری شده مقایسه شدند. این مقایسه‌ها بهمنظور تعیین دقت و کارایی هریک از محصولات ماهوارهای در شبیه‌سازی جریان آب در حوضه آبخیز تیغ سیاه انجام گرفت. نتایج حاصل از این مطالعه می‌تواند به شناسایی نقاط قوت و ضعف هر یک از محصولات ماهوارهای برآورد بارش کمک کرده و راهکارهایی برای بهبود دقت شبیه‌سازی‌های هیدرولوژیکی ارائه دهد.
یافته‌ها: نتایج این مطالعه نشان‌دهنده خطای قابل‌توجهی در تخمین‌های مربوط به داده‌های ماهوارهای برآورد بارش است. با اینحال، عملکرد هر محصول ماهوارهای برآورد بارش متفاوت می‌باشد. به‌طور خاص، محصولات 3B42RT و CMORPH کیفیت بهتری در برآورد بارش نسبت به 3B42 وPERSIANN نشان دادند. این تفاوت‌ها در دقت داده‌های ماهوارهای می‌تواند تأثیر زیادی بر نتایج شبیه‌سازی‌های هیدرولوژیکی داشته باشد. مدل واسنجی شده با داده‌های ماهوارهای برآورد بارش در مقایسه با مدل واسنجی شده با داده‌های ایستگاه باران‌سنج، عملکرد بهتری در شبیه‌سازی جریان نشان داد. از طرفی، مدل واسنجی شده با داده‌های ماهوارهای برآورد بارش منجر به بیش‌برآورد شماره منحنی (CN) شد. بنابراین، هنگام استفاده از مقادیر پارامترهای واسنجی شده با ورودی‌های ماهوارهای برآورد بارش باید احتیاط کرد. برای بهبود دقت شبیه‌سازی‌ها، تصحیح خطای داده‌های ماهوارهای برآورد بارش در دو مرحله انجام شد. در مرحله اول، در هر پیکسل تخمین، خطا در هر گروه داده ماهوارهای با تقسیم تخمین بارش ماهانه بر مقدار بارش باران‌سنج مربوطه برآورد شد. سپس، مقدار بارش ماهانه هر داده ماهوارهای در مقدار خطای بهدست آمده ماهانه ضرب شد تا خطا در تمامی داده‌های ماهوارهای برآورد بارش از بین برود. نتایج نشان داد که تصحیح خطای تخمین‌های حاصل از داده‌های ماهوارهای برآورد بارش به‌طور قابل‌توجهی شبیه‌سازی جریان با استفاده از مدل SWAT را بهبود می‌بخشد. این بهبود نشان می‌دهد که با انجام تصحیحات مناسب، داده‌های ماهوارهای می‌توانند ابزار مفیدی برای شبیه‌سازی‌های هیدرولوژیکی باشند، به‌ویژه در مناطقی که داده‌های زمینی محدود یا پراکنده هستند. این مطالعه همچنین تأکید می‌کند که استفاده از داده‌های تصحیح شده می‌تواند دقت و قابلیت اعتماد نتایج مدل‌سازی را افزایش دهد و به تصمیم‌گیری‌های بهتر در زمینه مدیریت منابع آب کمک کند.
نتیجه‌گیری: این مطالعه نشان داد که تخمین‌های حاصل از ماهواره‌های برآورد بارش هنگامی‌که مستقیماً توسط مدل هیدرولوژیکی به جریان شبیه‌سازی‌شده تبدیل می‌شوند، منجر به خطاهای زیادی می‌شوند. این خطاها ممکن است بهدلیل وسعت کوچک و کوهستانی بودن حوضه آبخیز تیغ سیاه باشد. در این مورد، تصحیح خطای داده‌های ماهوارهای برآورد بارش به‌طور قابل‌توجهی شبیه‌سازی مدل را بهبود می‌بخشد. نتایج این مطالعه حاکی از آن است که بهترین شبیه‌سازی مدل بر اساس ورودی‌های بارش ماهوارهای پس از تصحیح خطا و واسنجی مجدد مدل با استفاده از داده‌های ماهوارهای تصحیح شده بهدست می‌آید. این یافته‌ها بر اهمیت اصلاح داده‌های ماهوارهای پیش از استفاده در مدل‌سازی‌های هیدرولوژیکی تأکید دارد و نشان می‌دهد که با انجام تصحیحات مناسب، می‌توان به دقت بالاتری در پیش‌بینی‌ها و تصمیم‌گیری‌های مرتبط با مدیریت منابع آب دست یافت.
مقدمه: بارش یکی از مهم‌ترین ورودی‌ها در مدل‌های هیدرولوژیکی است. از آنجا که بارش از نظر مکانی و زمانی بسیار متغیر است، داده‌های با تفکیک زمانی و مکانی بالا برای مدل‌سازی دقیق هیدرولوژیکی مورد نیاز است. اندازه‌گیری دقیق بارش را می‌توان به‌طور کلی از ایستگاه‌های هواشناسی معمولی بهدست آورد. با اینحال، ایستگاه‌های باران‌سنجی پراکنده می‌توانند منجر به نمایش ضعیف بارش از نظر مکانی شوند. این کمبود در دقت مکانی می‌تواند بهخصوص در مناطق با تغییرات جغرافیایی شدید، مانند نواحی کوهستانی، تأثیر قابل‌توجهی بر نتایج مدل‌سازی داشته باشد. فقدان داده‌های بارش با وضوح بالا می‌تواند به شبیه‌سازی‌های هیدرولوژیکی با کیفیت پایین و راه‌حل‌های نامناسب برای مشکلات منابع آب منجر شود. در کشورهای در حال توسعه، مانند ایران، کمبود منابع مالی و فنی منجر به شبکه‌های باران‌سنجی با توزیع پراکنده و غیریکنواخت می‌شود. این توزیع نابرابر می‌تواند مشکلات عمده‌ای در زمینه پیش‌بینی و مدیریت منابع آب ایجاد کند. بهمنظور پر کردن این شکاف، داده‌های بارش، دما و تبخیر و تعرق مورد نیاز برای مدل‌سازی هیدرولوژیکی توسط سازمان‌های مختلف با استفاده از محصولات سنجش از راه دور مبتنی بر ماهواره ارائه شده‌اند. محصولات بارش شبکه‌ای در مقیاس جهانی یا شبه جهانی با وضوح‌های زمانی و مکانی مختلف در چند دهه اخیر تولید شده‌اند. این محصولات شامل داده‌هایی هستند که از منابع مختلف جمع‌آوری و سپس با استفاده از مدل‌های پیچیده پردازش می‌شوند تا نقشه‌های بارش با دقت بالا تولید شود. بنابراین، نیاز به ارزیابی کیفیت، تناسب و صحت این محصولات در مناطق مختلف قبل از استفاده از آن‌ها در مدل‌سازی هیدرولوژیکی و تصمیم‌گیری در زمینه منابع آب وجود دارد.
مواد و روش: این مطالعه کیفیت داده‌های چهار محصول پرکاربرد برآورد بارش ماهوارهای با وضوح بالا شامل: CMORPH، 3B42RT، 3B42 و PERSIANN را برای شبیه‌سازی جریان آب با استفاده از مدل هیدرولوژیکی ابزار ارزیابی خاک و آب (SWAT) در حوضه آبخیز کوهستانی 312 کیلومتر مربعی تیغ سیاه در جنوب‌شرقی ایران ارزیابی می‌کند. حوضه آبخیز تیغ سیاه بهدلیل ویژگی‌های جغرافیایی و اقلیمی خاص خود، محیط مناسبی برای بررسی دقت و کارایی داده‌های ماهوارهای در شبیه‌سازی هیدرولوژیکی فراهم می‌آورد. در این مطالعه، دو رویکرد مختلف واسنجی مدل SWAT بهمنظور ارزیابی کیفیت داده‌های ماهوارهای برآورد بارش مورد بررسی قرار گرفت. اولین رویکرد واسنجی با استفاده از داده‌های اندازه‌گیری شده بارش در ایستگاه‌های باران‌سنجی بهعنوان ورودی مدل انجام شد. در این رویکرد، داده‌های اندازه‌گیری شده بهعنوان مرجع و پایه‌ای برای ارزیابی دقت و صحت داده‌های ماهوارهای استفاده شدند. دومین رویکرد واسنجی با هریک از محصولات بارش ماهوارهای بهعنوان ورودی مدل صورت گرفت. در این روش، داده‌های ماهوارهای به‌طور مستقیم به مدل SWAT وارد شده و نتایج شبیه‌سازی جریان آب با استفاده از این داده‌ها با نتایج حاصل از داده‌های اندازه‌گیری شده مقایسه شدند. این مقایسه‌ها بهمنظور تعیین دقت و کارایی هریک از محصولات ماهوارهای در شبیه‌سازی جریان آب در حوضه آبخیز تیغ سیاه انجام گرفت. نتایج حاصل از این مطالعه می‌تواند به شناسایی نقاط قوت و ضعف هر یک از محصولات ماهوارهای برآورد بارش کمک کرده و راهکارهایی برای بهبود دقت شبیه‌سازی‌های هیدرولوژیکی ارائه دهد.
یافته‌ها: نتایج این مطالعه نشان‌دهنده خطای قابل‌توجهی در تخمین‌های مربوط به داده‌های ماهوارهای برآورد بارش است. با اینحال، عملکرد هر محصول ماهوارهای برآورد بارش متفاوت می‌باشد. به‌طور خاص، محصولات 3B42RT و CMORPH کیفیت بهتری در برآورد بارش نسبت به 3B42 وPERSIANN نشان دادند. این تفاوت‌ها در دقت داده‌های ماهوارهای می‌تواند تأثیر زیادی بر نتایج شبیه‌سازی‌های هیدرولوژیکی داشته باشد. مدل واسنجی شده با داده‌های ماهوارهای برآورد بارش در مقایسه با مدل واسنجی شده با داده‌های ایستگاه باران‌سنج، عملکرد بهتری در شبیه‌سازی جریان نشان داد. از طرفی، مدل واسنجی شده با داده‌های ماهوارهای برآورد بارش منجر به بیش‌برآورد شماره منحنی (CN) شد. بنابراین، هنگام استفاده از مقادیر پارامترهای واسنجی شده با ورودی‌های ماهوارهای برآورد بارش باید احتیاط کرد. برای بهبود دقت شبیه‌سازی‌ها، تصحیح خطای داده‌های ماهوارهای برآورد بارش در دو مرحله انجام شد. در مرحله اول، در هر پیکسل تخمین، خطا در هر گروه داده ماهوارهای با تقسیم تخمین بارش ماهانه بر مقدار بارش باران‌سنج مربوطه برآورد شد. سپس، مقدار بارش ماهانه هر داده ماهوارهای در مقدار خطای بهدست آمده ماهانه ضرب شد تا خطا در تمامی داده‌های ماهوارهای برآورد بارش از بین برود. نتایج نشان داد که تصحیح خطای تخمین‌های حاصل از داده‌های ماهوارهای برآورد بارش به‌طور قابل‌توجهی شبیه‌سازی جریان با استفاده از مدل SWAT را بهبود می‌بخشد. این بهبود نشان می‌دهد که با انجام تصحیحات مناسب، داده‌های ماهوارهای می‌توانند ابزار مفیدی برای شبیه‌سازی‌های هیدرولوژیکی باشند، به‌ویژه در مناطقی که داده‌های زمینی محدود یا پراکنده هستند. این مطالعه همچنین تأکید می‌کند که استفاده از داده‌های تصحیح شده می‌تواند دقت و قابلیت اعتماد نتایج مدل‌سازی را افزایش دهد و به تصمیم‌گیری‌های بهتر در زمینه مدیریت منابع آب کمک کند.
نتیجه‌گیری: این مطالعه نشان داد که تخمین‌های حاصل از ماهواره‌های برآورد بارش هنگامی‌که مستقیماً توسط مدل هیدرولوژیکی به جریان شبیه‌سازی‌شده تبدیل می‌شوند، منجر به خطاهای زیادی می‌شوند. این خطاها ممکن است بهدلیل وسعت کوچک و کوهستانی بودن حوضه آبخیز تیغ سیاه باشد. در این مورد، تصحیح خطای داده‌های ماهوارهای برآورد بارش به‌طور قابل‌توجهی شبیه‌سازی مدل را بهبود می‌بخشد. نتایج این مطالعه حاکی از آن است که بهترین شبیه‌سازی مدل بر اساس ورودی‌های بارش ماهوارهای پس از تصحیح خطا و واسنجی مجدد مدل با استفاده از داده‌های ماهوارهای تصحیح شده بهدست می‌آید. این یافته‌ها بر اهمیت اصلاح داده‌های ماهوارهای پیش از استفاده در مدل‌سازی‌های هیدرولوژیکی تأکید دارد و نشان می‌دهد که با انجام تصحیحات مناسب، می‌توان به دقت بالاتری در پیش‌بینی‌ها و تصمیم‌گیری‌های مرتبط با مدیریت منابع آب دست یافت.
فهرست منابع
1. Alibakhshi, S. M., Farid Hossini, F., Davari, K., Alizadeh, A., & Munyka, H. (2018). Assessment of Ground Station, GPM Satellite and MERRA Precipitation Products in Kashafrud Basin. Journal of Watershed Management Research, 10(18), 111-122.
2. Arnold, J. G., Srinivasan, R., Muttiah, R. S., & Williams, J. R. (1998). Large area hydrologic modeling and assessment part I: model development 1. Journal of the American Water Resources Association, 34(1), 73-89.
3. Beven, K., & Westerberg, I. (2011). On red herrings and real herrings: disinformation and information in hydrological inference. Hydrological Processes, 25(10), 1676-1680.
4. Bitew, M. M., & Gebremichael, M. (2010). Evaluation through independent measurements: Complex terrain and humid tropical region in Ethiopia. Satellite rainfall applications for surface hydrology, 205-214.
5. Cronshey, R. (1986). Urban hydrology for small watersheds (No. 55). US Department of Agriculture, Soil Conservation Service, Engineering Division.
6. Duan, Z., & Bastiaanssen, W. (2013). First results from Version 7 TRMM 3B43 precipitation product in combination with a new downscaling–calibration procedure. Remote Sensing of Environment, 131, 1-13.
7. Duan, Z., Møller, N., Greenberg, J., & Weare, J. H. (1992). The prediction of methane solubility in natural waters to high ionic strength from 0 to 250 C and from 0 to 1600 bar. Geochimica et Cosmochimica Acta, 56(4), 1451-1460.
8. Eckhardt, K., & Arnold, J. (2001). Automatic calibration of a distributed catchment model. Journal of Hydrology, 251(1-2), 103-109.
9. Gassman, P. W., Reyes, M. R., Green, C. H., & Arnold, J. G. (2007). The soil and water assessment tool: historical development, applications, and future research directions. Transactions of the ASABE, 50(4), 1211-1250.
10. Ghorbanian, A., Mohammadzadeh, A., Jamali, S., & Duan, Z. (2022). Performance Evaluation of Six Gridded Precipitation Products throughout Iran Using Ground Observations over the Last Two Decades (2000–2020). Remote Sensing, 14(15), 3783.
11. Hirpa, F. A., Gebremichael, M., & Hopson, T. (2010). Evaluation of high-resolution satellite precipitation products over very complex terrain in Ethiopia. Journal of Applied Meteorology and Climatology, 49(5), 1044-1051.
12. Hong, Y., Gochis, D., Cheng, J.-t., Hsu, K.-l., & Sorooshian, S. (2007). Evaluation of PERSIANN-CCS rainfall measurement using the NAME event rain gauge network. Journal of hydrometeorology, 8(3), 469-482.
13. Huffman, G. J., Bolvin, D. T., Nelkin, E. J., Wolff, D. B., Adler, R. F., Gu, G., Hong, Y., Bowman, K. P., & Stocker, E. F. (2007). The TRMM multisatellite precipitation analysis (TMPA): Quasi-global, multiyear, combined-sensor precipitation estimates at fine scales. Journal of hydrometeorology, 8(1), 38-55.
14. Hughes, D. (2006). Comparison of satellite rainfall data with observations from gauging station networks. Journal of Hydrology, 327(3-4), 399-410.
15. Jahanshahi, A., S. H., Booij, M. (2024). Comparison of satellite-based and reanalysis precipitation products for hydrological modeling over a data-scarce region. Climate dynamics, 1-33.
16. Javanmard, S., Yatagai, A., Nodzu, M. I., BodaghJamali, J., & Kawamoto, H. (2010). Comparing high-resolution gridded precipitation data with satellite rainfall estimates of TRMM_3B42 over Iran. Advances in Geosciences, 25, 119-125.
17. Jiang, S., Liu, S., Ren, L., Yong, B., Zhang, L., Wang, M., Lu, Y., & He, Y. (2017). Hydrologic evaluation of six high resolution satellite precipitation products in capturing extreme precipitation and streamflow over a medium-sized basin in China. Water, 10(1), 25.
18. Joyce, R. J., Janowiak, J. E., Arkin, P. A., & Xie, P. (2004). CMORPH: A method that produces global precipitation estimates from passive microwave and infrared data at high spatial and temporal resolution. Journal of hydrometeorology, 5(3), 487-503.
19. Katiraie-Boroujerdy, P.-S., Nasrollahi, N., Hsu, K.-l., & Sorooshian, S. (2013). Evaluation of satellite-based precipitation estimation over Iran. Journal of arid environments, 97, 205-219.
20. Legates, D. R., & McCabe Jr, G. J. (1999). Evaluating the use of “goodness‐of‐fit” measures in hydrologic and hydroclimatic model validation. Water resources research, 35(1), 233-241.
21. Li, X., Balkanski, Y., Wu, Z., Gasser, T., Ciais, P., Zhou, F., Li, L., Tao, S., Peng, S., & Piao, S. (2018). Analysis of slight precipitation in China during the past decades and its relationship with advanced very high radiometric resolution normalized difference vegetation index. International Journal of Climatology, 38(15), 5563-5575.
22. Ndomba, P., Mtalo, F., & Killingtveit, A. (2008). SWAT model application in a data scarce tropical complex catchment in Tanzania. Physics and Chemistry of the Earth, Parts A/B/C, 33(8-13), 626-632.
23. Nijssen, B., & Lettenmaier, D. P. (2004). Effect of precipitation sampling error on simulated hydrological fluxes and states: Anticipating the Global Precipitation Measurement satellites. Journal of Geophysical Research: Atmospheres, 109(D2).
24. Sorooshian, S., AghaKouchak, A., Arkin, P., Eylander, J., Foufoula-Georgiou, E., Harmon, R., Hendrickx, J. M., Imam, B., Kuligowski, R., & Skahill, B. (2011). Advanced concepts on remote sensing of precipitation at multiple scales. Bulletin of the American Meteorological Society, 92(10), 1353-1357.
25. Sorooshian, S., Hsu, K.-L., Gao, X., Gupta, H. V., Imam, B., & Braithwaite, D. (2000). Evaluation of PERSIANN system satellite-based estimates of tropical rainfall. Bulletin of the American Meteorological Society, 81(9), 2035-2046.
26. Spruill, C. A., Workman, S. R., & Taraba, J. L. (2000). Simulation of daily and monthly stream discharge from small watersheds using the SWAT model. Transactions of the ASAE, 43(6), 1431-1439.
27. Tan, M., & Duan, Z. (2017). Assessment of GPM and TRMM precipitation products over Singapore. Remote Sens., 9, 720. In.
28. Tapiador, F. J., Turk, F. J., Petersen, W., Hou, A. Y., García-Ortega, E., Machado, L. A., Angelis, C. F., Salio, P., Kidd, C., & Huffman, G. J. (2012). Global precipitation measurement: Methods, datasets and applications. Atmospheric Research, 104, 70-97.
29. Tuo, Y., Duan, Z., Disse, M., & Chiogna, G. (2016). Evaluation of precipitation input for SWAT modeling in Alpine catchment: A case study in the Adige river basin (Italy). Science of the total environment, 573, 66-82.
30. Van Griensven, A., & Meixner, T. (2004). Dealing with unidentifiable sources of uncertainty within environmental models.
31. van Griensven, A. v., Meixner, T., Grunwald, S., Bishop, T., Diluzio, M., & Srinivasan, R. (2006). A global sensitivity analysis tool for the parameters of multi-variable catchment models. Journal of Hydrology, 324(1-4), 10-23.
32. Villarini, G., Krajewski, W. F., & Smith, J. A. (2009). New paradigm for statistical validation of satellite precipitation estimates: Application to a large sample of the TMPA 0.25° 3‐hourly estimates over Oklahoma. Journal of Geophysical Research: Atmospheres, 114(D12).
33. Wang, Q., Xia, J., She, D., Zhang, X., Liu, J., & Zhang, Y. (2021). Assessment of four latest long-term satellite-based precipitation products in capturing the extreme precipitation and streamflow across a humid region of southern China. Atmospheric Research, 257, 105554.
34. Wood, E. F., Roundy, J. K., Troy, T. J., Van Beek, L. P. H., Bierkens, M. F., Blyth, E., ... & Whitehead, P. (2011). Hyperresolution global land surface modeling: Meeting a grand challenge for monitoring Earth's terrestrial water. Water Resources Research, 47(5).
35. Yang, N., Zhang, K., Hong, Y., Zhao, Q., Huang, Q., Xu, Y., Xue, X., & Chen, S. (2017). Evaluation of the TRMM multisatellite precipitation analysis and its applicability in supporting reservoir operation and water resources management in Hanjiang basin, China. Journal of Hydrology, 549, 313-325.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
