مدل‌سازی خشکسالی بر پایه شاخص SPI با استفاده از داده‌های زمینی و ماهواره‌ای به کمک مدل تلفیقی GPR-CEEMD

نویسندگان

1 گروه آب دانشکده عمران دانشگاه تبریز

2 گروه آب، دانشکده عمران، دانشگاه تبریز

10.22125/iwe.2021.133765

چکیده

ﺧﺸﮑﺴﺎﻟﯽ یکی از مشکلات مهمی است که در بخش کشاورزی و منابع آب تاثیرگذار می­باشد. امروزه اﺳﺘﻔﺎده از ﺗﮑﻨﯿﮏ ﺳﻨﺠﺶ از دور ﺑﻪ ﻋﻨﻮان ﯾﮏ اﺑﺰار ﻣﻔﯿﺪ ﺟﻬﺖ ﭘﺎﯾﺶ ﺧﺸﮑﺴﺎﻟﯽ ﻣﻮرد ﺗﻮﺟﻪ قرار گرفته است. ﻫﺪف از اﯾﻦ ﻣﻄﺎﻟﻌﻪ پیش­بینی زﻣﺎﻧﯽ ﺧﺸﮑﺴﺎﻟﯽ ﺑﺎ اﺳﺘﻔﺎده از دادهﻫﺎی ایستگاه­های زمینی و ﻣﺎﻫﻮاره­ای محصول TRMM3B43 ﺑﯿﻦ ﺳﺎلﻫﺎی 1998-2017 ﻣﯽﺑﺎﺷﺪ. در این راستا، ابتدا داده­های بارش به ﺷﺎﺧﺺ SPI تبدیل گردید و سپس با استفاده از روش هوشمند رگرسیون فرآیند گاوسی (GPR) بر پایه روش تجزیه­ی یکپارچه مد تجربی ﮐﺎﻣﻞ (CEEMD) خشکسالی شهر تبریز مورد بررسی قرار گرفت. مدل­های متفاوتی تعریف گردید و نرخ تأثیر پارامترهای ورودی مختلف بررسی شد. مشاهده گردید ﮐﻪ مقادیر بارش حاصل از ماهواره TRMM در ﻣﻘﯿﺎس ﻣﺎﻫﺎﻧﻪ دارای ﻫﻤﺒﺴﺘﮕﯽ مطلوبی با ﻣﻘﺪار ﺑﺎرش ﺣﺎﺻﻞ از اﯾﺴﺘﮕﺎه تبریز بوده و نتایج تحلیل خشکسالی با استفاده از داده­های ماهواره­­ای تقریبا منطبق بر داده­های ایستگاه زمینی است. نتایج قابلیت و کارایی بالای روش به ­کار رفته را در تخمین شاخص خشکسالی  SPI به خوبی نشان داد و مشاهده شد که تجزیه سری­ زمانی بر اساس روش­ تجزیه­ی یکپارچه مد تجربی کامل منجر به نتایج دقیق­تری می­گردد. تجزیه داده­های ورودی تقریبا30 تا 40 درصد دقت پیش­بینی را افزایش داد. ملاحظه گردید که در پیش بینی خشکسالی، عناصر اقلیمی شامل میانگین دما و رطوبت نسبی ماهانه و همچنین شاخص SPIهای مربوط به ماه­های گذشته تاثیرگذار می­باشند و با حذف پارامترهای اقلیمی، خطای مدل­سازی 15 تا 20 درصد افزایش می­یابد. همچنین نتایج آنالیز حساسیت نشان داد که SPIt-1تاثیرگذارترین پارامتر در مدل­سازی است.

کلیدواژه‌ها


عنوان مقاله [English]

Drought Modeling Based on SPI Index using Satellite and Ground station Data via the Integrated GPR-CEEMD Model

نویسندگان [English]

  • Kiyoumars Roushangar 1
  • roghayeh ghasempour 2
1 Water Department, Faculty of Civil Engineering, University of Tabriz, Tabriz, Iran
2 Water Department, Faculty of Civil Engineering, University of Tabriz, Tabriz, Iran
چکیده [English]

Drought is one of the most important problems which affects agriculture section and water resources. Nowadays, the use of the remote sensing technique has been considered as useful tool for drought monitoring. This study aimed to predict the temporal drought using ground station and TRMM3B43 satellite data between the years of 1998-2017. Therefore, precipitation data were first converted to the SPI index, and then, using the intelligent Gaussian Process Regression (GPR) method based on Complementary Ensemble Empirical Mode Decomposition (CEEMD), Tabriz drought was investigated. Different models were defined and the impact of different input parameters were assessed. It was observed that the rainfall amounts from the TRMM satellite in the monthly scale had a good correlation with the Tabriz station precipitation and the results of drought analysis using satellite data were almost similar with ground station data. The obtained results proved the high capability and efficiency of the applied method in predicting the SPI drought index and it was observed that time series decomposition based on the complementary ensemble empirical mode decomposition led to more accurate outcomes. The input data decomposition increased the predictive accuracy by approximately 30 to 40 percent. It was observed that in prediction of drought the climatic elements including mean monthly temperature and relative humidity, as well as SPI indexes related to the previous months, were effective and by climatic parameters eliminating, the modeling error increased up to 15-20%. Also, the results of sensitivity analysis showed that SPIt-1 is the most effective parameter in modeling.

کلیدواژه‌ها [English]

  • Drought
  • Empirical mode
  • GPR
  • Remote Sensing
  • SPI
ارش ادیب، ا. و ع. گرجی زاده. 1395. بررسی و پایش خشکسالی با استفاده از شاخص‌های خشکسالی: مطالعه موردی حوضه آبریز دز. نشریه مهندسی آبیاری و آب ایران، دوره 7، شماره 2، ص 173-185.
باباعلی.، م. و ر. دهقانی. 1396. ﮐﺎرﺑﺮد ﻣﺪل ﺷﺒﮑﻪ ﻋﺼﺒﯽ ﻣﻮﺟﮏ در ﺗﺨﻤﯿﻦ ﺷﺎﺧﺺ ﺑﺎرش اﺳﺘﺎﻧﺪارد. نشریه مهندسی آبیاری و آب ایران، دوره 7، ﺷﻤﺎره 27، ص 81-96.
روشنگر، ک. و ر. قاسم­پور. 1397. بررسی عملکرد روشهای کلاسیک و هوش مصنوعی در تخمین ضریب زبری در پیچانرودها. نشریه آبیاری و زهکشی ایران، جلد 12، شماره 4، ص 811-822.
کاظم­پور چورسی، س.، عرفانیان، م. و ز.عبادی نهاری. 1398. ارزیابی داده‌های ماهواره‌ای MODIS و TRMM در پایش خشکسالی حوضه آبریز دریاچه ارومیه. نشریه جغرافیا و برنامه­ریزی محیطی، دوره 30، شماره 2، ص 17-34.
مقیمی، م.، کوهی، ا. و ع. زارعی. 1397. پایش و پیش­بینی وضعیت خشکسالی در استان فارس با استفاده از شاخصRDI  و مدل ریاضی زنجیره مارکوف، نشریه مهندسی آبیاری و آب ایران، دوره 8، ﺷﻤﺎره 3، ص 153-165.
 
Amirat, Y., Benbouzidb, MEH., Wang, T., Bacha, K. Feld, G. 2018. EEMD-based notch filter for induction machine bearing faults detection. Applied Acoustics, 133: 202–209.
ASCE, Task Committee on Application of Artificial Neural Networks in Hydrology. 2000. Artificial Neural Networks in hydrology. I: Preliminary concepts. J. Hydrologic Eng, ASCE. 5(2): 115-123.
Fisher, T., Gemmer, M., Su, B. and Scholten, T. 2013. Hydrological long-term dry and wet periods in the Xijiang River basin, South China. Hydrology and Earth system Sciences, 17: 135-148.
Ganguli, P., Reddy, M. J. 2014. Ensemble prediction of regional droughts using climate inputs and the SVM–copula approach. Hydrological processes, 28(19): 4989-5009.
Li, J.G., H.X. Ruan, J.R. Li and S.F. Huang. 2010. Application of TRMM precipitation data in meteorological drought monitoring. Journal of China Hydrology, 30: 43–46 (in Chinese).
Michael, J.H. 2007. What is drought: drought in dices, climate impacts specialist, national drought mitigation center. http://Ulysses  Atmos. Colostate. Edu/spi.html.
Modarres, R., Sarhadi, A. and Burn, D.H. 2016. Changes of extreme drought and flood events in Iran. Global and Planetary Change, 144: 67-81.
Morid, S., Smakhtin, V. and Bagherzadeh, K. 2008. Drought forecasting using artificial neural networks and time series of drought indices. International Journal of Climatology, 27: 2103-2111.
Saada, N., Abu-Romman, A. 2017. Multi-site modeling and simulation of the standardized precipitation index (SPI) in Jordan. Journal of Hydrology: Regional Studies, 14: 83–91.
Samuelsson, O., Bjork, A., Zambrano, J. and Carlsson, B. 2017. Gaussian process regression for monitoring and fault detection of wastewater treatment processes. Water Science and Technology, 75(12): 2952-2963.
Sirdas, S., Şen, Z. 2003. Spatio-temporal drought analysis in the Trakya region, Turkey. Journal of Hydrological Sciences, 48(5):809-820.
Siviapragasam, C. and Liong, S. 2001. Rainfall and runoff forcasting with SSA-SVM approach. Journal   of Hydroinformation. 3: 141-152.
Wang, C.J., Li, H.Y., Xiang, W. and Zhao, D. 2014. A new signal classification method based on EEMD and FCM and its application in bearing fault diagnosis. Applied Mechanics and Materials, 602: 1803-1806.
Wu, Z., Huang, NE. 2004. A study of the characteristics of white noise using the empirical mode decomposition method. Proc RS Lond 460A: 1597–1611.
Xiang-Hu, L., Q. Zhang and Xu. Chong-Yu. 2012. Suitability of the TRMM satellite rainfalls in driving a distributed hydrological model for water balance computations in Xinjiang Catchment, Poyang lake Basin. Journal of Hydrology, 426: 28–38.
Yan, N., Wu, B., Chang, S. and Bao, X. 2014. Evaluation of TRMM Precipitation Product for Meteorological Drought Monitoring in Hai Basin. In IOP Conference Series: Earth and Environmental Science (Vol. 17, No. 1, p. 012093). IOP Publishing.
Zhu, S., Luo, X., Xu, Z. and Ye, L. 2019. Seasonal streamflow forecasts using mixture-kernel GPR and advanced methods of input variable selection. Hydrology Research, 50(1): 200-214.