اخبار و اعلانات

 آمار

تعداد نشریات286
تعداد نشریات سازمان84
تعداد شماره‌ها3,012
تعداد مقالات33,669
تعداد مشاهده مقاله44,701,510
تعداد دریافت فایل اصل مقاله36,972,957
شیرمحمدی علی اکبرخانی, زهرا. (1404). مقایسة داده‌های بارش ماهواره‌ای و زمینی برای تحلیل شاخص خشک‌سالی در استان خراسان رضوی. سامانه مدیریت نشریات علمی, 38(2), 1-19. doi: 10.22092/wmrj.2024.366564.1591
زهرا شیرمحمدی علی اکبرخانی. "مقایسة داده‌های بارش ماهواره‌ای و زمینی برای تحلیل شاخص خشک‌سالی در استان خراسان رضوی". سامانه مدیریت نشریات علمی, 38, 2, 1404, 1-19. doi: 10.22092/wmrj.2024.366564.1591
شیرمحمدی علی اکبرخانی, زهرا. (1404). 'مقایسة داده‌های بارش ماهواره‌ای و زمینی برای تحلیل شاخص خشک‌سالی در استان خراسان رضوی', سامانه مدیریت نشریات علمی, 38(2), pp. 1-19. doi: 10.22092/wmrj.2024.366564.1591
شیرمحمدی علی اکبرخانی, زهرا. مقایسة داده‌های بارش ماهواره‌ای و زمینی برای تحلیل شاخص خشک‌سالی در استان خراسان رضوی. سامانه مدیریت نشریات علمی, 1404; 38(2): 1-19. doi: 10.22092/wmrj.2024.366564.1591

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

پژوهش های آبخیزداری
مقاله 2، دوره 38، شماره 2 - شماره پیاپی 147، تیر 1404، صفحه 1-19    اصل مقاله (2.04 M)
نوع مقاله: پژوهشی
شناسه دیجیتال (DOI): 10.22092/wmrj.2024.366564.1591
نویسنده
زهرا شیرمحمدی علی اکبرخانی*
گروه مهندسی آب، مجتمع آموزش عالی تربت‌جام، تربت جام، ایران
چکیده
مقدمه و هدف
خشک‌سالی 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 روش‌ها
با 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 بحث
ارزیابی 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 پیشنهاد‌ها
بر 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.
کلیدواژه‌ها
ارزیابی خشکسالی؛ داده‌های بارش ماهوارهای؛ مناطق خشک و نیمه‌خشک؛ موتور جستجوگر گوگل‌ارث
عنوان مقاله [English]
Comparison of Satellite and Ground-Based Precipitation Data for Drought Index Analysis in the Khorasan Razavi Province
نویسندگان [English]
Zahra Shirmohammadi-Aliakbarkhani
Department of Water Science and Engineering, University of Torbat-e Jam, Torbat-e Jam, Khorasan Razavi, Iran
چکیده [English]
Introduction and Goal
Drought is a complex natural hazard that can have significant impacts on socio-economic and environmental. Traditional methods of drought assessment often rely on ground-based precipitation measurements, which can be sparse and unevenly distributed, especially in underdeveloped regions. The Standardized Precipitation Index (SPI) is widely used for its assessing and monitoring drought, especially in arid regions. However, the reliability of SPI calculations heavily depends on the availability and accuracy of precipitation data. Satellite precipitation products (SPPs) offer an alternative by providing comprehensive coverage and consistent data over large areas, which is particularly useful in regions with limited ground-based observations.
Materials and Methods
Using four monthly SPPs-TRMM 3B43 (TRMM), GPM-IMERG v6 (GPM), PERSIANN-CDR (PERSIANN), and ERA5- available on the Google Earth search engine, the 12-month drought index was calculated. Then, this index was compared with the index calculated using long-term precipitation data from ground-based stations, both individually for each station and collectively at the provincial level in Khorasan Razavi, located in northeastern Iran. The selected stations include Quchan, Gonabad, Kashmar, Mashhad, Neyshabour, Sarakhs, Sabzevar, Golmakan, Torbat-e Jam and Torbat-e Heydarieh. The study period spans from 2000 to 2020, covering various climatic variations and drought events. To assess the performance of the satellite data, several statistical metrics were computed, including the correlation coefficient (CC), root mean square error (RMSE), relative bias (RBIAS), Nash-Sutcliffe efficiency (NSE), and estimation probability (POD). Using these criteria, the accuracy and reliability of satellite products in estimating drought indices can be evaluated within a robust framework.
Results and Discussion
The performance evaluation of the satellite products revealed varied results across different stations.  The performance of the TRMM product was better in Torbat-e Heydarieh, Quchan, Kashmar, Mashhad, and Neyshabour. This product exhibited a high correlation coefficient and low root mean square error values compared to ground-based data, indicating its reliability in these regions. The performance of the PERSIANN and GPM products was better in Golmakan and Sabzevar, respectively, and they showed better agreement with ground-based rainfall data at these stations.  The ERA5 product was found to be most effective in Torbat-e Jam, Gonabad, and Sarakhs, demonstrating a high degree of accuracy in these areas. The relative bias and mean error metrics also showed that overall, the satellite products provided accurate rainfall estimates with minimal systematic deviation from ground-based data. The NSE values, which which can be used to assess the predictive accuracy of models, were greater than 0.65 for the top-performing products, indicating their high efficiency in drought monitoring. The results of the point-by-point statistical analysis were better compared to the aggregated data at the provincial level. In the aggregated analysis, the highest correlation coefficient (CC=0.8), the highest Nash-Sutcliffe efficiency (NSC=0.55), the lowest root mean square error (RMSE=0.61), and the highest probability of detection (POD=0.70) were obtained from the TRMM satellite data. It seems that individual stations may provide different data compared to the entire province due to specific local conditions such as the presence of local water sources, specific vegetation cover, or human influences. Therefore, by aggregating the data at the provincial level, the impact of these local anomalies was amplified, and the resulting outcomes, due to reduced accuracy and increased influence of local anomalies, no longer accurately reflected the actual climatic conditions of the province. It can be concluded that the validation of the aforementioned satellite products in determining the 12-month drought index should be carried out locally.
Conclusion and Suggestions
Based on the accuracy assessment of the 12-month SPI time scale, the performance of satellite-derived precipitation data in the studied areas was satisfactory. The results of separate statistical analyses of the data at each station were more accurate compared to the aggregated analysis of all stations. n particular, the accuracy of TRMM data for Torbat-e Heydarieh, Quchan, Mashhad, Neyshabour, and Kashmar stations; the GPM data for Sabzevar station; the ERA5 data for Torbat-e Jam, Sarakhs, and Gonabad stations; and the PERSIANN data for Golmakan station were suitable and can be used for water resources management and drought monitoring. It is suggested that, given the appropriate accuracy of satellite data, these data can be used as a valuable long-term dataset to investigate droughts in the studied areas of Khorasan Razavi Province. Because satellite data uses different data sources, each of these data may be affected by various environmental, geographical, and climatic factors. Therefore, due to local characteristics and inherent differences in the instructions used in each data, it was expected that performance would not be the same across all stations. Therefore, it is suggested to use large-scale satellite data, data analysis methods, local calibration, and uncertainty modeling in a combined manner to achieve an appropriate confidence factor for these data.
کلیدواژه‌ها [English]
arid and semiarid regions, drought assessment, google earth engine, satellite-based precipitation products
مراجع

Agutu NO, Awange JL, Zerihun A, Ndehedehe CE, Kuhn M, Fukuda Y. 2017. Assessing multi-satellite remote sensing, reanalysis, and land surface models’ products in characterizing agricultural drought in East Africa. Remote Sensing of Environment. 194:287–302. https://doi.org/10.1016/j.rse.2017.03.041

Banerjee A, Chen R, Meadows ME, Singh RB, Mal S, Sengupta D. 2020. An analysis of long-term rainfall trends and variability in the uttarakhand himalaya using google earth engine. Remote Sensing. 12(4),709.

https://doi.org/10.3390/rs12040709

Belayneh A, Adamowski J, Khalil B, Ozga-Zielinski B. 2014. Long-term SPI drought forecasting in the Awash River Basin in Ethiopia using wavelet neural networks and wavelet support vector regression models. Journal of Hydrology. https://doi.org/10.1016/j.jhydrol.2013.10.052

Bhagat AD, Gorantiwar SD, Malunjkar VS. 2022. Assessment of Meteorological Drought using Standard Precipitation Index (SPI) in Western Maharashtra, India. Journal of Agricultural Science and Technology. 47(02): 152–156. https://doi.org/ 10.56228/JART. 2022.47205

Brown JF, Wardlow BD, Tadesse T, Hayes MJ, Reed BC. 2008. The vegetation drought response Index (VegDRI): A new integrated approach for monitoring drought stress in vegetation. GIScience and Remote Sensing. 45(1): 16–46.

https://doi.org/10.2747/1548-1603.45.1.16

Dutta D, Kundu A, Patel NR. 2013. Predicting agricultural drought in eastern Rajasthan of India using NDVI and standardized precipitation index. Geocarto International. https://doi.org/10.1080/10106049.2012.679975

Dutta D, Kundu A, Patel NR, Saha SK, Siddiqui AR. 2015. Assessment of agricultural drought in Rajasthan (India) using remote sensing derived Vegetation Condition Index (VCI) and Standardized Precipitation Index (SPI). Egyptian Journal of Remote Sensing and Space Science. 18(1): 53–63. https://doi.org/10.1016/j. ejrs. 2015.03.006.

ECMWF. 2018. Annual Report 2017. Reading: ECMWF ECMWF Annual Report. https://www.ecmwf. int/node/18309

Engdaw G, Legesse A, Mohammed Y, Likissa D. 2022. Analysis of meteorological drought using Standardized Precipitation Index (SPI) and Reconnaissance Drought Index (RDIst) at Bilate Basin, Southern Ethiopia. [accessed 2024 Jun 15].

https://doi.org/10.21203/rs.3.rs-1664681/v1

Feller U. 2016. Drought stress and carbon assimilation in a warming climate: Reversible and irreversible impacts. Journal Plant Physiology. Sep20; 203:84-94. https://doi.org/10.1016/j.jplph.2016.04.002

Guttman NB. 1998. Comparing the Palmer Drought INDEX and the Standardized Precipitaton INDEX1. Journal of the American Water Resources Association. 34(1): 113–121. https://doi:10.1111/j. 1752-1688.1998. tb05964. x

Huffman, GJ. Stocker EF, Bolvin DT, Nelkin EJ, Jackson T. 2019. GPM IMERG final precipitation L3 half hourly 0.1 degree × 0.1 degree V06, Greenbelt, MD, Goddard earth sciences data and information services center (GESDISC), https://doi.org/10.5067/GPM/IMERG/3B-HH/06

Jang S-M, Rhee J, Yoon S, Lee T, Park K. 2017. Evaluation of GPM IMERG Applicability Using SPI based Satellite Precipitation. J Korean Soc Agric Eng. 59(3): 29–39. https://doi.org/10.5389/KSAE. 2017.59.3.029.

Khan MA, Gadiwala MS. 2013. A Study of Drought over Sindh (Pakistan) Using Standardized Precipitation Index (SPI) 1951 to 2010. Pakistan Journal of Meteorology. 9(18): 15–22.

Khosravi H, Haydari E, Shekoohizadegan S, Zareie S. 2017. Assessment the Effect of Drought on Vegetation in Desert Area using Landsat Data. The Egyptian Journal of Remote Sensing and Space Science. 20; s3-s12. https://doi.org/10.1016/j. ejrs. 2016.11.007

Livada I, Assimakopoulos VD. 2007. Spatial and temporal analysis of drought in greece using the Standardized Precipitation Index (SPI). Theoretical and Applied Climatology. 89(3–4): 143–153. https://doi.org/10.1007/s00704-005-0227-z

Lu J, Jia L, Menenti M, Yan Y, Zheng C, Zhou J. 2018. Performance of the Standardized Precipitation Index Based on the TMPA and CMORPH Precipitation Products for Drought Monitoring in China. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 11(5): 1387–1396. https://doi.org/10.1109/JSTARS. 2018.2810163.

McKee TB, Doesken NJ, Kleist J. 1995. Drought Monitoring with Multiple Times Scales. American Meteorological Society. 9th Conference on Applied Climatology, 15-22 Janvier, Dallas. pp. 233-236.

McKee TB, Nolan J, Kleist J. 1993. The relationship of drought frequency and duration to time scales. Preprint of the Eighth Conference on Applied Climatology, American Meteorological Society.

Mishra AK, Singh VP. 2010. A review of drought concepts. Journal of Hydrology. 391(1): 202–216.

https://doi.org/10.1016/j. jhydrol. 2010.07.012.

Mohanta DR, Soren J, Sarangi SK, Sahu S. 2020. Meteorological drought trend analysis by standardized precipitation index (SPI) and reconnaissance drought index (RDI): A case study of Gajapati District. International Journal of Chemical Studies. 8(3):1741–1746. https://doi.org/10.22271/chemi. 2020. v8. i3x. 9448

Montandon L, Small E. 2008. The impact of soil reflectance on the quantification of the green vegetation fraction from NDVI. Remote Sens Environmental Remote Sensing and Environment. 112 p.

https://doi.org/10.1016/j. rse. 2007.09.007

Montazeri M, Kiany M, Masoodian S. 2020. Evaluation of Tropical Rainfall Measuring Mission (TRMM) Multi-satellite Precipitation Analysis (TMPA v7) in drought monitoring over southwest Iran. Climatic Research. 82:55–73. https://doi.org/10.3354/cr01622

Naresh Kumar M, Murthy CS, Sesha Sai MVR, Roy PS. 2009. On the use of Standardized Precipitation Index (SPI) for drought intensity assessment. Meteorol Appl. 16(3): 381–389 https://doi.org/10.1002/met. 136

Naumann G, Barbosa P, Carrao H, Singleton A, Vogt J. 2012. Monitoring drought conditions and their uncertainties in Africa using TRMM data. Journal of Applied Meteorology and Climatology.51(10). https://doi.org/10.1175/JAMC-D-12-0113.1

Obasi GOP. 1994. WMO’s role in the international decade for natural disaster reduction. Bulletin of the American Meteorological Society. 75(9): 1655–1662. https://doi.org/10.1175/1520-0477(1994)075<1655: WRITID>2.0. CO; 2.

Patel NR, Chopra P, Dadhwal VK. 2007. Analyzing spatial patterns of meteorological drought using standardized precipitation index. Meteorological Applications. 14(4):329–336. https://doi.org/10.1002/met. 33

Prakash S. 2019. Performance assessment of CHIRPS, MSWEP, SM2RAIN-CCI, and TMPA precipitation products across India. J Hydrol. https://doi.org/10.1016/j. jhydrol. 2019.01.036

Pramudya Y, Onishi T. 2018. Assessment of the Standardized Precipitation Index (SPI) in Tegal City, Central Java, Indonesia. IOP Conference Series: Earth and Environmental Science.129:012019 https://doi.org/10.1088/1755-315/129/1/012019

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. https://doi.org/10.1016/j. ejrh. 2017.11.002

Shahabfar A, Ghulam A, Eitzinger J. 2012. Drought monitoring in Iran using the perpendicular drought indices. Int J Appl Earth Obs Geoinformation. 18:119–127. https://doi.org/10.1016/j. jag. 2012.01.011.

Shirmohammadi-Aliakbarkhani Z, Akbari A. 2020. Ground validation of diurnal TRMM 3B42 V7 and GPM precipitation products over the northeast of Iran. Theoretical and Applied Climatology. 142:1413–1423. https://doi.org/10.1007/s00704-020-03392-0

Sorooshian S, Hsu K-L, Gao X, Gupta HV, 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. https://doi.org/10.1175/1520-0477(2000)081<2035: EOPSSE>2.3. CO; 2

Topçu E, Seckin N. 2016. Drought analysis of the Seyhan Basin by using standardized precipitation index (SPI) and L-moments.  Journal of Agricultural Sciences, 22(2),196-215. https://doi.org/10.1501/Tarimbil_0000001381.

Tsesmelis DE, Vasilakou CG, Kalogeropoulos K, Stathopoulos N, Alexandris SG, Zervas E, Oikonomou PD, Karavitis CA. 2022. Drought assessment using the standardized precipitation index (SPI) in GIS environment in Greece. In: Computers in Earth and Environmental Sciences. Elsevier. pp. 619–633. [accessed 2024 Jun 15].

https://linkinghub.elsevier.com/retrieve/pii/B9780323898614000257

Wang Y, Ma J, Xiao X, Wang X, Dai S, Zhao B. 2019. Long-term dynamic of Poyang Lake surface water: A mapping work based on the Google Earth Engine cloud platform. Remote Sensing. https://doi.org/10.3390/rs11030313

Wei J,  Jiang M, Ren J, Yuan J, Zhang. 2019. Performance of two long-term Satellite-Based and GPCC 8.0 precipitation products for drought monitoring over the Yellow River Basin in China. Sustainability. 11(18): 4969. https://doi.org/10.3390/su11184969

Wei L, Jiang S, Ren L, Zhang L, Wang M, Duan Z. 2020. Preliminary utility of the retrospective IMERG precipitation product for large-scale drought monitoring over Mainland China. Remote Sensing. https://doi.org/10.3390/RS12182993

Wilhite DA, Glantz MH. 1987. Understanding the drought phenomenon. The role of definitions. Understanding the drought phenomenon: The role of definitions. Water international. 10(3): 111-120.

World Meteorological Organization. 2012. Standardized Precipitation Index user guide (M. Svoboda, M. Hayes and D. Wood). Geneva: (WMO-No. 1090).

Wu H, Svoboda MD, Hayes MJ, Wilhite DA, Wen F. 2007. Appropriate application of the standardized precipitation index in arid locations and dry seasons. International Journal of Climatology. 27(1): 65–79. https://doi.org/10.1002/joc. 1371.

Zhang A, Jia G. 2013. Monitoring meteorological drought in semiarid regions using multi-sensor microwave remote sensing data. Remote Sensing of Environment. 134:12–23. https://doi.org/10.1016/j.rse.2013.02.023

آمار
تعداد مشاهده مقاله: 233
تعداد دریافت فایل اصل مقاله: 11


counter
سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب