مقدمه
تغییرات اقلیمی با ایجاد نوسانات بارش، افزایش دما و بروز پدیده‌های حدی، تهدیدی جدی برای منابع آب و اکوسیستم‌های مناطق خشک و نیمه‌خشک محسوب می‌شود. کمبود ایستگاه‌های هواشناسی در این مناطق، پایش دقیق اقلیم را با چالش مواجه کرده است. در سال‌های اخیر، داده‌های بازتحلیل مانندERA5-Land و TerraClimate به عنوان جایگزینی مناسب برای داده‌های مشاهداتی مورد توجه قرار گرفته‌اند. مطالعات پیشین عملکرد متفاوت این داده‌ها را در متغیرهای اقلیمی نشان داده و بر ضرورت تصحیح خطای آن‌ها تأکید کرده‌اند. این پژوهش با تمرکز بر حوزه آبخیز تالاب مهارلو، به ارزیابی دقت و تصحیح اریبی ERA5-Land و TerraClimate در مقایسه با داده‌های ایستگاهی می‌پردازد تا امکان بهره‌برداری مؤثرتر از این داده‌ها در تحلیل تغییرات اقلیم و مدیریت منابع آب فراهم شود.
مواد و روش ها
ابتدا داده‌های روزانه دما و بارش سه ایستگاه شیراز، درودزن و زرقان در دوره ۱۹۹۱ تا ۲۰۲۲ گردآوری شد. به‌طور همزمان داده‌های اقلیمی ماهانه ERA5-Land و TerraClimate در همین دوره استخراج گردید. برای سنجش تطابق داده‌های بازتحلیل با داده‌های مشاهداتی از ضریب همبستگی پیرسون استفاده شد. سپس با بهره‌گیری از شاخص‌هایPBIAS، RMSE و NSE میزان خطای داده‌های بازتحلیل نسبت به داده‌های ایستگاهی ارزیابی گردید. در مرحله بعد، به‌منظور کاهش خطای سیستماتیک، روش تصحیح اریبی مبتنی بر رگرسیون خطی ساده به‌کار گرفته شد. در نهایت تغییر شاخص‌های خطا پیش و پس از تصحیح برای ارزیابی اثربخشی روش مورد مقایسه قرار گرفت.
نتایج
نتایج محاسبه ضریب همبستگی پیرسون نشان داد داده‌های ERA5-Land و TerraClimatدر تمام ایستگاه‌ها (شیراز، درودزن و زرقان) همبستگی آماری بسیار قوی و معناداری با داده‌های مشاهداتی دارند (p-value = 0, r>0.9) . ارزیابی خطا با شاخص‌هایPBIAS، RMSE و NSE نشان داد که ERA5-Land در بازنمایی بارش ماهانه عملکرد بهتری نسبت به TerraClimate دارد؛ به‌طوری‌که مقادیر NSE در همه ایستگاه‌ها برای ERA5-Land بالاتر و PBIAS آن کمتر بود. در متغیرهای دمایی، هر دو پایگاه داده عملکرد نسبتاً خوبی نشان دادند؛ مقادیر NSE در بسیاری از موارد بالا و RMSE پایین بود، اگرچه در برخی متغیرها، به‌ویژه دمای حداقل، میزان PBIAS قابل‌توجهی مشاهده شد. پس از اعمال مدل تصحیح اریبی مبتنی بر رگرسیون خطی ساده، شاخص‌های خطا بهبود قابل‌توجهی یافتند؛ برای مثال در بارش ماهانه ERA5-Land مقدار NSE از 9352/0 به 9716/0 افزایش و RMSE از 92/6 به 58/4 میلی‌متر کاهش یافت. در دمای حداقل ERA5-Land مقدار PBIAS از 5/51- درصد‎ به 026/0 درصد کاهش یافت. در TerraClimate نیز مقادیر RMSE و PBIAS برای دما کاهش و NSE افزایش یافت.

بحث
نتایج این مطالعه نشان داد داده‌های ERA5-Land و TerraClimate در بازنمایی الگوهای اقلیمی منطقه عملکرد مطلوبی دارند. ضرایب همبستگی پیرسون بالاتر از 9/0 نشان‌دهنده توانایی بالای این داده‌ها در تحلیل‌های اقلیمی مناطق کم‌داده است. بررسی شاخص‌های NSE، RMSE و PBIAS نشان داد هر دو پایگاه در بازنمایی دمای میانگین و حداکثر دقت خوبی داشتند، اما در حداقل دما خطای بیشتری مشاهده شد. در متغیر بارش نیز،ERA5-Land عملکرد دقیق‌تری نسبت به TerraClimate داشت. تصحیح اریبی با مدل رگرسیون خطی ساده باعث بهبود چشمگیر شاخص‌های آماری شد؛ از جمله کاهش PBIAS و RMSE و افزایش NSE در متغیرهای بارش و دما. با این حال، محدودیت روش‌های خطی ساده در بازنمایی روابط هم‌زمان بین متغیرهایی مانند دما و بارش باید در نظر گرفته شود. استفاده از روش‌های غیرخطی مانند کوانتایل مپینگ و الگوریتم‌های یادگیری ماشین می‌تواند به بازنمایی بهتر رویدادهای حدی و کاهش خطا کمک کند. در مجموع، یافته‌ها نشان می‌دهد داده‌های بازتحلیل اقلیمی، به‌ویژه ERA5-Land از دقت پایه‌ای بالایی برخوردارند و با روش‌های ساده تصحیح اریبی می‌توانند به‌طور مؤثری در مطالعات اقلیمی مناطق خشک و نیمه‌خشک به کار روند. با این حال، بهره‌گیری از روش‌های غیرخطی و داده‌های مشاهداتی گسترده‌تر، دقت و قابلیت کاربرد این داده‌ها را به‌طور معناداری افزایش خواهد داد.