DOI: https://doi.org/10.26471/cjees/2026/021/362
تاريخ النشر: 2026-02-18
المؤلف: Safouane Mouelhi وآخرون
الموضوع الرئيسي: قياس وتحليل الهطول
نظرة عامة
يوفر نظام ناسا لتوقع موارد الطاقة العالمية (POWER) بيانات مناخية وشمسية قائمة على الأقمار الصناعية، والتي تعتبر حاسمة للطاقة المتجددة والزراعة والهيدرولوجيا. تقيم هذه الدراسة دقة تقديرات هطول الأمطار من ناسا POWER مقارنة بالملاحظات الأرضية من 23 محطة أرصاد جوية في تونس، تغطي مناطق مناخية متنوعة من الرطبة إلى الصحراوية، على مدار الفترة من 1981 إلى 2023. استخدمت التحليل الانحدار والإحصاءات الوصفية لتقييم أداء النموذج في التقاط كل من متوسط هطول الأمطار وتنوعه. تشير النتائج إلى أنه بينما يمثل ناسا POWER بشكل فعال النمط المكاني العام لمتوسط هطول الأمطار السنوي (المكاني $R^2 = 0.96$)، فإنه يقلل بشكل كبير من تقديرات extremes الجغرافية ويخفف من التباين بين السنوات والشهور، خاصة في أشهر الصيف.
تكشف النتائج أن أداء النموذج هو الأقوى في الخريف والربيع (مع $R^2 > 0.75$)، عندما يتأثر هطول الأمطار بأنظمة سينوبتيكية واسعة النطاق. ومع ذلك، في أغسطس، ينخفض أداء النموذج بشكل حاد (مع $R^2 < 0.30$)، مما يفشل في التقاط الأحداث التكتيلية المحلية التي تحرك تباين هطول الأمطار الصيفي. يتم تقدير معامل التباين باستمرار بشكل غير كافٍ، مما يشير إلى عدم تطابق بين دقة النموذج المكاني الخشنة (حوالي 50 كم) والخصائص الدقيقة لهطول الأمطار في البحر الأبيض المتوسط. وبالتالي، فإن مجموعة بيانات ناسا POWER ليست مناسبة للاستخدام المباشر في التخطيط الهيدرولوجي والزراعي في تونس دون تصحيحات محلية. تؤكد الدراسة على ضرورة التحقق المحلي من مجموعات بيانات هطول الأمطار العالمية، خاصة في المناطق التي تتميز بتنوع مناخي كبير وأنماط هطول أمطار محلية. يجب أن تهدف الأبحاث المستقبلية إلى تطوير أساليب نمذجة محسنة لالتقاط التباين العالي لهطول الأمطار في المناطق شبه الجافة.
مقدمة
تستعرض مقدمة ورقة البحث تطور مجموعات بيانات المناخ العالمية، بدءًا من معايير المنظمة العالمية للأرصاد الجوية (WMO) في منتصف القرن العشرين والتقدم إلى إعادة التحليلات الحديثة مثل ERA5. لقد عززت توفر منصات البيانات المفتوحة، مثل تلك التي تقدمها NOAA وNASA، الوصول إلى بيانات المناخ بشكل كبير، مما يسهل البحث عبر مجالات متنوعة. أصبحت مجموعة بيانات ناسا POWER، التي تم تصميمها في الأصل لتخطيط موارد الطاقة، أداة أساسية في الزراعة والهيدرولوجيا وعلم المناخ، خاصة في المناطق التي تفتقر إلى الملاحظات الأرضية.
على الرغم من تطبيقها الواسع، فإن مجموعة بيانات ناسا POWER لها قيود ملحوظة، خاصة في المناخات المتوسطية والاستوائية. تم تحديد مشكلات مثل التمثيل الضعيف لسرعة الرياح، والأخطاء النظامية في تقديرات التبخر، وعدم الدقة في تقديرات هطول الأمطار ودرجات الحرارة القصوى. في تونس، حيث يتم استخدام مجموعة البيانات بشكل متزايد، تظل موثوقية بيانات هطول الأمطار غير موثقة على نطاق وطني، وهو أمر حاسم لعوائد الزراعة وأمن المياه. تهدف هذه الدراسة إلى تقييم مجموعة بيانات ناسا POWER من 1981 إلى 2023 عبر 23 محطة، مع التركيز على أدائها في توزيعات هطول الأمطار الشهرية بين السنوات، وإعادة إنتاج نمط هطول الأمطار المكاني، وتطوير تعديلات انحدار محددة بالشهر لمعالجة التباين المحلي.
طرق
تم هيكلة منهجية البحث في ثلاث خطوات رئيسية: جمع البيانات، استخراج البيانات، وتقييم الأداء. في البداية، تم جمع بيانات هطول الأمطار الملاحظة من شبكة محطات الإدارة العامة للموارد المائية في تونس (DGRE). بعد ذلك، تم استخراج البيانات المقابلة من نموذج ناسا POWER لنفس المواقع والإطار الزمني. تضمنت الخطوة النهائية تحليلًا مقارنًا للمجموعتين من البيانات من خلال تحليل الانحدار لتقييم دقة النموذج.
لتقييم أداء تقديرات هطول الأمطار من ناسا POWER، تم استخدام الكريغينغ العادي للتداخل المكاني لمتوسط هطول الأمطار السنوي، باستخدام نموذج متغير أسي. تم إجراء تحليل الانحدار باستخدام نماذج خطية، وتربيعية، وأسيّة، مع التركيز على الاقتصاد لتجنب الإفراط في التكيف. تم تفضيل النموذج الخطي ما لم يحسن نموذج أكثر تعقيدًا بشكل كبير معامل التحديد ($R^2$) بمقدار 5% على الأقل. على مستوى المحطة، تم تقييد الانحدارات للمرور عبر الأصل لضمان الاتساق الفيزيائي، بينما تم استخدام كلا النموذجين مع وبدون تقاطعات لتحليل المستوى الوطني. تضمنت مقاييس الأداء $R^2$ وجذر متوسط مربع الخطأ (RMSE)، إلى جانب الإحصاءات الوصفية. تم أتمتة العملية التحليلية بالكامل باستخدام نصوص مخصصة في RStudio، مما يضمن إمكانية التكرار والتكيف مع التحديثات المستقبلية لمجموعة بيانات ناسا POWER، بما يتماشى مع مبادئ FAIR لإدارة البيانات.
نتائج
تتناول قسم النتائج نتائج أربع طرق انحدار عالمية تم تطبيقها على بيانات هطول الأمطار الشهرية الملاحظة والنموذجية، كما هو موضح في الشكل 5. يتضمن هذا الشكل المعادلات ومقاييس الأداء لكل طريقة، مما يبرز فعاليتها دون تقسيم البيانات حسب المحطة أو الشهر. يوضح الشكل 6 نتائج الانحدار حسب المحطة، مع عرض الاختيار الآلي للنموذج الأمثل بناءً على قيم R².
بالإضافة إلى ذلك، يقيم الشكل 7 أداء نموذج خطي بدون تقاطع عبر محطات وشهور مختلفة. تم اختيار هذا النموذج بسبب أدائه المتفوق في 241 من 275 حالة، متفوقًا على طريقة LOESS. تم اتخاذ قرار اختيار هذا النموذج لضمان الاتساق المنهجي مع التحليلات السابقة، مما يبرز موثوقيته في التقاط اتجاهات هطول الأمطار.
مناقشة
تقيم قسم المناقشة في ورقة البحث مجموعة بيانات هطول الأمطار من ناسا POWER مقابل الملاحظات الأرضية من 23 محطة أرصاد جوية عبر تونس، تغطي الفترة من 1981 إلى 2023. تكشف التحليلات أنه بينما تلتقط مجموعة البيانات بشكل فعال التدرج العام من الشمال إلى الجنوب لمتوسط هطول الأمطار السنوي (مع معامل تحديد مكاني $R^2 = 0.96$)، فإنها تقلل بشكل كبير من تقديرات extremes هطول الأمطار المحلية وتخفف من التباين بين السنوات. على وجه الخصوص، يفشل النموذج في تمثيل الأحداث التكتيلية عالية الكثافة بدقة، خاصة خلال أشهر الصيف، مما يؤدي إلى تقليل الانحراف المعياري السنوي بنحو 30% في أكثر المناطق تباينًا. على سبيل المثال، يمكن أن تتجاوز معاملات التباين الملاحظة في أغسطس 500%، بينما تعود قيم النموذج إلى 99% فقط.
تحدد الدراسة أيضًا أن النموذج يعمل بشكل مرضٍ خلال الخريف والربيع (مع $R^2 > 0.70$)، ولكنه يواجه صعوبة في الصيف، خاصة في أغسطس، حيث تنخفض قيم $R^2$ إلى أقل من 0.30 في المناطق الوسطى والجنوبية. يُعزى هذا الانخفاض في الأداء إلى دقة النموذج المكاني الخشنة التي تبلغ حوالي 50 كم، والتي لا تكفي لالتقاط العمليات التكتيلية الصغيرة التي تحرك تباين هطول الأمطار في تونس. وبالتالي، يوصي المؤلفون بالحذر عند استخدام بيانات ناسا POWER في النمذجة الهيدرولوجية وإدارة موارد المياه في المناطق الجافة دون تنفيذ تصحيحات محلية محددة. تشمل اتجاهات الأبحاث المستقبلية تطوير منتجات هجينة ونماذج بايزي هرمية لتحسين حساب تباين هطول الأمطار في المناخات شبه الجافة.
DOI: https://doi.org/10.26471/cjees/2026/021/362
Publication Date: 2026-02-18
Author(s): Safouane Mouelhi et al.
Primary Topic: Precipitation Measurement and Analysis
Overview
The NASA Prediction of Worldwide Energy Resources (POWER) system provides satellite-based climate and solar data, which are crucial for renewable energy, agriculture, and hydrology. This study evaluates the accuracy of NASA POWER’s precipitation estimates against ground-based observations from 23 meteorological stations in Tunisia, covering various climate zones from humid to Saharan, over the period 1981-2023. The analysis employed regression and descriptive statistics to assess the model’s performance in capturing both average precipitation and its variability. Results indicate that while NASA POWER effectively represents the overall spatial pattern of mean annual rainfall (spatial $R^2 = 0.96$), it significantly underestimates orographic extremes and dampens interannual and monthly variability, particularly in summer months.
The findings reveal that the model’s performance is strongest in autumn and spring (with $R^2 > 0.75$), when rainfall is influenced by large-scale synoptic systems. However, in August, the model’s performance declines sharply (with $R^2 < 0.30$), failing to capture localized convective events that drive summer rainfall variability. The coefficient of variation is consistently underestimated, indicating a mismatch between the model's coarse spatial resolution (approximately 50 km) and the fine-scale characteristics of Mediterranean rainfall. Consequently, the NASA POWER dataset is not suitable for direct application in hydrological and agricultural planning in Tunisia without local bias corrections. The study underscores the necessity for local validation of global precipitation datasets, particularly in regions characterized by significant climatic variability and localized rainfall patterns. Future research should aim to develop improved modeling approaches to better capture the high variability of precipitation in semi-arid regions.
Introduction
The introduction of the research paper outlines the evolution of global climate datasets, beginning with the World Meteorological Organization (WMO) standards in the mid-20th century and progressing to modern reanalyses like ERA5. The availability of open data platforms, such as those provided by NOAA and NASA, has significantly enhanced access to climate data, facilitating research across various fields. The NASA POWER dataset, originally designed for energy resource planning, has become instrumental in agriculture, hydrology, and climatology, particularly in regions with limited ground observations.
Despite its widespread application, the NASA POWER dataset has notable limitations, particularly in Mediterranean and tropical climates. Issues such as poor representation of wind speed, systematic errors in evapotranspiration estimates, and inaccuracies in precipitation and temperature extremes have been identified. In Tunisia, where the dataset is increasingly utilized, the reliability of precipitation data remains unvalidated on a national scale, which is critical for agricultural yields and water security. This study aims to evaluate the NASA POWER dataset from 1981 to 2023 across 23 stations, focusing on its performance in interannual monthly distributions, spatial rainfall pattern reproduction, and the development of month-specific regression adjustments to address local variability.
Methods
The research methodology is structured into three primary steps: data collection, data extraction, and performance evaluation. Initially, observed rainfall data were gathered from the Tunisian General Directorate of Water Resources (DGRE) station network. Subsequently, corresponding data were extracted from the NASA POWER model for the same locations and time frame. The final step involved a comparative analysis of the two datasets through regression analysis to assess the model’s accuracy.
To evaluate the performance of the NASA POWER precipitation estimates, ordinary kriging was employed for spatial interpolation of annual mean precipitation, utilizing an exponential variogram model. Regression analysis was conducted using linear, quadratic, and exponential models, with a focus on parsimony to avoid overfitting. The linear model was preferred unless a more complex model significantly improved the coefficient of determination ($R^2$) by at least 5%. At the station level, regressions were constrained to pass through the origin to ensure physical consistency, while both models with and without intercepts were used for national-level analysis. Performance metrics included $R^2$ and root mean square error (RMSE), alongside descriptive statistics. The entire analytical process was automated using custom scripts in RStudio, ensuring reproducibility and adaptability to future updates of the NASA POWER dataset, in alignment with the FAIR principles of data management.
Results
The results section details the outcomes of four global regression methods applied to monthly observed and modeled precipitation data, as illustrated in Figure 5. This figure includes the equations and performance metrics for each method, highlighting their effectiveness without stratifying the data by station or month. Figure 6 further breaks down the station-wise regression results, showcasing the automated selection of the optimal model based on R² values.
Additionally, Figure 7 evaluates the performance of a no-intercept linear model across various stations and months. This model was selected due to its superior performance in 241 out of 275 cases, outperforming the LOESS method. The choice of this model was made to ensure methodological consistency with previous analyses, underscoring its reliability in capturing precipitation trends.
Discussion
The discussion section of the research paper evaluates the NASA POWER precipitation dataset against ground-based observations from 23 meteorological stations across Tunisia, covering the period from 1981 to 2023. The analysis reveals that while the dataset effectively captures the overall north-south gradient of mean annual precipitation (with a spatial coefficient of determination $R^2 = 0.96$), it significantly underestimates localized precipitation extremes and dampens interannual variability. Specifically, the model fails to accurately represent high-intensity convective events, particularly during summer months, leading to an attenuation of annual standard deviation by approximately 30% in the most variable regions. For instance, observed coefficients of variation in August can exceed 500%, while the model returns values as low as 99%.
The study further identifies that the model performs satisfactorily during autumn and spring (with $R^2 > 0.70$), but struggles in summer, especially in August, where $R^2$ values drop below 0.30 in central and southern regions. This performance decline is attributed to the model’s coarse spatial resolution of about 50 km, which is inadequate for capturing the small-scale convective processes that drive precipitation variability in Tunisia. Consequently, the authors recommend caution in using NASA POWER data for hydrological modeling and water resource management in arid regions without implementing region-specific bias corrections. Future research directions include the development of hybrid products and hierarchical Bayesian approaches to better account for precipitation variability in semi-arid climates.