مجله ژئوفیزیک ایران

مجله ژئوفیزیک ایران

ارزیابی مجموعه داده‌های ERA5-Land، AgERA5 و MSWX در برآورد دما بر روی ایران

نوع مقاله : مقاله پژوهشی‌

نویسندگان
مطهره محمدآبادی 1
عباس مفیدی 2
آذر زرین 2
عباسعلی داداشی رودباری 3
1 دانشجوی کارشناس ارشد اقلیم شناسی، گروه جغرافیا، دانشگاه فردوسی مشهد، خراسان رضوی، ایران
2 دانشیار، گروه جغرافیا، دانشگاه فردوسی مشهد، خراسان رضوی، ایران
3 پژوهشگر پسادکتری، گروه جغرافیا، دانشگاه فردوسی مشهد، خراسان رضوی، ایران
10.30499/ijg.2024.432374.1560
چکیده
دما یک متغیر اصلی در سامانه اقلیم زمین است که نقش مهمی در فرآیند‌‌های تبادل انرژی سطح زمین و جو دارد. هدف از پژوهش حاضر ارزیابی‌کارایی سه مجموعه‌داده‌ بازتحلیل ERA5-Land، AgERA5 و MSWX به منظور تعیین مناسب‌ترین داده دما بر روی ایران است. درستی‌سه مجموعه‌داده‌ با استفاده از داده‌های دمای ۹۸ ایستگاه هواشناسی‌همدیدی در دوره آماری ۲۰۲۰- ۱۹۹۱ بررسی شد. با استفاده از مقادیر دمای کمینه، بیشینه و میانگین و با بکارگیری سنجه‌های اریبی، RMSE و ضریب توافق، کارایی سه مجموعه داده نسبت به داده‌های ایستگاهی در مقیاس‌های ماهانه و سالانه ارزیابی شد. ابتدا سه مجموعه داده‌ به تفکیک برای دمای کمینه، بیشینه و میانگین به شکل فضایی درستی‌سنجی شدند. سپس با در نظرگرفتن 7 پهنه اقلیمی‌ اصلی، کارایی دمای میانگین سالانه به صورت فضایی و زمانی مورد ارزیابی قرار‌گرفت. نتایج‌ نشان دادکه هرسه مجموعه داده در برآورد دمای‌کمینه ایران از مقدار خطا و‌ اریبی‌کمتری برخوردارند. در صورتی‌که در برآورد دمای بیشینه، داده‌های AgERA5 و MSWX به‌ترتیب با مقادیر℃74/1 و℃42/1 به طور محسوسی خطای‌کمتری را از خود نشان‌ دادند. در‌مقابل، داده‌های ERA5-Land نشان دهنده بیش‌برآوردی (℃05/5) و مقادیر بالای خطا (℃07/5) در سطح کشور می‌باشد. ارزیابی هر سه متغیر دما نشان داد که مجموعه‌داده MSWX  با میانگین اریبی‌کمتر از ℃1 کارایی بالاتری در برآورد دمای ایران دارد. همچنین، در بررسی دمای میانگین برای داده‌های ERA5-Land، AgERA5 و MSWX مقادیرضریب ‌توافق برای 98 ایستگاه مورد بررسی، به‌ترتیب 45/0، 65/0 و 75/0 به‌دست آمده است. تغییرات زمانی و روندهای کاهشی و افزایشی دما در سه مجموعه داده با ضرایب همبستگی بین86/0 تا 99/0، در تمام پهنه‌های اقلیمی‌کشور از انطباق بالایی با داده‌های مشاهداتی برخوردار است. نتایج همچنین‌نشان داد، مقادیر خطا در هر سه مجموعه داده در فصل زمستان در پهنه‌های اقلیمی کوهستانی کشور به بیشینه خود می‌رسد.
 
کلیدواژه‌ها
دما
ERA5-Land
AgERA5
MSWX
ایران

موضوعات

عنوان مقاله English

Evaluation of air temperature estimated by ERA5-Land, AgERA5, and MSWX datasets over Iran

نویسندگان English

Motahare Mohammadabadi 1
Abbas Mofidi 2
Azar zarrin 2
Abbasali Dadashi-Roudbari 3
1 M.Sc. Student of Climatology, Department of Geography, Ferdowsi University of Mashhad, Mashhad, Khorasan Razavi, Iran
2 Associate Professor, Department of Geography, Ferdowsi University of Mashhad, Mashhad, Khorasan Razavi, Iran
3 Postdoctoral Research Associate of Climatology, Ferdowsi University of Mashhad, Mashhad, Khorasan Razavi, Iran
چکیده English

Temperature is a major variable in the Earth's climate system, which plays an important role in energy exchange interactions between the Earth's surface and the atmosphere. There are various sources for temperature estimation, including ground stations, satellite products, reanalysis datasets, and
multi-source weighted-ensemble datasets. Reanalysis datasets are generated by combining different types of observational data for a certain time in numerical weather prediction models and using ground and satellite observations. The purpose of this research is to investigate the performance of the ERA5-Land and AgERA5 reanalysis datasets as well as the MSWX multi-source dataset to determine reliable datasets for estimating temperature in Iran. First, we evaluated the temporal variations of the three datasets against the station data. We used the air temperature from 98 stations for 30 years from 1991 to 2020. Three metrics including Root Mean Square Error, Bias, and Index of agreement were used to evaluate ERA5-Land, AgERA5, and MSWX datasets.Then, considering the seven main climate zones of Iran, the spatiotemporal quality of the annual mean temperature was evaluated in different climate zones. The results showed that all three datasets have less error and bias in the estimation of the minimum temperature of Iran. However, AgERA5 and MSWX significantly showed less error in the estimation of the maximum temperature with RMSE of 1.74℃ and 1.42℃, respectively. On the other hand, the ERA5-Land dataset shows overestimation (5.05℃) and high error values (5.07℃) over the country-averaged. The results showed that the MSWX dataset has a better performance in estimating Iran's temperature with an average bias of 1℃. The interannual variations and decreasing and increasing trends of temperature in three datasets with correlation above 0.86 in all climate zones of Iran show a high consistency with observational data.The RMSE in all three datasets reaches its maximum in the winter season in mountainous climate zones of the country. This may be caused by snow-albedo feedback in mountainous climate zones. The findings showed that performing bias correction and downscaling methods as they have been done in MSWX and AgERA5, significantly improved the reanalysis dataset compared to the direct model output. Nevertheless, in the southwest of the Caspian Sea, the bias-corrected MSWX and AgERA5 show more errors than ERA5-Land. In general, the values of bias and RMSE in all three datasets are affected by the physical schemes of the model, parameterization, and data assimilation system, or the downscaling and bias correction methods. However, sources of bias can be different in different seasons of the year. The monthly spatial distribution of temperature in Iran shows that the minimum temperatures are located in the middle of Alborz and the northwest mountains of the country, and the coldest month of the year is January with a temperature of -10.8℃. The maximum temperatures in Iran are located in the southwest of the country and the southern coasts, and the hottest month of the year is July with an average temperature of 42.38℃.

کلیدواژه‌ها English

Air temperature
eRA5-land
agERA5
mSWX
Iran
احمدی، محمود؛ داداشی رودباری، عباسعلی و احمدی، حمزه. (1397 ب). واکاوی دمای روزهنگام سطح زمین ایران مبتنی بر برون‌داد سنجندهMODIS. فصلنامه علوم محیطی، 16(1)، 47-68، https://envs.sbu.ac.ir/article_97918.html.
احمدی، محمود؛ داداشی رودباری، عباسعلی؛ احمدی، حمزه وعلی‌بخشی، زهرا. (1397 الف). واکاوی ساختار دمای ایران مبتنی بر برون‌داد پایگاه دادۀ مرکز پیش‌بینی میان‌مدت هواسپهر اروپایی (ECMWF) نسخۀ ERA Interim. پژوهش‌های جغرافیای طبیعی، 50(2)، 353-372، https://doi.org/10.22059/jphgr.2018.238512.1007092
اخلاقی حسینی، سیده فاطمه؛ زرین، آذر و داداشی رودباری، عباسعلی. (1402). بررسی دامنه شبانه‌روزی دما در ایران با استفاده از مجموعه داده  AgERA5. جغرافیا و مخاطرات محیطی، 12(1)، 189-208، https://doi.org/10.22067/geoeh.2021.72332.1104
اسدی رحیم بیگی، نرگس؛ زرین، آذر؛ مفیدی، عباس و داداشی رودباری، عباسعلی. (1400). تحلیل پراکنش فصلی بارش‌های فرین در ایران با استفاده از پایگاه AgERA5. تحقیقات آب و خاک ایران، 52(11)، 2723-2737، https://doi.org/10.22059/IJSWR.2021.333263.669118
زرین، آذر و داداشی رودباری، عباسعلی. (1401). بررسی مدل‌های CMIP6 در برآورد دمای ایران با تأکید بر حساسیت اقلیم ترازمند (ECS) و پاسخ اقلیم گذرا (TCR). مجله ژئوفیزیک ایران، 17(1)، 39-56،. https://doi.org/10.30499/ijg.2022.344862.1430
زرین، آذر؛ داداشی رودباری، عباسعلی و حسنی، سمیرا. (1400). پیش‌بینی دمای ماهانه ایران با استفاده از پروژه پیش‌بینی اقلیمی دهه‌ای (DCPP) در دهه‌ آینده (2028-2021). فیزیک زمین و فضا، 48(1)، 189-211،https://doi.org/10.22059/jesphys.2022.327886.1007340 
عزیزیان، اصغر؛ بهمن‌آبادی، بهاره و جناب، مهنوش. (1399). برآورد تبخیروتعرق پتانسیل با استفاده از مدل‌های بازتحلیل شده مبتنی بر مشاهدات جهانی در اقلیم‌های مختلف ایران. حفاظت منابع آب و خاک (علمی - پژوهشی)، 10(1)، 1-18، https://dorl.net/dor/20.1001.1.22517480.1399.10.1.1.2
هاشم‌زاده، محمد؛ عزیزی، قاسم؛ کریمی، مصطفی؛ خوش‌اخلاق، فرامرز؛ و شمسی‌پور، علی‌اکبر. (1399). ارزیابی پایگاه داده بازکاوی ERA-Interim  در ارزیابی توزیع زمانی-مکانی و روند تندی باد در شرق ایران. پژوهش های جغرافیای طبیعی، 52(4)، 515-533، https://doi.org/10.22059/jphgr.2021.303215.1007518
Araghi, A., Martinez, C. J., & Olesen, J. E. (2023). Evaluation of MSWX gridded data for modeling of wheat performance across Iran. European Journal of Agronomy, 144, 126769. https://doi.org/10.1016/j.eja.2023.126769
Araújo, C. S. P. d., Silva, I. A. C. e., Ippolito, M., & Almeida, C. D. G. C. d. (2022). Evaluation of air temperature estimated by ERA5-Land reanalysis using surface data in Pernambuco, Brazil. Environmental Monitoring and Assessment, 194(5), 381. https://doi.org/10.1007/s10661-022-10047-2
Arismendi, I., Safeeq, M., Dunham, J. B., & Johnson, S. L. (2014). Can air temperature be used to project influences of climate change on stream temperature? Environmental Research Letters, 9(8), 084015. https://doi.org/10.1088/1748-9326/9/8/084015
Arshad, M., Ma, X., Yin, J., Ullah, W., Liu, M., & Ullah, I. (2021). Performance evaluation of ERA-5, JRA-55, MERRA-2, and CFS-2 reanalysis datasets, over diverse climate regions of Pakistan. Weather and Climate Extremes, 33, 100373. https://doi.org/10.1016/j.wace.2021.100373
Avila-Diaz, A., Benezoli, V., Justino, F., Torres, R., & Wilson, A. (2020). Assessing current and future trends of climate extremes across Brazil based on reanalysis and earth system model projections. Climate Dynamics, 55(5-6), 1403-1426. https://doi.org/10.1007/s00382-020-05333-z
Azarderakhsh, M., Prakash, S., Zhao, Y., & AghaKouchak, A. (2020). Satellite-based analysis of extreme land surface temperatures and diurnal variability across the hottest place on Earth. IEEE Geoscience and Remote Sensing Letters, 17(12), 2025-2029. https://doi.org/10.1109/lgrs.2019.2962055
Beck, H. E., Van Dijk, A. I., Larraondo, P. R., McVicar, T. R., Pan, M., Dutra, E., & Miralles, D. G. (2022). MSWX: Global 3-hourly 0.1 bias-corrected meteorological data including near-real-time updates and forecast ensembles. Bulletin of the American Meteorological Society, 103(3), E710-E732. https://doi.org/10.1175/BAMS-D-21-0145.1
Beck, H. E., Zimmermann, N. E., McVicar, T. R., Vergopolan, N., Berg, A., & Wood, E. F. (2018). Present and future Köppen-Geiger climate classification maps at 1-km resolution. Scientific data, 5(1), 1-12. https://doi.org/10.1038/sdata.2018.214
Bell, B., Hersbach, H., Simmons, A., Berrisford, P., Dahlgren, P., Horányi, A., Muñoz-Sabater, J., Nicolas, J., Radu, R., Schepers, D., Soci, C., Villaume, S., Bidlot, J.-R., Haimberger, L., Woollen, J., Buontempo, C., & Thépaut, J.-N. (2021). The ERA5 global reanalysis: Preliminary extension to 1950. Quarterly Journal of the Royal Meteorological Society, 147(741), 4186-4227. https://doi.org/10.1002/qj.4174
Blanco, K., Villamizar, S. R., Avila-Diaz, A., Marceló-Díaz, C., Santamaría, E., & Lesmes, M. C. (2023). Daily dataset of precipitation and temperature in the Department of Cauca, Colombia. Data in Brief, 50, 109-542. https://doi.org/10.1016/j.dib.2023.109542
Brulebois, E., Castel, T., Richard, Y., Chateau-Smith, C., & Amiotte-Suchet, P. (2015). Hydrological response to an abrupt shift in surface air temperature over France in 1987/88. Journal of Hydrology, 531, 892-901. https://doi.org/10.1016/j.jhydrol.2015.10.026
Choudhury, D., Ji, F., Nishant, N., & Di Virgilio, G. (2023). Evaluation of ERA5-Simulated Temperature and Its Extremes for Australia. Atmosphere, 14(6), 913.
Ciccarelli, N., Von Hardenberg, J., Provenzale, A., Ronchi, C., Vargiu, A., & Pelosini, R. (2008). Climate variability in north-western Italy during the second half of the 20th century. Global and Planetary Change, 63(2-3), 185-195. https://doi.org/10.1016/j.gloplacha.2008.03.006
Dee, D., Källén, E., Simmons, A., & Haimberger, L. (2011). Comments on “Reanalysis suitable for characterizing long-term trends”. Bulletin of the American Meteorological Society, 92(1), 65-70. https://www.jstor.org/stable/26226802
Di Virgilio, G., Evans, J. P., Di Luca, A., Olson, R., Argüeso, D., Kala, J., Andrys, J., Hoffmann, P., Katzfey, J. J., & Rockel, B. (2019). Evaluating reanalysis-driven CORDEX regional climate models over Australia: model performance and errors. Climate Dynamics, 53, 2985-3005. https://doi.org/10.1007/s00382-019-04672-w
Ferrigno, J. G. (1991). Glaciers of Iran. Glaciers of the Middle East and Africa: Satellite Image Atlas of Glaciers of the World, U.S. Geological Survey professional paper; No. 1386-G, G31-G47. Available at https://pubs.usgs.gov/pp/p1386a.
Hafizi, H., & Sorman, A. A. (2022). Integrating meteorological forcing from ground observations and MSWX dataset for streamflow prediction under multiple parameterization scenarios. Water, 14(17), 2721. https://doi.org/10.3390/w14172721
He, W., Zhang, L., & Yuan, C. (2022). Future air temperature projection in high-density tropical cities based on global climate change and urbanization–a study in Singapore. Urban Climate, 42, 101115. https://doi.org/10.1016/j.uclim.2022.101115
Henfridsson, U., Neimane, V., Strand, K., Kapper, R., Bernhoff, H., Danielsson, O., Leijon, M., Sundberg, J., Thorburn, K., & Ericsson, E. (2007). Wave energy potential in the Baltic Sea and the Danish part of the North Sea, with reflections on the Skagerrak. Renewable energy, 32(12), 2069-2084. https://doi.org/10.1016/j.renene.2006.10.006
Hersbach, H., Bell, B., Berrisford, P., Hirahara, S., Horányi, A., Muñoz-Sabater, J., Nicolas, J., Peubey, C., Radu, R., Schepers, D., Simmons, A., Soci, C., Abdalla, S., Abellan, X., Balsamo, G., Bechtold, P., Biavati, G., Bidlot, J., Bonavita, M.,...Thépaut, J.-N. (2020). The ERA5 global reanalysis. Quarterly Journal of the Royal Meteorological Society, 146(730), 1999-2049. https://doi.org/10.1002/qj.3803
IPCC. (2021). Summary for Policymakers. In C. Intergovernmental Panel on Climate (Ed.) , Climate Change 2021 – The Physical Science Basis: Working Group I Contribution to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change (pp. 3-32). Cambridge University Press. https://doi.org/10.1017/9781009157896.001
Irmak, A., Ranade, P. K., Marx, D., Irmak, S., Hubbard, K. G., Meyer, G., & Martin, D. L. (2010). Spatial interpolation of climate variables in Nebraska. Transactions of the ASABE, 53(6), 1759-1771. https://doi.org/10.13031/2013.35803
Karaman, Ç. H., & Akyürek, Z. (2023). Evaluation of near-surface air temperature reanalysis datasets and downscaling with machine learning based Random Forest method for complex terrain of Turkey. Advances in Space Research, 71(12), 5256-5281. https://doi.org/10.1016/j.asr.2023.02.006
Lin, H., Yang, Y., Wang, S., Wang, S., Tang, J., & Dong, G. (2023). Evaluation of MSWX Bias-Corrected Meteorological Forcing Datasets in China. Sustainability, 15(12), 9283. https://doi.org/10.3390/su15129283
Liou, Y.-A., & Kar, S. K. (2014). Evapotranspiration estimation with remote sensing and various surface energy balance algorithms—A review. Energies, 7(5), 2821-2849. https://doi.org/10.3390/en7052821
Liu, L., Gu, H., Xie, J., & Xu, Y. P. (2021). How well do the ERA‐Interim, ERA‐5, GLDAS‐2.1 and NCEP‐R2 reanalysis datasets represent daily air temperature over the Tibetan Plateau? International Journal of Climatology, 41(2), 1484-1505. https://doi.org/10.1002/joc.6867
Malayeri, A. K., Saghafian, B., & Raziei, T. (2021). Performance evaluation of ERA5 precipitation estimates across Iran. Arabian Journal of Geosciences, 14, 1-18. https://doi.org/10.1007/s12517-021-09079-8
Mildrexler, D. J., Zhao, M., & Running, S. W. (2006). Where are the hottest spots on Earth Eos, Transactions American Geophysical Union, 87(43), 461-467. https://doi.org/10.1029/2006EO430002
Mildrexler, D. J., Zhao, M., & Running, S. W. (2011). Satellite finds highest land skin temperatures on Earth. Bulletin of the American Meteorological Society, 92(7), 855-860. https://doi.org/10.1175/2011BAMS3067.1
Mooney, P. A., Mulligan, F. J., & Fealy, R. (2011). Comparison of ERA‐40, ERA‐Interim and NCEP/NCAR reanalysis data with observed surface air temperatures over Ireland. International Journal of Climatology, 31(4), 545-557. https://doi.org/10.1002/joc.2098
Moussavi, M. S., Zoej, M. V., Vaziri, F., Sahebi, M. R., & Rezaei, Y. (2009). A new glacier inventory of Iran. Annals of Glaciology, 50(53), 93-103. https://doi.org/10.3189/172756410790595886
Muñoz-Sabater, J., Dutra, E., Agustí-Panareda, A., Albergel, C., Arduini, G., Balsamo, G., ... & Thépaut, J. N. (2021). ERA5-Land: A state-of-the-art global reanalysis dataset for land applications. Earth system science data, 13(9), 4349-4383. https://doi.org/10.5194/essd-13-4349-2021
Poveda, G., Waylen, P. R., & Pulwarty, R. S. (2006). Annual and inter-annual variability of the present climate in northern South America and southern Mesoamerica. Palaeogeography, Palaeoclimatology, Palaeoecology, 234(1), 3-27. https://doi.org/10.1016/j.palaeo.2005.10.031
Raziei, T., & Parehkar, A. (2021). Performance evaluation of NCEP/NCAR reanalysis blended with observation-based datasets for estimating reference evapotranspiration across Iran. Theoretical and Applied Climatology, 144, 885-903. https://doi.org/10.1007/s00704-021-03578-0
Sarhan, E., Mofidi, A., Dadashi-Roudbari, A., Zarrin, A., & Minaei, M. (2023). Climatology of cold spots and LST minimums in Iran using high-resolution satellite data. Theoretical and Applied Climatology, https://doi.org/10.1007/s00704-023-04699-4
Stone, R. (2016). The incredible ecosystem of Earth’s hottest spot. Science, https://www.sciencemag.org/ news/2016/12/incredible-ecosystem-earth-s-hottest-spot. https://doi.org/10.1126/science.aal0513
Tarek, M., Brissette, F. P., & Arsenault, R. (2020). Evaluation of the ERA5 reanalysis as a potential reference dataset for hydrological modelling over North America. Hydrology and Earth System Sciences, 24(5), 2527-2544. https://doi.org/10.1007/s00704-021-03578-0
Terando, A., Youngsteadt, E., Meineke, E., & Prado, S. (2018). Accurate near surface air temperature measurements are necessary to gauge large‐scale ecological responses to global climate change. Ecology and evolution, 8(11), 5233. https://doi.org/10.1002/ece3.3965
Wackernagel, H., & Wackernagel, H. (2003). Ordinary kriging. Multivariate geostatistics: an introduction with applications, 79-88. https://books.google.com/books?id=Rhr7bgLWxx4C&lpg=PA1&ots=LkUk9tm3Vx& dq=Wackernagel%2C%20H.%2C%20%26%20Wackernagel%2C%20H.%20(2003).%20Ordinary%20kriging.%20Multivariate%20geostatistics%3A%20an%20introduction%20with%20applications%2C%2079-88.%20&lr&pg=PA1#v=onepage&q&f=false
Walker, J. M. (1975). On summer atmospheric processes over south‐west Asia. Tellus, 27(5), 491-496. https://doi.org/10.1111/j.2153-3490.1975.tb01702.x
Wang, S., Zhang, M., Sun, M., Wang, B., Huang, X., Wang, Q., & Feng, F. (2015). Comparison of surface air temperature derived from NCEP/DOE R2, ERA-Interim, and observations in the arid northwestern China: a consideration of altitude errors. Theoretical and Applied Climatology, 119, 99-111. https://doi.org/10.1007/s00704-014-1107-1
Willmott, C. J. (1981). On the validation of models. Physical geography, 2(2), 184-194. https://doi.org/10.1080/02723646.1981.10642213
Xu, X., Li, J., & Tolson, B. A. (2014). Progress in integrating remote sensing data and hydrologic modeling. Progress in Physical Geography, 38(4), 464-498. https://doi.org/10.1177/0309133314536583
Yang, J., Huang, M., & Zhai, P. (2021). Performance of the CRA-40/Land, CMFD, and ERA-Interim datasets in reflecting changes in surface air temperature over the Tibetan Plateau. Journal of Meteorological Research, 35(4), 663-672. https://doi.org/10.1007/s13351-021-0196-x
Yilmaz, M. (2023). Accuracy assessment of temperature trends from ERA5 and ERA5-Land. Science of The Total Environment, 856, 159182. https://doi.org/10.1016/j.scitotenv.2022.159182
Zarrin, A., & Dadashi-Roudbari, A. (2022). Evaluation of reanalysis-based, satellite-based, and “bias-correction”-based datasets for capturing extreme precipitation in Iran. Meteorology and Atmospheric Physics, 134(4), 67. https://doi.org/10.1007/s00703-022-00903-8
Zhao, P., & He, Z. (2022). A First Evaluation of ERA5-Land Reanalysis Temperature Product Over the Chinese Qilian Mountains [Original Research]. Frontiers in Earth Science, 10. https://doi.org/10.3389/feart.2022.907730
Zhao, Y., Norouzi, H., Azarderakhsh, M., & AghaKouchak, A. (2021). Global Patterns of Hottest, Coldest, and Extreme Diurnal Variability on Earth. Bulletin of the American Meteorological Society, 102(9), E1672-E1681.  https://doi.org/10.1175/BAMS-D-20-0325.1
Zou, J., Lu, N., Jiang, H., Qin, J., Yao, L., Xin, Y., & Su, F. (2022). Performance of air temperature from ERA5-Land reanalysis in coastal urban agglomeration of Southeast China. Science of The Total Environment, 828, 154459. https://doi.org/10.1016/j.scitotenv.2022.154459
مجله ژئوفیزیک ایران
دوره 18، شماره 4
مهر و آبان 1403
صفحه 131-159