Applicability Assessment of AgMERRA Database in time of data scarcity in Synoptic Stations of Sistan Plain

Document Type : Original Article


1 Academic member

2 Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran



In climatic and environmental studies, we sometimes encounter data gap or deficiency, so using other sources for creating reliable meteorological data at different spatiotemporal scales, becomes crucially important. For this, various research groups around the world have been collecting multiple meteorological data from different terrestrial and satellite sources and combining them to provide regular global data at different scales. In this study, the applicability of AgMERRA as a gauge-satellite database was evaluated in order to fill meteorological data gap, using goodness of fit measures and probability distribution functions. This was completed with the ultimate goal of producing reliable climatic data to study Hamoun International Wetland.
We studied three major synoptic stations of Sistan plain in southeast of Iran: Zabol, Zahak and Zahedan. The observed daily maximum, minimum and average temperatures and precipitation data were collected through Iran meteorological Organization (IMO). AgMERRA Data was downloaded through NASA website and extracted with OPEN NCfile software. Then five goodness of fit were calculated at three spatiotemporal scales (daily, 14 days, monthly) to define correlation between the observed and simulated data.
We found that AgMERRA has good ability to fill temperature data deficiency in the three studied stations. RMSE, NRMSE, MBE and d showed good and high correlation between the observed and modeled temperature data. Also R2 was high for temperature data at three temporal scales. However, correlation coefficient for daily and 14-day precipitation was <0.5 and <0.6 respectively, which is low. At the three stations, R2 was higher than 0.7 for the monthly precipitation.
Results showed that AgMERRA has an acceptable potential to simulate meteorological data of the study area especially for temperature and could be used to fill the data gap. The generated data will be used to check the status of the Hamoon International Wetland.


  1. بحرالعلوم، ر.، رمضانی اعتدالی، ه.، عزیزیان، ا. و آبابائی، ب. 1399.کاربرد اطلاعات پایگاه‏ های داده‏ های هواشناسی مختلف در برآورد عملکرد و نیاز آبی گندم (مطالعۀ موردی: دشت قزوین). مجلهاکوهیدرولوژی. 7 (3): 691-706.
  2. جوکار، ل.، پناهی، ف.، ساداتی‌نژاد، س.ج. و شکیبا، ع.ر. 1400. روند تغییرپذیری شاخص‌های حدی بارش در حوزه آبریز بختگان با استفاده از داده‌های AgMERRA و داده‌های ایستگاهی.نشریه علمی پژوهشی مهندسی آبیاری و آب ایران. 12 (1): 364-381.
  3. رضوی، ا.ر.، نصیری محلاتی، م.، کوچکی، ع.ر. و بهشتی، ع. ر. 1397. امکانسنجی استفاده از AgMERRA برای پرکردن خلأ داده های بارندگی و دما در ایستگاههای سینوپتیک افغانستان، نشریه آب و خاک. 32 (3): 601-616.
  4. رمضانی اعتدالی، ه.، گرگین، ف. و کاکوند، پ. 1400. بررسی عملکرد دو پایگاه داده هواشناسی در تخمین ردپای آب گیاه ذرت، مطالعه موردی: دشت قزوین. نشریه آبیاری و زهکشی ایران. 15 (6): 1394-1403.
  5. زنگنه اینانلو، م. ر. قهرمان، ب. و فریدحسینی، ع. ر. 1397. مقایسه مقادیر مشاهداتی بارش و اطلاعات بارش ماهوارهای PERDIANN و CMORPH- روش‌های درونیابی در مقیاس ساعتی و روزانه (مطالعه موردی: حوضه آبریز شاپور)، مجله تحقیقات منابع آب ایران. 14 (4): 1-12.
  6. علی بخشی، س. م.، فریدحسینی، ع. ر.، داوری، ک.، علیزاده، ا. و هنری، م. 1397. ارزیابی داده های بارش زمینی، ماهواره GMPو MERRA (مطالعه موردی: حوضه آبریز کشف رود)، پژوهشنامه مدیریت حوضه آبخیز. 9 (18): 111-122.
  7. غضنفری مقدم، م. ص. علیزاده، ا.، موسوی بایگی، س. م.، فریدحسینی، ع. ر. و بنایان اول، م. 1390. مقایسه مدل PERSIANN با روش های درونیابی به منظور کاربرد در تخمین مقادیر بارندگی روزانه (مطالعه موردی، خراسان شمالی)، نشریه آب و خاک. 25 (1): 207-215.
  8. فرهادی، م.، جهان، م. و بنایان اول، م. 1400. بررسی اعتبار و امکان استفاده از داده‌های شبکه‌بندی‌شده AgMERRA برای مطالعات اقلیمی-کشاورزی در استان خراسان شمالی. نشریه پژوهشهای زراعی ایران. 19 (2): 201-217.
  9. لشکری، ا.، بنایان، م.، کوچکی، ع. ر.، علیزاده، ا.، یانگ سای، چ. و سئون کی، پ. 1394. بررسی امکان سنجی استفاده از پایگاه داده AgMERRA برای ساخت داده های گمشده و ناقص موجود در ایستگاه های سینوپتیک (مطالعه موردی: دشت مشهد)، نشریه آب و خاک، 29 (6) : 1749-1758.
  10. یعقوبی، ف.، بنایان اول، م. و اسدی، ق. 1397. ارزیابی داده های شبکه بندی شدهAgMERRA در شبیه سازی نیاز آبی گندم دیم در استان خراسان رضوی، نشریه آب و خاک. 32 (2):  415-431.
  11. Ahmad, B., Haider, S., and Bukhari, S.A.A. 2015. Regional precipitation response to regional warming in past and future climate. Pakistan Journal of Meteorology, 11(22): 57-75.
  12. Allen, R.J., and DeGAETANO, A.T. 2001. Estimating missing daily temperature extremes using an optimized regression approach. International Journal of Climatology: A Journal of the Royal Meteorological Society, 21(11): 1305-1319.
  13. Battisti, R., Bender, F.D., and Sentelhas, P.C. 2019. Assessment of different gridded weather data for soybean yield simulations in Brazil. Theoretical and applied climatology, 135(1): 237-247.
  14. Bender, F.D., and Sentelhas, P.C. 2018. Solar radiation models and gridded databases to fill gaps in weather series and to project climate change in Brazil. Advances in Meteorology.
  15. Bosilovich, M. G., Chen, J., Robertson, F. R., and Adler, R. F. 2008. Evaluation of global precipitation in reanalyses. Journal of applied meteorology and climatology, 47(9): 2279-2299.
  16. Burhan, A., and Athar, H. 2019. PDF based seasonal changes in AgMERRA observations and GCM20 and RegCM4.3 projections over Pakistan Region. Climate Change. 5(17): 68-81.
  17. Burroughs, W., and Burroughs, W.S. 2003. Climate: Into the 21st century. Cambridge University Press.
  18. Goovaerts, P. 1997. Geostatistics for natural resources evaluation. Oxford University Press on Demand.
  19. Hajihosseini, H., Hajihosseini, M., Morid, S., Delavar, M., and Booij, M.J. 2016. Hydrological assessment of the 1973 treaty on the transboundary Helmand river, using the SWAT model and a global climate database. Water resources management. 30(13): 4681-4694.
  20. Hijmans, R.J., Cameron, S.E., Parra, J.L., Jones, P. G., and Jarvis, A. 2005. Very high resolution interpolated climate surfaces for global land areas. International Journal of Climatology: Journal of the Royal Meteorological Society. 25(15): 1965-1978.
  21. Hong, Y., Hsu, K. L., Sorooshian, S., and Gao, X. 2004. Precipitation estimation from remotely sensed imagery using an artificial neural network cloud classification system. Journal of Applied Meteorology. 43(12): 1834-1853.
  22. Kira, O., Nguy-Robertson, A.L., Arkebauer, T.J., Linker, R., and Gitelson, A. A. 2017. Toward generic models for green LAI estimation in maize and soybean. Satellite observations. Remote Sensing. 9(4): 318.
  23. Lobell, D.B. 2007. Changes in diurnal temperature range and national cereal yields. Agricultural and forest meteorology.145(3-4): 229-238.
  24. Miao, C., Ashouri, H., Hsu, K.L., Sorooshian, S., and Duan, Q. 2015. Evaluation of the PERSIANN-CDR daily rainfall estimates in capturing the behavior of extreme precipitation events over China. Journal of Hydrometeorology. 16(3): 1387-1396.
  25. Poméon, T., Jackisch, D., and Diekkrüger, B. 2017. Evaluating the performance of remotely sensed and reanalysed precipitation data over West Africa using HBV light. Journal of hydrology. 547: 222-235.
  26. Rosenzweig, C., Elliott, J., Deryng, D., Ruane, A.C., Müller, C., Arneth, A., Boote, K.J., Folberth, C., Glotter, M., Khabarov, N., Neumann, K., Pionteke, F., Pugh, T.A.M., Schmid, E., Stehfest, E., Yang, H., and Jones, J. W. 2014. Assessing agricultural risks of climate change in the 21st century in a global gridded crop model intercomparison. Proceedings of the national academy of sciences. 111(9): 3268-3273.
  27. Roy, T., Valdés, J. B., Lyon, B., Demaria, E. M., Serrat-Capdevila, A., Gupta, H. V., Valdés-Pineda, r. and Durcik, M. 2018. Assessing hydrological impacts of short-term climate change in the Mara River basin of East Africa. Journal of Hydrology. 566: 818-829.
  28. Ruane, A. C., Goldberg, R., and Chryssanthacopoulos, J. 2015. Climate forcing datasets for agricultural modeling: Merged products for gap-filling and historical climate series estimation. Agricultural and Forest Meteorology. 200: 233-248.
  29. Salehnia, N., Alizadeh, A., Sanaeinejad, H., Bannayan, M., Zarrin, A., and Hoogenboom, G. 2017. Estimation of meteorological drought indices based on AgMERRA precipitation data and station-observed precipitation data. Journal of arid land. 9(6): 797-809.
  30. Schneider, U., Becker, A., Finger, P., Meyer-Christoffer, A., Rudolf, B., and Ziese, M. 2011. GPCC full data reanalysis version 6.0 at 0.5: Monthly land-surface precipitation from rain-gauges built on GTS-based and historic data. GPCC Data Rep.
  31. Tang, X., Zhang, J., Gao, C., Ruben, G. B., and Wang, G. 2019. Assessing the uncertainties of four precipitation products for SWAT modeling in Mekong River Basin. Remote Sensing. 11(3): 304. doi:10.3390/rs11030304.
  32. Tardivo, G., and Berti, A. 2012. A dynamic method for gap filling in daily temperature datasets. Journal of Applied Meteorology and Climatology. 51(6): 1079-1086.
  33. Toreti, A., Maiorano, A., De Sanctis, G., Webber, H., Ruane, A. C., Fumagalli, D., Fumagalli, A. Ceglar, S. Niemeyer, and Zampieri, M. (2019). Using reanalysis in crop monitoring and forecasting systems. Agricultural systems. 168, 144-153.
  34. Wang, G., Zhang, X., and Zhang, S. 2019. Performance of three reanalysis precipitation datasets over the Qinling-Data mountains, eastern fringe of Tibetan plateau, China.Advances in Meteorology.
  35. Willmott, C. J., and Matsuura, K. 1995. Smart interpolation of annually averaged air temperature in the United States. Journal of Applied Meteorology and Climatology. 34(12): 2577-2586.
  36. Zhu, Q., Xuan, W., Liu, L., and Xu, Y. P. 2016. Evaluation and hydrological application of precipitation estimates derived from PERSIANN‐CDR, TRMM 3B42V7, and NCEP‐CFSR over humid regions in China. Hydrological Processes. 30(17): 3061-3083.