پدیده خشکسالی از جمله بلایای طبیعی است که امکان وقوع آن در همه شرایط اقلیمی و در همه مناطق کره زمین وجود دارد. اثرات زیان بخش ناشی از این پدیده در بخش های مختلف، به ویژه بخش کشاورزی که عمده-ترین مصرف کننده آب به شمار می رود، می تواند خسارت های زیادی وارد نماید. پایش خشکسالی و پی بردن به الگوی بارش در دوره های خشک در زمان و مکان برای تنظیم برنامه های سازگاری با خشکسالی، امری ضروری است. استان خراسان رضوی، واقع در شمال شرق ایران، دارای اقلیم خشک و نیمه خشک می باشد. وقوع خشکسالی های مکرر در سال های اخیر، اهمیت پرداختن به مقوله خشکسالی را در این منطقه، بیش از پیش آشکار می نماید. داده های بارش نقشی کلیدی در پایش خشکسالی ایفا می کنند. اما متأسفانه به دلیل پراکندگی نامناسب ایستگاه ها و کوتاه بودن دوره آماری بسیاری از داده ها، مطالعات منابع آبی و اقلیمی از جمله خشکسالی، در بسیاری از مناطق، با مشکل مواجه شده است. از این رو لازم است منابع داده اقلیمی، که بتوانند به عنوان مکمل یا جایگزین این نقیصه ها را مرتفع سازند، شناسایی شده و پس از ارزیابی، مورد استفاده قرار گیرند. بر همین اساس در این پژوهش برای پایش خشکسالی در استان خراسان رضوی، با کمک داده های 10 ایستگاه سینوپتیک و 107 ایستگاه باران سنجی استان، اقدام به ارزیابی داده های ماهانه ماهواره trmm (3b43) گردید. محاسبات پایش خشکسالی به کمک شاخص بارش استاندارد شده (spi) و برای مقیاس های زمانی 1، 3، 6 و 12 ماهه برای دوره آماری 13ساله (2010- 1998 میلادی) انجام پذیرفت. ارزیابی داده های ماهانه ماهواره با کمک شاخص موفقیت بحرانی (csi) و ضریب تعیین (r2) انجام شد. نتایج نشان داد در مقیاس های زمانی 6 و 12 ماهه، سازگاری بسیار خوبی بین داده های ماهانه ماهواره و ایستگاه های زمینی وجود دارد. میانگین کلی شاخص csi در مقایسه های داده های ماهواره و ایستگاه های زمینی برای مقیاس زمانی 6 و 12 ماهه به ترتیب 4/62% و 61% و ضریب تعیین (r2) برای همین مقیاس های زمانی به ترتیب 59/0 و 68/0 بدست آمد. اما با کاهش مقیاس زمانی به دلیل افزایش تأثیر ماه های بدون بارش (ماه های خشک) در محاسبه شاخص spi، این مطابقت کمتر شد. همخوانی نقشه های خشکسالی تهیه شده از داده های ماهانه ماهواره trmm با نقشه های خشکسالی بدست آمده از داده های بلندمدت ایستگاه های سینوپتیک، نشان داد توزیع مکانی مناسب داده های بارش، می تواند کوتاه بودن طول دوره آماری آن را جبران نماید. ضمن این که داده های ماهانه ماهواره trmm خشکسالی به وقوع پیوسته سال های 2000 و 2008 در استان خراسان رضوی را درست تشخیص دادند. همچنین در نتایج مشخص شد، تطابق داده های ماهانه ماهواره trmm با ایستگاه های باران سنج ثبات بیشتر از سایر ایستگاه ها می باشد. نتایج حاصله حاکی از آن است که داده های ماهانه ماهواره trmm توانایی پایش خشکسالی استان خراسان رضوی را دارا می باشد.

هدف این پژوهش تحلیل فراوانی مقادیر حداکثرسرعت باد سالانه 25 ایستگاه‏ همدید شرق کشورو مدلسازی سری زمانی داده‏های ماهانه باد این ایستگاه‏ ها ‏است.ایستگاه‏ ها در چهار استان خراسان شمالی، رضوی، جنوبی و سیستان و بلوچستان قرار دارند.طول دوره آماری آنها بیش از 15 سال است. تحلیل فراوانی شامل غربال، آزمون‏های پایه (تصادفی بودن، ایستایی، همگنی و...)، برازش نه تابع توزیع آماری (گامبل نوع1، گامای -2پارامتری، لوگ نرمال 2و3پارامتری، پارتوی تعمیم یافته، حدی تعمیم یافته و پیرسون نوع 3 و وایبول 2و3 پارامتری) است. برآورد پارامترهای این توابع به روش‏های حداکثر درستنمائی، گشتاوری، گشتاورهای اصلاح شده، حداکثر آنتروپی، حداقل مربعات و گشتاورهای وزن‏دار احتمالی انجام می‏شود. آزمون کلموگروف – اسمیرنف برای نیکویی برازش استفاده شده است. توابع توزیع لگ نرمال دو پارامتری، پارتوی تعمیم‏یافته و روش برآورد گشتاورهای وزن‏دار احتمالی دفعات بیشتری مورد استفاده قرار گرفته اند. بخش دوم این تحقیق به مدل‏سازی سری زمانی داده‏های متوسط سرعت باد ماهانه ایستگاه‏های مذکور پرداخته است. هدف این مدل‏سازی پیش‏بینی مقادیر ماهانه سرعت باد است. مدل سری زمانی هر ایستگاه پس از برازش الگو، بر اساس کمترین خطای استاندارد، کمترین معیار اطلاعاتی آکائیک و بیزی انتخاب شد. سرعت ماهانه باد دارای الگوی فصلی ضربی به‏صورت sarima(p,d,q)(p,d,q)12 است. مدل سرعت باد ماهانه ایستگاه‏های تربت حیدریه و گناباد (خراسان رضوی) مشابه شدند که از مدل فصلی ضربی sarima(2,1,1)(0,1,1)12 پیروی می‏کنند. مدل‏های سری زمانی سرعت باد ماهانه ایستگاه‏ های نیشابور و کاشمر (خراسان رضوی)، ایستگاه‏ های قائن و خوربیرجند (خراسان جنوبی) و چابهار با کنارک-چابهار و خاش با سراوان (سیستان و بلوچستان) مشابه‏ اند. داده‏ های سال 2010 برای واسنجی مدل نهایی به‏ کار رفت.ضریب تعیین r2 محاسبه شده در واسنجی در اغلب الگوها نزدیک به 70% است. این ضریب نشان می‏دهد که الگوها برازش مناسبی دارند. بنابراین می‏توان این الگوها را برای پیش‏بینی سرعت متوسط باد ماهانه این ایستگاه‏ ها به‏ کار برد.