سیستم جهانی جذب داده زمین GLDAS :: بیسین - سایت تخصصی مهندسی آب

ابزار وبمستر

Bootstrap Example

عضويت در خبرنامه ايـميـل پايگاه بيسيــن - عضويت پس از کليک بر روي لينک فعال سازي که براي شما ارسال خواهد شد تکميل مي شود




سیستم جهانی جذب داده زمین GLDAS


دمای سطح زمین و شرایط رطوبت تحت تأثیر بسیاری از پدیده های اقلیمی، هواشناسی، زیست محیطی و ژئوفیزیک قرار دارد. بنابراین، برآورد دقیق و با وضوح بالا از ذخیره آب و انرژی زمینی برای پیش بینی تغییرات آب و هوا، آب و هوا، بهره وری بیولوژیکی و کشاورزی، و جاری شدن سیل و برای انجام مطالعات گسترده ای در علوم زیستی گسترده تر، ارزشمند است. به طور خاص، ذخیره های زمینی انرژی و آب شارهای بین زمین و جو را تعدیل می کنند و در مقیاس های زمانی روزانه، فصلی و بین سال ماندگاری نشان می دهند. علاوه بر این، از آنجا که رطوبت، دما و برف خاک یکپارچه هستند، تعصبات در سطح زمین جبر داده ها و پارامترها به عنوان خطا در نمایندگی این حالت ها در پیش بینی های عددی عملیاتی و مدل های آب و هوایی و سیستم های همسان سازی داده های همراه آنها جمع می شود. این منجر به نادرست تقسیم آب و سطح انرژی، و از این رو پیش بینی های نادرست منجر می شود. اگر زمینه های سطح زمین در سطح جهانی، با وضوح مکانی بالا و در زمان تقریباً واقعی قابل اطمینان و در دسترس باشند، مجدداً در حالت های سطح زمین این مشکل را حل می کند.


یک سیستم جهانی جذب داده زمین (GLDAS) به طور مشترک توسط دانشمندان مرکز پرواز فضایی گودارد (GSFC) و اداره ملی اقیانوس و جوی (NOAA) مرکز ملی پیش بینی محیط زیست (GCEFC) توسط اداره ملی هوانوردی و فضا (NASA) توسعه داده شده است؛ به منظور تولید چنین زمینه هایی. GLDAS از نسل جدید سیستم های مشاهده زمینی و مبتنی بر فضا استفاده می کند، که داده هایی را برای محدود کردن حالت های سطح زمین مدل شده فراهم می کند. محدودیت ها به دو روش اعمال می شوند. اول، با اجبار مدل های سطح زمین (LSM) با میدان های هواشناسی مبتنی بر مشاهده، می توان از تعصبات در اجبار مبتنی بر مدل جوی جلوگیری کرد. دوم، با استفاده از تکنیک های همسان سازی داده ها، می توان از مشاهدات حالت های سطح زمین برای جلوگیری از حالت های مدل غیر واقعی استفاده کرد.


از طریق نوآوری و مفهوم سازی همیشه در حال بهبود فیزیک فرآیندهای سیستم زمین، LSM ها به تکامل خود ادامه داده و توانایی بهبود یافته در شبیه سازی پدیده های پیچیده را به نمایش می گذارند. همزمان، افزایش قدرت محاسباتی و مقرون به صرفه بودن این امکان را به شما می دهد که شبیه سازی های جهانی به صورت روتین و با زمان پردازش کمتر، در رزولوشن های مکانی که فقط با استفاده از ابر رایانه ها می توانند پنج سال پیش-شبیه سازی شوند، انجام شوند. GLDAS این قدرت محاسباتی کم هزینه را برای ادغام محصولات مبتنی بر مشاهده از منابع مختلف در یک چارچوب مدل سازی سطح زمین پیچیده، با وضوح بالا، مهار می کند.


آنچه GLDAS را منحصر به فرد می کند اتحاد همه این خصوصیات است: این یک سیستم مدل سازی زمینی با وضوح بالا، آفلاین (جدا نشده با جو) است که شامل مشاهدات ماهواره ای و زمینی برای تولید زمینه های بهینه از سطح زمین است. حالت ها و شارها در زمان تقریباً واقعی است. این مقاله جنبه های اصلی GLDAS را توصیف می کند و نمونه ای از محصولات خروجی را شامل می شود. در مقالات علمی بعدی نتایج چندین مطالعه (که اکنون در مراحل مختلف تکمیل است) که بر روی همسان سازی داده ها، اعتبار سنجی، شروع مدل آب و هوا و سایر جنبه های پروژه متمرکز است، با جزئیات بیشتر از آنچه در یک مقاله ذکر شده است، ارائه می شود.


زمینه

مدل سازی سطح زمین. با پیشرفت در درک پویایی آب خاک، فیزیولوژی گیاه، ریز هواشناسی و کنترل بر فعل و انفعالات جو - بیوسفر هیدروسفر، چندین LSM در دو دهه گذشته با هدف شبیه سازی واقعی انتقال جرم، انرژی و حرکت بین سطح خاک و پوشش گیاهی و جو توسعه یافته. در حال حاضر، GLDAS سه مدل سطح زمین را هدایت می کند: Mosaic، Noah، و Community Land Model-CLM. مدلهای اضافی برای ادغام در آینده در نظر گرفته شده است، از جمله مدل ظرفیت نفوذ متغیر (VIC؛ لیانگ و همکاران 1994) و مدل سطح آبگیر (کاستر و همکاران 2000). برای مقایسه این و سایر LSM ها، به نتایج حاصل از پروژه مقایسه بین طرح های پارامترسازی سطح زمین (PILPS، هندرسون-سلرز و همکاران 1995، بولینگ و همکاران 2003) و پروژه جهانی رطوبت خاک (GSWP؛ دریمیر و همکاران، 1999) مراجعه کنید.


Mosaic. یک LSM کاملاً تثبیت شده و کاملاً منطقی است و ریشه در مدل Simple Biosphere-SiB سلر و همکاران دارد (1986). نوآوری اصلی موزاییک، درمان آن از تغییرپذیری در مقیاس زیر شبکه بود. براساس توزیع انواع گیاهان در داخل سلول، هر سلول شبکه مدل را به موزاییک کاشی (آویسار و پیکل، 1989) تقسیم می کند. محاسبات شار سطحی مشابه آنچه توسط سلر و همکاران (1986) توصیف شده است.


CLM .CLM توسط همکاری مردمی دانشمندانی که علاقه مندند یک مدل کلی سطح زمین را برای استفاده عمومی در دسترس داشته باشد در حال توسعه است (دای و همکاران. 2003). این پروژه توسط هیچ سازمان یا دانشمندی کنترل نمی شود، بلکه علم توسط جامعه هدایت می شود. CLM شامل اجزای برتر از هر سه مدل کمک کننده است: مدل سطح زمین NCAR (بونان، 1998)، طرح انتقال بیوسفر-جو (BATS؛ دیکینسون و همکاران 1986) و LSM موسسه فیزیک جوی آکادمی علوم چین (دای و زنگ، 1997). هر دو نسخه اول CLM در GLDAS گنجانده شده اند.


NOAH. از سال 1993، به عنوان یک پروژه اصلی در چرخه آزمایش جهانی و انرژی بین المللی (GEWEX) پروژه بین المللی مقیاس قاره ای (GCIP ،(NCEP پیشگام همکاری مداوم GCIP و سایر محققان از هر دو موسسه دولتی و خصوصی برای توسعه LSM مدرن برای برای عملیات و تحقیقات در مدلهای پیش بینی آب و هوا و سیستم NCEP و سیستمهای جذب داده آنها استفاده می شود؛ و همچنین برای استفاده در جامعه پشتیبانی و توزیع می شود. Noah LSM (چن و همکاران 1996؛ کورن و همکاران 1999) متولد این تلاش بود. از سال 1996 NOAH به طور عملی در مدل های NCEP مورد استفاده قرار گرفته است و همچنان از پیشرفت مداوم بهره مند می شود (بتس و همکاران 1997؛ اک و همکاران 2003).


Land data assimilation. پیش بینی ها و مشاهدات مدل ناقص هستند، و آنها شامل انواع مختلفی از اطلاعات هستند. مشاهدات ممکن است در نقاط گسسته در مکان و زمان بسیار دقیق باشند، اما در معرض خرابی ابزار، رانش اندازه گیری، وقفه های جریان داده، سوالات مربوط به نمایندگی فضایی و نقص الگوریتم های مورد استفاده برای بدست آوردن مقادیر مفید از سیگنال های اندازه گیری شده هستند. مدل ها تمام دانش ما در مورد فرآیندهای فیزیکی را سنتز می کنند و هزاران محاسبه لازم برای شبیه سازی قطعه ای از سیستم زمین را انجام می دهند، اما آنها با ساده سازی بیش از حد و سو تفاهم از بی شمار فرآیند ها و مکانیسم های بازخوردی که در دنیای واقعی فعال هستند نیز محدود می شوند. همانطور که توسط خطاهای موجود در داده ها برای اجبار مدل ها استفاده می شود. همسان سازی داده ها با هدف به حداکثر رساندن پوشش مکانی، زمانی، سازگاری، وضوح و دقت، اندازه گیری ها را با پیش بینی های مدل ادغام می کند. چندین روش جذب داده در حال آزمایش برای گنجاندن در GLDAS است، از جمله در گروه و فیلترهای توسعه یافته Kalman (کالمن 1960؛ والکر و هسر، 2001)، درونیابی بهینه و تکنیک های درج ترکیبی.


North American LDAS. اساس GLDAS در پروژه سیستم جذب داده زمین آمریکای شمالی (NLDAS) است (میچل و همکاران 1999؛ کاسگروو و همکاران 2003). NLDAS در سال 1998 به عنوان یک همکاری چند نهادی به رهبری NCEP، با هدف تولید حالت های سطح زمین و شار از طریق سیستم فقط زمینی اتصال نشده که تا حد امکان به زمینه های اجباری مبتنی بر مشاهده متکی بود، آغاز شد تا از تعصبات شناخته شده در زمینه های اجباری مبتنی بر مدل جوی بهره مند شود. منطقه مورد مطالعه برای NLDAS ایالات متحده و مناطقی از مکزیک و کانادا را شامل می شود. چهار LSM توسط گروه های مشارکت کننده با وضوح 0.125 درجه اجرا می شوند و تحت همان زمینه های جبری قرار می گیرند، بنابراین امکان مقایسه بین ابهام شبیه سازی های LSM را فراهم می کند. مدل های NLDAS در زمان واقعی در NCEP و به صورت گذشته نگر در NASA GSFC، دانشگاه پرینستون، دانشگاه واشنگتن و دفتر توسعه هیدرولوژیکی NOAA اجرا می شوند. ایالت ها، جریان ها و جبر های NLDAS توسط محققان دانشگاه راتگرز و دانشگاه مریلند و همچنین موسسات فوق الذکر تأیید می شوند. بیشتر کد درایور GLDAS از کد درایور NLDAS GSFC گرفته شده است و بسیاری از اهداف پروژه، در حوزه های مختلف مکانی، مشابه هستند.



مشخصات روش ها

یکی از اهداف اصلی پروژه GLDAS، ایجاد یک درایور بود که به کاربران امکان می دهد چندین LSM بدون دانش خاص از معماری یا فیزیک مدل ها اجرا کنند. طراحی شبیه سازی با هر یک از مدل ها فقط به اصلاح یک فایل رابط کاربری ساده نیاز دارد. روالهای GLDAS داده های جبری را با نیازهای ورودی فردی هر LSM تطبیق می دهند. گزینه های زمان اجرا در پرونده رابط کاربر GLDAS ارائه شده است (این موارد در جدول 1 خلاصه شده است). یکی از آنها منبع داده جبری است، همانطور که در بخشی با عنوان "زمینه های جبر سطح" توصیف شده است. مورد دیگر روش مقداردهی اولیه حالت LSM است: 1) کاربر می تواند برای هر متغیر یک مقدار یکنواخت جهانی اعلام کند. 2) مقادیر را می توان از یک فایل راه اندازی مجدد تولید شده توسط یک اجرای قبلی دریافت کرد. 3) GLDAS می تواند زمینه های متغیر حالت سطحی تولید شده توسط مدل زمین را بهمراه سیستم پیش بینی و تجزیه و تحلیل جو که داده های جبری پایه را تولید می کند، وارد کند (گزینه مقدماتی داده جبری). اگرچه با رویکرد سوم هنوز زمان چرخاندن مدل به حالت خود سازگار لازم است، اما تا حد زیادی کاهش می یابد. زمینه های پارامتر استاتیک GLDAS، تنوع در مقیاس زیر شبکه و گزینه های جذب داده در زیر شرح داده شده است.


پارامترهای سطح زمین. زندگی گیاهی. یک نقشه طبقه بندی پوشش گیاهی با کیفیت بالا به سه دلیل برای GLDAS حیاتی است. ابتدا، مدلهای Mosaic ،CLM و Noah شامل طرح های انتقال خاک-پوشش گیاهی-اتمسفر (SVATS) هستند، به طوری که جریان ها و ذخیره انرژی و آب در سطح زمین به شدت با خواص پوشش گیاهی گره خورده است. دوم، نوع پوشش گیاهی پارامترهای دیگری مانند آلبدو و ارتفاع زبری را تعیین می کند. سوم، GLDAS تنوع مقیاس زیر شبکه را بر اساس پوشش گیاهی شبیه سازی می کند، همانطور که در بخشی تحت عنوان "تغییرپذیری مقیاس زیر شبکه" توضیح داده شده است. GLDAS با استفاده از یک مجموعه داده استاتیک و با وضوح 1 کیلومتر از کلاس پوشش زمینی که در دانشگاه مریلند (UMD) براساس مشاهدات رادیومتر با وضوح بسیار پیشرفته (AVHRR) روی ماهواره NOAA-15 (هانسن و همکاران، 2000) تولید شده است، ایجاد شد. همانطور که در شکل 1 نشان داده شده است، طبقه بندی UMD شامل 11 نوع پوشش گیاهی علاوه بر آب، زمین خالی و پوشش های شهری است.


شکل. I. نوع پوشش گیاهی غالب UMD در هر سلول شبکه 0.25 درجه. کلید: 1 = آب، 2 = جنگل سوزنی برگ همیشه سبز، 3 = جنگل پهن برگ همیشه سبز، 4 = جنگل برگ سوزنی برگریز، 5 = جنگل پهن برگ برگریز، 6 = پوشش مخلوط، 7 = جنگل، 8 = زمین چمن زار، 9 = درختچه بوته بسته، 10 = بوته زار باز، 11 = چمنزار، 12 = زمین زراعی، 13 = زمین خالی، 14 = شهری و آبادانی.


GLDAS همچنین یک سری زمانی با رزولوشن 1 کیلومتر مبتنی بر ماهواره (در صورت وجود) یا شاخص اقلیم شناسی سطح برگ (LAI) را بلعیده است. این منابع با استفاده از سه منبع اطلاعاتی (گاتشالک و همکاران 2002) تولید شده اند: 1) یک سری زمانی با وضوح 16 کیلومتر از LAI (که در حال حاضر در جولای 1981 تا ژوئیه 2001 قرار دارد)، که توسط دانشمندان دانشگاه بوستون استخراج شده است (BU؛ ماینن و همکاران 1997) از اندازه گیری های AVHRR شاخص پوشش گیاهی اختلاف نرمال (NDVI) و سایر مشاهدات ماهواره ای. 2) اقلیم شناسی براساس سری زمانی 16 کیلومتری، که در آن LAI توسط مناطق عرض 10 درجه، ماه سال و نوع پوشش گیاهی نمایه می شود. و 3) طبقه بندی 1 کیلومتری نوع پوشش گیاهی UMD. این اطلاعات با هم مخلوط می شوند به طوری که مقادیر پیکسل 1 کیلومتر در نتیجه با توجه به نوع پوشش گیاهی متفاوت است در حالی که متوسط ​​LAI های 16 کیلومتری BU حفظ می شوند. GLDAS داده های 1 کیلومتری را با وضوح مدل انتخاب شده مقیاس بندی می کند و برای پوشش گیاهی کسری تنظیم می کند.


خاک. نقشه های پارامترهای خاک مورد استفاده در GLDAS از مجموعه داده های خاک های جهانی با وضوح 5 درجه از رینولدز و همکاران (2000) مشتق شده اند. تخلخل و درصد شن و ماسه، گل و لای به صورت افقی به شبکه 0.25 درجه GLDAS نمونه برداری شد و به صورت عمودی از عمق 0 تا 2 و 2 تا 150 سانتی متر عمث در اعماق اصلی 0 تا 30 و 30 تا 100 سانتی متر درون یابی شد. این عمق ها برای مطابقت با مجموعه ای از عمق ها که معمولاً در نسخه اصلی موزاییک اختصاص داده شده و برای تسهیل جذب آینده زمینه های رطوبت سطح خاک حاصل از اندازه گیری های ماهواره ای رادیو سنج مایکروویو پیشرفته (AMSR) انتخاب شده اند. پارامترهای خاصی که توسط LSM ها استفاده می شوند به کلاس بافت خاک وزارت کشاورزی ایالات متحده (USDA) نمایه می شوند. بنابراین، GLDAS شامل روال معمول برای طبقه بندی بافت بر اساس درصد شن و ماسه، گل و لای و رس در یک سلول شبکه مشخص است، در نتیجه نقشه ای که در شکل 2 نشان داده شده است. CLM همچنین از رنگ خاک به عنوان یک پارامتر استفاده می کند. رنگهای خاک GLDAS از یک نقشه جهانی 2 درجه در 2.5 درجه تولید شده در NCAR درهم آمیخته می شوند.


ارتفاع و شیب. GLDAS از نقشه جهانی توپوگرافی با وضوح 30 قوس (GTOP030؛ واردین و گرینلی 1996) به عنوان استاندارد خود استفاده می کند. ارتفاعات GTOP030 بر روی شبکه GLDAS برابر 0.25 درجه به طور متوسط ​​انجام شد. به طور پیش فرض، GLDAS درجه حرارت مدل سازی شده، فشار، رطوبت و تابش موج طولانی را بر اساس تفاوت بین تعریف GLDAS و تعریف ارتفاع مدلی که داده های جبری را ایجاد کرده است، به دنبال مطالعات کاشکرا و همکاران (2003) از آنجا که برخی از LSM ها، از جمله Mosaic، بلع سطح یا بستر سنگ بستر را به عنوان یک پارامتر، از نرم افزار سیستم اطلاعات جغرافیایی برای ارزیابی شیب در هر پیکسل GTOP030 استفاده شده است، و از آن مقادیر میانگین شیب درون هر سلول شبکه GLDAS محاسبه شده است.


شکل. 2. کلاس بافت خاک USDA در هر سلول شبکه 0.25 درجه، مشتق شده از رینولدز و همکاران. (1999) کلید: 1 = خاک رس، 2 = خاک رس لجن دار، 3 = خاک شنی، 4 = خاک رس، 5 = خاک رس سیلتی، 6 = خاک رس شنی، 7 = لوم، 8 = لوم سیلتی، 9 = لوم شنی، 10 = لومی شن، 11 = شن و ماسه.


تنوع در مقیاس زیر شبکه. اجرای استاندارد مدل GLDAS عملیاتی بر روی یک شبکه 0.25 در 0.25 درجه انجام می شود که تقریباً جهانی است و تمام زمین های شمالی عرض 60 درجه جنوبی را پوشش می دهد. GLDAS همچنین قادر است در شبکه های جهانی 0.5 درجه در 0.5 درجه، 1.0 درجه در 1.0 درجه و 2.0 درجه در 2.5 درجه کار کند. به دنبال کوستر و سوارز (1992)، تنوع زیر شبکه با اجرای LSM ها روی یک سری ستون مستقل خاک یا کاشی، جایی که هر کاشی نشان دهنده یک کلاس پوشش گیاهی در یک سلول شبکه است، شبیه سازی می شود. خروجی مشبک با توزین هر کاشی توسط پوشش کسری درون سلول برمی گردد. هدف از این روش محصور سازی تنوع شار انرژی و مقیاس زیر شبکه است که ممکن است در مقیاس های مدل قابل توجه باشد (به عنوان مثال، ووکوویچ و همکاران 1997). کاربران حداکثر تعداد کامل کاشی ها را برای تعریف در هر سلول شبکه انتخاب می کنند. این می تواند تا 13 عدد باشد، که تعداد پوشش زمین در طبقه بندی پوشش گیاهی UMD است. علاوه بر این، کاربران کمترین درصد سلول را برای ایجاد کاشی برای آن انتخاب می کنند. به عنوان مثال، با توجه به تنظیمات سه کاشی و 12٪، کاشی برای هر نوع پوشش گیاهی که حداقل 12٪ از سلول شبکه را پوشش می دهد، برای حداکثر سه کاشی در هر سلول ایجاد می شود. هر نوع پوشش گیاهی که کمتر از 12٪ سلول را پوشش دهد یا در بین سه نوع رایج نباشد حذف می شود و مناطق کاشی حاصل به 100٪ نرمال می شود. شکل 3 این مثال را نشان می دهد. آزمایشات نشان داده است که محدود کردن تعداد کاشی ها در هر شبکه با استفاده از درصد قطع کارآمدتر است (به عنوان مثال، مجموع تمام مناطق زیر شبکه حاوی نوع پوشش گیاهی که حذف شده با توجه به همان تعداد کل کاشی جهانی) نسبت به تنظیم یک حداکثر تعداد کاشی در هر شبکه (تال و همکاران 2001). بر اساس این آزمایشات، استاندارد برای اجرای عملیاتی GLDAS تعیین 10٪ به عنوان حداقل درصد مساحت کاشی و 13 (یعنی بدون محدودیت) به عنوان حداکثر کاشی در هر شبکه است. این منجر به تولید 505،680 کاشی با رزولوشن شبکه 0.25 درجه، یا به طور متوسط ​​کمی بیش از دو کاشی در هر سلول می شود.


شکل. 3. پوشش فضایی پنج نوع پوشش گیاهی (AE) در یک سلول شبکه نشان داده شده است. با توجه به این اطلاعات همراه با قطع تعریف شده توسط کاربر، به عنوان مثال، 3 = حداکثر کاشی در هر شبکه و 12٪ = حداقل پوشش شبکه برای تعریف یک کاشیGLDAS است، 1)  حذف نوع پوشش گیاهی E (کمتر از 12٪)، 2) از بین بردن نوع پوشش گیاهی B (نه در بین سه نوع پوشش گیاهی غالب)، و 3) وزن سه کاشی باقی مانده را به 100٪ عادی کنید و در نتیجه سه کاشی ایجاد می شود: (A (17٪)، C (57٪)، D (26٪.


جذب داده ها. GLDAS شامل الگوریتمی برای جذب مشاهدات درجه حرارت 6 ساعته از راه دور (آتل و ویدالماجر 1992) از ابزار نظارت بر مادون قرمز (TIROS) عمودی عملیاتی (TOVS) است. این الگوریتم برای محاسبه یک افزایش تحلیل، به روال درون یابی بهینه متکی است که برای انجام اصلاح تعصب درجه حرارت پوستی افزایشی، نیمه روزانه یا روزانه استفاده می شود. اصلاح بایاس به طور مداوم حالت مدل شده را به سمت مشاهده سوق می دهد. مقدار منفی-پیش بینی شده برای دمای پوست ابتدا توسط GLDAS محاسبه می شود و برای بازیابی روند تجزیه و تحلیل به درون استنباط کننده مطلوب منتقل می شود. سپس این مورد، همراه با یک اصطلاح تصحیح تعصب، برای ملاحظات بودجه انرژی مناسب به کد LSM منتقل می شود. آزمایش نشان داده است که این روش به طور موثری دمای سطح مدل شده را محدود می کند (راداکوویچ و همکاران 2001)، اگرچه نتایج توسط پراکندگی زمانی داده های TOVS محدود می شوند. با استفاده از داده های 3 ساعته دمای پوست از پروژه آب و هوای بین المللی ابر ماهواره ای (ISCCP) می توان به طور بالقوه از همین روش استفاده کرد.


روش هایی برای جذب داده های رطوبت خاک سطح با استفاده از فرم های آنالوگ و فیلترهای توسعه یافته کالمان توسط اعضای تیم علمی GLDAS طراحی و آزمایش شده است (واکر و هوسر 2001؛ ژان و همکاران 2002)، اما این موارد هنوز در GLDAS اجرا نشده اند به دلیل عدم مشاهده جهانی رطوبت خاک. ابزار AMSR، سوار بر ماهواره Aqua سیستم مشاهده زمین (EOS) ناسا، شروع به ارائه مشاهدات جهانی مایکروویو باند C کرده است. تحت شرایط خاص پوشش زمین ممکن است به زودی از این ها برای تولید رطوبت خاک نزدیک به سطح (0-2 سانتی متر) استفاده شود (آوه و همکاران، 2001).


GLDAS می تواند اطلاعات پوشش برف حاصل از اندازه گیری های توسط دستگاه طیف سنج تصویربرداری با وضوح متوسط ​​(MODIS) را در داخل ماهواره Terra ناسا جذب کند (رودل و همکاران 2002). تیم علمی MODIS در GSFC مجموعه داده های پوششی جهانی برف روزانه با 0.05 درجه شبکه را فراهم می کند (هل و همکاران، 2002). برای هر سلول شبکه در خشکی، این محصول درصدی از پیکسل های زیر شبکه پوشیده از برف، برفگیر و غیرقابل مشاهده (به عنوان مثال با پوشش ابر، شب یا سایر موارد) را گزارش می دهد. الگوریتم اصلاح برف GLDAS بر اساس نسبت پیکسل های پوشیده از برف به پیکسل های مرئی، حالت پوشش برف (پوشیده از برف یا برهنه) را در هر مدل شبکه تعیین می کند و از تعداد پیکسل های مرئی به عنوان اندازه گیری قابلیت اطمینان مشاهده استفاده می کند. اگر مشاهده غیر قابل اعتماد تلقی شود یا اگر مشاهده و مدل بر روی حالت پوششی برف در یک سلول شبکه توافق داشته باشد، وضعیت برف مدل سازی شده تغییر نمی کند. در غیر این صورت، اگر MODIS نشان دهد که سلول شبکه خالی است اما مدل برف را نشان می دهد، برف مدل برداشته می شود. اگر MODIS برف را نشان دهد اما مدل برفی نشان ندهد، سپس یک پوشش نازک از برف به سلول شبکه مدل اضافه می شود. آلبدو به طور خودکار تغییر می کند. در حال حاضر آزمایش برای بهبود روش با تنظیم درجه حرارت نزدیک به سطح، رطوبت خاک و / یا نوع بارش (باران یا برف) از حوادث قبلی برای انعکاس وضعیت پوشیده شده از برف در حال انجام است، برای به حداقل رساندن اثرات ناخواسته بر روی تعادل آب.


زمینه های جبری سطح. کاربران GLDAS، به عنوان جبر سطح زمین، از سیستم جذب داده های جوی (ADAS) مولفه یک سیستم پیش بینی و تجزیه و تحلیل هوا، یا برای اجرای گذشته نگر طولانی مدت، از یک محصول تجزیه و تحلیل مجدد (بخش بعدی) انتخاب می کنند. زمینه های مشاهده شده، از جمله بارش و تابش موج بلند و موج کوتاه، به صورت اختیاری برای جایگزینی زمینه های مجبور ADAS مربوطه در هر زمان و در صورت امکان مشخص شده اند. این قابلیت ضمن اطمینان از تداوم اجبار، اعتماد به بخشهای اجباری را که تا حد زیادی مدل تولید شده اند کاهش می دهد. با این حال، در انتخاب گزینه اجباری، باید نقاط قوت و ضعف زمینه های تجزیه و تحلیل و مشاهده، به ویژه تعصبات پایین تر حوزه مبتنی بر مشاهده در برابر قوام و کنترل کیفیت ذاتی زمینه های تجزیه و تحلیل شود. متغیرهای مورد نیاز برای مجبور کردن LSM ها در جدول 2 ذکر شده است.


پیش بینی هواشناسی عملیاتی و خروجی سیستم همسان سازی داده ها. GEOS سیستم جمع آوری داده های سیستم مشاهده زمین Goddard Earth-GEOS (فنتر و همکاران 1995) از تولید محصول سطح 4 (تجزیه و تحلیل مدل) برای ماهواره ناسا Terra (اطلس و لوچسی 2000) پشتیبانی می کند. خروجی "اولین نگاه" GEOS برای شبیه سازی عملیاتی GLDAS بدست می آید و بعداً در بایگانی جبر با خروجی "دیر نگاه" در صورت وجود جایگزین می شود تا کیفیت مجبورسازی گذشته نگر GLDAS را بهبود بخشد. GEOS از سیستم تجزیه و تحلیل آماری فیزیکی-فضا (کوهن و همکاران 1998) برای شبیه سازی گزارش های rawinsonde NCEP، بازیابی TOVS و کل بازیابی آب قابل بارش SSM / I استفاده می کند. از دمای سطح عملیاتی سطح دریا (SST) و شرایط مرزی یخ دریا استفاده می کند. زمینه های 3 ساعته GEOS در شبکه جهانی 1 درجه در 1.25 درجه تولید می شوند.



GDAS. سیستم جهانی جذب اطلاعات (GDAS) سیستم عملیاتی جهانی جذب داده های جوی NCEP است (درپر و همکاران 1991). GDAS بر روی یک شبکه نازک گوسی با 768 نقطه شبکه در جهت منطقه ای و 364 نقطه شبکه در جهت نصف النهاری (با وضوح حدود 0.47 درجه) اجرا می شود. 64 سطح جوی مدل وجود دارد. GDAS با استفاده از یک رویکرد چند متغیره چهار بعدی، انواع داده های مرسوم (رادیوسوند، شناور، کشتی و هوا) و مشاهدات مشتق شده از ماهواره را شبیه سازی می کند و تجزیه و تحلیل عملیاتی و جهانی را برای چهار ساعت سینوپتیک: 0000، 0600، 1200 و 1800 تولید می کند. UTC GLDAS از تجزیه و تحلیل اخیر و همچنین پیش بینی پس زمینه GDAS برابر 3 ساعته و (در صورت نیاز) 6 ساعته از هر تجزیه و تحلیل استفاده می کند.


ECMWF. مرکز اروپایی پیش بینی های هواشناسی با دامنه متوسط (ECMWF) همچنین تجزیه و تحلیل ها و پیش بینی های عملیاتی و جهانی را برای چهار ساعت سینوپتیک: 0000، 0600، 1200 و 1800 UTC (پرسون 2001) تولید می کند. سیستم جذب اتمسفری آنها بر روی یک شبکه خطی Gaussian کاهش یافته است که دارای 553384 نقطه شبکه سطح (با وضوح تقریبی 39 کیلومتر) است. این شامل 60 سطح جوی مدل است. این تجزیه و تحلیل همچنین شامل داده های معمولی و داده های ماهواره ای با استفاده از رویکرد جذب چند متغیره چهار بعدی است (کلینکر و همکاران 2000).


داده های مشتق شده از مشاهده پرتوی خورشیدی پایین. GLDAS با استفاده از روش و محصولات ابر و برف از سیستم مدل سازی هواشناسی کشاورزی (AGRMET) آژانس هواشناسی نیروی هوایی (AFWA)، جریان تابش جهانی، موج کوتاه و موج بلند را در سطح زمین تخمین می زند. محصول برف آنالیز عمیق جهانی برف 48 کیلومتری روزانه AFWA است (کواپ و کیس 1996). قبل از ژوئیه 2002، محصول ابری 3 ساعته، 48 کیلومتر تجزیه و تحلیل ابر جهانی AFWA Real Time Nephanalysis-RTNEPH (هامیل و همکاران 1992) بود، و سپس با ساعت جدید، 24 کیلومتر تجزیه و تحلیل ابر جهانی AFWA جایگزین شد (WWMCA) از محصولات ابر و برف برای محاسبه تابش موج کوتاه رو به پایین و تابش موج بلند بر اساس الگوریتم های ارائه شده توسط AFWA از شاپیرو (1987) و ایسدو (1981) استفاده می شود، که روش های موج کوتاه و موج طولانی را روی سه لایه اجرا می کنند (جو، سطح متوسط ​​و کم) موازی هواپیما. برای هر لایه، قابلیت انتقال و انعکاس جوی، با توجه به تابش موج کوتاه و تابش موج بلند ساطع شده از ابرها، به عنوان توابع نوع و مقدار ابر محاسبه می شود. محصولات ابر و برف اساساً از مشاهدات انجام شده توسط برنامه ماهواره ای دفاع هواشناسی و ماهواره های NOAA حاصل می شود. RTNEPH فقط مشاهدات مدار قطبی را در خود گنجانده است، در حالی که WWMCA شامل مشاهدات زمین ثابت و مدار قطبی است. قدرت میدانهای تابشی حاصل استفاده از آنها از پوشش ابر مشتق شده از ماهواره است، در مقایسه با پوشش ابری مبتنی بر مدل که در محاسبات تابش سیستمهای جذب داده های جو استفاده می شود.


بارش. داده های نزولات ماهواره ای نزدیک به زمان واقعی از گروه های آزمایشگاه تحقیقات نیروی دریایی ایالات متحده (NRL) و GSFC برای جبر GLDAS بدست می آید. NRL زمینه های بارشی را بر اساس اندازه گیری دمای ابر و مادون قرمز ماهواره زمینی (IR) و تکنیک های مشاهده مایکروویو تولید می کند (ترک و همکاران 2000). محصول مایکروویو داده های دستگاه سنسور ویژه مایکروویو / تصویر ساز (SSM / I)، مأموریت اندازه گیری باران گرمسیری NASA-NASDA-TRMM و واحد پیشرفته صدای مایکروویو (AMSU) را ادغام می کند. وضوح مکانی هر دو محصول NRL 0.25 درجه و وضوح زمانی 6 ساعت دارند و هر دو منطقه ای از 60 درجه شمالی تا 60 درجه شمالی را پوشش می دهند. بایگانی این داده ها برای GLDAS در آوریل 2001 آغاز شد. دانشمندان در GSFC شروع به تهیه زمینه های بارشی تقریباً در زمان واقعی بر اساس ادغام بهینه داده های دقیق مایکروویو با داده های مکرر IR در فوریه 2002 کردند (هافمن و همکاران 2003) ) وقتی گزینه جبر بارش ناشی از ماهواره انتخاب می شود ، GLDAS قسمت پایه ADAS را با یکی از این دو محصول در صورت موجود بودن پوشانده است. یکی دیگر از گزینه های جبر بارش در حال آزمایش است که با استفاده از مرکز جهانی پیش بینی آب و هوا (CPC) در 2.5 ساعته 5 روزه تجزیه و تحلیل تجمیع بارش (CMAP)، که ترکیبی از مشاهدات ماهواره (IR و مایکروویو) است. زمینه های بارشی مدل شده GDAS برای تفکیک بخش های CMAP به صورت مکانی و زمانی برای مطابقت با قطعنامه های GLDAS استفاده می شود.

___________________________________________

نام فهرست: سیستم جهانی جذب داده زمین (GLDAS).

سهولت استفاده: سبز.

منشا: رودل کار را که در آن دانشمندان ناسا و NOAA در ایالات متحده شرکت داشتند، رهبری می کرد.

مشخصات: از سیستم داده های سطح و سنجش از دور به همراه مدل های سطح زمین و تکنیک های جذب داده برای تهیه داده ها در مورد شرایط زمینی استفاده می کند. تولید شامل ویژگی های رطوبت خاک است که شاخص خوبی برای خشکسالی است.

پارامترهای ورودی: مدل های سطح زمین، مشاهدات هواشناسی مبتنی بر سطح، طبقه بندی پوشش گیاهی و داده های ماهواره ای.

برنامه های کاربردی: برای تعیین پیش بینی رودخانه و جریان جریان و همچنین اجزای رواناب بر اساس شرایط فعلی مفید است. ایده آل برای نظارت بر خشکسالی است که اثرات متعددی دارد.

نقاط قوت: از آنجا که ماهیت جهانی دارد و با وضوح بالا در دسترس است، می تواند بیشتر مناطق را نشان دهد. برای پایش خشکسالی در مناطقی که از نظر اطلاعات ضعیف هستند مفید است.

نقاط ضعف: اندازه شبکه برای کشورهای جزیره به اندازه کافی مناسب نیست. فقط مناطقی که فاقد مشاهدات سطح تقریباً در زمان واقعی هستند، با فرآیند جذب داده نشان داده می شوند.


دانلود اصل مقاله



×

راهنماي حل مشکل دانلود: با توجه به مسدود شدن درايو گوگل در ايران از آي پي ديگر کشورها براي دانلود فايل ها استفاده کنيد.




سفارش پروژه داريد؟ يا قصد همکاري در انجام پروژه؟ و يا قصد فروش فايل خود؟

با فشردن دکمه زير يکي از بخش هاي "سفارش انجام پروژه" يا "همکاري با بيسين" و يا "فروش فايل" را انتخاب فرماييد




آمار آنلاين-مقايسه اي بارش در حوضه هاي اصلي کشور

منبع: وزارت نيرو - اين نمودار ممکن است براي دقايقي به دليل بروزرساني غير فعال شود


آخرين تصوير ماهواره هواشناسي - موقعيت ايران

W3Schools


نظرات  (۰)

فرم ارسال نظر

ارسال نظر آزاد است، اما اگر قبلا در بیان ثبت نام کرده اید می توانید ابتدا وارد شوید.
شما میتوانید از این تگهای html استفاده کنید:
<b> یا <strong>، <em> یا <i>، <u>، <strike> یا <s>، <sup>، <sub>، <blockquote>، <code>، <pre>، <hr>، <br>، <p>، <a href="" title="">، <span style="">، <div align="">

درباره بهترين هاي بيسيـــن بدانيد...

Bird

يکي از مهمترين اهداف اين سايت تهيه آموزش هاي روان از ابزارهاي کاربردي علوم آب است.

اهميت مطالعات محيطي با ابزارهاي نوين در چيست؟

امروز با فارغ التحصيلي جمع کثير دانشجويان سالهاي گذشته و حال، با گذر از کمي گرايي ديگر صرف وجود مدارک دانشگاهي حرف اول را در بازار کار نمي زند؛ بلکه سنجش ديگري ملاک؛ و شايسته سالاري به ناچار! باب خواهد شد. يکي از مهم ترين لوازم توسعه علمي در هر کشور و ارائه موضوعات ابتکاري، بهره گيري از ابزار نوين است، بيسين با همکاري مخاطبان مي تواند در حيطه علوم آب به معرفي اين مهم بپردازد.

جستجو در بيسين


ابزارهاي نوين

بیسین - سایت تخصصی مهندسی آب

بیسین جهت ارائه مطالب و خدمات تخصصی در حیطه نرم افزارها و مدل های شبیه سازی مهندسی آب با رویکرد پژوهشی-آموزشی ایجاد شده است که توسعه خود را در گرو همکاری مخاطبان می بیند.

اطلاعات سايت

  • www.Basin.ir@gmail.com
  • بهزاد سرهادي
  • تاريخ امروز:
  • شناسه تلگرام: SubBasin
  • شماره واتساپ: 09190622992-098
  • شماره تماس: 09190622992-098

W3Schools