چکیده مقالات برتر درباره کاربرد ماهواره GRACE در مطالعات آب
تغییرات گرانش مورد مطالعه توسط GRACE برای تعیین ذخیره آب زیرزمینی در توده های زمین استفاده می شود. با مقایسه داده های اخیر با میانگین در طول زمان، دانشمندان می توانند یک نقشه ناهنجاری تولید کنند تا ببینند ذخیره آب زیرزمینی در کجا تخلیه یا افزایش یافته است. نواحی رنگی زرد مناطقی را نشان می دهد که آبهای زیرزمینی کاهش یافته است و مناطقی که رنگ آبی دارند سطح آبهای زیرزمینی افزایش یافته است. توجه داشته باشید که کاهش قابل توجهی در ذخیره آب زیرزمینی در بیشتر مناطق کالیفرنیا و تا سواحل آمریکای شمالی به آلاسکا وجود دارد. در ادامه به چکیده مقالات دسترسی خواهید داشت
ارزیابی مبتنی بر GRACE از پویایی آبهای زیرزمینی بین سالانه در مدل سرزمین جامعه
A GRACE-based assessment of interannual groundwater dynamics in the Community Land Model
برآورد تغییرات ذخیره آب زیرزمینی برای تعیین کمیت منابع آب موجود و مدیریت مازاد ذخیره سازی برای کاهش کمبود ذخیره در خشکسالی مهم است. این امر به ویژه در مناطق نیمه خشک که خشکسالی های چند ساله می تواند رایج باشد، صادق است. برای تکمیل اطلاعات محلی ارائه شده توسط رطوبت خاک و اندازه گیری سطح چاه، می توان از مدل های زمینی مانند مدل زمین عمومی (CLM) برای شبیه سازی تغییرات ذخیره آب در مقیاس منطقه ای استفاده کرد. CLM شامل یک مدل آبخوان فله ای برای شبیه سازی پویایی ذخیره آب اشباع شده در زیر ستون خاک مدل است. ذخیره آبخوان با دریافت شارژ از ستون خاک پوشاننده افزایش می یابد و به دلیل جریان جانبی (به عنوان مثال جریان پایه) و افزایش جریانات مویرگی کاهش می یابد. در این مطالعه، ما پاسخ مدل سفره آبخوان CLM به انتقال بین ورودی های کم و زیاد شارژ را بررسی می کنیم، و نشان می دهیم که این مدل رفتار طولانی مدت غیر واقعی را نسبت به کل ذخیره آب (TWS) مشاهدات از بازیابی جاذبه و آزمایش آب و هوا شبیه سازی می کند (ماهواره GRACE). ما پاسخ ضعیف مدل به حوادث بزرگ خیس شدن را به عدم وجود یک مرز پایین محدود در مدل سفره آب انبوه نسبت می دهیم. ما نشان می دهیم که با حذف مدل آبخوان فله ای و افزودن شرایط مرزی شار صفر در پایه ستون خاک، توافق خوبی با مشاهدات GRACE حاصل می شود. علاوه بر این، ما حساسیت ذخیره سازی شبیه سازی شده آب را به عمقی که مرز شار صفر اعمال می شود، یعنی ضخامت ستون خاک، بررسی می کنیم. براساس مقایسه با GRACE، نقشه مطلوب ضخامت خاک ساخته شده است. شبیه سازی با استفاده از CLM اصلاح شده با نقشه ضخامت خاک مشتق شده نشان داده شده است که عملکرد خوبی یا بهتر از شبیه سازی استاندارد CLM دارد. بهبودهای ایجاد شده در تغییرات ذخیره سازی آب برای مدت زمان طولانی شبیه سازی شده، از نظر آب و هوایی باعث کاهش عدم اطمینان در برآورد مبتنی بر GRACE در مورد کاهش آبهای زیرزمینی انسانی خواهد شد.
دقت برآورد مقیاس ذخیره آب زمینی GRACE
Accuracy of scaled GRACE terrestrial water storage estimates
ما دقت تخمین های ذخیره آب زمینی (TWS) در سطح جهان را که از تغییرات میدان جاذبه زمانی مشاهده شده توسط ماهواره های بازیابی جاذبه و آزمایش آب و هوا (GRACE) بدست آمده ارزیابی می کنیم. مجموعه داده های TWS به دلیل فیلتر کردن و کوتاه شدن، برای اصلاح سیگنال اصلاح شده است. شبیه سازی تغییرات ذخیره آب زمینی از مدل های هیدرولوژیکی زمین برای استنباط روابط بین سری های زمانی منطقه ای که مقیاس های مختلف فضایی را نشان می دهند استفاده می شود. این روابط، مستقل از داده های واقعی GRACE، برای برون یابی تخمین های GRACE TWS از وضوح موثرشان (مقیاس طول چند صد کیلومتر) به مقیاس های فضایی دقیق تر (100 کیلومتر) استفاده می شود. داده های مشبک و کوچک مانند اینها، کاربرانی را که در پردازش و فیلتر کردن ضرایب ژئوتوپتانسیل هارمونیک GRACE استاندارد، مهارت کافی ندارند، می توانند سری زمانی TWS را در مناطق دارای شکل دلخواه تخمین بزنند. علاوه بر این، ما زمینه های مشبک نشتی و خطاهای اندازه گیری GRACE را ارائه می دهیم که به کاربران اجازه می دهد تا عدم قطعیت TWS منطقه ای مرتبط را تخمین بزنند. این قسمتها برای بارگیری از وب سایت پروژه GRACE (موجود در http://grace.jpl.nasa.gov) در دسترس است. سه رابطه مقیاس بندی مورد بررسی قرار می گیرد: یک فاکتور سود منفرد براساس سری زمانی منطقه ای به طور متوسط، عوامل توزیع فضایی (به عنوان مثال، مشبک) بر اساس سری زمانی در هر نقطه شبکه و فاکتورهای سود مشبک برآورد شده به عنوان تابعی از فرکانس زمانی. در حالی که عوامل سود منطقه ای معمولاً در مطالعات قبلی منتشر شده است، در می یابیم که دقت های قابل مقایسه ای را می توان از سری زمانی مقیاس پذیر بر اساس فاکتورهای سود مشبک بدست آورد. در مناطقی که حالت های زمانی مختلف از تنوع TWS دارای مقیاس فضایی به طور قابل توجهی متفاوت هستند، عوامل افزایش بر اساس دو روش اول ممکن است دقت سری زمانی مقیاس زده را کاهش دهد. در این موارد، برای دستیابی به نتایج دقیق، ممکن است فاکتورهای سود جداگانه برآورد شود که تابعی از فرکانس باشد.
با ترکیب مدل سازی مبتنی بر فیزیک و یادگیری عمیق برای همجوشی داده های ماهواره ای GRACE می توان از عدم تطابق یاد گرفت
Combining Physically Based Modeling and Deep Learning for Fusing GRACE Satellite Data Can We Learn From Mismatch
مدل های جهانی هیدرولوژیکی و سطح زمین به طور فزاینده ای برای ردیابی پویایی ذخیره آب کل زمینی (TWS) استفاده می شود، اما ویژگی مدل های موجود توسط عدم اطمینان مفهومی و / یا داده های مربوط به فرآیندهای مختلف کم بازنمایی و بازنمایی شده، مانند ذخیره آب زیرزمینی، مختل می شود. ماموریت ماهواره ای بازیابی جاذبه و آزمایش اقلیم (GRACE) منبع داده ای مستقل و ارزشمندی برای ردیابی TWS در مقیاس های منطقه ای و قاره ای فراهم کرده است. منافع زیادی در ادغام داده های GRACE در مدل های جهانی هیدرولوژیکی وجود دارد تا عملکرد پیش بینی آنها بهبود یابد. در اینجا ما مدل های شبکه عصبی کانولوشن عمیق (CNN) را توسعه داده و اعمال می کنیم تا الگوهای مکانی - زمانی عدم تطابق بین ناهنجاری های TWS-TWSA مشتق شده از GRACE و موارد شبیه سازی شده توسط NOAH، یک مدل سطح زمین را که به طور گسترده استفاده می شود، بیاموزیم. پس از آموزش، می توان از مدل های CNN ما برای اصلاح TWSA شبیه سازی شده با NOAH بدون نیاز به داده های GRACE استفاده کرد، به طور بالقوه شکاف داده ها بین GRACE و ماموریت پیگیری آن، GRACE-FO را پر می کند. روش ما بیش از هند نشان داده شده است، که در دهه های اخیر کاهش قابل توجهی از آب های زیرزمینی را تجربه کرده است که با این وجود توسط مدل NOAH ضبط نشده است. نتایج نشان می دهد که مدل های CNN به طور قابل توجهی مطابقت با GRACE TWSA را بهبود می بخشد، و با ضریب همبستگی میانگین 0.94 و Nash-Sutcliff با ضریب همبستگی 0.87 یا 14٪ و 52٪ بهبود، به ترتیب نسبت به NOAH TWSA اصلی، به دست می آیند. در مقیاس محلی، الگوی عدم تطابق آموخته شده به خوبی با مشاهده داده های ناهنجاری ذخیره آب زیرزمینی درجا برای بسیاری از مناطق هند ارتباط دارد، نشان می دهد که مدل های یادگیری عمیق به طور موثر برای مولفه آب زیرزمینی از دست رفته در NOAH برای این منطقه مورد مطالعه جبران می شود.
مقایسه داده های تکنیک های رانده شده برای بازسازی (1992–2002) و پیش بینی (2017–2018) GRACE ‐ مانند تغییرات ذخیره آب کل مشبک با استفاده از ورودی های آب و هوا
Comparison of Data‐Driven Techniques to Reconstruct (1992–2002) and Predict (2017–2018) GRACE‐Like Gridded Total Water Storage Changes Using Climate Inputs
ماموریت بازیابی جاذبه و آزمایش اقلیم (GRACE) در اکتبر 2017 به کار خود پایان داد و مأموریت GRACE Follow On فقط در ماه مه 2018 راه اندازی شد که منجر به تقریباً 1 سال فاصله در داده ها شد. با توجه به اینکه مشاهدات نوع GRACE منحصراً تخمین مستقیم تغییر کل ذخیره آب (TWSC) را ارائه می دهد، پر کردن شکاف بین این دو مأموریت بسیار مهم است. علاوه بر این، برای بسیاری از برنامه های مربوط به آب و هوا، همچنین ترجیح می دهیم TWSC را قبل از دوره GRACE بازسازی کنیم. در این مطالعه، هدف ما مقایسه روشهای مختلف مبتنی بر داده و شناسایی گزینه های قوی تر برای پیش بینی GRACE مانند TWSC مشبک در طول شکاف و بازسازی آنها با استفاده از ورودی های آب و هوایی تا سال 1992 است. برای این منظور، ما ابتدا یک چارچوب روش شناختی برای مقایسه روشهای مختلف مانند رگرسیون خطی چندگانه (MLR)، شبکه عصبی مصنوعی (ANN) و رویکردهای برون زا خودارگرسی (ARX) ایجاد می کنیم. دوم، معیارهایی برای سنجش قدرت پیش بینی ها ساخته شده اند. سرانجام، TWSC مشبک در 26 منطقه پیش بینی شده و با استفاده از روش های شناسایی شده بازسازی می شود. محاسبات آزمون نشان می دهد که همبستگی نقشه های پیش بینی شده TWSC با نقشه های مشاهده شده بیش از 0.3 بیشتر از TWSC شبیه سازی شده توسط مدل های هیدرولوژیکی است، در مقیاس شبکه با وضوح 1 درجه. علاوه بر این، TWSC بازسازی شده به درستی سیگنال های El Nino ‐ Southern Oscillation-ENSO را تولید می کند. به طور کلی، در حالی که MLR در روند آموزش بهترین عملکرد را ندارد، از استحکام بیشتری برخوردار است و بنابراین می تواند یک رویکرد مناسب هم برای پر کردن شکاف GRACE و هم برای بازسازی زمینه های TWSC دوره طولانی مدت در سطح جهانی باشد که با تکنیک های تجزیه آماری ترکیب شود.
تخمین سهم انسانی در کاهش آبهای زیرزمینی در خاورمیانه، از داده های GRACE، مدل های سطح زمین و مشاهدات چاه
Estimating the human contribution to groundwater depletion in the Middle East, from GRACE data, land surface models, and well observations
داده های ماموریت ماهواره بازیابی جاذبه و آزمایش اقلیم (GRACE) برای تخمین تغییرات ماهانه ذخیره کل آب در خاورمیانه طی فوریه 2003 تا دسامبر 2012 استفاده می شود. نتایج نشان می دهد روند منفی زیادی در کل ذخیره آب با مرکزیت غرب ایران و شرق عراق. کم کردن کمک های دریای خزر و دو دریاچه بزرگ، تارتار و ارومیه، و استفاده از خروجی یک نسخه از مدل سطح زمین CLM4.5 برای حذف کمک از رطوبت خاک، برف، ذخیره سازی تاج و ذخیره رودخانه، نتیجه می گیریم که بیشتر اتلاف طولانی مدت آب به دلیل کاهش ذخیره آب زیرزمینی است. با تقسیم منطقه به هفت علامت گذاری در امتداد مرزهای ملی و متناسب سازی آنها با داده ها، در می یابیم که بیشترین تخلیه آب های زیرزمینی در ایران اتفاق می افتد، با نرخ از دست دادن جرم 2563 Gt / سال در طول دوره مطالعه. نتیجه گیری از دست دادن قابل توجه آب زیرزمینی ایران نیز با داده های موجود در سراسر کشور پشتیبانی می شود. سهم های انسانی برای از بین رفتن آب های زیرزمینی با حذف تغییرات طبیعی در آب های زیرزمینی پیش بینی شده توسط CLM4.5 تخمین زده می شود. این نتایج نشان می دهد که بیش از نیمی از افت آب زیرزمینی در ایران (1463 Gt در سال) ممکن است به برداشت انسان نسبت داده شود.
ارزیابی سطح آبهای زیرزمینی در سفره آب زیرزمینی آراپاهو با استفاده از کرجینگ رگرسیون فضایی
Evaluation of Groundwater Levels in the Arapahoe Aquifer Using SpatioTemporal Regression Kriging
نظارت بر آب های زیرزمینی برای درک پویایی سیستم، روند ذخیره سازی و پایداری طولانی مدت یک سفره آب اساسی است. داده های سطح آب منبع اصلی اطلاعاتی است که برای درک پاسخ استفاده می شود. با این حال، داده های سطح آب زیرزمینی اغلب به طور نامنظم نمونه برداری می شوند و منجر به ایجاد شکاف زمانی در پرونده می شوند و به اندازه کافی از نظر فضایی در یک سفره آب پخش نمی شوند. این چالشهایی را در هنگام فضاسازی سطوح پتانسیومتری و ایجاد نقشه های آبهای زیرزمینی به دلیل در دسترس بودن داده ها به وجود می آورد. ما یک روش کریجینگ فضایی-زمانی برای بهبود اعتماد مکانی و زمانی در پیش بینی سطح آب زیرزمینی در مکان های بدون نمونه ارائه می دهیم. مجموعه داده های فضا-زمان از یک روند و مولفه باقیمانده با یک رگرسیون خطی مدل سازی شده و از یک مدل مجموع متریک برای نشان دادن کوواریانس های زمانی-مکانی استفاده می کند. سفره آب زیرزمینی Arapahoe به عنوان یک مطالعه موردی برای نشان دادن مزایای کریجینگ فضایی-زمانی نسبت به کریجینگ فضایی در یک سفره با اندازه گیری دقیق و به طور نامنظم استفاده می شود. سفره آب زیرزمینی Arapahoe منبع اصلی آب برای بسیاری از ساکنان در امتداد رشته کوه جبهه راکی در کلرادو است. نتایج نشان می دهد عملکرد برتر کریجینگ فضایی-زمانی برای پیش بینی سطح آب های زیرزمینی بیش از کریجینگ فضایی سنتی است. کریجینگ فضایی-زمانی تغییرات واقعی و مکانی در سطح آب را نشان می دهد و از برخی از مشکلات ذاتی کریجینگ فضایی جلوگیری می کند. این مطالعه قدرت کریجینگ فضایی-زمانی را برای کمک به اطلاع پویایی سیستم در سفره های زیرزمینی نمونه برداری غیر منظم نشان می دهد.
ارزیابی جهانی تنش آبهای زیرزمینی فعلی و آینده با تمرکز بر سفره های زیرزمینی
Global Assessment of Current and Future Groundwater Stress With a Focus on Transboundary Aquifers
ما با استفاده از منابع جهانی آب و مدل استفاده از آب WaterGAP 2.2b (آب - ارزیابی و پیش بینی جهانی) برای شرایط فعلی (1981–2010) و همچنین دهه 2050 تحت سناریوی بدترین حالت انتشار گازهای گلخانه ای RCP8، تنش آب زیرزمینی را در سطح جهان کمی کردیم. برای بهبود ارزیابی تنش آب زیرزمینی در مقیاس جهانی، ما سه شاخص تنش آب زیرزمینی مربوط به کمیت آب و همچنین روشی جدید برای برقراری ارتباط تنش آب زیرزمینی پیش بینی شده در سطح شبکه ‐ سلول (55 × 55 ~ کیلومتر) و واحدهای فضایی بزرگتر پیشنهاد می کنیم از جمله سفره های فرامرزی (> 20000 کیلومتر مربع). شاخص های جدید شامل نسبت برداشت خالص از آب زیرزمینی به شارژ آب زیرزمینی، تغییرات ناشی از انسان در تخلیه آب های زیرزمینی و کاهش آب های زیرزمینی ناشی از انسان است. ما آنها را با چهار شاخص متداول مورد استفاده در برنامه ارزیابی آبهای فرامرزی مقایسه می کنیم و نشان می دهیم که چگونه آنها می توانند به مطالعات در مقیاس جهانی ارزش اضافه کنند یا حتی برای نشان دادن تنش آب زیرزمینی مناسب ترند. ما پتانسیل ها و محدودیت های همه شاخص ها را با پرداختن به سطح نمایندگی فرآیند، نیازهای داده ها، عدم اطمینان و مفاهیم مختلف اساسی استفاده پایدار از آب های زیرزمینی ارزیابی می کنیم. برای حمایت از سازگاری با تغییرات آب و هوایی، توصیه می کنیم هم میانگین گروه و هم بدترین حالت تنش آب زیرزمینی آینده را که از پنج سناریوی آب و هوایی و دو آبیاری بدست آورده ایم، نشان دهیم. برای توصیف تنش آب زیرزمینی در واحدهای فضایی مانند سفره های زیرزمینی، بخشهای محلی که بیش از حد آستانه نشانگر انتخاب شده است باید در نظر گرفته شود. سرانجام، نقاط گرم تنش آب زیرزمینی آینده باید با ترکیب تغییرات نسبی از شرایط فعلی با مقادیر مطلق تنش آب زیرزمینی آینده شناسایی شود.
جذب جهانی GRACE برای پیشرفت ها و چالش های نظارت بر آب های زیرزمینی و خشکسالی
Global GRACE Data Assimilation for Groundwater and Drought Monitoring Advances and Challenges
کمبود ذخیره اطلاعات ذخیره شده زیرزمینی در مقیاس جهانی مانع از توانایی ما برای نظارت موثر بر منابع آب زیرزمینی می شود. در این مطالعه، ما یک محصول پیشرفته ذخیره آب زمینی (TWS) مشتق شده از مشاهدات ماهواره ای بازیابی جاذبه و آزمایش آب و هوا (GRACE) را در سطح جهانی مدل Catchment land-CLSM ناسا در مقیاس جهانی، با هدف جذب می کنیم. تولید سری های زمانی ذخیره آب زیرزمینی که برای نظارت بر خشکسالی و سایر کاربردها مفید هستند. ارزیابی با استفاده از داده های درجا از نزدیک به 4000 چاه نشان می دهد که جذب داده های GRACE شبیه سازی آب های زیرزمینی را بهبود می بخشد، با خطاهای تخمین 36 و 10 درصد کاهش می یابد و همبستگی به ترتیب 16 و 22 درصد در مقیاس منطقه ای و نقطه ای بهبود می یابد. بزرگترین پیشرفت در مناطق با تنوع بزرگ بین سالانه در بارندگی مشاهده می شود، جایی که آبهای زیرزمینی شبیه سازی شده به تغییرات جبری جو بسیار واکنش نشان می دهند. تأثیرات مثبت جذب داده های GRACE با استفاده از داده های کم جریان مشاهده شده بیشتر نشان داده می شود. عملکرد جذب داده های CLSM و GRACE نیز در بین دسته های مختلف نفوذپذیری مورد بررسی قرار می گیرد. این ارزیابی نشان می دهد که در هنگام شبیه سازی تغییرات واقعی آبهای زیرزمینی در مناطق با برداشت شدید آب زیرزمینی، جذب داده های GRACE نمی تواند فقدان یک طرح برداشت آب زیرزمینی را در CLSM جبران کند. آبهای زیرزمینی شبیه سازی شده CLSM با ناهنجاری های بارش 12 ماهه در مناطق کم عرض و عرض میانی ارتباط زیادی دارد. یک شاخص خشکسالی آب زیرزمینی بر اساس جذب داده های GRACE با سایر شاخص های خشکسالی در مقیاس منطقه ای مطابقت دارد، اختلافات عمدتا در شدت خشکسالی برآورد شده آنها است.
تلفات ذخیره آب زیرزمینی مرتبط با فرونشست زمین در ایالات متحده غربی با استفاده از یادگیری ماشین نقشه برداری شده است
Groundwater Storage Loss Associated With Land Subsidence in Western United States Mapped Using Machine Learning
فرونشست زمین ناشی از استخراج آب های زیرزمینی پیامدهای منفی بی شماری از جمله از دست دادن ذخیره آب زیرزمینی و آسیب به زیرساخت ها را به همراه دارد. درک میزان، زمان و مکان های فرونشست زمین، و همچنین مکانیزم های محرک آن، برای اجرای استراتژی های جبرانی بسیار مهم است، با این حال کمی سازی فرآیندهای پیچیده و غیرخطی که باعث فرونشست می شوند، دشوار است. مدلهای فیزیکی مربوط به شار آبهای زیرزمینی به تراکم سفره آبخوان وجود دارد، اما برای کالیبراسیون نیاز به مجموعه داده های قابل توجهی هیدرولوژیکی دارند. تغییر شکل سرزمین را می توان با استفاده از InSAR و GPS اندازه گیری کرد، اما روش اول برای محاسبه در مقیاس گران است و در معرض خطاهای تروپوسفر و یونوسفر است، و دومی بسیاری از شکاف های زمانی و مکانی را بر جای می گذارد. در این مطالعه، ما برای اولین بار از یک رویکرد یادگیری ماشین استفاده می کنیم که روابط داده های مختلف ورودی به طور گسترده در دسترس، از جمله تبخیر و تعرق، استفاده از زمین و ضخامت رسوب را با فرونشست زمین کمی می کند. ما این روش را در ایالات متحده غربی اعمال می کنیم و تخمین می زنیم که از 2015 تا 2016، 2.0 کیلومتر مکعب در سال ذخیره آب زیرزمینی به دلیل تراکم رسوبات ناشی از پمپاژ آب زیرزمینی از بین رفته باشد. فرونشست در دره مرکزی کالیفرنیا متمرکز است و 75٪ از کل فرونشست در ایالت کالیفرنیا در غرب ایالات متحده را تشکیل می دهد. مناطق قابل توجهی از فرونشست در مناطق تحت کشت حوضه و استان مرتع رخ می دهد. این مطالعه نشان می دهد که از داده های جانبی به طور گسترده در دسترس می توان برای تخمین فرونشست در مقیاس بزرگتر از آنچه قبلاً امکان پذیر بوده استفاده کرد.
نظارت بر تغییرات ذخیره آب زیرزمینی در سفره های زیرزمینی پیچیده با ارزیابی ماهواره های GRACE در شرق آفریقا
Monitoring groundwater storage changes in complex basement aquifers An evaluation of the GRACE satellites over East Africa
اگرچه استفاده از ماهواره های بازیابی جاذبه و آزمایش اقلیم (GRACE) برای نظارت بر تغییرات ذخیره آب زیرزمینی امری عادی شده است، اما ارزیابی ما نشان می دهد که پردازش دقیق داده های GRACE برای استخراج سیگنال نماینده مخصوصاً در مناطقی که دارای ذخیره آب قابل توجهی هستند (به عنوان مثال، دریاچه ها / مخازن) اهمیت دارد. در مطالعه ما، ما از مجموعه داده های پردازش شده با احتیاط، از جمله GRACE، ارتفاع سنجی دریاچه و مدل رطوبت خاک، برای کاهش سوگیری فاکتور مقیاس گذاری و مقایسه تغییرات ذخیره آب زیرزمینی مشتق شده از GRACE به مشاهدات آبهای زیرزمینی درجا در مناطقی از شرق آفریقا استفاده می کنیم. طی دوره 2007-2010، ارتباط زیادی بین تغییرات ذخیره آب زیرزمینی درجا و برآورد آبهای زیرزمینی GRACE یافت شده است. تجزیه و تحلیل روند قطعه ای برای برآورد آب زیرزمینی GRACE تغییرات منفی قابل توجهی در ذخیره سازی نشان می دهد که به استفاده از آب های زیرزمینی و تنوع آب و هوا نسبت داده می شود. تجزیه و تحلیل بیشتر مقایسه مجموعه داده های بارش زیرزمینی و ماهواره ای اجازه شناسایی خصوصیات آب زیرزمینی منطقه ای را می دهد. به عنوان مثال، نتایج ما سیستم های زیرزمینی بالقوه قابل نفوذ و / یا کم عمق زیر بنای تانزانیا و سیستم های آب زیرزمینی عمیق و / یا کمتر نفوذ پذیر زیر آب حوزه نیل علیا را شناسایی می کند. رفتارهای آب زیرزمینی منطقه ای در مناطق نیمه خشک کنیا شمالی به اتصالات هیدرولیکی به مناطق شارژ خارج از مرز زیرحوضه نسبت داده می شود. نتایج ما اثبات سودمندی استفاده از GRACE در نظارت بر منابع آب زیرزمینی در مناطق پیچیده هیدرولوژیکی است که نمونه برداری نشده اند و در آنجا سیاست ها دسترسی به داده ها را محدود می کنند.
پیش بینی تغییرات سطح آب زیرزمینی با استفاده از داده های GRACE
Predicting groundwater level changes using GRACE data
هدف از این کار بررسی امکان کاهش داده های ماهواره ای برای بازیابی جاذبه و آزمایش اقلیم (GRACE) برای پیش بینی تغییرات سطح آب زیرزمینی و در نتیجه افزایش توانایی فعلی برای مدیریت پایدار منابع آب است. در بسیاری از مناطق جهان، تصمیمات مربوط به مدیریت آب به طور سنتی توسط شبکه های مشاهده درجا اطلاع رسانی می شود که متأسفانه در سالهای اخیر شاهد کاهش پوشش بوده است. از زمان راه اندازی، GRACE داده های تغییر ذخیره آب زمینی (DTWS) را در مقیاس جهانی و منطقه ای ارائه داده است. استفاده از داده های GRACE برای مدیریت منابع آب زیرزمینی در مقیاس محلی به دلیل عدم اطمینان موجود در داده های GRACE و دشواری در تفکیک اجزای مختلف TWS محدود شده است. در این کار، مدل های شبکه عصبی مصنوعی (ANN) برای پیش بینی تغییرات سطح آب زیرزمینی به طور مستقیم با استفاده از یک محصول GRACE مشبک و سایر مجموعه داده های هواشناسی هوا در دسترس عموم قرار گرفته است. به عنوان یک مطالعه امکان سنجی، از مدل ANN گروه برای پیش بینی تغییرات ماهانه و فصلی سطح آب برای چندین چاه واقع در مناطق مختلف در سراسر ایالات متحده استفاده می شود. نتایج نشان می دهد که داده های GRACE در عملکرد گروه های ANN بسیار کم، اما به طور قابل توجهی نقش دارند، به ویژه هنگامی که الگوی چرخه ای هیدروگراف آب زیرزمینی با حوادث شدید آب و هوایی، مانند خشکسالی های اخیر غرب میانه، مختل شود. رویکرد کوچک سازی آماری که در اینجا انجام شده است ممکن است به راحتی در فعالیت های برنامه ریزی منابع آب محلی ادغام شود.
تماس واتساپ: 09190622992 (98+)
شناسه تلگرام مدیر سایت: Basin_Ir_bot@
نشانی ایمیل: www.Basin.ir@Gmail.com
(سوالات تخصصی را در گروه تلگرام ارسال کنید)
_______________________________________________________
تماس با ما
تماس واتساپ
گروه تلگرام ما
هشدارهای ما
آمار و اطلاعات
سفارش پروژه
در منابع آب
نظرات (۰)