ماهواره GRACE و پیش بینی فصلی تراز آب های زیرزمینی - بخش اول :: 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




ماهواره GRACE و پیش بینی فصلی تراز آب های زیرزمینی - بخش اول


ما تأثیر بازیابی جاذبه و تجزیه و تحلیل داده های ماهواره های آزمایش آب و هوا (GRACE-DA) در مقداردهی اولیه پیش بینی هیدرولوژیکی فصلی ایالات متحده، با تمرکز بر ذخیره آب زیرزمینی را ارزیابی می کنیم. تخمین های ذخیره آب زمینی مبتنی بر GRACE یعنی TWS برای دوره 2003-2016 به یک مدل سطح زمین متصل می شوند. شبیه سازی سه ماهه پیش بینی شده (به عنوان مثال، پیش بینی وقایع گذشته) با استفاده از حالت های مرجع (بدون جذب داده) و GRACE-DA آغاز می شود. تفاوت بین دو شرایط اولیه هیدرولوژیکی (IHC) برای دو روش پیش بینی در 305 چاه که اندازه گیری های عمق به سطح آب در دسترس است، ارزیابی می شود. نتایج نشان می دهد که استفاده از IHC مبتنی بر GRACE-DA عملکرد پیش بینی آبهای زیرزمینی فصلی را از نظر RMSE و همبستگی بهبود می بخشد. در حالی که بیشتر مناطق بهبود را نشان می دهند، تخریب در دشت های مرتفع معمول است، جایی که برداشت برای روش های آبیاری بیشتر از تنوع آب و هوا بر تغییرات آب زیرزمینی تأثیر می گذارد، که این امر نیاز به شبیه سازی چنین فعالیت هایی را نشان می دهد. این یافته ها به تلاش های اخیر در جهت بهبود سیستم نظارت و پیش بینی خشکسالی ایالات متحده کمک می کند.


1. معرفی

در دهه گذشته، ایالات متحده با خشکسالی های شدیدی روبرو شده است (به عنوان مثال مطالعات Famiglietti & Rodell 2013)، بسیاری از بخش ها را تحت تأثیر قرار داده است، از جمله کشاورزی، خدمات اکوسیستم، انرژی، بهداشت انسان و منابع آب و میلیاردها دلار برای اقتصاد کشور هزینه دارد (NCDC 2014). خشکسالی یک ویژگی آب و هوایی مکرر است که پیش بینی می شود تأثیرات آن هم در ایالات متحده و هم در سطح جهان در نتیجه تغییر آب و هوا و افزایش جمعیت بدتر شود. ماموریت بازیابی جاذبه و آزمایش اقلیم (GRACE) در مطالعات Tapley و همکاران در سال 2004 نشان داد که امکان نظارت بر ماهواره بر روند ذخیره جهانی آب و حوادث شدید را فراهم کرد و به جامعه علمی بینش بی سابقه ای درباره تغییرات ذخیره آب زمینی (TWS) در سراسر جهان داد (Rodell و همکاران 2018). برآورد TWS مبتنی بر GRACE در بسیاری از مطالعات مربوط به خشکسالی در سراسر جهان (به عنوان مثال، Long et al. 2013; Thomas et al. 2014; Getirana 2016) استفاده شده است، که نشان می دهد توانایی تشخیص کمبود ذخیره آب و روند مربوط به خشکسالی و مصرف انسان تا چه اندازه است (به عنوان مثال، Girotto et al. 2017). مطالعات اخیر با استفاده از داده های GRACE ثابت کرده است که جذب TWS مبتنی بر GRACE به مدل های سطح زمین (LSM) تأثیر مهم و ماندگاری بر متغیرهای حالت مدل و شار دارد (به عنوان مثال، Girotto et al. 2016; Kumar et al. 2016)، در حالی که کارایی داده های GRACE از طریق سنتز با داده های هواشناسی با وضوح بالا که توسط بخش فیزیک LSM محدود شده اند، افزایش می یابند (Zaitchik et al. 2008). از نظر حوادث شدید، نشان داده شده است که جذب داده های GRACE یعنی DA باعث بهبود شناسایی خشکسالی در مناطقی از آمریکای شمالی می شود (Houborg et al. 2012؛ Kumar et al. 2016)، اروپا (Li et al. 2012)، آسیا (Girotto et al. 2017) و در سطح جهانی (Li et al. 2019). چنین مطالعاتی نشان داد که GRACE-DA شبیه سازی های تغییر در ذخیره آب، به ویژه آب های زیرزمینی را بهبود می بخشد.


مجموعه ای از رویدادهای مهم خشکسالی در ایالات متحده در اوایل دهه 2000، توسعه یک سیستم هشدار سریع خشکسالی برای ایالات متحده را از اولویت بالایی برخوردار کرد (NIDIS 2004). محصول برجسته این تلاش، نظارت بر خشکسالی ایالات متحده (USDM؛ Svoboda et al. 2002)، به ابزار اصلی نظارت بر خشکسالی در کشور تبدیل شده است. با این حال، توسعه پیش بینی خشکسالی عملیاتی بسیار محدود بوده است. استثناهای قابل توجه مرکز پیش بینی آب و هوا NOAA  یعنی CPC پیش بینی های فصلی و ماهانه خشکسالی ایالات متحده است که بر اساس چشم انداز بارش و دما و مدل سازی رطوبت خاک است. در حالی که اینها شروع خوبی برای سیستم هشدار زودهنگام خشکسالی هستند، اما با توجه به اهمیت این منابع برای مردم، گیاهان و اکوسیستم ها، چشم اندازها قادر به پیش بینی ذخیره آب زیرزمینی (GWS) و رطوبت عمیق خاک نیستند. در حالی که ارزش آنها به عنوان شاخص خشکسالی شناخته شده است (van Lanen and Peters 2000; Thomas et al. 2014).


مطالعات زیادی تأثیر شرایط هیدرولوژیکی اولیه (IHC) را در پیش بینی های فصلی بررسی کرده اند (به عنوان مثال، Shukla and Lettenmaier 2011؛ ​​Li et al. 2009). آنها نشان داده اند که عدم قطعیت IHC به طور کلی بیش از عدم قطعیت جبری است؛ بنابراین غلبه بر خطاهای پیش بینی تا حدود 1 ماه زمان را دارد. در یک مطالعه اخیر، Wanders و همکاران (2019) نشان داد که IHC ها، به ویژه آب های زیرزمینی، می توانند حداقل نیمی از واریانس پیش بینی های هیدرولوژیکی را در زمان های منتهی به سه ماه توضیح دهند. در زمان جبر طولانی تر، عدم قطعیت های جبری به یک عامل مهم تر تبدیل می شوند. از آنجا که رطوبت عمیق خاک و GWS به دلیل "ماندگاری" قابل توجهی که دارند، در پاسخ به شرایط هواشناسی به آرامی تغییر می کنند، آنها توانایی بالایی برای اطلاع از پیش بینی های فصلی دارند. با شناخت این پتانسیل و استفاده از برنامه های اخیر GRACE-DA برای بهبود درک ما از فرآیندهای فیزیکی مربوط به تنوع ذخیره آب و همچنین مطالعاتی که اهمیت IHC را برای پیش بینی های فصلی نشان می دهد، هدف از این مطالعه ارزیابی این پتانسیل با ارزیابی تأثیر GRACE-DA بر پیش بینی خشکسالی فصلی در ایالات متحده (CONUS) است. فرضیه ما این است که جذب GRACE به یک LSM آفلاین (به عنوان مثال، با جو همراه نیست) نتایج بیشتری در ذخیره سازی آب، به ویژه رطوبت عمیق خاک و آب های زیرزمینی، در LSM نشان می دهد، و این حالت های جذب شده پس از آن بهبود می بخشد که IHC شبیه سازی پیش بینی خشکسالی فصلی با همان مدل. برای آزمایش فرضیه خود، TWS مبتنی بر GRACE را به یک LSM شبیه سازی می کنیم، سپس از حالت های به روز شده مشتق شده از GRACE-DA به عنوان IHC برای پیش بینی های مربوط به خشکسالی فصلی (به عنوان مثال پیش بینی وقایع گذشته یا پیش بینی های تاریخی) تا 90 روز منتهی به آینده با استفاده از داده های هواشناسی سطح نزدیک از دو روش مختلف پیش بینی فصلی استفاده می کنیم. Hindcasts از نظر بهبود آبهای زیرزمینی پیش بینی شده مورد ارزیابی قرار می گیرند، در صورتی که با شبیه سازی مرجع که شبیه سازی حلقه باز (OL) نیز نامیده می شود مقایسه می شود (به عنوان مثال، بدون اغتشاش و جذب) اعمال می شود.


2. داده ها و روش ها

TWS مبتنی بر GRACE به مدل سطح زمین Catchment (در مطالعات CLSM، Koster و همکاران، 2000) شبیه سازی می شود، که یک مدل عددی مبتنی بر فیزیک است که در پاسخ به هواشناسی سطح، تعادل آب و انرژی را در و زیر سطح زمین شبیه سازی می کند. برخلاف مدل هایی که محتوای رطوبت خاک را در یک سری لایه های خاک تا عمق حدود 2 متر شبیه سازی می کنند، CLSM ذخیره سازی تعادل آب را در منطقه اشباع نشده و اشباع شده تا پایین بستر شبیه سازی می کند، با یک منحنی اشباع متغیر که توزیع عمودی را توصیف می کند. توزیع عمودی تعادل رطوبت خاک شامل یک جدول ضمنی آب است که در عمق اشباع تعادل واقع شده و حاکی از وجود یک سفره آب زیر آب (آب زیرزمینی) است که ذخیره آب متغیر با زمان دارد. اعماق سنگ بستر از پروژه جهانی دوم رطوبت خاک (GSWP-2؛ Dirmeyer & Oki 2002) بدست آمد. در CLSM ،TWS به عنوان مجموع آب زیرزمینی، رطوبت خاک، معادل آب برف و رهگیری سایبان تعریف شده است.


ما ماهانه ناهنجاری های TWS مبتنی بر GRACE با مقدار 0.5 درجه مشبک حاصل از ترکیب Mascon مرکز تحقیقات فضایی دانشگاه تگزاس در آستین را جذب کردیم (Save et al. 2016). حتی اگر CSR GRACE بومی در بلوک های به عرض 120 کیلومتر تخمین زده شده و از یک شبکه 0.5 درجه نمونه برداری شوند، وضوح واقعی ترکیب آن حدود 250-300 کیلومتر در امتداد خط استوا است. نشان داده شده است که محصولات مبتنی بر ماسکون نسبت سیگنال به نویز نسبتاً بالاتر و خطاهای کاهش یافته نسبت به محصولات مبتنی بر هارمونیک های کروی دارند (به عنوان مثال، Rowlands et al. 2010؛ Save et al. 2016). عدم اطمینان داده های GRACE برآورد شده است که برابر با 1 سانتی متر ارتفاع آب معادل متوسط ​​بیش از مناطق بزرگتر از حدود 400000 کیلومتر مربع است و با کاهش منطقه مشاهده شده خطاها افزایش می یابند (Swenson et al. 2003). داده های GRACE برای مطابقت با فضای شبکه مدل 0.125 درجه به صورت خطی درهم آمیخته شد و برای انطباق با میانگین TWS شبیه سازی شده در اجرای OL، بایاس اصلاح شد. پردازش داده های GRACE با جعبه ابزار NASA Land Surface Data Tool در منبع (LDT؛ Arsenault et al. 2018) انجام شد و کلیه نسخه های مدل، همانطور که در زیر توضیح داده شده است، در سیستم اطلاعات زمین NASA در منبع (LIS ؛ Kumar et al. 2006) انجام شده است.


الف. پیکربندی مدل سازی

همانطور که در نمودار جریان مدل سازی ارائه شده در شکل 1 نشان داده شده است، ما از دو مجموعه داده جبری هواشناسی برای بخش گذشته نگر آنالیز استفاده کردیم. یکی از آنها مجموعه داده های هواشناسی پرینستون (Sheffield et al. 2006) بود که دارای مقدار 1 درجه بندی است و از سال 1948 تا 2014 با وضوح زمانی 3 ساعته گسترش می یابد. دوم مجموعه داده های سیستم جذب اطلاعات زمین آمریکای شمالی فاز 2 (NLDAS-2; Xia et al. 2012) بود که دارای 0.125 درجه سانتی گراد است و از سال 1979 تاکنون با وضوح زمانی ساعتی آمریکای شمالی مرکزی را پوشش می دهد. NLDAS-2 مجموعه اصلی مورد استفاده در این مطالعه برای CLSM از سال 1979 تا 2016 بود. برای محاسبه صدک های شاخص خشکسالی، که سابقه طولانی تر از آن ترجیح داده می شود، ما یک اقلیم شناسی 67 ساله رطوبت خاک و GWS را از یک شبیه سازی CLSM ایجاد کردیم. توسط مجموعه داده های پرینستون. CLSM با استفاده از مجموعه داده های پرینستون برای کل دوره خود چرخانده شد و شرایط اولیه برای اجرای طولانی مدت 1948–2014 پرنستون با استفاده از میانگین شبیه سازی شده از 10 سال نهایی تولید، همانطور که توسط Rodell و همکاران در سال (2005) پیشنهاد شده است، ایجاد شد.  ما با مقیاس گذاری متغیرهای هواشناسی NLDAS-2 (میزان بارش، دمای هوا و رطوبت، تابش خورشید، سرعت باد و فشار) تناقض بین دو مجموعه داده را برطرف کردیم تا مطابق با آب و هوا ماهانه پرینستون با استفاده از دوره همپوشانی، از 1979 تا 2014 باشد. اجرا با استفاده از داده های کوچک مقیاس NLDAS-2 برای دوره 1979-2016 از طولانی مدت پرینستون آغاز شد. به نوبه خود، شرایط اولیه اجرای GRACE-DA 2003–16 از OL گرفته شد و داده های NLDAS-2 مجدداً استفاده شد. Houborg و همکاران (2012) نشان دادند که، به منظور نمایش بهتر پویایی TWS و جایگزینی کاهش قابل توجه GWS در خشکسالی های استثنایی، عمق CLSM تا بستر باید فراتر از مقادیر پیش فرض مدل افزایش یابد. در این مطالعه، عمق سنگ بستر سه متر در سراسر دامنه افزایش یافت. تمام اجرای مدل در یک گام زمانی 15 دقیقه انجام شد.


شکل 1. نمودار روند مدل سازی. آزمایش ها با اعداد رومی ترتیب داده می شوند.


ب. روش جذب اطلاعات

برای مقابله با وضوح مکانی و زمانی GRACE، یک گروه مبتنی بر سه بعدی کالمن هموارتر (EnKS; e.g., Evensen and Van Leeuwen 2000)، همانطور که در مطالعات Zaitchik و همکاران در سال (2008) شرح داده شده است، برای همانند سازی TWS مبتنی بر GRACE به CLSM استفاده شد. EnKS، همانطور که در اینجا اعمال می شود، شامل یک پنجره همبستگی مکانی 2 درجه و یک پنجره زمانی ماهانه است که در آن دو پاس انجام می شود: 1) اولین پاس یک مرحله پیش بینی را برای تولید مجموعه شرایط TWS مبتنی بر CLSM ادغام می کند (بدون همانند سازی) ؛ و 2) پاس دوم به روزرسانی جذب را براساس وزن نسبی تخمین ها و مشاهدات مدل انجام می دهد (یعنی از نظر ماتریس های کوواریانس خطای آنها)، که توسط ماتریس بهره کالمن تعیین می شود. در اولین عبور، حالت های مبتنی بر CLSM TWS در روزهای 5، 15 و 25 هر ماه ذخیره می شوند (تقریباً مربوط به فرکانس overpass GRACE است). در گذرگاه دوم، گروه مجدداً شروع به کار می کند و افزایش ماهانه تجزیه و تحلیل به طور مساوی در طول ماه اعمال می شود. دو متغیر پیش بینی کننده رطوبت خاک CLSM با نویز افزودنی به طور معمول توزیع شده و سه لایه حالت معادل آب برف با یک آشفتگی ضعیف، میانگین 1، ضرب می شوند. ما فرض کردیم که سهم تنوع ذخیره آب سطحی (SWS) به TWS ورای ایالات متحده ناچیز است (Rodell and Famiglietti 2001). آنچنان که Getirana و همکاران (2017) نتیجه گرفتند که این در بیشتر موارد درست است، با این حال، در بخشهای خاصی از ایالات متحده مانند مینه سوتا و تغییرات ذخیره آب سطحی در جنوب فلوریدا جز اساسی تغییرات TWS است. تأثیر مدلسازی نکردن آبهای سطحی در CLSM این است که تغییرات TWS (باقیمانده بودجه آب یا از GRACE-DA) که در دنیای واقعی به SWS نسبت داده می شود، در واقع به عنوان سایر اجزای TWS ادغام و شبیه سازی می شود، یعنی برف، GWS و رطوبت خاک. اگرچه این ایده آل نیست، اما برای اهداف این مطالعه، که هدف اصلی آن بهبود پیش بینی خشکسالی / رطوبت است، کافی است. نویزها همچنین به سه زمینه هواشناسی اعمال شد: تابش موج بلند ورودی (نوع افزودنی) و تابش و بارش موج کوتاه ورودی (هر دو نوع نویز ضربی).


برای کوواریانس خطای مشاهده مشاهده TWS، ما یک مقدار اسکالر فضایی یکنواخت 10 میلی متر اعمال کردیم (Zaitchik et al. 2008). که در GRACE-DA با یک گروه 20 تایی اجرا شد. مطالعات قبلی نشان داده است که این اندازه گروه برای نشان دادن عدم اطمینان مدل در چارچوب GRACE-DA کافی است (Zaitchik et al. 2008؛ Li et al. 2012؛ Kumar et al. 2016). مهم است که توجه داشته باشیم که EnKS سه بعدی ما تفکیک فضایی ذاتی اندک محصولات GRACE را که در این مطالعه استفاده می شود، در نظر نمی گیرد. در این زمان، شبیه سازی های جذب داده ما نمی توانند برآورد های GRACE TWS از نظر فضایی را کاملاً تقطیر کنند تا همه تنوع محلی را به دست آورند. جزئیات بیشتر در مورد پیکربندی GRACE-DA و تنظیمات خاص نویز مورد استفاده در این مطالعه را می توان در مطالعات Kumarو همکاران در سال (2016) یافت.


ج. پیش بینی های فصلی

پیش بینی های هیدرولوژیکی روزانه با حداکثر 90 روز قطعیت با استفاده از داده های هواشناسی سطحی از دو منبع داده برای هماهنگ سازی  مدل انجام می شود: سیستم پیش بینی فصلی GEOS ناسا (Borovikov و همکاران. 2019) نسخه 1 و پیش بینی جریان Ensemble که (ESP; Day 1985) هدف از جمله GEOS و ESP تعیین کاربرد و استحکام استفاده از GRACE-DA برای پیش بینی های آبهای زیرزمینی فصلی همراه با تکنیک های مختلف پیش بینی جوی است. GEOS یک سیستم پیش بینی فصلی پویا است که متشکل از چند عضو طراحی شده برای تولید پیش بینی های هواشناسی ماهرانه است. گروه GEB hindcast مورد استفاده در این مطالعه از هفت عضو اول آن تشکیل شده است. ESP یک روش آماری مبتنی بر داده های هواشناسی تاریخی است و هدف آن تهیه پیش بینی اتمسفر "صفر" است، که در آن مجموعه میدان های هواشناسی یک نمونه برداری با وزن احتمال از رکورد تاریخی را نشان می دهد. داده های هواشناسی تاریخی NLDAS-2، از سال 1982 تا 2016 (به استثنای سال خاص پس زده)، برای تولید پس پخش های ESP، متشکل از یک گروه 35 تایی استفاده می شود. Hindcasts هر 1 مارس و مه در دوره 2003-16 با استفاده از ایالات OL و GRACE-DA به عنوان IHC آغاز شد. هر دو ماه انتخاب شدند زیرا در بیشتر ایالات متحده 1) آنها پایان دوره مرطوب را نشان می دهند، 2) در نزدیکی شروع فصل رشد هستند و 3) مارس یک نقطه شروع مهم برای پیش بینی جریان و جاری شدن سیل است. IHC های مبتنی بر GRACE-DA ابتدا با میانگین گیری از گروه 20 تایی DA و سپس استفاده از این میانگین برای شروع اولیه هر عضو مورد استفاده در هر روش پیش بینی استفاده شد. این بدان معناست که برای هر بار اجرای پیشین، همه اعضا با IHC یکسان اولیه شدند. IHC ها از اجزای ذخیره آب (در سطح و در لایه های مختلف خاک) و دمای خاک تشکیل شده اند. پخش های Hindcast با استفاده از ابزار قطعی، یعنی با استفاده از گروه پیش بینی شده ارزیابی شدند. به طور خلاصه، همانطور که در شکل 1 نشان داده شده است، در مجموع هشت اجرای مدل انجام شده است: (الف) چرخش (1948–2014) و (ب) بلند مدت (1948–2014) اجرا شده با مجموعه داده های هواشناسی پرینستون. (سه) OL در (2016-2017) و (چهار) GRACE-DA در (2003-16) با مجموعه داده های اندازه گیری شده NLDAS-2 هماهنگ شده اجرا می شود؛ و برنامه های NLDAS-2 مبتنی بر ESP و GEOS با حالت هایی از (پنج) و (شش) OL و (هفت) و (هشت) GRACE-DA آغاز شده اند.


د. مشاهدات آبهای زیرزمینی

تأثیر IHC مبتنی بر GRACE-DA در پیش بینی های فصلی در 305 حلقه چاه که از سوابق اندازه گیری های روزانه سطح و عمق آب موجود است، ارزیابی شد. این داده ها توسط سازمان زمین شناسی ایالات متحده (USGS) و بررسی ایالتی ایلینوی جمع آوری و ارائه شد. 305 مکان چاه مورد استفاده در اینجا با توجه به معیارهایی که چاه ها باید در سفره های زیر آب آزاد نصب شوند و مستقیماً تحت تأثیر پمپاژ یا تزریقات قرار نگیرند، از یک مجموعه داده بزرگتر جمع آوری شدند (Rodell و همکاران 2007؛ Houborg و همکاران 2012؛ Girotto و همکاران 2016.؛ Kumar و همکاران 2016). علاوه بر استفاده از فراداده موجود، ساختار مربوطه، نقشه های زمین شناسی و تصاویر ماهواره ای برای انجام این تعیین، ما مجموعه های زمانی آب زیرزمینی را انتخاب کردیم که یک چرخه فصلی واضح (که اغلب در سری های زمانی محدود سفره های آب زیرزمینی وجود ندارد) را نمایش دهد و فاقد افت ناگهانی سطح آب باشد که ممکن است با پمپاژ همراه باشد (Girotto و همکاران 2016). مقادیر خاص عملکرد مشخص شده در مطالعات قبلی (Rodell و همکاران 2007؛ Houborg و همکاران 2012؛ Li & Rodell 2015؛ Girotto و همکاران 2016؛ Kumar و همکاران 2016) برای تبدیل عمق به آب به ارتفاع معادل آب استفاده شد، در میلی متر، که می تواند به طور مستقیم با ذخیره سازی ذخیره شده آب زیرزمینی مقایسه شود.


ه. روش ارزیابی

دقت سری زمانی GWS شبیه سازی شده با استفاده از همبستگی زمانی r و خطای میانگین مربع (RMSE) بین شبیه سازی و مشاهده ای o کمی می شود. RMSE به شرح زیر تعریف می شود:


RMSE=⎢ ⎢ ⎢ ⎢ ⎢ ⎢ntt=1(stot)2nt⎥ ⎥ ⎥ ⎥ ⎥ ⎥1/2,


که در آن t مرحله زمانی است و nt طول دوره است.

به دنبال مطالعات Kumar و همکاران (2014)، ما از معیار سهم اطلاعات نرمال (NIC) استفاده شده برای RMSE و r استفاده کردیم تا تعیین کنیم هر بهبودی که IHC مبتنی بر GRACE-DA در پیش بینی های GWS فصلی در مقایسه با موارد اولیه با اجرای OL کمک کند. مقادیر NIC مربوطه در زیر تعریف شده است:


RMSENIC=(RMSEOLRMSEDA)RMSEOL,



rNIC=(rDArOL)(1rOL).



دامنه هر دو معیار از ∞ تا 1 است، جایی که مقادیر بالای صفر نشانگر بهبود، زیر صفر نشانگر تخریب است و صفر به معنای عدم مهارت اضافه شده است.

مهارت های تشخیص خشکسالی با استفاده از احتمال تشخیص (POD)، میزان هشدار کاذب (FAR) و همبستگی مکانی به صورت مکانی ارزیابی شد. POD و FAR به این صورت تعریف می شوند


POD=aa+c,


FAR=bb+d,


در جایی که a تعداد پیکسل های خشکسالی است که به درستی توسط پیش بینی ها شناسایی شده است، b مخفف تعداد هشدارهای دروغین است (پیکسل های خشکسالی شناسایی شده است اما مشاهده نشده است)، c تعداد پیکسل های خشکسالی است که شناسایی نشده است و d جمع پیکسل هایی است که هیچ یک از مشاهدات وجود ندارد و نه پیش بینی رخ داده است.


ماهواره GRACE و پیش بینی فصلی تراز آب های زیرزمینی - بخش دوم



×

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



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
  • شناسه تلگرام: SubBasin
  • شماره واتساپ: 09190622992-098
  • شماره تماس: 09190622992-098

W3Schools