3. نتایج و بحث

آ. تأثیر GRACE-DA بر تنوع آبهای زیرزمینی

نسبت انحراف استاندارد، ترجمه تغییرات در دامنه های میانگین GWS که توسط GRACE-DA و OL شبیه سازی شده است، تأثیرات جمع آوری داده ها بر تنوع آب زیرزمینی را نشان می دهد، همانطور که در شکل 2 نشان داده شده است. بیشترین تغییرات به دلیل دامنه TWS کمتری است که توسط GRACE مشاهده شده است، نتیجه تفکیک مکانی درشت که تنوع زیاد را در مقیاس دقیق تر صاف می کند. کاهش دامنه ها بیشتر در شرق، جنوب و مناطقی از غرب میانه قابل مشاهده است. دامنه های افزایش یافته در مناطقی از غرب ایالات متحده، تگزاس و دشت های بزرگ مشاهده می شود.

شکل 2. انحراف استاندارد ذخیره آب زیرزمینی (میلی متر) مشتق شده از حلقه باز CLSM یا (OL) و هماهنگ ساز GRACE یا (GRACE-DA) برای دوره 2003–2016 اجرا می شود و نسبت انحراف استاندارد (٪)، به عنوان [(GRACE-DA / OL) نشان داده می شود، به صورت: 

[(GRACE-DA/OL) − 1] × 100

ب. مهارت اضافه شده با مقداردهی اولیه مبتنی بر GRACE-DA

شکل 3 و 4 نقشه و خلاصه تفاوت در مهارت پیش بینی آب زیرزمینی بین آزمایش های اولیه GRACE-DA و OL، در 305 مکان چاه ارزیابی شده است. این از نظر بهبودهای نرمال شده در RMSE یا (RMSE_NIC، در شکل 3) و ضریب همبستگی r یا (r_NIC، در شکل 4) برای پیش بینی های 3 ماهه که در 1 مارس و 1 مه برای دوره 2003-2016 آغاز شده است، نشان داده شده است. در اکثر چاه هایی که مشاهدات درجا وجود دارد، یک پیشرفت کلی مشاهده می شود. بهینه سازی مقادیر RMSE برای پخش ESP و GEOS در زمان پخش اولیه با GRACE-DA بین 74 تا 77 درصد چاه ها بود. بسته به روش پیش بینی، نیمی از چاه ها برابر RMSE_NIC یا بالاتر از 0.19-0.25 بودند. همبستگی به طور کلی بهبود می یابد، اما با سرعت کمتری (58 –60 درصد از چاه ها)، با بهبود میانه 0.03-0.09. همانطور که در شکل مشاهده می شود، RMSE در سراسر ایالات متحده کاملاً همگن بهبود می یابد، اما بهبودهای r سازگار نیستند، و برخی از مکان ها تخریب قابل توجهی را نشان می دهند.

شکل 3. تأثیر GRACE-DA در مقداردهی اولیه پس انداز فصلی با استفاده از داده های هواشناسی سطح از پیش بینی های تاریخی ESP و GEOS. (راست) توزیع فضایی مقادیر RMSE_NIC حاصل از بارش روزانه 3 ماهه آبهای زیرزمینی در ماه های مه و مارس طی دوره 2003-2016 آغاز شده است. در پایین سمت چپ هر نقشه، مقدار متوسط ​​و تعداد چاه ها با معیارهای بهبود یافته (↑) و تخریب شده (↓). (سمت چپ) میانه (محور x) و درصد چاه هایی با مقادیر NIC مثبت (محور y) برای هر روز پخش 3 ماهه در ماه های مه و مارس برای هر منطقه ایالات متحده (شمال شرقی، جنوب شرقی، میانه غرب، دشت های بزرگ، شمال غربی و جنوب غربی) محاسبه می شود.

شکل 4. مانند شکل 3، اما برای مقادیر r_NIC.

برای بررسی بیشتر نحوه تأثیرگذاری IHC بر مبنای GRACE-DA بر ایالات متحده، دامنه را به شش منطقه تقسیم کردیم، همانطور که در نقشه ها در شکل مشخص شده است. یعنی شکل های 3 و 4. این مناطق عبارتند از: شمال شرقی، جنوب شرقی، میانه غرب، گریت دشت، شمال غربی و جنوب غربی. قطعه های پراکنده در شکل 3 و 4 مقادیر میانی RMSE_NIC و r_NIC (محور x) را به عنوان تابعی از درصد مکانهای دارای مهارت بهبود یافته (محور y) در هر منطقه برای پیش بینی های اولیه در 1 مارس و 1 مه نشان می دهند. از این رو، یک نماد نشان دهنده منطقه ای با مهارت کلی بهبود یافته در ربع فوقانی راست ظاهر می شود. مناطقی که در ربع های دیگر واقع شده اند یا دارای معدل متوسط ​​منفی هستند و یا کمتر از نیمی از چاه ها بهبود یافته اند یا هر دو. همه آزمایش های پیش بینی شده (به عنوان مثال، هر دو روش پیش بینی و ماه های آغازین) مقادیر RMSE_NIC واقع در ربع فوقانی سمت راست برای همه مناطق را نشان می دهد، که نشان دهنده بهبود کلی در پس زمینه های آب زیرزمینی فصلی است. استثنا exception Great Plains است، جایی که بهبود کمی وجود دارد یا هیچ بهبودی نشان داده نمی شود، همانطور که با مقادیر کم r_NIC اثبات می شود. یک توضیح احتمالی این است که پمپاژ آب زیرزمینی برای حمایت از کشاورزی آبیاری، که در دشتهای بزرگ گسترده است اما در مدل نشان داده نمی شود، کنترل قابل توجهی بر تغییرات سطح آب اعمال می کند.

ما توجه داریم که DA نسبت به بهبود همبستگی RMSE را نسبت به OL بهبود می بخشد. دلیل این امر آن است که دامنه تنوع TWS در مشاهدات GRACE حفظ شده و در نتیجه به روزرسانی های قابل توجهی در دامنه ها و روندهای TWS شبیه سازی شده انجام می شود. به طور قابل تصور، این بهبود می تواند از طریق روش های دیگر با کمک داده های GRACE، مانند کالیبراسیون مدل یا مقدار دهی مجدد، حاصل شود. تکنیک های اندازه گیری مجدد مانند تابع توزیع تجمعی (CDF) مطابقت بین TWS شبیه سازی شده و مشاهده شده قبلاً با GRACE-DA استفاده شده است (به عنوان مثال، Girotto و همکاران 2016). انگیزه اصلی برای استفاده از این روش حفظ رطوبت خاک مدل بود، به طوری که برنامه های کاربردی زمین و جو تحت تأثیر تغییرات اقلیمی رطوبت خاک و شارهای زمین و جو قرار نمی گیرند. نقطه ضعف چنین تطبیق CDF این است که ابزار از هماهنگ سازی به اصلاح اطلاعات ناهنجاری زمانی محدود می شود، به عبارت دیگر، مشاهدات هماهنگ شده مجاز نیستند که دامنه تنوع رطوبت خاک شبیه سازی شده یا آب زیرزمینی را بهبود بخشند، که می تواند مهم باشد برای منابع آب و سایر برنامه ها. در واقع، مطالعات قبلی (Draper و همکاران 2009؛ Kumar و همکاران 2015؛ Li and Im 2015) نشان داده اند که این روش منافع بالقوه حاصل از هماهنگ سازی رطوبت خاک را به شدت محدود می کند، نیازی به ذکر این واقعیت نیست که پتانسیل DA را از بین می برد برای تشخیص، کمی سازی و اصلاح انحرافات. علاوه بر این، تطبیق CDF همچنین برای معرفی خطاهای بزرگ آماری هنگامی که ویژگی های غیر مدل شده در مشاهدات وجود دارد و اگر ویژگی زمانی کافی در محاسبه CDF وجود نداشته باشد، نشان داده شد (Kumar و همکاران، 2015؛ Yin and Zhan 2018). در حالی که مقیاس گذاری CDF معمولاً به عنوان یک رویکرد اصلاح انحراف پیشینی استفاده می شود، این محدودیت ها نشان می دهد که لزوماً از نظر فنی روش صحیح تری از روشی که ما استفاده می کنیم نیست. بعلاوه، مطالعات دیگر (Zaitchik و همکاران 2008؛ Houborg و همکاران 2012 ؛ Li و همکاران 2012، 2019؛ Kumar و همکاران 2016) ثابت کرده اند که روش حاضر معتبر است و در ایجاد پیشرفتهای معنی دار و از نظر ساختاری ادغام مشاهدات GRACE مفید است.

در این برنامه، روند و تغییرات آبهای زیرزمینی به طور قابل توجهی در تمام مناطق ایالات متحده بهبود یافته است. شکل 5 نمودارهای زمانی آبهای زیرزمینی OL و DA را همراه با پخشهای مقدماتی در 1 مه از هر دو مرحله اجرا می کند و با استفاده از هماهنگ سازی پیش بینی GEOS اصلی و ESP با مقیاس کوچک پیش بینی می کند. بزرگترین تغییرات ناشی از DA در شمال شرقی، غرب میانه و دشت های بزرگ مشاهده می شود، در حالی که تغییرات در سه منطقه دیگر کوچکتر یا کمتر سازگار هستند. انواع تغییرات شامل افزایش یا کاهش دامنه و / یا افزایش یا کاهش شدت  حالت مرطوب یا خشک است. به عنوان مثال، DA به طور کلی دامنه تنوع آبهای زیرزمینی فصلی و بین سالی را در دشت های بزرگ افزایش می دهد، در حالی که شدت در شمال شرقی را تعدیل می کند. در همه موارد، پیش بینی های بدست آمده توسط شبیه سازی DA در طول سه ماه نزدیک به شبیه سازی DA باقی می مانند، که مثبت است، با توجه به اینکه شبیه سازی DA نزدیکترین چیزی است که ما باید به عنوان "حقیقت" داشته باشیم، البته تعجب آور نیست.

شکل 5. تنوع روزانه آب زیرزمینی به طور متوسط ​​برای شش منطقه ایالات متحده است. خطوط نقطه ای نشان دهنده اجراهای گذشته نگر OL و GRACE-DA است و خطوط پررنگ 3 ماهه ESP و GEOS هستند که از اول ماه مه آغاز می شوند.

ج. حافظه آب زیرزمینی در پیش بینی های فصلی

ما همچنین مقادیر RMSE_NIC و r_NIC را برای ماههای منفرد و مناطق موثر، برای هر روش پیش بینی و ماه اولیه بررسی کردیم، همانطور که در شکل 6 نشان داده شده است. به طور کلی، مزایای کاهش IHC مبتنی بر GRACE-DA از ماه صفر به یک اثر پیش بینی شده و از یک به دو، به ویژه در مناطقی که مقدار RMSE یا همبستگی بالا دارند. این منطقی بصری است، زیرا اطلاعات آب زیرزمینی که توسط GRACE-DA ارائه می شود با گذشت زمان کمرنگ می شود و باعث جمع شدن ذخایر اولیه با GRACE-DA و OL می شود. با این حال، حافظه قابل توجه آب زیرزمینی اجازه می دهد تا مقدار اولیه GRACE-DA بتواند حداقل برای مدت سه ماه میزان این مقدار را بهبود بخشد. مقدار RMSE_NIC و r_NIC در پایان ماه سوم برای اکثر مناطق مثبت است. یک بار دیگر، مهارت کمی در تمام روش های پیش بینی، معیارها و ماه های موثر در منطقه Great Plains دیده می شود. مناطق شمال شرقی، جنوب شرقی و شمال غربی RMSE_NIC مثبت، اما r_NIC منفی در برخی از ماه های پراکنده نشان می دهند. این می تواند نتیجه عدم تکرار مشاهدات کافی باشد (در بعضی از چاه های این مناطق فقط یک مشاهده در ماه وجود دارد) یا اثر سیستماتیک مربوط به پویایی ساده آبهای زیرزمینی مورد استفاده در CLSM.

شکل 6. تأثیر اولیه سازی پیش بینی های فصلی ذخیره آب زیرزمینی با GRACE-DA، برای هر ماه و منطقه موثر، برای دوره 2003-2016. تأثیر به عنوان سهم اطلاعات نرمال (NIC) یا RMSE و همبستگی r تعریف شده است.

د. مهارت پیش بینی شدت خشکسالی

سرانجام، ما ارزیابی کردیم که IHC مبتنی بر GRACE-DA بر پیش بینی شاخص های شدت خشکسالی از نظر بهبود در تشخیص خشکسالی های شدید نسبت به مرجع USDM تأثیر می گذارد. نقشه های شاخص شدت خشکسالی USDM توسط تیمی از نویسندگان با استفاده از مشاهده و اطلاعات مبتنی بر مدل در مورد میزان بارش، دما، رطوبت خاک، آبهای سطحی، برف، پوشش گیاهی و سایر شاخص ها و همچنین گزارشات تأثیر خشکسالی تهیه شده است. خروجی از یک سیستم GRACE-DA مشابه نیز برای تولید نقشه های USDM در دسترس است و در نتیجه، این یک ارزیابی کاملاً مستقل نیست. USDM خشکسالی ها را در پنج دسته با شدت متفاوت ترسیم می کند: D₀ (غیر طبیعی خشک، صدک ≤ 30٪)، D₁ (خشکسالی متوسط​​، صدک ≤ 20٪)، D₂ (خشکسالی شدید، صدک ≤ 10٪)، D₃ (خشکسالی شدید، صدک ≤ 5٪) و D₄ (خشکسالی استثنایی، درصد 2٪). نقشه ها هر هفته بصورت آنلاین، معمولاً چهارشنبه ها منتشر می شوند و نشان دهنده شرایط خشکسالی از یک تا دو روز قبل از تاریخ انتشار است. نقشه های شدت خشکسالی، زیر همان دسته USDM، از مدل های ما با استفاده از اقلیم شناسی مشتق شده از بلند مدت مبتنی بر پرینستون مشتق شده است.

شکل 7 نقشه های شدت خشکسالی را در پایان سه ماه متوالی (ماه مه، ژوئن و ژوئیه) در سال 2014 نشان می دهد، که طی آن خشکسالی بزرگی در کالیفرنیا و مناطقی از نوادا در حال توسعه بود و دیگری در جنوب ایالات متحده تضعیف می شود، که قسمت هایی را پوشش می دهد همانطور که توسط USDM گزارش شده است، از تگزاس، اوکلاهما، کلرادو و کانزاس. از آنجا که نقشه های USDM عمدتا بر اساس شاخص های بارش و رطوبت خاک است، کاملاً با شاخص های خشکسالی آب زیرزمینی مبتنی بر GRACE-DA کاملاً مشابه آنها نیست، اما باید توافق کلی در مقیاس بزرگ وجود داشته باشد. اگرچه OL قادر به شناسایی هر دو خشکسالی استثنایی D₄ است، اما میزان گسترش آنها را در سراسر شمال غربی بیش از حد ارزیابی می کند. همچنین خشکسالی گسترده ای از شدت D₀ تا D₃ را در بخش بزرگی از مرکز و شمال شرقی ایالات متحده نشان می دهد. همچنین، OL به اشتباه شدت خشکسالی استثنایی بزرگی را که در مرکز ایالات متحده اتفاق می افتد، نشان می دهد، گزارش نشده توسط USDM. از طرف دیگر، همسان سازی داده های GRACE منجر به توافق بسیار بهتری با USDM می شود، زمانی که با OL مقایسه می شود، خشکسالی های استثنایی گزارش نشده در مرکز و شمال شرقی ایالات متحده را از بین می برد. این بهبود مستقیماً بر نقشه های پیش بینی شده خشکسالی تأثیر می گذارد. هر دو ESP و GEOS تحت تأثیر مثبت اولیه در GRACE-DA قرار می گیرند، و تأثیرات آن در طول 3 ماه پیش بینی شده مشاهده می شود. با این حال، می توان متوجه شد که GEOS در پایان ماه های دوم و سوم واگرا می شود، که یک خشکسالی استثنایی در شمال غربی در حال گسترش است، که می تواند نتیجه یک پیش بینی هواشناسی نادرست در آن سال باشد، یا محصول رانش اقلیمی در GEOS باشد سیستم پیش بینی رانش شبیه سازی اغلب در پیش بینی های فصلی مشاهده می شود و می تواند محصولی از پارامترهای مدل، تلفیق اشتباهات در پویایی جوی، پاسخ اقیانوس به خطا در شرایط اولیه جوی یا منابع دیگر باشد (به عنوان مثال، Smith و همکاران 2013؛ Hermanson و همکاران 2018).

شکل 7. نقشه شدت خشکسالی ایالات متحده در طی خشکسالی های عمده در غرب و جنوب ایالات متحده بین ماه های مه و ژوئیه 2014. از بالا به پایین نمایش داده می شود نظارت بر خشکسالی ایالات متحده، گذشته نگر OL و GRACE-DA، و پیش بینی های ESP و GEOS که با GRACE 1 مه آغاز شده است - ایالت های DA برآورد USDM مربوط به شدت خشکسالی در 3 ژوئن، 1 ژوئیه و 5 آگوست است و آزمایشات دیگر عکس هایی از تاریخ نمایش داده شده در بالای هر ستون است.

مهارت تشخیص خشکسالی برای سه تاریخی که در شکل 7 نشان داده شده است با استفاده از POD، FAR و rs مورد ارزیابی قرار گرفت. رویدادهای خشکسالی شدید (D₃) و استثنایی (D₄)، مربوط به صدک 5، به عنوان آستانه محاسبه POD و FAR استفاده شد. همبستگی مکانی با استفاده از تمام شاخص های شدت خشکسالی محاسبه شد. پیش بینی های مبتنی بر GRACE-DA تأثیر مثبتی بر همبستگی مکانی برای هر سه تاریخ دارند، با افزایش rs از 0.14 به 0.23 و به طور متوسط ​​0.18 برای هر سه تاریخ. احتمال تشخیص وقایع خشکسالی شدید و استثنایی (شاخص های D₃ و D₄) با هر دو روش پیش بینی در پایان ماه اول کمی تخریب می شود، اما بعداً بهبود می یابد، با بهبود متوسط ​​POD 0.03. پخش های Hindcast که با GRACE-DA آغاز شده اند، کاهش کمی در هشدارهای دروغین نشان می دهد. شکل 8 خلاصه ای از پیشرفت ها در تشخیص مهارت برای سه تاریخ است. به دلایل مقایسه، نتایج حاصل از اجرای گذشته نگر (GRACE-DA - OL) نیز ارائه شده است.

شکل 8. همبستگی مکانی افتراقی (Δr_s)، احتمال تشخیص (ΔPOD) و میزان هشدار کاذب (ΔFAR) نقشه های شاخص شدت خشکسالی برای سه تاریخ در سال 2014، همانطور که در شکل 7 نشان داده شده است. آستانه های POD و FAR به عنوان شدید (D₃) تعریف شده و وقایع خشکسالی استثنایی (D₄)، مربوط به صدک 5. مقادیر مربوط به پیشرفت مهارت ها است که تکنیک های پیش بینی ESP و GEOS با GRACE-DA آغاز می شود (به عنوان مثال، GRACE-DA - OL). مقادیر دیفرانسیل برای اجرای گذشته نگر (Retr) نیز برای اهداف مقایسه نشان داده شده است. بهبود با مقادیر مثبت برای rs و POD و مقادیر منفی برای FAR نشان داده می شود.

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

مدیر سایت: بهزاد سرهادی

شماره تلفن: 09190622992

شناسه تلگرام مدیر سایت: SubBasin@

نشانی ایمیل: behzadsarhadi@gmail.com

(سوالات تخصصی را در گروه تلگرام ارسال کنید)

_______________________________________________________

پروژه تخصصی در لینکدین

×

 براي پيوستن به بزرگترين گروه تلگرام علوم و مهندسي آب با امکان تبادل نظر بين اعضاء کليک کنيد

کتاب کاربرد مدل QUAL2KW

کتاب کاربرد GIS در منابع آب

کتاب محاسبه سيل طرح