2. مدل سازی

CLSM با استفاده از سه متغیر حالت، تغییرات ذخیره آب زیرسطحی ناشی از فعل و انفعالات زمین و جو (بارش و ET) را شبیه سازی می کند: مازاد سطح و مازاد منطقه ریشه، که نشان دهنده رطوبت بیش از حد خاک نسبت به حالت تعادل در لایه سطحی (0-2 سانتی متر است) زیر سطح و منطقه ریشه (0-100 سانتی متر) به ترتیب و کسری حوضه آبریز که نشان دهنده مقدار آب مورد نیاز برای رساندن پروفیل به اشباع است (Koster و همکاران، 2000). CLSM همچنین تغییرات برف فصلی را در سه لایه برفی شبیه سازی می کند. CLSM تغییرات سطح آب را مدل نمی کند. در عوض، ذخیره آب زیرزمینی با کم کردن آب ذخیره شده در منطقه ریشه از آن ذخیره شده در پروفیل (که می تواند از کسری حوضه آبریز و سایر پارامترهای مدل محاسبه شود)، که ظرفیت آن توسط پارامتر عمق بستر CLSM تعیین می شود، حاصل می گردد. عمق بستر به دنیال مطالعات Houborg و همکاران (2012) به طور یکنواخت 2 متر افزایش یافت. که نشان داد با استفاده از عمق سنگ بستر اصلی، TWS شبیه سازی شده CLSM اغلب در جنوب غربی ایالات متحده به یک حد پایین تر نزدیک می شود، به طوری که قادر به نشان دادن شرایط شدید خشکسالی نیست. به غیر از این، مدل برای این مطالعه اصلاح یا کالیبره نشده است. از آنجایی که CLSM از عمق سطح آب واقعی یا ضخامت های آبخوان به عنوان پارامترهای ورودی استفاده نمی کند، ذخیره آب زیرزمینی شبیه سازی شده آن (نه مانند مدل پویا) منعکس کننده پارامترهای مدل (از جمله عمق بستر) است. بنابراین، فقط ناهنجاری های ذخیره آب زیرزمینی، نه مقدار کل ذخیره آب زیرزمینی یا عمق سطح آب، با اندازه گیری های محلی قابل مقایسه است.

CLSM آب سطحی (رودخانه ها و جویبارها) یا تغییرات ذخیره آب زیست توده را شبیه سازی نمی کند، که در مقایسه با تغییرات رطوبت خاک، آب زیرزمینی و ذخیره آب برف در بسیاری از جهان کم است (Rodell and Famiglietti, 2001؛ Rodell و همکاران، 2005a) از طرف دیگر، آبهای سطحی می توانند بر تنوع TWS در آب و هوای مرطوب غالب شوند (Getirana و همکاران، 2017). در این موارد، نتایج ما باید به گونه ای تفسیر شود که آب سطحی مظهر آبهای زیرزمینی است که در آن سطح آب، سطح زمین را قطع می کند (Winter, 1998)، و بنابراین پویایی آبهای سطحی در آبهای زیرزمینی شبیه سازی شده منعکس می شود. بعلاوه، CLSM برداشت آبهای زیرزمینی یا تغییر در کیسه های یخی و پوشش برفی دائمی را که همگی در داده های GRACE وجود دارد، شبیه سازی نمی کند. با توجه به این محدودیت ها و فرضیات، TWS مبتنی بر CLSM به عنوان مجموع آب ذخیره شده به ثورت باران گیرش، معادل آب برف، رطوبت خاک منطقه ریشه و آب های زیرزمینی آزاد و نیمه آزاد محاسبه می شود.

در این مطالعه، CLSM در LIS روی یک شبکه منظم اجرا می شود، همانطور که در مطالعات Kumar و همکاران. (2016)، به جای حوضه های هیدرولوژیکی نامنظم مانند مطالعات قبلی (Zaitchik و همکاران، 2008؛ Houborg و همکاران، 2012؛ Li و همکاران، 2012). در هر سلول شبکه، ناهمگنی در مقیاس زیر شبکه مرتبط با توپوگرافی با سه منطقه تغییر پویا نشان داده می شود، که نشان دهنده درجه اشباع، ترشح و تلفات است - که در آن الگوریتم های مختلف برای ET و رواناب استفاده می شود (Koster و همکاران، 2000). ET شبیه سازی شده با CLSM با سایر مدلهای LSM در مقیاس جهانی مقایسه شده و از نظر گرفتن الگوهای مکانی مقیاس بزرگ ET سالانه و تنوع بین سالانه مشابه است (Mueller و همکاران، 2011؛ Jiménez و همکاران، 2011).

3. داده ها

1.3 جموعه داده ها

زمینه های تجزیه و تحلیل هواشناسی از مرکز عملیاتی سیستم پیش بینی هواشناسی (ECMWF) عملیاتی مرکز اروپا (اینجا) برای شبیه سازی مدل از سال 2003 تاکنون استفاده شده است. این زمینه ها، که در یک شبکه 0.25 درجه و در یک فاصله 3 ساعته ارائه می شوند، با شبیه سازی مشاهدات جوی موجود هر 12 ساعت در یک مدل پیش بینی با زمینه های هواشناسی سطح مانند بارش و تابش از طریق خروجی مدل تشخیص داده می شوند (Dee و همکاران، 2011؛ Flemming و همکاران، 2015).

برای شناسایی خشکسالی آب های زیرزمینی، یک توصیف اقلیم از ذخیره آب زیرزمینی منعکس کننده دامنه تنوع گذشته مورد نیاز است. این امر توسط یک شبیه سازی CLSM ایجاد شده با مجموعه داده های هواشناسی پرینستون (Sheffield و همکاران، 2006)، که دامنه آن 1948-2012 است، ایجاد شده است، زیرا داده های جبر ECMWF قبل از سال 2003 در دسترس نبود. مجموعه داده های پرینستون، که در یک شبکه جهانی 1 درجه ای (به استثنای قطب جنوب) با یک مرحله زمانی 3 ساعته ارائه می شود، اصلاح می شود. بارش، تابش خورشید و زمینه های دمای هوا از مرکز ملی پیش بینی محیط زیست (NCEP) ) / تجزیه و تحلیل مجدد مرکز ملی تحقیقات جوی (NCAR) با استفاده از مشاهدات محلی و ماهواره.

اجرای شبیه سازی اقلیم با CLSM با داده های جبری پرینستون از 1948-2012 با شرایط اولیه یکنواخت آغاز شد. سپس ده سال اول شبیه سازی برای حذف تأثیر چرخش مدل کنار گذاشته شد و CLSM در تاریخ 1 ژانویه 1948 با استفاده از میانگین ایالت 31 دسامبر سال های باقی مانده (2012-1999) به عنوان شرایط اولیه مجدداً شروع شد. استفاده از حالت های متوسط ​​به عنوان شرایط اولیه، در مقایسه با استفاده از شبیه سازی مکرر مدل مبتنی بر جبری کردن داده ها از یک سال، می تواند مصنوعات ناشی از حوادث شدید مانند خشکسالی در طول دوره چرخش را کاهش دهد (Rodell و همکاران، 2005b)

برای اطمینان از سازگاری زمانی بین شبیه سازی های جبری ECMWF از 2003 تاکنون و پرینستون (2012-1948)، داده های جبری ECMWF مقیاس بندی شدند تا میانگین زمانی هر فیلد در هر مکان با داده های پرینستون مطابقت داشته باشد. دوره همپوشانی (2003-2012) به دنبال مطالعات Li و Rodell در سال (2014). یک شبیه سازی حلقه باز CLSM (به عنوان مثال، بدون هماهنگ سازی داده های GRACE) و یک شبیه سازی هماهنگ داده های GRACE از نوع (DA) با استفاده از مقیاس بندی زمینه های جبری ECMWF از مارس 2003 به بعد در وضوح مکانی 0.25 درجه انجام شد. شرایط اولیه برای این دو اجرا از خروجی آب و هوا جبری پرینستون اجرا شده است.

2.3 داده های GRACE

داده های GRACE مورد استفاده در این مطالعه توسط مرکز تحقیقات فضایی (CSR) در دانشگاه تگزاس ارائه شده و با استفاده از رویکرد غلظت توده منظم (mascon) به جای روش هارمونیک کروی متداول (Save و همکاران، 2012؛ Save و همکاران، 2016). راه حل ماسک CSR برای محدود کردن وارونگی نرخ های مختلف ماهواره به میدان های ثقل، از یک روش منظم سازی متغیر زمان استفاده می کند و در نتیجه نیازی به پردازش پس از آن ندارد. نشان داده شده است که پس از پردازش داده های GRACE، برای از بین بردن خطاهای همبسته، سیگنال های بازیابی را کاهش می دهد (Landerer and Swenson، 2012؛ Save و همکاران، 2012؛ Scanlon و همکاران، 2016). داده های CSR GRACE ماهانه در شبکه جهانی 0/5 درجه ارائه می شود، اگرچه با توجه به محدودیت های سیستم اندازه گیری، وضوح موثر مکانی آنها هنوز در حدود 150،000 km2 است. هنوز هم، جزئیات زمانی و مکانی سیگنال های GRACE را در مقایسه با سایر محصولات بهتر حفظ می کند (Save و همکاران، 2016).

از آنجا که داده های TWS مشتق شده از GRACE به صورت ناهنجاری (فاصله از میانگین بلندمدت) ارائه می شوند، ما میانگین زمانی مدل شبیه سازی شده TWS را از دوره حلقه باز (به طور متوسط به هر شبکه 0.5 درجه GRACE) از 2003-2015 اضافه کردیم قبل از جذب داده ها به ناهنجاری های GRACE TWS (با میانگین حذف شده آنها از سال 2003-2015). دامنه دینامیکی داده های GRACE به اندازه مدل مانند Girotto و همکاران مقیاس بندی نشد (2016 و 2017). بعلاوه، مجموعه داده های GRACE علامت گذاری شده منظمی که در اینجا استفاده می شود، نیازی به استفاده از فاکتورهای مقیاس ایجاد شده برای محصولات GRACE مبتنی بر هارمونیک کروی ندارند (به عنوان مثال، Landerer و Swenson 2012).

3.3 آبهای زیرزمینی محلی

داده های آب زیرزمینی محلی از ایالات متحده، برزیل، هند، چین، استرالیا، آلمان، فرانسه، هلند، نیجریه، چاد و اوگاندا (برای اطلاعات بیشتر و اطلاعات اضافی به اطلاعات تکمیلی S1 مراجعه کنید) برای ارزیابی تأثیر به دست آمد شبیه سازی داده های GRACE در تغییرات ذخیره سازی ذخیره شده آب های زیرزمینی (شکل 1 و جدول S1) - سایپرز، باشگاه دانش بسیاری از این چاه ها در مطالعات قبلی برای اعتبارسنجی داده های TWS و GRACE مشتق شده از GRACE استفاده شده است (به اطلاعات تکمیلی، S1 مراجعه کنید). تجزیه و تحلیل عمیق داده های چاه در ایالات متحده و هند از جمله ارتباط آنها با آب و هوا را می توان در مطالعات Li و همکاران یافت (2015). و همچنین Bhanja و همکاران (2017a).

به دنبال مطالعات قبلی (رودل و همکاران، 2007؛ Li و همکاران، 2015)، ما این چاه ها را بر اساس سه معیار انتخاب کردیم: در درجه اول توسط فرآیندهای جوی (بنابراین چاه های موجود در سفره های زیر آب محدود می شوند)، که با آنچه شبیه سازی CLSM سازگار است ؛ (2) مشاهدات نشانه های آشکاری از پمپاژ یا تزریق آب زیرزمینی را نشان نمی دهد، که توسط CLSM شبیه سازی نشده است، مانند موج ناگهانی یا کاهش سطح آب. (3) مشاهدات حداقل پنج سال طول می کشد (دو سال برای چاد و نیجریه، جدول S1) برای اطمینان از تجزیه و تحلیل آماری قوی. موارد استثنایی برای چاههای دشت شمال چین ایجاد شده است، جایی که برداشت آبهای زیرزمینی برای آبیاری زیاد است (Liu et al.، 2011؛ ​​Döll et al.، 2014). بسیاری از این سری های زمانی نشانه هایی از برداشت مانند کاهش مداوم را نشان می دهند، اگرچه مشخص نیست که این کاهش ها به دلیل پمپاژ مستقیم از چاه بوده یا نمایانگر کاهش آب های زیرزمینی محیط بوده است. چاه های آسیب دیده انتخاب شدند، به شرطی که تنوع فصلی را نیز به نمایش بگذارند، تا بینشی در مورد عملکرد جذب داده های GRACE در مناطقی که آب زیرزمینی تخلیه می شود، ارائه دهند (Döll و همکاران، 2014).

برای مقایسه با ذخیره آب زیرزمینی شبیه سازی شده با CLSM (در میلی متر)، داده های محلی، که به صورت عمق آب یا ارتفاع های سطح آب ارائه می شدند، با کم کردن میانگین بلند مدت هر سری زمانی، به ناهنجاری های ذخیره آب زیرزمینی تبدیل شدند. برای اندازه گیری عمق به آب، از معکوس افزودنی ناهنجاری های حاصل شده برای محاسبه این واقعیت که عمق بیشتر آب مربوط به ذخیره آب کمتر است استفاده شد. سرانجام، ناهنجاری ها با برآورد خاص مکان برای عملکرد خاص برای بدست آوردن ناهنجاری های ذخیره آب زیرزمینی به عنوان ارتفاع معادل آب، ضرب شدند. تخمین عملکرد خاص برای چاه های هند و دشت شمال چین همراه با مشاهدات آب زیرزمینی ارائه شد. برای چاه های واقع در ایالات متحده، برزیل، نیجریه و چاد، عملکرد خاص با بررسی ادبیات منتشر شده و استفاده از فراداده موجود (مانند اطلاعات زمین شناسی آبخوان)، طبق روال ذکر شده در رودل و همکاران، تخمین زده شد. (2007) و Li و رودل (2014). این مجموعه از مقادیر عملکرد خاص در جدول S2 ارائه شده است (به اطلاعات تکمیلی مراجعه کنید). به دلیل کمبود اطلاعات زمین شناسی آبخوان برای چاه های واقع در اوگاندا، اروپا و استرالیا، تخمین عملکرد خاص از مجموعه جهانی 0.5 درجه استفاده شده توسط مدل PCRaster Global Water Balance یا (PCR-GLOBWB) گرفته شد (Sutanudjaja و همکاران، 2018) ) توجه داشته باشید که CLSM تغییرات ذخیره آب را مستقیماً شبیه سازی می کند و بنابراین به عملکرد خاص به عنوان یک پارامتر ورودی نیازی ندارد.

هماهنگ سازی جهانی داده های GRACE برای نظارت بر آبهای زیرزمینی و خشکسالی - 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)

_______________________________________________________

×

 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