5.3 اندازه گیری کدورت دریاچه و حالت تغذیه ای

1.5.3 چرا کدورت دریاچه و حالت تغذیه ای اندازه گیری می شود؟

کدورت شاخص کلیدی شفافیت آب است، که میزان خطرناک بودن آب را کمی می کند و به عنوان شاخص در دسترس بودن نور زیر آب عمل می کند. شاخص حالت تروفیک به درجه تجمع مواد آلی در ساختار آب گفته می شود و معمولاً در رابطه با نظارت بر اوتروفیکاسیون استفاده می شود. در این زمینه می توان از هر دو پارامتر آب برای استنباط یک حالت خاص یا کیفیت یک ساختار آب شیرین استفاده کرد.

تالاب ها

داده ها نشان دهنده مساحت کل تالاب ها در هر دو درصد و کیلومتر مربع واحد است. این داده ها یک اندازه گیری پایه است و برای ردیابی این مبنا به عنوان و هنگامی که سری جدید داده های سالانه در مورد تالاب ها به سایت به روز می شوند، استفاده می گردد.

جنگل حرا

داده ها تغییر کل در میزان حرا را نشان می دهد، از زمان شروع کار (سال 2000) یا arrow_drop_up یا ضرر arrow_drop_down را در هر دو درصد و کیلومتر مربع واحد بدست آورید.

استفاده از بهترین دانش موجود برای ردیابی، نظارت و بهبود سلامت اکوسیستم های آب شیرین جز اهدافی است که سازمان ملل و بخش آب آن پیگیری می کند.

این صفحه توانایی بارگیری داده های سری زمانی موجود را برای همه مناطق و سطح حوضه فراهم می کند. این شامل میانگین های سالانه پنج ساله است که می تواند برای پیگیری تغییرات طولانی مدت در اکوسیستم های مربوط به آب استفاده شود. سری زمانی میانگین پنج ساله موجود در این صفحه مستقیماً در گزارش رسمی شاخص توسعه پایدار 6.6.1 قرار دارد که در پایگاه داده SDG جهانی نیز قابل دسترسی است.

این سامانه یک ماشین زمان مجازی که موقعیت و توزیع زمانی سطوح آب را در مقیاس جهانی طی 3.6 دهه گذشته ترسیم می کند و آماری از میزان و تغییر آنها برای پشتیبانی بهتر از تصمیم گیری در مورد مدیریت مدیریت آب ارائه می دهد.

موجک (به انگلیسی: Wavelet) دسته‌ای از توابع ریاضی هستند که برای تجزیه سیگنال پیوسته به مؤلفه‌های فرکانسی آن بکار می‌رود که رزولوشن هر مؤلفه برابر با مقیاس آن است. تبدیل موجک تجزیه یک تابع بر مبنای توابع موجک می‌باشد. موجک‌ها (که به عنوان موجک‌های دختر شناخته می‌شوند) نمونه‌های انتقال یافته و مقیاس شده یک تابع (موجک مادر) با طول متناهی و نوسانی شدیداً میرا هستند.

ماشین بردار پشتیبانی (Support vector machines - SVMs) یکی از روش‌های یادگیری با نظارت است که از آن برای طبقه‌بندی و رگرسیون استفاده می‌کنند. این روش از جملهٔ روش‌های نسبتاً جدیدی است که در سال‌های اخیر کارایی خوبی نسبت به روش‌های قدیمی‌تر برای طبقه‌بندی نشان داده‌است. مبنای کاری دسته‌بندی کنندهٔ SVM دسته‌بندی خطی داده‌ها است و در تقسیم خطی داده‌ها سعی می‌کنیم خطی را انتخاب کنیم که حاشیه اطمینان بیشتری داشته باشد. حل معادله پیدا کردن خط بهینه برای داده‌ها به وسیله روش‌های QP که روش‌های شناخته شده‌ای در حل مسائل محدودیت‌دار هستند صورت می‌گیرد.

LakePy در HydroWeb ابزاری کاربر محور pythonic یرای پایگاه داده سطح آب جهانی دریاچه است. این بسته می تواند بلافاصله سطح آب دریاچه را برای حدود 2000+ دریاچه پراکنده در سراسر جهان تحویل دهد. داده ها از سه منبع تهیه می شوند (تاکنون!)

دریاچه اُرومیه نام دریاچه‌ای در شمال غربی کشور ایران است که طبق تقسیمات کشوری ایران، این دریاچه میان دو استان آذربایجان غربی و استان آذربایجان شرقی قرار گرفته‌است. بررسی نوسانات سطح آب دریاچه‌ها به لحاظ اهمیت، ماهیت و موقعیت این مجموعه‌های آبی در سال‌های اخیر اهمیت ویژه ای پیدا کرده‌است. دریاچه ارومیه بزرگترین دریاچه داخلی ایران می‌باشد. مساحت این دریاچه در سال ۱۳۷۷ در حدود شش هزار کیلومتر مربع بود که در ردیف بیست و پنجمین دریاچه بزرگ دنیا از نظر مساحت قرار می‌گیرد. دریاچهٔ ارومیه، بزرگ‌ترین دریاچهٔ داخلی ایران، بزرگ‌ترین دریاچهٔ آب شور در خاور میانه، و ششمین دریاچهٔ بزرگ آب شور دنیا است. آب این دریاچه بسیار شور بوده و بیشتر از رودخانه‌های زرینه‌رود، سیمینه‌رود، تلخه رود، گادر، باراندوز، شهرچای، نازلو و زولا تغذیه می‌شده. مهم‌ترین جزایر این دریاچه عبارت اند از جزیره کبودان (قویون داغی)، اشک داغی، آرزو و اسپیر.

ORNL DAAC همچنین چندین ابزار زیر مجموعه MODIS و VIIRS برای زیر مجموعه سازی داده ها دارد. با استفاده از ابزار جهانی زیر مجموعه، می توانید برای هر مکان روی زمین، به عنوان GeoTIFF و در قالب متن، از جمله نمودارهای سری زمانی تعاملی و موارد دیگر، یک زیر مجموعه درخواست کنید. کاربران با وارد کردن مختصات جغرافیایی سایت و محدوده اطراف آن سایت، از یک پیکسل تا 201 201 201 کیلومتر، سایتی را مشخص می کنند. از مجموعه داده های موجود، می توانید یک تاریخ مشخص کنید و سپس از MODIS Sinusoidal Projection یا Geographic Lat / Long انتخاب کنید. برای درخواست داده نیاز به ورود به سیستم Earthdata دارید.

جیووانی یک محیط آنلاین برای نمایش و تجزیه و تحلیل پارامترهای ژئوفیزیکی است. گزینه های زیادی برای تجزیه و تحلیل وجود دارد. موارد زیر محبوب ترین ها هستند.

از روش های یادگیری ماشین می توان برای طبقه بندی و پیش بینی مسائل سری زمانی استفاده کرد. قبل از کاوش در روشهای یادگیری ماشین برای سری های زمانی، بهتر است اطمینان حاصل کنید که آموزش روشهای پیش بینی سری زمانی خطی کلاسیک را به اتمام رسانده اید. روش های کلاسیک پیش بینی سری زمانی ممکن است بر روی روابط خطی متمرکز شده باشند، با این وجود، این روش ها پیچیده هستند و در طیف گسترده ای از مسائل عملکرد خوبی دارند، با این فرض که داده های شما به درستی آماده شده و روش به خوبی پیکربندی شده است.

مدل های تک مرحله ای

ساده ترین مدلی که می توانید بر اساس این نوع داده ها بسازید، مدلی است که مقدار یک ویژگی را تنها در شرایط فعلی، 1 برابر گام (1 ساعت) در آینده پیش بینی می کند. بنابراین با ایجاد مدل هایی برای پیش بینی مقدار یک ساعت (T (degC در آینده شروع کنید.

پنجره سازی داده ها

مدل های موجود در این مجموعه آموزشی بر اساس پنجره ای از نمونه های متوالی داده ها، مجموعه ای از پیش بینی ها را ایجاد می کنند.

ویژگی های اصلی پنجره های ورودی عبارتند از:

این آموزش مقدمه ای برای پیش بینی سری زمانی با استفاده از TensorFlow است. چند مدل مختلف از جمله شبکه های عصبی Convolutional و Recurrent یعنی (CNN ها و RNN ها) را ایجاد می کند.

این در دو بخش اصلی، با زیر بخش ها پوشش داده شده است:

• پیش بینی برای یک بازه زمانی واحد:
• یک ویژگی واحد
• همه ویژگی ها

از روش های یادگیری ماشین می توان برای طبقه بندی و پیش بینی مسائل سری زمانی استفاده کرد. قبل از کاوش در روشهای یادگیری ماشین برای سری های زمانی، بهتر است اطمینان حاصل کنید که آموزش روشهای پیش بینی سری زمانی خطی کلاسیک را به اتمام رسانده اید. روش های کلاسیک پیش بینی سری زمانی ممکن است بر روی روابط خطی متمرکز شده باشند، با این وجود، این روش ها پیچیده هستند و در طیف گسترده ای از مسائل عملکرد خوبی دارند، با این فرض که داده های شما به درستی آماده شده و روش به خوبی پیکربندی شده است.

پرسپترون چند لایه یا به اختصار MLP می توانند برای پیش بینی سری زمانی استفاده شوند. چالشی در استفاده از MLP برای پیش بینی سری زمانی در تهیه داده ها وجود دارد. به طور خاص، مشاهدات تأخیر (لگ) مشاهداتی باید به بردارهای اجزا مسطح شود. در این آموزش، شما می آموزید که چگونه مجموعه ای از مدل های MLP را برای طیف وسیعی از مسائل پیش بینی سری زمانی استاندارد ایجاد کنید. هدف این آموزش ارائه نمونه های مستقل از هر مدل در مورد هر نوع مسئله سری زمانی به عنوان الگویی است که می توانید آن را کپی کرده و برای مشکل پیش بینی سری زمانی خاص خود تطبیق دهید.