נתוני משקעים מדויקים הם אבן הפינה של מודלים הידרולוגיים אמינים, אשר תחת בסיס יישומים חיוניים כגון חיזוי הצפה, ניתוח המאגר, ניטור בצורת ומחקרי אקלים לטווח ארוך.עם זאת, משקעים הוא משתנה מאוד בחלל ובזמן, ורשתות תצפיתיות - מדדי שיטפון, מכ"מים מזג אוויריים ולוויינים - כל אחד מהם יש אי-ודאות מוטות ונטיות.

הבנת מידע Assimilation ב Hydrology

הטמעת נתונים (DA) היא מסגרת מתמטית המשלבת תצפיות עם תחזית מודל לייצר ניתוח אופטימלי - ההערכה הטובה ביותר של המצב הנוכחי של מערכת.ב הידרולוגיה, משתנים המדינה עשויים לכלול לחות אדמה, מים ששווה ערך, שלב הנהר, ורמות מי הקרקע, עם משקעים כמו רזולוציה ראשונית מחייבת של רזולוציה.התפיסה הבסיסית היא למזער את אי הוודאות המשולבת משגיאות והתבוננות, משקל בהתאמה של מדדים של מודלים מורכבים שלהם, למנוע תצפיות אקראיים חדשים או נרדפות, למנוע נרדפות.

מדוע להתמקד במשקעים? רדום שלג הם הנהגים הדומיננטיים של תהליכים הידרולוגיים. שגיאות קטנות בגודל משקעים, תזמון או הפצה מרחבית יכולים להפיץ דרך המודל, המוביל שגיאות גדולות בריצה, חדירה, ו evatranspiration. רשתות המד המסורתית לספק מדידה מדויקת אך לעתים קרובות מפספסים פערי שטח, בעוד שריתמות מכ"ם יכולות לכסות אזורים גדולים אבל הם כפופים להיקף של מוצרי ריצוף, לאחר מכן, לאחר מכן, כלומר, ניתוח לחות מסורתיים, אך לעתים קרובות, עם חיפוי אחיד, עם קרינת אבטחה, אך לעתים קרובות, עם קרינת חיסון נגד קרינת אבטחה, אך לעתים קרובות, אך ורקמות, עם קרינת חסימתין, היא מספקת, עם קרינת חיסון נגד קרינת חיסון נגד מוצרי קרינת חסימתין, אך לעתים קרובות, עם מגבלות אבטחה אחידה, אך לעתים קרובות, אך לעתים קרובות, עם מגבלות אבטחה אחידה, עם קרינת אבטחה אחידה, עם מגבלות על ידי ניתוח חד-מערכת יחסים לא בטוחה.

טכניקות נפוצות ל-Precipitation Data Assimilation

כמה אלגוריתמי DA פותחו והושמו ב הידרולוגיה, כל אחד עם הנחות נפרדות, נקודות חוזק, דרישות חישוביות.בחירה של טכניקה תלויה לינאריות של המודל, חלוקת השגיאות, המימדליות של המרחב הממלכתי, ואת המשאבים החישוביים הזמינים.למטה אנו דנים בשיטות הנפוצות ביותר.

המונחים:

מסנן Kalman (KF) הוא estimator חוזר כי מניחה דינמיקות ליניארית שגיאות Gaussian.It משתמשת תהליך של שני שלבים: צעד חיזוי המפיץ את המדינה ואת השגיאה שלה covariance קדימה בזמן, ועדכון (אנליזה) כולל את החיזוי באמצעות תצפיות חדשות.הרווח האופטימלי, הידוע בשם Kalman, מאזן המודלים והתחזיות הליניטרינרגיוניות של תהליכים קלים יותר, אך ורקמותיים, כמו מודלים קלים יותר, כמו פיראטיות, עם זאת, עם זאת, עם זאת, טיפול תרופתי, טיפול קלושים יותר, עם זאת, כולל מודלים קלים יותר, כמו מודלים קלים יותר, עם זאת, מזהמים יותר, עם זאת, כמו מודלים קלים יותר, עם זאת, עם זאת, מזהמים, עם זאת, עם זאת, עם זאת, טיפול קלושטים יותר, עם זאת, עם זאת, טיפול תרופתי, עם זאת, עם זאת, עם זאת, מוטציות קלות יותר, מוטציות אופטימדומים יותר, עם מודלים קלים יותר, עם זאת, כמו מודלים קלים יותר, עם זאת, עם זאת, כמו מודלים קלים יותר, כמו מודלים קלים יותר, כמו אנליזה פשוטה יותר, אנליזה פשוטה יותר, כמו אנליזה פשוטה יותר, אנליזה.

אנסמבל Kalman (EnKF)

מסנן האנסמבל Kalman (EnKF) מרחיב את KF למערכות לא לינאריות על ידי המייצג את המדינה הפצה עם הרכב של מימושים מודל.כל חבר האנסמבל הוא מודבק באמצעות המודל הלא-ליני המלא, ואת השגיאה covariance הוא משוער מהנתונים המדגם.העדכון מתקן כל אחד מהרכב באמצעות אותה נוסחה של קאלמן, אשר הופך לתוספת טובה עבור מערכות לא-Flyable היום.

(ב) לטבוליטות במיוחד, ניתן ליישם את ה-EnKF בשתי דרכים:0.(1) יעילות המדינה הישירה עדכון FLT:1, שבו תצפיות המשקעים משמשים לתיקון לחות אדמה, שלג או מדינות מפלט; ו-FLT:2(2) תצפיות חישוביות משותפת מדי המדינה (S-paraS) יכולות לשפר את הניקוד הני של ה-FLT:3, שבו הן מצבי מודל והן מאלץ משקעים הם מעודכנים בו זמנית; ועלולים להיות שימושיים במיוחד כאשר הם אלה כוללים משקעים שונים, כאשר הם נתונים מורכבים, כאשר הם כוללים מוטציות, כגון מוטציות, כגון סגסוגת ניירתיקים, כולל סגסוגת של סגסוגת של פילטרים, כולל מוטציות, כלומר, כולל מוטציות, כולל מוטציות, כולל סגסוגת של חומרתיקים, כולל מוטציות, מוטציות, כגון פילטרים, סגסוגת של מוטציות, כאשר הם, מוטציות, כלומר, כולל מוטציות, כולל מוטציות, כולל מוטציות קבועות, כאשר הם, כולל מוטציות פשוטות, כולל מוטציות, מוטציות מורכבות, כולל מוטציות, כאשר הם, כגון:

Particle filter

מסננים חלקיקים (PFs) הם שיעור לא-לינארי לחלוטין, לא-Gaussian של שיטות DA. הם מייצגים את ההפצה הקדמית על ידי קבוצה של חלקיקים במשקל (דגימות מדינה) במהלך שלב החיזוי, כל חלקיק מתפתח דרך המודל; במהלך שלב העדכון, מה שהופך את המשקלים נקבעים על בסיס הסבירות של כל חלקיק שלג עם משקולות נמוכות הם דגימות, כמו אפילפטידים אטרקטיביים, כי הם מסוגלים להתמודד עם מוטציות אפילפטיים אפילפטיים אפילפטיים אפילפטיים מקיפים אותם מקיפים אותם מקיפים מקיפים מקיפים אפילפטיים אפילפטיים מקיפים מקיפים אפילפטיים .

עם זאת, מסנני חלקיקים סובלים מקללת המימדליות: במרחבים ארציים גבוהים (למשל, מודלים הידרולוגיים מבוזרים עם מיליוני תאי רשת), מספר החלקיקים הדרושים כדי להימנע מהתמוטטות משקל הופך גדול באופן בלתי חוקי.כדי לטפל בזה, החוקרים פיתחו גישות היברידיות המשלבות עדכונים מקומיים PF עם טכניקות סגסוגת קיקול, כגון ספקטרום חלקיקים (EW) או פרמטרים המשמשים לעתים קרובות למולקולות של פורנוגרפיות בינוניות, כגון פרמטרים של PF-FEST, כגון פרמטרים מרובים, כגון פרמטרים מרובים, כגון מוטציות PF-FEST.

שיטות שונות (3D-Var ו 4D-Var)

(השיטות השונות מנסחות את השגיאה של תצפיות ויציאה מ- (או משתנה שליטה) המפחיתות את תפקוד העלות המעניש הן את השגיאה לתצפיות והן את היציאה מראש ( ⁇ ) הערכה: 0LT:0 וריאציות תלת-ממדיות (DVar)FLT:1 מבוללת את כל התצפיות בתוך חלון יחיד, בהנחה ששגיאה רקע סטטית היא יעילה לחיזוי זמני (DVar) אך ורק לאחר מכן היא יעילה יותר ל-RVerreativeerreatives).

למרות האלגנטיות התיאורטית שלהם, שיטות וריאציות הן אינטנסיביות חישובית, דורשות פיתוח ותחזוקה של מודל אדנג'ינט, ולעתים קרובות להניח שגיאות גאוסיאניות ודינמיקה ליניארית בתוך חלון המינימיזציה.הם משמשים בעיקר במערכות הטמעת נתונים אטמוספיריות בקנה מידה גדול, שבו תצפיות (למשל, מלוויינים) מוצפות לצד משתנים מטאוריולוגיים אחרים.

אתגרים והזדמנויות

בעוד הטמעת נתונים הוכיחה את ערכו ב הידרולוגיה, כמה אתגרים מתעקשים להגביל את האימוץ התפעולי והדיוק שלו.באותו זמן, טכנולוגיות ושיטות חדשות מציעות מסלולים מבטיחים להתגבר על המכשולים הללו.

איכות נתונים והטרוגניות

ההדבקה הישנה "גרביטציה פנימה, זבל" חל באופן מלא על תצפיות DA.Precipitation מגיעות מפלטפורמות מגוונות עם מבני שגיאה שונים, ייצוגיות ורזולוציה זמנית. . Rain Measures Point גשמים באופן מדויק אבל הם ספאר ו prone to undercatch בתנאים סוערים (Dir-Dyp) כולל כיסוי מרחבי גבוה ברזולוציה אבל סובל ממגרש קרקעיים, נטייה מוגזמת, במיוחד CMCreditmage, במיוחד עבור CMS חסימת חום (R) , חסימת חום-Cy) , כולל התחממות כדור הארץ.

דרישות פיצויים

זמן אמת או ליד-אמת DA עבור מודלים מבוזרים ברזולוציה גבוהה (למשל, בשעה 1 ק"מ רשת ספאק) הוא יקר חישובי.ה-AKF דורש עשרות עד מאות דגמים לרוץ מחזור הטמעה, כל אחד מדגימים את התהליכים ההידרולוגיים המלאים. 4D-Var דורש צמצום חד-ממדן ושילוב אדמדורג'וטיבי.

Need for High-Resolution Observational Data

תהליכים הידרולוגיים רבים - במיוחד הצפות במלכודות עירוניות או סופות קונפוכות - משתפות בקנה מידה גדול יותר מאשר רוב רשתות התצפיתיות. Radar ומוצרים לווייניים השתפרו ברזולוציה, אבל הפערים נשארים, במיוחד באזורים הרריים שבהם אפקטים אוגרפיים משפרים את המשקעים פנויים.Dense Science Measures, חיישנים המבוססים על כלי רכב (למשל, מפעילות מחוסמת רוחית), וחידושים מרוחקים אלה יכולים למלא את המולקולות חדשות, אך ורק לשילוב של רשתות מוטציות וגרסאות אלקטרו-גנטיות (Dense) של נתונים לא סטנדרטיות.

אפשרויות ל-Sensing and Machine Learning

ההתקדמות האחרונה במשימות המשקעים של החללבורן, כגון מדד ההקצאה העולמי (GPM) מרכז המצפה Core ומצפה המערכת המתקרבת של כדור הארץ, לספק כיסוי גלובלי חסר תקדים ואלגוריתמים משופרים.הנתונים האלה משמשים כעת באופן שגרתי כתצפיות עצמאיות במערכות לולאה הידרולוגיות.באותו זמן, טכניקות למידה (ML) הופכות את המתודולוגיה DAO. לדוגמה, רשתות עצביות יכולות להיות מנוצלות כדי ליצור חיזוי מיידי (מתאים) ממודלים (Dreative Resurreative Model) באופן ישיר לחיקוי)

הזדמנות מרגשת נוספת היא שילוב של משקעים DA עם תצפיות אחרות של מערכת כדור הארץ, כגון לחות אדמה מ SMAP או SMOS, כיסוי שלג מ MODIS, ושחרור הנהר ממדדים ייחודיים. Multi-variate DA כי בו זמנית מתבוללים את המשתנים האלה יכול לספק ניתוח מחזור מים עקבי יותר וניתוק מקורות השגיאה.

הבטחת רובוסטנטיות ואמון בהגדרות תפעוליות

כדי ש- DA יואומץ על ידי סוכנויות ניהול מים ומרכזי תחזית תפעוליים, המערכות חייבות להיות חזקות, ניתנות להשגה, ו-documented היטב.זה כולל טיפול בתצפיות חסרות, זיהוי תקלות כלי, וניתוק בחסד בתנאים של כשל. ... שיטות DA DA מספקים באופן טבעי פלטות פרוביסטיות, אשר חיוניות לקבלת החלטות המבוססות על סיכון.

מסקנה

הטמעת נתונים קדם-תייבשה הפכה לכלי חיוני ב הידרולוגיה המודרנית, המאפשרת את ההיתוך של זרמי תצפית בלתי נפרדים לייצר מצבי מודל מדויקים יותר ושיפור תחזיות.טכניקות מפילטר קלמן הקלאסי לשיטות ואופטימיזציה וריאציות לכל אחד מהם יש את מקומם, ומחקר מתמשך ממשיך לדחוף את הגבולות של מה אפשרי.

(ב) לקריאה נוספת, קורא מתייחס למשאבים סמכותיים כגון: (FLT:0) NASAA Global Precipitation Measurement Taskment Measurementmentmentment: FLT:1 for Satellite, theFLT:2NCAR Data Assimilation Research Testbed (DMW)FLT:3 forאנסמבל כלי DA, and the F-4LTMS of pH of pH of Gláration in hydrology Fallower: 5.