Doğru yağış verileri güvenilir hidrolojik modellemenin temel taşlarıdır, bu tür sel tahminler, rezervuar operasyonu, kuraklık izleme ve uzun vadeli iklim çalışmaları ile ilgili olarak, yağış her iki durumda da oldukça değişkendir ve gözlemsel ağlar - limit ölçümler, hava radarları ve uydular - özellikle belirsiz ve önyargılar vardır. Data assimilasyon teknikleri bu zorluğu sistematik olarak entegre ederek, dinamik bir şekilde gözlemsel veri kümelerine doğru bir şekilde entegre etmek için son derece önemlidir.

Data Assimilation in Hydrology

Veri assimilasyon (DA), birincil bir hesaplama ile gözlemleri birleştiren bir model öngörüsüdür - mevcut bir sistemin durumu hakkında en iyi tahmin. Hidrolojide, eyalet değişkenleri, toprak nemi, kar suyu eşdeğer, nehir aşaması ve önbellekleri, temel kavram, bir hata ve gözlem hatalarının bir araya getirilmesini sağlamak için, ilgili tüm kovarians matrisleri tarafından ağırlıklandırılabilir.In Hydrology, the state variables might include earth ne zaman yeni gözlemler, DA corrects and önyargılar, modelden farklılaşmaları önlemek.

Depreme odaklanmanın nedeni nedir? Rainfall ve kar yağışı, hidrolojik süreçlerin baskın sürücüleridir. Az yağışlılık, zamanlaması veya uzaysal dağıtım, modellemede büyük hatalara yol açabilir, ve koarser çözünürlükte ve bu ayrımı doğrudan doğrulayıcılar ile birleştirir.Bu nedenle radar geri dönüşümleri büyük alanları kapsayabilir, ancak daha sonra da ölçümler için kullanılan yüksek bir ürün analizi ile ilgili olarak farklı bir analize tabi olabilir.

Precipitation Data Assimilasyon için Common Techniques

Çeşitli DA algoritmaları hidrolojide geliştirilmekte ve uygulanmıştır, her biri farklı varsayımlar, güçlüler ve hesaplama gerekliliklerine sahiptir. Teknik seçimi, modelin lineerliği, hata dağıtımları, devlet uzayının boyutsallığı ve mevcut hesaplama kaynaklarına bağlıdır. Aşağıda en yaygın kullanılan yöntemleri tartışıyoruz.

Kalman Filtre

Kalman filtre (KF) zaman içinde ilerlemeye devam eden bir recursive estimatordur ve tahminleri doğrulayan bir adımdır.Bu, iki adımlı bir süreç kullanır: devlet ve hata tutarlılık, KF, zamanla daha basit doğrusal modeller ve doğrusal olmayan boşluklar için daha doğru bir şekilde uygulanır.

Ensemble Kalman Filtre (EnKF)

Ensemble Kalman filtresi (EnKF) KF'yi örnek istatistiklere kadar genişletir ve her bir araya gelen aynı Kalma formülü kullanarak, hangi orta büyüklükteki sistemler için iyi bir yaklaşım haline gelir. EnKF belki de operasyonel hidrolojideki en popüler DA yöntemin en popüler olduğu, en basitleme, ölçeklenebilirlik ve büyük bir mantıksal modeli kullanarak doğrulanabilir.

Özellikle yağışlılık için, EnKF iki şekilde uygulanabilir: ) doğrudan devlet güncelleme[Döneticileri değiştir], yağış gözlemleri sistematik önyargılar içerdiğinde özellikle kullanışlıdır. EnKF, en yüksek büyüklükteki değişkenleri, enflasyon faktörlerini ve gözlem hatalarının belirlenmesini gerektirir.

Parçacık Filtreleri

Parçacık filtreleri (PFs) tamamen doğrusal olmayan, DA yöntemlerin gözlemleri üzerine işlem yapılır. Düşük ağırlıklar ile arka dağıtımını gösterir ve yüksek ağırlık partikülleri kopyalayabilir. PF, model yoluyla güçlü bir şekilde çalışabilir; güncelleme aşamasında, önemli ağırlıklar her parçacığın ortaya çıkması durumunda, düşük ağırlıklara sahip olan hidrolojik sistemlere göre çekicidir.

Bununla birlikte, parçacık filtreleri boyutsallık lanetinden muzdariptir: yüksek boyutlu devlet uzaylarında (örneğin, milyonlarca ağ hücresi hücresi ile dağıtılmış hidrolojik modeller), ağırlık çökmesinden kaçınmak için gerekli olan partikül sayısı yasaklanmış durumda, araştırmacılar bu, yerel PF güncellemelerini en az boyutlu ayarlarda, örneğin Equivalent-Weights Parçacık Filtreleri (EWPF) veya normalleştirilmiş Parçacık Filtrelemeleri için kullanılan yüksek çözünürlükte uygularlar.Uygulamada, PF'ler için sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık sık kullanılan modeller veya uzaysal olarak agresyon için kullanılan bir miktar PF güncelleştirme için kullanılan bir parçası olarak kullanılır.

Variational Yöntemler (3D-Var ve 4D-Var)

Variational yöntemler DA optimizasyon problem olarak formüle edilir: Model durumunu (veya kontrol değişkenlerini) tek bir zaman içinde en az maliyet fonksiyonunu ve önceden belirlenmiş bir sayısallaştırma işlemine izin veren bir sabitleme işlemidir.(NWP) ancak üç boyutlu varyasyonu (D-Var)[D-sevcut)[D-vardır)[D-vardır)

Teorik zarafetine rağmen, varyasyonel yöntemler hesaplamak yoğundur, bir yanoint modelinin geliştirilmesi ve bakımı gerektirir ve genellikle Gaussian hataları ve lineer dinamikleri minimizasyon penceresinden alır.) ağırlıklı olarak büyük ölçekli atmosferik verilerle kullanılır (örneğin, uydulardan gelen yağış gözlemleri (örneğin, uydular) diğer meteorolojik değişkenlerle birlikte tüketilir.

Meydanlar ve Fırsatlar

Veriler hidrolojide değerini kanıtlarken, birçok zorluk operasyonel kabul ve doğruluğu sınırlamayı sürdürüyor. Aynı zamanda, yeni teknolojiler ve yöntemler bu engelleri aşmak için umut verici yollar sunuyor.

Data Quality and Heterogeneity

Eski adage "garbage in, çöp out" tamamen DA. Precipitation gözlemleri farklı hata yapıları, temsilcilik ve zamansal çözünürlüğü ile farklı platformlardan gelir. Rain ölçümler - özellikle kar veya tropikal yağışlar için. Uydu retrie ve eğimler (örneğin, GPM IMER, CMOR, PERSON) ile bu tür karmaşıklık ve karmaşıklıkta (özellikle de) karmaşıklıkta (örneğin,) ile ilgili olarak, karmaşıklıkta yatan temelleri içerir.

C ⁇ Talepleri

Gerçek zamanlı veya yüksek çözünürlüklü dağıtılmış modeller için gerçek zamanlı DA (örneğin, 1 km ağ ağı) hesaplamalı olarak pahalı. EnKF, sabit zaman programları üzerinde çalışan yüzlerce modele kadar çalışır (örneğin, saatli güncellemeler), bu talepler mevcut olan tüm hidrolojik işlemleri hızlandırabilir. 4D-Var, sabit diskoinasyon modelleri, Gaussssasyon sistemleri için de geçerlidir.

Yüksek Çözünürlüklü Gözlemsel Veriye İhtiyacı Var

Birçok hidrolojik süreçler – özellikle kentsel yaralamalarda veya konvektif fırtınalarda flaş seller – çoğu gözlemsel ağlardan daha iyi çalışır. Radar ve uydu ürünleri kararlarında gelişmiştir, ancak hücreler bu boşlukları doldurabilecek dağlık bölgelerde görülür. Dense vatandaş bilimi yağmur ölçüm ağları, araç bazlı sensörler (örneğin, rüzgardan silinen aktiviteler) ve yeni algılama platformlarından (örneğin, cep telefonları ve yeni algoritmaların (örneğin, mikrodalga boşlukları) yenilenen veri kaynakları ortaya çıkmaktadır.

Uzak Sensing ve Machine Learning

Uzaylı yağış misyonlarında son gelişmeler, Global Precipitation Ölçümü (GPM) Core Gözlemevi ve gelecek Dünya Sistemi Gözlemevi, benzer şekilde küresel kapsama ve geliştirilmiş retrieval algoritmaları sağlar. Bu veriler, model eyaletlerde bağımsız gözlemler olarak kullanılır. Aynı zamanda makine öğrenimi (ML) teknikleri, DA metodolojisini dönüştürmektir. Örneğin, diskometrik olmayan bir yaklaşımla yeniden birleştirilir.

Başka bir heyecan verici fırsat, DA'nın diğer Dünya sistemi gözlemleriyle entegrasyonudur, örneğin SMAP veya SMOS'tan toprak nezaretini korumak, topraktan gelen nehir deşarjı, aynı anda kurutulabilen DA'nın uzaysal dağılımını geliştirmek için daha tutarlı bir su döngüsü analizi ve yanlış bir araştırma alanı sağlayabilir. Örneğin, assimilating toprak neziği topraktan doğru yağışlar inmek için topraktan zarar verebilir.

Robustness ve Operasyonel Ayarlara Güven

Su yönetim ajansları ve operasyonel tahmin merkezleri tarafından kabul edilmek için, sistemler sağlam, yenidenroducible ve iyi niyetli karar vermeleri gerekir.Bu, eksik gözlemleri işlemek, enstrüman arızalarını tespit etmek ve mükemmel bir şekilde başarısız koşullardan dolayı mükemmel bir şekilde başarısız olmaktadır. Ensemble DA yöntemleri doğal olarak risk bazlı karar verme işlemi için gerekli olan olasılıksal çıktıları sağlar.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Precipitation data assimilasyon, modern hidrolojide hayati bir araç haline geldi ve mümkün olan her şeyi zorlamaya devam ediyor. Yüksek kaliteli uydu ürünlerinin entegrasyonu, makine öğreniminin yükselmesi ve veri kalitesi, karar ve verimliliğin artırılması için hesaplama gücü taahhüdünün arttırılması. - Su döngüsü - hem de aşırı yağışlı olayların ve aşırılıklı olayların entegrasyonu - daha iyileştirici gelişmelerin artması - su döngüsündeki olası etkilerin artması - su döngüsündeki olası etkilerin artması - daha iyi olması için daha iyileştirici bilgilerle ilgili bilgiler ve bilgi birikimine ihtiyaç duyulmaktadır.

Daha fazla okuma için, okuyucu, DAHA FAZLA BİLGİSİ (DART) [DART) [DART) [DIZLIĞI] ve 4.DÜSÜSÜSÜSÜSÜSÜSÜSÜSÜSÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜDÜye Olmayanlar İçin Tıklayınız.