هماهنگ سازی جهانی داده های GRACE برای نظارت بر آبهای زیرزمینی و خشکسالی - بخش اول :: بیسین - سایت تخصصی مهندسی آب

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


کمبود اطلاعات ذخیره آب زیرزمینی در مقیاس جهانی مانع از توانایی ما برای نظارت موثر بر منابع آب زیرزمینی می شود. در این مطالعه، ما یک محصول پیشرفته ذخیره آب زمینی (TWS) مشتق شده از مشاهدات ماهواره ای بازیابی جاذبه و آزمایش آب و هوا (GRACE) را در مدل Catchment land یا (CLSM) ناسا در مقیاس جهانی، هماهنگ سازی می کنیم. تولید سری های زمانی ذخیره آب زیرزمینی برای نظارت بر خشکسالی و سایر کاربردها مفید هستند. ارزیابی با استفاده از داده های محلی از نزدیک به 4000 چاه نشان می دهد که هماهنگ سازی داده های GRACE شبیه سازی آب های زیرزمینی را بهبود می بخشد، با خطاهای تخمین 36 و 10 درصد کاهش می یابد و همبستگی به ترتیب 16 و 22 درصد در مقیاس منطقه ای و نقطه ای بهبود می یابد. بزرگترین پیشرفت در مناطق با تنوع بزرگ در بارندگی سالیانه مشاهده می شود، جایی که آبهای زیرزمینی شبیه سازی شده به تغییرات جبری جو بسیار واکنش نشان می دهند. تأثیرات مثبت هماهنگ سازی GRACE با استفاده از داده های کم جریان مشاهده شده بیشتر نشان داده می شود. عملکرد هماهنگ سازی داده های CLSM و GRACE نیز در بین دسته های مختلف نفوذپذیری مورد بررسی قرار می گیرد. این ارزیابی نشان می دهد که هنگامی که صحبت از شبیه سازی تغییرات واقعی آب زیرزمینی در مناطق با برداشت شدید آب زیرزمینی است، هماهنگ سازی داده های GRACE نمی تواند فقدان یک طرح برداشت آب زیرزمینی را در CLSM جبران کند. آبهای زیرزمینی شبیه سازی شده CLSM با ناهنجاری های بارش 12 ماهه در مناطق کم و عرض جغرافیایی ارتباط زیادی دارد. یک شاخص خشکسالی آب زیرزمینی بر اساس تجزیه و تحلیل داده های GRACE به طور کلی با سایر شاخص های خشکسالی در مقیاس منطقه ای همخوان است، اختلافات عمدتا در شدت خشکسالی برآورد شده آنها است.


1. معرفی

آبهای زیرزمینی که 98٪ آب شیرین مایع کره زمین را تشکیل می دهد، یکی از مهمترین منابع طبیعی برای جامعه جهانی است. بیش از 2 میلیارد نفر فقط برای آب آشامیدنی به آب های زیرزمینی تکیه می کنند و 43٪ آب آبیاری از سفره های زیرزمینی تأمین می شود (UNESCO, 2020). آب های زیرزمینی نیز نقش منحصر به فردی در اکوسیستم ها دارا هستند، به ویژه در مناطق نیمه خشک و تالاب هایی که رودخانه ها / دریاچه ها با تخلیه آب های زیرزمینی پایدار هستند. کاهش آب های زیرزمینی معمولاً منجر به کاهش رواناب (Hughes و همکاران، 2012)، از بین رفتن پوشش گیاهی و جنگل های ساحلی می شود (Cunningham و همکاران، 2011؛ Kath و همکاران، 2014) و همچنین تغییر در سایر زیستگاه ها (Stromberg و همکاران، 1992) درک و نظارت دقیق بر ذخیره آب زیرزمینی در سراسر جهان برای حفاظت از این منبع گرانبها، کاهش اثرات خشکسالی و توسعه استراتژی های پایدار استفاده از آبهای زیرزمینی ضروری است (Famiglietti, 2014). اندازه گیری های آب زیرزمینی محلی و سنتی به دلیل هزینه های مربوط به حفر و نگهداری چاه های نظارتی به ندرت در دسترس است. شاید مهمتر از همه، در مواردی که اندازه گیری آبهای زیرزمینی انجام می شود، غالباً دیجیتالی و متمرکز نمی شوند، یا به دلیل ملاحظات سیاسی از در دسترس قرار نمی گیرند (Rodell و همکاران، 2009). علاوه بر این، چاه های مشاهده غالباً در پوشش فضایی محدود هستند و ممکن است دارای سوابق ناپیوسته و / یا کوتاه باشند، و آنها را برای نظارت بر خشکی نامناسب می کند. سرانجام، تفسیر داده های سفره محدود و نیمه محدود می تواند برای اهداف محاسباتی ذخیره آب زیرزمینی و پایش خشکسالی دشوار باشند.


مدل های سطح زمین (LSMs) به طور فزاینده ای برای تخمین تغییرات ذخیره آب زیرزمینی، برای بررسی تأثیر تغییرات آب و هوا و اثرات انسانی بر آب های زیرزمینی (Pokhrel و همکاران، 2012؛ Crosbie و همکاران، 2013)، و برای نظارت بر خشکسالی و رطوبت استفاده شده است (Houborg و همکاران، 2012؛ Li و همکاران، 2012). وقتی مجبور به استفاده از داده های هواشناسی می شویم، LSM های پیشرفته می توانند زمینه های آب زیرزمینی را از نظر مکانی و زمانی مداوم تحلیل کنند که بازتاب تغییرات آب و هوایی است و برای نظارت بر خشکسالی و منابع آب مناسب است. LSM های محدود شده توسط هر دو ترازوی آب و انرژی قادر به تأمین برآورد دقیق تبخیر و تعرق (ET) هستند (Mueller و همکاران، 2011؛ Jimenez و همکاران، 2011) که همراه با بارندگی ورودی با کیفیت بالا و زهکشی شبیه سازی شده، برای شبیه سازی تغییرات واقعی ذخیره سازی آب زیرزمینی (Eltahir and Yeh, 1999؛ Li و همکاران، 2015) بسیار مهم است (Koster و همکاران، 2000؛ Yeh and Eltahir، 2005a and 2005b؛ Niu و همکاران، 2007؛ Koirala و همکاران، 2014). از طرف دیگر، LSM ها ممکن است در مقایسه با مدلهای جریان پویای آب های زیرزمینی شامل طرح های بسیار ساده آب زیرزمینی باشند (KolleKollet and Maxwell, 2008; de Graaf و همکاران, 2015). ساده سازی بیش از حد و عدم محدودیت در تغییر زمانی آب های زیرزمینی باعث عدم تناسب بین برآورد تغییر آب های زیرزمینی از LSM های مختلف می شود که ممکن است بزرگتر از سایر متغیرهای هیدرولوژیکی مانند رطوبت خاک باشد (Xia و همکاران، 2017).


ماهواره های جاذبه و بازیابی و آزمایش اقلیم (GRACE) از گرانش زمین از آوریل 2002 تا ژوئیه 2017 نقشه برداری کردند. از تغییرات زمانی در گرانش می توان برای استنتاج تغییرات ذخیره کل آب زمینی (TWS) استفاده کرد که مجموع رطوبت خاک، آب های زیرزمینی است. آبهای سطحی، برف و یخ، باران گیرش و زیست توده مرطوب است. مشاهدات GRACE، همراه با اطلاعات کمکی، منجر به کشف های علمی قابل توجهی از جمله تشخیص تخلیه آب های زیرزمینی ناشی از برداشت بیش از حد برای آبیاری در هند، آمریکا، چین، خاورمیانه و جاهای دیگر شد (Rodell و همکاران، 2009؛ Famiglietti و همکاران، 2011؛ Feng و همکاران، 2013؛ Voss و همکاران، 2013؛ Rodell و همکاران، 2018). داده های GRACE همچنین در کاهش عدم اطمینان مرتبط با مدل سازی اثرات انسانی بر آبهای زیرزمینی ارزشمند به اثبات رسیده است (به عنوان مثال، Döll و همکاران، 2014).


به موازات این، تکنیک هایی برای هماهنگ سازی داده های GRACE به مدل های سطح زمین به منظور محدود کردن متغیرهای حالت مدل در حالی که داده های GRACE را تفکیک و کوچک سازی می کنیم، استفاده شده است. مورد دوم از آن جهت مهم است که داده های GRACE TWS معمولاً ماهانه بوده و دارای تفکیک مکانی موثر در حدود 150،000 کیلومترمربع در عرض های میانی است (Rowlands و همکاران، 2005، Swenson و همکاران، 2006). در مطالعات قبلی، ناهنجاری های GRACE TWS در حوضه های هیدرولوژیکی با مساحت هایی از 100000 تا بیش از 1000000 کیلومتر مربع برای جذب در LSM تجمع یافته بودند (Zaitchik و همکاران، 2008؛ Su و همکاران، 2010؛ Houborg و همکاران، 2012؛ Li و همکاران، 2012؛ Forman و همکاران، 2012). این تجمع با ماهیت محصولات داده GRACE مبتنی بر ویژگی هارمونیک که تفکیک مکانی موثر آنها درشت است و برای کاهش خطاهای مرتبط نیاز به فیلتر دارند، سازگار بود (Landerer and Swenson، 2012). در سال های اخیر، محصولات جدید GRACE بر اساس توابع غلظت توده ای منطقه ای (نقاب) با محدودیت هایی که در هنگام وارونگی مشاهدات دامنه ماهواره ای اعمال می شود (برخلاف بعد از وارونگی) برای حفظ بهتر سیگنال های GRACE تولید شده اند (Rowlands و همکاران، 2005؛ Save و همکاران، 2012 ؛ Watkins و همکاران، 2015). هماهنگ سازی مستقیم داده های GRACE مشبک، که در مطالعات اخیر انجام شده است (Eicker و همکاران، 2014؛ van Dijk و همکاران، 2014؛ Tangdamrongsub و همکاران، 2015؛ Kumar و همکاران، 2016؛ Girotto و همکاران، 2016، 2017؛ Tian و همکاران، 2017)، نه تنها بیشتر اطلاعات مشاهده شده را حفظ می کند بلکه هم ترازی بهتر با زیرساخت های موجود مدل سازی سطح زمین را که به جای حوضه های نامنظم بر روی شبکه های منظم ساخته شده اند، امکان پذیر می کند.


داده های GRACE اطلاعات منحصر به فردی را برای پایش خشکسالی ارائه می دهند، نه تنها به این دلیل که تغییرات ذخیره آب را در سطح های عمیق تر تشخیص می دهند، بلکه به دلیل حساس بودن آنها به تنش های آب در تمام فصول سال (Li و همکاران، 2012)، که برای نظارت مستمر بر خشکسالی مهم است. اگرچه می توان از GRACE TWS به طور مستقیم برای تشخیص خشکسالی استفاده کرد (به عنوان مثال، Andersen و همکاران، 2005؛ Chen و همکاران، 2009؛ Rodell, 2012؛ Long و همکاران، 2013؛ Thomas و همکاران، 2014؛ Getirana, 2016؛ Zhao و همکاران، 2017)، هماهنگ سازی داده تفکیک عمودی و کوچک سازی فضایی و زمانی داده های GRACE را امکان پذیر می کند به گونه ای که می توان اجزای ذخیره منفرد مانند آب های زیرزمینی را در مقیاس دقیق تر از GRACE (حدود 150،000 کیلومتر مربع در عرض های جغرافیایی) کنترل کرد. علاوه بر این، یک مدل همسان سازی داده ها که توسط داده های هواشناسی نزدیک به زمان واقعی تحمیل شده است، می تواند تخمین مدل به روز را تولید کند، که برای برنامه های عملیاتی مانند نظارت بر خشکسالی به صورت هفتگی بسیار مهم است، و می تواند خلا مشاهده ای را در صورت عدم دسترسی به داده های GRACE پر کند (Houborg و همکاران، 2012). این امر به ویژه در دوره انتقال بین GRACE و GRACE Follow-On که در ماه مه 2018 راه اندازی شد، بسیار مفید است.


در این مطالعه، ما یک تخمین بهبود یافته Kalman را که در سیستم اطلاعات زمینی ناسا (LIS؛ Kumar و همکاران، 2006) پیاده سازی شده است به کار می بریم تا محصول GRACE TWS  را (Save و همکاران، 2016) به صورت منظم و مبتنی بر نقاب هماهنگ کنیم. مدل سطح زمین (CLSM؛ Koster در همکاران، 2000) برای مقیاس جهانی آب زیرزمینی و پایش خشکسالی. مطالعات قبلی در مورد هماهنگ سازی داده های GRACE به CLSM در ایالات متحده و اروپا متمرکز شده بود، جایی که داده ها و مدل ها به در دسترس بودن داده های مشاهده نسبتاً خوب محدود می شوند (Zaitchik و همکاران، 2008؛ Houborg و همکاران، 2012؛ Li و همکاران، 2012؛ Kumar و همکاران، 2016). از آنجا که این مدل هرگز کالیبره نشده است و ممکن است خطاهای موجود در زمینه های تحمیل جوی بسته به در دسترس بودن مشاهدات برای محدود کردن این زمینه ها، در سایر نقاط جهان نیز انتظار عملکرد مشابه نداشته باشد (Sheffield و همکاران، 2006). یک مطالعه جهانی برای تجزیه و تحلیل جامع و سازگار (با استفاده از یک مجموعه داده مشترک) از تأثیرات هماهنگ سازی داده های GRACE در حالت های مدل شده و شارها در مناطق مختلف آب و هوایی لازم است. مطالعات قبلی نشان داده است که اگر مدلی میزان TWS را کاهش دهد به این دلیل که بیش از حد باعث تبخیر و تعرق و / یا رواناب می شود، افزایش TWS از طریق هماهنگ سازی داده فقط تعصب زیاد در آن برآورد شار را تشدید می کند، علاوه بر این که بیلان آب را مختل می کند (Li و همکاران، 2012)، مجموع تغییرات ET، رواناب و TWS. از آنجا که تغییرات در بیلان آب زمینی برای تفسیر تغییرات سطح دریا و رطوبت جو استفاده شده است (Wada و همکاران، 2016؛ Reager و همکاران، 2016؛ Rodell و همکاران، 2015)، ما تغییرات در تنوع زمانی TWS را شبیه سازی کردیم تا تأثیرات آن را در ET، رواناب و تراز آب کاهش دهد.


اعتبار سنجی برای نشان دادن سودمندی داده های GRACE و هماهنگ سازی داده های GRACE برای تخمین آب زیرزمینی بسیار مهم است، اما به دلیل کمبود داده های آب زیرزمینی محلی، همواره چالش برانگیز بوده است. بنابراین، ما برای ارزیابی مزایا و محدودیت های هماهنگ سازی داده GRACE برای شبیه سازی ذخیره آب زیرزمینی و به دست آوردن بینش در مورد چگونگی عملکرد، تعداد قابل توجهی بیشتر از سری های زمانی آبهای زیرزمینی را نسبت به مطالعات قبلی جمع آوری کرده ایم، که از نزدیک به 4000 حلقه چاه در سراسر جهان تهیه شده است. داده های GRACE می تواند از برآورد مدل در مقیاس خوبی بهره مند شود. اعتبار سنجی تغییرات آب زیرزمینی شبیه سازی شده برای تأمین اطمینان در کاربرد آنها به همان اندازه مهم است. با استفاده از این مجموعه داده اعتبارسنجی عظیم، چند ساله، عدم اطمینان در تغییرات ذخیره سازی ذخیره شده آب زیرزمینی و ارتباط آن با عوامل محیطی مانند آب و هوا را تحلیل می کنیم. چنین تحلیلی در مطالعات قبلی مربوط به آبهای زیرزمینی در مقیاس جهانی عمدتاً وجود نداشته است (به عنوان مثال، Gleeson و همکاران، 2012؛ Wada و همکاران، 2012؛ Döll و همکاران، 2014؛ Sutanudjaja و همکاران، 2018)، به استثنای Graaf و همکاران (2017)، که از سری زمانی داده های آب زیرزمینی از ایالات متحده و حوضه راین-میوز برای کالیبراسیون و ارزیابی یک مدل آب زیرزمینی پویا همراه استفاده کردند. دو نوآوری این مطالعه ارزیابی آبهای زیرزمینی شبیه سازی شده با استفاده از (1) داده های کم جریان از Global Data رواناب مرکز (GRDC, 2018) و (2) یک مجموعه داده نفوذپذیری جهانی (Gleeson, 2014) برای مقایسه در تنظیمات مختلف هیدروژئولوژی است.


خشکسالی آبهای زیرزمینی، به عنوان ذخیره آب زیرزمینی زیر نرمال (Mishra and Singh, 2010)، عمدتا توسط کمبود باران درازمدت معرفی می شود (Eltahir and Yeh, 1999؛ Li و همکاران، 2015؛ Bloomfield و همکاران، 2019). Bloomfield و همکاران (2019) همچنین نشان دادند که حاشیه های نفوذ پذیر ضخیم در منطقه اشباع نشده ممکن است در افزایش تناوب خشکسالی آب های زیرزمینی در یک جهان گرم نقش داشته باشد. این مطالعات نشان می دهد که شرایط آب و هوایی و هیدروژئولوژیکی ممکن است بر تکامل خشکسالی آب های زیرزمینی تأثیر بگذارد. ما مقیاس های زمانی خشکسالی آب های زیرزمینی را با استفاده از شاخص های استاندارد بارش (SPI)، و ارتباط آنها با آب و هوا و پارامترهای مدل بررسی می کنیم. سرانجام، با پیروی از روش Houborg و همکاران (2012)، ما از خروجی هماهنگ سازی داده برای تولید یک شاخص جهانی خشکسالی آب زیرزمینی و مقایسه آن با چندین شاخص خشکسالی در مقیاس منطقه ای استفاده می کنیم. ما CLSM را در بخش 2، مجموعه های جبری و محلی را در بخش 3 توصیف می کنیم، و فیلتر Kalman هموارتر در بخش 4 است. نتایج در مورد شاخص های جذب و خشکسالی در بخش 5 ارائه شده است، و بحث و نتیجه گیری در بخش 6 ارائه شده است.


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



پروژه تخصصی در لینکدین




نظرات (۰)

فرم ارسال نظر

ارسال نظر آزاد است، اما اگر قبلا در بیان ثبت نام کرده اید می توانید ابتدا وارد شوید.
شما میتوانید از این تگهای html استفاده کنید:
<b> یا <strong>، <em> یا <i>، <u>، <strike> یا <s>، <sup>، <sub>، <blockquote>، <code>، <pre>، <hr>، <br>، <p>، <a href="" title="">، <span style="">، <div align="">
تجدید کد امنیتی


درباره بهترين هاي بيسيـــن بدانيد...

Bird

يکي از مهمترين اهداف اين سايت تهيه آموزش هاي روان از ابزارهاي کاربردي علوم آب است.

اهميت مطالعات محيطي با ابزارهاي نوين در چيست؟

امروز با فارغ التحصيلي جمع کثير دانشجويان سالهاي گذشته و حال، با گذر از کمي گرايي ديگر صرف وجود مدارک دانشگاهي حرف اول را در بازار کار نمي زند؛ بلکه سنجش ديگري ملاک؛ و شايسته سالاري به ناچار! باب خواهد شد. يکي از مهم ترين لوازم توسعه علمي در هر کشور و ارائه موضوعات ابتکاري، بهره گيري از ابزار نوين است، بيسين با همکاري مخاطبان مي تواند در حيطه علوم آب به معرفي اين مهم بپردازد.

جستجو در بيسين


بیسین - سایت تخصصی مهندسی آب

سایت مهندسی آب بیسین با معرفی مهم ترین و کاربردی ترین نرم افزارها و مدل های شبیه سازی در حیطه مهندسی آب، تلاش به تهیه خدمات یکپارچه و محلی از محاسبات هیدرولوژیکی و هیدرولیکی می کند

W3Schools


اطلاعات سايت

  • behzadsarhadi@gmail.com
  • بهزاد سرهادي
  • شناسه تلگرام: SubBasin
  • شماره واتساپ: 09190622992-098
  • شماره تماس: 09190622992-098

W3Schools