أكثر

كيفية الحصول على البيانات لإنشاء متوسط ​​هطول الأمطار في عام 2012؟

كيفية الحصول على البيانات لإنشاء متوسط ​​هطول الأمطار في عام 2012؟


أقوم حاليًا بمشروع نهائي ، وعليّ إنشاء خريطة لمتوسط ​​هطول الأمطار لعام 2012 لـ 48 ولاية باستخدام الاستيفاء الطبيعي للجوار. المشكلة كيف يمكنني الحصول على البيانات؟ لدي بالفعل بيانات عام 2012 من موقع NOAA بتنسيق .CSV. يوجد أكثر من 80000 موقع جغرافي في الملف (http://www1.ncdc.noaa.gov/pub/orders/cdo/434898.csv) هل يمكنني استخدامها لإنشاء الخريطة وإذا كان لدى أي شخص أي فكرة بالنسبة لي عن الحصول على البيانات الرجاء المساعدة.


عرض بيانات XY> الاستيفاء الطبيعي للجوار - استخدم النقاط التي أنشأتها للتو كميزات نقطة الإدخال وقيمة Z التي تم تعيينها على متوسط ​​هطول الأمطار.

سيوفر لك ذلك سطحًا نقطيًا من الأمطار يمكنك تمثيل الطريقة التي تختارها.

* اعلم أنه مع Natural Neighbor Interpolation ، قد تحتاج إلى إضافة بعض "نقاط الربط" لضمان التغطية الكاملة للولايات المتحدة.


من المحتمل أن تحقق أداة بناء Thiessen Polygons ذلك. قم بتحويل ملف csv إلى ملف نقطة وانتقل من هناك.


تكامل تقنيات التقييم متعدد المعايير مع أنظمة المعلومات الجغرافية لاختيار موقع المكب: دراسة حالة باستخدام المتوسط ​​المرجح

تقدم هذه الورقة نهج تحليل القرار متعدد المعايير القائم على نظم المعلومات الجغرافية لتقييم مدى ملاءمة اختيار موقع دفن النفايات في منطقة بولوغ ، مقدونيا. يأخذ إطار القرار متعدد المعايير في الاعتبار العوامل البيئية والاقتصادية التي يتم توحيدها من خلال وظائف العضوية الضبابية والتي يتم دمجها من خلال تكامل عملية التسلسل الهرمي التحليلي (AHP) وتقنيات المتوسط ​​المرجح (OWA). يتم استخدام AHP لاستنباط أوزان السمات بينما يتم استخدام وظيفة مشغل OWA لتوليد مجموعة واسعة من بدائل القرار لمعالجة عدم اليقين المرتبط بالتفاعل بين معايير متعددة. يتم توضيح فائدة هذا النهج من خلال سيناريوهات OWA المختلفة التي تبلغ عن ملاءمة مدافن النفايات على مقياس بين 0 و 1. تهدف سيناريوهات OWA إلى تحديد مستوى المخاطرة (أي متفائل ومتشائم ومحايد) وتسهيل أفضل فهم الأنماط التي تظهر من بدائل القرار المتضمنة في عملية صنع القرار.

يسلط الضوء

► قمنا بتنفيذ نهج تحليل القرار متعدد المعايير القائم على نظم المعلومات الجغرافية لتقييم مدى ملاءمة اختيار موقع المكب. يأخذ الإطار بعين الاعتبار العوامل البيئية والاقتصادية التي تم توحيدها من خلال وظائف العضوية الغامضة. يتم تجميع العوامل من خلال تكامل عملية التسلسل الهرمي التحليلي (AHP) وتقنيات المتوسط ​​المرجح (OWA). ► تقوم OWA بإخراج مجموعة واسعة من خرائط الحلول المختلفة والبدائل التنبؤية لتحديد مواقع مدافن النفايات واتخاذ القرار. تهدف خرائط حلول OWA إلى تحديد مستوى المخاطرة باستخدام البدائل التنبؤية المختلفة.


قياس مصادر بيانات هطول الأمطار

عادةً ما يتم جمع بيانات القياس في محطة أرصاد جوية وتمثل هطول الأمطار في هذا الموقع المحدد. توفر مصادر البيانات التالية معلومات قياس هطول الأمطار على موقع ويب أو تطبيق جوال في الوقت الفعلي تقريبًا.

شبكة الطقس الآلي في فلوريدا (FAWN)

تقوم شبكة فلوريدا الأوتوماتيكية للطقس بقياس وتخزين معلومات الطقس من أكثر من 40 محطة أرصاد جوية في فلوريدا (http://fawn.ifas.ufl.edu/). يوفر موقع FAWN بيانات في الوقت الفعلي وبيانات تاريخية للتنزيل. توفر FAWN أيضًا أدوات لرسم الرسوم البيانية لمقادير هطول الأمطار السابقة ورسم خرائط إجماليات هطول الأمطار الأسبوعية واليومية. تم تعيين توزيع كمية الأمطار السنوية على 40 محطة أرصاد جوية FAWN لإظهار التباين السنوي في جميع أنحاء الولاية (الشكل 2).

تطبيق My Florida Farm Weather (MFFW)

تستضيف FAWN أيضًا تطبيق My Florida Farm Weather (http://fawn.ifas.ufl.edu/mffw/). يتضمن هذا التطبيق هطول الأمطار من محطات FAWN والإدارة الوطنية للمحيطات والغلاف الجوي (NOAA) ومحطات رصد بيانات الأرصاد الجوية (MADIS) ومحطات المزارعين التي تشارك في برنامج تقاسم التكاليف التابع لوزارة الزراعة وخدمات المستهلك في فلوريدا (FDACS). تطبيق MFFW متاح كأداة ويب وكتطبيق للهاتف المحمول.

AgroClimate التطبيق

يستخدم تطبيق AgroClimate Mobile أيضًا بيانات FAWN ولكنه يحتوي على ميزات إضافية وتنسيق جذاب بصريًا. يوفر التطبيق معلومات موجزة عن هطول الأمطار وقياسات الطقس الأخرى. يتيح تطبيق AgroClimate أيضًا للمستخدمين إضافة حقل وربط الحقل بمحطة الطقس ، مما يوفر تقارير مخصصة خلال موسم الحصاد. التطبيق متاح بتنسيقات iOS و Android في متاجر iTunes و Google Play.

بيانات قياس منطقة إدارة المياه

تمتلك مقاطعات إدارة المياه الخمس في فلوريدا أنظمة عبر الإنترنت لمشاركة قياسات هطول الأمطار من ولاياتها القضائية. تدير منطقة إدارة المياه بجنوب فلوريدا (SFWMD) نظام قاعدة بيانات ، DBHYDRO ، والذي يوفر بيانات هطول الأمطار حسب المحطة والموقع والحوض والمقاطعة وإحداثيات الموقع الجغرافي والوكالة بالإضافة إلى ميزات البيانات الأخرى: http: //my.sfwmd. gov / dbhydroplsql / show_dbkey_info.main_menu. يوجد في منطقة جنوب غرب فلوريدا لإدارة المياه (SWFWMD) أيضًا نظام عبر الإنترنت لمشاركة البيانات الهيدرولوجية ، ونظام معلومات إدارة المياه (WMIS) ، حيث يمكن للمستخدم العثور على بيانات هطول الأمطار وتنزيلها حسب المقاطعة ، والحوض ، والمنطقة ، والبلدة ، واسم الموقع و / أو رقم التعريف: http://www18.swfwmd.state.fl.us/ResData/Search/ExtDefault.aspx.

توفر منطقة إدارة مياه نهر سانت جونز (SJRWMD) خريطة تفاعلية ، بيانات هيدرولوجية ، توضح مواقع محطات الطقس وتسمح للمستخدمين بتحديد محطة مهمة على الخريطة: http://webapub.sjrwmd.com/agws10/ hdsnew / map.html. تحتوي منطقة إدارة مياه نهر سواني (SRWMD) على خريطة تفاعلية تسمى محطات هطول الأمطار ، والتي تشبه تلك الموجودة في SJRWMD. على الخريطة ، يمكن للمستخدم تحديد محطات قياس هطول الأمطار حسب المقاطعة وتنزيل مجموعة كاملة من بيانات هطول الأمطار لمحطة محددة: http://www.mysuwanneeriver.org/portal/rainfall.htm. تدير منطقة إدارة المياه بشمال غرب فلوريدا (NFWMD) صفحة ويب ، بوابة الويب الهيدرولوجية: http://aquarius-web.nwfwmd.state.fl.us/. في البوابة ، يمكن للمستخدم تحديد محطات الطقس ذات الأهمية على خريطة تفاعلية وتنزيل بيانات هطول الأمطار المقاسة.

الشبكة العالمية لعلم المناخ التاريخي (GHCN)

الشبكة العالمية لعلم المناخ التاريخي (GHCN) هي قاعدة بيانات لرصدات الطقس اليومية والشهرية في أكثر من 80 ألف محطة أرضية في 180 دولة (Menne et al. 2012). قاعدة البيانات مفتوحة للجمهور ويمكن تنزيلها من NOAA: https://www.ncdc.noaa.gov/data-access/land-based-station-data/land-based-datasets/global-historical-climatology-network- ghcn. يتم دمج البيانات المناخية التاريخية التي تم جمعها من مجموعة متنوعة من المصادر ، بما في ذلك الإدارة الوطنية للمحيطات والغلاف الجوي (NOAA) ، وتقييم المناخ الأوروبي ومجموعة البيانات (ECAD) ، والمركز الوطني لأبحاث الغلاف الجوي (NCAR) ، في قاعدة بيانات GHCN الموجودة في أسبوعي. بشكل عام بعد عمليات الفرز والتصنيف. يزيل الفرز بيانات المصدر للمواقع غير المعروفة أو المشكوك فيها ، ويحدد التصنيف مواقع الطقس الجديدة.


أساليب

لإنشاء خرائط عالية الدقة لتركيز تلوث الهواء ، قمنا ببناء نماذج LUR ومجموعات البيانات التي تم تطويرها في البداية في مشروع ESCAPE 10،15. أولاً ، وصفنا بإيجاز مشروع ESCAPE ونماذج LUR المطورة فيه والتي تغطي هولندا. بعد ذلك ، تم وصف إعداد البيانات في بيئة النمذجة المكانية والزمانية PCRaster 22 وتطبيق نماذج تركيز تلوث الهواء الستة فوق هولندا. يتم وصف البرنامج المطلوب لحساب متغيرات التوقع وخرائط تركيز تلوث الهواء في قسم "توفر الرمز".

نماذج انحدار استخدام الأراضي في ESCAPE

بعد أن أنشأت الدراسات الوبائية علاقات استجابة التعرض في أمريكا الشمالية 23 واستندت تقديرات التعرض الأوروبية في ذلك الوقت إلى هذه النتائج ، بدأت الدراسة الأوروبية للأتراب لتأثيرات تلوث الهواء (http://escapeproject.eu/) للتحقيق في مساهمة تلوث الهواء المرتبط بالمرور على المدى الطويل على الحالة الصحية. غطت دراسة ESCAPE 36 مجال دراسة في 15 دولة أوروبية وأجريت بين عامي 2008 و 2012. إجراءات التشغيل الموحدة للقياسات (http://www.escapeproject.eu/manuals/) ومنهجية موحدة لتقييم السكان على المدى الطويل تم تطوير التعرض لتلوث الهواء للتحقيق في علاقات التعرض والاستجابة على سبيل المثال أمراض الجهاز التنفسي والقلب والأوعية الدموية.

بالنسبة لجميع مجالات الدراسة الأوروبية ، تم تطوير نماذج LUR بناءً على متوسط ​​التركيزات السنوية المقاسة. في هولندا ، أجريت قياسات متزامنة في 80 موقعًا لرصد NO2 و لاx، و 40 موقعًا لـ PM. تم اختيار الخلفية الإقليمية والخلفية الحضرية ومواقع المرور. تقع هولندا في المنطقة المناخية المعتدلة في غرب أوروبا (Cfb وفقًا لتصنيف كوبن - جيجر 24،25) بمتوسط ​​درجة حرارة 10.1 درجة مئوية ومعدل هطول الأمطار 851 ملم. تم إجراء ثلاث حملات قياس لمدة أسبوعين في مواسم مختلفة خلال عام 2009 (موسم بارد ودافئ ومتوسط) لالتقاط الموسمية. بالإضافة إلى ذلك ، كان موقع رصد مرجعي مرجعي تابع لـ ESCAPE يقيس تركيزات الملوثات طوال العام. ثم تم حساب متوسط ​​البيانات التي تم الحصول عليها من حملات القياس الثلاث ، مع تعديل الاتجاهات الزمنية باستخدام البيانات المستمرة من موقع المراقبة المرجعي 15،26. مساء10-2.5 لم يتم قياسه ولكن تم حسابه على أنه فرق بين PM10 و PM2.5.

كانت مجموعات البيانات الجغرافية لاستخدام الأراضي والبنية التحتية للمرور والكثافة السكانية متاحة لجميع مواقع الدراسة واستخدمت لاشتقاق متغيرات التوقع. من المفترض أن مجموعات البيانات التي تعمل على تحسين نماذج LUR ، مثل تكوين الشارع أو سرعة حركة المرور 27 ، لم تكن متوفرة على النطاق الأوروبي وبالتالي لم يتم النظر فيها. ومع ذلك ، في هولندا ، كانت المعلومات المتعلقة بكثافة حركة المرور الخفيفة والثقيلة متاحة ومستخدمة في تطوير النموذج.

لكل موقع مراقبة ومجموعة بيانات جغرافية ، تم بعد ذلك حساب متغيرات التوقع المحتملة باستخدام مناطق دائرية وأحجام عازلة مختلفة. بعد ذلك ، بالنسبة لكل ملوث ، تم تحديد المتغيرات التنبؤية التي تشرح بشكل أفضل التباين المكاني في المتوسط ​​السنوي لتركيزات تلوث الهواء المقاسة. ثم تم استخدام نماذج LUR لتقييم التعرض لتلوث الهواء للمشاركين في الفوج الفردي ، عن طريق حساب متغيرات التوقع وتقييم نماذج LUR في مواقع عناوين المنازل في الباب الأمامي.

في هولندا ، أوضحت نماذج ESCAPE LUR تباينًا بنسبة 68 ٪ في PM السنوي10 تركيزات 67٪ في PM2.5 تركيزات 51٪ في PM10-2.5 تركيزات ، 92٪ في تركيزات الامتصاص ، و 86٪ في NO2 تركيزات. النموذج السفلي r 2 لـ PM2.5 و PM10 مقارنة بـ NO2 و PM2.5 الامتصاص من المحتمل أن يكون ذلك بسبب التأثير الأقل لمصادر (حركة المرور) المحلية على هذه الملوثات. يعتبر التباين المرتبط بمناطق المصدر الكبيرة وعملية التحول في الغلاف الجوي أكثر صعوبة في التوصيف بنهج النمذجة التجريبية. لم يتم تقييم مصادر معينة مثل الزراعة أو الشحن بالتفصيل. يرجع السبب في r 2 السفلي للجسيمات الخشنة إلى فقدان المصادر وانخفاض دقة القياسات: تم حساب الخشنة على أنها الفرق بين PM10 و PM2.5.

تم شرح تطوير نماذج LUR وتقييم أداء النموذج بمزيد من التفصيل لأكاسيد النيتروجين (di) 10 ومادة خاصة 15. يوضح الجدول 1 نماذج LUR الستة لمنطقة الدراسة بهولندا وبلجيكا والتي تم استخدامها أيضًا لحساب مجموعات البيانات المعروضة هنا.

مصادر البيانات لمشروع ESCAPE

استخدم مشروع ESCAPE عدة مصادر بيانات جغرافية لاشتقاق متغيرات التوقع لنماذج LUR. كانت مجموعات البيانات في المشروع متاحة لجميع مناطق الدراسة في أوروبا ، ومُزودة ببيانات وطنية.

تم حساب متغيرات التوقع المتعلقة بالمرور باستخدام شبكة الطرق الرقمية على أساس الإصدار 3.1 من Eurostreets المستمدة من مجموعة بيانات TeleAtlas MultiNet لعام 2008 15. تم استخدام مجموعة البيانات هذه للمتنبئين الذين يحتفظون بطول (بالمتر) لجميع الطرق والطرق الرئيسية في منطقة عازلة (RL و MRL ، على التوالي) ، والمسافات العكسية (م -1) إلى أقرب طريق (IDC) أو أقرب الطريق الرئيسي (IDM). لم يتم تقديم عروض الطرق بشكل صريح في مجموعات البيانات ولكن تم تحديد كل مركز من حارة الطريق كقطعة مستقيمة منفصلة.

بالنسبة لهولندا ، تم استخدام شبكة المرور المحلية وبيانات كثافة حركة المرور من وكالة التقييم البيئي الهولندية (http://www.pbl.nl/en/) بالإضافة إلى متغيرات التوقع مع حمل حركة المرور (المركبات · يوم − 1 · م) في جميع الطرق (TL) والطرق الرئيسية (MTL) ، وحمل مرورية كثيفة على جميع الطرق (HTL).

تم اشتقاق معلومات استخدام الأراضي من مجموعة بيانات CORINE للغطاء الأرضي لعام 2000 (https://land.copernicus.eu/pan-european/corine-land-cover). تم إعادة تصنيف فئات استخدام الأراضي CORINE واستخدامها لإنشاء متغيرات توقع مناطق الاحتفاظ (م 2) للميناء (HAR) والصناعة (IND) والمناطق ذات الأراضي السكنية عالية ومنخفضة الكثافة (RES). تم الحصول على بيانات الكثافة السكانية (POP) من مجموعة بيانات مشروع INTARESE (http://www.integrated-assessment.eu/eu/).

تم تضمين تقديرات الخلفية الإقليمية (BEO ، BEX ، BEP ، BEA) لمنطقة الدراسة حيث لا يمكن تفسير جميع الاتجاهات المكانية واسعة النطاق في تركيزات تلوث الهواء من خلال متغيرات التنبؤ المحتملة 10. تم استخدام بيانات التركيز المأخوذة من 20 محطة لأكاسيد النيتروجين و 10 محطات للملوثات الأخرى ، على التوالي ، لتقدير أربعة تركيزات خلفية عن طريق الاستيفاء المعكوس للمسافة الموزونة. لم يؤد تقدير الخلفية الإقليمية إلى تحسين PM10 النموذج وبالتالي لم يتم تضمينه.

النمذجة الموزعة مكانيا

استخدم مشروع ESCAPE الأصلي مصادر بيانات متجه. ثم تم حساب متغيرات ونماذج التوقع باستخدام وظائف نظام المعلومات الجغرافية المعتمد على المتجهات على مجموعة محدودة من الملاحظات ومواقع عناوين المنزل. باستخدام هذا النهج ، لم يكن من الممكن حساب تركيزات تلوث الهواء في جميع مواقع عناوين المنازل الهولندية نظرًا لوقت التشغيل المكثف للعمليات القائمة على المتجهات. لذلك قمنا بتطبيق نهج النمذجة القائمة على البيانات النقطية حيث تم أولاً تحويل مصادر بيانات إدخال المتجه إلى بيانات نقطية بدقة 5 أمتار ، وتم حساب متغيرات التوقع ونماذج LUR من هذه البيانات في بيئة البيانات النقطية أيضًا. ينتج عن هذا النهج اختلافات طفيفة بين المتغيرات الأصلية المحسوبة بواسطة المتجهات والمتغيرات المحسوبة باستخدام النهج القائم على البيانات النقطية. الاختلافات بين كلا النهجين ضئيلة كما هو موضح في قسم "التحقق الفني".

لحساب متغيرات التنبؤ القائمة على البيانات النقطية وتركيزات تلوث الهواء ، استخدمنا PCRaster 22 ، وهي منصة نمذجة بيئية مفتوحة المصدر توفر مجموعة واسعة من العمليات المناسبة للتعبير عن العمليات المكانية والزمانية عبر لغة برمجة Python (http: //www.python. غزاله /). لتكون قابلة للاستخدام في PCRaster ، تمت ترجمة مجموعات البيانات المصدر الجغرافي باستخدام GDAL / OGR (http://www.gdal.org/). يتم تضمين البرامج النصية التي تنفذ خطوات التحويل من البيانات المتجهة إلى البيانات النقطية (Data Citation 1).

تم إنشاء مجموعات البيانات على النحو التالي: تم تنقيط مجموعة بيانات الكثافة السكانية باستخدام gdal_rasterize. لاستخدام الأراضي ، تم أولاً تنقيط مجموعة بيانات CORINE باستخدام gdal_rasterize. بعد ذلك ، تم إعادة تصنيف فئات استخدام الأراضي في كورين وإعادة ترميزها إلى خرائط نقطية فردية تحتوي على مناطق صناعية ومرافئ وسكنية. تم حساب الطول الإجمالي للطرق في كل خلية نقطية عن طريق تقاطع شبكة صيد السمك بدقة 5 م 2 مع شبكة الطرق للحصول على جميع أجزاء الطريق الفردية لكل خلية نقطية. بعد ذلك ، تم حساب أطوال كل مقطع طريق في خلية نقطية في QGIS (http://qgis.osgeo.org). أخيرًا ، تم جمع قيم الطول لكل خلية وتم تعيين أطوال الطرق الإجمالية كقيمة خلية نقطية.

حساب متغيرات التوقع

تم استخدام مصادر البيانات المنقطة لحساب متغيرات التوقع المستخدمة في نماذج LUR. كانت هناك حاجة إلى أحجام عازلة دائرية مختلفة لاستخدام الأراضي والكثافة السكانية (مع 1000 و 5000 متر) ولأطوال الطرق وأحمال المرور (مع 25 و 50 و 500 و 1000 متر) لحساب نماذج LUR الستة. في المجموع ، تم حساب 16 متغيرًا متنبئًا مع مخازن مؤقتة تم حساب مجموع قيم الخلايا التي تغطيها مخازن دائرية نصف قطرها بين 25 و 5000 متر على مستوى المنطقة في Python باستخدام وحدات المعالجة المتعددة ، PCRaster 22 و NumPy 28. اعتمادًا على حجم المخازن المؤقتة ، تم حساب خرائط التوقع إما على محطة عمل Linux قياسية (40 مركزًا Intel Xeon E5-2650 ، مخازن ذاكرة 128 جيجا بايت أصغر من 1000 متر) أو على الكمبيوتر العملاق الهولندي `` Cartesius '' (مخازن مؤقتة مع 1000 و 5000 متر نصف قطر).

بالنسبة للمسافات العكسية لشبكات الطرق ، قمنا بحساب مسافة إحداثيات مركز الخلية لأقرب طريق باستخدام كل خلية مسافة دالة من الوحدة النمطية GDAL / OGR ، وتعيين المسافة العكسية كقيمة خلية نقطية.

تم حساب تقديرات الخلفية الإقليمية الأربعة عن طريق الاستيفاء العكسي لترجيح المسافة باستخدام قياسات تلوث الهواء من 20 محطة لأكاسيد النيتروجين و 10 محطات للمواد الجسيمية. أنشأنا أولاً خرائط نقطية بقيم في مواقع المحطات واستخدمناها كوسيطات لـ انقلاب وظيفة من PCRaster ، بنصف قطر 100 كم.

تنفيذ وحساب نماذج LUR

مع كل من متغيرات التوقع المتاحة كملف نقطي فردي ، يمكن تنفيذ نماذج LUR لحساب خرائط تركيز تلوث الهواء. يظهر برنامج PCRaster Python النصي الذي يوضح حساب نموذج LUR في المربع 1. يوفر PCRaster مجموعة واسعة من العمليات بناءً على مفهوم جبر الخريطة ونمذجة رسم الخرائط 29 هذه العمليات الجغرافية المكانية متاحة بعد استيراد الوحدة التي تحمل الاسم نفسه. تتم قراءة متغيرات التوقع المطلوبة من القرص باستخدام أسماء الملفات المقابلة بواسطة إعادة الخريطة العمليات (الأسطر 4-6) وكل منها مخصص للمتغيرات الجديدة. تصبح هذه المتغيرات بالتالي أنواع البيانات المكانية التي تحتوي بشكل أساسي على معلومات حول المدى الجغرافي والتمييز ، والمصفوفات ثنائية الأبعاد لقيم الخلايا النقطية. نموذج LUR لـ PM10 (انظر الجدول 1) يتم تنفيذه في السطر 9. يتم تنفيذ العمليات الحسابية للمعادلة لكل خلية نقطية ، وهو أسلوب يمكن مقارنته مع لغات برمجة المصفوفات الأخرى. ثم يتم تخزين قيم التركيز الناتجة في مجموعة بيانات جغرافية مكانية جديدة على القرص (السطر 12). يتم حساب نماذج LUR الخمسة الأخرى بنفس الطريقة.

أمثلة للخرائط الناتجة موضحة في الشكل 1 ، توضح النمط المكاني لتركيز تلوث الهواء على النطاق الوطني والبلدي. يوضح الشكل 2 قيم التركيز في مقطع عرضي بين الشمال والجنوب عبر بلدية أوترخت. تشتمل النماذج على العديد من مؤشرات حركة المرور على نطاق صغير بما في ذلك المسافة العكسية للطرق التي تشرح التدرج بالقرب من الطرق. يرجع التركيز المتزايد بالقرب من التقاطعات إلى ارتفاع مخازن المرور بمقدار 50 مترًا.

تظهر اللوحات تركيزات لا2 (أ)، لاx (ب) و PM10 (ج).

تظهر اللوحات NO2 (أ)، لاx (ب) و PM10 تركيزات (ج).

المربع 1: نص بايثون يوضح الخطوات الأساسية لحساب نماذج LUR ، هنا نموذجي لـ PM10.

تتم قراءة متغيرات التوقع المعالجة مسبقًا من القرص ، ويتم حساب نموذج LUR ويتم تخزين خريطة تركيز تلوث الهواء الناتجة. يتم تمييز العمليات الخاصة بـ PCRaster باللون الأزرق.

توافر الكود

تعد حزمة برامج PCRaster المستخدمة لحساب نماذج ESCAPE Land Use Regression مفتوحة المصدر ويمكن تنفيذها على Linux و Windows و macOS. يتوفر كود مصدر PCRaster على GitHub (https://github.com/pcraster/pcraster/). يمكن العثور على روابط لحزم الإصدار لنظام التشغيل Windows ، وإنشاء إرشادات للوحدات ، والوثائق المرجعية ، والدورات التدريبية عبر الإنترنت والمعلومات حول المشاريع البحثية على موقع المشروع (http://www.pcraster.eu) مطلوب الإصدار 4.2 من PCRaster لتنفيذ النماذج بسبب العديد من التحسينات الأخيرة في التعليمات البرمجية للتعامل مع مجموعات البيانات الكبيرة.

بالإضافة إلى ذلك ، فإن Python (http://www.python.org/) الإصدار 2.7 (أو 3.6) مع وحدة NumPy 28 الإصدار 1.7 (أو أعلى) مطلوبة لحساب نماذج انحدار استخدام الأراضي. مكتبة تجريد البيانات الجغرافية المكانية (GDAL ، http://www.gdal.org/) الإصدار 2.2.4 (أو أعلى) مطلوب لتنفيذ البرامج النصية التي تنقيط مجموعات البيانات المتجهة ، ولتنفيذ البرامج النصية التي تقوم بحسابات المسافة إلى الطريق.


1 إجابة 1

إليك رمز العمل لمشكلتك:

Explanation: اعتبارًا من إجابة StackOverflow هذه ، يستخدم DateFormatter mdates. لكي يعمل هذا ، تحتاج إلى إنشاء مصفوفة التاريخ والوقت من أسماء الأشهر ، والتي يمكن لـ DateFormatter إعادة تنسيقها بعد ذلك.

بالنسبة للحساب ، فهمت الحل لمشكلتك على هذا النحو الذي نأخذ فيه جمع في كل شهر على حدة ثم أخذ متوسط ​​هذه المبالغ على مدار جميع السنوات. هذا يتركك مع متوسط ​​إجمالي هطول الأمطار شهريًا على مدار جميع السنوات.


تسجيل الدخول

  • استخدم الرسوم البيانية أعلاه لوصف الظروف العادية التي يمكن توقعها في مدينة روتشستر ، مينيسوتا في الأول من مايو.
  1. للوصول إلى رسم بياني مشابه لمدينة قريبة منك ، انتقل إلى صفحة مختبر أبحاث نظام الأرض NOAA الخاصة بمناخ المحطة الأمريكية.
  2. حدد ولاية أو إقليمًا ومدينة ثم انقر فوق إرسال. تحقق من رسم بياني واحد في كل مرة: اقرأ المحاور وافحص الخطوط لفهم المعلومات.
  3. استخدم موقع الويب لطلب رسوم بيانية مناخية لثلاثة أو أربعة مواقع مختلفة في جميع أنحاء الولايات المتحدة ، انقر فوق الروابط الموجودة في أسفل إحدى صفحات الرسم البياني للوصول إلى معلومات إضافية حول كل موقع ومناخ # 039 وتفسيرها.

4.21 ملاحظات الإصدار

  • متوسط ​​الوقت خريطة مع تراكب. تحتوي خريطة متوسط ​​الوقت الآن على تباين يسمح للمستخدم بفحص متغيرين متراكبين بألوان وخطوط مظللة. يمكن للمستخدم إدخال عدة متغيرات في التصور ، ولكن يمكن عرض متغيرين فقط في وقت واحد (3 إذا كان أحدهما متغيرًا متجهًا). يختلف تصور هذا الأمر اختلافًا كبيرًا عن تصورات Giovanni & # 39s الأخرى ، لذا قم بمراجعتها بعناية (يوجد مقال قصير في دليل المستخدم حول هذا الموضوع).
  • قناع البحر البري. يتم تضمين بيانات قناع البحر البري كملفات أشكال ، وبالتالي ، فإن & ldquoSea Only & rdquo و & ldquoLand Only & rdquo ، يتيحان إمكانية إخفاء البحر البري. على سبيل المثال ، إذا تم تحديد المربع المحيط وتم تحديد & ldquoLand Only & rdquo ملف الشكل ، فإن المنطقة المحددة هي أرض المربع المحيط فقط. حاليًا ، تم تمكين نوعين من قطع الأرض ، & ldquoTime Averaged Map & rdquo و & ldquoA-Averaged Time Series & rdquo لإمكانية إخفاء البحر.
  • دعم خدمة تغطية الويب (WCS). معيار واجهة Open Geospatial Consortium (OCG) WCS الذي يسمح للمستخدمين بالوصول إلى البيانات الجغرافية المكانية عبر الإنترنت. تتوافق واجهة GES DISC WCS مع بروتوكول قياسي ، مما يمكّن العملاء من الوصول إلى البيانات بشكل مباشر ، وبيانات متوسط ​​الوقت باستخدام قدرات Giovanni-4 (انظر الوثائق التفصيلية في دليل المستخدم).
  • إصلاح الخلل حيث لا يعمل تحويل الوحدات مع مبعثر متوسط ​​المنطقة.
  • ستعمل خريطة التراكب الجديدة تلقائيًا على تكبير المنطقة أو الشكل المحدد.
  • GLDAS_NOAH025_3H (16 متغيرًا)
  • ظروف المياه الجوفية ورطوبة التربة من تجميع بيانات GRACE L4 7 أيام 0.25 × 0.25 درجة V1.0 (GRACEDADM_CLSM025NA_7D.1.0) (3 متغيرات)
  • MERRA-2 instM_3d_ana_Np: ثلاثي الأبعاد ، المتوسط ​​الشهري ، لحظي ، مستوى الضغط ، تحليل ، تحليل مجالات الأرصاد الجوية V5.12.4 (M2IMNPANA.5.12.4) (6 متغيرات)
  • MERRA-2 tavgM_3d_cld_Np: ثلاثي الأبعاد ، المتوسط ​​الشهري ، متوسط ​​الوقت ، مستوى الضغط ، الاستيعاب ، التشخيص السحابي V5.12.4 (142 متغيرًا)
  • MODISA_L3m (5 متغيرات جديدة)
  • NLDAS_NOAH0125 علم المناخ (إجمالي 43 متغيرًا)
  • NLDAS_FORB0125_H (إجمالي 9 متغيرات)
  • IMERG (17 متغيرًا جديدًا)

عن المؤلف

سودهير شريسثا

يعمل Sudhir Raj Shrestha حاليًا في معهد أبحاث النظم البيئية (ESRI) كباحث مهندس حلول يدعم تطبيقات العلوم الجغرافية المكانية في NASA و JPL و NOAA و USDA ARS وشركاء الصناعة مثل Microsoft و Amazon. إنه متحمس للبيانات العلمية ولديه اهتمام كبير بجعل البيانات قابلة للاكتشاف والتشغيل البيني بسهولة. تركز أبحاثه على علوم المعلومات الجغرافية وعلوم الأرض والعلوم الزراعية وعلوم التربة. تندرج اهتماماته وخبراته في تطوير وتنفيذ أساليب وتقنيات جغرافية مكانية جديدة ومبتكرة. وتشمل رطوبة التربة والنمذجة الهيدرولوجية وتقنيات النمذجة المكانية والإحصائية المعقدة الأخرى التي تغطي توقعات الطقس والمناخ ونمذجة وتطبيقات البيانات العلمية بما في ذلك بيانات الطقس والمناخ متعددة الأبعاد. يعمل Sudhir على نطاق واسع مع قابلية التشغيل البيني للبيانات ، ومعايير البيانات والبيانات الوصفية ، وبرمجة R وتكامل نظام Linux بما في ذلك تطبيق صور عالية الدقة فوق الطيف وبيانات LiDAR الأرضية والجوية تشمل خبرته السابقة العمل في الولايات المتحدة (NOAA ، جامعة California Merced ، NOAA Environmental Cooperative Science Center في Florida A & ampM University ، City of Merced ، جامعة وايومنغ) وعلى الصعيد الدولي (عالم زائر في جامعة محافظة أكيتا باليابان ، VLIR Scholar Gent University Belgium ، مستشار لبرنامج الأمم المتحدة للبيئة الممول من مشروع مركز التكنولوجيا الريفية في نيبال ، محاضر زائر لكلية الهيمالايا للعلوم والتكنولوجيا الزراعية في نيبال وكلية الهندسة في نيبال). في الماضي ، قاد Sudhir العديد من المنظمات مثل Young Water Action Team (YWAT) غير الربحية ومقره هولندا. كان رئيسًا ومؤسسًا لفصل طلاب الجمعية الأمريكية للمسح التصويري والاستشعار عن بُعد بجامعة وايومنغ. تم انتخاب Sudhir نائباً للرئيس لعام 2020 لشريك معلومات Earth Space غير الربحي (ESIP). لقد تطوع لخدمة مجتمع علوم الأرض والجغرافيا ، بالإضافة إلى توسيع خبرته في العمل على الصعيدين الوطني والدولي في مجال علوم الأرض مع الحكومة والأوساط الأكاديمية والصناعات الخاصة ، مما يساعد على إقامة وتطوير التعاون وتوسيع نطاق ESIP ومجتمع Esri بشكل عام.


تخصيصات الخريطة الأخرى

نطاق مقياس اللون

يختار Giovanni تلقائيًا مقياسًا لونيًا مناسبًا للصورة بناءً على القيم الدنيا والقصوى للبيانات التي يتم رسمها. يمكنك أن ترى أنه لهذه الصورة اختار جيوفاني تلقائيًا النطاق 0 مم / ساعة - 2.988 مم / ساعة.

لتغيير هذا انقر فوق خيارات بجانب صورة الزر الذي يحيط بدائرة في الشكل 4. في النافذة المنبثقة يسمى خيارات الخريطة يمكنك تغيير الحد الأدنى والحد الأقصى للقيم.

تغيير لوحة الألوان

قد لا تكون لوحة الألوان الافتراضية من الأزرق إلى الأحمر مناسبة لجميع المستخدمين. لتغيير هذا ، انقر فوق خيارات بجانب صورة الزر الذي يحيط بدائرة في الشكل 4. في النافذة المنبثقة يسمى خيارات الخريطة يمكنك تغيير اللوحة.

تغيير تجانس البيانات

خيار تجانس البيانات ، في نفس الوقت خيارات الخريطة النافذة الموصوفة أعلاه ، تسمح لك بتطبيق GrADS مظللة gxout و bicubic ينعم بالبيانات. على الرغم من أن هذا يمكن أن يكون مفيدًا للبيانات منخفضة الدقة ، إلا أن التأثيرات على بيانات 0.1 درجة IMERG لا تكاد تذكر.

يوضح الشكل 5 أدناه الخريطة الناتجة التي تم إنشاؤها عن طريق تعيين نطاق البيانات إلى 0 - 2 مم / ساعة ، لوحة الألوان إلى أبيض - أزرق - أحمر - أصفر والتنعيم على.

الشكل 5. خريطة بيانات IMERG التي تستخدم جميع التعديلات الاختيارية الثلاثة.

ملخص:
توضح هذه الوصفة كيفية قراءة البيانات من مجموعة بيانات IMERG الخاصة بمهمة القياس العالمي للهطول (GPM) باستخدام Python.

أفضل الأوقات:
يريد المستخدم قراءة بيانات GPM IMERG باستخدام Python

مثال:
بيانات المثال: GPM المستوى 3 IMERG شهريًا 0.1 × 0.1 درجة هطول الأمطار (GPM_3IMERGM) في يوليو 2015.

الوقت المقدر لإتمام الإجراءات التالية: 20 دقيقة

متطلبات: Python والحزم المجانية: numpy و matplotlib و basemap و h5py. مطلوب Matplotlib وخريطة الأساس فقط للتخطيط.

في هذه الوصفة ، نستخدم محرك البحث عن البيانات ، Mirador ، ولكن يمكنك الحصول على البيانات باستخدام خدمات البيانات الأخرى في GES DISC.

  • في متصفح الويب ، انتقل إلى: http://mirador.gsfc.nasa.gov.
  • في حقل Keyword ، أدخل IMERG واضغط على Search GES-DISC.
  • تظهر النتيجة الأولى تقديرات هطول الأمطار الشهرية ، GPM المستوى 3 IMERG شهريًا 0.1 × 0.1 درجة هطول الأمطار (GPM_3IMERGM). انقر فوق "عرض الملفات" (انظر السهم الأحمر في الشكل 1).
  • انقر فوق اسم الملف الأول في القائمة لتنزيله. يطلق عليه ، 3B-MO.MS.MRG.3IMERG.20150701-S000000-E235959.07.V03D.HDF5.

ملحوظة: تعمل هذه الوصفة مع أي بيانات IMERG ، وليس فقط التقديرات الشهرية.

شكل 1: مثال على نتائج بحث Mirador لـ IMERG.

2. قم بتشغيل نص Python النصي التالي:

# هذا نموذج نص برمجي يقرأ بيانات IMERG ويرسمها.

من mpl_toolkits.basemap استيراد خريطة الأساس ، سم

استيراد matplotlib.pyplot كـ PLT

dataset = h5py.File ('/ path / to / data / 3B-MO.MS.MRG.3IMERG.20150801-S000000-E235959.08.V03D.HDF5'، 'r') # غيّر هذا إلى المسار الصحيح

# ارسم الشكل ، وحدد الحدود الجغرافية

# رسم الخطوط الساحلية وحدود الولاية والبلد وحافة الخريطة.

# تحديد بيانات خطوط الطول والعرض

x ، y = np.float32 (np.meshgrid (theLons ، theLats))

# قم بإخفاء القيم الأقل من 0 لأنه لا توجد بيانات لرسمها.

masked_array = np.ma.masked_where (هطول & lt 0 ، هطول)

# ارسم كل قيمة مقنعة باللون الأبيض

plt.title ("متوسط ​​معدل هطول الأمطار الشهري في أغسطس 2015")

ملخص

Orbit Viewer THOR هي أداة لعرض ملفات بيانات الأقمار الصناعية في أرشيف مهمة قياس هطول الأمطار الاستوائية (TRMM). يرمز THOR إلى "أداة مراجعة المراقبة عالية الدقة". إنه برنامج يعمل بالإشارة والنقر مكتوب بلغة IDL ويعمل على أنظمة Linux و Mac OS X و Windows. يمكّنك هذا العارض من العرض على خريطة ملاحظات Earth TRMM بدقة الجهاز الكاملة. حتى إذا كنت تخطط لقراءة ملفات GPM HDF5 وتحليلها باستخدام برامج IDL الخاصة بك ، فيمكن أن يساعدك في تثبيت عارض بيانات THOR لإجراء فحوصات سريعة على ملفات HDF5 التي تقوم بتحليلها.

تعليمات

كلمة المرور: [عنوان بريدك الإلكتروني]

قم بتنزيل الإصدار الأنسب لنظامك. بمجرد تنزيل الملف المضغوط ، قم بفك ضغطه وتشغيل أحد البرامج النصية التالية لتثبيته:

بمجرد انتهاء البرنامج النصي للإعداد ، قم بتشغيل الملف القابل للتنفيذ الجديد الذي تم إنشاؤه لتشغيل THOR. توجد الوثائق الكاملة لاستخدام THOR في دليل تثبيت THOR الذي تم فك ضغطه ضمن "Doc" - & gt "Tutorial.pdf".

لتنزيل البيانات من TRMM FTP ، يجب عليك أولاً تسجيل عنوان بريدك الإلكتروني في نظام معالجة الترسيب ، باستخدام هذه الصفحة: http://registration.pps.eosdis.nasa.gov/registration/newContact.html

قم بتنزيل ملفات بيانات HDF التي تريدها من TRMM FTP: ftp://arthurhou.pps.eosdis.nasa.gov/pub/trmmdata/

تشير بنية الدلائل إلى نوع البيانات التي ستصل إليها. على سبيل المثال:

“ByDate” - & gt “V07” - & gt “2014” - & gt “06” - & gt “03” سوف يقودك إلى ملفات بيانات TRMM باستخدام منظم حسب التاريخ ، باستخدام خوارزمية الإصدار 7 ، من 3 يونيو.

“By Instrument” -> “V06” -> “PRC” -> “2014” -> “05” -> “14” will lead you to TRMM Precipitation Radar data files using the Version 6 algorithm, from May 14th, 2014.

The HDF file name also indicates the data contained. The format is: [algorithm ID].[dataset end date in YYYYMMDD format].[orbit number (for swath products only)].[data processing version].[file format].gz

Unzip the HDF data file, and use the THOR program to open the file using “File” -> “Open File”

You can navigate the structure of the HDF file using the left panel. The right panel displays your selected info, depending on what kind of data you are viewing. Each algorithm may contain different fields and data types, full documentation is available here: http://pps.gsfc.nasa.gov/ppsdocuments.html#version7

To view surface precipitation rate by date, download a file from this location in the FTP: “ByDate” -> “V07” -> [select your desired date and a “Level 3” algorithm file]. Then in THOR load the file and select “Grid” -> “surfacePrecipRate” to view average precipitation on a global map.

To view TRMM Precipitation Radar data in 3D, download a file from this location in theFTP: “ByInstrument” -> “V07” -> “PCR” -> [select your desired date and a “Level 2” algorithm file]. Then in THOR load the file and select “Swath” -> “Rain” and choose an area on the map that has precipitation and is covered by the swath, then click “View” -> “Swath” -> “3D View”


Rain and Precipitation

Rain and snow are key elements in the Earth's water cycle, which is vital to all life on Earth. Rainfall is the main way that the water in the skies comes down to Earth, where it fills our lakes and rivers, recharges the underground aquifers, and provides drinks to plants and animals.

Rain and Precipitation

A localized heavy summer rainstorm in Colorado

Here is a classic summer rainstorm they are often small but intense. Other rain events are more "frontal" in nature, with large nimbostratus types of clouds bringing precipitation over a large area. (Credit: Howard Perlman, USGS )

Fortunately for everyone, water is a renewable resource that moves in a cycle with neither beginning nor end (but, you can put in your vote as to where you think it begins). Water vapor (evaporated من عند oceans, lakes, forests, fields, animals, and plants) condenses and returns to Earth as precipitation, once again replenishing reservoirs, lakes, rivers, underground طبقات المياه الجوفية, and other sources of water and providing the moisture required by plants and animals. an endless water cycle.

The amount of precipitation that falls around the world may range from less than 0.1 inch per year in some deserts to more than 900 inches per year in the tropics. One of the driest spots on Earth is Iquique, Chile, where no rain fell for 14 years. The world's wettest spot, as shown by data collected from a rainfall gage operated by the USGS, is on Mt. Waialeale, Hawaii, where an average of more than 451 inches of rain falls each year, and where more than 642 inches fell from July 1947 to July 1948. Although Mt. Waialeale averages slightly more rain per year, Cherrapunji, India, holds the single year record of 905 inches measured in 1861.

By contrast, the conterminous (the 48 "lower" states) United States receives enough precipitation during an average year to cover the States to a depth of about 30 inches. This is equivalent to about 1,430 cubic miles of water each year. What happens to the water after it reaches the ground depends upon many factors such as the rate of rainfall, topography, soil condition, density of vegetation, temperature, and the extent of urbanization.

Wide spread flooding in Lithia Springs, Georgia just west of downtown Atlanta, after epic rainfall, 22 Sept. 2009. Impervious surfaces and urban buildup causes rainfall to runoff much quicker, and with greater flooding consequences, during heavy rains.

For example, the direct runoff in a highly urbanized area is relatively great, not only because of the density of roofs and impermeable pavements permits less rain to infiltrate the ground, but also because storm-sewer systems carry more water directly to the streams and lakes. In a more natural or undeveloped area, the direct runoff would be considerably less.

In the United States, an average of some 70 percent of the annual precipitation returns to the atmosphere by evaporation from land and water surfaces and by transpiration from vegetation. The remaining 30 percent eventually reaches a stream, lake, or ocean, partly by overland runoff during and immediately after rain, and partly by a much slower route by moving though the ground.

Much of the rain that enters the ground filters down into subsurface water-bearing rocks (aquifers) and eventually reaches lakes, streams, and rivers where these surface-water bodies intercept the aquifers. The portion of the precipitation that reaches the streams produces an average annual streamflow in the United States of approximately 1,200 billion gallons a day. By comparison, the Nations's homes, farms, and factories withdraw and use about 355 billion gallons a day (2010).

Amount of water received when an inch of rain occurs

Have you ever wondered how much water falls onto your yard during a rainstorm? Using a 1-inch rainstorm as an example, the table below gives example of how much water falls during a storm for various land areas.


شاهد الفيديو: 2 ТП воздух видеоинструкция