پیش بینی سیل GIS افزایش تجسم جریان آب (WaVE): مطالعه موردی

پیش بینی سیل GIS افزایش تجسم جریان آب (WaVE): مطالعه موردی

چکیده

آگاهی از وضعیت رویداد سیل رودخانه و سیستم های پشتیبانی تصمیم مدیریت اضطراری به داده های زمین تحلیلی دقیق و مقیاس پذیر در سطح محلی نیاز دارند. این مقاله بهبود تجسم جریان آب (WaVE) را معرفی می‌کند، یک چارچوب و مجموعه ابزار جدید که تجسم تجزیه و تحلیل جغرافیایی پیشرفته (تصویر عملیاتی رایج) و ابزارهای مدولار پشتیبانی تصمیم را ادغام می‌کند. WaVE کاربران را قادر می‌سازد: 1) به صورت پویا در حال پرواز، نقشه‌های زمین‌بصری بسیار دانه‌ای و تعاملی را در زمان واقعی و پیش‌بینی‌کننده سیل ایجاد کنند که می‌تواند برای نمایش دبی، طغیان، سرعت آب و داده‌های ژئومورفولوژی و هیدرولوژی کمکی از اطلاعات ملی کوچک شود.

سطح به سطح منطقه ای و محلی؛ 2) ادغام داده ها و نتایج تحلیل مدل از منابع متعدد. 3) از نمایه‌سازی همبستگی یادگیری ماشین برای درون‌یابی تخمین‌های پروکسی جریان برای جریان‌های ناکارآمد و برون‌یابی تخمین‌های تخلیه برای جریان‌های غیرفعال استفاده کنید و 4) تجسم مته پایین در مقیاس زمانی از رویدادهای سیل در زمان واقعی و پیش بینی شده است. چهار مطالعه موردی برای آزمایش و اعتبارسنجی WaVE در شرایط مختلف در سطوح ملی، منطقه‌ای و محلی انجام شد. نتایج حاصل از این مطالعات موردی برخی از نقاط قوت، محدودیت‌های ذاتی Wave و نیاز به توسعه بیشتر را برجسته می‌کند. با در دسترس قرار گرفتن داده ها و اعتبارسنجی مدل ها برای تبدیل تصاویر ماهواره ای و سوابق داده ها از فناوری های سنجش از دور به تخمین های دقیق جریان جریان و مدل های ارتفاعی دیجیتال با وضوح بالاتر، WaVE این پتانسیل را دارد که در سطح محلی گسترده تر مورد استفاده قرار گیرد.

کلید واژه ها

تجسم جغرافیایی، طغیان رودخانه ، پیش بینی ژئوآنالیتیک ، یادگیری ماشینی ، پشتیبانی تصمیم گیری مدیریت اضطراری

1. مقدمه

برای اتخاذ تصمیمات مؤثر، اولین پاسخ دهندگان و سایر تصمیم گیرندگان کلیدی در سطح محلی که در مدیریت اضطراری سیل رودخانه (کانال) دخیل هستند، هم به اطلاعات به موقع سیل در سطح زمین و هم به اطلاعات سیل و ابزارهایی برای درک و دریافت بینش از آن اطلاعات نیاز دارند.

تصمیم گیرندگان محلی بر اساس بسیاری از عوامل هیدرولوژیکی، برنامه هایی را تدوین و اجرا می کنند و رویدادهای سیل را پیش بینی و پاسخ می دهند، اما حیاتی ترین تصمیم ها به آگاهی از سه متغیر بستگی دارد که بدانند چه زمانی (تاریخی، زمان واقعی و زمان های پیش بینی شده)، کجا ( مکان زمانی جریان و طغیان رودخانه، و میزان (عمق، حجم و وسعت آبگرفتگی، سرعت) سیل رخ می دهد یا رخ خواهد داد. برای آگاهی از موقعیت واقعی، تصمیم گیرندگان باید بدانند که رودخانه های بالاآمده چه زمانی و در کجا رخ می دهند یا در حال وقوع هستند، غرقاب در چه عمقی در مکان های مورد نگرانی است، چه نقاط، مکان ها و افراد مورد علاقه تحت تاثیر قرار می گیرند، و در کجا دسترسی و تخلیه احتمالی وجود دارد. مسیرها و مسیرها برای اولین پاسخ دهندگان وجود دارد.

علی‌رغم پیشرفت‌های تکنولوژیکی و تحقیقات جدید در حوزه‌های مرتبط با تجزیه و تحلیل سیل و تصمیم‌گیری، چالش‌ها به ویژه در زمینه ارائه داده‌های دقیق جریان و طغیان سیل برای جریان‌های دورافتاده و/یا بدون تغییر، توسعه مدل‌های ارتفاعی دیجیتال با وضوح بالا برای تولید بسیار دانه‌دار باقی می‌ماند. و نقشه‌های سیلاب زمین‌بصری مقیاس‌پذیر محلی (زمان واقعی و پیش‌بینی‌کننده)، و ارائه داده‌های قابل اعتماد و مفید سیل به تصمیم‌گیرندگان محلی در طول رویدادهای سیل [ 1] . حتی زمانی که به این مسائل پیچیده پرداخته می‌شود، چالش درک مقادیر زیادی از داده‌ها به گونه‌ای که به راحتی توسط پزشکان فردی قابل درک و استفاده مؤثر باشد، باقی می‌ماند، در حالی که در عین حال یک تصویر عملیاتی و چارچوب دانش مشترک در سراسر جهان ارائه می‌شود. گروه های مختلف درگیر در مدیریت اضطراری سیل

در این مقاله، تقویت بصری جریان آب (Wa-VE)، یک چارچوب تجسم جغرافیایی جدید و مجموعه ابزار پشتیبانی تصمیم (DS) را معرفی و آزمایش می کنیم که برای اولین پاسخ دهندگان، مدیران منابع آب، دانشمندان و سایر تصمیم گیرندگان طراحی شده است. چارچوب و مجموعه ابزار توسعه‌پذیر و انعطاف‌پذیر WaVE داده‌های جریان تاریخی، بی‌درنگ و پیش‌بینی‌شده جریان و طغیان سیل را به اطلاعات دقیق عملی تبدیل می‌کند، تجزیه و تحلیل جغرافیایی و دید با مقیاس پایین را امکان‌پذیر می‌کند و ابزارهای DS با کاربری آسان و قابل تنظیم را در اختیار کاربران قرار می‌دهد.

بخش‌های زیر این مقاله 1) اطلاعات پس‌زمینه‌ای در مورد تجزیه و تحلیل جغرافیایی سیل و پشتیبانی تصمیم‌گیری ارائه می‌کند. 2) سه مرحله توسعه چارچوب طراحی WaVE، توسعه آینده چارچوب برای بهبود پلت فرم، بررسی مطالعات موردی که قابلیت‌های WaVE را آزمایش و نشان می‌دهد را شرح دهید. 3) بحث در مورد مسائل و پیامدهای نتایج حاصل از مدل و مطالعه موردی. و 4) نتیجه گیری نویسندگان را خلاصه کنید.

2. پس زمینه

2.1. داده های سیل – کجا، چه زمانی و چقدر

دو گروه به طور خاص نیازمند و استفاده از داده های تاریخی، زمان واقعی و پیش بینی شده جریان آب رودخانه و سیلاب در مقیاس محلی به منطقه هستند – مدیران آب دشت سیلابی و تیم های مدیریت اضطراری واکنش اول.

گروه اول، مدیران دشت سیلابی و منابع آب، برای برنامه ریزی و عملیات موثر به این داده ها نیاز دارند. آنها داده‌های دانشمندان پژوهشی را جمع‌آوری و جذب می‌کنند، هشدارها و هشدارها را صادر می‌کنند، برنامه‌های اضطراری برای سناریوهای سیل ایجاد می‌کنند، مراحل سیل را به جامعه منتقل می‌کنند و مدل‌های پیش‌بینی ایجاد می‌کنند. مدیران منابع آب، مانند مدیران سپاه مهندسین ارتش ایالات متحده (USACE)، از داده‌های جریان و پیش‌بینی‌های بارندگی برای فعالیت‌های کاهش سیل مانند مدیریت مخازن کنترل سیل، خروجی‌های سیلاب، انحراف، سیلاب‌ها و قفل‌های ناوبری استفاده می‌کنند. آنها به پیش بینی های به موقع و دقیق و داده های جریان برای پیش بینی جریان ورودی به مخازن و ارتفاعات استخر به منظور تعیین دبی پایین دست نیاز دارند.2 ] .

به طور مشابه، اولین واکنش‌دهنده‌ها و عملیات مدیریت اضطراری – چه قبل و چه در حین وقوع سیل واقعی – برای آگاهی از موقعیت و اجرای عملیات‌های اضطراری مانند مبارزه با سیل، تخلیه، بستن پل‌ها، به داده‌های تاریخی و واقعی ارتفاع آب، زمان و سرعت آب تکیه می‌کنند. زمان و نحوه اجرای این وظایف می تواند میزان نجات جان و مال را تعیین کند [ 3 ] [ 4 ].

برای این گروه ها، تصمیمات حساس به زمان اغلب بر اساس اطلاعات و ویژگی های مربوط به نوسانات کانال و آب سیل است. ارتفاع و حجم جریان آب در هر حوضه آبخیز معمولاً مطابق با رویدادهای آب و هوایی و متغیرهایی مانند ذوب برف، باران، رواناب سطحی (جریان آب اضافی روی سطح زمین از آب طوفان، ذوب برف یا سایر منابع)، زیرسطحی در نوسان است. جریان، و در نهرهای تنظیم شده توسط متغیرهایی مانند سدها، مخازن ذخیره سازی، و سیلاب ها. بارش شدید و رواناب ذوب برف در نواحی بالادست یک حوضه آبریز می‌تواند باعث حجم بالای آب در جریان‌های رودخانه، ظرفیت کامل در مخازن رودخانه و طغیان سیل رودخانه‌ها (یعنی فراتر از مرزهای کانال آن) در مناطق معمولی خشک شود. میزان طغیان سیل تحت تأثیر عواملی مانند عمق کانال،

دو پارامتر داده هیدرولوژیکی – ارتفاع آب و زمان – برای پرداختن به این مسائل ضروری هستند. با استفاده از این دو بخش اساسی از اطلاعات مکانی، هیدرولوژیست ها می توانند محاسبه کنند: 1) نرخ حجمی (Q) جریان آب (همچنین به عنوان جریان جریان، دبی یا نرخ جریان نیز نامیده می شود) در یک کانال – که به عنوان حاصل ضرب یک متقاطع محاسبه می شود. سطح مقطع (A) و سرعت متوسط ​​(ū) یک جریان، و معمولاً به صورت فوت مکعب در ثانیه (f ³ /s) یا متر مکعب در ثانیه (m3 ^/ s) بیان می شود. و 2) طغیان آبی که خارج از کرانه های کانال معمولی گسترش می یابد.

به طور سنتی، این داده‌های جریان جریان با استفاده از جریان‌های فیزیکی، دستگاه‌هایی که سطح آب را در حوضه‌های آبخیز نظارت و آزمایش می‌کنند و عمدتاً برای اندازه‌گیری ارتفاع سطح سطح آب کار می‌کنند، ثبت می‌شود. برای مدل‌های هیدرولیک و نقشه‌های سیل در ایالات متحده، مهم‌ترین منبع سوابق داده‌های جریان در زمان واقعی و تاریخی توسط سازمان زمین‌شناسی ایالات متحده (USGS)، یک آژانس فدرال که وظیفه نظارت بر استقرار، بهره‌برداری و نگهداری تقریباً 8000 استریم گیج در سراسر ایالات متحده.

2.2. نقشه برداری سیل

مدل‌ها و ابزارهای اندازه‌گیری مختلف در طول تاریخ برای شناسایی یا پیش‌بینی موقعیت‌های سیل که در انواع مناظر جغرافیایی و توپوگرافی رخ می‌دهند، استفاده شده‌اند. اینها از نقشه‌های سیل استاتیک سنتی، جداول سیل تاریخی، مجموعه داده‌ها و آمارهای توسعه‌یافته توسط تحلیلگران و نقشه‌نگاران، تا ابزارهای جدیدتری که از پیشرفت‌های رقومی ارتفاع و زمین استفاده می‌کنند که مدل‌سازی، تحلیل جغرافیایی و تجسم جغرافیایی را ارائه می‌کنند، و مدل‌های هیدرولیکی را با فضای مکانی تجسمی ادغام می‌کنند، متغیر است. داده ها و نقشه های تعاملی سیل. تحلیلگران و برنامه ریزان می توانند از نقشه های دیجیتالی غرقابی که روی نقشه های شهر پوشانده شده و با لایه های دیگر سیستم های اطلاعات جغرافیایی (GIS) ترکیب شده اند برای ارزیابی خطرات و خسارات احتمالی سیل استفاده کنند. این ابزارها برای کمک به پیش بینی وقوع سیل و میزان طغیان استفاده می شوند.

نقشه‌های دیجیتال با قرار دادن لایه‌هایی از تصاویر مبتنی بر پیکسل یا شطرنجی ایجاد می‌شوند که نمایانگر ویژگی‌های ژئومورفولوژیکی ژئوکد شده بر روی مدل‌های دیجیتال ارتفاع (DEMs) – مدل‌های دیجیتالی یا نمایش‌های سه‌بعدی سطوح زمین [ 5 ] است. این مدل‌ها با استفاده از داده‌های ارتفاعی زمین که با ابزارهایی مانند بررسی مستقیم زمین، سنجش از دور و فتوگرامتری به دست آمده و ثبت می‌شوند، توسعه می‌یابند. برخی از DEM های با وضوح درشت قبلی از نقشه های کانتور دیجیتال بر اساس بررسی های مستقیم زمین درون یابی شدند، اگرچه به طور فزاینده ای این مدل ها وضوح بالاتری دارند و از سنجش از دور تولید می شوند.

مدل‌های نقشه‌برداری سیل هیدرولوژیکی مدرن داده‌های نقشه‌های طغیان سیل تاریخی را با داده‌های زمان واقعی برای پیش‌بینی سیل رویدادهای جاری و آینده سیل ترکیب می‌کنند. برای تجسم داده‌های سیل، یک مدل هیدرولیکی با یک مدل دیجیتالی ارتفاع سطح زمین مطابق با طرح سلول شبکه‌ای ترکیب می‌شود که به موجب آن نمایش دیجیتال ارتفاع آب‌های سطحی بر روی یک نمایش دیجیتالی توالی زمانی از ارتفاع سطح زمین در یک فضای جغرافیایی پوشانده می‌شود. منطقه شبکه مربوطه برای تعیین اینکه سیل تا چه اندازه فراتر از کانال های معمولی گسترش می یابد. سپس میزان آبگرفتگی برای هر سلول شبکه محاسبه می شود.

دقت عمودی و وضوح فضایی (مساحت سطح زمین در یک سلول شبکه) DEM پایه (توپوگرافی اولیه) بر درجه دقت مدل های هیدرولیک و نقشه های سیل تأثیر می گذارد [ 6 ]. هر چه تعداد سلول ها در یک واحد مساحت بیشتر باشد، وضوح و مقیاس پذیری بیشتر است (یعنی هر چه وضوح داده های شطرنجی در فواصل کوچکتر از ارتفاع سطح زمین بهتر باشد، نمایش توپوگرافی سطح زمین دقیق تر است).

پیشرفت‌ها در زمینه سنجش از دور (RS) – ثبت غیرفعال یا تشخیص و اندازه‌گیری فعال اشیاء و مناطق توسط فناوری‌های حسگر هوایی – کارایی بیشتری را در ایجاد نقشه‌های دیجیتالی دقیق‌تر ارتفاع، اندازه‌گیری جریان جریان، و تجزیه و تحلیل و پیش‌بینی سیل‌ها ممکن کرده است. RS به طور سنتی عمدتاً غیرفعال بود و با استفاده از هواپیماهای سرنشین دار یا بدون سرنشین و به میزان کمتری از برنامه های کاربردی زمینی انجام می شد. این روش از ابزارهای سنجشی مانند عکاسی مادون قرمز و فیلم برای جمع‌آوری و ثبت اطلاعات در مورد تابش (از خورشید یا سایر منابع) منعکس شده یا ساطع شده از ناحیه یا شی مورد نظر استفاده می‌کند. دسترسی و گزینه های RS غیرفعال با راه اندازی Landsat در سال 1972 و ظهور RS مبتنی بر پلت فرم ماهواره ای به طور قابل توجهی افزایش یافت. در مقابل، حسگرهای فعال انرژی ساطع می کنند تا اهداف از راه دور را شناسایی کرده و سپس تشعشعات منعکس شده یا پراکنده شده از آن اهداف را اندازه گیری کنند. پیشرفت در RS فعال با استفاده از فناوری‌های ارتفاع‌سنجی ماهواره‌ای، هوابرد و زمینی منجر به افزایش بینش در دینامیک جریان رودخانه و ارائه جایگزین‌هایی برای روش‌های سنتی شده است.

تجزیه و تحلیل مبتنی بر مدل هیدرولوژیکی مورد استفاده در پیش‌بینی سیل و ساختن نقشه‌های خطر استاتیک برای آگاهی از موقعیت از لحاظ تاریخی به داده‌های تخلیه از شبکه‌های جریان درجا وابسته بوده است. در حالی که برای بسیاری از درک هیدرولوژیست ها از آب های سطحی اساسی است، شبکه های گیج در اطلاعاتی که می توانند در مورد جریان محلی دشت سیلابی و دینامیک حوزه آبخیز ارائه دهند، محدود هستند. در طول یک رویداد سیل، این منابع درجا تنها مجموعه ای تک بعدی و نقطه ای از داده های آب سطحی را ارائه می دهند [ 7 ]]، بدون پرداختن به چالش اضافی برون یابی حجم پایین دست پس از عبور آب از مانیتور و پیش بینی اینکه آب در صورت بالا آمدن و فراتر رفتن از کانال عادی خود چه خواهد کرد. در دسترس بودن محدود منابع اندازه‌گیری جریان در محل، تشخیص سیل در نواحی رودخانه را مختل می‌کند و توانایی اعتبارسنجی مدل‌های پیش‌بینی سیل در زمان واقعی را محدود می‌کند [ 8 ]. علاوه بر این، این رگه‌ها از نظر فیزیکی آسیب‌پذیر هستند و می‌توانند انتقال داده‌های حیاتی آب سیل را در طول رویدادهای طوفانی یا در زمان‌های بحرانی دیگر متوقف کنند.

این خطر در رویداد سیل اوت 2016 در باتون روژ، لوئیزیانا نشان داده شد. در طول سیل، 15 رگبار USGS آسیب دیده یا تخریب شد [ 9 ]. به مدت سه روز کلیدی در طول طوفان، ایستگاه‌ها در مکان‌های بحرانی ارسال داده‌های حیاتی تقریباً هم‌زمان را برای اولین پاسخ‌دهنده‌ها متوقف کردند ( شکل 1 را ببینید ) که برای آگاهی از موقعیت در مورد بالا آمدن رودخانه، هشدار و تخلیه افراد در معرض خطر به داده‌ها تکیه می‌کردند. و اقدامات لازم برای حفاظت از اموال [ 10 ] .

این خطرات از جمله دلایلی هستند که RS به طور فزاینده ای به عنوان مکملی برای اندازه گیری جریان درجا و برای ارائه داده های حیاتی در جایی که هیچ جریانی وجود ندارد، مورد حمایت قرار می گیرد [ 11 ] [ 12 ] [ 13 ]. این علاقه در تحقیقات رو به رشد مربوط به اعتبار سنجی نقشه‌های غرقابی که در طول رویدادهای واقعی سیل، مدل‌ها و کاربردهای RS، تکنیک‌های کار در کنار روش‌های درجا، و ساخت مدل‌های اندازه‌گیری جریان پروکسی استفاده می‌شوند، منعکس می‌شود [ 14 ] [ 15 ] [ 16 ] 17 ] [ 18 ] .

RS همچنین به طور فزاینده ای برای توسعه DEM هایی با وضوح بالاتر و دقت بیشتر استفاده می شود. امروزه نقشه‌های طغیان سیل معمولاً از حسگرهای مایکروویو غیرفعال یا تصاویر طیف‌سنجی رادیومتر با وضوح متوسط ​​(یعنی MODIS و Landsat TM) [ 19 ] [ 20 ] [ 21 ] به دست می‌آیند. سیستم‌های سنجش از دور آزمایشی و آزمایشی برای شناسایی و نقشه‌برداری تفکیک مکانی در زمان واقعی [ 21 ]، و همچنین نظارت بر سیل‌های جاری با مقایسه تصاویر با اطلاعات داده‌های روی زمین به‌دست‌آمده از بلایای سیل راه‌اندازی شده‌اند [ 22 ]. نتایج مطالعات نشان می‌دهد که نتایج تفکیک فضایی روزانه و داده‌های اندازه‌گیری از مشاهدات ماهواره‌ای مایکروویو غیرفعال و

ارتفاع سنج های ماهواره ای [ 23 ] [ 24 ] [ 25 ] به خوبی با جریان درجا همبستگی دارند و برای تحلیل و پیش بینی جریان جریان و رویدادهای سیل در مقیاس ملی و منطقه ای مناسب هستند.

تقاضا برای وضوح فضایی بالاتر، DEM های دقیق، و خروجی مدل مسیریابی جریان هیدرولیک و کانال که می تواند از سطح منطقه ای به محلی مقیاس شود، باعث رشد تحقیقات مرتبط و منابع کاربردی شده است. در ایالات متحده، یک گام مهم به سمت این هدف، توسعه و بهبود مستمر نقشه ملی (TNM) است، تلاش مشترک USGS و شرکای آن برای ارائه داده های توپوگرافی دیجیتالی در دسترس عموم – ارتفاع، مرزها، حمل و نقل، سازه ها. ، پوشش زمین، نام های جغرافیایی، هیدروگرافی، عکس های هوایی، و غیره. در سال 2011، دولت ایالات متحده ارزیابی ملی ارتقا یافته ارتفاع را تکمیل کرد که نتیجه آن برنامه 3D Elevation Program (3DEP) است، ابتکاری که توسط USGS راه اندازی شد. خدمات و محصولات اولیه آن در سال 2015 آغاز شد.26 ] .

این اولین منبع فعال RS، لیدار، یک فناوری نقشه برداری و اندازه گیری ارتفاع است که با روشن کردن (پالش) یک هدف با نور لیزر – بخش های مختلف بخش های مرئی و مادون قرمز نزدیک طیف الکترومغناطیسی – و اندازه گیری فاصله سیگنال برگشت پالس به عقب بازتاب می‌شود [ 27 ]، بنابراین مکان دقیق هدف را فراهم می‌کند (به عنوان مثال، سطح، پوشش گیاهی، ساختمان‌های سطح سخت و غیره). لیدار معمولی فقط ارتفاع سطوح آب را اندازه گیری می کند، اما نور لیزری با طیف خاص (طول موج آبی-سبز) می تواند در آب نفوذ کند و برای حمام سنجی رودخانه استفاده شود [ 28 ]] . در حالی که لیدار را می توان با سکوهای زمینی، هوابرد، ماهواره ای یا متحرک انجام داد، اکثر اسکن و اندازه گیری ارتفاع پیشرفته برای مدل های ارتفاع با استفاده از سکوهای هوابرد مانند هواپیماهای سرنشین دار با بال ثابت یا وسایل نقلیه هوایی بدون سرنشین (UAV) انجام می شود. به عنوان یک جایگزین اقتصادی برای هواپیماهای سرنشین دار، به ویژه در مناطق دورافتاده، کاوش و توسعه یافته است.

از سوی دیگر، IfSAR یک فناوری RS فعال است که عموماً در مکان‌هایی مانند آلاسکا استفاده می‌شود، جایی که پوشش ابر و مکان‌های دور از مناطق هدف استفاده از لیدار را کمتر مؤثر و نسبتاً غیرعملی می‌سازد. رادار ماهواره‌ها می‌تواند به آب و هوای ابری نفوذ کند و تصاویر ارزشمندی را در طول شبانه‌روز در طول رویدادهای طوفانی ارائه می‌کند [ 29 ]. این تکنیک سنجش فعال ترکیبی از دو یا چند تصویر رادار دیافراگم مصنوعی (SAR) است که از ثبت اثر استریوسکوپی ناشی از تفاوت در فازهای امواج تشعشعی که پس از اصابت یک پرتو باریک راداری که از ناحیه مورد نظر برمی‌گردند، به دست می‌آیند. یک آنتن بر روی یک سنسور مبتنی بر سکوی ماهواره ای.

علاوه بر لیدار و IfSAR، سایر فناوری‌های اسکن لیزری (LS) برای پلت‌فرم‌های اسکن لیزری هوابرد (ALS)، موبایل (MLS) و سکوهای اسکن لیزری (TLS) نیز برای پشتیبانی از نقشه‌برداری سیل در حال توسعه هستند [ 30 ].

تعداد فزاینده ای از مطالعات تحقیقاتی بر تأثیر سیل در سطح حوزه آبخیز منطقه ای متمرکز شده است، که برخی از آنها نتایج حاصل از وسعت سیل RS و اندازه گیری جریان جریان درجا را تجزیه و تحلیل کرده اند [ 19 ] [ 31 ]. تحقیقات دیگر استفاده از داده های حسگرهای چندطیفی و مایکروویو را برای تکمیل داده های جریان درجا مورد بررسی قرار داده است [ 32 ]. برخی از مطالعات استفاده از نقشه های سیل به دست آمده از تصاویر با وضوح بالاتر را برای حقیقت زمین مورد بررسی قرار داده اند، در حالی که برخی دیگر بر روی آزمایش و اعتبارسنجی دقت و اثربخشی استفاده از مجموعه داده های تصویر RS برای رویدادهای سیل و نقشه های سیل تمرکز کرده اند [ 33 ] [ 34 ] [ 35 ]] . هنگامی که تصاویر RS و داده‌های مشتق شده ثبت می‌شوند، تأثیر زیادی بر کارایی ابزار برای اندازه‌گیری تأثیر محلی در زمان وقوع سیل می‌گذارد، با توجه به اینکه ماهواره‌های مورد استفاده برای آن رویدادها ممکن است در زمان‌ها و مدت زمان مناسب در مکان بهینه قرار نگیرند. برای بهترین پوشش علی‌رغم این محدودیت‌ها، سری‌های زمانی جریان از مدل‌های ماهواره‌ای RS شبیه‌سازی شده توسعه یافته، آزمایش شده‌اند و شروع به بهبود نقشه‌های طغیان سیل کرده‌اند [ 1 ] [ 36 ] [ 37 ].

2.3. تجسم داده های سیل برای پشتیبانی تصمیم

داده‌های جریان جریان و طغیان سیل از منابع سنتی و RS را می‌توان با استفاده از ابزارهای مستقل نقشه‌برداری سیل یا ابزارهایی که در مجموعه‌های دیگر سیستم‌های پشتیبانی تصمیم مدیریت اضطراری (EMDSS) -محاسباتی یا ترکیبی اطلاعات انسانی و رایانه‌ای ادغام شده است، تحلیل و تجسم کرد. سیستم هایی که توسط مدیریت سازمانی برای تسهیل حل مشکلات ساختار نیافته و نیمه ساختار یافته و تصمیم گیری های مربوط به فرآیندهای برنامه ریزی، مدیریت و عملیات استفاده می شود [ 38 ]. استفاده مناسب از EMDSS می‌تواند به تیم‌های مدیریت اضطراری کمک کند تا حجم کار و نیازمندی‌های نیروی کار، زمان‌بندی‌ها و ضرب‌الاجل‌ها، در دسترس بودن منابع و سایر محدودیت‌ها را بررسی کنند و به آن‌ها در انجام تکالیف کار حساس‌تر به زمان و تخصیص منابع کمک کند [ 39 ]] . عدم موفقیت در تصمیم گیری واکنش اضطراری در طول رویدادهای فاجعه بار مانند طوفان کاترینا و دیگر سناریوهای سیل ملی و بین المللی در مقیاس بزرگ، نیاز به فرآیندها و سیستم های تصمیم گیری بهتر را برجسته کرده است [ 40 ] [ 41 ]. درک فزاینده عمومی از این نیاز در زمینه تحقیقات نظری و کاربردی در مورد EMDSS برای سیل و سایر بحران‌ها [ 42 ]، و همچنین در توسعه سیستم‌ها، سخت‌افزار و فن‌آوری‌های ارتباطی برای کمک به پزشکان در این زمینه‌ها منعکس شده است.

توسعه EMDSS با پیشرفت در فناوری‌های ذخیره‌سازی، بازیابی و پردازش داده‌ها که دقت و کارایی بالقوه این سیستم‌ها را تا حد زیادی افزایش می‌دهد، امکان‌پذیر شده است. اکنون فناوری‌هایی برای ایجاد پلتفرم‌هایی وجود دارند که می‌توانند بسیاری از منابع داده مختلف را ترکیب کنند (از جمله داده‌های تخلیه حاصل از حسگرهای فعال و غیرفعال از راه دور مانند lidar و سنسور فعال SAR)، محاسبه میلیاردها عنصر داده برای شناسایی همبستگی‌های چند متغیره در محیط‌های مختلف، تجزیه و تحلیل و چند متغیره. آن داده‌ها را مقیاس‌بندی کنید، و آن داده‌ها را به دانش قابل سفارشی‌سازی و تجسمی مورد نیاز تصمیم‌گیرندگان تبدیل کنید.

یکی از زمینه های رشد قابل توجه در چند سال گذشته، پردازش “داده های بزرگ” است – مجموعه داده هایی که برای محاسبه توسط محاسبات سنتی بیش از حد بزرگ هستند. تخمین زده می شود که از دهه 1980، ظرفیت سرانه جهان برای ذخیره داده ها هر 40 ماه دو برابر شده است [ 43 ]] . مجموعه داده های بزرگ مربوط به جریان جریان و طغیان سیل، به علاوه داده های مدیریت اضطراری بی شماری که در گذشته به قدرت محاسباتی ابررایانه ها نیاز داشتند، اکنون می توانند با اجرای نرم افزارهای موازی انبوه بر روی ده ها تا هزار سرور قدرتمند و کوچکتر در مکان های مختلف پردازش شوند. ، همه در یک “شبکه” به هم مرتبط شده اند. این شبکه‌ها ابررایانه‌های مجازی را تشکیل می‌دهند که همچنین می‌توانند از «رایانش ابری» استفاده کنند – منابع پردازش و ذخیره‌سازی مشترک از راه دور برای رایانه‌ها و برنامه‌هایی که بر حسب تقاضا از هر کجا برای مشتریانی که اتصالات اینترنت پرسرعت دارند در دسترس هستند.

این رشد سریع در داده‌های موجود و مرتبط و نیاز به پردازش و معنا بخشیدن به آن، روش‌های سنتی تحلیل داده‌ها را تحت تأثیر قرار داده است. حوزه امیدوارکننده‌ای که به‌عنوان راه‌حل بالقوه مورد بررسی قرار می‌گیرد، یادگیری ماشینی است، یک زمینه مطالعاتی در حال توسعه در مورد اینکه چگونه رایانه‌ها می‌توانند بدون برنامه‌نویسی صریح بیاموزند – نوعی هوش مصنوعی که به موجب آن رایانه‌ها داده‌ها را جذب می‌کنند و سپس از الگوریتم‌ها برای پیش‌بینی‌های دقیق‌تر به هنگام قرار گرفتن در معرض استفاده می‌کنند. داده های جدید [ 44 ] . تعداد فزاینده ای از محققین در حال مطالعه چگونگی استفاده از یادگیری ماشینی در هیدرولوژی هستند [ 45 ] [ 46 ] . حتی با استفاده از یادگیری ماشین و ابزارهای دیگر برای تجزیه و تحلیل مقادیر زیادی از داده های آماری و سایر داده های ساختاریافته، همچنان چالش ارائه نتایج تحلیلی به گونه ای وجود دارد که هم توسط تحلیلگران و هم توسط تصمیم گیرندگان به راحتی قابل دسترسی و درک باشد.

یکی از رویکردهای این موضوع ارائه نمایش های بصری و گرافیکی تجزیه و تحلیل داده ها به کاربران بوده است. چنین تجسم اطلاعاتی تلاش می‌کند تا با نمایش داده‌ها در گرافیک و سایر ابزارهای نمایش بصری، به کاربران کمک کند تا مجموعه‌های داده‌ای در مقیاس بزرگ را درک کنند، تجزیه و تحلیل کنند. از سوی دیگر، تجزیه و تحلیل بصری به عنوان ترکیب تعاملی تجسم اطلاعات و داده کاوی با ادغام عوامل انسانی و تجزیه و تحلیل داده ها با تجسم به منظور کمک به استدلال تحلیلی توصیف شده است [ 47 ]. برتینی و لالان [ 48] استدلال می کند که هدف تجزیه و تحلیل بصری باید ترکیب هوش طبیعی و مصنوعی از طریق همکاری توانایی های انسانی و قدرت داده کاوی باشد. تجزیه و تحلیل بصری به ارائه ابزاری برای کاوش و تجزیه و تحلیل مقادیر زیادی از داده ها برای پشتیبانی از حل مسئله و تصمیم گیری پیچیده با ترکیب ذخیره سازی و پردازش داده ها در رایانه ها با حلقه های کاوش (یافتن، عمل) و تأیید (بینش، فرضیه) تولید دانش کمک می کند. [ 49 ] .

ادغام نقشه های سیل با ابزارهای دیگر نمونه هایی از زیرمجموعه ای از تجسم اطلاعات و تجزیه و تحلیل بصری به نام تجزیه و تحلیل geovisual (یا تجزیه و تحلیل بصری geospatial) – یک زمینه چند رشته ای است که به دنبال توسعه رویکردهای جدید برای حل مشکلات پیچیده مربوط به فضا و اشیاء جغرافیایی، رویدادها است. ، فرآیندها و پدیده ها در آن زمینه جغرافیایی-زمانی [ 50 ]. این چند رشته ای است که اطلاعات، تجسم علمی و جغرافیایی را با قابلیت های پردازش محاسباتی تحلیل و مدل سازی آماری، یادگیری ماشینی، داده کاوی و تحلیل و مدل سازی جغرافیایی ترکیب می کند [ 51 ].

3. روش ها

3.1. چارچوب طراحی موج

در پاسخ به نیاز به تجسم و درک مفهوم آب سیل و عوامل تاثیر مرتبط، WaVE با همکاری و برای اولین پاسخ دهندگان، مدیران آب و سایر تصمیم گیرندگان طراحی و توسعه یافته است تا تصمیمات سیل را با تصویر عملیاتی و تصمیم مشترک ارائه دهد. پشتیبانی. این شامل یک چارچوب تجسم تجزیه و تحلیل جغرافیایی و مجموعه ابزار DS (در حال حاضر در حال توسعه) است که داده‌های جریان تاریخی، زمان واقعی و پیش‌بینی‌شده جریان و طغیان سیل را به نتایج تحلیلی دقیق، دید کم‌مقیاس و ابزارهای DS قابل تنظیم تبدیل می‌کند. طراحی جغرافیایی، تحقیق و آزمایش برای مناطق مورد مطالعه با استفاده از یک پلت فرم Esri ArcGIS (نسخه 10.3) انجام و توسعه یافته است.

چارچوب و مجموعه ابزار قابل توسعه و انعطاف پذیر WaVE به گونه ای طراحی شده است که ابزارهایی با کاربری آسان و قابل تنظیم را در اختیار کاربران قرار دهد تا:

・ ایجاد نقشه‌های زمین‌بصری واقعی و پیش‌بینی‌کننده سیل متوسط ​​تا بسیار دانه‌دار و تعاملی که می‌توانند برای نشان دادن دبی، طغیان و سرعت آب (و داده‌های ژئومورفولوژی، هیدرولوژی و ارتفاعات جانبی) در هر نقطه در امتداد یک رودخانه نقشه‌برداری شده در سراسر کشور کوچک شوند. سطوح منطقه‌ای، با برخی از مکان‌ها، داده‌های با وضوح بالا به اندازه‌ای فراهم می‌کنند تا نقشه‌ها در سطح محلی نیز در دسترس باشند.

· ادغام داده ها از منابع متعدد و نتایج تجزیه و تحلیل از ابزارها و مدل های تجاری، منبع باز یا خود کاربر.

・ از نمایه سازی همبستگی یادگیری ماشین برای درون یابی تخمین های پروکسی جریان برای جریان های غیرعملکردی و برون یابی تخمین های دبی برای جریان های غیرفعال استفاده کنید، در حالی که همچنین یک خط پایه جریان برای استفاده از تحلیل محاسباتی برای آزمایش و رتبه بندی درجه قابلیت اطمینان منابع داده های مختلف جغرافیایی و پیش بینی ارائه کنید. برآوردهای در حال تجزیه و تحلیل

· ارائه تجسم داده های GIS کمکی از ویژگی های محیطی، مسیرهای تخلیه جایگزین، تجزیه و تحلیل شهر و جامعه از جمعیت شناسی اقتصادی-اجتماعی، وب کم ها، نقاط مورد علاقه، به عنوان مثال، محل سکونت، مدارس، جاده ها، بیمارستان ها (نگاه کنید به شکل 2 ).

برنامه های کاربردی و مجموعه ابزارهای متداول اطلاعات مکانی عملیاتی WaVE برای تصمیم گیرندگان از طریق یک فرآیند سه مرحله ای توسعه یافته اند: 1) جمع آوری، 2) پردازش، و 3) انجام. این سه فاز در جدول 1 توضیح داده شده است.

3.1.1. فاز 1 – گردآوری

مرحله اول شامل انتخاب، تجمیع و تهیه داده های تاریخی، زمان واقعی و پیش بینی شده جریان و سیلاب است.

انتخاب

مرحله اول با انتخاب مجموعه داده‌های جریان تاریخی و پیش‌بینی‌شده جریان و طغیان سیل آغاز می‌شود که WaVE برای آماده‌سازی تحلیل‌های پایه، نتایج مدل، مقایسه‌های تخمینی و ابزارهای زمین‌بصری استفاده می‌کند. Wave مجموعه داده های پایه خود را توسعه می دهد

از داده‌های تاریخی و پیش‌بینی‌شده به‌دست‌آمده از پیش‌بینی‌های آب‌وهوای ارائه‌شده توسط سیستم‌های مدل‌سازی پیش‌بینی آمریکایی و اروپایی زیر: مدل هیدرولوژیکی تحقیقات و پیش‌بینی آب‌وهوای ایالات متحده (WRF-Hydro) و مدل مرکز اروپا برای پیش‌بینی‌های هوای میان‌برد (ECMWF). در فاز 1، WaVE با جمع‌آوری مجموعه داده‌ها از WRF-Hydro یا ECMWF برای تکمیل خط پایه چارچوب خود، شروع به ساخت خط پایه خود می‌کند.

برای پوشش ایالات متحده، WaVE از داده‌های تخلیه شبکه‌ای و پیش‌بینی‌شده تاریخی و پیش‌بینی‌شده از WRF-Hydro استفاده می‌کند. این بسته الحاقی مدلسازی توسط مرکز ملی تحقیقات جوی ایالات متحده (NCAR) با بودجه فدرال و شرکای تحقیقاتی آن و از طریق پروژه های تحقیقاتی وابسته توسعه یافته است.

WRF-Hydro یک سیستم مدل‌سازی هیدرولوژیکی مستقل مبتنی بر جامعه و پشتیبانی شده و معماری جفت است که برای پیوند مدل‌های فرآیند چند مقیاسی جو و هیدرولوژی زمینی در شبکه‌های فضایی مختلف، و همچنین برای ارائه پیش‌بینی دقیق و قابل اعتماد جریان جریان در سراسر طراحی شده است. ترازو WRF-Hydro مدل‌های هیدرولوژیکی زیر را ادغام می‌کند: مدل‌های سطح زمین ستون، مدل‌های مسیریابی زمین (ماژول‌های جریان زمینی، زیرسطحی)، و مدل‌های مسیریابی کانال و مخزن (ماژول‌های هیدرولوژیکی و هیدرولیکی). WRF-Hydro داده‌ها (کوپلینگ یک طرفه) را از مدل‌های تحلیل هواشناسی شبکه‌بندی شده، Nowcasts و پیش‌بینی‌ها، و همچنین داده‌ها (اتصال دو طرفه) از پیش‌بینی‌های آب و هوا و آب و هوا را با استفاده از رادار سنج مشاهده شده چند رادار/چند سنسور دریافت می‌کند. داده‌های بارش، تازه‌سازی سریع با وضوح بالا، تازه‌سازی سریع، و داده های پیش بینی سیستم پیش بینی آب و هوا. همچنین نتایج پیش‌بینی عددی حیاتی را از مدل‌های کامپیوتری جهانی و تحلیل‌های تغییرات پیش‌بینی عددی آب‌وهوا و سیستم پیش‌بینی جهانی سرویس ملی آب‌وهوای ایالات متحده (GFS) دریافت می‌کند.

در WRF-Hydro، مدل GFS برای مؤلفه پیش‌بینی برای WaVE ضروری است، زیرا هر شش ساعت یک بار پیش‌بینی‌های برد متوسط ​​را برای حداکثر 16 روز تولید می‌کند، با کاهش وضوح پس از 10 روز. WRF-Hydro این داده‌ها را با استفاده از درایور و ابزارهای شبیه‌سازی داده‌های خود وارد می‌کند و سپس این داده‌ها را پردازش می‌کند و در صورت نیاز برای استفاده در مدل‌های مختلف خود، به‌طور محافظه‌کارانه مجدداً شبکه‌بندی و مقیاس کوچک‌سازی می‌کند. سیستم WRF-Hydro دارای پیکربندی اجزای ممکن برای پیش‌بینی جریان است، از جمله طرح‌های جریان 5 کانالی [ 52 ]. همانطور که بعدا توضیح داده شد، یکی از اینها، RAPID-Muskingum برای NHDPlus، توسط WaVE استفاده می شود.

Wave همچنین می تواند از ECMWF به عنوان گزینه ای برای استفاده از پیش بینی سیل استفاده کند. ECMWF یک سازمان مستقل بین دولتی مستقر در بریتانیا است که یکی از بزرگترین مجتمع های ابر رایانه ای در اروپا را اداره می کند و دارای بزرگترین آرشیو داده های عددی پیش بینی آب و هوا در جهان است [ 53 ].] . مدل عملیاتی پیش‌بینی هواشناسی جهانی ECMWF، سیستم پیش‌بینی یکپارچه (IFS) داده‌های هواشناسی جمع‌آوری‌شده و ارسال شده توسط ماهواره‌ها و سیستم‌های رصد زمین را وارد و جذب می‌کند و از این داده‌ها در مدل‌های اتمسفر رایانه‌ای برای تولید برد متوسط ​​(تا ۱۵ روز آینده) استفاده می‌کند. پیش بینی ماهانه و فصلی آب و هوا هر دوازده ساعت، IFS پیش‌بینی‌های عملیاتی قطعی و مجموعی تا ده روز تولید می‌کند. پیش‌بینی‌های قطعی IFS دوبرابر وضوح پیش‌بینی‌های مجموعه است، اما به منابع محاسباتی بیشتری نیاز دارد، در حالی که پیش‌بینی‌های مجموعه از تغییری از تحلیل مونت کارلو استفاده می‌کنند و با اجرای مدل 51 بار به صورت موازی در شرایط کمی متفاوت، نمونه‌ای نماینده از پیش‌بینی‌های احتمالی پیش‌بینی تولید می‌کنند. شرایط اولیه [ 54] . ECMWF برخی از مهم ترین داده های پیش بینی و محاسبات مدل IFS را در دسترس عموم قرار می دهد که می توانند در WaVE گنجانده شوند.

هر دو سیستم ECMWF [ 55 ] و WRF-Hydro پیش‌بینی‌های بارش و پیش‌بینی رواناب بارش را ارائه می‌کنند که بر اساس یک شبکه جغرافیایی ترسیم می‌شوند و پیش‌بینی رواناب بارندگی را از مدل‌های پیش‌بینی آب‌وهوا به شبکه‌ای جریان (دبی) پیش‌بینی رواناب ورودی ( 56 ) تبدیل می‌کنند. ] [ 57 ] .

ورودی و تجمیع

برای وارد کردن داده‌های پیش‌بینی رواناب و سیلاب شبکه‌ای، WaVE فایل‌های اتصال و فایل‌های ورودی را از جداول پایگاه داده رواناب ECMWF و WRF-Hydro ایجاد می‌کند و سپس فایل‌های پارامتر RAPID-Muskingum و فایل‌های زیرمجموعه ایجاد می‌کند.

کوچک سازی و آماده سازی داده ها

از آنجایی که داده‌های پیش‌بینی شبکه‌ای از ECMWF و WRF-Hydro در سطح جهانی یا منطقه‌ای ارائه می‌شوند، یک شکاف تفکیک مکانی بین مقادیر پیش‌بینی و ارزیابی‌های تاثیر محلی وجود دارد. حتی اگر بتوان برای مشاهده وضوح بالاتر مناطق سطحی یا اشیاء در یک سلول شبکه بزرگنمایی کرد، باز هم فقط یک پیش‌بینی برای کل منطقه وجود دارد، بنابراین به طور بالقوه یک پیش‌بینی رواناب کاملاً نادرست در سطح محلی ارائه می‌کند. از آنجایی که مدل جهانی با بالاترین وضوح نه به اندازه کافی دقیق است و نه مقیاس پذیر، سودمندی آن در سطح محلی به طور قابل توجهی محدود است [ 58 ]. از آنجایی که از نتیجه مدل جهانی نمی توان به طور مستقیم استفاده کرد، این شکاف تفکیک فضایی باید پل شود تا مقادیر پیش بینی مقیاس شده بتوانند با وضوح سطح محلی مطابقت داشته باشند [ 59 ].

ابزارهای چارچوب موج، شکاف تفکیک فضایی را با کاهش مقیاس پیش‌بینی‌شده رواناب جریان و داده‌های سیلاب از مدل‌های جهانی و منطقه‌ای برای ورودی‌های بعدی به مدل‌های مسیریابی جریان، پر می‌کنند. کاهش مقیاس یک فرآیند دو مرحله‌ای است ( شکل 3 را ببینید ) با استفاده از گردش‌های کاری ژئوپردازش پایتون: 1) جدول وزن را با همپوشانی حوضه‌ها در یک شبکه محاسباتی ایجاد کنید، و 2) فایل ورودی را با محاسبه میانگین وزنی رواناب برای هر حوضه ایجاد کنید. تقسیم فرآیند کاهش مقیاس به دو مرحله، کارایی را افزایش می دهد زیرا پس از محاسبه وزن ها و ایجاد جدول (زمانگیرترین بخش فرآیند تبدیل و کاهش مقیاس)، می توان از این وزن ها با یک پیش بینی جدید دوباره استفاده کرد.

در مرحله اول، جداول وزن از فایل های ایجاد شده قبلی که از داده های رواناب و ژئوگرید WRF-Hydro یا ECMWF (برنامه ای در سیستم پیش پردازش مدل تحقیق و پیش بینی آب و هوا که دامنه های مدل را تعریف می کند و جغرافیای ایستا را درون یابی می کند) ایجاد می شود (و به طور مداوم به روز می شود) ایجاد می شود. داده ها به شبکه ها). این جداول با پوشاندن حوضه های آبخیز بر روی یک شبکه محاسباتی سطح زمین و با استفاده از نقشه ارتفاعی دیجیتال جغرافیایی (DEM) به عنوان پایه توسعه یافته اند. این شبکه می تواند دارای وضوح کم یا بالا باشد. حوضه های آبخیز (که به آنها حوضه های زهکشی نیز گفته می شود) مناطقی از زمین هستند که در آن آب های سطحی در یک نقطه جمع می شوند تا به آب دیگری تخلیه شوند. حوضه های کوچکتر به صورت سلسله مراتبی به حوضه های بزرگتر تخلیه می شوند. لایه داده حوضه توسط چند ضلعی های تولید شده از داده های ارتفاعی با استفاده از یک سرویس وب نمایش داده می شود. همانطور که در نشان داده شده استشکل 4 ، داده‌های پیش‌بینی سپس از طریق یک سری عملیات ژئوپردازش اجرا می‌شوند تا پیش‌بینی رواناب شبکه‌ای (در بالا) با چند ضلعی‌های حوضه (در پایین) به صورت فضایی پوشش داده شود و کل رواناب در هر حوضه برای هر مرحله زمانی خلاصه می‌شود. .

سلول های شبکه مرتبط با هر حوضه با استفاده از ویژگی های جریان هیدرولوژیکی NHDPlus و سطح زمین و داده های رقومی ارتفاع شناسایی و محاسبه می شوند. به هر سلول شبکه یک وزن نسبی (W) داده می شود که در هر نقطه سلول شبکه بندی شده جغرافیایی (i) نسبت داده می شود که در آن مساحت کل (Ai) هر سلول بر حوضه آبریز (حوضه آبگیر) تقسیم می شود (به معادله 1 مراجعه کنید).

(1)

مجموعه‌ای از ابزارهای متن باز اسکریپت پایتون (که می‌توانند برای پشتیبانی از انواع دیگر رواناب یا داده‌های پیش‌بینی توسعه یابند) برای ذخیره شناسایی حوضه، سلول‌هایی که در آن قرار می‌گیرند و وزن‌های مرتبط در یک فایل استفاده می‌شوند. این فایل به عنوان جدول وزن مورد استفاده در مرحله دوم فرآیند کاهش مقیاس است.

سپس کل رواناب با استفاده از وزن های مناسب تقسیم بر مساحت نقاط کمک کننده محاسبه می شود.

مرحله دوم شامل ایجاد یک فایل جریان ورودی برای پیش بینی مدل با محاسبه میانگین وزنی رواناب برای هر حوضه است. برای انجام این کار، ابزار Wave استخراج می کند

سری‌های زمانی رواناب پیش‌بینی‌شده (برای تمام مراحل زمانی) از هر سلول شبکه مرتبط با حوضه مربوطه، آنها را در وزن (یا مساحت) مناسب ضرب می‌کند تا Q یا دبی رودخانه تولید کند و سپس تمام سلول‌های شبکه را اضافه می‌کند. _{همانطور که در رابطه (2) نشان داده شده است، رواناب کل ( کل} رواناب ) برای حوضه های آبریز ترکیبی همه سلول ها برابر است با مجموع کل سلول های (∑) رواناب شبکه سلولی (رواناب _i ) ضرب در وزن (W) _{i ) برای هر نقطه شبکه سلولی (i)، و در مساحت حوضه (A حوضه} ) برای هر سلول معادله (2) ضرب می شود .

(2)

این فرآیند برای همه حوضه ها تکرار می شود. این مرحله منجر به جریان‌های وزنی می‌شود که می‌توانند برای نقشه‌برداری جریان و سیلاب مورد استفاده قرار گیرند.

3.1.2. فاز 2 – پردازش

پس از آماده شدن، در فاز 2، WaVE داده ها را با نتایج و خروجی های دیگر مدل های هیدرولیکی و تحلیلی پردازش و ادغام می کند، پیش بینی ها را تخمین می زند، تجزیه و تحلیل می کند، آزمایش می کند و نتایج را ارزیابی می کند، و نتایج را برای صحت و عدم قطعیت تایید و امتیاز می دهد.

ادغام

به منظور تجزیه و تحلیل و ژئوتصویر سازی داده های آماده شده، Wave از انواع منبع باز موجود، هیدرولیک عمومی و تجاری، الگوریتم های یادگیری ماشینی، الگوریتم های یادگیری ماشینی، و مدل ها و ابزارهای ژئو تجسمی استفاده می کند. همانطور که بعداً بحث شد، چارچوب انعطاف‌پذیر WaVE به آن اجازه می‌دهد تا به راحتی فناوری‌های جدید و موجود را از جعبه ابزار برنامه‌های مکانی خود اضافه و ادغام کند.

داده‌های ورودی وزنی از رواناب جریان جریان تاریخی پردازش شده، زمان واقعی و پیش‌بینی‌شده در فاز 1 را می‌توان با محاسبه دبی و انتخاب انتخاب‌هایی از مدل‌های مسیریابی جریان مشاهده کرد. هنگامی که مشخص شد چه مقدار رواناب از هر حوضه در هر مرحله زمانی می آید، WaVE مسیریابی جریان در حوضه ها را با استفاده از برنامه مسیریابی برای محاسبه موازی تخلیه (RAPID) مدل می کند.

RAPID یک مدل مسیریابی رودخانه است که می تواند جریان و حجم ورودی آب های سطحی و زیرزمینی و جریان آب را در هر نقطه از شبکه های رودخانه محاسبه کند، و با فرض اتصال اولیه، می تواند برای هر شبکه رودخانه ای سازگار شود. برای مسیریابی جریان آب، RAPID از یک نسخه ماتریسی از روش معمول مسیریابی هیدرولوژیکی Muskingum استفاده می کند [ 60 ]. مدل ماسکینگوم از روش‌های محاسباتی یکنواختی استفاده می‌کند که بر اساس ویژگی‌های رودخانه است که شامل موارد زیر است: (هندسه کانال، دسترسی و طول حوضه بالا و پایین رودخانه، توپوگرافی اطراف، شیب رودخانه) برای تخمین پارامترهای جریان آب رودخانه از جمله ورودی و خروجی. هیدرولوژی بدون راه حل های جبری پیچیده و پرهزینه [ 61] . پارامترهای مدل را می‌توان به راحتی بهینه کرد تا تفاوت‌های چند متغیره را برای حوضه‌های فرعی منفرد (مثلاً وجود زیرساخت‌های اصلی دست‌ساز) یا برداشت‌های آب در شبکه رودخانه منعکس کند. RAPID در FORTRAN نوشته شده است و می تواند بر روی طیف گسترده ای از دستگاه های محاسباتی، از رایانه های شخصی و سرورهای شبکه گرفته تا سرورهای شبکه ای و مبتنی بر ابر برای محاسبه داده های بزرگ اجرا شود [ 62 ]. در حالی که سایر مدل‌های مسیریابی جریان پیچیده‌تر می‌توانند مورد استفاده قرار گیرند و در مقیاس‌های دقیق‌تر مناسب هستند، RAPID برای این فرآیند WaVE به خوبی کار می‌کند زیرا تعداد زیادی حوضه آبخیز را کنترل می‌کند.

برای مسیریابی جریان شبکه های آب در داخل ایالات متحده، RAPID از مجموعه داده NHDPlus، یک چارچوب هیدرولوژیکی جغرافیایی یکپارچه و مجموعه داده های ساخته شده توسط آژانس حفاظت از محیط زیست ایالات متحده و سازمان زمین شناسی ایالات متحده استفاده می کند. NHDPlus شبکه جریانی مجموعه داده ملی هیدرولوژی (NHD) و مرزهای واحد هیدرولوژیکی مجموعه داده مرزی حوضه (WBD) را به همراه سطح زمین شبکه‌بندی‌شده مجموعه داده‌های ارتفاعی ملی (NED) ترکیب می‌کند تا حوضه محلی هر بخش جریان NHD را نشان دهد. یک لایه حوضه حوضه شامل خط جریان آب، نقاط فرورفتگی، ویژگی های منطقه و بدنه های آبی است. NHDPlus ویژگی های خط جریان مجموعه داده های شبکه جریان را با استفاده از پنج مدل تخمین جریان تولید می کند.

اولین نسخه NHDPlus (NHDPlus V1) در سال 2006 راه اندازی شد، و NHDPlus نسخه 2 (V2)، در سال 2012 عرضه شد. هر دو دارای شبکه جریان در مقیاس 1:100000 NHD و فاصله 30 متری زمین (1 ثانیه قوس) NED هستند. . NHDPlus V2 دارای بیش از هزار شبکه ایزوله در NHD، پوشش NED برای بیش از 40 درصد از کشور، و WBD برای پوشش تمام ایالات متحده گسترش یافته است [ 63 ]. در حال حاضر NHDPlus با وضوح بالا (HR-NHDPlus) US-GS با وضوح شبکه جریان به مقیاس 1:24000 و فاصله 10 متری از زمین (1/3 قوس ثانیه) NED افزایش یافته است [ 64 ].

مدل جریان جریان را با مرتبط کردن بخش‌های جریان در هر حوضه با داده‌های دما، بارندگی و رواناب تخمین می‌زند. NHDPlus از ارتفاع برای محاسبه شیب جریان، جریان و سرعت جریان و سایر ویژگی های مرتبط استفاده می کند [ 65 ].

تحلیل و برآورد

به منظور آزمایش روش برای تجزیه و تحلیل تجسم، یک سیستم مقایسه و کنتراست برای درک بهتر روابط مجموعه داده ها و الزامات مجموعه داده برای هر حوزه آبخیز معین آزمایش شده توسعه داده شد. برای این تجزیه و تحلیل، یک مطالعه موردی حوضه آبخیز به منظور تجزیه و تحلیل برای هر دو دیدگاه اندازه‌گیری کمی و کیفی در رابطه با تعامل بین مجموعه داده‌های حوضه آبخیز موجود برای هر حوضه آبخیز معین آزمایش‌شده و مقایسه همبستگی روش‌شناسی پایه بین حوضه‌های آبخیز داده شده مورد آزمایش قرار گرفت. (تحلیل خلاصه در بخش مناطق مطالعه و بخش بحث را ببینید.)

نقشه برداری جریان و پیش بینی سیلاب

برای تجسم این آرایه مدل بزرگ، داده ها باید روی نقشه قرار داده شوند. Wave از یک فرآیند خودکار یکپارچه برای فعال‌سازی جغرافیایی (یعنی ارتباط با ویژگی‌های مکانی) و انتشار این داده‌های پیش‌بینی رواناب با استفاده از یک سرویس نقشه زمانی چند مقیاسی استفاده می‌کند. نقشه ها در مقیاس های متعدد منتشر می شوند تا قابل مشاهده باشند و درجات مختلفی از جزئیات را در سطوح مختلف نشان دهند.

NHDPlus یک شماره شناسایی برای هر بخش جریان در یک حوضه ارائه می دهد. سری های زمانی برای هر شماره شناسایی در یک پایگاه جغرافیایی بارگذاری می شود، جایی که هر دسترسی جریان یک ویژگی نقشه برداری شده با پیش بینی جریان سری زمانی پیوست شده است. دانستن زمان مرتبط به ویژه در تجسم جریان پیش‌بینی‌شده در یک مقیاس زمانی مهم است. برای آگاهی و کاهش سیل، WaVE پیش‌بینی‌های جریان جریان از NHDPlus را با تجسم وسعت سیل (به عنوان مثال، نقشه‌برداری سیل) و تأثیر آن با وارد کردن داده‌ها از پایگاه داده غرقاب سیل و استفاده از سرویس نقشه زمانی چند مقیاسی برای ایجاد تصویرسازی از گستره سیل و اثرات آن ترکیب می‌کند. تاثیرات این پایگاه داده طغیان سیل بر روی یک منحنی رتبه بندی با قابلیت جغرافیایی ارائه شده است که عمق سیل را با وسعت سیل برای هر دستیابی به حوزه آبخیز مرتبط می کند. برای تجسم جریان آب و درک عمق برای اهداف توسعه نقشه طغیان، زمین برای هر محدوده مدل‌سازی تحلیل و از پیش محاسبه می‌شود. وسعت سیل، عمق سیلاب و ارتفاع سطح آب همگی برای یک سری از اعماق افزایشی محاسبه می شوند. می توان از منحنی رتبه بندی مشاهده شده از قبل موجود استفاده کرد، یا می توان منحنی مصنوعی را بر اساس فرضیات هیدرولیکی اثبات شده و آزمایش شده استخراج کرد.

هنگامی که جریان جریان و داده های پیش بینی سیل آماده شد، مجموعه ابزار WaVE می تواند نقشه های سیل با مقیاس پایین را با استفاده از یک مدل تابع رستر (RFT) تولید کند. با استفاده از مدل RFT، چندین توابع تحلیلی موجود در خارج از جعبه به هم زنجیر شده اند تا یک مدل پیچیده را ایجاد کنند که می تواند برای انجام تجزیه و تحلیل در حین پرواز استفاده شود. این قابلیت تحلیلی را می توان با استفاده از تابع شطرنجی پایتون و ارتفاع بالاتر از نزدیکترین تخلیه (دست) گسترش داد [ 66] . سپس نقشه های سیل با استفاده از ترکیبی از موزاییک رستر دستی، رستر حوضه آبریز و مدل بصری حاصل ایجاد می شود. HAND یک مدل زمین است که توپوگرافی را با توجه به ارتفاعات نسبی آب محلی موجود در امتداد شبکه زهکشی با ترکیب حوضه های نقشه برداری سیلاب و خطوط جریان با ارتفاع (DEM) نرمال می کند. این مدل هندسه کانال رودخانه و وسعت طغیان سیل را برای 5 میلیون کیلومتر از جریان بر فراز قاره ایالات متحده تعریف می کند.

3.1.3. فاز 3 – اجرا

در مرحله سوم و آخر WaVE، مرحله اجرا انتشار داده های پیش بینی و نگاشت نتایج به عنوان وب سرویس است. نقشه های تجسم پیش بینی شده را می توان در طیف گسترده ای از خدمات کاربردی وب و موبایل برای طیف گسترده ای از کاربران نهایی استفاده کرد. قابلیت‌های برنامه‌ها با توجه به انواع سرویس‌هایی که منتشر می‌شوند و همچنین با توجه به قابلیت‌های برنامه‌های کاربردی کاربر تعیین می‌شوند. این برنامه های کاربردی نقشه متغیر عبارتند از: جریان در یک مکان، جریان در امتداد دسترسی، عمق در یک مکان، و نیازهای شطرنجی عمق. با انتشار نتایج مدل‌سازی به‌عنوان سرویس‌های وب، نتایج به‌طور گسترده نه تنها برای متخصصان علوم، مدیران منابع آب و جوامع مدیریت اضطراری، بلکه برای عموم مردم در دسترس قرار می‌گیرد.

خدمات نقشه زمانی چند مقیاسی سپس توسط برنامه های کاربردی مختلف وب مرتبط با پیش بینی و پاسخ به رویدادهای هیدرولوژیکی استفاده می شود. سازندگان قالب برنامه قابل تنظیم در مجموعه ابزارهای مبتنی بر پلتفرم بزرگتر برای ایجاد و انتشار آسان برنامه های تحلیلی تعاملی در دسترس هستند ( شکل 5 را ببینید ).

ایجاد برنامه های کاربردی وب مانند اینها اکنون با استفاده از الگوهای برنامه از پیش ساخته شده قابل تنظیم یا ایجاد طراحی خود کاربر با استفاده از ویجت های کشیدن و رها کردن، از جمله نقشه های وب منتشر شده کاربر، و ترکیب کردن آنها با داده های دیگر بسیار آسان تر است. این برنامه‌ها می‌توانند دوبعدی، سه‌بعدی، فعال با زمان و ترکیب با ابزارهای تجزیه و تحلیل باشند و همگی می‌توانند به صورت واکنش‌گرا برای مرورگر، تبلت یا تلفن ساخته شوند. بر اساس در دسترس بودن داده‌های ملی، منطقه‌ای و محلی، ابزارهای پیش و پس پردازش مبتنی بر GIS WaVE برای پشتیبانی از یک چارچوب مدولار برای تجزیه و تحلیل اثرات پیش‌بینی رواناب در هر نقطه از جهان با انتخاب سیستم‌های مدل پیش‌بینی WRF-Hydro یا ECMWF در دسترس هستند. ( شکل 5 و شکل 6 را ببینید).

3.2. ساخت مدل آینده – تقویت چارچوب برای دقت و بومی سازی

3.2.1. تبدیل دانش به عمل

برای اطمینان از اینکه اولین پاسخ دهندگان تصمیماتی می گیرند که به طور دقیق واقعیت یک رویداد بحرانی را منعکس می کند، تصمیم گیرندگان باید مطمئن باشند که این تصمیم را دارند.

قبل از اینکه بتوانند سناریوهای پاسخ را استراتژی، برنامه ریزی، ایجاد و پیاده سازی کنند، همه مشاهدات و اطلاعات مربوطه را در نظر گرفته و درک کرده اند [ 42 ].

Muhren و Walle [ 67 ] این حس‌سازی را به‌عنوان زمینه‌سازی و قابل درک کردن یک موقعیت یا سناریو در زمانی که فقدان یا از دست دادن معنا وجود دارد، دوره‌ای که اغلب توسط «تغییرات پیش‌بینی نشده در محیط رخ می‌دهد که پیوند خیالی بین انتظار و واقعیت را می‌شکند» تعریف می‌کنند. و بازیگران را وادار به ارزیابی مجدد کاری که انجام می دهند و کجا باید بروند.» پاسخ‌دهندگان برای درک همه بیت‌های مختلف داده‌های ساختاریافته و بدون ساختار و اغلب تعابیر متضاد انسانی، به چارچوب مرجع مناسبی نیاز دارند و به جستجوی چارچوب مرجع مناسبی می‌پردازند که بتوانند از آن برای تفسیر، زمینه‌سازی و ایجاد بینش برای تصمیم‌گیری و اقدام استفاده کنند.

در موقعیت‌های بحرانی، که رویدادها اغلب خیلی سریع رخ می‌دهند و درجه بالایی از عدم قطعیت در مورد آنچه شناخته شده یا لازم است شناخته شود، وجود دارد، پاسخ‌دهندگان معمولاً یا فاقد چارچوب مرجع کافی (ابهام) هستند یا با تعابیر و چارچوب‌های متضاد متعدد مواجه می‌شوند. (ابهام). تصمیم گیرندگان می توانند با استفاده از منابع مختلف برای توجه به آنچه در اطرافشان می گذرد، تعامل با دیگران و برقراری ارتباط با دیگران برای فعال کردن عمل، یک چارچوب مرجع مناسب ایجاد کنند یا مبهم بودن فریم های متعدد را کاهش دهند. یک EMDSS به خوبی طراحی شده می تواند ابزاری را برای برخورد با چارچوب های مبهم یا مبهم ارجاع دهد [ 67 ].

داشتن یک تصویر عملیاتی مشترک (پایه دانش)، که شرایط آن باید قبل از یک رویداد بحران ایجاد شود، برای به اشتراک گذاشتن اطلاعات، هماهنگی، اقدام متمرکز و حمایت بین سازمان‌ها و حوزه‌های قضایی مختلف از نظر جغرافیایی ضروری است. در حالی که در واقعیت، حس‌سازی، تصمیم‌گیری‌ها و اقدامات در سطوح گروهی فردی با توجه به نقش‌ها و شایستگی‌ها انجام می‌شود، مدیریت اضطراری بدون تصویر عملیاتی مشترک تمایل دارد به سلسله مراتب به عنوان وسیله‌ای برای کنترل برگردد [ 41 ].

WaVE یک سیستم پشتیبانی یکپارچه است که داده‌های هیدرولوژیکی و فرعی مربوطه را جمع‌آوری می‌کند، آن داده‌ها را تجزیه و تحلیل می‌کند، و نتایج زمین‌تحلیلی را با استفاده از پلتفرم و مجموعه ابزارهای به اشتراک گذاشته شده (اما سفارشی‌سازی تعریف‌شده توسط کاربر) برای آگاهی موقعیتی رویداد سیل و EMDSS منتشر می‌کند ( شکل 7 را ببینید). ).

3.2.2. ادغام یادگیری ماشینی برای افزایش دقت جریان رودخانه

دقت و قابلیت اطمینان داده ها برای تصمیم گیرندگان بسیار مهم است، نه تنها به عنوان مبنایی برای انتخاب های حساس و موثر، بلکه به عنوان عواملی که بر سطح اعتماد، اتخاذ و استفاده تصمیم گیرندگان از این ابزارها تأثیر می گذارد. فاز بعدی توسعه WaVE احتمالاً یک مدل پیش‌بینی یادگیری ماشین هیدرولوژیکی توسعه یافته و آزمایش شده توسط نویسندگان (و در حال حاضر تحت بررسی همتا برای انتشار) یکپارچه خواهد شد. این مدل جدید داده‌های جریان و غرقابی را برای کانال‌های حوضه گیج‌شده و غیرمجاز درون‌یابی و برون‌یابی می‌کند و درجه دقت و عدم قطعیت را برای نتایج سایر مدل‌های هیدرولیکی آزمایش، تحلیل و امتیاز می‌دهد.

این مدل پیشگویانه جدید (به صورت مستقل یا ادغام شده با Wave) که با همکاری محققان مایکروسافت و با استفاده از آخرین هیدرولوژی Esri GIS و فناوری‌های محاسبات ابری Microsoft Azure توسعه یافته است، می‌تواند:

・ داده های دقیق و به موقع جریان پراکسی را برای جریان های ناکارآمد (به عنوان مثال، آفلاین یا آسیب دیده در طول حوادث سیل) ارائه دهید.

・ داده‌های جریان‌های غیرمجاز را که شبیه به جریان‌های گیج‌شده نمایه‌شده نزدیک هستند، درون‌یابی کنید.

・ برای شناسایی مکان های بهینه برای موقعیت یابی جریان های فیزیکی استفاده شود.

· تخمین جریان در حوضه‌های آب غیرفعال با استفاده از مجموعه داده‌های مشتق شده از ماهواره‌ها و سایر حسگرهای راه دور.

・ ایجاد یک شاخص تاریخی جریان مجازی برای درون یابی داده های تخلیه از دست رفته و برون یابی دبی پیش بینی شده.

・ مقایسه و آزمایش پیش‌بینی رواناب که از مدل‌های WRF-Hydro و ECMWF تهیه شده‌اند.

این مدل با استفاده از محاسبات ابری برای محاسبه میلیاردها عنصر داده، به یادگیری ماشینی برای پردازش (یعنی آموزش خود) و تفسیر حجم زیاد (“داده های بزرگ”) اطلاعات هیدرولوژیکی پیچیده تاریخی متکی است. مدل از این اطلاعات برای ایجاد یک شاخص مجموعه داده مجازی از همبستگی ها و گروه ها (خوشه ها) از همبستگی های رابطه بین جریان های منتخب در یک حوزه آبخیز و تحت شرایط جریان متفاوت استفاده می کند. این تخمین ها به طور مداوم با استفاده از فرآیندها و روش های تحلیل رگرسیون چندگانه آزمایش، امتیازدهی و تجدید نظر می شوند. WaVE سپس می‌تواند این داده‌های جریان جریانی به‌روزرسانی شده، پیش‌بینی‌شده و بلادرنگ را در چارچوب خود ادغام کند.

ادغام این مدل نمایه‌سازی همبستگی یادگیری ماشین، WaVE را قادر می‌سازد تا از حجم زیادی از داده‌های پیش‌بینی‌شده برای پیش‌بینی‌های دقیق‌تر و آزمایش بهتر مدل‌های نقشه غرقابی با مقیاس محلی در آینده استفاده کند.

3.2.3. توسعه سنجش از راه دور ماهواره ای برای استخراج داده های جریان جریانایالات متحده بیش از 8000 جریان آب دارد، با این حال، تقاضای مستمری از سوی مدیران منابع آب و مدیران اضطراری سیل برای اطلاعات بیشتر جریان جریان، به ویژه در هنگام وقوع سیل وجود دارد. بسیاری از جریان ها و بخش های بزرگی از جریان ها در سراسر کشور فاقد منابع اندازه گیری اندازه گیری درجا هستند. در پاسخ به این عدم در دسترس بودن استریم گیج، گلیسون [ 68] مدل هندسه هیدرولیک در ایستگاه های متعدد (AMHG) را برای استخراج داده های تخلیه جریان جریان تنها از تصاویر ماهواره ای چندگانه طراحی کرد. این تحقیق محاسباتی مبتکرانه رودخانه نمونه ای از برنامه RS است که برای برآورده کردن نیازهای کمیت و کیفیت داده های مورد نیاز برای یکپارچه سازی چارچوب Wave توسعه یافته است. در مدل AMHG، گلیسون رابطه تحقیقات عملکردی خود را با جریان رودخانه با استفاده از RS و تحلیل محاسباتی عرض جریان رودخانه (w)، میانگین عمق جریان (d) و میانگین سرعت (v) به منظور ایجاد دبی بحرانی (Q) توصیف می‌کند. ، جایی که Q = wdv. کاربردهای عملی قابل توجهی با استفاده از این داده های دبی را می توان برای ساختن نقشه های طغیان با چارچوب WaVE، با استفاده از مجموعه داده های رودخانه تخلیه RS، ساخت یک سیستم مجموعه داده رودخانه نمایه سازی تاریخی (Q)، توسعه داد. و سپس ادغام برنامه های کاربردی روش جدید که در تجزیه و تحلیل یادگیری ماشین مشخص شده است. سه تا از چهار حوضه آبخیز برجسته شده در بخش مطالعه موردی زیر از روش AMHG برای اندازه‌گیری دبی رودخانه استفاده کردند که سپس می‌تواند برای ساختن نقشه‌های تاریخی و واقعی غرقاب با استفاده از روش تخمین جریان و چارچوب WaVE استفاده شود.

3.3. مناطق مطالعه: تجزیه و تحلیل یکپارچه سازی تست

WaVE در سایت‌های حوزه آبخیز در چهار منطقه جغرافیایی ایالات متحده مورد مطالعه و آزمایش قرار گرفت، که به دلیل تنوع آنها در توپوگرافی، ژئومورفولوژی رودخانه، شرایط آب و هوایی، جمعیت در اطراف و مقدار داده‌های موجود از مدل‌های محاسباتی هیدرولوژیکی مختلف انتخاب شدند: 1) جنوب غربی ایالات متحده (تگزاس) 2) ایالات متحده مرکزی (لوئیزیانا)، 3) شمال غربی ایالات متحده (آیداهو)، و 4) منطقه قطب شمال دور (آلاسکا). تنوع گسترده شرایط محلی در این تنظیمات متعلق به پنج طبقه از ده طبقه اصلی پوشش زمین توسط GlobCover [ 69 ] است و چهار نوع از پنج نوع طبقه بندی آب و هوا را نشان می دهد ( جدول 2 را ببینید ) [ 70 ].

فرآیند سه مرحله‌ای جمع‌آوری، پردازش و اجرا، که در بخش روش‌ها توضیح داده شد، برای آزمایش WaVE به منظور ارزیابی قابلیت و اثربخشی آن در کاهش مقیاس داده‌ها از سطح جهانی، ملی و منطقه‌ای به سطح محلی (در حد نزدیک به آن) استفاده شد. بسته به در دسترس بودن داده ها و وضوح فضایی مدل هیدرولیک زیربنایی و DEM)، با هدف تبدیل این داده ها به یک نقشه سیلاب در سطح محلی تجسمی شده است. با هدف ادغام در مدل‌های کاربردی دیگر در WaVE که تخلیه را برای اهداف پیش‌بینی به دست می‌آورند، دو مدل دیگر آزمایش شدند: یک مدل تخمین هیدرولوژی یادگیری ماشین و یک مدل RS ماهواره‌ای.

تگزاس: حوضه آبخیز رودخانه کلرادو

این حوضه آبخیز تگزاس دارای آب و هوای خشک با حداقل بارندگی فصلی، پوشش گیاهی پراکنده مخلوط در حوضه فوقانی و پوشش گیاهی محصول آبی است. این منطقه مستقیماً تحت تأثیر طوفان‌های نامنظم و رویدادهای طوفانی است که می‌تواند باعث سیل‌های شدید در منطقه‌ای با جمعیت زیاد در پایه حوضه شود و خسارات مالی و جانی قابل توجهی را تهدید کند. برای کمک به جلوگیری یا کاهش این خطرات سیل، مدیران آب و مدیران دشت سیلابی با چالش متعادل کردن سطوح ذخیره‌سازی مخزن و سیستم‌های کنترل سیل مواجه هستند.

هنگامی که WaVE بر روی حوضه آبخیز رودخانه کلرادو آزمایش شد، با موفقیت داده های موجود را کاهش داد و یک نقشه غرقابی پیش بینی شده در سطوح ملی و منطقه ای تولید کرد، اما فاقد داده های کافی برای کاهش مقیاس به سطح محلی بود.

شکل 8 نمونه ای از اسکرین شات های موج پویا، تعاملی و متوالی زمانی حوضه آبخیز رودخانه کلرادو را نشان می دهد. آنها تخمین جریان جریان را با استفاده از فواصل 6 ساعته در یک رویداد 10 روزه نشان می‌دهند که توانایی شبیه‌سازی جریان پیش‌بینی‌شده با تأثیر بارش مناطق حوضه آبخیز ملی، ایالتی، منطقه‌ای و جزئی محلی را برجسته می‌کند. همین فرآیند، تولید مدل‌های جریان جریان بهبود یافته بصری، در هر یک از سه حوضه دیگر با نتایج متفاوت ایجاد شد.

لوئیزیانا: رودخانه می سی سی پی، حوزه آبخیز منطقه ای باتون روژ

بخشی از رودخانه می سی سی پی در حوضه آبخیز منطقه ای باتون روژ، واقع در مرکز-جنوب ایالات متحده، به دلیل آب و هوای معتدل، پوشش گیاهی موزاییک، و تأثیر سیلاب زیاد حوضه رودخانه بر جمعیت محلی انتخاب شد. انباشته شدن حجم زیاد آب در طول رواناب باران می تواند منجر به طغیان سیل زیاد شود و پتانسیل خطر سیل را برای تعداد زیادی از ساکنان، به ویژه در جامعه باتون روژ ایجاد کند.

هنگامی که WaVE در رودخانه می سی سی پی در حوضه آبخیز باتون روژ آزمایش شد، مدل با موفقیت داده های موجود را کاهش داد و یک نقشه پیش بینی غرقاب در سطوح ملی و منطقه ای ایجاد کرد، اما فاقد داده های کافی برای کاهش مقیاس به سطح محلی بود. دو نقشه نشان‌داده‌شده در شکل 9 ، نقشه‌های غرقابی دقیق و محلی هستند که توسط مقامات محلی سیل در پایان رویداد سیل اوت 2016 در باتون روژ تأیید شده‌اند. نقشه‌های آبگرفتگی موضعی مانند اینها برای تأیید پیش‌بینی موج غرقاب در هر چهار منطقه مورد مطالعه استفاده شد.

آیداهو: حوزه آبخیز رودخانه بویز

حوضه رودخانه بویز در شمال غربی ایالات متحده، در غرب کوه های راکی، با رشته کوه های مرتفع و شیب های تند در شرق و شمال شهر بویز واقع شده است. پوشش زمین جنگل های بسته به باز و زمین های زراعی موزاییکی است. این حوضه به دلیل ترکیبی از حوادث طغیان سیل زیاد ناشی از بارندگی های فصلی نامنظم که می تواند در اوایل بهار رخ دهد انتخاب شد. ذوب شدن انباشته‌های بزرگ برف در کوه‌ها، حجم بالایی از رواناب بهاره ایجاد می‌کند که می‌تواند منجر به سیل‌های ناگهانی شود که جمعیت بزرگ پایتخت ایالت و جوامع اطراف را تهدید می‌کند. در این حوضه آبخیز، مدیران آب و دشت سیلابی باید ظرفیت ذخیره آب را برای کشاورزی و تاسیسات آب با اقدامات احتیاطی و اقدامات لازم برای کنترل سیل متعادل کنند.

هنگامی که WaVE در حوضه آبخیز رودخانه Boise آزمایش شد، با موفقیت داده‌های موجود را کاهش داد و یک نقشه پیش‌بینی‌شده غرقاب در سطوح ملی و منطقه‌ای تولید کرد، اما فاقد داده‌های کافی و وضوح فضایی DEM کافی برای کاهش مقیاس به سطح محلی بود.

تصاویر در شکل 10 تخمین جریان جریان را با استفاده از فواصل 6 ساعته در یک رخداد 10 روزه برجسته و نشان می‌دهند، که توانایی شبیه‌سازی جریان پیش‌بینی‌شده جریان با تأثیر بارندگی در سطح ایالتی و منطقه‌ای را نشان می‌دهد. با این حال، فقدان مجموعه داده با وضوح بالا مانع از کاهش مقیاس WaVE به سطح محلی با جزئیات درخواست شده توسط پاسخ دهندگان اضطراری برای منطقه حوضه شد. همین فرآیند در هر یک از سه حوضه دیگر با نتایج متفاوت اجرا شد.

حوضه آبخیز رودخانه Boise به طور خاص به عنوان بخشی از این مطالعه موردی انتخاب شده است، زیرا در دسترس بودن چندین سال اطلاعات غنی از اطلاعات و داده‌های جریان هیدرولوژی مستند به خوبی برای آزمایش روش یادگیری ماشینی است. همراه با داده‌های تقریباً هم‌زمان، داده‌های تاریخی اندازه‌گیری و برای به دست آوردن نرخ‌های تخلیه تاریخی که می‌توان از آن برای رویدادهای سیل‌آمیزی مانند رویداد سیل اوت ۲۰۱۶ باتون روژ استفاده کرد، زمانی که انتقال جریان‌های جریان متوقف شد و اطلاعات در نتیجه سیل از بین رفت، استفاده شد. .

اگرچه هر چهار حوضه آبخیز آزمایشات اولیه را برای یادگیری ماشین دریافت کردند

در فرآیند، حوضه آبخیز رودخانه بویز کامل‌ترین داده‌ها را برای استفاده از روش ارائه کرد. حوضه های آبخیز تگزاس و لوئیزیانا داده های هیدرولوژیکی کافی در محل را برای استفاده از این روش در آینده نشان دادند. حوضه آبخیز رودخانه تانانا آلاسکا در حال حاضر فاقد داده‌های لازم تخلیه درجا برای استفاده از روش یادگیری ماشینی است.

آلاسکا: حوزه آبخیز رودخانه تانانا

حوضه آبخیز رودخانه تانانا یک سیستم رودخانه ای بزرگ با تعریف یخبندان است که توسط رشته کوه های متعدد و جریان های قطب شمال در بخش مرکزی آلاسکا تشکیل شده است. این منطقه با آب و هوای قطبی و پوشش زمین از جنگل های بسته به باز با پوشش گیاهی موزاییک مشخص می شود. این حوضه آبخیز به دلیل رویدادهای سیلابی پیچیده ناشی از مقادیر زیادی رواناب برف در بهار که به ورقه های یخی در رودخانه تانانا می ریزد و با آنها برخورد می کند، انتخاب شده است. از آنجایی که بسیاری از جمعیت داخلی آلاسکا (غیر ساحلی) در شهر فیربنکس و در حوضه زهکشی رودخانه تانانا قرار دارند، این شهر مرزی اغلب با احتمال تخریب گسترده سیل رودخانه ها تهدید می شود ( شکل 11 را ببینید ).

هنگامی که WaVE بر روی حوضه آبخیز رودخانه Tanana آزمایش شد، با موفقیت از داده های موجود برای تولید یک نقشه آب هیدرولوژیکی ملی با استفاده از WRF-Hydro و ECMWF استفاده کرد. با این حال، فقدان ابزارهای اندازه‌گیری دبی درجا مانع از توانایی جمع‌آوری داده‌های مورد نیاز برای تولید یک نقشه پیش‌بینی غرقاب در سطح منطقه‌ای برای رودخانه تانانا شد. با پیش‌بینی این محدودیت‌ها، برنامه سنجش از دور AMHG به عنوان ابزار دیگری برای پیش‌بینی سیل مورد استفاده قرار گرفت. آزمایش پارامترهای AMHG [ 12 ] و ارجاع متقابل به تحقیقات در چندین حوزه آبخیز عرض جغرافیایی پایین، داده‌های تحقیقاتی ملموسی را برای بررسی بیشتر برای مدل ادغام موج ارائه کرد.

روش تجزیه و تحلیل داده ها و مقایسه شاخص و توافق

نتایج تجزیه و تحلیل در جدول 3 مشخص شده است. هنوز نیاز به توسعه ابزارهایی برای جمع‌آوری داده‌های تخلیه وجود دارد که در این منطقه با عرض شمالی بالا عمل کنند. با استفاده از روش WaVE برای هر منطقه مورد مطالعه، یک تحلیل اندازه‌گیری کمی و کیفی مقایسه‌ای و متضاد با آزمایش مجموعه داده‌های موجود در چارچوب یکپارچه‌سازی کامل به‌عنوان یک تحلیل کاهش مقیاس ایجاد شد ( جدول 4 را ببینید ).

تجزیه و تحلیل اندازه گیری کمی، که انجام شد، نتایج نقشه بصری مجموعه داده های یکپارچه پیش بینی شده (پیش) و مجموعه داده های یکپارچه واقعی (پس از) را مقایسه و همبستگی کرد و مجموعه داده های پیش بینی موجود و فرآیند کاهش مقیاس را برای هر منطقه مورد مطالعه ارزیابی کرد. با استفاده از ضریب همبستگی خطی پیرسون (r)، فرمول آزمایش و تحلیل مجموعه داده رویداد پیش‌بینی (پیش) و واقعی (پس از غرقابی) برای هر حوضه آبخیز به شرح زیر است:

(3)

در این معادله، (x) رویداد جمع آوری داده های پیش بینی شده است، (y) میانگین رویداد مجموعه داده واقعی (پس از-)، ( ) میانگین (x)، ( ) میانگین (y)، و (n) زمان (بر حسب روز) یک رویداد مقیاس زمانی پیش بینی است (معادله 3). توجه: مجموعه داده های پیش بینی برای هر حوضه آبخیز آزمایش شده حاوی متغیرهای متعدد است و فرآیندهای یکپارچه سازی برای هر مکان، اندازه گیری و زمان، برای کمیت داده ارزیابی نمی شوند. بنابراین، آزمایش با روش‌های داده‌های کمیت زیاد، از جمله ریشه میانگین مربع، میانگین خطای مطلق، و محاسبات خطای R-square در این پروژه مطالعه موردی منطقه‌ای در حال حاضر انجام نشد.

مدل های کاربردی آینده برای چارچوب Wave

هر چهار حوضه آزمایش اولیه را برای مدل پیش‌بینی یادگیری ماشین هیدرولوژی برای تجزیه و تحلیل دبی با استفاده از داده‌های اندازه‌گیری درجا و مدل AMHG برای تجزیه و تحلیل دبی با استفاده از داده‌های اندازه‌گیری RS دریافت کردند. در طول یک رویداد سیل، ارائه داده های تخمینی پیش بینی تخلیه و روش WaVE یکپارچه، نقشه جدید غرقاب تخمین زده شده برای اولین پاسخ دهندگان در سطح محلی می تواند ارزیابی شود. جدول 5 نتایج آزمایش هر چهار حوزه آبخیز را برای هر دو مدل یادگیری ماشین هیدرولوژیکی نویسندگان (که قبلا توضیح داده شد) و مدل AMHG [ 12 ] خلاصه می کند.

4. بحث

هدف WaVE این است که برای تصمیم‌گیرندگان رویداد سیل، تجسم جغرافیایی تحلیلی پیشرفته (تصویر عملیاتی رایج) و مجموعه‌های ابزار DS سفارشی‌سازی شده توسط کاربر برای زمینه‌سازی، درک و عمل بر اساس داده‌های هیدرولوژیکی و فرعی سیل دقیق و مقیاس‌پذیر فراهم کند. مطالعات موردی توصیف شده قبلی برای آزمایش و نشان دادن عملکرد، قابلیت اطمینان و اثربخشی چارچوب و مجموعه ابزار WaVE (شامل استفاده از یادگیری ماشین برای تخمین داده‌های جریان جریان پروکسی) تحت شرایط ژئومورفولوژی، جریان و شرایط مرتبط با سیل در ملی، انجام شد. سطوح منطقه ای و محلی نتایج حاصل از این مطالعات موردی برخی از نقاط قوت ذاتی Wave (هم موجود و هم بالقوه)، محدودیت ها و نیاز به توسعه بیشتر را برجسته می کند.

4.1. قابلیت ها و اعتبار سنجی عملکردارچوب، کاهش مقیاس و تجسم

اهداف اولیه مطالعات موردی عبارت بودند از:

・ داده‌های تاریخی، بی‌درنگ و پیش‌بینی‌شده را که در تحلیل‌های خط پایه، مدل‌ها، مقایسه‌های تخمینی و ابزارها استفاده می‌شوند، وارد، جمع‌آوری و آماده کنید.

・ نشان دادن توانایی کاهش مقیاس و استفاده از مجموعه داده های ملی بارش، پیش بینی سیل، هیدروگرافی و توپوگرافی چشم انداز در سطح منطقه ای و محلی (بسته به تفکیک فضایی DEM و در دسترس بودن داده های جریان و غرقابی).

· نشان دادن استفاده از یادگیری ماشین هیدرولوژیکی برای تولید تخمین های دقیق جریان که می تواند در مدل های موج ادغام شود.

・ این داده‌های کوچک‌شده را به پیش‌بینی‌های تجسمی سیلاب در سطح محلی و دیگر عناصر اطلاعاتی مفید مرتبط با سیل در مورد مکان، زمان و چه چیزی تبدیل کنید.

یک نقشه تجسم بارش، پیش‌بینی سیل را برای هر یک از حوضه‌ها تهیه کنید و نقشه‌های خروجی آن‌ها را با نوعی کالیبراسیون برای ادغام قبل، اواسط و پس از پردازش مجموعه داده‌ها برای همه فن‌آوری‌ها در ویژگی‌های پلت فرم GIS کارآمد برای هر یک از حوزه‌ها مقایسه کنید. مناطق آبخیز

・ نشان دهید که چگونه مدل‌ها و نتایج مدل‌های دیگر را می‌توان با استفاده از موج ادغام، تجزیه و تحلیل و از نظر جغرافیایی تجسم کرد.

سه مورد از مطالعات موردی – تگزاس، لوئیزیانا و آیداهو – پارامترها و مجموعه داده‌های واضحی را برای تجزیه و تحلیل آزمایشی کاملاً یکپارچه برای چارچوب Wave ارائه می‌کنند که برای انواع مختلف کاربری زمین و نقش‌های محلی و منطقه‌ای در رویدادهای سیلاب حوزه آبخیز اعمال می‌شود. منطقه مورد مطالعه چهارم – آلاسکا – برای توسعه داده های مورد نیاز استفاده شد. همانطور که در زیر بحث شد، فقدان اندازه‌گیری ایستگاه زمینی منجر به دسترسی محدود به داده‌های جریان جریان می‌شود و اهمیت RS را به عنوان منبع داده برجسته می‌کند.

هر شش هدف مطالعات موردی به درجات متفاوتی با توجه به در دسترس بودن، کیفیت و وضوح فضایی داده ها دست یافتند. به طور کلی، نتایج حاصل از مطالعات موردی نشان می‌دهد که WaVE می‌تواند داده‌های پیش‌بینی را به‌طور موثر و قابل‌توجهی کاهش دهد، و همچنین آن داده‌ها را در حین پرواز به مسیریابی جریان جریان پویا و نقشه‌های غرقاب تبدیل کند. تجزیه و تحلیل نتایج نقشه مطالعه موردی پیش‌بینی‌شده، در مقایسه و در تضاد با نقشه‌های واقعی طغیان سیل، همبستگی متوسط ​​تا بالا و درجه دقت را نشان داد.

فراگیر بودن، انعطاف پذیری و گسترش پذیری

با توجه به محدودیت‌های اساسی ابزارهای تجسم سیل موجود و EMDSS، WaVE عمداً برای استفاده از یک معماری نرم‌افزاری استاندارد و در دسترس، همراه با یک چارچوب انعطاف‌پذیر و قابل توسعه که به راحتی می‌توان با نیازهای کاربران تطبیق داد و ابزارها و داده‌های موجود آنها را یکپارچه کرد، طراحی شد. . فقدان سیستم‌های فراگیر، قابل همکاری، انعطاف‌پذیر و قابل توسعه و قالب‌های داده استاندارد، دلایل اصلی این است که بسیاری از تصمیم‌گیرندگان و جوامع یا آگاهی از سیل و EMDSS را به دست نمی‌آورند یا قادر به استفاده مؤثر از برنامه‌های موجود نیستند.

اینکه کدام مدل های سیل و روش های اکتساب داده ها توسط کاربران انتخاب می شوند به عوامل بسیاری مربوط به آن جوامع فردی بستگی دارد [ 71 ]] . برای برخی از جوامع دشت سیلابی، روش‌های مدل‌سازی سیل فعلی و سنتی، تحلیل‌های قابل تحمل سیل، پیچیدگی فنی قابل پشتیبانی، اثربخشی هزینه قابل قبول، و استفاده از ساختارهای موجود برای رویه‌های در محل را نشان می‌دهند. کسب و پذیرش فناوری‌های جدید برای ساخت مدل‌های پیش‌بینی خطر سیل ممکن است به دلیل هزینه‌های درک شده – زمان اضافی و الزامات آموزشی، بازسازی برنامه‌های قدیمی، مشکلات مرتبط با از دست دادن کوتاه‌مدت برنامه‌های سیل، مسائل مربوط به دقت ابزارهای پیش‌بینی سیل، غیرقابل قبول باشد. ، یا حتی افزایش هزینه استخدام کارکنان جدید. علاوه بر این، برای بسیاری از پزشکان، این مدل‌ها و ابزارها به اندازه کافی در دسترس یا مفید برای توجیه کسب و پذیرش دیده نمی‌شوند. این به این دلیل است که این مدل‌ها و ابزارها معمولاً از نظر محاسباتی پیچیده هستند.72 ] . بعلاوه، برای بسیاری از کاربران، دسترسی به داده‌های نزدیک به زمان واقعی پرهزینه و اغلب مقرون به صرفه است.

سایر گروه‌های کاربری مایل به انجام این انتقال هستند، زیرا آن‌ها مزایای تحقق‌یافته و بالقوه آینده را بیشتر از ملاحظات کوتاه‌مدت و هزینه دستیابی به منابع جدید نقشه‌برداری سیل اضطراری یا بازسازی منابع موجود می‌دانند. با این حال، برای این گروه ها، چنین انتقالی به دلیل تغییرات در نیازهای کاربر، در دسترس بودن داده ها و منابع مورد نیاز، و محدودیت های سیستم های تشخیص سیل مبتنی بر ماهواره [ 18 ] پیچیده است. فقدان مکرر تداوم داده ها از یک منطقه به منطقه دیگر، فقدان تصاویر تاریخی سیل، و کیفیت پایین داده های موجود اغلب منجر به مجموعه داده های پوشش ضعیف می شود. اختلالات مجموعه داده ها اغلب با استفاده از پلتفرم های مختلف و تصاویر نقاط دسترسی توسط ارائه دهندگان داده ایجاد می شود، توسعه نقشه سیل را پیچیده تر می کند.

برای پرداختن به بسیاری از این عوامل محدود کننده، نویسندگان WaVE را ساختند تا کاربران بالقوه را قادر سازند تا از بلوک های ساختمانی آشنا و متعلق به معماری، پلت فرم، چارچوب، نقشه برداری و ابزارهای GIS استفاده کنند. چارچوب اصلی WaVE بر اساس پلتفرم‌های Esri ArcGIS (نسخه 10.3) و ArcHydro (نسخه 10.3) و معماری نرم‌افزار به سه دلیل کلیدی ساخته شده است: 1) اکثر کاربران بالقوه سازمانی ایالات متحده تصمیم‌گیرندگان در سطوح فدرال، ایالتی و دولت محلی هستند که در حال حاضر مجوزهای سازمانی Esri و پلت فرم ها و برنامه های کاربردی ArcGIS?ArcHydro را دارند. 2) برنامه ها و مجموعه داده های موجود کاربران را می توان در مجموعه کامل Esri ادغام کرد. و 3) بسیاری از مدل‌های هیدرولوژیکی (چه منبع باز یا اختصاصی) در حال استفاده یا در دست توسعه (مانند WRF-Hydro، NHDPlus، RAPID، Tethys، سیستم تجزیه و تحلیل رودخانه مرکز مهندسی هیدرولوژی ایالات متحده آمریکا، HAND، و غیره) همه بر روی پلت فرم معماری ArcGIS Esri ساخته شده اند. بازار جهانی GIS بسیار پراکنده است [73 ] و شامل طیف گسترده ای از سیستم های منبع باز، عمومی و اختصاصی است که اغلب از پلت فرم های ناسازگار، غیر استاندارد، قالب های داده و غیره استفاده می کنند. در مقابل، ArcGIS، در حالی که متعلق به Esri است، رایج ترین پلت فرم نقشه برداری GIS است. در سراسر جهان.

WaVE با همکاری مهندسان Esri طراحی شده است تا مجموعه ای از ابزارهای نقشه برداری، طراحی و تحلیلی را به طور یکپارچه ادغام کند، همچنین چارچوب WaVE را به اندازه کافی قابل همکاری و توسعه دهد تا با سایر مدل های منبع باز، عمومی یا اختصاصی ادغام یا جفت شود. و منابع داده به عنوان بخشی از نمایش های مطالعه موردی، مدل های مختلف دیگر یا مجموعه داده های حاصل از آنها با چارچوب Wave ادغام و آزمایش شدند.

علاوه بر این، مطالعات موردی همچنین نشان می‌دهد که چارچوب WaVE داده‌های مدل‌های تحقیقاتی در حال توسعه را که از یادگیری ماشینی هیدرولوژیکی و تصاویر ماهواره‌ای RS استفاده می‌کنند، در خود جای می‌دهد. این مدل‌ها داده‌های تخمینی جریان جریان را در رودخانه‌های گیج‌شده و غیرمجاز درون‌یابی یا برون‌یابی می‌کنند، در نتیجه مجموعه داده‌های ارزشمندی از تخمین‌های جریان جریان ارائه می‌کنند. سپس این داده ها را می توان در مدل پیش بینی و پیش بینی WaVE ادغام کرد و به سطح محلی کاهش داد و امکان توسعه نقشه های جدید، دقیق و پیش بینی کننده سیل را افزایش داد. اگرچه WaVE در حال حاضر از پلتفرم محاسبات ابری Azure مایکروسافت استفاده می‌کند، اما با سایر سرویس‌های ابری (مانند آمازون، گوگل، آی‌بی‌ام، اوراکل یا منبع باز) نیز سازگار است که انعطاف‌پذیری و توسعه‌پذیری WaVE را بیشتر نشان می‌دهد.

4.2. محدودیت ها

ضمن تایید چارچوب و مدل کلی WaVE، مطالعات موردی همچنین وابستگی ذاتی WaVE به مجموعه داده‌های پیش‌بینی جریان تاریخی و غرقاب و نتایج مدل هیدرولیکی و DEM با وضوح فضایی کافی برای کاهش مقیاس داده‌های تجسم‌شده در سطح محلی را برجسته کردند.

آزمایش مدل WaVE در مقیاس‌های مختلف جغرافیایی (مثلاً منطقه‌ای یا محلی) به وضوح فضایی و جزئیات ارتفاع و زمین و همچنین داده‌های جریان تاریخی کافی نیاز دارد. برای برخی مناطق، نه داده های کافی وجود دارد و نه وضوح کافی برای تجزیه و تحلیل و پیش بینی های منطقه ای یا محلی کافی وجود دارد.

داده های جریان و سیل ناکافی

یکی دیگر از عوامل محدود کننده مهم در پذیرش و کاربرد مدل های هیدرولیک معاصر و نقشه های طغیان سیل، فقدان جریان استاندارد و دقیق جریان و داده های هیدرولیکی فرعی است [ 18 ].

شرایط اقلیمی شدید یا عدم دسترسی جغرافیایی در برخی از مناطق، توانایی قرار دادن و نگهداری تعداد کافی از نهرهای درجا برای اندازه گیری و ثبت داده های کمی دبی رودخانه را به شدت محدود می کند. برای مثال، بسیاری از رودخانه‌های قطب شمال، مانند رودخانه تانانا، فاقد جریان‌های درجا با فاصله یکنواخت برای جمع‌آوری داده‌های کمی از دبی رودخانه در طول جریان کامل حوضه هستند، در نتیجه توانایی ارائه هشدار قبلی در مورد وقوع سیل را محدود می‌کنند. جوامع اطراف

به منظور ارائه تخمین‌های داده‌های تاریخی یا بلادرنگ برای جریان‌های گیج‌شده با گیج‌های غیر فرستنده یا برای جریان‌های بدون گیج، WaVE از یک مدل تخمین جریان هیدرولوژیکی جدید برای ایجاد مجموعه داده‌های پروکسی با درون یابی داده‌های گمشده برای وقفه‌ها در مجموعه داده‌های رگبار جریان استفاده می‌کند. برای برون یابی تخمین های پیش بینی شده با استفاده از یادگیری ماشین و نمایه سازی همبستگی.

یکی دیگر از منابع بالقوه جمع آوری داده های حیاتی جریان جریان برای رودخانه های کنترل نشده، سنجش از دور است. RS به عنوان جایگزینی برای اندازه‌گیری جریان و پیش‌بینی طغیان سیل در حال تحقیق است، اما در حال حاضر دبی رودخانه را نمی‌توان مستقیماً از هیچ ماهواره یا سنسور هوابردی اندازه‌گیری کرد. گلیسون [ 12] یک مدل سیستمی برای اندازه گیری جریان رودخانه ایجاد کرد که در مطالعات موردی برجسته شده بود که دبی رودخانه را با استفاده از تصاویر سنجش از دور متوالی از دینامیک جریان رودخانه، ویژگی های فیزیوگرافی، و برآوردهای اندازه گیری مکانی و زمانی محاسبه شده تخمین زد. تجزیه و تحلیل گلیسون نیازی به اندازه‌گیری درجا نداشت، بلکه از هندسه هیدرولیکی استفاده کرد که بر عرض، عمق و سایر پارامترهای تجربی از تصاویر سنجش از دور برای تخمین اندازه‌گیری‌های سرعت و دبی log-خطی متمرکز بود. این فرآیند تحقیقاتی، که اکنون به عنوان مدل “هندسه هیدرولیکی در ایستگاه های متعدد” (AMHG) نامیده می شود، برای ادغام بالقوه در WaVE به عنوان یک ابزار تجزیه و تحلیل ارزیابی شد.

چالش برای کاهش مقیاس داده های محلی

دومین هدف اولیه WaVE – مقیاس مؤثر سیلاب و نقشه‌برداری جریان جریان به سطح محلی، به موجب آن اولین پاسخ‌دهنده می‌تواند به دقت میزان و عمق سیلاب را در هر نقطه در طول جریان تعیین کند – به وضوح فضایی و جزئیات بیشتر ارتفاع، زمین نیاز دارد. و داده‌های جریان جریان نسبت به آنچه در حال حاضر در اکثر مکان‌ها موجود است.

در حالی که بینش در سطوح ملی و منطقه ای برای تجزیه و تحلیل روندها مفید است، اغلب برای تصمیم گیرندگان محلی که به اطلاعات دقیق در زمان واقعی یا تقریباً زمان واقعی در مقیاس محلی برای پیش بینی و آماده شدن برای رویدادهای سیل نیاز دارند، کاربرد نسبتا کمی دارد. همچنین اقدامات و پاسخ‌های کاهش‌دهنده را تنظیم کنید.

تمرکز تحقیق و در دسترس بودن و مقیاس فضایی داده های مربوط به RS از جهانی و ملی به منطقه ای و به طور فزاینده ای محلی تغییر کرده است. در حالی که مجموعه داده‌های رصد ماهواره‌ای با وضوح متوسط ​​و داده‌های رصد ریزموج غیرفعال منابع ارزشمندی از اطلاعات هیدرولوژیکی سطح زمین هستند، تصاویر ماهواره‌ای مکرر و سریع‌تر مورد نیاز است تا RS به‌عنوان منبع قابل اعتماد و مؤثر داده برای تحلیل و نقشه‌برداری ارزیابی شود. ترکیب داده‌های سنجش از دور با اطلاعات زمینی، نمای کلی جامع‌تری نسبت به داده‌های جریان درجا از حوضه آبخیز جامع، از جمله توپوگرافی چشم‌انداز، زمین‌شناسی، زه‌کشی حوضه، رطوبت خاک، تاریخچه بصری تغییرات در زهکشی جریان آب رودخانه و متغیرهای ناشی از آن فراهم می‌کند. تغییرات آب و هوایی و فصلی [ 74] . از دو روش RS، تصاویر ماهواره‌ای از سکوهای SAR برای نشان دادن و اندازه‌گیری تکرارپذیری آگاهی از تغییر زمین برتر دیده می‌شوند، در حالی که مجموعه ابزارهای فناوری لیدار برای دستیابی به آگاهی زمینی محلی ترجیح داده می‌شوند [ 75 ].

در حال حاضر تنها درصد کمی از ارتفاع سطح ایالات متحده (48 ایالت پایین تر) به صورت دیجیتالی با استفاده از لیدار ترسیم شده است، و حتی درصد کمتری از کشور (بیشتر آن در آلاسکا) با استفاده از IfSAR [ 76 ] به صورت دیجیتالی نقشه برداری شده است. درصد کمی از سطح نقشه برداری شده با لیدار با وضوح فضایی به اندازه کافی بالا برای کاهش مقیاس و محلی سازی موثر نقشه برداری می شود. با در دسترس قرار گرفتن داده های با وضوح بالاتر، WaVE قادر خواهد بود نقشه برداری محلی را با دقت و دانه بندی بیشتر ارائه دهد.

4.3. تحقیق و توسعه بیشتر

تحقیقات و آزمایش WaVE نشان داده است که برای اینکه این چارچوب بتواند نقشه‌های سیلاب کوچک، محلی، پیش‌بینی‌کننده و با وضوح بالا را برای پاسخ‌دهندگان اضطراری و مدیران سیل ارائه دهد، جریان جریان، ارتفاع و داده‌های سنجش از دور با کیفیت بالاتر مورد نیاز است.

مطالعات بیشتری برای آزمایش مدل WaVE در سطح محلی برنامه ریزی شده است، زیرا داده های ارتفاع دیجیتال با وضوح بالاتر در دسترس قرار می گیرند. برای تحقق این امر، تحقیق و توسعه زیر ضروری خواهد بود:

· جمع آوری سیستماتیک داده های ارتفاعی کامل تر و داده های توپوگرافی با کیفیت بالاتر. این امر مستلزم مشارکت فدرال، ایالتی و محلی است. یک مثال ابتکار USGS 3DEP است که در حال حاضر برای جمع‌آوری سیستماتیک داده‌های ارتفاعی پیشرفته با استفاده از lidar و IfSAR در حال توسعه است.

・ آزمایش بیشتر و ادغام مدل یادگیری ماشین هیدرولوژیکی در WaVE، ارائه مجموعه داده‌های پیش‌بینی‌کننده برای جریان‌هایی که بدون تغییر یا با گیج‌هایی که انتقال داده‌های جریان را متوقف کرده‌اند.

・ گسترش آزمایش AMHG به عنوان یک مدل یکپارچه برای تولید تخمین‌های جریان برای رودخانه‌های غیرفعال. سپس این تخمین ها را می توان با نمایه سازی همبستگی یادگیری ماشینی WaVE برای تولید مجموعه داده های تخلیه آب پردازش کرد.

5. نتیجه گیری ها

اجماع فزاینده‌ای در میان جوامع دانشگاهی، سیاست‌گذاری و شاغل در مورد نیاز به داده‌های مکانی و تحلیلی دقیق، مقیاس‌پذیر و بسیار دانه‌بندی شده در سطح محلی برای آگاهی از وضعیت رویداد سیل و EMDSS وجود دارد. علاوه بر این، یک توافق کلی نیز در مورد نیاز تصمیم گیرندگان وجود دارد که بتوانند به راحتی به آن اطلاعات به موقع دسترسی داشته باشند، به سرعت تمام مسائل برجسته مربوط به رویداد سیل را درک کنند و آن دانش را در یک تصویر عملیاتی مشترک به اشتراک بگذارند. با سایر تصمیم گیرندگان در سازمان ها و حوزه های قضایی توزیع شده جغرافیایی.

WaVE این نیاز را با یک سیستم پشتیبانی یکپارچه برطرف می کند که تجسم جغرافیایی پیشرفته (تصویر عملیاتی رایج) و مجموعه ابزارهای DS را ارائه می دهد. برای رسیدن به این هدف، WaVE داده‌های هیدرولوژیکی و فرعی مربوطه را جمع‌آوری می‌کند، آن داده‌ها را تجزیه و تحلیل می‌کند و نتایج زمین‌تحلیلی را با استفاده از یک چارچوب و مجموعه ابزارهای به اشتراک گذاشته شده و در عین حال قابل تنظیم توسط کاربر، و مجموعه‌های ابزار برای آگاهی موقعیتی رویداد سیل و EMDSS منتشر می‌کند.

چهار مطالعه موردی برای آزمایش و اعتبار سنجی چارچوب و مجموعه ابزار WaVE تحت شرایط مختلف در سطوح ملی، منطقه ای و محلی انجام شد. نتایج حاصل از این مطالعات موردی برخی از نقاط قوت، محدودیت‌های ذاتی Wave و نیاز به توسعه بیشتر را برجسته می‌کند. WaVE با در دسترس قرار گرفتن داده‌ها و اعتبارسنجی مدل‌ها برای تبدیل تصاویر ماهواره‌ای و سوابق داده‌ها از فناوری‌های RS به تخمین‌های دقیق جریان جریان و مدل‌های ارتفاع دیجیتال با وضوح بالاتر، پتانسیل استفاده را دارد.

 

منابع

 

[ 1 ]	چپمن، بی.، مک دونالد، ک.، شیمادا، ام.، روزنکویست، ا.، شرودر، آر و هس، ال. سنجش از دور، 7، 5440-5470. https://doi.org/10.3390/rs70505440
[ 2 ]	Hester, G., Carsell, K. and Ford, D. (2006) مزایای برنامه USGS Streamgaging: کاربران و کاربردهای USGS Streamflow Data. شورای ملی هشدار هیدرولوژیک، دنور
[ 3 ]	Holmes, RR, Schwein, NO and Shadie, CE (2012) آگاهی از خطر سیل در طول سیل 2011 در ایالات متحده مرکزی: نشان دادن اهمیت داده های هیدرولوژیکی و همکاری بین سازمانی. رهبری و مدیریت در مهندسی، 12، 101-110. https://doi.org/10.1061/(ASCE)LM.1943-5630.0000181
[ 4 ]	کرچنر، جی دبلیو (2006) دریافت پاسخ های مناسب برای دلایل درست: پیوند دادن اندازه گیری ها، تحلیل ها و مدل ها برای پیشبرد علم هیدرولوژی. تحقیقات منابع آب، 42. https://doi.org/10.1029/2005wr004362
[ 5 ]	Farr, TG, Rosen, PA, Caro, E., Crippen, R., Duren, R., Hensley, S. and Alsdorf, D. (2007) ماموریت توپوگرافی رادار شاتل. بررسی های ژئوفیزیک، 45. https://doi.org/10.1029/2005rg000183
[ 6 ]	Vaze, J., Teng, J. and Spencer, G. (2010) تأثیر دقت و وضوح DEM بر شاخص های توپوگرافی. مدلسازی و نرم افزار محیطی، 25، 1086-1098. https://doi.org/10.1016/j.envsoft.2010.03.014
[ 7 ]	Juracek، KE و Fitzpatrick، FA (2009) کاربردهای ژئومورفیک اطلاعات Stream-Gage. تحقیقات و کاربردهای رودخانه، 25، 329-347. https://doi.org/10.1002/rra.1163
[ 8 ]	مدسن، اچ و اسکاتنر، سی (2005) به‌روزرسانی وضعیت تطبیقی ​​در پیش‌بینی جریان رودخانه در زمان واقعی – یک فرآیند ترکیبی فیلتر و پیش‌بینی خطا. مجله هیدرولوژی، 308، 302-312. https://doi.org/10.1016/j.jhydrol.2004.10.030
[ 9 ]	برتون، جی و دیماس، ا. (2016) مبارزه با سیل. انتشار خبری سازمان زمین شناسی ایالات متحده. https://www.usgs.gov/news/fighting-floods
[ 10 ]	سازمان زمین شناسی ایالات متحده (2016) واتر واچ. https://waterwatch.usgs.gov/?m=real&r=la
[ 11 ]	شومان، جی، بالداسار، جی دی و بیتس، پی. IEEE Transactions on Geoscience and Remote Sensing, 47, 2801-2807. https://doi.org/10.1109/TGRS.2009.2017937
[ 12 ]	Gleason, CJ, Smith, LC and Lee, J. (2014) بازیابی تخلیه رودخانه صرفاً از تصاویر ماهواره ای و هندسه هیدرولیک در ایستگاه های متعدد: حساسیت به شکل رودخانه و پارامترهای بهینه سازی. تحقیقات منابع آب، 50، 9604-9619. https://doi.org/10.1002/2014WR016109
[ 13 ]	Revilla-Romero, B., Thielen, J., Salamon, P., Groeve, TD and Brakenridge, GR (2014) ارزیابی سیستم تشخیص سیل جهانی مبتنی بر ماهواره برای اندازه گیری دبی رودخانه: تأثیر عوامل محلی. بحث های هیدرولوژی و علوم سیستم زمین، 11، 7331-7374. https://doi.org/10.5194/hessd-11-7331-2014
[ 14 ]	Baldassarre, GD, Schumann, G. and Bates, P. (2009) تصاویر ماهواره ای نزدیک به زمان واقعی برای پشتیبانی و تأیید مدلسازی به موقع سیل. فرآیندهای هیدرولوژیکی، 23، 799-803. https://doi.org/10.1002/hyp.7229
[ 15 ]	Giustarini, L., Matgen, P., Hostache, R., Montanari, M., Plaza, D., Pauwels, VRN, Lannoy, G., Keyser, R., Pfister, L., Hoffmann, L. and Savenije ، HHG (2011) جذب داده های سطح آب به دست آمده از SAR در یک مدل هیدرولیک: مطالعه موردی. هیدرولوژی و علوم سیستم زمین، 15، 2349-2365. https://doi.org/10.5194/hess-15-2349-2011
[ 16 ]	چن، اس.، لیو، اچ.، شما، ی.، مولنز، ای.، هو، جی.، یوان، ی.، هوانگ، ام.، او، ال.، لو، ی.، زنگ، ایکس.، Tang, G. and Hong, Y. (2014) ارزیابی برآوردهای بارش با وضوح بالا از ماهواره ها در طول رویداد سیل پکن جولای 2012 با استفاده از مشاهدات باران سنج متراکم. PLoS ONE، 9. https://doi.org/10.1371/journal.pone.0089681
[ 17 ]	Wanders, N., Karssenberg, D., Roo, AD, Jong, SMD and Bierkens, MFP (2014) مناسب بودن رطوبت خاک سنجش از دور برای بهبود پیش بینی سیل عملیاتی. هیدرولوژی و علوم سیستم زمین، 18، 2343-2357. https://doi.org/10.5194/hess-18-2343-2014
[ 18 ]	Revilla-Romero, B., Hirpa, F., Pozo, J., Salamon, P., Brakenridge, R., Pappenberger, F. and Groeve, TD (2015) در مورد استفاده از پیش بینی های جهانی سیل و طغیان ناشی از ماهواره نقشه‌هایی برای پایش سیل در مناطق پراکنده داده. سنجش از دور، 7، 15702-15728. https://doi.org/10.3390/rs71115702
[ 19 ]	Tarpanelli, A., Barbetta, S., Brocca, L. and Moramarco, T. (2013) برآورد دبی رودخانه با استفاده از داده های ارتفاع سنجی و مدلسازی مسیریابی سیل ساده شده. سنجش از دور، 5، 4145-4162. https://doi.org/10.3390/rs5094145
[ 20 ]	Domeneghetti, A., Tarpanelli, A., Brocca, L., Barbetta, S., Moramarco, T., Castellarin, A. and Brath, A. (2014) استفاده از داده های سطح آب مشتق از سنجش از دور برای مدل هیدرولیک تنظیم. سنجش از دور محیط زیست، 149، 130-141. https://doi.org/10.1016/j.rse.2014.04.007
[ 21 ]	Wu، J.-H.، Tseng، C.-H.، Chen، L.-C.، Lo، S.-W. و لین، F.-P. (2015) روش شناسایی خودکار تصویر برای پایش بلایای سیل در محیط‌های رودخانه‌ای: مطالعه موردی در تایوان. مجموعه مقالات کنفرانس بین المللی AASRI در زمینه الکترونیک و کاربردهای صنعتی (IEA 2015)، لندن، 27-28 ژوئن 2015. https://doi.org/10.2991/iea-15.2015.65
[ 22 ]	Jongman, B., Winsemius, HC, Aerts, JCJH, Perez, ECD, Aalst, MKV, Kron, W. and Ward, PJ (2015) کاهش آسیب پذیری نسبت به سیل رودخانه ها و مزایای جهانی سازگاری. مجموعه مقالات آکادمی ملی علوم ایالات متحده آمریکا، 112. https://doi.org/10.1073/pnas.1414439112
[ 23 ]	Roux، E.، Silva، JSD، Getirana، ACV، Bonnet، M.-P.، Calmant، S.، Martinez، J.-M. و Seyler، F. (2010) تولید سری زمانی ارتفاع آب رودخانه با استفاده از ارتفاع سنجی رادار ماهواره ای – یک مطالعه مقایسه ای. مجله علوم هیدرولوژیکی، 55، 104-120. https://doi.org/10.1080/02626660903529023
[ 24 ]	Callow, J. and Boggs, G. (2013) مطالعه هیدرولوژی فضایی با مقیاس دسترسی در حوضه های آبریز بدون اندازه گیری. مجله هیدرولوژی، 496، 31-46. https://doi.org/10.1016/j.jhydrol.2013.05.030
[ 25 ]	Allen, GH and Pavelsky, TM (2015) الگوهای پهنای رودخانه و مساحت سطحی که توسط مجموعه داده های پهنای رودخانه آمریکای شمالی مشتق از ماهواره به دست آمده است. نامه های پژوهشی ژئوفیزیک، 42، 395-402. https://doi.org/10.1002/2014GL062764
[ 26 ]	Arundel, S., Phillips, L., Lowe, A., Bobinmyer, J., Mantey, K., Dunn, C., Constance, E. and Usery, E. (2015) تهیه نقشه ملی برای ارتفاع سه بعدی برنامه-محصولات، فرآیند و تحقیقات. نقشه کشی و علم اطلاعات جغرافیایی، 42، 40-53. https://doi.org/10.1080/15230406.2015.1057229
[ 27 ]	Kinzel، PJ، Legleiter، CJ و Nelson، JM (2012) نقشه برداری از عمق سنجی رودخانه با ردپای کوچک LiDAR سبز: کاربردها و چالش ها 1. مجله انجمن منابع آب آمریکا، 49، 183-204. https://doi.org/10.1111/jawr.12008
[ 28 ]	Pan, Z., Glennie, C., Hartzell, P., Fernandez-Diaz, J., Legleiter, C. and Overstreet, B. (2015) ارزیابی عملکرد LiDAR شکل موج کامل هوابرد با وضوح بالا برای عمق سنجی رودخانه کم عمق. سنجش از دور، 7، 5133-5159. https://doi.org/10.3390/rs70505133
[ 29 ]	Stoker، JM، Brock، JC، Soulard، CE، Ries، KG، Sugarbaker، LJ، Newton، WE، Haggerty، P.، Lee، K. and Young، JA (2016) USGS lidar Science Strategy — نگاشت فناوری به علوم پایه. گزارش فایل باز
[ 30 ]	Gordon, M., Borgmann, B., Gehrung, J., Hebel, M. and Arens, M. (2015) تولید مدل موقتی با استفاده از داده های چند مقیاسی Lidar از پایگاه داده جغرافیایی. آرشیو بین المللی فتوگرامتری، سنجش از دور و علوم اطلاعات فضایی، XL-3/W3، 535-541. https://doi.org/10.5194/isprsarchives-XL-3-W3-535-2015
[ 31 ]	Brakenridge، R. and Anderson، E. (2006) تشخیص، نقشه برداری و اندازه گیری سیل مبتنی بر Modis: پتانسیل برای کاربردهای هیدرولوژیکی عملیاتی. سری علوم ناتو: IV: سیل‌های فرامرزی علوم زمین و محیطی: کاهش خطرات از طریق مدیریت سیل، 72، 1-12. https://doi.org/10.1007/1-4020-4902-1_1
[ 32 ]	Tarpanelli, A., Brocca, L., Barbetta, S., Faruolo, M., Lacava, T. and Moramarco, T. (2015) جفت کردن داده های MODIS و ارتفاع سنجی رادار برای برآورد دبی در حوضه های رودخانه با اندازه گیری ضعیف. IEEE Journal of Selected Topics in Applied Earth Observations and Remote, 8, 141-148. https://doi.org/10.1109/JSTARS.2014.2320582
[ 33 ]	Sakamoto, T., Nguyen, NV, Kotera, A., Ohno, H., Ishitsuka, N. and Yokozawa, M. (2007) تشخیص تغییرات زمانی در میزان سیل سالانه در داخل کامبوج و دلتای مکونگ ویتنامی از MODIS تصاویر سری زمانی سنجش از دور محیط زیست، 109، 295-313. https://doi.org/10.1016/j.rse.2007.01.011
[ 34 ]	هوانگ، سی، پنگ، ی.، لانگ، ام.، یو، آی.-ای. و مک کارتی، جی (2014) نقشه برداری و نظارت بر تغییرات سیلاب تالاب با استفاده از داده های لندست و هوابرد LiDAR. سنجش از دور محیط زیست، 141، 231-242. https://doi.org/10.1016/j.rse.2013.10.020
[ 35 ]	Memon, AA, Muhammad, S., Rahman, S. and Haq, M. (2015) پایش سیل و ارزیابی خسارت با استفاده از شاخص های آب: مطالعه موردی سیل پاکستان-2012. مجله مصری سنجش از دور و علوم فضایی، 18، 99-106. https://doi.org/10.1016/j.ejrs.2015.03.003
[ 36 ]	Schumann, G., Bates, PD, Horritt, MS, Matgen, P. and Pappenberger, F. (2009) پیشرفت در ادغام میزان سیل و داده های مرحله و مدل های هیدرولیک مشتق از سنجش از دور. بررسی های ژئوفیزیک، 47. https://doi.org/10.1029/2008rg000274
[ 37 ]	Khan, SI, Hong, Y., Wang, J., Yilmaz, KK, Gourley, JJ, Adler, RF, Brakenridge, G., Policelli, F., Habib, S. and Irwin, D. (2011) ماهواره از راه دور سنجش و مدل‌سازی هیدرولوژیکی برای نقشه‌برداری سیلاب در حوضه دریاچه ویکتوریا: پیامدهایی برای پیش‌بینی هیدرولوژیکی در حوضه‌های اندازه‌گیری نشده. IEEE Transactions on Geoscience and Remote Sensing, 49, 85-95. https://doi.org/10.1109/TGRS.2010.2057513
[ 38 ]	Thompson, S., Altay, N., Iii, WGG and Lapetina, J. (2006) بهبود تلاش‌های واکنش در بلایا با سیستم‌های پشتیبانی تصمیم. International Journal of Emergency Management, 3, 250. https://doi.org/10.1504/IJEM.2006.011295
[ 39 ]	Rolland, E., Patterson, RA, Ward, K. and Dodin, B. (2010) Decision Support for Disaster Management. تحقیقات مدیریت عملیات، 3، 68-79. https://doi.org/10.1007/s12063-010-0028-0
[ 40 ]	ایالات متحده (2006) شکست ابتکار: گزارش نهایی کمیته منتخب دو حزبی برای بررسی آمادگی و واکنش به طوفان کاترینا. USGPO، واشنگتن
[ 41 ]	Comfort، LK (2007) مدیریت بحران در آینده نگری: شناخت، ارتباطات، هماهنگی و کنترل. بررسی مدیریت عمومی، 67، 189-197. https://doi.org/10.1111/j.1540-6210.2007.00827.x
[ 42 ]	Walle, BVD and Turoff, M. (2008) پشتیبانی تصمیم برای موقعیت های اضطراری. کتابچه راهنمای سیستم های پشتیبانی تصمیم، 2، 39-63. https://doi.org/10.1007/978-3-540-48716-6_3
[ 43 ]	Hilbert, M. and Lopez, P. (2011) ظرفیت تکنولوژیکی جهان برای ذخیره، ارتباط و محاسبه اطلاعات. علم، 332، 60-65. https://doi.org/10.1126/science.1200970
[ 44 ]	Cheamanunkul, S. and Freund, Y. (2014) قانون kNN بهبود یافته برای مجموعه های آموزشی کوچک. 2014 سیزدهمین کنفرانس بین المللی یادگیری ماشین و کاربردها.
[ 45 ]	بوکر، دی و اسنلدر، تی (2012) مقایسه روش‌ها برای تخمین منحنی‌های مدت جریان در سایت‌های اندازه‌گیری نشده. مجله هیدرولوژی، 434-435، 78-94. https://doi.org/10.1016/j.jhydrol.2012.02.031
[ 46 ]	بوکر، دی و وودز، آر (2014) مقایسه و ترکیب رویکردهای مبتنی بر فیزیکی و تجربی برای تخمین هیدرولوژی حوضه‌های آبریز اندازه‌گیری نشده. مجله هیدرولوژی، 508، 227-239. https://doi.org/10.1016/j.jhydrol.2013.11.007
[ 47 ]	کیم، دی (2010) تسلط بر عصر اطلاعات: حل مشکلات با تجزیه و تحلیل بصری. انجمن یوروگرافیک، گوسلار.
[ 48 ]	Bertini, E. and Lalanne, D. (2009) بررسی نقش مکمل تجزیه و تحلیل خودکار داده ها و تجسم در کشف دانش. مجموعه مقالات کارگاه ACM SIGKDD در تجزیه و تحلیل بصری و کشف دانش یکپارچه سازی تجزیه و تحلیل خودکار با کاوش تعاملی-KDD’09، پاریس، 28 ژوئیه 2009، 12-20. https://doi.org/10.1145/1562849.1562851
[ 49 ]	Sacha, D., Stoffel, A., Stoffel, F., Kwon, BC, Ellis, G. and Keim, DA (2014) مدل تولید دانش برای تحلیل بصری. IEEE Transactions on Visualization and Computer Graphics, 20, 1604-1613. https://doi.org/10.1109/TVCG.2014.2346481
[ 50 ]	Maceachren, A., Gahegan, M., Pike, W., Brewer, I., Cai, G., Lengerich, E. and Hardistry, F. (2004) Geovisualization for Knowledge Construction and Decision Support. IEEE Computer Graphics and Applications, 24, 13-17. https://doi.org/10.1109/MCG.2004.1255801
[ 51 ]	Andrienko, G., Andrienko, N., Keim, D., Maceachren, AM and Wrobel, S. (2011) Challenging Problems of Geospatial Visual Analytics. مجله زبان های تصویری و محاسبات، 22، 251-256. https://doi.org/10.1016/j.jvlc.2011.04.001
[ 52 ]	Gochis, D., Yu, W., Yates, D., Sampson, K., McCreight, J., Rafieeinasab, A. and Karsten, L. (2015) پیش بینی هیدرولوژیکی چند مقیاسی با استفاده از سیستم مدل سازی WRF-Hydro Community . مجموعه کنفرانس هفتگی HWRS بهار 2015.
[ 53 ]	ECMWF (2016) آنچه ما انجام می دهیم-ECMWF. https://www.ecmwf.int/en/about/what-we-do
[ 54 ]	Ye, J., He, Y., Pappenberger, F., Cloke, HL, Manful, DY and Li, Z. (2013) Evaluation of ECMWF Medium-range Ensemble Forecasts of Precipitation for River Basins. فصلنامه انجمن سلطنتی هواشناسی، 140، 1615-1628. https://doi.org/10.1002/qj.2243
[ 55 ]	Pappenberger, F., Cloke, HL, Balsamo, G., Ngo-Duc, T. and Oki, T. (2009) مسیریابی رواناب جهانی با مؤلفه هیدرولوژیکی سیستم ECMWF NWP. مجله بین المللی اقلیم شناسی، 30، 2155-2174. https://doi.org/10.1002/joc.2028
[ 56 ]	Alfieri, L., Pappenberger, F., Wetterhall, F., Haiden, T., Richardson, D. and Salamon, P. (2014) Evaluation of Ensemble Streamflow Predictions in Europe. مجله هیدرولوژی، 517، 913-922. https://doi.org/10.1016/j.jhydrol.2014.06.035
[ 57 ]	Yucel, I., Onen, A., Yilmaz, K. and Gochis, D. (2015) کالیبراسیون و ارزیابی یک سیستم پیش بینی سیل: کاربرد مدل عددی پیش بینی آب و هوا، جذب داده ها و بارش مبتنی بر ماهواره. مجله هیدرولوژی، 523، 49-66. https://doi.org/10.1016/j.jhydrol.2015.01.042
[ 58 ]	برف، AD، کریستنسن، SD، سواین، NR، نلسون، EJ، ایمز، DP، جونز، NL، Ding، D.، Noman، N.، David، C.، Pappenberger، F. و Zsoter، E. (2016 ) یک سیستم پیش بینی هیدرولوژیکی در مقیاس ملی با وضوح بالا از یک مدل سطح زمین مجموعه جهانی. مجله انجمن منابع آب آمریکا، 52، 950-964. https://doi.org/10.1111/1752-1688.12434
[ 59 ]	سیدی، اچ، آناگنوستو، EN، بیگلی، ای. و مک کولوم، جی. (2014) کاهش مقیاس مبتنی بر ماهواره از محصولات بارشی با تحلیل مجدد جهانی برای کاربردهای هیدرولوژیکی. بحث های هیدرولوژی و علوم سیستم زمین، 11، 9067-9112. https://doi.org/10.5194/hessd-11-9067-2014
[ 60 ]	دیوید، CH، یانگ، Z.-L. و Famiglietti، JS (2013) تعیین کمیت تأثیر بالادست به پایین دست در روش ماسکینگوم و پیامدهای افزایش سرعت در محاسبات موازی جریان رودخانه. تحقیقات منابع آب، 49، 2783-2800. https://doi.org/10.1002/wrcr.20250
[ 61 ]	Karahan, H., Gurarslan, G. and Geem, ZW (2013) تخمین پارامتر مدل مسیریابی سیل غیرخطی ماسکینگوم با استفاده از الگوریتم جستجوی هارمونی ترکیبی. مجله مهندسی هیدرولوژی، 18، 352-360. https://doi.org/10.1061/(ASCE)HE.1943-5584.0000608
[ 62 ]	David, CH, Famiglietti, JS, Yang, Z.-L., Habets, F. and Maidment, DR (2016) یک دهه تأملات سریع در مورد توسعه کدهای علوم زمین منبع باز. علوم زمین و فضا، 3، 226-244. https://doi.org/10.1002/2015EA000142
[ 63 ]	Wieferich، DJ، Daniel، WM و Infante، DM (2015) افزایش کاربرد پوشش رودخانه NHDPlus: مشخص کردن دسترسی های رودخانه اکولوژیکی برای مدیریت بهبود یافته و خلاصه اطلاعات. شیلات، 40، 562-564. https://doi.org/10.1080/03632415.2015.1090977
[ 64 ]	Moore, RB and Dewald, TG (2016) جاده NHDPlus-پیشرفتها در شبکه های جریان دیجیتال و حوضه های مرتبط. مجله انجمن منابع آب آمریکا، 52، 890-900. https://doi.org/10.1111/1752-1688.12389
[ 65 ]	David, CH, Maidment, DR, Niu, G.-Y., Yang, Z.-L., Habets, F. and Eijkhout, V. (2011) مسیریابی شبکه رودخانه در مجموعه داده NHDPlus. مجله آب و هواشناسی، 12، 913-934. https://doi.org/10.1175/2011JHM1345.1
[ 66 ]	Nobre, A., Cuartas, L., Hodnett, M., Rennó, C., Rodrigues, G., Silveira, A., Waterloo, M. and Saleska, S. (2011) ارتفاع بالاتر از نزدیکترین زهکشی – از نظر هیدرولوژیکی مدل جدید زمین مربوطه. مجله هیدرولوژی، 404، 13-29. https://doi.org/10.1016/j.jhydrol.2011.03.051
[ 67 ]	Muhren، WJ و Walle، BVD (2010) مدیریت حس و اطلاعات در واکنش اضطراری. بولتن انجمن آمریکایی علوم و فناوری اطلاعات، 36، 30-33. https://doi.org/10.1002/bult.2010.1720360509
[ 68 ]	گلیسون، سی‌جی و اسمیت، LC (2014) به سمت نقشه‌برداری جهانی تخلیه رودخانه با استفاده از تصاویر ماهواره‌ای و هندسه هیدرولیکی در ایستگاه‌های متعدد. مجموعه مقالات آکادمی ملی علوم، 111، 4788-4791. https://doi.org/10.1073/pnas.1317606111
[ 69 ]	GlobCover (2016) ESA Data User Element. https://due.esrin.esa.int/page_globcover.php
[ 70 ]	Peel, MC, Finlayson, BL and Mcmahon, TA (2007) نقشه جهانی به روز شده طبقه بندی آب و هوای Koppen-Geiger. بحث های هیدرولوژی و علوم سیستم زمین، 4، 439-473. https://doi.org/10.5194/hessd-4-439-2007
[ 71 ]	Legleiter, CJ, Tedesco, M., Smith, LC, Behar, AE and Overstreet, BT (2014) نقشه برداری از عمق سنجی دریاچه ها و جریان های فوق یخبندان روی صفحه یخی گرینلند با استفاده از اندازه گیری های میدانی و تصاویر ماهواره ای با وضوح بالا. کرایوسفر، 8، 215-228. https://doi.org/10.5194/tc-8-215-2014
[ 72 ]	Leskens, JG, Kehl, C., Tutenel, T., Kol, T., Haan, GD, Stelling, G. and Eisemann, E. (2015) یک ابزار شبیه سازی و تجسم تعاملی برای تجزیه و تحلیل سیل قابل استفاده برای پزشکان. راهبردهای کاهش و انطباق برای تغییر جهانی، 1-8. https://doi.org/10.1007/s11027-015-9651-2
[ 73 ]	راث، RE (2013) نقشه های تعاملی: آنچه می دانیم و آنچه باید بدانیم. مجله علم اطلاعات مکانی، 6، 59-115. https://doi.org/10.5311/JOSIS.2013.6.105
[ 74 ]	Bjerklie, DM, Moller, D., Smith, LC and Dingman, SL (2005) تخمین دبی در رودخانه ها با استفاده از اطلاعات هیدرولیک سنجش از دور. مجله هیدرولوژی، 309، 191-209. https://doi.org/10.1016/j.jhydrol.2004.11.022
[ 75 ]	اسمیت، ال سی، شنگ، ی.، ماگیلیگان، اف جی، اسمیت، ND، گومز، بی، مرتس، لس آنجلس، کرابیل، دبلیو و گاروین، جی بی (2006) تأثیر ژئومورفیک و بازیابی سریع بعدی از 1996 Skeiearársandur jokulhlaup، Iceland ، با لیدار هوابرد چند ساله اندازه گیری شد. ژئومورفولوژی، 75، 65-75. https://doi.org/10.1016/j.geomorph.2004.01.012
[ 76 ]	بررسی زمین شناسی ایالات متحده، گرگوری I. اسنایدر (2012) برگه اطلاعات 2012-3088: ارزیابی ملی پیشرفته ارتفاع در یک نگاه. https://pubs.usgs.gov/fs/2012/3088/