اورینوکو: بازیابی شبکه دلتای رودخانه با روش راهپیمایی سریع و پایتون

خلاصه

ما Orinoco را ارائه می‌کنیم، یک ابزار منبع باز پایتون که از روش راهپیمایی سریع برای استخراج شبکه کانال دلتای رودخانه از ماسک آب و ترسیم اقیانوس استفاده می‌کند. ما می‌توانیم جهت جریان، فاصله در طول کانال، عرض کانال و معیارهای مربوط به شبکه را برای تحلیل‌های دلتایی از جمله شارهای حالت پایدار تخمین بزنیم. برای نشان دادن قابلیت‌های این جعبه ابزار، ما نرم‌افزار خود را با استفاده از ماسک‌های آب برگرفته از نقشه خیابان باز (OSM) و نقشه‌های گوگل بر روی دریاچه موم و دلتاهای رودخانه آچافالایا اعمال می‌کنیم. ما تخمین‌های عرض خود را با استفاده از پایگاه‌داده پهنای رودخانه جهانی از Landsat (GRWL) بر روی دلتای مکنزی و همچنین اندازه‌گیری‌های عرض درجا از سیستم ملی اطلاعات آب (NWIS) در جنوب شرقی ایالات متحده تأیید می‌کنیم.
دوره-آموزش-حرفه-ای-gis
ما همچنین تخمین‌های جهت جریان جریان را با استفاده از محصولات از مقایسه می‌کنیمRivGraph ، یک بسته پایتون مرتبط با عملکرد مشابه. با فرصت‌های هیجان‌انگیزی که با داده‌های آب‌های سطحی و توپوگرافی آینده (SWOT) فراهم می‌شود، ما Orinoco را به عنوان ابزاری برای پشتیبانی از توصیف ساختار پیچیده دلتای رودخانه‌ها در سرتاسر جهان و برای دسترسی آسان به چنین تحلیل‌هایی در یک گردش کار سنجش از دور پایتون در نظر می‌گیریم. برای حمایت از این هدف، تمام داده‌ها، تحلیل‌ها و ارقام این مقاله را می‌توان در نوت‌بوک‌های Jupyter در مخزن GitHub Orinoco یافت.
کلید واژه ها:

SWOT ; دلتاها ; ژئومورفولوژی ; پایتون

1. معرفی

دلتاها لندفرم های ساحلی پیچیده ای هستند که پیوند حیاتی بین محیط خشکی و دریایی را تشکیل می دهند [ 1 ]. ارزش اکولوژیکی و پتانسیل آنها برای توسعه اقتصادی میلیون ها نفر را در طول تاریخ به خود جذب کرده است و آنها را در میان پرجمعیت ترین مناطق جهان قرار داده است [ 2 ]. با این حال، پیامدهای فعالیت‌های انسانی همراه با فرونشست‌های سریع و افزایش سطح دریا ناشی از اقلیم، موجودیت آینده این محیط‌های ساحلی کم ارتفاع و خدمات اقتصادی، زیست‌محیطی و زیست‌محیطی را که ارائه می‌کنند تهدید می‌کند [ 3 ، 4 ، 5 ، 6 ، 7 ، 8]. علاوه بر این، ساخت سدها بار رسوب رودخانه‌های مورد نیاز برای ساخت و نگهداری لندفرم‌های دلتایی را تغییر داده است [ 9 ، 10 ]، در حالی که برداشت آب‌های زیرزمینی، فعالیت‌های معدنی، و استخراج نفت و گاز منجر به نفوذ آب دریا و افزایش فشردگی خاک می‌شود [ 11 ]. ].
توصیف ژئوفیزیکی دلتاها می‌تواند نمایش فرآیندهای هیدرولوژیکی در مدل‌های سیستم‌های زمین [ 12 ] و نقش آن‌ها در چرخه‌های بیوژئوشیمیایی بین قاره‌ها، اقیانوس‌ها و جو را بهبود بخشد [ 13 ، 14 ، 15 ، 16 ، 17 ]. پارامترهایی مانند عرض رودخانه به‌عنوان ورودی برای مدل‌سازی روابط هندسه هیدرولیکی [ 18 ، 19 ]، تخمین دبی [ 20 ، 21 ، 22 ]، و نقشه‌برداری سطح رودخانه و رودخانه استفاده می‌شوند [ 17 ، 23 ، 24 ، 25 ،26 ]. در زیستگاه های دلتایی، اتصال رودخانه ای بر بهره وری پوشش گیاهی و تحویل مواد مغذی تأثیر می گذارد [ 27 ]. علاوه بر این، درک تکامل سیستم‌های دلتا برای مدیریت و حفاظت از آنها بسیار مرتبط است [ 28 ]، از جمله پیش‌بینی خطر سیل [ 29 ]، و به داده‌های دقیق در مورد هندسه شبکه‌های کانال آنها نیاز دارد [ 30 ].
ماموریت ماهواره‌ای آب‌های سطحی و توپوگرافی (SWOT) آینده ناسا، که برای پرتاب در سال 2022 برنامه‌ریزی شده است [ 31 ]، پوشش بی‌سابقه‌ای را بر روی دلتاها فراهم می‌کند و بینشی در مورد بسیاری از این فرآیندهای دلتای ارائه می‌دهد. SWOT محصولات شطرنجی ارتفاع سطح آب را با وضوح مکانی 100 متر تولید می کند و همچنین شیب های سطح آب را با دقت 1.7 سانتی متر در کیلومتر در امتداد 10 کیلومتر برای رودخانه هایی با عرض بیشتر از 100 متر تخمین می زند. با این حال، اندازه‌گیری‌های SWOT در امتداد یک کانال آب ممکن است به دلیل ترکیب پیکسل‌های زمین و آب بر روی رودخانه نازک، بازگشت «آب تاریک» ناشی از پراکندگی پایین رادار، و فاصله گرفتن از سایه‌های رادار که توسط کرانه‌های بلند و پوشش گیاهی بلند ایجاد می‌شود، ناپیوسته باشد [32] .]. بنابراین، یک ابزار منبع باز برای تسهیل محاسبه فاصله امتداد کانال بین اندازه‌گیری‌های پراکنده برای تخمین شیب سطح آب در کانال‌های دلتایی پیچیده و اغلب باریک مورد نیاز است، که ممکن است از یک ماسک آب SWOT حذف شود. چنین برآوردهای شیب به نوبه خود می توانند برای تعیین کمیت دبی استفاده شوند [ 33 ]. اگرچه پایگاه داده پهنای رودخانه جهانی از Landsat (GRWL) [ 26 ] به طور خاص برای پشتیبانی از چنین کاربردهای هیدرولوژی SWOT [ 34 ] طراحی شده است، دلتاهای رودخانه های متعددی را حذف می کند زیرا آنها در نزدیکی سطح متوسط ​​دریا قرار دارند [ 26 ].
در این مقاله، ما یک جعبه ابزار پایتون Orinoco را معرفی می کنیم که یک شبکه کانال [ 35 ] را به عنوان یک نمودار تعیین شده توسط هندسه کانال برای پشتیبانی از تجزیه و تحلیل و پردازش داده های SWOT بر روی دلتاهای جهان استخراج می کند. ما این شبکه را با استفاده موثر از روش راهپیمایی سریع برای بخش‌بندی کانال‌های دلتا استخراج می‌کنیم. نام اورینوکو از دلتای ونزوئلا گرفته شده است که از گوارونو به “مکان کشتیرانی” ترجمه شده است. یک نمایش نموداری از یک شبکه کانال می تواند از توصیف SWOT توزیع تخلیه [ 21 ، 22 ] در کل دلتا پشتیبانی کند. نمودار جی=(V،E)با گره‌ها (یا رئوس) V و پیوندها (یا لبه‌های) E تعریف می‌شود ، که حرکت آب را از طریق شبکه کانال دلتایی مدل‌سازی می‌کند [ 35 ]. در حالت ایده آل، پیوندها باید در مرکز هر کانال قرار گیرند و تقریباً موازی با جهت جریان جریان باشند [ 25 ]. پیوندهای یک شبکه کانال را می توان برای تخمین خطوط مرکزی کانال در یک دلتا استفاده کرد [ 34 ]، اما نه برعکس، حداقل بدون پردازش موقتی قابل توجه نیست زیرا هندسه های خط مرکزی ممکن است شکاف هایی در داخل کانال ها داشته باشند یا هندسه های آنها به راحتی قابل ترجمه نباشد. یک شبکه، به عنوان مثال، در یک تقاطع رودخانه، یک نقطه پایانی از یک خط مرکزی ممکن است دیگری را در داخل خود قطع کند. یک شبکه کانال می تواند بینشی در مورد ژئومورفولوژی و اتصال دلتا ایجاد کند [36 ]، که خواص بسیار مرتبط برای مدیریت دلتاها هستند [ 28 ]. با Orinoco، ما به راحتی می توانیم فواصل در طول کانال را محاسبه کنیم که برای تقریب شیب سطح آب با استفاده از داده های ارتفاع سنجش از راه دور مانند ماموریت SWOT بسیار ارزشمند است. ما همچنین محاسبه شارهای حالت پایدار در شبکه را نشان می‌دهیم که می‌توان از آن برای درک توزیع دبی در دهانه رودخانه با فرض اینکه شبکه به درستی ساخته شده است استفاده کرد.
ابزارهای متعدد دیگری نیز وجود دارند که هندسه هیدرولیکی کانال‌های درون دلتا را استخراج می‌کنند، که هر کدام مزایا و معایب خود را دارند [ 37 ، 38 ، 39 ، 40 ، 41 ]. RivGraph، طبق دانش ما، تنها کتابخانه پایتون دیگری است که در حال توسعه است که یک شبکه کانال را طبق تعریف گرافیکی بالا استخراج می کند [ 42 ، 43 ]. اورینوکو استفاده از روش راهپیمایی سریع [ 44 ] را برای پیمایش عددی و بخش‌بندی کانال‌های دلتایک برای تولید شبکه معرفی می‌کند. بخش بندی، به ویژه، یک محصول مفید برای بررسی اندازه گیری ها در کانال های دلتایی فراهم می کند.
در حالی که شبکه‌های کانال به‌دست‌آمده توسط Orinoco و RivGraph مشابه هستند، روش‌های انجام این کار بسیار متفاوت است: جایی که ما از روش راهپیمایی سریع و تقسیم‌بندی کانال استفاده می‌کنیم، RivGraph از روش اسکلت‌سازی از [45] استفاده می‌کند .
دوره-آموزش-حرفه-ای-gis

2. سایت ها و داده ها

2.1. سایت های تست و اعتبارسنجی

ما Orinoco را نشان داده و محصولات داده مربوطه را بر روی دریاچه Wax و دلتاهای رودخانه Atchafalaya در جنوب ایالات متحده با استفاده از ماسک‌های آب مشتق شده از نقشه خیابان باز (OSM) استخراج می‌کنیم. کاشی های OSM دارای پوشش دهی در سطح جهانی با وضوح تقریبی 30 متر هستند و برای به دست آوردن ماسک آب برای تجزیه و تحلیل نیاز به پردازش بسیار کمی دارند. دریاچه موم و دلتاهای آچافالایا در حدود 175 کیلومتری جنوب-جنوب شرقی لوئیزیانا واقع شده اند و هر کدام مساحتی در حدود 100 کیلومتر را پوشش می دهند. 2. این دلتاها معدود دلتاهایی در دشت سیلابی دلتای می سی سی پی هستند که در حال پیشرفت هستند [ 27 ، 46 ]، حتی در شرایطی که اکثر مناطق ساحلی لوئیزیانا با سرعت بسیار نگران کننده ای در حدود 57 کیلومتر از دست می دهند. 2/سال بین 1932 و 2016 [ 47 ]. در مورد دلتای دریاچه موم، رسوبات در دهانه خروجی دریاچه موم به دلیل یک کانال مصنوعی که توسط سپاه مهندسین ارتش ایالات متحده در اوایل دهه 1940 لایروبی شده بود برای کاهش سیل در شهر مورگان [48] جمع می‌شود .
اعتبار سنجی برآوردهای عرض، و همچنین مقایسه خطوط مرکزی و جهت جریان جریان، بر روی دلتای مکنزی در شمال کانادا با استفاده از پایگاه داده پهنای رودخانه جهانی از Landsat (GRWL) [26] و محصولات RivGraph [ 42 ] انجام می شود . با مساحتی در حدود 13000 کیلومتر 2، دلتای رودخانه مکنزی بزرگترین دلتای قطب شمال آمریکای شمالی و دومین دلتای بزرگ جهان پس از دلتای لنا در روسیه است [ 49 ]. منجمد دائمی تقریباً زیر 75 درصد از حوضه زهکشی دلتا قرار دارد، و به دلیل نرخ نامتناسب گرمایش در قطب شمال [ 50 ]، این یخ‌های دائمی در حال ذوب شدن است، هیدرولوژی [ 51 ] و دینامیک رسوب [ 52 ] در منطقه را تغییر می‌دهد.
Orinoco فقط به یک ماسک آب دوتایی و ترسیم اقیانوس به عنوان ورودی نیاز دارد، و بنابراین کاربر این انعطاف‌پذیری را دارد که ماسک آب خود را برای برنامه ایجاد کند. این امر به ویژه برای تجزیه و تحلیل های دلتایی مهم است که در آن سیل، پوشش گیاهی فصلی، ذوب شدن یخ های دائمی، و رسوب رسوب می تواند به سرعت هندسه و توپولوژی کانال ها را تغییر دهد [ 48 ، 52 ]. در غیر این صورت، با همان کاشی‌های OSM در دسترس عموم که در اینجا استفاده می‌شود، شبکه‌های کانال ما را می‌توان از دلتاهای متعدد در سطح جهانی استخراج کرد.

2.2. ماسک های آب و ترسیم اقیانوس

ایجاد یک ماسک آب بر روی یک منطقه مورد علاقه بسیار دشوار است [ 37 ]، و ایجاد یک روش قوی برای انجام این کار فراتر از محدوده این کار است. اورینوکو فقط به یک ماسک آب دوتایی و ترسیم اقیانوس نیاز دارد که می تواند از داده های سنجش از راه دور یا نقشه های آزادانه در دسترس ساخته شود. ماسک کانال دودویی برای همه بحث‌های بعدی، نقشه‌ای خواهد بود که پیکسل‌های زمین دارای ارزش 0 و پیکسل‌های آب دارای ارزش 1 هستند.
ماسک‌های آبی مورد استفاده برای نشان دادن قابلیت‌های اورینوکو در بخش 3 از کاشی‌های Stamen Terrain که بخشی از پروژه نقشه خیابان باز (OSM) هستند [ 53 ] مشتق شده‌اند و با استفاده از نرم‌افزار منبع باز [ 54 ] دانلود شده‌اند. ما همچنین محصول خود را با استفاده از یک ماسک آب با وضوح بالا که از کاشی‌های Google Map مشتق شده است، با انتخاب رنگ‌هایی در نقشه که آب هستند، نشان می‌دهیم. با استفاده از این کاشی‌های در دسترس عموم، می‌توان چنین ماسک‌های آبی را روی هر دلتا تهیه کرد. ما قبل از استخراج شبکه، حداقل پیش پردازش ماسک های آب را انجام دادیم: ما یک اتساع دوتایی و به دنبال آن یک فرسایش با استفاده از [ 55] اعمال کردیم.]. این تضمین می کند که پل ها و جزایر کوچکی که عرض آنها کمتر از 2 سلول شبکه است، بر اتصال تأثیر نمی گذارد. اتصالات بالقوه کاذب را می توان با این پیش پردازش معرفی کرد و کانال های انحنای بالا ممکن است به اشتباه ساده شوند، اگرچه ما چنین مسائلی را در مناطق مورد مطالعه خود مشاهده نکردیم زیرا اکثر کانال ها با بیش از 2 سلول شبکه از هم جدا شده بودند. این طرح اتساع – فرسایش یکی از ساده‌ترین روش‌های پیش پردازش است که می‌تواند برای بهبود کیفیت ماسک آب اعمال شود و ما برای استراتژی‌های اضافی متعدد به [ 37 ] مراجعه می‌کنیم. ماسک اقیانوس با دست ایجاد شد تا اطمینان حاصل شود که دهانه کانال‌های رودخانه به خوبی با ماسک آب مطابقت دارد، اگرچه می‌توان این ترسیم اقیانوس را با استفاده از [ 56 ] که در بخش 4 انجام می‌دهیم خودکار کرد..
همچنین توجه می‌کنیم که در داخل یک ماسک آب، ممکن است کانال‌ها و شکاف‌هایی وجود نداشته باشد (مثلاً به دلیل پل‌های بزرگ یا کانال‌های باریک) که می‌تواند بر شبکه و محصولات حاصل تأثیر بگذارد. ما چنین مسائلی را در ماسک‌های آبی مشتق شده از OSM و GRWL که در اینجا استفاده می‌شود مشاهده کردیم، و اغلب چنین چالش‌هایی احتمالاً باید به صورت موردی برطرف شوند.
ترسیم اقیانوس نیز برای Orinoco مورد نیاز است. برای نمایش های خود در بخش 3 ، ما به صورت دستی چنین ترسیمی را ترسیم می کنیم. برای اعتبار سنجی خود با GRWL، USGS و RivGraph ، از داده های [ 56 ] استفاده می کنیم. اگر ترسیم اقیانوس خیلی دور از خروجی کانال ها باشد، ممکن است نیاز باشد که محصولات به دست آمده به صورت دستی تنظیم شوند. به طور کلی، ما دریافتیم که اگر رابط اقیانوس و کانال دلتا با [ 56 ] مطابقت نداشته باشد ، ترسیم دستی چنین چندضلعی به جای به‌روزرسانی محصولات نهایی Orinoco آسان‌تر است.

3. روش شناسی و قابلیت های نرم افزار

ما یک شبکه کانال را با استفاده از تقسیم بندی کانال ها ایجاد می کنیم. بخش ها با توجه به فاصله از اقیانوس با استفاده از روش راهپیمایی سریع استخراج می شوند. این رویکرد تقسیم بندی کارآمد است زیرا ساختار شبکه ما توسط مناطق مجزای فضایی درون کانال ها به جای پیکسل های منفرد تعیین می شود. مرکز هر بخش به عنوان یک گره در V شناسایی می شود و با پیوندهایی در E به بخش های مجاور آن متصل می شود . عرض هر بخش، که عرض کانال را در بر می گیرد و عمود بر جهت جهت جریان تخمینی جریان اندازه گیری می شود، به عنوان یک ویژگی گره ذخیره می شود. Orinoco شبکه کانال را به NetworkX صادر می کند [ 57]، یک کتابخانه محبوب پایتون که به خوبی نگهداری می شود برای مطالعه شبکه ها و ویژگی های آنها. این اجازه می دهد تا شبکه کانال در یک گردش کار سنجش از راه دور پایتون ادغام شود.

3.1. روش راهپیمایی سریع برای استخراج یک شبکه

فاصله تا اقیانوس و تقسیم بندی حاصل از آن با استفاده از روش راهپیمایی سریع بدست می آید که به طور موثر یک مورد خاص از معادله ایکنول را حل می کند [ 44 ]. دامنه داده شده است Ω⊂آر2و یک رابط Γ⊂Ωتوسط یک مجموعه سطح توصیف شده است f(ایکس)=0با f:Ω→آر، اجازه دهید یک فاصله علامت دار عمل کند φ:Ω→آراز رابط Γاز طریق معادله دیفرانسیل جزئی [ 44 ] شرح داده شود:

|∇φ(ایکس)|=1،ایکس∈Ωφ(ایکس)=0،ایکس∈Γ.

در بالا، راه حل φدارای ابهام نشانه است، اما به راحتی حل می شود با فرض φ>0دور از Γ. ما فرض می‌کنیم که همه ماسک‌های آب در یک سیستم مختصات مرکاتور عرضی جهانی (UTM) (یا یک سیستم مرجع مختصات که سلول‌های وضوح آن اندازه‌گیری یکنواخت فاصله هستند و نه درجه) هستند. φنشان دهنده فاصله است روش راهپیمایی سریع مشابه الگوریتم Dijkstra در یک شبکه 4 متصل القا شده توسط پیکسل های تصویر است [ 58 ]. ما از بسته منبع باز Python scikit-fmm [ 59 ] استفاده می کنیم. در آینده، چنین فاصله ای ممکن است بر روی شبکه تصویر 8 متصل محاسبه شود، اما در حال حاضر، این در scikit-fmm [ 60 ] اجرا نمی شود.
ما روش راهپیمایی سریع را برای سناریوی زیر اعمال می کنیم. اجازه دهید Ωماسک آب کانال داخلی باشد. اجازه دهید Γرابط بین اقیانوس و این کانال ها را مشخص کنید. ما فاصله تقریبی تا این رابط را با استفاده از روش راهپیمایی سریع بدست می آوریم.
استفاده كردن φسپس کانال های رودخانه را بر اساس فاصله ثابت D تقسیم بندی می کنیم . به طور خاص، برچسب بخش ℓ(ایکس)در یک نقطه ایکس∈Ωبه عنوان … تعریف شده است ℓ(ایکس):=⌊φ(ایکس)/D⌋جایی که ⌊·⌋طبقه عددی است. در جعبه ابزار خود، آستانه را بر حسب تعداد پیکسل ها مشخص می کنیم تیپیکسلبرای تعیین تنظیمات تقسیم بندی D=تیپیکسل·r، جایی که r وضوح ماسک زیرین است. ما اطمینان می‌دهیم که همه بخش‌ها به هم پیوسته هستند و بر این اساس با استفاده از scipy دوباره برچسب‌گذاری می‌کنیم [ 55 ].
این بخش‌ها، مستقل از ساخت شبکه بعدی، برای تجزیه و تحلیل در کانال‌های دلتایی ارزشمند هستند زیرا می‌توانیم آمار و اندازه‌گیری‌ها را در مناطق فضایی محلی کانال‌های دلتایی جمع آوری کنیم. در بخش 4 ، ما از این مزیت برای مقایسه اندازه گیری های Orinoco با سایر محصولات و اندازه گیری های موجود استفاده می کنیم. این مشاهدات نیز به راحتی به ما اجازه می‌دهد تا رویکردهای سایر بسته‌های نرم‌افزاری مرتبط مانند [ 39 ، 42 ] را در این گردش کار ترکیب کنیم، زیرا هر بخش به طور منحصربه‌فردی با یک گره مطابقت دارد.
شماتیکی از تنظیمات ما در شکل 1 بر روی دریاچه موم و دلتاهای آچافالایا با استفاده از ماسک آب مشتق شده از OSM نشان داده شده است. مناطق اقیانوس، خشکی و کانال در شکل 1 الف نشان داده شده است. تابع فاصله مرتبط φدر شکل 1 ب و بخش های بعدی در شکل 1 ج با استفاده از نشان داده شده استتیپیکسل=5پیکسل روی یک ماسک آب با وضوح 30 متر (یعنی D=150م). در این مرحله، مشاهده می کنیم که گرادیان از φموازی با جلوی بخش های داخل کانال خواهد بود. ما استفاده خواهیم کرد ∇φبرای تخمین جهت جریان جریان بعداً در بخش 3.3 .
از قطعات، به اصطلاح نمودار مجاورت منطقه (RAG) [ 61 ] را بدست می آوریم و اتصال بین بخش های مشتق شده را تعیین می کنیم. گره ها مرکز هر بخش هستند. پیوندها با توجه به مجاورت RAG تعیین می شوند، به عنوان مثال، کدام بخش ها یک مرز مشترک دارند. از این پیوندها می توان برای تقریب خطوط مرکزی کانال استفاده کرد.

3.2. تخمین جهت جریان جریان در امتداد لبه ها

ما پیوندهای شبکه را هدایت می کنیم و جهت تقریبی جریان جریان را با استفاده از ساختار شبکه کانال تعیین می کنیم. ابتدا، پیوندها را به گروه‌های پیوسته بین گره‌هایی تقسیم می‌کنیم که (الف) یک اتصال شبکه هستند، یعنی دارای درجه بزرگتر از 2، (ب) یک گره با تنها یک اتصال، یعنی دارای درجه 1، یا (ج) a. گره ای که بخش مرتبط آن در مجاورت رابط است Γ. با استفاده از این پارتیشن پیوندها، مسیرهایی را در شبکه به دست می آوریم که نقاط انتهایی آنها ورودی، خروجی یا اتصال هستند. ما فرض می کنیم که آب در یک جهت در امتداد چنین مسیری در شبکه جریان دارد. ما هر مسیر پیوسته را بر اساس اینکه کدام نقطه پایانی به رابط نزدیکتر است هدایت می کنیم Γبا توجه به φ. در موارد نادری که دو نقطه پایانی با هم فاصله دارند Γ، پیوند را در هر دو جهت هدایت می کنیم و بنابراین یک نمودار چندگانه جهت دار ایجاد می کنیم تا عدم قطعیت جهت جریان جریان را نشان دهد.
ما هشدار می‌دهیم که این رویکرد ساده مبتنی بر نمودار برای تخمین جهت جریان جریان در امتداد هر لبه می‌تواند جهت‌های جریان غیرواقعی را برای شبکه‌های کانال پیچیده در مناطق بزرگ اختصاص دهد. رویکردهای دقیق تری برای این موضوع وجود دارد، مانند رویکرد عالی اتخاذ شده توسط RivGraph ، که مجموعه داده های کمکی متعدد و قوانین تجربی را در خود جای داده است [ 42 ]. در [ 62 ]، جهت جریان جریان با استفاده از مدل های ارتفاعی دیجیتال با وضوح بالا (DEMs) بر روی حوضه ها تخمین زده می شود. در [ 63]، استراتژی‌های چند مقیاسی برای اطمینان از سازگاری جهت جریان جریان تخمینی در سراسر یک شبکه دلتای بافته استفاده می‌شوند. اگرچه چنین روش‌های تخمینی در حال حاضر فراتر از توانایی‌های اورینوکو هستند، چنین رویکردها و محصولاتی باید برای تحلیل‌های قوی‌تر یکپارچه شوند. همانطور که قبلا ذکر شد، تخمین های جهت جریان جریان از سایر محصولات و ابزارها را می توان با استفاده از تقسیم بندی کانال در ویژگی های شبکه ادغام کرد. ما تاکید می کنیم که تخمین جهت جریان جریان، حتی با استفاده از یک روش پیچیده تر، بسیار دشوار است، به ویژه در دلتاهایی که بیشتر ناحیه دلتایی در سطح متوسط ​​دریا قرار دارد، جایی که یک DEM ممکن است اطلاعات زیادی در مورد جهت جریان جریان ارائه نکند.
همانطور که در [ 43 ]، ما مسیرهای “آویزان” را که احتمالاً در مورد اتصال کانال آموزنده نیستند، هرس می کنیم. چنین مسیرهایی دارای نقطه پایانی درجه 1 هستند، به آنها متصل نیستند Γو از کمتر یا مساوی تشکیل شده اند تیهرس کنیدپیوندها، کجا تیهرس کنیدیک آستانه تعریف شده توسط کاربر است. این هرس را می توان به صورت مکرر انجام داد. در تمام مثال‌های ارائه‌شده در این مقاله، مسیرهای آویزان که حاوی کمتر یا مساوی 3 پیوند هستند را حذف کرده و 1 تکرار از این روش هرس را اعمال می‌کنیم.
بعد از اینکه شبکه خود را هدایت کردیم و آن را هرس کردیم، فاصله هر گره تا اقیانوس را با استفاده از ساختار شبکه دوباره محاسبه می کنیم. هر یال در شبکه ما دارای طولی است که با فاصله خط مستقیم آن در سیستم مختصات UTM مرتبط تعیین می شود. سپس فاصله نمودار بین دو گره در شبکه ما مجموع طول یال در کوتاه ترین مسیر بین آنها است. ما فاصله یک گره تا اقیانوس را به عنوان حداقل فاصله برای یک گره برای رسیدن به گره دیگری که قطعه آن مجاور است تعریف می کنیم. Γدر تقسیم بندی ما بنابراین، فاصله نمودار تا اقیانوس را می توان برای تقریبی فاصله در امتداد خطوط مرکزی کانال تا اقیانوس مشاهده کرد. وضوح فضایی این فاصله نمودار محاسبه شده تقریباً حاصل تفکیک ماسک آب r و استتیپیکسل. در واقع، ما فاصله کانال‌های انحنای بالا را که به وضوح فضایی دقیق‌تری با توجه به این رویکرد نیاز دارند، دست‌کم می‌گیریم.
در شکل 2 ، چنین محصولاتی را بر روی دلتای رودخانه آچافالایا نمایش می دهیم. شکل 2 a گروه بندی پیوندهای بین اتصالات، ورودی ها و خروجی ها را برای هدایت شبکه نشان می دهد. شبکه هدایت شده حاصل در شکل 2 ب با جهت تخمینی جریان جریان در امتداد لبه هایی که به سمت اقیانوس می روند نشان داده شده است. ما همچنین فاصله امتداد کانال به دست آمده از طریق ساختار شبکه را در شکل 2 ج نشان می دهیم. ما توجه می کنیم که فواصل اقیانوس با استفاده از شبکه کانال بزرگتر از فاصله تعیین شده توسط است φزیرا فاصله ای که از طریق ساختار شبکه کانال تعیین می شود، محدود به حرکت در مرکز تقریبی کانال ها است، که این مورد برای φ. علاوه بر ماسک آبی مشتق شده از OSM، روش‌شناسی خود را بر روی ماسک آبی مشتق شده از Google Maps 2 متری بر روی دلتاهای Wax Lake و Atchafalaya نشان می‌دهیم. ما زیرمجموعه ای از این شبکه را بر روی دریاچه موم و فاصله محاسبه شده تا اقیانوس را در شکل 3 نشان می دهیم.. جهت تخمینی جریان جریان در امتداد لبه ها با استفاده از استراتژی گرافیکی ما کمتر قابل اعتماد است زیرا کانال های ظریف متعددی با مسیرهای متعدد به اقیانوس و اتصالات زیادی بین آنها وجود دارد. با این حال، کانال‌های پیچیده نقشه‌برداری‌شده چنین محصول تجاری با وضوح بالا، این مثال را به طور بالقوه مفید می‌سازد که در نظر گرفتن پوشش گیاهی شناور مکرر، تعیین چنین شبکه‌های کانالی را به تنهایی از طریق داده‌های سنجش از راه دور سخت‌تر می‌کند. ما مجدداً مانند ماسک آب OSM به صورت دستی برای این شبکه یک ترسیم اقیانوس درست کردیم.

3.3. تخمین عرض کانال

در نهایت عرض را در هر گره در شبکه خود تخمین می زنیم. برای انجام این کار، ابتدا جهت جریان جریان را در هر پیکسل ماسک کانال تخمین می زنیم و از آن برای تقریب جهت جریان جریان در یک گره خاص استفاده می کنیم. توجه داشته باشید که در بخش قبل، جریان جریان را در امتداد یک یال تخمین زدیم، اما برای تعیین جهت جریان در گره، که ممکن است دارای لبه های متعددی باشد، به رویکرد متفاوتی نیاز داریم. ما جهت جریان جریان محلی را در داخل پیکسل های کانال مطابق با مدل می کنیم ∇φ، یعنی جهت شیب دارترین نزول نسبت به تابع فاصله ما φ. سپس بردار را مرتبط می کنیم ∇φاز پیکسلی که گره در آن قرار دارد با جهت جریان آن گره. هندسه عرض نامزد را در یک گره معین به گونه ای تعریف می کنیم که پاره خط عمود بر آن باشد ∇φو نقطه وسط آن این گره است. طول این هندسه عرض نامزد را قبل از تقاطع به عنوان محیط بخش مربوط به گره تنظیم می کنیم. ما این هندسه خط کاندید را با بخش و همسایگان مربوطه آن با استفاده از [ 64 ] قطع می کنیم تا عرض کانال را در گره داده شده به دست آوریم ( همسایگی k -hop بزرگتر نیز به لطف عملکرد NetworkX قابل استفاده است). ما نمونه ای از عرض های تخمینی و جهت گیری آنها را در شکل 2 ارائه می دهیمد تقاطع عرض نامزد با همسایگی بخش ها به جای ماسک کامل کانال تضمین می کند که عرض های ما به طور منطقی در یک همسایگی از گره محدود می شود که به ویژه در نزدیکی اتصالات مهم است. به این نکته آخر، اگر هندسه عرض در جهتی تقریباً عمود بر جهت جریان جریان بالادست باشد، این حد مانع از تخمین قابل توجه عرض همانطور که در شکل 4 c مشاهده می شود (در این مورد به زودی بیشتر بحث خواهیم کرد) جلوگیری می کند. علاوه بر این، داشتن هندسه کوچکتر و ساده تر برای تقاطع هندسی، این فرآیند را برای افراد خوش فرم کارآمدتر می کند.الگوریتم؛ تلاقی هر هندسه عرض نامزد با هندسه کامل پیچیده مرتبط با ماسک آب از نظر محاسباتی بسیار گرانتر است. ما همچنین توجه می کنیم که برخی از گره ها ممکن است خارج از ماسک کانال قرار بگیرند، به عنوان مثال، زمانی که بخش ما مقعر است، و غیره ∇φتعریف نشده است و نمی توانیم هندسه عرض نامزد را تعریف کنیم. برای اطمینان از اینکه همه گره ها دارای عرض مرتبط هستند، از ساختار شبکه برای پر کردن عرض های از دست رفته استفاده می کنیم. ما به سادگی جهت متوسط ​​پیوندهای همسایه یک گره را در نظر می گیریم (زمانی که هر پیوند را تغییر می دهیم تا آنها در π/2از یکدیگر). در این میانگین، هر پیوند را با توجه به معکوس فاصله آن تا آن گره وزن می کنیم. ما فرض می‌کنیم که گره‌های همسایه نزدیک‌تر در شبکه کانال برای تعیین جهت جریان جریان گره مورد بررسی مهم‌تر هستند. توجه داشته باشید که این روش کاملاً مستقل از انجام می شود φزیرا فواصل با استفاده از فاصله خط مستقیم بین گره ها محاسبه می شوند و بنابراین هر گره در شبکه ما یک تخمین جهت جریان جریان با استفاده از این رویکرد خواهد داشت. با این حال، ما متوجه شدیم که این جهت جریان جریان تخمینی تا حدی از نظر بصری کمتر معقول است زیرا جهت پیوندهای شبکه می تواند به طور ناگهانی به دلیل جزایر کانال یا در اتصالات تغییر کند. بنابراین، این رویکرد برای پر کردن گره‌های بدون عرض استفاده می‌شود.
در نزدیکی اتصالات کانال، جهت جریان یک گره و در نتیجه عرض اندازه گیری شده برای تعیین چالش برانگیزتر است. اولاً، الگوریتم ما تمایل دارد جهت جریان جریان را با توجه به کانال ورودی که فاصله آن تا اقیانوس کمتر است همانطور که در شکل 2 d مشاهده می شود، جهت دهد. توجه می کنیم که هندسه های عرض نشان داده شده در شکل 2 d عمود بر آن هستند ∇φدر محل گره ارزیابی می شود. اگر اختلاف عرض دو کانال متقاطع زیاد باشد، چالش‌های اضافی رخ می‌دهد، زیرا بخش‌های درون این اتصال ممکن است به شکل نامنظم باشند و قرار گرفتن مرکز گره لزوماً در مرکز مورد انتظار کانال نباشد. در نهایت و مهمتر اینکه کانال های متقاطع انحنای بالایی را به سیستم کانال وارد می کنند و بنابراین ∇φبه سمت کانال های پایین دست سوگیری دارد زیرا این جهت به سمت اقیانوس است. ما برخی از این چالش ها را در زیر مجموعه ای در دلتای Atchafalaya در شکل 4 برجسته می کنیم . می بینیم که در تقاطع نزدیک به 29.47 عرض جغرافیایی در مرکز شکل، سمت راست ترین کانال سریعتر از مرکز ترین کانال به این اتصال می رسد. بنابراین، همانطور که انتظار داریم، جهت جریان تخمینی جریان از شرق به غرب به جای شمال به جنوب اندازه گیری می شود. این را می توان با بررسی هندسه های عرض در شکل 4 ج مشاهده کرد. علاوه بر این، تفاوت در عرض کانال‌های متقاطع باعث می‌شود که قطعات نامنظم‌تر شوند و از بخش‌های مستطیلی بیشتر که دور از اتصالات دیده می‌شوند منحرف شوند. در تقاطع در عرض جغرافیایی 29.51 در مرکز بالای شکل 4ج، می بینیم که هندسه های عرض و جهت جریان جریان به سمت کانال پایین دست متمایل شده و از جهت جریان مورد انتظار عقب می ماند. ∇φبه سمتی در امتداد کوتاه ترین مسیر به اقیانوس در آن مناطق اشاره می کند. ما همچنین در این اتصال مشاهده می‌کنیم که اگرچه هندسه‌های عرض تقریباً عمود بر کانال بزرگ‌تری هستند که آن را قطع می‌کند، عرض هندسی محدود است. این به این دلیل اتفاق می‌افتد که ما هندسه عرض نامزد را در این گره‌ها در نزدیکی محل اتصال تنها با بخش‌های همسایه (و نه ماسک کامل آب) قطع می‌کنیم و این از تخمین بیش از حد بزرگ جلوگیری می‌کند. به هر حال، همانطور که از اتصالات دور می شویم، هندسه های عرض همان طور که انتظار می رود جهت گیری می شوند، به ویژه در امتداد کانال هایی با انحنای کم همانطور که در شکل 2 d مشاهده می شود.

Orinoco هندسه های عرض (علاوه بر تخمین های عرض) را به عنوان محصول نهایی خروجی می دهد. این به کاربران این امکان را می‌دهد که نه تنها اندازه‌گیری عرض نهایی را بررسی کنند، بلکه بررسی کنند که در چه خطی عرض اندازه‌گیری شده است. این خروجی هندسی برای انجام تجزیه و تحلیل دقیق بر روی کانال دلتا و درک اینکه چرا عرض های خاص ممکن است از اندازه گیری ها و برآوردهای دیگر عرض کانال منحرف شوند، ارزشمند است. ما تمام مراحل خود را برای به دست آوردن شبکه کانال دلتایی و محصولات مرتبط در الگوریتم 1 خلاصه می کنیم.

الگوریتم 1: خلاصه ای از روش شناسی ما.
 نتیجه : شبکه کانال جی=(V،E)و عرض کانال wمنبرای هر من∈V.
ورودی : Channel Mask M، رابط Γ ، آستانه پیکسل تیپیکسل، آستانه هرس تیهرس کنیدرزولوشن r
ماسک آب.
تابع فاصله φ←(م،Γ)با روش راهپیمایی سریع [ 44 ].
برچسب های بخش {ℓمن}من∈V←(φ،تیپیکسل)با ℓمن(ایکس):=⌊ایکس/(تیپیکسل·r)⌋.
شبکه کانال هدایت نشده جیبدون جهت=(V،E)←{ℓمن}با استفاده از RAG [ 61 ]
شبکه کانال هدایت شده جیجهت دار=(V،E”)←(جیبدون جهت،φ)از پارتیشن لینک
هرس کنید جیجهت دارهمانطور که در [ 43 ] حذف مسیرها با تیهرس کنیدیا لینک های کمتر
عرض کانال {wمن}من∈V←(جیجهت دار،∇φ،{ℓمن}).
برگشت جیجهت دار، {wمن}من∈V

3.4. تجزیه و تحلیل مرتبط با شبکه و محاسبه شار حالت پایدار

ساختار شبکه محاسبات زیادی را انجام می دهد که تنها با خطوط مرکزی امکان پذیر نیست. ساده تر، ما می توانیم فاصله امتداد کانال را با استفاده از این ساختار شبکه محاسبه کنیم. در حالت ایده‌آل، لبه‌های شبکه را در جهتی مشابه جهت جریان جریان خواهیم داشت تا مسیری بین دو گره وجود داشته باشد اگر و فقط اگر آب از یک گره به گره دیگر برود. با این حال، حتی با یک شبکه هدایت نشده، چنین محاسبات فاصله ای را می توان انجام داد و ممکن است برای تخمین این فاصله در طول کانال مفید باشد. این فاصله به نوبه خود می تواند برای محاسبه شیب تقریبی در مناطق بزرگ زمانی که اندازه گیری ارتفاع آب های سطحی در کانال دلتا در دسترس است استفاده شود. ماموریت SWOT چنین اندازه گیری هایی را در سطح جهانی ارائه خواهد کرد.
علاوه بر این، ساختار شبکه و تخمین عرض کانال به ما اجازه می دهد تا شار حالت پایدار را در شبکه محاسبه کنیم. این می تواند برای محاسبه شار (یا دبی) نسبی در دلتا [ 65 ]، و تخمین نحوه توزیع دبی در خروجی های دلتا استفاده شود. این البته مستلزم محاسبه بسیار دقیق جهت جریان جریان و همچنین تمام منابع و غرق‌ها در شبکه است. ارائه ابزارهایی برای کمک به تجزیه و تحلیل کارآمدتر ممکن است برای مطالعات دقیق منطقه ای ارزشمند باشد. علاوه بر این، ما نرخ آنتروپی نرمال شده توصیف شده در [ 35 ، 36 ، 65 ] را محاسبه می کنیم که می تواند برای تعیین میزان توزیع یکنواخت این شار در سراسر دلتا استفاده شود.
ما این قابلیت ها را در یک محیط بسیار ساده با استفاده از ماسک آب OSM نشان می دهیم. همانطور که در [ 65 ] اشاره شد، برای اینکه محاسبات معنای فیزیکی داشته باشد، باید این موارد را داشته باشیم: همه منابع و سینک های محاسبه شده (یا فرض کنید منابع و سینک های به حساب نیامده نسبت به دینامیک شار ناچیز هستند). یک برآورد دقیق از جهت جریان جریان مدل شده توسط شبکه ما داشته باشید. و یا فرض کنید که عمق سنجی در سراسر شبکه به عرض همبستگی دارد یا داده های نمایه کانال را در ویژگی های لبه ترکیب کنید [ 65 ، 66]. چنین تنظیم دقیقی فراتر از محدوده این کار است، اگرچه ما به این موضوع اشاره می کنیم تا نشان دهیم این ابزار باید در کنار هم با منابع داده اضافی و ورودی متخصص مورد استفاده قرار گیرد. تمرکز ما این است که نشان دهیم چگونه ساختار شبکه می تواند چنین محاسبات مربوط به تخلیه را به راحتی در دسترس قرار دهد.
ما به طور خلاصه تعریف تعاریف مرتبط با شبکه را در زیر بررسی می کنیم [ 35 ، 65 ]. ما ابتدا یک شبکه فرعی را در نظر می گیریم که توسط یک منبع واحد با توجه به جهت جریان جریان تخمینی ما تعیین می شود. اگر چندین کانال وجود داشته باشد که در آن آب به دلتا وارد می شود، ما آنها را به طور مصنوعی به یک منبع اضافی در شبکه متصل می کنیم. ما این منبع را درست در جنوب آبراه درون ساحلی انتخاب می‌کنیم و زیرشبکه به سادگی تمام آن گره‌ها را مطابق با جهت جریان جریان تخمینی ما قابل دسترسی است. ما فرض می کنیم که این تنها منبعی است که به پایین دست در سیستم ما جریان دارد. ما گراف جهت دار خود را در امتداد پیوندهای بین اتصالات، خروجی ها و منبع در یک مولتی گراف جهت دار ادغام می کنیم. جیمتر=(Vمتر،Eمتر)، به این معنی که دو گره ممکن است چندین پیوند بین خود داشته باشند. این ادغام نسبت به زیرشبکه ما انجام می شود زیرا اتصالات در شبکه بزرگتر ممکن است دیگر اتصالات در زیرشبکه ما نباشند. این مولتی گراف تک منبعی بر روی دلتای دریاچه موم در پانل دوم شکل 5 نشان داده شده است .
سپس عرض هر پیوند چند گراف خود را با توجه به عرض متوسط ​​پیوندهای موجود در زیرشبکه اصلی اختصاص می دهیم. با استفاده از عرض ها برای تعیین شار در اتصالات، ماتریس انتقال را تنظیم می کنیم پ=(پمنj)که در آن پمنjاحتمال این است که آب در محل اتصال i پس از یک مرحله زمانی به سمت j حرکت کند . این احتمال با توجه به عرض نسبی پیوندهای پایین دستی تعیین می شود [ 35 ، 65 ]. سپس هر خروجی را به منبع وصل می کنیم تا کل آب درون سیستم پس از هر مرحله زمانی حفظ شود. محاسبه بردار ویژه سمت چپ پ، ما شار حالت پایدار π را تعیین می کنیم ، به عنوان مثال، πتیپ=πتی، با توجه به زیرشبکه، که در آن πمندرصد آب یافت شده در تقاطع i as استتی→∞. شار حالت پایدار در امتداد خروجی ها در بالای صفحه شکل 5 نشان داده شده است . گره ها با توجه به شار نسبی در امتداد تمام خروجی ها در این زیرشبکه رنگ می شوند. با فرض اینکه شبکه ما با پارامترهای فیزیکی مناسب ساخته شده است، این نشان می دهد که چگونه تخلیه در هر خروجی در دلتا توزیع می شود.

سپس نرخ آنتروپی نرمال شده (nER) را می توان از آن محاسبه کرد π. nER به صورت تعریف شده است

nEآر=∑من∈Vمترπمن∑j:(من،j)∈Eمترپمنjورود به سیستم(پمنj)ورود به سیستم1دمن

جایی که دمندر گره i در زیرشبکه ما خارج از درجه است . زیرشبکه در شکل 5 دارای nER است =0.532، کمتر از nER ≈0.8 محاسبه شده در [ 36 ] که از ماسک آبی Landsat محاسبه شده است. توجه داشته باشیم که ماسک آبی مشتق شده از OSM ما برخی از اتصالات را در دهانه دلتای دریاچه موم از دست داده است، اگرچه بررسی بیشتر تفاوت ها خارج از محدوده این کار است. نوت بوک مربوطه را می توان در مخزن Orinoco یافت [ 67 ].

دوره-آموزش-حرفه-ای-gis

4. اعتبار سنجی برآوردهای اورینوکو

ما برآوردهای عرض و جهت جریان جریان اورینوکو را با مقایسه نتایج خود با محصولات GRWL، اندازه‌گیری‌های عرض درجا موجود از NWIS [ 68 ، 69 ] و محصولات RivGraph از [ 42 ] تأیید می‌کنیم. ما از بخش‌های روش راهپیمایی سریع برای مقایسه اندازه‌گیری‌های نزدیک و محاسبه میانگین محصولات مختلف در این بخش‌ها استفاده می‌کنیم.

4.1. مقایسه عرض اورینوکو با GRWL

اگرچه برخی از دلتاها بخشی از پایگاه داده GRWL نیستند، بسیاری از آنها مانند دلتای مکنزی در کانادا گنجانده شده اند. ما از دلتای مکنزی (کاشی NR08) برای اعتبار سنجی برآوردهای عرض خود و مقایسه خطوط مرکزی کانال خود با خطوط مرکزی GRWL استفاده می کنیم. در حالی که عرض های GRWL نیز تخمینی هستند، آنها اغلب برای تخمین عرض در کانال های دلتایی و تحلیل های مربوطه استفاده می شوند و نیاز به مقایسه را پشتیبانی می کنند.
برای به دست آوردن شبکه کانال خود، از ماسک آب GRWL استفاده کردیم. ما مرز اقیانوس در دلتا را با [ 56 ] تعیین می کنیم. از آنجایی که برخی از کانال‌ها در ماسک‌های آب GRWL فقط از طریق مجاورت مورب به هم متصل می‌شوند، هنگام محاسبه، یک بافر 1 پیکسلی به ماسک آب GRWL اضافه می‌کنیم. φبا استفاده از 4-اتصال هنگام محاسبه بخش های خود، محدود می کنیم φبه ماسک اصلی GRWL و از 8-اتصال [ 70 ] برای تعیین مجاورت استفاده کنید تا اطمینان حاصل شود که عرض ما با عرض های به دست آمده از GRWL مطابقت دارد. به طور معمول، این بافر ممکن است باعث اتصالات جعلی در شبکه کانال در مناطق دلتایی پیچیده تر شود، زمانی که فضای بین دو کانال مجزا تقریباً برابر با وضوح فضایی محصول ماسک آب باشد. در دلتای مکنزی اینطور نبود. در کارهای آینده، امیدواریم که قابلیت های Orinoco را گسترش دهیم و بتوانیم محاسبات کنیم φبا استفاده از 8-اتصال همانطور که در [ 60 ] بحث شد.
برای مقایسه GRWL ما، عرض های GRWL را در هر بخش در نظر می گیریم. به طور واضح تر، ما هر پیکسلی را که خط مرکزی کانال GRWL را با عرض GRWL مرتبط آن قطع می کند، اختصاص می دهیم. سپس عرض های داخل یک بخش را به استثنای پیکسل های بدون داده، میانگین می کنیم. برای اعتبار سنجی، بخش هایی را که مربوط به یک اتصال شبکه هستند (یعنی دارای درجه درونی یا بیرونی بزرگتر یا مساوی 2) حذف می کنیم. ما همچنین بخش‌های مربوط به گره‌هایی را که در مجاورت چنین اتصالات شبکه هستند، حذف می‌کنیم. ما چنین بخش هایی را حذف می کنیم زیرا تخمین عرض ما ممکن است در نزدیکی چنین اتصالاتی که در بخش 3.3 توضیح داده شده است، دقت کمتری داشته باشد .
برای مقایسه بیشتر، ما همچنین عرض ها را با تطبیق تبدیل فاصله از scipy محاسبه می کنیم [ 55 ]. به صراحت حداکثر فاصله را در نظر می گیریم دمندر یک قطعه i و عرضی را به گره مربوطه اختصاص دهید 2دمن-1. این رویکرد اقتباسی از محاسبات عرض موجود در [ 38 ، 42 ] است. این رویکرد فرض می‌کند که هندسه‌های عرض به بهترین شکل به نزدیک‌ترین نقطه زمین از خط مرکزی بدون توجه به جهت جریان جریان تقریب می‌شوند. مقایسه دقیق‌تری از چنین رویکردهایی برای اندازه‌گیری عرض در [ 25 ] بحث شده است.
ما این مقایسه ها را در نمودار پراکندگی در شکل 6 جمع آوری می کنیم . ما می بینیم که تعیین عرض ما دارای انحراف میانگین مربع ریشه (RMSD) و میانگین انحراف مطلق (MAD) قابل مقایسه با رویکرد تبدیل فاصله است، اما نسبت به GRWL دارای بایاس قابل توجهی کمتر است. برای زمینه، بایاس ما زیرپیکسلی است (ماسک های آب GRWL وضوح 30 متر دارند) و بایاس با استفاده از تبدیل فاصله کمی بیش از 1 پیکسل است. این کاهش در تعصب نسبت به GRWL به این دلیل است که عرض ما عمود بر جریان تخمینی جریان اندازه‌گیری می‌شود که بیشتر شبیه رویکرد اتخاذ شده با RivWidth [ 37 ] برای تولید GRWL [ 26 ] است.
ما تفاوت عرض و اتصال را در زیر مجموعه های جغرافیایی خاص در شکل 7 و شکل 8 بررسی می کنیم . نواحی زرد آن مناطقی هستند که حذف شده اند، زیرا این بخش یا شامل خط مرکزی GRWL نیست، یا یک اتصال در داخل شبکه است یا مجاور یکی است. ما خطوط اورینوکو را رسم می کنیم که در آنها عرض ها اندازه گیری می شود، اگرچه نمی توانیم هیچ مقایسه عرض بصری اضافی با GRWL خارج از این تفاوت عددی انجام دهیم. می‌بینیم که اورینوکو از کانال‌های کوچک‌تری در دلتا عبور می‌کند و از میان دریاچه‌ها حرکت می‌کند تا از اتصال در سراسر کانال‌های دلتا اطمینان حاصل کند. عرض Orinoco و GRWL بیشترین انحراف را در نزدیکی اتصالات یا کانال هایی با انحنای زیاد دارند (سمت چپ پایین شکل 8)ج). در اتصالات، محاسبه عرض به دلیل چالش‌های مرتبط با تخمین جهت جریان در آنجا دشوار است. در کانال‌های با منحنی شدید، اندازه‌گیری‌های عرض اورینوکو ممکن است با عمود بر مرکز کانال مطابقت نداشته باشد، همانطور که جریان جریان توسط تعیین می‌شود. ∇φهمانطور که در بخش 3.3 مورد بحث قرار گرفت ممکن است مقداری تاخیر داشته باشد . علاوه بر این، تحلیل‌ها در اینجا بر اساس میانگین عرض GRWL در بخش‌های فاصله به دست آمده در اینجا هستند و این مقایسه علاوه بر این، مقایسه را با GRWL درشت‌تر می‌کند.

4.2. مقایسه عرض اورینوکو با اندازه‌گیری‌های USGS و ماسک آب GRWL

ما مقایسه‌ای از اندازه‌گیری‌های درجا دسترسی بانک به بانک را با استفاده از داده‌های NWIS جمع‌آوری‌شده توسط USGS ارائه می‌کنیم. ما از ماسک آب GRWL، به ویژه Tile NH15، برای مقایسه عرض خود استفاده می کنیم. این داده ها با استفاده از به اصطلاح پورتال داده کیفیت آب [ 69 ، 71 ] به دست می آیند و می توانند به راحتی با استفاده از کاشی های مختلف GRWL اعتبار سنجی شوند. این منطقه از آنجایی انتخاب شده است که شامل دلتای آچافالایا است که قبلا در نظر گرفتیم. ما نشان می‌دهیم که عرض ما در محدوده اندازه‌گیری‌های درجا با استفاده از ماسک آب GRWL است. ما از همان تنظیمات مورد بحث در بخش 4.1 برای Orinoco استفاده می کنیم .
داده های عرض توسط USGS جمع آوری می شود و نتیجه اندازه گیری های متعدد در محل در هر ایستگاه است [ 71 ، 72 ]. از آنجایی که این اندازه‌گیری‌ها تنوع کمی دارند، ما دامنه اندازه‌گیری‌ها و آمار کیفی آن‌ها را در نظر می‌گیریم. در شکل 9 الف، ایستگاه های موجود در کاشی GRWL NH15 را نشان می دهیم. ما Matagorda را حذف کرده‌ایم زیرا اندازه‌گیری‌های عرض آن بیش از 1 کیلومتر تغییر کرده است. همچنین توجه داشته باشیم که این ایستگاه‌ها آن‌هایی هستند که در فاصله 60 متری (یک بافر 2 پیکسلی) از ماسک آب GRWL قرار دارند. ایستگاه های متعدد دیگری (در مجموع 68 ایستگاه) با تخمین عرض در این کاشی GRWL وجود دارد، اگرچه آنها در داخل یا نزدیک یکی از کانال های GRWL قرار ندارند. در شکل 9ب، ما محدوده عرض USGS را با برآورد عرض Orinoco مقایسه می کنیم. می بینیم که در 6 ایستگاه از 11 ایستگاه، عرض اورینوکو در 1 انحراف استاندارد از عرض میانگین قرار دارد. علاوه بر این، برآورد عرض اورینوکو در 8 ایستگاه از 11 ایستگاه در محدوده عرض های اندازه گیری شده USGS است. Ananhuac تنها 1 اندازه گیری داشت و خطا (≈24 متر) کوچکتر از وضوح ماسک آب (30 متر) است. در شکل 10 ، ایستگاه هایی را با بیش از یک نمونه نشان می دهیم که اندازه گیری آنها در 1 انحراف استاندارد میانگین عرض متوسط ​​USGS نیست. ما در شهر مورگان می بینیم که ایستگاه در نزدیکی یک تقاطع قرار دارد و جهت عرض به دلیل این واقعیت منحرف شده است. ∇φتوسط کانال پایین دستی که بر اندازه‌گیری عرض بعدی تأثیر می‌گذارد، همانطور که در بخش 3.3 بحث شد، سوگیری می‌شود . در Bayou Boeuf و Rosharon به نظر می رسید که ماسک آب تخریب شده است. به طور خاص، Bayou Boeuf دارای آزادراه ها و پل های متعددی بود که به اشتباه در عرض آب گنجانده شده بودند. ما فرض می‌کنیم که خطای Ruliff احتمالاً به دلیل کانال باریک است و توضیح دقیق‌تر تغییر وضوح فرعی دشوار است.

4.3. مقایسه برآورد جهت جریان جریان با RivGraph

در این بخش، ما نشان می‌دهیم که رویکرد ساده‌شده ما برای تخمین جهت جریان جریان، توافق قابل قبولی را در اکثریت بزرگ دلتای رودخانه مک‌کنزی نشان می‌دهد. به طور خاص، ما زاویه را اندازه می گیریم θبین خطوط مرکزی تولید شده توسط Orinoco و RivGraph با استفاده از داده های [ 42 ] و سپس میانگین زاویه بین لبه ها در هر بخش را بگیرید. در محدوده مورد مطالعه، حداقل 86.7 درصد از بخش ها دارای میانگین هستند θزیر 90 درجه و 84 درصد از بخش ها این میانگین را زیر 45 درجه دارند که نشان می دهد جهت جریان جریان برای آن بخش ها قابل مقایسه است. کل منطقه مورد مطالعه را در شکل 11 الف نشان می دهیم. در شکل 11 ج، زیرمجموعه ای از دلتا را نشان می دهیم که در آن اختلاف کمی وجود دارد. می بینیم که این منطقه جایی است که دو زیرشبکه مختلف با خروجی های بسیار دور همگرا می شوند. این همگرایی و تفاوت در فاصله بین این خروجی ها احتمالاً به این اختلاف نظر کمک می کند. در شکل 11 d، به احتمال زیاد توافق بیشتری را مشاهده می کنیم زیرا اتصالات فقط کانال های مختلف را نزدیک به یک منطقه خروجی اصلی متصل می کنند. در پانل های پایین شکل 11 ، جریان های تخمینی جریان اورینوکو وRivGraph برای مقایسه بیشتر. باز هم، RivGraph در تخمین جهت جریان جریان با استفاده از قوانین تجربی متعدد بسیار پیشرفته‌تر است. همانطور که قبلا ذکر شد، می‌توانیم تخمین‌های RivGraph را برای تحلیل‌های بعدی با استفاده از تقسیم‌بندی خود در شبکه ادغام کنیم.

5. نتیجه گیری ها

ما Orinoco را معرفی کردیم، یک کتابخانه منبع باز پایتون برای استخراج یک شبکه کانال دلتایی از ماسک آب و ترسیم اقیانوس با استفاده از روش راهپیمایی سریع. با استفاده از روش راهپیمایی سریع، یک تقسیم بندی کانال به دست می آوریم که به ما امکان می دهد ساختار شبکه را به طور موثر استخراج کنیم و اندازه گیری های مربوط به کانال را مقایسه کنیم. ما کاربرد نرم افزار خود را در مناطق بزرگ از جمله یک کاشی کامل GRWL ( بخش 4 ) و همچنین یک ماسک آب با وضوح بالا بر روی دریاچه موم و آچافالایا با استفاده از کاشی های Google Map نشان دادیم. برای نشان دادن قابلیت‌ها و محصولات نرم‌افزار خود، محصولاتی را از ماسک‌های آب دوتایی که از کاشی‌های نقشه OSM یا Google بدست می‌آیند و در سراسر دلتاها در سراسر جهان در دسترس هستند، به دست آوردیم.
هدف شبکه استخراج‌شده و محصولات مرتبط با آن، پشتیبانی از پردازش و تجزیه و تحلیل داده‌های SWOT آتی بر روی دلتاهای جهان است، اگرچه این ابزارها می‌توانند به آسانی در ارتباط با داده‌های درجا یا سایر داده‌های سنجش از راه دور بر روی دلتاها مانند هوابرد و لیدار مورد استفاده قرار گیرند. AirSWOT تا زمانی که یک ماسک آبی باینری و منطقه مشخصی وجود داشته باشد که آب به یا از آن جریان دارد.
ما برآوردهای عرض را با استفاده از محصولات GRWL و USGS در اندازه‌گیری‌های درجا تأیید کردیم. ما تطابق خوبی، به‌ویژه سوگیری زیرپیکسلی، محصولات عرض خود را با پایگاه داده GRWL در دلتای مکنزی در شمال کانادا نشان دادیم و به چالش‌ها در اتصالات و کانال‌های انحنای بالاتر اشاره کردیم. ما داده‌های عرض USGS را از پورتال داده‌های کیفیت آب در سراسر کاشی GRWL NH15 مقایسه کردیم و دیدیم که اکثر اندازه‌گیری‌های عرض Orinoco در محدوده اندازه‌گیری‌های USGS بودند. در هر دو مورد، ما هندسه عرض خروجی Orinoco را بررسی کردیم تا منابع احتمالی خطاهای مربوط به عرض کانال تخمینی خود را توضیح دهیم.
ما همچنین برآوردهای جهت جریان جریان را با مقایسه Orinoco با برآوردهای RivGraph تأیید کردیم . در حالی که RivGraph قوانین بی‌شماری برای تخمین جهت جریان جریان دارد و احتمالاً دقیق‌تر است، ما با استفاده از رویکرد کاملاً مبتنی بر شبکه، توافق خوبی را دیدیم. ما چالش‌های مرتبط با تخمین جهت و عرض جریان جریان را با استفاده از این رویکرد جدید با انگیزه فاصله مورد بحث قرار دادیم. همچنین اشاره کردیم که محصولات عرض و جهت از ابزارهای مرتبط به راحتی می توانند با استفاده از تقسیم بندی کانال ها در شبکه های Orinoco ادغام شوند.
ما همچنین ارزش ساختار شبکه هدایت‌شده را در محاسبه فاصله در طول کانال و همچنین محاسبه شار حالت پایدار در امتداد خروجی‌ها نشان دادیم، که می‌تواند به تخمین نحوه توزیع تخلیه از طریق یک شبکه دلتایی کمک کند. اگرچه این نمایش شار حالت پایدار بیشتر تئوری بود، توانایی محاسبه شارها هنگامی که یک شبکه مناسب ساخته شد برای تحلیل‌های مربوط به تخلیه آتی ارزشمند خواهد بود.
Orinoco به راحتی می تواند در گردش کار پایتون ادغام شود. علاوه بر این، شبکه کانالی که به عنوان نمودار NetworkX صادر می شود، به راحتی می تواند به روز و اصلاح شود. تمام تجزیه و تحلیل ها و نمودارهای نشان داده شده در این مقاله در صفحه GitHub Orinoco [ 67 ] در Jupyter Notebooks موجود است. ما امیدواریم که ابزارهای ارائه شده در اینجا بتوان در ارتباط با ابزارهای متعدد برای مطالعه داده های سنجش از راه دور بر روی دلتاها برای ترویج تجزیه و تحلیل هیدرولوژیکی قوی این اکوسیستم های ساحلی مهم استفاده شود.

منابع

  1. ایوانز، جی. دلتاس: زباله‌دان‌های حاصلخیز قاره‌ها. Proc. جئول دانشیار 2012 ، 123 ، 397-418. [ Google Scholar ] [ CrossRef ]
  2. اریکسون، جی پی؛ Vörösmarty، CJ; دینگمن، اس ال. وارد، ال جی; میبک، ام. افزایش موثر سطح دریا و دلتاها: علل تغییر و پیامدهای ابعاد انسانی. گلوب. سیاره. چانگ. 2006 ، 50 ، 63-82. [ Google Scholar ] [ CrossRef ]
  3. Syvitski، JP Deltas در معرض خطر. حفظ کنید. علمی 2008 ، 3 ، 23-32. [ Google Scholar ] [ CrossRef ]
  4. Tessler، ZD; Vörösmarty، CJ; گروسبرگ، ام. گلادکووا، آی. آیزنمن، اچ. یک نوع شناسی تجربی جهانی از محرک های انسانی تغییرات محیطی در دلتاها. حفظ کنید. علمی 2016 ، 11 ، 525-537. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  5. آلیسون، MA; نیتروئر، کالیفرنیا؛ اوگستون، ع. مولارنی، جی سی; نگوین، TT رسوب گذاری و بقای دلتای مکونگ: مطالعه موردی کاهش عرضه رسوب و سرعت های شتاب دهنده افزایش نسبی سطح دریا. اقیانوس شناسی 2017 ، 30 ، 98-109. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  6. اشمیت، آر. روبین، ز. کندولف، جی. از دست دادن زمین-سناریوهای از دست دادن زمین به عنوان پیامد تغییر بودجه های رسوب در دلتای مکونگ. ژئومورفولوژی 2017 ، 294 ، 58-69. [ Google Scholar ] [ CrossRef ]
  7. Voosen، P. Seas در بسیاری از دلتاهای رودخانه سریعتر از آنچه تصور می شود بالا می آید. علم 2019 . [ Google Scholar ] [ CrossRef ]
  8. گریل، جی. لهنر، بی. تیمه، ام. گینن، بی. تیکنر، دی. آنتونلی، اف. بابو، س. بورلی، پی. چنگ، ال. Crochetiere, H. نقشه برداری از رودخانه های آزاد جهان. Nature 2019 , 569 , 215. [ Google Scholar ] [ CrossRef ]
  9. سیویتسکی، JPM؛ Vörösmarty، CJ; کتنر، ای جی; گرین، P. تاثیر انسان بر شار رسوبات زمینی به اقیانوس ساحلی جهانی. Science 2005 ، 308 ، 376-380. [ Google Scholar ] [ CrossRef ]
  10. بلوم، دکتر رابرتز، HH غرق شدن دلتای می سی سی پی به دلیل عرضه ناکافی رسوب و افزایش سطح جهانی سطح دریا. نات. Geosci. 2009 ، 2 ، 488-491. [ Google Scholar ] [ CrossRef ]
  11. سیویتسکی، JPM؛ کتنر، ای جی; Overeem, I.; هاتون، EWH; هانون، ام تی؛ برکنریج، GR; دی، جی. وروسمارتی، سی. سایتو، ی. جیوسان، ال. و همکاران غرق شدن دلتاها به دلیل فعالیت های انسانی. نات. Geosci. 2009 ، 2 ، 681-686. [ Google Scholar ] [ CrossRef ]
  12. کلارک، نماینده مجلس؛ فن، ی. لارنس، دی.م. آدم، جی سی; بولستر، دی. گوچیس، دی جی; هوپر، RP; کومار، م. Leung، LR; Mackay، DS بهبود نمایش فرآیندهای هیدرولوژیکی در مدل‌های سیستم زمین. منبع آب Res. 2015 ، 51 ، 5929-5956. [ Google Scholar ] [ CrossRef ]
  13. Aufdenkampe، AK; مایورگا، ای. ریموند، PA; Melack، JM; Dony, SC; آلین، اس آر. آلتو، RE; یو، K. رودخانه جفت چرخه های بیوژئوشیمیایی بین خشکی، اقیانوس ها و جو. جلو. Ecol. محیط زیست 2011 ، 9 ، 53-60. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  14. باستویکن، دی. Tranvik، LJ; داونینگ، جی. کریل، PM; Enrich-Prast، A. انتشار متان آب شیرین غرق کربن قاره ای را جبران می کند. Science 2011 ، 331 ، 50. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  15. بوتمن، دی. ریموند، PA جریان قابل توجه دی اکسید کربن از جریان ها و رودخانه ها در ایالات متحده. نات. Geosci. 2011 ، 4 ، 839-842. [ Google Scholar ] [ CrossRef ]
  16. بائر، جی. Cai، WJ; ریموند، PA; بیانچی، تی اس; هاپکینسون، CS; Regnier، PAG چرخه کربن در حال تغییر اقیانوس ساحلی. طبیعت 2013 ، 504 ، 61-70. [ Google Scholar ] [ CrossRef ]
  17. ریموند، PA; هارتمن، جی. لاوروالد، آر. سوبک، اس. مک دونالد، سی. هوور، ام. بوتمن، دی. استریگل، آر. مایورگا، ای. هامبورگ، سی. و همکاران انتشار جهانی دی اکسید کربن از آب های داخلی طبیعت 2013 ، 503 ، 355-359. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  18. هارمن، سی. استوارسون، ام. DeRose, R. Variability and Uncertainty in Reach Bankfull Hydraulic Geometry. جی هیدرول. 2008 ، 351 ، 13-25. [ Google Scholar ] [ CrossRef ]
  19. گلیسون، سی جی; اسمیت، LC به سمت نقشه برداری جهانی دبی رودخانه با استفاده از تصاویر ماهواره ای و هندسه هیدرولیک در ایستگاه های متعدد. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2014 ، 111 ، 4788–4791. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  20. بولا پیتالوگا، م. تامبرونی، ن. کانسترلی، آ. اسلینجرلند، آر. لانزونی، اس. Seminara، G. جایی که رودخانه و جزر و مد به هم می رسند: تعادل مورفودینامیک مصب های آبرفتی. جی. ژئوفیس. Res. زمین گشت و گذار. 2015 ، 120 ، 75-94. [ Google Scholar ] [ CrossRef ]
  21. یون، ی. بیگلی، ای. لی، اچ. پاولسکی، تی. آلن، جی. تخمین تخلیه سیلاب در حوضه‌های رودخانه‌ای تنظیم‌شده توسط مخزن با ادغام مشاهدات ماهواره‌ای SWOT مصنوعی و مدل‌سازی هیدرولوژیکی. جی هیدرول. مهندس 2016 , 21 , 05015030. [ Google Scholar ] [ CrossRef ]
  22. توزولو، اس. لیند، جی. اورستریت، بی. مانگانو، جی. فونستاد، م. هاگمن، ام. فراسون، آر. لارنیر، ک. Garambois، PA; مونیر، جی. برآورد دبی رودخانه با ارتفاع سنجی سوات: اثبات مفهوم با استفاده از مشاهدات AirSWOT. ژئوفیز. Res. Lett. 2019 ، 46 ، 1459-1466. [ Google Scholar ] [ CrossRef ]
  23. لهنر، بی. Döll, P. توسعه و اعتبارسنجی پایگاه داده جهانی دریاچه‌ها، مخازن و تالاب‌ها. جی هیدرول. 2004 ، 296 ، 1-22. [ Google Scholar ] [ CrossRef ]
  24. داونینگ، جی. کول، جی. دوارته، سی. میدلبورگ، جی. ملاک، جی. پریری، ی. کورتلاینن، پی. استریگل، آر. مک داول، دبلیو. Tranvik، L. فراوانی و اندازه جهانی توزیع رودخانه ها و رودخانه ها. آبهای داخلی 2012 ، 2 ، 229-236. [ Google Scholar ] [ CrossRef ]
  25. یامازاکی، دی. O’Loughlin، F. Trigg، MA; میلر، ZF; پاولسکی، TM; بیتس، توسعه PD پایگاه داده پهنای جهانی برای رودخانه های بزرگ. منبع آب Res. 2014 ، 50 ، 3467-3480. [ Google Scholar ] [ CrossRef ]
  26. آلن، جی اچ. پاولسکی، TM گستره جهانی رودخانه ها و نهرها. Science 2018 ، 361 ، 585-588. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  27. تویلی، آر. دی، جی. Bevington، A. کاستاندا-مویا، ای. کریستنسن، ا. هولم، جی. هفنر، ال. لین، آر. مک کال، ای. آرونز، ا. و همکاران اکوژئومورفولوژی دشت های سیلابی و مصب دلتای ساحلی در یک دلتای فعال: بینش هایی از حوضه ساحلی آچافالایا. استوار. ساحل. Shelf Sci. 2019 ، 227 ، 106341. [ Google Scholar ] [ CrossRef ]
  28. جیوسان، ال. سیویتسکی، جی. کنستانتینسکو، اس. روز، J. تغییر آب و هوا: محافظت از دلتاهای جهان. نات. News 2014 , 516 , 31. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  29. فرانچ هویدوبرو، م. دابروفسکی، م. تای، ی. چان، اف. استد، D. چالش های حاکمیتی شهرهای دلتای مستعد سیل: یکپارچه سازی مدیریت خطر سیل و تغییرات آب و هوایی در برنامه ریزی فضایی. Prog. طرح. 2017 ، 114 ، 1-27. [ Google Scholar ] [ CrossRef ]
  30. لیانگ، ام. ون دایک، سی. Passalacqua، P. کمی سازی الگوها و دینامیک دلتاهای رودخانه تحت شرایط اجباری ثابت و افزایش نسبی سطح دریا. جی. ژئوفیس. Res. زمین گشت و گذار. 2016 ، 121 ، 465-496. [ Google Scholar ] [ CrossRef ]
  31. بیانکاماریا، اس. Lettenmaier، DP; Pavelsky، TM ماموریت SWOT و قابلیت های آن برای هیدرولوژی زمین. Surv. ژئوفیز. 2016 ، 37 ، 307-337. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  32. پر شده؛ آلسدورف، دی. مورو، آر. رودریگز، E. SWOT ماموریت علمی سند. در دسترس آنلاین: https://swot.jpl.nasa.gov/system/documents/files/2179_2179_SWOT_MSD_1202012.pdf (دسترسی در 15 سپتامبر 2020).
  33. فراسون، RPdM; پاولسکی، TM; Fonstad، MA; دوراند، ام تی; آلن، جی اچ. شومان، جی. شیر، سی. بیگلی، RE; یانگ، X. روابط جهانی بین عرض رودخانه، شیب، حوضه آبریز، طول موج پرپیچ و خم، سینوسیته، و دبی. ژئوفیز. Res. Lett. 2019 ، 46 ، 3252–3262. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  34. رودریگز، ای. ویلیامز، بی. فور، A. RiverObs. 2010. در دسترس آنلاین: https://github.com/SWOTAlgorithms/RiverObs (در 15 سپتامبر 2020 قابل دسترسی است).
  35. تجدور، ا. لونگجاس، ا. زالیاپین، آی. فوفولا-جورجیو، شبکه های کانال ای. منبع آب Res. 2015 ، 51 ، 3998-4018. [ Google Scholar ] [ CrossRef ]
  36. تجدور، ا. لونگجاس، ا. ادموندز، دی. زالیاپین، آی. جورجیو، تی تی; رینالدو، آ. فوفولا-جورجیو، E. آنتروپی و بهینه در دلتاهای رودخانه. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2017 ، 114 ، 11651–11656. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  37. پاولسکی، TM; اسمیت، LC RivWidth: یک ابزار نرم افزاری برای محاسبه پهنای رودخانه از تصاویر سنجش از راه دور. IEEE Geosci. سنسور از راه دور Lett. 2008 ، 5 ، 70-73. [ Google Scholar ] [ CrossRef ]
  38. فیشر، گیگابایت؛ آموس، CB؛ بوهاگن، بی. Burbank، DW; گدار، وی. عرض کانال، لغزش، گسل و فراتر از آن: نظم جهانی جدید تصاویر با وضوح فضایی بالا Google Earth در مطالعه فرآیندهای سطح زمین. جئول Soc. صبح. مشخصات پاپ 2012 ، 492 ، 1-22. [ Google Scholar ]
  39. ایسیکدوگان، اف. بوویک، ا. Passalacqua, P. RivaMap: یک موتور خودکار تجزیه و تحلیل رودخانه و نقشه برداری. سنسور از راه دور محیط. 2017 ، 202 ، 88-97. [ Google Scholar ] [ CrossRef ]
  40. گلی، ا. Turowski، JM استخراج معیارهای کانال اصلی از بانک و هندسه نمایه بلند با بسته R CMGO. زمین گشت و گذار. دین 2017 ، 5 ، 557-570. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  41. یانگ، ایکس. پاولسکی، TM; آلن، جی اچ. Donchyts، G. RivWidthCloud: یک الگوریتم موتور خودکار Google Earth برای استخراج عرض رودخانه از تصاویر سنجش از راه دور. IEEE Geosci. سنسور از راه دور Lett. 2020 ، 17 ، 217-221. [ Google Scholar ] [ CrossRef ]
  42. شونک، جی. پیلیوراس، ا. Rowland، JC تعیین جهت جریان در شبکه های کانال رودخانه با استفاده از مورفولوژی و توپولوژی Planform. زمین گشت و گذار. دین 2020 ، 8 ، 87-102. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  43. شونک، جی. ریوگراف. 2019. در دسترس آنلاین: https://github.com/jonschwenk/RivGraph (در 1 سپتامبر 2020 قابل دسترسی است).
  44. ستیان، JA یک روش مجموعه سطح راهپیمایی سریع برای جبهه‌های پیشروی یکنواخت. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 1996 ، 93 ، 1591-1595. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  45. ژانگ، تی. Suen، CY یک الگوریتم موازی سریع برای نازک شدن الگوهای دیجیتال. اشتراک. ACM 1984 ، 27 ، 236-239. [ Google Scholar ] [ CrossRef ]
  46. جنسن، دی. کاوانا، کی سی. سیمرد، م. اوکین، جی اس. کاستاندا-مویا، ای. مک کال، ای. Twilley، RR یکپارچه‌سازی داده‌های طیف‌سنج تصویربرداری و دیافراگم مصنوعی رادار برای تخمین پوشش گیاهی تالاب روی زمین در سواحل لوئیزیانا. Remote Sens. 2019 , 11 , 2533. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  47. Couvillion، BR; بک، اچ. مدیر مدرسه، دی. فیشر، ام. تغییر مساحت زمین در سواحل لوئیزیانا (1932 تا 2016) . گزارش فنی؛ سازمان زمین شناسی ایالات متحده: دنور، CO، ایالات متحده آمریکا، 2017.
  48. فیسک، HN بررسی زمین شناسی حوضه Atchafalaya و مشکل انحراف رودخانه می سی سی پی . ایستگاه آزمایشی Waterways: Vicksburg، MS، ایالات متحده آمریکا، 1952.
  49. Burn, CR; کوکلج، اس. محیط زیست و منجمد دائمی منطقه دلتای مکنزی. پرمافر. پریگلاک. روند. 2009 ، 20 ، 83-105. [ Google Scholar ] [ CrossRef ]
  50. Overland, JE; وانگ، ام. والش، جی. استروو، JC تغییرات آب و هوایی آینده قطب شمال: مقیاس های زمانی سازگاری و کاهش. آینده زمین 2014 ، 2 ، 68-74. [ Google Scholar ] [ CrossRef ]
  51. یانگ، دی. شی، ایکس. مارش، P. تغییرپذیری و شدید تخلیه روزانه رودخانه مکنزی در طول 1973-2011. کوات. بین المللی 2015 ، 380 ، 159-168. [ Google Scholar ] [ CrossRef ]
  52. دوکساران، د. دورد، ای. Babin, M. افزایش 50 درصدی در جرم ذرات زمینی ارسال شده توسط رودخانه مکنزی به دریای بوفورت (اقیانوس منجمد شمالی کانادا) در 10 سال گذشته. Biogeosciences 2015 ، 12 ، 3551-3565. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  53. هاکلی، م. Weber, P. Open Street Map: User Generated Street Maps. محاسبات فراگیر IEEE 2008 ، 7 ، 12-18. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  54. فیشر، ای. استیچ. 2014. در دسترس آنلاین: https://github.com/ericfischer/tile-stitch (در 15 سپتامبر 2020 قابل دسترسی است).
  55. ویرتانن، پی. گومرز، آر. Oliphant، TE; هابرلند، ام. ردی، تی. کورناپو، دی. بوروسکی، ای. پترسون، پی. وکسر، دبلیو. برایت، جی. و همکاران SciPy 1.0: الگوریتم های اساسی برای محاسبات علمی در پایتون. نات. روش‌ها 2020 ، 17 ، 261-272. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  56. گروه جغرافیا، UCLA. نهادهای آبی جهان 2015. در دسترس آنلاین: https://apps.gis.ucla.edu/geodata/dataset/world_water_bodies/resource/a6b40af0-84cb-40ce-b1c5-b024527a6943 (دسترسی در 15 سپتامبر 2020).
  57. هاگبرگ، ا. Swart، P. S Chult، D. کاوش ساختار، دینامیک و عملکرد شبکه با استفاده از NetworkX ; گزارش فنی؛ آزمایشگاه ملی لس آلاموس (LANL): لس آلاموس، NM، ایالات متحده آمریکا، 2008.
  58. Dijkstra، EW یادداشتی در مورد دو مسئله در ارتباط با نمودارها. عدد. ریاضی. 1959 ، 1 ، 269-271. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  59. Furtney، J. Scikit-Fmm. 2010. در دسترس آنلاین: https://https://github.com/scikit-fmm/scikit-fmm (در 15 سپتامبر 2020 قابل دسترسی است).
  60. مارشاک، سی اورینوکو. 2019. در دسترس آنلاین: https://github.com/scikit-fmm/scikit-fmm/issues/32 (در 15 سپتامبر 2020 قابل دسترسی است).
  61. Saarinen، K. تقسیم‌بندی تصویر رنگی توسط الگوریتم حوضه و پردازش نمودار مجاورت منطقه. در مجموعه مقالات اولین کنفرانس بین المللی پردازش تصویر، آستین، تگزاس، ایالات متحده آمریکا، 13 تا 16 نوامبر 1994. جلد 3، ص 1021–1025. [ Google Scholar ]
  62. یامازاکی، دی. ایکشیما، دی. سوسا، ج. بیتس، PD; آلن، جی اچ. Pavelsky، TM MERIT Hydro: نقشه جهانی هیدروگرافی با وضوح بالا بر اساس آخرین مجموعه داده توپوگرافی. منبع آب Res. 2019 ، 55 ، 5053-5073. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  63. O’Loughlin، F. Trigg، MA; شومان، GJP; بیتس، خصوصیات هیدرولیک PD محدوده میانی رودخانه کنگو. منبع آب Res. 2013 ، 49 ، 5059-5070. [ Google Scholar ] [ CrossRef ]
  64. گیلیز، اس. بیرباوم، ا. لائوتاپورتی، ک. Tonnhofer, O. Shapely: Manipulation and Analysis of Geometric Objects; 2007-اکنون. در دسترس آنلاین: https://github.com/Toblerity/Shapely (در 15 سپتامبر 2020 قابل دسترسی است).
  65. تجدور، ا. لونگجاس، ا. زالیاپین، آی. شبکه های کانال فوفولا-جورجیو، ای. دلتا: 2. معیارهای پیچیدگی توپولوژیکی و دینامیکی برای مقایسه دلتا، استنتاج فیزیکی و ارزیابی آسیب پذیری. منبع آب Res. 2015 ، 51 ، 4019-4045. [ Google Scholar ] [ CrossRef ]
  66. Andreadis، KM; شومان، GJP; پاولسکی، تی. پایگاه داده ای ساده با عرض و عمق رودخانه جهانی. منبع آب Res. 2013 ، 49 ، 7164-7168. [ Google Scholar ] [ CrossRef ]
  67. مارشاک، سی. سیمرد، م. ون در استاکن، تی. دنبینا، م. نیلسون، جی اورینوکو. 2020. در دسترس آنلاین: https://github.com/simard-landscape-lab/orinoco (در 15 سپتامبر 2020 قابل دسترسی است).
  68. گودال، جی ال. Horsburgh, JS; Whiteaker، TL; Maidment، DR; Zaslavsky، I. اولین رویکرد به خدمات وب برای سیستم ملی اطلاعات آب. محیط زیست مدل. نرم افزار 2008 ، 23 ، 404-411. [ Google Scholar ] [ CrossRef ]
  69. بخوانید، EK; کار، ال. دی سیکو، ال. دوگان، HA; هانسون، رایانه شخصی؛ هارت، جی. کرفت، جی. Read, JS; داده های کیفیت آب وینسلو، لس آنجلس برای تحقیقات آبی در مقیاس ملی: پورتال کیفیت آب. منبع آب Res. 2017 ، 53 ، 1735-1745. [ Google Scholar ] [ CrossRef ]
  70. آنادورای، اس. مبانی پردازش تصویر دیجیتال . آموزش پیرسون: بنگالورو، هند، 2007. [ Google Scholar ]
  71. پورتال کیفیت آب 2020. در دسترس آنلاین: https://www.waterqualitydata.us/portal (در 15 سپتامبر 2020 قابل دسترسی است).
  72. هیرش، RM; Costa، ​​JE US اندازه‌گیری جریان و انتشار داده‌ها بهبود می‌یابد. Eos Trans. صبح. ژئوفیز. اتحادیه 2004 ، 85 ، 197-203. [ Google Scholar ] [ CrossRef ]
Ijgi 09 00658 g001 550
شکل 1. تصویر روش شناسی ما برای به دست آوردن بخش هایی برای شبکه کانال با استفاده از ماسک های آب مشتق شده از زمین Stamen بر روی دریاچه موم و دلتاهای آچافلایا. وضوح ماسک آب 30 متر (سطح زوم 12) است. پانل ( a ) مقدار اولیه نواحی از جمله ماسک آب را نشان می دهد. پانل ( b ) تابع فاصله φ را نشان می دهد . بخش های موجود در ( c ) بر اساس آن به دست می آیند ⌊φ/D⌋با D = 150متر با هر بخش به طور تصادفی رنگ شده است. ما در پانل ( الف ) توجه می کنیم که اقیانوس تا حدی زرد شفاف است، بنابراین مناطق خشکی در ماسک اقیانوس به رنگ نارنجی ظاهر می شوند.
Ijgi 09 00658 g002 550
شکل 2. نمونه ای از محصولات داده Orinoco بر روی دلتای رودخانه Atchafalaya. پانل ( a ) پارتیشن پیوندها را به مسیرهای پیوسته همانطور که در متن مشخص شده است نشان می دهد. با استفاده از این پارتیشن و φ ، پانل ( b ) جهت تخمینی جریان جریان را نشان می دهد. فاصله هر گره تا اقیانوس در شبکه کانال در پانل ( c ) و عرض و جهت مرتبط با آنها در کانال ها، در پانل ( d ) نشان داده شده است.
Ijgi 09 00658 g003 550
شکل 3. با استفاده از کاشی های نقشه گوگل، مناطق آبی را برای ایجاد یک ماسک آبی 2 متری بر روی دلتای دریاچه موم انتخاب می کنیم. پانل ( a ) خطوط مرکزی کانال را نشان می دهد و پانل ( b ) گره هایی هستند که بر اساس فاصله آنها با اقیانوس مطابق با ساختار شبکه رنگ می شوند.
Ijgi 09 00658 g004 550
شکل 4. پانل ( a ) تابع فاصله، ( ب ) بخش ها (به طور تصادفی رنگی)، و ( c ) عرض در امتداد و جهت گیری مربوط به زیر مجموعه ای از دلتای Atchafalaya را با استفاده از ماسک آب مشتق شده از OSM نشان داده شده در شکل 2 نشان می دهد. . نقاط سیاه در پانل ( c ) گره های شبکه هستند. ما توجه می کنیم که هندسه عرض باید تقریباً عمود بر جلوی قطعه ای باشد که به آن تعلق دارد زیرا این قسمت موازی خواهد بود. ∇φ.
Ijgi 09 00658 g005 550
شکل 5. با استفاده از شبکه کانال از ماسک آب OSM، شارهای حالت پایدار را برای تخمین درصد تخلیه از هر خروجی در دریاچه موم با در نظر گرفتن منبعی که درست در جنوب آبراه درون ساحلی انتخاب شده است، محاسبه می کنیم. بالاترین پانل، شارهای ثابت را نشان می دهد که در سراسر خروجی ها عادی شده اند. پانل پایین مولتی گراف هدایت شده را برای محاسبه شار و نرخ آنتروپی نرمال شده نشان می دهد. در پانل پایین، منبع (مربع آبی) و خروجی ها (دایره های سبز) در محاسبه توزیع ثابت ما به هم متصل هستند. πشرح داده شده در [ 36 ].
Ijgi 09 00658 g006 550
شکل 6. مقایسه عرضهای GRWL بر روی مکنزی (NR08) ( a ) با عرضهای Orinoco و ( b ) با عرضهای بدست آمده با استفاده از تبدیل فاصله. ما بخش‌هایی را حذف کرده‌ایم که گره‌های مربوطه آن‌ها پیوند هستند یا مجاور آن‌ها هستند. آمار انحراف با کم کردن مقادیر عرض تخمینی ( محور x ) از عرض سطح بخش GRWL ( محور y ) محاسبه می‌شود. آمار درصد خطا (%) نسبت به عرض میانگین GRWL ( محور y ) است.
Ijgi 09 00658 g007a 550 Ijgi 09 00658 g007b 550
شکل 7. مقایسه GRWL و Orinoco در زیر مجموعه ای از Mackenzie (NR08). ردیف بالا: مقایسه خطوط مرکزی کانال و اتصال در ( a ) GRWL و ( b ) Orinoco . ردیف پایین: ( a ) اختلاف عرض در هر بخش (در صورت لزوم) و ( d ) هیستوگرام خطاها است. توجه داشته باشید که ما همچنین بخش هایی را حذف کرده ایم که گره متناظر آنها در شبکه یک اتصال یا مجاور یکی است (به پانل ( c )، “بدون داده” مراجعه کنید).
Ijgi 09 00658 g008a 550 Ijgi 09 00658 g008b 550
شکل 8. مقایسه GRWL و Orinoco در زیر مجموعه ای از Mackenzie (NR08). ردیف بالا: مقایسه خطوط مرکزی کانال و اتصال در ( a ) GRWL و ( b ) Orinoco . ردیف پایین: ( a ) اختلاف عرض در هر بخش (در صورت لزوم) و ( d ) هیستوگرام خطاها است. توجه داشته باشید که ما همچنین بخش هایی را حذف کرده ایم که گره متناظر آنها در شبکه یک اتصال یا مجاور یکی است (به پانل ( c )، “بدون داده” مراجعه کنید).
Ijgi 09 00658 g009 550
شکل 9. در پانل بالایی ( a )، ایستگاه‌های USGS را نشان می‌دهیم که ماسک آب GRWL یا آن ایستگاه‌ها را در فاصله 60 متری قطع می‌کنند. در پانل پایینی ( b )، ما نزدیک‌ترین عرض Orinoco را با محدوده عرض USGS و همچنین میانگین عرض µ و محدوده عرض‌ها در 1 انحراف استاندارد مقایسه می‌کنیم.μ±σ. مقدار n زیر نام ایستگاه USGS نشان می دهد که چند اندازه گیری انجام شده است.
Ijgi 09 00658 g010 550
شکل 10. ایستگاه های USGS و نزدیکترین گره Orinoco به همراه عرض اندازه گیری شده. در پس زمینه ماسک آب GRWL است. خطای عرض اورینوکو از میانگین اندازه گیری USGS کم می شود. درصد خطا این خطا به عنوان درصدی نسبت به میانگین اندازه گیری USGS است.
Ijgi 09 00658 g011 550
شکل 11. جریان تخمینی جریان در مقایسه با RivGraph بر روی دلتای مکنزی.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید