أكثر

الاستيفاء المكاني لـ 30 محطة أرصاد جوية إلى مناطق أخرى


لدي بيانات شهرية (وأحيانًا يومية) حول درجات الحرارة من حوالي 30 محطة أرصاد جوية سويدية في منتصف القرن التاسع عشر وأريد إقحامها في البلد بأكمله. أنا أستخدم ArcGIS و Stata.

بالنسبة للسنوات اللاحقة ، لدي بيانات عن محطات أرصاد جوية إضافية (حوالي 100 محطة) ، لذلك فكرت في استخدام البيانات اللاحقة لمعايرة نموذج باستخدام المحطات القديمة للتنبؤ بالطقس في المحطات الجديدة. نظرًا لأنني أعرف الطقس الفعلي في المحطات الجديدة ، يمكنني معايرة النموذج لتحقيق أفضل ملاءمة ممكنة. لكنني لست متأكدًا من الطريقة الجيدة لتحقيق التوافق المناسب (لا أريد المخاطرة بالتجهيز الزائد على سبيل المثال).


من المحتمل أن تحصل على استيفاء معقول باستخدام الانحدار الخطي (بافتراض أن 30 محطة أرصاد جوية هي عينة تمثيلية) باستخدام الارتفاع وخط العرض والمسافة من الساحل كمتغيرات مستقلة مع اليوم كعامل. لقد قمت بهذا باستخدام ArcGIS و R سابقًا.

درجات الحرارة اليومية 9 صباحًا و 3 مساءً على مدار 10 أيام في عام 2003 من محطات الطقس في جنوب شرق أستراليا

الخطوات الأساسية:

  • احصل على نموذج ارتفاع رقمي لمنطقتك.
  • احصل على الخط الساحلي المتجه أو النقطي
  • إنشاء خطوط عرض نقطية (مثال)
  • إنشاء مسافة من خطوط المسح الساحلية (ربما باستخدام مسافة إقليدية)
  • بالنسبة للمتغيرات التي لا تتوفر لديك بيانات لكل محطة ، استخدم الأداة Sample أو Extract Values ​​to Points للاستعلام عن البيانات النقطية ذات الصلة. كنت بحاجة فقط للقيام بذلك للمسافة من الساحل حيث احتوت بيانات محطة الطقس الخاصة بي على lon و lat و height.
  • ارتفاع المكونات والخط العرض والمسافة كمتغيرات مستقلة ودرجة الحرارة كمتغير تابع واليوم كعامل في نموذج الانحدار الخطي في r / spss / stata / إلخ ...
  • إذا حصلت على ملاءمة مناسبة ، فاستخدم معاملات النموذج لإنشاء تعبير آلة حاسبة نقطية (temp = α + βالارتفاع* ارتفاع + βاللات* خط الطول + βحي* توزيع) لتقدير درجة الحرارة من الارتفاع والعرض والمسافة. قد تحتاج إلى كتابة هذا لأنك ستحصل على معاملات مختلفة لكل يوم.

تقيّم هذه الورقة أداء ستة طرق استيفاء مختلفة تعتمد على نظام المعلومات الجغرافية: ترجيح المسافة العكسية (IDW) ، وظيفة الأساس الشعاعي (RBF) ، الاستيفاء متعدد الحدود العالمي ، الاستيفاء المحلي متعدد الحدود ، kriging ، و cokriging ، باستخدام قاعدة بيانات منازل أوهايو المطورة بين 1987 و 2011. تم تحديد طريقة الاستيفاء الأفضل أداءً لاستخدامها في التنبؤ بتركيزات غاز الرادون في المناطق غير المقاسة في ولاية أوهايو بالولايات المتحدة الأمريكية من خلال التحقق من صحة تنبؤات النموذج مع مقاييس الأداء التشغيلي. بالإضافة إلى ذلك ، أجرت هذه الدراسة تحليلًا قائمًا على مستوى الرمز البريدي قدم صورة كاملة لتوزيع تركيز غاز الرادون في ولاية أوهايو

تم تحديد طريقة RBF على أنها أفضل طريقة أداء. بينما كان أداء طريقة RBF أفضل بكثير من IDW ، إلا أنها كانت مشابهة إحصائيًا لطرق الاستيفاء الأخرى. أشارت نتائج RBF المتوقعة لتركيز غاز الرادون إلى زيادة كبيرة في عدد الرموز البريدية التي تجاوزت حدود عمل وكالة حماية البيئة الأمريكية ومنظمة الصحة العالمية ، مما يشير إلى الحاجة إلى تخفيف تركيزات غاز الرادون في أوهايو إلى مستويات آمنة من أجل لتقليل الآثار الصحية. يمكن تطبيق النهج الموضح في هذه الورقة على مناطق أخرى متأثرة بالرادون حول العالم.


مقارنة بين طرق الاستيفاء المكاني لتقدير توزيع هطول الأمطار في Distrito Federal ، البرازيل

المعلومات المناخية المتوفرة في Distrito Federal لا تلبي متطلبات التشخيص التفصيلي للمناخ ، لأنها لا توفر الدقة المكانية اللازمة لأغراض إدارة الموارد المائية. تم استخدام علم المناخ السنوي والموسمي (1971-2000) لهطول الأمطار من 6 محطات للأرصاد الجوية و 54 مقياسًا للمطر من وسط البرازيل لاختبار ثماني طرق مختلفة للاستيفاء المكاني. تفسر العوامل الجغرافية (مثل الارتفاع وخط الطول وخط العرض) جزءًا كبيرًا من هطول الأمطار في المنطقة ، وبالتالي تم تضمين نماذج متعددة المتغيرات. تم تقييم أداء التقديرات من خلال التحقق المستقل باستخدام متوسط ​​الخطأ التربيعي ومعامل الارتباط ومعيار كفاءة ناش-ساتكليف. الترجيح العكسي للمسافة (IDW) ، kriging العادي (OK) والانحدار متعدد المتغيرات مع الاستيفاء للمخلفات بواسطة IDW (MRegIDW) و OK (MRegOK) قد أدى إلى أدنى أخطاء وأعلى ارتباط ومعيار كفاءة Nash – Sutcliffe. بشكل عام ، توفر طرق الاستيفاء توزيعات مكانية مماثلة لهطول الأمطار حيثما تكون شبكة المراقبة كثيفة. ومع ذلك ، فإن إدراج المتغيرات الجغرافية في طريقة الاستيفاء يجب أن يحسن التقديرات في المناطق التي تكون فيها كثافة شبكة المراقبة منخفضة. ومع ذلك ، فإن تقييم حالات عدم اليقين باستخدام طريقة إحصائية جغرافية يوفر معلومات تكميلية ونوعية ينبغي أخذها في الاعتبار عند تفسير التوزيع المكاني لهطول الأمطار.

هذه معاينة لمحتوى الاشتراك ، والوصول عبر مؤسستك.


2. سجلات تدفق الذروة USGS

[3] لتوصيف التوزيع المكاني لفيضانات الولايات المتحدة الكبيرة ، قمنا بتحليل ملفات التدفق القصوى مستمدة من سجلات محطات قياس التدفق في هيئة المسح الجيولوجي الأمريكية والمحافظة عليها كجزء من نظام معلومات المياه الوطني التابع لهيئة المسح الجيولوجي الأمريكية [ ليبكين وديلاب، 1979] (البيانات متاحة في http://waterdata.usgs.gov/usa/nwis/nwis). يحتوي ملف ذروة التدفق لكل محطة على قيم لأكبر تصريف لحظي (ذروة التدفق) لكل سنة مائية (1 أكتوبر إلى 30 سبتمبر) لتشغيل المحطة ، إلى جانب ملاحظات بشأن العوامل التي تؤثر على التدفق ونوعية سجل التدفق. بالنسبة للسجلات التي تم تجميعها خلال عام المياه 1997 (المنتهي في 30 سبتمبر 1997) ، تم الإبلاغ عن التدفقات القصوى السنوية لـ 23،216 محطة حالية وسابقة ، تضم معًا أكثر من 0.5 مليون قيمة ذروة تصريف سنوية.

2.1. أكبر فيضانات جوية من الأحواض بين 2.6 و 26000 كم 2

[4] من ملفات ذروة التدفق لمحطات تقسيم التيار مع مناطق تصريف تتراوح بين 2.6 و 26000 كم 2 (1 إلى 10000 ميل 2) ومع تسجيل 5 سنوات أو أكثر ، استخرجنا أعلى 10٪ من ذروة التصريف السنوية. تتكون قاعدة البيانات الناتجة من 43،645 تدفقات الذروة السنوية من 18،735 محطة. تحتوي كل محطة على 1 إلى 15 ذروة تفريغ سنوي لكل محطة ، اعتمادًا على طول التسجيل. من هذه البيانات ، رفضنا ما يقرب من 8000 (حوالي 19٪) من تدفقات الذروة السنوية التي تم ترميزها في ملفات تدفق الذروة كما تم تقديرها ، أو متأثرة بفشل السدود ، أو متأثرة بالتنظيم ، أو التحويل ، أو التحضر ، أو التعدين ، أو التغيرات الزراعية ، أو توجيه القنوات. . تتكون قاعدة البيانات الناتجة من 35663 تدفقات ذروة سنوية من 14815 محطة تقسيم تيار في الولايات المتحدة وبورتوريكو (الشكل 1).

[5] من خلال التركيز على الأحواض بين 2.6 و 26000 كيلومتر مربع ، واستبعاد السجلات المشفرة باعتبارها متأثرة بالعوامل البشرية مثل التنظيم أو التحويل ، ربما نكون قد قللنا من تأثير هذه العوامل على التدفقات السنوية القصوى المتبقية. ومع ذلك ، يشير فحص السجلات المحتجزة إلى أن العديد من حالات الذروة السنوية التي تم تحليلها قد تأثرت بالفعل بالتنظيم ، والتحويل ، والتحضر إلى حد ما. وباختصار ، فإن ممارسات الترميز غير المتسقة مع الوقت وفيما بين المكاتب المختلفة التي تقدم هذه البيانات تجعل من الصعب عزل التدفقات القصوى السنوية التي تتأثر بهذه العوامل فقط على أساس المعلومات الموجودة في ملفات ذروة التدفق.

[6] كما أن الجوانب الأخرى للبيانات في شكلها الحالي تعيق التقييم الكمي غير المتحيز للتوزيع المكاني للتدفقات الكبيرة. بينما تقيس محطات قياس التدفق في هيئة المسح الجيولوجي الأمريكية التدفق من الأحواض في كل ولاية وبورتوريكو ، فإن التغطية ليست موحدة ، حيث تتوافق كثافة المحطة جزئيًا مع الكثافة السكانية ، ويتضح ذلك من خلال العدد الكبير من المحطات على طول الساحل الشرقي والمناطق الحضرية الأخرى (الشكل 1). بالإضافة إلى ذلك ، تحتوي العديد من أحواض الصرف المدرجة في التحليل على محطات متعددة ذات مناطق مساهمة متداخلة ، كما هو الحال في الظروف المشتركة لسلسلة من المحطات على طول نهر فردي. في هذه الحالات ، قد لا تكون سجلات تصريف الذروة السنوية لهذه المحطات مستقلة لأن نفس الفيضان يمكن قياسه (وإدراجه في ملفات تدفق الذروة) في عدة مواقع. يتم تقليل هذا العامل ولكن لا يتم القضاء عليه باستبعاد الأحواض التي تزيد مساحتها عن 26000 كم 2. ومع ذلك ، فإن العدد الكبير والتوزيع الواسع للمحطات يفترض أن يطغى على العوامل البشرية المحتجزة في قاعدة البيانات التي قد تؤثر بشكل منهجي على التوزيع المكاني لتصريفات الذروة الكبيرة ، على الأقل من أجل التقييم النوعي للتوزيع المكاني للتدفقات الكبيرة.

[7] من السجلات النهائية المحتجزة لـ 35663 تدفقات ذروة سنوية من 14815 محطة تقسيم تيار ، تُظهر قطعة من ذروة التصريف مقابل منطقة الصرف ، كما هو متوقع ، أن الأحواض الأكبر عادة ما يكون لها تصريفات ذروة أكبر (الشكل 2). ومع ذلك ، تنتج بعض الأحواض تدفقات أكبر من الأحواض الأخرى ذات الحجم المماثل. لتمييز أكبر هذه التدفقات السنوية القصوى فيما يتعلق بمنطقة الصرف ، قمنا بتقسيم بيانات الشكل 2 إلى تصريف الوحدة المئوية 90 و 99 (ذروة التفريغ مقسومة على منطقة الصرف) من خلال استخدام زوج من معادلات قانون الطاقة (الجدول 1) تمت صياغته للحفاظ على توزيعات عامة مماثلة لمناطق حوض الصرف بالنسبة إلى إجمالي عدد السكان للمحطات التي تم تحليلها (الشكل 3). على الرغم من أننا نشير إلى هذه المجموعات الفرعية من تصريفات الوحدات المرتفعة على أنها النسب المئوية 90 و 99 ، إلا أنها في الأساس 99 و 99.9 تصريفات الوحدة المئوية المئوية فيما يتعلق بجميع تصريفات الذروة السنوية المسجلة لأنها مشتقة من أكبر 10٪ فقط من كل ذروة التصريف السنوية لكل محطة.

التقسيم الطبقي معادلة عدد الفيضانات عدد محطات البث
∼ النسبة المئوية التسعون سpk90 = 24.3 كيلومتر مربع 0.57 3503 2088
∼ النسبة المئوية 99 سpk99 = 74 كيلومتر مربع 0.53 397 284

2.2. تحديد حوض الصرف

[8] التدفقات 3503 التي تشكل تفريغ الوحدة المئوية ∼90 هي من 2088 (من 14،815) محطات قياس التدفق USGS في الولايات المتحدة وبورتوريكو. لكل من هذه المحطات البالغ عددها 2088 محطة ، تم تحديد مناطق الصرف المساهمة ضمن نظام المعلومات الجغرافية (GIS) باستخدام نموذج ارتفاع رقمي بدقة 1 كم لأمريكا الشمالية (تم الحصول على بيانات الارتفاع HYDRO1k من http://edcdaac.usgs.gov/gtopo30 / هيدرو). يعيق الاستبانة التقريبية لنموذج الارتفاع تحليلات GIS الكمية المتعلقة بخصائص التدفق بالبيانات المكانية. ومع ذلك ، فإن هذه التحديدات التقريبية تسمح بعرض التوزيع المكاني للمناطق التي تنتج أكبر تصريف للوحدات على أساس وطني ، بدلاً من مجرد مواقع النقاط لمحطات تقسيم التدفق.


3. النتائج والمناقشة

3.1. تحليلات التضاريس

[15] متوسط ​​الارتفاع في حدود 50 كم المحيطة بمحطات الطقس تراوح من 1037 م إلى 5040 م ، مع الأغلبية فوق 3000 م (الشكل 3 أ). بالمقارنة مع ارتفاع كل محطة ، أظهر متوسط ​​الارتفاع داخل المحاليل المعيارية التي يبلغ طولها 50 كم بوضوح تأثيرات التسوية بسبب الاستبانة المكانية البالغة 1 كم لبيانات DEM والمتوسط ​​داخل المخازن المؤقتة (الشكل 4). تراوح متوسط ​​انحدار الانحدار داخل المناطق الحدودية التي يبلغ طولها 50 كم من 0.4 إلى 13.7 درجة (الشكل 3 ب) ، بينما تراوح أقصى ميل بين 1.9 و 45.9 درجة. يوضح الشكل 5 نمط التوزيع المكاني لجوانب المنحدر. لم يتم تقديم نسبة المنحدرات التي كانت مسطحة لأنها تميل إلى أن تكون صغيرة جدًا ، وتتراوح من 0 إلى 0.052 متوقعًا لمحطة واحدة عند 0.234.

3.2 تحيز تقديرات SSM / I

[16] يوضح الشكل 6 متوسط ​​التحيز لتقديرات SSM / I ، مثل نسبة تقديرات SSM / I إلى المحطة المرصودة لهطول الأمطار لمتوسطات كل الشهور. تم حساب التحيزات مع جميع السنوات مع تجميع البيانات المتاحة معًا لشهر أو موسم معين. بالنسبة لمعظم المحطات في منطقة الدراسة ، كانت التحيزات أقل من الوحدة (أو التقليل من شأنها). تم العثور على المواقع ذات المبالغة البارزة في التقدير من قبل SSM / I في الجزء الشمالي من هضبة التبت. في حين أن معظم دراسات المقارنة والتحقق السابقة اقترحت المبالغة في تقدير معدلات هطول الأمطار المستندة إلى SSM / I ، أظهرت خوارزمية NESDIS تباينًا إقليميًا كبيرًا في التحيزات وفي بعض الحالات التقليل بشكل كبير في مناطق خطوط العرض العليا [ إيبرت وآخرون., 1996 ايبرت ومانتون, 1998 أدلر وآخرون., 2001 كوميرو وآخرون., 2001 McCollum et al.، 2000 ، 2002]. أشارت هذه الدراسات أيضًا إلى اختلافات مكانية وزمنية قوية تتطلب مزيدًا من التحقيق في ظل ظروف إقليمية مختلفة.

[17] هناك العديد من الأسباب المحتملة للانحياز السلبي البارز الموجود فوق هضبة التبت. مقارنة منطقية عالمية بواسطة فيرارو وآخرون [1996] بين SSM / I وتحليل المقياس بواسطة المندوبون وويلموت [1990] اقترح أن SSM / I تقلل من تقدير هطول الأمطار في خطوط العرض الوسطى إلى مناطق خطوط العرض المرتفعة بسبب استبعاد تلك الأحداث عندما كان الثلج والجليد موجودين على الأرض ، ولكنهم يبالغون في تقدير هطول الأمطار في المناطق الاستوائية. تعتمد خوارزمية NESDIS على اكتشاف الانتثار في طبقة المطر في الغلاف الجوي. ومع ذلك ، فإن سمك الغلاف الجوي فوق هضبة التبت هو جانب لم يتم تمثيله في دراسات التحقق السابقة التي أجريت عند مستوى سطح البحر أو بالقرب منه. قد تؤدي كثافة الهواء المنخفضة وسطح الهضبة البارد والقاحل نسبيًا بسبب الارتفاع المرتفع إلى اختلافات منخفضة في إشارات الانتثار بين سطح الهضبة وجو الهضبة. لذلك فإن الخوارزميات التي تم تطويرها باستخدام البيانات الخاصة بالمناطق المنخفضة الارتفاع قد تنتج تقديرات خاطئة. ايبرت ومانتون [1998] ذكر أنه على الرغم من أن SSM / I جيد في تحديد الأنماط المكانية لأحداث هطول الأمطار ، فمن الواضح أن نظام هطول الأمطار هو عامل يؤثر على دقة التقديرات. فيرارو وماركس [1995] أشار إلى أن الحد الأدنى لمعدل المطر القابل للاكتشاف بواسطة خوارزمية NESDIS هو 0.5 مم / ساعة ، مما قد يؤدي إلى فقدان بعض أحداث المطر الخفيف الشائعة فوق هضبة التبت. جرين وآخرون. [1997] اقترح أيضًا أن تحيزات تقديرات SSM / I قد تعتمد على خصائص أحداث هطول الأمطار.

[18] نتائج الانحدار ثنائي المتغير بين تقديرات الأقمار الصناعية وهطول الأمطار المرصودة على السطح معروضة في الشكل 7. وكلا الاعتراضين على ص أظهر المحور ومعاملات الانحدار (المنحدرات) أنماط موسمية معنوية. طوال فترة الدراسة (1987-1999) ، تباين عدد الأقمار الصناعية العاملة ، مما أضاف بعدًا آخر للتباين في تقديرات SSM / I. بالنسبة للفترات التي يتوفر فيها قمر صناعي واحد فقط ، لا يمكن زيارة المشهد إلا مرتين يوميًا على الأكثر. موريسي ووانغ [1994] أشار إلى أن قيود أخذ العينات هذه قد تسبب التقليل من التقدير فوق المحيطات المدارية مع دورات نهارية كبيرة من التغييم والأمطار. يمكن أيضًا تقديم حجج مماثلة بشأن هضبة التبت حيث يكون نمط هطول الأمطار النهاري معروفًا جيدًا خلال موسم الرياح الموسمية [ كواجاتا وآخرون, 2001 ليو وآخرون.، 2002]. من حيث قوة العلاقات بين تقديرات SSM / I والقيم المرصودة للمحطة ، فإن ص تتماشى قيمتان لنماذج الانحدار ثنائي المتغير بشكل أو بآخر مع الدراسات السابقة (الجدول 3). على سبيل المثال، شيه وأركين [1995] قارن التقديرات المبنية على SSM / I مع بيانات محطة GPCC و CAMS لخلايا شبكية 2.5 درجة × 2.5 درجة. كانت الارتباطات بين تقديرات SSM / I الشهرية على أساس خوارزمية Grody وبيانات المحطة في المناطق 20 ° –40 ° N و 20 ° -40 ° S 0.56 لـ CAMS و 0.61 لمجموعات بيانات GPCC. كما استخدموا محطات نظام إدارة ضمان الكفاءة في الصين واشتقوا معامل ارتباط قدره 0.685 لفترة الدراسة التي تبلغ 3 سنوات. قليل ص من المحتمل أن تكون قيمتان لأشهر الشتاء (الجدول 3) ناتجة عن معالجة أسطح الجليد / الجليد بواسطة خوارزمية NESDIS. قمنا بفحص بيانات الغطاء الثلجي الشهرية المستندة إلى SSM / I من NESDIS (ftp://orbit35i.nesdis.noaa.gov/pub/arad/ht/rferraro/ncdc/). تحتوي مجموعة البيانات هذه على كسور الغطاء الثلجي الشهري (0-1.0) للشبكات 1 ° × 1 °. خلال أشهر الشتاء (DJF) ، غطت الثلوج غالبية هضبة التبت ، مقارنةً بجميع الأشهر الأخرى عندما كان جزء صغير فقط يحتوي على كسور عالية من الغطاء الثلجي (الشكل 8).

نموذج تقاطع تقديرات SSM / I ميل معامل موحد ر دلالة ص 2
يناير 3.354 يناير 3.680 0.698 9.594 0.0000 0.487
فبراير 6.572 FEB_EST 2.067 0.416 4.510 0.0000 0.173
مارس 10.672 MAR_EST 4.275 0.790 12.685 0.0000 0.624
أبريل 14.902 APR_EST 1.179 0.575 6.918 0.0000 0.330
مايو 31.144 مايو 0.624 0.658 8.610 0.0000 0.433
يونيو 45.632 يونيو 0.507 0.702 9.704 0.0000 0.493
يوليو 50.253 يوليو 0.580 0.676 9.035 0.0000 0.457
أغسطس 60.870 AUG_EST 0.620 0.440 4.828 0.0000 0.194
سبتمبر 43.640 SEP_EST 0.758 0.631 8.009 0.0000 0.398
أكتوبر 20.561 OCT_EST 1.546 0.498 5.663 0.0000 0.248
نوفمبر 4.992 تشرين الثاني (نوفمبر) 1.813 0.403 4.333 0.0000 0.162
ديسمبر 2.634 ديسمبر 0.867 0.074 0.732 0.4660 0.005
شتاء 11.105 WIN_EST 4.296 0.630 7.995 0.0000 0.397
ربيع 47.556 SPR_EST 1.137 0.734 10.660 0.0000 0.539
الصيف 155.596 SUM_EST 0.575 0.646 8.330 0.0000 0.417
خريف 55.380 FAL_EST 1.216 0.708 9.865 0.0000 0.501
مونسون 218.617 MONS_EST 0.648 0.681 9.170 0.0000 0.464
سنوي 20.644 ANN_EST 0.839 0.708 9.883 0.0000 0.502

[19] أخيرًا ، استخدمت بعض دراسات التحقق بيانات هطول الأمطار بالرادار التي قدمت عادةً تقديرات إقليمية أفضل من بيانات المقاييس التقليدية. في الواقع ، تم ضبط خوارزمية NESDIS مع بيانات الرادار لمعدلات المطر. بشكل عام ، تقلل مقاييس هطول الأمطار في النقاط من تقدير إجمالي هطول الأمطار الإقليمي [ مكتب الطقس الأمريكي, 1957 ]. Anagnostou et al. [1999] أشار إلى أن فرق المنطقة والنقطة ساهم بنسبة تصل إلى 60٪ من التباين في مقارنات قياس الرادار. نظرًا لأن تقديرات SSM / I الشبكية 1 ° × 1 قد تم تصغيرها من خلال الاستيفاء ومتوسطها داخل المخازن المؤقتة التي يبلغ طولها 50 كم ، يمكن دمج الخلايا ذات الترسيب العالي مع تأثيرات الخلايا ذات هطول الأمطار المنخفض أو عدم هطول الأمطار. قد يكون هذا الإجراء قد زاد من التفاوت بين هطول الأمطار في المحطة وتقديرات SSM / I في حدود 50 كم. بالنظر إلى حقيقة أن بيانات هطول الأمطار بالمحطة المستخدمة في هذه الدراسة لم يتم تصحيحها لتأثيرات الرياح والثلج ، فإن مقدار التقليل كان أكثر أهمية مما يبدو. خلال الأشهر الباردة ، قد يكون معدل هطول الأمطار المصحح 1.5-2.0 ضعف قيم هطول الأمطار المقاسة فوق هضبة التبت [ أوينو وأهاتا، 1996]. تشير نتائج تحليل التحيز بوضوح إلى الحاجة إلى الخوارزميات الإقليمية التي تستند إلى الخصائص المحلية والإقليمية للحصول على تقديرات دقيقة لهطول الأمطار.

3.3 النمذجة المكانية على أساس الانحدار المتعدد

[20] تم استخدام الانحدار التدريجي لاختيار المتغيرات المستقلة التي تقدم مساهمات كبيرة في شرح التغيرات في هطول الأمطار بالمحطة. بسبب العلاقة الخطية المتداخلة بين المتغيرات المستقلة ، لم تدخل بعض متغيرات التضاريس في النماذج النهائية لأن تأثيراتها تم تمثيلها بواسطة متغيرات أخرى ذات صلة. تشير نتائج تحليل الانحدار إلى أن تقديرات SSM / I الأصلية كانت لها قوة تفسير منخفضة للهيكل المكاني لهطول الأمطار فوق هضبة التبت ، خاصة للأشهر ذات الغطاء الثلجي الواسع وأن متغيرات التضاريس والموقع كان لها تأثير كبير على دقة تقديرات الأقمار الصناعية. عند استخدام تقديرات الأقمار الصناعية للتنبؤ بالمراقبة الأرضية بدون متغيرات التضاريس والموقع التي تم فحصها في هذه الدراسة ، فإن ص تراوحت قيمتان من 0.005 (ديسمبر) إلى 0.624 (مارس) ، بمتوسط ​​0.334 لجميع الأشهر (الجدول 3). عندما تمت إضافة متغيرات التضاريس والموقع إلى عملية الانحدار ، فإن ملف ص تم تحسين قيمتين لتتراوح من 0.217 (ديسمبر) إلى 0.739 (مارس) بمتوسط ​​0.590 (الجدول 4). كانت النماذج الموسمية والسنوية بشكل عام أفضل من النماذج الشهرية ، بمتوسط ص تمت إضافة 2 من 0.470 قبل متغيرات التضاريس والموقع و 0.675 بعد إدراجها.

ملخص نموذج مع تقديرات الأقمار الصناعية فقط مع متغيرات موقع التضاريس المتغيرات التي دخلت النماذج (حسب تسلسل الإدخال)
ص 2 صفة. ص 2 الأمراض المنقولة جنسيا. خطأ ص 2 صفة. ص 2 الأمراض المنقولة جنسيا. خطأ
يناير 0.487 0.482 4.6 0.602 0.577 4.1 JAN_EST ، SE ، MIN_H ، MAX_H ، MEAN_SLP ، غرب
فبراير 0.173 0.165 10.8 0.412 0.380 9.3 FEB_EST ، MIN_H ، LAT ، MAX_SLP ، N
مارس 0.624 0.620 13.6 0.739 0.728 11.5 MAR_EST ، LONG ، LAT ، NW
أبريل 0.330 0.323 19.1 0.576 0.558 15.4 APR_EST ، MIN_H ، LONG ، LAT
مايو 0.433 0.427 23.5 0.691 0.674 17.7 MAY_EST ، LONG ، SE ، S ، SW
يونيو 0.493 0.487 31.0 0.681 0.664 25.1 يونيو ، LONG ، SE ، MEAN_SLP ، STD_H
يوليو 0.457 0.451 39.3 0.668 0.646 31.6 JUL_EST ، SE ، MAX_H ، LAT ، LONG ، شرق
AUG b b AUG_EST (تقديرات الأقمار الصناعية) لم تدخل النموذج على الرغم من ارتباطها بـ AUG عند أهمية 0.05.
0.194 0.185 50.3 0.617 0.596 35.4 LAT، MAX_H، N، W، NE
سبتمبر 0.398 0.392 31.2 0.704 0.685 22.5 SEP_EST ، LAT ، LONG ، STD_H ، MEAN_SLP ، SE
OCT c c OCT_EST لم يدخل النموذج أولاً.
0.248 0.241 20.4 0.615 0.594 14.9 LONG ، LAT ، MIN_H ، OCT_EST ، SE
NOV d d NOV_EST لم يدخل أولاً.
0.162 0.154 6.4 0.558 0.534 4.8 LAT ، LONG ، NOV_EST ، MEAN_H ، MAX_H
DEC e e DEC_EST ليست ذات دلالة إحصائية عند 0.05.
0.005 0.000 4.9 0.217 0.192 4.4 STD_H ، SE ، MEAN_SLP
شتاء 0.397 0.391 16.5 0.476 0.459 15.6 WIN_EST ، SE ، MIN_H
ربيع 0.539 0.535 45.9 0.700 0.684 37.8 SPR_EST ، LONG ، LAT ، MIN_H ، SE
تم إدخال SUMMER f f SUM_EST أولاً ، ولكن تم حذفه في الخطوة 5 ثم أعيد إدخاله في الخطوة 9.
0.417 0.411 103.9 0.711 0.686 75.9 SE ، LAT ، LONG ، MAX_H ، SW ، W ، SUM_EST ، NW
خريف 0.501 0.496 45.2 0.711 0.699 34.9 FAL_EST ، SE ، LONG ، LAT
تم التخلص من MONSOON g g MONSOON_EST في الخطوة 8 حيث R 2 = 0.737.
0.464 0.459 143.9 0.732 0.714 104.6 SE ، LONG ، LAT ، STD_H ، MAX_H ، MEAN_SLP
سنوي 0.502 0.497 15.3 0.722 0.707 11.7 ANN_EST ، SE ، LONG ، LAT ، MAX_H
  • (أ) المعدل ص 2 قيم (Adj. ص 2) تعكس تأثير العلاقة الخطية المتداخلة بين المتغيرات المستقلة. الخطأ المعياري للتقديرات (Std. Error) هو مقياس آخر لأداء النموذج.
  • ب لم تدخل AUG_EST (تقديرات الأقمار الصناعية) النموذج على الرغم من ارتباطها بـ AUG عند أهمية 0.05.
  • ج لم يدخل OCT_EST النموذج أولاً.
  • d NOV_EST لم تدخل أولاً.
  • e DEC_EST ليست ذات دلالة إحصائية عند 0.05.
  • تم إدخال f SUM_EST أولاً ، ولكن تم حذفه في الخطوة 5 ثم أعيد إدخاله في الخطوة 9.
  • تم حذف g MONSOON_EST في الخطوة 8 حيث R 2 = 0.737.

[21] هناك ما مجموعه 18 نموذجًا: 12 نموذجًا شهريًا ، و 4 نماذج موسمية ، وطرازًا واحدًا لأشهر الرياح الموسمية (مايو حتى سبتمبر) ، وطرازًا واحدًا سنويًا (مثل متوسطات جميع الأشهر). من بين المتغيرات المستقلة بخلاف تقديرات SSM / I ، دخلت متغيرات الموقع معظم النماذج. أدخل كل من LAT و LONG 13 نموذجًا لكل منهما ، على الرغم من أنهما لم يدخلوا دائمًا نفس النموذج معًا بالضرورة. كان متغير التضاريس الذي دخل النماذج في أغلب الأحيان هو نسبة المنحدرات من الجانب الجنوبي الشرقي (13 نموذجًا) ، متبوعًا بالارتفاع الأقصى ضمن المخازن المؤقتة التي يبلغ طولها 50 كم (7 نماذج) ، والحد الأدنى للارتفاع (6 نماذج) ، ومتوسط ​​الانحدار (5 نماذج) ، الانحراف المعياري للارتفاع (4 نماذج) والجانب الغربي (3 نماذج). دخلت نسب المنحدرات التي تواجه SW و NW و N نموذجين لكل منهما. لم يدخل المنحدر المسطح (جانب 0) والمنحدر الأدنى أي نموذج ، بينما أدخل الحد الأقصى للانحدار ومتوسط ​​الانحدار ومتغيرات العرض المتبقية (NE و E و S) نموذجًا واحدًا لكل منهما. كانت جميع المتغيرات التي بقيت في النماذج ذات دلالة إحصائية عند مستوى 0.05.

[22] فيما يتعلق بالتغير الزمني لتأثير متغيرات التضاريس والموقع ، كان نموذج شهر مارس هو الأعلى ص 2 ، متبوعًا بنموذج سبتمبر. كانت نماذج ديسمبر وفبراير منخفضة ص 2 القيم. في الواقع ، بالنسبة لشهر كانون الأول (ديسمبر) ، لم يرتبط تقدير هطول الأمطار / SSM الأصلي مع هطول الأمطار المرصود بدلالة إحصائية (0.05). بالنسبة لشهر أغسطس ، لم يتم تضمين هطول الأمطار المقدرة SSM / I أيضًا في النموذج على الرغم من أنه كان مرتبطًا بهطول الأمطار المرصودة على الأرض عند مستوى أهمية 0.05. لشهر أكتوبر ونوفمبر ، تم تضمين تقديرات SSM / I في النماذج ، لكنها لم تدخل النماذج أولاً. أما بالنسبة للموديلات الموسمية ، فكان النموذج الشتوي هو الأدنى ص 2 قيمة ، مرة أخرى نتيجة لوجود الثلج والجليد فوق معظم هضبة التبت.

[23] لتبسيط هياكل النموذج ، تم اعتبار المتغيرات المستقلة التي دخلت النموذج مرة أو مرتين في المجموع هامشية واستبعدت من الإجراء لاشتقاق النماذج النهائية. لذلك لم يتبق سوى ثمانية متغيرات للتضاريس والموقع (LAT و LONG و MAX_H و MIN_H و STD_H و MEAN_SLP و SE و W). يقدم الجدول 5 نماذج الانحدار النهائية على أساس الانحدار التدريجي وكذلك الاختيار اليدوي للمتغير المستقل. على سبيل المثال ، تم استبعاد LAT و MAX_H مقدمًا لضمان إدخال تقدير SSM / I في النموذج لشهر أغسطس. جرت محاولة لاستخدام نفس النهج لشهر ديسمبر ، ولكنها باءت بالفشل لأن تقييم SSM / I لهطول الأمطار غير مرتبط إحصائيًا بهطول الأمطار المرصود على الأرض. ومع ذلك ، فقد تم "إجبار" هطول الأمطار في النموذج SSM / I ليعكس التباين بين السنوات ، على الرغم من أنه لم يكن ذا دلالة إحصائية. لوحظ أنه بالنسبة لنماذج الصيف وموسم الرياح الموسمية (مايو حتى سبتمبر) ، تم التخلص من تقديرات SSM / I في المرحلة النهائية. لذلك بالنسبة لهذه المواسم ، تم اعتبار إصدارات النموذج قبل التخلص من تقديرات SSM / I هي الأفضل. تم استخدام مستوى الأهمية 0.1 في عملية الاختيار المتغير لتحسين القدرة على التنبؤ ، لكن جميع المتغيرات في النماذج تقريبًا كانت مهمة عند مستوى 0.05.

الشهر / الموسم نموذج الانحدار ص 2
كانون الثاني يناير = −4.215 + 3.166 يناير + 41.195 SE - 0.002 دقيقة + 0.002 MAX_H - 0.706 MEAN_SLP + 32.281 واط 0.602
شهر فبراير FEB = 72.797 + 1.355 FEB_EST - 0.006 MIN_H - 1.556 LAT + 74.736 W - 1.211 MEAN_SLP 0.406
مارس MAR = −30.556 + 3.753 MAR_EST + 1.057 طويل - 1.575 متأخر - 0.003 دقيقة 0.738
أبريل أبريل = −21.991 + 0.460 أبريل_EST + 130.297 جنوب شرق - 0.008 دقيقة + 1.271 طويل - 2.157 لاتينية 0.591
مايو مايو = −170.98 + 0.236 MAY_EST + 2.173 طويل + 254.112 SE + 3.953 MEAN_SLP - 0.066 STD_H - 0.007 دقيقة 0.717
يونيو يونيو = −170.136 + 0.265 يونيو + 2.178 طويل + 236.862 SE + 6.488 MEAN_SLP - 0.101 STD_H 0.681
تموز يوليو = 203.292 + 0.233 يوليو + 313.315 جنوب شرق - 0.02 MAX_H - 8.907 LAT + 2.467 طويل 0.652
أغسطس AUG = −1.612 + 804.741 SE + 0.212 AUG_EST + 7.159 MEAN_SLP - 0.098 STD_H 0.436
شهر سبتمبر SEP = −36.798 + 0.278 SEP_EST - 4.503 LAT + 2.403 طويل - 0.08 STD_H + 4.004 MEAN_SLP + 211.588 SE 0.704
اكتوبر OCT = −51.113 + 1.536 طويل - 1.876 LAT - 0.010 MIN_H + 0.568 OCT_EST + 158.320 SE - 0.029 STD_H + 107.318 W 0.643
شهر نوفمبر NOV = 3.384 - 0.003 MIN_H - 0.757 LAT + 0.311 طويل + 1.031 NOV_EST + 42.748 SE 0.541
ديسمبر DEC = −5.172 + 0.635 DEC_EST لم يكن DEC_EST ذو دلالة إحصائية عند مستوى 0.1 ، ولكن تم فرضه في النموذج.
+ 0.013 STD_H + 48.507 SE - 0.479 MEAN_SLP
0.220
شتاء الشتاء = 0.939 + 3.644 WIN_EST + 181.552 SE - 0.005 دقيقة + 130.083 واط - 1.360 MEAN_SLP 0.512
ربيع الربيع = −170.805 + 0.618 SPR_EST + 4.161 طويل - 4.947 متأخر - 0.013 دقيقة + 342.192 SE 0.700
صيف الصيف = 397.674 + 0.147 SUM_EST + 1067.505 SE - 25.590 LAT + 8.087 طويل - 0.050 MAX_H + 0.019 MIN_H 0.678
خريف السقوط = −37.003 + 0.432 FAL_EST + 390.810 SE + 3.935 طويل - 7.304 LAT - 0.115 STD_H - 0.013 دقيقة + 4.505 MEAN_SLP 0.741
الرياح الموسمية MONSOON = 275.768 + 0.190 MONS_EST + 1464.711 SE + 13.241 طويل - 33.701 LAT - 0.139 STD_H - 0.039 MAX_H 0.715
سنوي السنوي = 14.99 + 0.229 ANN_EST + 169.663 SE + 1.511 طويل - 3.532 LAT - 0.005 MAX_H 0.722

[24] تشير علامات معاملات الانحدار إلى نوع مساهمة المتغيرات المستقلة في تفسير التباين في ترسيب المحطة. من بين متغيرات التضاريس / الموقع الثلاثة التي دخلت النماذج بشكل متكرر (LAT و LONG و SE) ، كانت معاملات LAT سالبة باستمرار ، مما يشير إلى انخفاض هطول الأمطار بنفس المقدار من تقديرات SSM / I تتحرك شمالًا (الجدول 5). كانت معاملات LONG موجبة باستمرار ، مما يشير إلى زيادة هطول الأمطار في المحطة بنفس المقدار من تقديرات SSM / I تتحرك باتجاه الشرق. كان هذان المتغيران يدلان على تأثير المسافات على مصادر الرطوبة فوق هضبة التبت. أشارت الدراسات السابقة إلى وجود مسارين رئيسيين لنقل الرطوبة ، أحدهما يأتي من المحيط الهندي / خليج البنغال إلى الجزء الجنوبي الشرقي من الهضبة والآخر من بحر العرب إلى الجزء الغربي من الهضبة [ دينغ, 1991 يانغ وآخرون., 1989 تانغ وآخرون.، 1994]. يشير الاتجاه التنازلي الشمالي الغربي إلى أهمية مصادر الرطوبة من الجنوب الشرقي ، بينما قللت بيانات SSM / I الأصلية من هذا الاتجاه. وبالمثل ، كانت معاملات SE أيضًا إيجابية باستمرار ، مما يشير إلى أن المناطق ذات المنحدرات التي يغلب عليها الجنوب الشرقي تميل إلى تلقي المزيد من الأمطار ، وأن تدفق الهواء القادم من الجنوب الشرقي له أهمية كبيرة في إنتاج هطول الأمطار على مدار العام.

[٢٥] خلال بعض أشهر الخريف والشتاء (يناير وفبراير وأكتوبر) وموسم الشتاء ، كان للمنحدرات المواجهة للغرب تأثير إيجابي. نظرًا لأن أحزمة التدفقات السائدة في الغلاف الجوي تتحول جنوبًا خلال الخريف والشتاء ، تلعب التدفقات الغربية دورًا مهمًا في إنتاج هطول الأمطار ، خاصة في الجزء الغربي من هضبة التبت. المتغير الآخر الوحيد الذي لديه بعض التناسق هو MIN_H (سلبي ، باستثناء الصيف). غالبًا ما تتزامن الارتفاعات الدنيا المنخفضة في المناطق الحدودية التي يبلغ طولها 50 كم مع مناطق في الهامش الجنوبي الشرقي للهضبة ، وهي منطقة ذات هطول مرتفع نسبيًا. من ناحية أخرى ، كان وجود MAX_H هو الأبرز للقيم الموسمية (المعاملات السالبة). نظرًا لأن مجموعة البيانات المستخدمة في هذه الدراسة مقصورة على تلك المحطات في الصين ، فإنها تعكس في الغالب حاجز المطر / تأثير ظل المطر لسلاسل الجبال في المنطقة. لذلك ، غالبًا ما تتزامن الحواجز ذات الارتفاع الأقصى مع المناطق ذات السلاسل الجبلية على الهضبة وقيم هطول أقل لنفس تقديرات SSM / I. قد يكون لجميع متغيرات التضاريس / الموقع الأخرى معاملات إيجابية أو سلبية.

3.4. دراسة حالة: 1999

[26] لتوضيح كيف يمكن استخدام النماذج التي تم الحصول عليها من هذه الدراسة لتحسين تقديرات هطول الأمطار SSM / I على هضبة التبت ، قمنا بتطبيق النماذج على بيانات يناير وأبريل ويوليو وأكتوبر من عام 1999. أولاً ، لكل منها خلية شبكية 1 ° × 1 ° ، تم تطوير مخزن مؤقت بطول 50 كم في المركز واستخدم لحساب خصائص التضاريس داخل المخزن المؤقت باستخدام 1 كم × 1 كم DEM. ثم تم استخدام تقديرات هطول الأمطار SSM / I الأصلية جنبًا إلى جنب مع متغيرات التضاريس والموقع لحساب تقديرات هطول الأمطار النموذجية. أخيرًا تم استيفاء بيانات نقطة هطول الأمطار باستخدام kriging. يوضح الشكل 9 تقديرات هطول الأمطار المنمذجة المقحمة لشهر يوليو 1999. بالنسبة للجزء الأكبر ، احتفظ هطول الأمطار النموذجي بالهيكل المكاني العام لتقديرات SSM / I الأصلية (الشكل 2) ، مع بعض أنماط التباين المحلية التي تم تنعيمها. ومع ذلك ، من الواضح أيضًا وجود اختلافات كبيرة بين الاثنين. كان هطول الأمطار النموذجي أعلى بشكل عام من تقديرات SSM / I الأصلية عبر هضبة التبت ، خاصة في مناطق الجزء الأوسط من الهضبة. أصبح تدرج SE-NW أكثر بروزًا من تقديرات SSM / I الأصلية لأن نموذج يوليو تضمن كلاً من متغيرات الموقع (LAT و LONG).

[27] قارنا تقديرات هطول الأمطار النموذجية بهطول الأمطار بالمحطة عن طريق استخراج بيانات حقل هطول الأمطار للمخازن المؤقتة البالغ طولها 50 كم لمحطات الطقس. الشكل 10 هو مخطط الانتشار لتقديرات SSM / I الأصلية لشهر يوليو والتقديرات المنمذجة مقابل هطول الأمطار في المحطة. كشف تحليل الانحدار أن هطول الأمطار النموذجي كان له ص قيمة 2 هي 0.65 مقارنة بـ 0.49 من تقديرات SSM / I الأصلية ، وعلاقة 1: 1 تقريبًا بهطول الأمطار في المحطة. يحتوي الجدول 6 على نتائج المقارنة لعام 1999 يناير وأبريل ويوليو وأكتوبر. يمكن رؤية التحسينات التي تم إجراؤها على تقديرات SSM / I الأصلية طوال هذه الأشهر ، على الرغم من أن أداء النموذج في يناير كان لا يزال ضعيفًا للغاية. يقدم خطأ الجذر التربيعي (RMSE) مقياسًا آخر لأداء النموذج. مرة أخرى ، يمكن رؤية التحسينات لجميع الأشهر التي تم فحصها (الجدول 6).

الأصلي SSM / I نموذج SSM / I
ص 2 خطأ تقليدي RMSE ص 2 خطأ تقليدي RMSE
كانون الثاني 0.013 5.88 6.68 0.190 5.33 5.36
أبريل 0.084 37.29 41.68 0.699 21.37 25.22
تموز 0.493 42.56 50.00 0.654 35.14 34.28
اكتوبر 0.145 40.25 57.84 0.339 35.40 40.23
  • (أ) يتم عرض نتائج الانحدار (R 2 والخطأ المعياري للتقديرات) وأخطاء الجذر التربيعي (RMSE) لـ 35 محطة لديها بيانات عن تلك السنة.

[28] التقييم أعلاه ، مع ذلك ، لا يشمل المناطق التي ليس بها أي محطة رصد. نظرًا لغياب البيانات المرصودة في تلك المناطق ، استخدمنا مجموعة بيانات مختلفة كمرجع للمقارنة. انحدار ارتفاع المعلمة في نموذج المنحدرات المستقلة (PRISM) هو نظام خبير لإنتاج بيانات هطول الأمطار الشبكية على أساس بيانات النقاط و DEMs [ دالي وآخرون.، 1994 ، 2002]. تم استخدامه بنجاح لإنشاء خرائط مناخية لهطول الأمطار لمناطق مختلفة في الولايات المتحدة (http://www.ocs.orst.edu/prism/prism_new.html). تم تطوير مجموعة بيانات مكانية لمعيار هطول الأمطار طويل المدى (1961-1990) باستخدام نظام PRISM بدقة 4 كم [ دالي وآخرون.، 2000] ، على أساس الملاحظات في أكثر من 2500 محطة عبر الصين. تم تلخيص بيانات PRISM الشهرية بواسطة المخازن المؤقتة التي يبلغ طولها 50 كم عند الشبكات 1 درجة × 1 درجة ثم مقارنتها بالوسائل طويلة الأجل (1987-1999) الخاصة بـ SSM / I الأصلي وتقديرات هطول الأمطار النموذجية (المحسوبة باستخدام المدى الطويل - مصطلح SSM / I يعني) لأشهر يناير وأبريل ويوليو وأكتوبر. يوضح الشكل 11 أن هطول الأمطار PRISM لشهر يوليو كان له نمط مكاني مشابه للتقديرات النموذجية لشهر يوليو 1999 ، ولكن مع تفاصيل أكبر بسبب دقة مكانية أعلى. كشف تحليل الانحدار ، بناءً على 327 نقطة شبكة ضمن النطاق التقريبي لهضبة التبت ، أنه بالنسبة لهذه الأشهر التي تم فحصها ، كانت تقديرات هطول الأمطار النموذجية أعلى ص قيمتان عند التراجع مقابل بيانات PRISM عن تقديرات SSM / I الأصلية (الجدول 7) ، وبقيم RMSE أقل باستثناء شهر يناير. Both original SSM/I and modeled precipitation estimates were significantly lower than the PRISM July precipitation at a few grid points, which resulted in lower than expected ص 2 values. Had the largest 4 outliers been excluded, the ص 2 values would have increased to 0.5696 and 0.6545 for the original SSM/I and modeled precipitation estimates and the RMSE lowered to 61.57 and 46.83, respectively.

Original SSM/I Modeled SSM/I
ص 2 Standard Error RMSE ص 2 Standard Error RMSE
كانون الثاني 0.171 6.69 7.48 0.216 6.50 9.64
April 0.519 27.66 32.10 0.620 24.55 25.18
July 0.358 90.86 102.25 0.448 84.20 89.46
October 0.396 23.35 30.13 0.671 17.22 17.45
  • a Results of regression (ص 2 and standard error of estimates) and root-mean-square errors (RMSE) are presented. The comparison was based on 327 1° × 1° grid points within the approximate range of the Tibetan Plateau.

مقدمة

Foot-and-mouth disease (FMD) is a highly infectious viral disease that affects cloven-hoofed animals and has the potential to cause significant economic impact. Rapid disease detection and implementation of control measures to limit geographic spread are high priorities during an outbreak (James and Rushton, 2002 Thompson et al., 2002 Haydon et al., 2004). The effectiveness of control measures can be influenced by characteristics of the virus, geography, livestock density and farm management, and environment in the area of introduction. FMD transmission occurs mainly via droplet nuclei excreted from infectious animals to other animals in close proximity infectious animals can transmit the virus to susceptible animals in as little as 24 h (Alexandersen et al., 2003). The most common FMD transmission routes include direct contact between animals, indirect contact via fomite movement (e.g., vehicles or people), and in some areas, ingestion of infected animal products (Alexandersen et al., 2003). Within a livestock population, different species present different challenges to control FMD. At the individual animal level, cattle are considered most susceptible to airborne FMD spread, as their inhaled dose is likely to be larger than other livestock species due to greater lung capacity (Alexandersen et al., 2003). Ruminants have been shown experimentally to become infected with as little as 10 tissue culture 50% infective doses (TCID50), compared to swine at greater than 10 3 TCID50 (Sørensen et al., 2000 Alexandersen et al., 2003). Although swine have been shown to be relatively resistant to airborne FMD infection, infected swine are an important source of aerosolized FMD virus and are capable of excreting 100 to 1000 times more virus than infected sheep or cattle (Alexandersen and Donaldson, 2002). In the silent spread phase of the 2001 United Kingdom outbreak—prior to imposition of a national ban on livestock movements—FMD spread was attributed mainly to movement of infected livestock, mostly sheep, between premises or through live animal markets before clinical signs were apparent (Gibbens et al., 2001 Haydon et al., 2004). After the national ban on livestock movements, disease response efforts reduced the risk of the most common routes of FMD transmission however, local area spread, which included airborne transmission of the virus, remained difficult to mitigate. In addition to the 2001 UK outbreak (Mikkelsen et al., 2003), airborne spread has been implicated in FMD outbreaks in other countries (Gloster et al., 1982 Daggupaty and Sellers, 1990 Sørensen et al., 2000).

The risk of airborne FMD transmission depends, in part, on the strain or serotype of the virus, topographic factors, the type and number of animals infected (i.e., virus production and concentration), the type and number of animals located downwind from infected animals (i.e., exposures), and weather conditions influencing viral decay (Donaldson, 1972 Cannon and Garner, 1999 Sørensen et al., 2000 Donaldson and Alexandersen, 2002 Alexandersen et al., 2003 Mikkelsen et al., 2003 Colenutt et al., 2016 Van Leuken et al., 2016). Under ideal weather conditions, airborne FMD transmission can occur over short or long range distances (Donaldson et al., 1982 Gloster et al., 2005), and virus has been previously shown to infect susceptible livestock located as far as 250 km downwind from infected premises under suitable weather conditions (Gloster et al., 1982 Sørensen et al., 2000). Aerosolized FMD virus can be dispersed beyond quarantine zones established around detected, infected premises as part of a control program (Donaldson and Alexandersen, 2002).

The U.S. Department of Agriculture’s Foot-and-Mouth Disease Response Plan mandates a minimum Control Area of at least 10 km beyond the perimeter of the closest infected premises following FMD detection (USDA-APHIS, 2014). However, the FMD Response Plan is designed to have the flexibility to adapt the response to outbreak characteristics including evidence of or circumstances favorable to airborne transmission. The United States covers a large, and diverse, geography with widely varying climatic conditions. An enhanced understanding of how weather conditions in the area of infection affect the risk of airborne transmission would allow response officials to consider actual, local weather conditions present during an outbreak while making decisions on control strategies, including Control Area size.

Based on a combination of experimental and observational studies, aerosolized FMD is only viable under certain weather conditions. Experimental data suggest FMD virus infectivity is maximized at relative humidity levels greater than 60% (no known upper bound) and drastically reduced below 55% (Donaldson, 1972). Based on previous FMD outbreaks in which airborne spread was implicated, FMD virus can survive in the environment at temperatures as high as 27 °C (Gloster et al., 1982 Mikkelsen et al., 2003). The exact temperature range for which FMD virus is destabilized is unclear however, and there is no known minimum temperature at which FMD virus inactivation occurs (Donaldson, 1972). Presence of cloud cover, absence of precipitation, stable wind direction, and low to moderate wind speeds are thought to maintain aerosolized FMD virus stability, increasing the possibility of airborne transmission between premises (Hugh-Jones and Wright, 1970 Gloster et al., 1981 Sørensen et al., 2000 Gibbens et al., 2001 Sørensen et al., 2001 Mikkelsen et al., 2003 Gloster et al., 2005).

In the United States, there has been limited research to estimate the risk of airborne FMD spread. The objective of this analysis was to identify seasonal and geographic differences in patterns of environmental conditions favorable to airborne FMD spread in the United States.


TECHNOLOGY

APOGEO Are you building all of your own hardware?

Our founders and partners—Moog, Moog Broad Reach, and Millennium Engineering and Integration Company—are industry leaders in designing, build- ing and operating space sensors, systems and missions, with combined experience of more than 70 years.

Moog is a highly experienced provider of spacecraft systems for both government and commercial customers, with annual revenues of $2.6 billion. For more than 40 years, the international space industry has relied on Moog products for commercial, military and civil/scientific satellite and applications. Moog Broad Reach, founded in 1997 as Broad Reach Engineering and acquired in 2013 by Moog, has a long heritage in mission design and development of instruments and flight systems. Moog Broad Reach specializes in space avionics, systems and software, and built the gold standard for radio occultation sensors currently on orbit.

Millennium Engineering and Integration Company (MEI) is an employee-owned small business and a premier space systems engineering company, with annual revenues of $90 million. MEI has more than 15 years of experience as a leading provider of space systems engineering, satellite integration and testing, and launch and on-orbit operations for NASA, the U.S. Air Force and the Missile Defense Agency.

APOGEO How will you get your satellites into orbit?

Our current plan is to launch the first four satellites as a secondary payload by the end of 2016, with the next eight satellites going up on a dedicated launch vehicle by the end of 2017. However, we will continue to look at any opportunities that could get us to orbit and start delivering data sooner.


2 إجابات 2

The problem with your maps is not the interpolation method you're using, but the way ggplot displays density lines. Here's an answer to this: Remove gaps in a stat_density2d ggplot chart without modifying XY limits.

The density lines go beyond the map, so any polygon that goes outside the plot area is rendered inappropriately (ggplot will close the polygon using the next point of the correspondent level). This does not show up much on your first map because the interpolation resolution is low.

The trick proposed by Andrew is to first expand the plot area, so that the density lines are rendered correctly, then cut off the display area to hide the extra space. Since I tested his solution with your first example, here's the code:

The only differences is that I used min()- / max() + instead of fixed numbers and coord_equal to ensure the map wasn't distorted. In addition, I manually specified a greater number of levels (using bin ), since by increasing the plot area, stat_density automatically chooses a lower resolution.


المواد والأساليب

Geographic Interpolation of Endemism (GIE)

We propose the use of a kernel interpolation function, a method commonly used in Geographic Information Systems (GIS) analysis and implemented in several GIS software, to delimit areas of endemism. This interpolation method is based on the definition of circular areas of influence around point occurrences of a phenomenon. Within the area of influence, which is usually defined by the user, the influence of the phenomenon decreases from the point to the limits according to a Gaussian function [19]. For instance, in an epidemiological study of Rabies in China, the area of influence around each infected subject reported was defined as the range of subject´s movement, reflecting transmission probability [20]. The kernel density function estimates the density of occurrence of the phenomenon based on the overlap of the areas of influence [19]. Thus, the results are summarized on a map, expressed as a surface that indicates estimated values of point density. In the method proposed here, the distributional overlap between species is estimated through the distance between centroids of each species distribution range. This method can be applied for identifying areas of endemism through the following sequence of procedures:

  1. Given a set of occurrence points, the centroid of the distribution of each species is estimated through the arithmetic mean of the latitude and longitude of its points (Fig. 1a).
  2. The distance between the centroid and its farthest point of occurrence is measured for each species (Fig. 1b), and this value is used to sort the species into categories of range size (Fig. 1c). The definition of these categories is necessary to define the area of influence of the centroid, as described below, which is a requirement for the kernel index estimation [19].
  3. For each category a value of a radius around the centroid is defined, in order to delimit a circular area of influence of each species range (Fig. 1d). This value can be established through the maximum value of distance between the centroid and the farthest point of each category. For example, in this study all species with up to 100 km of distance between the centroid and the farthest point were grouped in the same category, and this value was defined as the radius around the centroid of all species in the category. The area of influence of each species is a generalization of its distribution range, and thus it must be defined as realistically as possible. Grouping species with differently sized distribution ranges (e.g., species with up to 50 km together with those up to 200 km of maximum distance between the centroid and its farthest point) could result in the overestimation of the range of the more restricted species.
  4. For each category, the overlap between the areas of influence of the species (Fig. 1d) is estimated by the kernel algorithm. The area of influence of each species is expressed as a value that decreases from the centroid to the limits of the circular area according to a Gaussian function (Fig. 1e). The overlap between the areas of influence is estimated through the sum of the values of the overlapping portion, resulting in the kernel index (k). Consequently, the kernel index varies spatially according to the sum of the values of each area of influence, generating a series of overlapped Gaussian curves (Fig. 1e, f). These curves are rasterized, generating a map of density of overlap of areas of influence of species (Fig. 1f), and the kernel index is an indicator of the degree of species distribution overlap.
  5. The results of steps 3 and 4 can be expressed separately for each category or assembled in a consensus map of areas of endemism (Fig. 2). The spatial variation of the kernel index can be displayed with color hues or with isolines (level curves) representing equal values of the index (Fig. 2). The latter option is useful to show the hierarchy between areas of endemism.

a: a centroid is estimated for the points of occurrence of each species. b: For each species, the distance between the centroid and its farthest point is measured. c: species are organized in groups, according to the distance measured in step b. d: This distance is used to define a circular area of influence around each species centroid. This procedure makes it possible to quantify the overlap between areas of distribution among species. e: The degree of overlap between species areas of influence is measured according to a Gaussian function around each species centroid. f: The density of species on each area of overlap, weighted by the degree of overlapping, is converted into interpolated curves using the kernel interpolation function (at left). These curves can be rasterized for display on maps.

Shaded areas indicate the areas of endemism, dashed lines indicate the major areas of endemism delimited according to the kernel index. The insert shows the Brazilian biomes, discussed in the text.

To perform these procedures, a software that calculates the area of influence of each species, as well as an ArcGIS toolbox to implement the method described above, are available in the S1 File in Supporting Information.

Applying GIE to Brazilian spiders

We applied the method described above to delimit areas of endemism of spiders in Brazil using a database of all published distribution records of species described between 1767 and 2013 and two online databases: GBIF [21] and speciesLink [22]. The database includes 3,425 species distributed in 25,072 records (meaning at least one individual of a species collected) and 3,787 localities. About 40% of the species were represented only by single records, 45% had between 2 and 15 records, 10% had between 16 and 60 records and only 2% of the species showed more than 100 records (S1 Fig.). All coordinates reported in the literature and online databases were checked using the ArcGIS software and vector layers of the political boundaries of Brazil to determine whether they actually fit the municipalities and states mentioned in the original data. Of these, 59% of the records were in the correct coordinates. The records that presented incorrect coordinates were georeferenced, as well as records that had no coordinates originally reported. The georeferencing was based on gazetteers and online databases, and 32% of the records were georeferenced in specific localities and only 8% were georeferenced by the location of the municipality. The species taxonomy follows Platnick [23], and species considered nomina dubia were excluded from the analyses. These same records and species were used in the comparative analysis with PAE and NDM. For analysis through GIE the species were classified in nine groups, according to the distance between the centroid and the farthest point: up to 50 km, 51–200 km, 201–400 km, 401–600 km, 601–800 km, 801–1,000 km, 1,001–1,500 km, 1,501–2,000 km and between 2,001 and 3,299 km. Since the definition of these classes can affect the number and location of the areas of endemism, we repeated the analysis with two other categorization schemes: a more inclusive classification with five categories (up to 50 km, 51–400 km, 401–600 km, 601–800 km, 801–3,299 km) and other less inclusive, with 18 categories (up to 25 km, 26–50 km, 51–100 km, 101–200 km, 201–300 km, 301–400 km, 401–500 km, 501–600 km, 601–700 km, 701–800 km, 801–900 km, 901–1,000 km, 1,001–1,300 km, 1,301–1,600 km, 1,601–1,750 km, 1,751–2,000 km, 2,001–2,500 km, 2,501–3,299 km). To compare results, we used Pearson correlation. To generate the consensus map of areas of endemism, the values of the kernel index of each category were standardized between 0 and 1 before assembling the maps. The number of records of a species can affect the position of its distributional centroid, consequently influencing the estimate of the overlap between species in GIE. We estimated this effect through a rarefaction procedure, in which we randomly removed 10, 20 and 30% of the occurrence points and measured the mean deviation of the centroids of the species in 100 randomizations.

The analysis with PAE was based on a presence/absence matrix of spider species over a grid with 168 2×2° cells, completely covering the Brazilian territory (S2 File). As the size of the grid cells can influence the results, we tested several cell sizes (0.5° to 5°) and used the size that allowed the identification of more areas of endemism. The matrix was analyzed through the software TNT [24], based on twenty trees generated by random-addition sequences, followed by TBR Branch Swapping, retaining 20 trees per replicate. The shortest trees obtained were submitted to an additional round of TBR to assure global optimum was found. The trees obtained were rooted in a hypothetical cell with all taxa absent. The areas of endemism were delimited from clades unambiguously supported by at least one non-homoplastic species occurrence, identified in the strict consensus tree.

The same database was analyzed by NDM using the program VNDM [25] (matrix in S3 File), with 2×2° cells. Search factors were set to retain areas with scores equal or above one and presenting one or more endemic species. The search was repeated 100 times, keeping overlapping areas only if 90% of the species in each area are unique. We did not use any parameters to assume the presence of the species in places where they have not been recorded. The results were summarized through the procedure “consensus flexible areas of endemism”, gathering areas that share at least 40% of their endemic species (for more details see [26]).

The results obtained in GIE were compared to results from PAE and NDM through the number of synendemic species (endemic species occurring together in a given area) that supported areas of endemism spatially congruent between methods. In these cases, we consider that areas identified with the highest number of endemic species should indicate a better fit between the boundaries of the area of endemism and the distribution of its species. We also compared the number of areas identified and visually evaluated the overlap between areas generated by each method. Both NDM and GIE show indexes to quantify the support of each area of endemism, so we analyzed the correlation between the score of the areas obtained through these methods using Pearson correlation analysis in Past 1.95 [27]. This analysis was based on values from grid cells of NDM, so the same grid was overlapped to GIE consensus map and 10 random points were used to estimate the average value of the kernel index for each cell.


Present address: Present address: Max Planck Institute for Developmental Biology, Tübingen 72076, Germany.,

Affiliations

Department of Zoology and Physiology, University of Wyoming, Laramie, 82071, Wyoming, USA

Department of Biology, Box 351800, University of Washington, Seattle, 98195, Washington, USA

George Wang & Raymond B. Huey

You can also search for this author in PubMed Google Scholar

You can also search for this author in PubMed Google Scholar

You can also search for this author in PubMed Google Scholar

Contributions

M.E.D., G.W. and R.B.H. conceived the project, designed the analyses and wrote the paper M.E.D. and G.W. collated weather station data and did temperature and metabolic rate calculations.

Corresponding author


شاهد الفيديو: 5 دقائق تعلمك كيفية التنبؤ بالعواصف والرياح والأعاصير القادمة (شهر اكتوبر 2021).