Ένα έξυπνο στοχαστικό μοντέλο για την πρόβλεψη της υγρασίας του εδάφους υπό μεταβαλλόμενο κλίμα
Το έδαφος συντηρεί τη ζωή χάρη στα θρεπτικά συστατικά και την υγρασία που περιέχει. Η πρόβλεψη της δυναμικής της υγρασίας του εδάφους έχει μεγάλη σημασία για τη διαχείριση των γεωργικών ή υδάτινων πόρων. Ωστόσο, η πρόβλεψη της υγρασίας του εδάφους είναι μια πρόκληση, δεδομένης της απαίτησης μεγάλης κλίμακας, πολύπλοκων αριθμητικών μοντέλων, τα οποία βασίζονται σε δεδομένα όπως οι αρχικές συνθήκες, η υφή του εδάφους, η βλάστηση, οι ατμοσφαιρικές δυνάμεις (ακτινοβολία, άνεμος, θερμοκρασία, βροχόπτωση, κ.λπ.), τοπογραφία κ.λπ.
Η χρήση αυτού του συνόλου δεδομένων και η προσομοίωση ακριβών εκτιμήσεων της υγρασίας του εδάφους για μια παρατεταμένη περίοδο απαιτεί αξιόπιστα μοντέλα και δεδομένα. Οι ειδικές δεξιότητες στην ανάπτυξη, εφαρμογή και ανάλυση μοντέλων είναι επίσης εξίσου σημαντικές. Επιπλέον, τα περισσότερα κοινά υδρολογικά μοντέλα βαθμονομούνται με βάση το αναδρομικό σύνολο δεδομένων χωρίς προσαρμογή των αλλαγών στο κλίμα, υποθέτοντας έτσι μια σταθερή σχέση βροχόπτωσης-απορροής. Αυτό θα οδηγούσε σε αβεβαιότητα (και ως εκ τούτου, σφάλμα) στην εκτίμηση της δυναμικής της υγρασίας του εδάφους λόγω της εφαρμογής, του σχεδιασμού και της εφαρμογής των μοντέλων.
Ένας νέος αλγόριθμος προτείνεται ενσωματώνοντας ένα στοχαστικό Hidden Markov Model (HMM) με γενετικό αλγόριθμο (GA), έναν εξελικτικό αλγόριθμο που βασίζεται στη διαδικασία της φυσικής επιλογής, προκειμένου να παρέχει ένα ισχυρό πλαίσιο για την αξιόπιστη πρόβλεψη της δυναμικής της υγρασίας του εδάφους σε διαφορετικές κλιματικές περιοχές. . Ο αλγόριθμος δοκιμάζεται για δύο τοποθεσίες στις ΗΠΑ — την Αϊόβα και το Ιλινόις — για να ελεγχθεί η δυνατότητα μεταφοράς της προσέγγισης.
Το HMM προσθέτει το "έξυπνο" συστατικό της προσέγγισης παρέχοντας καλύτερα εκπαιδευμένες παραμέτρους για την απόκτηση των καιρικών καταστάσεων μέσω βελτιστοποιημένων αρχικών παραμέτρων που προέρχονται από ένα GA. Το HMM ρυθμίζει τις παραμέτρους εισόδου που απαιτούνται για ένα μοντέλο για να εκτιμήσει τις καιρικές καταστάσεις του εδάφους (π.χ., υγρό, ξηρό, σχετικά ξηρό ή σχετικά υγρό). Αυτές οι αρχικές συνθήκες βοηθούν την προσέγγιση που βασίζεται στο GA να προβλέψει καλύτερα τις τιμές εδαφικής υγρασίας χρησιμοποιώντας δεδομένα βροχοπτώσεων και ιστορικά στατιστικά στοιχεία που προέρχονται από τις προηγούμενες τιμές εδαφικής υγρασίας. Αυτή η σύζευξη εξαλείφει την ανάγκη χρήσης ενός φυσικού μοντέλου έντασης παραμέτρων και ελαχιστοποιεί όχι μόνο τις δεξιότητες του χρήστη στον προσδιορισμό των αρχικών τιμών παραμέτρων, αλλά και τη δομή του μοντέλου (π. (δηλαδή, καλύμματα γης, πληροφορίες εδάφους, κ.λπ.) σφάλματα.
Για να δοκιμαστούν τα αποτελέσματα, οι προβλέψεις υγρασίας του εδάφους που προέκυψαν από αυτήν την προσέγγιση συγκρίθηκαν με αυτές από ένα εξελιγμένο σχέδιο αφομοίωσης υγρασίας του εδάφους κοντά στην επιφάνεια που βασίζεται σε ένα φυσικό μοντέλο αναστροφής (IM) (Ines and Mohanty, 2008a) που ονομάζεται Soil-Water-Atmosphere -Μοντέλο φυτού (SWAP). Τα αποτελέσματα υποδεικνύουν σταθερή βελτίωση στην προγνωστική ακρίβεια χρησιμοποιώντας την προτεινόμενη προσέγγιση σε σύγκριση με τη μέθοδο SWAP-GA. Η μέση χρονική (1994–2000) υγρασία του εδάφους στην εγγύς επιφάνεια (0–10 cm) και στα υπόγεια στρώματα (10–30, 30–50 και 0–50 cm) προβλέφθηκε σε πολλαπλές θέσεις και στα διάφορα βάθη του εδάφους στην περιοχή μελέτης, τα οποία ταιριάζουν καλά με τις επιτόπιες μετρήσεις.
Αυτή είναι η πρώτη εφαρμογή ενός στοχαστικού μοντέλου για την πρόβλεψη της μακροπρόθεσμης δυναμικής της υγρασίας του εδάφους με χρήση άλλων υποδοχέων, όπως η κατακρήμνιση σε πολλαπλούς χωροχρονικούς τομείς σε όλη την επιφάνεια του εδάφους. Τα αποτελέσματα αυτής της πιλοτικής μελέτης είναι πολύ ενθαρρυντικά και ανοίγουν το δρόμο για την πρόβλεψη της υγρασίας του εδάφους σε μεγάλες χωρικές κλίμακες, ειδικά σε συνδυασμό με την υγρασία του εδάφους που προέρχεται από δορυφόρους (AMSR-E, AMSR2, SMOS, SMAP, κ.λπ.) και τη βροχόπτωση (TRMM /GPM) σύνολο δεδομένων.
Παρά τις αβεβαιότητες σε ένα καθημερινό χρονικό βήμα, η νέα προσέγγιση θα μπορούσε να παρέχει σχετικά αξιόπιστες εκροές μοντέλων στα εβδομαδιαία χρονικά διαστήματα και σχετικά καλή δυνατότητα μεταφοράς υπό διαφορετικές καιρικές συνθήκες. Αυτό το "έξυπνο" Η προσέγγιση παρέχει εύκολη ευκολία (αποφυγή εντατικών παραμέτρων εισαγωγής για φυσικά υδρολογικά μοντέλα) κατά την εφαρμογή σε πεδία και ελαχιστοποιεί όχι μόνο τις δεξιότητες του χρήστη στον προσδιορισμό των αρχικών τιμών παραμέτρων, αλλά και τη δομή του μοντέλου (δηλαδή, παραμετροποιήσεις, αρχικές/κάτω οριακές συνθήκες, εξίσωση, δυνατότητα μεταφοράς, κ.λπ.) και σφάλματα μέτρησης (δηλαδή, καλύψεις γης, πληροφορίες εδάφους κ.λπ.).
Αυτά τα ευρήματα είναι σημαντικά, καθώς η προτεινόμενη μεθοδολογία μπορεί να προσφέρει μια ελκυστική εναλλακτική λύση για την πρόβλεψη μακροπρόθεσμης υγρασίας του εδάφους για το μέλλον χρησιμοποιώντας μόνο σενάρια κλιματικής αλλαγής (δηλαδή, παγκόσμια κλιματικά μοντέλα-GCM, περιφερειακά κλιματικά μοντέλα-RCM, κ.λπ.) και ιστορικό έδαφος μετρήσεις υγρασίας (διαθέσιμες). Από αυτή την άποψη, αυτή η προσέγγιση θα μπορούσε να είναι πολύ χρήσιμη για την ανάπτυξη/βελτίωση της αποτελεσματικής διαχείρισης γεωργικών/υδατικών πόρων στο μέλλον.
Αυτά τα ευρήματα περιγράφονται στο άρθρο με τίτλο Ανάπτυξη μη παραμετρικού εξελικτικού αλγόριθμου για την πρόβλεψη της δυναμικής της υγρασίας του εδάφους, που δημοσιεύτηκε πρόσφατα στο Journal of Hydrology. Αυτή η εργασία διεξήχθη από τον Yongchul Shin από το Kyungpook National University και τους Binayak P. Mohanty and Amor V.M. Ines από το Texas A&M University.
