Детализация пространственного разрешения полей влажности почвы, рассчитанных с помощью полураспределенной гидрологической модели

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

На примере физико-математической полураспределенной модели ECOMAG для водосбора р. Уссури (24 400 км2) показана возможность использования результатов моделирования площадных характеристик, представленных в виде дискретных (средних) значений для расчетных элементов модели непрерывными полями с пространственным разрешением исходной ЦМР, на основе которой выделены расчетные элементы модели. Повышение пространственного разрешения результатов гидрологического моделирования средней влажности почвы для частного водосбора выполняется с помощью умножения данных низкого разрешения источника на поле переходных весов, рассчитанных на основе индексов относительного положения на склоне. Для сглаживания поля влажности на границах частных водосборов используется метод площадной интерполяции Тоблера, обеспечивающий построение гладкой поверхности с сохранением среднейвеличины (объема влаги) внутри частных водосборов. Обсуждены особенности и возможные ограничения практического применения предложенного метода.

Об авторах

А. Н. Бугаец

Тихоокеанский институт географии ДВО РАН; Институт водных проблем РАН; Дальневосточный региональный научно-исследовательский гидрометеорологический институт

Email: andreybugaets@yandex.ru
Владивосток, 690041, Россия; Москва, 119333, Россия; Владивосток, 690091 Россия

Л. В. Гончуков

Тихоокеанский институт географии ДВО РАН; Институт водных проблем РАН; Дальневосточный региональный научно-исследовательский гидрометеорологический институт

Владивосток, 690041, Россия; Москва, 119333, Россия; Владивосток, 690091 Россия

Ю. Г. Мотовилов

Институт водных проблем РАН

Москва, 119333, Россия

С. Ю. Лупаков

Тихоокеанский институт географии ДВО РАН; Институт водных проблем РАН

Владивосток, 690041, Россия; Москва, 119333, Россия

А. А. Берген

Тихоокеанский институт географии ДВО РАН

Владивосток, 690041, Россия

Н. Ф. Пшеничникова

Тихоокеанский институт географии ДВО РАН

Владивосток, 690041, Россия

Список литературы

  1. Бугаец А.Н.,Пшеничникова Н.Ф., Терешкина А.А., Краснопеев С.М., ГарцманБ.И., Голодная О.М., Ознобихин В.И.Цифровая почвенная карта бассейна р. Уссури // Почвоведение. 2017. № 8. С. 936–945.
  2. Комплексные стационарные исследования лесов Приморья. Л.: Наука, 1967. 187 с.
  3. Мировая реферативная база почвенных ресурсов 2014. Международная система почвенной классификации для диагностики почв и создания легенд почвенных карт. Исправленная и дополненная версия 2015. М.: ФАО, МГУ, 2017. 216 с.
  4. Мотовилов Ю.Г.Моделирование полей характеристик речного стока// Избранные тр. ИВП РАН. 1967–2017. М.: КУРС, 2017. Т. 2. С. 47–70.
  5. Мотовилов Ю.Г., Бугаец А.Н., Гончуков Л.В.ECOMAG-AMUR – Гидроэкологическая модель для оперативной противопаводковой информационно-моделирующей системы в бассейне реки Амур // Свид. регистрации программы для ЭВМ 2022664831. 05.08.2022. Заявка № 2022663910 от 26.07.2022.
  6. Мотовилов Ю.Г., Гельфан А.Н.Модели формирования стока в задачах гидрологии речных бассейнов. М.: РАН, 2018, 300 с.
  7. Роде А.А.Основы учения о почвенной влаге. Т. II. Л.: Гидрометеоиздат, 1969. 286 с.
  8. Степанов И.Н.Пространство и время в науке о почвах: Недокучаев. Почвоведение. М.: Наука, 2003. ISBN 5-02-002812-6
  9. Теория и методы физики почв: Коллективная монография /Под ред.Е.В. Шеина, Л.О. Карпачевского. М.: Гриф и К, 2007. 616 с.
  10. Beven K.Rainfall-runoff modelling. The Primer. Chichester: Ltd. John Wiley & Sons, 2001. 356 p. doi: 10.1002/9781119951001
  11. Beven K.J., Kirkby M.J., Free, J.E., Lamb R.A history of TOPMODEL // Hydrol. Earth Syst. Sci. 2021. V. 25. P. 527–549. https://doi.org/10.5194/hess-25-527-2021, 2021
  12. Bloschl G., Grayson R.Spatial observations and interpolation // Spatial patterns in catchment hydrology: observations and modelling. Cambridge / EdsR. Grayson, G. Bloschl. Cambridge, Univ. Press, 2000. P. 17–50.
  13. Bloschl G., Sivapalan M.Scale issues in hydrological modelling: a review // Hydrol. Processes. 1995. V. 9. P. 251–290.
  14. Boehner J., Selige T.Spatial prediction of soil attributes using terrain analysis and climate regionalisation / EdsJ. Boehner, K.R. McCloy, J. Strobl// SAGA – Analysis and Modelling. Goettingen: Goettinger Geographische Abhandlungen, 2006. P. 13–28.
  15. Bugaets A., Gartsman B., Gelfan A., Motovilov Y., Gonchukov L., Kalugin A., Moreido V., Suchilina Z., Fingert E., Sokolov O.The integrated system of hydrological forecasting in the Ussuri river basin based on the ECOMAG model // Geosci. (Switzerland). 2018. Т. 8. № 1. С. 5.
  16. Coleman M.L., Niemann J.D.Controls on topographic dependence and temporal instability in catchment-scale soil moisture patterns // Water Resour. Res. 2013. V. 49 (3). P. 1625–1642. http://dx.doi.org/10.1002/wrcr.20159
  17. Fang B., Lakshmi V.Soil moisture at watershed scale: remote sensing techniques // J. Hydrol. 2014.V. 516. P. 258–272. http://dx.doi.org/10.1016/j.jhydrol.2013.12.008
  18. Flores A.N., Entekhabi D., Bras R.L.Application of a hillslope-scale soil moisture data assimilation system to military trafficability assessment // J. Terrramech. 2014. V. 51. P. 53–66. http://dx.doi.org/10.1016/j.jterra.2013.11.004
  19. Gerrard A.J.Soils and landforms: An integration of geomorphology and pedology. London: George Allen & Unwin Publ., 1981. 218 p.
  20. Grayson R.B., Bloschl G., Western A.W., McMahon T.A.Advances in the use of observed spatial patterns of catchment hydrological response // Adv Water Resour. 2002. V. 25. P. 1313–1334. https://doi.org/10.1016/S0309-1708(02)00060-X
  21. Hoehn D.C., Niemann J.D., Green T.R., Jones A.S., Grazaitis P.J.Downscaling soil moisture over regions that include multiple coarse-resolution grid cells // Remote Sensing Environ. 2017. V. 199. P. 187–200. doi: 10.1016/j.rse.2017.07.021
  22. Kaheil Y.H., Gill M.K., Mckee M., Bastidas L.A., Rosero E.Downscaling and assimilation of surface soil moisture using ground truth measurements // IEEE Trans. Geosci. Remote Sens. 2008. V. 46 (5). P. 1375–1384. http://dx.doi.org/10.1109/Tgrs.2008.916086
  23. Kim G., Barros A.P.Downscaling of remotely sensed soil moisture with a modified fractal interpolation method using contraction mapping and ancillary data // Remote Sens. Environ. 2002. 83 (3). P. 400–413.http://dx.doi.org/10.1016/S0034-4257(02)00044-5
  24. Merlin O., Escorihuela M.J., Mayoral M.A., Hagolle O., Al Bitar A., Kerr Y.Self-calibrated evaporation-based disaggregation of SMOS soil moisture: an evaluation study at 3 km and 100 m resolution in Catalunya, Spain // Remote Sens. Environ. 2013. V. 130. P. 25–38. http://dx.doi.org/10.1016/j.rse.2012.11.008
  25. Motovilov Yu.G., Bugaets A.N., Gartsman B.I., Gonchukov L.V., Kalugin A.S., Moreido V.M., Suchilina Z.A., Fingert E.A.Assessing the sensitivity of a model of runoff formation in the Ussuri river basin // Water Resour. 2018. Т. 45. № S1. С. S128–S134.
  26. Motovilov Yu.G., Gottschalk L., Engeland K., Rodhe A.Validation of a distributed hydrological model against spatial observation // Agricultural Forest Meteorol. 1999. V. 98–99. P. 257–277.
  27. Ranney K.J., Niemann J.D., Lehman B.M., Green T.R., Jones A.S.A method to downscale soil moisture to fine resolutions using topographic, vegetation, and soil data // Adv. Water Resour. 2015. V. 76. P. 81–96. http://dx.doi.org/10.1016/j.advwatres.2014.12.003
  28. Rase W.-D.Volume-preserving interpolation of a smooth surface from polygon-related data // J. Geogr. Systems. 2001. V. 3. P. 199–213. doi: 10.1007/pl00011475
  29. Sahoo A.K., De Lannoy G.J.M., Reichle R.H., Houser P.R.Assimilation and downscaling of satellite observed soil moisture over the Little River Experimental Watershed in Georgia, USA // Adv. Water Resour. 2013. V. 52. P. 19–33.http://dx.doi.org/10.1016/j.advwatres.2012.08.007
  30. Song C.Y., Jia L., Menenti M.Retrieving high-resolution surface soil moisture by downscaling AMSR-E brightness temperature using MODIS LST and NDVI data // IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2014. V. 7 (3) P. 935–942. http://dx.doi.org/10.1109/Jstars.2013.2272053
  31. Soulsby C., Tetzlaff D., Dunn S.M., Waldron S.Scaling up and out in runoff process understanding–Insights from nested experimental catchment studies // Hydrol. Processes. 2006. V. 20. P. 2461–2465.
  32. Waldo R.,Tobler W.R.Smooth pycnophylactic interpolation for geographical regions // J. Am. Statistical Association. 1979. V. 74 (367). P. 519–530.
  33. Wilson J.P., Gallant J.C.Terrain analysis: principles and applications. New York: Wiley, 2000. 512 p.
  34. Wilson D.J., Western A.W., Grayson R.B.A terrain and data-basedmethod for generating the spatial distribution of soil moisture // Adv. Water Resour. 2005. V. 28 (1). P. 43–54.http://dx.doi.org/10.1016/j.advwatres.2004.09.007

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Российская академия наук, 2025

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».