XiaoMi-AI文件搜索系统
World File Search System气候实验
NASA 衍生产品 2018
在喷气推进实验室，Shaddock 是激光干涉仪空间天线 (LISA) 的干涉仪架构师。后来，根据 NASA 和澳大利亚太空计划之间的协议，他领导澳大利亚国立大学的一个团队将 LISA 的技术应用于重力恢复和气候实验 (GRACE) 后续任务，该任务也是由 JPL 完成的。这两个项目仪器的核心是相位计，这也是一种常用于电子测试和测量的仪器。诀窍是为 GRACE 后续任务重新配置 LISA 的现场可编程门阵列 (FPGA) 处理器。
全球导航卫星系统（GNSS）和其他用于各种应用的地理空间工具
如今，全球卫星导航系统（GNSS）在许多领域都起着基本作用，例如民航，海上和土地导航和地理器，由于能够在全球范围内提供全球，三维，全天候，速度和速度和时间同步。全球导航卫星系统练习的最终产品是接收站的三维坐标（3D）。这些坐标在大多数地理空间应用中被发现可靠。但是，除了大地坐标外，数据管理中的某些应用还需要其他信息。因此； GNSS已与其他数据获取方法集成在一起，以提高各种应用程序的数据质量。这些有助于解决各个方法失败的许多问题。本文研究了一些基于卫星的系统，并报告了GNSS与其他数据采集工具的集成，例如地球级别，遥感，地理信息系统（GIS），惯性导航系统（INS）等。在某些情况下，协同作用导致了其他卫星或有效载荷计划，例如重力恢复和气候实验（GRACE），而它已改善了许多领域的GNSS应用程序。GNSS集成。
在短时间和长时间标准上的水文盆地上的水和能源预算
摘要。从观察值中更准确地量化区域水和能量漏气对于确定气候和地球系统模型的能力及其模拟未来变化的能力至关重要。本研究使用卫星观测来对2002年至2013年选定的大型河流盆地的陆地水和能量预算的每月估计。在优化之前，盆地的水预算残留物在1.5％至35％之间，净辐射与相应的湍流范围在长期平均值中范围为1至12 W m-2之间。为了进一步评估这些不一致的人，基于整合了漏斗观测值，将漏液添加的表面存储（SIF）用于水和能量。这暴露了季节性水存储中的不匹配，并使宽限期（重力恢复和气候实验）与其他漏斗观察结果所建议的储存之间的重要年度差异增加。我们的优化确保了频率估计值与短（每月）和更长的时间尺度的宽限期的总储能发生变化，同时也通过使用序列方法来平衡长期的长期能量预算。使用χ2检验，在操作过程中进行的所有频道调整都很小，在不确定性估计中，并且保留了观察结果的年度变异性。优化还降低了单个频道组件的形式不确定性。与以前文献的结果相比，诸如密西西比州，刚果和黄河等盆地的结果相比，我们的结果表明，在每种情况下，与宽限期的可变性和趋势都更好地达成了共识。
评估阿富汗的长期储水动力学
评估陆地储水（TWS）组件对于了解区域气候和水资源至关重要，尤其是在阿富汗等干旱和半干旱地区。鉴于地面数据的稀缺性，本研究利用遥感数据集来量化储能变化。我们将重力恢复和气候实验（GRACE）和GRACE随访（Grace-Fo）数据与水盖，全球陆地水存储（GWLS），流域陆地表面模型（CLSM）以及气候变量（降水量，温度，潜在的蒸发）使用人工神经网络（ANN）和随机森林（ANN）和随机森林（RF）（RF）（RF）。此外，还利用了冰，云和土地升高卫星（ICESAT-1,2）数据来估计冰川质量变化。使用黄土（STL）的季节性趋势分解来评估2003年至2022年的TWS变化。我们的方法论揭示了在阿富汗的主要盆地中重建和观察到的TWS Alome之间的高相关性（r = 0.90 - 0.97）。冰川质量分别在2003 - 2009年和2018 - 2022年分别降低-0.59和-1.17 GT/年，而总TWS下降了-2.46 GT/年。HRB经历了最大的TWS损失（-1.47 GT/年），这主要是由于地下水耗竭（-1.18 GT/年）。这些发现强调了我们评估水资源的重要性，为数据渣国家的气候变化提供了至关重要的见解。
对使用远程感知的宽限数据进行综合水管理的评论
重力恢复和气候实验（GRACE）卫星数据与水文模型的整合可以彻底改变综合水管理，尤其是在连续的美国（Conus）河流盆地。GRACE测量陆生储水异常（TWSA）的能力提供了对传统原位测量无法捕获的地下水和水流动态的关键见解。与水文模型相结合时，GRACE数据可提高流量和地下水补给预测的准确性，从而为各种和复杂的河流盆地提供更好的管理策略。但是，Grace的低空间分辨率提出了挑战，尤其是对于较小的盆地或地形不平的地区。解决此限制需要先进的缩减技术，并与遥感和原位测量等互补数据集进行集成。此外，当与气候变化模型结合使用时，宽限期数据通过识别长期趋势和气候变化和人类活动的脆弱性来支持综合的水资源管理。这种合并的方法有助于制定适应性策略，以维持生态和人类需求的水可用性。未来的研究应着重于完善宽限期应用，以增强分辨率并扩大其在管理较小且更复杂的水系统方面的使用。研究结果是对水资源的理解和预测的宝贵补充，从而在面对气候变化和人类活动的情况下支持可持续水管理实践。
用物理编码的深度学习分布式水文建模：一般框架及其在亚马逊>中的应用
摘要虽然深度学习（DL）模型比传统的分布式水文模型（DHM）表现出较高的模拟精度，但它们的主要局限性在于不透明度和缺乏潜在的物理机制。DL和DHM之间对协同作用的追求是一个引人入胜的研究领域，但确定的路线图仍然难以捉摸。在这项研究中，一个新型框架无缝整合了编码为神经网络（NN）的基于过程的水文模型，一种用于绘制空间分布的额外NN，并从分水岭属性和基于NN的替换模型中的物理有意义的参数进行了核对，这些参数是开发的。多源观测被用作训练数据，并且该框架是完全可区分的，可以通过反向传播进行快速参数调整。基于框架建立了亚马逊盆地的混合DL模型（〜6×10 6 km 2），并且将全球尺度DHM的Hydropy编码为其物理骨架。与流量观测和重力恢复和气候实验卫星数据同时培训，混合模型的中位数NASH -SUTCLIFFE效率为0.83和0.77，分别用于流量和总水存储的动态和分布式模拟，比原始水疗模型高41％和35％。用替代NN替换原始的Penman – Monteith公式会产生更合理的潜在蒸发量（PET）估计，并在这个巨大的盆地中揭开PET的空间模式。解释了用于参数化的NN，以确定控制关键参数中空间可变性的因素。总的来说，这项研究为大数据时代的分布式水文建模提供了可行的技术路线图。