Q80 和 Q90

 
"Q80" 和 "Q90" 是與水位（水流量）相關的術語，通常用於水文學和水資源管理領域。這些術語涉及在不同的情境下對水位和水流量進行推估和應用。

1. Q80 和 Q90 定義：

   - Q80：在某段特定的時間內，80% 的時間水位處於或高於某個特定的水位。換句話說，Q80 表示水位的80百分位數，即超過20% 的時間水位會低於該值。

   - Q90：在某段特定的時間內，90% 的時間水位處於或高於某個特定的水位。換句話說，Q90 表示水位的90百分位數，即超過10% 的時間水位會低於該值。

2. 水位推估與應用：

   - 洪水風險評估：Q80 和 Q90 可用於評估洪水風險。例如，如果一個地區的水位在大部分時間都低於 Q90 水位，那麼這個地區可能會更容易受到洪水的影響。

   - 水資源管理：水位的變化會影響水資源的供應和分配。透過監測和預測 Q80 和 Q90 水位，可以更好地規劃用水，確保水資源的可持續利用。

   -生態保護：對於生態系統而言，水位的變化可能對動植物的生存和繁殖造成影響。通過了解 Q80 和 Q90 水位，可以更好地管理和保護生態環境。

   - 基礎建設規劃：在設計和建設水利基礎設施（如水壩、防洪工程等）時，需要考慮不同水位條件。Q80 和 Q90 可以作為設計參考，確保基礎建設能夠應對各種水位情況。

   - 災害應對 ：在面臨極端天氣事件（如暴雨、颱風等）時，了解 Q80 和 Q90 水位可以幫助當局做出更快速和準確的應對措施，以減少潛在的災害風險。

Q80 和 Q90 水位是水文學中重要的指標，對於洪水風險評估、水資源管理、生態保護以及基礎建設等方面。

近即時的全球土地利用與覆蓋10m圖資

 Dynamic World, Near real-time global 10 m land use land cover mapping

https://www.nature.com/articles/s41597-022-01307-4#ref-CR23 近即時的全球土地利用與覆蓋10m圖資 透過開放遙測衛星 Sentinel-2 L1C 搭配 GEE 與labelbox.com等技術 產製全球近即時的土地利用與覆蓋圖資 專家標記約 4,000筆資料 非專家標記約 20,000筆資料 #NRT Near real-time 近即時 #LULC land use land cover 土地利用土地覆蓋 在 #Zenodo 存放專家資料集 在 #PANGEA 存放非專家資料集 GEE 資料集 標註資料: ee.ImageCollection('projects/wri-datalab/dynamic_world/v1/DW_LABELS') 影像: ee.ImageCollection('GOOGLE/DYNAMICWORLD/V1') 範例code: https://code.earthengine.google.com/710e2ae9d03cd994c6e8dc9213257cbc 相關訓練資料與程式 https://doi.org/10.5281/zenodo.5602141 #土地利用 #土地覆蓋 #DynamicWorld #EarthEngine

土壤含水量SMAP10KM

 
土壤含水量 在進行乾旱評估中一個重要的參考指標

利用 GEE SMAP 10KM 土壤含水量資料繪製

特定時間段土壤含水量資訊

var dataset = ee.ImageCollection('NASA_USDA/HSL/SMAP10KM_soil_moisture')

                  .filter(ee.Filter.date('2021-01-01', '2022-01-01'));

var soilMoisture = dataset.select('ssm');

var soilMoistureVis = {

  min: 0.0,

  max: 28.0,

  palette: ['0300ff', '418504', 'efff07', 'efff07', 'ff0303'],

};

Map.setCenter(120.5, 23.529, 10

);

Map.addLayer(soilMoisture, soilMoistureVis, 'Soil Moisture');

走讀

 

以前國小上課與回家的途中會經過農改場農田與渠道 農田旁的溝渠還可以看到螃蟹和魚 隨著都市化農田灌溉渠道慢慢的消失在生活中 排水內的水質也慢慢地由透明清澈 轉變成灰色或混濁的情況 而現在看到的大多是三面光排水 與適應力超強的吳郭魚或外來魚種 與越來越多以人為思考點的構造物 --- 最近幾年慢慢地越來越多人與團體與政府部門 開始關心所在的生活環境 花了很大的力氣才能把先前的環境稍微復原 但稍微一不注意 就又會造成另外一個外來種生態入侵問題 生態與環境破壞後 要再復原所花的心力與成本 會比原本更高更困難 關心可以由自己做起 在生活環境中盡量減少一次性的塑膠垃圾 由小開始培養關心環境相關的議題與政策

 Google 洪水預報團隊進度 20200903

Google 洪水預報團隊原先與印度政府合作透過手機，提供洪水預報資訊 。

今年度 擴大預報範圍以涵蓋在印度與孟加拉 (河川水預報區域涵蓋7500萬人)，同時預測時間長度增加為一天 (讓民眾可以有更充足的應變時間)。

並透過與耶魯大學合作，了解當地民眾對於洪水災害資訊需求， 進行使用者介面調整。

同時與當地紅十字會合作進行災害資訊的傳遞，

將洪水訊息提供給沒有手機的居民。

(連結1)

而在淹水預報的技術上

首先改善河川水位預報準確度，並且發展HydroNets模式。使用在ML技術中的LSTM 方式進行推估。

概念上將每一流域點位視為較小的類神經網路架構，依照水系與集水區架構不斷串接成為大型網路架構。

每一個結點可以輸出水位與損失函數，在依序傳遞下去。

目前在預報流域集水區的預報水位，以預報水位90cm 為例，對應預報水位誤差小於15cm。

當水位流量資料準確後。接著就是將河川水位預報轉換為淹水模式成果上。

發展“形態淹水模型(morphological inundation model)”，該方法，使用物理建模與機器學習（ML）相互結合，以提供大範圍淹水成果，並且可保持一定準確度。

改善

1.複雜演算的問題

(大面積範圍且需要具有一定空間解析度的需求)

2.河床水面與水體下，對應的斷面資訊

(模式要準，水面下斷面資料需要掌握)

3.現有資料錯誤問題

(監測資料、圖資內容有問題或圖徵缺少不完整)

先透過非物理模式的ML推估 水位變化下可能淹水的影響範圍(斷面水位變化影響範圍)搭配圖學常用的Flood fill演算法為基礎，搭配河川流量與衛星遙測偵測的淹水範圍進行比對。以改善模式預測準確度。

但資料不足的地方上述方法仍有一定難度。因此而在形態淹水模型尚未涵蓋區域，則利用 end-to-end ML-based 使用水位資料、衛星資料 低水位時圖資進行可能淹水範圍推估。

連結1

Google擴大印度與孟加拉的洪水預報範圍

https://blog.google/technology/ai/flood-forecasts-india-bangladesh/

連結2

Google 改進洪水預報技術提升大範圍空間準確度

https://ai.googleblog.com/2020/09/the-technology-behind-our-recent.html

論文1

HydroNets論文

https://ai4earthscience.github.io/iclr-2020-workshop/papers/ai4earth04.pdf

論文2

HydroNets參考的LSTM 論文

https://hess.copernicus.org/articles/23/5089/2019/

#Google

#洪水預報發展

#HydroNets

#水文模式

#淹水模式

#ML

#衛星遙測

#淹水