In addition, a Monte Carlo simulati

In addition, a Monte Carlo simulation of the flow accumulation was employed to account for errors in the DSM (Höhle and Höhle, 2009) and allow for uncertainty in flow direction due to the thickness of the moss and subtle variations in sub-surface topography not captured by the DSM. Monte Carlo simulation is based on creating several realisations of the DSM by adding a random error in the height value. Several hundred realisations of the DSM were used in subsequent calculations of DSM derivatives, such as slope, flow direction and flow accumulation to model the effect of error in the DSM input on the derivatives. Flow direction is especially sensitive to errors in the DSM. The outputs can be summarised with basic descriptive statistic indicators for each grid cell, such as mean and standard deviation. The mean provides the most likely output of the Monte Carlo simulation, whereas the standard deviation can illustrate the impact of error in the input (DSM) on the output derivatives by highlighting the variability in the output (Oksanen and Sarjakoski, 2005; Hengl et al., 2010). In this study, we generated 300 DSM layers imputed with a random error for each grid cell drawn from a Gaussian error model defined with a mean of 0.0 m (no bias) and a standard deviation equal to the RMSE (0.044 m), which was derived from the DSM accuracy assessment (Section 2.3). The ArcGIS ModelBuilder (ESRI Inc., USA) was used to impute the 300 DSMs (Zandbergen, 2011) and to write the output to GeoTIFF files compatible with the TauDEM tools. A Python script was implemented to run the following TauDEM commandline tools: pitremove (removal of pits), dinfflowdir (calculation of flow direction), areadinf (calculation of contributing area). To simulate the contribution of snowmelt, a weight layer was used in the calculation of the contributing area. A value of 1 was applied to all grid cells that were snow free and a value of 1 million was applied to all grid cells containing snow (derived from the orthomosaic). This approach essentially simulated a much greater upstream area (hence water availability) for the snow covered part of the study site. After simulating 300 scenarios, the mean contributing area was calculated for each grid cell. The DSM derivatives were then compared to field measurements

ผลลัพธ์ (ไทย) 1:

นอกจากนี้ การจำลองมอนติคาร์โลสะสมไหลถูกจ้างบัญชีสำหรับข้อผิดพลาดใน DSM (ถ้ำและถ้ำ 2009) และอนุญาตสำหรับความไม่แน่นอนในทิศทางการไหลเนื่องจากความหนาของมอและการเปลี่ยนแปลงละเอียดย่อยผิวภูมิประเทศไม่จับ โดย DSM การจำลองมอนติคาร์โลตามสร้างหลาย realisations ของ DSM โดยเพิ่มความผิดพลาดแบบสุ่มในค่าความสูง หลายร้อย realisations ของ DSM ถูกใช้ในคำนวณต่อมาฝ่าย DSM เช่นความลาดชัน ทิศทางการไหล และไหลสะสมการโมเดลผลของข้อผิดพลาดในการป้อนข้อมูลของ DSM การตราสารอนุพันธ์ ทิศทางการไหลสำคัญความผิดพลาดใน DSM สามารถสรุปผล ด้วยตัวชี้วัดพื้นฐานสถิติอธิบายสำหรับแต่ละกริดเซลล์ เช่นค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐาน หมายถึงให้ผลผลิตมากที่สุดของการจำลองมอนติคาร์โล ในขณะที่ส่วนเบี่ยงเบนมาตรฐานสามารถแสดงผลของข้อผิดพลาดในการป้อนข้อมูล (DSM) สารอนุพันธ์ออก โดยเน้นความแปรปรวนในผลผลิต (Oksanen และ Sarjakoski, 2005 Hengl et al. 2010) ในการศึกษานี้ เราสร้าง 300 ชั้น DSM ควาบข้อผิดพลาดแบบสุ่มสำหรับแต่ละเซลล์ตารางที่ออกแบบผิดพลาดนที่ที่กำหนด มีค่าเฉลี่ย m 0.0 (ไม่อคติ) และมีส่วนเบี่ยงเบนมาตรฐานเท่ากับ RMSE (0.044 m), ที่ได้มาจากประเมินความแม่นยำของ DSM (หัวข้อ 2.3) ArcGIS ModelBuilder (ESRI อิงค์ สหรัฐอเมริกา) ถูกใช้ ใน impute 300 DSMs (Zandbergen, 2011) และ การเขียนการแสดงผลไฟล์ GeoTIFF เข้ากันได้กับเครื่องมือ TauDEM สคริปต์ Python ถูกนำมาใช้เพื่อเรียกใช้เครื่องมือบรรทัดคำสั่ง TauDEM ต่อไปนี้: pitremove (ลบหลุม), dinfflowdir (คำนวณทิศทางการไหล), areadinf (การคำนวณพื้นที่การมีส่วนร่วม) การจำลองของน้ำ ชั้นน้ำหนักถูกใช้ในคำนวณพื้นที่เอื้อ ค่า 1 กับเซลล์ตารางทั้งหมดที่หิมะฟรี และค่า 1 ล้านกับเซลล์ตารางทั้งหมดที่ประกอบด้วยหิมะ (ได้มาจากการ orthomosaic) วิธีการนี้เป็นหลักจำลองมีมากกว่าต้นน้ำพื้นที่ (ดังนั้นปริมาณน้ำใช้) สำหรับหิมะปกคลุมเป็นส่วนหนึ่งของการศึกษา หลังจากการจำลองสถานการณ์ 300 หมายถึงส่วนพื้นที่ถูกคำนวณสำหรับแต่ละเซลล์ของตาราง ตราสารอนุพันธ์ DSM ได้แล้วเปรียบเทียบกับการวัดสนาม

ผลลัพธ์ (ไทย) 2:

นอกจากนี้ยังมีการจำลอง Monte Carlo ของการสะสมการไหลถูกจ้างมาเพื่อบัญชีสำหรับข้อผิดพลาดใน DSM (HöhleและHöhle 2009) และอนุญาตให้มีความไม่แน่นอนในทิศทางการไหลเนื่องจากความหนาของตะไคร่น้ำและบอบบางรูปแบบในภูมิประเทศพื้นผิวย่อยไม่ได้ จับโดย DSM จำลอง Monte Carlo อยู่บนพื้นฐานของการสร้างความเข้าใจหลายของ DSM โดยการเพิ่มข้อผิดพลาดแบบสุ่มในมูลค่าสูง หลายร้อยความเข้าใจของ DSM ถูกนำมาใช้ในการคำนวณที่ตามมาของ DSM อนุพันธ์เช่นลาดทิศทางการไหลและการสะสมในการจำลองการไหลของผลกระทบของข้อผิดพลาดในการป้อนข้อมูล DSM ในสัญญาซื้อขายล่วงหน้า ทิศทางการไหลโดยเฉพาะอย่างยิ่งไวต่อการผิดพลาดในการแพ็ทริก ผลที่สามารถสรุปกับตัวชี้วัดสถิติเชิงพรรณนาพื้นฐานสำหรับเซลล์แต่ละตารางเช่นค่าเฉลี่ยและค่าเบี่ยงเบนมาตรฐาน หมายถึงให้การส่งออกส่วนใหญ่ของการจำลอง Monte Carlo ในขณะที่ค่าเบี่ยงเบนมาตรฐานสามารถแสดงให้เห็นถึงผลกระทบของข้อผิดพลาดในการป้อนข้อมูล (DSM) ในสัญญาซื้อขายล่วงหน้าส่งออกโดยเน้นความแปรปรวนในการส่งออก (Oksanen และ Sarjakoski 2005; Hengl et al, ., 2010) ในการศึกษานี้เราสร้าง 300 ชั้น DSM กล่าวหากับข้อผิดพลาดแบบสุ่มสำหรับเซลล์ตารางแต่ละดึงออกมาจากรูปแบบการผิดพลาดเสียนที่กำหนดไว้โดยมีค่าเฉลี่ย 0.0 เมตร (ไม่มีอคติ) และค่าเบี่ยงเบนมาตรฐานเท่ากับ RMSE (0.044 เมตร) ซึ่งเป็น ที่ได้มาจากการประเมินความถูกต้อง DSM (มาตรา 2.3) ArcGIS ModelBuilder (ESRI อิงค์สหรัฐอเมริกา) ถูกใช้ในการใส่ร้าย 300 DSMs (Zandbergen 2011) และเขียนออกไปยังไฟล์ที่เข้ากันได้กับเครื่องมือ TauDEM GeoTIFF สคริปต์งูใหญ่ถูกนำมาใช้เพื่อให้ทำงาน TauDEM เครื่องมือ commandline ต่อไปนี้: pitremove (การกำจัดของหลุม) dinfflowdir (การคำนวณทิศทางการไหล) areadinf (คำนวณจากพื้นที่ที่เอื้อ) เพื่อจำลองการมีส่วนร่วมของรังสรรค์ที่ชั้นน้ำหนักถูกนำมาใช้ในการคำนวณพื้นที่ที่เอื้อต่อการ ค่าของ 1 ถูกนำไปใช้กับเซลล์ตารางทั้งหมดที่มีหิมะฟรีและค่า 1 ล้านบาทถูกนำไปใช้กับเซลล์ตารางทั้งหมดที่มีหิมะ (มาจาก orthomosaic) ที่ วิธีการนี​​้เป็นหลักจำลองพื้นที่ต้นน้ำมากขึ้น (จึงมีน้ำ) สำหรับส่วนที่ปกคลุมด้วยหิมะของเว็บไซต์การศึกษา หลังจากการจำลองสถานการณ์ที่ 300 พื้นที่ที่เอื้อเฉลี่ยที่คำนวณได้สำหรับเซลล์แต่ละตาราง อนุพันธ์ DSM แล้วถูกเมื่อเทียบกับวัดสนาม

ผลลัพธ์ (ไทย) 3:

นอกจากนี้ มอนติ คาร์โลจำลองการไหลสะสมในบัญชีสำหรับข้อผิดพลาดใน DSM ( H ö hle และ H ö hle , 2009 ) และอนุญาตให้ความไม่แน่นอนในทิศทางการไหลเนื่องจากความหนาของมอส และสีสันในการเปลี่ยนแปลงพื้นผิวภูมิประเทศย่อยไม่ได้บันทึกโดย DSM . การจำลองมอนติคาร์โลจะขึ้นอยู่กับการสร้างหลาย realisations ของ DSM โดยเพิ่มค่าความคลาดเคลื่อนในความสูง หลายร้อย realisations ของ DSM ที่ใช้ในการคำนวณที่ตามมาของ DSM อนุพันธ์ เช่น ความลาดชัน และการไหลของการสะสมแบบผลของความผิดพลาดในการป้อนข้อมูลเกี่ยวกับอนุพันธ์ที่มีทิศทางการไหล มีทิศทางการไหลโดยเฉพาะอย่างยิ่งไวต่อข้อผิดพลาดใน DSM . เอาท์พุทสามารถสรุปกับพื้นฐาน สถิติเชิงพรรณนา และตัวชี้วัดในแต่ละกริดเซลล์ เช่น ค่าเฉลี่ย และส่วนเบี่ยงเบนมาตรฐาน คือ มีการส่งออกมากที่สุดของมอนติคาร์โล และส่วนเบี่ยงเบนมาตรฐาน สามารถแสดงให้เห็นถึงผลกระทบของข้อผิดพลาดในการป้อนข้อมูล ( DSM ) ในการแสดงผล อนุพันธ์ โดยเน้นความแปรปรวนในการส่งออก ( oksanen และ sarjakoski , 2005 ; hengl et al . , 2010 ) ในการศึกษานี้จึงได้สร้าง 300 DSM ชั้นใดๆที่มีความคลาดเคลื่อนสำหรับแต่ละตารางเซลล์จากข้อผิดพลาดเสียนแบบกำหนดกับค่าเฉลี่ยของ 0.0 m ( ไม่มีอคติ ) และส่วนเบี่ยงเบนมาตรฐานเท่ากับค่า RMSE ( 0.044 m ) ซึ่งได้มาจาก DSM ความถูกต้องการประเมิน ( มาตรา 3 ) ด้านวิศวกรรมโยธาโมเดลบิวเดอร์ ( ESRI Inc . , USA ) คือใช้ในการใส่ความ 300 dsms ( zandbergen 2011 ) และเขียนออก geotiff ไฟล์เข้ากันได้กับ taudem เครื่องมือ งูหลามสคริปต์จัดให้ใช้ต่อไปนี้ taudem เครื่องมือ commandline : pitremove ( กำจัดหลุม ) , dinfflowdir ( การคำนวณทิศทางการไหล ) areadinf ( การคำนวณให้เกิดพื้นที่ ) จำลองการสนับสนุนน้ำจากหิมะที่ละลาย , น้ำหนักชั้นถูกใช้ในการคำนวณต่อพื้นที่ ค่าของ 1 ถูกนำไปใช้กับเซลล์ตารางที่ถูกหิมะฟรี มูลค่า 1 ล้านบาท ถูกนำไปใช้กับเซลล์ตารางที่มีหิมะ ( ที่ได้มาจาก orthomosaic ) วิธีการนี้เป็นหลัก ) สูงมาก ( เพราะน้ำเหนือพื้นที่ว่าง ) สำหรับหิมะครอบคลุมส่วนหนึ่งของการศึกษาเว็บไซต์ หลังจากสถานการณ์จำลอง 300 , หมายถึงสาเหตุเขตคำนวณสำหรับแต่ละตารางเซลล์ DSM แล้วเทียบกับการวัดด้านอนุพันธ์