Güneş enerjisi kullanarak havadan içme suyu hasat etmek için küresel potansiyel

Su Erişim Veri İşleme

WHO/UNICEF JMP’den içme suyu kapsamı ile ilgili veriler elde edilmiştir. JMP, su temini, sanitasyon ve hijyen ile ilgili küresel verilerin resmi vekili olarak görev yapıyor² ve verileri idari verilerden, ulusal nüfus sayımından ve bireysel ülkeler için anketlerden asimile eder ve web siteleri aracılığıyla çevrimiçi olarak erişilebilen bir veritabanı tutar. Ulusal ve ulus altı içme suyu servisi seviyeleri için veri tablolarına eriştik. https://washdata.org.

JMP veri kümeleri coğrafi olarak resmi sınır dosyalarına bağlı değildir. Aşağıdaki açık kaynaklı koleksiyonlardan elde edilen CBS sınırlarına tablolara katıldık: GADM (https://gadm.org), USAID (DHS) Demografik ve Sağlık Anketleri Programının Mekansal Veri Deposu ve Radboud Üniversitesi (GDL) Global Veri Laboratuvarı^{2–50–51–52–53}. JMP tarafından bildirilen ulus altı bölgeler, çeşitli bölgesel idari düzeyleri (il, eyalet, bölge ve diğerleri) temsil eden yapılandırılmamıştır.

JMP ulusal ve ulus altı verileri, Pythonand ArcGIS 10’da inşa edilmiş özel bir coğrafi işlem aracı kullanılarak CBS sınırlarına birleştirildi. Araç, mevcut JMP alt-düzeyde anket verilerini, birleştirilmiş GADM yığınından (admin1, admin2 ve admin3), DHS ve GDL sınırları dünyası dünyasında birleştirilmiş bölgesel sınır isimlerine en yakın isim eşleşmesine birleştirir. JMP ulusal düzeyinde anket verileri daha sonra ulus altı verisi olmayan ülkeler için GADM National (Admin0) sınırlarına birleştirilir. Son olarak, sınırla birleştirilmiş iki veri kümesi (ulusal ve subsational) birleştirilir, işlenir ve mevcut en yüksek uzamsal çözünürlüklerde su stresli nüfus verilerinin kesintisiz küresel kumaş olarak dışa aktarılır (Şekil. 1A).

JMP, SMDW ve temel hizmet düzeyi arasındaki dökümü ulus altı bölgelerde bildirmez ve bunun yerine ‘en azından temel’ (ALB) adlı kombine bir kategori rapor eder. Alt alt bölgelerdeki SMDW değerlerini tahmin etmek için, ulusal düzeydeki bölünmeler kullanılarak basit bir çapraz çokluk yapıldı:

$$ {{ rm {smdw}}} _ {{ rm {subnational}}} = frac {{ rm {smdw}}}}} _ _ _ {{ rm {national}}}} {{{ rm {alb}}} _ {{ rm {national}}}} { times { rm {alb}}} _ {{ rm {subnational}}}, $$

Nerede Alb_ulusalAlb_{ulus altı} ve SMDW_ulusal bilinen değerlerdir.

SMDW’nin Alb’ten ulus altı bölgeler için ALB’den payının çapraz tahmin edilmesinin doğrulanması, SMDW için tüm kriterler hakkında veri toplayan ulusal temsili hane halkı anketlerinin referans veri kümesinde gerçekleştirildi.⁵⁴genişletilmiş verilerde gösterilmiştir. 2. Regresyon sonuçlarını rapor ediyoruz R²= 0.87 ve standart 3.67 hatası, SMDW payını aşırı rapor veren bir önyargı ve çalışmamızda SMDW olmadan yaşayan insanların olası bir şekilde hafife alındığını gösteriyor. Bu tutarsızlık, bireysel hane halklarının SMDW için tüm kriterleri karşılayıp karşılamadığını düşünmek yerine, çoklu içme suyu hizmeti kriterlerinin minimum değerine dayanan JMP SMDW hesaplamalarından gelir (kontaminasyon içermez, gerektiğinde ve öncül olarak erişilebilir)⁵⁵.

SMDW olmayan nüfusun fraksiyonu, 2017’nin 1km uzamsal çözünürlükte dünya üstten aşağı kısıtsız küresel mozaik nüfus sayısındaki konut nüfus değerleri ile çarpıldı⁵⁶ (https://www.worldpop.org). WorldPop’a çevrimiçi olarak bir TIF görüntüsü olarak erişildi ve Google Earth Engine’e aktarıldı. 2017 yılı, JMP’den su erişim verilerini daha yakından eşleştirmek için seçildi. JMP tarafından bildirilen yüzdeler muhtemelen çoğu bölgede tekdüze değildir⁵⁷Şek. 1bancak bölgesel olarak bildirilen bu verilerin sınırlamaları göz önüne alındığında, bizim için mevcut olan en iyi tahmini temsil eder.

İklim girişi ve dönüşüm yaklaşımları

GHI ve Referans Uçak

GHI kullandık (WM’de⁻² ) güneş enerjisi giriş verileri olarak. GHI, iklim veri kümelerinde iyi bir mevcudiyete sahiptir ve en az sayıda varsayımı sunar. GHI, yerel olarak yatay bir referans düzleminde ışınımı tanımladığından, bu yaklaşım sadece yatay olarak yönlendirilmiş bir güneş hasat alanına sahip cihazlar için kesindir. Yatay ve optimal sabit eğik paneller arasındaki yıllık ortalama karşılaştırmalar, tropikal enlemlerde doğrudan artı dağınık radyasyonda ihmal edilebilir farklılıklar ve 50 ° kuzey ve güney enlemlerindeki yerlerde% 25’in altındaki oranlar göstermektedir.⁵⁸. Eğik cihazlar veya daha yüksek enlemler için kesin mutlak tahminler arayanlar, verilen kodu belirli varsayımlarına uyarlamaya teşvik edilir.

Sy’den AWH çıkışına dönüşüm

Ana metinde tartışıldığı gibi, güneş odaklı AWH cihazları tipik olarak iki baskın enerji girişinden birine sahiptir: termal (doğrudan cihazdaki olay güneş ışığından dönüştürülür) veya elektrik (PV’den). Burada, LKWH’de verimi hesaplamak için kullanılan enerji birimleri⁻¹ doğrudan GHI’den gelen güneş enerjisidir. Çeşitli varsayımlar, kaynaklarına göre bildirilen değerlerle ilgili olarak yapılır. Termal sınırlar³³TRP tarafından bildirilen hedef eğriler ve deneysel sonuçlar¹⁵ ve MOF’ların güneş ışığından sıcağa doğrudan (%100) dönüşüm olduğu varsayılmıştır. ZMW cihazı için, üretici tarafından sağlanan tablo sistem kayıplarını hesaba katar, bu nedenle tablo değerleri doğrudan modelimizde dönüştürülmüştür.³⁵. Ref için. ³⁴ ve Ref. ³²her ikisi de ısı yerine iş girdisi üstlenirken, güneş ışığından KWH’den (GHI) KWH’ye dönüştürmek için tipik bir PV dönüşüm verimliliği uyguladık_Pv (elektrik işleri) cihaza giriş⁵⁹.

Yeterince kısa sorbent bisiklet süreleri

AWH-GEO sürekli veya yarı sürekli awh varsayar. AWH-GEO, her 1 saatlik zamanın bağımsız olarak göz önünde bulundurulur ve bu nedenle vatansızdır. Kenar vakalarının yanı sıra, bu, hem sorbent bisiklet için hem de termal zaman sabitlerinin çoğu için, tipik olarak 1 saatten daha kısa zaman sabitlerine sahip kütle verimli SC-Awhdevices için güvenli bir varsayımdır. Daha uzun zaman sabitleri, toplu cihazlar veya yavaş (DE) sorpsiyon kinetiğine sahip işlemlere sahip cihazlar için, bu varsayım artan hata getirebilir ve sağlanan kodun daha fazla uyarlanmasını gerektirebilir.

İklim zaman serisi hesaplaması

AWH-GEO, AWH için bir kaynak değerlendirme aracıdır. Form çıkışının bir çıkış tablosu ile karakterize edilebilen herhangi bir güneş odaklı sürekli AWH cihazının dünyasında su üretimini (birim zaman başına litre cinsinden) haritalamak için bir jeo-uzamsal işleme boru hattından oluşur =F(RH, TNot alın).

Çıktı tabloları LH’de AWH çıkış değerlerini gösterir⁻¹veya LH⁻¹ M⁻² Aşağıdaki aralıklarda 3 ana iklim değişkeninin permütasyonları arasında: % 10 ila 100 arasında RH, % 10 aralıklarla GHI, 0 ila 1.300wm arasında⁻²100wm aralıklarla⁻²Ve T 2.5 ° C aralıklarla 0 ila 45 ° C arasında (toplam çıkış değeri 2.145). Tablolar, Google Earth Engine’deki 3D dizi resmine dönüştürülür ve ilgi süresi için iklim zaman serisi görüntü toplama arasında işlenir. Son olarak, bu AWH çıkış değerleri bir görüntü olarak tek bir zaman ortalamalı istatistiğe birleştirilir (azaltılır).

İklim Zaman Serisi verileri, Avrupa Orta Menzilli Hava Tahminleri Merkezi’nden (ECMWF) ERA5-Land İklim Yeniden Yardımcısından elde edildi.⁶⁰Google Earth Engine Veri Kataloğu’ndan erişildi. ERA5 arazi yüzey değişkenleri 1 saatlik aralıklarla ve 0.1 ° × 0.1 ° (nominal 9 km) kullanıldı. Bu çalışma için 10 yıllık analiz süresi (2010-2019, dahil) kullanılmıştır ve orta vadeli interannual iklim değişkenliği için makul bir düzeltme sağlayacak kadar uzun bir dönemi temsil eder.

İklim değişkenleri GHI ve T, ERA5-Alan Parametrelerinin Yüzey Güneş Radyasyonuyla Aşağı ‘(Kümülatiften Saatlik’e Dönüştürüldü) ve’ 2 Metre Sıcaklık ‘(sırasıyla K’dan ° C’ye dönüştürüldü) ile eşleştirildi. RH, Ağustos -Roche -Magnus yaklaşımından türetilen bir ilişkide ortam ve çiy noktası sıcaklık parametrelerinden hesaplandı⁶¹ yeniden düzenlendi:

Neresi A 17.625 (sabit), B 243.04 (sabit), T ERA5-Land parametresi ‘2 metre sıcaklık’ K’den ° C’ye dönüştürüldü ve T_D ERA5-Land parametresi ‘2 metre çiğ noktası sıcaklığı’ k’dan ° C’ye dönüştürülür.

İklim parametrelerinin ve eşlenen çıkışların Spot Validasyonu, 2016 yılında Iowa, Iowa’da (Iowa Çevresel Mesonet-8-WSW istasyonu kullanarak birkaç zamanlama arasında Google Earth Engine’de manuel olarak gerçekleştirildi.⁶²ve önemsiz hata gösterdi (<%5).

Üst sınırların eşleme

Figür 3a Kim ve ark. ³³aşağıda çoğaltılmıştır.

Neresi ({ dot {q}} _ {{ rm {hot}}, { rm {in}}, { rm { min}}} ) minimum giriş ısı akısıdır (W’de_sıcaklık) Süreci yönlendirmek için gerekli, ({T} _ {{ rm {hot}}} ) giriş ısısının verildiği sıcaklık (k cinsinden), ({T} _ {{ rm {ortam}}} ) Isının reddedildiği ortam sıcaklığı (k olarak) ve su ve hava işlemden çıkıyor, ({ dot {m}} _ {{ rm {su}}, { rm {out}}} ) Sıvı suyun kütle üretim oranıdır, ( omega )Kg kuru hava başına kg su cinsinden nem oranlarını gösterir, ({e} ) Verilen sıcaklık ve nemleri aranabilen belirli ekzerleri gösterir, alt simge havası, ({T} _ {{ rm {ortam}}} ) nemi çıkaracak, havayı alt simge, out işlemden çıkan havadan çıkmayı gösterir. ({T} _ {{ rm {ortam}}} ) Biraz nem çıkardıktan sonra, su alt simgesi, out, işlemden çıkan sıvı suyun ({T} _ {{ rm {ortam}}} ) istenen ürün olarak.

Bu formülde bulunmayan, ancak Kim’in altta yatan türevinde bulunan parametreler: Bu üst sınır, sayısal stabilite ve geri dönüşümlü işlem koşulları için seçilen küçük bir iyileşme oranı (RR ~ 0) için elde edilir (entropi üretimi,,S_gen= 0).

Kim’in modeli, gerekli temel enerjilerin bir sıcaklıkta sağlanan giriş ısısı tarafından yönlendirildiği bir AWH varsayıyor. ({T} _ {{ rm {hot}}} ). Temsil ettiği sınır, süreçten, aşama sayısından, sorbent seçimi vb. Bağımsız uygulanır.

Kim’in modelini güneş ışınımından%100 kullanılabilir ısıya idealize edilmiş bir dönüşüm verimliliği varsayarak güneş enerjisi girdisine uyarlıyoruz. Bu idealizasyon, ek parametreler getirmeden sağlam bir üst sınırı korur. Teorik güneş-ısı verimlilik sınırları için literatür değerleri, açısal seçicilik seviyesine bağlı olarak termal emiciler için% 99.99 ila 95.80 arasında değişmektedir.⁶³.

Yeniden düzenlendi, Kim’in modeli verim

Buna ek olarak, ({ dot {v}} _ {{ rm {su}}, { rm {out}}} ) Sıvı suyun hacim üretim oranıdır, ({A}) Alanı hasat güneş ışığı mıdır (aşağıdaki yaklaşım bölümüne bakın), ({E} _ {{ rm {ghi}} ) w’de ghi mi_güneşM⁻² Ve ({ rho} _ {{ rm {su}}} ) suyun yoğunluğudur.

Bu artık üç temel iklim değişkeni işlevidir: GHI (ilk dönemde), ortam sıcaklığı (ikinci ve üçüncü dönemde gizlenir) ve RH (üçüncü terim girer). Bu bir çıkış tablosuna dönüştürüldü ve AWH-GEO boru hattı boyunca işlendi ve Şekil 2’de sunuldu. 3a. Bu, herhangi bir parametre seçeneği için çalıştırılabilirken ({T} _ {{ rm {hot}}} )burada rakamlar sunuyoruz ({T} _ {{ rm {hot}}} )= 100 ° C, izleme veya güneş ışığı konsantrasyonu olmadan düşük maliyetli (vasuum olmayan) pratik cihazlarda hala elde edilebilir bir sıcaklık. Daha yüksek sürüş sıcaklıkları, su çıkışı için üst sınırı arttırır. Sınır analizi için, Kim’in denklemi% 100 RH’de sonsuza geçtikçe gerçekçi olmayan yüksek teorik çıktıları önlemek için% 90’ın üzerindeki RH değerleri kenetlenir. Yeni ortam havasının verimli bir şekilde yenilendiğine dair bir başka varsayım da yapılmıştır.

Figür 3b Aktif soğutucu -kozalaklı kullanıcılar için maksimum verimi, mantıklı ısının geri kazanılmasıyla haritalar – tüm verilen iş girişi ve soğutma ünitesinin, peeters tarafından modellendiği gibi spesifik verimi en üst düzeye çıkaran bir kondenser sıcaklığında soğutma ünitesinin performans katsayısı³²onların incir. 11. Peeters, kondansatörde don oluşumu beklenirse verimi sıfıra koymayı seçti. Peeters çalışma girdisini varsaydığından, güneş enerjisinden (GHI) KWH’ye dönüşüyoruz_Pv Yukarıda tartışıldığı gibi.

Figür 3C Haritalar Zhao’nun bir TRP’den deneysel sonuçları, bildirilen 0.21, 3.71 ve 9.28 LKWH SYS’lerine uygun bir lojistik regresyon eğrisi kullanılarak⁻¹sırasıyla% 30, 60 ve% 90 RH¹⁵. Eğri uyumunun şartları bir sonraki bölümde rapor edilmiştir.

Özel sarı ila mavi harita renkleri www.colorbrewer.orgCA Brewer, Penn State⁶⁴.

Belirli verim ve hedef eğriler

Laboratuvar deneylerinden veya rapor edilen değerlerden sınırlı bir SY ve RH çiftine uymak için iki basit karakteristik denklem olan doğrusal ve lojistik kullanıldı ve hesaplanan çıkış tabloları kullanılarak AWH-GEO aracılığıyla çizildi. AWH-GEO’da terimleri yinelemeli olarak ayarlanan benzer formdaki varsayımsal eğriler, hedef çıktı hedefine (5LD⁻¹ ) ve kullanıcı tabanı ve burada rapor edilir (1 m için² cihazlar). Aşağıdaki denklemlerde, % içindeki RH bir fraksiyon olarak alınır (örneğin, örneğin % 55 0.55’e eşdeğerdir).

Doğrusal hedef eğri, y-Sekiz sıfır:

Neresi A SMDW olmayan 0.5, 1.0 ve 2.0 milyar insan hedeflerine ulaşmak için 1.60, 1.86 ve 2.60 l/kWh olarak ayarlanır ve RH giriş RH (kesirli).

Lojistik hedef eğrisi lojistik bir işlevdir:

Neresi L 1.80, 2.40 ve 4.80lkwh olarak ayarlanır⁻¹SMDW olmayan 0,5, 1.0 ve 2.0 milyar insan hedeflerine ulaşmak için, K Büyüme oranı 10.0’a ayarlanmış mı ve ({ rm {rh}} ) Ve ({ rm {rh}}} _ {0} ) sırasıyla RH (fraksiyonel) ve 0.60 girişidir.

Zhao tarafından TRP’ler için bildirilen SY değerleri (‘Smag’ olarak adlandırdıkları) aşağıdaki parametrelerle aynı formun lojistik bir işlevine uyuyordu: L 9.81lkwh olarak ayarlayın⁻¹ – K 11.25 ve RH’ye ayarlayın₀ 0.645’e ayarlayın.

Ortaya çıkan SY profili bir çıkış tablosuna genişletilir. Tam çıkış tabloları yerine SY değerleri sağlayan tüm raporlarda olduğu gibi, bu, daha düşük GHI seviyelerinde hata getirebilen ısı hızında (yaklaşık olarak GHI’ya eşit) bir doğrusallık varsayımını zorlar. Zhao, TRP malzemesinin SY’sinin 40 ° C’nin altındaki sıcaklık boyunca – malzemenin daha düşük kritik çözelti sıcaklığı olan – performansının hızla düştüğünü bildirmektedir. Buna göre, SY’yi 0lkwh olarak ayarladık⁻¹ Çıkış tablosunda ≥40 ° C sıcaklıkları için.

Bagheri, KWH/L’de SEC olarak kabul edilebilen bir ‘enerji tüketim oranı’ kullanılarak çeşitli iklim koşullarında mevcut üç AWH cihazının performansını ve SY’nin basit karşılıklı olduğunu bildirmiştir. Karşılıklara lojistik bir eğriyi takmak yerine, denklemin 20 ° C üzerindeki koşullarda üç cihazın ortalama SEC’sine üstel bir işlevi sığdırırız:

KWH’de SEC spesifik enerji tüketimi burada_PvL⁻¹ ve RH kesirlidir.

Bu RH’ye uygulandı ve bir çıkış tablosunda karşılıklı olarak alındı ​​ve AWH-GEO’dan geçti. Bagheri KWH’nin eşdeğerini bildirdiğinden_Pvyukarıda tartışıldığı gibi bir fotovoltaik dönüşüm verimliliği ile GHI girişine uyum sağlamak için ölçeklendiriyoruz.

ZMW cihazının performansı için (şirketin ~ 3m²Source Hydropanel), Üreticinin web sitesinde bulunan Teknik Spesifikasyon Sayfasında Panel Üretim Kontur Grafiğinden Değerler kullandık.³⁵. İçerme kararı, ticari niyetli bir SC-AWH ürününün erken bir örneği olarak önemi nedeniyle verilmiştir. Panel başına günde L cinsinden değerler 5 kwhm’de her bir% 10 RH adımında alındı⁻²KWHM’yi temsil ettiği varsayıldı⁻²D⁻¹ve 15 kWh (~ 3 m²× 5kwhm⁻²) LKWH’de Sy’ye dönüştürmek için⁻¹ . Ortaya çıkan SY eğrisinden, AWH-GEO ile bir çıkış tablosu oluşturuldu ve işlendi.

Tesadüf analizi ve nüfus meblağları

Tesadüf analizi,% 10 ila 100 arasında tam permütasyon seti ve 400 ila 700 wm arasında GHI göz önüne alındığında AWH-GEO’dan 70 eşik çifti boyunca gerçekleştirildi.⁻²İkili görüntü zaman serileri kullanılarak eşik aralıkları. Ortaya çıkan ortalama 24 ile çarpılan ortalama günde ortalama saati temsil eder eşikler aynı anda karşılanır ve OPHD verir. Aşağıda bu zaman serisi hesaplamasının işlevsel bir temsili:

Neresi ({{ rm {rh}}} _ {t, { rm {px}}} ) haritadaki rh piksel ({ rm {px}} ) zamanında (T)– ({{ rm {rh}}} _ {{ rm {eşik}}} ) cihazın çalıştığı varsayılan RH eşiğidir, ({{ rm {write}}} _ {t, { rm {px}}} ) haritadaki ghi piksel ({ rm {px}} ) zamanında (T)Ve ({{ rm {ghi}}} _ {{ rm {eşik}}} ) cihazın çalıştığı varsayılan GHI eşiğidir.

Daha sonra nüfus hesaplaması bu görüntülerde Google Earth Engine’de gerçekleştirildi.

Bölgesel istatistikler, daha önce oluşturulan (WorldPop’tan türetilmiş) SMDW dağılım görüntüsü olmadan popülasyon tamsayı sayıları olan gruplanmış bir görüntü azaltma (1.000 m ölçekte) kullanılarak tam tamsayılar (0-24) olarak ortalama OPHD görüntüleri üzerinde gerçekleştirildi. Bu azalma 1.000 metrede gerçekleştirildi. Doğrulama Google Earth Engine’de tek OPHD bölgelerde tek ülkelerde gerçekleştirildi ve önemsiz hata (<%2) gösterdi. Nüfus sonuçları bir tablo olarak toplandı (özellik toplama) ve popülasyon istiflenmiş OPHD bölgeleri içinde kümülatif olarak toplandı. Bunlar, Şek. 4b.

Sonuçların iklim ve nüfus veri kümesi seçimine duyarlılığını değerlendirmek için bir tesadüf analizi gerçekleştirdik (Şek. 4b) alternatif veri kümeleriyle ve bu sonuçları genişletilmiş verilerle sağlayın. 1.

ERA-5’e (1H, 9km) alternatif bir iklim veri kümesi olarak, NASA’nın Global Arazi Veri Asimilasyon Sistemini (GLDAS) 2.1’de 0.25 ° × 0.25 ° uzamsal çözünürlük (nominal olarak 30 km) ve 3H geçici çözünürlük kullandık⁶⁵ Ana sonuçlarla eşzamanlı olarak, 2010-2019. WorldPop 2017’ye alternatif bir nüfus veri kümesi olarak, Oak Ridge National Laboratory’s Landscan 2017 Ortam Nüfus Sayılarını 1km Mekansal Çözüm⁶⁶. İki sonuç karşılaştırması hesaplandı: (1) iklim veri girdisinin doğrudan karşılaştırılması için WorldPop 2017 ile hesaplanan GLDA’lar ve (2) iklim ve popülasyon veri kümesi ikamesinin karşılaştırılması için peyzajla hesaplanan GLDA’lar.

Karşıtlar arası, kullanılan popülasyon veri kümesine ihmal edilebilir bir duyarlılık olduğunu, ancak kullanılan iklim veri kümesine önemli ve sistematik bir duyarlılık olduğunu gösterirken, tüm arıtımlar arası ana özelliklerde ve nitel sonuçlarda kabul edilmektedir. Mekansal ve zamansal olarak (3 ×) daha kaba GLDAS veri kümesi, daha ince ERA-5 iklim reanalizinden daha düşük su çıkışı ve etkisi tahminlerine neden olur. GLDA’ların 3 saatlik zaman aşımlarının, gün boyunca (muhtemelen sabah ve akşam saatleri) performans açısından kritik nem ve GHI dinamiklerini yakalamak için yetersiz olduğunu ve benzer şekilde, topografik ve diğer mikro asma fizyografik etkiler tarafından yönlendirilen ince ölçekli iklim modellerini çözmek için yetersiz olduğunu düşünüyoruz. Bu, yüksek çözünürlüklü iklim veri kümelerinin kullanılmasının önemini göstermektedir.

AWH çıkışının değişkenlik istatistikleri

Yıllık ortalamaların ötesine geçmek ve çalışma mevcudiyeti, hareketli ortalama yoğunluk 90. ​​persentil (MADP90) olarak adlandırdığımız bir dizi metrik sunuyoruz.

MADP90-T bir cihazın çıkış hızını temsil eder (LD⁻¹M⁻²) süren dönemlerin% 90’ı için aşılacak T Verilen yerde günler. MADP90, her biri sırasında günlük ortalama çıkışın olasılık yoğunluk fonksiyonu (PDF) boyunca türetilmiş P90 değerinden hesaplanır. T-Zaman Serisinde Gün Penceresi (2010-2019). Sonuç, uzamsal olarak haritalanabilen bir skalerdir. Bu çalışmada 1, 7, 30, 60, 90 ve 180 günlük hareketli pencere süreleri incelenmiştir. AWH-GEO’da MADP90 rezervleri ek sonuçlar ve harita katmanları olarak mevcuttur.

Genişletilmiş Veri Şek. 3 Güneybatı Tanzanya’da bir yer için bir örnek PDF seti sağlar. P90 değerlerinin her biri, hareketli bir pencere dönemine karşılık gelen MADP90 metriğinin bir versiyonuna karşılık gelir. P90 değeri doğal olarak artar T PDF, doğal (P50) konusundaki dağılımını sıkılaştırdığı için çoğu coğrafi bölgede ortalama.