Trmm 3b42 Binäre Optionen

Täglich: TRMM: 3B42: 1998-2008 DATENBESCHREIBUNG: Tropical Rainfall Measuring Mission und andere Daten quotbest-estimate precipitation ratequot Die Auswertung der TRMM-Präzipitationsschätzungen ist ein aktives Forschungsgebiet. Benutzer sollten sich der Probleme mit Samplingalgorithmen bewusst sein. Bitte beachten Sie die entsprechenden Publikationen. Methode verwendet: quotBasic Informationen über 3B42, TRMM und andere Satelliten Rainfall Produkt. Der kombinierte Instrument Regenkalibrierungsalgorithmus (3B-42) verwendet eine optimale Kombination von 2B-31, 2A-12, SSMI, AMSR und AMSU-Präzipitationsschätzungen (als HQ bezeichnet), um IR-Schätzungen aus geostationären IR-Beobachtungen anzupassen. Nah-globale Schätzungen werden durch Kalibrierung der IR-Helligkeitstemperaturen zu den HQ-Schätzungen vorgenommen. Die 3B-42 Schätzungen werden so skaliert, dass sie den monatlichen Regenmessungsanalysen entsprechen, die in 3B-43 verwendet werden. Die Ausgabe ist Niederschlag für 0,25x0,25 Grad Gitterboxen alle 3 Stunden. Für weitere Details des Algorithmus, gehen Sie zu trmm. gsfc. nasa. gov3b42.html AKTUALISIERT DURCH: Juli 2008 GRID: 50S bis 50N ca. 0,25 x 0,25 Grad Auflösung CURRENT HOLDINGS: Januar 1998 - Juli 2008 MSS Directory: CATRMM3B42MONDAY Dateinamen: 3B42. YYYYMM. day. nc zB: 3B42.200801.day. nc quotDie IR Daten vor Februar 2000 deckt die Spannweite 40 Grad Nord bis 40 Grad Süd. Nach und einschließlich Februar 2000, die Daten decken 50 Grad Nord bis 50 Grad Süd. Dies führt zu einer geringen Diskontinuität im Datensatz. Auch werden HQ-Datenquellen an verschiedenen Punkten im Datensatz eingeführt. Daher werden Variationen in der HQ-Abdeckung während des gesamten Datensatzes auftreten, was im Laufe der Zeit zunimmt. Am meisten kritisch, die Einführung von AMSU-B verursacht eine geringe Vorspannung von fast 10 global. quot Huffman, G. J. R. F. Adler, D. T. Bolvin, G. Gu, E. J. Nelkin, K. P. Bowman, Y. Hong, E. F. Stocker, D. B. Wolff, 2007: Die TRMM Multi-Satelliten-Niederschlagsanalyse: Quasi-Global, Multi-Year, Combined-Sensor Niederschlagsschätzungen bei Fine Scale. J. Hydrometeor. 8: 38-55. Andere Referenzen auf der TRMM-Homepage CAS-Datenkatalog Quick LinksA-Leitfaden zum Trading Binäre Optionen In den USA Binäre Optionen basieren auf einem einfachen Ja - oder Nein-Satz: Wird ein zugrundeliegender Vermögenswert zu einem bestimmten Zeitpunkt über einem bestimmten Preis liegen, Sie glauben, dass die Antwort ja oder nein ist, so dass es eine der einfachsten finanziellen Vermögenswerte zu handeln. Diese Einfachheit hat zu einem breiten Appell unter den Händlern und Neuankömmlingen auf den Finanzmärkten geführt. So einfach wie es scheinen mag, sollten die Händler in vollem Umfang verstehen, wie binäre Optionen funktionieren, welche Märkte und Zeitrahmen sie mit binären Optionen, Vor - und Nachteilen dieser Produkte handeln können und welche Unternehmen gesetzlich ermächtigt sind, den US-Einwohnern binäre Optionen zur Verfügung zu stellen. Binäre Optionen, die außerhalb der USA gehandelt werden, sind typischerweise anders strukturiert als Binärdateien, die am U. S.-Austausch verfügbar sind. Bei der Prüfung Spekulation oder Hedging. Binäre Optionen sind eine Alternative, aber nur, wenn der Händler die beiden möglichen Ergebnisse dieser exotischen Optionen vollständig versteht. (Für verwandte Lesung, siehe: Was Sie wissen müssen über Binär-Optionen außerhalb der USA) U. S. Binäre Optionen Explained Binary Optionen bieten einen Weg, um Märkte mit begrenzten Risiko und begrenzte Gewinnpotenzial, basierend auf einem Ja oder Nein-Vorschlag. Zum Beispiel: Wird der Goldpreis über 1'250 um 1:30 Uhr heute sein. Wenn du glaubst, dass es sein wird, kaufst du die Binäroption. Wenn man glaubt, dass Gold unter 1.30 Uhr um 1:30 Uhr sein wird, dann verkaufst du diese binäre Option. Der Preis für eine binäre Option liegt immer zwischen 0 und 100, und genau wie andere Finanzmärkte gibt es einen Geld - und Briefkurs. Die obige Binärzahl kann bei 42,50 (Bid) und 44,50 (Angebot) um 1 Uhr handeln. Wenn Sie die binäre Option rechts kaufen, dann werden Sie 44,50 bezahlen, wenn Sie sich entscheiden, rechts zu verkaufen, dann youll verkaufen bei 42,50. Nehmen wir an, dass Sie sich entscheiden, bei 44,50 zu kaufen. Wenn um 1:30 Uhr der Goldpreis über 1.250 liegt, erlischt Ihre Option und es wird 100 wert. Sie profitieren von 100 - 44,50 55,50 (abzüglich Gebühren). Das heißt das Geld im Geld. Aber wenn der Goldpreis unter 1.30 Uhr um 1:30 Uhr liegt, so endet die Option bei 0. Darum verliert man die 44,50 investierten. Das rief aus dem Geld. Das Angebot und Angebot schwanken, bis die Option abläuft. Sie können Ihre Position jederzeit vor dem Verfall schließen, um einen Gewinn zu sperren oder einen Verlust zu reduzieren (verglichen mit dem Auslaufen des Geldes). Schließlich setzt sich jede Option bei 100 oder 0 100 ab, wenn der Binäroptionsvorschlag wahr ist und 0, wenn er sich als falsch erweist. So hat jede Binäroption ein Gesamtpotential von 100, und es ist ein Nullsummen-Spiel, was du jemand anderes verlierst und was du jemand anderes verlierst, macht. Jeder Trader muss die Hauptstadt für ihre Seite des Handels aufstellen. In den obigen Beispielen haben Sie eine Option bei 44,50 gekauft, und jemand hat Ihnen diese Option verkauft. Ihr maximales Risiko ist 44,50, wenn die Option bei 0 abgerechnet wird, also der Handel kostet Sie 44,50. Die Person, die an Sie verkauft hat, hat ein maximales Risiko von 55,50, wenn sich die Option bei 100 (100 - 44,50 55,50) befindet. Ein Händler kann, falls gewünscht, mehrere Verträge erwerben. Ein anderes Beispiel: NASDAQ US Tech 100 Index gt 3.784 (11 Uhr). Das aktuelle Angebot und Angebot beträgt 74,00 bzw. 80,00. Wenn Sie denken, dass der Index über 3.784 um 11 Uhr ist, kaufen Sie die binäre Option bei 80 (oder legen Sie ein Gebot zu einem niedrigeren Preis und hoffen, dass jemand zu Ihnen zu diesem Preis verkauft). Wenn du den denke, dass der Index unter 3.784 zu diesem Zeitpunkt sein wird, verkaufst du bei 74.00 (oder platziere ein Angebot über diesem Preis und hoffe jemand kauft es von dir). Sie beschließen, bei 74.00 zu verkaufen, glauben, dass der Index unter 11.744 (so genannter Ausübungspreis) um 11 Uhr fallen wird. Und wenn Sie den Handel wirklich mögen, können Sie mehrere Verträge verkaufen (oder kaufen). Abbildung 1 zeigt einen Handel, um fünf Verträge (Größe) um 74.00 zu verkaufen. Die Nadex-Plattform berechnet automatisch Ihren maximalen Verlust und Gewinn, wenn Sie eine Bestellung erstellen, ein Ticket genannt. Nadex Trade Ticket mit Max Profit und Max Loss (Abbildung 1) Der maximale Gewinn auf diesem Ticket beträgt 370 (74 x 5 370) und der maximale Verlust beträgt 130 (100 - 74 26 x 5 130) auf Basis von fünf Verträgen und einem Verkauf Preis von 74.00. (Für mehr zu diesem Thema siehe Einleitung zu binären Optionen) Wie das Gebot und die Frage bestimmt werden Das Gebot und die Frage werden von den Händlern selbst bestimmt, da sie die Wahrscheinlichkeit, dass der Satz wahr ist oder nicht, beurteilen. In einfachen Worten, wenn das Gebot und fragen auf eine binäre Option bei 85 bzw. 89 sind, dann gehen Händler auf eine sehr hohe Wahrscheinlichkeit, dass das Ergebnis der binären Option ja ist, und die Option wird 100 wert sein. Wenn das Gebot Und fragen sind in der Nähe von 50, Händler sind unsicher, ob die Binärzahl bei 0 oder 100 ihre gleichmäßigen Chancen abläuft. Wenn das Gebot und die Frage bei 10 und 15 sind, behauptet dies, dass die Händler glauben, dass es eine hohe Wahrscheinlichkeit gibt, dass das Option-Ergebnis nein sein wird und 0 wert ist. Die Käufer in diesem Bereich sind bereit, das kleine Risiko für einen großen Gewinn zu nehmen. Während die Verkäufe bereit sind, einen kleinen, aber sehr wahrscheinlichen Gewinn für ein großes Risiko zu nehmen (relativ zu ihrem Gewinn). Wo bindende Binär-Optionen Binäre Optionen Handel auf der Nadex-Börse. Die erste juristische U. S.-Börse konzentrierte sich auf binäre Optionen. Nadex bietet eine eigene browserbasierte Binäroptions-Handelsplattform an, auf die Händler über Demo-Konto oder Live-Account zugreifen können. Die Handelsplattform bietet Echtzeit-Charts zusammen mit dem direkten Marktzugang zu aktuellen Binäroptionspreisen. Binäre Optionen sind auch über den Chicago Board Options Exchange (CBOE) verfügbar. Jeder mit einem Options-zugelassenen Brokerage-Account kann CBOE binäre Optionen durch ihr traditionelles Handelskonto handeln. Nicht alle Broker bieten jedoch binäre Optionen Handel. Jeder Nadex Vertrag gehandelt kostet 0,90 zu geben und 0,90 zu beenden. Die Gebühr ist bei 9 begrenzt, so dass der Kauf von 15 Lose wird nur noch 9 zu betreten und 9 zu beenden. Wenn Sie Ihren Handel bis zur Abrechnung halten und in das Geld beenden, wird die Gebühr zu beenden Sie bei Verfall beurteilt. Wenn Sie den Handel bis zur Abrechnung halten, aber aus dem Geld beenden, wird keine Handelsgebühr beendet. CBOE binäre Optionen werden durch verschiedene Optionsbroker gehandelt, die jeweils ihre eigene Provisionsgebühr erheben. Wählen Sie Ihren Binärmarkt Mehrere Assetklassen sind über eine binäre Option handelbar. Nadex bietet den Handel in großen Indizes wie dem Dow 30 (Wall Street 30), dem SampP 500 (US 500), Nasdaq 100 (US TECH 100) und Russell 2000 (US Smallcap 2000). Globale Indizes für das Vereinigte Königreich (FTSE 100), Deutschland (Deutschland 30) und Japan (Japan 225) sind ebenfalls erhältlich. Nadex bietet Rohstoff-Binäroptionen im Zusammenhang mit dem Rohölpreis an. Erdgas, Gold, Silber, Kupfer, Mais und Sojabohnen. Trading News Events sind auch mit Event Binär Optionen möglich. Kaufen oder verkaufen Optionen auf der Grundlage, ob die Federal Reserve wird erhöhen oder senken Preise, oder ob arbeitslose Forderungen und Nonfarm Gehaltslisten kommen über oder unter Konsens Schätzungen. (Für mehr zu diesem Thema, siehe Exotische Optionen: Ein Getaway von Ordinary Trading) Die CBOE bietet zwei binäre Optionen für den Handel. Eine SampP 500 Index Option (BSZ) basierend auf dem SampP 500 Index und eine Volatility Index Option (BVZ) basierend auf dem CBOE Volatility Index (VIX). Wählen Sie Ihren Zeitrahmen aus. Ein Trader kann aus Nadex-Binäroptionen (in den oben genannten Asset-Klassen) wählen, die stündlich, täglich oder wöchentlich ablaufen. Stündliche Optionen bieten Gelegenheit für Tageshändler. Auch in ruhigen Marktbedingungen, um eine etablierte Rückkehr zu erreichen, wenn sie bei der Auswahl der Richtung des Marktes über diesen Zeitrahmen korrekt sind. Tägliche Optionen verfallen am Ende des Handelstages und sind nützlich für Tageshändler oder diejenigen, die andere Aktien-, Devisen - oder Rohstoffbestände gegen diese Tagebewegungen absichern möchten. Wöchentliche Optionen verfallen am Ende der Handelswoche und werden daher von Swing-Händlern während der ganzen Woche gehandelt, und auch von Day-Händlern, wie die Optionen Ablauf am Freitag Nachmittag. Event-basierte Verträge verfallen nach der offiziellen Pressemitteilung im Zusammenhang mit der Veranstaltung, und daher alle Arten von Händlern nehmen Positionen gut im Voraus - und bis zum Ablauf. Vor - und Nachteile Im Gegensatz zu den tatsächlichen Aktien - oder Devisenmärkten, bei denen Preislücken oder Schlupf auftreten können, ist das Risiko für binäre Optionen begrenzt. Es ist nicht möglich, mehr zu verlieren als die Kosten des Handels. Besser-als-Durchschnitt-Renditen sind auch in sehr ruhigen Märkten möglich. Wenn ein Aktienindex oder ein Forex-Paar kaum in Bewegung ist, ist es schwer zu profitieren, aber mit einer binären Option ist die Auszahlung bekannt. Wenn Sie eine binäre Option bei 20 kaufen, wird es entweder bei 100 oder 0 zu begleichen, so dass Sie 80 auf Ihre 20 Investitionen oder verlieren Sie 20. Dies ist ein 4: 1 Belohnung zu Risiko-Verhältnis. Eine Chance, die unwahrscheinlich ist, dass sie sich im aktuellen Markt befindet, der der Binäroption zugrunde liegt. Die Kehrseite davon ist, dass Ihr Gewinn immer begrenzt ist. Egal wie viel die Aktie oder Forex Paar bewegt sich zu Ihren Gunsten, die meisten eine binäre Option Option kann sich lohnen 100. Kauf mehrfache Optionen Verträge ist ein Weg, um potenziell profitieren mehr von einem erwarteten Preis bewegen. Da die Binäroptionen maximal 100 wert sind, macht sie den Händlern auch mit begrenztem Handelskapital zugänglich. Da traditionelle Börsenhandel Grenzen gelten nicht gelten. Der Handel kann mit einer 100 Kaution bei Nadex beginnen. Binäre Optionen sind ein Derivat auf Basis eines Basiswerts, das Sie nicht besitzen. Deshalb haben Sie keinen Anspruch auf Stimmrechte oder Dividenden, die Sie berechtigt sind, wenn Sie eine tatsächliche Bestände besaßen. Binäre Optionen basieren auf einem Ja - oder Nein-Satz. Ihr Gewinn - und Verlustpotential wird durch Ihren Kauf - oder Verkaufspreis bestimmt und ob die Option im Wert von 100 oder 0 ausläuft. Risiko und Belohnung sind beide begrenzt, und Sie können jederzeit eine Option beenden, bevor Sie einen Gewinn einsparen oder reduzieren Verlust. Binäre Optionen innerhalb der USA werden über die Nadex - und CBOE-Börsen gehandelt. Ausländische Unternehmen, die U. S.-Bewohner ansprechen, um ihre Form von binären Optionen zu handeln, sind in der Regel illegal tätig. Der Binäroptionshandel hat eine geringe Eintrittsbarriere. Aber nur weil etwas einfach ist bedeutet nicht, dass es einfach ist, Geld zu verdienen mit. Es gibt immer jemand anderes auf der anderen Seite des Handels, der denkt, sie sind richtig und du irrst dich. Nur Handel mit Kapital, das Sie sich leisten können, zu verlieren, und handeln Sie ein Demo-Konto, um ganz bequem zu werden, wie binäre Optionen vor dem Handel mit echtem Kapital arbeiten.0.25 x 0.25 Grad, monatlich Eine Reihe von Klima-Niederschlag Produkte werden aus der passiven Mikrowelle (TMI) produziert ) Und Niederschlagsradar (PR) - Sensoren an Bord des im November 1997 gestarteten Tropical Rainfall Measuring Mission (TRMM) - Satellitens. Die TRMM Monats - oder Klimaregenprodukte, die als Level 3 Produkte bezeichnet werden, stammen vorwiegend aus Akkumulationen von Die TRMM Level 2 Produkte oder sofortige Niederschlagsschätzungen, die den ursprünglichen Satelliten-Schnappschussansichten entsprechen. Die Verfügbarkeit von mehreren Niederschlagsprodukten aus den verschiedenen TRMM-Regensensoren ist aufgrund der Tatsache, dass jeder verschiedene Stärken und Schwächen hat. Infolgedessen ist die beste Regenfallschätzung anwendungsabhängig. Die TRMM PR bietet die höchste räumliche Auflösung (4 km), den meisten Informationsgehalt, die beste vertikale Auflösung (80 Stufen) und die am direktesten gemessenen Oberflächenregenschätzungen für viele Anwendungen. Die Schwadbreite der PR ist jedoch etwa 13 der TMI-Schwadbreite, was für viele Klimaanwendungen deutlich schlechter ist. Die aktuelle Version ist Version 6 Dataset Beschreibung: Der 3B43 Datensatz verschmilzt den täglichen 3B42 Datensatz mit der GPCC Regenmessung Analyse. Die daraus resultierenden 3B43-Regenraten sind monatliche Mittelwerte über 0,25 x 0,25 Grad Latlon-Boxen. Der für dieses Produkt verwendete 3B43-Retrieval-Algorithmus basiert auf der Technik von Huffman et al. 1995, 1997 und Huffman 1997. Dieser Datensatz und andere TRMM-Daten sind über die TRMM-Datenzugriffsseite verfügbar, die sich bei der NASAs Goddard DAAC befindet. Zusätzliche Informationen: Die Goddard DAAC TRMM Informationsseite Die NASA (US) TRMM Homepage Die JAXA (Japanisch) TRMM Homepage Referenzen: Huffman, G. J. R. F. Adler, B. Rudolf, U. Schneider und P. R. Keehn, 11995: Globale Niederschlagsschätzungen auf der Grundlage einer Technik zur Kombination von satellitengestützten Schätzungen, Regenmessungsanalyse und NWP-Modellniederschlagsinformationen, J. Climate. 8 1284-1295 Huffman, G. J, 1997: Schätzungen des Wurzel-Mittel-Quadrat-Zufallsfehlers für endliche Proben des geschätzten Niederschlags, J. Appl. Meteor. . . 1191-1201 Huffman, G. J. R. F. Adler, P. Arkin, A. Chang, R. Ferraro, A. Gruber, J. Janowiak, A. McNab, B. Rudolph und U. Schneider, 1997: Das globale Niederschlagsklimatologieprojekt (GPCP) kombinierte Niederschlagsdatensatz, Bull . Amer. Meteor. Soc. . 78. 5-20.Academic Editor: Marco Franchini erhalten: 23. Oktober 2016 Akzeptiert: 26. Januar 2017 Veröffentlicht: 13. Februar 2017 Hydrologische Modelle werden ein immer wichtigeres Instrument für Wasserressourcenmanager sein, da die Wasserverfügbarkeit schwindet und die Sicherheit der Wassersicherheit in der Daten - Seltene regionen Glücklicherweise bietet die neu verfügbare Satelliten-Fernerkundungstechnologie die Möglichkeit, die räumliche Auflösung und Qualität der Eingangsdaten für hydrologische Modelle in solchen Regionen zu verbessern. Insbesondere der Klimaschutz-Gruppe InfraRed Precipitation mit Stationsdaten (CHIRPS) - Datensatz bietet quasi-globale hochauflösende Niederschlagsinformationen, die aus einer Mischung von in situ und aktiven und passiven Fernerkundungsdatenquellen abgeleitet werden. Wir haben die Einbindung des CHIRPS-Datensatzes in das Boden - und Wasser-Assessment-Tool (SWAT), ein hydrologisches Modell, gesteuert. Vergleiche der Ergebnisse zwischen der Schätzung des Stromflusses unter Verwendung von In-situ-Niederschlagsmessdaten, dem Datenbestand des Climate Forecast System Reanalysis (CFSR) und dem CHIRPS-Datensatz im Daten-seltenen Nzoia-Becken im westlichen Kenia über den zeitlichen Bereich 19902000 wurden berichtet. Simulierte Stromfluss-Schätzungen waren schlecht mit Niederschlagsmessgeräten-Daten, sondern verbesserten sich deutlich mit den CFSR - und CHIRPS-Datensätzen. Die Verwendung des CHIRPS-Datensatzes im Vergleich zum CFSR-Datensatz sorgte jedoch für eine verbesserte statistische Leistung nach der Modellkalibrierung mit Ausnahme einer Stream-Messgerät-Station in höheren Höhenregionen. Insgesamt hatte die Verwendung des CHIRPS-Datensatzes trotz der durchschnittlichen Nash-Sutcliffe Efficiency (NSE) und R 2 - Werte die größte lineare Korrelation, relative Variabilität und normalisierte Bias. Hydrologische Modellierung Satellitenabscheidung SWAT CHIRPS CFSR Kenia 1. Einleitung Nach dem Abschluss der Millenniums-Entwicklungsziele der Vereinten Nationen im Jahr 2015 wurde geschätzt, dass über 2 Milliarden Menschen Zugang zu einer verbesserten Wasserquelle hatten. Allerdings hebt die derzeitige Wasserressourcenverteilung immer noch Wasserbelastung und Knappheit in Afrika und Asien hervor, wobei die Hälfte der verbleibenden 700 Millionen Menschen ohne Zugang zu einer verbesserten Wasserquelle in Afrika südlich der Sahara 1 ist. Daher hat die UN-2030-Agenda für Nachhaltige Entwicklung eines der siebzehn Nachhaltigkeits-Entwicklungsziele (SDGs) zur Sicherstellung einer gerechten Wasserverfügbarkeit, zur Integration des Wasserressourcenmanagements und zur Förderung nachhaltigerer Abhebungen und Versorgung gewidmet. In Afrika südlich der Sahara sind sowohl das wirtschaftliche als auch das soziale Wachstum von der nachhaltigen Bewirtschaftung der Wasserressourcen abhängig 2. Allerdings können die derzeitigen Wasserressourcenmanagement-Ausfälle und Unzulänglichkeiten weitgehend mit einer unzureichenden Bewertung der Wasserressourcen verbunden sein 3. Leider ist die Quantifizierung der Wasserressourcen sowohl komplex als auch kostspielig, vor allem in Becken, die gesellschaftspolitische und ökonomische Grenzen überschreiten. Obwohl alle Eingaben in hydrologische Modelle Unsicherheit einführen, ist die genaue Quantifizierung und räumliche Verteilung der Niederschläge über eine Wasserscheide besonders wichtig für hydrologische Abschätzungen des Abflusses und damit des Stromflusses 4, 5. Leider ist in den vergangenen Jahrzehnten die Menge der Niederschlagsmessgeräte in Afrika drastisch zurückgegangen. In den frühen 1980er Jahren gab es 2400 Stationen, die Niederschlagsdaten zu öffentlichen Datenströmen einschließlich des Global Historical Climate Network (GHCN) und Global Summary of the Day (GSOD) liefern. Die Anzahl der Stationen ging jedoch bis 2010 auf 500 zurück. 6. Becken können aufgrund der Menge, der räumlichen Verteilung und der Qualität der Niederschlagsdaten als schlecht beurteilt angesehen werden. Eine geringe Menge und räumliche Verteilung von Niederschlagsmessgeräten kann zu einer Überintegration und einer ungenauen Quantifizierung der Wasserverfügbarkeit führen, während unzuverlässige oder unvollständige Datensätze nicht in der Lage sind, saisonale oder größere zeitliche Mustermuster zu erfassen oder falsch zu identifizieren. An Stelle von hochdichten In-situ-Niederschlagsmessstreifen haben die Hydrologiker nun Zugang zu Niederschlagsschätzungen, die sich aus der Klimareanalyse und Fernerkundungsinstrumenten ergeben. Obwohl diese Datensätze nicht exakt substituiert sind, um Messungen durchzuführen, sind sie oft kostengünstiger, zeitgemäßer und zuverlässiger, so dass saisonale, zeitliche und räumliche Muster bei Niederschlägen beobachtet und in hydrologische Modelle eingearbeitet werden können. In einer in Vietnam durchgeführten Studie führte die Verwendung von mehreren Gitterklima-Reanalyse und ferngesteuerten Niederschlagsdatensätzen zu einer vergleichbaren Modellleistung der Simulation der Entladung zur Verwendung von In-situ-Stationsdaten 7. Darüber hinaus, in Becken vor dem Drei-Schluchten-Reservoir in China, Yang et al. 8 verglichen Präzipitations-Datensätze aus Land-Oberfläche-Modelle, Reanalyse-Datensätze und Klimatologie-Modelle mit in situ Station Daten abgeleitet. Sie entdeckten, dass in einem relativ flachen Becken geschliffene Niederschlagsdatensätze den Abfluss besser als die in situ-Stationsdaten innerhalb des SWAT-Modells schätzten. Im Laufe des letzten Jahrzehnts haben mehrere zusätzliche Studien 9, 10, 11 die Wirksamkeit der Verwendung von Satelliten-abgeleiteten Produkten in hydrologischen Modellen positiv überprüft, aber es gab einstimmigen Konsens, dass fortlaufende Studien notwendig sind. Darüber hinaus übertreffen die fernabtast - oder landoberflächenmodell-präzipitationsschätzungen in situ-Daten 12, 13, 14 nicht konsequent. So ist es auch bei der Erstellung von hydrologischen Modellen in schlecht beurteilten Regionen wichtig zu bestimmen, ob das Ersetzen von In-situ-Daten mit der Präzipitationsschätzung angemessen ist oder nicht. Der Zweck dieser Studie war zweifach. Zuerst haben wir die einfache Anwendbarkeit der Umwandlung und Implementierung des CHIRPS-Datensatzes, eines Gitter-Satelliten-abgeleiteten Niederschlags-Datensatzes, in ein standardmäßiges hydrologisches Modell getestet. Zweitens haben wir die relative Leistung der Gitterklima-Reanalyse und der satellitengestützten Niederschlagsdatensätze auf in situ-Stations-Niederschlagsdaten untersucht, um den Stromfluss in einer Daten-knappen Region in Ostafrika abzuschätzen. 2. Studienbereich Die Studie wurde in der Lake Victoria Basin (LVB) (Afrika südlich der Sahara) durchgeführt, die eine lebenswichtige gemeinsame Wasserressource für fünf verschiedene Länder ist. Da die fünf Nationen jedoch unterschiedliche politische und umweltpolitische Agenda haben, war es schwierig, die Wasserressourcenmanagementstrategien innerhalb des LVB zu überwachen und umzusetzen, insbesondere ohne konsequente und genaue Quantifizierung der Ressourcen. Infolgedessen erlebt das Becken eine Wasserspiegelung und sinkt in Wasserqualität und Menge 15. Einer der größten Tributpflichtigen des Seezugangs 16, das Nzoia-Becken (Breitengrade 130 N und 005 S und Längengrad 34 und 3545 E), umfasst ein Einzugsgebiet von über 12.000 km 2 und stammt aus den östlichen Hängen des Berges Elgon und des Westens Hänge der Cherangani Hills (Abbildung 1). Basierend auf Becken-Geomorphologie und Landnutzung, kann es in vier Zonen getrennt werden: Gebirgszone, Plateau Zone Übergangszone und Tieflandzone 17. Die Gebirgszone umfasst die Höhenregionen des Berges Elgon und der Cheranganischen Hügel, und die Plateauzone ist die größte Landwirtschaftsregion innerhalb des Beckens mit kleineren landwirtschaftlichen Betrieben, die in den Übergangs - und Tieflandgebieten fortfahren. Die Tieflandzone erlebt auch durch ihre Hänge und Böden mehrjährige Überschwemmungen. Die beiden dominierenden Bodenarten innerhalb des Beckens sind acrisols und ferralsols. Acrisole finden sich in den tief liegenden Gebieten nahe dem Auslauf des Beckens. Sie verursachen oft eine harte Oberflächenkruste, die eine unzureichende Durchdringung von Wasser bei Niederschlagsereignissen verursacht und die Regionen mit Überschwemmungspotenzial deutlich erhöht. Ferralsole sind eine weniger verwitterte Version von acrisols und stromaufwärts von ihnen in den höheren Höhenregionen des Beckens gefunden. Ferralsols haben eine begrenzte Kapazität, um vorhandenes Wasser zu halten, das schädlich für das Erntewachstum und während der Dürreperioden ist. Der durchschnittliche Niederschlag für das Becken beträgt etwa 1424 mm, bei hohen Niederschlagsmengen zwischen 1500 und 1750 mm bei höheren Höhen (Mount Elgon und Cherangani Hills) und niedrigeren Niederschlagsmengen zwischen 800 und 1100 mm im Unterlauf des Einzugsgebiets 18. Obwohl der Viktoriasee einen eindeutigen Einfluss auf die Becken des lokalen Klimas hat, gibt es im Laufe des Jahres vier verschiedene Jahreszeiten (zwei regnerische und zwei trockene), die auf der jährlichen Verschiebung der intertropischen Konvergenzzone (ITCZ) basieren. 90 der Becken Einwohner verlassen sich auf Subsistenz Landwirtschaft und Vieh für ihren Lebensunterhalt 20, was in über 40 der Land innerhalb des Beckens als Ackerland klassifiziert (auf der Grundlage der International Geosphere-Biosphären Programm Klassifikationen). Das Nzoia-Becken erwartet städtisches Wachstum und hat ein mittleres bis großes Potenzial für industrielle landwirtschaftliche Systeme 21 trotz seiner bedeutenden Bevölkerung von mehr als 3 Millionen Einwohnern 22. Leider ist dieses Wachstum auch mit der geplanten Wasserknappheit gepaart. Im Jahr 2007 betrug Kenyas Süßwasser pro Kopf 647 m 3. ein Wert unterhalb der Vereinten Nationen empfohlen 1000 m 3. Projektionen, die weitgehend auf Bevölkerungswachstum basieren, zeigen, dass Süßwasser pro Kopf das Potenzial hat, bis 235 m 3 bis 2025 zu sinken 23. 3. Materialien und Methoden Um zu verstehen, wie die Wasserressourcenbewertung in relativ schlecht gewaschenen Becken verbessert werden kann, wurde die statistische Leistung der SWAT-Modellstromflussschätzung verglichen, wenn drei verschiedene Arten von Niederschlagsdatensätzen als Modelleingaben verwendet wurden. Das SWAT-Modell wurde zuvor im Nzoia-Becken 24, 25, 26 als Open Source und ein leistungsfähiges Werkzeug für Wasserressourcenmanager eingesetzt. Da Niederschlagsdaten oft als größter Einfluss in den hydrologischen Simulationsmodellen 4, 5 betrachtet werden, war es wichtig, die Auswirkungen von variablen Niederschlags-Inputs auf das SWAT-Modell im Nzoia-Becken zu verstehen. Folgende Datensätze wurden als Eingaben in das SWAT-Modell verwendet, um den Stromfluss zu simulieren (Abbildung 2): 30 m Advanced Spaceborne Thermische Emission und Reflexionsradiometer (ASTER) Global Digital Elevation Model Version 2 (GDEM V2 aus dem Land Processes Distributed Active Archive Center ( LP DAAC) Global Data Explorer), 1: 1.000.000 Boden - und Terrain-Datenbank für Kenia (KENSOTER v.2) aus dem Internationalen Bodenreferenz - und Informationszentrum, Moderate Resolution Imaging Spectroradiometer (MODIS) 500 m Landbedeckung Produkt (MCD12Q1) und diverse Niederschlags-Inputs, die ausführlicher diskutiert werden. Das World Agroforestry Center (ICRAF) stellte täglich Stromflussdaten für vier Flussstationen zur Verfügung (Abbildung 3). Die Stationen hatten Daten von 1971 bis 2000, aber keiner der Stationen hatte komplette Aufzeichnungen über den zeitlichen Bereich. Die Lake Victoria Basin Commission (LVBC) lieferte monatliche Entlastungsdaten für die Nzoia an der Ruambwa Ferry Station über den zeitlichen Bereich 19742008 ohne fehlende Daten. 3.1. Verschiedene Niederschlags-Inputs Diese Studie analysierte die Verwendung von drei verschiedenen Arten von Niederschlags-Inputs: in situ Stationsdaten, Niederschlagsdaten, die aus der Reanalyse von numerischen Wettervorhersagen und gemischten Satelliten - und Stationsdaten abgeleitet wurden. 3.1.1. Rain Gauge Stationen Die University of California Santa Barbaras Climate Hazards Group (CHG) zur Verfügung gestellt monatlich in situ Niederschlag Datenstation Messdaten. Die räumliche Verteilung der vier Stationen ist in Abbildung 4 a zu sehen. Obwohl die Stationen im gesamten Becken räumlich verteilt sind, hatte keiner der Stationen komplette Aufzeichnungen für den zeitlichen Bereich der Studie. Der Global Historical Climate Network (GHCN) - Datensatz wurde als Grundlage für den Niederschlagsrekord verwendet und alle fehlenden Aufzeichnungen wurden mit Globalen Zusammenfassung des Tages (GSOD) und World Meteorological Organizations Global Telecommunication System (GTS) Messdaten gefüllt. Das Ranking ist auf die Unzuverlässigkeit der GSOD - und GTS-Datensätze im Vergleich zum GHCN-Datensatz zurückzuführen 6. Trotz der Verschmelzung der Stationsdaten gab es noch erhebliche Lücken im Niederschlagsrekord über den zeitlichen Bereich. Alle vier Stationen hatten fehlende Daten mit irgendwo zwischen 30 und 65 fehlenden Daten. 3.1.2. CFSR Dataset Die Nationale Zentren für Umweltvorhersage (NCEP) CFSR täglich meteorologischen Datensatz wurde mit einer 38 km horizontalen Auflösung kompiliert. Der Datensatz stammt aus der Reanalyse eines globalen, hochauflösenden, gekoppelten Atmosphäre-Ozean-Land-Oberflächen-Eis-Eis-Systems. Die Reanalyse erfolgt alle 6 h und beinhaltet zuvor vorhergesagte Prognosedaten und Daten aus der Analyse, die zur Erstellung der bevorstehenden Prognose verwendet wird, um Trends zu eliminieren, die niemals passiert sind. Die räumliche Verteilung der 30 CFSR-Datenstandorte im gesamten Nzoia-Becken ist in Abbildung 4 b dargestellt. Der Datensatz ist auf der SWAT-Website verfügbar und wird von den Entwicklern empfohlen. Obwohl SWAT-Entwickler den CFSR-Datensatz empfehlen, zeigte eine Studie, in der verschiedene Niederschlagsprodukte in einer Wasserscheide in Ostafrika verglichen wurden, dass der CFSR-Datensatz insbesondere eine schlechte räumliche Korrelation im Vergleich zu satellitengestützten und interpolierten Messgeräusch-Datensätzen aufwies. Darüber hinaus ist die Größe des Nzoia-Beckens (12.000 km 2) möglicherweise nicht für die Verwendung von Reanalysedaten geeignet, ohne die Daten 27 zu verkleinern. 3.1.3. CHIRPS Dataset Der CHIRPS-Datensatz ist ein relativ neuer quasi-globaler, hochauflösender, täglicher, pentadaler und monatlicher Niederschlagsdatensatz. Der Datensatz ist einzigartig, da er niedrige Latenzzeiten bietet, lange aufgezeichnete hochauflösende Gitterdaten und ermöglicht es Wissenschaftlern, die aktuellen Trends zu analysieren und sie mit historischen Trends auf der Skala zu vergleichen, die für das Wassermanagement verantwortlich sind 6. Im Wesentlichen verwendet CHIRPS eine feste Cold-Cloud-Duration (CCD) - Wertschwelle und Regressionstechniken, die auf der Basis von Tropical Rainfall Measuring Mission (TRMM) Multi-Satellite Precipitation Analysis (TMPA) Daten basieren, um Niederschlagsschätzungen zu erzeugen, die mit in situ Stationdaten unter Verwendung eines Modifizierter inverser Abstandsgewichteter Algorithmus 28. Der Einbau von Stationsdaten hilft auch, Schätzungen zu korrigieren, die oft die Intensität der Niederschlagsereignisse unterschätzen. Es sei darauf hingewiesen, dass seit der Veröffentlichung des CHIRPS-Datensatzes im Jahr 2015 nur wenige Studien vorliegen, die den CHIRPS-Datensatz mit ähnlichen globalen Niederschlagsdatensätzen bewerten und vergleichen. Auch eine aktuelle Studie in Ostafrika ab 2016 27, die die globalen Niederschlagsdatensätze als Alternative zu den Messdaten verglich, enthielt den CHIRPS-Datensatz nicht in ihrer Analyse. Obwohl nicht geographisch relevant für diese Studie, Duan et al. 29 verglichen drei verschiedene Arten von Niederschlagsprodukten für eine kleine Wasserscheide in Italien: Interpolierte Messgeräte-Informationen wie die GPCC-Daten (Global Precipitation Climatology Center), Datasets, die auf numerischen Wettervorhersagen und atmosphärischen Modellen wie dem CFSR-Produkt basieren, und Datensätze, die aus einem Mischung von Satelliten-abgeleiteten Informationen und Messstation Informationen wie TRMM und CHIRPS. Insgesamt stellte die Studie fest, dass der CHIRPS-Datensatz bei der 0,05 räumlichen Auflösung die kleinste Bias und eine relativ bessere Leistung zeigte als alle anderen Niederschlagsprodukte. Darüber hinaus macht die 0.05-Auflösung (derzeit die geringste räumliche Auflösung aller satellitengestützten globalen Niederschlags-Datensätze) der CHIRPS-Daten einen günstigen Datensatz für die Anwendung in hydrologischen Modellen in kleinen Becken-Skalen. CHIRPS-Daten sind auf der Cluster Hazard Groups File Transfer Protocol (FTP) - Seite in einer Vielzahl von räumlichen und zeitlichen Auflösungen und Dateiformaten verfügbar. Tägliche Niederschläge. TIF-Dateien wurden von der FTP-Site mit einer Auflösung von 0,05 heruntergeladen. Das SWAT-Modell benötigt Klimadeingaben als Textdateien. Als Ergebnis wurde die Mapping Toolbox innerhalb von MATLAB verwendet, um eine Station an jedem Pixel der Niederschlags-TIF-Datei zu erstellen, um die Niederschlagsinformationen in eine sequentielle Textdatei zu lesen. Die Mapping Toolbox in Verbindung mit den Becken DEM war notwendig für die Aufrechterhaltung der dreidimensionalen räumlichen Lage jeder Station. Nach der Verarbeitung gab es insgesamt 825 Stationen im gesamten Untersuchungsgebiet (Abbildung 4 c). 3.1.4. Precipitation Dataset Vergleich Von den vier Stationen, die Niederschlagsinformationen liefern, hatte KitaleKitae die am wenigsten kompletten Aufzeichnungen mit etwa 65 der fehlenden Daten. Niederschlagsaufzeichnungen von In-situ-Stationsdaten, CFSR-Reanalyse und satellitengestützten CHIRPS-Daten wurden an Stationen mit der nächstgelegenen Nähe zur KitaleKitae-Station über den zeitlichen Bereich verglichen (Abbildung 5). Wie gezeigt, hatte der CHIRPS-Datensatz eine größere zeitliche Korrelation mit den in situ-Stationsdaten als der CFSR-Datensatz. Wie bereits erwähnt, ist dies wahrscheinlich aufgrund der CFSR-Datensätze schlechte räumliche Korrelation und Ungeeignetheit für kleine Wasserscheide Studien. Obwohl der CHIRPS-Datensatz der in situ-Station besser als der CFSR-Datensatz übereinstimmt, hat er in den feuchteren Zeiten immer noch übertriebene Niederschläge vervielfacht und in den Monaten, in denen der In situ-Stations-Datensatz zwischen 13,7 und 57,67 mm Niederschlag berichtete, 0 mm Niederschlag gemeldet. Insgesamt, da der CHIRPS-Datensatz die höhere Korrelation mit den Messstellen-Daten hatte und die größte räumliche Dichte (Abbildung 4) und die zeitliche Konsistenz (Abbildung 5) aller drei Datensätze hatte, wurde vermutet, dass der CHIRPS-Datensatz am vollständigsten wäre Und genaue Dataset für die hydrologische Modellierung im Nzoia-Becken. 3.2 SWAT-Modell Das SWAT-Modell ist ein halbverteiltes und zeitgesteuertes Wasserscheide-Simulationswerkzeug, das täglich arbeitet. Das Tool basiert weitgehend auf dem Konzept der hydrologischen Antworteinheiten (HRUs). Die DEM wird verwendet, um das Wasserscheide - und Entwässerungsnetz zu definieren. Dann wird die fragliche Wasserscheide zunächst in Subwatersheds diskretisiert und weiter in HRUs diskretisiert, die durch eindeutige Landnutzungsdeckel-, Hang - und Bodenattribute definiert sind. Nach der Diskretisierung und der Eingabe von Klimaparametern (Niederschlag, Lufttemperatur, relative Feuchte, Windgeschwindigkeit und Sonneneinstrahlung) wird täglich die jeweilige Wasserbilanzgleichung an jede einzelne HRU angewendet: SW t SW i 1 t (R i Q i ET I P i QR i) r Wo t ist Zeit in Tagen, SW ist Boden Wasser Inhalt und R. Q. ET. P. und QR sind tägliche Mengen (mm) Niederschlag, Abfluss, Evapotranspiration, Perkolation und Grundwasserströmung. Es ist wichtig zu beachten, dass von den Klimaparametern der Niederschlag der einzige Parameter war, der sich zwischen Modell-Iterationen änderte. Der CFSR-Datensatz wurde für die verbleibenden Klimaparameter verwendet. Um eine kontinuierliche Wasserbilanz zu erhalten, verwendete das Modell eine modifizierte Bodennutzungsservice (SCS) Kurvenzahlmethode, um den Abfluss zu simulieren, der auf Kurvenzahlen (CNs) basiert, die aus der ISRIC-Bodendatenbank abgeleitet sind. Da der CFSR-Datensatz Windgeschwindigkeit, relative Feuchtigkeit und Sonnenstrahlung bereitstellt, könnte die Evapotranspiration durch das Modell mit der PenmanMonteith-Methode 31 abgeschätzt werden. Der Algorithmus für die sequentielle Ungewissheitsdomäne (SUFI-2) ist eine Auto-Kalibrierungstechnik, die im SWAT-Kalibrier - und Ungewissheitsprogramm (SWAT-CUP) enthalten ist. 4. Ergebnisse Die Genauigkeit der SWAT-Modell-Iterationen bei der Darstellung des Stromflusses wurde durch Vergleich von simulierten Stromflusswerten mit Messwerten von Entladestationen, die von ICRAF und dem LVBC bereitgestellt wurden, ermittelt. Fig. 6 ist ein Vergleich der beobachteten monatlichen Stromströme von der Nzoia an der Ruambwa Ferry-Entladestation und unkalibrierten simulierten monatlichen Stromflüssen für jeden der verschiedenen Niederschlagseingaben aus dem Subbasin 29. Wie gezeigt, reicht die Stromfluss-Schätzung unter Verwendung der in situ-Station-Präzipitation bis zu 16.000 m 3 s, wobei die Modellsimulation den Stromfluss stark überschätzt. Im Vergleich dazu ermöglichte die Verwendung der CFSR - und CHIRPS-Präzipitations-Datensätze eine größere Korrelation der Stromfluss-Peaks. Die extrem schlechte Leistung der Stromflussschätzung mit Hilfe der Messstellen-Daten kann auf die geringe zeitliche Konsistenz und die räumliche Dichte der Daten zurückgeführt werden. Basierend auf dem anfänglichen Vergleich der SWAT-Modellstromflussschätzung wurden nur die CFSR - und CHIRPS-Modelle über eine kleinere Teilmenge des zeitlichen Bereichs der Studie kalibriert. Da die CFSR - und CHIRPS-Datensätze zu einem täglichen Zeitschritt zur Verfügung standen, wurden die Modellkalibrierung (19901995) und die Validierung (19962000) unter Verwendung von täglichen Entladungsdaten durchgeführt, die von ICRAF an vier verschiedenen Stationen bereitgestellt wurden. Nach der Bestimmung der empfindlichen hydrologischen Parameter zur Streamflussschätzung ermöglicht der SWAT-CUP-Algorithmus dem Anwender die Optimierung für verschiedene statistische Tests. Tabelle 1 gibt die empfindlichen Parameter für jeden der Modellläufe an. Beide Modellläufe zeigten eine signifikante Sensitivität gegenüber der SCS-Kurvenzahl (im Wesentlichen Abflussschätzung), was eine gemeinsame Unsicherheitsquelle für das SWAT-Modell 33, 34 ist. Das Modell läuft mit dem CFSR-Datensatz, zeigte jedoch eine größere Empfindlichkeit gegenüber hydrologischen Parametern, die die Größe und den Zeitpunkt der Wasseraufladung in das Grundwassersystem beeinflussen, als das Modell mit dem CHIRPS-Datensatz (GWDELAY, ALPHABF und RCHRGDP) läuft. Die Ausscheidungsanalyse an der KitaleKitae-Station zeigte, dass der CFSR-Datensatz die Regenfallschätzungen während der feuchteren Monate mehr als die CHIRPS-Datenmenge überschätzte. Als der CFSR-Datensatz als Eingang zum SWAT-Modell verwendet wurde, wurde der Stromfluss jedoch während der Trockenperioden im Vergleich zu SWAT-Modellläufen unter Verwendung des CHIRPS-Datensatzes häufiger unterschätzt (Abbildung 7). Daher ist es wahrscheinlich, dass die CFSR-Modellläufe, um die größeren Mengen an Niederschlägen in den feuchteren Monaten zu kompensieren, stark von der Änderung von Parameterwerten für hydrologische Prozesse im Zusammenhang mit Grundwasserprozessen abhängen. Die beiden statistischen Kriterien, die für die Auswertung der Modellschätzung des Stromflusses verwendet wurden, waren die NashSutcliffe Efficiency (NSE) und der Bestimmungskoeffizient (R 2). Das NSE ist eines der am häufigsten verwendeten Kriterien für den Vergleich der hydrologischen Modellleistung mit beobachteten Werten und kann in drei verschiedene Komponenten dekonstruiert werden: lineare Korrelation (r, idealer Wert 1), normalisierte Vorspannung (idealer Wert 0) und relative Variabilität ( , Idealer Wert 1) 35. Wie in Tabelle 2 gezeigt, obwohl die Streamflow-Schätzung unter Verwendung des CFSR-Datensatzes zu vernünftigen R 2 - Werten führte, führte die Streamflow-Schätzung unter Verwendung des CHIRPS-Datensatzes zu gleichermaßen vernünftigen R 2 - Werten, aber verbesserten NSE-Werten durch Vergleich. Parameterbereiche, die zur Erreichung der kalibrierten Stromflussschätzungen mit CHIRPS-Daten verwendet wurden, wurden dann für den Validierungszeitraum (19962000) verwendet und die statistische Performance findet sich auch in Tabelle 2. 5. Diskussion Obwohl die Ergebnisse zeigen, dass der Einbau von Fernerkundungs-basierten Niederschlagsdaten zu Verbesserungen im Vergleich zum Stations-Niederschlagsmodelllauf führte, übertraf der CHIRPS-Modelllauf nicht konsequent den CFSR-Modelllauf. Der CFSR-Modelllauf führte zu verbesserten R 2 - Werten am Standort Nzoia, einer Entladestation, die sich in den höheren Hangregionen des Beckens befindet (Abbildung 3). Der CSFR-Modelllauf war wahrscheinlich besser bei der Darstellung des Niederschlags in dieser Region, da die satellitenbezogenen Niederschlagsschätzungen in den Gebirgsregionen Ostafrikas eingeschränkt wurden 36. Typischerweise haben Niederschlagsschätzungen, die aus thermischem Infrarot (TIR) ​​abgeleitet sind, Schwierigkeiten, zwischen regnenden und nicht-regnenden Wolken zu unterscheiden, da orographische Wolken, die Niederschläge erzeugen, oft warm sind. Algorithmen, die sich auf Daten von passiven Mikrowellensensoren verlassen, unterliegen ebenfalls einer Fehlidentifizierung, die auf dem Auftreten von Eis in Wolken basiert. Der CHIRPS-Datensatz verweist auf fünf Satellitenprodukte, die Informationen aus Mikrowellen - und Infrarot-Wellenlängen enthalten. Infolgedessen könnte der CHIRPS-Datensatz weniger genaue Schätzungen des Niederschlags in den höheren Neigungsbereichen des Nzoia-Beckens bereitstellen und die Strömungsflussschätzung beeinflussen, was den Unterschied in der Schätzungseffizienz, wie in 8 gezeigt, erklären könnte. Es ist jedoch wichtig zu beachten, dass die Literatur für den CHIRPS-Datensatz nicht darauf hindeutet, dass seine Leistung in der komplexen Topographie schlecht ist 6, 38. Beim Vergleich der Leistungsfähigkeit der verschiedenen statistischen Tests für die CFSR - und CHIRPS-Modellläufe ist die mathematische Messung der Effizienzkriterien wichtig. Der Bestimmungskoeffizient (R 2) wird verwendet, um zu verstehen, wieviel der beobachteten Varianz in den simulierten Daten ausgedrückt wird. Daher können hohe R 2 - Werte erhalten werden, selbst wenn es einen relativ signifikanten Unterschied zwischen simulierten und beobachteten Größen gibt, solange das Timing und die Form der Größen vorhanden sind. Die Effizienz E aus dem NSE-statistischen Test ist eine Summe der absoluten quadratischen Differenzen zwischen vorhergesagten und beobachteten Daten, die durch die Varianz in dem beobachteten Datensatz 39 normalisiert sind. Da die Unterschiede zwischen vorhergesagten und beobachteten Daten quadriert sind, werden die statistischen Testgewichte größere Unterschiede mehr als kleinere. Beispielsweise betrugen die R 2 - Werte an der Nzoia-Entladestation und der Nzoia an der Ruambwa Ferry-Entladestation 0,49 bzw. 0,38. Es ist jedoch klar, dass der simulierte Stromfluss an der Nzoia-Entladestation (Abbildung 8 a) überschätzt in größerer Größenordnung während der feuchteren Perioden fließt. Im Gegensatz dazu wurde die Grße der Ströme genauer an der Nzoia an der Ruambwa Ferry-Entladestation abgestimmt (Fig. 8b). Schließlich kann die Zersetzung des NSE vor allem bei niedrigen und negativen NSE-Werten eine wichtige statistische Erkenntnis liefern, warum die Modellsimulation des Stromflusses mit den beobachteten Werten übereinstimmt oder nicht. Abbildung 9 zeigt die zeitliche Korrelation zwischen beobachtetem Streamflow und simulierten Stromflüssen mit den CHIRPS - und CFSR-Datensätzen. Die Streamflow-Schätzung unter Verwendung des CFSR-Datensatzes hatte mehr Datenpunkte, die entlang des Bereichs in der Nähe der Regressionsgerade fielen, während der Streamfluss zunahm, aber die Streamflussschätzung unter Verwendung des CHIRPS-Datensatzes hatte eine bessere Korrelation mit dem beobachteten Stromfluss, wenn die Ströme weniger als 200 m 3 betrugen Abbildung 7 auch. Die Werte für die relative Variabilität können für beide Stromflussschätzungen als gut angesehen werden, was darauf hinweist, dass weder Niederschlagsdatensätze zu anomal hohen Stromflusswerten führten. The values for normalized bias, however, were much better for streamflow estimates using the CHIRPS dataset than for streamflow estimates using the CSFR dataset. The bias within the streamflow estimates using the CFSR dataset could be linked back to the datasets overestimation of precipitation in the wetter months. Finally, although the linear correlation value that indicates the simulation datas ability to reproduce the timing and shape of discharge is greater for streamflow estimates using the CHIRPS dataset, it is still not ideal and explains why the overall NSE value is so low. The inability to reproduce timing and shape of discharge can be linked to the CHIRPS datasets tendency to consistently overpredict rainfall during wetter months and anomalously report 0 mm of rainfall during some dry periods. 6. Conclusions Overall, the incorporation of CHIRPS data within the SWAT model showed the most statistically significant improvements with regards to streamflow volume estimation, but did not achieve satisfactory efficiency criteria or consistently outperform the gridded climate reanalysis product with regards to streamflow timing and shape and in higher slope regions of the Nzoia Basin. The relatively poor performance of streamflow estimation using the CSFR dataset can be largely attributed to the size of the watershed and the datasets inherently poor spatial correlation. Therefore, the inclusion of CHIRPS data within the SWAT model is only suggested for relatively flat, poorly gauged, small-scale watersheds and with an understanding of its limitations. However, for the purposes of improving physical water availability to inform water resource management strategies, the combination of CHIRPS data and the SWAT model can be a powerful tool for water resource managers in data scarce regions. Acknowledgments This work was supported by the Ralph W. Brauer Endowed Fellowship and the Socio-Environmental Analysis Lab (SEAL), University of North Carolina Wilmington. Many thanks to the University of California Santa Barbaras Climate Hazards Group for providing rainfall and temperature data for the region. Author Contributions Alyssa M. Le and Narcisa G. Pricope conceived and designed the experiments and collected the data, Alyssa M. Le performed the experiment and analyzed the data, and Alyssa M. Le and Narcisa G. Pricope wrote the paper. Conflicts of Interest The authors declare no conflict of interest. The SEAL lab aided in the design of the study, the collection and analysis of data, the writing of the manuscript, and the decision to publish the results. References World Health Organization and UNICEF. Progress on Drinking Water and Sanitation: 2014 Update World Health Organization and UNICEF: Geneva, Switzerland, 2014. Google Scholar Grey, D. Sadoff, C. Water Resources and Poverty in Africa: Breaking the Vicious Cycle. In Proceedings of the Inaugural Meeting of Africa Ministers Committee on Water, Abuja, Nigeria, 30 April 2002. UN World Water Assessment Programme. The United Nations World Water Development Report 2015: Water for a Sustainable World UNESCO: Paris, France, 2015. Google Scholar Anderson, M. Yuan, Y. Bingner, R. Impact of precipitation uncertainty on SWAT model performance. In Proceedings of the Federal Interagency Sedimentation Conference, Federal Interagency Hydrologic Modeling Conference, Reno, NV, USA, 1923 April 2015. Gayathri, K. D. Ganasri, B. P. Dwarakish, G. S. A review on hydrological models. Aquat. Procedia 2015 . 4. 10011007. Google Scholar Funk, C. Peterson, P. Landsfeld, M. Pedreros, D. Verdin, J. Shukla, S. Husak, G. Rowland, J. Harrison, L. Hoell, A. et al. The climate hazards infrared precipitation with stationsA new environmental record for monitoring extremes. Sci Data 2015 . 2. 150066. Google Scholar CrossRef Vu, M. T. Raghavan, S. V. Liong, S. Y. SWAT use of gridded observations for simulating runoffA Vietnam river basin study. Hydrol. Earth Syst. Sci 2012 16. 28012811. Google Scholar CrossRef Yang, Y. Wang, G. Wang, L. Yu, J. Xu, Z. Evaluation of gridded precipitation data for driving SWAT model in area upstream of three gorges reservoir. PLoS ONE 2014 . 9. e112725. Google Scholar CrossRef PubMed Armanios, D. E. Fisher, J. B. Measuring water availability with limited ground data: Assessing the feasibility of an entirely remote-sensing-based hydrologic budget of the Rufiji basin, Tanzania, using TRMM, GRACE, MODIS, SRB, and AIRS. Hydrol. Process. 2014 28. 853867. Google Scholar CrossRef Khan, S. I. Adhikari, P. Hong, Y. Vergara, H. Adler, R. F. Policelli, F. Irwin, D. Korme, T. Okello, L. Hydroclimatology of Lake Victoria region using hydrologic model and satellite remote sensing data. Hydrol. Earth Syst. Sci 2011 15. 107117. Google Scholar CrossRef Serrat-Capdevila, A. Valdes, J. B. Stakhiv, E. Z. Water management applications for satellite precipitation products: Synthesis and recommendations. JAWRA J. Am. Water Resour. Assoc. 2014 50. 509525. Google Scholar CrossRef Bressiani, D. D.A. Srinivasan, R. Jones, C. A. Mendiondo, E. M. Effects of spatial and temporal weather data resolutions on streamflow modeling of a semi-arid basin, northeast Brazil. Int. J. Agric. Biol. Eng. 2015 8. 125139. Google Scholar Tobin, K. J. Bennett, M. E. Adjusting satellite precipitation data to facilitate hydrologic modeling. J. Hydrometeorol. 2010 . 11. 966978. Google Scholar CrossRef Roth, V. Lemann, T. Comparing CFSR and conventional weather data for discharge and sediment loss modelling with SWAT in small catchments in the Ethiopian highlands. Hydrol. Earth Syst. Sci Discuss. 2015 12. 1105311082. Google Scholar CrossRef Lake Victoria Basin Commission. Comprehensive Water Resources Assessment (Task C): Final Version Lake Victoria Basin Commission: Mwanza, Tanzania, 2014. Google Scholar Tate, E. Sutcliffe, J. Conway, D. Farquharson, F. Water balance of Lake Victoria: Update to 2000 and climate change modelling to 2100. Hydrol. Sci J. 2004 . 49. 563574. Google Scholar Nyadawa, M. O. Mwangi, J. K. Geomorphological characteristics of Nzoia River Basin. J. Agric. Sci Technol. 2010 . 12. 145161. Google Scholar Dulo, S. O. Odira, P. M.A. Nyadawa, M. O. Okelloh, B. N. Integrated flood and drought management for sustainable development in the Nzoia River Basin. Nile Basin Water Sci. Eng. J. 2010 . 3. 3951. Google Scholar Flohn, H. Burkhardt, T. Nile runoff at Aswan and Lake Victoria: A case of a discontinuous climate time series. Z. Gletscherk. Glazjalgeol. 1985 . 21. 125130. Google Scholar Water Resource Management Authority. Nzoia River Basin Management Initiative Water Resource Management Authority: Kakamega, Kenya, 2011. Onywere, S. M. Intensification of Agriculture as the Driving Force in the Degradation of Nzoia River Basin: The Challenges of Watershed Management Lake Abaya Research Symposium, Arba Minch University: Arba Minch, Ethiopia, 2007. Google Scholar Odada, E. O. Olago, D. O. Kulindwa, K. Ntiba, M. Wandiga, S. Mitigation of environmental problems in Lake Victoria, east Africa: Causal chain and policy options analyses. AMBIO J. Hum. Environ. 2004 . 33. 1323. Google Scholar CrossRef Kenya Vision 2030: A Globally Competitive and Prosperous Kenya Government of the Public of Kenya: Nairobi, Kenya, 2007. Githui, F. Gitau, W. Mutua, F. Bauwens, W. Climate change impact on swat simulated streamflow in Western Kenya. Int. J. Climatol. 2009 . 29. 18231834. Google Scholar CrossRef Musau, J. Sang, J. Gathenya, J. Luedeling, E. Hydrological responses to climate change in Mt. Elgon watersheds. J. Hydrol. 2015 3. 233246. Google Scholar CrossRef Odira, P. M.A. Nyadawa, M. O. Ndwallah, B. O. Juma, N. A. Obiero, J. P. Impact of land usecover dynamics on streamflow: A case of nzoia river catchment, Kenya. Nile Basin Water Sci. Eng. J. 2010 . 3. 6478. Google Scholar Koutsouris, A. J. Chen, D. Lyon, S. W. Comparing global precipitation data sets in eastern Africa: A case study of Kilombero Valley, Tanzania. Int. J. Climatol. 2016 . 36. 20002014. Google Scholar CrossRef Funk, C. C. Peterson, P. J. Landsfeld, M. F. Pedreros, D. H. Verdin, J. P. Rowland, J. D. Romero, B. E. Husak, G. J. Michaelsen, J. C. Verdin, A. P. A Quasi-Global Precipitation Time Series for Drought Monitoring U. S. Geological Survey Data Series 832 U. S. Geological Survey: Reston, VA, USA, 2014. Duan, Z. Liu, J. Tuo, Y. Chiogna, G. Disse, M. Evaluation of eight high spatial resolution gridded precipitation products in Adige Basin (Italy) at multiple temporal and spatial scales. Sci Total Environ. 2016 . 573. 15361553. Google Scholar CrossRef PubMed Arnold, J. G. Srinivasan, R. Muttiah, R. S. Williams, J. R. Large area hydrologic modeling and assessment Part 1: Model development. JAWRA J. Am. Water Resour. Assoc. 1998 . 34. 7389. Google Scholar CrossRef Monteith, J. L. Moss, C. J. Climate and the efficiency of crop production in Britain and discussion. Philos. Trans. R. Soc. Lond. Ser. B Biol. Sci 1977 . 281. 277294. Google Scholar CrossRef Abbaspour, K. C. SWAT Calibration and Uncertainty ProgramsA User Manual Swiss Federal Institute of Aquatic Science and Technology: Eawag, Switzerland, 2015. Google Scholar Abbaspour, K. C. Yang, J. Maximov, I. Siber, R. Bogner, K. Mieleitner, J. Zobrist, J. Srinivasan, R. Modelling hydrology and water quality in the pre-alpinealpine Thur watershed using SWAT. J. Hydrol. 2007 333. 413430. Google Scholar CrossRef Strauch, M. Berhnofer, C. Koide, S. Volk, M. Lorz, C. Makeschin, F. Using precipitation data ensemble for uncertainty analysis in SWAT streamflow simulation. J. Hydrol. 2012 414415. 413424. Google Scholar CrossRef Gupta, H. V. Kling, H. Yilmaz, K. K. Martinez, G. F. Decomposition of the mean squared error and NSE performance criteria: Implications for improving hydrologic modeling. J. Hydrol. 2009 . 377. 8091. Google Scholar CrossRef Hirpa, F. A. Gebremichael, M. Hopson, T. Evaluation of high-resolution satellite precipitation products over very complex terrain in Ethiopia. J. Appl. Meteorol. Climatol. 2010 . 49. 10441051. Google Scholar CrossRef Dinku, T. Connor, S. J. Ceccato, P. Comparison of CMORPH and TRMM-3b42 over mountainous regions of Africa and South America. In Satellite Rainfall Applications for Surface Hydrology Gebremichael, M. Hossain, F. Eds. Springer Science amp Business Media: London, UK, 2009. Google Scholar Katsanos, D. Retalis, A. Michaelides, S. Validation of a high-resolution precipitation database (CHIRPS) over Cyprus for a 30-year period. Atmos. Res. 2016 . 169. 459464. Google Scholar CrossRef Krause, P. Boyle, D. P. Base, F. Comparison of different efficiency criteria for hydrological model assessment. Adv. Geosci. 2005 . 5. 8997. Google Scholar CrossRef Figure 1. The Nzoia Basin, a subset of the Lake Victoria Basin located in western Kenya. Figure 1. The Nzoia Basin, a subset of the Lake Victoria Basin located in western Kenya. Figure 4. Comparison of the spatial resolution of the varying precipitation inputs to the SWAT model: ( a ) station precipitation dataset from the University of California Santa Barbara (UCSB) ( b ) CFSR station dataset from the National Centers for Environmental Prediction (NCEP) ( c ) CHIRPS dataset from UCSB Climate Hazards Group (CHG) after MATLAB conversion from. tiff to stations. Figure 4. Comparison of the spatial resolution of the varying precipitation inputs to the SWAT model: ( a ) station precipitation dataset from the University of California Santa Barbara (UCSB) ( b ) CFSR station dataset from the National Centers for Environmental Prediction (NCEP) ( c ) CHIRPS dataset from UCSB Climate Hazards Group (CHG) after MATLAB conversion from. tiff to stations. Figure 5. Temporal correlation of CFSR and CHIRPS precipitation estimation to station precipitation data over the temporal range 19901995. Figure 5. Temporal correlation of CFSR and CHIRPS precipitation estimation to station precipitation data over the temporal range 19901995. Figure 6. Uncalibrated comparison of observed and simulated monthly streamflows from the Nzoia at the Ruambwa Ferry discharge station from 1992 to 2007: ( a ) station precipitation dataset ( b ) CFSR station dataset ( c ) CHIRPS dataset. Figure 6. Uncalibrated comparison of observed and simulated monthly streamflows from the Nzoia at the Ruambwa Ferry discharge station from 1992 to 2007: ( a ) station precipitation dataset ( b ) CFSR station dataset ( c ) CHIRPS dataset. Figure 7. Calibrated comparison of observed and simulated daily streamflows from the Nzoia at Ruambwa Ferry discharge station from 1990 to 1995: ( a ) CHIRPS precipitation dataset and ( b ) CFSR station dataset. Figure 7. Calibrated comparison of observed and simulated daily streamflows from the Nzoia at Ruambwa Ferry discharge station from 1990 to 1995: ( a ) CHIRPS precipitation dataset and ( b ) CFSR station dataset. Figure 8. Comparison of streamflow estimation using the CHIRPS dataset: ( a ) close to the river headwaters and ( b ) close to the basin outlet. Figure 8. Comparison of streamflow estimation using the CHIRPS dataset: ( a ) close to the river headwaters and ( b ) close to the basin outlet. Figure 9. Comparison of linear regression and efficiency criteria of observed streamflow versus ( a ) simulated streamflow using the CHIRPS dataset or ( b ) simulated streamflow using the CSFR dataset at the Nzoia at Ruambwa Ferry discharge station over the calibration period (19901995). (RV relative variability, NB normalized bias, r linear correlation). Figure 9. Comparison of linear regression and efficiency criteria of observed streamflow versus ( a ) simulated streamflow using the CHIRPS dataset or ( b ) simulated streamflow using the CSFR dataset at the Nzoia at Ruambwa Ferry discharge station over the calibration period (19901995). (RV relative variability, NB normalized bias, r linear correlation). Table 1. Sensitive hydrologic parameters that were used during calibration and validation. Table 1. Sensitive hydrologic parameters that were used during calibration and validation.