分析城市用水量的反应气候变量:案例研究伊朗军营的城市

文摘

伊朗位于一个干燥的气候。这样的条件让城市水资源的供应的一个最基本的管理挑战。的水量消耗在一个城市是受天气条件影响很大,随着天气的变化,消耗的水量变化。在这项研究中,几个模型包括零皮尔逊相关系数的一阶皮尔逊相关性,广义相加模型(GAM),广义线性模型(GLM)、支持向量机(SVM-Nu)和单纯形优化算法以识别线性/非线性反应的每月的用水量气象变量的单独和联合协会(温度、空气压力和相对湿度)在军营的城市。零级和一级的相关性表明,通过控制空气温度、压力和相对湿度变化的影响在用水量增加。另一方面,个人和GAM模型相结合的非线性响应显示相同的结果用水量相对湿度和空气压力的变化。还透露,样条方法,通过消除空气温度的影响,用水量变化的非线性反应压力和相对湿度增加,并通过消除的影响相对湿度和空气压力,水消耗空气温度的非线性反应进一步加强。一般来说,通过减少空气压力和温度,城市家庭用水的数量大幅减少。这些条件通常是由进入低压系统。

1。介绍

气候影响人类生活的许多方面直接或间接地扮演重要的角色在决定社会经济,文化和社区的生理功能。人类生活的最重要的一个决定因素是水,使其数量和模式受到普遍的气候条件的影响。虽然用水量主要取决于人口的绝对数量,技术水平,文化消费,类型的生活,人类和许多其他参数,很明显,考虑到人为因素的相对稳定,发生水消费模式高度依赖于每月和季节性气候变量的频率。因此,气候被认为是最重要的因素在中期内用水量的变化。Xenochristou和Kapelan1)认为的水量消耗主要是受环境和社会经济因素的影响。在这方面,Brelsford和雅培表明水政策的实施在拉斯维加斯(美国),从1996年到2007年期间,导致水的消耗减少了53%,尽管人口增长(增长63%2]。在几项研究包括祖拜迪et al。3- - - - - -6),Falahi et al。7),安萨里和Salehnia8],Praskievicz和张9),气象变量在预测水消费的重要作用已经被强调。研究也表明,城市用水量的反应是积极的空气温度和降水是负的(6,10]。它也表明,用水量应对气象变量的强度是研究气候条件的函数。肯尼et al。11)表明,在科罗拉多州和半干旱气候条件下,水的消耗增加了2%设高温度和每小不点增加降雨量下降了4%。球磨机和采空区12)进行了一项研究在凤凰城,亚利桑那州,气候温暖干燥和表明,降水增加1%导致用水量下降了0.001%,而蒸发增加1%导致用水量增加0.464%。Polebitski西雅图进行了一项研究,潮湿和温带气候,和显示,平均最高温度增加了10%在7月和8月,用水量增加了10%,而温度在9月和10月增加10%导致用水量增加4.5%。此外,在5月和6月总降水量增加10%导致总用水量减少2.5% (13]。

用水量的强度应对气象变量对于一个给定的位置在不同的季节变化。梅德门特和Miaou表明降水用水量的反应取决于频率和降水量、空气和用水量的反应温度是非线性14]。通过研究水对温度变化的反应在石市德州,梅德门特等人发现,用水量的强度有很大的变化在温度高于28°C(6倍之间的温度比13°C和28°C) (15]。由于高强度的水消费反应比夏季末夏初,常等人得出的结论是,其他变量如相对湿度或蒸发可能被认为是气候因素影响用水量在夏末16]。

众所周知,水消费是通过人性化因素的影响与随机的自然和气候要素与动态特性,从而导致用水量的时序信号的复杂性。因此,识别其响应模式独立变量和提供预测模型可以在这个领域研究重点的一部分为每个位置。因此,本研究进行了识别线性和非线性反应(反应)军营的每月的用水量气候变量。在这方面,通过应用先进的建模技术如GAM和单纯形优化算法,它一直在试图找到原油/净用水量的反应相对于每个气象变量的变化,以及调查用水量的反应在不同的气候条件。

2。材料和方法

2.1。数据和研究区域

本研究是在军营进行城市,位于21°48′E和32°30′N,在扎格罗斯山脉海拔1170米在伊朗西部(Lorestan省)。气象数据,包括温度(摄氏度)、相对湿度(百分比)和空气压力(百帕斯卡),以及每月用水量从2012年3月至2018年3月。适合三个气象变量之间的线性关系和水的消耗,使用零皮尔森相关系数。同时,一阶皮尔森相关系数是用来获得的净影响温度、相对湿度、压力水消费。

零相关性计算两个变量之间的相关性没有控制其他变量。偏相关表示两个变量之间的相关性,通过控制其他变量的影响,因此,如果一个变量控制的效果,它被称为一个或一阶相关性。在另一个步骤,一个广义相加模型(GAM)是用来识别非线性响应的水消费个体和温度变化相结合,相对湿度,空气压力。最后,考虑温度、相对湿度和空气压力作为独立变量和用水量作为响应变量,建立了线性和非线性模型的水消费使用广义线性模型(GLM)和支持向量机(SVM-Nu),分别。然后,探讨气象条件三个变量相互协同作用或中和及其对用水量的影响,我们使用单纯形优化方法的漠视和SVM-Nu模型。

2.2。广义线性模型(GLM)

全球语言监测机构是一个参数模型,该模型是线性模型的扩展。在这个模型中,提出了一个公式显示了独立和相关的变量之间的关系如下(17]: 在哪里是家庭的链接功能指数。

2.3。广义可加模型(GAM)

广义相加模型(GAM)是一种非参数统计模型的一个扩展卡(18]。在这些模型中,参数的模型不同,独立和相关的变量之间的关系可以是非线性的。在这些模型中,假定反应变量的分布属于家人和平均指数分布 连接到独立变量(X_j)通过一个链接功能 。事实上,GAM扩展的参数形式独立变量线性模型的一种非参数(19),即

在这里,我们假定f_js是未知的和光滑的独立变量的函数(X_j)。具体地说,f_j估计使用先进的平滑技术的数据。这些函数是添加剂,这意味着每个预测的效果可以单独测试(20.]。这个属性导致识别非线性变量之间的关系在这个模型(21]。

2.4。支持向量机(SVM)

支持向量机最初是由Vapnik和Chervonenkis作为一组算法基于统计学习理论(18]。这个方法是一个数据驱动的模型基于监督学习的工作,用于分类和回归问题。换句话说,这是一个任意的特征空间的分类方法,因此一种适当的方法来预测问题。这个方法是一个分类器,试图创建一个超平面,最大化每个类的超平面的距离。离超平面最近的数据(称为支持向量)是用来衡量这个距离22]。一般来说,这种方法是一种有效的学习系统条件优化理论的基础上,利用结构最小化原则,导致了整体最优解(23]。

支持向量回归的预测之间的关系是(X)和因变量(21,24]:

回归系数是通过优化一个损失函数如下21]: 以下约束:

在上面的方程中,C> 0是能力常数决定了点球训练时发生错误模型,回归系数向量,和缺乏系数,确定训练误差的上限和下限与允许误差的数量有关, 。此外,b是常数(偏差),N模型训练模型的模式, 是内核函数(用于预测焊点数据传输数据到一个高维空间)。在这项研究中,采用径向基核函数,它的最优参数,通过交叉验证(21]。

2.5。单纯形优化算法

单纯形算法(25)是一种nongradient搜索技术工作基于优化算法,利用尽量减少任意函数在有限数量的迭代。该算法适用于任意数量的连续变量,没有默认假设应该优化但连续性的功能。该算法首先提供解决方案和测试解决方案的最优性。如果优化是令人满意的,该算法停止;否则,画一个单纯形算法检测到另一个最佳点。然后,这种解决方案的最优性进行测试。重复这个过程直到收敛(23]。在这项研究中,单纯形算法应用于模型产生的漠视和支持向量机,和每个模型的模拟用水量进行优化。

3所示。结果与讨论

皮尔森的气象变量之间的相关性的结果包括空气温度、相对湿度、气压和水消费的城市家庭在军营展示在表1。可以看到,所有三个变量与用水量的数量有很大关系 。空气压力和相对湿度有间接关系,温度有直接与因变量的关系。我们的研究结果是一致的Brentan et al。26]。自温暖季节军营与更高的温度和更低的空气压力和相对湿度与冷季相比,很明显,随着季节的变化从冷到暖,用水的数量有增加的趋势,然后有一个季节循环的水军营的消费。根据频率分析,这种循环频率为2.5和6个月也观察到在军营的用水量(图1)。许多先前的研究还强调monthly-seasonal周期的存在时间序列的用水量。

相关系数计算表1度为零,这些气象变量的最终效果的水量消耗影响彼此交互,因此,这些系数不意味着原油与这些变量之间的关系。他们显示一般与响应变量之间的关系。因此,提到的每个变量的整体关系用水量(表1),由于其他变量的影响,纯粹的关系是完全相反的,如何能找到,没有正确理解用水量对这些变量的变化。在一项由Souza et al。27)与温暖和潮湿的热带地区(巴西),相对湿度的相关系数与用水量是积极的,而多元回归的β系数降低。这个中间变量的统计差异表明参与控制相对湿度之间的关系和用水量。

另一方面,理解过程和物理定律对气象变量之间的关系是必要的为了研究这些变量的影响对环境的现象。根据完整的气体状态方程,确定温度和气压平衡模式,在热力学方程,空气压力被认为是空气温度的函数(28),即the air pressure changes with air temperature or according to the saturated vapor pressure equation that expresses the final humidity holding capacity; relative humidity is also a direct function of the air temperature in addition to atmospheric humidity inventory [29日]。

与这些参数,根据这些变量的时间校准,看来,他们的关系在军营的水量消耗极大地影响它们之间的内在关系。因此,识别每个独立变量的影响控制其他变量,在合并过程中,每一个独立变量的微分相关系数包括气温、气压、相对湿度计算。表中给出的结果1。

从这些系数,显然,如果空气压力和相对湿度不变,没有重大改变空气温度之间的关系和军营的用水量。然而,在控制了空气温度、空气压力和相对湿度之间的关系与用水量显著。所以,在控制了空气温度、空气压力和相对湿度与水的关系改变了消费反向模式,和这两个变量对水的消耗有直接影响。这一成就的重要性也凸显了军营的气候状况评估城市在西部和西南部移民的路径/瞬态系统(30.]。

在一些点,军营的气候变化受到由于冷低压和高压系统。通过这种方式,通过输入低压气团,水量消耗得多慢,下降的速度,比冷高压的质量。由于温度和压力值在前导致消耗的水量减少,在后者,这两个变量相互对抗。

也是值得注意的,这样的结果也为热低压空气的质量条目以及动态温暖的高压,等。一般来说,如果空气质量有相同的温度,相似的变化不应期望在军营的水量消耗。这个特点是与通常的和标准空气军营,最低气压在炎热的季节是基于高温、高压在寒冷的季节是基于低温,今年5月,空气压力是887百帕斯卡基于温度为9.6°C和今年3月,空气压力是887百帕斯卡基于温度20°C。然而,这些发现与空气温度和相对湿度有关。此外,它表明,除了直接影响,空气温度影响的水量消耗间接通过其与空气压力和相对湿度的关系。一般来说,这些过程导致了非线性反应的军营用水量变化的气象变量如果其他变量的影响不保持常数。

单变量和多变量广义相加模型(GAM)实现识别的非线性反应用水量的变化空气温度、相对湿度、气压。γ,基于高斯模型和泊松分布使用身份,逆,和日志链接功能,表明泊松GAM模型使用日志链接函数有最好的效率。这个模型的结果表2。结果显示,这些气象变量的非线性效应显著 。这种非线性模型的结果与零和一阶相关结果一致。

为了理解的非线性响应用水量对每个变量的变化通过消除其他变量的影响,GAM模型的平滑组件图是绘制在单一和组合模式(数据2- - - - - -7)。评估这些数据显示,不仅用水量的强度的变化改变了每一个变量的混合模式,但也有一个显著的变化的反应。通过这种方式,在各个模式下,气压变化越来越然后渐渐的失去,而在合并后的设置,它会导致用水量的增加也更加紧凑。一般来说,在各个模式下,用水量增加的数量增加884百帕斯卡的压力,这一点之后,它随压力的增加而减小。通过删除其他变量的影响,空气压力作为协同因素水消费。样条的情节在这些数据显示,对于消除其他变量的影响,用水量增加的数量急剧增加的温度,而在合并后的设置,用水量增加的数量随着温度的增加15°C(具有相同的强度),然后逐渐减少。考虑到温度低于15°C发生在寒冷季节平均空气压力和相对湿度最大而温暖的季节,这是表明消费水的反应温度在寒冷季节的变化是大而温暖的季节。另一方面,梅德门特和Miaou14]介绍了21°C的一个阈值在德克萨斯州,佛罗里达,和宾夕法尼亚州(美国)。卡尔加里Akuoko提供15°C的阈值(加拿大)29日]。衬衣等人介绍了阈值为15.53°C的墨尔本(澳大利亚)30.]。梅德门特和Miaou14)还透露,用水量对29°C到32°C的三到五倍比温度低于29°C。值得注意的是,这些温度阈值计算分别通过分化。虽然这些结果表明水消费的非线性响应温度变化,他们从功能的角度来看是非常重要的。然而,他们没有表现出明显的净效应温度对消费因为没有控制其他变量和这些阈值已经通过了各个模型的实现。

用水量的反应的相对湿度相比之下个人设置的组合设置。在个人设置的情况下,趋势是increasing-decreasing,在合并后的设置,强度低,用水量的上界比中值绑定更严重。

使结果更容易理解,五个月移动平均时间序列分析中进行了温度、压力和相对湿度去除动力学变化和提供一个清晰的投影季节性变化(图8)。这是因为这些发现表明,在寒冷的季节,西方潮流中也扮演着重要的角色在军营的气候变化。

人物的情节8(一)和8(b))表明,通过改变季节从冬天到春天和夏天,温度逐渐增加,空气压力减少。样条组件图显示越来越净效应的气压、相对湿度和温度对水的消耗。因此,在某些情况下,这三个变量的组合可以实现协同影响耗水量。与此同时,移动平均线情节显示温度对压力和相对湿度的负面趋势。虽然用水量随季节变化发生从冬天到夏天,温度和相对湿度的负面混杂效应降低了温度对用水量的影响。换句话说,用水量对温度变化的反应在寒冷的季节更强烈而温暖的季节。在温暖的季节,相对湿度和空气压力影响温度减代理,从而降低水的温度变化的影响在增加消费。因此,用水量将建立的非线性反应对气象变量,因此这些气象变量之间的线性相关系数随水消费的数量。

评估结果更准确地说,支持向量机(SVM)和广义线性模型(GLM)被用来评估温度的线性和非线性关联,压力和相对湿度的水量消耗。然后,利用单纯形优化算法估计的线性和非线性响应用水量在冬季和夏季。的长期平均温度、压力和相对湿度表所示3。

假设空气压力和相对湿度是根据年度固定,夏天,冬天的平均值,年度之间的线性和非线性关联,夏季和冬季温度变化和用水量进行评估使用SVM和漠视。结果如图9- - - - - -11。此外,用水量应对空气压力变化数据12- - - - - -14)和相对湿度(数字15- - - - - -17每年)进行了评估,在夏季和冬季条件下使用单纯形优化算法。关于结果,用水量的非线性反应温度变化超过其线性反应。非线性反应在夏季和冬季是更严重的,低于线性。一般来说,强度和反应温度的斜率在冬天比夏天更。这些发现是由于温度的调整影响耗水量。对于情节,用水量的反应到特定的温度在冬季设置的空气压力和相对湿度与夏季相比是相当高的设置。这个结果证实了早些时候暗示低压冷的气团的入口处有一个额外的影响在冬天减少水的消耗。这是通过评估的夏季和冬季响应图表使用的水压力的变化。

整体效果相对湿度的用水量减少。然而,通过控制其他变量如空气温度的影响,这是表明,相对湿度对用水量的净效果没有空气温度的干预越来越多。因此,水消费的负面影响相对湿度之间的关系是由于水的消耗和空气温度,相对湿度,通过控制空气温度的影响,这种关系正在增加。因此,在数据15- - - - - -17的影响空气温度相对湿度之间的关系和控制用水量,所以原油这两个变量之间的关系增加。线性和非线性响应的用水量在年度,冬天和夏天条件表明,气压对消费的影响远低于每年夏季和条件。比较非线性响应曲线表明,在冬季和夏季的影响一定的空气压力水消费在夏天比冬天更严重的状况。夏季条件相比,用水量的非线性反应的相对湿度在冬天和年度条件高于线性反应。

4所示。结论

天气起着关键作用的时间模式城市用水量。与季度和月度气候变化,monthly-seasonal频率也出现在用水循环。在这项研究中,气象变量的影响,包括温度、气压、相对湿度,研究在城市军营。几个使用线性和非线性方法,同时应用这些方法的结果显示在一个重要方面的影响这些因素对水的消耗。

从应用程序获得的结果GAM和一阶相关性表明,线性和非线性的影响温度,相对湿度,空气压力水消费增加。GAM的single-spline情节和零度相关性显示降低相对湿度和气压的影响。这可能是由于他们的热力学与空气温度的关系。这是因为在夏天最高(低)温度(冬季)是基于最低温度和空气压力(最大)。使用的比较四个月移动平均,decreasing-increasing气压的变化的趋势和相对应的相对湿度increasing-decreasing温度的趋势。这种反向时间这三个变量的趋势导致的中和效果的强度。GAM single-spline情节显示用水量的强度在夏天可以减少由于温度和相对湿度较高。

计算这些协会、温度之间的线性和非线性关系,压力,相对湿度的用水量是首先使用的漠视和SVM-Nu建模。然后,单纯形优化算法被用来评估的线性和非线性协会用水量与特定的品种在其他因素的影响被认为是固定的。比较情节,用水量响应特定压力和相对湿度更加剧了夏天与冬天相比,虽然逆转反应到特定的温度。

关于这些发现以及军营的气候不仅影响局部变量,而且通过其他因素如西方电流在每年的一些地区,因为thermodynamic-dynamic系统有别于传统的军营的气候条件;因此,在这些条件下,温度的影响,空气压力,用水量相对湿度是在同一个方向,他们有一个巨大的累积效应的水量消耗。这种情况从深秋到来的春天动态冷流。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称他们没有利益冲突有关的出版。

引用

1. m . Xenochristou和z Kapelan”,一堆模型偏差纠正改善水资源需求预测,“城市水杂志,17卷,不。3、212 - 223年,2020页。视图:出版商的网站|谷歌学术搜索
2. c . Brelsford和j·k·阿伯特”,成长为节约用水吗?分解的司机减少用水量在拉斯维加斯,NV。”生态经济学卷,133年,第110 - 99页,2017年。视图:出版商的网站|谷歌学术搜索
3. s . l .祖拜迪。h . Abdulkareem k . s . Hashim et al .,“杂交人工神经网络模型与黏菌算法:一种新颖的方法预测城市随机水需求”水,12卷,不。10,2692年,页2020。视图:出版商的网站|谷歌学术搜索
4. s . l .祖拜迪h . Al-Bugharbee y . r . Muhsen k . Hashim r . m . Alkhaddar和w·h·Hmeesh”在伊拉克城市水需求的预测:一个案例研究的巴格达省”学报》2019年第12 eSystems发展工程国际会议(DeSE)IEEE喀山,俄罗斯,2019年10月。视图:谷歌学术搜索
5. s . l .祖拜迪k . Hashim s Ethaib n s s Al-Bdairi h . Al-Bugharbee和s . k . Gharghan”一个新颖的方法来预测每月市政水需求根据天气变量的情况下,“沙特国王大学杂志》上,2020年。视图:出版商的网站|谷歌学术搜索
6. s . l .祖拜迪s Ortega-Martorell p·科特et al .,“长期市政用水需求预测方法的一个气候变化下,“水资源管理,34卷,不。3、1265 - 1279年,2020页。视图:出版商的网站|谷歌学术搜索
7. m·a·Falahi h·安萨里,s . Moghaddas”评估有效因素对家庭用水量和预测其需求:面板数据的方法,”水浪费杂志,23卷,不。4、78 - 87年,2012页。视图:谷歌学术搜索
8. h·安萨里和n . Salehnia”评估有效参数对市政饮用水使用伽马测试技术,”《水和废水,1卷,2014年。视图:谷歌学术搜索
9. 美国Praskievicz h . Chang,“识别城市用水量和天气之间的关系变量在首尔,韩国,”自然地理,30卷,不。4、324 - 337年,2009页。视图:出版商的网站|谷歌学术搜索
10. p . Huntra和t . c .更“评估气象因素对水需求的影响在拉斯维加斯山谷使用时间序列分析:1990 - 2014,”ISPRS国际信息杂志》上》第六卷,没有。8,249年,页2017。视图:谷歌学术搜索
11. d·s·肯尼c . Goemans r·克莱因j·劳里说,和k·蕾迪,“住宅水需求管理:教训极光,Colorado1,”JAWRA美国水资源协会杂志》上,44卷,不。1,第207 - 192页,2008。视图:出版商的网站|谷歌学术搜索
12. r . c .球磨机jr .)和p .护镜”,气候变化和住宅用水在凤凰城,亚利桑那州,”应用气象学和气候学杂志》上,46卷,不。7,1130 - 1137年,2007页。视图:出版商的网站|谷歌学术搜索
13. a . s . Polebitski r·n·帕尔默,“季节性居民用水需求预测人口普查大片。”水资源规划与管理杂志》上,卷136,不。1,27-36,2010页。视图:出版商的网站|谷歌学术搜索
14. d·r·梅德门特和S.-P。Miaou”,日常用水在9个城市”,水资源研究,22卷,不。6,845 - 851年,1986页。视图:出版商的网站|谷歌学术搜索
15. d·r·梅德门特S.-P。Miaou, m·m·克劳福德“日常城市用水的传递函数模型。”水资源研究,21卷,不。4、425 - 432年,1985页。视图:出版商的网站|谷歌学术搜索
16. h, s . Praskievicz h . Parandvash,“城市用水量的敏感性在多个时间尺度天气和气候变化:波特兰,俄勒冈州,”国际地理空间和环境研究杂志》上,1卷,不。1,p。2014。视图:谷歌学术搜索
17. d·李和s . Derrible”预测住宅水与基于统计学习的需求,”水资源规划与管理杂志》上,卷146,不。1,文章ID 04019067, 2020。视图:出版商的网站|谷歌学术搜索
18. v . n . Vapnik和a . y . Chervonenkis”事件的相对频率一致收敛的概率,”措施的复杂性页11-30 Springer,柏林,德国,2015年。视图:谷歌学术搜索
19. n a·巴顿,t . s .告别,s . h·哈雷特”使用广义可加模型探讨环境影响在干净的水网络,管失败”Npj干净的水,3卷,不。1、1 - 12,2020页。视图:出版商的网站|谷歌学术搜索
20. t . Hastie和r . Tibshirani“非参数物流和比例概率回归,”应用统计学,36卷,不。3、260 - 276年,1987页。视图:出版商的网站|谷歌学术搜索
21. h . Lu, j·马修斯,汉族,“每月水需求的混合模型预测:一个案例研究的奥斯汀,德克萨斯,”美国自来水厂协会(AWWA水科学,卷2,不。2,p . e1175 2020。视图:出版商的网站|谷歌学术搜索
22. 诉Vapnik,统计学习理论的本质施普林格科学与商业媒体,柏林,德国,2013年。
23. n Cristianini和j . Shawe-Taylor介绍支持向量机和其他基于学习的方法英国剑桥,剑桥大学出版社,2000年。
24. l . Tapak o·哈米迪,p . Amini, j . Poorolajal”使用人工神经网络预测肾移植排斥,“医疗信息学研究,23卷,不。4 p。277年,2017年。视图:出版商的网站|谷歌学术搜索
25. a . Bouach和美国Benmamar检查水需求变化对优化的影响:遗传算法的情况下,“国际期刊的能源和水资源5卷,第99 - 95页,2021年。视图:谷歌学术搜索
26. b . m . Brentan g . Meirelles m . Herrera e . Luvizotto和j . Izquierdo”相关分析的水需求和对短期预测模型的预测变量,“数学问题在工程,2017卷,2017年。视图:谷歌学术搜索
27. f . Aristone a d。Souza,其实,d . a d。席尔瓦桑托斯a p d。Souza利马和g·利马,“城市水、气候变化和消费”大气和气候科学,5卷,不。3,p。292年,2015年。视图:出版商的网站|谷歌学术搜索
28. 答:a . Tsonis介绍大气热力学英国剑桥,剑桥大学出版社,2002年。
29. a . Akuoko-Asibey l . c . Nkemdirim和d·l·德雷珀“气候变量的影响在卡尔加里季节性用水量,阿尔伯塔省”加拿大水资源期刊,18卷,不。2、107 - 116年,1993页。视图:出版商的网站|谷歌学术搜索
30. r .衬衣、美国Gato-Trinidad和m . Imteaz”温度和雨量阈值对应于用水量大墨尔本,澳大利亚,”20国际国会程序建模与仿真(MODSIM2013),阿德莱德,澳大利亚,2013年。视图:谷歌学术搜索

版权

版权©2021 Omid哈米迪等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。