GLOBGM v1.0 全球地下水模型

原创

LSC6
LSC6

生态遥感监测笔记

2026年7月3日 10:52
河南

在小说阅读器读本章

去阅读

今日分享：

GLOBGM v1.0 全球地下水模型

GLOBGM v1.0 数据集是全球地下水建模领域的一个重要里程碑，它提供了 30 弧秒 PCR-GLOBWB-MODFLOW 模型的并行实现。该数据集由 Jarno Verkaik 等人开发，以赤道附近约 1 公里的空间分辨率，全面展现了全球地下水动态。该数据集利用两个模型层和 MODFLOW 6 框架，使用现有的 30 角秒 PCR-GLOBWB 数据驱动模拟，使研究人员能够探索全球尺度的地下水流动动态。计算实现采用消息传递接口进行并行化，从而在分布式内存并行集群上实现高效处理。

数据结构：

该表提供了 GLOBGM 数据集的模型栅格输出的结构化概述，包括文件路径和每个文件的描述。

文件路径	描述
/steady-state/globgm-heads-lower-layer-ss.tif	计算得到的下层模型稳态地下水头[m]
/steady-state/globgm-heads-lower-layer-ss.tif	计算得到的上层模型稳态地下水头[m]
/steady-state/globgm-wtd-ss.tif	计算得到的地下水位深度[米]（从上层到下层采样）
/transient\_1958-2015/globgm-wtd-.tif	计算得到的地下水位深度[米]（从上层到下层采样）
/transient\_1958-2015/globgm-wtd-bot-\*.tif	计算得到的地下水位深度[米]（仅限下层）

引用方式：

Verkaik, Jarno, Edwin H. Sutanudjaja, Gualbert HP Oude Essink, Hai Xiang Lin, and Marc FP Bierkens. \"GLOBGM v1. 0: a parallel implementation of a 30arcsec PCR-GLOBWB-MODFLOW global-scale groundwater model.\" Geoscientific Model Development 17, no. 1 (2024): 275-300.

数据引用：

Verkaik, J., Hughes J.D., Langevin, C.D., (2021). Parallel MODFLOW 6.2.1 prototype release 0.1 (6.2.1_0.1). Zenodo.

数据集构建方法：

基于 MODFLOW 的 5角分（5 角分，赤道附近约为 10 公里）PCR-GLOBWB 2（PCRaster 全球水量平衡模型）地下水模型的升级版，使用非结构化网格和基于消息传递接口并行化的 MODFLOW 6 原型版本。构建了总共包含 2.78 亿个活动单元的独立非结构化网格，以消除所有冗余的海陆单元，同时满足所有必要的边界条件。这些网格分布在三个大陆尺度的地下水模型中（1.68 亿个单元——亚非大陆；7700 万个单元——美洲；1600 万个单元——澳大利亚），以及一个用于较小岛屿的模型（1700 万个单元）。这四个地下水模型中的每一个都被划分为多个互不重叠的子模型，这些子模型在 MODFLOW 线性求解器中紧密耦合。每个子模型都被唯一地分配给一个处理器核心，相关的子模型数据在预处理期间使用数据块并行写入。

为了预先平衡并行工作负载，我们以两种方式应用了广泛使用的METIS图划分器：直接应用于所有（横向）模型网格单元，以及以基于区域的方式应用于分配给子模型的HydroBASINS流域，以便预先分类，最终与地表水耦合。利用荷兰国家超级计算机Snellius上进行一项实验，模拟1958年至2015年，时间步长为每日，输入数据为每月，并包含20年的预热期。考虑到串行模拟需要约 4.5个月的运行时间，我们设定了一个假设的目标，即最大模拟运行时间不超过16小时。

利用美国地质调查局（USGS）国家水信息系统（NWIS）提供的美国本土水头观测数据，对模型输出进行了有限的评估。结果表明，将分辨率从5 ′提高到30 ″ ，与5 ′ PCR-GLOBWB地下水模型相比，GLOBGM模型在稳态模拟方面取得了显著改进。

GLOBGM v1.0 开源软件介绍：

GLOBGM v1.0 是开源软件，GLOBGM 的开发模型工具可在 GitHub获取。地址如下：

https://github.com/UU-Hydro/GLOBGM

开源模型代码在github公布，可以公开使用：

如何安装：

1.对于“写入分块参数数据”预处理，需要安装 PCR-Raster Python， PCR-GLOBWB Python 模型文件位于model\_tools\_src/python/pcr-globwb/ 目录中。
2.GLOBGM 预处理步骤“准备模型分区”和“分区并写入模型输入”需要使用 Fortran 编译）位于model\_tools\_src/fortran/ 目录下的工具。
3.要运行模型（“运行模型”），并行 MODFLOW 6 代码应该使用 Fortran 编译器进行编译，并与消息传递接口库链接。

后期处理方面，提供了两种主要工具：

mf6ggmpost：用于读取 GLOBGM 输出的 Fortran 工具，用于 MODFLOW 并写入水头或地下水位深度、聚合数据（例如水头下降斜率）以及采样时间序列。

analyze\_gw\_head：用于评估美国本土 GLOBGM 结果的 R 脚本，数据来自 NWIS 观测井。

—

GEE部分下载代码

var wtd = ee.ImageCollection(\"projects/sat-io/open-datasets/GLOBGM/TRANSIENT/WTD\"),    globgm_wtd_ss = ee.Image(\"projects/sat-io/open-datasets/GLOBGM/STEADY-STATE/globgm-heads-upper-layer-ss\"),    globgm_heads_lower_layer_ss = ee.Image(\"projects/sat-io/open-datasets/GLOBGM/STEADY-STATE/globgm-heads-lower-layer-ss\"),    globgm_heads_upper_layer_ss = ee.Image(\"projects/sat-io/open-datasets/GLOBGM/STEADY-STATE/globgm-wtd-ss\"),    wtd_bt = ee.ImageCollection(\"projects/sat-io/open-datasets/GLOBGM/TRANSIENT/WTD-BOTTOM\");
print(wtd.limit(1000).aggregate_array('system:index'))
//根据日期增加年份的函数function addyear(image){  var year = ee.Date(image.get('system:time_end')).get('year')  return image.set('year',year)}

print(wtd.map(addyear).aggregate_histogram('year'))var palette = [\"#1a1a4b\", \"#203387\", \"#254bb3\", \"#2b63e0\", \"#4673e6\", \"#6083ec\", \"#7a94f2\", \"#95a4f7\", \"#afb4fd\", \"#c8c5ff\", \"#dcb3f5\", \"#df96e2\", \"#e47ac0\", \"#e95da0\", \"#ec407f\", \"#ee265f\", \"#f00a3f\", \"#f20027\", \"#f30015\", \"#f30000\"];
Map.addLayer(wtd.sort('system:time_start').first(),{min:-2,max:1200,palette:palette},'计算得出的地下水位埋深 [m]（从上层至下层采样）1958')Map.addLayer(wtd.sort('system:time_start',false).first(),{min:-2,max:1200,palette:palette},'计算得出的地下水位埋深 [m]（从上层至下层采样）2015年')
var diff = [\"#0000FF\", \"#001AEB\", \"#0035D7\", \"#004FC3\", \"#006AAF\",\"#00849B\", \"#009F87\", \"#00B973\", \"#00D45F\", \"#00EF4B\",\"#00FF37\", \"#29FF2E\", \"#52FF25\", \"#7BFF1C\", \"#A4FF13\",\"#CDFF0A\", \"#F6FF00\", \"#FFD300\", \"#FFA600\", \"#FF7900\"]Map.addLayer((wtd.sort('system:time_start').first()).subtract(wtd.sort('system:time_start',false).first()),{min:-40,max:60,palette:diff},'Difference',false)
Map.addLayer(wtd_bt.sort('system:time_start').first(),{min:-2,max:1200,palette:[\"001219\",\"005f73\",\"0a9396\",\"94d2bd\",\"e9d8a6\",\"ee9b00\",\"ca6702\",\"bb3e03\",\"ae2012\",\"9b2226\"]},'计算得出的地下水位埋深 [m]（仅限下层）1958')Map.addLayer(wtd_bt.sort('system:time_start',false).first(),{min:-2,max:1200,palette:[\"001219\",\"005f73\",\"0a9396\",\"94d2bd\",\"e9d8a6\",\"ee9b00\",\"ca6702\",\"bb3e03\",\"ae2012\",\"9b2226\"]},'计算得出的地下水位埋深 [m]（仅限下层）2015年')

数据集是从1958年至2015年的逐月数据