Trmm 3b42 binära alternativ

Dagligen: TRMM: 3B42: 1998-2008 DATABESKRIVNING: Tropiskt regnskyddsmätningsmission och övrig data kvotberäknat nederbördshastighetskvot Utvärdering av TRMM-nederbördsberäkningarna är ett aktivt forskningsområde. Användare bör vara medvetna om samplingsalgoritmproblem. Vänligen se lämpliga publikationer. Metod som används: quotBasic information om 3B42, TRMM och Other Satellites Rainfall Product. Kombinationsinstrumentets regnkalibreringsalgoritm (3B-42) använder en optimal kombination av estimat 2B-31, 2A-12, SSMI, AMSR och AMSU-nederbörd (hänvisad till som HQ) för att justera IR-estimat från geostationära IR-observationer. Nära-globala uppskattningar görs genom att kalibrera IR-ljusstyrkan till HQ-beräkningarna. Uppskattningarna 3B-42 är skalade för att matcha de månatliga regnmätningsanalyser som används i 3B-43. Utgången är nedbörd för 0,25x0,25 grader rutor lådor var 3: e timme. För mer information om algoritmen, gå till trmm. gsfc. nasa. gov3b42.html Uppdaterad: juli 2008 GRID: 50S till 50N ca 0,25 x 0,25 graders upplösning HÄRIGA HOLDINGS: januari 1998 - juli 2008 MSS Directory: CATRMM3B42MONDAY Filnamn: 3B42. YYYYMM. day. nc t. ex.: 3B42.200801.day. nc citationstecken IR-data före februari 2000 täcker span 40 grader norr till 40 grader söder. Efter och med februari 2000 täcker data 50 grader norr till 50 grader söderut. Detta resulterar i en mindre diskontinuitet i dataposten. Dessutom introduceras HQ-datakällor på olika punkter i dataposten. Därför kommer variationer i HQ-täckning att ske under hela posten, vilket ökar när tiden går vidare. Mest kritiskt orsakar introduktionen av AMSU-B en låg bias av nästan 10 globalt. 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: TRMM Multi-Satellite Precipitation Analysis: Kvasi-Globala, Fleråriga, Kombinerade Sensor Precipitation Estimates At Fine Scale. J. Hydrometeor. 8: 38-55. Andra referenser på TRMMs hemsida CAS-datakatalog SnabblänkarA Guide till handel Binära optioner i USA Binära alternativ baseras på ett enkelt ja eller inget förslag: Skulle en underliggande tillgång vara över ett visst pris vid en viss tid Traders placera handel baserat på om De tror att svaret är ja eller nej, vilket gör det till en av de enklaste finansiella tillgångarna att handla. Denna enkelhet har resulterat i bred överklagande bland handlare och nykomlingar på finansmarknaderna. Så enkelt som det kan tyckas bör handelsmän fullt ut förstå hur binära alternativ fungerar, vilka marknader och tidsramar de kan handla med binära alternativ, fördelar och nackdelar med dessa produkter och vilka företag som är lagligt behöriga att tillhandahålla binära alternativ till amerikanska invånare. Binära alternativ som handlas utanför USA är typiskt strukturerad annorlunda än binärer tillgängliga på amerikanska börser. När man överväger spekulation eller säkring. binära alternativ är ett alternativ, men endast om näringsidkaren fullt ut förstår de två potentiella resultaten av dessa exotiska alternativ. (För relaterad läsning, se: Vad du behöver veta om binära alternativ utanför USA) Amerikanska binära alternativ Förklarade Binära alternativ ger ett sätt att handla marknader med begränsad risk och begränsad vinstpotential, baserat på ett ja eller nej förslag. Till exempel: Kommer priset på guld att vara över 1 250 på 1:30 p. m. idag Om du tror att det blir, köper du det binära alternativet. Om tänkguldet kommer att vara under 1 250 på 1:30 p. m. då säljer du det binära alternativet. Priset på ett binärt alternativ är alltid mellan 0 och 100, och precis som andra finansiella marknader finns det ett bud och pris. Ovanstående binära kan handlas på 42,50 (bud) och 44,50 (erbjudande) klockan 1 Om du köper det binära alternativet rätt så betalar du 44,50, om du väljer att sälja rätt så ska du sälja på 42,50. Vi antar att du bestämmer dig för att köpa på 44,50. Om klockan 1:30 p. m. Priset på guld är över 1 250, ditt alternativ löper ut och det blir värt 100. Du gör en vinst på 100 - 44,50 55,50 (mindre avgifter). Detta kallas att vara i pengarna. Men om priset på guld är under 1 250 klockan 1:30 p. m. Alternativet löper ut till 0. Därför förlorar du de investerade 44.50. Detta ringde ut ur pengarna. Budet och erbjudandet varierar tills alternativet löper ut. Du kan stänga din position när som helst före utgången för att låsa in vinst eller minska förlusten (jämfört med att det löper ut ur pengarna). Så småningom bestäms alla alternativ på 100 eller 0 100 om alternativet för binära alternativ är sant och 0 om det visar sig vara felaktigt. Således har varje binärt alternativ en totalvärdespotential på 100, och det är ett nollsumspel som du gör någon annan förlorar, och vad du förlorar någon annan gör. Varje handlare måste lägga huvudstaden för sin sida av handeln. I exemplen ovan köpte du ett alternativ vid 44,50, och någon sålde dig det alternativet. Din maximala risk är 44,50 om alternativet löser sig till 0, varför handeln kostar dig 44,50. Den person som sålde till dig har en maximal risk på 55,50 om alternativet löser sig till 100 (100 - 44,50 55,50). En näringsidkare kan köpa flera kontrakt, om så önskas. Ett annat exempel: NASDAQ US Tech 100 index gt 3 784 (11 a. m.). Nuvarande bud och erbjudande är 74,00 respektive 80,00. Om du tror att indexet kommer att vara över 3 784 klockan 11, köper du det binära alternativet på 80 (eller lägger ett bud till ett lägre pris och hoppas att någon säljer till dig till det priset). Om du tror att indexet kommer att vara under 3 784 då köper du till 74,00 (eller lägger ett erbjudande över det priset och hoppas att någon köper det från dig). Du bestämmer dig för att sälja klockan 74.00 och tror att indexet kommer att falla under 3 784 (kallat strejkpriset) klockan 11 och om du verkligen gillar handeln kan du sälja (eller köpa) flera kontrakt. Figur 1 visar en handel för att sälja fem kontrakt (storlek) vid 74,00. Nadex-plattformen beräknar automatiskt din maximala förlust och vinst när du skapar en order, kallad en biljett. Nadex Trade Ticket med max vinst och maxförlust (bild 1) Maximal vinst på denna biljett är 370 (74 x 5 370) och den maximala förlusten är 130 (100 - 74 26 x 5 130) baserat på fem kontrakt och en försäljning pris på 74,00. (För mer om detta ämne, se Introduktion till binära alternativ) Hur bud och fråga fastställs Budet och frågan bestäms av handlare själva då de bedömer sannolikheten för att propositionen är sant eller inte. Enkelt uttryckt, om budet och frågan om ett binärt alternativ är 85 respektive 89, antar näringsidkare en mycket stor sannolikhet att resultatet av det binära alternativet blir ja, och alternativet löper ut 100. Om budet och fråga är nära 50, handlarna är osäkra om binären kommer att utgå vid 0 eller 100 dess jämn odds. Om budet och frågan är 10 respektive 15, indikerar handlare att det finns en stor sannolikhet att alternativresultatet kommer att vara nej och upphör att vara 0. Köparna i detta område är villiga ta den lilla risken för en stor vinst. Medan de som säljer är villiga att ta en liten men mycket sannolikt vinst för en stor risk (i förhållande till deras vinst). Var handel med binära alternativ Binära alternativ handlar på Nadex-börsen. Den första juridiska amerikanska börsen fokuserade på binära alternativ. Nadex erbjuder sin egen webbläsarbaserade binär options trading plattform som handlare kan komma åt via demo konto eller live konto. Handelsplattformen tillhandahåller realtidskartor tillsammans med direkt marknadstillträde till nuvarande binära optionspriser. Binära alternativ är också tillgängliga via Chicago Board Options Exchange (CBOE). Någon med ett options-godkänt mäklarkonto kan handla CBOE-binära alternativ via sitt traditionella handelskonto. Inte alla mäklare tillhandahåller binära alternativhandel, dock. Varje Nadex-kontrakt handlas kostar 0,90 för att komma in och 0,90 för att avsluta. Avgiften är begränsad till 9, så att köpa 15 delar kommer fortfarande bara att kosta 9 för att komma in och 9 för att lämna. Om du håller din handel fram till avveckling och slutar i pengarna, är avgiften att avsluta bedömd till dig vid utgången. Om du håller handeln tills avveckling, men slutar ut av pengarna, är ingen handelsavgift att avsluta bedömd. CBOE-binära optioner handlas genom olika optionsmäklare varje kostnad av sin egen provisionavgift. Välj din binära marknad Flera tillgångsklasser kan handlas via binärt alternativ. Nadex erbjuder handel i stora index som Dow 30 (Wall Street 30), SampP 500 (US 500), Nasdaq 100 (US TECH 100) och Russell 2000 (US Smallcap 2000). Globala index för Storbritannien (FTSE 100), Tyskland (Tyskland 30) och Japan (Japan 225) finns också tillgängliga. Nadex erbjuder råvarubinära alternativ relaterat till priset på råolja. naturgas, guld, silver, koppar, majs och sojabönor. Tradingnyheter är också möjliga med binära alternativ för händelser. Köp eller sälj alternativ baserat på huruvida Federal Reserve kommer att öka eller sänka priserna, eller om arbetslöshetsersättning och icke-lönekostnader kommer att ligga över eller under konsensusuppskattningar. (För mer om detta ämne, se Exotiska alternativ: En bortgång från vanlig handel) CBOE erbjuder två binära alternativ för handel. Ett SampP 500 Index-alternativ (BSZ) baserat på SampP 500 Index och ett volatilitetsindex (BVZ) baserat på CBOE Volatility Index (VIX). Välj din tidsram En näringsidkare kan välja mellan binära alternativ för Nadex (i ovanstående tillgångsklasser) som löper ut varje timme, dagligen eller veckovis. Timalternativ ger möjlighet till daghandlare. även i tysta marknadsförhållanden, för att uppnå en etablerad avkastning om de är korrekta i valet av marknadens riktning över den tidsramen. Dagliga optioner löper ut vid slutet av handelsdagen och är användbara för daghandlare eller de som vill säkra andra aktier, forex eller råvaruposter mot de dagliga rörelserna. Veckovisa alternativ löper ut i slutet av handelsveckan och handlas därför av swinghandlare under hela veckan, och även av daghandlare som alternativen som löper ut på fredag ​​eftermiddag. Händelsebaserade kontrakt löper ut efter det officiella pressmeddelandet i samband med evenemanget, och därför tar alla typer av handlare positioner i god tid före - och fram till utgången. Fördelar och nackdelar Till skillnad från de faktiska aktie - eller valutamarknaden där prisspridningar eller glidningar kan uppstå, är risken för binära alternativ begränsad. Det är inte möjligt att förlora mer än kostnaden för handeln. Bättre än genomsnittlig avkastning är också möjlig på väldigt tysta marknader. Om ett aktieindex eller ett forexpar knappt rör sig, är det svårt att vinna, men med ett binärt alternativ är utbetalningen känd. Om du köper ett binärt alternativ på 20, kommer det antingen att avgöras vid 100 eller 0, vilket gör dig 80 på din 20 investering eller förlorar du 20. Detta är en 4: 1 belöning till riskförhållande. ett tillfälle som sannolikt inte kommer att hittas i den faktiska marknaden som ligger bakom det binära alternativet. Baksidan av detta är att din vinst alltid är begränsad. Oavsett hur mycket aktie - eller valutaparet flyttar till din fördel kan det mest binära alternativet vara värt 100. Inköp av flera alternativkontrakt är ett sätt att potentiellt kunna dra nytta av ett förväntat prisdrag. Eftersom binära alternativ är värda högst 100, gör det dem tillgängliga för handlare, även med begränsat handelskapital. som traditionella börskurs handelsgränser gäller inte. Handel kan börja med en 100 insättning på Nadex. Binära alternativ är ett derivat baserat på en underliggande tillgång, som du inte äger. Därför har du inte rätt till rösträtt eller utdelning som du har rätt till om du ägde en faktisk aktie. Binära alternativ är baserade på ett ja eller inget förslag. Din vinst - och förlustpotential bestäms av ditt köp - eller försäljningspris, och om alternativet löper ut värt 100 eller 0. Risk och belöning är båda begränsade, och du kan avsluta ett alternativ när som helst före utgången för att låsa in vinst eller minska en förlust. Binära alternativ inom USA handlas via Nadex och CBOE-börserna. Utländska företag som uppmanar amerikanska invånare att handla sin form av binära alternativ brukar fungera olagligt. Binär optionshandel har låg inflytningsbarriär. men bara för att något är enkelt betyder det inte att det är lätt att tjäna pengar med. Det finns alltid någon annan på andra sidan handeln som tycker att de är korrekta och du är fel. Bara handla med kapital som du har råd att förlora och handla ett demokonto för att bli helt bekväm med hur binära alternativ fungerar innan handel med verklig kapital.0,25 x 0,25 grader, månatligen Ett antal klimatfallsprodukter tillverkas från passiv mikrovågsugn (TMI ) och fällningsradar (PR) - sensorer ombord på satellitmattan Tropical Rainfall Measuring Mission (TRMM), som lanserades i november 1997. TRMMs månads - eller klimatfallsprodukter, benämnd nivå 3-produkterna, härrör främst från ackumuleringar av TRMM-nivå 2-produkterna, eller omedelbara nedbördsberäkningar som motsvarar de ursprungliga snapshotbilden i satellit. Tillgången till flera regnfallsprodukter från de olika TRMM regnsensorerna beror på det faktum att var och en har olika styrkor och svagheter. Som ett resultat är den bästa nedbördsberäkningen tillämpningsberoende. TRMM PR ger den högsta rumsliga upplösningen (4 km), mest informationsinnehåll, den bästa vertikala upplösningen (80 nivåer) och de mest direkt uppmätta överskottsberäkningarna för många applikationer. SK-bredden på PR är dock cirka 13 av TMI-bredden, vilket resulterar i betydligt sämre provtagning för många klimatapplikationer. Den nuvarande versionen är version 6 Dataset Beskrivning: 3B43 dataset sammanfogar den dagliga 3B42 dataseten med GPCC regnmätningsanalys. Den resulterande 3B43 regnhastigheten är månadsmedelvärden gridded över 0,25 x 0,25 grader latlon lådor. Den 3B43-hämtningsalgoritm som används för denna produkt är baserad på tekniken av Huffman et al. 1995, 1997 och Huffman 1997. Denna dataset och andra TRMM-data är tillgängliga via TRMM-dataåtkomstsidan, som ligger på NASAs Goddard DAAC. Ytterligare information: Goddard DAAC TRMM informationssida NASA (US) TRMM hemsida JAXA (japansk) TRMM hemsida Referenser: Huffman, G. J. R. F. Adler, B. Rudolf, U. Schneider och P. R. Keehn, 11995: Global precipitation estimates baserat på en teknik för att kombinera satellitbaserade uppskattningar, regnmätareanalys och NWP-modellfällningsinformation, J. Climate. 8. 1284-1295. Huffman, G. J, 1997: Uppskattningar av roten-medel-kvadratiskt slumpmässigt fel för ändliga prover av beräknad utfällning, 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 och U. Schneider, 1997: Den globala fällningsklimatologiprojektet (GPCP) . Amer. Meteor. Soc. . 78. 5-20.Academic Editor: Marco Franchini Mottagad: 23 oktober 2016 Accepterad: 26 januari 2017 Publicerad: 13 februari 2017 Hydrologiska modeller kommer att bli ett allt viktigare verktyg för vattenresursförvaltare, eftersom tillgången på vatten minskar och vattenförsörjningsproblemen blir mer relevanta för data - knappa regioner. Lyckligtvis ger den nyligen tillgängliga satellittelektroniktekniken möjlighet att förbättra den rumsliga upplösningen och kvaliteten på inmatningsdata till hydrologiska modeller i sådana regioner. I synnerhet tillhandahåller datasetet Climate Hazards Group InfraRed Precipitation med Station Data (CHIRPS) kvasi-global fällningsinformation med hög upplösning som härrör från en blandning av in situ och aktiva och passiva fjärranalysdatakällor. Vi piloterade införandet av CHIRPS-datasetet i gransknings - och vattenbedömningsverktyget (SWAT), en hydrologisk modell. Jämförelser av resultat mellan uppskattning av strömflöde med användning av in situ nedbördsmätningsdata, Climate Forecast System Reanalysis (CFSR) - dataset och CHIRPS-dataset i den data-skarpa Nzoia-basen i västra Kenya över det tidsmässiga intervallet 19902000 rapporterades. Simulerade strömflödesuppskattningar var dåliga med data för nedgångsmätare, men förbättrade signifikant med CFSR och CHIRPS dataset. Användningen av CHIRPS-datasetet i jämförelse med CFSR-datasetet gav emellertid en förbättrad statistisk prestanda efter modellkalibrering med undantag för en strömflödesmätare i högre höjningsområden. Sammantaget hade användningen av CHIRPS dataset den största linjära korrelationen, relativ variabilitet och normaliserad bias trots övergripande genomsnittliga Nash-Sutcliffe Efficiency (NSE) och R2 värden. hydrologisk modellering av satellit nederbörd SWAT CHIRPS CFSR Kenya 1. Inledning Efter utgången av FN: s millennieutvecklingsmål 2015 uppskattades att över 2 miljarder människor hade fått tillgång till en förbättrad vattenkälla. Den nuvarande vattenresursdistributionen framhåller emellertid fortfarande vattenstress och brist i hela Afrika och Asien, med hälften av de återstående 700 miljoner personerna utan tillgång till en förbättrad vattenkälla som ligger i Afrika söder om Sahara 1. Därför anslöt FN: s 2030-agenda för hållbar utveckling till en av de sjutton målen för hållbar utveckling (SDG) för att säkerställa rättvis tillgång till vatten, integrera vattenresurshantering och uppmuntra till mer hållbara uttag och försörjning. Inom Afrika söder om Sahara är både ekonomisk och social tillväxt beroende av en hållbar förvaltning av vattenresurserna 2. De nuvarande vattenhanteringsfel och brister kan emellertid i stor utsträckning kopplas till otillräcklig bedömning av vattenresurserna 3. Tyvärr är kvantifieringen av vattenresurserna både komplex och kostsam, särskilt inom bassänger som går över socio-politiska och ekonomiska gränser. Även om alla ingångar till hydrologiska modeller introducerar osäkerhet är den exakta kvantifieringen och rumsfördelningen av utfällning över en vattendimma särskilt kritisk för hydrologiska uppskattningar av avrinningen och följaktligen strömflöde 4, 5. Tyvärr har de senaste decennierna minskat antalet regnbågsmätningsdata i Afrika drastiskt. I början av 1980-talet fanns det 2400 stationer som tillhandahöll regndata till offentliga dataströmmar, inklusive Global Historical Climate Network (GHCN) och Global Summary of the Day (GSOD). Antalet stationer minskade dock till 500 senast 2010 6. Baserna kan anses vara dåligt mätta utifrån kvantiteten, rumsfördelningen och kvaliteten på utfällningsdata. En låg kvantitet och rumsfördelning av regnmätningsstationer kan orsaka övergeneralisering och felaktig kvantifiering av tillgången till vatten, medan otillförlitliga eller ofullständiga dataset inte kan eller kan identifiera säsongsbetonade eller större intervalltidsmönster. I stället för in situ regnvattenstationer med hög densitet har hydrologer nu tillgång till nederbördsberäkningar som härrör från klimatanalys och fjärranalys. Även om dessa dataset inte kan vara exakta ersättare för direkta mätningar, är de ofta mer kostnadseffektiva, aktuella och tillförlitliga, vilket medger att säsongsmässiga, tidsmässiga och rumsliga mönster i nederbörd skall observeras och införlivas i hydrologiska modeller. I en studie som utfördes i Vietnam resulterade användningen av flera griddade klimatreanalyser och avkänningsdefinierade fällningsdataset i jämförbar modellprestanda för simulering av urladdning för användning av in situ-stationsdata 7. Dessutom, i bassänger uppströms tre Gorges Reservoir i Kina, Yang et al. 8 jämförde utfällningsdataset härrörande från markytemodeller, reanalysdatabaser och klimatmodeller med in situ-stationsdata. De upptäckte att, i en relativt platt bassäng, griddade utfällda dataset beräknad avrinning bättre än in situ-stationsdata inom SWAT-modellen. Under det senaste årtiondet har flera kompletterande studier 9, 10, 11 positivt granskat effekten av användningen av satellitbaserade produkter inom hydrologiska modeller, men det var enhälligt enighet om att fortsatta studier är nödvändiga. Vidare överensstämmer inte fjärranalysbaserade eller markytemodellberäkningar överlägsen in situ data 12, 13, 14. Således, även när man skapar hydrologiska modeller i dåligt uppmätta regioner, är det viktigt att bestämma huruvida det är lämpligt att ersätta in situdata med utfällningsestimering. Syftet med denna studie var dubbelt. Först testade vi det enkla användningsområdet för omvandling och implementering av CHIRPS dataset, en gridad avleddat dataset från satellit, till en vanlig hydrologisk modell. För det andra testade vi den relativa prestandan av gridad klimatreanalys och avledda fällningsdataset från satelliten till in situ-stationsfällningsdata vid uppskattning av strömflödet i en dataskälld region i östra Afrika. 2. Studieområde Studien genomfördes i Lake Victoria Basin (LVB) (Afrika söder om Sahara), vilket är en vital delad vattenresurs i fem olika länder. Men eftersom de fem nationerna har olika politiska och miljömässiga agendor har det varit svårt att övervaka och genomföra strategier för vattenresurshantering inom LVB, särskilt utan konsekvent och exakt kvantifiering av resurser. Därför upplever bassängen nedbrytning av vattendragen och minskningar i vattenkvalitet och kvantitet 15. En av de största bifloderna till sjöflödet 16, Nzoia-bassängen (breddgraderna 130 N och 005 S och längderna 34 och 3545 E) täcker ett avrinningsområde på över 12 000 km 2 och härstammar från de östra sluttningarna av Mount Elgon och den västra sluttningar av Cherangani Hills (Figur 1). Baserat på bass geomorfologi och markanvändning kan den separeras i fyra zoner: bergsområde, övergångszon för platåzon och låglandszon 17. Bergsområdet omfattar de högre höjderegionerna Mount Elgon och Cherangani Hills, och platåzonen är den största jordbruksregionen i bassängen med mindre jordbruk fortsätter i övergångs - och låglandsområdena. Lowlandszonen upplever också fleråriga översvämningar på grund av dess sluttningar och markar. De två mest dominerande marktyperna i bassängen är akrisoler och ferralsoler. Akrisoler finns i de låglänta områdena nära avloppets utlopp. De skapar ofta en hård yta skorpa, vilket orsakar otillräcklig penetration av vatten under nederbördshändelser och bidrar väsentligt till områdets översvämningspotential. Ferralsoler är en mindre vädret version av akrisoler och hittades uppströms från dem i bassängens högre höjderegment. Ferralsoler har begränsad kapacitet att hålla tillgängligt vatten, vilket är skadligt för växttillväxt och under torka perioder. Det genomsnittliga nederbörd för bassängen är ca 1424 mm, med höga regnmängder mellan 1500 och 1750 mm som förekommer vid högre höjder (Mount Elgon och Cherangani Hills) och lägre regnmängder mellan 800 och 1100 mm i nedre delarna av avloppet 18. Även om sjön Victoria har ett unikt inflytande på det lokala klimatet 19, finns det i allmänhet fyra olika årstider (två regniga och två torra) under året baserat på den årliga växlingen av den intertropiska konvergenszonen (ITCZ). 90 av bassängarnas invånare är beroende av livsuppehållande jordbruk och boskap för deras försörjning 20, vilket resulterar i över 40 av marken i bassängen klassificeras som odlingsland (baserat på International Geosphere-Biosphere Program klassificeringar). Nzoia Basin förväntar sig stadstillväxt och har en medellång till hög potential för industriella jordbrukssystem 21 trots den betydande befolkningen på mer än 3 miljoner invånare 22. Tyvärr är denna tillväxt också ihop med projicerad vattenbrist. Under 2007 var Kenyas färskvatten per capita 647 m 3. Ett värde under Förenta nationerna rekommenderade 1000 m 3. Projektioner som i stor utsträckning bygger på befolkningstillväxten tyder på att färskvatten per capita kan minska till 235 m 3 före 2025 23. 3. Material och metoder För att förstå hur man förbättrar vattenresursbedömningen i relativt dåligt mätta bassänger jämfördes den statistiska prestandan för SWAT-modellens flödesestimering när man använde tre olika typer av utfällningsdataset som modellingångar. SWAT-modellen har tidigare använts inom Nzoia Basin 24, 25, 26, eftersom den är öppen källkod och ett kraftfullt verktyg för vattenresursförvaltare. Eftersom utfällningsdata ofta anses vara det största inflytandet i hydrologiska simuleringsmodellerna 4, 5, var det viktigt att förstå effekterna av variabla utfällningsingångar till SWAT-modellen inom Nzoia-bassängen. Följande dataset användes som inmatningar i SWAT-modellen för att simulera strömflödet (Figur 2): 30 m Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) Global Digital Elevation Model Version 2 (GDEM V2 erhållen från Land Process Distributed Active Archive Center LP DAAC) Global Data Explorer), 1: 1 000 000 Jord - och Terrängdatabas för Kenya (KENSOTER v.2) från International Soil Reference and Information Center, Moderate Resolution Imaging Spectroradiometer (MODIS) 500 m markskyddsprodukt (MCD12Q1) och diverse utfällningsingångar som kommer att diskuteras mer djupgående. World Agroforestry Center (ICRAF) tillhandahöll daglig strömflödesdata för fyra flodmätstationer (Figur 3). Stationerna hade data från 1971 till 2000, men ingen av stationerna hade fullständiga register över det tidsmässiga intervallet. Lake Victoria Basin Commission (LVBC) tillhandahöll månadsavladdningsdata för Nzoia på Ruambwa Ferry Station över det tidsmässiga sortimentet 19742008 utan saknade data. 3,1. Olika nederbördsinmatningar Denna studie analyserade användningen av tre olika typer av utfällningsinmatningar: in situ-stationsdata, utfällningsdata härrörande från omanalys av numeriska väderprognoser och blandad satellit - och stationsdata. 3.1.1. Regnmätare Stationer Universitetet i Kalifornien Santa Barbaras Climate Hazards Group (CHG) tillhandahöll månatlig in situ nedbördad datastationens mätdata. Den rumsliga fördelningen av de fyra stationerna kan ses i figur 4a. Även om stationerna distribueras rymligt tillräckligt i bassängen, hade ingen av stationerna fullständiga register för studiens tidsintervall. Den globala historiska klimatnätets (GHCN) dataset användes som grunden för nederbördsrekordet och eventuella saknade journaler fylldes med Globalt Sammanfattning av dagen (GSOD) och globala meteorologiska organisationer Global Telecommunications System (GTS) mätdata. Rangordningen beror på att GSOD och GTS dataset inte är tillförlitliga jämfört med GHCN-datasetet 6. Trots blandning av stationsdata var det fortfarande betydande luckor i utfällningsrekordet över det tidsmässiga intervallet. Alla fyra stationer hade saknade data med någonstans mellan 30 och 65 data saknas. 3.1.2. CFSR-dataset De nationella centra för miljöfrågor (NCEP) CFSRs dagliga meteorologiska dataset sammanställdes med en 38 km horisontell upplösning. Datasetet härstammar från reanalysen av ett globalt havs-ytsystem med global upplösning, kopplad atmosfär och havsland. Reanalysen sker varje 6 h och innehåller tidigare förutspådda prognosdata och data från analysen som användes för att skapa den kommande prognosen för att eliminera trender som aldrig kom överens. Den rumsliga fördelningen av de 30 CFSR-datapunkterna i hela Nzoia-bassängen visas i figur 4b. Datasetet är tillgängligt på SWAT-webbplatsen och rekommenderas av utvecklarna. Trots att SWAT-utvecklarna rekommenderar CFSR-dataset, fann en studie som jämförde olika nederbördsprodukter i en vattendrag i östra Afrika att CFSR-datasetet i synnerhet hade en dålig rumslig korrelation i jämförelse med satellit-härledda och interpolerade mätdata. Dessutom kan storleken på Nzoia Basin (12 000 km 2) inte vara lämplig för användningen av reanalysdata utan nedskalning av data 27. 3.1.3. CHIRPS Dataset CHIRPS dataset är en relativt ny kvasi-global, högupplösning, daglig, pentadal och månads precipitationsdataset. Datasetet är unikt genom att det ger låg latens, lång inspelad högupplöst griddad data och gör det möjligt för forskare att analysera nuvarande trender och jämföra dem med historiska trender på den skala som är lämplig för vattenskyddsförvaltning 6. I grund och botten använder CHIRPS en tröskelvärdesgräns för kolda molntider (CCD) och regressionstekniker baserade på TMM-data (Tropical Rainfall Measuring Mission) för att skapa regnskatt som blandas med in situ-stationsdata med hjälp av en modifierad invers distansviktad algoritm 28. Införandet av stationsdata bidrar också till att korrigera för uppskattningar som ofta underskattar intensiteten av utfällningshändelser. Det bör noteras att eftersom CHIRPS dataset första gången publicerades 2015 finns det väldigt få studier som utvärderar och jämför CHIRPS dataset med liknande globala utfällningsdataset. Även en nyligen genomförd studie i östra Afrika från 2016 27 inkluderade inte CHIRPS dataset i deras analys jämförande globala fällningsdataset som ett alternativ till mätdata. Även om det inte är geografiskt relevant för denna studie, beskriver Duan et al. 29 jämförde tre olika typer av utfällningsprodukter för en liten vattendrag i Italien: interpolerad mätstationinformation som GPCC-data (Global Precipitation Climatology Center), dataset baserade på numeriska väderprognoser och atmosfäriska modeller som CFSR-produkten och dataset skapade från en blandning av satellit-härledd information och mätstation information som TRMM och CHIRPS. Sammantaget fann studien att CHIRPS dataset, vid den 0,05 rumsliga upplösningen, visade den minsta bias och relativt bättre prestanda än alla andra fällningsprodukter. Vidare gör 0.05-upplösningen (för närvarande den lägsta rumsliga upplösningen av alla satellitbaserade globala nedbördsdataset) av CHIRPS-dataen ett gynnsamt dataset för användning i hydrologiska modeller vid små bassänger. CHIRPS-data finns på FTP-webbplatsen för klimatriskgrupper (FTP) i en rad olika rumsliga och tidsmässiga upplösningar och filformat. Dagliga utfällning. tif-filer hämtades från FTP-platsen med en 0,05-upplösning. SWAT-modellen kräver klimatinsatser som textfiler. Som ett resultat användes mappverktygslådan inom MATLAB för att skapa en station vid varje pixel av precipitation. tif-filen för att kunna läsa utfallsinformationen i en sekventiell textfil. Mappningsverktygslådan i samband med bassängerna DEM var nödvändig för att bibehålla den 3-dimensionella rymdplatsen för varje station. Efter bearbetning fanns det totalt 825 stationer i hela studieområdet (Figur 4 c). 3.1.4. Precipitation Dataset Jämförelse Av de fyra stationerna som gav information om nederbörd hade KitaleKitae minst komplett register med cirka 65 av de data som saknades. Nedbördsrekord av in situ-stationsdata, CFSR-reanalys och satellit-härledda CHIRPS-data jämfördes vid stationer med närmast närhet till KitaleKitae-stationen över det tidsmässiga området (Figur 5). Som visat hade CHIRPS dataset en större tidsrelaterad korrelation med in situ-stationsdata än CFSR-datasetet. Som tidigare nämnts beror detta sannolikt på att CFSR-dataset har dålig spatial korrelation och olämplighet för småskaliga vattenområdesstudier. Men även om CHIRPS dataset överensstämmer med in situ-stationen bättre än CFSR-datasetet, överensstämde det fortfarande konsekvent med regn under våtperioder och rapporterade 0 mm nederbörd i månader som in situ-stationsdataset rapporterade var som helst mellan 13,7 och 57,67 mm nederbörd. Totalt sett, eftersom CHIRPS dataset hade högre korrelation med mätstationens data och den hade den största rumsliga densiteten (Figur 4) och tidsmässig konsistens (Figur 5) av alla tre dataseten, antogs det att CHIRPS-datasetet skulle vara det mest kompletta och exakt dataset för hydrologisk modellering inom Nzoia Basin. 3,2. SWAT-modellen SWAT-modellen är ett semi-distribuerat och tidskontinuerligt vattenbaserat simuleringsverktyg som fungerar på ett dagligt steg. Verktyget bygger till stor del på begreppet hydrologiska reaktionsenheter (HRU). DEM används för att definiera gräns - och avrinningsnätet för avrinningsområdet. Därefter diskrimineras vattendismen först i subwatersheds, och diskretiseras vidare till HRUs som definieras av unikt land useland täckning, sluttning och mark attribut 30. Efter diskretisering och inmatning av klimaparametrar (nederbörd, lufttemperatur, relativ fuktighet, vindhastighet och solstrålning) appliceras följande vattenbalans ekvation dagligen till varje enskild HRU: SW t SW i 1 t (R i Q i ET jag är QR i) r. där t är tid i dagar, är SW vattenhalt och R. Q. ET. P. och QR är dagliga mängder (mm) av fällning, avrinning, evapotranspiration, perkolation och grundvattenflöde. Det är viktigt att notera att av klimaparametrarna var nederbörd den enda parametern som förändrades mellan modell iterationer. CFSR-datasetet användes för de återstående klimatparametrarna. För att upprätthålla en kontinuerlig vattenbalans använde modellen en modifierad SCS-kurvtalmetod för att simulera avrinningen, vilken är baserad på kurvtal (CN) som härrör från ISRIC-jorddatabasen. Eftersom CFSR-datasetet tillhandahåller vindhastighet, relativ fuktighet och solstrålningsdata kan dessutom evapotranspiration uppskattas genom modellen med användning av PenmanMonteith-metoden 31. Den sekventiella osäkerhetsdomänparameterpassningen (SUFI-2) - algoritmen är en automatisk kalibreringsteknik som ingår i SWAT-kalibrerings - och osäkerhetsprogrammet (SWAT-CUP) 32. 4. Resultat Några noggrannheter i SWAT-modellteerationer i att representera strömflödet bestämdes genom att jämföra simulerade flödesvärden till uppmätta värden från urladdningsstationer som tillhandahålls av ICRAF och LVBC. Figur 6 är en jämförelse mellan de observerade månatliga strömflödena från Nzoia vid Ruambwa Ferry-urladdningsstationen och okalibrerade simulerade månatliga strömflöden för var och en av de olika utfällningsingångarna från delbasen 29. Som visat sträcker strömflödesestimering med användning av in situ-stationens utfällning upp till 16.000 m 3 s, med modell simulering kraftigt överskattar strömflödet. Som jämförelse användes CFSR och CHIRPS-precipitationsdataset för en större korrelation av strömflödestoppar. Det extremt dåliga resultatet av strömflödesestimering med mätstationens data kan hänföras till dataens låga temporära konsekvens och rumsliga densitet. Baserat på den inledande jämförelsen av SWAT-modellens flödesuppskattning kalibrerades endast CFSR - och CHIRPS-modellerna över en mindre delmängd av studiens temporära intervall. Eftersom CFSR - och CHIRPS-dataset var tillgängliga i ett dagligt steg utfördes modellkalibrering (19901995) och validering (19962000) med användning av dagliga urladdningsdata från ICRAF vid fyra olika stationer. Efter att ha bestämt de känsliga hydrologiska parametrarna för flödesuppskattning, tillåter SWAT-CUP-algoritmen användaren att optimera för olika statistiska test. Tabell 1 anger de känsliga parametrarna för var och en av modellkörningarna. Båda modellkörningarna visade signifikant känslighet för SCS-kurvtalet (väsentligen avrinningsestimering), vilket är en vanlig källa till osäkerhet för SWAT-modellen 33, 34. Modellen körs med hjälp av CFSR-datasetet, men visade större känslighet för hydrologiska parametrar som påverkar storleken och tidpunkten för vattenuppladdning i grundvattensystemet än modellen körs med hjälp av CHIRPS datasetet (GWDELAY, ALPHABF och RCHRGDP). Fällningsanalysen vid KitaleKitae-stationen visade att CFSR-datasetet överskred prediktionsberäkningar mer under våtare månader än CHIRPS-datasetet. När CFSR-datasetet användes som inmatning till SWAT-modellen, underskreds emellertid strömflödet oftare under torra perioder jämfört med SWAT-modellkörningar med hjälp av CHIRPS-datasetet (Figur 7). Därför är det troligt att för att kompensera för större mängd regn under de våtmånaderna var CFSR-modellens körningar mycket beroende av förändrade parametervärden för hydrologiska processer relaterade till grundvattenprocesser. De två statistiska kriterierna som användes för att utvärdera modellberäkningen av strömflödet var NashSutcliffe Efficiency (NSE) och bestämningskoefficienten (R2). NSE är ett av de mest använda kriterierna för att jämföra hydrologisk modellprestanda med observerade värden och kan dekonstrueras i tre olika komponenter: linjär korrelation (r, idealvärde 1), normaliserad bias (, idealvärde 0) och relativ variabilitet ( , idealvärde 1) 35. Som visas i Tabell 2. Även om flödesuppskattning med användning av CFSR-dataset resulterade i rimliga R2-värden resulterade strömflödesestimering med användning av CHIRPS-datasetet till lika rimliga R2-värden men förbättrade NSE-värden genom jämförelse. Parameterintervall som användes för att uppnå de kalibrerade flödesuppskattningarna med CHIRPS-data användes sedan för valideringsperioden (19962000) och den statistiska prestandan finns också i tabell 2. 5. Diskussion Även om resultaten visar att inkorporering av fjärranalysbaserade utfällningsdata resulterade i förbättringar jämfört med stationens utfällningsmodell körning, lyckades CHIRPS-modellkörningen inte överträffa CFSR-modellkörningen. CFSR-modellkörningen resulterade i förbättrade R2-värden vid Nzoia-platsen, en utmatningsstation belägen i bassängens högre lutningsområden (Figur 3). CSFR-modellkörningen var sannolikt bättre för att visa nederbörd i denna region, eftersom satellitberoende utfällningsestimat har visat sig ha begränsningar i bergsområden i östafrika 36. Vanligen har regnvärdena som härrör från termiska infraröda (TIR) ​​svårigheter att skilja mellan regna och icke regnande moln, eftersom orografiska moln som ger utfällning ofta är varma. Algoritmer som bygger på data från passiva mikrovågssensorer är också föremål för felidentifiering baserat på isens utseende i moln 37. CHIRPS dataset hänvisar till fem satellitprodukter som innehåller information från mikrovågsugn och infraröd våglängder 6. Som en följd kunde CHIRPS dataset tillhandahålla mindre noggranna uppskattningar av nederbörd i de högre höjningsregionerna i Nzoia Basin och påverkande strömflödesestimering, vilket kunde förklara skillnaden i estimeringseffektivitet som visas i Figur 8. Det är emellertid viktigt att notera att litteraturen för CHIRPS dataset inte tyder på att dess prestanda i komplex topografi är dålig 6, 38. När man jämföra prestanda för de olika statistiska testerna för CFSR och CHIRPS-modellen körs, är den matematiska mätningen av effektivitetskriterierna viktig. Bestämningskoefficienten (R2) används för att förstå hur mycket av den observerade variansen som uttrycks i de simulerade data. Därför kan höga R2-värden erhållas även när det finns en relativt signifikant skillnad mellan simulerade och observerade storlekar så länge som tidpunkten och formen av storheterna är närvarande. Effektiviteten E från det statistiska NSE-testet är en summa av de absoluta kvadrerade skillnaderna mellan förutspådda och observerade data normaliserade av variansen i det observerade datasetet 39. Eftersom skillnaderna mellan förutspådda och observerade data är kvadratiska, viktar det statistiska testet större skillnader mer än mindre. Till exempel var R2-värdena vid Nzoia-urladdningsstationen och Nzoia vid Ruambwa Ferry-urladdningsstationen 0,49 respektive 0,38. Det är emellertid klart att den simulerade strömflödet vid Nzoia-urladdningsstationen (Figur 8a) överskattas strömmar till en större storlek under våtperioder. I motsats härtill matchades flödet av flöden mer exakt vid Nzoia vid Ruambwa Ferry-urladdningsstation (Figur 8b). Slutligen, särskilt med låga och negativa NSE-värden, kan sönderdelning av NSE ge viktig statistisk inblick om varför modellsimulering av strömflödet är eller inte matchar observerade värden. Figur 9 visar den tidsmässiga korrelationen mellan observerad strömflöde och simulerade strömflöden med användning av CHIRPS - och CFSR-dataset. Strömflödesuppskattningen med hjälp av CFSR-datasetet hade fler datapunkter som föll längs området nära regressionslinjen, eftersom strömflödet ökade men flödesuppskattningen med hjälp av CHIRPS-dataset hade en bättre korrelation med observerad strömflöde när flöden var mindre än 200 m 3. Ett mönster observerat i Figur 7 också. Värdena för relativ variabilitet kan betraktas som bra för båda strömflödesuppskattningarna, vilket indikerar att ingen utfällningsdataset resulterade i anomalt höga flödesvärden. 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.