Технические характеристики эо 4112: Характеристики ДонЭкс ЭО-4112А-1. Обзор нестандартного экскаватора ЭО-4112А-1 |

Содержание

Технические характеристики нестандартного экскаватора Донэкс ЭО-4112А-1 с драглайном.

Наверх

Канатные экскаваторы имеют в ряде случаев определенные преимущества, особенно с рабочим оборудованием драглайна. Конструкция этих машин характерна разветвленной механической трансмиссией, применением муфт и тормозов сложного устройства, своеобразной кинематикой различных видов рабочего оборудования.

Главная особенность экскаваторов ЭО-321IЕ (рис. 4.17) — уширенно-удлиненное гусеничное ходовое устройство, благодаря чему удельное давление на грунту него в 2,1…2,9 раза ниже, чем у экскаваторов с минимальной опорной поверхностью гусениц. Это позволяет эффективно использовать их при проведении мелиоративных, ирригационных и торфяных работ.

Рис. 4.16. Сменные рабочие органы гидравлического экскаватора для земляных и грузоподъемных работ:
а, б, в — ковши обратных лопат; г — ковш для дренажных работ; д — ковш для рытья узких траншей; в — ковш для планировочных работ; ж— зачистной ковш; з, и, к— погрузочные ковши; л — бульдозерный отвал; м — многозубовый рыхлитель; н — крановая подвеска; о — однозубовый рыхлитель; п — надставка для бокового смещения ковша

Натяжные и ведущие колеса экскаваторов ЭО-3211 E-J и ЭО-3211E-III приподняты над дорожкой катания опорных катков, что улучшает проходимость машин. Экскаваторы оснащают различным сменным рабочим оборудованием: обратной лопатой с неповоротными ковшами 0,45…0,5 м-’ или с поворотными 0,32…0,45 м3.

Экскаватор ЭО-5111Б (рис. 4.19) имеет гидродинамический привод, в котором между дизелем и трансмиссией установлен гидротрансформатор, обеспечивающий хорошую работу машины. Экскаватор оборудован: прямой и обратной лопатой, драглайном, краном, грейфером.

Оборудование «прямая лопата» состоит из: ковша, рукояти, стрелы, седлового подшипника. Ковш жестко закреплен на рукояти. Рукоять соединена со стрелой седловым подшипником, который позволяет рукояти не только поворачиваться в вертикальной плоскости, но и совершать возвратно-поступательные движения.

Рукоять, охваченная шарнирно укрепленным на стреле седлом, может совершать возвратно-поступательное движение в направляющих, а также поворачиваться в вертикальной плоскости. От конструкции рукояти зависит конструкция напорного механизма. Так, при однобалочной рукояти применяют канатный механизм напора, а при двухбалочной — кремальерный механизм. При обратной лопате разрабатывают грунт ниже уровня стоянки экскаватора.

Передняя стойка служит для увеличения угла между подъемным канатом и стрелой, что уменьшает нагрузку на стрелу, а также изнашивание каната. Установленные на передней стойке блоки позволяют опускать стрелу достаточно низко.

Драглайн применяют при разработке грунта ниже уровня стоянки экскаватора. Глубина копания, высота разгрузки ковша и расстояние, на которое может быть заброшен ковш (радиус копания) драглайна, значительно больше, чем у прямой и обратной лопат. Поэтому драглайн используют для рытья сравнительно больших котлованов и траншей, а также для отсыпки насыпей, например, при строительстве каналов, автомобильных и железных дорог.

Стрела — сварная, решетчатой конструкции, что позволяет уменьшить ее массу и делать более длинной. В результате увеличиваются радиус действия машины и высота выгрузки. Стрела состоит из двух частей, нижняя из которых уширена к пяте стрелы и шарнирно укреплена в проушинах поворотной платформы. Длина стрелы может быть увеличена дополнительными вставками. При таком удлинении стрелы применяют ковш меньшего объема. При работе драглайном угол наклона стрелы обычно составляет 30—45°.

Чтобы не заменять стреловой канат 4, длина которого рассчитана на стрелу прямой лопаты, для подвески стрелы драглайна используют дополнительные канаты 6 подвески стрелы, соединяющие ось головных блоков стрелы с подвижной траверсой 5. При этом в зависимости от длины стрелы стреловой канат запасовывают по одной из схем, показанных на рис. 4.21, б (шесть ветвей) и рис. 4.21, в (четыре ветви).

Рис. 4.21. Схема драглайна:
а — общая схема; б — схема запасовки стрелового каната при подвеске стрелы на шести ветвях; в — то же, на четырех ветвях; 1 — ковш; 2 — тяговый канат; 3 — наводка тягового каната; 4 — стреловой канат; 5 — подвижная траверса; б — канаты подвески стрелы; 7 — подъемный канат; 8 — стрела; 9 — головной, блок; 10 — соединительное звено; 11 — тяговая цепь; 12, 14, 19 — проушины; 13— арка ковша; 15— разгрузочный канат; 16— опрокидный блок 17 — подъемные цепи; 18 — распорка

Ковш драглайна шарнирно подвешен к двум подъемным цепям 17, закрепляемых пальцами в проушинах 19, расположенных ближе к задней части ковша и приваренных к его боковым стенкам. Верхними концами цепи 77 укреплены на обойме опрокидного блока 16, к которой крепится подъемный канат 7. Если ослабить тяговый канат 2, то ковш опрокинется зубьями вниз, повернувшись на пальцах проушин 19, и повиснет на цепях 17. Для свободного поворота ковша при опрокидывании подъемные цепи /7раздвинуты распоркой 18.

При одновременном натяжении подъемного и тягового канатов увеличивается расстояние междусоединительным звеном 10 и опрокидным блоком 16, что сопровождается натяжением разгрузочного каната 15, закрепленного одним концом на звене 10, а вторым — на проушине 4 арки 13.

На драглайнах, кроме ковшей с прямолинейной режущей кромкой, применяют ковши увеличенного объема без зубьев или с двумя зубьями, с полукруглыми днищем и режушей кромкой. Применять такие ковши не всегда эффективно, особенно при необходимости тщательной планировки дна котлованов и траншей.

Ковшом грейфера невозможно разрабатывать плотные грунты, так как масса его недостаточна. В связи с этим изготовляют ковши легкого, среднего и тяжелого типов для разработки грунтов различной плотности. Масса ковша должна быть тем больше, чем плотнее грунт. Однако чем тяжелее ковш, тем меньше грунта он может поднять и, следовательно, ниже производительность экскаватора. Крановое оборудование (рис. 4.22) используется при погрузочно-разгрузочных работах. При монтаже его применяют редко, так как механизмы экскаватора не обеспечивают большой диапазон скоростей рабочих движений крана (подъема, поворота, опускания груза).

Ознакомьтесь с заводскими техническими данными любого из наших поставщиков мирового класса ниже. При необходимости вы можете скачать и распечатать каждый лист данных. Для получения дополнительных материалов, спецификаций или любых других запросов, свяжитесь с нами сейчас.

Силиконовая пена BISCO®
Звуковой барьер BISCO® A2
Звуковой барьер BISCO® A2R, армированный стекловолокном
BISCO® BF-1000 Сверхмягкий ячеистый силикон
BISCO® BF-2000 Сверхмягкий пористый силикон
BISCO® EC-2130 Электропроводящий твердый силикон
BISCO® FPC Огнезащитный материал
BISCO® HT-200 Звуковой блок
BISCO® HT-800 Среднепористый силикон
BISCO® HT-820 Твердый пористый силикон
BISCO® HT-840 Сверхтвердый пористый силикон
BISCO® HT-870 Мягкий пористый силикон
BISCO® L3-XX40
BISCO® SilFX™ Силиконовая пена

BISCO® Silicone Solid
Серия BISCO® HT-1200 Твердые силиконы общего назначения
BISCO® HT-1500 Твердый силикон, армированный стекловолокном
BISCO® HT-6135 Performance Solid Silicone
BISCO® HT-6210 Performance Solid Silicone
BISCO® HT-6220 Performance Solid Silicone
BISCO® HT-6240 Performance Solid Silicone
BISCO® HT-6360 Firesafe Solid Silicone

PORON® Микропористый полиуретан
PORON® 4701-15 Серия мягких уплотнений
PORON® 4701-30 Очень мягкий
PORON® 4701-30 Очень мягкий (поддерживается)
PORON® 4701-40 Мягкий
PORON® 4701-50 Жесткий ® 4701-50 Твердый (поддерживается)
PORON® 4701-50 Твердый (жидкий как литой)
PORON® 4701-60 Очень прочный
PORON® 4701-V0-M Средний (UL94 V-0)
PORON® 4790-92 Экстра Soft Slow Rebound
PORON® 4790-92 Extra Soft Slow Rebound (поддерживается)
PORON® AquaPro™ 4701-37
PORON® AquaPro™ 4701-37 Thin
PORON® AquaPro™ 4701-41 Soft: улучшенная герметичность
Электропроводящая пена PORON® Condux Plus™
PORON® EVExtend 4701-43RL
Пена PORON® ShockPad 0,10 и 0,15 мм
Пена PORON® ShockPad 0,30 мм (клей 90) PORON14 ® ShockSeal™ 4790-79 (Плотность: 09, 12) Портативные марки
PORON® ShockSeal™ 4790-79 (Плотность: 12, 15, 20) Промышленные марки
PORON® SlimGrip™ Foam 4701-SGRL
PORON® ThinStik™ Foam
PORON® VXT™ 70-09 LR11
PORON® VXT™ 70-11 LR18
PORON® VXT™ 70-13 LR28
PORON® VXT™ 70-14 LR42
PORON® VXT™ 70-16 LR55
PORON® VXT™ 70-18 LR110

Изоляция Armacell®
Armacell® AC AccoFlex
Armacell® AP ArmaFlex Black LapSeal
Armacell® AP ArmaFlex FS Обертка для воздуховодов
Armacell® AP ArmaFlex FS Листовой рулон
Armacell® AP Liner 1 AP Dust0 FS ArmaFlex0 точка доступа Cell® ArmaFlex SA FSSA Листовой рулон
Armacell® AP ArmaFlex Tube
Armacell® AP ArmaFlex White LapSeal
Armacell® AP CoilFlex Duct
Armacell® AP SpiralFlex
Armacell® ArmaFlex Black LapSeal Tape
Armacell® ArmaFlex Coil
Armacell® ArmaFlex Shield
Armacell® ArmaFlex TwinTube
Armacell® ArmaFlex Ultra
Armacell® ArmaGel HT
Armacell® ArmaTuff
Armacell® Imcoa SS WSS
Armacell® NH ArmaFlex
Armacell® 90SS 10014 Armacell® ProFlex 9001 4 Armacell® Tundra СС WSS
Armacell® UT SolaFlex

3 900 0014 OleTex® CAJN200 / CAJV200 / CAJT200
Oletex® CAJN400
OleTex® CDJN250
OleTex® CKHN300
OleTex® CKHN550
OleTex® CKHV300
OleTex® CKJN200F® 900ex0
OleTex0 CKJ CKJN300
OleTex® CKJN375
OleTex® CKJN400
OleTex® CKJN600
OleTex® CKJN800
OleTex® CKJN1000
OleTex® CKJN1200
OleTex® CKJN1600
OleTex® CKJN2000
OleTex® CKJT400
OleTex® GCKJT50 CKJT5 T550H
OleTex® CKJZ300M
OleTex® CLJN300
OleTex® CSJN600

Armacell® Полиэтилен : Формованные булочки
OleTex® BKJN 200
OleTex® BKJN 300
OleTex® BKJN 400
OleTex® BSJN 200
OleTex® BSJN 300
OleTex®
OleTex® BSJN 4030 3 Armacell® Pure EPDM
Armacell® Monarch® 3043
Armacell® Monarch® 3061
Armacell® Monarch® 3071
Armacell® Monarch® 3091
Armacell® Monarch® 3092
Armacell® Monarch® 3942
Armacell® Monarch® 3943
Armacell® Monarch® 1
9044 9014
Армаселл ® Monarch® 3992
Armacell® Monarch® 8001
Armacell® Monarch® 8002
Armacell® Monarch® 8062
Armacell® Monarch® 8901

FoamSeal® PVC
Foam Seal® 10-D1-60A
Foam Seal® 60-HTA GM PVC Foam
Foam Seal® 70P-UL Foam
Foam Seal® 100-HTA GM Вспененный ПВХ
Foam Seal® 150-HTA GM Вспененный ПВХ
Foam Seal® Aluma-Seal 94 Пена
Foam Seal® Aluma-Seal 723
Foam Seal® Aluma-Seal Пена
Foam Seal® Стекло -Pad Foam
Foam Seal® High Density Foam
Foam Seal® HT70-UL Foam
Foam Seal® Low Density Foam
Foam Seal® Medium Density Foam
Foam Seal® Sof-Seal Foam
Foam Seal® Topper-Seal Foam
Foam Seal® Пена очень высокой плотности

Saint Gobain Norseal® PVC
Norseal® A Пены и ленты
Norseal® B Пены и ленты
Norseal® C Пены и ленты
Norseal® L Пены и ленты
Norseal® LA Пены и ленты 10 V Series
Norseal® LA Пены и ленты
Norseal® серии V730
Norseal® серии V740
Norseal® серии V760
Norseal® серии V770
Norseal® серии V780
Norseal® серии V820
Norseal® серии V860

2 90 Силикон Norseal Saint Goba: Solid Gobain
Силикон Norseal® 3320, 4032 и 4050
Силикон Norseal® 9030-9070
Силикон Norseal® 9200
Силикон Norseal® Силиконовые прижимные пластины: 3320, 4420, 4444, 4480 и 550 S23
Силикон 00 Tape®
Norseal® Святой Силикон Gobain Norseal®: Губка
Norseal® R10400M Губчатая резина
Norseal® R10460 Губчатая резина
Norseal® R10470M Губчатая резина
Norseal® R10480M Губчатая резина
Norseal® R10480S Губчатая резина
Norseal® R10480S Губчатая резина
Norseal® Go90 Saint 90 SNS0 Tape 90 90 ванночка Thermalbond® Полиуретан
Thermalbond® V2100 Вспененная лента
Thermalbond® V2200 Вспененная лента

Альфьери, Л., Коэн, С., Галантович, Дж., Шуман, Г. Дж.-П., Тригг, М. А.,
Зотер, Э., Прюдом, К., Кручкевич, А., Кофлан де Перес, Э., Фламиг,
З., Рудари Р., Ву Х., Адлер Р. Ф., Бракенридж Р. Г., Кеттнер А.,
Вертс, А., Матген, П., Ислам, С.А.К.М., де Гроев, Т., и Саламон, П.:
Глобальная сеть оперативного снижения риска наводнений, Environ. науч.
Политика, 84, 149–158, https://doi.org/10.1016/j.envsci.2018.03.014,
2018.

Аванци, Ф., Де Мишель, К., Геззи, А., Джомми, К., и Пепе, М.: А
подпрограмма обработки-моделирования для использования почасовых данных SNOTEL в динамике снежного покрова
модели, доп. Водные ресурсы, 73, 16–29,
https://doi.org/10.1016/j.advwatres.2014.06.011, 2014.

Аванзи Ф., Эрколани Г., Габеллани С., Кремонезе Э., Поглиотти П., Филиппа Г. ., Morra di Cella, U., Ratto, S., Stevenin, H., Cauduro, M., and Juglair, S.: Получение данных о скорости выпадения осадков на основе данных о снежном покрове улучшает моделирование водного баланса, Hydrol. Земля Сист. наук, 25, 2109–2131, https://doi.org/10.5194/hess-25-2109-2021, 2021.

Аванзи Ф., Габеллани С., Делогу Ф., Сильвестро Ф., Кремонезе Э., Морра ди Селла, У., Ратто, С., и Стивенин, Х.: Картирование и моделирование данных о снеге (S3M) 5.1: распределенная модель криосферы с сухим и мокрым снегом, ассимиляция данных, баланс массы ледников и таяние за счет обломков , Геофизика. Model Dev. , 15, 4853–4879, https://doi.org/10.5194/gmd-15-4853-2022, 2022.

Бауэр-Маршаллингер, Б., Фриман, В., Цао, С., Паулик , К., Шауфлер, С.,
Штахл Т., Моданези С., Массари К., Чиабатта Л., Брокка Л. и Вагнер
W.: На пути к глобальному мониторингу влажности почвы с помощью Sentinel-1: Использование
Активы и преодоление препятствий, IEEE T. Geosci. Удаленный, 57, 520–539, https://doi.org/10.1109/TGRS.2018.2858004, 2019.

Бек, Х. Э., Вергополан, Н., Пан, М., Левиццани, В., ван Дейк, А. И. Дж. М., Уидон, Г. П., Брокка, Л. ., Pappenberger, F., Huffman, G.J., и Wood, E.F.: Оценка в глобальном масштабе 22 наборов данных об осадках с использованием данных датчиков и гидрологического моделирования, Hydrol. Земля Сист. Sci., 21, 6201–6217, https://doi.org/10.5194/hess-21-6201-2017, 2017.

Bordoni, M., Corradini, B., Lucchelli, L., Valentino, R. , Биттелли, М.,
Вивальди, В., и Мейсина, К.: Эмпирические и физические пороги для
Возникновение неглубоких оползней в склонной области Северной Италии
Апеннины, Вода, 11, 2653, https://doi. org/10.3390/w11122653, 2019.

Брокка, Л., Филиппуччи, П., Хан, С., Чиабатта, Л., Массари, К., Камичи, С., Шуллер, Л., Божков, Б., и Вагнер , W .: SM2RAIN–ASCAT (2007–2018): глобальные ежедневные спутниковые данные об осадках по данным наблюдений за влажностью почвы ASCAT, Earth Syst. науч. Data, 11, 1583–1601, https://doi.org/10.5194/essd-11-1583-2019, 2019.

Бруно, Г., Пиньоне, Ф., Сильвестро, Ф., Габеллани, С., Скьяви Ф., Ребора,
Н., Джордано П. и Фальзакаппа М.: Проведение гидрологического мониторинга на
национального масштаба за счет использования дождемерных и радарных сетей: итальянский
Дело, Атмосфера, 12, 771, https://doi.org/10.3390/atmos12060771, 2021.

Камичи, С., Чиабатта, Л., Массари, К., и Брокка, Л.: Насколько надежны
спутниковые оценки осадков для управления гидрологическими моделями: A
проверочное исследование в районе Средиземного моря, J. Hydrol., 563,
950–961, https://doi.org/10.1016/j.jhydrol.2018.06.067, 2018.

Дембеле, М., Сеперли, Н., Зварт, С.Дж., Сальвадор, Э., Мариетоз,
Г., и Шефли, Б.: Возможности спутникового и реанализа испарения
наборы данных для гидрологического моделирования при различной калибровке модели
стратегии, доп. Водоканала, 143, 103667, г.
https://doi.org/10.1016/j.advwatres.2020.103667, 2020a.

Dembele, M., Schaefli, B., van de Giesen, N. и Mariethoz, G.: Пригодность 17 наборов данных об осадках и температуре с привязкой к сетке для крупномасштабного гидрологического моделирования в Западной Африке, Hydrol. Земля Сист. наук, 24, 5379–5406, https://doi.org/10.5194/hess-24-5379-2020, 2020b.

Демирель, М. К., Май, Дж., Мендигурен, Г., Кох, Дж., Саманьего, Л., и Стисен, С.: Объединение спутниковых данных и соответствующих целевых функций для улучшения характеристик пространственной структуры распределенной гидрологической модели, гидрол. Земля Сист. наук, 22, 1299–1315, https://doi.org/10.5194/hess-22-1299-2018, 2018.

Дхоте, П. Р., Тхакур, П. К., Доменегетти, А., Чоукси, А., Гарг, В.,
Аггарвал, С.П., и Чаухан, П.: Использование альтиметра SARAL/AltiKa
измерения для проверки гидродинамической модели на нескольких объектах и кривых оценки
оценка: Применение к реке Брахмапутра, Adv. Космические Рез.,
68, 691–702, https://doi.org/10.1016/j.asr.2020.05.012, 2021.

Доменегетти, А., Молари, Г., Туриан, М.Дж., Тарпанелли, А., Бениа, С.,
Морамарко, Т., Сниу, Н., и Брат, А.: Тестирование использования одиночных и
многоцелевая спутниковая альтиметрия для калибровки гидравлических моделей,
Доп. Водоканала, 151, 103887, г.
https://doi.org/10.1016/j.advwatres.2021.103887, 2021.

Дориго В., Вагнер В., Альбергель К., Альбрехт Ф., Бальзамо Г., Брокка Л.,
Чанг Д., Эртл М., Форкель М., Грубер А., Хаас Э., Хамер П. Д.,
Хирши М., Иконен Дж., де Жеу Р., Кидд Р., Лахоз В., Лю Ю.Ю.,
Мираллес Д., Мистельбауэр Т., Николай-Шоу Н., Паринусса Р., Пратола К.,
Реймер К., ван дер Шали Р., Сеневиратне С.И., Смоландер Т. и
Леконт, П.: ESA CCI Soil Moisture для лучшего понимания системы Земля:
Современное состояние и будущие направления, Remote Sens. Environ., 203,
185–215, https://doi.org/10.1016/j.rse.2017.07.001, 2017.

Фару, С., Каптю Чуэнте, А. Т., Ружан, Ж.-Л., Массон, В., Мартин, Э., и Ле Муань, П.: ECOCLIMAP-II/Europe: двойная база данных по экосистемам и поверхностным параметрам на Разрешение 1 км на основе спутниковой информации для использования в моделях поверхности земли, метеорологических и климатических моделях, Geosci. Модель Дев., 6, 563–582, https://doi.org/10.5194/gmd-6-563-2013, 2013.

Гупта, Х.В., Клинг, Х., Йилмаз, К.К., и Мартинес, Г.Ф.: Разложение
критерия среднеквадратичной ошибки и эффективности NSE: последствия для
улучшение гидрологического моделирования, J. Hydrol., 377, 80–91,
https://doi.org/10.1016/j.jhydrol.2009.08.003, 2009.

Хартанто, И. М., ван дер Кваст, Дж., Александридис, Т. К., Алмейда, В., Сонг,
Ю., ван Андел С.Дж. и Соломатин Д.П.: Усвоение данных
спутниковая фактическая эвапотранспирация в распределенной гидрологической
модель регулируемой водной системы, Int. Дж. Заявл. Земля
обс., 57, 123–135,
https://doi.org/10.1016/j.jag.2016.12.015, 2017.

Hengl, T., de Jesus, JM, Heuvelink, G.B.M., Gonzalez, M.R., Kilibarda,
М., Благотич А., Шангуань В., Райт М. Н., Гэн X.,
Бауэр-Маршаллингер Б., Гевара М. А., Варгас Р., Макмиллан Р. А.,
Батжес, Н. Х., Линарс, Дж. Г. Б., Рибейро, Э., Уилер, И., Мантель, С., и
Кемпен, Б.: SoilGrids250m: глобальная информация о почве с координатной сеткой, основанная на машине.
обучение, PLOS ONE, 12, e0169748, https://doi.org/10.1371/journal.pone.0169748, 2017.

Херсбах, Х., Белл, Б., Беррисфорд, П., Хирахара, С., Хораньи, А.,
Муньос-Сабатер, Дж., Николас, Дж., Пеби, К., Раду, Р., Шеперс, Д.,
Симмонс, А., Сочи, К., Абдалла, С., Абеллан, X., Бальзамо, Г., Бехтольд, П.,
Биавати Г., Бидлот Дж., Бонавита М., Де Кьяра Г., Дальгрен П., Ди Д.,
Диамантакис М., Драгани Р., Флемминг Дж., Форбс Р., Фуэнтес М., Гир,
А., Хаймбергер, Л., Хили, С., Хоган, Р. Дж., Холм, Э., Янискова,
М., Кили С., Лалоя П., Лопес П., Лупу К., Радноти Г., де Росне,
П., Розум И., Вамборг Ф., Виллаум С. и Тепо Ж.-Н.: ERA5
глобальный повторный анализ, QJ Roy. Метеор. соц.,
146, 1999–2049, https://doi.org/10.1002/qj.3803, 2020.

Hostache, R., Chini, M., Giustarini, L., Neal, J. , Kavetski, D., Wood, M. .,
Корато, Г., Пелич, Р.-М., и Матген, П.: Ассимиляция
Карты наводнений, полученные на основе SAR, для улучшения прогнозов наводнений, водные ресурсы.
Res., 54, 5516–5535, https://doi.org/10.1029/2017WR022205, 2018.

Huffman, G.J., Bolvin, D.T., Braithwaite, D., Hsu, K., Joyce, R., Xie, П.,
и Ю, С.-Х.: Глобальное измерение осадков НАСА (GPM) интегрировано
многоспутниковый поиск для GPM (IMERG), теоретические основы алгоритма
Документ (ATBD) версии 4.5, 4, 26, https://gpm.nasa.gov/sites/default/files/document_files/IMERG_ATBD_V4.5.pdf (последний доступ: 28 июля 2022 г.), 2015 г.

Ишицука Ю., Глисон С. Дж., Хагеманн М. В., Бейли Э., Аллен Г. Х.,
Фэн, Д., Лин, П., Пан, М., Андреадис, К. и Павелски, Т. М.: Сочетание оптического дистанционного зондирования, оценки расхода по McFLI, глобального гидрологического моделирования и усвоения данных для улучшения суточных оценок расхода по всему большому водораздел, водный ресурс. Res., 56, e2020WR027794, https://doi. org/10.1029/2020WR027794, 2020.

Лайоло П., Габеллани С., Кампо Л., Сильвестро Ф. , Делогу Ф., Рудари Р.,
Пульвиренти Л., Бони Г., Фашетти Ф., Пьердикка Н., Краполичкио Р.,
Хазенауэр, С., и Пука, С.: Воздействие различной спутниковой влажности почвы
продукты по прогнозам непрерывной распределенной гидрологической модели,
Междунар. Дж. Заявл. Обсерв. Земли, 48,
131–145, https://doi.org/10.1016/j.jag.2015.06.002, 2016.

Лакшмиварахан С. и Льюис Дж. М.: Методы подталкивания: критический обзор,
в: Усвоение данных для атмосферных, океанических и гидрологических приложений
(Том II), под редакцией: Парк, С. К. и Сюй, Л., Springer, Берлин, Гейдельберг,
27–57, https://doi.org/10.1007/978-3-642-35088-7_2, 2013.

Ленер, Б., Лиерманн, К. Р., Ревенга, К., Верёшмарти, К., Фекете,
Б., Крузе П., Дёлль П., Эндежан М., Френкен К., Магоме Дж.,
Нильссон К., Робертсон Дж. К., Рёдель Р., Синдорф Н. и Виссер Д.:
Картографирование мировых водохранилищ и плотин с высоким разрешением для устойчивого
управление стоком реки, Фронт. Экол. Окружающая, 9,
494–502, https://doi.org/10.1890/100125, 2011.

Ли, Б., Роделл, М., Зайчик, Б. Ф., Райхле, Р. Х., Костер, Р. Д., и ван
Dam, TM: Ассимиляция наземного хранилища воды GRACE землей.
поверхностная модель: оценка и потенциальная ценность для мониторинга засухи в
Западная и Центральная Европа, J. Hydrol., 446–447, 103–115,
https://doi.org/10.1016/j.jhydrol.2012.04.035, 2012.

Ливенс, Х., Демузере, М., Маршалл, Х.-П., Райхле, Р. Х., Брукер, Л.,
Бранже И., де Росне П., Дюмон М., Джиротто М., Иммерзил В. В.,
Йонас Т., Ким Э. Дж., Кох И., Марти К. , Салоранта Т., Шобер Дж.,
и Де Ланнуа, Г.Дж.М.: Изменчивость глубины снежного покрова в Северном полушарии.
горы, наблюдаемые из космоса, Nat. Комм., 10, 4629,
https://doi.org/10.1038/s41467-019-12566-y, 2019.

Массари, К., Брокка, Л., Чиабатта, Л., Морамарко, Т., Габеллани, С.,
Альбергель К., Де Росне П., Пука С. и Вагнер В.: Использование почвы H-SAF
Продукты влажности для оперативной гидрологии: моделирование паводков в Италии,
Гидрология, 2, 2–22, https://doi.org/10.3390/hydrology2010002, 2015.

Массари, К., Брокка, Л., Пелларин, Т., Абрамовиц, Г., Филиппуччи, П., Чиабатта, Л., Маджиони, В., Керр, Ю., и Фернандес Прието, Д.: Ежедневный 25-километровый продукт осадков с короткой задержкой для регионов с дефицитом данных, основанный на интеграции осадков миссии Global Precipitation Measurement и нескольких спутниковых продуктов влажности почвы, Hydrol. Земля Сист. Sci., 24, 2687–2710, https://doi.org/10.5194/hess-24-2687-2020, 2020.

Massari, C., Modanesi, S., Dari, J., Gruber, A. , Де Ланнуа, Г.Дж.М.,
Джиротто М., Кинтана-Сеги П., Ле Пейдж М., Джарлан Л., Зриби М.,
Уаади Н., Фройгденхил М., Заппа Л., Дориго В., Вагнер В., Бромбахер,
Дж., Пелгрум Х., Жако П., Фриман В., Волден Э., Фернандес Прието Д.,
Тарпанелли А., Барбетта С. и Брокка Л.: Обзор ирригации
Информационные поиски из космоса и их полезность для удаленных пользователей
Зондирования, 13, 4112, https://doi.org/10.3390/rs13204112, 2021.

МакКейб, М.Ф., Роделл, М., Альсдорф, Д.Е., Мираллес, Д.Г., Уйленхойт, Р., Вагнер, В., Люсиер, А., Хуборг, Р., Верхоест, Н.Е.К., Франц , Т.Э., Ши, Дж., Гао, Х. и Вуд, Э.Ф.: Будущее наблюдения Земли в гидрологии, Hydrol. Земля Сист. Sci., 21, 3879–3914, https://doi.org/10.5194/hess-21-3879-2017, 2017.

Мосаффа, Х., Садеги, М., Маллакпур, И., Нагдызадеган Джахроми, М. ., и
Pourghasemi, HR: Применение алгоритмов машинного обучения
в гидрологии, в: Компьютеры в науках о Земле и окружающей среде, под редакцией:
Pourghasemi, HR, гл. 43, Эльзевир, 585–59.1,
https://doi.org/10.1016/B978-0-323-89861-4.00027-0, 2022.

Муньос-Сабатер, Дж., Дутра, Э., Агусти-Панареда, А., Альбергель, К., Ардуини Г., Бальзамо Г., Буссетта С., Чулга М., Харриган С., Херсбах Х., Мартенс Б., Мираллес Д. Г., Пилес М., Родригес-Фернандес Н. Дж., Зотер, Э., Буонтемпо, К., и Тепо, Ж.-Н.: ERA5-Land: современный глобальный набор данных повторного анализа для наземных приложений, Earth Syst. науч. Данные, 13, 4349–4383, https://doi.org/10.5194/essd-13-4349-2021, 2021.

Мисиак Дж., Де Сальво М., Сантато С. и Амадио М.: Экономические последствия
Засуха в сельском хозяйстве (декабрь 2013 г.), Исследовательская работа CMCC № 206, Сеть исследований социальных наук, Рочестер, штат Нью-Йорк, https://doi.org/10.2139/ssrn.2637399, 2013 г.

Ногеротто, Р., Фантини, А. ., Раффаэле Ф., Ди Санте Ф., Доттори Ф., Коппола Э. и Джорджи Ф.: Интегрированный подход к гидрологическому и гидравлическому моделированию для оценки риска наводнений в бассейне реки По, Nat. Опасности Земля Сист. науч. Обсуждать. [препринт], https://doi.org/10.5194/nhess-2019-356, 2019.

Paiva, R.C.D., Collischonn, W., Bonnet, M.-P., de Goncalves, L.G.G., Calmant, S., Getirana, A., and Santos da Silva, J. .: Ассимиляция данных на месте и радиолокационной альтиметрии в крупномасштабную гидролого-гидродинамическую модель для прогноза речного стока в Амазонке, Hydrol. Земля Сист. наук, 17, 2929–2946, https://doi. org/10.5194/hess-17-2929-2013, 2013.

Печливанидис И. Г., Джексон Б. М., Макинтайр Н. Р. и Уитер Х. С.:
Гидрологическое моделирование в масштабе водосбора: обзор типов моделей, калибровка
подходы и методы анализа неопределенностей в контексте последних
разработки в области технологий и приложений, Global NEST J., 13,
193–214, 2011.

Qi, W., Zhang, C., Fu, Г., Свитэппл, К., и Чжоу, Х.: Оценка глобальных продуктов осадков с высоким разрешением и их количественная оценка неопределенности при моделировании ансамблевых стоков, Hydrol. Земля Сист. наук, 20, 903–920, https://doi.org/10.5194/hess-20-903-2016, 2016.

Quast, R., Albergel, C., Calvet, J.-C., and Wagner, W. : универсальный
Подход первого порядка к моделированию переноса излучения для инверсии почвы
и параметры растительности по рефлектометрическим наблюдениям, дистанционному зондированию,
11, 285, https://doi.org/10.3390/rs11030285, 2019.

Рауп, Б., Раковитеану, А., Халса, С.Дж.С., Хелм, К., Армстронг, Р., и
Арно, Ю.: Геопространственная база данных ледников GLIMS: новый инструмент для изучения
изменение ледника, глобальная планета. Смена, 56, 101–110,
https://doi.org/10.1016/j.gloplacha.2006.07.018, 2007.

Ревилла-Ромеро, Б., Вандерс, Н., Бурек, П., Саламон, П., и де Ру, А. :
Интеграция протяженности поверхностных вод, полученных дистанционным зондированием, в континентальный масштаб
гидрология, J. Hydrol., 543, 659–670, https://doi.org/10.1016/j.jhydrol.2016.10.041, 2016. С. С., Джи В. и Ханан Н. П.: Глобальные гидрологические группы почв (HYSOGs250m) для моделирования стока на основе чисел кривых, ORNL DAAC, Ок-Ридж, Теннесси, США, https://doi.org/10.3334/ORNLDAAC/1566 , 2018.

Сильвестро Ф., Габеллани С., Делогу Ф., Рудари Р. и Бони Г.: Использование дистанционного зондирования температуры поверхности земли в распределенном гидрологическом моделировании: на примере модели Continuum, Hydrol. Земля Сист. наук, 17, 39–62, https://doi.org/10.5194/hess-17-39-2013, 2013.

Спаакс, Дж. Х. и Бутен, В.: Устранение структурных ошибок в пространственно распределенной гидрологической модели с использованием обновлений состояния ансамблевого фильтра Калмана, Hydrol. Земля Сист. Sci., 17, 3455–3472, https://doi.org/10.5194/hess-17-3455-2013, 2013. , Вертс, А.
Х. и Биркенс, М.Ф.П.: Значительная неопределенность в глобальном масштабе
гидрологическое моделирование на основе ошибок данных об осадках, J. Hydrol., 529, 1095–1115, https://doi.org/10.1016/j.jhydrol.2015.08.061, 2015.

Штауффер, Д. Р. и Симэн, Н. Л.: Использование четырехмерного усвоения данных
в мезомасштабной модели с ограниченной площадью. Часть I: эксперименты с синоптическим масштабом
данные, пн. Weather Rev., 118, 1250–1277,
https://doi.org/10.1175/1520-0493(1990)118<1250:UOFDDA>2.0.CO;2, 1990.

Тан, Г., Кларк, М. П., Папалексиу, С. М., Ма, З., и Хонг, Ю.: Есть
спутниковые данные об осадках улучшились за последние два десятилетия? А
всестороннее сравнение GPM IMERG с девятью спутниками и повторный анализ
наборы данных, Remote Sens. Environ., 240, 111697,
https://doi.org/10.1016/j.rse.2020.111697, 2020.

Тарпанелли, А., Брокка, Л., Лакава, Т., Мелоне, Ф., Морамарко, Т., Фаруоло,
М., Пергола Н. и Трамутоли В.: К оценке речного стока
вариации с использованием данных MODIS в непромеренных бассейнах, Remote Sens.
Environ., 136, 47–55, https://doi.org/10.1016/j.rse.2013.04.010, 2013.

Тарпанелли, А., Брокка, Л., Барбетта, С., Фаруоло, М. , Лакава, Т., и
Морамарко, Т.: Объединение данных MODIS и радиолокационной альтиметрии для сброса
Оценка речных бассейнов с плохим замером, IEEE J. Sel. Вершина.
заявл., 8, 141–148,
https://doi.org/10.1109/JSTARS.2014.2320582, 2015.

Терцаго, С., Андреоли, В., Ардуини, Г., Бальзамо, Г., Кампо, Л., Кассардо, К., Кремонезе, Э., Долиа, Д., Габеллани, С., фон Харденберг Дж., Морра ди Селла У., Палацци Э., Пиацци Г., Поглиотти П. и Провензале А.: Чувствительность моделей снега к точности метеорологических воздействий в горных условиях, Hydrol. Земля Сист. наук, 24, 4061–409.0, https://doi.org/10.5194/hess-24-4061-2020, 2020.

Тирел Г., Саламон П., Бурек П. и Калас М.: Ассимиляция MODIS
Данные о площади снежного покрова в распределенной гидрологической модели с использованием частицы
Фильтр, дистанционное зондирование, 5, 5825–5850, https://doi.org/10.3390/rs5115825,
2013.

Вердин, К.Л.: Гидрологические производные для моделирования и анализа – новый
глобальная база данных высокого разрешения, гидрологические производные для моделирования и
Анализ – Новая глобальная база данных с высоким разрешением, Геологическая служба США,
Рестон, Вирджиния, https://doi.org/10.3133/ds1053, 2017 г.

Веццоли Р., Меркольяно П., Пекора С., Золло А. Л. и Каччамани К.:
Гидрологическое моделирование стока реки По (Северная Италия) в климатических условиях
изменять сценарии с помощью RCM COSMO-CLM, Sci. Общая окружающая среда.,
521, 346–358, 2015.

Вандерс, Н., Карссенберг, Д., де Ру, А., де Йонг, С. М. и Биркенс, М. Ф. П.: Пригодность дистанционного зондирования влажности почвы для улучшения оперативного прогнозирования наводнений, Hydrol. Земля Сист. Sci., 18, 2343–2357, https://doi.org/10.5194/hess-18-2343-2014, 2014.

Вонгчуиг-Корреа С., Каудуро Диас де Пайва Р., Бьянкамария С. и
Коллишонн, В.: Ассимиляция будущих высот рек на основе SWOT, поверхность
масштабные наблюдения и оценки сброса в неопределенные глобальные
гидрологические модели, J. Hydrol., 590, 125473, https://doi.org/10.1016/j.jhydrol.2020.125473, 2020.

Технические характеристики нестандартного экскаватора Донэкс ЭО-4112А-1 с драглайном.

Одноковшовые экскаваторы с механическим и гидромеханическим приводами

Рекламные предложения на основе ваших интересов:

Дополнительные материалы по теме:

Спецификации материалов — Secon Rubber & Plastics, Inc.

K-Flex

Rogers Corporation

Armacell

Палзив

Монмут

Qycell

Sekisui

Пенопласт

Saint Gobain

Fostek

Спутниковая продукция высокого разрешения улучшает гидрологическое моделирование в северной Италии