Weather Updates. Kerala. Monsoon. Geography

-

കാലവർഷം  കേരളത്തിൽ 2% മഴക്കുറവ്. 
ഓഗസ്റ്റ് 1-15 വരെ  പെയ്തത് 121% അധിക മഴ 

120 ദിവസം നീണ്ടു നിൽക്കുന്ന കാലവർഷം അതിന്റെ പകുതി ദൂരം പിന്നിട്ടപ്പോൾ ( 76 ദിവസം ) കേരളത്തിൽ ഇതുവരെ 2% മഴക്കുറവ്.  ജൂൺ 1 മുതൽ ഓഗസ്റ്റ് 15 വരെയുള്ള കണക്ക് പ്രകാരം കേരളത്തിന്‌ ലഭിക്കേണ്ടതു  1602  മില്ലിമീറ്റർ മഴ. ഇതുവരെ പെയ്തത് 1578 മില്ലിമീറ്റർ . 2% കുറവ്. 

 ഓഗസ്റ്റ് 1- 15 വരെ  ലഭിച്ചത്  528.1 mm സാധാരണ ലഭിക്കേണ്ടതിന്റെ ( 239 mm) 121% അധിക മഴ. 

ഓഗസ്റ്റ് 15 അവസാനിക്കുമ്പോൾ 

  2020            2% കുറവ്. 
 2019             1 % കൂടുതൽ 
 2018            30 % കൂടുതൽ 
 
ജൂണിൽ 17 % കുറവ് 

നേരത്തെ ജൂൺ മാസത്തിൽ 17% കുറവായിരുന്നു. ജൂണിൽ ലഭിക്കേണ്ട 643 മില്ലിമീറ്റർ സ്ഥാനത്തു ലഭിച്ചത് 536.1 മില്ലിമീറ്റർ. 

2019ൽ  44% കുറവ് മഴയായിരുന്നു 
2018ൽ   15% കൂടുതൽ 

ജൂലൈ 29 % കുറവ് 

ജൂലൈ മാസത്തിൽ സാധാരണയായി 726. 1 മില്ലിമീറ്റർ മഴയാണ് ലഭിക്കേണ്ടത്. ഇതുവരെ പെയ്തത് 514 മില്ലിമീറ്റർ 29 % കുറവ് 

2019ൽ  21% ആയിരുന്നു കുറവ്. 
2018ൽ   18%  കൂടുതൽ 

വയനാട്, തൃശൂർ ഏറ്റവും കുറവ് 

കേരളത്തിൽ   വയനാട്, തൃശൂർ ജില്ലകളിൽ ആണ് ഏറ്റവും ശരാശരിയേക്കാൾ  ഏറ്റവും കുറവ് മഴ ലഭിച്ചത്.  വയനാട്  ശരാശരി ലഭിക്കേണ്ടതിനേക്കാൾ 26% കുറവ് മഴ മാത്രമാണ് ഇതുവരെ ലഭിച്ചത്. അതെ സമയം തൃശൂർ ജില്ലയിൽ  ഇതുവരെ  22% മഴ കുറവാണ് ലഭിച്ചത്. മലപ്പുറം (-15%) ഇടുക്കി ( -12%), ആലപ്പുഴ (-5%) എന്നിവയാണ്  ശരാശരിയേക്കാൾ കുറവ് മഴ ലഭിച്ച മറ്റ് ജില്ലകൾ. 

കൂടുതൽ കോട്ടയം 

എന്നാൽ സാധാരണയെക്കാൾ   21% അധിക മഴ ലഭിച്ച കോട്ടയം ആണ്  മുന്നിൽ , കോഴിക്കോട്, തിരുവനന്തപുരം   ജില്ലകളിൽ 19%  അധിക മഴ ലഭിച്ചു. 

ജില്ലകളിൽ ഏറ്റവും കൂടുതൽ മഴ കാസറഗോഡ് ആണെങ്കിലും (2527 mm)  സാധാരണ ലഭിക്കേണ്ട (2081mm)  മഴയെക്കാൾ 5% മാത്രംമാണ് കൂടുതൽ  ഇതുവരെ ലഭിച്ചത്. 

അടുത്ത രണ്ടാഴ്ച കേരളത്തിൽ പൊതുവെ കാലവര്ഷം ദുരബലമായി തുടരാൻ സാധ്യത. 

.


....

Vineesh V
Assistant Professor of Geography,
Directorate of Education,
Government of Kerala.
http://geogisgeo.blogspot.com
🌏🌎
🌐🌍

Comments

Post a Comment

Popular posts from this blog

Spatial feature manipulation in remote sensing

-
Image
Spatial feature manipulation in remote sensing refers to the process of altering or modifying the spatial characteristics of a particular feature in an image or data set. This can be done for a variety of reasons, such as to improve the accuracy or clarity of the image, to enhance the interpretability of the data, or to extract specific information from the image. One common method of spatial feature manipulation is resampling, which involves changing the resolution or spatial extent of an image. This can be done to match the resolution of other data sets, to reduce the size of the image for faster processing, or to increase the resolution for greater detail. Another technique is spatial filtering, which involves applying mathematical operations to the image data to remove noise or highlight specific features. This can be done using convolution filters, which apply a pre-defined mathematical function to the image data, or using image enhancement techniques, such as contrast stretching
Read more

Grey level thresholding. Level slicing. Contrast stretching lo p

-
Image
Grey level thresholding. Level slicing. Contrast stretching. Image enhancement Lillesand and Kiefer (1994) explained the goal of image enhancement procedures is to improve the visual interpretability of any image by increasing the apparent distinction between the features in the scene. This objective is to create "new" image from the original image in order to increase the amount of information that can be visually interpreted from the data. Enhancement operations are normally applied to image data after the appropriate restoration procedures have been performed. Noise removal, in particular, is an important precursor to most enhancements. In this study, typical image enhancement techniques are as follows: Grey level thresholding Grey level thresholding is a simple lookup table, which partitions the gray levels in an image into one or two categories - those below a user-selected threshold and those above. Thresholding is one of many methods for creating a binary mask for an i
Read more

Spatial filtering, Remote Sensing. Low-pass filter. High-pass filter

-
Spatial filtering encompasses another set of digital processing functions which are used to enhance the appearance of an image. Spatial filters are designed to highlight or suppress specific features in an image based on their spatial frequency. Spatial frequency is related to the concept of image texture. It refers to the frequency of the variations in tone that appear in an image. "Rough" textured areas of an image, where the changes in tone are abrupt over a small area, have high spatial frequencies, while "smooth" areas with little variation in tone over several pixels, have low spatial frequencies. A common filtering procedure involves moving a 'window' of a few pixels in dimension (e.g. 3x3, 5x5, etc.) over each pixel in the image, applying a mathematical calculation using the pixel values under that window, and replacing the central pixel with the new value. The window is moved along in both the row and column dimensions one pixel at a time and the ca
Read more