سنجش از دور
کمال قبادی؛ اسلام جوادنیا؛ هادی جلیلی؛ آرش زندکریمی
چکیده
پیشینه و اهداف: بخار آب موجود در جو یکی از مهم‌ترین پارامترهای هواشناسی است که تأثیر چشمگیری بر مطالعات اقلیمی، پیش‌بینی‌های جوی و مدل‌سازی‌های مرتبط با تغییرات آب‌وهوایی دارد. بخار آب قابل بارش (PWV) به‌عنوان شاخصی اساسی در بررسی وضعیت جوی، با استفاده از داده‌های ماهواره‌ای اندازه‌گیری می‌شود. داده‌های سنجنده طیفی تصویربرداری ...
بیشتر
پیشینه و اهداف: بخار آب موجود در جو یکی از مهم‌ترین پارامترهای هواشناسی است که تأثیر چشمگیری بر مطالعات اقلیمی، پیش‌بینی‌های جوی و مدل‌سازی‌های مرتبط با تغییرات آب‌وهوایی دارد. بخار آب قابل بارش (PWV) به‌عنوان شاخصی اساسی در بررسی وضعیت جوی، با استفاده از داده‌های ماهواره‌ای اندازه‌گیری می‌شود. داده‌های سنجنده طیفی تصویربرداری با توان تفکیک متوسط مودیس (MODIS)، شامل محصولات مادون قرمز نزدیک (NIR) و مادون قرمز (IR)، از جمله منابع اصلی اندازه‌گیری PWV هستند. محصول IR به دلیل ارائه داده در هر دو شرایط روز و شب، در بسیاری از مطالعات کاربرد دارد. بااین‌حال، دقت این داده‌ها به‌ویژه در شرایط جوی مختلف روز و شب همچنان چالشی مهم باقی مانده است. هدف این پژوهش، بهبود دقت داده‌های IR PWV مودیس با استفاده از رویکرد یادگیری ماشین و بررسی تأثیر کالیبراسیون بر داده‌های روز و شب است.روش‌ها: در این مطالعه، از داده‌های 10 ایستگاه رادیوسوند در ایران طی دوره زمانی 2019-2020 به‌عنوان داده‌های مرجع استفاده شد. برای تحلیل، سه مجموعه داده شامل داده‌های اصلی مودیس، داده‌های برازش‌شده (fitting) و داده‌های اصلاح‌شده (modified) ایجاد شد. سپس مدل پرسپترون چندلایه (MLP) برای کالیبراسیون داده‌ها و مقایسه عملکرد آن در شرایط روز و شب به کار گرفته شد. این مدل با استفاده از روش‌های استاندارد یادگیری ماشین طراحی و توسعه یافت. ارزیابی دقت مدل با محاسبه معیارهای ریشه میانگین مربعات خطا (RMSE) و ضریب همبستگی (R) انجام شد.یافته‌ها: نتایج نشان داد که مدل MLP توانست دقت داده‌های PWV مودیس را به طور قابل‌توجهی بهبود بخشد. در شرایط روز،RMSE از 72/3 میلی‌متر در داده‌های اصلی به 63/2 میلی‌متر کاهش یافت و ضریب همبستگی از 81/0 به 86/0 افزایش پیدا کرد. در شرایط شب،RMSE از 9/4 میلی‌متر به 16/3 میلی‌متر کاهش یافت و ضریب همبستگی از 76/0 به 78/0 بهبود یافت. در تحلیل کلی،RMSE داده‌های اصلی برابر با 48/4 میلی‌متر بود که در مدل برازش شده به 92/2 میلی‌متر و در مدل اصلاح‌شده به 03/3 میلی‌متر کاهش یافت. ضریب همبستگی نیز از 77/0 به ترتیب به 87/0 و 85/0 افزایش یافت.نتیجه‌گیری: این پژوهش نشان داد که مدلMLP توانایی بالایی در بهبود دقت داده‌های PWV مودیس دارد و می‌تواند خطاهای موجود در داده‌های این سنجنده را در شرایط مختلف جوی کاهش دهد. نوآوری اصلی این پژوهش، استفاده از مدل MLP برای کالیبراسیون داده‌های ماهواره‌ای در شرایط روز و شب است. این روش با بهبود دقت داده‌های ماهواره‌ای، قابلیت اطمینان آن‌ها را برای استفاده در پیش‌بینی‌های جوی و مطالعات اقلیمی افزایش می‌دهد. محدودیت‌های این مطالعه شامل وابستگی به داده‌های رادیوسوند به‌عنوان مرجع و عدم بررسی تأثیر عوامل جوی خاص بر مدل‌سازی است. این روش می‌تواند در مطالعات آینده برای بهبود دقت داده‌های سنجنده‌های دیگر نیز مورد استفاده قرار گیرد.
