نوع مقاله : مقاله پژوهشی

نویسندگان

• کمال قبادی ¹
• اسلام جوادنیا ¹
• هادی جلیلی ²
• آرش زندکریمی ²

¹ گروه مهندسی نقشه برداری، دانشکده مهندسی، دانشگاه زنجان، زنجان، ایران

² پژوهشگاه فضایی ایران، تهران، ایران

چکیده

بخار آب جوی یکی از پارامترهای کلیدی هواشناسی است که بر مطالعات اقلیمی، پیش‌بینی‌های جوی و مدل‌سازی تغییرات آب‌وهوایی تأثیر زیادی دارد. بخار آب قابل بارش (PWV) با استفاده از داده‌های ماهواره‌ای، به‌ویژه سنجنده مودیس (MODIS) شامل محصولات مادون قرمز نزدیک (NIR) و مادون قرمز (IR)، اندازه‌گیری می‌شود. محصول IR به دلیل قابلیت ارائه داده در روز و شب، کاربرد گسترده‌ای دارد، اما دقت آن در شرایط جوی مختلف همچنان چالش‌برانگیز است. این پژوهش با هدف بهبود دقت داده‌های IR PWV مودیس از طریق یادگیری ماشین و بررسی تأثیر کالیبراسیون بر داده‌های روز و شب انجام شد. داده‌های 10 ایستگاه رادیوسوند در ایران طی سال‌های 2019-2020 به‌عنوان مرجع استفاده شد. سه مجموعه داده شامل داده‌های اصلی مودیس، برازش‌شده و اصلاح‌شده تحلیل شدند. مدل پرسپترون چندلایه (MLP) برای کالیبراسیون طراحی شد و دقت آن با معیارهای RMSE و ضریب همبستگی (R) ارزیابی گردید. مدل MLP دقت PWV را بهبود بخشید. در روز، RMSE از 3.72 به 2.63 میلی‌متر کاهش یافت و R از 0.81 به 0.86 رسید. در شب، RMSE از 4.9 به 3.16 میلی‌متر و R از 0.76 به 0.78 بهبود یافت. در کل، RMSE از 4.48 به 2.92 (برازش‌شده) و 3.03 (اصلاح‌شده) کاهش یافت و R از 0.77 به 0.87 و 0.85 افزایش یافت. مدل MLP خطاهای داده‌های مودیس را کاهش داد و دقت آن‌ها را برای پیش‌بینی‌های جوی و مطالعات اقلیمی بالا برد. نوآوری این پژوهش، کالیبراسیون داده‌ها با MLP در شرایط روز و شب است.

موضوعات

• سنجش از دور

عنوان مقاله [English]

Calibration of MODIS Water Vapor Data Using Multi-Layer Perceptron Neural Network and Radiosonde Observations

نویسندگان [English]

• Kamal Ghobadi ¹
• Eslam Javadnia ¹
• Hadi Jalili ²
• Arash Zandkarimi ²

¹ Department of Surveying Engineering, Faculty of Engineering, University of Zanjan, Zanjan, Iran

² Iranian Space Research Institute,,Tehran,,Iran

چکیده [English]

Atmospheric water vapor is a critical meteorological parameter influencing climate studies, weather forecasting, and climate change modeling. Precipitable water vapor (PWV) is measured using satellite data, particularly from the MODIS sensor, which provides near-infrared (NIR) and infrared (IR) products. The IR product, widely used due to its day-and-night data availability, faces accuracy challenges under varying atmospheric conditions. This study aims to enhance the accuracy of MODIS IR PWV data using machine learning and assess calibration effects on day and night data. Data from 10 radiosonde stations in Iran (2019–2020) served as the reference. Three datasets—original MODIS, fitted, and modified—were analyzed. A multilayer perceptron (MLP) model was designed for calibration, and its performance was evaluated using root mean square error (RMSE) and correlation coefficient (R). The MLP model significantly improved PWV accuracy. During daytime, RMSE decreased from 3.72 mm to 2.63 mm, and R rose from 0.81 to 0.86. At night, RMSE dropped from 4.9 mm to 3.16 mm, with R improving from 0.76 to 0.78. Overall, RMSE reduced from 4.48 mm to 2.92 mm (fitted) and 3.03 mm (modified), while R increased from 0.77 to 0.87 and 0.85, respectively. The MLP model effectively reduced errors in MODIS PWV data, enhancing reliability for weather forecasting and climate studies. Its innovation lies in calibrating satellite data for day and night conditions.