کالیبراسیون داده های بخارآب سنجنده مودیس با استفاده از شبکه عصبی پرسپترون چندلایه و مشاهدات رادیوسوند

پیشینه و اهداف: بخار آب موجود در جو یکی از مهم ترین پارامترهای هواشناسی است که تاثیر چشمگیری بر مطالعات اقلیمی، پیش بینی های جوی و مدل سازی های مرتبط با تغییرات آب وهوایی دارد. بخار آب قابل بارش (PWV) به عنوان شاخصی اساسی در بررسی وضعیت جوی، با استفاده از داده های ماهواره ای اندازه گیری می شود. داده های سنجنده طیفی تصویربرداری با توان تفکیک متوسط مودیس (MODIS)، شامل محصولات مادون قرمز نزدیک (NIR) و مادون قرمز (IR)، از جمله منابع اصلی اندازه گیری PWV هستند. محصول IR به دلیل ارائه داده در هر دو شرایط روز و شب، در بسیاری از مطالعات کاربرد دارد. بااین حال، دقت این داده ها به ویژه در شرایط جوی مختلف روز و شب همچنان چالشی مهم باقی مانده است. هدف این پژوهش، بهبود دقت داده های IR PWV مودیس با استفاده از رویکرد یادگیری ماشین و بررسی تاثیر کالیبراسیون بر داده های روز و شب است.روش ها : در این مطالعه، از داده های ۱۰ ایستگاه رادیوسوند در ایران طی دوره زمانی ۲۰۱۹-۲۰۲۰ به عنوان داده های مرجع استفاده شد. برای تحلیل، سه مجموعه داده شامل داده های اصلی مودیس، داده های برازش شده (fitting) و داده های اصلاح شده (modified) ایجاد شد. سپس مدل پرسپترون چندلایه (MLP) برای کالیبراسیون داده ها و مقایسه عملکرد آن در شرایط روز و شب به کار گرفته شد. این مدل با استفاده از روش های استاندارد یادگیری ماشین طراحی و توسعه یافت. ارزیابی دقت مدل با محاسبه معیارهای ریشه میانگین مربعات خطا (RMSE) و ضریب همبستگی (R) انجام شد.یافته ها: نتایج نشان داد که مدل MLP توانست دقت داده های PWV مودیس را به طور قابل توجهی بهبود بخشد. در شرایط روز،RMSE  از ۷۲/۳ میلی متر در داده های اصلی به ۶۳/۲ میلی متر کاهش یافت و ضریب همبستگی از ۸۱/۰ به ۸۶/۰ افزایش پیدا کرد. در شرایط شب،RMSE  از ۹/۴ میلی متر به ۱۶/۳ میلی متر کاهش یافت و ضریب همبستگی از ۷۶/۰ به ۷۸/۰ بهبود یافت. در تحلیل کلی،RMSE  داده های اصلی برابر با ۴۸/۴ میلی متر بود که در مدل برازش شده به ۹۲/۲ میلی متر و در مدل اصلاح شده به ۰۳/۳ میلی متر کاهش یافت. ضریب همبستگی نیز از ۷۷/۰ به ترتیب به ۸۷/۰ و ۸۵/۰ افزایش یافت.نتیجه گیری: این پژوهش نشان داد که مدلMLP  توانایی بالایی در بهبود دقت داده های PWV مودیس دارد و می تواند خطاهای موجود در داده های این سنجنده را در شرایط مختلف جوی کاهش دهد. نوآوری اصلی این پژوهش، استفاده از مدل MLP برای کالیبراسیون داده های ماهواره ای در شرایط روز و شب است. این روش با بهبود دقت داده های ماهواره ای، قابلیت اطمینان آن ها را برای استفاده در پیش بینی های جوی و مطالعات اقلیمی افزایش می دهد. محدودیت های این مطالعه شامل وابستگی به داده های رادیوسوند به عنوان مرجع و عدم بررسی تاثیر عوامل جوی خاص بر مدل سازی است. این روش می تواند در مطالعات آینده برای بهبود دقت داده های سنجنده های دیگر نیز مورد استفاده قرار گیرد.

کلیدواژه ها:

بخارآب ، مودیس ، شبکه عصبی ، کالیبراسیون ، رادیوسوند