سامانه مدیریت نشریات علمی دانشگاه شهید بهشتی

طالاری, محمدرضا, مرادی زاده, مینا. (1404). بازیابی بخارآب نزدیک به سطح جَو با دقت و توان تفکیک مکانی ارتقایافته ازطریق تلفیق داده‌های چندسنجنده‌ای و مشاهدات زمینی. , 17(1), 61-78. doi: 10.48308/gisj.2024.230453.1146
محمدرضا طالاری; مینا مرادی زاده. "بازیابی بخارآب نزدیک به سطح جَو با دقت و توان تفکیک مکانی ارتقایافته ازطریق تلفیق داده‌های چندسنجنده‌ای و مشاهدات زمینی". , 17, 1, 1404, 61-78. doi: 10.48308/gisj.2024.230453.1146
طالاری, محمدرضا, مرادی زاده, مینا. (1404). 'بازیابی بخارآب نزدیک به سطح جَو با دقت و توان تفکیک مکانی ارتقایافته ازطریق تلفیق داده‌های چندسنجنده‌ای و مشاهدات زمینی', , 17(1), pp. 61-78. doi: 10.48308/gisj.2024.230453.1146
طالاری, محمدرضا, مرادی زاده, مینا. بازیابی بخارآب نزدیک به سطح جَو با دقت و توان تفکیک مکانی ارتقایافته ازطریق تلفیق داده‌های چندسنجنده‌ای و مشاهدات زمینی. , 1404; 17(1): 61-78. doi: 10.48308/gisj.2024.230453.1146

بازیابی بخارآب نزدیک به سطح جَو با دقت و توان تفکیک مکانی ارتقایافته ازطریق تلفیق داده‌های چندسنجنده‌ای و مشاهدات زمینی

نشریه سنجش از دور و GIS ایران
دوره 17، شماره 1 - شماره پیاپی 65، 1404، صفحه 61-78    اصل مقاله (1.46 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.48308/gisj.2024.230453.1146
نویسندگان
محمدرضا طالاری؛ مینا مرادی زاده*
گروه مهندسی نقشه‌برداری، گرایش سنجش از دور، دانشکدۀ عمران و حمل‌ونقل، دانشگاه اصفهان، اصفهان، ایران
چکیده
سابقه و هدف: بخارآب موجود در جَو پارامتری محوری در مدل‌سازی تعادل انرژی در سطح زمین است و در متعادل نگاه‌ داشتن دمای جَوّ کرۀ زمین نقش مهمی دارد. بازیابی این پارامتر، به‌منزلۀ تأثیرگذارترین عامل جَوّی در رادیانس دریافتی سنجنده، از اهمیت بسزایی برخوردار است. ازآنجاکه محتوای بخارآب جَو در لایۀ نزدیک به سطح بیشتر و تغییرات زمانی و مکانی آن شدیدتر است، اندازه‌گیری ایستگاه‌های هواشناسی زمینی به‌رغم دقت بالا، به‌دلیل محدودیت‌های زمانی و مکانی و اندازه‌گیری نقطه‌ای، قابلیت تعمیم‌پذیری ندارند. ازاین‌رو ارائۀ روش‌های ماهواره‌محور کاربردی به‌منظور بازیابی دقیق و مداوم آن، با توزیع مکانی مناسب ضروری به نظر می‌رسد. هدف این تحقیق بیان چهار روش‌ نوآورانه و دقیق برای برآورد نسبت اختلاط بخارآب نزدیک به سطح جَوّ استان اصفهان در سال 1399، با توان تفکیک 1 کیلومتر، ازطریق تلفیق داده‌های ایستگاه‌های هواشناسی، داده‌های سنجنده و درنَهایت، اعتبارسنجی و مقایسۀ عملکرد آنهاست. بدین‌منظور تصحیح خطای اریبی داده‌های بخارآب سنجنده طی مرحلۀ هم‌مقیاس‌سازی و تصحیح خطای درون‌یابی مشاهدات ایستگاه‌های زمینی در دستورکار قرار گرفت.
مواد و روش‌ها: سنجنده‌های گوناگون قابلیت اندازه‌گیری بخارآب، با توان تفکیک‌های مکانی و حساسیت‌های متفاوت به این پارامتر را دارند. ازاین‌رو مطرح کردن روش‌هایی، مبتنی‌بر استفاده و تلفیق هم‌زمان داده‌های سنجنده‌ها و مشاهدات ایستگاه‌های زمینی، به‌منظور ارتقای هم‌زمان توان تفکیک مکانی (یک کیلومتر) و دقت بازیابی بخارآب نزدیک به سطح جَو ضروری است. در نخستین روش به‌کاررفته در این تحقیق، با استفاده از باندهای جذب و غیرجذب بخارآب سنجندۀ مادیس (MODIS) طی روش نسبت باندی و با استفاده از مشاهدات زمینی، بخارآب نزدیک به سطح بازیابی می‌شود. در روش دوم، ابتدا مشاهدات بخارآب نزدیک به سطح ایستگاه‌های زمینی، با روش درون‌یابی معکوس فاصله، به داده‌های بخارآب سطحی یک‌کیلومتری تبدیل می‌شود. سپس طی مراحل روش پیشنهادی و با استفاده از مقادیر نسبت اختلاط بخارآب برآوردشده با روش اول، خطای درون‌یابی در هر پیکسل حذف می‌شود. در روش سوم، با تلفیق داده‌های مادیس طی عملیاتی شبیه مراحل روش دوم، توان‌ تفکیک محصول بخارآب سنجندۀ AIRS به یک کیلومتر ارتقا داده می‌شود؛ با این تفاوت که به‌جای مشاهدات ایستگاه‌های هواشناسی زمینی، از محصول سنجندۀ AIRS استفاده می‌شود. ازآنجاکه محصول نسبت اختلاط بخارآب نزدیک به سطح سنجندۀ AIRS دارای خطا و اریبی است، ابتدا باید با اعتبارسنجی محصولات این سنجنده، خطای اریبی محصول بخارآب نزدیک به سطح سنجندۀ AIRS، طی مرحلۀ هم‌مقیاس‌سازی، حذف شود. برآورد بخارآب نزدیک به سطح جَو با استفاده از محصول بخارآب ‌جَوّ ستونی سنجندۀ مادیس آخرین روش به‌کار‌رفته است. البته به‌دلیل تفاوت محتوایی، لازم است دو مجموعه داده هم‌واحد شوند و با روشی معادل‌سازی شوند.
نتایج و بحث: به‌منظور مدل‌سازی و اعتبارسنجی برآورد بخارآب نزدیک به سطح جَو در توان تفکیک یک کیلومتر با استفاده از چهار روش اشاره‌شده، 3/66% داده‌ها به‌صورت تصادفی برای آموزش و 33% مابقی برای ارزیابی دقت و اعتبارسنجی نتایج به کار رفته است. درنَهایت نیز، نتایج اجرای روش‌ها با یکدیگر مقایسه شد. در این تحقیق، ضریب تعیین (R2) و جذر میانگین مربعات خطاها (RMSE) ملاک ارزیابی دقت و عملکرد مدل‌سازی قرار گرفته‌اند. نتایج اعتبارسنجی نشان می‌دهد روش دوم که مبتنی‌بر استفاده از تعمیم مشاهدات دقیق بخارآب نزدیک به سطح ایستگاه‌های زمینی و حذف خطای درون‌یابی آنها، طی تلفیق با مقادیر بخارآب بازیابی‌شده از سنجندۀ مادیس ازطریق روش نسبت باندی است، بهترین عملکرد (R2=0.55، RMSE=1.05 Gr/Kr) را در تخمین بخارآب نزدیک به سطح جو را دارد.
نتیجه‌گیری: روش دوم، با توجه به عملکرد بهتر در بازیابی نسبت اختلاط بخارآب نزدیک به سطح جَو با دقت بالا و توان تفکیک یک کیلومتر و با هدف استفاده از قابلیت محصولات و داده‌های ماهواره‌محور، تلفیق آنها با یکدیگر و همچنین با مشاهدات زمینی، توصیه می‌شود.
کلیدواژه‌ها
بخارآب نزدیک به سطح؛ دادۀ چندسنجنده‌ای؛ اریبی؛ سنجندۀ مادیس؛ سنجندۀ AIRS
عنوان مقاله [English]
Integration of Multi-Sensor Data and Ground Observations in Order to Improve Accuracy and Spatial Resolution in Near-Surface Water Vapor Retrieval
نویسندگان [English]
Mohamad Reza Talari؛ Mina Moradizadeh
Dep. of Geomatics, Faculty of Civil and Transportation Engineering, University of Isfahan, Isfahan, Iran
چکیده [English]
Introduction: Atmospheric water vapor is a key parameter in modeling the energy balance on the earth's surface and plays a major role in keeping the temperature of the earth's atmosphere balanced. Retrieving of this parameter, as the most influential atmospheric parameter on the sensors received radiance, is of great importance. Since the atmospheric water vapor content in the near of surface is more and its temporal and spatial changes are more intense, the measurements of ground meteorological stations, despite their high accuracy, are not generalizable due to temporal and spatial limitations and point measurements. Therefore, it seems necessary to provide practical satellite-based methods to accurate and continuous retrieval of this parameter with appropriate spatial distribution. The aim of this research is to present four innovative and accurate methods to estimate the near surface atmospheric water vapor of Isfahan province in 2020 with a resolution of 1 km, through the integration of meteorological station data, sensor data and finally validating and comparing their performance. For this purpose, correcting the bias error of water vapor sensor data during the co-scaling stage and correcting the interpolation error of ground station observations was put on the agenda.
Material and Methods: Different sensors measure water vapor with different sensitivities and spatial resolution. Therefore, it is necessary to provide methods based on the simultaneous use of diffferent sensor data and their integration to ground station observations, in order to simultaneously improve the accuracy and spatial resolution (1 km) of retrieved near surface water vapor. In the first method used in this research, the near surface water vapor is retrieved using the water vapor absorbing and non-absorbing bands of the MODIS, through the band ratio method and using ground observations. In the second method, first, observations of near surface water vapor of ground stations are converted to 1 km grid using the inverse distance interpolation (IDW) method. Then, during the steps of the proposed method and using the water vapor values ​​estimated by the first method, the interpolation error in each pixel is removed. In the third method, the resolution of AIRS-derieved water vapor product is reduced to 1 km by combining MODIS data during an operation similar to the steps of the second method, with the difference that the AIRS sensor product is used instead of ground station observations. It is necessary to eliminate the bias error of near surface water vapor product of the AIRS during the co-scaling stage by first. Estimation of near surface water vapor using MODIS column water vapor product is the fourth method. Of course, due to the difference in content, it is necessary to unite the two sets and equate them with an approprite method.
Results and Discussion: In order to model and validate the estimation of atmospheric near surface water vapor at a spatial resolution of 1 km using the different mentioned methods, 66.6% of the data were randomly used for training and the remaining 33.3% were used to evaluate the accuracy and validation. Finally, the implementation results of the methods have been compared with each other. The validation results of proposed methods show that the second method, which is based on the generalization of accurate observations of ground stations and removing their interpolation error, during integration with the water vapor values retrieved from first method, has the best performance (R2=0.55, RMSE=1.05 Gr/Kr).
Conclusion: Considering the better performance of the second method in retrieving the mixing ratio of near surface water vapor with high accuracy and resolution of 1 km, and with the aim of using the capabilities of satellite-based products and data, it is recommended to combine them with each other and also with ground observations.
کلیدواژه‌ها [English]
: Near-surface water vapor, Multi-sensor data, Bias, MODIS, AIRS
مراجع

Alizadeh Rabiee, H., 2017, Remote Sensing (Principles and Application), Samt Organisation, 978-600-02-2449-3.

Bevis, M., Businger, S., Herring, T.A., Rocken, C., Anthes, R.A. & Ware, R.H., 1992, GPS Meteorology: Remote Sensing of Atmospheric Water Vapor Using the Global Positioning System, J. Geophys. Res. Atmos., 97(D14), PP. 15787-1580, https://doi.org/ 10.1029/92JD01517.

Campos-Ariaa, P., Esquivel-Hernández, G., Valverde-Calderón, J.F., Valverde Calderón, S., Moya-Zamora, J., Sánchez-Murillo, R. & Boll, J., 2019, GPS Precipitable Water Vapor Estimations over Costa Rica: A Comparison against Atmospheric Sounding and Moderate Resolution Imaging Spectrometer (MODIS), Clim., 7(63), https:// doi.org/10.3390/cli7050063.

Caselles ,V. & Sobrino, J., 1989, Determination of Frosts in Orange Groves from NOAA-9 AVHRR Data, Remote Sens. Environ., 29(2), PP. 135-146, https://doi.org/10.1016/ 0034-4257(89)90022-9.

Colman, R., 2003, A Comparison of Climate Feedbacks in General Circulation Models, Clim. Dyn., 20(7), PP. 865-873, https://doi.org/10.1007/s00382-003-0310-z.

De Haan, S., Barlag, S., Baltink, H.K., Debie, F. & Van Der Marel, H., 2004, Synergetic Use of GPS Water Vapor and Meteosat Images for Synoptic Weather Forecasting, J. Appl. Meteorol., 43(3), PP. 514-518, https:// doi.org/10.1175/1520-0450(2004)043 <0514:SUOGWV>2.0.CO;2.

Epeloa J. & Meza, A., 2018, Total Column Water Vapor Estimation over Land Using Radiometer Data from SAC-D/Aquarius, Adv. Space Res., 61(4), PP. 1025-1034, https://doi.org/10.1016/j.asr.2017.11.023.

 

Fragkos, K., Antonescu, B., Giles, D.M., Ene, D., Boldeanu, M., Efstathiou, G.A., Belegante, L. & Nicolae, D., 2019, Assessment of the Total Precipitable Water from a Sun Photometer, Microwave Radiometer and Radiosondes at a Continental Site in Southeastern Europe, Atmos. Meas. Tech., 12(3), PP. 1979-1997, https://doi.org/10.5194/amt-12-1979-2019.

French, A., Norman, J. & Anderson, M., 2003, A Simple and Fast Atmospheric Correction for Spaceborne Remote Sensing of Surface Temperature, Remote Sens. Environ., 87(2-3), PP. 326-333, https://doi.org/10.1016/ j.rse.2003.08.001.

Gong, S., Chen, W., Zhang, C., Wu, P. & Han, J., 2020, Intercomparisons of Precipitable Water Vapour Derived from Radiosonde, GPS and Sunphotometer Observations, Geod. Vestn., 64(4), PP. 562-577, 2020,
https://doi.org/10.15292/geodetski-vestnik.2020.04.562-577.

Güldner, J. & Spänkuch, D., 2001, Remote Sensing of the Thermodynamic State of the Atmospheric Boundary Layer by Ground-Based Microwave Radiometry, J. Atmos. Ocean. Technol., 18(6), PP. 925-933, https://doi.org/10.1175/1520-0426(2001)018<0925:RSOTTS>2.0.CO;2.

Julien, Y., Sobrino, J., Mattar, C. & Jiménez-Muñoz, J.C., 2015, Near-Real-Time Estimation of Water Vapor Column from MSG-SEVIRI Thermal Infrared Bands: Implications for Land Surface Temperature Retrieval, IEEE Trans. Geosci. Remote Sens., 53(8), PP. 4231-4237, https://doi.org/10.1109/ TGRS.2015.2393378.

Kaufman, Y.J. & Gao, B.C., 1992, Remote Sensing of Water Vapor in the Near IR from EOS/MODIS, IEEE Trans. Geosci. Remote Sens., 30(5), PP. 871-884, https://doi.org/10.1109/36.175321.

Kern, A., Bartholy, J., Borbás, E.E., Barcza, Z., Pongrácz, R. & Ferencz, C., 2008, Estimation of Vertically Integrated Water Vapor in Hungary Using MODIS Imagery, Adv. Space Res., 41(11), PP. 1933-1945, https://doi.org/10.1016/j.asr.2007.06.048.

Khaniani, A.S., Nikraftar, Z. & Zakeri, S., 2020, Evaluation of MODIS Near-IR Water Vapor Product over Iran Using Ground-Based GPS Measurements, Atmos. Res., 231(104657), https://doi.org/10.1016/ j.atmosres.2019.104657.

Khouni, I., Louhichi, G. & Ghrabi, A., 2018, Use of GIS Based Inverse Distance Weighted Interpolation to Assess Surface Water Quality: Case of Wadi El Bey, Tunisia, Environ. Technol. Innov., 24(101892), https://doi.org/10.1016/j.eti.2021.101892.

Li, X. & Long, D., 2020, An Improvement in Accuracy and Spatiotemporal Continuity of the MODIS Precipitable Water Vapor Product Based on a Data Fusion Approach, Remote Sens. Environ., 248(111966), https://doi.org/10.1016/j.rse. 2020.111966.

Moradizadeh, M., Momeni, M. & Saradjian, M.R., 2014, Estimation and Validation of Atmospheric Water Vapor Content Using a MODIS NIR Band Ratio Technique Based on AIRS Water Vapor Products, Arab. J. Geosci., 7(5), PP. 1891-1897, https://doi.org/10.1007/s12517-013-0828-2.

Peters, G., 2001, Ground Based Remote Profiling of the Atmosphere: Demands, Prospects and Status, Phys. Chem. Earth, 26(3), PP. 175-180, https://doi.org/10.1016/ S1464-1909(00)00236-7.

Rockström, M., Gordon, L., Folke, C., Falkenmark, M. & Engwall, M., 1999, Linkages among Water Vapor Flows, Food Production, and Terrestrial Ecosystem Services, Ecol. Soc., 3(2), https://doi.org/ 10.5751/ES-00142-030205.

Román, R., Antón, M., Cachorro, V.E., Loyola, D., Ortiz de Galisteo, J.P., de Frutos, A. & Romero-Campos, P.M., 2015, Comparison of Total Water Vapor Column from GOME-2 on MetOp-A against Ground-Based GPS Measurements at the Iberian Peninsula, Sci. Total Environ., 533(317-328), https://doi.org/ 10.1016/j.scitotenv. 2015.06.124.

Schrijver, H., Gloudemans, A., Frankenberg, C. & Aben, I., 2009, Water Vapour Total Columns from SCIAMACHY Spectra in the 2.36µm Window, Atmos. Meas. Tech., 2, PP. 561-571, https://doi.org/10.5194/amt-2-561-2009.

Sheil, D., 2018, Forests, Atmospheric Water and an Uncertain Future: The New Biology of the Global Water Cycle, For. Ecosyst., 5(19), https://doi.org/10.1186/ s40663-018-0138-y.

Sobrino, J., 2003, Zonas metropolitanas de México en 2000: Conformación territorial y movilidad de la población ocupada, Estud. Demogr. Urbanos Col. Mex., 18(3), PP. 461-507, https://doi.org/10.24201/ edu.v18i3.1156.

Sobrino, J., El Kharraz, J. & Li, J.L., 2003, Surface Temperature and Water Vapour Retrieval from MODIS Data, Int. J. Remote Sens., 24(24), PP. 5161-5182, https://doi.org/ 10.1080/0143116031000102502.

Stum, J., Sicard, P., Carrere, L. & Lambin, J., 2011, Using Objective Analysis of Scanning Radiometer Measurements to Compute the Water Vapor Path Delay for Altimetry, IEEE Trans. Geosci. Remote Sens., 49(9), PP. 3211-3224, https://doi.org/ 10.1109/TGRS.2011.2104967.

Wan, Z., Zhang, Y., Zhang, Q. & Li, Z.L., 2002, Validation of the Land-Surface Temperature Products Retrieved from TERRA Moderate Resolution Imaging Spectroradiometer Data, Remote Sens. Environ., 83(1-2), PP. 163-180, https://doi.org/ 10.1016/S0034-4257(02)00093-7.

Wolfe, D.E. & Gutman, S.I., 2000, Developing an Operational, Surface-Based, GPS, Water Vapor Observing System for NOAA, Network Design and Results, J. Atmos. Ocean Tech., 17(4), PP. 426-440, https://doi.org/10.1175/1520-0426(2000)017<0426:DAOSBG>2.0.CO;2.

Xu, J. & Liu, Z., 2021, The First Validation of Sentinel-3 OLCI Integrated Water Vapor Products Using Reference GPS Data in Mainland China, IEEE Trans. Geosci. Remote Sens., 60, PP. 1-17, https://doi.org/10.1109/TGRS.2021.3099168.

Zhao, Y. & Zhou, T., 2020, Asian Water Tower Evinced in Total Column Water Vapor: A Comparison among Multiple Satellite and Reanalysis Data Sets, Clim. Dyn., 4(1-2), PP. 231-245 , https://doi.org/10.1007/s00382-019-04999-4.

آمار
تعداد مشاهده مقاله: 1,783
تعداد دریافت فایل اصل مقاله: 1,019