الگوریتم های بارش ماهواره ای

تخمین بارش از طریق تصاویر ماهواره ای در طول دهه های اخیر تغییرات قابل توجهی در نوع تصاویر به کار گرفته شده داشته است و بسته به نوع تصاویر روش الگوریتم های بارش ماهواره ای نیز تفاوت خواهد داشت. در نوشته قبلی در خصوص برآورد و تخمین بارش ماهواره ای مطالبی را خدمت شما عرض کردیم. در این نوشته به الگوریتم های بارش ماهواره ای خواهیم پرداخت. پس با ما تا آخر همراه باشید.

انواع الگوریتم های بارش ماهواره ای

1- روش های غیرمستقیم که  از تصاویر باندهای مرئی (VIS) و مادون قرمز (IR) استفاده می کنند و بر پایه رابطه بین خصوصیات سطوح فوقانی ابر و ریزش باران از ابر استوار هستند. از آنجایی که این تصاویر از سنجنده های ماهواره های مدار ثابت به دست می آیند، مزیت اصلی این روش ها، در دسترس بودن تصاویر در هر 30 دقیقه و با تفکیک مکانی 1 تا 8 کیلومتر می باشد ولی با وجود اینکه اطلاعات نسبتا خوبی در مورد بود یا نبود و همچنین ویژگی هاي ابر می دهند، و از پوشش مکانی خوبی برخوردار هستند، به دلیل اینکه با فیزیک ابر در ارتباط نیستند خطا داشته و  براي برآورد رویداد هاي منفرد بارش کافی نیستند.

2- روش های مستقیم که از تصاویر تابش مایکروویو استفاده می کند. ارتباط بین بارندگی و تابش مایکروویو نسبت به مادون قرمز قابل اعتماد تر است، چرا که این بخش از تابش ها قادر است با  نفوذ در ابر و واکنش با هیدرومتئور های موجود در آن تخمین دقیق تری ارائه دهد ولی به لحاظ قرار گیری سنجنده های مایکروویو روی ماهواره های مدار پایین ، نمونه برداری کم مانع از تخمین دقیق بارندگی در مقیاس های زمانی کوتاه می باشند.

3- روش های ترکیبی با ترکیب دو روش ذکر شده قادرند شکاف های موجود در هر روش را پر کرده و تخمین های بهتری با دقت بالای مکانی و زمانی بیشتر قابل قبول ارائه دهند. محصولات مورد استفاده در این تحقیق نیز که توضیحی در مورد هر کدام ارائه خواهد شد، اغلب به روش ترکیبی عمل می کنند.

TRMM

از الگوریتم های بارش ماهواره ای، روش TRMM است. ماهواره TRMM (عمليات اندازه گيري بارش گرمسيري) ماموريت مشترك سازمان ملي هوانوردي و فضايي ايالات متحده آمريكا (NASA) و آژانس اکتشافات هوا فضای ژاپن (JAXA) مي باشد. اين ماهواره در 27 نوامبر 1997 با اهداف پايش و مطالعه ي بارش مناطق گرمسيري و اقیانوس ها و دریاها و چگونگي تاثير اين بارش برآب و هواي جهاني  به فضا پرتاب شد. ماهواره TRMM  دارای مدار تقریبا دایراه ای در ارتفاع 403 کیلومتری با زاویه میل 35 درجه نسبت به مدار استوا  قرار گرفته و حاوی پنج سنجنده متفاوت است که سه سنجنده ی  تصويربردار ميكروویو TMI، رادار بارش  PR و اسكنر مادون قرمز و مرئي VIRS مربوط به اندازه گیری بارش می باشند.

حتما بخوانید  موشکافی فایل MTL ماهواره لندست

پایگاه اطلاعات علوم زمین ناسا (GESDISC) به تازگی محصول TRMM TMPA  را با تفکیک مکانی 0.25 درجه منتشر کرده است که عرض های جغرافیایی 50 درجه شمالی تا 50 درجه جنوبی را پوشش می دهد. محصول تخمین بارش TMPAبه دو صورت نزدیک به زمان واقعی TMPA-RT و دیگری با تاخیر زیاد نسبت به زمان وقوع در دسترس کاربر قرار می گیرند. در این محصول از سنجنده های میکروویو غیرفعال TMI، SSMI، SSMIS  و AMSR-E (نصب شده روی ماهواره ی Aqua) و AMSU-B  (روی ماهواره ی نوا ) وMHS  بوده و منبع تصاویر مادون قرمز (IR) مرکز پیش بینی آب و هوا (CPC) می باشد.

GSMaP

یکی از معتبرترین الگوریتم های بارش ماهواره ای که کاربرد زیادی دارد GSMaP می باشد. پروژه نقشه ی ماهواره ای جهانی بارش (GSMaP) در سال 2002 توسط سازمان دانش و تکنولوژی ژاپن (JST) به منظور فراهم کردن محصول بارش با تفکیک مکانی- زمانی بالا و مقیاس جهانی و با استفاده از داده های رادیومتریک مایکروویو و ماهواره های زمین آهنگ، ایجاد شد. این روش نیز شامل دو الگوریتمMVK  و MWR می باشد که هر کدام محصولی با تفکیک زمانی به ترتیب 0.25 و 0.1 درجه و تفکیک زمانی 1 ساعته در دسترس کاربران قرار می دهند. علامت + در مقابل آنها نشان دهنده ی استفاده از AMSU-B  (مربوط به ماهواره نوا) در الگوریتم می باشد.

الگوریتم های بارش ماهواره ای

GSMaP-MWR+

ایده ی پایه ی این الگوریتم ، یافتن بهترین رابطه بین آهنگ بارش تخمین زده شده از یک مدل انتقال تابشی (RTM) و دمای درخشندگی (TBs) حاصل از سنجنده TMI ، می باشد. این روش ابتدا توسط آنوشی و لیو (2000) ابداع شد و در سال 2009 توسط آنوشی و همکاران تکامل یافت.

مدل انتقال تابشی از 3 نوع متغیر استفاده می کند:

متغیرهای اتمسفری: دما ، رطوبت نسبی و ارتفاع ناحیه ی انجماد ، آب قابل بارش ابر

متغیرهای سطحی: دمای سطح زمین و سرعت باد در سطح دریا

متغیرهای مربوط به بارش: پروفایل بارش، انکسار ذرات یخ و مخلوط آب و یخ ، توزیع اندازه ی قطرات و ناهمگنی افقی بارش

RTM  که یک مدل فیزیکی است بر پایه شبیه سازی فیزیکی انتقال تابش امواج الکترومغناطیس در محیط مورد مطالعه عمل می کند.این مدل درحالت مستقیم  با درنظر گرفتن اجزاء موجود در محیط و موثر در بازتاب (متغیر های ذکر شده) و همچنین تابش ورودی (تابش خورشید) به عنوان ورودی ، طیف انتظاری بازتاب شده از عارضه را شبیه سازی می کنند. در نتیجه جدول مرجع (LUT)  بین بارندگی و دمای درخشندگی (TB)تشکیل می شود. با استفاده از جدول مرجع و PCT37 و PCT85 برای خشکی ها و سواحل و دمای درخشندگی (TBs) با قطبیدگی عمودی 10، 19 و 37 گیگاهرتز برای اقیانوس ها، شدت بارش تخمین زده می شود.

حتما بخوانید  آموزش نرم افزار Arc GIS را از کجا شروع کنیم؟

GSMAP_MVK+

ﺷﺪت و ﺷﻜﻞ ﺑﺎرش ﺗﻮﺳﻂ ﺗﺼﺎوﻳﺮ ﻣﺎﻳﻜﺮووﻳﻮ و ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻣﻴﺰان ﭘﺮاﻛﻨﺶ و اﻧﺘﺸﺎر از ﻗﻄﺮات ﺑﺎران ﻣﺤﺎﺳﺒﻪ ﻣﻲﺷﻮد. ولی در بازه ی زمانی بین دو تصویر متوالی رادیومتر مایکروویو ، شدت بارش در عمل ثابت نیست. بنابراین هدف اصلی این الگوریتم تخمین بارش در این فاصله زمانی است. جهت رفع این شکاف با بهره گیری از تصاویر مادون قرمز (که با فاصله زمانی کمتری در دسترس هستند) یک سری بردار که نماینده حرکت افقی ابرها در این فاصله زمانی هستند، حاصل می شوند. نتایج حاصل از رادیومتر مایکروویو در راستای این بردارها به صورت پس و پیش انتشار تعمیم داده می شوند و سپس بهترین تخمین از میانگین وزنی بین این دو به نسبت فاصله زمانی از هر تصویر مایکروویو ، ناشی می گردد. این روش را اصطلاحا Morphing  می گویند که در محصول ماهواره ای CMORPH نیز از آن استفاده می گردد. ولی برای کاهش هر چه بیشتر خطا از روش فیلتر کالمن استفاده می گردد. فيلتر كالمن فيلتري بازگشتي براي پردازش داده ها است كه با كمك مجموعه اي از اندازه گيري هاي ناقص و داراي نوفه و نيز با استفاده از ديناميك حاكم بر مدل، حالت سامانه ديناميكي را برآورد مي كند. تفکیک زمانی 1 ساعته محصول GSMaP-MVK ایجاب می کند تصاویری با محدودیت زمانی کم و در دسترس برای تخمین بارش به کار گرفته شود. تصاویر مادون قرمز این قابلیت را دارند. ولی بین دمای بالای ابر حاصل از این تصاویر و شدت بارش در سطح زمین رابطه ای با واریانس بالا موجود است. از این رو استفاده از فیلتر کالمن می تواند تا حد زیادی این مشکل را مرتفع سازد.

فيلتر كالمن انواع متفاوتي دارد؛ در فیلتر کالمن ساده که در اینجا از آن استفاده شده ، فرض بر این است که رابطه بین حالت نامعلوم متغیر(شدت بارش به دست آمده ازIR) در زمان 1+t و حالت آن در زمان t رابطه ای خطی است.

PERSIANN-CCS

از دیگر الگوریتم های بارش ماهواره ای می توان به PERSIAN-CSS اشاره کرد. این روش توسط مرکز آب و هواشناسی و سنجش از دور (CHRS) دانشگاه ایرواین درکالیفرنیا در نتیجه تکامل روش PERSIANN ابداع شد. داده های این محصول با تفکیک مکانی 0.4درجه ی طول و عرض جغرافیایی و تفکیک مکانی 3 ساعته در دسترس است. مراحل به کار گرفته شده در این روش و مختصری از توضیح آن ها به شرح زیر است:

حتما بخوانید  دانلود اطلاعات پایگاه بازتحلیل شده اقلیمی NCEP CFSR

1- قطعه بندی تصویر مادون قرمز ابرها

2- استخراج ویژگی های ابر از روی قطعه ها

3- طبقه بندی خصوصیات

4- تخمین بارش

برای قطعه بندی از روش Watershed استفاده می شود که با تعیین کردن کمینه ی  محلی برای دمای ابر و در نظر گرفتن آن به عنوان بذر (Seed) آغاز می شود. سپس یک آستانه ی دمایی به آن اختصاص یافته و با افزایش این دما در هر مرحله پیکسل های که زیر حد آستانه هستند به  دور بذر اصلی جمع شده و در نهایت ناحیه هایی با مرز های مشخص را شکل می دهند. پروسه تا زمانی ادامه می یابد که آستانه ی دمایی به مرز جدا شدن وقوع بارش از عدم وقوع برسد.

با توجه به فرم و سایز، ابرها به دسته هایی تقسیم شده و خصوصیاتی چون دما، هندسه و بافت ابر در سه حد آستانه ی دمایی (220،235 و 253 کلوین) از این دسته ها استخراج می گردند. در مرحله بعد این ویژگی ها در یک نقشه ی دو بعدی بر اساس میزان شباهت طبقه بندی می شوند. این کار توسط یک الگوریتم خوشه بندی بدون نظارت به نام نقشه های ویژگی خود سامان ده (SOFM) انجام می شود. SOFM یک سیستم طبقه بندی دو لایه است که لایه اول در بر گیرنده ویژگی های ورودی و لایه دوم شامل یک شبکه دو بعدی از واحدهای پردازش گر می باشد.

واحد ها در یك فرآیند یادگیری رقابتی نسبت به الگوهای ورودی منظم می شوند. محل واحدها در شبكه به گونه ای نظم می یابد که برای ویژگی های ورودی، یك دستگاه مختصات معنی دار روی شبكه ایجاد شود. بعد از آموزش شبکه، ویژگی های مشابه، به نزدیک ترین گروه ابر اختصاص می یابند. چند ویژگی شاخص  خوشه ی j  به عنوان پارامترهای رابط بین ورودی و واحد خروجی j  معرفی می شوند. هر گروه ابر که خصوصیاتی نزدیک به این پارامترها داشته باشند به خوشه j نسبت داده می شوند.

گام بعدی اختصاص دادن شدت بارش به پیکسل های پس زمینه ی ابرهای طبقه بندی شده می باشد.با روش تطابق احتمال ، توسط بارش تخمین زده شده از تصاویر مایکروویو ، دمای بالای ابر( حاصل شده از مادون قرمز) برای هر پیکسل واسنجی شده و شدت بارش حاصل می گردد.

الهه گودرزی
نظر خود را بنویسید:
ثبت دیدگاه
دیدگاه های کاربران
مهتا
12:23 - 1399/09/12
پاسخ دهید

با سلام و عرض ادب
ببخشید من میخواستم اگر امکانش هست سایتی جهت دریافت اطلاعات و داده های ماهواره ای به بنده معرفی بفرمایید . ممنون

    الهه گودرزی
    16:58 - 1399/09/12
    پاسخ دهید

    با سلام و ادب ...
    Earthexplorer

علی
15:44 - 1399/01/28
پاسخ دهید

سلام و عرض ادب و احترام، سوال بنده این است که، چگونه میتوان با استفاده از تصاویر ماهواره ای noaa سنجنده avhrr میزان بارش یک منطقه را تخمین زد، با سپاس

لطفا صبر کنید