پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 11 |
| تعداد شماره‌ها | 219 |
| تعداد مقالات | 2,195 |
| تعداد مشاهده مقاله | 3,184,339 |
| تعداد دریافت فایل اصل مقاله | 2,301,104 |
کالیبراسیون داده‌های بخارآب سنجنده مودیس با استفاده از شبکه عصبی پرسپترون چندلایه و مشاهدات رادیوسوند | ||
| پژوهش های سنجش از دور و اطلاعات مکانی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 12 خرداد 1404 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22061/jrsgr.2025.11605.1090 | ||
| نویسندگان | ||
| کمال قبادی1؛ اسلام جوادنیا* 1؛ هادی جلیلی2؛ آرش زندکریمی2 | ||
| 1گروه مهندسی نقشه برداری، دانشکده مهندسی، دانشگاه زنجان، زنجان، ایران | ||
| 2پژوهشگاه فضایی ایران، تهران، ایران | ||
| تاریخ دریافت: 26 دی 1403، تاریخ بازنگری: 01 خرداد 1404، تاریخ پذیرش: 10 خرداد 1404 | ||
| 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. | ||
| عنوان مقاله [English] | ||
| Calibration of MODIS Water Vapor Data Using Multi-Layer Perceptron Neural Network and Radiosonde Observations | ||
| نویسندگان [English] | ||
| Kamal Ghobadi1؛ Eslam Javadnia1؛ Hadi Jalili2؛ Arash Zandkarimi2 | ||
| 1Department of Surveying Engineering, Faculty of Engineering, University of Zanjan, Zanjan, Iran | ||
| 2Iranian 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. | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 9 |
||