前の章|次の章

空間隣接特徴を考慮したMODIS PWVニューラルネットワーク補正モデル

  • role： First author第一作者
  • Affiliation：

    School of Environment Science and Spatial Informatics, China University of Mining and Technology, Xuzhou 221116, China

  • Email：ts22160147p31@cumt.edu.cn
  • Introduction：刘洋，研究方向为遥感数据融合与处理。E-mail： ts22160147p31@cumt.edu.cn
LIU Yang1,  
  • role： Corresponding author通信作者
  • Affiliation：

    School of Environment Science and Spatial Informatics, China University of Mining and Technology, Xuzhou 221116, China

    MNR Key Laboratory of Land Environment and Disaster Monitoring, China University of Mining and Technology, Xuzhou 221116, China

  • Email：zhangwy@cumt.edu.cn
  • Introduction：张文渊，研究方向为GNSS气象学、遥感数据融合与处理、水汽层析。E-mail： zhangwy@cumt.edu.cn
ZHANG Wenyuan12*,  
  • Affiliation：

    Laixi Bureau of Natural Resources, Qingdao 266600, China

LI Wenyun3,  
  • Affiliation：

    School of Environment Science and Spatial Informatics, China University of Mining and Technology, Xuzhou 221116, China

    MNR Key Laboratory of Land Environment and Disaster Monitoring, China University of Mining and Technology, Xuzhou 221116, China

ZHANG Shubi12,  
  • Affiliation：

    School of Environment Science and Spatial Informatics, China University of Mining and Technology, Xuzhou 221116, China

ZHANG Kefei1,  
  • Affiliation：

    School of Environment Science and Spatial Informatics, China University of Mining and Technology, Xuzhou 221116, China

WANG Nandi1,  
  • Affiliation：

    School of Environment Science and Spatial Informatics, China University of Mining and Technology, Xuzhou 221116, China

GAO Yu1,  
  • Affiliation：

    School of Environment Science and Spatial Informatics, China University of Mining and Technology, Xuzhou 221116, China

WANG Mengyao1

サマリー

衛星リモートセンシング技術は、大気中の水蒸気含有量を探知する主要な手段の一つであり、高い空間解像度という顕著な利点を有します。しかしながら、この技術の探知精度は低く、大気中の水蒸気変化の研究ニーズを満たすことが困難です。既存の研究では、高精度GNSS PWVの「点検型」データを用いて「面検型」リモートセンシング水蒸気データの適正な補正を行い、精度の高い衛星リモートセンシング水蒸気製品を取得しています。しかしながら、既存研究の多くはGNSS観測局とリモートセンシングピクセル点の「点補正」空間マッチングデータに基づいた補正モデルを構築しており、大気水蒸気の局所的な強い相関性という重要な影響を無視しているため、補正能力に限界があります。これを踏まえ、本稿では水蒸気の空間隣接相関を切り口に、機械学習技術の非線形処理の利点を活かし、空間隣接特徴を考慮したMODIS水蒸気製品のニューラルネットワーク補正モデルを構築しました。本モデルはBPニューラルネットワークアルゴリズムを枠組みとし、スケール範囲内のMODIS製品の雲情報、地表被覆タイプ、センサー空間姿勢などの非線形影響要素をモデル入力パラメータに選定しています。米国西部地域のGNSSおよびMODIS PWVデータに基づく実験結果から、本稿で提案したモデルによる補正後のMODIS PWVの二乗平均平方根誤差は2.13mmであり、広く用いられている線形補正モデルと比較して二乗平均平方根誤差が46.21%低減、現在の「点補正」マッチングモデルの補正結果と比べても12.35%低減しています。時間および空間次元での比較結果は、本モデル補正製品の二乗平均平方根誤差が2.0～3.0mmに安定していることを示し、空間隣接特徴を考慮した補正モデルの衛星リモートセンシング水蒸気製品補正における優位性を証明し、水蒸気分布の精緻な時空間情報を反映しています。

キーワード

MODIS PWV;GNSS PWV;PWV補正;空間相関;BPニューラルネットワーク

1はじめに

近年、極端な気象災害事件が頻発し、人々の生命財産の安全に重大な影響を与え、高精度の水蒸気情報を得ることがますます重要になっている。大気降水可能量PWV（Precipitable Water Vapor）は降水潜在力を特徴付ける重要な根拠であると同時に、極端な気象事象と気候変動を推定する重要なパラメータでもあるため、高精度PWVを取得することは降雨情報を予報し、科学的に有効な分析を行う重要なデータの支えである（张克非 等，2022；姚宜斌和赵庆志，2022）。
現在、衛星リモートセンシング水蒸気探査手段は伝統的な探査手段の中で観測コストが高く、空間分解能が悪いなどの問題を効果的に改善することができる。中解像度イメージング分光器MODIS（Moderate Resolution Imaging Spectroradiometer）水蒸気製品は空間的に連続し、解像度が千メートル級に達する利点があり、現在水蒸気分析に使用されている重要なデータソースである。しかし、降水、雲層及び地表反射スペクトルなどの環境不確定要素により取得された水蒸気製品の精度は高くなく、現在の高精度水蒸気情報の需要を満たすことができない（Gurbuz和Jin，2017）。グローバルナビゲーション衛星システムGNSS（Global Navigation Satellite System）技術の高速発展とGNSS測所の広範な分布に伴い、取得された高精度PWVデータはすでに世界規模の水蒸気製品の重要な補充となっている。GNSS PWVは高精度、低コスト、全天候観測の利点があるが、GNSS測所の空間分布はまばらで、データ製品の空間分解能は低い（Vaquero-Martínez和Antón，2021；万玮 等，2016）。探査資料から計算した降水可能量データに基づいてGNSS PWVを検証したところ、両者間の偏差と二乗平均誤差RMSE（Root Mean Squard Error）はいずれも＜2 mm（刘备 等，2019；Liang等，2015）。本文では、プローブステーションPWVを用いたGNSS PWV精度の検証により、RMSEは1.42 mmであり、補正MODIS PWVの精度要求を満たし、両者の間に良好な正の相関性があることが明らかになった。両者の優位性を総合して、GNSS PWVを参考値としてMODIS PWVを補正することは信頼性があり、現在のホットな研究内容である。
現在、国内外の学者はGNSS PWVを利用してMOIDS PWVを補正する方法を次々と提案している。刘备等（2019）中国大陸構造環境モニタリングネットワーク（CMONOC）が提供するGNSSサイト観測資料を用いてMODIS PWVを補正し、気象業務の要求を満たすことができるミリレベルの精度製品を得た。杨娇等（2020）香港地区の異なる月の水蒸気データに基づき、異なる月間線形回帰モデルを構築し、平均平方根誤差を2.33-6.61 mmに改善した。马赛等（2021）確立された線形補正モデルに基づいて、残差のスペクトル解析に非線形年周期項を導入して補正を行うことにより、精度は明らかに改善された。同時に、機械学習アルゴリズムはリモートセンシング水蒸気製品の補正分野に広く応用されている。水蒸気製品のデータ量が大きく、非線形影響要素が多いなどの特徴は、機械学習の強大な学習能力と非線形データ処理能力と適合している。Xu和Liu（2022）逆伝播ニューラルネットワークBPNN（Back Propagation Neural Network）を採用し、MODISデータの異なる放射帯域から取得した水蒸気情報、緯度、高度及びクラウド情報などを入力とし、高精度GNSS PWVを出力とし、オーストラリア地区の全天候利用可能なMODIS水蒸気製品の精度を大幅に向上させた。Zhang和Yao（2021）広義回帰ニューラルネットワークGRNN（General Regression Neural Network）を用いて、高品質GNSS PWV、MODIS PWVとERA 5再分析資料中のPWVデータを融合し、元のMODIS PWVに比べてRMSEは37.1%低下し、補正結果の精度は顕著に向上した。
大気中の水蒸気含有量の空間的大スケールでの分布には顕著な差異があったが、局所的小スケールの空間的範囲内では、水蒸気要素間が相互作用し、大気降水可能量の局所的空間的相関性を強化した。同時に、リモートセンシング観測技術を利用して獲得した各種データ製品、例えば大気降水可能量、雲情報と地表カバータイプなど、多尺度の空間相関特性を持ち、実際の応用におけるデータ尺度の違いは異なる情報と応用価値を提供することができる（Van NoordとPostma、2017、明冬萍 等，2008）。現在、機械学習アルゴリズムをフレームワークとする補正モデルはGNSS PWVを用いてリモートセンシング水蒸気製品を補正する際、GNSS測所とリモートセンシング画素点に基づいて「点式」空間マッチングを行い、収差要素におけるリモートセンシングデータを補正モデルの入力パラメータとしてマッチングし、局所空間範囲内の相関パラメータが水蒸気分布に与える影響を考慮していない。大気降水可能量はその周辺範囲内の大気状態と密接な関係があり、空間近傍範囲内の水蒸気パラメータを考慮すると、局所空間範囲内の水蒸気分布の詳細情報をよりよく掘り出し、モデルの補正能力を高めることができる。
以上より、MODIS PWV補正製品の精度をさらに向上させるために、本文はニューラルネットワークアルゴリズムを利用して、空間近傍の特徴を考慮したMODIS PWVニューラルネットワーク補正モデルを構築した。まず、局所空間範囲内のリモートセンシング水蒸気製品に対して相関性分析を行い、合理的な空間尺度範囲を確定する。次に、この範囲内のMODIS製品の時系列、経緯度、雲層情報、地表カバータイプなどのパラメータを補正モデルの入力として選択し、MODIS PWVを補正した。最後に、本文で提案したモデル補正結果と伝統的な線形モデル、「点式」マッチングモデル及び生データを総合的に比較し、空間と時間の2つの次元から本文で提案したモデルの有効性と安定性を検証する。同時に、高精度のプローブデータを参考値として補正前後のMODIS PWV製品に対して精度検証を行い、本文モデルの実行可能性をさらに説明する。

2研究領域とデータ

2.1研究区域

今回の実験で選択した研究区域は米国西部の陸地地区で、範囲は30°N-50°N、126°W-102°Wである。例えばFig. 1示したように、この研究区域は西海岸と内陸地区を含み、太平洋の水蒸気輸送及び複雑で多様な内陸地形の影響を受け、この区域は温帯大陸性気候、温帯海洋性気候、高山気候などの多様な気候類型を形成し、区域内の降水情報の多様化を招いた。Fig. 1中青点位はGNSS測所を代表し、沿海及び平原地区に密集し、内陸高原地区は疎らに分布し、全体の研究区域をカバーする。赤色のポイントは探空ステーションを表し、研究エリア内での分布は比較的均一である。研究エリア内には2272のGNSS観測ステーションと29の探空ステーションがあり、補正モデルの構築に十分な高品質データソースを提供することができる。
figure

Fig. 1 Study area and station distribution

2.2研究データ

（1）MODIS PWV。MODISセンサは、米国航空宇宙局が提供するウェブサイト（［2024-05-23］）をダウンロードして取得します。リモートセンシング画像データを抽出する場合、MODIS PWVのほか、各ピクセル点要素の緯度、イメージング時間、衛星天頂角、衛星方位角、太陽天頂角、太陽方位角、雲情報、地表カバータイプなどのパラメータ情報を同時に得ることができる。本文の実験では合計31776枚のオリジナル映像データをダウンロードした。
（2）GNSS PWV。Yuan等（2023）既存のGPS Integrated Water Vapor（IWV）データセットを最適化することで、2020年の世界規模のGNSS PWVデータ拡張版を取得し、時間分解能は5 minである。研究領域範囲に基づいてデータセットをフィルタリングし、2272の測定局のGNSS PWVデータを得た。
（3）探査ステーションPWV。探空気球に搭載された無線探空機に基づいて温度、圧力、相対湿度などのパラメータを観測し、さらに計算して高精度PWVを得た。探査ステーションPWVは、他のタイプの水蒸気製品の精度を評価する重要な参考とされている（郑志卿 等，2023）。本論文で実験に用いたデータは、米国ワイオミング大学のウェブサイトでダウンロードして取得した（［2024-05-23］）。

2.3実験データ処理

2.3.1 GNSS PWV精度検査

Yuan等（2023）提供される強化版GNSS PWVデータの時間分解能は5 minであるが、探空局PWVデータの時間分解能は12 hである。高精度探空局PWVを用いてGNSS PWVを検査する前に、2つのデータに対して時空整合（同時刻、閾値から5 km）を行う必要があり、合計11167対の整合データを得る。GNSS PWVをマッチングデータに基づいて質量分析し、例えばFig. 2示すように、GNSS PWVとプローブ空PWVの差のほとんどは±3 mmの間に位置している。Fig. 22つのデータの間に顕著な正の相関性があり、相関係数は0.98に達し、フィッティング直線の傾きは0.97、RMSEは1.42 mmであることを示した。上述のデータは、実験に選択された強化版GNSS PWVデータの品質が高く、標準値としてMODIS PWVを補正する精度要求を満たすことができることを示した。
figure
figure

Fig. 2 Accuracy verification of GNSS PWV

2.3.2データセット生成

本文はGNSS測所の単点データを補正基準値とし、米国航空宇宙局が提供するMODIS製品は映像データであり、抽出後のデータ形式は面状であり、空間的に完全に一致していないため、データセットを構築する際には両者を時空整合（同時刻、閾値から5 km）し、合計101119対の整合データを得る必要がある。同時に、現在の一部のMODIS PWV補正研究では、雲条件が晴天時の水蒸気製品のみを選択し、一定のデータの欠落を招いている。MODIS PWVの利用可能性をさらに向上させるために、本研究ではデータセット生成時にすべてのクラウド情報下の製品を選択する。

3空間近傍特性を考慮したMODIS PWV補正モデル

3.1空間近傍要素の影響性分析

大気中の水蒸気分布は水蒸気輸送、地形変化と気象システムなどの要素の影響を受けて空間的に差異がある。しかし、局所的な小尺度空間内では、比較的安定した気候条件と水蒸気源が、気象パラメータの連続的な安定した変化を確保し、それによって気象要素間の局所空間の強い相関性を形成した。リモートセンシング反転技術は画像要素をリモートセンシング画像の基本単位とし、隣接する画像要素間のスペクトル特徴は一定の類似性を持ち、反転パラメータ間の空間相関性を反映している。そのため、近隣範囲内のリモートセンシング素子のパラメータ特徴を十分に考慮し、目標領域内のより豊富な水蒸気情報を抽出することができ、水蒸気分布の詳細情報をさらに発掘するのに有利である。
局所空間範囲における隣接MODIS PWV間の相関性を探究するために、時空整合の原則に基づいて、整合したMODIS絵元点を中心点として、ある方向に異なる空間距離MODIS絵元点における水蒸気データを抽出し、それぞれ中心点位の水蒸気データと相関性分析を行った。Fig. 3中心絵素点におけるPWVとある方向にそれぞれ1〜4 km離れた絵素点におけるPWVの散点密度図とその相関係数を示し、それぞれ対応するFig. 3-（d）合計4枚のサブダイアグラム。画素点間距離が1 kmの場合、そのPWVデータ相関係数は0.93に達し、距離が4 kmの場合、相関係数は0.84となる。空間距離の増加に伴い、局所空間内のPWV相関は絶えず弱くなり、両者は負の相関関係を呈していることがわかる。
figure
figure
figure
figure
figure

Fig. 3 Scatter density plot of MODIS PWV at different spatial distances

局所水蒸気空間分布規則が空間近傍特徴に与える影響尺度をさらに探究するために、整合点を中心点位として、9×9空間範囲内の絵素点PWVデータを選択して相関分析を行った。由Fig. 4全体の9×9空間範囲内のPWVと中心点位の相関性は0.8以上に達し、局所空間範囲内で大気水蒸気の分布が強い相関性を持っていることを示している。そのうち、3×3空間範囲内の相関係数は平均0.92以上に達し、同じ1列位置における前後のデータ相関係数は0.95に近く、センサ空間姿勢によるものと考えられる。そこで、本実験では、近傍空間の強い相関影響尺度として整合中心点周囲の3×3空間範囲を選択し、その整合から得られたデータセットを提案した補正モデルの入力データとした。
figure

Fig. 4 Spatial correlation of MODIS PWV

3.2補正モデル構築

3.2.1入力データ構成

MODIS PWVを補正する研究によると、高精度MODIS PWVの取得は主に経緯度、地表標高、時系列、雲被覆、地表タイプなど多くの要素に影響される（王佳 等，2021；Chang等，2019）。MODISセンサの近赤外帯域雲層透過能力は弱く、水蒸気製品の精度を制限する主要な要素の一つである。異なる地域の気候タイプ、地形の違い、季節の変化は水蒸気の輸送と分布に影響を与え、大気中のPWVの分布状態を変化させる。马赛等（2021）補正後のMODIS PWVの残差をスペクトル分析した結果、PWVは雲の遮蔽、エアロゾルなどの非線形要素の影響を受けやすいことが分かった。Ma等（2022）土地被覆タイプを考慮したニューラルネットワーク補正方法を提案し、製品の精度が顕著に向上した。同時に、センサが異なる空間姿勢の下で放射線伝送路、放射信号受信強度などの面で変化をもたらし、最終的にリモートセンシング映像品質（龙腾飞 等，2017）。
以上より、補正モデルは合計11種類のパラメータを入力層データとして選択した。そのうち9種類のパラメータは空間連続性を有し、それぞれMODIS製品の経度、緯度、PWV、太陽天頂角、太陽方位角、衛星天頂角、衛星方位角、雲情報、地表タイプ。年積日と日積を選択した場合の補正時間周期項がPWVに与える精度の影響を選択し、2つのパラメータにそれぞれ正弦値と余弦値を求めます。その中で、MODISクラウドマスク製品に基づいてクラウド情報をクラウドあり、クラウドあり、スカイあり、スカイありの4種類に分け、MODIS地表カバータイプに基づいて、研究エリアを近岸と内陸の2つのタイプに分けた。クラウド情報と地表カバレッジタイプを0-1分布の数値形式に変換する定量化処理を行い、補正モデルに入力します。レイヤーデータの構成を入力します。たとえば、Fig. 5を参照してください。
figure

Fig. 5 Flowchart of MODIS PWV correction model

3.2.2ネットワーク構造パラメータの設定

BPニューラルネットワークをフレームワークとしてそれぞれ「点式」整合補正モデルと空間近傍特徴を考慮した補正モデルを構築した。比較結果の科学性と信頼性を保証するために、2種類のモデルは入力層ニューロンの数だけが異なり、同じネットワーク構造パラメータを設定し、具体的には以下の通りである：同じ学習速度と反復回数を設定する、勾配降下法を用いて訓練を行う、purelin関数を伝達関数とする、トレーニングセットとテストセットのデータを正規化します。
BPニューラルネットワークにおいて、暗黙層ノード数は性能に直接影響する重要なパラメータである。現在では、経験と複数回の実験によって合理的な暗黙層ノード数（王嵘冰 等，2018）。暗黙層ノード数の設定が少なすぎると、ニューラルネットワークは入力データの特徴学習に十分ではなく、全体の効果に影響を与える、隠し層節点数の設定が多すぎると、ニューラルネットワークの学習時間が増加し、効率が低下するとともに、「オーバーフィット」の問題も存在する。式（1）は現在よく使用されている暗黙層ノード数を決定する経験式であり、入力層と出力層のパラメータ数に基づいて暗黙層ノード数分布範囲を決定し、後に具体的な実験結果に基づいて最終ノード数（沈花玉 等，2008）。これにより、本文の補正モデルの暗黙層ノード数経験値は10-20の範囲を決定した。入力層のデータ量が大きいことを考慮して、暗黙層ノード数を経験式が提供する参照範囲に基づいて、5つずつ50に増やして訓練を行い、訓練結果を比較する。同時に、水蒸気の局所空間相関性の影響をさらに説明するために、整合点収差要素におけるリモートセンシングデータとその3×3空間範囲内のデータを補正モデルの入力層データとしてそれぞれ利用して訓練を行った。トレーニングの効果Fig. 6所示，在不同隐含层节点数下，蓝色折线代表以单点像元处遥感数据为输入数据的校正结果RMSE变化，红色折线代表本文所提出顾及空间邻域特征校正模型的校正结果RMSE变化。当隐含层节点数设置为35以后，RMSE变化趋于平缓，因此本文所提模型隐含层节点数设置为35。
式中、抑制されたレイヤノードの数、和入力レイヤと出力レイヤのパラメータ数をそれぞれ表し、は1～1の定数です。
figure

Fig. 6 Comparison of tuning parameters accuracy among different correction model network structure

4補正モデル検証解析

4.1異なるモデルの精度向上比較

本文で提案した空間近傍特徴MODIS PWV補正モデルの実行可能性を検証するために、それぞれ伝統的な線形補正モデル、「点式」整合モデル及び空間近傍特徴補正モデルを構築し、そして各モデルの補正結果に対して精度分析を行い、本文で提案したモデルの補正性能を評価する。ここで、従来の線形補正モデルと「点式」整合モデルを構築するために用いられるデータセットは、同一時刻において空間距離が最も近い（閾値5 km）画素点における整合データからなる、空間近傍特徴を考慮した補正モデルを構築するために使用されるデータセットは、マッチングされた画素点を中心とした3×3空間範囲内のマッチングデータからなる。トレーニングセットとしてデータセットの75%をランダムに選択し、残りの25%はテストセットです。
線形補正方法を用いてMODIS PWV品質を向上させることは、現在よく使われている補正方法の一つである。最小二乗法に基づいてデータフィッティングを行い、構築された従来の線形補正モデルは以下の通りである：
式中、GNSS PWVであり、MODIS PWVです。
GNSS PWVを基準値として、比較テストセットの生データ、伝統的な線形モデルの補正結果、「点式」マッチングモデルの補正結果と本文で提案したモデルの補正結果を統合する。Fig. 7生データ及び3種類のモデルによる補正後のMODIS PWVとGNSS PWV散点密度分布図を示し、Fig. 7-（d）合計4枚のサブプロットは、それぞれ生データ、従来の線形モデル、「点式」マッチングモデル、および本明細書で提案されたモデルに対応している。3種類の補正モデルはいずれもMODIS製品のデータ品質をある程度改善することができ、その中で本文で提案したモデルの効果は最も良い。由Fig. 7GNSS PWVはMODIS PWVに比べて全体的にやや大きい傾向を示し、両データ間の相関係数はわずか0.69であり、高精度水蒸気製品の需要を直接満たすことができない、由Fig. 7従来の線形モデル補正を利用すると一定の精度レベルを高めることができるが、PWV値が小さい場合にはこのモデル補正を利用すると大きな誤差が生じることがわかる。Fig. 7と（d）は、「点式」整合モデルと本文で提案した空間近傍特徴を考慮した補正モデルを利用して得られた結果の相関係数はそれぞれ0.92と0.94であり、いずれもMODISデータ製品の品質を大幅に向上させることができるが、分布図を観察すると、本文で提案した補正モデルの分布を利用してより緊密であり、水蒸気局所空間の強い相関性の影響を考慮して補正製品の品質をさらに向上させることができることを表明した。
figure
figure
figure
figure
figure

Fig. 7 Scatter density plot of correction results from different models

Table 1高精度GNSS PWVとテストセットの生データと各種モデルの補正後のMODIS PWVの誤差統計をリストした。表から分かるように、空間近傍の特徴を考慮したMODIS PWV補正モデルに基づいて得られた補正データは、その二乗平均誤差が2.13 mmであり、元の未補正データ（RMSE＝4.97 mm）に比べて顕著に改善され、精度が57.14%向上した。同時に、従来の線形補正モデル（RMSE=3.96 mm）と比較して、精度は46.21%向上した、「点」マッチングモデルのデータ結果と比較して、精度は12.35%向上しました。さらに、水蒸気空間の局所範囲内の相関影響を考慮することは、高精度水蒸気情報の取得にとって実行可能性があることを説明する。

Table 1 Error statistics of MODIS PWV before and after correction using different models

模型信息MEANMAERMSE
未校正-0.383.834.97
传统线性校正模型0.013.003.96
“点式”匹配校正模型-0.011.652.43
顾及空间邻域特征校正模型0.011.442.13

4.2時空精度検証

本文で提案したモデルがMODIS PWV製品の品質を向上させる実行可能性と安定性をさらに検証するために、空間と時間の2つの次元から、それぞれテストセットの生データと各種モデルの補正結果に対して誤差統計を行った。Fig. 8MODIS PWV生データ及び各モデルの補正結果とGNSS PWVの比較下の二乗平均誤差の空間分布を示した。由Fig. 8各モデルの補正性能は、空間近傍特徴補正モデル＞「点式」マッチングモデル＞伝統的な線形補正モデルを考慮して、生データに対して全体の空間範囲内で異なる程度の改善があることが分かる。図中の研究エリア北西部を例に、Fig. 8元のデータから分かるように、この領域のMODISデータ製品の品質は比較的に悪く、大部分のポイントRMSEは12 mm以上に達した、伝統的な線形モデル補正を利用して10 mm以下に下げることができるが、高精度の水蒸気製品の需要を達成することができない、「点式」マッチングモデルによる補正は、精度レベルを大幅に向上させることができるが、一部の空間位置での補正結果は理想的ではない、本文で提案したモデルを利用して、効果的に「点式」マッチングモデルの補正不理想領域の精度レベルを向上させ、水蒸気のより精密化された空間分布情報を反映することができる。
figure
figure
figure
figure
figure

Fig. 8 Spatial distribution plot of RMSE for correction results from different models

Fig. 92020年の異なる月におけるテストセットの生データ及び各モデルの補正結果とGNSS PWVの比較における二乗平均誤差の変化傾向を示した。由Fig. 9本文で提案したモデルの年間範囲内の補正効果は他の2つのモデルより優れており、元のデータに比べて精度が大幅に向上していることがわかる。本文で提案したモデルは異なる月の補正結果のRMSEは基本的に2.0-2.3 mmであり、比較的に良い安定性があり、年間時間範囲内のデータに対して良好な補正効果を達成でき、水蒸気のより精密化された時間変化情報を反映することができる。
figure

Fig. 9 Monthly variation plot of RMSE for correction results from different models

4.3外部高精度データ検証

探査ステーションPWVデータは実測気象パラメータから計算され、高精度の特徴があり、リモートセンシング水蒸気製品の品質評価によく用いられる。しかし、プローブステーションPWVのデータの時間分解能は低く、通常は1日の0時と12時だけです。そこで、本節では、プローブステーションPWVデータを用いて異なるモデル補正結果の精度を検証する場合、4 hをデータマッチングの時間閾値とし、空間距離は5 kmを超えない。
Fig. 10プローブステーションPWVデータと本明細書で提案したモデルを用いた補正結果との間の残差分布図である。両データ間の残差の多くは−3−3 mmに分布し、その平均値は−0.65 mmであり、本文で提案したモデルを用いて取得した補正結果が実際の応用の精度要求を満たすことができることを説明した。
figure

Fig. 10 Schematic plot of residual distribution

Table 2異なるモデルの補正結果とプローブステーションPWV誤差の統計比較をリストアップし、プローブステーションPWVを基準値とし、本文で提案したモデルを利用してテストセットの補正結果を得た平均二乗誤差は2.50 mmであり、元データ、伝統的な線形補正モデルと通常の補正モデルと比べて、精度はそれぞれ53.79%、41.18%、5.0%向上した。さらに説明すると、局所的な水蒸気空間相関性の影響を考慮することはリモートセンシング水蒸気製品の品質を効果的に向上させ、水蒸気分布を反映する精密化された時空情報にデータサポートを提供することができる。

Table 2 Error statistics of PWV from different model correction results compared with radiosonde PWV

模型MEANMAERMSE
未校正-0.144.285.41
传统线性校正模型-0.373.284.25
“点式”匹配校正模型-0.421.942.63
顾及空间邻域特征校正模型-0.651.892.50

5結節論

現在、「サイト式」高精度GNSS PWVを用いてリモートセンシング水蒸気製品を補正する方法には限界があり、大気水蒸気の局所的な強い相関性の重要な影響を無視している。この問題に対して、本文は空間近傍の特徴を考慮したMODIS PWVニューラルネットワーク補正モデルを提案し、2020年通年の範囲内の米国陸地地区を研究区域とし、補正結果と「点式」整合モデル、伝統的な線形モデル補正結果及び高精度探査ステーションPWVデータシステム検証分析を選択し、主に以下の結論を得た：
（1）整合点絵素を中心として、9×9空間範囲内のPWVと整合点におけるPWVを抽出して相関分析を行い、局所水蒸気空間分布規則が空間近傍特徴尺度に与える影響メカニズムを探究する。そのうち、3×3空間範囲内のデータ間に強い相関性があり、相関係数は平均0.92以上に達し、補正モデル入力層パラメータ空間近傍尺度を選択する合理的な範囲である。
（2）BPニューラルネットワークをフレームワークとして空間近傍の特徴を考慮したMODIS PWVニューラルネットワーク補正モデルを構築し、時系列、センサ空間姿勢、雲層、地表タイプなどの非線形精度影響要素を十分に考慮し、MODIS PWVデータ品質を効果的に改善した。元のデータに比べて、RMSEは57.14%上昇した。RMSEは、「ドット」マッチング補正モデルの結果と比較して12.35%向上した。同時に、提案したモデルは空間と時間の2つの次元で良好な安定性を示し、全体の空間範囲内の大部分の領域RMSEは3 mm以下で、異なる月の補正結果のRMSEは2.0-2.3 mmで安定しており、高い時間と高い空間分解能を両立している。
（3）本文所提校正模型结果与高精度探空站PWV数据间的残差分布范围较小，可满足探空站PWV数据缺失时间内高精度水汽信息的需求，为准确反映水汽分布的精细化时空信息提供数据支撑。

References

  1. 1.
    Chang L, Xiao R Y, Prasad A A, Gao G P, Feng G P and Zhang Y. 2019. Cloud mask-related differential linear adjustment model for MODIS infrared water vapor product. Remote Sensing of Environment, 221: 650-664
  2. 2.
    Gurbuz G and Jin S G. 2017. Long‐time variations of precipitable water vapour estimated from GPS, MODIS and radiosonde observations in Turkey. International Journal of Climatology, 37(15): 5170-5180
  3. 3.
    Liang H, Cao Y C, Wan X M, Xu Z F, Wang H S and Hu H. 2015. Meteorological applications of precipitable water vapor measurements retrieved by the national GNSS network of China. Geodesy and Geodynamics, 6(2): 135-142
  4. 4.
    Liu B, Wang Y, Lou Z S and Zhan W. 2019. The MODIS PWV correction based on CMONOC in Chinese mainland. Acta Geodaetica et Cartographica Sinica, 48(10): 1207-1215
  5. 5.
    Long T F, Jiao W L, Zhang Z M and He G J. 2017. Method for calculating observation zenith angle and azimuth angle of pixel of satellite image. CN, 104121884B
  6. 6.
    Ma S, Yue Y C, Shangguan M, Zou Y X and Ding M H. 2021. A correction model for MODIS precipitable water vapor based on GNSS data. Journal of Nanjing University of Information Science and Technology (Natural Science Edition), 13(2): 154-160
  7. 7.
    Ma X W, Yao Y B, Zhang B, Qin Y X, Zhang Q and Zhu H. 2022. An improved MODIS NIR PWV retrieval algorithm based on an artificial neural network considering the land-cover types. IEEE Transactions on Geoscience and Remote Sensing, 60: 5622412
  8. 8.
    Ming D P, Wang Q and Yang J Y. 2008. Spatial scale of remote sensing image and selection of optimal spatial resolution. Journal of Remote Sensing (in Chinese), 12(4): 529-537
  9. 9.
    Shen H Y, Wang Z X, Gao C Y, Qin J, Yao F B and Xu W. 2008. Determining the number of BP neural network hidden layer units. Journal of Tianjin University of Technology, 24(5): 13-15
  10. 10.
    Van Noord N and Postma E. 2017. Learning scale-variant and scale-invariant features for deep image classification. Pattern Recognition, 61: 583-592
  11. 11.
    Vaquero-Martínez J and Antón M. 2021. Review on the role of GNSS meteorology in monitoring water vapor for atmospheric physics. Remote Sensing, 13(12): 2287
  12. 12.
    Wan W, Chen X W, Peng X F, Bai W H, Xia J M, Liang H, Zhang X M, Xiong P, Yang T, Cao Y C, Yin C, Zhao L M and Hong Y. 2016. Overview and outlook of GNSS remote sensing technology and applications. Journal of Remote Sensing (in Chinese), 20(5): 858-874
  13. 13.
    Wang J, Li Q and Wei J H. 2021. Study on the data correction of MODIS precipitable water vapor of Qinghai Province. Journal of Qinghai University, 39(2): 77-84
  14. 14.
    Wang R B, Xu H Y, Li B and Feng Y. 2018. Research on method of determining hidden layer nodes in BP neural network. Computer Technology and Development, 28(4): 31-35
  15. 15.
    Xu J F and Liu Z Z. 2022. A back propagation neural network-based algorithm for retrieving all-weather precipitable water vapor from MODIS NIR measurements. IEEE Transactions on Geoscience and Remote Sensing, 60: 5633614
  16. 16.
    Yang J, Shi L, Wang Q W and He Q Q. 2020. Moderate resolution imaging spectroradiometer near-infrared water vapor linear regression model based on the global positioning system data. Tropical Geography, 40(1): 137-144
  17. 17.
    Yao Y B and Zhao Q Z. 2022. Research progress and prospect of monitoring tropospheric water vapor by GNSS technique. Acta Geodaetica et Cartographica Sinica, 51(6): 935-952
  18. 18.
    Yuan P, Blewitt G, Kreemer C, Hammond W C, Argus D, Yin X G, Van Malderen R, Mayer M, Jiang W P, Awange J and Kutterer H. 2023. An enhanced integrated water vapour dataset from more than 10 000 global ground-based GPS stations in 2020. Earth System Science Data, 15(2): 723-743
  19. 19.
    Zhang B and Yao Y B. 2021. Precipitable water vapor fusion based on a generalized regression neural network. Journal of Geodesy, 95(3): 36
  20. 20.
    Zhang K F, Li H B, Wang X M, Zhu D T, He Q M, Li L J, Hu A D, Zheng N S and Li H Z. 2022. Recent progresses and future prospectives of ground-based GNSS water vapor soundina. Acta Geodaetica et Cartographica Sinica, 51(7): 1172-1191
  21. 21.
    Zheng Z Q, Zhang K F, Shi J Q and Zhang M H. 2023. Analysis of GNSS water vapor detection accuracy and temporal sequence characteristics in different climate types in China. Science of Surveying and Mapping, 48(10): 68-77

続きを読む

The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website