阅读原文

이전|다음

공간 인접 특성을 고려한 MODIS PWV 신경망 보정 모델

추상적인

위성 원격 탐지 기술은 대기 수증기 함량 탐지의 주류 수단 중 하나로, 높은 공간 해상도의 뚜렷한 장점을 가지고 있습니다. 그러나 이 기술은 탐지 정밀도가 낮아 대기 수증기 변화 연구 요구를 충족시키기 어렵습니다. 기존 연구들은 고정밀 GNSS PWV "지점식" 데이터를 활용하여 "면식" 원격 탐지 수증기 데이터를 적절히 보정하고, 정확한 위성 원격 탐지 수증기 제품을 획득해 왔습니다. 그러나 기존 연구들은 대부분 GNSS 관측소와 원격 탐지 픽셀 간의 "점식" 공간 매칭 데이터를 기반으로 보정 모델을 구축하여, 대기 수증기의 국부적 강한 상관성이라는 중요한 영향을 간과하여 보정 능력이 제한적입니다. 이에 본 논문은 수증기 공간 인접 상관성을 출발점으로 하여, 머신 러닝 기술의 비선형 처리 장점을 활용하여 공간 인접 특성을 고려한 MODIS 수증기 제품 신경망 보정 모델을 구축하였습니다. 이 모델은 BP 신경망 알고리즘을 프레임워크로 하여, 규모 범위 내 MODIS 제품의 구름 정보, 지표 피복 유형, 센서 공간 자세 등 비선형 영향 요소들을 모델 입력 매개변수로 선정하였습니다. 미국 서부 지역의 GNSS 및 MODIS PWV 데이터를 기반으로 한 실험 결과, 본 논문에서 제안한 모델로 보정한 MODIS PWV의 평균 제곱근 오차(RMSE)는 2.13mm로, 널리 사용되는 선형 보정 모델에 비해 RMSE가 46.21% 감소했으며, 현재의 "점식" 매칭 모델 보정 결과와 비교할 때 RMSE가 12.35% 감소하였습니다. 시간 및 공간 차원에서의 비교 결과, 본 논문에서 제안한 모델 보정 제품의 RMSE는 2.0~3.0mm 사이에서 안정적으로 유지되어, 공간 인접 특성을 고려한 보정 모델이 원격 탐지 수증기 제품 보정에 있어 우수성을 입증하였으며, 수증기 분포의 정밀 시공간 정보를 반영할 수 있음을 나타냅니다.

키워드

MODIS PWV;GNSS PWV;PWV 보정;공간 상관성;BP 신경망

1 인용문

최근 몇 년 동안 극단적인 날씨 재해 사건이 빈발하여 사람들의 생명 재산 안전에 중대한 영향을 끼쳤으며, 고정밀도의 수증기 정보를 얻는 것이 날로 중요해지고 있다.대기 강수량 PWV (Precipitable Water Vapor) 는 강수 잠재력을 나타내는 중요한 근거이자 극단적인 기상 이벤트와 기후 변화를 예측하는 중요한 매개 변수이므로 고정밀 PWV 획득은 강우 정보를 예보하고 과학적이고 효과적인 분석을 수행하는 중요한 데이터 지원 (张克非等，2022；姚宜斌和赵庆志，2022）。

현재 위성 원격 탐지 수증기 탐지 수단은 전통적인 탐지 수단 중 관측 원가가 높고 공간 해상도가 떨어지는 등의 문제를 효과적으로 개선할 수 있다.중해상도 이미징 분광기 무디스 (Moderate Resolution Imaging Spectroradiometer) 수증기 제품은 공간 연속성과 해상도가 킬로미터급에 달하는 장점을 가지고 있으며, 현재 수증기 분석에 사용되는 중요한 데이터 소스이다.그러나 강수, 구름 및 지표 반사 스펙트럼 등 환경 불확정 요소로 인해 획득한 수증기 제품의 정밀도가 높지 않아 현재 고정밀 수증기 정보의 수요를 만족시킬 수 없다 (Gurbuz和Jin，2017）。글로벌 항법 위성 시스템 GNSS (Global Navigation Satellite System) 기술의 고속 발전과 GNSS 측정소의 광범위한 분포에 따라 획득한 고정밀 PWV 데이터는 이미 전 세계적으로 수증기 제품의 중요한 보충이 되었다.GNSS PWV는 고정밀도, 저비용, 전천후 관측의 장점을 가지고 있지만 GNSS 측정소의 공간 분포가 희소하고 데이터 제품의 공간 해상도가 낮다(Vaquero-Martínez和Antón，2021；万玮等，2016）。탐공 자료에서 계산한 강수량 데이터에 근거하여 GNSS PWV를 검증한 결과, 둘 사이의 편차와 균방근 오차 RMSE(Root Mean Squared Error)는 모두<2mm(刘备等，2019；Liang等，2015）。이 문서에서 GNSS PWV 정밀도 검증을 위해 에어 프로브 PWV를 사용한 RMSE는 1.42mm로 무디스 PWV의 정밀도 교정 요구 사항을 충족하며 둘 사이에 좋은 양의 관련성이 있음을 나타냅니다.양자의 장점을 종합하여 GNSS PWV를 참고값으로 이용하여 무디스 PWV를 교정하는 것은 신뢰성이 있으며 현재 핫이슈 연구 내용이다.

현재 국내외 학자들은 GNSS PWV를 이용하여 MOIDS PWV를 교정하는 다양한 방법을 속속 제시하고 있다.刘备等（2019）중국 본토 구조환경감시망(CMONOC)에서 제공하는 GNSS 사이트 관측자료를 이용해 무디스 PWV를 보정해 기상업무 요구를 충족할 수 있는 밀리미터급 정밀도 제품을 얻는다.杨娇等（2020）홍콩 지역의 서로 다른 달의 수증기 데이터에 근거하여 서로 다른 월간 선형 회귀 모델을 구축하여 균방근 오차가 2.33~6.61mm로 개선되었다.马赛等（2021）구축된 선형 교정 모델을 토대로 잔차의 스펙트럼 분석을 통해 비선형 연간 주기 항목을 도입하여 교정함으로써 정밀도가 현저히 개선되었다.이와 동시에 기계학습계산법은 원격감지수증기제품교정분야에 널리 응용되였다.수증기 제품의 데이터 양이 크고 비선형 영향 요소가 많은 등의 특징은 기계 학습의 강력한 학습 능력과 비선형 데이터 처리 능력에 적합하다.Xu和Liu（2022）역방향 전파 신경망 BPNN(Back Propagation Neural Network)을 사용하여 무디스 데이터의 서로 다른 방사선 대역에서 얻은 수증기 정보, 경위도, 고도 및 클라우드 정보 등을 입력으로 하고 고정밀 GNSS PWV를 출력으로 하여 호주 지역의 전천후 무디스 수증기 제품 이용 정밀도를 대폭 향상시켰다.Zhang和Yao（2021）넓은 의미의 회귀 신경망 GRNN(General Regression Neural Network)을 사용하여 고품질 GNSS PWV, 무디스 PWV, ERA5 재분석 자료에서 PWV 데이터를 융합하여 원시 무디스 PWV에 비해 RMSE가 37.1% 감소하여 보정 결과의 정밀도가 크게 향상되었습니다.

대기의 수증기 함량은 공간의 큰 척도 아래에서의 분포에 현저한 차이가 존재하지만 국역의 작은 척도의 공간 범위 내에서 수증기 요소 간의 상호작용은 대기의 강수 가능량의 국역 공간 관련성을 강화한다.이와 동시에 원격관측기술을 리용하여 획득한 각종 데이터제품, 례를 들면 대기강수가능량, 구름정보와 지표피복류형 등은 다자도의 공간관련 특성을 갖고있어 실제응용에서 데이터척도의 차이는 부동한 정보와 응용가치를 제공할수 있다 (Van Noord와 Postma, 2017;明冬萍等，2008）。현재 기계 학습 알고리즘을 프레임워크로 하는 보정 모델은 GNSS PWV를 이용하여 원격 감지 수증기 제품을 보정할 때 GNSS 측정소와 원격 감지 픽셀 점을 바탕으로"점식"공간 매칭을 진행하며, 매칭 픽셀 지점의 원격 감지 데이터를 보정 모델의 입력 매개변수로 하며, 국역 공간 범위 내의 관련 매개변수가 수증기 분포에 미치는 영향은 고려하지 않는다.대기 강수량은 그 주변 범위 내의 대기 상태와 밀접한 관계가 있으며, 공간 인접 지역 범위 내의 수증기 파라미터를 고려하여 국역 공간 범위 내의 수증기 분포의 세부 정보를 더욱 잘 발굴하여 모델 교정 능력을 향상시킬 수 있다.

요약하자면, 이 글은 무디스 PWV 보정 제품의 정밀도를 한층 더 향상시키기 위해 신경망 알고리즘을 이용하여 공간 인접 지역의 특징을 고려한 무디스 PWV 신경망 보정 모델을 구축하였다.우선, 국역 공간 범위 내의 원격 감지 수증기 제품에 대해 관련성 분석을 하고 합리적인 공간 척도 범위를 확정한다.둘째, 이 범위 내의 무디스 제품의 시간 시퀀스, 경위도, 클라우드 정보, 지표 덮어쓰기 유형 등의 매개변수를 보정 모델의 입력으로 선택하여 무디스 PWV를 보정한다.마지막으로 본고에서 제시한 모델 교정 결과를 전통적인 선형 모델,'점식'일치 모델과 원시 데이터를 종합적으로 비교하고 공간과 시간 두 차원에서 본고에서 제시한 모델의 유효성과 안정성을 검증한다.이와 동시에 고정밀도탐공수치를 참고값으로 리용하여 교정전후의 무디스 PWV제품에 대해 정밀도검증을 진행하여 본 글의 모형의 타당성을 한층 더 설명해야 한다.

2 연구 영역 및 데이터

2.1 연구 구역

이번 실험에서 선택한 연구 지역은 30°N-50°N, 126°W-102°W의 미국 서부 육지 지역이다.Fig. 1이와 같이 이 연구구역에는 서해안과 내륙지역이 포함되는데 태평양의 수증기수송 및 복잡하고 다양한 내륙지형의 영향으로 온대 대륙성기후, 온대 해양성기후, 고산기후 등 다양한 기후류형이 형성되여 구역내의 강수정보가 다양화되였다.Fig. 1중청색 지점은 GNSS 측정소를 대표하며, 연해 및 평원 지역에 비교적 밀집되어 있고, 내륙 고원 지역에 분포가 희소하여 전체 연구 지역을 포괄하고 있다;적색점은 탐공소를 대표하며 연구구역내에 비교적 균일하게 분포되여있다.연구 구역 내에는 모두 2272개의 GNSS 관측소와 29개의 탐공소가 있어 교정 모델 구축에 충분한 고품질 데이터 소스를 제공할 수 있다.

Fig. 1 Study area and station distribution

2.2 연구 데이터

（1）MODIS PWV。무디스 센서는 우주 해상도가 1km인 MOD05_L2와 MYD05_L2 수증기 제품을 제공하며, NASA가 제공하는 웹사이트에서 직접 ([2024-05-23]) 다운로드하여 얻을 수 있습니다.원격 영상 데이터를 추출할 때 무디스 PWV 외에 각 픽셀 점 요소의 경위도, 영상 시간, 위성 천정각, 위성 방위각, 태양 천정각, 태양 방위각, 클라우드 정보와 지표 커버리지 유형 등 매개 변수 정보를 동시에 얻을 수 있다.이 실험에서 모두 31776점의 원시 영상 데이터를 다운로드하였다.

（2）GNSS PWV。Yuan等（2023）기존 GPS Integrated Water Vapor (IWV) 데이터 세트를 최적화하여 2020 년 5 min의 시간 해상도로 전 세계적으로 GNSS PWV 데이터 향상을 획득했습니다.연구 지역 범위에 따라 데이터 세트를 필터링하여 총 2272 개의 측정소에서 GNSS PWV 데이터를 얻었습니다.

(3) 탐공소 PWV.탐공 기구에 탑재된 무선 탐공기를 기반으로 온도, 압력, 상대 습도 등의 매개변수를 관측해 고정밀 PWV를 추가로 계산했다.탐공소 PWV는 다른 유형의 수증기 제품의 정밀도를 평가하는 중요한 참고로 사용된다 (郑志卿等，2023）。이 실험에 사용된 데이터는 미국 와이오밍 대학의 웹 사이트에서 다운로드 받았습니다 (［2024-05-23］）。

2.3 실험 데이터 처리

2.3.1 GNSS PWV 정밀도 검사

Yuan等（2023）제공된 향상된 GNSS PWV 데이터의 시간 해상도는 5min인 반면 익스플로러 PWV 데이터의 시간 해상도는 12h이다. 고정밀 익스플로러 PWV를 이용하여 GNSS PWV를 검사하기 전에 두 데이터를 시공간(같은 시각, 거리 임계값 5km)으로 일치하는 11167쌍의 데이터를 얻어야 한다.GNSS PWV의 품질 분석은 일치하는 데이터에 따라 수행됩니다.Fig. 2GNSS PWV와 탐공 PWV의 차이는 대부분 ± 3mm 사이입니다.Fig. 2두 데이터 간의 상관관계가 현저하게 나타나고 상관관계가 0.98에 달하며 의합선의 기울기는 0.97, RMSE는 1.42mm이다. 상기 데이터는 실험에 사용된 향상된 GNSS PWV 데이터의 품질이 비교적 높아 표준값으로 무디스 PWV를 교정하는 정밀도 요구를 만족시킬 수 있음을 보여준다.

Fig. 2 Accuracy verification of GNSS PWV

2.3.2 데이터 세트 생성

이 글은 GNSS 측정소의 단일 포인트 데이터를 교정 기준치로 삼고, 미국 항공우주국이 제공하는 무디스 제품은 영상 데이터이며, 추출 후의 데이터 형식은 면상으로 공간적으로 완전히 일치하지 않기 때문에 데이터 세트를 구축할 때 양자에 대한 시공간 매칭 (같은 시각, 거리 임계값 5km) 을 진행해야 하며, 총 1011119쌍의 매칭 데이터를 얻는다.이와 동시에 현재 일부 무디스 PWV 교정연구에서 구름조건이 맑은 하늘일 때의 수증기제품만 선택하여 일정한 데터의 결핍을 초래하고있다.본 연구는 무디스 PWV의 활용성을 더욱 향상시키기 위해 데이터 세트 생성 시 모든 클라우드 정보 아래 제품을 선택한다.

3 공간 인접 피쳐를 고려한 무디스 PWV 보정 모델

3.1 공간 인접 지역 요소의 영향성 분석

대기의 수증기 분포는 수증기 수송, 지형 변화와 기상 시스템 등 요소의 영향을 받아 공간적으로 차이가 있다.그러나 국역의 작은 척도 공간 내에서 상대적으로 안정된 기후 조건과 수증기 공급원은 기상 파라미터의 연속적이고 평온한 변화를 확보하여 기상 요소 간의 국역 공간의 강한 관련성을 형성하였다.리모컨 리모컨 기술은 픽셀을 리모컨 영상의 기본 단위로 하고 인접한 픽셀 간의 스펙트럼 특징은 일정한 유사성을 가지며 리모컨 파라미터 간의 공간 관련성을 반영한다.따라서 인접 지역 범위 내의 원격 탐지 픽셀의 매개 변수 특징을 충분히 고려하여 목표 구역 내의 더욱 풍부한 수증기 정보를 추출할 수 있어 수증기 분포의 세부 정보를 더욱 발굴하는 데 유리하다.

국역 공간 범위에서 인접한 무디스 PWV 간의 관련성을 탐구하기 위해 시공간 매칭 원칙에 따라 일치하는 무디스 픽셀 점을 중심점으로 어느 한 방향의 서로 다른 공간 거리 무디스 픽셀 점의 수증기 데이터를 추출하여 각각 중심점의 수증기 데이터와 관련성 분석을 진행한다.Fig. 3중심상 원점에서 PWV와 어느 한 방향에서 각각 1~4km 떨어진 상원점에서 PWV의 산점 밀도도와 그 상관계수를 보여주며 각각 대응한다Fig. 3- (d) 총 4개의 하위 그림입니다.원점 간 거리가 1km일 경우 PWV 데이터 상관계수는 0.93에 달한다;거리가 4km일 때 상관계수는 0.84가 된다.이로부터 알수 있는바 공간거리가 증가됨에 따라 국역공간내의 PWV 관련성이 끊임없이 약화되고 량자는 음의 관련관계를 갖고있다.

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

국역 수증기 공간 분포 법칙이 공간 인접 지역의 특징에 미치는 영향 척도를 더욱 탐구하기 위해 일치점을 중심으로 위치를 정하고 9×9 공간 범위 내의 픽셀 PWV 데이터를 선택하여 관련성 분석을 한다.에 의하여Fig. 4전체 9 × 9 공간 범위 내의 PWV와 중심 지점의 상관성이 0.8 이상에 달하는 것은 국역 공간 범위 내에서 대기 수증기의 분포가 강한 연관성을 가지고 있음을 나타낸다.이 중 3 × 3 공간 범위 내의 상관계수는 평균 0.92 이상에 달하고 같은 1열 위치에서의 전후 데이터 상관계수는 0.95에 가깝다. 센서 공간 자세로 인한 것을 고려한다.따라서 본 실험은 일치하는 중심점 주위 3x3 공간 범위를 인접 공간의 강한 관련성 영향 척도로 선정하고 일치하는 데이터 집합을 제시된 교정 모델의 입력 데이터로 한다.

Fig. 4 Spatial correlation of MODIS PWV

3.2 모델 빌드 보정

3.2.1 입력 데이터 구성

이미 무디스 PWV를 교정하는 연구에서 고정밀 무디스 PWV의 획득은 주로 경위도, 지표 고도, 시간 서열, 구름 덮개, 지표 유형 등 여러 요소의 영향을 받는다는 것을 발견했다.王佳等，2021；Chang等，2019）。무디스 센서는 근적외선 대역 구름층의 투과 능력이 약해 수증기 제품의 정밀도를 제한하는 주요 요인 중 하나다.지역별 기후 유형, 지형 차이, 계절 변화는 수증기의 수송과 분포에 영향을 미쳐 대기 중 PWV의 분포 상태를 변화시킨다.马赛等（2021）보정 후 무디스 PWV의 잔차를 스펙트럼 분석한 결과 PWV는 구름 가리개, 에어로졸 등 비선형 요인에 취약한 것으로 나타났다.Ma等（2022）토지피복류형을 고려한 신경망교정방법을 제기하여 제품의 정밀도가 뚜렷이 제고되였다.이와 동시에 연구에 따르면 센서가 부동한 공간자세에서 복사전송경로, 복사신호수신강도 등 면에서 변화를 가져와 최종적으로 원격감지영상질량에 영향을 준다 (龙腾飞等，2017）。

요약하면 교정 모델은 가져오기 레이어 데이터로 총 11개의 매개변수를 선택합니다.이 중 9가지 매개변수는 무디스 제품의 경도, 위도, 공간 연속성을 가지고 있습니다.PWV、태양 천정각, 태양 방위각, 위성 천정각, 위성 방위각, 구름 정보와 지표 유형.연적일과 일적시 교정 시간 주기 항목이 PWV의 정밀도에 미치는 영향을 선택하고 두 매개변수에 대해 각각 정현값과 여현값을 구한다.이 중 무디스 클라우드 마스크 제품에 따라 클라우드 정보를 클라우드, 불확실 클라우드, 맑은 하늘 가능성, 맑은 하늘 확인 등 4가지 유형으로 구분한다.연구 구역은 무디스 지표면 피복 유형에 따라 근안과 내륙 두 가지 유형으로 구분된다.클라우드 정보 및 지표 덮어쓰기 유형을 0-1 분포 수치 형식으로 정량화 처리하여 보정 모델에 입력합니다.레이어 데이터 구성 입력 (예:Fig. 5와 같습니다.

Fig. 5 Flowchart of MODIS PWV correction model

3.2.2 네트워크 구조 파라미터 설정

BP 신경망을 프레임으로 각각'점식'매칭 보정 모델과 공간 인접 지역 특성을 고려한 보정 모델을 구축했다.비교 결과의 과학성과 신뢰성을 확보하기 위해 두 모델은 입력층 뉴런의 수량만 다르고 같은 네트워크 구조 파라미터를 설정했다. 구체적으로 다음과 같다. 같은 학습 속도와 교체 횟수를 설정한다.경도 하강법으로 훈련한다;purelin 함수를 전달 함수로 한다.트레이닝 세트와 테스트 세트 데이터를 통합 처리합니다.

BP 신경망에서 억제 레이어 노드 수는 성능에 직접적인 영향을 미치는 중요한 매개 변수입니다.현재 대부분의 경우 경험과 여러 실험을 통해 합리적인 억제 계층 노드 수(王嵘冰等，2018）。억제층 노드 수 설정이 너무 적으면 신경망이 입력 데이터 특징에 대한 학습이 충분하지 않아 전체 효과에 영향을 미친다;숨겨진 레이어 노드 수를 너무 많이 설정하면 신경망의 학습 시간이 증가하고 효율성이 떨어지며 동시에 과잉 적합 문제도 있습니다.式（1）현재 억제된 레이어 노드 수를 결정하는 데 자주 사용되는 경험 공식으로, 입력 레이어와 출력 레이어의 매개변수 수에 따라 억제된 레이어 노드 수 분포 범위를 결정한 후 구체적인 실험 결과에 따라 최종 노드 수를 결정합니다 (沈花玉等，2008）。따라서 이 문서에서는 모델의 억제된 레이어 노드 수 경험치 결정 범위를 10-20으로 조정합니다.입력 레이어 데이터의 양이 비교적 큰 것을 고려하여 억제된 레이어 노드 수를 경험 공식이 제공하는 참조 범위에 기초하여 5개마다 50으로 증가시켜 훈련하고 훈련 결과를 비교한다.이와 동시에 수증기국역공간의 관련성의 영향을 한층 더 설명하기 위하여 각각 일치점상원처의 원격감지데이터와 그 3 × 3공간범위내의 데이터를 교정모델의 입력층데이터로 리용하여 훈련을 진행한다.훈련 효과Fig. 6이와 같이 서로 다른 억제층 노드 수에서 파란색 폴리라인은 단일 포인트 픽셀의 원격 감지 데이터를 입력 데이터로 하는 보정 결과 RMSE 변화를 나타내고, 빨간색 폴리라인은 이 글에서 제시한 공간 인접 지역 특징을 고려한 보정 모델의 보정 결과 RMSE 변화를 나타낸다.억제된 레이어 노드 수가 35로 설정되면 RMSE 변화가 느려지기 때문에 이 문서에서 언급한 모델의 억제된 레이어 노드 수는 35로 설정됩니다.

식중,은 억제된 레이어 노드 수입니다.와입력 레이어 및 출력 레이어 매개변수 수를 나타냅니다.1-1의 상수입니다.

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

4 모델 검증 분석 보정

4.1 서로 다른 모델의 정밀도 향상 대비

본고에서 언급한 공간 인접 지역 특징을 고려한 무디스 PWV 교정 모델의 타당성을 검증하기 위해 전통적인 선형 교정 모델,'점식'매칭 모델과 공간 인접 지역 특징을 고려한 교정 모델을 각각 구축하고 각 모델의 교정 결과를 정밀도 분석하여 본고에서 제시한 모델의 교정 성능을 평가한다.그 중 전통적인 선형 보정 모델과'점식'매칭 모델을 구축하는 데 사용되는 데이터 세트는 같은 시각 하에서 공간 거리가 가장 가까운 (이벤트 5km) 픽셀 점에서 매칭 데이터로 구성된다.공간 인접 영역 특성을 고려한 교정 모델을 구축하는 데 사용되는 데이터 세트는 일치 픽셀 점을 중심으로 3x3 공간 범위 내의 일치 데이터로 구성됩니다.무작위로 데이터 세트의 75% 를 트레이닝 세트로 선택하고 나머지 25% 는 테스트 세트입니다.

선형 보정 방법을 사용하여 무디스 PWV 품질을 향상시키는 것은 현재 일반적으로 사용되는 보정 방법 중 하나입니다.최소 2 곱하기 방법을 기반으로 데이터 입안을 수행하여 구축된 전통적인 선형 보정 모델은 다음과 같습니다.

식중,GNSS PWV의 경우무디스 PWV입니다.

GNSS PWV를 기준으로 테스트 세트의 원본 데이터, 기존 선형 모델 보정 결과,'점식'일치 모델 보정 결과와 이 문서에서 제시한 모델 보정 결과를 종합적으로 비교합니다.Fig. 73가지 모델을 통해 보정된 MODIS PWV 및 GNSS PWV 분산 밀도 분포도와 함께 원본 데이터를 보여줍니다.Fig. 7- (d) 총 4폭의 하위 그래프는 각각 원본 데이터, 기존 선형 모델, 점식 일치 모델과 이 문서에서 언급한 모델에 대응합니다.3가지 교정 모델 모두 어느 정도 무디스 제품의 데이터 품질을 개선할 수 있는데 그 중에서 본고에서 제시한 모델이 가장 효과가 좋다.에 의하여Fig. 7GNSS PWV는 무디스 PWV에 비해 전반적으로 큰 추세를 보이고 있으며, 두 데이터 간 상관계수는 0.69에 불과하여 고정밀 수증기 제품 수요를 직접 만족시킬 수 없음을 알 수 있다;에 의하여Fig. 7전통적인 선형 모델을 이용하여 교정하면 일정한 정밀도 수준을 향상시킬 수 있지만, PWV 수치가 시간에 비해 이 모델을 이용하여 교정하면 비교적 큰 오차가 발생한다는 것을 알 수 있다;Fig. 7및 (d) 에 따르면'점식'매칭 모델과 본고에서 제시한 공간 인접 지역 특징을 고려한 교정 모델의 결과의 상관 계수는 각각 0.92와 0.94로 무디스 데이터 제품의 품질을 대폭 향상시킬 수 있지만 분포도를 관찰한 결과 본고에서 제시한 교정 모델의 분포가 더욱 밀접하다는 것을 알 수 있다. 이는 수증기 국역 공간의 강한 관련성을 고려하는 제품의 품질을 더욱 향상시킬 수 있음을 나타낸다.

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

Table 1고정밀 GNSS PWV 및 테스트 세트 원본 데이터 및 다양한 모델 보정 후 MODIS PWV의 오차 통계를 나열합니다.표에서 알 수 있듯이, 공간 인접 도메인 특성을 고려한 무디스 PWV 보정 모델을 기반으로 얻은 보정 데이터의 평균 방근 오차는 2.13mm로 원래 보정 안 된 데이터 (RMSE=4.97mm) 에 비해 크게 개선되었고 정밀도는 57.14% 향상되었다.이와 함께 기존 선형 보정 모델 (RMSE = 3.96mm) 보다 정밀도가 46.21% 향상되었습니다."점" 일치 모델 데이터 결과보다 정밀도가 12.35% 향상되었습니다.더 나아가 수증기 공간 국역 범위 내의 관련성 영향을 고려하는 것이 고정밀 수증기 정보를 얻는 데 타당성이 있다는 것을 설명한다.

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

模型信息	MEAN	MAE	RMSE
未校正	-0.38	3.83	4.97
传统线性校正模型	0.01	3.00	3.96
“点式”匹配校正模型	-0.01	1.65	2.43
顾及空间邻域特征校正模型	0.01	1.44	2.13

4.2 시공 정밀도 검증

이 글에서 언급한 모델이 무디스 PWV 제품 품질의 타당성 및 안정성을 향상시킨다는 것을 한층 더 검증하기 위해 공간과 시간 두 차원에서 각각 테스트 세트의 원시 데이터와 각종 모델 교정 결과에 대해 오차 통계를 진행한다.Fig. 8무디스 PWV 원시 데이터 및 모델별 보정 결과와 GNSS PWV 대비 균일방근 오차의 공간 분포를 보여준다.에 의하여Fig. 8각 모델의 보정 성능은 공간 인접 지역 특징 보정 모델 > "점식" 일치 모델 > 전통적인 선형 보정 모델을 고려하여 원본 데이터가 전체 공간 범위 내에서 어느 정도 개선되었음을 알 수 있다.그림에서 연구 지역의 서북부를 예로 들면,Fig. 8원시 데이터는 이 지역의 무디스 데이터의 제품 품질이 비교적 낮고, 대부분의 포인트 RMSE가 12mm 이상에 달한다는 것을 알 수 있다;전통적인 선형 모델 보정을 이용하여 10mm 이하로 낮출 수 있지만 고정밀 수증기 제품의 수요에 도달할 수 없다;"점식" 매칭 모델 보정을 이용하여 정밀도 수준을 대폭 향상시킬 수 있지만, 일부 공간 위치에서 보정 결과는 좋지 않다;본고에서 제시한 모델을 이용하여'점식'매칭 모델의 이상적이지 않은 구역의 정밀도 수준을 효과적으로 향상시키고 수증기가 더욱 정밀화된 공간 분포 정보를 반영할 수 있다.

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

Fig. 92020년 월별 테스트 세트 원시 데이터 및 모델별 보정 결과와 GNSS PWV 대비 균방근 오차의 변화 추세를 보여준다.에 의하여Fig. 9본고에서 언급한 모델의 연간 범위 내의 교정 효과는 모두 다른 두 모델보다 우수하며, 원시 데이터에 비해 정밀도가 대폭 향상되었다는 것을 알 수 있다.본고에서 제시한 모델은 월별 교정 결과의 RMSE는 기본적으로 2.0~2.3mm에 위치하여 비교적 좋은 안정성을 가지고 있으며, 연간 시간 범위 내의 데이터에 대해 모두 좋은 교정 효과를 얻을 수 있으며, 수증기가 더욱 정밀화된 시간 변화 정보를 반영한다.

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

4.3 외부 고정밀 데이터 검증

탐공소 PWV 데이터는 실측 기상 파라미터로 계산한 것으로, 고정밀도의 특징을 가지고 있으며, 원격 감지 수증기 제품의 품질을 평가하는 데 자주 사용된다.그러나 탐공 스테이션의 PWV 데이터 시간 해상도는 낮으며 일반적으로 매일 0 시와 12 시에만 제공됩니다.따라서 이 소절은 탐공소 PWV 데이터를 이용하여 서로 다른 모델의 교정 결과 정밀도를 검증할 때 4h를 데이터로 일치하는 시간 임계값으로 하고 공간 거리는 5km를 초과하지 않는다.

Fig. 10프로브 스테이션 PWV 데이터와 이 문서에서 제시한 모델을 이용하여 결과 사이의 잔차 분포도를 교정합니다.두 데이터 간의 잔차는 대부분 -3-3mm에 분포하고 그 평균치는 -0.65mm로 본고에서 제시한 모델을 이용하여 얻은 교정 결과가 실제 응용의 정밀도 요구를 만족시킬 수 있음을 설명한다.

Fig. 10 Schematic plot of residual distribution

Table 2서로 다른 모델 교정 결과와 탐공소 PWV 오차 통계를 열거한 결과, 탐공소 PWV를 표준값으로 본고에서 제시한 모델을 이용하여 테스트 세트 교정 결과를 얻은 균방근 오차는 2.50mm로 원시 데이터, 전통적인 선형 교정 모델과 일반 교정 모델에 비해 정밀도가 각각 53.79%, 41.18%, 5.0% 향상되었음을 알 수 있다.한층 더 설명하자면, 국역 수증기 공간 관련성의 영향을 고려하면 원격 감지 수증기 제품의 품질을 효과적으로 향상시킬 수 있으며, 수증기 분포의 정밀화 시공 정보를 반영하기 위해 데이터 지탱을 제공할 수 있다.

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

模型	MEAN	MAE	RMSE
未校正	-0.14	4.28	5.41
传统线性校正模型	-0.37	3.28	4.25
“点式”匹配校正模型	-0.42	1.94	2.63
顾及空间邻域特征校正模型	-0.65	1.89	2.50

5결론

현재"사이트식"고정밀 GNSS PWV를 이용하여 원격 감지 수증기 제품을 교정하는 방법에는 한계가 있으며, 대기 수증기 국역의 강한 관련성의 중요한 영향을 무시한다.이 문제에 대해 본고는 공간 인접 지역의 특징을 고려한 무디스 PWV 신경망 교정 모델을 제시하고 2020년 한 해 동안 미국 육지 지역을 연구 구역으로 선정하여 교정 결과와'점식'일치 모델, 전통적인 선형 모델 교정 결과 및 고정밀 정거장 PWV 데이터 시스템 검증 분석을 실시하여 주로 다음과 같은 결론을 얻었다.

(1) 매칭점 픽셀을 중심으로 9×9 공간 범위 내의 PWV와 매칭점의 PWV를 추출하여 관련성 분석을 하고 국역 수증기 공간 분포 법칙이 공간 인접 지역의 특징 척도에 미치는 영향 메커니즘을 탐구한다.그 중 3 × 3 공간 범위 내의 데이터 간에는 강한 관련성이 있으며, 상관 계수는 평균 0.92 이상에 달하며, 교정 모델의 입력 레이어 매개변수 공간 인접 영역 척도를 선택하는 합리적인 범위이다.

(2) BP 신경망을 프레임으로 공간 인접 지역의 특징을 고려한 무디스 PWV 신경망 보정 모델을 구축하고 시간 시퀀스, 센서 공간 자세, 클라우드, 지표 유형 등 비선형 정밀도 영향 요소를 충분히 고려하여 무디스 PWV 데이터 품질을 효과적으로 개선했다.RMSE는 원본 데이터에 비해 57.14% 향상되었습니다.RMSE는 점식 일치 보정 모델에 비해 12.35% 향상되었습니다.이와 동시에 제시된 모델은 공간과 시간 두 차원에서 모두 량호한 안정성을 보여주었는데 전반 공간범위내의 대부분 구역의 RMSE는 3mm이하이고 부동한 달간의 교정결과의 RMSE는 2.0~2.3mm에 안정되여 높은 시간과 높은 공간해상도를 고루 돌보았다.

(3) 본고에서 제시한 교정모델 결과와 고정밀 탐공소 PWV 데이터 간의 잔차 분포 범위가 비교적 작아 탐공소 PWV 데이터가 부족한 시간 내 고정밀 수증기 정보의 수요를 만족시킬 수 있으며, 수증기 분포의 정밀화 시공 정보를 정확하게 반영하기 위해 데이터 지탱을 제공한다.

References

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.
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.
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.
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.
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.
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.
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.
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.
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.
Van Noord N and Postma E. 2017. Learning scale-variant and scale-invariant features for deep image classification. Pattern Recognition, 61: 583-592
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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

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