Resumo
A tecnologia de sensoriamento remoto por satélite é um dos principais métodos para detectar o conteúdo de vapor de água atmosférico, apresentando a vantagem significativa de alta resolução espacial. No entanto, essa tecnologia possui precisão relativamente baixa, dificultando atender às demandas de pesquisa sobre variações do vapor de água atmosférico. Pesquisas anteriores vêm utilizando dados GNSS PWV “do tipo estação” de alta precisão para corrigir adequadamente os dados de vapor de água de sensoriamento remoto “do tipo área”, obtendo produtos precisos de vapor de água por sensoriamento remoto por satélite. Contudo, a maioria das pesquisas existentes baseia-se em modelos de correção construídos a partir de dados de correspondência espacial “pontual” entre estações GNSS e pixels de sensoriamento remoto, ignorando a importante influência da forte correlação local do vapor de água atmosférico, limitando sua capacidade de correção. Diante disso, este artigo parte da correlação espacial vizinha do vapor de água, aproveitando as vantagens do processamento não linear das técnicas de aprendizado de máquina, para construir um modelo de correção de rede neural para produtos MODIS que leva em consideração as características do vizinho espacial. O modelo utiliza o algoritmo da rede neural BP como estrutura, selecionando como parâmetros de entrada fatores não lineares como informações de nuvens, tipo de cobertura do solo e postura espacial do sensor dentro da faixa de escala do produto MODIS. Os resultados experimentais baseados em dados GNSS e MODIS PWV da região oeste dos Estados Unidos indicam que o erro quadrático médio da raiz (RMSE) dos produtos MODIS PWV corrigidos pelo modelo proposto é de 2,13 mm, representando uma redução de 46,21% em relação ao modelo de correção linear amplamente utilizado; e uma redução de 12,35% em comparação com os resultados de correção do atual modelo de correspondência “pontual”. Comparações nas dimensões temporal e espacial indicam que o RMSE dos produtos corrigidos pelo modelo proposto se estabiliza entre 2,0 e 3,0 mm, demonstrando a superioridade do modelo de correção que considera as características do vizinho espacial na correção de produtos de vapor de água de sensoriamento remoto, refletindo informações espaço-temporais detalhadas sobre a distribuição de vapor de água.
Palavras-chave
MODIS PWV;GNSS PWV;correção PWV;correlação espacial;rede neural BP
1 Introdução
Os desastres climáticos extremos frequentes nos últimos anos têm causado um impacto significativo na segurança das vidas e propriedades das pessoas, e o acesso a informações de vapor de água de alta precisão é cada vez mais importante. O PWV (Vapor de Água Precipitable) é uma base importante para caracterizar o potencial de precipitação e também um parâmetro importante para prever eventos climáticos extremos e mudanças climáticas, por isso a obtenção de um PWV de alta precisão é um apoio importante para a previsão de informações sobre a precipitação e a realização de análises científicas eficazes.张克非 等，2022；姚宜斌和赵庆志，2022）。
Atualmente, os meios de detecção de vapor de água por satélite podem melhorar eficazmente problemas como o alto custo de observação e a má resolução espacial nos meios de detecção tradicionais. Os produtos de vapor de água MODIS (Moderate Resolution Imaging Spectroradiometer) têm a vantagem de serem espacialmente contínuos e de alcançar resoluções de até quilômetros e são atualmente uma fonte importante de dados para análise de vapor de água. No entanto, incertezas ambientais como chuvas, nuvens e espectro de reflexão da superfície levam a produtos de vapor de água obtidos com pouca precisão para atender às necessidades atuais de informações de vapor de água de alta precisão.Gurbuz和Jin，2017）。 Com o rápido desenvolvimento da tecnologia GNSS (Sistema Global de Navegação por Satélite) e a ampla distribuição de estações de teste GNSS, os dados PWV de alta precisão obtidos se tornaram um complemento importante para produtos de vapor de água em todo o mundo. O GNSS PWV tem as vantagens de alta precisão, baixo custo e observação em todo o tempo, mas a distribuição espacial das estações de teste GNSS é escasa e a resolução espacial dos produtos de dados é baixa.Vaquero-Martínez和Antón，2021；万玮 等，2016）。 Os dados de precipitação calculados com base em dados de sondagem para validar o GNSS PWV são conhecidos, o desvio entre ambos e o erro médio de raiz quadrada RMSE (Root Mean Squared Error) <2 mm.刘备 等，2019；Liang等，2015）。 Neste artigo, a validação de precisão do GNSS PWV com o PWV da sonda indica que o RMSE é de 1,42 mm, cumprindo os requisitos de precisão para a correção do PWV MODIS e com uma boa correlação positiva entre os dois. A combinação das vantagens dos dois, a confiabilidade da correção do PWV do MODIS usando o GNSS PWV como valor de referência, é o conteúdo do estudo atual.
Atualmente, estudiosos nacionais e estrangeiros propõem várias formas de usar GNSS PWV para corrigir MOIDS PWV.刘备等（2019）Utilizando dados de observação do local GNSS fornecidos pela Rede de Monitoramento Ambiental Construído da China Continental (CMONOC), o MODIS PWV foi corrigido para obter produtos de precisão em escala milimétrica que atendam às exigências das operações meteorológicas.杨娇等（2020）De acordo com os dados de vapor de água de vários meses na região de Hong Kong, diferentes modelos de regressão linear intermensual foram estabelecidos e o erro médio da raiz quadrada foi melhorado para 2,33-6,61 mm.马赛等（2021）Com base no modelo de correção linear estabelecido, a precisão foi significativamente melhorada através da introdução de itens de ciclo anual não linear para a análise do espectro residual. Ao mesmo tempo, os algoritmos de aprendizado de máquina são amplamente utilizados na área de correção de produtos de vapor de água de detecção remota. A grande quantidade de dados dos produtos de vapor de água, muitos fatores de influência não lineares e outras características, são adequadas à capacidade de aprendizagem de máquina e capacidade de processamento de dados não lineares.Xu和Liu（2022）A utilização da rede neural de propagação inversa BPNN (Back Propagation Neural Network) para obter informações de vapor de água, longitude, latitude, altura e nuvem obtidas em diferentes bandas de radiação dos dados MODIS como entrada, com alta precisão GNSS PWV como saída, melhora significativamente a precisão dos produtos de vapor de água MODIS disponíveis durante todo o tempo na Austrália.Zhang和Yao（2021）Usando a rede neural de regressão geral GRNN (General Regression Neural Network), a fusão de dados de PWV de alta qualidade em dados de reanálise GNSS PWV, MODIS PWV e ERA5, o RMSE diminuiu 37,1% em comparação com o original MODIS PWV, melhorando significativamente a precisão dos resultados de correção.
A distribuição do teor de vapor de água atmosférico varia significativamente em grandes escalas espaciais, mas em pequenas escalas locais, a interação entre os elementos do vapor de água aumenta a relevância espacial local da precipitabilidade atmosférica. Ao mesmo tempo, vários produtos de dados obtidos com tecnologia de observação remota, como precipitação atmosférica, informações sobre nuvens e tipos de cobertura da superfície, têm características espaciais em múltiplas escalas, e as diferenças na escala de dados em aplicações práticas podem fornecer diferentes informações e valores de aplicação (Van Noord e Postma, 2017;明冬萍 等，2008）。 Atualmente, o modelo de correção baseado em algoritmos de aprendizado de máquina utiliza GNSS PWV para corrigir produtos de vapor de água de detecção remota, com base na estação de teste GNSS e pontos de pixel de detecção remota para combinar os dados de detecção remota da imagem como parâmetros de entrada do modelo de correção, sem levar em conta o impacto dos parâmetros relevantes no espaço local na distribuição de vapor de água. A precipitação atmosférica pode estar estreitamente relacionada com o estado atmosférico dentro de sua área circundante, levando em conta os parâmetros do vapor de água na área de vizinhança espacial, pode melhor explorar informações detalhadas sobre a distribuição do vapor de água no espaço local e melhorar a capacidade de correção do modelo.
Em resumo, para melhorar ainda mais a precisão do produto de correção de PWV MODIS, este artigo utiliza algoritmos de rede neural para construir um modelo de correção de rede neural PWV MODIS que leva em consideração as características da vizinhança espacial. Em primeiro lugar, a análise de correlação dos produtos de vapor de água de detecção remota dentro do espaço local para determinar uma escala espacial razoável. Em segundo lugar, selecione parâmetros como sequência cronológica, latitude, informação sobre nuvens, tipo de cobertura de superfície dos produtos MODIS nesta faixa como entrada para o modelo de correção para corrigir o PWV MODIS. Finalmente, os resultados da correção do modelo mencionado neste artigo são comparados com os modelos lineares tradicionais, os modelos de correspondência "pontuais" e os dados brutos para verificar a validade e a estabilidade do modelo mencionado neste artigo em duas dimensões espaciais e temporais. Ao mesmo tempo, a validação de precisão dos produtos MODIS PWV antes e depois da correção com dados de sondagem de alta precisão como valores de referência ilustra ainda mais a viabilidade deste modelo.
2 Áreas de pesquisa e dados
2.1 Área de pesquisa
A área de estudo selecionada para este experimento é a região terrestre ocidental dos Estados Unidos, que varia de 30°N a 50°N e 126°W a 102°W.Fig. 1Como mostrado, a área de estudo inclui a costa oeste e o interior, afetada pelo transporte de vapor de água do Pacífico e a complexidade e diversidade do terreno interior, a região forma tipos climáticos diversificados, como clima continental moderado, clima marinho moderado, clima alpino, etc., levando a diversificação das informações de precipitação dentro da região.Fig. 1O ponto azul médio representa a estação de teste GNSS, distribuída em áreas costeiras e planícies mais densas, com distribuição escassa nas áreas de planície interior, cobrindo a área de estudo global; Os pontos vermelhos representam a sonda e são distribuídos uniformemente na área de estudo. O total de 2.272 observatórios GNSS e 29 sondas espaciais na área de estudo fornecem uma fonte de dados de alta qualidade suficiente para a construção de modelos de correção.
2.2 Dados de pesquisa
（1）MODIS PWV。 Os sensores MODIS fornecem produtos de vapor de água MOD05_L2 e MYD05_L2 com resolução espacial de 1 km, disponíveis diretamente no site da NASA (WEB [2024-05-23]) para download. Ao extrair dados de imagem de teleobservação, além do MODIS PWV, é possível obter simultaneamente informações de parâmetros como longitude, latitude, tempo de imagem, topo do satélite, orientação do satélite, topo do sol, orientação do sol, informações sobre nuvens e tipo de cobertura da superfície de cada elemento de imagem. Um total de 31.776 imagens originais foram baixadas neste experimento.
（2）GNSS PWV。Yuan等（2023）Otimizando os conjuntos de dados existentes do GPS Integrated Water Vapor (IWV), obteve-se uma versão melhorada dos dados do GNSS PWV em todo o mundo para 2020 com uma resolução de tempo de 5 minutos. Com base em um conjunto de dados de triagem regional, foram obtidos dados GNSS PWV de 2.272 estações.
Estação PWV. Com base na observação de parâmetros como temperatura, pressão e umidade relativa com um sonde de rádio montado em um balão de sondagem, o PWV de alta precisão é calculado. A sonda PWV serve como referência importante para avaliar a precisão de outros tipos de produtos de vapor de água (郑志卿 等，2023）。 Os dados do experimento foram obtidos no site da Universidade de Wyoming (EUA).［2024-05-23］）。
2.3 Processamento de dados experimentais
2.3.1 Verificação de precisão GNSS PWV
Yuan等（2023）A versão melhorada dos dados GNSS PWV é fornecida com uma resolução de tempo de 5 min, em comparação com a resolução de tempo de 12 h para os dados PWV da sonda espacial. Antes de usar o PWV da sonda espacial de alta precisão para verificar o PWV GNSS, dois dados precisam ser combinados no espaço-tempo (no mesmo momento, com um limiar de distância de 5 km), para obter um total de 11.167 pares de dados combinados. Análise de qualidade do GNSS PWV com base em dados de correspondência, tais como:Fig. 2A diferença entre o PWV GNSS e o PWV de sondagem está entre ±3 mm.Fig. 2A correlação positiva significativa entre os dois dados foi mostrada com um coeficiente de correlação de até 0,98, uma inclinação de 0,97 para a linha reta e um RMSE de 1,42 mm. Os dados acima indicam que a versão melhorada dos dados do GNSS PWV selecionada para o experimento é de alta qualidade e pode atender aos requisitos de precisão para a correção do MODIS PWV como valor padrão.
2.3.2 Geração de conjuntos de dados
Este artigo usa dados de ponto único da estação de GNSS como valor padrão de correção, enquanto os produtos MODIS fornecidos pela NASA são dados de imagem, os dados extraídos são superficiais e não são totalmente consistentes no espaço, portanto, é necessário combinar os dois no espaço-tempo ao construir o conjunto de dados (ao mesmo tempo, o limiar de distância de 5 km), obtendo um total de 1011.119 pares de dados de correspondência. Ao mesmo tempo, alguns estudos atuais de correção de MODIS PWV escolheram apenas as condições de nuvem como produtos de vapor de água quando o céu está claro, o que levou à falta de alguns dados. Para melhorar ainda mais a disponibilidade do MODIS PWV, este estudo selecionou os produtos sob toda a informação da nuvem durante a geração do conjunto de dados.
3 Modelo de correção PWV MODIS que leva em consideração as características da vizinhança espacial
3.1 Análise do impacto dos elementos da vizinhança espacial
A distribuição atmosférica do vapor de água varia no espaço devido a fatores como o transporte de vapor de água, mudanças topográficas e sistemas meteorológicos. No entanto, em pequenos espaços locais, as condições climáticas relativamente estáveis e as fontes de vapor de água garantem mudanças contínuas e suaves dos parâmetros meteorológicos, formando assim uma forte correlação espacial local entre os elementos meteorológicos. A tecnologia de reflexão de detecção remota usa imagens como unidade básica da imagem de detecção remota, e as características espectrais entre imagens vizinhas têm certa semelhança, refletindo a correlação espacial entre os parâmetros de reflexão. Portanto, considerando plenamente as características paramétricas do elemento de imagem de teledetecção no âmbito da vizinhança, é possível extrair informações mais ricas sobre o vapor de água na área alvo, o que facilita a extração de informações detalhadas sobre a distribuição do vapor de água.
Para explorar a correlação entre os PWV MODIS vizinhos no âmbito do espaço local, de acordo com o princípio de correspondência espacial-temporal, com o ponto de imagem MODIS correspondente como ponto central, extrair dados de vapor de água de diferentes distâncias espaciais em uma determinada direção no ponto de imagem MODIS, respectivamente, com os dados de vapor de água do ponto central para a análise de correlação.Fig. 3Mostra o mapa de densidade de dispersão do PWV no ponto de imagem central e do PWV no ponto de imagem de 1 a 4 km em uma determinada direção, respectivamente, e seus coeficientes de correlação.Fig. 3d) Um total de quatro imagens. Quando a distância entre os pontos é de 1 km, seu coeficiente de correlação de dados PWV é de até 0,93; Quando a distância é de 4 km, o coeficiente de correlação muda para 0,84. À medida que a distância espacial aumenta, a correlação de PWV no espaço local diminui, e ambos apresentam uma correlação negativa.
Para explorar mais a escala de efeito das leis de distribuição espacial do vapor de água local sobre as características da vizinhança espacial, com o ponto de correspondência como ponto central, selecione dados PWV de metapontos em uma faixa espacial de 9 x 9 para análise de correlação. porFig. 4Sabe-se que a correlação entre o PWV e o ponto central no intervalo espacial global de 9 x 9 é superior a 0,8, indicando que a distribuição do vapor de água atmosférico tem uma forte correlação no intervalo espacial local. Entre eles, o coeficiente de correlação no intervalo espacial 3 x 3 é superior a 0,92 em média, e o coeficiente de correlação de dados diante e atrás na mesma posição de 1 coluna é próximo a 0,95, considerando que o gesto espacial do sensor é causado. Portanto, este experimento selecionou a faixa espacial 3 x 3 ao redor do ponto central de correspondência como uma escala de impacto de forte correlação no espaço vizinho, usando o conjunto de dados obtido como dados de entrada para o modelo de correção proposto.
3.2 Construção de modelos de correção
3.2.1 Composição dos dados de entrada
Estudos realizados para corrigir o PWV MODIS descobriram que a aquisição de PWV MODIS de alta precisão é afetada principalmente por muitos fatores como latitude, altitude, sequências temporais, cobertura de nuvens, tipo de superfície do solo e outros.王佳 等，2021；Chang等，2019）。 A capacidade fraca de penetração das nuvens do sensor de infravermelho próximo é um dos principais fatores que limitam a precisão dos produtos de vapor de água. Os tipos climáticos, as diferenças topográficas e as mudanças sazonais em diferentes regiões podem afetar o transporte e a distribuição do vapor de água e, por sua vez, alterar a distribuição do PWV na atmosfera.马赛等（2021）A análise espectral dos resíduos do PWV MODIS corrigido mostrou que o PWV é vulnerável a fatores não lineares como o bloqueio de nuvens e aerossóis.Ma等（2022）Os métodos de correção de rede neural que consideram o tipo de cobertura de terra foram propostos e a precisão do produto foi melhorada significativamente. Ao mesmo tempo, a pesquisa mostrou que os sensores em diferentes posturas espaciais trazem mudanças no caminho de transmissão de radiação, intensidade de recepção de sinais de radiação e outros aspectos, afetando finalmente a qualidade da imagem de teleobservação.龙腾飞 等，2017）。
Em resumo, o modelo de correção seleciona um total de 11 parâmetros como dados da camada de entrada. Os 9 parâmetros têm continuidade espacial, respectivamente, a longitude, a latitude PWV、 O topo do sol, a orientação do sol, o topo do satélite, a orientação do satélite, a informação das nuvens e o tipo de superfície. Selecione o efeito da precisão do PWV na correção dos itens do período de tempo no dia e no dia e procure os valores sinusois e cosinus para ambos os parâmetros, respectivamente. De acordo com o produto de máscara de nuvem MODIS, a informação da nuvem é dividida em quatro tipos: nuvem, nuvem incerta, possível céu claro e céu claro determinado. As áreas de estudo são divididas em dois tipos, perto da costa e dentro do solo, de acordo com o tipo de cobertura superficial MODIS. A informação da nuvem e os tipos de cobertura de superfície são transformados em processamento quantitativo na forma de valores de distribuição 0-1 e inseridos no modelo de correção. Composição de dados de camada de entrada, comoFig. 5mostrado.
3.2.2 Configuração dos parâmetros da estrutura da rede
O modelo de correção de correspondência "pontual" e o modelo de correção de características de vizinhança espacial foram construídos no âmbito da rede neural BP. Para garantir a ciência e a confiabilidade dos resultados comparados, os dois modelos apenas introduziram um número diferente de neurônios da camada de entrada e definiram os mesmos parâmetros da estrutura da rede, especificamente como segue: definir a mesma taxa de aprendizagem e o mesmo número de iterações; Treinamento com o método de descida de gradiente; a função Purelin como função de transmissão; Normalize os dados dos conjuntos de treinamento e testes.
Na rede neural BP, o número de nós de camada implícita é um parâmetro importante que afeta diretamente o desempenho. Atualmente, a maioria das experiências e vários experimentos para determinar um número razoável de nós de camada implícita (王嵘冰 等，2018）。 Quando o número de nós de camada implícita é configurado com muito pouco, a rede neural não aprende suficientemente as características dos dados de entrada, afetando o efeito geral; Quando o número de nós de camada escondidos é elevado, aumenta o tempo de aprendizagem da rede neural, diminui a eficiência e, ao mesmo tempo, existe um problema de "sobreencaixamento".式（1）É a fórmula empírica atualmente comumente usada para determinar o número de nós da camada implícita, com base no número de parâmetros da camada de entrada e da camada de saída para determinar a distribuição do número de nós da camada implícita, e depois para determinar o número final de nós de acordo com os resultados experimentais específicos.沈花玉 等，2008）。 Assim, o valor de experiência do número de nós de camada implícito para o modelo de correção deste artigo é determinado entre 10 e 20. Considerando a quantidade maior de dados da camada de entrada, aumente o número de nós da camada implícita para treinar cada cinco para 50 com base no intervalo de referência fornecido pela fórmula empírica para comparar os resultados do treinamento. Ao mesmo tempo, para ilustrar ainda mais o impacto da correlação espacial local do vapor de água, os dados de teledetecção de metalocais de pontos de correspondência e seus dados dentro do intervalo espacial 3 x 3 foram treinados como dados da camada de entrada para o modelo de correção, respectivamente. Efeitos de treinamento comoFig. 6Como mostrado, sob diferentes números de nós de camada implícita, a linha de dobradura azul representa a mudança RMSE de correção dos dados de entrada com dados de teledetecção de metaponto único, e a linha de dobradura vermelha representa a mudança RMSE de correção do modelo de correção de características de vizinhança espacial proposto neste artigo. Quando o número de nós de camada implícita é definido para 35, a mudança do RMSE tende a diminuir, portanto, o número de nós de camada implícita do modelo mencionado neste artigo é definido para 35.
no estilo,para o número de nós de camada implícita,erepresentando o número de parâmetros da camada de entrada e da camada de saída,constante de 1-1.
4 Análise de validação do modelo de correção
4.1 Comparação de diferentes modelos com maior precisão
Para verificar a viabilidade do modelo de correção PWV MODIS mencionado neste artigo e considerando as características da vizinhança espacial, construa um modelo de correção linear tradicional, um modelo de correspondência "pontual" e um modelo de correção considerando as características da vizinhança espacial, respectivamente, e analise com precisão os resultados da correção de cada modelo para avaliar o desempenho da correção do modelo mencionado neste artigo. Os conjuntos de dados usados para construir modelos de correção linear tradicionais e modelos de correspondência "pontual" consistem em dados de correspondência no ponto metabólico mais próximo da distância espacial (limiar de 5 km) no mesmo momento; Os conjuntos de dados usados para construir modelos de correção de características de vizinhança espacial são compostos por dados de correspondência dentro de um intervalo espacial 3x3 centrado em pontos de imagem correspondentes. Selecione aleatoriamente 75% dos dados do conjunto de dados como um conjunto de treinamento e os 25% restantes como um conjunto de teste.
O uso de métodos de correção linear para melhorar a qualidade do MODIS PWV é um dos métodos de correção mais utilizados atualmente. Para a adaptação de dados com base no método mínimo duplicado, o modelo de correção linear tradicional é construído do seguinte modo:
no estilo,para GNSS PWV,Para a MODIS PWV.
Usando o GNSS PWV como valor padrão, combina os dados brutos do conjunto de teste de contraste, os resultados da correção do modelo linear tradicional, a correção do modelo de correspondência "pontual" e a correção do modelo mencionada neste artigo.Fig. 7Apresentando dados brutos e mapas de distribuição de densidade de dispersão de MODIS PWV e GNSS PWV corrigidos por 3 modelos,Fig. 7 (d) Um total de quatro quadros correspondendo aos dados brutos, ao modelo linear tradicional, ao modelo de correspondência "pontual" e ao modelo mencionado neste documento. Todos os três modelos de correção podem melhorar em alguma medida a qualidade dos dados do produto MODIS, dos quais o modelo mencionado neste artigo funciona melhor. porFig. 7Sabemos que o GNSS PWV apresenta uma tendência exagerada em comparação com o MODIS PWV, com um coeficiente de correlação entre os dois dados de apenas 0,69, que não pode atender diretamente às necessidades de produtos de vapor de água de alta precisão; porFig. 7Sabe-se que a correção do modelo linear tradicional pode melhorar um certo nível de precisão, mas a correção do modelo pode gerar erros maiores quando o valor PWV é menor;Fig. 7e (d) demonstrar que os coeficientes de correlação de 0,92 e 0,94 obtidos usando o modelo de correspondência "pontual" e o modelo de correção mencionado neste documento, com características de vizinhança espacial, podem melhorar significativamente a qualidade do produto de dados MODIS, mas os mapas de distribuição observados descobriram que a distribuição mais estreita do modelo de correção mencionado neste documento sugere que o efeito da forte correlação espacial local do vapor de água pode melhorar ainda mais a qualidade do produto de correção.
Table 1Lista estatísticas de erro de alta precisão GNSS PWV com dados brutos do conjunto de teste e correção de vários modelos MODIS PWV. Os dados de correção obtidos com base no modelo de correção MODIS PWV que leva em consideração as características da vizinhança espacial apresentam um erro médio de raiz quadrada de 2,13 mm, melhorando significativamente os dados não corrigidos originais (RMSE = 4,97 mm) e aumentando a precisão em 57,14%. Ao mesmo tempo, a precisão foi melhorada em 46,21% em comparação com o modelo de correção linear tradicional (RMSE = 3,96 mm); A precisão aumentou em 12,35% em comparação com os resultados do modelo de correspondência "pontual". Explica ainda a viabilidade de considerar os efeitos de relevância do vapor de água no âmbito local do espaço para obter informações de vapor de água de alta precisão.
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 Verificação da precisão do espaço-tempo
Para verificar ainda mais a viabilidade e a estabilidade da melhoria da qualidade dos produtos MODIS PWV com os modelos descritos neste artigo, os dados brutos do conjunto de teste e os resultados da correção de vários modelos foram estatísticos de erros em duas dimensões espaciais e temporais, respectivamente.Fig. 8A distribuição espacial dos erros de raiz quadrada média dos dados brutos do MODIS PWV e dos resultados da correção de cada modelo em comparação com o GNSS PWV é mostrada. porFig. 8Sabemos que o desempenho de correção de cada modelo é: tendo em conta o modelo de correção de características de vizinhança espacial > modelo de correspondência "pontual" > modelo de correção linear tradicional, os dados brutos têm diferentes graus de melhoria no espaço geral. Considerando, por exemplo, o noroeste da regiãoFig. 8Os dados brutos podem ser conhecidos, a qualidade dos produtos de dados MODIS da região é pobre, a maioria dos pontos RMSE é superior a 12 mm; A correção de modelos lineares tradicionais pode reduzi-lo a menos de 10 mm, mas não pode atender às necessidades de produtos de vapor de água de alta precisão; O uso de correção de modelo de correspondência "pontual" pode melhorar significativamente o nível de precisão, mas os resultados de correção em algumas posições espaciais não são ideais; Usando o modelo mencionado neste artigo, o modelo de correspondência "pontual" pode melhorar eficazmente o nível de precisão da correção de áreas indesejadas, refletindo informações mais refinadas sobre a distribuição espacial do vapor de água.
Fig. 9Os dados brutos do conjunto de testes e os resultados da correção de cada modelo em diferentes meses de 2020 mostram a tendência de mudança do erro médio da raiz quadrada em comparação com o GNSS PWV. porFig. 9No entanto, o modelo mencionado foi melhor ao longo do ano do que os outros dois modelos, com uma precisão significativamente melhorada em comparação com os dados originais. O RMSE dos resultados da correção do modelo mencionado neste artigo em diferentes meses é basicamente de 2,0-2,3 mm, com uma boa estabilidade, capaz de alcançar bons efeitos de correção para os dados no intervalo de tempo do ano inteiro, refletindo informações mais detalhadas sobre a mudança do tempo do vapor de água.
4.3 Verificação externa de dados de alta precisão
Os dados PWV da estação de sondagem são calculados a partir de parâmetros meteorológicos de medição real, com características de alta precisão e são frequentemente usados para avaliar a qualidade dos produtos de vapor de água de detecção remota. Mas a resolução temporal dos dados PWV da sonda é baixa, geralmente apenas às 0h e 12h do dia. Portanto, esta subseção utiliza os dados PWV da sonda para validar a precisão dos resultados de correção de diferentes modelos, com um limiar de tempo de 4 h para os dados, com distâncias espaciais não superiores a 5 km.
Fig. 10Distribuição de resíduos entre os dados PWV da sonda e os resultados corrigidos usando o modelo mencionado neste artigo. A diferença entre os dois dados é distribuída principalmente entre -3 e 3 mm, com uma média de -0,65 mm, o que indica que os resultados de correção obtidos usando o modelo descrito neste artigo podem atender aos requisitos de precisão da aplicação real.
Table 2Os resultados da correção de diferentes modelos são listados em comparação com as estatísticas de erro PWV da estação de sondagem, e pode ser visto que o erro médio da raiz quadrada de 2,50 mm é obtido usando o modelo mencionado neste artigo, em comparação com os dados em bruto, o modelo de correção linear tradicional e o modelo de correção convencional, melhorando a precisão em 53,79%, 41,18% e 5,0%, respectivamente. Além disso, a consideração dos efeitos da relevância espacial local do vapor de água pode melhorar efetivamente a qualidade dos produtos de vapor de água de detecção remota e fornecer suporte de dados para informações detalhadas sobre o espaço-tempo que refletem a distribuição do vapor de água.
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 |
5 Conclusões
Existem limitações no uso atual de GNSS PWV de alta precisão "em local" para corrigir produtos de vapor de água de detecção remota, ignorando o impacto importante da forte correlação local do vapor de água atmosférico. Respondendo a este problema, este artigo propõe o modelo de correção de rede neural PWV MODIS, levando em consideração as características da vizinhança espacial, escolhendo a área terrestre dos EUA no âmbito de todo o ano de 2020 como área de estudo, combinando os resultados da correção com o modelo de correspondência "pontual", os resultados da correção do modelo linear tradicional e a análise de validação do sistema de dados PWV de alta precisão da estação de sondagem espacial, principalmente chegando às seguintes conclusões:
(1) com o centro da imagem do ponto de correspondência, extrair o PWV dentro da faixa espacial 9 x 9 e PWV no ponto de correspondência para a análise de correlação, explorar o mecanismo de influência das leis de distribuição espacial do vapor de água local na escala de características da vizinhança espacial. Entre eles, o intervalo de dados no espaço 3 x 3 tem uma forte correlação, o coeficiente de correlação é superior a 0,92 em média, o que é um intervalo razoável para escolher a escala de vizinhança espacial dos parâmetros da camada de entrada do modelo de correção.
(2) Construir um modelo de correção de rede neural MODIS PWV com a rede neural BP como quadro, levando em consideração as características da vizinhança espacial, considerando plenamente os fatores de impacto de precisão não linear, como sequências temporais, postura espacial do sensor, nuvens, tipo de superfície, e melhorando efetivamente a qualidade dos dados MODIS PWV. O RMSE aumentou 57,14% em comparação com os dados originais; O RMSE aumentou 12,35% em comparação com os resultados do modelo de correção de correspondência "pontual". Ao mesmo tempo, o modelo apresentado mostrou boa estabilidade em ambas as dimensões espacial e temporal, com a maior parte da RMSE regional na gama espacial geral abaixo de 3 mm, e a estabilidade do RMSE para os resultados de correção de diferentes meses entre 2,0 e 2,3 mm, considerando a alta resolução temporal e espacial.
(3) O resultado do modelo de correção mencionado neste artigo e a distribuição residual entre os dados de alta precisão da estação de sondagem PWV é pequena, que pode atender às necessidades de informações de vapor de água de alta precisão no tempo de perda de dados da estação de sondagem PWV e fornecer suporte a dados para refletir com precisão a distribuição de vapor de água.
