Anterior|Siguiente

Modelo de corrección por red neuronal MODIS PWV que considera las características del vecindario espacial

  • 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

resumen

La tecnología de teledetección satelital es uno de los métodos principales para detectar el contenido de vapor de agua atmosférico, con una ventaja significativa de alta resolución espacial. Sin embargo, esta tecnología tiene una precisión de detección relativamente baja, lo que dificulta satisfacer las necesidades de estudio sobre los cambios en el vapor de agua atmosférico. Estudios previos han utilizado datos de GNSS PWV de alta precisión “de tipo estación” para corregir adecuadamente los datos de vapor de agua de teledetección “de tipo área”, obteniendo productos precisos de vapor de agua por teledetección satelital. Pero la mayoría de los estudios actuales se basan en modelos de corrección construidos a partir de datos de emparejamiento espacial “puntual” entre estaciones GNSS y píxeles de teledetección, ignorando el importante efecto de la fuerte correlación local del vapor de agua atmosférico, lo que limita su capacidad de corrección. Por ello, este artículo toma como punto de partida la correlación espacial vecinal del vapor de agua y, aprovechando las ventajas del procesamiento no lineal de las técnicas de aprendizaje automático, construye un modelo de corrección por red neuronal para productos MODIS que considera las características del vecindario espacial. El modelo utiliza el algoritmo de red neuronal BP como marco, seleccionando como parámetros de entrada factores no lineales como la información de nubes, el tipo de cobertura terrestre y la orientación espacial del sensor dentro del rango de escala del producto MODIS. Los resultados experimentales basados en datos GNSS y MODIS PWV del oeste de Estados Unidos muestran que el error cuadrático medio raíz (RMSE) de los productos MODIS PWV corregidos por el modelo propuesto es de 2,13 mm, lo que representa una reducción del 46,21% en comparación con el modelo de corrección lineal ampliamente utilizado; y una reducción del 12,35% comparado con los resultados de corrección del modelo de emparejamiento “puntual” actual. Los resultados comparativos en dimensiones temporales y espaciales muestran que el RMSE de los productos corregidos por el modelo propuesto se estabiliza entre 2,0 y 3,0 mm, demostrando la superioridad del modelo de corrección que considera las características del vecindario espacial en la corrección de productos de vapor de agua de teledetección, y reflejando información espacial y temporal detallada sobre la distribución del vapor de agua.

palabra clave

MODIS PWV;GNSS PWV;corrección PWV;correlación espacial;red neuronal BP

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

Leer el texto completo

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