Cравнение методов GNSS и MODIS при изучении осаждаемого водяного пара

"Научный аспект №6-2024" - Информ. технологии

УДК 004

Дьяков Павел Станиславович – магистрант Ляониньского Технического Университета (г. Фусинь, КНР).

Кирсанов Кристиан Маркович – докторант Университета ЧанЪ Ан (г. Сиань, КНР).

Аннотация: В статье проводится сравнение методов GNSS и MODIS при изучении осаждаемого водяного пара. Приводится краткая характеристика Приморского края, выбранного для анализа. Рассматриваются принцип использования системы GNSS и формулы расчёта для изучения и прогнозирования осаждаемого водяного пара. Выявляются особенности и характеристики метода MODIS, проводится его сравнение с методом изучения осаждаемого водяного пара на основе данных GNSS. Приводятся пути повышения точности оценки и прогнозирования осаждаемого водяного пара.

Ключевые слова: осаждаемый водяной пар, GNSS, MODIS, алгоритмы расчёта, Приморский край.

Введение

Одним их важнейших метеорологических параметров, изучение которого необходимо для понимания климата Земли, является общее количество осаждаемого водяного пара (Total Precipitable Water Vapor, TPW) – общее количество водяного пара в вертикальном столбе от земли до верхних слоёв атмосферы [1, 2]. TPW – это максимально возможные осадки, которые при обеспечении необходимых погодных условий могут перейти в дождь, снег или град. Будучи наиболее распространённым парниковым газом в атмосфере, водяной пар играет решающую роль в метеорологических процессах, гидрологических и атмосферных циклах, изменении климата и приходящей радиации. Информация о TPW в глобальном и локальном масштабах и мониторинг её изменений имеют большое значение в исследованиях, связанных с наводнениями и засухами, температурой воздуха, влажностью почвы и прогнозированием осадков.

Методы измерения TPW можно разделить на наземные и дистанционные [3]. Измерения TPW на наземных станциях выполняются с использованием приёмников спутниковой системы навигации (Global Navigation Satellite System, GNSS), радиозондов, солнечных фотометров, микроволновых радиометров и рамановских лидарных систем. Дистанционные методы измерения TPW можно разделить на инфракрасные и микроволновые, основанные на измерении длины волны сигнала. Инфракрасные методы широко используются при оценке TPW из-за их высокого пространственного разрешения и точности. Среди инфракрасных методов, применяемых для оценки TPW, наиболее широко используется спектрорадиометр с умеренным разрешением (MODerate Resolution Imaging Spectroradiometer, MODIS). Ввиду важности изучения TPW для климатических исследований и прогнозов актуальным является сопоставление наземных и дистанционных методов – GNSS и MODIS.

Целью работы является сравнение методов GNSS и MODIS при изучении осаждаемого водяного пара на примере Приморского края. Для её достижения был проведён анализ и синтез материалов по метеорологии, применён системно-структурный подход к рассмотрению ключевых аспектов проблемы исследования.

Описание данных и стратегия обработки

Для анализа был выбран Приморский край, для которого особо важна точность прогноза погоды, поскольку для переходной зоны суша−море характерны активный фронтогенез, выход тропических циклонов, тайфунов и циклонов умеренных широт, которые переносят огромные массы воды и вызывают сильные осадки, что наносит ущерб экономике и социальной инфраструктуре вследствие прохождения катастрофических наводнений [4]. Большая часть исследуемой территории представляет собой низко- и среднегорный участок южного Сихотэ-Алиня. Господствующие вершины главного водораздела достигают 1000-1700 м. Основные водораздельные хребты Сихотэ-Алиня и отроги Восточно-Маньчжурской горной страны являются орографическими барьерами на пути перемещения воздушных масс и естественной климатической границей между восточными прибрежными и западными предгорными районами.

Основным фактором климатических особенностей Приморского района является географическое расположение на границе материка и Тихого океана, определяющее муссонный характер атмосферной циркуляции [5]. Район отличается неустойчивым внутригодовым и многолетним режимом увлажнения. Максимальная относительная влажность превышает 80 % и наблюдается с июня по август, минимальная, менее 30 %, – в марте и апреле, а на побережье – в ноябре и декабре. Годовая амплитуда среднемесячной относительной влажности возрастает в южном направлении, годовое количество осадков – в юго-восточном.

В первой половине лета для региона характерны продолжительные обложные дожди. Годовое количество осадков увеличивается в восточно-юго-восточном направлении, на побережье Японского моря составляя 800-900 мм, в континентальной части – 500-600 мм, в равнинной части – 500-700 мм, в горах – до 1000 мм. Более 80 % осадков выпадает в летние месяцы.

Летом и осенью Приморский край подвержен влиянию тропических циклонов, приносящих дождливую и ветреную погоду с опасными явлениями. Согласно наблюдениям группы метеорологии и тропических циклонов ДВНИГМИ, за последние полвека на Приморский край оказали воздействие 90 тропических циклонов. Проходя в южных и восточных районах края, циклон за сутки приносит в среднем 16 мм осадков, в западных и северных районах – 10 мм. Максимум суточных осадков – 391 мм – принёс циклон Нора в августе 2017 г. в южной части Приморья. Всего с 1970 г. 31 тропический циклон принёс осадки интенсивностью > 100 мм/сут.

Для анализа были использованы данные за период 2015-2019 гг. на двух пунктах непрерывных GNSS-наблюдений Trimble NetR5 и NetR9: VLAD (Владивосток) и IMAN (Дальнереченск), расположенных в прибрежной и континентальной частях Приморского края [6]. Их местоположение представлено в табл. 1. Сеансы радиозондирования выполняются дважды в сутки – в 0 и 12 часов по всемирному времени.

Таблица 1 – Местоположение GNSS-станций

Для сопоставления использовались данные из архива The Level-1 and Atmosphere Archive & Distribution System Distributed Active Archive Center, полученные при помощи MODIS IR20 [7]. Данные были получены со спектрорадиометров с визуализацией среднего разрешения Terra и Aqua. Инструменты Terra и Aqua MODIS просматривают всю поверхность Земли каждые 1-2 дня, собирая данные в 36 спектральных диапазонах на длинах волн от 0,4 мкм до 14,4 мкм. Конструкция Twin-MODIS направлена на оптимизацию изображений без облаков и минимизацию оптических эффектов теней и бликов, возникающих при утреннем и дневном солнечном свете. Технические характеристики приборов представлены в табл. 2.

Таблица 2 – Технические характеристики Terra и Aqua MODIS IR20

Орбита	705 км, солнечно-синхронная, околополярная, круговая, нисходящий узел в 10:30 (Terra ), восходящий узел в 13:30 (Aqua )
Периодичность цикла	16 дней
Размеры полосы обзора	2330 км поперек, 10 км вдоль
Масса	228,7 кг
Пространственное разрешение	1000 м
Скорость передачи данных	10,6 Мбит/с
Квантование	12 бит
Поле зрения	110°
Диапазоны волн	от 3,66 до 14,28 микрон
Пропускная способность	3.660-3.840
Спектральное сияние	0,45 (300К)
Требуемый сигнал	0,05
Основное использование	Температура поверхности, облака

GNSS

Система GNSS была разработана для навигации и позиционирования в реальном времени, однако быстро стала рассматриваться как недорогой и точный метод измерения TPW с земли [8-10]. Принцип использования данного метода заключается в оценке задержки распространения, вызванной атмосферой, микроволновых сигналов, излучаемых спутниками GNSS и принимаемых наземными приёмниками. Зенитную тропосферную задержку (zenith tropospheric delay, ZTD) обычно разделяют на влажную (zenith wet delay, ZWD) и гидростатическую (zenith hydrostatic delay, ZHD) составляющие [11]:

Для расчёта ZHD используются показатели поверхностного давления:

где P_sfc – приземное давление; λ и H – широта и высота станции; f(λ, H) –географическое изменение среднего ускорения силы тяжести.

TPW преобразуется из ZWD как

где K(T_m) – коэффициент преобразования задержки в массу; T_m – средневзвешенная по влажности температура.

Для вычисления T_m используются результаты измерения приземной температуры T_s [12]:

где a и b – постоянные эмпирические коэффициенты, T_s – температура воздуха на поверхности земли.

Для расчёта TPW требуются показатели ZTD, температуры и давления воздуха на уровне пункта наблюдения. Получить показатели тропосферной задержки можно в результате обработки спутниковых измерений. Для вычисления средневзвешенной температуры приняты эмпирически полученные коэффициенты для средних широт a = 50,4 и b = 0,789.

MODIS IR 20

MODIS позволяет получать двумерные карты TPW непосредственно [13]. MODIS является усовершенствованным многоцелевым датчиком и ключевым инструмент на борту спутников Terra и Aqua Национального управления по аэронавтике и исследованию космического пространства. Спутники обеспечивают глобальное покрытие каждые 1-2 дня с наблюдениями в 36 спектральных диапазонах с умеренным разрешением (250-1000 м), пять из которых используются для дистанционного зондирования водяного пара с пространственным разрешением 1 км на чистые участки суши, океанические области с солнечным блеском и/или над облаками над сушей и океаном. Спутники Terra и Aqua предоставляют данные наблюдений водяного пара за разные временные периоды в одной и той же зоне, включая продукты водяного пара в инфракрасном и ближнем инфракрасном диапазоне. При этом разрешение продуктов водяного пара в ближнем инфракрасном диапазоне составляет 1 км × 1 км, а в инфракрасном диапазоне – 5 км × 5 км. В работе были использованы данные канала IR20 с пространственным разрешением 1000 м. Стоит учитывать, что полосы MODIS не совпадают по времени с изображениями со спутников SAR, поэтому для атмосферных поправок SAR всегда будут преобладать временные ошибки интерполяции.

Сравнение методов

Как показали результаты исследования, MODIS имеет хорошее пространственное разрешение и возможности наблюдения полного спектра, а также может использовать дифференциальный подход для определения TPW на основе поглощения водяного пара в ближнем инфракрасном и тепловом инфракрасном каналах [14]. Он позволяет получать более точную информацию о характеристиках поверхности для расчёта TPW и выполняет пространственную интерполяцию для получения непрерывного распределения TPW. Однако на точность MODIS влияют ошибки облачного покрова и спектрального отражения земли, что приводит к низкой точности и относительной ошибке более 10 %. В связи с этим удобство использования MODIS для мониторинга изменений погоды затруднено из-за помех, обусловленных загрязнением облаков, и ограниченным временным разрешением.

Аналогичным образом прибор инфракрасного зонда атмосферы, находящийся на борту спутника Aqua и обеспечивающий глобальное покрытие, составляющее 324 000 профилей TPW с вертикальным разрешением 2 км и пространственным разрешением в 45 км, работает только в условиях ясного неба и переменной облачности [15]. GNSS обеспечивает получение TPW с непрерывным временным разрешением без зависимости от облачности или погоды, хотя и только в отдельных точках, где расположены приёмники GNSS. GNSS имеет точность 1-2 мм, но его пространственное разрешение зависит от распределения наземных станций GNSS. Сравнение методов MODIS и GNSS показало различия среднеквадратических значений около 3-4 мм и различия в слоях толщиной 2 км в 15 %.

Радиозонды являются наиболее традиционным методом, позволяющим рассчитать TPW на каждой станции с точностью до нескольких миллиметров [16, 17]. Ограничениями этого метода являются низкое временное разрешение (два раза в день), низкая производительность датчика в холодных и сухих условиях, высокая стоимость и неоднородное покрытие суши.

Недостатком стандартных моделей оценки TPW на основе данных GNSS является то, что они не учитывают зависимость водяного пара от высоты местности, и, следовательно, интерполированные значения могут содержать большие ошибки в регионах с сильно меняющейся топографией. Минимизировать погрешности GNSS можно путём учёта эффекта связи зависимости от высоты местности и тропосферной турбулентности. Для этого требуется создание непрерывных во времени карт с высоким пространственным разрешением на основе недифференцированных ни в пространстве, ни во времени значений ZTD, поточечно оценённых на станциях GNSS с использованием метода обработки точного позиционирования точки в режиме реального времени.

Дискуссия

Данные исследований показывают высокую согласованность между методами GNSS и MODIS, хотя датчик MODIS и имеет тенденцию переоценивать измерения осаждаемого водяного пара. Чтобы повысить точность исследования TPW методом MODIS, можно использовать данные GNSS-наблюдений TPW для калибровки продуктов инфракрасного диапазона MODIS. Так, модель калибровки для MODIS, основанная на быстром преобразовании Фурье и методе наименьших квадратов, позволяет снизить среднеквадратическую ошибку MODIS на 35,7 % и уменьшить среднее смещение до 2 мм, что является значительным улучшением [18]. Также для повышения качества реконструкции трёхмерного поля водяного пара уравнение линейной регрессии для MODIS может быть построено на основе данных GNSS и объединено с уравнениями томографических наблюдений [19]. Однако важно учитывать, что пиксели MODIS и станции GNSS не полностью совпадают, поэтому необходимо использовать соответствующие методы интерполяции, чтобы обеспечить согласованность двух пространственных точек.

Также для повышения точности оценки TPW могут использоваться метаэвристические алгоритмы: генетический алгоритм, оптимизация роя частиц, алгоритм летучей мыши, алгоритм серого волка и алгоритм оптимизации кита [20]. Данные для работы алгоритмов должны собираться одновременно от MODIS и GNSS, поскольку чем больше данных у них есть, тем лучше они могут смоделировать параметр. Метаэвристические алгоритмы дают более точные оценки TPW, чем стандартные алгоритмы расчёта, и позволяют строить прогнозы высокой точности.

Повысить точность метода MODIS можно при помощи машинного обучения [21]. Поскольку данные, поступающие от модулей GNSS, считаются эталонными, их оптимально использоваться как целевые данные в машинном обучении, чтобы повысить точность конечных продуктов синтеза. Для калибровки точности MODIS могут применяться следующие методы машинного обучения:

1. BPNN. Это алгоритм обучения нейронной сети с прямой связью, который анализирует информацию об ошибках между каждым результатом обучения и целевым результатом и постоянно корректирует порог и вес, чтобы приблизиться к целевому результату. BPNN включает входной, скрытый и выходной уровни. При обучении используется прямое и обратное распространение.
2. Случайный лес. Это метод ансамблевого обучения, который можно использовать для регрессии или классификации. Он создаёт большое количество деревьев решений во время обучения, а затем выводит режим классов или среднее предсказание отдельных деревьев. Случайный лес использует метод рекурсивного разделения для создания множества новых наборов данных того же масштаба из самой выборки, а затем независимо строит модели для каждого нового набора данных.
3. GRNN. Этот метод обладает мощными возможностями нелинейного картографирования, гибкой сетевой структурой, высокой отказоустойчивостью и надёжностью. GRNN подходит для решения нелинейных задач. Он имеет четырёхслойную структуру с входным слоем, слоем шаблонов, слоем суммирования и выходным слоем. Количество нейронов во входном слое равно размерности вектора входной обучающей выборки.

Методы машинного обучения работают лучше, чем традиционный линейный метод. Метод GRNN является лучшим с точки зрения среднеквадратического значения для заданных наборов данных в месячном масштабе, в то время как случайный лес достигает лучшей производительности в годовом масштабе. Использование GNSS для повышения точности MODIS может улучшить гидрологический анализ в условиях ограниченности метеорологических данных.

Заключение

Водяной пар в атмосфере обладает эффектом тепловой обратной связи и является парниковым газом, с которым связаны климатические изменения. Метод MODIS может предоставлять глобальную информацию о содержании водяного пара с определённым пространственным разрешением, однако облачный покров, атмосферные условия и характеристики спутниковых датчиков снижают его точность. Для оценки и калибровки данных о водяном паре, полученных методом MODIS, может использоваться метод GNSS, данные которого могут быть получены в режиме реального времени, тогда как данные MODIS поступают с определённой временной задержкой. Объединив два метода, можно получить данные об TPW в режиме реального времени с высокой точностью и большим диапазоном.

Список литературы

1. Ghaderi M., Rahimzadegan M. Improving precipitable water vapor estimations of the Moderate Resolution Imaging Spectroradiometer (MODIS) using metaheuristic algorithms. Advances in Space Research, 2022, vol. 69, is. 12, pp. 4274-4287. DOI: 10.1016/j.asr.2022.03.035
2. Chaboureau J.-P., Chedin A., Scott N.A. Remote sensing of the vertical distribution of the atmospheric water vapor from the TOVS observations: Method and validation. Journal of Geophysical Research Atmospheres, 1998, vol. 103, is. D8, pp. 8743-8752. DOI: 10.1029/98JD00045
3. Заболотских Е.В. Современные методы определения интегральных параметров влагозапаса атмосферы и водозапаса облаков // Известия Российской академии наук. Физика атмосферы и океана. – 2017. – Т. 53, № 3. – С. 335-342. – DOI: 10.7868/S0002351517030166
4. Кишкина А.К. Результаты сравнения интегрального содержания водяного пара в атмосфере по данным глобальной системы прогнозирования (GFS) и GNSS-наблюдений (Приморский край, Россия) / А.К. Кишкина, Н.В. Шестаков, А.Н. Бугаец, Л.В. Гончуков, О. В. Соколов // Водные ресурсы. – 2022. – T. 49, № 6. – С. 766-778. – DOI: 10.31857/S0321059622060062
5. Климат Приморского края [Электронный ресурс] // Система обмена туристской информацией. – URL:https://nbcrs.org/regions/primorskiy-kray/klimat (дата обращения: 02.06.2024).
6. Кишкина А.К. Оценка содержания водяного пара по данным GNSS-наблюдений в атмосфере в Приморском крае, Россия / А.К. Кишкина, Н.В. Шестаков, Л.В. Гончуков, А.Н. Бугаец // Четвертые Виноградовские Чтения. Гидрология от познания к мировоззрению: сборник докладов международной научной конференции. – СПб.: ООО «Изд-во ВВМ», 2020. – С. 96-100.
7. The Level-1 and Atmosphere Archive & Distribution System Distributed Active Archive Center. Available at: https://ladsweb.modaps.eosdis.nasa.gov/ (accessed 02.06.2024).
8. Alraddawi D., Sarkissian A., Keckhut P., Bock O., Noël S., Bekki S., Irbah A., Meftah M., Claud, C. Comparison of total water vapour content in the Arctic derived from GNSS, AIRS, MODIS and SCIAMACHY. Atmospheric Measurement Techniques, 2018, vol. 11, pp. 2949-2965. DOI: 10.5194/amt-11-2949-2018
9. Li Z., Muller J., Cross P. Comparison of precipitable water vapor derived from radiosonde, GPS, and Moderate‐Resolution Imaging Spectroradiometer measurements. Journal of Geophysical Research, 2003, vol. 108, is. D20: 4651. DOI: 10.1029/2003JD003372
10. Quinn K.J., Herring T.A., GPS atmospheric water vapor measurements without surface pressure sensors. Eos Trans. AGU, 1996, vol. 77, no. 46, F134.
11. Reigber C., Gendt G., Dick G., Tomassini M. Near real time water vapor monitoring for weather forecasts. GPS World, 2002, vol. 13, no. 1, pp. 18-27.
12. Шестаков Н.В. Исследование изменения интегрального влагосодержания в тропосфере по данным ГНСС‑наблюдений в зоне перехода «континент–океан» (Приморский край, Дальний Восток России) / Н.В. Шестаков, А.К. Кишкина, А.Н. Бугаец, Л.В. Гончуков, С.П. Королев, Л.Н. Василевская, Е.А. Лялюшко // Современные проблемы дистанционного зондирования Земли из космоса. – 2021. – Т. 18, № 5. – С. 266-276. – DOI: 10.21046/2070-7401-2021-18-5-266-276
13. Joshi S., Kumar K., Pande B., Pant M.C. GPS-derived precipitable water vapour and its comparisonwith MODIS data for Almora, Central Himalaya, India. Meteorol Atmos Phys, 2013, vol. 120, no. 3-4, 14 p. DOI: 10.1007/s00703-013-0242-z
14. Yan X., Yang W., Ding N., Gao F., Peng Y. Improving MODIS-IR precipitable water vapor based on the FIDWFT model. Advances in Space Research, 2024, vol. 73, is. 10, pp. 4903-4921. DOI: 10.1016/j.asr.2024.02.036
15. Chen Y., Nigel T.P., Zhenhong L. Generation of real-time mode high-resolution water vapor fields from GPS observations. Journal of Geophysical Research: Atmospheres, 2017, vol. 122, is. 3, pp. 2008-2025. DOI: 10.1002/2016JD025753
16. Khaniani A.S., Nikraftar Z., Zakeri S. Evaluation of MODIS Near-IR water vapor product over Iran using ground-based GPS measurements. Atmospheric Research, 2020, vol. 231: 104657. DOI: 10.1016/j.atmosres.2019.104657
17. Emardson T.R., Elgered G., Johansson J.M., Three months of continuous monitoring of atmospheric water vapor with a network of Global Positioning System receivers. Journal of Geophysical Research Atmospheres, 1998, vol. 103, is. D2, pp. 1807-1820. DOI: 10.1029/97JD03015
18. Liu X., Wang Y., Zhan W., Yu T.L. Improving MODIS precipitable water vapour in mainland China based on the LSF model. Space Res., 2023, vol. 72. DOI: 10.1016/j.asr.2023.06.041
19. Zhang W., Zhang S., Zheng N., Ding N., Liu X. A new integrated method of GNSS and MODIS measurements for tropospheric water vapor tomography. GPS Solut, 2021, vol. 25, no. 79. DOI: 10.1007/s10291-021-01114-1
20. Ghaderi M., Rahimzadegan M. Improving AMSR2 total precipitable water vapour model using metaheuristic algorithms. Hydrological Sciences Journal, 2021, vol. 66, no. 14, pp. 2102-2115. DOI: 10.1080/02626667.2021.1981544
21. Xiong Z., Sun X., Sang J., Wei X. Modify the Accuracy of MODIS PWV in China: A Performance Comparison Using Random Forest, Generalized Regression Neural Network and Back-Propagation Neural Network. Remote Sensing, 2021, vol. 13, no. 11: 2215. DOI: 10.3390/rs13112215