بازیابی بارش با استفاده از دمای روشنایی کانال‌های فروسرخ سنجنده seviri

این مطالعه به منظور بازیابی میزان بارش با استفاده از دمای روشنایی کانال‌های فروسرخ از داده‌های تصویربردار چرخان پیشرفته مرئی و فروسرخ (seviri) از نسل دوم ماهواره‌های meteosat (msg) انجام گرفته است. با توجه به ارتباط بین دمای روشنایی کانال‌های فروسرخ ماهواره‌ای با ویژگی‌های میکروفیزیکی و نوری ابرها (مانند دمای قله ابر، ارتفاع قله ابر، ضخامت نوری ابر، اندازه ذرات و همچنین فاز ذرات)، و تاثیر تغییر هر یک از این ویژگی‌ها در تعیین میزان و محدوده شدت بارش، با استفاده از مدل‌های آماری و رگرسیونی و همچنین روش شبکه های عصبی مصنوعی ارتباط بین تغییرات دمای روشنایی و بارش در دو ایستگاه هواشناسی استان هرمزگان، مورد مطالعه قرار گرفته و عملکرد روش‌های مذکور برای بازیابی میزان بارش مورد ارزیابی قرار گرفته است. نتایج بررسی مدل‌ها نشان داد مدل رگرسیون فرآیند گاوسی نمایی پس از انجام تحلیل مولفه اصلی با pod: 0/96 ، rmse: 0/44 و hss:0/67 برای آستانه بارش 0.1 میلیمتر (در طی نیم ساعت) برای مجموعه داده‌های بارش کمتر از 10 میلیمتر، بهترین عملکرد را دارا می‌باشد. شبکه عصبی مصنوعی نیز با rmse 1/27 عملکرد ضعیف‌تری نسبت به مدل رگرسیونی را نشان داد اما عملکرد خوبی را در تفکیک شرایط بارشی از غیربارشی (pod: 0/85 و hss: 0/48) ارائه داد. با مقایسه همبستگی بین بارش و دمای روشنایی (بطور متوسط 0.36)، و همبستگی بین بارش مشاهده شده و بارش بازیابی شده (در مدل رگرسیونی 0.91 و در شبکه عصبی 0.43)، می‌توان نتیجه گرفت محصولات بارشی تولید شده است که می تواند همبستگی خوبی را بین بارش مشاهده شده و بارش بازیابی شده نشان دهد.

Precipitation Retrieval Using IR Channels Brightness Temperature from SEVIRI

This study is performed to retrieve precipitation amount using Spinning Enhanced Visible and InfraRed Imager (SEVIRI) from Meteosat Second Generation (MSG). According to the relationship between the infrared channels brightness temperature and the microphysical and optical properties of the clouds (such as cloud top temperature, cloud top height, optical thickness, particle size, and particle phase), and the influence of changes in these properties on the determination of precipitation amount and intensity, the relationship between brightness temperature and precipitation have been studied for two stations in Hormozgan province. The performance of an artificial neural network and also several regression models to estimate precipitation has been evaluated. The results showed that the exponential Gaussian process regression model with performing principal component analysis by RMSE of 0.44, POD of 0.96 and the HSS of 0.67 for precipitation threshold 0.1 mm for the less than 10 mm precipitation data set have the best performance. The artificial neural network also presented a RMSE of 1.27 which indicates weaker performance in comparison with the regression model but showed good performance in distinguishing precipitation conditions from nonprecipitation conditions (POD of 0.85 and HSS of 0.48). By comparing the correlation between precipitation and brightness temperature of infrared channels (average 0.36), and the correlation between observed and retreived precipitation (0.91 in the regression model and 0.43 in the neural network), it can be concluded that the precipitation products which extracted in this study, show a good correlation between observed and retrieved precipitation.