بررسی عملکرد الگوریتم‌های تخمین غلظت گاز گلخانه‌ای co2، براساس داده‌های ماهواره گوست (gosat) و ایستگاه‌های زمینی

افزایش سطح غلظت گازهای گلخانه‌ای و به‌تبع آن، گرم‌شدن کره زمین و تغییرات آب‌وهوایی یکی از مهم‌ترین چالش‌های قرن بیست‌ویکم شناخته شده است. این پژوهش عملکرد الگوریتم‌های موجود در بازیابی غلظت گازهای گلخانه‌ای دی‌اکسید کربن را، براساس داده‌های مشاهداتی ماهواره نظارت بر گازهای گلخانه‌ای گوست (gosat)، در مقایسه با داده‌های مرجع به‌دست‌آمده از شبکه سطحی (tccon)، در هشت سایت منتخب در دوره زمانی 2015-2011 بررسی می‌کند. الگوریتم‌های مورد ارزیابی عبارت‌اند از الگوریتم nies، acos و remotec (srfp). این الگوریتم‌ها بر بازیابی فراوانی ستونی از گازهای مورد نظر متمرکز شده‌اند تا از مقادیر مولکولی هوای خشک اتم دی‌اکسید کربن (xco2) بهره بگیرند. برای ارزیابی محصولات هر الگوریتم با مقدار معادل مشاهداتی زمینی آن، از شاخص‌های آماری اریبی (bias)، جذر میانگین مربع خطاها (rmse)، خطای مطلق (mae)، انحراف معیار (sd) و ضریب همبستگی پی‌یرسون (cr) در هر ایستگاه استفاده شده است. نتایج بررسی مقادیر داده‌شده نشان می‌دهد که، در بیشتر ایستگاه‌های زمینی مورد نظر، به‌ترتیب الگوریتم‌‌های nies، acos، remotec (srfp) دارای کمترین خطای rmse، mae، و کمترین خطای اریبی بوده‌اند. همچنین، کمترین مقادیر همبستگی (بین هر الگوریتم و شبکه سطحی) متعلق به الگوریتم (srfp) و بیشترین مقادیر آن، درمورد بیشتر ایستگاه‌ها، متعلق به الگوریتم nies در یک میانگین پنج‌ساله (2015-2011) است.

Evaluation of CO2 Greenhouse Gas Estimation Algorithms Based on GOSAT Satellite Data and Groundbased Observation Stations

In this report, we compare data products from three different algorithms with the reference data obtained by groundbased highresolution Fourier Transform Spectrometers (gb FTSs)  in the Total Carbon Column Observing Network (TCCON), with the 8 selected sites in five years(20112015). The algorithms evaluated are NIES, ACOS and SRFP algorithms. These algorithms are focused on retrieving the column abundance of the CO2 to take advantage of the molecular amounts of dry air carbon dioxide (XCO2). To evaluate the products of each algorithm with its equivalent ground observations, statistical indices such as Bias error, root mean square error (RMSE), absolute error (MAE), standard deviation (SD), and Pearson correlation coefficient (CR) were used. By examining the values presented by each algorithm and comparing it with the ground observation values, it can be concluded that the NIES, ACOS, and RemoTeC (SRFP) algorithms have the lowest RMSE, Bias and MAE error respectively. The best agreements with TCCON measurements in the most stations were detected for NIES 02.xx. The SRFP algorithm has a significant difference in estimating CO2 retrieving rates compared to the other two algorithms. So that the lowest correlation values belong to the SRFP algorithm and the highest correlation, values belong to the NIES algorithm.