طبقه‌بندی آب‌شهاب‌ها با استفاده از اطلاعات مایکروویو ماهواره‌ای و روش شبکه‌های عصبی

آب‌شهاب‌های موجود در جو، به هر شکلی که باشند (جامد، مایع و گاز)، با تابش مایکروویو (از طریق پراکندگی، جذب و گسیل) برهمکنش می‌کنند. اندازه‌گیری‌های گمانه­زن مایکروویو پیشرفته واحد b (amsub) روی ماهواره‌های noaa به نوع، شکل و توزیع اندازه و همچنین رفتار سقوطی آب‌شهاب‌ها در حجم تفکیک ابزار سنجش حساس و در نتیجه برای مطالعه انواع مختلف آب‌شهاب‌های جوی مفید می‌باشند. از جمله کاربرد اطلاعات خرد فیزیکی و طبقه‌بندی آب‌شهاب‌های جوی می‌توان به مقداردهی اولیه مدل‌های ابر و مدل‌های عددی پیش‌بینی آب­و هوا، مطالعه در خصوص شکل‌گیری و چرخه زندگی بارش و همچنین انتخاب الگوریتم مناسب برای برآورد بارش اشاره کرد. با توجه به این مهم، در این مقاله با استفاده از دمای تابشی اندازه‌گیری شده توسط گمانه‌زن amsub و روش شبکه‌های عصبی مصنوعی بطور همزمان هشت نوع آب‌شهاب­ مختلف، 1 توفان تندری(ts) 2 باران سنگین(hr) 3 باران سبک(lr) 4 باران متوسط(mr) 5 بارش برف(sf) 6 پوشش برف(sc) 7 آسمان ابری(cls) 8 آسمان صاف(cs) به هشت کلاس مجزا طبقه‌بندی شده‌اند. از حدود 200 گذر ماهواره طی دوره‌ی مورد مطالعه، بین سال‌های 2000 تا 2010، برای هر نوع آب‌شهاب 200 نمونه و در مجموع 1600 نمونه که تقریبا با گزارش‌های سازمان هواشناسی همزمان بوده‌اند جمع‌آوری شده است. نتایج نشان می‌دهد که انواع کلاس‌های بارش باران، نرمه بارش، بارش متوسط و بارش شدید، با دقتی بین 54 تا 62 درصد، نسبت به سایر کلاس‌های آب‌شهاب‌ها، با دقت کمتری، و انواع دیگر آب‌شهاب‌ها تقریباً با دقتی بیش از 80 درصد بطور صحیح طبقه‌بندی شده‌اند. با قراردادن تمام کلاس‌های بارش باران در یک کلاس واحد (بارش باران rf) روی همرفته دقت طبقه‌بندی شبکه‌ی عصبی به حدود 85% ( 340 الگو از 400 الگو بطور صحیح طبقه‌بندی شده‌اند) ارتقاء می‌یابد.

Classification of Hydrometeors from Microwave Satellite Data Using an Artificial Neural Networks Method

Hydrometeors in the atmosphere, on any form (solid, liquid and gases), interact with microwave radiation (through scattering, absorption and emission). The Advanced Microwave Sounding UnitB (AMSUB) measurements onboard NOAA satellites are sensitive to the types, shapes, and size distributions as well as fall behaviors of the hydrometeors in the AMSUB resolution Volume and thus are useful to study different types of atmospheric hydrometeors. These microphysical signatures and classification of atmospheric hydrometeors can be utilized to initialize the cloud/mesoscale numerical weather prediction models, study of precipitation formation and life cycle, and choice of the right algorithm for precipitation estimation.  Therefore, In this paper, the signatures of eight types of hydrometeors,  including Thunderstorms (TS), Heavy rain (HR),  Light rain (LR), Moderate Rainfall (MR), Snowfall (SF), Snow cover (SC), Cloudy condition (CC), and  Clear sky (CS), using AMSUB data by an artificial neural network method, simultaneously,  have been classified to eight different classes. During the study period (2000 to 2010), from about 200 of satellite passes, for each type of hydrometeor 200 datasle and  overall 1600 datasle, which was closest to Iran Meteorology Organization (IMO) reports have been collected. Our results show that different classes of rain, including light, moderate and heavy rainfall, with respect to other classes, with accuracies between 54 to 62% have poor classification capability, and other hydrometeors with an accuracy of about 80% correctly classified.  By considering three classes of rain as a single class (rain fall = RF), the accuracy of neural network classifier increased to 85% among 400 pattern, about 340 pattern have correctly been classified