Συμβολή στην ανάπτυξη τεχνικής για την εκτίμηση της βροχόπτωσης από πολυφασματικά δορυφορικά δεδομένα

Abstract

The present study aims at examining the potential of developing rainfall estimation schemes using the enhanced spectral resolution of the Meteosat Second Generation (MSG).Initially, the possibility of developing precipitating cloud detection schemes was investigated, using the enhanced thermal infrared spectral resolution of the Meteosat Second Generation (MSG). Two different classification methodologies were proposed that use the spectral parameters along with textural parameters derived from the thermal infrared MSG channels to delineate rain from no rain clouds. The first is an algorithm based on the probability of rain (Probability of Rainfall, PΟR) for each pixel of the thermal infrared MSG satellite data and the second is an Artificial Neural Network (Neural Network Μultilayer Perceptron, MLP) model. Both schemes were trained using as rain information spatially and temporally matched gauge data from 88 stations in Greece, for 30 rainy cases covering the period from March 2008 to February 2009. Both schemes were evaluated against an independent sample of rain gauge data for ten rainy days. During the training phase, POR1 model based on spectral parameters showed the best performance among all the rain area delineation models while MLP2 model exhibited the lowest performance. When evaluating against the independent dataset, the MLP1 model provides the best results among all the rain area discrimination techniques and POR2 algorithm produces the worst results. From the validation results, it was found that the introduction of textural parameters does not improve the discrimination between rain and no rain clouds. All algorithms overestimate the rain occurrences detected by the rain stations network.The next step of the rainfall estimation methodology was the development of two convective and stratiform rain delineation schemes based on the high spectral resolution of the MSG. Two different classification methods were proposed that use spectral cloud parameters along with textural cloud parameters. The first model is an empirical algorithm based on the estimation of the probability of convective rainfall on a pixel basis (Probability of Convective Rainfall, PCR) for the satellite infrared dataset and the second is an Artificial Neural Network model (MLP) for convective/stratiform rain classification that is based on the correlation between spectral and textural parameters and convective and stratiform classes of surface rainfall. The rain delineation algorithms were trained using different rainy cases with high convective activity covering the same period from March 2008 to February 2009. The PCR2 algorithm that is based on both spectral and textural measures, during the training phase provided the best results among all the rain classification models and MLP1 algorithm exhibited the worst scores. When evaluating against the independent dataset, the MLP2 model based on both spectral and textural parameters showed the best performance among all the convective/stratiform rain discrimination schemes and algorithm PCR1 provided the lowest performance. The verification results showed that the incorporation of textural parameters as additional information has improved the convective/stratiform rain discrimination compared to the use of spectral information alone. All algorithms overestimate the convective rain occurrences observed by the rain gauge network.The main objective of the present study was the development of two multispectral rainfall estimation techniques based initially on the developed rain and non rain discrimination models and then on the convective/stratiform rain classification models that incorporate the enhanced spectral resolution of the Meteosat Second Generation. Two different rainfall estimation methods were introduced that use spectral cloud parameters along with textural cloud parameters. The first is an algorithm based on rainfall rate assignment (Rainfall Rate assignment, RR) for each pixel of the thermal infrared MSG satellite images and the second is an Artificial Neural Network MLP algorithm. The performance of the rainfall estimation schemes was evaluated at different temporal averaging intervals (15min, 1h, 3h, 6h).The intercomparison between the two rainfall estimation techniques showed that rainfall retrieval algorithms based on the convective and stratiform rain delineation model improve rainfall estimation technique compared to algorithms that rely on the rain cloud delineation model. The rainfall estimation algorithm MLP2, which was developed according to the convective/stratiform classification model, provided the best results among all the rainfall retrieval algorithms while RR1 algorithm produced the worst results for each time interval. Furthermore between the two rainfall rate assignment algorithms, the RR2 algorithm displayed the best scores compared with the RR1 algorithm. The evaluation of rainfall estimation algorithms that were developed based on the rain and non rain delineation models exhibited the lowest performance at the first time interval of 15min and then was significantly improved for the next temporal averaging intervals (1h, 3h, 6h).The validation of rainfall retrieval algorithms at independent rainy days displayed that rainfall estimation algorithms based on the convective and stratiform rain classification model provide better results compared to algorithms that rely on the rain cloud detection model.As a final output, a multispectral rainfall estimation algorithm was developed based on the MSG satellite data and gauge rainfall measurements that generate precipitation estimates at various temporal scales.

Η παρούσα διδακτορική διατριβή έχει ως αντικείμενο την ανάπτυξη μιας πολυφασματικής δορυφορικής τεχνικής εκτίμησης της βροχής αξιοποιώντας την υψηλή φασματική και χρονική διακριτική ικανότητα του γεωστάσιμου μετεωρολογικού δορυφόρου Meteosat Second Generation (MSG).Αρχικά αναπτύχθηκε μια μεθοδολογία αναγνώρισης και διάκρισης των βροχοφόρων από τα μη βροχοφόρα νεφικά συστήματα, η οποία βασίστηκε στην υψηλή φασματική ανάλυση των καναλιών του θερμικού υπέρυθρου του δορυφόρου MSG. Προτάθηκαν δύο διαφορετικές μέθοδοι διάκρισης βροχοφόρων και μη βροχοφόρων νεφών που χρησιμοποιούν φασματικές παραμέτρους και παραμέτρους υφής των νεφών που υπολογίστηκαν από τα κανάλια του δορυφόρου MSG στη θερμική υπέρυθρη φασματική περιοχή. Το πρώτο μοντέλο είναι ένας εμπειρικός αλγόριθμος που βασίζεται στην εκτίμηση της πιθανότητας βροχόπτωσης (Probability of Rainfall, PΟR) ανα εικονοστοιχείο για τα δορυφορικά δεδομένα στο θερμικό υπέρυθρο και το δεύτερο είναι ο αλγόριθμος των Νευρωνικών Δικτύων (Neural Network Μultilayer Perceptron, MLP) που βασίζονται στη συσχέτιση των φασματικών παραμέτρων (POR1, MLP1) και στην αξιοποίηση των παραμέτρων υφής και των φασματικών παραμέτρων (POR2, MLP2) των νεφών με πραγματικές καταγραφές βροχής από μετεωρολογικούς σταθμούς. Και οι δύο αλγόριθμοι εκπαιδεύτηκαν χρησιμοποιώντας χωρικά και χρονικά συσχετισμένα δεδομένα από 88 σταθμούς στην Ελλάδα για 30 επεισόδια βροχής που καλύπτουν τη χρονική περίοδο από το Μάρτιο 2008 μέχρι το Φεβρουάριο 2009. Η ακρίβεια των αλγόριθμων εντοπισμού βροχοφόρων νεφών αξιολογήθηκε με την εφαρμογή ανεξάρτητου δείγματος 10 ημερών βροχής για το ίδιο χρονικό διάστημα. Στo στάδιο της εκπαίδευσης το μοντέλο POR1 εμφανίζει τα καλύτερα αποτελέσματα από τα τέσσερα μοντέλα και ο αλγόριθμος MLP2 παρουσιάζει τη χειρότερη απόδοση. Ο αλγόριθμος MLP1 παρουσιάζει τη βέλτιστη απόδοση στον εντοπισμό των βροχοφόρων νεφών και η τεχνική POR2 εμφανίζει τη χειρότερη απόδοση στη φάση της αξιολόγησης. Με βάση το στάδιο αξιολόγησης των αλγόριθμων, παρατηρήθηκε ότι η εισαγωγή των παραμέτρων υφής δεν βελτιώνει την απόδοση των μοντέλων στη διάκριση των βροχοφόρων και μη βροχοφόρων νεφικών συστημάτων. Επίσης όλοι οι αλγόριθμοι εντοπισμού βροχοφόρων νεφών υπερεκτιμούν τον αριθμό των συμβάντων βροχής που παρατηρήθηκε από τους μετεωρολογικούς σταθμούς.Στη συνέχεια αναπτύχθηκαν δύο μεθοδολογίες διάκρισης των στρατόμορφων από τα σωρειτόμορφα βροχοφόρα νέφη οι οποίες βασίζονται στην υψηλή φασματική διακριτική ικανότητα του δορυφόρου MSG. Δύο διαφορετικές μέθοδοι ταξινόμησης προτάθηκαν που χρησιμοποιούν φασματικές παραμέτρους και παραμέτρους υφής των κορυφών των νεφών που υπολογίστηκαν από τις δορυφορικές εικόνες MSG. Το πρώτο μοντέλο είναι ένας εμπειρικός αλγόριθμος που υπολογίζει την πιθανότητα σωρειτόμορφης βροχόπτωσης ανα εικονοστοιχείο (Probability of Convective Rainfall, PCR) για τα δορυφορικά δεδομένα στο υπέρυθρο και το δεύτερο είναι ο αλγόριθμος των Νευρωνικών Δικτύων (MLP) που βασίζεται στη συσχέτιση των φασματικών παραμέτρων και των παραμέτρων υφής, που υπολογίστηκαν από τα επιλεγμένα βροχοφόρα εικονοστοιχεία MSG, με πραγματικές μετρήσεις στρατόμορφης/σωρειτόμορφης βροχής από σταθμούς βροχόπτωσης. Για την εκπαίδευση και επαλήθευση των αλγόριθμων ταξινόμησης βροχοφόρων νεφών χρησιμοποιήθηκαν 40 ημέρες με έντονη βροχόπτωση που δεν ταυτίζονται με τα επεισόδια βροχής που χρησιμοποιήθηκαν για τη βαθμονόμηση και αξιολόγηση των αλγόριθμων εντοπισμού βροχοφόρων νεφών. Στη φάση της εκπαίδευσης, η τεχνική PCR2 παρουσιάζει τα βέλτιστα αποτελέσματα από τα τέσσερα μοντέλα ταξινόμησης νεφών και η τεχνική MLP1 καταγράφει τη χειρότερη απόδοση. Στο στάδιο της αξιολόγησης των τεχνικών διάκρισης στρατόμορφων και σωρειτόμορφων βροχοφόρων νεφών καταδεικνύεται ότι ο αλγόριθμος MLP2 εμφανίζει την καλύτερη απόδοση στον εντοπισμό σωρειτόμορφων βροχοφόρων νεφών και ο αλγόριθμος PCR1 τη χειρότερη απόδοση. Επίσης παρατηρείται ότι η αξιοποίηση των παραμέτρων υφής βελτιώνει την απόδοση των αλγόριθμων διαχωρισμού στρατόμορφων και σωρειτόμορφων νεφών. Όλα τα μοντέλα υπερεκτιμούν τον αριθμό των συμβάντων σωρειτόμορφης βροχής που καταγράφηκαν από τους σταθμούς βροχόπτωσης.Στα πλαίσια του κύριου ερευνητικού στόχου της διδακτορικής διατριβής, αναπτύχθηκαν δύο τεχνικές εκτίμησης βροχής με βάση εφαρμογής αρχικά το μοντέλο εντοπισμού βροχοφόρων νεφών και στη συνέχεια το μοντέλο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών, αξιοποιώντας την υψηλή φασματική ανάλυση του δορυφόρου MSG. Για την εκτίμηση της έντασης βροχής εφαρμόστηκαν δύο μεθοδολογίες που συσχετίζουν τις φασματικές παραμέτρους και παραμέτρους υφής που υπολογίστηκαν από τα δορυφορικά δεδομένα MSG με πραγματικές καταγραφές βροχής από μετεωρολογικούς σταθμούς: ο αλγόριθμος ανάθεσης βροχόπτωσης (Rainfall Rate assignment, RR) και ο αλγόριθμος των νευρωνικών δικτύων MLP. Η απόδοση των αλγόριθμων εκτίμησης βροχής που αναπτύχθηκαν αρχικά με βάση το μοντέλο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών και στη συνέχεια με βάση το μοντέλο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών αξιολογήθηκε σε διαφορετικά χρονικά διαστήματα μεσοποίησης της έντασης βροχής (15min, 1h, 3h, 6h).Από τη σύγκριση μεταξύ των δύο μεθοδολογιών εκτίμησης βροχής διαπιστώθηκε ότι οι αλγόριθμοι εκτίμησης βροχής που αναπτύχθηκαν με βάση εφαρμογής το μοντέλο διαχωρισμού στρατόμορφων και σωρειτόμορφων νεφών εμφανίζουν βελτιωμένα αποτελέσματα σε σχέση με τους αλγόριθμους με βάση εφαρμογής το μοντέλο εντοπισμού βροχοφόρων νεφών. Η τεχνική εκτίμησης της έντασης βροχής MLP2 που αναπτύχθηκε με βάση το μοντέλο ταξινόμησης στρατόμορφων/σωρειτόμορφων νεφών εμφανίζει την καλύτερη απόδοση και η τεχνική RR1 παρουσιάζει τα χειρότερα αποτελέσματα για κάθε χρονική κλίμακα μεσοποίησης. Μεταξύ των αλγόριθμων ανάθεσης βροχής RR, ο αλγόριθμος RR2 αποδίδει βελτιωμένα αποτελέσματα σε σύγκριση με τον αλγόριθμο RR1. Η απόδοση των αλγόριθμων εκτίμησης βροχής που αναπτύχθηκαν με βάση εφαρμογής το μοντέλο ταξινόμησης στρατόμορφων/σωρειτόμορφων βροχοφόρων νεφών δεν παρουσιάζει ικανοποιητικά αποτελέσματα στο πρώτο χρονικό διάστημα των 15min αλλά βελτιώνεται αισθητά για τα επόμενα χρονικά διαστήματα μεσοποίησης της έντασης βροχής (1h, 3h, 6h). Οι αλγόριθμοι εκτίμησης βροχής που αξιολογήθηκαν σε συγκεκριμένα επεισόδια βροχής, με βάση εφαρμογής το μοντέλο ταξινόμησης στρατόμορφων/σωρειτόμορφων νεφών αποδίδουν βελτιωμένα αποτελέσματα στον εντοπισμό βροχοφόρων νεφικών συστημάτων, σε σύγκριση με τον αλγόριθμο εκτίμησης βροχής που αναπτύχθηκε με βάση εφαρμογής το μοντέλο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών. Συμπερασματικά αναπτύχθηκε μια αυτοματοποιημένη πολυφασματική τεχνική εκτίμησης βροχόπτωσης για διαφορετικές χρονικές κλίμακες μεσοποίησης που βασίζεται αποκλειστικά στα δορυφορικά δεδομένα MSG και παρέχει τη δυνατότητα επιχειρησιακής λειτουργίας.