برآورد بارش با استفاده از داده های ماهواره متئوست و روش های رگرسیونی
عنوان دوره: نوزدهمین کنفرانس ژئوفیزیک ایران
نویسندگان
1گروه علوم غیرزیستی جوی و اقیانوسی، دانشکده علوم و فنون دریایی، دانشگاه هرمزگان، شهر بندرعباس، ایران
2عضو هیئت علمی گروه فیزیک، دانشکده علوم پایه، دانشگاه هرمزگان
3عضو هیئت علمی، پژوهشگاه هواشناسی و علوم جو
4گروه علوم غیرزیستی جوی و اقیانوسی، دانشکده علوم و فنون دریایی، دانشگاه هرمزگان، ایران
چکیده
هدف از انجام این مطالعه برآورد بارش با استفاده از دمای روشنایی کانال‌های فروسرخ از داده‌های تصویربردار چرخان پیشرفته مرئی و فروسرخ (SEVIRI) از نسل دوم متئوست (MSG) می‌باشد. با توجه به ارتباط دمای روشنایی کانال های فروسرخ ماهواره‌ای با خصوصیات ابرها، و تاثیر تغییر هر یک از این خصوصیات در تعیین آستانه بارش و محدوده شدت آن، ارتباط تغییرات دمای روشنایی و بارش در دو ایستگاه هواشناسی واقع در استان هرمزگان مورد بررسی قرار گرفته و عملکرد مدل‌های رگرسیونی مختلف برای برآورد بارش مورد ارزیابی قرار گرفته است. نتایج بررسی مدل‌ها نشان داد برای این مجموعه از داده‌ها، مدل رگرسیون فرآیند گاوسی نمایی پس از انجام تحلیل مؤلفه اصلی با ضریب تعیین 0.46، ضریب همبستگی 0.68، میانگین خطای مطلق 0.83و جذرمیانگین مربعات خطا 1.77، بهترین عملکرد را دارا می‌باشد.
کلیدواژه ها
 
Title
Estimation of Precipitation amount using Meteosat Satellite Data and Regression Methods
Authors
Saeideh Khwarazmi, Abolhassan Gheiby, Mehdi Rahnama, Mohammadreza Mohammadpur Penchah
Abstract
The purpose of this study is to estimate the precipitation amount using Spinning Enhanced Visible InfraRed Imager (SEVIRI) from Meteosat Second Generation (MSG). According to the relationship between the infrared channel brightness temperature and the properties of the clouds and the influence of these properties changes on the determination of precipitation threshold and intensity, the relationship between brightness temperature and precipitation have been studied for two stations in Hormozgan province. The performance of several regression models to estimate precipitation has been evaluated. The results showed that the exponential Gaussian process regression model has the best performance for this dataset after performing principal component analysis. Validation criteria are: The determination coefficient 0.46, the correlation coefficient of 0.68, mean absolute error of 0.83 and root mean squared error of 1.77.
Keywords
Precipitation estimation, Infrared brightness temperature, Meteosat, Regression model