23604

MAP2 112

كارشناسي ارشد

مهندسي نقشه برداري- سنجش از دور

مهندسي عمران و حمل و نقل

بهمن ماه 1402

88 ص.

مينا مرادي زاده

آب معادل برف , شاخص‌هاي برفي , الگوريتم‌هاي يادگيري ماشين , ريزمقياس‌سازي , داده‌هاي مايكروويو غيرفعال , سنجنده AMSR2

پوشش برف به عنوان بزرگترين جزء يخ¬كره به لحاظ گستره مكاني محسوب مي‌شود و به دليل البدوي بالا وتاثير آن در تخصيص انرژي بر تعادل مكاني پائين محصولات آب معادل برف مبتني بر داده¬هاي سنجنده¬هاي مايكروويو غير فعال مانند AMSR2، بخصوص در مناطقي با تغييرات توپوگرافي شديدپاسخگوي نيازهاي مطالعات هيدرولوژي نيست. با توجه به كاهش نزولات آسماني در حوضه زاينده رود و انرژي سطح زمين تأثير گذار است. مقدار آب ذخيره شده در يك بسته برفي كه به عنوان آب معادل برف (SWE) شناخته مي-شود، براي كاربردهاي هيدرولوژي، پيش بيني عددي آب و هوا و تغييرات آب و هوا از اهميت بالايي برخوردار است.از آنجايي كه سنجنده‌هاي مايكروويو غيرفعال مي‌توانند در به دست آوردن اطلاعات، در مورد حجم عمق برف كمك كنند، و تفاضل دماي درخشندگي مايكروويو مدت‌هاست كه براي ارزيابي تغييرات مكاني و زماني در آب معادل برف استفاده مي‌شود.اما توان تفكيك اهميت اين حوضه آبريز به عنوان مهمترين حوزه آبريز مركز كشور، برآورد و استفاده بهينه از منابع آبي آن در مسير توازن زيست محيطي و پايداري اقتصادي منطقه و كشور اهميت بالائي دارد.بنابراين براي بهبود دقت بازيابي و توان تفكيك مكاني آب معادل برفحاصل از تفاضل دماي درخشندگي مايكروويو در حوضه رودخانه زاينده رود، يك مدل كاهش مقياس چند عاملي با تركيب داده‌هاي آب معادل برف از سنجنده AMSR2، شاخص‌هاي پوشش برف و پارامترهاي محيطي سطح براي توليد آب معادل برف در مقياس يك كيلومتر توسعه داده شد. اعتبارسنجي در 14 ايستگاه هواشناسي زميني نشان داد كه مدل توسعه‌يافته تا حد زيادي توان تفكيك مكاني و دقت بازيابيآب معادل برف حاصل از تفاضل دماي درخشندگي مايكروويو را بهبود بخشيده است. خطاي ريشه ميانگين مربع آن (RMSE) از 40.05 ميلي متر به 23.83 ميلي متر كاهش يافت و ضريب همبستگي (R) از 0.5 به 0.85 افزايش يافت.در اين مطالعه براي افزايش توان تفكيك مكاني محصول آب معادل برف ازالگوريتم¬هاي يادگيري ماشين شبكه عصبي چند لايه پرسپترون (MLR)،رگرسيون بردارپشتيبان(SVR) ، درخت تصميم (DT)، Ada Boost و جنگل تصادفي(RF) در مدل¬هايريز مقياس سازي استفاده شد در بين الگوريتم هاي يادگيري ماشين ذكر شده، الگوريتم جنگل تصادفيبهترين عملكرد را در كاهش مقياس و بهبود برآورد آب معادل برف نشان داده است. علاوه بر اين در اين تحقيق از يك رگرسيون خطي و تواني براي برآورد آب معادل برف با استفاده از شاخص‌هاي برفي استفاده شد. شاخص نرمال شده پوشش برف(NDSI) در رگرسيون تواني با RMSE، 38.24 ميلي‌متر و ميزان همبستگي (R)، 0.57 بهترين نتيجه را در برآورد ‌آب معادل برف در توان تفكيك مكاني يك كيلومتر از خود نشان داد. اما به طور كلي باتوجه به نتايج بدست آمده از شاخص‌هاي برفي، اشباع شدگي با سرعت بيشتري در مدل‌هاي رگرسيون خطي و تواني نسبت به برآورد اب معادل برف با تفاضل دماي درخشندگي حاصل از انتشارات مايكروويو غير فعال اتفاق مي‌افتد اما مي‌توان براي تخمين آب معادل برف در مناطقي با عمق كم برف با دقت معقول از شاخص‌هاي برفي براي برآورد آب معادل برف استفاده كرد، حتي اگر در ابتدا براي اين منظور طراحي نشده باشند.

Snow water equivalent , Snow indices , Machine Learning Algorithm , Downscaling , Passive microwave , AMSR2

Estimation of high resolution snow water equivalent using AMSR2 passive microwave sensor data and machine learning

مهندسي نقشه برداري

Snow cover is the largest single component of the cryosphere in terms of spatial extent and it affects the global surface energy balance due to its high albedo and the energy allocation involved in the snow melting. The amount of water stored in a snowpack, which is obtained as snow water equivalent (SWE), is of great importance for hydrological applications, numerical weather predictions, climate change research and land surface process simulations. Since passive microwave sensors can contribute to obtaining information about snowpack volume, microwave brightness temperatures (BT) have long been used to assess spatiotemporal variations in SWE. However, the coarse spatial resolution (typically at 25 km from passive microwave remote sensing images) of the existing SWE products cannot meet the needs of explicit hydrological modeling, and thus, the low spatial resolution of existing SWE products (i.e., the coarse resolution of AMSR2 based products) leads to less satisfactory results, especially in regions with complex terrain conditions, strong seasonal transitions and, great spatiotemporal heterogeneity. To improve the inversion accuracy and spatial resolution of BT difference (BTD) SWE in Zayandehroud River basin, a multifactor SWE downscaling model was developed by combining PMW SWE data from the AMSR2 sensor, optical snow cover extent data, and surface environmental parameters to produce fine scale (1 km × 1km) and high precision SWE data.Validations at 14 ground meteorological stations show that the developed model greatly improved the spatial resolution and inversion accuracy of the raw BTD SWE; its root-mean-square error (RMSE) reduced from 40.05 mm of the raw BTD SWE to 23.83 mm, and the correlation coefficient (R) increased from 0.5 to 0.85. Among the machine learning algorithms, the Random Forest (RF) algorithm has shown the best performance in downscaling and improving the estimation of SWE. Compared with the existing downscaling methods, the proposed model presented the best performance.In addition, in this research, a linear and exponential regression was used to estimate snow equivalent water using snow indices. NDSI index in exponential regression with RMSE, 38.24 mm and R 0.57 showed the best result in the estimation of SWE in the spatial resolution of 1 km × 1km. But in general, according to the results obtained from snow indices, saturation occurs faster in linear and power regression models than the BTD SWE resulting from PMW, but it can be used to estimate SWE in areas with low snow depth with reasonable accuracy. used snow indices to estimateSWE, even though they were not originally designed for this purpose

5

32832