Precipitation Data Collection을 강화하는 원격 감지 역할

소개: 왜 정확한 예측 자료 Matters

이 사이트는 귀하가 웹 사이트를 탐색하는 동안 귀하의 경험을 향상시키기 위해 쿠키를 사용합니다. 이 쿠키들 중에서 필요에 따라 분류 된 쿠키는 웹 사이트의 기본적인 기능을 수행하는 데 필수적이므로 브라우저에 저장됩니다. 또한이 웹 사이트의 사용 방식을 분석하고 이해하는 데 도움이되는 제 3 자 쿠키를 사용합니다. 이 쿠키는 귀하의 동의하에 만 브라우저에 저장됩니다. 이러한 쿠키를 거부 할 수도 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다.

원격 감지란?

원격 감지는 물리적 접촉을하지 않고 객체 또는 현상에 대한 정보를 수집합니다. 지구 관측의 맥락에서, 그것은 위성, 항공기, 또는 전자기 방사선을 반사하거나 지구 표면과 대기에서 방출하는 무인 항공기에 수행되는 악기를 포함합니다. 이러한 측정은 온도, 습도, 구름 구조 및 강수량과 같은 물리적 특성을 인 물리적 특성으로 처리됩니다.

핵심센서 유형

Passive 전자레인지 센서는 hydrometeors (raindrop, snowflakes, hail)에서 자연적으로 방출 된 전자 레인지 방사선을 감지합니다. 이 신호는 강수 강도와 관련이 있으며 공간에서 강우량 추정을위한 기본 도구를 만듭니다.
액티 센서, 의 강수량 레이더와 같은, 마이크로파 에너지의 펄스를 방출하고 백스캐터 신호를 측정합니다. 이 비와 눈 사이의 구별을 포함하여 강수의 상세한 수직 프로파일을 제공합니다.
Infrared (IR) sensor] in-stationary satellites Measure cloud-top temperatures. 냉, 높은 구름은 깊은 공허 시스템과 관련되어 있으며, IR 기반 알고리즘을 인페 강수율로 허용한다. 마이크로파 관측보다 적은 직접적이지만 IR 데이터는 높은 임시 주파수를 제공합니다 (각 5-15 분) 가까운 실시간 모니터링에 대한 중요입니다.

원격 감지 향상 예측 데이터 수집 방법

지상에 근거한 비 계기 및 날씨 레이다는 좋은 정확도를 가진 국부적으로화된 강수량을 붙잡고, 그러나 그들은 전 지구를 균등하게 커버할 수 없습니다. 먼 느끼는 긴요한 간격을 채웁니다:

Spatial 적용: 위성은 바다, 극지, 그리고 접근 가능한 산 지형을 포함한 지구의 모든 부분을 관찰할 수 있습니다. 이것은 ‐situ 네트워크에서 혼자 얻을 수 없는 글로벌 강수 복제를 가능하게 합니다.
Temporal 적용: 여러 위성은 함께 몇 시간의 재난 시간을 제공 할 수 있습니다. Geostationary 플랫폼은 고정 된 지역에 지속적인 적용을 제공, 각 5-15 분을 업데이트.
조건: 위성 기기는 미션을 통하여 측정되고 교차로로로로 조정되며, 기후변화와 관련된 추세와 가변성을 감지하는 장기적인 레코드를 생산합니다.
Vertical 구조: 세계시계 측정(GPM) Core Observatory의 Dual-frequency Precipitation Radar (DPR)과 같은 Active sensors는 강수에 대한 세 가지 차원 정보를 제공하며, 융해층, 비가위의 비가위와 강수의 강수를 드러냅니다.

주요 사명과 그들의 기여

글로벌 선임 측정 (GPM) Mission

GPM Core Observatory는 NASA와 일본 항공 우주 탐험기구 (JAXA) 간의 공동 임무로 2014 년에 시작되었으며 이중 주파수 예측 Radar 및 GPM Micro Imager (GMI)를 모두 수행합니다. GPM은 파트너 위성의 국제 별자리 표준을 준수하며 전 세계 30 분마다 비례없는 강수량을 제공합니다. GPM (IMERG) 제품 통합 멀티 ‐ 위성 Retrievals는 30 분 동안 모든 오염 물질을 생산합니다. GPM (IMERG) 제품 통합 데이터는 모든 반감기 (0.1)의 높은 농도를 생산합니다.

TRMM (압력 강우 측정 임무)

1997년부터 2015년까지 운영되는 TRMM은 열대성 및 대열대를 통해 우주 기반 강수량 레이다와 전자파를 선구적으로 구현했습니다. 그 데이터는 GPM의 기초를 마련하고 기후 연구를 위해 계속 사용됩니다.

외부 링크: NASA 글로벌 예측 측정]

외부 링크: JAXA GPM/GCOM-W]

Precipitation Studies에서 원격 감지의 장점

무휴 공간 적용:위성 커버 바다 (지구의 70%), 먼 토지 지역 및 지상에 악기가 어려운 정치 경계.
Near-real-time 가용성: 많은 위성 제품은 관측의 몇 시간 안에, 조작 수소학, 홍수 경고, 재난 응답을 지원할 수 있습니다.
Long-term 기후 기록: 주의적 재처리, 위성 기록은 지금 20 년을 초과하고, 계절의 분석과 강수 극도로의 추세를 가능하게합니다.
수치 기상 모델과의 통합: 위성 강수 데이터는 날씨 예측 모델로 평가되며, 폭풍과 강수 사건에 대한 예측 정확도를 향상시킵니다.
수자 관리 지원:수량 지도는 수압 모델에 대한 수압 검사, 관개 스케줄링, 그리고 가뭄 모니터링.

향상된 Precipitation Data의 응용

날씨 예보 및 Nowcasting

고해상도 위성 강수 제품들은 가동 수치 예측 (NWP) 시스템으로 공급됩니다. 예를 들어, IMERG 데이터 세트는 미국 국가 기상 서비스에서 사용되며 단기 예측 및 홍수 경고를 개선하기 위해 특히 지상 기반 레이더 적용이 비소 인 convection-driven rainfall에 사용됩니다.

기후 연구

원격 감지에서 파생 된 글로벌 강수 데이터 세트는 기후 모델, 따뜻한 물주기 응답을 연구하고, monsoon 패턴, ENSO 사이클 및 열대 사이클론 활동의 전환을 추적하는 데 필수적입니다. NOAA National Centers for Environmental Information]는 기후 정상 및 평가를 생산하기 위해 이러한 레코드를 사용합니다.

농업 및 식품 안전

많은 개발 지구에서, 지상 근거한 비 계기는 scarce입니다. 인공위성 효험은 작물 수확량 모델링, 가뭄 이른 경고 체계 (Famine 이른 경고 체계 네트워크와 같은), 및 소문 농부를 위한 보험 제품을 가능하게 합니다.

수질 및 물 관리

홍수 예측 모델은 정확하고 공간적으로 분산 된 강우 입력이 필요합니다. 원격 감지 데이터는 큰 강베이스에 대한 수압 모델을 측정하는 데 사용되며, 스노우팩 (고압 강수량의 형태)을 모니터링하고 미국 서부 해안의 대기 강과 같은 극한 사건의 영향을 평가합니다.

도전과제

변화하는 이점에도 불구하고, 강수의 원격 감지는 도전이 없지 않습니다.

데이터 해상도: 수동 전자 레인지 센서는 로컬 애플리케이션에 너무 조악할 수 있는 10~50km의 순서에 공간적 해상도를 제공합니다. 고해상도 액티브 센서(예: GPM DPR)는 ~5km의 풋프린트를 제공하며, 비스케닝 스와에 적용이 제한됩니다.
Calibration 및 validation: 위성 견적은 지상 진실 (레인 게이지, disdrometers, 지상 레이더)에 대한 일관성있는 교정을 요구합니다. Biases는 센서 성능, 궤도 편류 또는 알고리즘 가정의 변화에서 발생할 수 있습니다.
]재판 알고리즘의 복잡성:수량 비율로 관찰된 방사선량 변환은 특정 수력기 크기 분포, 입자 모양 및 대기 프로파일을 가정하는 물리적 모델이 포함되어 있습니다. 이러한 가정의 오류는 체계적인 불확실성으로 이어질 수 있습니다.
눈과 빛의 비: 눈의 순항 전자 레인지와 매우 가벼운 강우 (예를들면, 덩굴)는 약한 신호와 주변 시그니처 때문에 도전한다.
템플링 갭: 그러나 별자리는 적용을 개량하고, 간격은 아직도 극지 지역의 위성 우회 사이, 특히 및 짧은 살아있는 convective 사건을 위해 존재합니다.

미래 예측- Remote Sensing

수평선에 대한 몇 가지 혁신은 강수량 데이터 품질 및 유용성 경계를 밀어 줄 것을 약속합니다.

고급 위성 임무

제안 된 NASA JAXA 예측 측정 미션 (PMM)과 같은 차세대 임무는 유럽 우주국의 지구 관리 (클라우드, 에어로졸 및 강수량 레이더)와 함께 ‐에 따라, 곧 EUMETSAT Polar System‐Second Generation는 더 높은 해상도, 더 나은 감도를 빛 비와 눈, 더 빈번한 재시그로 향상됩니다.

기계 학습의 통합

심층 학습 및 데이터 융합 기술은 지상 기반 데이터, 재해 분석 제품 및 고해상 모델과 위성 관측을 결합하는 데 사용됩니다. 이러한 하이브리드 접근법은 토지에 대한 하위 대기 오염 물질의 오염 분야를 감소시키고, 산기 오염 물질을 생성합니다. 예를 들어, PERSIANN‐CCS 시스템은 위성 기반 비우기 추정을위한 신경 네트워크를 사용합니다.

작은 위성 및 별자리

낮은 비용으로 인해 작은 위성과 CubeSats는 매우 높은 임시 해상도 (10-15 분)의 강수량에 따라 강수량에 맞게 배치 할 수있는 잠재적 인 별자리를 배치 할 수 있습니다. 플래닛과 스파이더와 같은 회사는 험수 추정에 대한 전자 레인지와 GNSS 라디오 occultation 기술을 탐구하고 있습니다.

지상 교정 네트워크 개선

낮은 ‐ 비용 게이지의 디폴트 배열과 디센스 네트워크를 포함하여 고품질의 지상 검증 사이트의 확장은 위성 알고리즘을 정제하는 데 도움이 될 것입니다. NOAA의 국가 Severe Storms Laboratory는 테스트 및 개선 모델에 필드 캠페인을 배치하는 GPM 지상 검증 프로그램을 실행합니다.