Διδακτορική Διατριβή

Transcript

1 Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης Τμήμα Γεωλογίας ΠΜΣ Μετεωρολογίας και Κλιματολογίας Διδακτορική Διατριβή του Απόστολου Στ. Γιαννακού Συμβολή στην ανάπτυξη τεχνικής για την εκτίμηση της βροχόπτωσης από πολυφασματικά δορυφορικά δεδομένα Τριμελής επιτροπή: Φείδας Χαράλαμπος Καρακώστας Θεόδωρος Χρυσουλάκης Νεκτάριος Θεσσαλονίκη

2 ΠΡΟΛΟΓΟΣ Η συγκεκριμένη διατριβή εκπονήθηκε στο τμήμα Γεωλογίας του Αριστοτελείου Πανεπιστημίου Θεσσαλονίκης. Η υπόδειξη του θέματος έγινε από τον αναπληρωτή καθηγητή κ. Φείδα Χ. ο οποίος υπήρξε και ο κύριος επιβλέπων της. Θα ήθελα να τον ευχαριστήσω για το ενδιαφέρον του, τις χρήσιμες συμβουλές και τις παρατηρήσεις του καθ όλη τη διάρκεια της παρούσας διδακτορικής έρευνας. Ευχαριστώ ακόμη, τον καθηγητή κ. Καρακώστα Θ. για τις συμβουλές του και την υποστήριξη σε όλα τα στάδια εκπόνησης της διδακτορικής διατριβής. Οφείλω να ευχαριστήσω ακόμη τον Ερευνητή Β του Ιδρύματος Τεχνολογίας και Έρευνας (ΙΤΕ), Νεκτάριο Χρυσουλάκη για τις συμβουλές που μου παρείχε με προθυμία όποτε χρειαζόμουν. Οφείλω να ευχαριστήσω επίσης τους κ. Κολιό Σ. και κ. Κοκκολάτο Γ. για τη βοήθεια που παρείχαν σχετικά με τη συλλογή, διαχείριση και επεξεργασία των δορυφορικών δεδομένων Meteosat. Ευχαριστίες οφείλω ακόμη στο επιστημονικό προσωπικό του τομέα Μετεωρολογίας και Κλιματολογίας του Α.Π.Θ., για την υλικοτεχνική υποδομή που μου παραχωρήθηκε αλλά και για τις γνώσεις που απέκτησα και ενίσχυσα με τη συμμετοχή μου σε διαλέξεις και συνέδρια που αφορούσαν το συγκεκριμένο επιστημονικό τομέα. Ευχαριστώ θερμά τον Κ. Παπαπαναγιώτου Ε. για τη συμβολή και τη καθοδήγηση του σε θέματα αλγοριθμικής επεξεργασίας. Θέλω να ευχαριστήσω τέλος από τα βάθη της καρδιάς μου τους γονείς μου και τη γιαγιά μου για την αμέριστη ηθική και υλική συμπαράσταση που μου προσέφεραν καθ όλη την περίοδο εκπόνησης της συγκεκριμένης διδακτορικής διατριβής. Η εκπόνηση της διδακτορικής διατριβής πραγματοποιήθηκε στα πλαίσια του επιχειρησιακού Προγράμματος «Εκπαίδευση και Δια Βίου Μάθηση» του Εθνικού Στρατηγικού Πλαισίου Αναφοράς (ΕΣΠΑ) Ερευνητικό Χρηματοδοτούμενο Έργο: Ηράκλειτος ΙΙ. Επένδυση στην κοινωνία της γνώσης μέσω του Ευρωπαϊκού Κοινωνικού Ταμείου, το οποίο συγχρηματοδοτείται από την Ευρωπαϊκή Ένωση (Ευρωπαϊκό Κοινωνικό Ταμείο ΕΚΤ) και από εθνικούς πόρους. Απόστολος Σ. Γιαννακός Σεπτέμβριος,

3 Περίληψη 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 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. 3

4 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. 4

5 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. 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 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 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 5

6 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. 6

7 ΠΕΡΙΕΧΟΜΕΝΑ ΚΕΦΑΛΑΙΟ 1 Ο Εισαγωγή 1.1 Αντικείμενο της διδακτορικής διατριβής Σκοπός και στόχοι της διδακτορικής διατριβής...13 ΚΕΦΑΛΑΙΟ 2 Ο Νέφη - βροχόπτωση 2.1 Εισαγωγή Είδη νεφών Είδη βροχής Εκτίμηση βροχόπτωσης με δορυφορικούς αισθητήρες Εισαγωγή Εκτίμηση βροχόπτωσης με δορυφορικά δεδομένα από παθητικά ραδιόμετρα Εκτίμηση βροχόπτωσης με δορυφορικά δεδομένα από συστήματα ραντάρ Εκτίμηση βροχόπτωσης με δορυφορικά δεδομένα από πολυφασματικά ραδιόμετρα

8 ΚΕΦΑΛΑΙΟ 3 Ο Δεδομένα - Μεθοδολογία 3.1 Εισαγωγή Είδη δεδομένων Δορυφορικά δεδομένα Μετεωρολογικοί δορυφόροι Meteosat δεύτερης γενιάς Ραδιομετρική ακρίβεια των δορυφορικών εικόνων MSG Γεωμετρική ακρίβεια των δορυφορικών εικόνων MSG Δεδομένα μετεωρολογικών σταθμών Μετεωρολογικά δεδομένα επιφάνειας και ανώτερης ατμόσφαιρας Μεθοδολογία Υπολογισμός φασματικών παραμέτρων και παραμέτρων υφής των νεφών στις εικόνες MSG Υπολογισμός των θερμοκρασιών λαμπρότητας Μετασχηματισμός συντεταγμένων εικόνας σε γεωγραφικές συντεταγμένες Υπολογισμός των φασματικών παραμέτρων των νεφών Υπολογισμός των παραμέτρων υφής των νεφών Χωρική και χρονική συσχέτιση δορυφορικών δεδομένων SEVIRI με σταθμούς μέτρησης βροχής

9 3.4.1 Χρονική συσχέτιση των δεδομένων βροχόπτωσης με τις δορυφορικές εικόνες Meteosat Χωρική συσχέτιση των δορυφορικών δεδομένων με επίγειους σταθμούς βροχόπτωσης Ανάπτυξη αλγόριθμου εκτίμησης της έντασης βροχής Δομή του αλγόριθμου διάκρισης βροχοφόρων νεφών Πιθανότητα βροχής (Probability of Rainfall, PΟR) Αλγόριθμος των Νευρωνικών Δικτύων (Artificial Neural Network Algorithm, ANN) Δομή του αλγόριθμου ταξινόμησης στρατόμορφων και σωρειτόμορφων βροχοφόρων νεφών Πιθανότητα σωρειτόμορφης βροχής (Probability of Convective Rainfall, PCR) Αλγόριθμος των Νευρωνικών Δικτύων (Artificial Neural Network Algorithm, ANN) Δομή του αλγόριθμου εκτίμησης της έντασης βροχής Αλγόριθμοι ανάθεσης βροχής (Rainfall Rate, RR) Αλγόριθμος των Νευρωνικών Δικτύων (Artificial Neural Network Algorithm, ANN) Επαλήθευση των αποτελεσμάτων

10 ΚΕΦΑΛΑΙΟ 4 Ο Βαθμονόμηση και αξιολόγηση τεχνικών διάκρισης βροχοφόρων νεφών 4.1 Βαθμονόμηση και αξιολόγηση τεχνικών διάκρισης βροχοφόρων νεφών Εκπαίδευση των τεχνικών Αξιολόγηση των τεχνικών Αξιολόγηση σε συγκεκριμένες περιπτώσεις των αλγόριθμων διάκρισης βροχοφόρων-μη βροχοφόρων νεφών Περίπτωση: 9/6/ Περίπτωση: 12/12/ Περίπτωση: 23/1/ Επιμέρους συμπεράσματα...96 ΚΕΦΑΛΑΙΟ 5 Ο Βαθμονόμηση και αξιολόγηση τεχνικών ταξινόμησης στρατόμορφων και σωρειτόμορφων βροχοφόρων νεφών 5.1 Βαθμονόμηση και αξιολόγηση τεχνικών ταξινόμησης στρατόμορφων και σωρειτόμορφων βροχοφόρων νεφών Εκπαίδευση των τεχνικών Αξιολόγηση των τεχνικών Αξιολόγηση σε συγκεκριμένες περιπτώσεις των αλγόριθμων διάκρισης στρατόμορφωνσωρειτόμορφων βροχοφόρων νεφών Περίπτωση: 9/6/ Περίπτωση: 12/12/ Περίπτωση: 23/1/

11 5.3 Επιμέρους συμπεράσματα ΚΕΦΑΛΑΙΟ 6 Ο Βαθμονόμηση και αξιολόγηση αλγόριθμων εκτίμησης βροχόπτωσης 6.1 Βαθμονόμηση και αξιολόγηση αλγόριθμων εκτίμησης βροχόπτωσης Εκπαίδευση των τεχνικών Αξιολόγηση των τεχνικών Αξιολόγηση σε συγκεκριμένες περιπτώσεις των αλγόριθμων εκτίμησης βροχόπτωσης Περίπτωση: 9/6/ Περίπτωση: 12/12/ Περίπτωση: 23/1/ Επιμέρους συμπεράσματα ΚΕΦΑΛΑΙΟ 7 Ο Τελικά Συμπεράσματα 7.Τελικά Συμπεράσματα Παράρτημα Ι Βιβλιογραφία

12 ΚΕΦΑΛΑΙΟ 1 ο Εισαγωγή 1.1 Αντικείμενο της διδακτορικής διατριβής Η μέτρηση της βροχόπτωσης αποτελεί μια πολύ σημαντική παράμετρο σε πολλές εφαρμογές όπως στη διαχείριση των υδατικών πόρων, στην εκτίμηση πλημμυρικών φαινομένων και ξηρασίας, στη μελέτη του υδρολογικού κύκλου και των κλιματικών αλλαγών ενώ απαιτείται ως δεδομένο εισόδου σε υδρολογικά και γεωργικά μοντέλα. Παράλληλα, η επίδραση της βροχόπτωσης στις ζωές αλλά και στις κοινωνικοοικονομικές δραστηριότητες του ανθρώπινου πληθυσμού είναι ιδιαίτερα σημαντική. Η αντιμετώπιση των σημαντικών περιβαλλοντικών κινδύνων που απορρέουν από την εκδήλωση ακραίων βροχοπτώσεων, απαιτεί την ενδελεχή καταγραφή και μελέτη του φαινομένου. Το κύριο, όμως, χαρακτηριστικό της βροχόπτωσης είναι η μεγάλη χωροχρονική μεταβλητότητα και υψηλή μη-κανονική στατιστική συμπεριφορά της, η οποία απαιτεί συχνές και πυκνές χωρικά παρατηρήσεις για την επαρκή απεικόνισή της, ενώ παράλληλα καθιστά προβληματική την ακριβή πρόγνωσή της. Για το λόγο αυτό, η ακριβής μέτρηση της βροχόπτωσης απαιτεί συστήματα μέτρησης με μεγάλη χωρική και χρονική ανάλυση. Η συμβατική μέθοδος μέτρησης της βροχόπτωσης με τη χρήση επίγειων βροχομέτρων θεωρείται γενικά ακριβής αλλά παρέχει σημειακές μετρήσεις, με ανομοιόμορφη χωρική κατανομή. Αυτή η συμπεριφορά που παρουσιάζει η χωρική κατανομή των βροχομέτρων προκύπτει από την εφαρμογή των βασικών κριτηρίων εγκατάστασης ενος μετεωρολογικού σταθμού όπως είναι η χωροθέτηση σταθμού μακριά από περιοχές με έντονο ανάγλυφο και από περιοχές που επηρρεάζονται από τις τοπικές ατμοσφαιρικές διαταραχές (WMO 2008). Επιπλέον, βροχόμετρα και ραντάρ παρέχουν περιορισμένη κάλυψη πάνω από απομακρυσμένες και μη αναπτυγμένες περιοχές ενώ ειδικά πάνω από θαλάσσιες εκτάσεις οι μετρήσεις αυτού του είδους είναι σχεδόν ανύπαρκτες. Τα προβλήματα αυτά έρχονται να επιλύσουν οι δορυφορικές μετρήσεις. Η μεγάλη χωρική (3-4 km) και ιδιαίτερα η υψηλή χρονική ανάλυση (15 ) που προσφέρουν δίνουν τη δυνατότητα παρακολούθησης ενός φαινομένου με μεγάλη μεταβλητότητα στο χώρο και στο χρόνο, όπως η βροχή. Επιπλέον, τα δορυφορικά δεδομένα αποτελούν τη μοναδική πηγή πληροφόρησης για τη βροχόπτωση πάνω από δυσπρόσιτες χερσαίες και ιδιαίτερα πάνω από θαλάσσιες περιοχές. Οι μέθοδοι εκτίμησης της βροχόπτωσης ανάλογα με το είδος των δεδομένων που χρησιμοποιούν ταξινομούνται στις παρακάτω κατηγορίες: α) μέθοδοι που αξιοποιούν δορυφορικά δεδομένα από παθητικούς μικροκυματικούς αισθητήρες β) μέθοδοι που αξιοποιούν δορυφορικά δεδομένα από συστήματα ραντάρ και γ) μέθοδοι που αξιοποιούν δορυφορικά δεδομένα από πολυφασματικά ραδιόμετρα. 12

13 Μέχρι στιγμής έχουν αναπτυχτεί διάφορες τεχνικές για την έμμεση εκτίμηση της βροχής από δορυφορικά δεδομένα ενός φασματικού καναλιού στο υπέρυθρο (IR). To μειονέκτημα των μεθόδων αυτών είναι ότι βασίζονται στον έμμεσο προσδιορισμό της βροχής, συσχετίζοντας τα φασματικά χαρακτηριστικά των κορυφών των νεφών με τη βροχόπτωση στην επιφάνεια. Παρόλα αυτά, η μεγάλη χωρική και χρονική ανάλυση των εκτιμήσεων βροχής των τεχνικών αυτών καθώς και η δυνατότητα εφαρμογής τους όλο το 24ωρο είναι απαραίτητα στοιχεία για όλες τις μετεωρολογικές και υδρολογικές εφαρμογές. Για το λόγο αυτό αναζητούνται τρόποι για τη βελτίωση των μεθόδων αυτών αξιοποιώντας την υψηλή φασματική ανάλυση των νέων δορυφορικών αποστολών. Ο πρώτος γεωστάσιμος μετεωρολογικός δορυφόρος που προσέφερε υψηλή φασματική (12 κανάλια) και χρονική (15 ) ανάλυση ήταν ο Meteosat Second Generation (MSG), που διαχειρίζεται Ευρωπαϊκή Υπηρεσία Μετεωρολογικών Δορυφόρων (EUMETSAT). Οι προκλήσεις που σχετίζονται με την αξιοποίηση των πολυφασματικών αυτών δεδομένων είναι σημαντικές. Ελάχιστες μέχρι τώρα προσπάθειες έχουν γίνει μέχρι στιγμής προς την κατεύθυνση της ανάπτυξης μιας πολυφασματικής τεχνικής εκτίμησης της βροχής αξιοποιώντας αποκλειστικά την υψηλής φασματικής ανάλυσης πληροφορία που προσφέρει ο MSG. Ενδεικτικά αναφέρεται η εργασία των Thiess et al. (2008c) οι οποίοι ανέπτυξαν έναν πολυφασματικό αλγόριθμο εκτίμησης βροχής, χρησιμοποιώντας αποκλειστικά δορυφορικά δεδομένα MSG) στις φασματικές περιοχές του ορατού και υπέρυθρου. Η παρούσα διδακτορική διατριβή αποτελεί μια προσπάθεια για την ανάπτυξη μιας πολυφασματικής τεχνικής εκτίμησης της βροχόπτωσης η οποία θα αξιοποιεί την υψηλή φασματική διακριτική ικανότητα του δορυφόρου MSG στην περιοχή του υπέρυθρου, δίνοντας τη δυνατότητα παροχής εκτιμήσεων βροχόπτωσης σε πραγματικό χρόνο. 1.2 Σκοπός και στόχοι της διδακτορικής διατριβής Σκοπός της διδακτορικής έρευνας είναι η ανάπτυξη μιας νέας, αξιόπιστης δορυφορικής τεχνικής εκτίμησης της βροχόπτωσης σε πραγματικό χρόνο, αξιοποιώντας τα πολυφασματικά δεδομένα του δορυφόρου MSG, με απώτερο στόχο την επιχειρησιακή της χρήση, είτε αυτόνομα είτε μέσω ενσωμάτωσης σε συστήματα εκτίμησης κινδύνου φυσικών καταστροφών, όπως πλημμύρες καθώς και σε συστήματα διαχείρισης υδατικών πόρων με εφαρμογή σε τοπική κλίμακα. Οι κύριοι ερευνητικοί στόχοι της διδακτορικής έρευνας είναι: 1) Η ανάπτυξη μεθοδολογίας διάκρισης βροχοφόρων και μη βροχοφόρων νεφών ως συνάρτηση των φασματικών παραμέτρων και των παραμέτρων υφής, που υπολογίστηκαν από τις δορυφορικές εικόνες MSG. 2) Η ανάπτυξη ανάλογης μεθοδολογίας διαχωρισμού στρατόμορφων και σωρειτόμορφων βροχοφόρων νεφών. 13

14 3) Η ανάπτυξη τεχνικής εκτίμησης της βροχόπτωσης με βάση εφαρμογής αρχικά τον αλγόριθμο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών και στη συνέχεια τον αλγόριθμο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών, η οποία θα αξιοποιεί την υψηλή φασματική ανάλυση του δορυφόρου MSG στην περιοχή του υπερύθρου. Τα επιμέρους επιστημονικά ερωτήματα στα οποία η εργασία θα επιχειρήσει να απαντήσει είναι τα ακόλουθα: 1) Πώς εντοπίζονται τα βροχοφόρα νεφικά συστήματα και πως αυτά διακρίνονται σε σωρειτόμορφα και στρατόμορφα με βάση φασματικές παραμέτρους και παραμέτρους υφής που υπολογίζονται από τις δορυφορικές εικόνες MSG; 2) Ποια είναι η βέλτιστη μεθοδολογία για την ανάπτυξη ενός αλγόριθμου εκτίμησης της έντασης βροχής; 3) Από ποιούς παράγοντες εξαρτάται η ακρίβεια των τεχνικών εκτίμησης βροχής; 4) Πως επηρεάζει η χρονική κλίμακα μεσοποίησης της έντασης βροχής την ακρίβεια των αλγόριθμων εκτίμησης βροχής; 5) Αποδίδεται ικανοποιητικά η χωρική κατανομή της βροχόπτωσης από τους αλγόριθμους εκτίμησης της βροχής; 6) Πώς εφαρμόζονται στην πράξη οι πολυφασματικές δορυφορικές τεχνικές εκτίμησης της βροχής που θα αναπτυχθούν; Προφανώς κατά την διάρκεια της διδακτορικής διατριβής δημιουργήθηκαν αρκετοί προβληματισμοί τόσο σε θεωρητικό, όσο και σε τεχνικό επίπεδο. Στο κεφάλαιο της μεθοδολογίας παρατίθενται οι τεχνικές που αναπτύχθηκαν για την επίλυση διάφορων προβλημάτων που σχετίζονται με θέματα τηλεπισκόπισης, επεξεργασίας και διαχείρισης μεγάλου όγκου δεδομένων από διαφορετικές πηγές. Επιπρόσθετα δίνεται ιδιαίτερη βαρύτητα στην αναλυτική επεξήγηση των τεχνικών που χρησιμοποιήθηκαν για την ανάπτυξη και αξιολόγηση των αλγορίθμων εκτίμησης βροχής. Για αυτό ο αναγνώστης παροτρύνεται να ανατρέξει στο κεφάλαιο της μεθοδολογίας ώστε να αποκτήσει πιο ξεκάθαρη και εμπεριστατωμένη άποψη όπου αυτός το επιθυμεί. Η ανάπτυξη της πολυφασματικής τεχνικής εκτίμησης της έντασης βροχής πραγματοποιήθηκε, με τη δημιουργία μια πλήρως αυτοματοποιημένης διαδικασίας που δομήθηκε στο προγραμματιστικό περιβάλλον της C/C++ και εφαρμόστηκε αποκλειστικά στα φασματικά κανάλια του θερμικού υπέρυθρου του δορυφόρου MSG. 14

15 Οι επιμέρους στόχοι της ΔΔ, υλοποιήθηκαν σε μια σειρά από διαδοχικά στάδια που καταγράφονται διεξοδικά στα κεφάλαια της διδακτορικής έρευνας. Αρχικά γίνεται περιγραφή στο θεωρητικό μέρος του φυσικού φαινομένου της βροχής, και λεπτομερή παρουσίαση των αλγόριθμων εκτίμησης βροχής με βάση τα δορυφορικά δεδομένα που έχουν καταγραφεί στη διεθνή βιβλιογραφία (κεφάλαιο 2 ο ). Στο επόμενο κεφάλαιο (κεφάλαιο 3 ο ) παρουσιάζονται τα δεδομένα που χρησιμοποιήθηκαν και οι διαδικασίες προεπεξεργασίας που εφαρμόστηκαν ώστε να είναι αξιοποιήσιμα για την ανάπτυξη του αλγόριθμου εκτίμησης βροχής. Επίσης παρατίθενται και αναλύονται οι μεθοδολογίες και οι διαδικασίες που εφαρμόστηκαν για την ανάπτυξη του αλγόριθμου διάκρισης και κατηγοριοποίησης των βροχοφόρων νεφών και εκτίμησης βροχής, με βάση την υψηλή φασματική ανάλυση του δορυφόρου MSG. Στο 4 ο κεφάλαιο παρουσιάζονται τα αποτελέσματα της ανάπτυξης και αξιολόγησης των αλγόριθμων εντοπισμού και διάκρισης των βροχοφόρων νεφών στην Ελλάδα, με βάση τα δορυφορικά δεδομένα MSG στα φασματικά κανάλια του θερμικού υπέρυθρου. Στο 5 ο κεφάλαιο γίνεται αναφορά στα αποτελέσματα των τεχνικών διαχωρισμού στρατόμορφων και σωρειτόμορφων βροχοφόρων νεφών, που βασίζονται στα υπέρυθρα δορυφορικά δεδομένα MSG. Στο 6 ο κεφάλαιο παρουσιάζονται τα αποτελέσματα της ανάπτυξης και αξιολόγησης των αλγόριθμων εκτίμησης βροχής που αναπτύχθηκαν με διαφορετική βάση εφαρμογής αρχικά για το μοντέλο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών και στη συνέχεια για το μοντέλο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών σε διαφορετικές χρονικές κλίμακες μεσοποίησης, με τη χρήση των δορυφορικών εικόνων MSG. Στο 7 ο κεφάλαιο τέλος, παρατίθενται τα συνολικά συμπεράσματα της διδακτορικής έρευνας. 15

16 ΚΕΦΑΛΑΙΟ 2 ο Νέφη - βροχόπτωση 2.1 Εισαγωγή Η δορυφορική τηλεπισκόπηση συνεισφέρει σημαντικά στην πρόγνωση και παρακολούθηση των καιρικών συνθηκών και στη διερεύνηση των παγκόσμιων περιβαλλοντικών προβλημάτων. Μια από τις εφαρμογές της δορυφορικής τηλεπισκόπησης στη μετεωρολογία αποτέλεσε η αξιοποίηση των μετεωρολογικών δορυφόρων που καταγράφουν στο ορατό και υπέρυθρο φάσμα, για την ανάπτυξη τεχνικών ταξινόμησης των νεφικών συστημάτων και εκτίμησης βροχής. 2.2 Είδη νεφών Τα νέφη ταξινομούνται με βάση τη μορφή τους και το μέσο ύψος που συναντώνται. Σχηματίζονται μέσα στην τροπόσφαιρα και το ύψος τους μπορεί να φτάσει τα 12 km περίπου στις εύκρατες περιοχές. Στον Ισημερινό η κορυφή τους βρίσκεται σε μεγαλύτερο ύψος (17-18 km) και στους πόλους σε μικρότερο (7-8 km) ανάλογα με το ύψος της τροπόπαυσης. Ανάλογα με το ύψος των νεφών προκύπτουν τρεις βασικές τάξεις (Μακρογιάννης και Σαχσαμάνογλου 2004) (Σχήμα 1): 1. Τα ανώτερα νέφη (6000 m - τροπόπαυση). Το μέσο ελάχιστο ύψος των νεφών αυτών είναι τα 6000 m και φθάνουν σχεδόν την τροπόπαυση. Χωρίζονται σε τρεις κύριες κατηγορίες: α) Cirrus (Ci), β) Cirrostratus (Cs), και γ) Cirrocumulus (Cc). α. Τα σύννεφα Cirrus είναι λεπτά, συνήθως λευκά, με ινώδη και μεταξώδη όψη. Συνήθως είναι διασπαρμένα ακανόνιστα στον ουρανό. Πριν την ανατολή και μετά την δύση του ήλιου τα Ci παίρνουν χρώμα κόκκινο ή κίτρινο. β. Τα νέφη Cirrostratus αποτελούνται από ομαλές και ομοιόμορφες κορυφές με ινώδη εμφάνιση. γ. Τα νέφη Cirrocumulus αποτελούνται από πολυάριθμες σφαίρες, χωρίς σκιές, οι οποίες εμφανίζονται σε ομάδες ή σειρές και εμφανίζουν κυματοειδείς σχηματισμούς. 2. Τα μέσα νέφη (2000 m-6000 m). Το μέσο ελάχιστο ύψος των συγκεκριμένων νεφών είναι τα 2000 m και μέσο μέγιστο τα 6000 m. Στην κατηγορία αυτή ανήκουν δύο κύρια είδη: α) Altostratus (As), και β) Altocumulus (Ac). α. Τα νέφη Altostratus (As) αποτελούν ένα πυκνό πέπλο γκρίζου χρώματος που καλύπτει ολόκληρο τον ουρανό ή μέρος αυτού. Όταν το στρώμα των νεφών As, δεν είναι πολύ πυκνό και σκοτεινό, ο ήλιος και η σελήνη διακρίνονται αμυδρά μέσα από τα σύννεφα αυτά. Από τα As είναι δυνατό να προέρχεται βροχή ή χιόνι. 16

17 β. Τα νέφη Altocumulus (Ac) παρουσιάζονται σαν σύνολο από νέφη σφαιρικού τύπου, λευκά ή ελάχιστα γκρίζα που βρίσκονται σε ομάδες ή σε σειρές. 3. Τα κατώτερα νέφη έχουν μέγιστο ύψος 2000 m και φθάνουν μέχρι την επιφάνεια του εδάφους. Σε αυτά ανήκουν τρία είδη: α) Stratus (St), β) Stratocumulus (Sc), και γ) Nimbostratus (Ns). α. Τα νέφη Stratus (St) αποτελούν ομοειδή νεφελώδη στρώματα, ανάλογα με την ομίχλη χωρίς όμως να στηρίζονται στο έδαφος, και παρατηρούνται τη ψυχρή περίοδο στις πλαγιές των βουνών. Από τα νέφη St προέρχεται πολλές φορές ασθενής βροχή ψεκάδων. β. Τα νέφη Stratocumulus απαρτίζονται από στρώματα που εμφανίζονται με τη μορφή σφαιρικών ή κυλινδρικών νεφικών μαζών γκρίζου χρώματος και με σκοτεινά τμήματα και εκδηλώνουν βροχή ασθενούς έντασης ή χιονόπτωση, ανάλογα με τις συνθήκες που επικρατούν. γ. Τα νέφη Νimbostratus δημιουργούν ένα χαμηλό εκτεταμένο άμορφο νεφικό στρώμα σκοτεινού γκρίζου χρώματος και αποδίδουν βροχή ή χιόνι μικρής έντασης αλλά μεγάλης διάρκειας. 4. Τα νέφη ανοδικών ρευμάτων έχουν μέσο κατώτερο ύψος 500 m περίπου ενώ οι κορυφές τους φθάνουν τις στάθμες των μέσων και ανωτέρων ακόμα νεφών. Σε αυτή την κατηγορία ανήκουν δύο κύρια είδη: α) Cumulus (Cu), και β) Cumulunimbus (Cb). α. Τα νέφη Cumulus (Cu) δημιουργούνται κυρίως όταν ο ουρανός είναι αίθριος και οι ανοδικές κινήσεις στην ατμόσφαιρα ισχυρές. Είναι σύννεφα πυκνά με κατακόρυφη ανάπτυξη που εμφανίζονται ως σωροί από βαμβάκι μεμονωμένα ή σε σειρές και εμφανίζουν πολλές φορές διαλείπουσες βροχές. β. Τα καταιγιδοφόρα νέφη Cumulonimbus (Cb) εμφανίζουν μεγάλο όγκο και χαρακτηρίζονται από ισχυρές ανοδικές και καθοδικές κινήσεις των αερίων μαζών, παρουσιάζοντας βροχές μεγάλης έντασης και μικρής διάρκειας, που πολλές φορές συνοδεύονται και από χαλάζι. 17

18 ΣΧΗΜΑ 1. Κατηγοριοποίηση νεφών ανάλογα με το ύψος τους (Πηγή: Ahrens, 2000). 2.3 Είδη βροχής Ο όρος υετός (precipitation) αναφέρεται στο σύνολο των υδατωδών ατμοσφαιρικών κατακρημνισμάτων που φτάνουν στη γη σε υγρή ή στερεά μορφή και αποφέρουν μετρήσιμη ποσότητα νερού. Όταν τα υδροσταγονίδια από τα οποία αποτελείται ένα νέφος, ενώνονται μεταξύ τους ή μεγαλώνουν με τη βοήθεια των διαθέσιμων πυρήνων συμπύκνωσης, τότε σχηματίζουν μεγαλύτερες υδροσταγόνες στο εσωτερικό τους. Οι υδροσταγόνες αυτές παρασύρουν και άλλα υδροσταγονίδια, γίνονται ακόμα μεγαλύτερες και τελικά εγκαταλείπουν το σύννεφο με τη μορφή κατακρημνισμάτων (βροχή ή χαλαζόπτωση). Όταν φθάνουν στην επιφάνεια της Γής (με τη μορφή υδροσταγονιδίων) πριν προφθάσουν να εξατμιστούν, δημιουργείται το φαινόμενο της βροχής. Σημειώνεται ότι όταν οι συνθήκες είναι κατάλληλες αντί υδροσταγονιδίων, υπάρχει η περίπτωση η κατακρήμνιση να γίνεται με τη μορφή χαλαζόκοκκων (Μακρογιάννης και Σαχσαμάνογλου 2004; Σασχαμάνογλου και Μπλούτσος 1998). Ανάλογα με τον τρόπο με τον οποίο προκαλούνται οι κινήσεις των αερίων μαζών, τα γενικότερα μετεωρολογικά φαινόμενα που επικρατούν αλλά και το ανάγλυφο μία περιοχής, η βροχή είναι δυνατό να ταξινομηθεί, ανάλογα με την ένταση και τη διάρκεια της σε σωρειτόμορφη και στρατόμορφη βροχόπτωση (Tremblay 2005): α) Η σωρειτόμορφη βροχή (Convective precipitation) χαρακτηρίζεται από μεγαλύτερη ένταση και μικρότερη διάρκεια από τη στρατόμορφη βροχή και εμφανίζεται με μικρά χρονικά 18

19 διαστήματα μεγάλης έντασης β) Η στρατόμορφη βροχή (Stratiform precipitation) είναι σχετικά μικρής έντασης, συνεχόμενη (για όσο διαρκεί), έχει σχετικά μεγάλη διάρκεια και καλύπτει μεγάλες περιοχές. Ακόμη και σε σωρειτόμορφα νεφικά συστήματα η στρατόμορφη βροχή αποτελεί ένα σημαντικό τμήμα (40 50%) της συνολικής ποσότητας βροχής (Anagnostou 2005). Οι δύο κατηγορίες της σωρειτόμορφης και στρατόμορφης βροχής είναι το αποτέλεσμα διακριτών διαδικασιών των νεφών που επηρεάζουν τη γενικότερη ατμοσφαιρική κυκλοφορία (Houze 1997). Στη διεθνή βιβλιογραφία, παρατηρείται συχνά η βροχή να κατηγοριοποιείται ανάλογα με τον τύπο των νεφών από όπου προέρχεται και κυρίως από τα καταιγιδοφόρα νέφη αφού πολλοί τύποι νεφών δεν είναι βροχοφόροι. Στο σημείο αυτό αξίζει να σημειωθεί ότι τα καταιγιδοφόρα νέφη ανεξάρτητα από τον τρόπο δημιουργίας τους μπορούν να παράξουν βροχή τόσο σωρειτόμορφη όσο και στρατόμορφη (Houze 1997). Οι καταιγίδες διακρίνονται στις εξής βασικές κατηγορίες (Μακρογιάννης και Σαχσαμάνογλου 2004): 1. Θερμικές καταιγίδες (thermal). Δημιουργούνται όταν παρατηρούνται στην ατμόσφαιρα ισχυρές ανοδικές κινήσεις των αερίων μαζών εξαιτίας της ισχυρής θέρμανσης του εδάφους. Η διαφορική θέρμανση του εδάφους έχει σαν αποτέλεσμα μια αέρια μάζα αέρα να καθίσταται θερμότερη από τον περιβάλλοντα αέρα, και να αναπτύσσονται οι κατάλληλες συνθήκες αστάθειας, για την άνοδο της αέριας μάζας. Αν η υγρασία της αέριας μάζας είναι υψηλή και η αστάθεια της ατμόσφαιρας μεγάλη τότε σχηματίζεται ένα νέφος κατακόρυφης ανάπτυξης Cumulonimbus, που εκδηλώνει βροχή μεγάλης έντασης και μικρής διάρκειας που πολλές φορές συνοδεύεται και από χαλαζόπτωση. 2. Ορογραφικές καταιγίδες (Orograhic). Δημιουργούνται από τις ανοδικές κινήσεις των αερίων μαζών που αναπτύσσονται στις προσήνεμες πλευρές των βουνών. Αν οι αέριες μάζες φθάσουν στην στάθμη ελεύθερης εκτόνωσης πριν τη κορυφή του βουνού, τότε οι ανοδικές κινήσεις συνεχίζονται αυθόρμητα και μετά τη κορυφή, διαφορετικά οι αέριες μάζες κατέρχονται από την υπήνεμη πλευρά του βουνού και θερμαίνονται αδιαβατικά με αποτέλεσμα η συμπύκνωση και η βροχή να μειώνεται. Για το λόγο αυτό οι υπήνεμες πλευρές των βουνών δέχονται λιγότερα ποσά βροχής από ότι οι προσήνεμες πλευρές και αποτελούν την ομβροσκία των βουνών. 3. Μετωπικές καταιγίδες (Frontal). Δημιουργούνται από τις ανοδικές κινήσεις στα θερμά και ψυχρά μέτωπα, καθώς ο θερμότερος αέρας αναγκάζεται να ανέβει τη μετωπική επιφάνεια. Οι βροχοπτώσεις αυτού του είδους τείνουν να είναι μεγάλης έκτασης και διάρκειας αλλά συχνά αποκτούν χαρακτηριστικά βροχών κατακόρυφης μεταφοράς. Οι μετωπικές βροχές είναι συχνές στα μέσα γεωγραφικά πλάτη καθώς εκεί παρατηρείται το σημείο συνάντησης των ψυχρών πολικών και των θερμών τροπικών αερίων μαζών σχηματίζοντας μετωπικές επιφάνειες. Αντίθετα είναι σπάνιες στις τροπικές αέριες μάζες καθώς εκεί οι αέριες μάζες δεν παρουσιάζουν ιδιαίτερες θερμοκρασιακές διαφορές (Καρτάλης και Φείδας 2006). 19

20 2.4 Εκτίμηση βροχόπτωσης με δορυφορικούς αισθητήρες Εισαγωγή Παρακάτω αναφέρονται τα μέχρι στιγμής αποτελέσματα της έρευνας διεθνώς στο αντικείμενο που πραγματεύεται η προτεινόμενη διδακτορική διατριβή καθώς επίσης και για κάθε επί μέρους στάδιο της μεθοδολογίας που θα εφαρμοστεί. Η ύπαρξη αξιόπιστων τεχνικών εκτίμησης της βροχόπτωσης είναι ζωτικής σημασίας για την ακριβή καταγραφή του φαινομένου της βροχόπτωσης. Οι δορυφορικές τεχνικές εκτίμησης της βροχόπτωσης ανάλογα με τη φύση των δεδομένων που χρησιμοποιούν χωρίζονται στις ακόλουθες κατηγορίες: α) τεχνικές που χρησιμοποιούν δορυφορικά δεδομένα από παθητικά ραδιόμετρα β) τεχνικές που χρησιμοποιούν δορυφορικά δεδομένα από συστήματα ραντάρ και γ) τεχνικές που χρησιμοποιούν δορυφορικά δεδομένα από πολυφασματικά ραδιόμετρα. Η συγκεκριμένη διδακτορική διατριβή έχει ως στόχο την ανάπτυξη μιας πολυφασματικής τεχνικής εκτίμησης της βροχόπτωσης στο θερμικό υπέρυθρο, επομένως η ανασκόπηση της βιβλιογραφίας θα επικεντρωθεί σε πολυφασματικούς αλγόριθμους εκτίμησης της βροχόπτωσης από γεωστάσιμους μετεωρολογικούς δορυφόρους. Αρχικά θα γίνει μια περιληπτική καταγραφή των σημαντικότερων τεχνικών εκτίμησης της βροχόπτωσης που χρησιμοποιούν δεδομένα μικροκυματικής ακτινοβολίας και στη συνέχεια θα πραγματοποιηθεί λεπτομερής περιγραφή των τεχνικών εκτίμησης της βροχής στη φασματική περιοχή του θερμικού υπέρυθρου Εκτίμηση βροχόπτωσης με δορυφορικά δεδομένα από παθητικά ραδιόμετρα Οι αλγόριθμοι εκτίμησης της βροχόπτωσης από παθητικούς μικροκυματικούς αισθητήρες βασίζονται στη μέτρηση της μικροκυματικής ακτινοβολίας που εκπέμπεται ή σκεδάζεται από τις σταγόνες βροχόπτωσης. Αλγόριθμοι που χρησιμοποιούν χαμηλής συχνότητας μικροκυματική ακτινοβολία (για συχνότητες χαμηλότερες των 40 GHz) αναφέρονται ως αλγόριθμοι εκπομπής γιατί η εκπομπή χαμηλής μικροκυματικής ακτινοβολίας από τις βροχοσταγόνες επικρατεί της σκέδασης. Οι αλγόριθμοι που εκτιμούν τη βροχόπτωση με τη χρήση μικροκυματικής ακτινοβολίας υψηλής συχνότητας (για συχνότητες μεγαλύτερες των 40 GHz) καλούνται αλγόριθμοι ανάκλασης επειδή η ακτινοβολία σκεδάζεται από τους παγοκρυστάλλους των βροχοφόρων νεφών. Ενδεικτικά αναφέρονται δύο αντιπροσωπευτικές εργασίες για την εκτίμηση της βροχόπτωσης χρησιμοποιώντας δορυφορικά δεδομένα από παθητικά ραδιόμετρα. Οι Qiu et al. (2005) ανέπτυξαν έναν αλγόριθμο σκέδασης (Σχήμα 2) που αξιοποιεί δεδομένα του παθητικού αισθητήρα Advanced Microwave Sounder Unit (ΑMSU) του δορυφόρου National Oceanic Atmospheric Administration (ΝΟΑΑ) στις συχνότητες των 89 GHz, 150 GHz και GHz για την αναγνώριση αρχικά των βροχοφόρων νεφικών συστημάτων και την ποσοτική εκτίμηση της έντασης της βροχόπτωσης, χρησιμοποιώντας παραμέτρους της μικροφυσικής δομής του νέφους όπως το περιεχόμενο των νεφών σε παγοκρυστάλλους και το μέγεθος των παγοκρυστάλλων. Για την εκτίμηση της βροχόπτωσης σε καταιγιδοφόρα νέφη αναπτύχθηκε 20

21 ένας αλγόριθμος σκέδασης από τους Laviola and Levizanni (2008) για τον αισθητήρα ΑMSU που βασίζεται στη διαδικασία εύρεσης στατιστικών σχέσεων μεταξύ των φασματικών χαρακτηριστικών των νεφικών συστημάτων και της εκτιμώμενης βροχόπτωσης. Αρκετές εργασίες χρησιμοποιούν συνδυασμό αλγόριθμων εκπομπής και σκέδασης με σημαντικότερο εκπρόσωπο των σύνθετων αλγορίθμων εκτίμησης βροχόπτωσης την τεχνική του δείκτη σκέδασης (Scattering Index, SI) που προτάθηκε από τους Ferraro and Marks (1995) και είναι μια βελτίωση της αυθεντικής τεχνικής SI που αναπτύχθηκε από τους Grody (1991) και Ferraro et al. (1994). Ο αλγόριθμος χρησιμοποιεί κανάλια χαμηλής και υψηλής μικροκυματικής ακτινοβολίας του αισθητήρα Special Sensor Microwave Imager (SSM/I) (19.35 GHz, GHz και 85.5 GHz) για την αναγνώριση και το διαχωρισμό αρχικά των βροχοφόρων εικονοστοιχείων από τα μη βροχοφόρα καθώς και τη δημιουργία εμπειρικών σχέσεων μεταξύ του ρυθμού βροχόπτωσης και των θερμοκρασιών λαμπρότητας των βροχοφόρων εικονοστοιχείων για τη ξηρά και τη θάλασσα. Οι Adler et al. (1993) συνδύασαν μικροκυματικά δεδομένα του αισθητήρα SSM/I και υπέρυθρα δεδομένα του γεωστάσιμου δορυφόρου Geostationary Meteorological Satellite (GMS) για τη δημιουργία αλγορίθμου εκτίμησης της μηνιαίας βροχόπτωσης πάνω από την Ιαπωνία, ενώ οι Levizzani et al. (1996) χρησιμοποίησαν δορυφορικά δεδομένα του αισθητήρα SSM/I και δεδομένα στο υπέρυθρο από το γεωστάσιμο δορυφόρο Meteosat για την εκτίμηση της βροχόπτωσης πάνω από την Ιταλία. Η τεχνική CPC MORPHing technique (CMORPH) (Joyce et al. 2004) παράγει εκτιμήσεις βροχόπτωσης για όλο το γήινο δίσκο με μεγάλη χωρική και χρονική διακριτική ικανότητα, συνδυάζοντας μικροκυματικά δεδομένα από τον αισθητήρα SSM/I και AMSU καθώς και δεδομένα από το παθητικό αισθητήρα μικροκυμάτων Tropical Microwave Imager (TMI) και υπέρυθρα δορυφορικά δεδομένα από γεωστάσιμους δορυφόρους. Στην κατηγορία των σύνθετων τεχνικών εκτίμησης βροχής ανήκει και ο αλγόριθμος Global Satellite Mapping of Precipitation (GSMaP) (Okamoto et al. 2005) που χρησιμοποιεί δορυφορικά δεδομένα στο υπέρυθρο, για να καλύψει τις εκτιμήσεις βροχόπτωσης από παθητικά μικροκυματικά δεδομένα για χρονικές περιόδους που δεν υπάρχουν εκτιμήσεις βροχόπτωσης. Ο Kuligowski (2002) δημιούργησε έναν αλγόριθμο εκτίμησης της βροχόπτωσης Self- Calibrating Multivariate Precipitation Retrieval (SCaMPR) χρησιμοποιώντας υπέρυθρα δεδομένα, με σκοπό την παραγωγή τεχνικής με υψηλή χωρική και χρονική διακριτική ικανότητα. Επίσης οι Thoss and Dybbroe (2001) ανέπτυξαν έναν εμπειρικό αλγόριθμο εκτίμησης της βροχόπτωσης που συσχετίζει δύο ανεξάρτητες τεχνικές εκτίμησης της βροχόπτωσης, που συνδυάζουν φασματικά κανάλια στο ορατό και υπέρυθρο για τον αισθητήρα AVHRR του δορυφόρου ΝΟΑΑ, και δεδομένα από τον αισθητήρα AMSU. 21

22 ΣΧΗΜΑ 2. Εκτίμηση της μέσης μηνιαίας τιμής έντασης βροχής (mm day -1 ) για το Σεπτέμβριο 2002 από δορυφορικά δεδομένα του παθητικού αισθητήρα AMSU (Πηγή: Qui et al. 2005) Εκτίμηση βροχόπτωσης με δορυφορικά δεδομένα από συστήματα ραντάρ Οι αλγόριθμοι εκτίμησης βροχής βασίζονται στη μέτρηση της μικροκυματικής ακτινοβολίας που οπισθοσκεδάζεται από τις βροχοσταγόνες και φτάνει στο δορυφόρο TRMM και εξαρτάται από το μέγεθος και τον αριθμό των βροχοσταγόνων. Η εκτίμηση βροχής βασίζεται στο σύγχρονο ραντάρ Precipitation Radar (PR) στη συχνότητα των 13.8 GHz που φέρεται από το δορυφόρο TRMM και εκτοξεύθηκε το Νοέμβριο του Από τη διεθνή βιβλιογραφία παρουσιάζονται δύο ενδεικτικές εργασίες σχετικά με την ανάπτυξη τεχνικών εκτίμησης βροχής από ενεργητικά συστήματα ραντάρ. Για τη βελτίωση του αλγόριθμου εκτίμησης βροχής (Σχήμα 3) από το παθητικό ραδιόμετρο TRMM Microwave Imager (TMI) εφαρμόστηκε η διαδικασία βαθμονόμησης των μεθόδων εκτίμησης βροχής με βάση τον ενεργητικό αισθητήρα PR (Tufa and Anagnostou 2008). Οι Huffman et al. (2007) ανέπτυξαν έναν αλγόριθμο εκτίμησης βροχής που αξιοποιεί τα δεδομένα βροχής από τον παθητικό αισθητήρα TMI και τον ενεργητικό αισθητήρα PR που συνδυάζονται χωρικά και χρονικά για τη βαθμονόμηση των εκτιμήσεων βροχής και συγχωνεύονται για τη δημιουργία χαρτών βροχής σε χρονική κλίμακα 3h. 22

23 ΣΧΗΜΑ 3. Χάρτης της μέσης έντασης βροχής για τον Ιανουάριο 2000 με βάση το συνδυασμό του παθητικού αισθητήρα TMI και του ενεργητικού ραντάρ PR του δορυφόρου TRMM Εκτίμηση βροχόπτωσης με δορυφορικά δεδομένα από πολυφασματικά ραδιόμετρα Οι μέθοδοι εκτίμησης βροχής από δεδομένα στα κανάλια του ορατού και υπέρυθρου, ταξινομούνται σε πέντε μεγάλες κατηγορίες ανάλογα με την προσέγγιση τους στα φυσικά και δυναμικά χαρακτηριστικά της βροχόπτωσης: 1. Μέθοδος Δείκτη Νεφών (Cloud Index) (Arkin 1979; Arkin and Meisner 1987; Arkin and Ardanuy 1989; Janowiak and Arkin 1991; Huffman et al. 1997; Todd et al. 1999). H μέθοδος Cloud Index δίνει συγκεκριμένο ρυθμό βροχόπτωσης για κάθε τύπο νεφών για κάθε δορυφορική εικόνα. Η πιο γνωστή από τις μεθόδους που ανήκουν σε αυτή την κατηγορία είναι η Goes Precipitation Index (GPI) (Arkin 1979) με παραλλαγές της, όπως η AGPI (Morrissey and Greene 1993; Arkin and Xie 1994) και η Universally Adjusted GPI (UAGPI) (Xu et al. 1999). Επίσης οι Huffman et al. (1997) ανέπτυξαν μια τεχνική εκτίμησης βροχής που αξιοποιεί μικροκυμματικά δεδομένα, υπέρυθρα δεδομένα από γεωστάσιμους μετεωρολογικούς δορυφόρους και σταθμούς βροχόπτωσης. 2. Διφασματική μέθοδος (Bispectral Method) (Bellon et al. 1980; Cheng and Brown 1995; Lovejoy and Austin 1979; Tsonis 1987; Tsonis and Isaac 1985). Η τεχνική βασίζεται στην πολύ απλή αλλά όχι πάντα αληθινή σχέση μεταξύ ψυχρών και φωτεινών νεφών και της υψηλής πιθανότητας βροχόπτωσης, η οποία βρίσκει εφαρμογή κυρίως στα σωρειτόμορφα νέφη. Χαμηλές πιθανότητες βροχόπτωσης σχετίζονται με ψυχρά αλλά ανώτερα νέφη Cirrus αλλά και θερμά στρατόμορφα νέφη. Οι Tsonis and Isaac (1985) δημιούργησαν μια μεθοδολογία διάκρισης βροχοφόρων και μη βροχοφόρων νεφών στα μέσα γεωγραφικά πλάτη χρησιμοποιώντας δορυφορικά δεδομένα του γεωστάσιμου δορυφόρου GOES στα φασματικά κανάλια του ορατού και υπέρυθρου και δεδομένα ραντάρ. Επίσης οι Lovejoy and Austin (1979) δημιούργησαν μια τεχνική εντοπισμού βροχοφόρων νεφών με τον υπολογισμό ιστογραμμάτων κατανομής συχνοτήτων και τη 23

24 συσχέτιση δεδομένων στο ορατό και υπέρυθρο του δορυφόρου GOES με δεδομένα από επίγεια ραντάρ. 3. Μέθοδος ανάλυσης του κύκλου ζωής των νεφών (Cloud life history method) (Griffith et al. 1978; Negri et al. 1983; Robinson and Scofield 1994; Scofield and Oliver 1977; Scofield 1987; Scofield and Naimeng 1994; Vicente and Scofield 1996). H συγκεκριμένη μέθοδος βασίζεται στη λεπτομερή ανάλυση του κύκλου ζωής των νεφών, κυρίως για νέφη κατακόρυφης ανάπτυξης με αντιπροσωπευτικό παράδειγμα την τεχνική Griffith- Woodley (Griffith et al. 1978) στην οποία χρησιμοποιούνται εμπειρικές σχέσεις μεταξύ της χρονικής μεταβολής της έκτασης του νέφους και της βροχόπτωσης. Μία μεθοδολογία εκτίμησης σωρειτόμορφης βροχόπτωσης αναπτύχθηκε από δεδομένα του δορυφόρου GOES από τον Scofield (1987). Οι Vicente and Scofield (1996) δημιούργησαν έναν αλγόριθμο εκτίμησης βροχής που συσχετίζει θερμοκρασίες λαμπρότητας από το φασματικό κανάλι στα 10.8 μm του δορυφόρου GOES με πραγματικές μετρήσεις βροχής που καταγράφηκαν από επίγεια δεδομένα ραντάρ. 4. Τεχνικές βασισμένες σε νεφικά μοντέλα (Cloud model techniques) (Gruber 1973; Wylie 1979; Adler and Negri 1988). Οι τεχνικές αυτές στοχεύουν στην εισαγωγή των φυσικών χαρακτηριστικών των νεφών στη διαδικασία της φυσικής περιγραφής των διαδικασιών δημιουργίας βροχόπτωσης. Η γνωστότερη τεχνική που ανήκει σε αυτή την κατηγορία είναι η Convective Stratiform Technique (CST) (Adler and Negri 1988; Anagnostou et al. 1999) η οποία εκτιμά τη βροχόπτωση που προέρχεται από σωρειτόμορφα και στρατόμορφα νέφη. Οι Adler and Negri (1988) ανέπτυξαν μια μέθοδο εκτίμησης στρατόμορφης και σωρειτόμορφης βροχής αξιοποιώντας υπέρυθρα δεδομένα του δορυφόρου GOES. Επίσης οι Anagnostou et al. (1999) χρησιμοποιούν κανάλια χαμηλής και υψηλής μικροκυματικής ακτινοβολίας του αισθητήρα Special Sensor Microwave Imager (SSM/I) για τη δημιουργία ενός αλγόριθμου εκτίμησης της αθροιστικής μηνιαίας βροχόπτωσης που βαθνομήθηκε και αξιολογήθηκε με σταθμούς βροχόπτωσης στην περιοχή της βορειοανατολικής Βραζιλίας. 5. Πολυφασματικές τεχνικές εκτίμησης βροχόπτωσης (Multispectral techniques) (Inoue 1987, 1997; Kurino 1997; Vicente 1996; Capacci and Conway 2005). Η υψηλή χρονική ανάλυση με την οποία παρέχονται οι δορυφορικές εικόνες από τους γεωστάσιμους δορυφόρους επιτρέπουν την παρακολούθηση σε πραγματικό χρόνο των νεφικών συστημάτων τοπικής ή μέσης κλίμακας που προκαλούν ισχυρές βροχοπτώσεις. Οι πολυφασματικές τεχνικές εκτίμησης της βροχόπτωσης αξιοποιούν τη συνεχώς βελτιωμένη υψηλή φασματική διακριτική ικανότητα των γεωστάσιμων δορυφορικών αισθητήρων για την ανάπτυξη αλγόριθμων εκτίμησης της βροχόπτωσης σε πραγματικό χρόνο. Από μια ενδελεχή μελέτη των πολυφασματικών τεχνικών εκτίμησης της βροχόπτωσης που υπάρχουν στη διεθνή βιβλιογραφία προκύπτουν έξι κατηγορίες αλγόριθμων: i. Συνθετικές μέθοδοι όπου αξιοποιούν επιμέρους δεδομένα από παθητικούς μικροκυματικούς αισθητήρες και γεωστάσιμους μετεωρολογικούς δορυφόρους για την εκτίμηση της βροχόπτωσης (Huffman et al. 1997; Sorooshian et al. 2000; 24

25 Kuligowski 2002; Boi et al. 2004; Capacci et al. 2005). Οι Ba and Gruber (2000) δημιούργησαν μια πολυφασματική μεθοδολογία για την εκτίμηση της βροχόπτωσης Multispectral Rainfall Algorithm (GMSRA) που συνδυάζει τα φασματικά χαρακτηριστικά από τα πέντε κανάλια του δορυφόρου GOES στα κανάλια του ορατού (0.65μm), κοντινού υπέρυθρου (3.9μm) και θερμικού υπέρυθρου (6.7 μm, 11 μm, and 12 μm) του δορυφόρου GOES και δεδομένα βροχόπτωσης από δίκτυα ραντάρ και βροχογράφων. Η τεχνική χρησιμοποιεί θερμοκρασίες λαμπρότητας της κορυφής των νεφών (Arkin and Meisner 1987; Ba et al. 1995; Vicente et al. 1998) για τη διάκριση των βροχοφόρων νεφών από τα μη βροχοφόρα νέφη και στη συνέχεια για την εκτίμηση της βροχόπτωσης. Επίσης οι Sorooshian et al. (2000) ανέπτυξαν μια πολυφασματική τεχνική εκτίμησης βροχής που αξιοποιεί υπέρυθρα δεδομένα από το γεωστάσιμο μετεωρολογικό δορυφόρο GOES και στιγμιαίες τιμές έντασης βροχής από το μικροκυματικό αισθητήρα Tropical Rainfall Measurement Mission (TRMM) microwave imager (ΤΜΙ) του δορυφόρου TRMM. Ο Kuligowski (2002) δημιούργησε μια πολυφασματική τεχνική για τον εντοπισμό των βροχοφόρων νεφών και στη συνέχεια για την εκτίμηση της βροχόπτωσης που συσχετίζει υπέρυθρα δεδομένα από το δορυφόρο GOES και μικροκυματικά δεδομένα του αισθητήρα SSM/I. ii. Πολυφασματικοί αλγόριθμοι εκτίμησης της βροχόπτωσης βασισμένοι σε διαφορές καναλιών για την εξαγωγή πληροφορίας για τα νέφη (Inoue et al. 1985; Kakane and Imbernon 1990; Scofield and Kuligowski 2003; Kurino 1997; Capacci and Conway 2005). Η αξιοποίηση της υψηλής φασματικής ανάλυσης των γεωστάσιμων δορυφόρων νέας γενιάς επιτρέπει τη βελτίωση της μεθοδολογίας διαχωρισμού των βροχοφόρων νεφών από τα μη βροχοφόρα νέφη, με τον υπολογισμό των θερμοκρασιών λαμπρότητας (BT) και των διαφορών των θερμοκρασιών λαμπρότητας (BTD) για τα φασματικά κανάλια του θερμικού υπέρυθρου. Μια πολυφασματική μεθοδολογία εντοπισμού βροχοφόρων νεφών αναπτύχθηκε από τους Inoue and Aonashi (2000) που συνδυάζει τις διαφορές των θερμοκρασιών λαμπρότητας στις φασματικές περιοχές του κοντινού και θερμικού υπέρυθρου και δεδομένα βροχόπτωσης από το ενεργητικό ραντάρ PR του δορυφόρου TRMM. Από τις πιο γνωστές τεχνικές είναι αυτή των Luque et al. (2006) που ανέπτυξαν έναν αλγόριθμο για την αναγνώριση μεγάλης έντασης καταιγιδοφόρων νεφών μεσαίας κλίμακας, χρησιμοποιώντας μια στατιστική μέθοδο χωρικής και χρονικής συσχέτισης δεδομένων ραντάρ και δορυφορικών εικόνων του Meteosat 7 για την αναγνώριση των βροχοφόρων νεφών και για την εκτίμηση της βροχόπτωσης. Επίσης, ο Kurino (1997) ανέπτυξε έναν αλγόριθμο εκτίμησης της βροχόπτωσης όπου χρησιμοποιούνται υπέρυθρα δεδομένα που προέρχονται από το δορυφόρο GMS και δεδομένα βροχόπτωσης από επίγεια ραντάρ, κατάλληλα επεξεργασμένα έτσι ώστε η σύγκριση να είναι εφικτή για την πραγματοποίηση της «έμμεσης» συσχέτισης των φασματικών χαρακτηριστικών των κορυφών των νεφών με τη βροχόπτωση. O Bennartz (2002) ανέπτυξε ένα αλγόριθμο εκτίμησης βροχόπτωσης συνδυάζοντας φασματικά χαρακτηριστικά από τον αισθητήρα AVHRR και τις τιμές βροχόπτωσης 25

26 από δίκτυο ραντάρ για τη δημιουργία ενός μοντέλου πολλαπλής γραμμικής παλινδρόμησης για την εκτίμηση της βροχόπτωσης για κάθε τύπο νεφών. iii. Μέθοδοι συσχέτισης πραγματικών δεδομένων βροχόπτωσης με τη πληροφορία που εξάγεται για το οπτικό πάχος, τη φάση του νέφους και τη μικροφυσική δομή του, από πολυφασματικά δεδομένα (Nakajima and King 1990; Nauss and Kokhanovsky 2006). Οι Lensky and Rosenfeld (1996) προτείνουν έναν αλγόριθμο εκτίμησης της βροχόπτωσης για την εύρεση των μικροφυσικών ιδιοτήτων της κορυφής των νεφών, χρησιμοποιώντας δεδομένα του δορυφόρου πολικής τροχιάς NOAA του αισθητήρα Advanced Very High Resolution Radiometer AVHRR. Η ακτίνα των υδροσταγόνων ή παγοκρυστάλλων του νέφους υπολογίζεται για νέφη υψηλής ανακλαστικότητας στα κανάλια του ορατού (0.65μm), κοντινού υπέρυθρου (3.70μm) και στα δύο κανάλια του θερμικού υπέρυθρου στα 10.8μm και 12.0μm. Μεγάλη ακτίνα των μορίων του νέφους δηλώνει την παρουσία μεγάλου μεγέθους υδροσταγόνων και παγοκρυστάλλων στα νέφη που σχετίζονται με τις διαδικασίες δημιουργίας βροχοπτώσεων. Ο συνδυασμός της μικροφυσικής δομής του νέφους με το οπτικό πάχος του νέφους εφαρμόζεται για την ανάπτυξη του αλγόριθμου εκτίμησης της βροχόπτωσης. Επίσης προτάθηκε από τους Thies et al. (2008a) μια πολυφασματική μεθοδολογία εντοπισμού βροχοφόρων νεφών που εφαρμόζεται μόνο το βράδυ, και συνδυάζει τα φασματικά χαρακτηριστικά από πέντε κανάλια του δορυφόρου Meteosat Second Generation (MSG) στις φασματικές περιοχές του κοντινού και θερμικού υπέρυθρου με δεδομένα βροχόπτωσης από δίκτυο επίγειων ραντάρ. Οι Nauss and Kokhanovsky (2006) ανέπτυξαν μια πολυφασματική μεθοδολογία ταξινόμησης βροχοφόρων και μη βροχοφόρων νεφών που χρησιμοποιεί δεδομένα από τα κανάλια του ορατού και κοντινού υπέρυθρου του δορυφόρου MODIS για την εύρεση των μικροφυσικών ιδιοτήτων της κορυφής των νεφών. iv. Μέθοδοι αναγνώρισης νεφικών προτύπων για την ταξινόμηση των νεφών με τη μέθοδο της υφής και εκτίμησης της βροχόπτωσης για κάθε νεφικό τύπο (Newsam and Kamath 2004). Οι μέθοδοι αναγνώρισης νεφικών προτύπων προσφέρουν τη δυνατότητα αναγνώρισης των νεφικών συστημάτων με την εφαρμογή των μεθόδων ανάλυσης υφής σε μια δορυφορική εικόνα. Οι Chou et al. (1994) ανέπτυξαν μια μεθοδολογία ταξινόμησης σε δεδομένα Landsat, συνδυάζοντας τα φασματικά και τα χωρικά χαρακτηριστικά των δορυφορικών δεδομένων για τη ταξινόμηση των νεφικών συστημάτων και τη διάκριση τους από το έδαφος στις πολικές περιοχές. Ένα πλήθος εργασιών αναφέρουν ότι ο συνδυασμός χαρακτηριστικών (φασματικών και υφής) είναι αποτελεσματικός για την ταξινόμηση των νεφών (Ebert 1987; McGuffie et al. 1988; Key 1990). Από τις πιο γνωστές και αντιπροσωπευτικές μελέτες που ανήκουν σε αυτή τη κατηγορία είναι των Uddstrom and Gray (1996) που ανέπτυξαν μια μέθοδο κατηγοριοποίησης των νεφικών συστημάτων με τον υπολογισμό φασματικών παραμέτρων και παραμέτρων υφής, όπου συσχετίζονται χωρικά και χρονικά δορυφορικά δεδομένα στο ορατό και στο υπέρυθρο του δορυφόρου NOAA με την ένταση βροχόπτωσης από το δίκτυο ραντάρ καιρού Doppler. Ένας αλγόριθμος ανάλυσης των νεφών αναπτύχθηκε ειδικά για τους 26

27 γεωστάσιμους δορυφόρους Meteosat από τους Entremont and Gustafson (2002) ο οποίος αναγνωρίζει τη χωρική και χρονική εξέλιξη των νεφικών συστημάτων συγκρίνοντας τη σχετική αλλαγή της ανακλαστικότητας στο ορατό και τη θερμοκρασία λαμπρότητας χωρικά και χρονικά συσχετισμένων εικονοστοιχείων που εξάγονται από διαδοχικές δορυφορικές εικόνες. Οι Li et al. (2003) πρότειναν μια μέθοδο αυτοματοποιημένης ταξινόμησης του εδάφους και των τύπων των νεφών χρησιμοποιώντας μετρήσεις ακτινοβολίας από τον αισθητήρα MODIS και φασματική και χωρική πληροφορία από τις δορυφορικές εικόνες ώστε να βελτιώσουν την ακρίβεια κατηγοριοποίησης για κάθε τάξη. Παρόμοια μέθοδο με την παραπάνω εφαρμόζει και ο Wilcox (2003) για τη διάκριση των νεφικών συστημάτων στη περιοχή της Ινδίας υπολογίζοντας χωρικούς και φασματικούς δείκτες για ένα μεγάλο αριθμό επεισοδίων βροχόπτωσης. v. Μέθοδοι που χρησιμοποιούν μοντέλα διάδοσης ακτινοβολίας για να συσχετίσουν τα φασματικά χαρακτηριστικά των νεφών με τα φυσικά τους χαρακτηριστικά όπως το οπτικό πάχος και η φάση του νέφους. Οι Mckague and Evans (2001) δημιούργησαν μια μεθοδολογία ταξινόμησης των νεφών που υπολογίζει παραμέτρους νεφών όπως ύψος νέφους και οπτικό πάχος νέφους από δορυφορικές εικόνες GOES στα φασματικά κανάλια του ορατού και υπέρυθρου. Επίσης οι Arking and Childs (1985) χρησιμοποίησαν την τεχνική των μοντέλων διάδοσης ακτινοβολίας σε δεδομένα από το δορυφόρο ΝΟΑΑ για να υπολογίσουν παραμέτρους όπως η φάση του νέφους και το ποσοστό νεφοκάλυψης. vi. Μέθοδοι εκτίμησης της βροχόπτωσης με την εφαρμογή προγνωστικών μοντέλων καιρού και καναλιών στις φασματικές περιοχές του ορατού και του υπέρυθρου. Οι συγκεκριμένες τεχνικές εξετάζουν τη δυνατότητα βελτίωσης των πολυφασματικών αλγορίθμων εκτίμησης βροχής με την προσθήκη προγνωστικών μοντέλων. Οι Grassoti and Garand (1993) ανέπτυξαν έναν αλγόριθμο πολυπαραμετρικής ταξινόμησης συνδυάζοντας δεδομένα από το γεωστάσιμο δορυφόρο GMS και προγνώσεις από αριθμητικό μοντέλο πρόγνωσης καιρού από την Καναδική Μετεωρολογική Υπηρεσία, για την κατασκευή ενός αξιόπιστου αλγορίθμου εκτίμησης της βροχόπτωσης σε διάφορες χρονικές κλίμακες. Η προσθήκη προγνωστικών μοντέλων για την εκτίμηση και αξιολόγηση πολυφασματικών αλγορίθμων βροχόπτωσης αξιοποιήθηκε από αρκετές ερευνητικές εργασίες (Puri and Davidson 1992; Adler et al. 1993) επειδή αποδίδουν καλές εκτιμήσεις των πραγματικών ατμοσφαιρικών συνθηκών σε πραγματικό χρόνο. 27

28 ΚΕΦΑΛΑΙΟ 3 ο Δεδομένα - Μεθοδολογία 3.1 Εισαγωγή Στο παρόν στάδιο της διδακτορικής έρευνας, παρουσιάζονται αναλυτικά όλα τα δεδομένα που συλλέχθηκαν και οι διαδικασίες επεξεργασίας που εφαρμόστηκαν στην ανάπτυξη του αλγόριθμου για τη διάκριση των βροχοφόρων νεφών και την εκτίμηση της έντασης βροχής. 3.2 Είδη δεδομένων Για την ανάπτυξη του αλγόριθμου εκτίμησης της έντασης βροχής χρησιμοποιήθηκαν δορυφορικά δεδομένα του γεωστάσιμου μετεωρολογικού δορυφόρου Meteosat Second Generation (MSG), που λαμβάνονται σε συνεχή βάση από το δορυφορικό σταθμό λήψης EUMETCAST για το χρονικό διάστημα Μαρτίου Φεβρουαρίου 2009 και σταθμοί βροχόπτωσης από το δίκτυο του Εθνικού Αστεροσκοπείου Αθηνών (ΕΑΑ) χρονικής ανάλυσης 10 για 30 επεισόδια βροχής. Επίσης συγκεντρώθηκαν 6ωρα δεδομένα γεωδυναμικού ύψους και θερμοκρασίας από το Ευρωπαικό Κέντρο για Μέσης Κλίμακας Καιρικές Προγνώσεις (European Center for Medium Range Weather Forecasts (ECMWF)). Τα μοντέλα εκτίμησης βροχής αξιολογήθηκαν για 10 ανεξάρτητες ημέρες βροχής την ίδια χρονική περίοδο. Επίσης χρησιμοποιήθηκαν μετεωρολογικοί χάρτες που περιγράφουν τη συνοπτική κατάσταση του καιρού για τρία ανεξάρτητα περιστατικά βροχής Δορυφορικά δεδομένα Οι αλγόριθμοι εκτίμησης της έντασης βροχής αναπτύχθηκαν χρησιμοποιώντας δορυφορικά δεδομένα SEVIRI για επτά φασματικά κανάλια στο θερμικό υπέρυθρο με μήκη κύμματος 6.2, 7.3, 8.7, 9.7, 10.8, 12.1 και 13.4 µm. Τα δορυφορικά δεδομένα Meteosat διατίθενται σε 15 χρονικά διαστήματα σάρωσης με χωρική διακριτική ικανότητα 3 x 3 km 2 στο στιγμιαίο σημείο κατόπτευσης (sub-satellite point) του δορυφόρου και προσεγγίζουν τα 4 x 5 km 2 για την περιοχή μελέτης. 28

29 Μετεωρολογικοί δορυφόροι Meteosat δεύτερης γενιάς Οι μετεωρολογικοί δορυφόροι αποτελούν σημαντικό εργαλείο για την παρατήρηση και την πρόγνωση των καιρικών συνθηκών σε μεγάλη κλίμακα, και προσφέρουν πλήρη κάλυψη της γης, επιτρέποντας την παρατήρηση σε γεωγραφικές περιοχές όπου οι μετεωρολογικές μετρήσεις στην επιφάνεια της γης δεν είναι εφικτές όπως ωκεανούς, απομακρυσμένες δύσβατες περιοχές με έντονο ανάγλυφο και πολικές περιοχές. H Ευρωπαϊκή Υπηρεσία Διαστήματος (European Space Agency, ESA) ίδρυσε την EUMETSAT (European Organization for the Exploitation of Meteorological Satellites) η οποία αποτελεί το βασικό οργανισμό διαχείρισης, επεξεργασίας και διάδοσης των δορυφορικών δεδομένων που συγκεντρώνονται από τους μετεωρολογικούς δορυφόρους Meteosat. Ο πρώτος δορυφόρος της δεύτερης γενιάς των Meteosat MSG-1 (Meteosat Second Generation) ή Meteosat-8 όπως μετονομάστηκε αργότερα τέθηκε σε τροχιά στις 28 Αυγούστου 2002 ενώ επιχειρησιακά άρχισε να παρέχει δεδομένα από τις 29 Ιανουαρίου Ο δεύτερος δορυφόρος MSG-2 ή Meteosat-9 (Σχήμα 4) τέθηκε σε τροχιά το Δεκέμβριο του 2005 για την εξασφάλιση της απρόσκοπτης συλλογής δορυφορικών δεδομένων που παρέχονται από τη δεύτερης γενιά των Meteosat, ενώ από τις 11 Απριλίου 2007 ο Meteosat-9 έγινε ο βασικός μετεωρολογικός δορυφόρος πάνω από την Ευρώπη διατηρώντας το Meteosat-8 ως αναπληρωματικό δορυφόρο. Ο δορυφόρος Meteosat MTG (Meteosat Third Generation) ή Meteosat-10 ξεκίνησε την επιχειρησιακή του λειτουργία από τις 5 Ιουλίου 2012 και αντικατέστησε το Meteosat-9 ως πρωταρχικός μετεωρολογικός δορυφόρος. ΣΧΗΜΑ 4. Δορυφορικό σύστημα Μeteosat-9 (Πηγή: EUMETSAT) 29

30 Ο δορυφόρος Meteosat-9 βρίσκεται σε γεωστάσιμη τροχιά με συντεταγμένες 0 γεωγραφικό μήκος, 0 γεωγραφικό πλάτος και σε ύψος Km πάνω από τον κόλπο της Γουινέας, ενώ ο δορυφόρος Meteosat-8 έχει μετακινηθεί 3.4 δυτικά (Καρτάλης και Φείδας 2006). Το κύριο όργανο που διαθέτουν οι δορυφόροι Meteosat δεύτερης γενιάς (MSG) ονομάζεται SEVIRI (Spinning Enhanced Visible and Infrared Imager) και «παρακολουθεί» τη γη σε δώδεκα διαφορετικές φασματικές περιοχές ενώ καταγράφει και στέλνει τα δορυφορικά δεδομένα κάθε 15 min προσφέροντας έτσι τη δυνατότητα αναγνώρισης με μεγάλη χρονική διακριτική ικανότητα φαινομένων που εξελίσσονται γρήγορα στο χρόνο. Τέσσερα κανάλια χρησιμοποιούνται για την καταγραφή της ηλιακής ακτινοβολίας που ανακλάται στην περιοχή του ορατού ενώ τα υπόλοιπα οκτώ κανάλια καταγράφουν συγκεκριμένα μήκη κύματος στην υπέρυθρη φασματική περιοχή. Παρακάτω αναφέρονται οι φασματικές περιοχές που καταγράφει ο αισθητήρας SEVIRI (Πίνακας 1). Κανάλι Πίνακας 1 Φασματικές περιοχές των δορυφόρων MSG. Φασματικές περιοχές (μm) Φασματικό επίκεντρο (μm) Για κάθε φασματικό κανάλι του πίνακα 1 παράγονται οι αντίστοιχες δορυφορικές εικόνες από το ραδιόμετρο SEVIRI ανά 15 min (δορυφορικά προϊόντα επιπέδου 1.0). Το ραδιόμετρο SEVIRI σαρώνει τη γη στην διεύθυνση Ανατολής - Δύσης και Νότου Βορρά, παράγοντας έτσι μία εικόνα του γήινου δίσκου που αποτελείται από 3712 γραμμές x 3712 στήλες στα φασματικά κανάλια του ορατού και υπέρυθρου και γραμμές x 5568 στήλες στο κανάλι υψηλής ανάλυσης στη φασματική περιοχή του ορατού. Οι οριζόντιες γραμμές στη δορυφορική εικόνα, δημιουργούνται από τη σάρωση της γης, καθώς ο δορυφόρος περιστρέφεται γύρω από τον άξονά του με ταχύτητα 100 στροφών το λεπτό και μια πλήρης εικόνα παράγεται κάθε 15 λεπτά (Σχήμα 5). 30

31 Τα δορυφορικά δεδομένα, μετά τη λήψη τους από τους επίγειους σταθμούς εδάφους διορθώνονται ραδιομετρικά και γεωμετρικά και μετασχηματίζονται σε δορυφορικά δεδομένα επιπέδου 1.5 (EUMETSAT, Doc.No.: EUM/MSG/ICD/105, Issue: v5a). Τα τελικά δορυφορικά δεδομένα επιπέδου 1.5 αποθηκεύονται σε βάσεις δεδομένων προσφέροντας τη δυνατότητα αναμετάδοσης τους σε ιδιωτικούς σταθμούς λήψης. Για την ανάπτυξη του αλγόριθμου εκτίμησης της έντασης βροχής αξιοποιήθηκαν τα δορυφορικά δεδομένα από τα φασματικά κανάλια 5, 6, 7, 8, 9, 10 και 11 (Πίνακας 1). Επιλέχθηκαν τα συγκεκριμένα φασματικά κανάλια στο θερμικό υπέρυθρο γιατί προσφέρουν συνεχή ροή δεδομένων και κατά τη διάρκεια της νύχτας. ΣΧΗΜΑ 5. Μηχανισμός σάρωσης της Γης από το όργανο SEVIRI στους μετεωρολογικούς δορυφόρους δεύτερης γενιάς (EUMETSAT. Doc.no: EUM/MSG/ICD/105, version 5Α, 22) Ραδιομετρική ακρίβεια των δορυφορικών εικόνων MSG Η ραδιομετρική ακρίβεια των δορυφορικών εικόνων προσδιορίζεται από την ακρίβεια καταγραφής της ηλεκτρομαγνητικής ακτινοβολίας από τους αισθητήρες στα διάφορα φασματικά κανάλια. Στον πίνακα 2 παρουσιάζεται η ραδιομετρική ακρίβεια των δορυφορικών δεδομένων στα επιλεγμένα υπέρυθρα φασματικά κανάλια, που χρησιμοποιήθηκαν για την ανάπτυξη του αλγόριθμου εκτίμησης βροχόπτωσης. Ο ραδιομετρικός θόρυβος σε μια δορυφορική εικόνα Meteosat προκαλείται λόγω της κακής μετάδοσης του καταγραφόμενου σήματος από τα συστήματα λήψης. Στη διαδικασία μετατροπής των δορυφορικών δεδομένων MSG από το επίπεδο 1.0 στο επίπεδο 1.5 προκύπτουν κάποια σφάλματα που οφείλονται: 1. Στους τύπους των δεδομένων που χρησιμοποιούνται για το μετασχηματισμό των ραδιομετρικών τιμών των εικονοστοιχείων. Για την αντιμετώπιση αυτού του προβλήματος, διατίθενται τύποι δεδομένων (float data type) για τις δορυφορικές εικόνες τύπου 1.5 με μεγάλη ακρίβεια, ενώ για τη βελτίωση της ακρίβειας των εικόνων χρησιμοποιείται η 31

32 μέθοδος της επαναδειγματοληψίας, με την εφαρμογή μιας εστιακής συνάρτησης (Kernel focal Function) 9 x 9 εικονοστοιχείων. 2. Στη μεθοδολογία της στρογγυλοποίησης των δεκαδικών αριθμών των ψηφιακών τιμών των εικονοστοιχείων (Digital Numbers) των δορυφορικών εικονων Meteosat για την τελική αποθήκευσή τους σε αρχεία 10bit επιπέδου 1.5. Παρατηρούνται αποκλίσεις μεταξύ -0.5 και 0.5 από την αρχική τιμή για εύρος ψηφιακών τιμών εικονοστοιχείων από 0 ως 1023, με αποτέλεσμα τα σφάλματα να θεωρούνται αμελητέα. Οι μέθοδοι βαθμονόμησης για τον προσδιορισμό της σχέσης μεταξύ των ψηφιακών τιμών και τιμών ακτινοβολίας για κάθε δορυφορική εικόνα διακρίνονται: α) στη γραμμικοποίηση (linearization) που είναι μια τεχνική που χρησιμοποιεί τη μέση τιμή, την τυπική απόκλιση και το συντελεστή συσχέτισης για να καθορίσει τη μορφή αντιστοίχησης μεταξύ των επιπέδων του γκρι και της πραγματικής εισερχόμενης ακτινοβολίας στο δορυφορικό αισθητήρα και β) στην εξισορρόπηση (equalization) που βασίζεται στην υπόθεση ότι κάθε δορυφορικός αισθητήρας που λαμβάνει δεδομένα από μια φασματική περιοχή παρουσιάζει για κάθε αισθητήρα συνάρτηση κατανομής των ψηφιακών τιμών των εικονοστοιχείων με παρόμοια μορφή. Τα ραδιομετρικά σφάλματα που αφορούν τη γραμμικοποίηση και την εξισορρόπηση (equalization) των τιμών των δορυφορικών εικόνων κατά τη διαδικασία μετασχηματισμού τους σε επίπεδο 1.5, διορθώνονται με την εφαρμογή συχνής βαθμονόμησης των αισθητήρων ώστε το τελικό παραγόμενο αρχείο να είναι μεγάλης ακρίβειας (EUMETSAT, Doc.No. : EUM/MSG/ICD/105, Issue : v5a). Πίνακας 2. Η ραδιομετρική ποιότητα των δορυφορικών δεδομένων MSG επιπέδου 1.0 που χρησιμοποιήθηκαν για την ανάπτυξη του αλγόριθμου εκτίμησης βροχόπτωσης (EUMETSAT, Doc.No. : EUM/MSG/ICD/105, Issue : v5a). Φασματικές περιοχές (μm) Φασματικό επίκεντρο (μm) Φασματικό Εύρος (μm) Ραδιομετρικός Θόρυβος (Κ) Τιμή Αναφοράς (Reference Target) (K) Μέγιστη Τιμή (Dynamic Range) (K) Υδρατμοί (Water Vapor) Υδρατμοί (Water Vapor) Θερμικό Υπέρυθρο (Thermal Infrared) Θερμικό Υπέρυθρο (Thermal Infrared) Θερμικό Υπέρυθρο (Thermal Infrared) Θερμικό Υπέρυθρο (Thermal Infrared) Θερμικό Υπέρυθρο (Thermal Infrared)

33 3.2.3 Γεωμετρική ακρίβεια των δορυφορικών εικόνων MSG Οι δορυφορικές εικόνες Meteosat ανορθώνονται γεωμετρικά χρησιμοποιώντας ένα κοινό προβολικό σύστημα που ονομάζεται GEOS (Geostationary Projection System). Η γεωμετρική ακρίβεια απεικονίζεται στον πίνακα 3 και αναφέρεται στα δορυφορικά δεδομένα Meteosat τύπου 1.0 πριν από την εφαρμογή της γεωμετρικής ανόρθωσης. Η γεωμετρική ανόρθωση ορίζεται ως η διαδικασία μετασχηματισμού των συντεταγμένων εικόνας σε ένα κοινό σύστημα αναφοράς των εικονοστοιχείων των δορυφορικών εικόνων Meteosat που αντιστοιχούν σε συγκεκριμένη γεωγραφική περιοχή. Πίνακας 3. Γεωμετρική ακρίβεια (απόλυτο σφάλμα RMS) των δεδομένων επιπέδου 1.0 των δορυφορικών συστημάτων Meteosat δεύτερης γενιάς (EUMETSAT, Doc.No. : EUM/MSG/ICD/105, Issue : v5a). Ακρίβεια NS Διεύθυνση Σάρωσης EW Απόλυτη Ακρίβεια (km) Σχετική Ακρίβεια μεταξύ διαδοχικών εικόνων (km) Η απόλυτη ακρίβεια στον πίνακα 3 αναφέρεται στο απόλυτο σφάλμα (RMS) που εκφράζεται ως η απόσταση σε εύρος εικονοστοιχείων, μεταξύ των πραγματικών και των μετασχηματισμένων συντεταγμένων των εικονοστοιχείων σε μια δορυφορική εικόνα Meteosat. Η σχετική ακρίβεια μεταξύ διαδοχικών δορυφορικών εικόνων στον ίδιο πίνακα, αναφέρεται στη μετατόπιση της γεωγραφικής θέσης για κάθε εικονοστοιχείο μεταξύ διαδοχικών δορυφορικών εικόνων. Με την εφαρμογή του προβολικού συστήματος GEOS, το κοινό σημείο αναφοράς (0 longitude, 0 latitude) ή σημείο κατόπτευσης του δορυφόρου (Sub-Satellite Point) για τους γεωστάσιμους δορυφόρους MSG ταυτίζεται με τις συντεταγμένες εικόνας (1856, 1856), και την αρχή των αξόνων να προσδιορίζεται από το κάτω δεξιά εικονοστοιχείο (1, 1) (Σχήμα 6). ΣΧΗΜΑ 6. Χωρική ταύτιση των συντεταγμένων δορυφορικών εικόνων (γραμμές, στήλες) με το σημείο κατόπτευσης των δορυφόρων MSG (0 ο latitude, 0 o longitude). 33

34 Τα δορυφορικά δεδομένα Meteosat με την εφαρμογή της γεωμετρικής ανόρθωσης μετατρέπονται σε δεδομένα επιπέδου 1.5, και οι συντεταγμένες των εικονοστοιχείων κάθε δορυφορικής εικόνας MSG επιπέδου 1.5 αντιστοιχούν στην ίδια περιοχή. Οι πληροφορίες σχετικά με τη μεθοδολογία γεωμετρικής ανόρθωσης που ακολουθήθηκε (τεχνική επαναδειγματοληψίας και ακρίβεια γεωμετρικής ανόρθωσης) αποθηκεύονται στην εσωτερική δομή κάθε αρχείου που αποτελείται από την κεφαλίδα (header) και την υποκεφαλίδα (trailer) ή σε συμπληρωματικά αρχεία (prologue, epilogue). Για τη μετατροπή των συντεταγμένων εικόνας σε γεωγραφικές συντεταγμένες, είναι απαραίτητη η εφαρμογή προκαθορισμένων συναρτήσεων που παρέχονται από τον οργανισμό EUMETSAT Δεδομένα μετεωρολογικών σταθμών Για τη βαθμονόμηση και την επαλήθευση των αλγόριθμων εκτίμησης βροχής χρησιμοποήθηκαν δεδομένα βροχής, από 88 σταθμούς του δικτύου του Εθνικού Αστεροσκοπείου Αθηνών (ΕΑΑ), για τη χρονική περίοδο Μάρτιος 2008 έως Φεβρουάριος 2009 (Σχήμα 7). Οι τιμές αθροιστικής βροχόπτωσης (mm) των 10 μετατράπηκαν σε τιμές έντασης βροχής (mm/h) καθώς οι αλγόριθμοι εκτιμούν βροχή υπό τη μορφή έντασης. Η ελάχιστη ανιχνεύσιμη αθροιστική βροχόπτωση που καταγράφηκε από τους σταθμούς του ΕΑΑ είναι 0.1 mm. Στη συνέχεια αθροίστηκαν χρονικά οι τιμές έντασης βροχής και υπολογίστηκε ο μέσος όρος με τη δημιουργία χρονικών διαστημάτων μεσοποίησης (1h, 3h,6h). Τα δεδομένα των σταθμών καλύπτουν 40 ημέρες βροχής διαφορετικές αλλά με την ίδια αναλογία εκ των οποίων οι 30 ημέρες χρησιμοποιήθηκαν για τη βαθμονόμηση των αλγορίθμων και 10 ημέρες βροχής αξιοποιήθηκαν για την αξιολόγηση τους. Ως επεισόδιο βροχής ορίζεται η ημέρα όπου τουλάχιστον πέντε σταθμοί του ΕΑΑ κατέγραψαν βροχόπτωση (Πίνακας 4). Για την ανάπτυξη του αλγόριθμου ταξινόμησης βροχοφόρων νεφών χρησιμοποιήθηκαν ημέρες με έντονη βροχόπτωση που δεν ταυτίζονται με τις ημέρες βροχής και καθορίζονται για περιστατικά βροχής όπου καταγράφηκε βροχόπτωση από τουλάχιστον δέκα σταθμούς (Πίνακας 5). 34

35 Πίνακας 4. Ημέρες επεισοδίων βροχής που χρησιμοποιήθηκαν για την εκπαίδευση και αξιολόγηση των αλγόριθμων εντοπισμού βροχοφόρων νεφών Ημέρες Επεισόδια εκπαίδευσης Επεισόδια αξιολόγησης 1 7/3/ /3/ /3/2008 7/5/ /4/2008 9/6/ /6/ /9/ /7/2008 3/10/ /9/ /11/ /9/ /12/ /9/ /12/ /9/2008 8/1/ /10/ /1/ /10/ /11/ /11/ /11/ /12/ /12/ /12/ /12/ /12/ /12/ /1/ /1/ /1/ /1/ /1/ /1/ /1/ /1/ /2/ /2/

36 Πίνακας 5. Ημέρες επεισοδίων βροχής που χρησιμοποιήθηκαν για την εκπαίδευση και αξιολόγηση των αλγόριθμων ταξινόμησης σωρειτόμορφων και στρατόμορφων βροχοφόρων νεφών Ημέρες Επεισόδια εκπαίδευσης Επεισόδια αξιολόγησης 1 7/3/ /4/ /3/2008 6/5/ /3/2008 9/6/ /3/2008 5/10/ /4/ /11/ /4/ /12/ /4/ /12/ /5/2008 4/1/ /5/ /1/ /7/ /2/ /8/ /9/ /9/ /10/ /10/ /11/ /12/ /12/ /12/ /1/ /1/ /1/ /1/ /1/ /1/ /2/ /2/ /2/ /2/ /2/

37 ΣΧΗΜΑ 7. Δίκτυο σταθμών βροχόπτωσης του Εθνικού Αστεροσκοπείου Αθηνών (ΕΑΑ) για την εκπαίδευση και αξιολόγηση των μοντέλων Μετεωρολογικά δεδομένα επιφάνειας και ανώτερης ατμόσφαιρας Για τη διαδικασία αξιολόγησης του αλγόριθμου εκτίμησης βροχής σε συγκεριμένες περιπτώσεις επεισοδίων βροχής χρησιμοποιήθηκαν μετεωρολογικοί χάρτες επιφανείας που περιγράφουν τη συνοπτική κατάσταση του καιρού και χάρτες ανώτερης ατμόσφαιρας για τις ισοβαρικές επιφάνειες των 850hpa και 500hpa για τη χρονική περίοδο Μαρτίου 2008 έως Φεβρουαρίου 2009 (Σχήμα 8). ΣΧΗΜΑ 8. Μετεωρολογικοί χάρτες μέσης στάθμης θάλασσας και ανώτερης ατμόσφαιρας για τις ισοβαρικές επιφάνειες των 500hpa και 850hpa στις 12/2/ :00 UTC. 37

38 3.3 Μεθοδολογία Προεπεξεργασίας και Επεξεργασίας δορυφορικών δεδομένων Το διάγραμμα ροής (Σχήμα 9) περιγράφει τις επιμέρους διαδικασίες που εφαρμόστηκαν για την ανάπτυξη του αλγόριθμου εκτίμησης βροχής. Για την ανάπτυξη του αλγόριθμου αναγνώρισης και διάκρισης των βροχοφόρων από τα μη βροχοφόρα νεφικά συστήματα, μετά το στάδιο της συλλογής και προεπεξεργασίας των δορυφορικών δεδομένων, υπολογίστηκαν οι φασματικές παράμετροι και οι παράμετροι υφής των νεφών από τις δορυφορικές εικόνες Meteosat στο θερμικό υπέρυθρο. Στη συνέχεια ολοκληρώθηκε η μεθοδολογία εντοπισμού βροχοφόρων νεφών που βασίζεται στη χωρική και χρονική συσχέτιση των φασματικών παραμέτρων και των παραμέτρων υφής των νεφών με τις μετρούμενες τιμές έντασης βροχής που καταγράφηκαν από επίγειους σταθμούς του Εθνικού Αστεροσκοπείου Αθηνών (ΕΑΑ). Η ακρίβεια της μεθόδου στον εντοπισμό βροχοφόρων νεφών αξιολογήθηκε με τη διάθεση πραγματικών καταγραφών βροχής από μετεωρολογικούς σταθμούς. Τα βροχοφόρα νεφικά εικονοστοιχεία των δορυφορικών εικόνων Meteosat που εντοπίστηκαν από τον αλγόριθμο εντοπισμού βροχοφόρων νεφών στο προηγούμενο στάδιο, χρησιμοποιήθηκαν για την ανάπτυξη του αλγόριθμου κατηγοριοποίησης των βροχοφόρων νεφών σε στρατόμορφης και σωρειτόμορφης βροχής. Ο αλγόριθμος διάκρισης των στρατόμορφων από τα σωρειτόμορφα βροχοφόρα νέφη βασίστηκε στη χωρική και χρονική συσχέτιση των φασματικών χαρακτηριστικών και των χαρακτηριστικών υφής των νεφών με τις καταγραφές σωρειτόμορφης/στρατόμορφης βροχόπτωσης των επίγειων βροχομετρικών σταθμών. Ο αλγόριθμος κατηγοριοποίησης βροχοφόρων νεφών αξιολογήθηκε για μια σειρά ημερών ως προς την ακρίβεια απόδοσης των εκτιμήσεων των βροχοφόρων νεφικών περιοχών. Στο επόμενο στάδιο, υλοποιήθηκε η διαδικασία ανάπτυξης του αλγόριθμου εκτίμησης της έντασης της βροχής και προσδιορίστηκε η αρχιτεκτονική δομή του μοντέλου των Νευρωνικών Δικτύων, που βασίστηκε αρχικά στα βροχοφόρα εικονοστοιχεία που εντοπίζει ο αλγόριθμος διάκρισης βροχοφόρων και μη βροχοφόρων νεφών και στη συνέχεια στα βροχοφόρα στρατόμορφα και σωρειτόμορφα νέφη που επιλέγει ο αλγόριθμος ταξινόμησης βροχοφόρων νεφών. Πραγματοποιήθηκε τελικά η αξιολόγηση των αλγόριθμων εκτίμησης της έντασης βροχής με τις καταγραφές βροχής από τους μετεωρολογικούς σταθμούς. 38

39 ΣΧΗΜΑ 9. Διάγραμμα ροής των διαδικασιών που εφαρμόστηκαν για την ανάπτυξη του αλγόριθμου εκτίμησης βροχής. 39

40 3.3.1 Υπολογισμός φασματικών παραμέτρων και παραμέτρων υφής των νεφών στις εικόνες MSG Για τις ανάγκες της εργασίας συλλέχθηκαν δορυφορικά δεδομένα του ραδιομέτρου SEVIRI για ένα έτος (Μάρτιος Φεβρουάριος 2009), για επτά κανάλια στην περιοχή του φασματικού υπερύθρου. Ο αριθμός των δορυφορικών εικόνων που συγκεντρώθηκαν από την επίσημη διαδικτυακή βάση δεδομένων της EUMETSAT την προκαθορισμένη χρονική περίοδο ξεπερνά τις Αρχικά, εφαρμόστηκαν διαδικασίες προεπεξεργασίας των δορυφορικών εικόνων MSG που είναι απαραίτητες και αφορούν τον υπολογισμό των θερμοκρασιών λαμπρότητας και τη μετατροπή των συντεταγμένων εικόνας MSG σε γεωγραφικές συντεταγμένες. Ακολούθως, υπολογίστηκαν οι φασματικές παράμετροι και οι παράμετροι υφής των νεφών στις υπέρυθρες εικόνες (φασματικά κανάλια με κεντρικό κυμματάριθμο 6.2, 7.3, 8.7, 9.7, 10.8, 12.1 και 13.4 µm) βάσει των οποίων έγινε η ανάπτυξη των αλγορίθμων κατηγοριοποίησης και εκτίμησης της βροχής Υπολογισμός των θερμοκρασιών λαμπρότητας Οι θερμοκρασίες λαμπρότητας εξαρτώνται από το ύψος των κορυφών των νεφών και η θερμοκρασίες λαμπρότητας στο φασματικό κανάλι των 10.8 μm αποτελούν ένδειξη της κατακόρυφης ανάπτυξης των νεφικών συστημάτων. Η διαδικασία υπολογισμού των θερμοκρασιών λαμπρότητας για τις δορυφορικές εικόνες MSG που ακολουθήθηκε αποτελείται από τα στάδια: 1. Mετατροπή των ψηφιακών τιμών των εικονοστοιχείων σε ραδιομετρικές τιμές (απόλυτες τιμές ακτινοβολίας). Η εξίσωση 1 συσχετίζει τις ψηφιακές τιμές των εικονοστοιχείων και τις τιμές ακτινοβολίας για κάθε φασματικό κανάλι των δορυφορικών εικόνων Meteosat. R Cal_ Offset Cal_ Slope DN (3.1) όπου R (Radiance) η ένταση ακτινοβολίας που καταγράφει το ραδιόμετρο SEVIRI με τιμές Wm 2 sr -1 (cm -1 ) -1, Cal_Offset είναι μια ψηφιακή τιμή που καταγράφει ο ανιχνευτής όταν στρέφεται προς το διάστημα, Cal_Slope είναι ο συντελεστής βαθμονόμησης του αισθητήρα και DN είναι η ψηφιακή τιμή (Digital Number) των εικονοστοιχείων. 2. Μετατροπή των τιμών έντασης ακτινοβολίας σε θερμοκρασίες λαμπρότητας (Tjemkes, 2005). Ακολούθως, για τη μετατροπή των ραδιομετρικών τιμών του κάθε καναλιού της εικόνας, σε θερμοκρασίες λαμπρότητας, εφαρμόστηκε η ακόλουθη σχέση η οποία βασίζεται στον νόμο του Planck: TB αlog C 2 v 3 C 1 v R 1 (3.2) όπου TB (Temperature Brightness) είναι η θερμοκρασία λαμπρότητας (Κ), R είναι η 40

41 ακτινοβολία (Wm 2 sr -1 (cm -1 ) -1 ), v ο κεντρικός κυματάρυθμος ν 10 λ 4 και C 1 και C 2 είναι σταθερές (C 1 = mw(cm -1 ) -4 m -2 sr -1, C 2 = Kcm). Οι τιμές των συντελεστών α και β για κάθε φασματικό κανάλι των δορυφορικών εικόνων Meteosat 8 και Meteosat 9, απεικονίζονται στους πίνακες 6 και 7. Η μεθοδολογία υπολογισμού των θερμοκρασιών λαμπρότητας για τις δορυφορικές εικόνες MSG στο φασματικό υπέρυθρο είναι αυτοματοποιημένη και ενσωματωμένη στους αλγόριθμους διάκρισης και εκτίμησης βροχής. Πίνακας 6. Τιμές συντελεστών για τον υπολογισμό των θερμοκρασιών λαμπρότητας στα φασματικά κανάλια του Meteosat 8 στο θερμικό υπέρυθρο (Tjemkes, 2005). Φασματικό επίκεντρο (μm) Κυματάριθμος (v) Συντελεστής α Συντελεστής β Πίνακας 7. Τιμές συντελεστών για τον υπολογισμό των θερμοκρασιών λαμπρότητας στα φασματικά κανάλια του Meteosat 9 στο θερμικό υπέρυθρο (Tjemkes, 2005). Φασματικό επίκεντρο (μm) Κυματάριθμος (v) Συντελεστής α Συντελεστής β

42 Μετασχηματισμός συντεταγμένων εικόνας σε γεωγραφικές συντεταγμένες Για τον υπολογισμό της γεωγραφικής θέσης των εικονοστοιχείων των δορυφορικών εικόνων MSG επιπέδου 1.5, δημιουργήθηκε και ενσωματώθηκε μια αυτοματοποιημένη μεθοδολογία στον κύριο αλγόριθμο διάκρισης νεφών και εκτίμησης βροχής, που χρησιμοποιεί μια σειρά αναλυτικών εξισώσεων (EUMETSAT, Doc.No.: CGMS 03, Issue: 3.6) για τη μετατροπή των συντεταγμένων εικόνας σε γεωγραφικές συντεταγμένες. Η διαδικασία αμφίδρομου μετασχηματισμού των γεωγραφικών συντεταγμένων και των συντεταγμένων εικόνας των αρχείων MSG, βασίζεται στο σφαιρικό μοντέλο προσομοίωσης της γης GEOS (Σχήμα 10). ΣΧΗΜΑ 10. Απεικόνιση της διαδικασίας αντιστοίχησης ενός σημείου M από γεωγραφικές συντεταγμένες (φ, λ) του σφαιρικού μοντέλου σε συντεταγμένες εικόνων (γραμμές, στήλες) των δορυφορικών δεδομένων MSG. ΣΧΗΜΑ 11. Περιγραφή των γενικών συναρτήσεων που εφαρμόστηκαν για την αμφίδρομη μετατροπή των γεωγραφικών συντεταγμένων (γεωγραφικό μήκος, γεωγραφικό πλάτος) σε συντεταγμένες εικόνας (στήλη, γραμμή). 42

43 H απόσταση μεταξύ των εικονοστοιχείων σε μια δορυφορική εικόνα MSG (Σχήμα 11) υπολογίζεται με την εφαρμογή μιας συνάρτησης σφαιρικής γεωμετρίας, της εξίσωσης της απόστασης των μέγιστων κύκλων που αποτελεί την κοντινότερη απόσταση μεταξύ δύο εικονοστοιχείων και μπορεί να θεωρηθεί κατάλληλη, όταν οι αποστάσεις είναι μικρότερες των δύο μοιρών και επομένως η Γη μπορεί να προσομοιωθεί από το σφαιρικό μοντέλο του συστήματος GEOS (EUMETSAT, Doc.No.: CGMS 03, Issue: 3.6) Υπολογισμός των φασματικών παραμέτρων των νεφών Οι φασματικές παράμετροι των νεφών αξιοποιούν τη σχέση μεταξύ της ακτινοβολίας των νεφών στα διαφορετικά φασματικά κανάλια στο θερμικό υπέρυθρο και φυσικών παραμέτρων όπως το ύψος της κορυφής των νεφών, το οπτικό πάχος νέφους και τη φάση νέφους για τον εντοπισμό και τη διάκριση των βροχοφόρων νεφικών συστημάτων. Η κύρια υπόθεση είναι ότι νέφη με μεγάλο περιεχόμενο σε νερό και με παγοκρύσταλλους στα ανώτερα τμήματα του νέφους παρουσιάζουν μεγάλη πιθανότητα για την εκδήλωση βροχόπτωσης (Thies et al. 2008a). Τα ύψη των κορυφών των νεφών, που εκτιμώνται από τις θερμοκρασίες λαμπρότητας (brightness temperature, BT) στο θερμικό υπέρυθρο σχετίζονται με την ένταση σωρειτόμορφης δραστηριότητας και τη βροχόπτωση. Υπάρχουν αρκετές μελέτες που διακρίνουν τη φάση του νερού στο νέφος με τον υπολογισμό των διαφορών των θερμοκρασιών λαμπρότητας (brightness temperature differences, BTDs) για τα φασματικά κανάλια στο θερμικό υπέρυθρο (Baum et al. 1994; Ackerman et al. 1998a; Huang et al. 2004). Το οπτικό πάχος για νέφη που περιέχουν παγοκρυστάλλους σχετίζεται θετικά με την ένταση βροχής (Torricella et al. 2008; Cattani et al. 2009). Ο συνδυασμός των θερμοκρασιών λαμπρότητας (BT) και των διαφορών των θερμοκρασιών λαμπρότητας (BTD) για τα φασματικά κανάλια του θερμικού υπέρυθρου επιτρέπουν τον καλύτερο διαχωρισμό μεταξύ νεφών με μεγάλο και μικρό οπτικό πάχος (Inoue 1987a; 1989; 1997; van Hees et al. 1999). Παρόλα αυτά καμία επιχειρησιακή τεχνική δεν έχει αναπτυχθεί μέχρι στιγμής που να υπολογίζει τις φυσικές παραμέτρους των νεφών, με βάση τις εκπομπές των νεφών στο θερμικό υπέρυθρο. Στην παρούσα μελέτη χρησιμοποιήθηκαν οι διαφορές των θερμοκρασιών λαμπρότητας των καναλιών στο θερμικό υπέρυθρο του ραδιόμετρου SEVIRI για την ανάπτυξη μοντέλων εκτίμησης βροχής. Επιλέχτηκαν οι ακόλουθες φασματικές παράμετροι νεφών: Τ 10.8 : BT για το κανάλι των 10.8 μm Τ Τ 12.1 : BTD μεταξύ των καναλιών στα 10.8 μm και 12.1 μm Τ 8.7 -Τ 10.8 : BTD μεταξύ των καναλιών στα 8.7 μm και 10.8 μm Τ 6.2 -Τ 10.8 : BTD μεταξύ των καναλιών στα 6.2 μm και 10.8 μm Τ 6.2 -Τ 7.3 : BTD μεταξύ των καναλιών στα 6.2 μm και 7.3 μm Τ Τ 10.8 : BTD μεταξύ των καναλιών στα 13.4 μm και 10.8 μm 43

44 Τ 8.7 -Τ 12.1 : BTD μεταξύ των καναλιών στα 8.7 μm και 12.1 μm Τ 9.7 -Τ 13.4 : BTD μεταξύ των καναλιών στα 9.7 μm και 13.4 μm H θερμοκρασία λαμπρότητας Τ 10.8 χρησιμοποιείται για την εκτίμηση της θερμοκρασίας των κορυφών των νεφών και για τον έμμεσο χαρακτηρισμό τους ως προς το ύψος τους (Σχήμα 12). Η διαφορά Τ Τ 12.1 (Σχήμα 13) αποτελεί ένα πολύ καλό δείκτη εκτίμησης του οπτικού πάχους του νέφους, δίνοντας έτσι τη δυνατότητα διαχωρισμού των μεγάλης κατακόρυφης ανάπτυξης σωρειτόμορφων νεφών από τα λεπτά νέφη τύπου cirrus (Inoue 1985, 1987a). Νέφη κατακόρυφης ανάπτυξης με μεγάλο οπτικό πάχος εμφανίζουν μικρές διαφορές Τ Τ 12.1 επειδή συμπεριφέρονται ως μέλανα σώματα και νέφη cirrus με μικρό οπτικό πάχος δίνουν μεγάλες θετικές διαφορές Τ Τ 12.1, λόγω των διαφορετικών χαρακτηριστικών απορρόφησης της ακτινοβολίας του εδάφους από τους παγοκρυστάλλους στα δύο φασματικά κανάλια (Inoue et al. 2001). Αναμένεται ότι παχιά και μεγάλης κατακόρυφης έκτασης νέφη θα συσχετίζονται με βροχή (Inoue 1987b). H διαφορά Τ 8.7 -Τ 10.8 (Σχήμα 14) μπορεί να αξιοποιηθεί στη διάκριση των νεφών με βάση τη φάση του περιεχόμενου νερού (υδροσταγονίδια ή παγοκρύσταλλοι) (Strabala et al. 1994; Ackerman et al. 1998; Thies et al. 2008b). To φανταστικό (σχετικό με την απορρόφηση) μέρος του δείκτη διάθλασης διαφέρει για το νερό και τον πάγο στα δυο αυτά μήκη κύματος (Baum and Platnick 2006; Baum et al. 2000). Συγκεκριμένα, η απορρόφηση από τα υδροσταγονίδια διαφέρει ελάχιστα στα δυο αυτά μήκη κύματος ενώ αντίθετα η απορρόφηση από τους παγοκρυστάλλους αυξάνει σημαντικά από το ένα μήκος κύματος στο άλλο. Προσομοιώσεις της διάδοσης ακτινοβολίας σε νέφη δείχνουν ότι η διαφορά Τ 8.7 -Τ 10.8 τείνει να αποκτά θετικό πρόσημο για νέφη αποτελούμενα από παγοκρυστάλλους, ενώ για χαμηλά νέφη υδροσταγόνων, η διαφορά αυτή αποκτά μεγάλες αρνητικές τιμές (Baum and Platnick 2006). Η διαφορά Τ 6.2 -Τ 10.8 (Σχήμα 15) θεωρείται αποτελεσματική στο διαχωρισμό των υψηλών νεφών από τα χαμηλά και μεσαία νέφη (Lutz et al. 2003). Το κανάλι 6.2 μm χαρακτηρίζεται από μεγάλη απορρόφηση από τους υδρατμούς της ατμόσφαιρας. Η ακτινοβολία από τα χαμηλά νέφη σε αυτό το μήκος κύματος απορροφάται έντονα από τους υπερκείμενους υδρατμούς της ατμόσφαιρας, εν αντιθέσει με την ακτινοβολία στα 10.8 μm, με αποτέλεσμα η θερμοκρασία Τ 6.2 να είναι σημαντικά μικρότερη από την αντίστοιχη θερμοκρασία Τ 10.8, και η αντίστοιχη διαφορά να λαμβάνει μεγάλες αρνητικές τιμές. Αντιθέτως, τα υψηλά και πυκνά νέφη που αποτελούνται από παγοκρυστάλλους έχουν τον ίδιο συντελεστή εκπομπής στα δυο αυτά μήκη κύματος, ενώ η επίδραση των υδρατμών πάνω από αυτά είναι πολύ μικρή, με αποτέλεσμα η διαφορά Τ 6.2 -Τ 10.8 να αποκτά συνήθως πολύ μικρές αρνητικές τιμές. Η διαφορά Τ 6.2 -Τ 10.8 αποδίδει θετικές τιμές για νέφη έντονης σωρειτόμορφης δραστηριότητας (Fritz and Laszlo 1993; Tjemkes et al. 1997). 44

45 Η διαφορά Τ 6.2 -Τ 7.3 (Σχήμα 16) μπορεί να αξιοποιηθεί στην εκτίμηση του ύψους των νεφών και της πρώιμης αναγνώρισης σωρειτόμορφης δραστηριότητας. Τα δύο κανάλια χαρακτηρίζονται από μεγάλη απορρόφηση από τους υδρατμούς της ατμόσφαιρας. Χαμηλά νέφη τείνουν να δίνουν μεγάλες αρνητικές τιμές ενώ για υψηλά νέφη που φτάνουν μέχρι τη στρατόσφαιρα η διαφορά T 6.2 T 7.3 εμφανίζει θετικές τιμές (Santurette and Georgiev 2007). Η διαφορά των θερμοκρασιών λαμπρότητας Τ Τ 10.8 (Σχήμα 17) παρέχει εκτίμηση του ύψους της κορυφής των νεφών και επίσης χρησιμεύει στην αναγνώριση σωρειτόμορφων νεφών κατακόρυφης ανάπτυξης τύπου cumulus (Mecikalski et al. 2007). To κανάλι του ραδιομέτρου SEVIRI στα 13.4 μm είναι η φασματική περιοχή απορρόφησης του CO 2. Τα χαμηλά νέφη παράγουν μεγάλες αρνητικές τιμές της διαφοράς επειδή οι θερμοκρασίες στα 13.4 μm ελλατώνονται σημαντικά εξαιτίας της απορρόφησης από το υπερκείμενο CO 2. Η φασματική παράμετρος Τ Τ 10.8 λαμβάνει μικρές αρνητικές τιμές για σωρειτόμορφα νέφη τύπου cumulus που βρίσκονται στη φάση της ανάπτυξης επειδή οι κορυφές των νεφών είναι πάνω από το μεγαλύτερο τμήμα του στρώματος του CO 2 και η απορρόφηση από τους παγοκρυστάλλους είναι παρόμοια και στα δύο φασματικά κανάλια (Mecikalski et al. 2006). Η διαφορά των θερμοκρασιών λαμπρότητας Τ 8.7 -Τ 12.1 (Σχήμα 18) είναι ένας καλός δείκτης αναγνώρισης και διάκρισης μεταξύ σωρειτόμορφων νεφών και Cirrus. (Krebs, Mannstein, Bugliaro and Mayer 2007). Θετικές τιμές της διαφοράς δηλώνουν τη παρουσία νεφών Cirrus ενώ αρνητικές τιμές παρουσιάζουν νέφη κατακόρυφης ανάπτυξης. Η διαφορά Τ 8.7 -Τ 12.1 παρουσιάζει παρόμοια συμπεριφορά με τη διαφορά Τ 8.7 -Τ 10.8 που τείνει να αποκτά θετικό πρόσημο για νέφη αποτελούμενα από παγοκρυστάλλους, ενώ για χαμηλά νέφη υδροσταγόνων, η διαφορά αυτή αποκτά μεγάλες αρνητικές τιμές. Η διαφορά των θερμοκρασιών λαμπρότητας Τ 9.7 -Τ 13.4 (Σχήμα 19) είναι ένας επιπλέον δείκτης εκτίμησης του ύψους της κορυφής των νεφών. Στις δύο φασματικές περιοχές στα 9.7 μm και στα 13.4 μm κυριαρχεί η απορρόφηση από το O 3 και το CO 2, αντίστοιχα. Για υψηλά νέφη πάνω από τα 12 km η θερμοκρασία λαμπρότητας στα 9.7 μm δίνει σημαντικά μεγαλύτερες τιμές από τη θερμοκρασία λαμπρότητας στα 13.4 μm λόγω της θέρμανσης από το στρατοσφαιρικό όζον (Kwon et al. 2010). Το φαινόμενο της θέρμανσης είναι υπεύθυνο για τη παρουσία θετικών τιμών της διαφοράς Τ 9.7 -Τ 13.4 στα υψηλά νέφη. Ο Kwon (2010) χρησιμοποιώντας ύψη των κορυφών των νεφών από το δορυφόρο CloudSat, έδειξε ότι για χαμηλά νέφη η διαφορά Τ 9.7 -Τ 13.4 παράγει αρνητικές τιμές επειδή οι θερμοκρασίες στα 9.7 μm είναι χαμηλότερες από το κανάλι στα 13.4 μm εξαιτίας της απορρόφησης από το υπερκείμενο στρώμα O 3. 45

46 ΣΧΗΜΑ 12. Θερμοκρασίες λαμπρότητας για το κανάλι στα 10.8 μm στις 12 Φεβρουαρίου 2009, 17:00 UTC. ΣΧΗΜΑ 13. Διαφορά των θερμοκρασιών λαμπρότητας μεταξύ των καναλιών στα 10.8 μm και 12.1 μm στις 12 Φεβρουαρίου 2009, 17:00 UTC. 46

47 ΣΧΗΜΑ 14. Διαφορά των θερμοκρασιών λαμπρότητας μεταξύ των καναλιών στα 8.7 μm και 10.8 μm στις 12 Φεβρουαρίου 2009, 17:00 UTC. ΣΧΗΜΑ 15. Διαφορά των θερμοκρασιών λαμπρότητας μεταξύ των καναλιών στα 6.2 μm και 10.8 μm στις 12 Φεβρουαρίου 2009, 17:00 UTC. 47

48 ΣΧΗΜΑ 16. Διαφορά των θερμοκρασιών λαμπρότητας μεταξύ των καναλιών στα 6.2 μm και 7.3 μm στις 12 Φεβρουαρίου 2009, 17:00 UTC. ΣΧΗΜΑ 17. Διαφορά των θερμοκρασιών λαμπρότητας μεταξύ των καναλιών στα 13.4 μm και 10.8 μm στις 12 Φεβρουαρίου 2009, 17:00 UTC. 48

49 ΣΧΗΜΑ 18. Διαφορά των θερμοκρασιών λαμπρότητας μεταξύ των καναλιών στα 8.7 μm και 12.1 μm στις 12 Φεβρουαρίου 2009, 17:00 UTC. ΣΧΗΜΑ 19. Διαφορά των θερμοκρασιών λαμπρότητας μεταξύ των καναλιών στα 9.7 μm και 13.4 μm στις 12 Φεβρουαρίου 2009, 17:00 UTC. 49

50 Υπολογισμός των παραμέτρων υφής των νεφών Στις δορυφορικές εικόνες η υφή σχετίζεται με τα επίπεδα φωτεινότητας (gray levels) που εμφανίζονται στην εικόνα και τον τρόπο που αυτά κατανέμονται στο χώρο. Η υφή προσδιορίζεται ως η σύνθεση χαρακτηριστικών διαφορετικών μεγεθών και σχημάτων που αποτελούν μια εικόνα (Haralick et al. 1973). Αρκετές εργασίες καταδεικνύουν το γεγονός ότι η εφαρμογή των μεθόδων ανάλυσης υφής σε μια δορυφορική εικόνα, προσφέρει τη δυνατότητα αναγνώρισης των νεφικών συστημάτων (Ameur 2004, Uddstrom and Gray 1996). Η υφή των νεφών όπως παρατηρείται και στη θερμική υπέρυθρη δορυφορική εικόνα Meteosat του Σχήματος 20 αφορά στην οπτική απεικόνιση του νέφους, όπου τα νέφη κατακόρυφης ανάπτυξης χαρακτηρίζονται από ακανόνιστη και ανομοιόμορφη μορφή νεφών, ενώ τα νέφη cirrostratus αναγνωρίζονται από την ομαλή και στρωτή μορφή τους, στις φασματικές περιοχές του ορατού και υπέρυθρου. Στην παρούσα μελέτη, οι παράμετροι υφής αναφέρονται στις θερμοκρασίες λαμπρότητας των δορυφορικών εικόνων MSG και όχι στις τιμές των επιπέδων του γκρι που απεικονίζονται οι ψηφιακές εικόνες. Η συχνότητα κατανομής μιας συνεχούς μεταβλητής όπως η θερμοκρασία λαμπρότητας προσδιορίζεται για διάστημα τάξης 0.5K που προέκυψε μετά την εφαρμογή διαδοχικών ελέγχων ευαισθησίας. ΣΧΗΜΑ 20. Δορυφορική εικόνα του Meteosat στις 12/2/2009, 17:00 UTC με τις θερμοκρασίες λαμπρότητας στο φασματικό κανάλι των 10.8 μm. 50

51 Εφαρμόστηκαν δύο διαφορετικές μέθοδοι για τον υπολογισμό των παραμέτρων υφής στις δορυφορικές εικόνες MSG στο φασματικό κανάλι στο θερμικό υπέρυθρο στα 10.8 μm το οποίο παρέχει πληροφορία για τα ύψη των κορυφών των νεφών, βάσει του: 1) Πίνακα συνεμφάνισης επιπέδων θερμοκρασιών λαμπρότητας (Brightness Level Co-occurrence Matrix, BTLCM) και 2) Πίνακα διαφορών των θερμοκρασιών λαμπρότητας (Brightness Level Difference Vector, BTLDV). Η μέθοδος ΒΤLCM είναι ένα δισδιάστατο ιστόγραμμα των επιπέδων των θερμοκρασιών λαμπρότητας για ένα ζευγάρι εικονοστοιχείων, που διαχωρίζονται με μια προκαθορισμένη χωρική σχέση και εκφράζει την πυκνότητα κατανομής των εικονοστοιχείων σε μια εικόνα (Zhang 2003). Ο πίνακας συνεμφάνισης P δ (i, j) πάνω από ένα εστιακό παράθυρο n x m για μια δορυφορική εικόνα I(x, y) ορίζεται με την καταμέτρηση των ζευγών των εικονοστοιχείων που διαχωρίζονται με ένα διάνυσμα μετατόπισης δ = (dx, dy) και αποδίδουν επίπεδα θερμοκρασιών λαμπρότητας i και j: n 1 P (i,j) if I(x,y) i and I(x dx,y dy) j (3.3) δ x m y όπου x και y είναι οι συντεταγμένες εικόνας ενός εικονοστοιχείου (Haralick 1979). Ο πίνακας συνεμφάνισης P δ έχει διαστάσεις k k, όπου k είναι ο αριθμός των επιπέδων των θερμοκρασιών λαμπρότητας σε μια δορυφορική εικόνα MSG. O πίνακας συνεμφάνισης P δ υπολογίστηκε σε ένα εστιακό παράθυρο εικονοστοιχείων 3 x 3 (n = m = 3) για όλα τα εικονοστοιχεία σε μια εικόνα. ΣΧΗΜΑ 21. Υπολογισμός του πίνακας συνεμφάνισης πάνω από ένα εστιακό παράθυρο 3 x 3 για μια δορυφορική εικόνα Meteosat. 51

52 Οι περισσότεροι παράμετροι υφής υπολογίστηκαν με τη μέθοδο του πίνακα συνεμφάνισης (Σχήμα 21) επιπέδων θερμοκρασιών λαμπρότητας BTLCM. Οι Haralick et al. (1973) πρότειναν δεκατέσσερα μέτρα υφής που προέρχονται από τον πίνακα συνεμφάνισης και καταγράφουν τη χωρική εξάρτηση των τιμών των θερμοκρασιών λαμπρότητας. Για τις ανάγκες της εργασίας επιλέχτηκαν οκτώ παράμετροι υφής: 1) Ομοιογένεια (Homogeneity) 2) Αντίθεση (Contrast) 3) Ανομοιογένεια (Dissimilarity) 4) Μέση Τιμή (Mean) 5) Τυπική Απόκλιση (Standard Deviation) 6) Εντροπία (Entropy) 7) Γωνιακή Ροπή 2ης Τάξης (Angular Second Moment) και 8) Συσχέτιση (Correlation) (Πίνακας 8) που να σχετίζονται με τη δυνατότητα αναγνώρισης οργανωμένων δομών σε μια εικόνα όπως τα νεφικά συστήματα βάση της παρούσας βιβλιογραφίας (Baraldi and Parmiggiani 1999; Clausi 2003). Επιπλέον υπολογίστηκαν παράμετροι υφής με τη μέθοδο του πίνακα διαφορών των θερμοκρασιών λαμπρότητας BTLDV ο οποίος υπολογίζεται από τον πίνακα συνεμφάνισης. Η μέθοδος BTLDV βασίζεται στις απόλυτες διαφορές των επιπέδων των θερμοκρασιών λαμπρότητας που διαχωρίζονται από μια απόσταση δ και γωνία θ καθορισμένης κατεύθυνσης. Η συνάρτηση πιθανότητας BTLDV P ΒΤLDV (i - j) ορίζεται για κάθε διαφορά i - j, όπου i και j είναι οι αντίστοιχες τιμές των επιπέδων των θερμοκρασιών λαμπρότητας για κάθε ζεύγος εικονοστοιχείων που διαχωρίζονται με σταθερή χωρική σχέση (Haralick 1979). Οι παράμετροι υφής υπολογίζονται και για τις τέσσερεις γωνίες (θ=0 0, θ=45 0, θ=90 0 και ) και εξάγεται η μέση τιμή της για κάθε παράμετρο υφής για όλες τις κατευθύνσεις (Uddstrom et al. 1999). Από το ιστόγραμμα του πίνακα BTLDV υπολογίστηκαν οι παρακάτω παράμετροι: 1) Γωνιακή Ροπή 2 ης Τάξης (Angular Second Moment) 2) Εντροπία (Entropy) 3) Μέση Τιμή (Mean) και 4) Αντίθεση (Contrast) (Πίνακας 9). Αρκετές παράμετροι υφής από αυτές που υπολογίστηκαν παρουσιάζουν ισχυρή εξάρτηση μεταξύ τους. Οι τεχνικές ταξινόμησης απαιτούν την εισαγωγή στο μοντέλων ανεξάρτητων δεδομένων (Laliberte and Rango 2008). Για να μειωθεί ο αριθμός των παραμέτρων υφής, επιλέχτηκαν τα ακόλουθα μέτρα υφής (Σχήμα 21) τα οποία βρέθηκαν να έχουν τη μικρότερη συσχέτιση μεταξύ τους: 1) Ομοιογένεια, 2) Αντίθεση, 3) Γωνιακή Ροπή 2 ης Τάξης, και 4) BTLDV Εντροπία που χρησιμοποιήθηκαν στους αλγόριθμους διάκρισης βροχοφόρων νεφών. Αρκετές μελέτες χρησιμοποιούν τις συγκεκριμένες παραμέτρους υφής, καθώς θεωρούνται οι σημαντικότερες για την ταξινόμηση των νεφικών συστημάτων (Welch et al. 1988; Ricciardelli et al 2008; Ameur 2004; Hong 2004; Uddstrom and Gray 1996). Οι παράμετροι υφής υπολογίστηκαν για τις δορυφορικές εικόνες Meteosat με την ανάπτυξη μιας αυτοματοποιημένης διαδικασίας (κώδικας) σε γλώσσα προγραμματισμού C/C++. 52

53 ΣΧΗΜΑ 22. Παράμετροι υφής: α) Ομοιογένεια (Homogeneity) β) Αντίθεση (Contrast γ) Γωνιακή Ροπή 2ης Τάξης (Angular Second Moment) και δ) BTLDV Εντροπία (Entropy) που υπολογίστηκαν από τις δορυφορικές εικόνες MSG στα 10.8 μm για 12 Φεβρουαρίου 2009, 17:00 UTC. 53

54 Πίνακας 8. Χαρακτηριστικά υφής που εξάγονται από τον πίνακα ΒΤLCM Παράμετροι υφής Τύποι Homogeneity P, 1 + (i j) Contrast Dissimilarity Angular Second Moment, P, (i j), P, i j, (P, ), Entropy [P, ( ln P, )] Correlation P, [(i μ )(j μ )/( (σ ) σ )],, Standard Deviation σ = [P, (i μ ) ], σ = [P, (j μ ) ] Mean, μ = [(i) P, ], όπου P i,j είναι ο πίνακας συνεμφάνισης, i και j είναι τα επίπεδα των θερμοκρασιών, N είναι ο αριθμός των επιπέδων θερμοκρασίας σε μια εικόνα, μ x, μ y, σ x και σ y είναι οι μέσοι όροι και οι τυπικές αποκλίσεις των συναρτήσεων πιθανότητας p x και p y, και x και y είναι οι συντεταγμένες (γραμμές και στήλες) του πίνακα συνεμφάνισης P i,j., N 1, μ j = [(j) P i,j ] i,j=0 54

55 Πίνακας 9. Χαρακτηριστικά υφής που εξάγονται από τον πίνακα BTLDV Παράμετροι υφής ΒΤLDV Angular Second Moment Τύποι P(m), BTLDV Entropy [(P(m), ) (logp(m), )] BTLDV Mean [(m)p(m), ] BTLDV Contrast [(m ) (P(m), )] όπου N είναι ο αριθμός των επιπέδων θερμοκρασίας, m είναι η απόλυτη τιμή της διαφοράς των επιπέδων θερμοκρασίας, P(m) δ,θ είναι ο πίνακας συνεμφάνισης των διαφορών των επιπέδων θερμοκρασίας που μετρά την παρουσία των απόλυτων τιμών των διαφορών των επιπέδων θερμοκρασίας μεταξύ γειτονικών εικονοστοιχείων που διαχωρίζονται από απόσταση δ και γωνία θ. 55

56 3.4 Χωρική και χρονική συσχέτιση δορυφορικών δεδομένων SEVIRI με σταθμούς μέτρησης βροχής Πριν τη χρήση των δεδομένων βροχής των σταθμών για την ανάπτυξη των αλγόριθμων είναι απαραίτητη η χωρική και χρονική συσχέτιση τους με τα δορυφορικά δεδομένα MSG ώστε οι τιμές έντασης βροχής να συνδεθούν όσο το δυνατό με μεγαλύτερη ακρίβεια με τα αντίστοιχα βροχοφόρα νεφικά εικονοστοιχεία. Για το σκοπό αυτό εφαρμόστηκαν οι ακόλουθες μεθοδολογίες χρονικής και χωρικής συσχέτισης των δυο σετ δεδομένων Χρονική συσχέτιση των δεδομένων βροχόπτωσης με τις δορυφορικές εικόνες Meteosat Αρχικά για να εφαρμοστεί η διαδικασία της χρονικής συσχέτισης των μετεωρολογικών σταθμών με τις δορυφορικές εικόνες πρέπει να αντιμετωπιστεί το πρόβλημα της διαφορετικής χρονικής διακριτικής ικανότητας των δορυφορικών αρχείων που παρέχονται κάθε 15 min και των δεδομένων βροχής που καταγράφονται ανα 10 min. Οι δορυφορικές εικόνες MSG μετατρέπονται από ώρα UTC σε τοπική ώρα ώστε να ταυτίζονται χρονικά με τους σημειακούς σταθμούς βροχής για την καλοκαιρινή (Σχήμα 23α) και χειμερινή περίοδο (Σχήμα 23β). ΣΧΗΜΑ 23. Παράδειγμα εφαρμογής της διαδικασίας χρονικής αντιστοίχησης των δορυφορικών εικόνων MSG με τους σταθμούς βροχόπτωσης κατά τη διάρκεια α) της καλοκαιρινής περιόδου και β) της χειμερινής περιόδου. Οι χρόνοι στις δορυφορικές εικόνες είναι σε UTC ενώ των καταγραφών βροχής από τους σταθμούς σε τοπική ώρα.οι τελείες αντιπροσωπεύουν τις υπόλοιπες δορυφορικές εικόνες που σαρώνονται από το δορυφόρο κατά τη διάρκεια μιας ημέρας. 56

57 Για τον υπολογισμό του χρονικού διαστήματος που σαρώνεται η περιοχή μελέτης από τον αισθητήρα SEVIRI, χρησιμοποιείται ο συνολικός αριθμός των γραμμών και των στηλών (3712 x 3712) που καταγράφονται από το δορυφορικό σύστημα σε χρονικό βήμα 15 min. Συγκεκριμένα, διαιρείται ο συνολικός αριθμός των γραμμών (3712) που καταγράφηκαν από το ραδιόμετρο SEVIRI με τη διάρκεια λήψης μιας εικόνας (15 min) και προκύπτει ο αριθμός των 247 γραμμών που σαρώνονται από το ραδιόμετρο κάθε λεπτό (3712/15). Ο χρόνος που απαιτείται για τη σάρωση της περιοχής μελέτης που αποτελείται από 792 γραμμές υπολογίστηκε με απλή αναλογική ότι είναι 3.2 min (792/247=3.2). Μετά το τέλος της καταγραφής της περιοχής μελέτης απομένουν 353 γραμμές που αντιστοιχούν σε 1.43 min για να ολοκληρωθεί η σάρωση της δορυφορικής εικόνας από τον αισθητήρα. Επομένως η περιοχή μελέτης αρχίζει να σαρώνεται στο 10.4 min ( =10.37) μετά την έναρξη σάρωσης της εικόνας (Σχήμα 25). Ως χρόνος λήψης της εικόνας (timestamp) ορίζεται ο χρόνος που αντιστοιχεί στο τέλος της σάρωσης κάθε δορυφορικής εικόνας από το ραδιόμετρο SEVIRI. Επομένως, αν η δορυφορική εικόνα MSG έχει timestamp 10:15 UTC τότε για την περιοχή μελέτης ξεκινά η σάρωση της περίπου στις 10:10 min (10: =10:10 ). Για τη διαδικασία χρονικής ταύτισης των δορυφορικών εικόνων Meteosat με τους σταθμούς βροχόπτωσης του ΕΑΑ, εντοπίζεται το κοινό χρονικό διάστημα σάρωσης μεταξύ των δορυφορικών δεδομένων και των δεδομένων βροχής που αντιστοιχεί στο πρώτο 10λεπτο κάθε 15λεπτου χρονικού βήματος λήψης εικόνας από το ραδιόμετρο SEVIRI (Σχήμα 24). ΣΧΗΜΑ 24. Περιγραφή της μεθοδολογίας χρονικής συσχέτισης δορυφορικών εικόνων MSG χρονικής ανάλυσης 15 min με δεδομένα βροχής του ΕΑΑ που καταγράφονται ανα 10 min. 57

58 ΣΧΗΜΑ 25. Δορυφορική εικόνα MSG στην οποία παρουσιάζεται η διαδικασία υπολογισμού του χρονικού διαστήματος που σαρώνονται επιλεγμένες γεωγραφικές περιοχές. Τα δύο βέλη απεικονίζουν τη διεύθυνση σάρωσης του ραδιομέτρου SEVIRI (από δυτικά προς τα ανατολικά και από νότια προς βόρεια) Χωρική συσχέτιση των δορυφορικών δεδομένων με επίγειους σταθμούς βροχόπτωσης Το σφάλμα παράλλαξης μετατοπίζει τη θέση των νεφών από την πραγματική θέση του νέφους. Η διόρθωση του σφάλματος παράλλαξης προσφέρει τη δυνατότητα προσδιορισμού της θέσης των βροχοφόρων νεφών και βελτιώνει την απόδοση του αλγόριθμου εκτίμησης βροχής. Το σφάλμα παράλλαξης παρουσιάζεται εξαιτίας της πλάγιας γωνίας κατόπτευσης της γης από το δορυφόρο MSG που η αρχική θέση του είναι επάνω από την τομή του ισημερινού με τον μεσημβρινό του Greenwich (Σχήμα 26). Σε αυτή την περίπτωση, ένα νέφος που καταγράφεται από το ραδιόμετρο SEVIRI μετατοπίζεται οριζόντια στη δορυφορική εικόνα. 58

59 Το σφάλμα παράλλαξης εξαρτάται από το ύψος του νέφους, την προφανή θέση του νέφους στη Γη, και τη θέση του δορυφόρου. Για τη διόρθωση της παράλλαξης στη χωρική συσχέτιση των σταθμών με τα βροχοφόρα εικονοστοιχεία στις δορυφορικές εικόνες, υπολογίστηκαν για κάθε εικόνα οι φαινόμενες θέσεις των συντεταγμένων των μετεωρολογικών σταθμών με βάση το σφάλμα παράλαξης των νεφών, ώστε ο κάθε σταθμός να βρεθεί κάτω από το νεφικό εικονοστοιχείο που του αντιστοιχεί (Σχήμα 27). ΣΧΗΜΑ 26. Μετατόπιση της θέσης του νέφους πριν τη διόρθωση του σφάλματος παράλλαξης (C init και μετά (C corr ) τη διόρθωση του σφάλματος παράλλαξης που παρουσιάζεται λόγω της πλάγιας κατόπτευσης του δορυφόρου MSG. ΣΧΗΜΑ 27. Απεικόνιση της φαινόμενης θέσης των σταθμών α) πριν την διόρθωση του σφάλματος παράλλαξης β) μετά τη διόρθωση του σφάλματος παράλλαξης. 59

60 Στην παρούσα μελέτη το ύψος του νέφους υπολογίστηκε συγκρίνοντας τις θερμοκρασίες λαμπρότητας των εικόνων MSG CH9 (10.8μm) με τα 6ωρα δεδομένα γεωδυναμικού ύψους και θερμοκρασίας που συγκεντρώθηκαν από το Ευρωπαϊκό Κέντρο Μεσοπρόθεσμων Προγνώσεων Προγνώσεων (European Center for Medium Range Weather Forecasts (ECMWF) (Σχήμα 28). Συγκεκριμένα για τον υπολογισμό του ύψους του νέφους εφαρμόστηκε μια κατακόρυφη παρεμβολή που συσχετίζει τα 6ωρα δεδομένα γεωδυναμικού ύψους και θερμοκρασίας για τις ισοβαρικές επιφάνειες από 1000 hpa, μέχρι 250 hpa με τις θερμοκρασίες λαμπρότητας των κορυφών των νεφών για το φασματικό κανάλι των 10.8μm. Μία σειρά αναλυτικών εξισώσεων χρησιμοποιήθηκε για τη διόρθωση του σφάλματος παράλλαξης (Σχήμα 28) (Vicente et al. 2002) οι οποίες ενσωματώθηκαν στον κύριο αλγόριθμο εκτίμησης βροχής. Για τον υπολογισμό του σφάλματος της παράλλαξης επιλέχτηκε η τεχνική μετατόπισης του σταθμού σε μια φαινόμενη θέση (Σχήμα 27) από τη μετακίνηση νεφικών εικονοστοιχείων, για να αντιμετωπιστεί: α) η περίπτωση η καινούργια θέση των εικονοστοιχείων να αντιστοιχεί στο ίδιο υπάρχον εικονοστοιχείο εξαιτίας των διαφορετικών υψών των νεφών και β) η ύπαρξη αρκετών εικονοστοιχείων χωρίς τιμή μετά την εφαρμογή της μετατόπισης της θέσης των εικονοστοιχείων για τη δορυφορική εικόνα του Meteosat στο θερμικό υπέρυθρο (Bedka 2010; Mahovic et al. 2011). ΣΧΗΜΑ 28. Απεικόνιση της μεθοδολογίας υπολογισμού του ύψους των νεφών και απεικόνιση της θέσης του σταθμού βροχόπτωσης με την εφαρμογή της διόρθωσης του σφάλματος της παράλλαξης. 60

61 3.5 Ανάπτυξη αλγόριθμου εκτίμησης της έντασης βροχής Ο βασικός ερευνητικός στόχος της διδακτορικής διατριβής είναι η αξιοποίηση της υψηλής φασματικής διακριτικής ικανότητας του δορυφόρου MSG για την ανάπτυξη αλγόριθμου εκτίμησης βροχής στον Ελληνικό χώρο, που θα βασίζεται στη συσχέτιση των φασματικών παραμέτρων και των παραμέτρων υφής των νεφών με την καταγραφή βροχόπτωσης από επίγειους σταθμούς. Αρχικά αναπτύχθηκε και αξιολογήθηκε ο αλγόριθμος αναγνώρισης και διάκρισης των βροχοφόρων από τα μη βροχοφόρα νεφικά συστήματα, που βασίστηκε στη χωρική και χρονική συσχέτιση των φασματικών παραμέτρων και των παραμέτρων υφής των νεφών στις δορυφορικές εικόνες με την καταγραφή βροχόπτωσης από επίγειους βροχομετρικούς σταθμούς. Στη συνέχεια δημιουργήθηκε ο αλγόριθμος διαχωρισμού των στρατόμορφων από τα σωρειτόμορφα βροχοφόρα νέφη, εφαρμόζοντας την ίδια μεθοδολογία. Τέλος, αναπτύχθηκε το κύριο προϊόν της έρευνας δηλαδή ο αλγόριθμος εκτίμησης της έντασης βροχής με διαφορετική βάση εφαρμογής: πρώτα στα εικονοστοιχεία που εντοπίζει ο αλγόριθμος διαχωρισμού βροχοφόρων νεφών και ακολούθως στα εικονοστοιχεία που εντοπίζει ο αλγόριθμος ταξινόμησης στρατόμορφων/σωρειτόμορφων βροχοφόρων νεφών. Οι αυτοματοποιημένες και αυτόνομες διαδικασίες (αλγόριθμοι) δομήθηκαν στο προγραμματιστικό περιβάλλον της C/C++ και εφαρμόζονται στα δορυφορικά δεδομένα του ραδιομέτρου SEVIRI Δομή του αλγόριθμου διάκρισης βροχοφόρων νεφών Η φάση αυτή αποτελεί τη βάση για την ανάπτυξη της πολυφασματικής δορυφορικής τεχνικής εκτίμησης της βροχόπτωσης. Σκοπός της είναι η ανάπτυξη μεθοδολογίας για τη διάκριση των νεφών σε μια δορυφορική εικόνα ανάλογα με την εκδήλωση ή μη βροχόπτωσης. Η τεχνική αυτή βασίζεται στη συσχέτιση των φασματικών χαρακτηριστικών και της υφής των νεφών στις δορυφορικές εικόνες με την παρουσία βροχόπτωσης (> 0.1 mm/h) στις καταγραφές των βροχομέτρων. Τα δεδομένα βροχόπτωσης κατηγοριοποιήθηκαν με κριτήριο την παρουσία απουσία βροχόπτωσης από το σταθμό μισή ώρα πριν (Τ-30min) και μισή ώρα μετά (Τ+30min) τη λήψη της εικόνας. Το συγκεκριμένο χρονικό κριτήριο επιλέχτηκε για να συμπεριλάβει τη διαφορά χρονικού διαστήματος μεταξύ των δορυφορικών παρατηρήσεων των νεφικών συστημάτων από το ραδιόμετρο SEVIRI και της μετρούμενης βροχής από σταθμούς εξαιτίας των σύνθετων διαδικασιών που αφορούν τη δημιουργία βροχής. Δημιουργήθηκαν δύο διαφορετικές τεχνικές διαχωρισμού βροχοφόρων και μη βροχοφόρων νεφών με βάση τα δορυφορικά δεδομένα MSG στα φασματικά κανάλια του θερμικού υπέρυθρου. Για τη διάκριση των βροχοφόρων νεφών από τα μη βροχοφόρα νέφη, αναπτύχθηκε ο αλγόριθμος πιθανότητας βροχής (Probability of Rainfall, PΟR) και 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 που υπολογίστηκαν από τα 61

62 υπέρυθρα δορυφορικά δεδομένα MSG, με πραγματικές μετρήσεις βροχής από μετεωρολογικούς σταθμούς του Eθνικού Aστεροσκοπείου Aθηνών (ΕΑΑ) Πιθανότητα βροχής (Probability of Rainfall, PΟR) Η πρώτη τεχνική που αναπτύχθηκε αποτελεί ένα εμπειρικό αλγόριθμο που βασίζεται στον υπολογισμό της πιθανότητας βροχής (Probability of Rainfall, PΟR) ως συνάρτηση των συνολικά δώδεκα φασματικών παραμέτρων και παραμέτρων υφής (Bellon et al. 1980; Cheng et al. 1993; Kurino 1997; Nauss and Kokhanovsky 2006; Thies et al. 2008a, 2008b). Η συνάρτηση της πιθανότητας βροχής PΟR υπολογίζεται συγκρίνοντας τις φασματικές παραμέτρους και τις παραμέτρους υφής των νεφών με τα δεδομένα βροχόπτωσης για 30 ημέρες βροχής στον Ελληνικό χώρο για το χρονικό διάστημα Μαρτίου 2008-Φεβρουαρίου Τα χωρικά και χρονικά συσχετισμένα δεδομένα βροχής των σταθμών επιτρέπουν τη διάκριση βροχοφόρων και μη βροχοφόρων εικονοστοιχείων πάνω από τους σταθμούς. Για κάθε βροχοφόρο εικονοστοιχείο, οι αντίστοιχες τιμές των οκτώ φασματικών παραμέτρων και τεσσάρων παραμέτρων υφής δημιουργούν ένα πίνακα αντιστοίχησης (Look-up Table) στον οποίο αθροίζονται όλα τα βροχοφόρα νεφικά εικονοστοιχεία (Σχήμα 29) για κάθε διάστημα συγκεκριμένου εύρους στον πολυδιάστατο χώρο. Με την ίδια διαδικασία δημιουργείται ένα πολυδιάστατος πίνακας συνάφειας που βασίζεται στη συχνότητα εμφάνισης των μη βροχοφόρων εικονοστοιχείων για κάθε διάστημα στον πολυφασματικό χώρο. ΣΧΗΜΑ 29. Πολυδιάστατος πίνακας συνάφειας που υπολογίστηκε για τη δορυφορική εικόνα 12/12/2008, 0915 UTC, όπου T εως και DT7 είναι οι φασματικές παράμετροι νεφών. Η συχνότητα εμφάνισης βροχοφόρων και μη βροχοφόρων νεφικών εικονοστοιχείων ορίζεται ως R και Ν αντίστοιχα. 62

63 Οι δύο παραπάνω πίνακες πολυμεταβλητής κατανομής συχνοτήτων στο πολυφασματικό χώρο συνδιάζονται για να υπολογίσουν τη πιθανότητα βροχής POR ως συνάρτηση των φασματικών παραμέτρων και των παραμέτρων υφής: POR( x 1, x 2 N rain ( x1, x2,..., xi ),..., x i ) (3.4) N ( x, x,..., x ) N ( x, x,..., x ) rain 1 2 όπου x 1, x 2,..,x i οι φασματικοί παράμετροι και οι παράμετροι υφής, και N rain, N no_rain οι συχνότητες εμφάνισης «βροχής» και «μη βροχής» στους σταθμούς, αντίστοιχα, για κάθε διάστημα στον πολυδιάστατο χώρο (x 1, x 2,..., x i ). Η συνάρτηση αυτή ουσιαστικά υπολογίζεται ως το ποσοστό των νεφικών εικονοστοιχείων σε κάθε σημείο του πολυφασματικού χώρου (x 1, x 2,., x i ) που έχουν χαρακτηριστεί βροχοφόρα με βάση τα δεδομένα βροχόπτωσης των σταθμών του ΕΑΑ. Για το διαχωρισμό των βροχοφόρων και μη βροχοφόρων νεφών στις δορυφορικές εικόνες MSG, επιλέγεται το κατάλληλο κατώφλι στις τιμές POR του πίνακα αντιστοίχησης που βελτιστοποιεί τον εντοπισμό βροχοφόρων νεφικών συστημάτων με την εφαρμογή στατιστικών δεικτών που υπολογίζονται από τον πίνακα συνάφειας (Αναλυτικά περιγράφεται η διαδικασία στο Κεφ ). Αναπτύχθηκαν δύο διαφορετικές τεχνικές εντοπισμού βροχοφόρων νεφών με βάση το μοντέλο POR: Ο αλγόριθμος POR1 ο οποίος υπολογίζεται ως συνάρτηση μόνο των οκτώ φασματικών παραμέτρων (T 10.8, T T 12, Τ 6.2 -Τ 7.3, Τ 6.2 -Τ 10.8, T 8.7 -T 10, T 8.7 -T 12.1, Τ 9.7 -Τ 13.4 και Τ Τ 10.8 ). Ο αλγόριθμος POR2 ο οποίος υπολογίζεται ως συνάρτηση των δώδεκα συνολικά φασματικών παραμέτρων (T 10.8, T T 12, Τ 6.2 -Τ 7.3, Τ 6.2 -Τ 10.8, T 8.7 -T 10, T 8.7 -T 12.1, Τ 9.7 -Τ 13.4 και Τ Τ 10.8 ) και παραμέτρων υφής (Ομοιογένεια, Αντίθεση, Γωνιακή Ροπή 2 ης Τάξης, και BTLDV Εντροπία). i no_rain 1 2 i Αλγόριθμος των Νευρωνικών Δικτύων (Artificial Neural Network Algorithm, ANN) Τα Νευρωνικά Δίκτυα (Neural Network, ΝΝ) αποτελούν ένα σύστημα επεξεργασίας μεγάλου όγκου δεδομένων που σκοπός τους ειναι η επίλυση υπολογιστικών προβλημάτων και η σταδιακή βελτίωση της ικανότητας του δικτύου με την ελαχιστοποίηση του σφάλματος εκτίμησης της ακρίβειας του νευρωνικού δικτύου προσομοιώνοντας τη λειτουργία του βιολογικού νευρικού συστήματος. Δεν υπάρχει κάποιος ευρέως αποδεκτός ορισμός των ΝΝ. Συνοπτικά, τα τεχνητά νευρωνικά δίκτυα είναι ένας τρόπος επεξεργασίας δεδομένων που βασίζεται στο πρότυπο του ανθρώπινου εγκεφάλου χρησιμοποιώντας την κεντρική ιδέα της λογικής λειτουργίας του (French et al. 1992). 63

64 Το μοντέλο των Νευρωνικών Δικτύων αποτελείται από (Σχήμα 30): ένα επίπεδο εισόδου με αντίστοιχους νευρώνες εισόδου, το οποίο προβάλλεται στους νευρώνες του επιπέδου εξόδου, ένα κόμβο γραμμικής άθροισης (Σ) μια μη γραμμική συνάρτηση παλινδόμησης (Συνάρτηση Ενεργοποίησης, f) ένα ή περισσότερα ενδιάμεσα επίπεδα, των οποίων οι υπολογιστικοί κόμβοι είναι γνωστοί ως ενδιάμεσοι νευρώνες και ένα τελικό επίπεδο εξόδου το οποίο δίνει τη συνολική απόκριση του μοντέλου των νευρωνικών δικτύων στα διανύσματα εισόδου. Σχήμα 30 Αρχιτεκτονική δομή του μοντέλου των Νευρωνικών Δικτύων όπου x i ( i =1, 2,...,κ) είναι οι παράμετροι εισόδου, wxk (i =1, 2,...,κ) είναι οι συντελεστές βαρύτητας για κάθε νευρώνα του επιπέδου εισόδου, wyn (i =1, 2,...,n) είναι οι συντελεστές βαρύτητας για κάθε νευρώνα του ενδιάμεσου επιπέδου, Σ είναι ο κόμβος γραμμικής άθροισης, f είναι η συνάρτηση ενεργοποίησης και Ο είναι το σήμα εξόδου του νευρώνα. Οι νευρώνες εισόδου αποτελούν το δομικό στοιχείο του νευρωνικού δικτύου και μεσολαβούν ανάμεσα στις εισόδους του δικτύου και στους υπολογιστικούς νευρώνες. Το διάνυσμα εισόδου αποτελείται από το άθροισμα των νευρώνων εισόδου. Το αποτέλεσμα από κάθε νευρώνα του επιπέδου εισόδου χρησιμοποιείται ως παράμετρος εισόδου για όλους τους νευρώνες του επόμενου επιπέδου μέσω των κλάδων διασύνδεσης αφού προηγουμένως πολλαπλασιαστούν με αντίστοιχους συντελεστές βαρύτητας (Kiartzis et al. 1994) (Σχήμα 30). Κάθε κλάδος διασύνδεσης μεταξύ των δυο πρώτων επιπέδων έχει ένα βάρος (weight) που πολλαπλασιάζεται με τους νευρώνες εισόδου και το αποτέλεσμα της συγκεκριμένης διαδικασίας εφαρμόζεται στους νευρώνες του αρχικού ενδιάμεσου επιπέδου. Ομοίως, έξοδοι των νευρώνων του πρώτου ενδιάμεσου επιπέδου εφαρμόζονται στους νευρώνες του δευτέρου ενδιάμεσου επιπέδου. Ο κόμβος άθροισης αθροίζει το επίπεδο εισόδου με τους αντίστοιχους συντελεστές βαρύτητας και το ενδιάμεσο επίπεδο με τους συντελεστές βαρύτητας. Η συνάρτηση ενεργοποίησης χρησιμοποιείται για το μετασχηματισμό των νευρώνων του επιπέδου εισόδου σε 64

65 νευρώνες του ενδιάμεσου επιπέδου και στη συνέχεια οι νευρώνες σε κάθε ενδιάμεσο επίπεδο πολλαπλασιάζονται με τους αντίστοιχους συντελεστές βαρύτητας για τον υπολογισμό των νευρώνων εξόδου. Οι πιο γνωστές συναρτήσεις ενεργοποίησης είναι: α) η συνάρτηση κατωφλίου (hard limiting threshold function) β) γραμμική συνάρτηση (linear function) και γ) η σιγμοειδής συνάρτηση (sigmoid function) (Krose and van der Smagt 1996). Στη συνέχεια εφαρμόζεται ένας αλγόριθμος εκπαίδευσης στο μοντέλο των νευρωνικών δικτύων ο οποίος χρησιμοποιείται για την επίτευξη μιας επιθυμητής συμπεριφοράς του μοντέλου μέσω μιας επαναληπτικής διαδικασίας ανανέωσης των συντελεστών βαρύτητας των επιπέδων του μοντέλου. Η εκπαίδευση των Νευρωνικών Δικτύων τους επιτρέπει να μαθαίνουν από το περιβάλλον τους και να βελτιώνουν τη συμπεριφορά τους με το πέρασμα του χρόνου (Krose et al. 1996). Στην παρούσα μελέτη χρησιμοποιήθηκε η μεθοδολογία της επιβλεπόμενης εκπαίδευσης με την εφαρμογή του αλγόριθμου Όπισθεν Διάδοσης Σφάλματος (Back Propagation, BP). Με την εφαρμογή του αλγόριθμου επιβλεπόμενης εκπαίδευσης BP οι παράμετροι του πολυεπίπεδου μοντέλου των νευρωνικών δικτύων (ANN) ανανεώνονται με βάση το σφάλμα της εκτίμησης του νευρώνα εξόδου, δηλαδή της διαφοράς μεταξύ της πραγματικής εξόδου και της επιθυμητής εξόδου (Adeli and Hung 1995). Για την ανάπτυξη του αλγόριθμου εντοπισμού βροχής εφαρμόστηκε το πολυεπίπεδο νευρωνικό δίκτυο πρόσθιας τροφοδότησης (Multilayer Perceptron, MLP). Τα δεδομένα εισόδου για την τεχνική MLP αποτελούνται από τις φασματικές παραμέτρους και τις παραμέτρους υφής των νεφών και τα δεδομένα εξόδου αντιστοιχούν στις δύο κατηγορίες για βροχοφόρα και μη βροχοφόρα εικονοστοιχεία. Για την εύρεση της βέλτιστης τοπολογικής δομής των νευρωνικών δικτύων επιλέχτηκε ο αριθμός των νευρώνων στο ενδιάμεσο επίπεδο και ο αριθμός των επαναλήψεων για την προσαρμογή των συντελεστών βαρύτητας που ελαχιστοποιεί το σφάλμα εκτίμησης του αλγόριθμου MLP. Το μοντέλο των νευρωνικών δικτύων MLP επιλέχτηκε σε σύγκριση με άλλες στατιστικές μεθόδους (Hung et al. 2008; Hsu et al. 1995; Galushkin 2007), γιατί: 1) Ο αλγόριθμος MLP δεν προϋποθέτει την εκ των προτέρων γνώση της στατιστικής κατανομής των δεδομένων 2) Ο αλγόριθμος MLP μπορεί να μοντελοποιήσει μη γραμμικές συναρτήσεις και μπορεί να εκπαιδευτεί για την πραγματοποίηση γενίκευσης με ακρίβεια όταν εισάγονται στο μοντέλο άγνωστα αρχικά δεδομένα 3) Παρέχει τη δυνατότητα ταξινόμησης των δεδομένων που εμφανίζουν μεγάλη χωρική μεταβλητότητα. Η αρχιτεκτονική δομή του μοντέλου MLP προσεγγίζει τη βέλτιστη μη γραμμική σιγμοειδή συνάρτηση μεταξύ των φασματικών παραμέτρων και των παραμέτρων υφής που υπολογίστηκαν από τα δορυφορικά δεδομένα MSG και καταγραφές βροχής από σημειακούς σταθμούς για να διαχωρίσει τα βροχοφόρα από τα μη βροχοφόρα νεφικά συστήματα. 65

66 ΣΧΗΜΑ 31. Δομή του αλγόριθμου διάκρισης βροχοφόρων και μη βροχοφόρων νεφών MLP α) MLP1 με οκτώ φασματικές παραμέτρους νεφών που υπολογίστηκαν από τις δορυφορικές εικόνες SEVIRI και β) MLP2 που συνδυάζει δώδεκα φασματικές παραμέτρους και παραμέτρους υφής νεφών που υπολογίστηκαν από τις δορυφορικές εικόνες SEVIRI. Στα πλαίσια της παρούσας εργασίας αναπτύχθηκαν δύο διαφορετικές τεχνικές διάκρισης των βροχοφόρων νεφών με βάση το μοντέλο MLP: Το μοντέλο MLP1 που χρησιμοποιεί μόνο τις οκτώ φασματικές παραμέτρους νεφών (T 10.8, T T 12, Τ 6.2 -Τ 7.3, Τ 6.2 -Τ 10.8, T 8.7 -T 10, T 8.7 -T 12.1, Τ 9.7 -Τ 13.4 και Τ Τ 10.8 ) για τη δημιουργία του βέλτιστου μοντέλου ταξινόμησης MLP. Η αρχιτεκτονική δομή του αλγόριθμου MLP1 αποτελείται από 8 νευρώνες εισόδου για τις φασματικές παραμέτρους, 10 νευρώνες στο ενδιάμεσο επίπεδο και 2 νευρώνες εξόδου που αντιπροσωπεύουν τις δύο τάξεις για βροχοφόρα και μη βροχοφόρα εικονοστοιχεία (Σχήμα 31α). 66

67 Το μοντέλο MLP2 που αξιοποιεί συνδυαστικά τις οκτώ φασματικές παραμέτρους νεφών (T 10.8, T T 12, Τ 6.2 -Τ 7.3, Τ 6.2 -Τ 10.8, T 8.7 -T 10, T 8.7 -T 12.1, Τ 9.7 -Τ 13.4 και Τ Τ 10.8 ) και τις τέσσερεις παραμέτρους υφής (Ομοιογένεια, Αντίθεση, Γωνιακή Ροπή 2 ης Τάξης, και BTLDV Εντροπία) για τη δημιουργία του βέλτιστου μοντέλου ταξινόμησης MLP. Η αρχιτεκτονική δομή του αλγόριθμου MLP2 αποτελείται από 12 νευρώνες εισόδου για τις φασματικές παραμέτρους, 15 νευρώνες στο ενδιάμεσο επίπεδο και 2 νευρώνες εξόδου που αντιπροσωπεύουν τις δύο τάξεις για βροχοφόρα και μη βροχοφόρα εικονοστοιχεία (Σχήμα 31β) Δομή του αλγόριθμου ταξινόμησης στρατόμορφων και σωρειτόμορφων βροχοφόρων νεφών Ο αλγόριθμος ταξινόμησης βροχοφόρων νεφών αναπτύχθηκε με σκοπό τη διερεύνηση της δυνατότητας αξιοποίησης των φασματικών παραμέτρων και των παραμέτρων υφής που υπολογίστηκαν από τις δορυφορικές εικόνες Meteosat για τη δημιουργία μιας τεχνικής διαχωρισμού στρατόμορφων και σωρειτόμορφων βροχοφόρων νεφών που να μπορεί να εφαρμοστεί για την βελτίωση της απόδοσης των αλγόριθμων εκτίμησης βροχόπτωσης. Για την ανάπτυξη των μοντέλων διάκρισης στρατόμορφων και σωρειτόμορφων βροχοφόρων νεφικών συστημάτων, εφαρμόστηκε η ίδια μεθοδολογία με αυτή των μοντέλων διαχωρισμού των βροχοφόρων νεφών από μη βροχοφόρα νέφη. Συγκεκριμένα, δημιουργήθηκαν δύο τεχνικές διαχωρισμού στρατόμορφων και σωρειτόμορφων βροχοφόρων νεφών με βάση τα υπέρυθρα δορυφορικά δεδομένα MSG. Για την ταξινόμηση των στρατόμορφων και σωρειτόμορφων βροχοφόρων νεφικών συστημάτων αναπτύχθηκε ο αλγόριθμος πιθανότητας σωρειτόμορφης βροχόπτωσης (Probability of Convective Rainfall, PCR) και ο αλγόριθμος των νευρωνικών δικτύων (MLP) που βασίζονται στη συσχέτιση των φασματικών παραμέτρων και των παραμέτρων υφής, που υπολογίστηκαν από τα επιλεγμένα βροχοφόρα νεφικά εικονοστοιχεία των δορυφορικών εικόνων MSG, με πραγματικές μετρήσεις στρατόμορφης/σωρειτόμορφης βροχής από μετεωρολογικούς σταθμούς του ΕΑΑ. Τα δεδομένα βροχόπτωσης κατηγοριοποιούνται ως στρατόμορφα για μέσες τιμές έντασης βροχόπτωσης μικρότερες των 3 mm/h από το σταθμό ½ ώρα πριν (Τ-30min) και ½ ώρα μετά (Τ+30min) τη λήψη της εικόνας. Διαφορετικά τα δεδομένα βροχόπτωσης για τιμές έντασης βροχόπτωσης μεγαλύτερες των 3 mm/h χαρακτηρίζονται ως σωρειτόμορφα. Εφαρμόστηκαν δύο διαφορετικά κατώφλια ταξινόμησης (α) 5 mm/h και β) 3 mm/h) των επεισοδίων βροχής για τον έλεγχο της απόδοσης των τεχνικών εντοπισμού σωρειτόμορφων βροχοφόρων νεφών. Τελικά επιλέχτηκε το κριτήριο των 3 mm/h γιατί παρουσιάζει τα καλύτερα αποτελέσματα στην αναγνώριση των σωρειτόμορφων συμβάντων βροχής. Τα μοντέλα ταξινόμησης των νεφών σε στρατόμορφης και σωρειτόμορφης βροχής εφαρμόζονται μόνο στα βροχοφόρα νέφη που εντοπίστηκαν στο προηγούμενο στάδιο. 67

68 Πιθανότητα σωρειτόμορφης βροχής (Probability of Convective Rainfall, PCR) Η πρώτη τεχνική που εφαρμόστηκε είναι ο εμπειρικός αλγόριθμος που βασίζεται στον υπολογισμό της πιθανότητας σωρειτόμορφης βροχής (Probability of Convective Rainfall, PCR) ως συνάρτηση των δώδεκα φασματικών παραμέτρων και παραμέτρων υφής και αναπαριστά το ποσοστό των βροχοφόρων νεφικών εικονοστοιχείων που έχουν χαρακτηριστεί σωρειτόμορφα με βάση τα δεδομένα βροχόπτωσης των σταθμών του ΕΑΑ στον πολυφασματικό χώρο (Bellon et al. 1980; Cheng et al. 1993; Kurino 1997; Nauss and Kokhanovsky 2006; Thies et al. 2008b, 2008c; Feidas and Giannakos 2011, 2012; Giannakos and Feidas 2013). Η τεχνική PCR εφαρμόζεται συγκρίνοντας τις φασματικές παραμέτρους και τις παραμέτρους υφής των νεφών πάνω από τους σταθμούς με τις καταγραφές στρατόμορφης/σωρειτόμορφης βροχόπτωσης για 30 ημέρες βροχής στον Ελληνικό χώρο τη χρονική περίοδο Μαρτίου Φεβρουαρίου Για κάθε σωρειτόμορφο βροχοφόρο εικονοστοιχείο, οι αντίστοιχες τιμές των οκτώ φασματικών παραμέτρων και τεσσάρων παραμέτρων υφής δημιουργούν ένα πίνακα αντιστοίχησης (Look-up Table) στον οποίο αθροίζονται όλα τα σωρειτόμορφα βροχοφόρα νεφικά εικονοστοιχεία. Με την ίδια διαδικασία δημιουργείται ένα πολυδιάστατος πίνακας συνάφειας που βασίζεται στα στρατόμορφα βροχοφόρα εικονοστοιχεία. Οι δύο παραπάνω πίνακες πολυμεταβλητής κατανομής συχνοτήτων στο πολυφασματικό χώρο συνδυάζονται για να υπολογίσουν την PCR ως συνάρτηση των φασματικών παραμέτρων και των παραμέτρων υφής σύμφωνα με την εξίσωση: PCR( x, x 1 2 N convective ( x1, x2,..., xi ),...,x i ) (3.5) N ( x, x,..., x ) N ( x, x,..., x ) convective 1 2 i stratiform 1 2 i όπου x 1, x 2,..,x i οι φασματικοί παράμετροι και οι παράμετροι υφής, και N convective και N stratiform ο αριθμός των σωρειτόμορφων και στρατόμορφων βροχοφόρων νεφικών εικονοστοιχείων, αντίστοιχα στον πολυδιάστατο φασματικό χώρο (x 1, x 2,..., x i ). Η συνάρτηση αυτή ουσιαστικά αναπαριστά το ποσοστό των βροχοφόρων νεφικών εικονοστοιχείων που έχουν χαρακτηριστεί σωρειτόμορφα με βάση τα δεδομένα βροχόπτωσης των σταθμών του ΕΑΑ στον πολυφασματικό χώρο (x 1, x 2, x 3, x 4, x 5, x 6, x 7, x 8 ). Για την ταξινόμηση των στρατόμορφων και σωρειτόμορφων βροχοφόρων νεφών στις δορυφορικές εικόνες MSG, επιλέγεται το κατάλληλο κατώφλι στις τιμές PCR του πίνακα αντιστοίχησης με την ίδια μεθοδολογία που εφαρμόστηκε και στο προηγούμενο κεφάλαιο. 68

69 Κατ αναλογία με τον αλγόριθμο εντοπισμού των βροχοφόρων νεφών, αναπτύχθηκαν δύο διαφορετικές τεχνικές διαχωρισμού βροχοφόρων νεφών με βάση το μοντέλο PCR: Ο αλγόριθμος PCR1, ο οποίος υπολογίζεται ως συνάρτηση μόνο των φασματικών παραμέτρων (T 10.8, T T 12, Τ 6.2 -Τ 7.3, Τ 6.2 -Τ 10.8, T 8.7 -T 10, T 8.7 -T 12.1, Τ 9.7 -Τ 13.4 και Τ Τ 10.8 ). Ο αλγόριθμος PCR2 υπολογίζεται ως συνάρτηση των φασματικών παραμέτρων (T 10.8, T T 12, Τ 6.2 -Τ 7.3, Τ 6.2 -Τ 10.8, T 8.7 -T 10, T 8.7 -T 12.1, Τ 9.7 -Τ 13.4 και Τ Τ 10.8 ) και των παραμέτρων υφής (Ομοιογένεια, Αντίθεση, Γωνιακή Ροπή 2ης Τάξης, και BTLDV Εντροπία) Αλγόριθμος των Νευρωνικών Δικτύων (Artificial Neural Network Algorithm, ANN) Η αρχιτεκτονική δομή του μοντέλου MLP προσεγγίζει τη βέλτιστη μη γραμμική σιγμοειδή συνάρτηση μεταξύ των φασματικών παραμέτρων και των παραμέτρων υφής που υπολογίστηκαν από τα δορυφορικά δεδομένα MSG και των καταγραφών βροχής από μετεωρολογικούς σταθμούς για τη ταξινόμηση των στρατόμορφων και σωρειτόμορφων βροχοφόρων νεφικών συστήματων. Αναπτύχθηκαν δύο διαφορετικές τεχνικές διαχωρισμού στρατόμορφων/σωρειτόμορφων βροχοφόρων νεφών με βάση το μοντέλο MLP: Το μοντέλο MLP1 που χρησιμοποιεί μόνο τις οκτώ φασματικές παραμέτρους νεφών (T 10.8, T T 12, Τ 6.2 -Τ 7.3, Τ 6.2 -Τ 10.8, T 8.7 -T 10, T 8.7 -T 12.1, Τ 9.7 -Τ 13.4 και Τ Τ 10.8 ) για τη δημιουργία του βέλτιστου μοντέλου ταξινόμησης MLP. Η αρχιτεκτονική δομή του αλγόριθμου MLP1 αποτελείται από 8 νευρώνες εισόδου για τις φασματικές παραμέτρους, 10 νευρώνες στο ενδιάμεσο επίπεδο και 2 νευρώνες εξόδου που αντιπροσωπεύουν τις δύο τάξεις για στρατόμορφα και σωρειτόμορφα βροχοφόρα νεφικά εικονοστοιχεία (Σχήμα 32α). Το μοντέλο MLP2 που αξιοποιεί συνδυαστικά τις οκτώ φασματικές παραμέτρους νεφών (T 10.8, T T 12, Τ 6.2 -Τ 7.3, Τ 6.2 -Τ 10.8, T 8.7 -T 10, T 8.7 -T 12.1, Τ 9.7 -Τ 13.4 και Τ Τ 10.8 ) και τις τέσσερεις παραμέτρους υφής (Ομοιογένεια, Αντίθεση, Γωνιακή Ροπή 2 ης Τάξης, και BTLDV Εντροπία) για τη δημιουργία του βέλτιστου μοντέλου MLP διαχωρισμού σε δυο είδη βροχής. Η αρχιτεκτονική δομή του αλγόριθμου MLP2 αποτελείται από 12 νευρώνες εισόδου για τις φασματικές παραμέτρους, 15 νευρώνες στο ενδιάμεσο επίπεδο και 2 νευρώνες εξόδου που αντιπροσωπεύουν τις δύο τάξεις για στρατόμορφα και σωρειτόμορφα βροχοφόρα νεφικά εικονοστοιχεία (Σχήμα 32β). 69

70 ΣΧΗΜΑ 32. Δομή του αλγόριθμου ταξινόμησης στρατόμορφων και σωρειτόμορφων βροχοφόρων νεφών MLP α) MLP1 με οκτώ φασματικές παραμέτρους νεφών που υπολογίστηκαν από τις δορυφορικές εικόνες SEVIRI και β) MLP2 που συνδυάζει δώδεκα φασματικές και υφής παραμέτρους νεφών που υπολογίστηκαν από τις δορυφορικές εικόνες SEVIRI. 70

71 3.5.3 Δομή του αλγόριθμου εκτίμησης της έντασης βροχής Για την εκτίμηση της έντασης βροχής αξιοποιήθηκαν οι ίδιες τεχνικές που εφαρμόστηκαν για τον εντοπισμό των βροχοφόρων νεφών και την ταξινόμηση τους σε στρατόμορφα και σωρειτόμορφα νέφη. Συγκεκριμένα, αναπτύχθηκε ο αλγόριθμος ανάθεσης βροχής (Rainfall Rate Assignment, RR) για κάθε εικονοστοιχείο των δορυφορικών εικόνων MSG και ο αλγόριθμος των νευρωνικών δικτύων (Artificial Neural Network, ANN), οι οποίοι βασίζονται στη συσχέτιση των φασματικών παραμέτρων και παραμέτρων υφής των νεφών που υπολογίστηκαν από τα υπέρυθρα δορυφορικά δεδομένα MSG, με τις καταγραφές βροχής από μετεωρολογικούς σταθμούς του ΕΑΑ. Και οι δυο τεχνικές, βασίστηκαν αρχικά μόνο στις φασματικές παραμέτρους των νεφών (αλγόριθμοι RR1 και MLP1) και ακολούθως στις φασματικές παραμέτρους σε συνδυασμό με τις παραμέτρους υφής (αλγόριθμοι RR2 και MLP2). Κάθε αλγόριθμος εκτίμησης βροχής εφαρμόζεται σε νεφικά εικονοστοιχεία που θεωρούνται βροχοφόρα. Τα μοντέλα εκτίμησης βροχής αναπτύχθηκαν χρησιμοποιώντας ως είσοδο αρχικά τα νεφικά εικονοστοιχεία που εντοπίζονται από τον αλγόριθμο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών και ακολούθως τα νεφικά εικονοστοιχεία που προκύπτουν από την εφαρμογή του αλγόριθμου διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών. Αυτό έγινε γιατί διαπιστώθηκε ότι στη δεύτερη περίπτωση γίνεται ακριβέστερος εντοπισμός των νεφικών εικονοστοιχείων που συνδέονται πραγματικά με βροχή με αποτέλεσμα ο αναπτυσσόμενος αλγόριθμος εκτίμησης βροχής να δίνει σαφώς καλύτερα αποτελέσματα Αλγόριθμοι ανάθεσης βροχής (Rainfall Rate, RR) Το πρώτο μοντέλο είναι ένας εμπειρικός αλγόριθμος που βασίζεται στην εκτίμηση της μέσης έντασης βροχής ως συνάρτηση των φασματικών παραμέτρων και παραμέτρων υφής των νεφών που υπολογίστηκαν από τις δορυφορικές εικόνες Meteosat (Kurino et al. 1997; Kuhnlein et al. 2010). Σύμφωνα με την τεχνική αυτή, δημιουργήθηκε αρχικά ένας πίνακας αντιστοίχησης (Look-up Table) μεταξύ των μετρούμενων τιμών έντασης βροχής που καταγράφηκαν από τους μετεωρολογικούς σταθμούς του ΕΑΑ και των φασματικών παραμέτρων και παραμέτρων υφής που υπολογίστηκαν από τα δορυφορικά δεδομένα MSG. Για την εκτίμηση της μέσης έντασης βροχής υπολογίζεται για κάθε σημείο του φασματικού χώρου η μέση ένταση βροχής πάνω από τους σταθμούς που κατέγραψαν βροχή με βάση την εξίσωση: RR(x, x..., x ) 1 2 i rain obs(x1, x 2..., x i ) N (x, x..., x ) rain 1 2 i (x.6) 71

72 όπου x 1, x 2,..,x i οι φασματικοί παράμετροι και οι παράμετροι υφής, N rain ο αριθμός των βροχοφόρων εικονοστοιχείων και rain obs οι μετρούμενες τιμές έντασης βροχής από τους σταθμούς στον πολυφασματικό χώρο (x 1, x 2,..., x i ). Δύο διαφορετικά μοντέλα ανάθεσης βροχής RR αναπτύχθηκαν για την εκτίμηση βροχής: Ο αλγόριθμος RR1 υπολογίζεται ως συνάρτηση μόνο των οκτώ φασματικών παραμέτρων (T 10.8, T T 12, Τ 6.2 -Τ 7.3, Τ 6.2 -Τ 10.8, T 8.7 -T 10, T 8.7 -T 12.1, Τ 9.7 -Τ 13.4 και Τ Τ 10.8 ) με βάση τις παρατηρούμενες τιμές έντασης βροχής στον πολυδιάστατο χώρο (x 1, x 2, x 3, x 4, x 5, x 6, x 7, x 8 ). Ο αλγόριθμος RR2 υπολογίζεται ως συνάρτηση των οκτώ φασματικών παραμέτρων (T 10.8, T T 12, Τ 6.2 -Τ 7.3, Τ 6.2 -Τ 10.8, T 8.7 -T 10, T 8.7 -T 12.1, Τ 9.7 -Τ 13.4 και Τ Τ 10.8 ) και των τεσσάρων παραμέτρων υφής (Ομοιογένεια, Αντίθεση, Γωνιακή Ροπή 2 ης Τάξης, και BTLDV Εντροπία) με βάση τις παρατηρούμενες τιμές έντασης βροχής στον πολυδιάστατο χώρο x 1, x 2, x 3, x 4, x 5, x 6, x 7, x 8, x 9, x 10, x 11, x 12 ) Αλγόριθμος των Νευρωνικών Δικτύων (Artificial Neural Network Algorithm, ANN) Η δεύτερη μεθοδολογία που εφαρμόστηκε για την εκτίμηση της έντασης της βροχόπτωσης, είναι αυτή του μοντέλου των νευρωνικών δικτύων MLP. Και σε αυτή την περίπτωση εφαρμόστηκε η σιγμοειδής συνάρτηση ενεργοποίησης, η οποία αναφέρεται στον τρόπο με τον οποίο συνδέονται και εκπαιδεύονται οι νευρώνες για όλα τα επίπεδα του μοντέλου των Νευρωνικών Δικτύων. Ως νευρώνες εισόδου χρησιμοποιήθηκαν οι φασματικές παράμετροι και οι παράμετροι υφής που υπολογίστηκαν αρχικά από τις δορυφορικές εικόνες του Meteosat Η βέλτιστη τοπολογική δομή των Νευρωνικών Δικτύων περιγράφεται στο κεφάλαιο 6.1). Αναπτύχθηκαν δύο διαφορετικά μοντέλα νευρωνικών δικτύων MLP για την εκτίμηση των δυο ειδών βροχής: Το μοντέλο MLP1 που χρησιμοποιεί μόνο τις οκτώ φασματικές παραμέτρους νεφών (T 10.8, T T 12, Τ 6.2 -Τ 7.3, Τ 6.2 -Τ 10.8, T 8.7 -T 10, T 8.7 -T 12.1, Τ 9.7 -Τ 13.4 και Τ Τ 10.8 ) για τη δημιουργία του βέλτιστου μοντέλου εκτίμησης βροχής MLP. Η δομή του αλγόριθμου MLP1 αποτελείται από 8 νευρώνες εισόδου για τις φασματικές παραμέτρους, 10 νευρώνες στο ενδιάμεσο επίπεδο και 1 νευρώνα εξόδου που αντιπροσωπεύει την εκτιμώμενη τιμή έντασης βροχής στο τελικό επίπεδο (Σχήμα 33α). Το μοντέλο MLP2 που χρησιμοποιεί συνδυαστικά τις οκτώ φασματικές παραμέτρους (T 10.8, T T 12, Τ 6.2 -Τ 7.3, Τ 6.2 -Τ 10.8, T 8.7 -T 10, T 8.7 -T 12.1, Τ 9.7 -Τ 13.4 και Τ Τ 10.8 ) και τις τέσσερεις παραμέτρους υφής (Ομοιογένεια, Αντίθεση, Γωνιακή Ροπή 2 ης Τάξης, και BTLDV Εντροπία) για τη δημιουργία του βέλτιστου μοντέλου εκτίμησης βροχής MLP. Η αρχιτεκτονική δομή του αλγόριθμου MLP2 αποτελείται από 12 νευρώνες εισόδου για τις παραμέτρους (φασματικές και υφής), 15 νευρώνες στο ενδιάμεσο επίπεδο και 1 νευρώνα εξόδου που αντιπροσωπεύει την εκτιμώμενη τιμή έντασης βροχής στο τελικό επίπεδο (Σχήμα 33β). 72

73 ΣΧΗΜΑ 33. Δομή του αλγόριθμου εκτίμησης βροχής MLP α) MLP1 με οκτώ φασματικές παραμέτρους νεφών που υπολογίστηκαν από τις δορυφορικές εικόνες SEVIRI και β) MLP2 που συνδυάζει δώδεκα φασματικές και υφής παραμέτρους νεφών που υπολογίστηκαν από τις δορυφορικές εικόνες SEVIRI. 73

74 Επαλήθευση των αποτελεσμάτων Η αξιολόγηση των αλγόριθμων εκτίμησης της έντασης βροχής πραγματοποιήθηκε με τον υπολογισμό των στατιστικών μεγεθών παραμέτρων που υπολογίστηκαν και στο στάδιο της εκπαίδευσης, για ανεξάρτητο δείγμα δέκα ημερών βροχής, το χρονικό διάστημα Μαρτίου Φεβρουαρίου Τελικά ο αλγόριθμος εκτίμησης βροχόπτωσης αξιολογήθηκε για τρία επεισόδια βροχής ώστε να διερευνηθεί η επιχειρησιακή ικανότητά τους στην εκτίμηση της έντασης βροχής. Τα επεισόδια βροχόπτωσης που επιλέχτηκαν για την αξιολόγηση των αλγορίθμων είναι ίδια με αυτά που χρησιμοποιήθηκαν στο διαχωρισμό των βροχοφόρων νεφών και είναι ανεξάρτητα από τα γεγονότα βροχής που χρησιμοποιήθηκαν στη φάση της εκπαίδευσης των αλγόριθμων. Για την αξιολόγηση των αλγορίθμων που εντοπίζουν βροχοφόρα νέφη και τύπους νεφών δημιουργείται ένας πίνακας συνάφειας (contingency table) (Πίνακας 10) ο οποίος παρουσιάζει τις συχνότητες εμφάνισης των εκτιμώμενων και παρατηρούμενων περιστατικών βροχής. Από τον πίνακα συνάφειας υπολογίζονται οι στατιστικοί δείκτες POD (Probability of Detection), FAR (False Alarm Ratio), POFD (Probability of False Detection), CSI (Critical Success Index), ETS (Equitable Threat Score), HK (Hanssen and Kuipers score) και bias, οι οποίοι χρησιμοποιούνται για τον έλεγχο της ακρίβειας των αλγόριθμων τόσο στη φάση της ανάπτυξης όσο και στη φάση της εφαρμογής. Για τον έλεγχο της ακρίβειας των μοντέλων εκτίμησης βροχής χρησιμοποιήθηκαν οι ακόλουθες στατιστικές παράμετροι: συντελεστής συσχέτισης (Correlation Coefficient R), συντελεστής προσδιορισμού (Coefficient of determination, R 2 ), προσαρμοσμένος συντελεστής προσδιορισμού (Adjusted R 2, Adj R 2 ), Bias, τετραγωνική ρίζα του μέσου τετραγωνικού σφάλματος (Root Mean Squared Error, RMSE), μέσο σφάλμα (Mean Error, ME), μέσο απόλυτο σφάλμα (Mean Absolute Error, MAE), και μέσο τετραγωνικό σφάλμα (Mean squared error, MSE). Η επίδοση των αλγορίθμων εξετάστηκε σε διάφορες χρονικές κλίμακες μεσοποίησης της έντασης βροχής (15min, 1h, 3h, 6h). Οι στατιστικές παράμετροι που χρησιμοποιήθηκαν περιγράφονται αναλυτικά στο Παράρτημα Α. ΕΚΤΙΜΗΣΗ ΠΑΡΑΤΗΡΗΣΗ ΝΑΙ ΟΧΙ Σύνολο ΝΑΙ A B A+B ΟΧΙ C D C+D Σύνολο Α+C B+D A+B+C+D = n Πίνακας 10. Γενική μορφή δισδιάστατου πίνακα συνάφειας (Wilks 2006). 74

75 ΚΕΦΑΛΑΙΟ 4 ο Ο πρωταρχικός ερευνητικός στόχος της διδακτορικής διατριβής είναι η διερεύνηση της δυνατότητας αξιοποίησης της υψηλής φασματικής διακριτικής ικανότητας του δορυφόρου MSG για την ανάπτυξη αλγόριθμων εντοπισμού και διάκρισης των βροχοφόρων νεφών στην Ελλάδα, η οποία θα βασίζεται στη χωρική και χρονική συσχέτιση των φασματικών παραμέτρων και των παραμέτρων υφής των νεφών με την καταγραφή βροχόπτωσης από επίγειους σταθμούς. Στο παρόν κεφάλαιο προτείνονται δύο διαφορετικές μεθοδολογίες εντοπισμού και διάκρισης των βροχοφόρων νεφών από τα μη βροχοφόρα νέφη με βάση τα δορυφορικά δεδομένα MSG στα φασματικά κανάλια του θερμικού υπέρυθρου. Για την ταξινόμηση των βροχοφόρων νεφών από τα μη βροχοφόρα νέφη, αναπτύχθηκε ο αλγόριθμος πιθανότητας βροχής (Probability of Rainfall, PΟR) και ο αλγόριθμος των νευρωνικών δικτύων (MLP) που βασίζονται στη συσχέτιση των φασματικών παραμέτρων (POR1, MLP1) και των παραμέτρων υφής (POR2, MLP2) των νεφών που υπολογίστηκαν από τα υπέρυθρα δορυφορικά δεδομένα MSG, με πραγματικές καταγραφές βροχής από μετεωρολογικούς σταθμούς του Eθνικού Aστεροσκοπείου Aθηνών (ΕΑΑ). 4.1 Βαθμονόμηση και αξιολόγηση τεχνικών διάκρισης βροχοφόρων νεφών Εκπαίδευση των τεχνικών Οι τεχνικές διάκρισης βροχοφόρων και μη βροχοφόρων νεφών εκπαιδεύτηκαν χρησιμοποιώντας χωρικά και χρονικά συσχετισμένα δεδομένα του δορυφόρου MSG και καταγραφές βροχόπτωσης. Για τη βαθμονόμηση των μοντέλων χρησιμοποιήθηκαν καταγραφές βροχόπτωσης με ανάλυση 10 από 88 σταθμούς του δικτύου του Εθνικού Αστεροσκοπείου Αθηνών για 30 επεισόδια βροχής στον Ελληνικό χώρο τη χρονική περίοδο Μαρτίου Φεβρουαρίου Η ακρίβεια των τεχνικών εντοπισμού βροχοφόρων νεφών αξιολογήθηκε με την εφαρμογή ανεξάρτητου δείγματος 10 ημερών βροχής για το ίδιο χρονικό διάστημα. Η πιθανότητα βροχόπτωσης στη φάση της εκπαίδευσης υπολογίστηκε ως συνάρτηση των φασματικών παραμέτρων και των παραμέτρων υφής όπως απεικονίζονται στην εξίσωση 3.4 (αναφέρονται ως τεχνικές POR1 και POR2). Οι στατιστικοί δείκτες POD (Probability of Detection), FAR (False Alarm Ratio), POFD (Probability of False Detection), CSI (Critical Success Index), ETS (Equitable Threat Score), HK (Hanssen and Kuipers score) και bias που υπολογίστηκαν από τον πίνακα συνάφειας, χρησιμοποιήθηκαν για τον έλεγχο της ακρίβειας των μοντέλων POR με την εύρεση ενός κάτω κατωφλίου POR th στις τιμές του POR, το οποίο βελτιστοποιεί τη διάκριση των βροχοφόρων νεφικών συστημάτων. 75

76 Η παράμετρος POD, πρέπει να εξετάζεται μαζί με τις παραμέτρους FAR and POFD, καθώς το POD μετρά την ικανότητα του μοντέλου στην επιτυχή εκτίμηση των συμβάντων βροχόπτωσης ενώ το FAR μετρά το ποσοστό των παρατηρούμενων συμβάντων βροχόπτωσης τα οποία τελικά δεν επαληθεύτηκαν και το POFD μετρά το ποσοστό των εκτιμώμενων συμβάντων μη βροχής τα οποία τελικά δεν επαληθεύτηκαν. Μία μέθοδος συνεκτίμησης του POD με το POFD είναι η αποτύπωση των δύο στατιστικών παραμέτρων για κάθε τιμή του κατωφλίου POR th ως σημεία σε ένα διάγραμμα ROC (Relative, or Receiver, Operating Characteristic curve) (Swets 1973; Mason 1982). Η απόσταση του καθε σημείου από την επάνω-αριστερή γωνία του διαγράμματος ROC (που αντιπροσωπεύει την τέλεια εκτίμηση) είναι ένα μέτρο αξιολόγησης της ακρίβειας των μοντέλων. Η διαγώνια γραμμή (POD=POFD) απεικονίζει την ικανότητα των τυχαίων ή σταθερών προγνώσεων. Τα διαγράμματα ROC για διαφορετικές τιμές κατωφλίων POR th των τεχνικών POR1 και POR2 παρουσιάζονται στο Σχήμα 34. Η τεχνική PοR1 έδωσε βέλτιστη τιμή κατωφλίου 0.30 και η τεχνική POR2 κατέγραψε βέλτιστη τιμή κατωφλίου 0.31, αντίστοιχα με τις βέλτιστες τιμές των κατωφλίων POR th και για τις δύο τεχνικές να είναι πολύ κοντά στο διάγραμμα ROC. Λαμβάνοντας υπόψη την απόσταση των βέλτιστων τιμών των κατωφλίων από την επάνωαριστερή γωνία του διαγράμματος ROC, συμπεραίνεται ότι η τεχνική POR1 παρουσιάζει καλύτερη απόδοση από την τεχνική POR2 στον εντοπισμό βροχοφόρων νεφικών συστημάτων. Ο έλεγχος ευαισθησίας της απόδοσης των μοντέλων για τις διάφορες τιμές κατωφλίων πρέπει να συμπεριλάβει τις μέγιστες τιμές των τριών στατιστικών παραμέτρων (CSI, ETS, και HK) μαζί με τη στατιστική παράμετρο της απόστασης (distance). Από τους στατιστικούς δείκτες που αναφέρθηκαν κανένας δεν μπορεί να χρησιμοποιηθεί ανεξάρτητα για την αξιολόγηση των μοντέλων παρά μόνο ως συνδυασμός και των τεσσάρων στατιστικών σκορ, αφού κάθε παράμετρος έχει διαφορετικά πλεονεκτήματα και αδυναμίες. Οι στατιστικοί δείκτες εκτίμησης της ικανότητας του μοντέλου (CSI, ETS, ΗΚ και distance) επηρεάζονται από τις τιμές είτε του POD ή του FAR, με αποτέλεσμα αυτοί να μη φτάνουν τη βέλτιστη τιμή τους στις ίδιες τιμές κατωφλίων POR th. 76

77 Για την εύρεση της βέλτιστης τιμής του κάτω κατωφλίου στις τιμές του POR th, συνδυάστηκαν οι τέσσερεις στατιστικοί δείκτες CSI, ETS, ΗΚ και distance για την εφαρμογή της στατιστικής παραμέτρου Normalized Skill Score (NSS) (Haklander and Van Delden, 2003), η οποία ορίζεται από τη σχέση: 1 CSI( t1,t 2,.. ) ETS( t1,t 2,.. ) HK( t1,t 2,.. ) 1 distance( t1,t 2,.. ) NSS( t 1,t 2,.. ) (4.1) 4 CSI max ETS max HK max 1 distance min όπου t 1, t 2, είναι οι τιμές των κατωφλίων για τα μοντέλα POR1 και POR2, το max και min δηλώνει τη μέγιστη και ελάχιστη τιμή του δείκτη αντίστοιχα, για οποιαδήποτε συνδυασμό κατωφλίων (t 1, t 2, ). Οι τιμές του δείκτη NSS κυμαίνονται από 0 έως 1, με τις τιμές κοντά στο 1 να δηλώνουν ότι οι τέσσερεις δείκτες συμφωνούν ως προς τη βέλτιστη τιμή τους για τις διάφορες τιμές κατωφλίων των τεχνικών POR1 και POR2. Η παράμετρος NSS υπολογίστηκε για την εύρεση του βέλτιστου κατωφλίου για το διαχωρισμό βροχοφόρων και μη βροχοφόρων νεφών και για τις δύο τεχνικές POR. Στα σχήματα 35 και 36 απεικονίζονται τα αποτελέσματα από τον έλεγχο ευαισθησίας της απόδοσης των μοντέλων διάκρισης βροχοφόρων νεφικών συστημάτων POR1 και POR2 για διαφορετικές τιμές κατωφλίων POR th χρησιμοποιώντας τo NSS ως παράμετρο αξιολόγησης. Ο δείκτης NSS εμφάνισε τη μέγιστη τιμή για τιμή κατωφλίου 0.3 για τον αλγόριθμο POR1 (POR1 > 0.3) και 0.31 για τον αλγόριθμο POR2 (POR2 > 0.31). Οι τιμές των κατωφλίων είναι παρόμοιες με τις τιμές της στατιστικής παραμέτρου distance που χρησιμοποιήθηκε ως παράμετρος αξιολόγησης της ικανότητας εκτίμησης των μοντέλων εντοπισμού βροχής POR στα διαγράμματα ROC (Σχήμα 34). Για την εκπαίδευση των δύο αλγορίθμων των νευρωνικών δικτύων στο διαχωρισμό βροχοφόρων και μη βροχοφόρων νεφών (MLP1 και MLP2), εφαρμόστηκαν τρεις διαφορετικοί αριθμοί νευρώνων (10, 15, και 20) στο ενδιάμεσο επίπεδο, με σταθερό βήμα 100 επαναλήψεων για την προσαρμογή των βαρών, για την εύρεση της βέλτιστης τοπολογικής δομής των νευρωνικών δικτύων που ελάχιστοποιεί το σφάλμα του μοντέλου (RMSE). Στο σχήμα 37 παρουσιάζεται η διακύμανση του σφάλματος για διαφορετικό αριθμό νευρώνων (10, 15 και 20) ως συνάρτηση του αριθμού των επαναλήψεων που απαιτούνται για την εκπαίδευση των τεχνικών MLP1 και MLP2. O βέλτιστος αριθμός νευρώνων προέκυψε σε 10 για τον αλγόριθμο MLP1 και σε 15 για τον MLP2 μετά από 500 επαναλήψεις. Σύμφωνα με τη στατιστική παράμετρο RMSE, η τεχνική MLP1 παρουσιάζει καλύτερα αποτελέσματα ταξινόμησης μεταξύ των βροχοφόρων και μη βροχοφόρων νεφών από την MLP2. 77

78 Για τoν έλεγχο της απόδοσης των τεχνικών διάκρισης βροχοφόρων νεφών στη φάση της εκπαίδευσης χρησιμοποιήθηκαν οι στατιστικοί δείκτες POD, FAR, POFD, CSI, ETS και HK. Τα αποτελέσματα των στατιστικών παραμέτρων που υπολογίστηκαν για τα τέσσερα μοντέλα εντοπισμού των βροχοφόρων νεφών (PοR1, PοR2, MLP1, και MLP2) και περιλαμβάνουν 30 ημέρες επεισοδίων βροχής για τη φάση της εκπαίδευσης, για τη χρονική περίοδο Μαρτίου Φεβρουαρίου 2009, παρουσιάζονται στο σχήμα 38 (από α εως δ). Γενικά στο στάδιο της εκπαίδευσης παρατηρείται ότι οι αλγόριθμοι υπολογισμού της πιθανότητας βροχής POR1 και POR2 παρουσιάζουν αυξημένες τιμές για τις στατιστικές παραμέτρους CSI, ETS, HK και distance από τους αλγόριθμους νευρωνικών δικτύων MLP1 και MLP2. Μεταξύ των αλγόριθμων υπολογισμού της πιθανότητας βροχής ο αλγόριθμος POR1 δίνει καλύτερα αποτελέσματα από τον αλγόριθμο POR2, ενώ για τις τεχνικές των νευρωνικών δικτύων MLP η τεχνική MLP1 παρουσιάζει καλύτερα αποτελέσματα από την τεχνική MLP2. Τα μοντέλα εντοπισμού βροχοφόρων νεφών POR, απεικονίζουν βελτιωμένους δείκτες εκτίμησης (POD, FAR, POFD, CSI, HK, ETS, BIAS, DISTANCE) σε σύγκριση με τα μοντέλα νευρωνικών δικτύων MLP. Η βελτίωση αυτή οφείλεται στη σημαντική μείωση του αριθμού των μη επαληθευμένων συμβάντων (FAR και POFD). Σύμφωνα με τα προηγούμενα αποτελέσματα, η εισαγωγή των παραμέτρων υφής δεν βελτιώνει την απόδοση των μοντέλων εντοπισμού βροχοφόρων νεφών, τουλάχιστον στη φάση της εκπαίδευσης των αλγορίθμων. Ο αλγόριθμος POR1 δίνει τα καλύτερα αποτελέσματα από τα τέσσερα μοντέλα που αξιολογήθηκαν και παρουσιάζει τις χαμηλότερες τιμές για μη επαληθευμένα συμβάντα βροχής (FAR=44.8% και POFD=20.6%) και τις υψηλότερες τιμές για τους πέντε δείκτες εκτίμησης της ικανότητας των μοντέλων διαχωρισμού βροχοφόρων και μη βροχοφόρων νεφών (CSI, ETS, HK, distance και bias). Όλα τα μοντέλα υπερεκτιμούν τον αριθμό των συμβάντων βροχής που καταγράφηκε από το δίκτυο των σταθμών βροχόπτωσης του ΕΑΑ. Η τεχνική MLP2 εμφανίζει τη χειρότερη απόδοση στον εντοπισμό των βροχοφόρων νεφών. 78

79 ΣΧΗΜΑ 34. Διάγραμμα ROC για διάφορα κατώφλια POR th των μοντέλων διάκρισης βροχοφόρων νεφών (α) POR1, (β) POR2. Κάθε σημείο στο διάγραμμα ROC αναπαριστά ένα ζεύγος POD-POFD που αντιστοιχεί σε συγκεκριμένο κατώφλι. Με το βέλος σημειώνεται το σημείο του μοντέλου με κατώφλια POR1 th =0.3 και POR2 th = 0.31, που αντιστοιχεί στην ελάχιστη απόσταση (distance) από την επάνωαριστερή γωνία του διαγράμματος. 79

80 ΣΧΗΜΑ 35. Έλεγχος ευαισθησίας του μοντέλου πιθανότητας βροχής POR1 με βάση τις τιμές των δεικτών εκτίμησης (CSI, HK, ETS, distance, NSS) για διάφορα κατώφλια των τιμών POR1 th. Η κατακόρυφη διακεκομμένη γραμμή δηλώνει την τιμή του βέλτιστου κατωφλίου POR1 th. ΣΧΗΜΑ 36. Έλεγχος ευαισθησίας του μοντέλου πιθανότητας βροχής POR2 με βάση τις τιμές των δεικτών εκτίμησης (CSI, HK, ETS, distance, NSS) για διάφορα κατώφλια των τιμών POR2 th. Η κατακόρυφη διακεκομμένη γραμμή δηλώνει την τιμή του βέλτιστου κατωφλίου POR2 th. 80

81 ΣΧΗΜΑ 37. Διακύμανση του RMSE για διαφορετικούς αριθμούς νευρώνων (10,15 και 20) ως συνάρτηση του αριθμού των επαναλήψεων που εφαρμόζονται στην εκπαίδευση των τεχνικών MLP1 και MLP2 ΣΧΗΜΑ 38. Δείκτες (α) POD, FAR και POFD, (β) ETS, CSI και ΗΚ, (γ) απόσταση (distance) στο διάγραμμα ROC και (δ) bias υπολογισμένα για τους τέσσερεις αλγόριθμους διαχωρισμού βροχής για τις 30 ημέρες επεισοδίων βροχής που χρησιμοποιήθηκαν στην εκπαίδευση των μοντέλων. 81

82 4.1.2 Αξιολόγηση των τεχνικών Η ακρίβεια των μοντέλων που αναπτύχθηκαν για το διαχωρισμό των βροχοφόρων νεφών από τα μη βροχοφόρα αξιολογήθηκε με την εφαρμογή τους σε δορυφορικά δεδομένα του ραδιομέτρου SEVIRI για ανεξάρτητο δείγμα δέκα επεισοδίων βροχής που καταγράφηκαν στο χρονικό διάστημα Μαρτίου Φεβρουαρίου Τα επεισόδια βροχόπτωσης που επιλέχτηκαν για την αξιολόγηση των μοντέλων είναι ανεξάρτητα από τα γεγονότα βροχής που χρησιμοποιήθηκαν στη φάση της εκπαίδευσης των μοντέλων. Στο σχήμα 39 (από α εως δ) παρουσιάζονται οι τιμές των στατιστικών παραμέτρων που υπολογίστηκαν από τις τέσσερεις τεχνικές εντοπισμού βροχοφόρων νεφών (POR1, POR2, MLP1 και MLP2), χρησιμοποιώντας ανεξάρτητα δεδομένα βροχόπτωσης. Γενικά, παρατηρείται σημαντική μείωση της απόδοσης όλων των αλγορίθμων σε σχέση με τη φάση της εκπαίδευσης. Με βάση τα διαγράμματα του σχήματος 39 α, φαίνεται ότι συνολικά η επιτυχής εκτίμηση των συμβάντων «βροχής» (POD) μειώνεται σημαντικά σε σχέση με το εξαρτημένο δείγμα (Σχήμα 38α) (από % σε %). Επίσης, οι τιμές των στατιστικών δεικτών FAR και POFD αυξήθηκαν από 48.5% σε 53.6% και από 20.3% σε 22.5%, αντίστοιχα. Στο στάδιο της αξιολόγησης των τεχνικών οι τιμές της στατιστικής παραμέτρου CSI μειώνονται σημαντικά σε σχέση με το εξαρτημένο δείγμα (Σχήμα 39β) (από σε ). Θα πρέπει να σημειωθεί ότι οι παράμετροι FAR και CSI είναι ισχυρά εξαρτημένοι με τη σχετική συχνότητα των γεγονότων βροχόπτωσης, με αποτέλεσμα να μην είναι κατάλληλοι στη σύγκριση δειγμάτων με διαφορετικό αριθμό γεγονότων παρουσίας/απουσίας βροχής (Brown and Young 2000; Mason 1989). Συνεπώς χρησιμοποιούνται οι στατιστικοί δείκτες ETS και HK για την αξιολόγηση της απόδοσης των αλγόριθμων διαχωρισμού βροχοφόρων και μη βροχόφόρων νεφών μεταξύ του εξαρτημένου και ανεξάρτητου δείγματος. Οι δείκτες ETS και HK (σχήμα 39β) λαμβάνουν υπόψη τις διαφορές στη συχνότητα των πραγματικών δεδομένων βροχής και επιπλέον ο στατιστικός δείκτης HK είναι ανεξάρτητος από την κατανομή των επεισοδίων βροχής και μη βροχής (Mason 1989; McBride and Ebert 2000; Rubel and Rudolf 2001). Η στατιστική παραμέτρος ETS μειώνεται στη φάση της αξιολόγησης σε σχέση με το στάδιο της εκπαίδευσης (από σε , αντίστοιχα) όπως και οι τιμές του δείκτη HK (από σε ). Οι τιμές του bias ( ) αν και εξακολουθούν να υποδεικνύουν υπερεκτίμηση του αριθμού των συμβάντων βροχής (σχήμα 34δ), αυτή είναι μικρότερη από την υπερεκτίμηση που παρατηρήθηκε στο εξαρτημένο δείγμα για όλα τα μοντέλα εκτός από τον αλγόριθμο MLP2. Η σύγκριση των μοντέλων εντοπισμού βροχοφόρων νεφών ως προς την επίδοσή τους στη φάση της αξιολόγησης, παρουσιάζει διαφορετικό πρότυπο από αυτό που παρατηρήθηκε κατά τη φάση εκπαίδευσης των μοντέλων, με τα τέσσερα καλύτερα να είναι κατά φθίνουσα σειρά το MLP1, το MLP2, το POR1 και το POR2. Το μοντέλο με τα βέλτιστα αποτελέσματα στην περίπτωση του ανεξάρτητου δείγματος είναι το MLP1 αντί του POR1 που υπερτερούσε στο εξαρτημένο δείγμα της εκπαίδευσης των μοντέλων. Συγκεκριμένα, ο αλγόριθμος MLP1 εκτιμά επιτυχώς το 74.5% των συμβάντων «βροχής» (POD) ενώ το σφάλμα εκτίμησης των συμβάντων «βροχής» (FAR) και «μη βροχής» (POFD) είναι 48.5% και 20.3%, αντίστοιχα. 82

83 ΣΧΗΜΑ 39. Δείκτες (α) POD, FAR και POFD, (β) ETS, CSI και ΗΚ, (γ) απόσταση (distance) στο διάγραμμα ROC και (δ) bias υπολογισμένα για τους τέσσερεις αλγόριθμους διαχωρισμού βροχής για τo ανεξάρτητο δείγμα των 10 ημερών βροχής που χρησιμοποιήθηκαν στην αξιολόγηση των μοντέλων. 83

84 4.2 Αξιολόγηση σε συγκεκριμένες περιπτώσεις των αλγόριθμων διάκρισης βροχοφόρων-μη βροχοφόρων νεφών Οι αλγόριθμοι αξιολογήθηκαν για τρεις ανεξάρτητες ημέρες βροχόπτωσης ώστε να διαπιστωθεί η επιχειρησιακή ικανότητά τους στο διαχωρισμό βροχοφόρων και μη βροχοφόρων νεφών στον Ελληνικό χώρο Περίπτωση: 9/6/2008 Στις 9 Ιουνίου 2008, 14:15 UTC, εμφανίζεται η επέκταση μιας εξασθενημένης (ρηχής) ύφεσης που κατευθύνεται βορειοανατολικά στην περιοχή της Ελλάδας. Στο χάρτη ανάλυσης καιρού επιφανείας (Σχήμα 41) στις 9/6/2008, 18:00 UTC, το μεγαλύτερο τμήμα του ελληνικού χώρου καλύπτεται από ένα πεδίο υψηλών πιέσεων ενώ στην Ιταλία παρατηρείται η επέκταση μιας εξασθενημένης (ρηχής) ύφεσης που επηρεάζει την περιοχή της βόρειας Ελλάδας. Στη δορυφορική εικόνα στο θερμικό υπέρυθρο στα 10.8 μm παρατηρείται η παρουσία νεφών κατακόρυφης ανάπτυξης που καλύπτουν τη κεντρική και βόρεια Ελλάδα (Σχήμα 40α). Τα μοντέλα διάκρισης βροχοφόρων νεφών παρουσιάζονται στα σχήματα 40β με 40ε. Οι αλγόριθμοι POR1 και MLP1 που βασίζονται στις φασματικές παραμέτρους των νεφών, προσφέρουν μια ικανοποιητική εκτίμηση της αναμενόμενης περιοχής βροχής πάνω από ψυχρά νέφη που βρίσκονται στη βόρεια και κεντρική Ελλάδα, που είναι μεγαλύτερη από την πραγματική περιοχή βροχής που καταγράφηκε από τους σημειακούς μετεωρολογικούς σταθμούς. Το μοντέλο POR2 παρουσιάζει μικρότερη περιοχή βροχής από τον αλγόριθμο MLP2, αλλά και τα δύο μοντέλα αποδίδουν βροχή στα άκρα των ψυχρών νεφικών συστημάτων εξαιτίας της εισαγωγής των παραμέτρων υφής. Επομένως τα μοντέλα ταξινόμησης νεφών που βασίζονται στις φασματικές παραμέτρους και στις παραμέτρους υφής των νεφών δίνουν τα χειρότερα αποτελέσματα στον εντοπισμό των βροχοφόρων νεφών σε σχέση με τους αλγόριθμους που βασίζονται μόνο στις φασματικές παραμέτρους. Τα στατιστικά αποτελέσματα παρουσιάζονται για 9 Ιουνίου 2008, 14:15 UTC στον πίνακα 11. Το μοντέλο με τα βέλτιστα αποτελέσματα είναι το MLP1 (POD=68.7%, FAR=42.5%, POFD=19.3%, CSI=0.456, Bias=1.19), ενώ το POR2 εμφανίζει τη χειρότερη απόδοση ανάμεσα στα μοντέλα διάκρισης βροχοφόρων νεφών. Πίνακας 11. Αποτελέσματα αξιολόγησης των αλγόριθμων εντοπισμού βροχοφόρων νεφών (POR1, POR2, MLP1 and MLP2) στις 9/6/2008, 14:15 UTC. ΜΟΝΤΕΛΑ POD FAR POFD CSI ETS HK DISTANCE BIAS POR POR MLP MLP

85 ΣΧΗΜΑ 40. (α) Δορυφορική εικόνα του MSG με θερμοκρασίες λαμπρότητας στο κανάλι των 10.8 μm και εφαρμογή των μοντέλων εντοπισμού περιοχής βροχής (β) POR1, (γ) POR2, (δ) MLP1, (ε) MLP2 για την εικόνα της 9 Ιουνίου 2008, 14:15 UTC. 85

86 ΣΧΗΜΑ 41. Χάρτης μέσης στάθμης θάλασσας, στις 9/6/2008, 18:00 UTC. ΣΧΗΜΑ 42. Χάρτης γεωδυναμικού ύψους και θερμοκρασίας στην ισοβαρική επιφάνεια των 500 hpa στις 9/6/2008, 18:00 UTC. 86

87 Στο επίπεδο των 500 hpa παρουσιάζεται ένας ασθενής αυλώνας (trough) με κατεύθυνση νοτειοδυτική που καλύπτει σχεδόν ολόκληρη την Ελλάδα (Σχήμα 42). Στο μπροστινό τμήμα του αυλώνα παρουσιάζεται άνοδος του ατμοσφαιρικού αέρα που ευνοεί την εκδήλωση βροχής. ΣΧΗΜΑ 43. Χάρτης γεωδυναμικού ύψους και θερμοκρασίας στην ισοβαρική επιφάνεια των 850 hpa στις 9/6/2008, 18:00 UTC. Στο επίπεδο των 850 hpa στις 9/6/2008, 18:00 UTC, παρατηρείται μείωση της θερμοκρασίας για τον ελληνικό χώρο που καλύπτει ο ασθενής αυλώνας με επέκταση των χαμηλών θερμοκρασιών προς τα νοτιοανατολικά (Σχήμα 43). Για περιοχές που υπερβαίνουν τα όρια του αυλώνα σημειώνεται άνοδος των θερμοκρασιών. Στην Ελλάδα σύμφωνα με τα γεωδυναμικά ύψη στην ισοβαρική επιφάνεια των 850 hpa η θερμοκρασία που σημειώθηκε για το ύψος των 1520 m είναι περίπου 10 C. 87

88 4.2.2 Περίπτωση: 12/12/2008 Για την απεικόνιση της χωρικής κατανομής των εκτιμώμενων περιοχών βροχής, οι αλγόριθμοι διάκρισης βροχοφόρων και μη βροχοφόρων νεφών (POR1, POR2, MLP1 και MLP2) συγκρίνονται με πραγματικά δεδομένα βροχόπτωσης που καταγράφηκαν από τους μετεωρολογικούς σταθμούς του ΕΑΑ. Στο χάρτη ανάλυσης καιρού επιφανείας στo σχήμα 45 στις 12/12/2008, 12:00 UTC, παρατηρείται ένα συνεσφιγμένο μέτωπο στην Ιταλία με το ψυχρό μέτωπο να καλύπτει όλο τον ελληνικό χώρο. Η παρουσία ενός ψυχρού μετώπου ευνοεί την αστάθεια στην ατμόσφαιρα, τις ανοδικές κινήσεις των αερίων μαζών στο μπροστινό τμήμα του μετώπου και συνδέεται με την ανάπτυξη νεφών κατακόρυφης ανάπτυξης. Στις 12 Δεκεμβρίου 2008, 09:00 UTC, παρατηρείται ένα συνεσφιγμένο μέτωπο στην Ιταλία με το ψυχρό μέτωπο να καλύπτει όλο τον ελληνικό χώρο (Σχήμα 44α). Ενδεικτική εφαρμογή των μοντέλων διαχωρισμού βροχοφόρων νεφών και η σύγκρισή τους με τα δεδομένα βροχής των επίγειων σταθμών παρουσιάζεται στα σχήματα 44β με 44ε. Τα μοντέλα POR1 και MLP1 που βασίζονται στις φασματικές παραμέτρους των νεφών, προσφέρουν μια ικανοποιητική εκτίμηση της αναμενόμενης περιοχής βροχής πάνω από τα νέφη κατακόρυφης ανάπτυξης που βρίσκονται στη περιοχή του Αιγαίου και πάνω από τα θερμά νεφικά συστήματα στη περιοχή της Κρήτης. Η εκτιμώμενη περιοχή βροχής και για τους δύο αλγόριθμους εντοπισμού βροχοφόρων νεφών είναι μεγαλύτερη από τη πραγματική περιοχή βροχής που καταγράφηκε από τους σημειακούς μετεωρολογικούς σταθμούς. Το μοντέλο POR2 παρουσιάζει μικρότερη περιοχή βροχής από τον αλγόριθμο MLP2, αλλά και τα δύο μοντέλα αποδίδουν βροχή στα άκρα των νεφικών συστημάτων εξαιτίας της προσθήκης των παραμέτρων υφής. Επομένως τα μοντέλα διαχωρισμού βροχοφόρων και μη βροχοφόρων νεφών που βασίζονται στις φασματικές παραμέτρους και στις παραμέτρους υφής των νεφών δίνουν τα χειρότερα αποτελέσματα στον εντοπισμό των βροχοφόρων νεφών σε σχέση με τους αλγόριθμους που βασίζονται μόνο στις φασματικές παραμέτρους. Τα στατιστικά αποτελέσματα παρουσιάζονται για 12 Δεκεμβρίου 2008, 09:00 UTC στον πίνακα 12. Το μοντέλο με τα βέλτιστα αποτελέσματα είναι το MLP1 (POD=73.8%, FAR=32.6%, POFD=33.5%, CSI=0.544, Bias=1.09), ενώ το POR2 εμφανίζει τη χειρότερη απόδοση ανάμεσα στα μοντέλα ταξινόμησης βροχοφόρων και μη βροχοφόρων νεφών. Πίνακας 12. Αποτελέσματα αξιολόγησης των αλγόριθμων εντοπισμού βροχοφόρων νεφών (POR1, POR2, MLP1 and MLP2) στις 12/12/2008, 09:00 UTC. ΜΟΝΤΕΛΑ POD FAR POFD CSI ETS ΗΚ DISTANCE BIAS POR POR MLP MLP

89 ΣΧΗΜΑ 44. (α) Δορυφορική εικόνα του MSG με θερμοκρασίες λαμπρότητας στο κανάλι των 10.8 μm και εφαρμογή των μοντέλων εντοπισμού περιοχής βροχής (β) POR1, (γ) POR2, (δ) MLP1, (ε) MLP2 για την εικόνα της 12 Δεκεμβρίου 2008, 09:00 UTC. 89

90 ΣΧΗΜΑ 45. Χάρτης μέσης στάθμης θάλασσας, στις 12/12/2008, 12:00 UTC. ΣΧΗΜΑ 46. Χάρτης γεωδυναμικού ύψους και θερμοκρασίας στην ισοβαρική επιφάνεια των 500 hpa στις 12/12/2008, 12:00 UTC. 90

91 Στο επίπεδο των 500 hpa στις 12/12/2008, 12:00 UTC, διακρίνεται ένας εκτεταμένος αυλώνας (trough) με κατεύθυνση νοτιοανατολική που καλύπτει την Ιταλία και σχεδόν ολόκληρη την Ελλάδα (Σχήμα 46). Στο μπροστινό τμήμα του αυλώνα στα 500 hpa παρουσιάζεται απόκλιση της ροής των αερίων μαζών ευνοώντας τις ανοδικές κινήσεις ο καιρός να είναι νεφελώδης με έντονες βροχοπτώσεις και καταιγίδες λόγω της αστάθειας που προκαλεί η απόκλιση στον αυλώνα των 500 hpa. ΣΧΗΜΑ 47. Χάρτης γεωδυναμικού ύψους και θερμοκρασίας στην ισοβαρική επιφάνεια των 850 hpa στις 12/12/2008, 12:00 UTC. Στο επίπεδο των 850 hpa στις 12/12/2008, 12:00 UTC, παρατηρείται μείωση της θερμοκρασίας σε όλες τις περιοχές που καλύπτει ο υφεσιακός αυλώνας με επέκταση των χαμηλών θερμοκρασιών προς τα νοτιοανατολικά (Σχήμα 47). Για την περιοχή της Ελλάδας η θερμοκρασία που παρατηρείται με το ύψος της ισοβαρικής επιφάνειας των 850 hpa να κυμαίνεται μεταξύ 1400 και 1500 m είναι περίπου 5 C. 91

92 4.2.3 Περίπτωση: 23/1/2009 Στις 23 Ιανουαρίου 2009, 10:00 UTC, παρουσιάζεται ένα βαθύ χαμηλό ανατολικά της Ελλάδας και ένα συνεσφιγμένο μέτωπο με ένα ψυχρό μέτωπο που επεκτείνεται βόρεια της ηπειρωτικής χώρας. Στο χάρτη ανάλυσης καιρού επιφανείας στις 23/1/2009, 12:00 UTC, εμφανίζεται ένα βαθύ χαμηλό ανατολικά της Ελλάδας (Σχήμα 49) και ένα ψυχρό μέτωπο που επεκτείνεται βόρεια του ελληνικού χώρου. Στη δορυφορική εικόνα στο θερμικό υπέρυθρο στα 10.8 μm διακρίνονται μεσαία νέφη που σχετίζονται με την παρουσία της συνεσφιγμένης μετωπικής ύφεσης και στη βόρεια Ελλάδα νέφη με ψυχρές κορυφές συνδέονται με την εμφάνιση του ψυχρού μετώπου (Σχήμα 48α). Τα μοντέλα ταξινόμησης βροχοφόρων νεφών παρουσιάζονται στα σχήματα 48β με 48ε. Οι αλγόριθμοι POR1 και MLP1 που βασίζονται στις φασματικές παραμέτρους των νεφών, προσφέρουν ικανοποιητική διάκριση των μη βροχοφόρων νεφών Cirrus από τα βροχοφόρα νέφη όπως παρατηρείται στην περιοχή της βόρειας Ελλάδας. Η εκτιμώμενη περιοχή βροχής και για τους δύο αλγόριθμους εντοπισμού βροχοφόρων νεφών είναι μεγαλύτερη από τη πραγματική περιοχή βροχής που καταγράφηκε από τους σημειακούς μετεωρολογικούς σταθμούς. Το μοντέλο POR2 παρουσιάζει μικρότερη περιοχή βροχής από τον αλγόριθμο MLP2, αλλά και τα δύο μοντέλα αποδίδουν βροχή στα άκρα των νεφικών συστημάτων εξαιτίας της προσθήκης των παραμέτρων υφής. Επομένως τα μοντέλα διαχωρισμού βροχοφόρων και μη βροχοφόρων νεφών που βασίζονται στις φασματικές παραμέτρους και στις παραμέτρους υφής των νεφών δίνουν τα χειρότερα αποτελέσματα στον εντοπισμό των βροχοφόρων νεφών σε σχέση με τους αλγόριθμους που βασίζονται μόνο στις φασματικές παραμέτρους. Τα περισσότερα επεισόδια βροχής που καταγράφονται από τους σημειακούς σταθμούς βροχής πάνω από την ηπειρωτική Ελλάδα ανταποκρίνονται ικανοποιητικά με την εκτιμώμενη περιοχή βροχής από τους αλγόριθμους. Επίσης υπάρχουν και μη βροχοφόρα περιστατικά βροχής στα ανατολικά, που λανθασμένα ταξινομούνται ως βροχοφόρα από τους αλγόριθμους. Οι στατιστικοί δείκτες παρουσιάζονται για 23 Ιανουαρίου 2009, 09:00 UTC στον πίνακα 13. Το μοντέλο με τα βέλτιστα αποτελέσματα είναι το MLP1 (POD=80.5%, FAR=31.6%, POFD=35.1%, CSI=0.587, Bias=1.18), ενώ το POR2 εμφανίζει τη χειρότερη απόδοση ανάμεσα στα μοντέλα ταξινόμησης βροχοφόρων και μη βροχοφόρων νεφών. Πίνακας 13. Αποτελέσματα αξιολόγησης των αλγόριθμων εντοπισμού βροχοφόρων νεφών (POR1, POR2, MLP1 and MLP2) στις 23/1/2009, 10:00 UTC. ΜΟΝΤΕΛΑ POD FAR POFD CSI HK-TSS ETS DISTANCE BIAS POR POR MLP MLP

93 ΣΧΗΜΑ 48. (α) Δορυφορική εικόνα του MSG με θερμοκρασίες λαμπρότητας στο κανάλι των 10.8 μm και εφαρμογή των μοντέλων εντοπισμού περιοχής βροχής (β) POR1, (γ) POR2, (δ) MLP1, (ε) MLP2 για την εικόνα της 23 Ιανουαρίου 2009, 10:00 UTC. 93

94 ΣΧΗΜΑ 49. Χάρτης μέσης στάθμης θάλασσας, στις 23/1/2009, 12:00 UTC. ΣΧΗΜΑ 50. Χάρτης γεωδυναμικού ύψους και θερμοκρασίας στην ισοβαρική επιφάνεια των 500 hpa στις 23/1/2009, 12:00 UTC 94

95 Στο επίπεδο των 500 hpa στις 23/1/2009, 12:00 UTC, παρατηρείται ένας εκτεταμένος αυλώνας με κατεύθυνση νοτιοανατολική που καλύπτει ολόκληρη την Ελλάδα (Σχήμα 50). Στο μπροστινό τμήμα του αυλώνα στα 500 hpa παρουσιάζεται απόκλιση της ροής των αερίων μαζών ευνοώντας τις ανοδικές κινήσεις και την ανάπτυξη νεφών κατακόρυφης ανάπτυξης με έντονες βροχοπτώσεις και καταιγίδες λόγω της αστάθειας που προκαλεί η απόκλιση στον αυλώνα των 500hpa. ΣΧΗΜΑ 51. Χάρτης γεωδυναμικού ύψους και θερμοκρασίας στην ισοβαρική επιφάνεια των 850 hpa στις 23/1/2009, 12:00 UTC. Στο επίπεδο των 850 hpa καιρού επιφανείας στις 23/1/2009, 12:00 UTC, παρατηρείται μείωση της θερμοκρασίας στις περιοχές που καλύπτει το trough με επέκταση των χαμηλών θερμοκρασιών προς τα νοτιοανατολικά της Κρήτης (Σχήμα 51). Η θερμοκρασία που παρατηρήθηκε στην Ελλάδα, με το ύψος της ισοβαρικής επιφάνειας των 850 hpa να κυμαίνεται μεταξύ 1200 και 1300 m είναι μικρότερη των 5 C. 95

96 4.3 Επιμέρους συμπεράσματα Δύο διαφορετικές μέθοδοι αναπτύχθηκαν για το διαχωρισμό των βροχοφόρων νεφών από τα μη βροχοφόρα νέφη. Αρχικά υπολογίστηκε η πιθανότητα βροχής (Probability of Rainfall, PΟR) και ο αλγόριθμος των νευρωνικών δικτύων χρησιμοποιώντας πραγματικά δεδομένα βροχόπτωσης από επίγειους μετεωρολογικούς σταθμούς του Eθνικού Aστεροσκοπείου Aθηνών (ΕΑΑ) και πολυφασματικές εικόνες του δορυφόρου MSG. Στη φάση της εκπαίδευσης διαπιστώθηκε ότι οι αλγόριθμοι υπολογισμού της πιθανότητας βροχόπτωσης (POR1, POR2) παρουσιάζουν καλύτερα αποτελέσματα από τους αλγόριθμους των νευρωνικών δικτύων (MLP1, MLP2). Η αξιοποίηση των φασματικών καναλιών MSG SEVIRI στο θερμικό υπέρυθρο δίνει ενθαρρυντικά αποτελέσματα για την βελτίωση των τεχνικών εντοπισμού των βροχοφόρων νεφών, ενώ η εισαγωγή των παραμέτρων υφής δεν βελτιώνει την απόδοση των μοντέλων στη διάκριση των βροχοφόρων νεφικών συστημάτων. Ο αλγόριθμος POR1 δίνει τα καλύτερα αποτελέσματα από τα τέσσερα μοντέλα και η τεχνική MLP2 εμφανίζει τη χειρότερη απόδοση. Όλα τα μοντέλα υπερεκτιμούν τον αριθμό των συμβάντων βροχής που παρατηρήθηκε από τους σημειακούς μετεωρολογικούς σταθμούς. Η απόδοση των μοντέλων διάκρισης βροχοφόρων και μη βροχοφόρων νεφικών συστημάτων αξιολογήθηκε για ανεξάρτητο δείγμα δέκα ημερών βροχής που καταγράφηκαν στη χρονική περίοδο Μαρτίου Φεβρουαρίου Στο στάδιο της αξιολόγησης παρατηρείται σημαντική μείωση της απόδοσης όλων των αλγορίθμων με τις στατιστικές παραμέτρους ETS και HK να εμφανίζουν σημαντική φθίνουσα τάση, σε σύγκριση με τη φάση της βαθμονόμησης. Τα μοντέλα των νευρωνικών δικτύων (MLP1, MLP2) δίνουν καλύτερα αποτελέσματα από τα μοντέλα υπολογισμού της πιθανότητας βροχόπτωσης (POR1, POR2). Η προσθήκη των παραμέτρων υφής στις φασματικές παραμέτρους δεν βελτιώνει την ακρίβεια των μοντέλων στον εντοπισμό των βροχοφόρων νεφών. Ο αλγόριθμος MLP1 παρουσιάζει την καλύτερη απόδοση και η τεχνική POR2 εμφανίζει τη χειρότερη απόδοση στη φάση της αξιολόγησης. Επίσης στο στάδιο της αξιολόγησης όλα τα μοντέλα διαχωρισμού βροχοφόρων και μη βροχοφόρων νεφικών συστημάτων υπερεκτιμούν τον αριθμό των συμβάντων βροχής που παρατηρήθηκε από τους σημειακούς μετεωρολογικούς σταθμούς. Η κακή απόδοση των τεχνικών πιθανότητας βροχής (POR) στη φάση της αξιολόγησης οφείλεται στο γεγονός ότι τα μοντέλα υπολογισμού της πιθανότητας βροχής εξαρτώνται σημαντικά από τη συχνότητα κατανομής των περιστατικών βροχή/μη βροχή μεταξύ του εξαρτημένου και ανεξάρτητου δείγματος (Feidas and Giannakos 2011). 96

97 Συμπερασματικά στην παρούσα εργασία προτείνεται αρχικά μια μεθοδολογία εντοπισμού και διάκρισης των βροχοφόρων και μη βροχοφόρων νεφών, με βάση τη διαθεσιμότητα δορυφορικών δεδομένων υψηλής χρονικής διακριτικής ικανότητας από γεωστάσιμους δορυφόρους και σημειακών βροχογράφων που χρησιμοποιούνται για την επαλήθευση της νεφικής πληροφορίας. Ο αλγόριθμος των νευρωνικών δικτύων MLP1 παρουσιάζει τη βέλτιστη απόδοση μεταξύ των αλγόριθμων εντοπισμού βροχοφόρων νεφών, που οφείλεται στην ικανότητα της αρχιτεκτονικής δομής των νευρωνικών δικτύων να κατηγοριοποιεί δεδομένα που εμφανίζουν τα ίδια χαρακτηριστικά σε κλάσεις. Η εισαγωγή των παραμέτρων υφής δεν βελτιώνει τα αποτελέσματα των μοντέλων στη ταξινόμηση των βροχοφόρων νεφών από τα μη βροχοφόρα νέφη, εξαιτίας της αδυναμίας των μεθόδων ανάλυσης υφής που σχετίζονται με τη μεταβολή των θερμοκρασιών λαμπρότητας των βροχοφόρων νεφικών εικονοστοιχείων να αναγνωρίσουν βροχοφόρα θερμά νεφικά συστήματα. Από μία τέτοια μελέτη γίνεται κατανοητό ότι η αξιοποίηση της φασματικής πληροφορίας του γεωστάσιμου μετεωρολογικού δορυφόρου MSG βελτιώνει την απόδοση των αλγόριθμων διάκρισης βροχοφόρων και μη βροχοφόρων νεφικών συστημάτων στα μέσα γεωγραφικά πλάτη και προσφέρει τη δυνατότητα για την ανάπτυξη μιας 24ώρης τεχνικής εντοπισμού βροχοφόρων νεφών με υψηλή χρονική και χωρική διακριτική ικανότητα. Στη συνέχεια της διδακτορικής έρευνας θα ακολουθήσει η ανάπτυξη του αλγόριθμου διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών με τη χρήση των πολυφασματικών δορυφορικών δεδομένων MSG. 97

98 Κεφάλαιο 5 ο Στο επόμενο στάδιο της διδακτορικής έρευνας αναλύεται η δυνατότητα αξιοποίησης της υψηλής φασματικής διακριτικής ικανότητας του δορυφόρου MSG για την ανάπτυξη μοντέλων ταξινόμησης των στρατόμορφων και σωρειτόμορφων βροχοφόρων νεφικών συστημάτων, η οποία θα βασίζεται στη χωρική και χρονική συσχέτιση των φασματικών παραμέτρων και των παραμέτρων υφής των νεφών με πραγματικά δεδομένα στρατόμορφης/σωρειτόμορφης βροχής που καταγράφηκαν από μετεωρολογικούς σταθμούς. Παρουσιάζονται δύο τεχνικές διαχωρισμού στρατόμορφων και σωρειτόμορφων βροχοφόρων νεφών που στηρίζονται στα υπέρυθρα δορυφορικά δεδομένα MSG. Για τη διάκριση των στρατόμορφων και σωρειτόμορφων βροχοφόρων νεφικών συστημάτων υπολογίστηκε ο αλγόριθμος πιθανότητας σωρειτόμορφης βροχόπτωσης (Probability of Convective Rainfall, PCR) και ο αλγόριθμος των νευρωνικών δικτύων (MLP) ως συνάρτηση των φασματικών παραμέτρων και των παραμέτρων υφής, που υπολογίστηκαν από τα επιλεγμένα βροχοφόρα νεφικά εικονοστοιχεία MSG, με πραγματικές καταγραφές στρατόμορφης/σωρειτόμορφης βροχής από μετεωρολογικούς σταθμούς του Eθνικού Aστεροσκοπείου Aθηνών (ΕΑΑ). 5.1 Βαθμονόμηση και αξιολόγηση τεχνικών ταξινόμησης στρατόμορφων και σωρειτόμορφων βροχοφόρων νεφών Εκπαίδευση των τεχνικών Τα μοντέλα εντοπισμού σωρειτόμορφων βροχοφόρων νεφών βαθμονομήθηκαν χρησιμοποιώντας χωρικά και χρονικά συσχετισμένα δορυφορικά δεδομένα MSG και πραγματικές καταγραφές στρατόμορφης/σωρειτόμορφης βροχόπτωσης. Στο στάδιο της εκπαίδευσης των αλγόριθμων χρησιμοποιήθηκαν καταγραφές βροχόπτωσης με ανάλυση 10 από 88 σταθμούς του δικτύου του Εθνικού Αστεροσκοπείου Αθηνών για 30 επεισόδια βροχής στον Ελληνικό χώρο το χρονικό διάστημα Μαρτίου 2008-Φεβρουαρίου Η απόδοση των μοντέλων διάκρισης βροχοφόρων νεφών αξιολογήθηκε με την εφαρμογή ανεξάρτητου δείγματος 10 ημερών βροχής για το ίδιο χρονικό διάστημα. Η πιθανότητα σωρειτόμορφης βροχόπτωσης (Probability of Convective Rainfall, PCR) στη φάση της εκπαίδευσης υπολογίστηκε ως συνάρτηση των φασματικών παραμέτρων και των παραμέτρων υφής, που υπολογίστηκαν από τα επιλεγμένα βροχοφόρα νεφικά εικονοστοιχεία των εικόνων του δορυφόρου MSG (αναφέρονται ως τεχνικές PCR1 και PCR2). Ο έλεγχος της απόδοσης των αλγόριθμων κατηγοριοποίησης στρατόμορφων και σωρειτόμορφων βροχοφόρων νεφών πραγματοποιήθηκε με τον υπολογισμό των στατιστικών παραμέτρων που χρησιμοποιήθηκαν στην αξιολόγηση των τεχνικών διάκρισης βροχοφόρων και μη βροχοφόρων νεφών. 98

99 Οι στατιστικές παραμέτροι POD (Probability of Detection), FAR (False Alarm Ratio), POFD (Probability of False Detection), CSI (Critical Success Index), ETS (Equitable Threat Score), HK (Hanssen and Kuipers score) και bias που υπολογίστηκαν από τον πίνακα συνάφειας, εφαρμόστηκαν για την αξιολόγηση της απόδοσης των αλγορίθμων PCR με την εύρεση ενός κάτω κατωφλίου στις τιμές του PCR th που βελτιστοποιεί την ταξινόμηση των σωρειτόμορφων και στρατόμορφων βροχοφόρων νεφικών συστημάτων. Ακολούθησε ο έλεγχος της απόδοσης των μοντέλων εντοπισμού σωρειτόμορφων βροχοφόρων νεφών με βάση το κριτήριο του προσδιορισμού της σωρειτόμορφης βροχόπτωσης. Εφαρμόστηκαν δύο διαφορετικά κριτήρια κατηγοριοποίησης (α) 5 mm/h και β) 3 mm/h) των επεισοδίων βροχής (σωρειτόμορφη/στρατόμορφη) που καταγράφηκαν από τους σημειακούς σταθμούς βροχόπτωσης του ΕΑΑ. Με βάση το κατώφλι των 5 mm/h ο μικρός αριθμός των σωρειτόμορφων περιστατικών βροχής περιορίζει την ικανότητα αναγνώρισης των σωρειτόμορφων βροχοφόρων νεφών. Αρκετές μελέτες έχουν δείξει ότι οι στατιστικοί δείκτες σε ακραία και σπάνια δεδομένα βροχής είναι ευαίσθητοι στην παράμετρο σφάλματος και ενθαρύνουν την υποεκτίμηση ή την υπερεκτίμηση των γεγονότων (Schaefer 1990; Doswell et al. 1990; Marzban 1998; Goeber 2004). Με την εφαρμογή του κριτηρίου των 5 mm/h η σχετική συχνότητα των σωρειτόμορφων βροχοφόρων γεγονότων ήταν χαμηλή στη φάση της εκπαίδευσης (17.7%) και αξιολόγησης (15.3%) εισάγοντας μεγάλη αβεβαιότητα και σφάλμα στην διάκριση των σωρειτόμορφων νεφών. Τελικά έγινε επιλογή του κατωφλίου των 3 mm/h για την ταξινόμηση των συμβάντων βροχής καθώς παρουσιάζει μεγαλύτερη σχετική συχνότητα στο στάδιο της εκπαίδευσης (35.1%) και αξιολόγησης (31.5%) από το κατώφλι των 5 mm/h. Τα γραφήματα ROC για διαφορετικές τιμές κατωφλίων PCR th των τεχνικών PCR1 και PCR2 απεικονίζονται στο Σχήμα 52. Και οι δυο τεχνικές, PCR1 και PCR2 έδωσαν παρόμοιες βέλτιστες τιμές κατωφλίου PCR th (0.21 και 0.20, αντίστοιχα). Λαμβάνοντας υπόψη την απόσταση των βέλτιστων τιμών των κατωφλίων από την επάνω-αριστερή γωνία του διαγράμματος ROC, συμπεραίνεται ότι η τεχνική PCR2 παρουσιάζει καλύτερη απόδοση από την τεχνική PCR1 στον εντοπισμό σωρειτόμορφων βροχοφόρων νεφών. Η ανάλυση ευαισθησίας για την αποτελεσματικότητα των μοντέλων ταξινόμησης σωρειτόμορφων και στρατόμορφων νεφών πρέπει να βασίζεται όχι μόνο στη στατιστική παράμετρο της απόστασης αλλά και στις μέγιστες τιμές των τριών στατιστικών παραμέτρων (CSI, ETS, και HK), που όμως επηρεάζονται από τις τιμές είτε του POD ή του FAR, με αποτέλεσμα να μην αποκτούν τη βέλτιστη τιμή τους στις ίδιες τιμές κατωφλίων PCR th. 99

100 Η παράμετρος NSS υπολογίστηκε για την εύρεση του βέλτιστου κατωφλίου για το διαχωρισμό στρατόμορφων και σωρειτόμορφων βροχοφόρων νεφών και για τις δύο μεθοδολογίες PCR. Τα σχήματα 53 και 54 παρουσιάζουν τα αποτελέσματα της ανάλυσης ευαισθησίας ως προς την καταλληλότητα των τεχνικών στη ταξινόμηση των σωρειτόμορφων και στρατόμορφων βροχοφόρων νεφικών συστημάτων. Ο δείκτης NSS εμφάνισε τη μέγιστη τιμή για τιμή κατωφλίου για τον αλγόριθμο PCR1 (PCR1 > 0.21) και για τον αλγόριθμο PCR2 (PCR2 > 0.2). Οι τιμές των κατωφλίων είναι παρόμοιες με τις τιμές του στατιστικού δείκτη distance που χρησιμοποιήθηκε ως παράμετρος αξιολόγησης της ικανότητας εκτίμησης των μοντέλων εντοπισμού σωρειτόμορφης βροχής PCR στα διαγράμματα ROC (Σχήμα 52). To ραδιομετρικό σφάλμα στις δορυφορικές εικόνες του ραδιομέτρου SEVIRI είναι πολύ χαμηλό (0.10K K) για τα κανάλια στο θερμικό υπέρυθρο στα 300K, φτάνοντας μέχρι K σε 220 K) για να προσθέσει σημαντικές αβεβαιότητες στην εκτίμηση των κατωφλίων εντοπισμού των σωρειτόμορφων βροχοφόρων νεφικών εικονοστοιχείων (Schmetz et al. 2002). Για την εκπαίδευση των δύο αλγορίθμων των νευρωνικών δικτύων στην ταξινόμηση στρατόμορφων και σωρειτόμορφων βροχοφόρων νεφών (MLP1 και MLP2), εφαρμόστηκαν τρεις διαφορετικοί αριθμοί νευρώνων (10, 15, και 20) στο ενδιάμεσο επίπεδο, με σταθερό βήμα 100 επαναλήψεων για την προσαρμογή των βαρών, για την εύρεση της βέλτιστης τοπολογικής δομής των νευρωνικών δικτύων που ελάχιστοποιεί το σφάλμα του μοντέλου (RMSE). Συγκεκριμένα, στο σχήμα 55 παρουσιάζεται η διακύμανση του σφάλματος για διαφορετικό αριθμό νευρώνων (10, 15 και 20) ως συνάρτηση του αριθμού των επαναλήψεων που απαιτούνται για την εκπαίδευση των μοντέλων MLP1 και MLP2. O βέλτιστος αριθμός νευρώνων προέκυψε σε 10 για τον αλγόριθμο MLP1 και σε 15 για τον MLP2 μετά από 500 επαναλήψεις. Σύμφωνα με τη στατιστική παράμετρο RMSE, το μοντέλο MLP2 παρουσιάζει καλύτερα αποτελέσματα διάκρισης μεταξύ των στρατόμορφων και σωρειτόμορφων βροχοφόρων νεφών από το MLP1. 100

101 Στο στάδιο της βαθμονόμησης, για τον έλεγχο της απόδοσης των τεχνικών εντοπισμού σωρειτόμορφων βροχοφόρων νεφών χρησιμοποιήθηκαν οι στατιστικοί δείκτες POD, FAR, POFD, CSI, ETS και HK. Τα αποτελέσματα των στατιστικών παραμέτρων που υπολογίστηκαν για τα τέσσερα μοντέλα διάκρισης των στρατόμορφων και σωρειτόμορφων βροχοφόρων νεφών (PCR1, PCR2, MLP1, και MLP2) και περιλαμβάνουν 30 ημέρες επεισοδίων βροχής για τη φάση της εκπαίδευσης, για το χρονικό διάστημα Μαρτίου 2008-Φεβρουαρίου 2009, παρουσιάζονται στο σχήμα 56 (από α εως δ). Στη φάση της εκπαίδευσης παρατηρείται ότι οι αλγόριθμοι υπολογισμού της πιθανότητας σωρειτόμορφης βροχής PCR1 και PCR2 παρουσιάζουν αυξημένες τιμές για τις στατιστικές παραμέτρους CSI, ETS, HK και distance από τους αλγόριθμους νευρωνικών δικτύων MLP1 και MLP2. Μεταξύ των μοντέλων υπολογισμού της πιθανότητας σωρειτόμορφης βροχόπτωσης, το μοντέλο PCR2 απεικονίζει καλύτερα αποτελέσματα από το μοντέλο PCR1, ενώ για τις τεχνικές των νευρωνικών δικτύων MLP η τεχνική MLP2 αποδίδει καλύτερα αποτελέσματα από την τεχνική MLP1. Οι αλγόριθμοι εντοπισμού σωρειτόμορφων βροχοφόρων νεφών PCR, απεικονίζουν βελτιωμένους δείκτες εκτίμησης (POD, FAR, POFD, CSI, HK, ETS, BIAS, DISTANCE) σε σύγκριση με τους αλγόριθμους νευρωνικών δικτύων MLP. Η βελτίωση αυτή οφείλεται στη σημαντική μείωση του αριθμού των μη επαληθευμένων συμβάντων (FAR και POFD). Συμπερασματικά, στο στάδιο της εκπαίδευσης παρατηρείται ότι η αξιοποίηση των παραμέτρων υφής βελτιώνει την απόδοση των μοντέλων διάκρισης στρατόμορφων και σωρειτόμορφων βροχοφόρων νεφικών συστημάτων. Ο αλγόριθμος PCR2 παρουσιάζει τα βέλτιστα αποτελέσματα και αποδίδει τις χαμηλότερες τιμές για μη επαληθευμένα συμβάντα βροχής (FAR=43.6% και POFD=33.2%) και τις υψηλότερες τιμές για τους δείκτες εκτίμησης της ικανότητας των αλγόριθμων ταξινόμησης στρατόμορφων και σωρειτόμορφων βροχοφόρων νεφών (CSI, ETS, και HK). Όλα τα μοντέλα υπερεκτιμούν τον αριθμό των συμβάντων βροχής που καταγράφηκε από το δίκτυο των σταθμών βροχόπτωσης του ΕΑΑ. Το μοντέλο MLP1εμφανίζει τη χειρότερη απόδοση στο διαχωρισμό στρατόμορφων και σωρειτόμορφων βροχοφόρων νεφών. 101

102 ΣΧΗΜΑ 52. Διάγραμμα ROC για διάφορα κατώφλια PCR th των μοντέλων διάκρισης βροχοφόρων νεφών (α) PCR1, (β) PCR2. Κάθε σημείο στο διάγραμμα ROC αναπαριστά ένα ζεύγος POD-POFD που αντιστοιχεί σε συγκεκριμένο κατώφλι. Με το βέλος σημειώνεται το σημείο του μοντέλου με κατώφλια PCR1 th =0.21 και PCR2 th = 0.20, που αντιστοιχεί στην ελάχιστη απόσταση (distance) από την επάνωαριστερή γωνία του διαγράμματος. 102

103 ΣΧΗΜΑ 53. Έλεγχος ευαισθησίας του μοντέλου πιθανότητας βροχής PCR1 με βάση τις τιμές των δεικτών εκτίμησης (CSI, HK, ETS, distance, NSS) για διάφορα κατώφλια των τιμών PCR1 th. Η κατακόρυφη διακεκομμένη γραμμή δηλώνει την τιμή του βέλτιστου κατωφλίου PCR1 th. ΣΧΗΜΑ 54. Έλεγχος ευαισθησίας του μοντέλου πιθανότητας βροχής PCR2 με βάση τις τιμές των δεικτών εκτίμησης (CSI, HK, ETS, distance, NSS) για διάφορα κατώφλια των τιμών PCR2 th. Η κατακόρυφη διακεκομμένη γραμμή δηλώνει την τιμή του βέλτιστου κατωφλίου PCR2 th. 103

104 ΣΧΗΜΑ 55. Διακύμανση του RMSE για διαφορετικούς αριθμούς νευρώνων (10, 15 και 20) ως συνάρτηση του αριθμού των επαναλήψεων που εφαρμόζονται στην εκπαίδευση των τεχνικών MLP1 και MLP2 ΣΧΗΜΑ 56. Δείκτες (α) POD, FAR και POFD, (β) ETS, CSI και ΗΚ, (γ) απόσταση (distance) στο διάγραμμα ROC και (δ) bias υπολογισμένα για τους τέσσερεις αλγόριθμους διαχωρισμού σωρειτόμορφης και στρατόμορφης βροχής για τις 30 ημέρες επεισοδίων βροχής που χρησιμοποιήθηκαν στην εκπαίδευση των μοντέλων. 104

105 5.1.2 Αξιολόγηση των τεχνικών Η αξιολόγηση της ικανότητας των μοντέλων εντοπισμού σωρειτόμορφων βροχοφόρων νεφών εξετάστηκε με την εφαρμογή τους σε δορυφορικά δεδομένα του ραδιομέτρου SEVIRI για ανεξάρτητο δείγμα δέκα επεισοδίων βροχής που καταγράφηκαν τη χρονική περίοδο Μαρτίου Φεβρουαρίου Τα επεισόδια βροχόπτωσης που επιλέχτηκαν για την αξιολόγηση των μοντέλων είναι ανεξάρτητα από τα γεγονότα βροχής που χρησιμοποιήθηκαν στο στάδιο της εκπαίδευσης των μοντέλων. Στο σχήμα 57 (από α εως δ) παρουσιάζονται οι τιμές των στατιστικών παραμέτρων που υπολογίστηκαν από τους αλγόριθμους κατηγοριοποίησης σωρειτόμορφων/στρατόμορφων βροχοφόρων νεφών (PCR1, PCR2, MLP1 και MLP2) χρησιμοποιώντας ανεξάρτητα δεδομένα βροχόπτωσης. Γενικά, παρουσιάζεται σημαντική μείωση της ικανότητας όλων των αλγορίθμων σε σχέση με το στάδιο της εκπαίδευσης. Σύμφωνα με τα διαγράμματα του σχήματος 57α, παρατηρείται ότι συνολικά η επιτυχής εκτίμηση των συμβάντων «βροχής» (POD) μειώνεται σημαντικά σε σχέση με το εξαρτημένο δείγμα (Σχήμα 56α) (από % σε %). Επίσης, οι τιμές των στατιστικών δεικτών FAR και POFD αυξήθηκαν από 42.6% σε 51.5% και από 25.2% σε 33.4%, αντίστοιχα. Στο στάδιο της αξιολόγησης των τεχνικών οι τιμές της στατιστικής παραμέτρου CSI μειώνονται σημαντικά σε σχέση με το εξαρτημένο δείγμα (Σχήμα 56β) (από σε ). Θα πρέπει να σημειωθεί ότι οι παράμετροι FAR και CSI είναι ισχυρά εξαρτημένοι με τη σχετική συχνότητα των γεγονότων βροχόπτωσης, με αποτέλεσμα να μην είναι κατάλληλοι στη σύγκριση δειγμάτων με διαφορετικό αριθμό γεγονότων στρατόμορφης/σωρειτόμορφης βροχής (Brown and Young 2000; Mason 1989). Για το λόγο αυτό χρησιμοποιούνται οι στατιστικοί δείκτες ETS και HK για την αξιολόγηση της απόδοσης των αλγόριθμων ταξινόμησης στρατόμορφων και σωρειτόμορφων βροχοφόρων νεφών μεταξύ του εξαρτημένου και ανεξάρτητου δείγματος. Οι στατιστικοί παράμετροι ETS και HK (σχήμα 57β) λαμβάνουν υπόψη τις διαφορές στη συχνότητα των πραγματικών δεδομένων στρατόμορφης/σωρειτόμορφης βροχής και επιπλέον ο στατιστικός δείκτης HK είναι ανεξάρτητος από την κατανομή των επεισοδίων βροχής (Mason 1989; McBride and Ebert 2000; Rubel and Rudolf 2001). Ο στατιστικός δείκτης ETS μειώνεται στη φάση της αξιολόγησης σε σχέση με το στάδιο της εκπαίδευσης (από σε , αντίστοιχα) όπως και οι τιμές του δείκτη HK (από σε ) για όλα τα μοντέλα εκτός από τα μοντέλα MLP (MLP1, MLP2) που παρουσιάζουν αύξηση και για τις δύο στατιστικές παραμέτρους στο στάδιο της αξιολόγησης. Οι τιμές του bias ( ) αν και εξακολουθούν να υποδεικνύουν υπερεκτίμηση του αριθμού των συμβάντων βροχής (σχήμα 57δ), αυτή είναι μικρότερη από την υπερεκτίμηση που παρατηρήθηκε στο εξαρτημένο δείγμα για όλα τα μοντέλα. 105

106 Η σύγκριση των μοντέλων εντοπισμού βροχοφόρων νεφών ως προς την επίδοσή τους στη φάση της αξιολόγησης, παρουσιάζει διαφορετικό πρότυπο από αυτό που παρατηρήθηκε κατά τη φάση εκπαίδευσης των μοντέλων, με τα τέσσερα καλύτερα να είναι κατά φθίνουσα σειρά το MLP2, το MLP1, το PCR2 και το PCR1. Το μοντέλο με τα βέλτιστα αποτελέσματα στην περίπτωση του ανεξάρτητου δείγματος είναι το MLP2 αντί του PCR2 που υπερτερούσε στο εξαρτημένο δείγμα της εκπαίδευσης των μοντέλων. Συγκεκριμένα, ο αλγόριθμος MLP2 εκτιμά επιτυχώς το 73.8% των συμβάντων «σωρειτόμορφης βροχής» (POD) ενώ το σφάλμα εκτίμησης των συμβάντων «σωρειτόμορφης» (FAR) και «στρατόμορφης» (POFD) βροχής είναι 42.6% και 25.2%, αντίστοιχα. ΣΧΗΜΑ 57. Δείκτες (α) POD, FAR και POFD, (β) ETS, CSI και ΗΚ, (γ) απόσταση (distance) στο διάγραμμα ROC και (δ) bias υπολογισμένα για τους τέσσερεις αλγόριθμους διαχωρισμού στατόμορφης και σωρειτόμορφης βροχής για τo ανεξάρτητο δείγμα των 10 ημερών βροχής που χρησιμοποιήθηκαν στην αξιολόγηση των μοντέλων. 106

107 5.2 Αξιολόγηση σε συγκεκριμένες περιπτώσεις των αλγόριθμων διάκρισης στρατόμορφων-σωρειτόμορφων βροχοφόρων νεφών Οι αλγόριθμοι αξιολογήθηκαν για τρεις ανεξάρτητες ημέρες βροχόπτωσης ώστε να διαπιστωθεί η επιχειρησιακή ικανότητά τους στη ταξινόμηση στρατόμορφων και σωρειτόμορφων βροχοφόρων νεφών στον Ελληνικό χώρο Περίπτωση: 9/6/2008 Στο χάρτη ανάλυσης καιρού επιφανείας (Οι χάρτες ανάλυσης καιρού παρέχονται στο κεφάλαιο 4.1, Σχήμα 41) στις 9/6/2008, 18:00 UTC, απεικονίζεται μια εξασθενημένη ύφεση που κατευθύνεται βορειοανατολικά στον Ελληνικό χώρο. Στη δορυφορική εικόνα στο θερμικό υπέρυθρο στα 10.8 μm, παρατηρείται η εμφάνιση διάσπαρτων νεφών τύπου Cumulus που είναι αποτέλεσμα των ανοδικών κινήσεων του ατμοσφαιρικού αέρα, και συνδέεται με την ύπαρξη ενός ασθενή αυλώνα (Σχήμα 58α) με κατεύθυνση νοτειοανατολική. Τα μοντέλα διαχωρισμού στρατόμορφων και σωρειτόμορφων βροχοφόρων νεφών και η δορυφορική εικόνα στο φασματικό κανάλι των 10.8 μm, παρουσιάζονται στα σχήματα 58α με 58ε. Οι αλγόριθμοι των νευρωνικών δικτύων MLP και συγκεκριμένα ο αλγόριθμος MLP1 αποδίδει μεγαλύτερη περιοχή σωρειτόμορφης βροχής πάνω από τα ψυχρά νεφικά συστήματα, που είναι μεγαλύτερη από τη πραγματική περιοχή σωρειτόμορφης βροχής που καταγράφηκε από τους σημειακούς μετεωρολογικούς σταθμούς. Το μοντέλο PCR2 εντοπίζει μικρότερη περιοχή σωρειτόμορφης βροχής από τον αλγόριθμο MLP2. Τα δύο αυτά μοντέλα με την εισαγωγή των παραμέτρων υφής αποδίδουν μικρότερο αριθμό σωρειτόμορφων βροχοφόρων εικονοστοιχείων σε σχέση με τους αλγόριθμους που βασίζονται μόνο στις φασματικές παραμέτρους βελτιώνοντας την ικανότητα διαχωρισμού των στρατόμορφων και σωρειτόμορφων βροχοφόρων νέφων. Τα στατιστικά αποτελέσματα για 9 Ιουνίου 2008, 14:15 UTC παρουσιάζονται στον πίνακα 14. Το μοντέλο με τα βέλτιστα αποτελέσματα είναι το MLP2 (POD=77.8%, FAR=39.3%, POFD=31.8%, CSI=0.517, Bias=1.28), ενώ το PCR1 εμφανίζει τη χειρότερη απόδοση ανάμεσα στα μοντέλα διάκρισης βροχοφόρων νεφών. Πίνακας 14. Αποτελέσματα αξιολόγησης των αλγόριθμων εντοπισμού σωρειτόμορφων βροχοφόρων νεφών (PCR1, PCR2, MLP1 and MLP2) στις 9/6/2008, 14:15 UTC. ΜΟΝΤΕΛΑ POD FAR POFD CSI ETS HK DISTANCE BIAS PCR PCR MLP MLP

108 ΣΧΗΜΑ 58. (α) Δορυφορική εικόνα του MSG με θερμοκρασίες λαμπρότητας στο κανάλι των 10.8 μm και εφαρμογή των μοντέλων διαχωρισμού στρατόμορφης/σωρειτόμορφης βροχής (β) PCR1, (γ) PCR2, (δ) MLP1, (ε) MLP2 για την 9 η Ιουνίου 2008, 14:15 UTC. 108

109 5.2.2 Περίπτωση: 12/12/2008 Στο χάρτη ανάλυσης καιρού επιφανείας (Οι χάρτες ανάλυσης καιρού παρέχονται στο κεφάλαιο 4.1, Σχήμα 45) στις 12/12/2008, 12:00 UTC, απεικονίζεται ένα συνεσφιγμένο μέτωπο στην περιοχή της Ιταλίας, με το ψυχρό μέτωπο που εμφανίζεται στην Ελλάδα να είναι υπεύθυνο για την αστάθεια στην ατμόσφαιρα, τις ανοδικές κινήσεις των αερίων μαζών στο μπροστινό τμήμα του μετώπου, και σχετίζεται με την ανάπτυξη νεφών κατακόρυφης ανάπτυξης, όπως παρατηρείται στη δορυφορική εικόνα στο θερμικό υπέρυθρο στα 10.8 μm, βορειοανατολικά του Ελληνικού χώρου. Η δορυφορική εικόνα του MSG στο θερμικό υπέρυθρο στα 10.8 μm και τα μοντέλα ταξινόμησης στρατόμορφων/σωρειτόμορφων βροχοφόρων νεφών παρουσιάζονται στα σχήματα 59α με 59ε. Οι αλγόριθμοι υπολογισμού της πιθανότητας σωρειτόμορφης βροχής PCR εντοπίζουν μικρότερη περιοχή βροχής από τους αλγόριθμους των νευρωνικών δικτύων MLP. Τα μοντέλα PCR1 και MLP1 που βασίζονται στις φασματικές παραμέτρους των νεφών, αποδίδουν μεγαλύτερη σωρειτόμορφη περιοχή βροχής πάνω από τα νέφη κατακόρυφης ανάπτυξης από αυτή που υποδεικνύουν οι καταγραφές των σταθμών. Οι αλγόριθμοι διάκρισης στρατόμορφων και σωρειτόμορφων βροχοφόρων νεφών (PCR2 και MLP2) που βασίζονται στις φασματικές παραμέτρους και στις παραμέτρους υφής αποδίδουν μικρότερο αριθμό σωρειτόμορφων βροχοφόρων εικονοστοιχείων καθώς δεν δίνουν σωρειτόμορφη βροχή στις κορυφές των νεφών, και εμφανίζουν ικανοποιητική συσχέτιση μεταξύ της εκτιμώμενης σωρειτόμορφης περιοχής βροχής και των περιστατικών σωρειτόμορφης βροχής που καταγράφηκε από τους σταθμούς. Το μοντέλο MLP2 παρουσιάζει τα βέλτιστα αποτελέσματα στον εντοπισμό των σωρειτόμορφων βροχοφόρων νεφών και εμφανίζει σημαντική συσχέτιση μεταξύ της αναμενόμενης σωρειτόμορφης περιοχής βροχόπτωσης και των καταγραφών σωρειτόμορφης βροχής από τους σταθμούς στη Βόρεια Ελλάδα, στη Δυτική Πελοπόννησο και στην Ανατολική Ελλάδα. Ο αλγόριθμος PCR2 αποδίδει μικρότερη περιοχή σωρειτόμορφης βροχής από τον αλγόριθμο MLP2, αλλά η εκτιμώμενη σωρειτόμορφη περιοχή βροχής αναγνωρίζει μικρότερο αριθμό σταθμών που κατέγραψαν σωρειτόμορφη βροχόπτωση. Τα μοντέλα διάκρισης στρατόμορφων και σωρειτόμορφων βροχοφόρων νεφών που βασίζονται μόνο στις φασματικές παραμέτρους (PCR1 και MLP1) δίνουν χειρότερα αποτελέσματα στον εντοπισμό των σωρειτόμορφων βροχοφόρων νεφών σε σχέση με τους αλγόριθμους που αξιοποιούν και τις παραμέτρους υφής των νεφών (PCR2 και MLP2). 109

110 Τα στατιστικά αποτελέσματα για την 12 η Δεκεμβρίου 2008, 09:00 UTC παρουσιάζονται στον πίνακα 15. Το μοντέλο με τα βέλτιστα αποτελέσματα είναι το MLP2 (POD=80.7%, FAR=37.6%, POFD=40.45%, CSI=0.543, Bias=1.29), ενώ το PCR1 εμφανίζει τη χειρότερη απόδοση ανάμεσα στα μοντέλα διάκρισης στρατόμορφων/σωρειτόμορφων βροχοφόρων νεφών. Πίνακας 15. Αποτελέσματα αξιολόγησης των αλγόριθμων εντοπισμού βροχοφόρων νεφών (PCR1, PCR2, MLP1 and MLP2) στις 12/12/2008, 09:00 UTC. ΜΟΝΤΕΛΑ POD FAR POFD CSI ETS HK DISTANCE BIAS PCR PCR MLP MLP

111 ΣΧΗΜΑ 59. (α) Δορυφορική εικόνα του MSG με θερμοκρασίες λαμπρότητας στο κανάλι των 10.8 μm και εφαρμογή των μοντέλων διαχωρισμού στρατόμορφης/σωρειτόμορφης βροχής (β) PCR1, (γ) PCR2, (δ) MLP1, (ε) MLP2 για την 12 η Δεκεμβρίου 2008, 09:00 UTC. 111

112 5.2.3 Περίπτωση: 23/1/2009 Στο χάρτη καιρού επιφανείας (Οι χάρτες ανάλυσης καιρού παρέχονται στο κεφάλαιο 4.1, Σχήμα 49) στις 23/1/2009, 10:00 UTC, απεικονίζεται ένα βαθύ χαμηλό ανατολικά της Ελλάδας με το ψυχρό μέτωπο στη Βόρεια Ελλάδα, να ευνοεί την αστάθεια στην ατμόσφαιρα και να συνδέεται με την εμφάνιση σωρειτόμορφων νεφών κατακόρυφης ανάπτυξης, όπως παρατηρείται στη δορυφορική εικόνα στο θερμικό υπέρυθρο στα 10.8 μm. Η δορυφορική εικόνα στο υπέρυθρο φασματικό κανάλι των 10.8 μm και οι εκτιμήσεις των μοντέλων διαχωρισμού στρατόμορφων/σωρειτόμορφων βροχοφόρων νεφών παρουσιάζονται στα σχήματα 60α με 60ε. Τα μοντέλα υπολογισμού της πιθανότητας σωρειτόμορφης βροχής PCR αποδίδουν μικρότερη περιοχή βροχής από τα μοντέλα των νευρωνικών δικτύων MLP. Οι αλγόριθμοι PCR1 και MLP1 που βασίζονται στις φασματικές παραμέτρους των νεφών, εντοπίζουν μεγαλύτερη σωρειτόμορφη περιοχή βροχής πάνω από τα σωρειτόμορφα νεφικά συστήματα, από αυτή που καταγράφουν οι σταθμοί. Με την εισαγωγή των παραμέτρων υφής, οι αλγόριθμοι διάκρισης στρατόμορφων και σωρειτόμορφων βροχοφόρων νεφών (PCR2 και MLP2) αποδίδουν μικρότερο αριθμό σωρειτόμορφων βροχοφόρων εικονοστοιχείων και μειώνουν τον αριθμό των στρατόμορφων περιστατικών βροχής που λανθασμένα ταξινομήθηκαν από τους αλγόριθμους ως σωρειτόμορφα νέφη. Ο αλγόριθμος PCR1 παρουσιάζει μικρότερη περιοχή σωρειτόμορφης βροχής από τον αλγόριθμο MLP1, αλλά εμφανίζει λιγότερα σωρειτόμορφα βροχοφόρα εικονοστοιχεία πάνω από τους σταθμούς σωρειτόμορφης βροχής. Το μοντέλο MLP2 εμφανίζει τα καλύτερα αποτελέσματα στη διάκριση των σωρειτόμορφων βροχοφόρων νεφών και αποδίδει τα περισσότερα σωρειτόμορφα βροχοφόρα εικονοστοιχεία για τους σταθμούς που κατέγραψαν σωρειτόμορφη βροχή. Το μοντέλο PCR2 παρουσιάζει μικρότερη περιοχή σωρειτόμορφης βροχής από τον αλγόριθμο MLP2, αλλά η εκτιμώμενη σωρειτόμορφη περιοχή βροχής καλύπτει μικρότερο αριθμό σταθμών σωρειτόμορφης βροχόπτωσης. Συμπερασματικά, οι αλγόριθμοι ταξινόμησης στρατόμορφων και σωρειτόμορφων βροχοφόρων νεφών που βασίζονται μόνο στις φασματικές παραμέτρους (PCR1 και MLP1) παρουσιάζουν τη χειρότερη επίδοση σε σχέση με τους αλγόριθμους που βασίζονται στις φασματικές παραμέτρους και στις παραμέτρους υφής των νεφών. 112

113 Οι στατιστικοί δείκτες για 23 Ιανουαρίου 2009, 10:00 UTC παρουσιάζονται στον πίνακα 16. Το μοντέλο με τα βέλτιστα αποτελέσματα είναι το MLP2 (POD=83.40%, FAR=33.7%, POFD=47.87%, CSI=0.586, Bias=1.26), ενώ το PCR1 εμφανίζει τη χειρότερη απόδοση ανάμεσα στα μοντέλα ταξινόμησης βροχοφόρων και μη βροχοφόρων νεφών. Πίνακας 16. Αποτελέσματα αξιολόγησης των αλγόριθμων εντοπισμού βροχοφόρων νεφών (PCR1, PCR2, MLP1 and MLP2) στις 23/1/2009, 10:00 UTC. ΜΟΝΤΕΛΑ POD FAR POFD CSI ETS HK DISTANCE BIAS PCR PCR MLP MLP

114 ΣΧΗΜΑ 60. (α) Δορυφορική εικόνα του MSG με θερμοκρασίες λαμπρότητας στο κανάλι των 10.8 μm και εφαρμογή των μοντέλων διαχωρισμού στρατόμορφης/σωρειτόμορφης βροχής (β) PCR1, (γ) PCR2, (δ) MLP1, (ε) MLP2 για την 23 η Ιανουαρίου 2009, 10:00 UTC. 114

115 5.3 Επιμέρους συμπεράσματα Στο κεφάλαιο αυτό αναπτύχθηκαν δύο μεθοδολογίες για τη διάκριση των στρατόμορφων από τα σωρειτόμορφα βροχοφόρα νέφη. Αρχικά υπολογίστηκε η πιθανότητα σωρειτόμορφης βροχής (Probability of Convective Rainfall, PCR) και ο αλγόριθμος των νευρωνικών δικτύων MLP χρησιμοποιώντας πραγματικά δεδομένα στρατόμορφης/σωρειτόμορφης βροχόπτωσης από επίγειους μετεωρολογικούς σταθμούς του Eθνικού Aστεροσκοπείου Aθηνών (ΕΑΑ) και πολυφασματικές εικόνες του δορυφόρου MSG. Στο στάδιο της εκπαίδευσης παρατηρήθηκε ότι οι αλγόριθμοι υπολογισμού της πιθανότητας σωρειτόμορφης βροχόπτωσης (PCR1, PCR2) παρουσιάζουν καλύτερα αποτελέσματα από τους αλγόριθμους των νευρωνικών δικτύων (MLP1, MLP2). Η εισαγωγή των παραμέτρων ύφης (PCR2 και MLP2) βελτιώνει την απόδοση των μοντέλων στη ταξινόμηση των στρατόμορφων και σωρειτόμορφων βροχοφόρων νεφικών συστημάτων σε σχέση με τα μοντέλα που βασίζονται μόνο στις φασματικές παραμέτρους των βροχοφόρων νεφών. Ο αλγόριθμος PCR2 παρουσιάζει τα καλύτερα αποτελέσματα από τα τέσσερα μοντέλα και η τεχνική MLP1 εμφανίζει τη χειρότερη απόδοση. Όλες οι τεχνικές υπερεκτιμούν τον αριθμό των συμβάντων βροχής που παρατηρήθηκε από τους σημειακούς μετεωρολογικούς σταθμούς Η απόδοση των μοντέλων διαχωρισμού στρατόμορφων και σωρειτόμορφων βροχοφόρων νεφικών συστημάτων αξιολογήθηκε για ανεξάρτητο δείγμα δέκα ημερών βροχής με έντονη σωρειτόμορφη δραστηριότητα που καταγράφηκαν στη χρονική περίοδο Μαρτίου Φεβρουαρίου Στο στάδιο της αξιολόγησης παρατηρείται σημαντική μείωση της απόδοσης των αλγορίθμων υπολογισμού πιθανότητας σωρειτόμορφης βροχής PCR (PCR1, PCR2) με τις στατιστικές παραμέτρους POD, FAR και CSI να εμφανίζουν σημαντική φθίνουσα τάση, ενώ οι αλγόριθμοι MLP (MLP1, MLP2) παρουσιάζουν καλύτερα αποτελέσματα στη διάκριση των βροχοφόρων νεφών σε σύγκριση με τη φάση της βαθμονόμησης. Στο στάδιο της αξιολόγησης τα μοντέλα των νευρωνικών δικτύων MLP δίνουν καλύτερα αποτελέσματα από τα μοντέλα υπολογισμού της πιθανότητας βροχόπτωσης PCR. Παράλληλα, οι τεχνικές που συνδυάζουν φασματικές παραμέτρους και παραμέτρους υφής (MLP2, PCR2) βελτιώνουν την ακρίβεια των μοντέλων στον εντοπισμό των σωρειτόμορφων βροχοφόρων νεφών από τις τεχνικές που χρησιμοποιούν μόνο φασματικές παραμέτρους (MLP1, PCR1). Ο αλγόριθμος MLP2 παρουσιάζει την καλύτερη απόδοση και ο αλγόριθμος PCR1 εμφανίζει τη χειρότερη απόδοση στη φάση της αξιολόγησης. Επίσης στο στάδιο της αξιολόγησης όλα τα μοντέλα ταξινόμησης στρατόμορφων και σωρειτόμορφων βροχοφόρων νεφών υπερεκτιμούν τον αριθμό των συμβάντων βροχής που παρατηρήθηκε από τους σημειακούς μετεωρολογικούς σταθμούς. 115

116 Η μείωση της απόδοσης των τεχνικών πιθανότητας σωρειτόμορφης βροχής (PCR) στη φάση της αξιολόγησης οφείλεται στο γεγονός ότι η μεθοδολογία PCR εξαρτάται σημαντικά από τη συχνότητα κατανομής των περιστατικών στρατόμορφης/σωρειτόμορφης βροχής μεταξύ του εξαρτημένου και ανεξάρτητου δείγματος, που είναι μικρότερη από τον αριθμό των επεισοδίων βροχής που καταγράφηκαν στο στάδιο της εκπαίδευσης (Feidas and Giannakos 2011, 2012; Giannakos and Feidas 2013). Συμπερασματικά, από τα αποτελέσματα των αλγόριθμων διάκρισης στρατόμορφων και σωρειτόμορφων βροχοφόρων νεφών γίνεται κατανοητό ότι η εισαγωγή των παραμέτρων ύφης βελτιώνει την αναγνώριση των νεφών κατακόρυφης ανάπτυξης, εξαιτίας της έντονης χωρικής μεταβολής των θερμοκρασιών λαμπρότητας που παρατηρείται μεταξύ των στρατόμορφων και σωρειτόμορφων βροχοφόρων εικονοστοιχείων του δορυφόρου MSG. Η μέθοδος ανάλυσης υφής σχετίζεται με τη χωρική μεταβλητότητα και επομένως η αξιοποίηση των παραμέτρων υφής στον αλγόριθμο βελτιώνει τα αποτελέσματα στην αναγνώριση βροχής από σωρειτόμορφα νέφη. Το μοντέλο των νευρωνικών δικτύων MLP2 εμφανίζει τη βέλτιστη επίδοση μεταξύ των αλγόριθμων εντοπισμού σωρειτόμορφων βροχοφόρων νεφών, που οφείλεται στην ικανότητα της αρχιτεκτονικής δομής των νευρωνικών δικτύων να διαχωρίζει δεδομένα που εμφανίζουν τις ίδιες ιδιότητες σε τάξεις. Θα πρέπει να επισημανθεί ότι η ανάπτυξη των μοντέλων διάκρισης των βροχοφόρων νεφών αποτελεί ενδιάμεσο στάδιο στη δημιουργία αλγόριθμων εκτίμησης βροχής με βάση τις φασματικές παραμέτρους και τις παραμέτρους υφής των νεφών που υπολογίστηκαν από τα δορυφορικά δεδομένα στο θερμικό υπέρυθρο. Στη συνέχεια της διδακτορικής έρευνας θα παρουσιαστεί η ανάπτυξη του αλγόριθμου εκτίμησης της έντασης βροχής που βασίστηκε αρχικά στα βροχοφόρα εικονοστοιχεία που εντοπίζει ο αλγόριθμος διάκρισης βροχοφόρων και μη βροχοφόρων νεφών και στη συνέχεια στα βροχοφόρα εικονοστοιχεία που εντοπίζει ο αλγόριθμος διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών. ΚΕΦΑΛΑΙΟ 6 ο 6.1 Βαθμονόμηση και αξιολόγηση αλγόριθμων εκτίμησης βροχόπτωσης Σε αυτό το στάδιο της διδακτορικής διατριβής, διερευνάται η δυνατότητα αξιοποίησης της υψηλής φασματικής διακριτικής ικανότητας του δορυφόρου MSG για την ανάπτυξη μοντέλων εκτίμησης της έντασης βροχής σε διαφορετικές χρονικές κλίμακες, η οποία θα βασίζεται στη χωρική και χρονική συσχέτιση των φασματικών παραμέτρων και των παραμέτρων υφής των νεφών που υπολογίστηκαν από τις δορυφορικές εικόνες του MSG με μετρούμενες τιμές έντασης βροχής που καταγράφηκαν από μετεωρολογικούς σταθμούς. 116

117 6.1.1 Εκπαίδευση των τεχνικών Για την εκτίμηση της βροχόπτωσης σε πραγματικό χρόνο αναπτύχθηκαν δύο μεθοδολογίες που εφαρμόστηκαν για τον εντοπισμό των βροχοφόρων νεφών και τη διάκριση τους σε στρατόμορφα και σωρειτόμορφα νέφη, και συσχετίζουν τις φασματικές παραμέτρους και παραμέτρους υφής που υπολογίστηκαν από τα δορυφορικά δεδομένα MSG με δεδομένα βροχόπτωσης από σημειακούς μετεωρολογικούς σταθμούς. Αρχικά αναπτύχθηκε ο αλγόριθμος ανάθεσης βροχόπτωσης (Rainfall Rate assignment, RR) στον πολυφασματικό χώρο ως συνάρτηση των 12 παραμέτρων (φασματικών και υφής) με βάση τα δεδομένα βροχόπτωσης των σταθμών του ΕΑΑ. O αλγόριθμος αυτός εκτιμά τη μέση ένταση βροχής για κάθε εικονοστοιχείο με βάση ένα πίνακα αντιστοίχησης (Look-up Table) μεταξύ των μετρούμενων τιμών έντασης βροχής που καταγράφηκαν από τους μετεωρολογικούς σταθμούς του ΕΑΑ και των φασματικών παραμέτρων και παραμέτρων υφής που υπολογίστηκαν από τα δορυφορικά δεδομένα MSG. Στη συνέχεια εφαρμόστηκε ο αλγόριθμος των Νευρωνικών δικτύων (Neural Network, ΝΝ) και προσδιορίστηκε η αρχιτεκτονική δομή του μοντέλου των ΝΝ με την εφαρμογή του πολυεπίπεδου δικτύου πρόσθιας τροφοδότησης (Μultilayer Perceptron, MLP) για την εκτίμηση της έντασης της βροχής, συσχετίζοντας τις φασματικές παραμέτρους και τις μεθόδους ανάλυσης υφής που υπολογίστηκαν από τα υπέρυθρα δορυφορικά δεδομένα του MSG με τα παρατηρούμενα δεδομένα βροχόπτωσης που μετρήθηκαν από τους σταθμούς του ΕΑΑ. Οι αλγόριθμοι εκτίμησης της έντασης βροχής αναπτύχθηκαν με διαφορετική βάση εφαρμογής, χρησιμοποιώντας αρχικά τα νεφικά εικονοστοιχεία που εντοπίζονται από τον αλγόριθμο διαχωρισμού βροχοφόρων και μη βροχοφόρων νεφών και στη συνέχεια τα βροχοφόρα νεφικά εικονοστοιχεία που εντοπίζονται από τον αλγόριθμο ταξινόμησης στρατόμορφων/σωρειτόμορφων βροχοφόρων νεφών. Η συγκεκριμένη διαδικασία επιλέχτηκε εξαιτίας της ιδιότητας του αλγόριθμου διάκρισης στρατόμορφων/σωρειτόμορφων νεφών να αποδίδει μικρότερη περιοχή βροχής πάνω από τα ψυχρά νεφικά συστήματα, βελτιώνοντας έτσι την απόδοση του αλγόριθμου εκτίμησης της έντασης βροχής. Ο αλγόριθμος ανάθεσης βροχής που βασίζεται μόνο στις φασματικές παραμέτρους των νεφών και ο αλγόριθμος ανάθεσης βροχής που βασίζεται στο συνδυασμό των φασματικών παραμέτρων και των παραμέτρων υφής, για την εκτίμηση της βροχόπτωσης αναφέρονται ως RR1 και RR2, αντίστοιχα. Ομοίως, το μοντέλο των νευρωνικών δικτύων που χρησιμοποιεί μόνο τις φασματικές παραμέτρους και το μοντέλο των νευρωνικών δικτύων που αξιοποιεί τις φασματικές παραμέτρους αλλά και τις παραμέτρους υφής ορίζονται ως MLP1 και MLP2, αντίστοιχα. Η βαθμονόμηση των αλγόριθμων εκτίμησης βροχής με βάση τα βροχοφόρα νεφικά εικονοστοιχεία που επιλέχτηκαν από τους αλγόριθμους εντοπισμού και διάκρισης βροχοφόρων νεφών, πραγματοποιήθηκε συσχετίζοντας χωρικά και χρονικά 15λεπτα δορυφορικά δεδομένα με 10λεπτες καταγραφές βροχής που σημειώθηκαν από τους μετεωρολογικούς σταθμούς για τη 117

118 χρονική περίοδο Μαρτίου Φεβρουαρίου Η επίδοση των αλγορίθμων εξετάστηκε σε διάφορες χρονικές κλίμακες (15min, 1h, 3h, 6h). Για το σκοπό αυτό υπολογίστηκε με βάση τα 10λεπτα ύψη βροχής η μέση ένταση βροχής για μεγαλύτερα χρονικά διαστήματα (1h, 3h, 6h) και πραγματοποιήθηκε χρονική ταύτιση αυτών με τις παραμέτρους (φασματικές και υφής) των νεφών που υπολογίστηκαν από τις δορυφορικές εικόνες Meteosat για κάθε χρονικό διάστημα αντίστοιχα. Στη φάση της εκπαίδευσης, ο αλγόριθμος ανάθεσης βροχής αναπτύχθηκε με βάση τις φασματικές παραμέτρους και τις παραμέτρους υφής που υπολογίστηκαν από τις εικόνες του δορυφόρου MSG, με τη δημιουργία ενός πίνακα μετασχηματισμού που συσχετίζει τα χαρακτηριστικά των βροχοφόρων νεφικών εικονοστοιχείων (φασματικά και υφής) με μετρούμενες τιμές έντασης βροχής που καταγράφηκαν από τους μετεωρολογικούς σταθμούς του ΕΑΑ (τεχνικές RR1 και RR2). Για τον έλεγχο της ακρίβειας των μοντέλων ανάθεσης βροχής RR για όλες τις χρονικές κλίμακες χρησιμοποιήθηκαν οι ακόλουθες στατιστικές παράμετροι: συντελεστής συσχέτισης (Correlation Coefficient R), συντελεστής προσδιορισμού (Coefficient of determination, R 2 ), προσαρμοσμένος συντελεστής προσδιορισμού (Adjusted R 2, Adj R 2 ), Bias, τετραγωνική ρίζα του μέσου τετραγωνικού σφάλματος (Root Mean Squared Error, RMSE), μέσο σφάλμα (Mean Error, ME), μέσο απόλυτο σφάλμα (Mean Absolute Error, MAE), και μέσο τετραγωνικό σφάλμα (Mean squared error, MSE). Στο στάδιο της εκπαίδευσης των δύο αλγόριθμων των νευρωνικών δικτύων για την εκτίμηση της έντασης βροχής (MLP1 και MLP2) εφαρμόστηκαν τρεις διαφορετικοί αριθμοί νευρώνων (10, 15, και 20) στο ενδιάμεσο επίπεδο, και ένας αλγόριθμος Όπισθεν Διάδοσης Σφάλματος (Back Propagation) με σταθερό βήμα 100 επαναλήψεων για την εύρεση του βέλτιστου συνδυασμού των βαρών και προσαρμογής τους ώστε να ελαχιστοποιηθεί το σφάλμα του μοντέλου των νευρωνικών δικτύων. H επιλογή του αριθμού των νευρώνων στο ενδιάμεσο επίπεδο και για τους δύο αλγόριθμους των Νευρωνικών Δικτύων (MLP1 και MLP2), έγινε με βάση τη μέθοδο ανάπτυξης δικτύων (network growing method) που ξεκινά με ένα μικρό αριθμό νευρώνων και προσθέτει σταδιακά νευρώνες στο ενδιάμεσο επίπεδο μέχρι να βρεθεί η βέλτιστη τοπολογική δομή (Haykin 1993; Krose 1996). Για την ενεργοποίηση της διαδικασίας εκπαίδευσης των νευρωνικών δικτύων χρησιμοποιήθηκε μια μη γραμμική συνάρτηση (σιγμοειδής) για την εκτίμηση της βροχόπτωσης και για τη σύνδεση των νευρώνων στο αρχικό επίπεδο με τους νευρώνες στο ενδιάμεσο και στο τελικό επίπεδο. α. Στατιστικές παράμετροι σύγκρισης Τα αποτελέσματα των στατιστικών παραμέτρων σύγκρισης που υπολογίστηκαν στη φάση της εκπαίδευσης για τα τέσσερα μοντέλα εκτίμησης βροχής με βάση εφαρμογής τον αλγόριθμο εντοπισμού βροχοφόρων νεφών (RR1, RR2, MLP1, και MLP2) για 30 ημέρες επεισοδίων βροχής στο χρονικό διάστημα Μαρτίου 2008-Φεβρουαρίου 2009, παρουσιάζονται στο σχήμα 61 (από α εως θ). 118

119 Η απόδοση των αλγόριθμων εκτίμησης της έντασης βροχής για κάθε χρονική κλίμακα στο στάδιο της βαθμονόμησης είναι κατά φθίνουσα σειρά το MLP2, το MLP1, το RR2, και το RR1. Στο στάδιο της εκπαίδευσης παρατηρείται ότι στα δύο αρχικά χρονικά διαστήματα μεσοποίησης της βροχής (15 και 1h) τα αποτελέσματα των μοντέλων είναι μη ικανοποιητικά για όλους τους στατιστικούς δείκτες (R, R 2, Adj R 2, Bias, RMSE, ME, MAE, MSE). Στο χρονικό διάστημα των 15 οι αλγόριθμοι εκτίμησης της έντασης βροχής παρουσιάζουν τη χειρότερη απόδοση. Στα δύο τελευταία χρονικά διαστήματα (3h και 6h) βελτιώθηκε η απόδοση των αλγόριθμων εκτίμησης της έντασης βροχής στα βροχοφόρα εικονοστοιχεία που εντοπίζει ο αλγόριθμος διάκρισης βροχοφόρων και μη βροχοφόρων νεφών. Στο Σχήμα 62 (α εως θ), απεικονίζονται τα αντίστοιχα αποτελέσματα των στατιστικών παραμέτρων για τα τέσσερα μοντέλα εκτίμησης της έντασης βροχής με βάση εφαρμογής αυτή τη φορά τον αλγόριθμο ταξινόμησης στρατόμορφων/σωρειτόμορφων νεφών (RR1, RR2, MLP1, και MLP2). Στο στάδιο της βαθμονόμησης, η απόδοση των μοντέλων εκτίμησης της έντασης βροχής που αναπτύχθηκαν με βάση τον αλγόριθμο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών, για κάθε χρονική κλίμακα είναι κατά αύξουσα σειρά το RR1, το MLP1, το RR2, και το MLP2. Οι αλγόριθμοι εκτίμησης της έντασης βροχής παρουσιάζουν βελτιωμένα αποτελέσματα για κάθε χρονικό διάστημα, σε σχέση με τους αλγόριθμους εκτίμησης βροχής που αναπτύχθηκαν με βάση εφαρμογής το μοντέλο εντοπισμού βροχοφόρων νεφών. Για χρονικό διάστημα μεσοποίησης της έντασης βροχής μεγαλύτερο των 15 βελτιώνεται αισθητά η απόδοση των τεχνικών εκτίμησης βροχής που αναπτύχθηκαν με βάση τον αλγόριθμο διάκρισης στρατόμορφων και σωρειτόμορφων νεφών. β. Διαγράμματα διασποράς και υπολοίπων Μεσοποίηση 15 min. Στο σχήμα 63 παρουσιάζονται τα αντίστοιχα διαγράμματα διασποράς των εκτιμήσεων βροχόπτωσης των δυο τεχνικών (RR και MLP) με βάση τον αλγόριθμο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών, σε σχέση με τις μετρούμενες τιμές βροχόπτωσης που καταγράφηκαν από τους μετεωρολογικούς σταθμούς για τη χρονική κλίμακα μεσοποίησης των 15min. Παρατηρείται ότι οι αλγόριθμοι των Νευρωνικών Δικτύων (MLP1 και MLP2) δίνουν καλύτερα αποτελέσματα αποδίδοντας αυξημένες τιμές για το συντελεστή γραμμικής συσχέτισης R (από 0.21 και 0.26 στα 15 για τα μοντέλα MLP1 και MLP2, αντίστοιχα) από τους αλγόριθμους ανάθεσης βροχής (RR1 και RR2) (από R=0.08 και R=0.12 στα 15 για τα μοντέλα RR1 και RR2, αντίστοιχα). Η βελτίωση αυτή είναι σημαντική για τους αλγόριθμους των Νευρωνικών Δικτύων MLP στις υψηλές τιμές έντασης βροχόπτωσης αλλά γίνεται αισθητή και στις χαμηλές τιμές βροχόπτωσης. 119

120 ΣΧΗΜΑ 61. Μεταβολή των στατιστικών μεγεθών (R, R2, Adj R2, Bias, RMSE, ME, MAE, MSE) για τα μοντέλα εκτίμησης βροχής με βάση εφαρμογής τον αλγόριθμο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών (RR1, RR2, MLP1, και MLP2) για κάθε χρονικό διάστημα (α) και (β) 15min, (γ) και (δ) 1h, (ε) και (ζ) 3h, (η) και (θ) 6h στο στάδιο της εκπαίδευσης. 120

121 ΣΧΗΜΑ 62. Μεταβολή των στατιστικών μεγεθών (R, R2, Adj R2, Bias, RMSE, ME, MAE, MSE) για τα μοντέλα εκτίμησης βροχής με βάση εφαρμογής τον αλγόριθμο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών (RR1, RR2, MLP1, και MLP2) για κάθε χρονικό διάστημα (α) και (β) 15min, (γ) και (δ) 1h, (ε) και (ζ) 3h, (η) και (θ) 6h στο στάδιο της εκπαίδευσης. 121

122 ΣΧΗΜΑ 63. Διαγράμματα διασποράς μεταξύ εκτιμώμενων και μετρούμενων τιμών για τους τέσσερεις αλγόριθμους εκτίμησης της έντασης της βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών για το χρονικό διάστημα των 15min στο στάδιο της εκπαίδευσης. Μεταξύ των τεχνικών ανάθεσης βροχής RR, η τεχνική RR2 αποδίδει καλύτερα αποτελέσματα από την τεχνική RR1 σε σχέση με τις μετρούμενες καταγραφές βροχής. Οι αλγόριθμοι ανάθεσης βροχής RR, παρουσιάζουν μεγάλη υποεκτίμηση των υψηλών τιμών βροχόπτωσης και υπερεκτίμηση των χαμηλών τιμών βροχής. Tα αντίστοιχα διαγράμματα διασποράς των αλγόριθμων εκτίμησης βροχόπτωσης (RR και MLP) αλλά με βάση τον αλγόριθμο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών απεικονίζονται στο σχήμα 64, με τις μετρούμενες τιμές βροχόπτωσης που καταγράφηκαν από τους μετεωρολογικούς σταθμούς για τη χρονική κλίμακα μεσοποίησης των 15min. Και στην περίπτωση αυτή παρατηρείται ότι οι αλγόριθμοι που αξιοποιούν και τις παραμέτρους υφής (RR2, MLP2) εμφανίζουν υψηλότερες τιμές για το συντελεστή γραμμικής συσχέτισης R (από 0.44 και 0.47 στα 15 για τα μοντέλα RR2 και MLP2, αντίστοιχα) από τους αλγόριθμους που βασίζονται μόνο στις φασματικές παραμέτρους νεφών (RR1, MLP1) (από 122

123 R=0.29 και R=0.37 στα 15 για τα μοντέλα RR1 και MLP1, αντίστοιχα) παρουσιάζοντας αισθητή βελτίωση στις εκτιμώμενες μεσαίες και υψηλές τιμές έντασης βροχής. Με βάση τα προηγούμενα αποτελέσματα, διαπιστώνεται ότι οι τεχνικές εκτίμησης της έντασης βροχόπτωσης, για το χρονικό διάστημα μεσοποίησης των 15min, που αναπτύχθηκαν με βάση εφαρμογής τον αλγόριθμο ταξινόμησης στρατόμορφων/σωρειτόμορφων νεφών (Σχήμα 64), εμφανίζουν καλύτερα αποτελέσματα και βελτίωση της συμμεταβλητότητας μεταξύ των παρατηρούμενων και εκτιμώμενων τιμών βροχής σε σχέση με τις τεχνικές που εφαρμόζονται μόνο στα εικονοστοιχεία που εντοπίζει ο αλγόριθμος διάκρισης βροχοφόρων και μη βροχοφόρων νεφών (Σχήμα 63). Για παράδειγμα ο αλγόριθμος εκτίμησης της έντασης βροχής MLP2 που βασίζεται στο μοντέλο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών παρουσιάζει βελτιωμένα αποτελέσματα για το συντελεστή γραμμικής συσχέτισης R (από 0.26 σε 0.47) σε σχέση με τον αλγόριθμο εκτίμησης της έντασης βροχής MLP2 που αναπτύχθηκε με βάση το μοντέλο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών. ΣΧΗΜΑ 64. Διαγράμματα διασποράς μεταξύ εκτιμώμενων και μετρούμενων τιμών για τους τέσσερεις αλγόριθμους εκτίμησης της έντασης της βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών για το χρονικό διάστημα των 15min στο στάδιο της εκπαίδευσης. 123

124 Επίσης, με βάση τα διαγράμματα υπολοίπων (Σχήμα 66), παρατηρείται ότι με την εφαρμογή του μοντέλου διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών ελαττώνεται σημαντικά η τάση υποεκτίμησης των υψηλών τιμών έντασης βροχής και υπερεκτίμησης των χαμηλών τιμών έντασης βροχής σε σχέση με τους αλγόριθμους εκτίμησης βροχής που βασίστηκαν στα βροχοφόρα εικονοστοιχεία που εντοπίζει το μοντέλο διαχωρισμού βροχοφόρων και μη βροχοφόρων νεφών (Σχήμα 65). ΣΧΗΜΑ 65. Υπόλοιπα των τιμών έντασης βροχής που καταγράφηκαν από τους σταθμούς του ΕΑΑ και των εκτιμώμενων τιμών από τα μοντέλα εκτίμησης βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών για το χρονικό διάστημα των 15min στο στάδιο της εκπαίδευσης. 124

125 ΣΧΗΜΑ 66. Υπόλοιπα των τιμών έντασης βροχής που καταγράφηκαν από τους σταθμούς του ΕΑΑ και των εκτιμώμενων τιμών από τα μοντέλα εκτίμησης βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών για το χρονικό διάστημα των 15min στο στάδιο της εκπαίδευσης. Μεσοποίηση 1 h. Στο σχήμα 67 παρουσιάζονται τα αντίστοιχα διαγράμματα διασποράς των εκτιμήσεων βροχόπτωσης των δυο αλγόριθμων (RR και MLP) με βάση το μοντέλο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών, σε σχέση με τις μετρούμενες τιμές βροχόπτωσης που καταγράφηκαν από τους μετεωρολογικούς σταθμούς. 125

126 Oι αλγόριθμοι των Νευρωνικών Δικτύων (MLP1 και MLP2) εμφανίζουν καλύτερα αποτελέσματα και παρουσιάζουν αυξημένες τιμές για το συντελεστή γραμμικής συσχέτισης R (από 0.34 και 0.38 για τα μοντέλα MLP1 και MLP2, αντίστοιχα) από τους αλγόριθμους ανάθεσης βροχής (RR1 και RR2) (από R=0.20 και R=0.25 για τα μοντέλα RR1 και RR2, αντίστοιχα) για το χρονικό διάστημα μεσοποίησης της 1h. Οι αλγόριθμοι των Νευρωνικών Δικτύων MLP εμφανίζουν αισθητή βελτίωση στην εκτίμηση μεσαίων και υψηλών τιμών έντασης βροχής σε σχέση με τις υπόλοιπες τεχνικές εκτίμησης βροχής, αλλά αυξάνουν την υπερεκτίμηση για χαμηλές τιμές έντασης βροχής που καταγράφηκαν από τους σταθμούς του ΕΑΑ. Μεταξύ των αλγόριθμων ανάθεσης βροχής RR, ο αλγόριθμος RR2 αποδίδει καλύτερα αποτελέσματα από τον αλγόριθμο RR1 σε σχέση με τις μετρούμενες καταγραφές βροχής. Οι αλγόριθμοι ανάθεσης βροχής RR, παρουσιάζουν μεγάλη υποεκτίμηση των υψηλών τιμών βροχόπτωσης και υπερεκτίμηση των χαμηλών τιμών έντασης βροχής. ΣΧΗΜΑ 67. Διαγράμματα διασποράς μεταξύ εκτιμώμενων και μετρούμενων τιμών για τους τέσσερεις αλγόριθμους εκτίμησης της έντασης της βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών για το χρονικό διάστημα της 1h στο στάδιο της εκπαίδευσης. 126

127 Στο Σχήμα 68 παρουσιάζονται τα αντίστοιχα διαγράμματα διασποράς των αλγόριθμων εκτίμησης βροχόπτωσης (RR και MLP) με βάση τον αλγόριθμο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών, με τις μετρούμενες τιμές βροχόπτωσης που καταγράφηκαν από τους μετεωρολογικούς σταθμούς για τη χρονική κλίμακα μεσοποίησης της 1h. Σύμφωνα με τα διαγράμματα αυτά, οι αλγόριθμοι που αξιοποιούν και τις παραμέτρους υφής (RR2, MLP2) παρουσιάζουν μεγαλύτερες τιμές για το συντελεστή γραμμικής συσχέτισης R (από 0.49 και 0.55 για τα μοντέλα RR2 και MLP2, αντίστοιχα) από τους αλγόριθμους που βασίζονται μόνο στις φασματικές παραμέτρους νεφών (RR1, MLP1) (από R=0.41 και R=0.46 για τα μοντέλα RR1 και MLP1, αντίστοιχα) για το χρονικό διάστημα της 1h. Παράλληλα, εμφανίζουν σημαντική βελτίωση στην εκτίμηση των μεσαίων και υψηλών τιμών έντασης βροχής. ΣΧΗΜΑ 68. Διαγράμματα διασποράς μεταξύ εκτιμώμενων και μετρούμενων τιμών για τους τέσσερεις αλγόριθμους εκτίμησης της έντασης της βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών για το χρονικό διάστημα της 1h στο στάδιο της εκπαίδευσης. Συνοπτικά, και για το χρονικό διάστημα μεσοποίησης της 1h, οι αλγόριθμοι εκτίμησης της έντασης βροχόπτωσης που αναπτύχθηκαν με βάση τον αλγόριθμο ταξινόμησης στρατόμορφων/σωρειτόμορφων νεφών (Σχήμα 68) παρουσιάζουν καλύτερα αποτελέσματα σε σχέση με τις τεχνικές που εφαρμόζονται μόνο στα νεφικά εικονοστοιχεία που εντοπίζει ο αλγόριθμος διάκρισης βροχοφόρων και μη βροχοφόρων νεφών (Σχήμα 67). Για παράδειγμα ο 127

128 αλγόριθμος εκτίμησης της έντασης βροχής MLP2 που αναπτύχθηκε με βάση το μοντέλο ταξινόμησης στρατόμορφων/σωρειτόμορφων νεφών εμφανίζει βελτίωση για το συντελεστή γραμμικής συσχέτισης R (από 0.38 σε 0.55) σε σχέση με τον αλγόριθμο εκτίμησης της έντασης βροχής MLP2 που αναπτύχθηκε με βάση το μοντέλο εντοπισμού βροχοφόρων νεφών. Με την αξιοποίηση του αλγόριθμου διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών (Σχήμα 70) μειώνεται σημαντικά η τάση υποεκτίμησης των υψηλών τιμών έντασης βροχής και υπερεκτίμησης των χαμηλών τιμών έντασης βροχής που καταγράφηκαν από τους μετεωρολογικούς σταθμούς, σε σύγκριση με τους αλγόριθμους εκτίμησης βροχής που βασίστηκαν στα βροχοφόρα εικονοστοιχεία που εντοπίζει ο αλγόριθμος διάκρισης βροχοφόρων και μη βροχοφόρων νεφών (Σχήμα 69). ΣΧΗΜΑ 69. Υπόλοιπα των τιμών έντασης βροχής που καταγράφηκαν από τους σταθμούς του ΕΑΑ και των εκτιμώμενων τιμών από τα μοντέλα εκτίμησης βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών για το χρονικό διάστημα της 1h στο στάδιο της εκπαίδευσης. 128

129 ΣΧΗΜΑ 70. Υπόλοιπα των τιμών έντασης βροχής που καταγράφηκαν από τους σταθμούς του ΕΑΑ και των εκτιμώμενων τιμών από τα μοντέλα εκτίμησης βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών για το χρονικό διάστημα της 1h στο στάδιο της εκπαίδευσης. 129

130 Μεσοποίηση 3 h. Στο σχήμα 71 παρουσιάζονται τα διαγράμματα διασποράς των εκτιμήσεων βροχόπτωσης των δυο αλγορίθμων (RR και MLP) με βάση το μοντέλο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών, σε σχέση με τις μετρούμενες τιμές βροχόπτωσης που καταγράφηκαν από τους μετεωρολογικούς σταθμούς για το χρονικό διάστημα μεσοποίησης των 3h. Από την εξέταση του διαγράμματος διασποράς (Σχήμα 71) παρατηρείται παρόμοια συμπεριφορά με αυτή των μικρότερων χρονικών διαστημάτων μεσοποίησης. Συγκεκριμένα, οι αλγόριθμοι των Νευρωνικών Δικτύων (MLP1 και MLP2) εμφανίζουν καλύτερα αποτελέσματα αποδίδοντας αυξημένες τιμές για το συντελεστή γραμμικής συσχέτισης R (από 0.52 και 0.58 για τα μοντέλα MLP1 και MLP2, αντίστοιχα) από τους αλγόριθμους ανάθεσης βροχής (RR1 και RR2) (από R=0.40 και R=0.47 για τα μοντέλα RR1 και RR2, αντίστοιχα) για το χρονικό διάστημα μεσοποίησης των 3h. ΣΧΗΜΑ 71. Διαγράμματα διασποράς μεταξύ εκτιμώμενων και μετρούμενων τιμών για τους τέσσερεις αλγόριθμους εκτίμησης της έντασης της βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών για το χρονικό διάστημα των 3h στο στάδιο της εκπαίδευσης. 130

131 Tα διαγράμματα διασποράς των αλγόριθμων εκτίμησης βροχόπτωσης (RR και MLP) με βάση τον αλγόριθμο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών, με τις μετρούμενες τιμές βροχόπτωσης που καταγράφηκαν από τους μετεωρολογικούς σταθμούς για τη χρονική κλίμακα μεσοποίησης των 3h, απεικονίζονται στο σχήμα 72. Μελετώντας τα διαγράμματα αυτά, παρατηρείται και εδώ ότι οι αλγόριθμοι που αξιοποιούν και τις παραμέτρους υφής (RR2, MLP2) εμφανίζουν υψηλότερες τιμές για το συντελεστή γραμμικής συσχέτισης R (από 0.63 και 0.70 για τα μοντέλα RR2 και MLP2, αντίστοιχα) από τους αλγόριθμους που βασίζονται μόνο στις φασματικές παραμέτρους νεφών (RR1, MLP1) (από R=0.51 και R=0.57 για τα μοντέλα RR1 και MLP1, αντίστοιχα) για το χρονικό διάστημα μεσοποίησης της έντασης βροχής των 3h. Παράλληλα, βελτιώνουν τις εκτιμήσεις για τις μεσαίες και υψηλές τιμές έντασης βροχής. ΣΧΗΜΑ 72. Διαγράμματα διασποράς μεταξύ εκτιμώμενων και μετρούμενων τιμών για τους τέσσερεις αλγόριθμους εκτίμησης της έντασης της βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών για το χρονικό διάστημα των 3h στο στάδιο της εκπαίδευσης. 131

132 Σύμφωνα με τα προηγούμενα αποτελέσματα, διαπιστώνεται ότι για το χρονικό διάστημα μεσοποίησης των 3h, οι τεχνικές εκτίμησης της έντασης βροχόπτωσης παρουσιάζουν παρόμοια συμπεριφορά με αυτή των δύο αρχικών χρονικών διαστημάτων μεσοποίησης (15 και 1h). Για παράδειγμα ο αλγόριθμος εκτίμησης της έντασης βροχής MLP2 που βασίζεται στο μοντέλο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών παρουσιάζει βελτιωμένα αποτελέσματα για το συντελεστή γραμμικής συσχέτισης R (από 0.58 σε 0.70) σε σχέση με την τεχνική εκτίμησης της έντασης βροχής MLP2 που αναπτύχθηκε με βάση εφαρμογής το μοντέλο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών. Από τα διαγράμματα υπολοίπων παρατηρείται ότι η εφαρμογή του αλγόριθμου διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών (Σχήμα 74) μειώνει αισθητά την υποεκτίμηση των υψηλών τιμών έντασης βροχής και την υπερκτίμηση των χαμηλών τιμών έντασης βροχής σε σχέση με τους αλγόριθμους εκτίμησης βροχής που αναπτύχθηκαν με βάση εφαρμογής τον αλγόριθμο διαχωρισμού βροχοφόρων και μη βροχοφόρων νεφών (Σχήμα 73). ΣΧΗΜΑ 73. Υπόλοιπα των τιμών έντασης βροχής που καταγράφηκαν από τους σταθμούς του ΕΑΑ και των εκτιμώμενων τιμών από τα μοντέλα εκτίμησης βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών για το χρονικό διάστημα των 3h στο στάδιο της εκπαίδευσης. 132

133 ΣΧΗΜΑ 74. Υπόλοιπα των τιμών έντασης βροχής που καταγράφηκαν από τους σταθμούς του ΕΑΑ και των εκτιμώμενων τιμών από τα μοντέλα εκτίμησης βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών για το χρονικό διάστημα των 3h στο στάδιο της εκπαίδευσης. 133

134 Μεσοποίηση 6 h. Στο σχήμα 75 παρουσιάζονται τα διαγράμματα διασποράς των εκτιμήσεων βροχόπτωσης των δυο αλγορίθμων (RR και MLP) με βάση το μοντέλο εντοπισμού βροχοφόρων νεφών, σε σχέση με τις μετρούμενες τιμές βροχόπτωσης που καταγράφηκαν από τους μετεωρολογικούς σταθμούς για το χρονικό διάστημα των 6h. Από τη διερεύνηση του διαγράμματος διασποράς (Σχήμα 75) παρατηρείται ότι οι αλγόριθμοι των Νευρωνικών Δικτύων (MLP1 και MLP2) παρουσιάζουν παρόμοια αποτελέσματα με τις προηγούμενες χρονικές κλίμακες και αποδίδουν αυξημένες τιμές για το συντελεστή γραμμικής συσχέτισης R (από 0.64 και 0.73 για τα μοντέλα MLP1 και MLP2, αντίστοιχα) από τους αλγόριθμους ανάθεσης βροχής (RR1 και RR2) (από R=0.52 και R=0.59 για τα μοντέλα RR1 και RR2, αντίστοιχα) για τη χρονική κλίμακα μεσοποίησης των 6h. ΣΧΗΜΑ 75. Διαγράμματα διασποράς μεταξύ εκτιμώμενων και μετρούμενων τιμών για τους τέσσερεις αλγόριθμους εκτίμησης της έντασης της βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών για το χρονικό διάστημα των 6h στο στάδιο της εκπαίδευσης. 134

135 Tα διαγράμματα διασποράς των αλγόριθμων εκτίμησης βροχόπτωσης (RR και MLP) με βάση τον αλγόριθμο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών απεικονίζονται στο σχήμα 76, με τις μετρούμενες τιμές βροχόπτωσης που καταγράφηκαν από τους μετεωρολογικούς σταθμούς για το χρονικό διάστημα των 6h. Οι αλγόριθμοι εκτίμησης της έντασης βροχόπτωσης που αναπτύχθηκαν με βάση εφαρμογής τον αλγόριθμο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών εμφανίζουν την ίδια σειρά κατάταξης ως προς την απόδοση με αυτή των μικρότερων χρονικών διαστημάτων μεσοποίησης. Ο αλγόριθμος εκτίμησης της έντασης βροχής MLP2 που εφαρμόστηκε μόνο στα νεφικά εικονοστοιχεία που εντοπίζει ο αλγόριθμος ταξινόμησης στρατόμορφων/σωρειτόμορφων νεφών παρουσιάζει βελτιωμένα αποτελέσματα για το συντελεστή γραμμικής συσχέτισης R (από 0.73 σε 0.86) σε σχέση με τον αλγόριθμο εκτίμησης της έντασης βροχής MLP2 που αναπτύχθηκε με βάση τον αλγόριθμο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών. ΣΧΗΜΑ 76. Διαγράμματα διασποράς μεταξύ εκτιμώμενων και μετρούμενων τιμών για τους τέσσερεις αλγόριθμους εκτίμησης της έντασης της βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών για το χρονικό διάστημα των 6h στο στάδιο της εκπαίδευσης. 135

136 Σύμφωνα με τα διαγράμματα υπολοίπων η εφαρμογή του αλγόριθμου διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών (Σχήμα 78) στην εκτίμηση της έντασης βροχής παρουσιάζει παρόμοια συμπεριφορά με αυτή των μικρότερων χρονικών διαστημάτων μεσοποίησης της έντασης βροχής σε σχέση με τους αλγόριθμους που αναπτύχθηκαν με βάση το μοντέλο εντοπισμού βροχοφόρων νεφών (Σχήμα 77). ΣΧΗΜΑ 77. Υπόλοιπα των τιμών έντασης βροχής που καταγράφηκαν από τους σταθμούς του ΕΑΑ και των εκτιμώμενων τιμών από τα μοντέλα εκτίμησης βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών για το χρονικό διάστημα των 6h στο στάδιο της εκπαίδευσης. 136

137 ΣΧΗΜΑ 78. Υπόλοιπα των τιμών έντασης βροχής που καταγράφηκαν από τους σταθμούς του ΕΑΑ και των εκτιμώμενων τιμών από τα μοντέλα εκτίμησης βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών για το χρονικό διάστημα των 6h στο στάδιο της εκπαίδευσης. 137

138 6.1.2 Αξιολόγηση των τεχνικών Η αξιολόγηση της ικανότητας των αλγόριθμων εκτίμησης της έντασης βροχής με βάση το μοντέλο διαχωρισμού βροχοφόρων και μη βροχοφόρων νεφών και το μοντέλο ταξινόμησης στατόμορφων/σωρειτόμορφων νεφών, εξετάστηκε με την εφαρμογή τους σε δορυφορικά δεδομένα του ραδιομέτρου SEVIRI, για ανεξάρτητο δείγμα δέκα επεισοδίων βροχής, το χρονικό διάστημα Μαρτίου 2008-Φεβρουαρίου Ο έλεγχος της ακρίβειας των αλγόριθμων εκτίμησης της έντασης βροχής πραγματοποιήθηκε με τον υπολογισμό των στατιστικών παραμέτρων που χρησιμοποιήθηκαν και στο στάδιο της εκπαίδευσης, για τους αλγόριθμους εκτίμησης βροχής (RR1, RR2, MLP1, και MLP2) χρησιμοποιώντας όμως τα ανεξάρτητα δεδομένα βροχής για τη χρονική περίοδο Μαρτίου 2008-Φεβρουαρίου Και στο στάδιο της αξιολόγησης, για τoν έλεγχο της επίδοσης των τεχνικών εκτίμησης βροχής που αναπτύχθηκαν χρησιμοποιώντας αρχικά τα νεφικά εικονοστοιχεία που εντοπίζονται από τον αλγόριθμο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών και στη συνέχεια τα βροχοφόρα εικονοστοιχεία που εντοπίζονται από τον αλγόριθμο ταξινόμησης στατόμορφων/σωρειτόμορφων βροχοφόρων νεφών, υπολογίστηκαν οι στατιστικές παράμετροι R, R 2, Adj R 2, Bias, RMSE, ME, MAE, MSE. α. Στατιστικές παράμετροι σύγκρισης Τα αποτελέσματα των στατιστικών μεγεθών που υπολογίστηκαν στο στάδιο της αξιολόγησης για τους τέσσερεις αλγόριθμους εκτίμησης βροχής με βάση εφαρμογής το μοντέλο εντοπισμού βροχοφόρων νεφών (RR1, RR2, MLP1, και MLP2) για ανεξάρτητο δείγμα 10 ημερών βροχής, στο χρονικό διάστημα Μαρτίου 2008-Φεβρουαρίου 2009, απεικονίζονται στο σχήμα 79 (από α εως θ). Για όλα τα χρονικά διαστήματα η επίδοση των αλγόριθμων εκτίμησης της έντασης βροχής στη φάση της αξιολόγησης, παρουσιάζει ελαφρώς χειρότερα αποτελέσματα αλλά και το ίδιο πρότυπο με αυτό που παρατηρήθηκε κατά τη φάση εκπαίδευσης των αλγόριθμων, και είναι κατά φθίνουσα σειρά το MLP2, το MLP1, το RR2 και το RR1. Στα δύο πρώτα χρονικά διαστήματα μεσοποίησης (15 και 1h) οι αλγόριθμοι εκτίμησης της έντασης βροχής εμφανίζουν τη χειρότερη απόδοση. Με την αύξηση του χρόνου μεσοποίησης, στα δύο τελευταία χρονικά διαστήματα (3h και 6h) βελτιώνεται η απόδοση των τεχνικών εκτίμησης της έντασης βροχής που εντοπίζει το μοντέλο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών. 138

139 Στο στάδιο της αξιολόγησης, για τους τέσσερεις αλγόριθμους της έντασης βροχής με βάση εφαρμογής το μοντέλο ταξινόμησης στρατόμορφων/σωρειτόμορφων νεφών (RR1, RR2, MLP1, και MLP2 απεικονίζονται τα αποτελέσματα των στατιστικών παραμέτρων που υπολογίστηκαν για 10 ημέρες ανεξάρτητων επεισοδίων βροχής, τη χρονική περίοδο Μαρτίου Φεβρουαρίου 2009 στο Σχήμα 80 (α εως θ). Η απόδοση των αλγόριθμων εκτίμησης της έντασης βροχής που αναπτύχθηκαν με βάση το μοντέλο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών, στο στάδιο της αξιολόγησης, μειώνεται αισθητά και εμφανίζει το ίδιο πρότυπο με αυτό που παρουσιάστηκε στη φάση της εκπαίδευσης. Για χρονικό διάστημα μεσοποίησης της έντασης βροχής μεγαλύτερο των 15 βελτιώνεται αισθητά η απόδοση των αλγόριθμων εκτίμησης της έντασης βροχής που αναπτύχθηκαν με βάση το μοντέλο ταξινόμησης στρατόμορφων και σωρειτόμορφων νεφών. β. Διαγράμματα διασποράς και υπολοίπων Μεσοποίηση 15 min. Στο σχήμα 81 παρουσιάζονται τα διαγράμματα διασποράς των αλγόριθμων εκτίμησης βροχόπτωσης με βάση τον αλγόριθμο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών, σε σύγκριση με τις μετρούμενες τιμές βροχόπτωσης που καταγράφηκαν από τους μετεωρολογικούς σταθμούς για τη χρονική κλίμακα μεσοποίησης των 15min. Οι αλγόριθμοι των Νευρωνικών Δικτύων (MLP1 και MLP2) παρουσιάζουν υψηλές τιμές για το συντελεστή γραμμικής συσχέτισης R (από 0.19 και 0.22 στα 15 για τα μοντέλα MLP1 και MLP2, αντίστοιχα) σε σχέση τους αλγόριθμους ανάθεσης βροχής (RR1 και RR2) (από R=0.05 και R=0.09 στα 15 για τα μοντέλα RR1 και RR2, αντίστοιχα) για το χρονικό διάστημα των 15min. Η βελτίωση αυτή είναι σημαντική για τους αλγόριθμους των Νευρωνικών Δικτύων MLP στις μεσαίες τιμές έντασης βροχής. 139

140 ΣΧΗΜΑ 79. Μεταβολή των στατιστικών μεγεθών (R, R 2, Adj R 2, Bias, RMSE, ME, MAE, MSE) για τα μοντέλα εκτίμησης βροχής με βάση εφαρμογής τον αλγόριθμο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών (RR1, RR2, MLP1, και MLP2) για κάθε χρονικό διάστημα (α) και (β) 15min, (γ) και (δ) 1h, (ε) και (ζ) 3h, (η) και (θ) 6h στο στάδιο της αξιολόγησης. 140

141 ΣΧΗΜΑ 80. Μεταβολή των στατιστικών μεγεθών (R, R2, Adj R2, Bias, RMSE, ME, MAE, MSE) για τα μοντέλα εκτίμησης βροχής με βάση εφαρμογής τον αλγόριθμο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών (RR1, RR2, MLP1, και MLP2) για κάθε χρονικό διάστημα (α) και (β) 15min, (γ) και (δ) 1h, (ε) και (ζ) 3h, (η) και (θ) 6h στο στάδιο της αξιολόγησης. 141

142 ΣΧΗΜΑ 81. Διαγράμματα διασποράς μεταξύ εκτιμώμενων και μετρούμενων τιμών για τους τέσσερεις αλγόριθμους εκτίμησης της έντασης της βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών για το χρονικό διάστημα των 15min στο στάδιο της αξιολόγησης. Μεταξύ των αλγόριθμων ανάθεσης βροχής RR, ο αλγόριθμος RR2 εμφανίζει καλύτερα αποτελέσματα από την τεχνική RR1 σε σχέση με τις μετρούμενες καταγραφές βροχής. Τα μοντέλα ανάθεσης βροχής RR παρουσιάζουν μεγάλη υποεκτίμηση των υψηλών τιμών βροχόπτωσης και υπερεκτίμηση των χαμηλών τιμών βροχόπτωσης. Tα διαγράμματα διασποράς των αλγόριθμων εκτίμησης βροχόπτωσης (RR και MLP) με βάση τον αλγόριθμο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών παρουσιάζονται στο σχήμα 82, με τις μετρούμενες τιμές βροχόπτωσης που καταγράφηκαν από τους μετεωρολογικούς σταθμούς για το χρονικό διάστημα μεσοποίησης των 15min. Παρατηρείται και σε αυτή τη περίπτωση ότι οι αλγόριθμοι που αξιοποιούν και τις παραμέτρους υφής (RR2, MLP2) εμφανίζουν υψηλότερες τιμές για το συντελεστή γραμμικής συσχέτισης R (από 0.40 και 0.43 στα 15 για τα μοντέλα RR2 και MLP2, αντίστοιχα) από τους αλγόριθμους που βασίζονται 142

143 μόνο στις φασματικές παραμέτρους νεφών (RR1, MLP1) (από R=0.25 και R=0.32 στα 15 για τα μοντέλα RR1 και MLP1, αντίστοιχα) για το χρονικό διάστημα των 15min παρουσιάζοντας σημαντική βελτίωση στην εκτίμηση των μεσαίων και υψηλών τιμών έντασης βροχής που παρατηρήθηκαν από τους μετεωρολογικούς σταθμούς. Σύμφωνα με τα προηγούμενα αποτελέσματα οι αλγόριθμοι εκτίμησης της έντασης βροχόπτωσης που αναπτύχθηκαν με βάση το μοντέλο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών (Σχήμα 82) εμφανίζουν το ίδιο πρότυπο με αυτό που παρουσιάστηκε στη φάση της εκπαίδευσης. Για παράδειγμα η τεχνική εκτίμησης της έντασης βροχής MLP2 που αναπτύχθηκε με βάση εφαρμογής στον αλγόριθμο ταξινόμησης στρατόμορφων/σωρειτόμορφων νεφών παρουσιάζει βελτιωμένα αποτελέσματα για το συντελεστή γραμμικής συσχέτισης R (από 0.22 σε 0.43) σε σχέση με την τεχνική εκτίμησης της έντασης βροχής MLP2 που αναπτύχθηκε με βάση το μοντέλο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών. Σχήμα 82 Διαγράμματα διασποράς μεταξύ εκτιμώμενων και μετρούμενων τιμών για τους τέσσερεις αλγόριθμους εκτίμησης της έντασης της βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών για το χρονικό διάστημα των 15min στο στάδιο της αξιολόγησης. 143

144 Επίσης, με βάση τα διαγράμματα υπολοίπων επισημαίνεται το γεγονός ότι η εφαρμογή του αλγόριθμου ταξινόμησης στρατόμορφων/σωρειτόμορφων νεφών (Σχήμα 84) μειώνει αισθητά την τάση υποεκτίμησης των μεσαίων και υψηλών τιμών έντασης βροχής και υπερεκτίμησης των χαμηλών τιμών έντασης βροχής σε σχέση με τους αλγόριθμους εκτίμησης βροχής που αναπτύχθηκαν με βάση εφαρμογής τον αλγόριθμο εντοπισμού βροχοφόρων νεφών (Σχήμα 83). ΣΧΗΜΑ 83. Υπόλοιπα των τιμών έντασης βροχής που καταγράφηκαν από τους σταθμούς του ΕΑΑ και των εκτιμώμενων τιμών από τα μοντέλα εκτίμησης βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών για το χρονικό διάστημα των 15min στο στάδιο της αξιολόγησης. 144

145 ΣΧΗΜΑ 84. Υπόλοιπα των τιμών έντασης βροχής που καταγράφηκαν από τους σταθμούς του ΕΑΑ και των εκτιμώμενων τιμών από τα μοντέλα εκτίμησης βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών για το χρονικό διάστημα των 15min στο στάδιο της αξιολόγησης. Μεσοποίηση 1 h. Τα διαγράμματα διασποράς των εκτιμήσεων βροχόπτωσης των δυο αλγόριθμων (RR και MLP) με βάση το μοντέλο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών, σε σχέση με τις μετρούμενες τιμές βροχόπτωσης που καταγράφηκαν από τους μετεωρολογικούς σταθμούς για το χρονικό διάστημα μεσοποίησης της 1h παρουσιάζονται στο σχήμα

146 Η απόδοση των αλγόριθμων εκτίμησης της έντασης βροχής που αναπτύχθηκαν με βάση το μοντέλο εντοπισμού βροχοφόρων νεφών ελαττώνεται αισθητά και εμφανίζει το ίδιο πρότυπο με αυτό που παρουσιάστηκε στη φάση της βαθμονόμησης. Οι αλγόριθμοι των Νευρωνικών Δικτύων (MLP1 και MLP2) αποδίδουν αυξημένες τιμές για το συντελεστή γραμμικής συσχέτισης R (από 0.27 και 0.34 στη 1h για τα μοντέλα MLP1 και MLP2, αντίστοιχα) σε σχέση τους αλγόριθμους ανάθεσης βροχής (RR1 και RR2) (από R=0.17 και R=0.23 στη 1h για τα μοντέλα RR1 και RR2, αντίστοιχα) για τη χρονική κλίμακα μεσοποίησης της 1h. Οι τεχνικές των Νευρωνικών Δικτύων MLP μειώνουν το ρυθμό υποεκτίμησης των υψηλών τιμών βροχόπτωσης αλλά αυξάνουν την υπερεκτίμηση των χαμηλών τιμών έντασης βροχής που καταγράφηκαν από τους σταθμούς του ΕΑΑ. Μεταξύ των αλγόριθμων ανάθεσης βροχής RR, ο αλγόριθμος RR2 εμφανίζει καλύτερα αποτελέσματα από τον αλγόριθμο RR1. Τα μοντέλα ανάθεσης βροχής RR παρουσιάζουν αύξηση της υποεκτίμησης των υψηλών τιμών βροχόπτωσης και της υπερεκτίμησης των χαμηλών τιμών βροχόπτωσης. ΣΧΗΜΑ 85. Διαγράμματα διασποράς μεταξύ εκτιμώμενων και μετρούμενων τιμών για τους τέσσερεις αλγόριθμους εκτίμησης της έντασης της βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών για το χρονικό διάστημα της 1h στο στάδιο της αξιολόγησης. 146

147 Στο σχήμα 86 απεικονίζονται τα αντίστοιχα διαγράμματα διασποράς των εκτιμήσεων βροχόπτωσης των δυο αλγόριθμων (RR και MLP) που αναπτύχθηκαν με βάση εφαρμογής τον αλγόριθμο ταξινόμησης στρατόμορφων/σωρειτόμορφων νεφών, σε σύγκριση με τις μετρούμενες τιμές βροχόπτωσης που καταγράφηκαν από τους μετεωρολογικούς σταθμούς για το χρονικό διάστημα της 1h. Από τη διερεύνηση των διαγραμμάτων διασποράς (Σχήμα 86) παρατηρείται και εδώ ότι οι αλγόριθμοι εκτίμησης βροχής που αξιοποιούν και τις παραμέτρους υφής παρουσιάζουν μεγαλύτερες τιμές για το συντελεστή γραμμικής συσχέτισης R (από 0.46 και 0.51 στη 1h για τα μοντέλα RR2 και MLP2, αντίστοιχα) από τους αλγόριθμους που βασίζονται μόνο στις φασματικές παραμέτρους νεφών (RR1, MLP1) (από R=0.38 και R=0.42 στη 1h για τα μοντέλα RR1 και MLP1, αντίστοιχα). ΣΧΗΜΑ 86 Διαγράμματα διασποράς μεταξύ εκτιμώμενων και μετρούμενων τιμών για τους τέσσερεις αλγόριθμους εκτίμησης της έντασης της βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών για το χρονικό διάστημα της 1h στο στάδιο της αξιολόγησης. 147

148 Σύμφωνα με τα προηγούμενα αποτελέσματα οι αλγόριθμοι εκτίμησης βροχής που αναπτύχθηκαν με βάση το μοντέλο ταξινόμησης στρατόμορφων/σωρειτόμορφων νεφών (Σχήμα 86) βελτιώνουν την ικανότητα των τεχνικών εκτίμησης βροχής σε σχέση με τις τεχνικές που αναπτύχθηκαν με βάση εφαρμογής το μοντέλο εντοπισμού βροχοφόρων νεφών (Σχήμα 85) για τη χρονική κλίμακα μεσοποίησης της 1h. Για παράδειγμα ο αλγόριθμος εκτίμησης της έντασης βροχής MLP2 που αναπτύχθηκε με βάση το μοντέλο ταξινόμησης στρατόμορφων/σωρειτόμορφων νεφών παρουσιάζει αύξηση για το συντελεστή γραμμικής συσχέτισης R (από 0.34 σε 0.51) σε σχέση με τον αλγόριθμο εκτίμησης της έντασης βροχής MLP2 που αναπτύχθηκε με βάση το μοντέλο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών. Από τη διερεύνηση των διαγραμμάτων υπολοίπων η εφαρμογή του μοντέλου διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών (Σχήμα 88) ελαττώνει αισθητά την τάση υπερεκτίμησης των χαμηλών τιμών βροχής και υποεκτίμησης των μεσαίων και υψηλών τιμών έντασης βροχής, σε σχέση με τους αλγόριθμους εκτίμησης βροχής που βασίστηκαν στα βροχοφόρα εικονοστοιχεία που εντοπίζει ο αλγόριθμος διάκρισης βροχοφόρων και μη βροχοφόρων νεφών (Σχήμα 87). 148

149 ΣΧΗΜΑ 87. Υπόλοιπα των τιμών έντασης βροχής που καταγράφηκαν από τους σταθμούς του ΕΑΑ και των εκτιμώμενων τιμών από τα μοντέλα εκτίμησης βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών για το χρονικό διάστημα της 1h στο στάδιο της αξιολόγησης. 149

150 ΣΧΗΜΑ 88. Υπόλοιπα των τιμών έντασης βροχής που καταγράφηκαν από τους σταθμούς του ΕΑΑ και των εκτιμώμενων τιμών από τα μοντέλα εκτίμησης βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών για το χρονικό διάστημα της 1h στο στάδιο της αξιολόγησης. 150

151 Μεσοποίηση 3 h. Στο σχήμα 89 παρουσιάζονται τα αντίστοιχα διαγράμματα διασποράς των εκτιμήσεων βροχόπτωσης των δυο αλγόριθμων (RR και MLP) με βάση το μοντέλο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών, σε σχέση με τις μετρούμενες τιμές βροχόπτωσης που καταγράφηκαν από τους μετεωρολογικούς σταθμούς για τη χρονική κλίμακα μεσοποίησης των 3h. Από την εξέταση των διαγραμμάτων διασποράς (Σχήμα 89) παρατηρείται παρόμοια συμπεριφορά με αυτή των μικρότερων χρονικών διαστημάτων μεσοποίησης. Οι αλγόριθμοι των Νευρωνικών Δικτύων (MLP1 και MLP2) εμφανίζουν βελτιωμένα αποτελέσματα για το συντελεστή γραμμικής συσχέτισης R (από 0.46 και 0.51 στις 3h για τα μοντέλα MLP1 και MLP2, αντίστοιχα) σε σύγκριση τους αλγόριθμους ανάθεσης βροχής (RR1 και RR2) (από R=0.38 και R=0.43 στις 3h για τα μοντέλα RR1 και RR2, αντίστοιχα). ΣΧΗΜΑ 89. Διαγράμματα διασποράς μεταξύ εκτιμώμενων και μετρούμενων τιμών για τους τέσσερεις αλγόριθμους εκτίμησης της έντασης της βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών για το χρονικό διάστημα των 3h στο στάδιο της αξιολόγησης. 151

152 Tα διαγράμματα διασποράς των αλγόριθμων εκτίμησης βροχόπτωσης (RR και MLP) με βάση τον αλγόριθμο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών απεικονίζονται στο σχήμα 90, με τις μετρούμενες τιμές βροχόπτωσης που καταγράφηκαν από τους μετεωρολογικούς σταθμούς για το χρονικό διάστημα μεσοποίησης των 3h. Σύμφωνα με τα διαγράμματα διασποράς του σχήματος 30 παρατηρείται ότι οι αλγόριθμοι που αξιοποιούν και τις παραμέτρους υφής (RR2, MLP2) εμφανίζουν υψηλότερες τιμές για το συντελεστή γραμμικής συσχέτισης R (από 0.58 και 0.65 στις 3h για τα μοντέλα RR2 και MLP2, αντίστοιχα) από τους αλγόριθμους που βασίζονται μόνο στις φασματικές παραμέτρους νεφών (RR1, MLP1) (από R=0.47 και R=0.52 στις 3h για τα μοντέλα RR1 και MLP1, αντίστοιχα). ΣXHMA 90. Διαγράμματα διασποράς μεταξύ εκτιμώμενων και μετρούμενων τιμών για τους τέσσερεις αλγόριθμους εκτίμησης της έντασης της βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών για το χρονικό διάστημα των 3h στο στάδιο της αξιολόγησης. 152

153 Η απόδοση των τεχνικών εκτίμησης της έντασης βροχής που αναπτύχθηκαν με βάση εφαρμογής τον αλγόριθμο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών (Σχήμα 90) ακολουθεί το ίδιο πρότυπο με αυτό που παρατηρήθηκε στις δύο αρχικές χρονικές κλίμακες μεσοποίησης (15 και 1h). Για παράδειγμα ο αλγόριθμος εκτίμησης της έντασης βροχής MLP2 που βασίζεται στο μοντέλο ταξινόμησης στρατόμορφων/σωρειτόμορφων νεφών παρουσιάζει βελτιωμένα αποτελέσματα για το συντελεστή γραμμικής συσχέτισης R (από 0.51 σε 0.65) σε σχέση με τον αλγόριθμο εκτίμησης της έντασης βροχής MLP2 που αναπτύχθηκε με βάση το μοντέλο εντοπισμού βροχοφόρων νεφών. Οι αλγόριθμοι εκτίμησης της έντασης βροχής που αναπτύχθηκαν με βάση το μοντέλο ταξινόμησης στρατόμορφων/σωρειτόμορφων νεφών (Σχήμα 92) παρουσιάζουν παρόμοια αποτελέσματα με τα προηγούμενα χρονικά διαστήματα. Η τάση υποεκτίμησης των μεσαίων και υψηλών τιμών έντασης βροχής και υπερεκτίμησης των χαμηλών τιμών έντασης βροχής, μειώνεται αισθητά σε σύγκριση με τους αλγόριθμους εκτίμησης βροχής που βασίστηκαν στο μοντέλο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών (Σχήμα 91). ΣΧΗΜΑ 91. Υπόλοιπα των τιμών έντασης βροχής που καταγράφηκαν από τους σταθμούς του ΕΑΑ και των εκτιμώμενων τιμών από τα μοντέλα εκτίμησης βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών για το χρονικό διάστημα των 3h στο στάδιο της αξιολόγησης. 153

154 ΣΧΗΜΑ 92. Υπόλοιπα των τιμών έντασης βροχής που καταγράφηκαν από τους σταθμούς του ΕΑΑ και των εκτιμώμενων τιμών από τα μοντέλα εκτίμησης βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών για το χρονικό διάστημα των 3h στο στάδιο της αξιολόγησης. 154

155 Μεσοποίηση 6 h. Στο σχήμα 93 παρουσιάζονται τα διαγράμματα διασποράς των εκτιμήσεων βροχόπτωσης των δυο τεχνικών (RR και MLP) με βάση τον αλγόριθμο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών, σε σχέση με τις μετρούμενες τιμές βροχόπτωσης που καταγράφηκαν από τους μετεωρολογικούς σταθμούς για τη χρονική κλίμακα μεσοποίησης των 6h. Από τη διερεύνηση των διαγραμμάτων διασποράς (Σχήμα 93) παρατηρείται παρόμοια συμπεριφορά με αυτή των μικρότερων χρονικών διαστημάτων μεσοποίησης. Oι αλγόριθμοι των Νευρωνικών Δικτύων (MLP1 και MLP2) εμφανίζουν καλύτερα αποτελέσματα για το συντελεστή γραμμικής συσχέτισης R (από 0.66 και 0.71 στις 6h για τα μοντέλα MLP1 και MLP2, αντίστοιχα) από τους αλγόριθμους ανάθεσης βροχής (RR1 και RR2) (από R=0.40 και R=0.53 στις 6h για τα μοντέλα RR1 και RR2, αντίστοιχα) για το χρονικό διάστημα των 6h. ΣΧΗΜΑ 93. Διαγράμματα διασποράς μεταξύ εκτιμώμενων και μετρούμενων τιμών για τους τέσσερεις αλγόριθμους εκτίμησης της έντασης της βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών για το χρονικό διάστημα των 6h στο στάδιο της αξιολόγησης. 155

156 Tα διαγράμματα διασποράς των αλγόριθμων εκτίμησης βροχόπτωσης (RR και MLP) με βάση τον αλγόριθμο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών απεικονίζονται στο σχήμα 94, με τις μετρούμενες τιμές βροχόπτωσης που καταγράφηκαν από τους μετεωρολογικούς σταθμούς για τη χρονική κλίμακα μεσοποίησης των 6h. Oι αλγόριθμοι εκτίμησης βροχόπτωσης που αξιοποιούν και τις παραμέτρους υφής (RR2, MLP2) παρουσιάζουν παρουσιάζουν παρόμοια αποτελέσματα με τις προηγούμενες χρονικές κλίμακες και παρουσιάζουν υψηλότερες τιμές για το συντελεστή γραμμικής συσχέτισης R (από 0.78 και 0.82 στις 6h για τα μοντέλα RR2 και MLP2, αντίστοιχα) από τους αλγόριθμους που βασίζονται μόνο στις φασματικές παραμέτρους νεφών (RR1, MLP1) (από R=0.62 και R=0.71 στις 6h για τα μοντέλα RR1 και MLP1, αντίστοιχα). ΣΧΗΜΑ 94. Διαγράμματα διασποράς μεταξύ εκτιμώμενων και μετρούμενων τιμών για τους τέσσερεις αλγόριθμους εκτίμησης της έντασης της βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών για το χρονικό διάστημα των 6h στο στάδιο της αξιολόγησης. 156

157 Σύμφωνα με τα προηγούμενα αποτελέσματα, διαπιστώνεται ότι οι τεχνικές εκτίμησης της έντασης βροχόπτωσης παρουσιάζουν παρόμοια συμπεριφορά με αυτή των μικρότερων χρονικών διαστημάτων μεσοποίησης. Ο αλγόριθμος των Νευρωνικών Δικτύων MLP2 με βάση το μοντέλο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών παρουσιάζει βελτιωμένα αποτελέσματα για το συντελεστή γραμμικής συσχέτισης R (από 0.71 σε 0.82) σε σχέση με τον αλγόριθμο εκτίμησης της έντασης βροχής MLP2 που αναπτύχθηκε με βάση το μοντέλο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών. Σύμφωνα με τα διαγράμματα υπολοίπων η αξιοποίηση του μοντέλου διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών (Σχήμα 96) στην εκτίμηση της έντασης βροχής εμφανίζει το ίδιο πρότυπο με τις προηγούμενες χρονικές κλίμακες μεσοποίησης και παρουσιάζει καλύτερα αποτελέσματα από τους αλγόριθμους εκτίμησης βροχής που αναπτύχθηκαν με βάση το μοντέλο διαχωρισμού βροχοφόρων και μη βροχοφόρων νεφών (Σχήμα 95). ΣΧΗΜΑ 95. Υπόλοιπα των τιμών έντασης βροχής που καταγράφηκαν από τους σταθμούς του ΕΑΑ και των εκτιμώμενων τιμών από τα μοντέλα εκτίμησης βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών για το χρονικό διάστημα των 6h στο στάδιο της αξιολόγησης. 157

158 ΣΧΗΜΑ 96. Υπόλοιπα των τιμών έντασης βροχής που καταγράφηκαν από τους σταθμούς του ΕΑΑ και των εκτιμώμενων τιμών από τα μοντέλα εκτίμησης βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών για το χρονικό διάστημα των 6h στο στάδιο της αξιολόγησης. 158

159 6.2 Αξιολόγηση σε συγκεκριμένες περιπτώσεις των αλγόριθμων εκτίμησης βροχόπτωσης Οι αλγόριθμοι που αναπτύχθηκαν για την εκτίμηση της έντασης της βροχής, αξιολογήθηκαν για τρεις ημέρες βροχόπτωσης, με διαφορετικά χαρακτηριστικά ως προς το είδος των νεφικών συστημάτων που επικρατούσαν τις ημέρες αυτές, ώστε να διαπιστωθεί η επιχειρησιακή ικανότητά τους στην εκτίμηση της έντασης βροχής για τα επιλεγμένα βροχοφόρα νεφικά συστήματα που αναπτύχθηκαν στην περιοχή της Ελλάδας Περίπτωση: 9/6/2008 Στο χάρτη ανάλυσης καιρού επιφανείας (Οι χάρτες ανάλυσης καιρού παρουσιάζονται στο κεφάλαιο 4.1, Σχήμα 41) στις 9/6/2008, 18:00 UTC, εμφανίζεται μια εξασθενημένη ύφεση με βορειοανατολική κατεύθυνση προς την Ελλάδα. Στη δορυφορική εικόνα του Meteosat στα 10.8 μm, παρουσιάζονται σωρειτόμορφα νέφη κατακόρυφης ανάπτυξης τύπου Cumulus που προκαλούνται από τις ανοδικές κινήσεις των αερίων μαζών που οφείλονται στην ύφεση (Σχήμα 97α). Για την απεικόνιση της χωρικής κατανομής των εκτιμώμενων τιμών έντασης βροχής, οι αλγόριθμοι εκτίμησης βροχής με βάση τον αλγόριθμο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών (RR1, RR2, MLP1, και MLP2) συγκρίνονται με τις μετρούμενες τιμές έντασης βροχόπτωσης που καταγράφηκαν από τους 47 μετεωρολογικούς σταθμούς στην Ελλάδα, για τη δορυφορική εικόνα του Meteosat στις 9/6/2008, 14:15 UTC. Σημειώνεται στο σημείο αυτό, ότι για την αξιολόγηση της ακρίβειας των αλγόριθμων εκτίμησης βροχής, χρησιμοποιήθηκαν οι ίδιες στατιστικές παράμετροι που υπολογίστηκαν στη φάση της εκπαίδευσης και αξιολόγησης των τεχνικών και οι τιμές τους παρουσιάζονται στον πίνακα 17. Η εφαρμογή των αλγόριθμων εκτίμησης βροχής με βάση εφαρμογής τον αλγόριθμο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών για τις 9/6/2008, 14:15 UTC παρουσιάζεται στα σχήματα 97 (β εως ε), 99 (α εως δ), 101 (α εως δ) και 103 (α εως δ) για διαφορετικές χρονικές κλίμακες μεσοποίησης (15, 1h, 3h, 6h). Τα μοντέλα των νευρωνικών δικτύων MLP (MLP1 και MLP2) αποδίδουν μεγαλύτερες τιμές έντασης βροχής στα ψυχρά νεφικά συστήματα και χαμηλές τιμές βροχής στα θερμά νέφη που εντοπίστηκαν ως βροχοφόρα από τον αλγόριθμο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών. Οι αλγόριθμοι ανάθεσης βροχής RR (RR1 και RR2) παρουσιάζουν χαμηλές τιμές έντασης βροχής για τα σωρειτόμορφα νέφη που εντοπίζονται στη βόρεια Ελλάδα και στην περιοχή του βορείου Αιγαίου. Η τεχνική εκτίμησης της έντασης βροχής MLP2 εμφανίζει ικανοποιητική συσχέτιση μεταξύ των αναμενόμενων τιμών βροχόπτωσης και των σωρειτόμορφων νεφικών συστημάτων. Η σύγκριση των αλγόριθμων εκτίμησης βροχής ως προς την απόδοση τους για την περίπτωση της 9/6/2008, 14:15 UTC παρουσιάζει το ίδιο πρότυπο με αυτό που παρατηρήθηκε κατά τη φάση εκπαίδευσης των αλγορίθμων, με τα μοντέλα να είναι κατά αύξουσα σειρά το RR1, το RR2, το MLP1 και το MLP2. Η προσθήκη των παραμέτρων υφής βελτιώνει τα αποτελέσματα των αλγόριθμων εκτίμησης της έντασης της βροχής MLP2 και RR2 για όλες τις χρονικές κλίμακες μεσοποίησης. 159

160 Πίνακας 17. Αποτελέσματα αξιολόγησης των αλγόριθμων εκτίμησης βροχής με βάση εφαρμογής τον αλγόριθμο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών για διαφορετικά χρονικά διαστήματα (15min, 1h, 3h, 6h) στις 9/6/2008, 14:15 UTC. Στον πίνακα 17 το μέσο σφάλμα (ΜΕ), στα δύο πρώτα χρονικά διαστήματα μεσοποίησης (15min, 1h) καταγράφει υπερεκτίμηση των τιμών έντασης βροχής σε σχέση με τις παρατηρούμενες από τους μετεωρολογικούς σταθμούς, ενώ για περίοδο μεγαλύτερη της 1h καταγράφεται υποεκτίμηση των τιμών έντασης βροχής. Αναφορικά με τις στατιστικές παραμέτρους ΜΑΕ και RMSE παρατηρείται φθίνουσα τάση με την αύξηση των χρονικών διαστημάτων μεσοποίησης γεγονός που σημαίνει ότι οι αποκλίσεις μεταξύ παρατηρήσεων και εκτιμήσεων των τιμών έντασης βροχής ελαττώνονται. Επίσης τα στατιστικά μεγέθη Bias και MSE εμφανίζουν φθίνουσα τάση με την αύξηση των χρόνων μεσοποίησης και εκφράζουν ουσιαστικά τη μείωση των αποκλίσεων μεταξύ των εκτιμήσεων και των μετρούμενων τιμών έντασης βροχής. 160

161 ΣΧΗΜΑ 97. (α) Δορυφορική εικόνα του Meteosat στις 9/6/2008, 14:15 UTC με τις θερμοκρασίες λαμπρότητας στο φασματικό κανάλι των 10.8 μm στο θερμικό υπέρυθρο και τους αλγόριθμους εκτίμησης της έντασης της βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών (RR1, RR2, MLP1, και MLP2) για τo χρονικό διάστημα μεσοποίησης των 15 (β εως ε). 161

162 Η δορυφορική εικόνα στο υπέρυθρο φασματικό κανάλι των 10.8 μm και οι αλγόριθμοι εκτίμησης βροχής με βάση εφαρμογής το μοντέλο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών στις 9/6/2008, 14:15 UTC παρουσιάζονται στα σχήματα 98 (α εως ε), 100 (α εως δ), 102 (α εως δ) και 104 (α εως δ) για διαφορετικές χρονικές κλίμακες μεσοποίησης (15, 1h, 3h, 6h). Τα μοντέλα που βασίζονται στις φασματικές παραμέτρους και στις παραμέτρους υφής των νεφών (RR2, MLP2) προσφέρουν σημαντική βελτίωση της συσχέτισης μεταξύ των αναμενόμενων τιμών έντασης βροχής και των περιστατικών βροχής που καταγράφηκαν από τους σταθμούς του ΕΑΑ. Οι αλγόριθμοι εκτίμησης της έντασης βροχής που αξιοποιούν και τις παραμέτρους υφής (RR2, MLP2) παρουσιάζουν μεγαλύτερες τιμές βροχής για τα νέφη κατακόρυφης ανάπτυξης σε σχέση με τους αλγόριθμους που βασίζονται μόνο στις φασματικές παραμέτρους των νεφών (RR1, MLP1). Οι αλγόριθμοι εκτίμησης βροχής που αναπτύχθηκαν με βάση εφαρμογής το μοντέλο ταξινόμησης στρατόμορφων/σωρειτόμορφων νεφών παρουσιάζουν μικρότερη περιοχή βροχής μειώνοντας τον αριθμό των θερμών βροχοφόρων εικονοστοιχείων που εντοπίζει το μοντέλο διάκρισης βροχοφόρων νεφών σε σχέση με τους αλγόριθμους εκτίμησης βροχής που εφαρμόστηκαν στα εικονοστοιχεία που εντοπίζει το μοντέλο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών. Ο αλγόριθμος εκτίμησης βροχής με βάση το μοντέλο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών εμφανίζει βελτιωμένη συσχέτιση μεταξύ των ψυχρών νεφών που απεικονίζονται στη δορυφορική εικόνα Meteosat και των υψηλών εκτιμώμενων τιμών βροχής. Η σύγκριση των μοντέλων εκτίμησης της έντασης βροχής ως προς την απόδοση τους στο στάδιο της αξιολόγησης για την περίπτωση της 9/6/2008, 14:15 UTC εμφανίζει το ίδιο πρότυπο με αυτό που παρατηρήθηκε κατά τη φάση αξιολόγησης των μοντέλων, με τα μοντέλα να είναι κατά αύξουσα σειρά το RR1, το MLP1, το RR2, και το MLP2 (Πίνακας 18). Σύμφωνα με τον πίνακα 18 οι αλγόριθμοι εκτίμησης της έντασης βροχής που αναπτύχθηκαν με βάση τον αλγόριθμο ταξινόμησης στρατόμορφων/σωρειτόμορφων νεφών, εμφανίζουν βελτιωμένα αποτελέσματα για κάθε χρονικό διάστημα μεσοποίησης, σε σχέση με τους αλγόριθμους εκτίμησης βροχής που αναπτύχθηκαν με βάση το μοντέλο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών (Πίνακας 17). 162

163 Πίνακας 18. Αποτελέσματα αξιολόγησης των αλγόριθμων εκτίμησης βροχής με βάση εφαρμογής τον αλγόριθμο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών για διαφορετικά χρονικά διαστήματα (15min, 1h, 3h, 6h) στις 9/6/2008, 14:15 UTC. Το μέσο σφάλμα (ΜΕ), εμφανίζει μια φθίνουσα τάση υποεκτίμησης των μετρούμενων τιμών έντασης βροχής με την αύξηση των χρονικών διαστημάτων. Αναφορικά με τον πίνακα 18 καταδεικνύεται ότι οι αποκλίσεις μεταξύ των παρατηρούμενων και των αντίστοιχων εκτιμώμενων τιμών έντασης βροχής για τα στατιστικά μεγέθη ΜΑΕ και RMSE ελαττώνονται καθώς τα χρονικά διαστήματα μεσοποίησης αυξάνουν. Επίσης η στατιστική παράμετρος Bias καταγράφει φθίνουσα τάση με την αύξηση των διαστημάτων. 163

164 ΣΧΗΜΑ 98. (α) Δορυφορική εικόνα του Meteosat στις 9/6/2008, 14:15 UTC με τις θερμοκρασίες λαμπρότητας στο φασματικό κανάλι των 10.8 μm στο θερμικό υπέρυθρο και τους αλγόριθμους εκτίμησης της έντασης της βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών (RR1, RR2, MLP1, και MLP2) για τo χρονικό διάστημα μεσοποίησης των 15 (β εως ε). 164

165 ΣΧΗΜΑ 99. Αλγόριθμοι εκτίμησης της έντασης της βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών (RR1, RR2, MLP1, και MLP2) στις 9/6/2008, 14:15 UTC για τo χρονικό διάστημα μεσοποίησης της 1h (α εως δ). 165

166 ΣΧΗΜΑ 100. Αλγόριθμοι εκτίμησης της έντασης της βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών (RR1, RR2, MLP1, και MLP2) στις 9/6/2008, 14:15 UTC για τo χρονικό διάστημα μεσοποίησης της 1h (α εως δ). 166

167 ΣΧΗΜΑ 101. Αλγόριθμοι εκτίμησης της έντασης της βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών (RR1, RR2, MLP1, και MLP2) στις 9/6/2008, 14:15 UTC για τo χρονικό διάστημα μεσοποίησης των 3h (α εως δ). 167

168 ΣΧΗΜΑ 102. Αλγόριθμοι εκτίμησης της έντασης της βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών (RR1, RR2, MLP1, και MLP2) στις 9/6/2008, 14:15 UTC για τo χρονικό διάστημα μεσοποίησης των 3h (α εως δ). 168

169 ΣΧΗΜΑ 103. Αλγόριθμοι εκτίμησης της έντασης της βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών (RR1, RR2, MLP1, και MLP2) στις 9/6/2008, 14:15 UTC για τo χρονικό διάστημα μεσοποίησης των 6h (α εως δ). 169

170 ΣΧΗΜΑ 104. Αλγόριθμοι εκτίμησης της έντασης της βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών (RR1, RR2, MLP1, και MLP2) στις 9/6/2008, 14:15 UTC για τo χρονικό διάστημα μεσοποίησης των 6h (α εως δ). 170

171 6.2.2 Περίπτωση: 12/12/2008 Στο χάρτη ανάλυσης καιρού (Οι χάρτες ανάλυσης καιρού επιφανείας παρουσιάζονται στο κεφάλαιο 4.1, Σχήμα 45) στις 12/12/2008, 12:00 UTC, παρατηρείται ένα συνεσφιγμένο μέτωπο στην περιοχή της Ιταλίας, που σχετίζεται με την ανάπτυξη νεφών κατακόρυφης ανάπτυξης, όπως παρατηρείται στη δορυφορική εικόνα στο φασματικό κανάλι του θερμικού υπέρυθρου στα 10.8 μm, βορειοανατολικά της Ελλάδας (Σχήμα 105α). Για την απεικόνιση της χωρικής κατανομής των εκτιμώμενων τιμών έντασης βροχής, οι αλγόριθμοι εκτίμησης βροχής με βάση τον αλγόριθμο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών (RR1, RR2, MLP1, και MLP2) συγκρίνονται με τις μετρούμενες τιμές έντασης βροχόπτωσης που καταγράφηκαν από τους 76 μετεωρολογικούς σταθμούς στην Ελλάδα, για τη δορυφορική εικόνα του Meteosat στις 12/12/2008, 09:00 UTC. Τα μοντέλα εκτίμησης βροχής στις 12/12/2008, 09:00 UTC απεικονίζονται στα σχήματα 105 (β εως ε), 107 (α εως δ), 109 (α εως δ) και 111 (α εως δ) για διαφορετικές χρονικές κλίμακες μεσοποίησης. Οι αλγόριθμοι των νευρωνικών δικτύων MLP (MLP1 και MLP2) αποδίδουν μεγαλύτερες τιμές έντασης βροχής στη μετωπική νεφική ζώνη που διέρχεται από τον Ελληνικό χώρο, η οποία παρουσιάζει μεγάλη λαμπρότητα καθώς αποτελείται κυρίως από υψηλά νέφη κατακόρυφης ανάπτυξης και νέφη Cirrus καθώς και από μεσαία νέφη βορειοανατολικά της Ελλάδας. Επίσης παρατηρούνται χαμηλές τιμές βροχής πάνω από τα χαμηλά στρατόμορφα νέφη, πίσω από τη νεφική ζώνη του ψυχρού μετώπου, τα οποία εντοπίστηκαν ως βροχοφόρα από τον αλγόριθμο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών. Οι αλγόριθμοι ανάθεσης βροχής RR (RR1 και RR2) παρουσιάζουν χαμηλότερες τιμές έντασης βροχής για τα υψηλά νέφη που παρατηρούνται στο εμπρόσθιο τμήμα της ψυχρής μετωπικής επιφάνειας, και υψηλότερες τιμές έντασης βροχής για τα χαμηλά νέφη που εντοπίζονται στο νότιο Αιγαίο. Η σύγκριση των αλγόριθμων εκτίμησης βροχής ως προς την απόδοση τους στο στάδιο της αξιολόγησης για την περίπτωση της 12/12/2008, 09:00 UTC παρουσιάζει το ίδιο πρότυπο με αυτό που παρατηρήθηκε στο στάδιο της εκπαίδευσης. 171

172 Πίνακας 19. Αποτελέσματα αξιολόγησης των αλγόριθμων εκτίμησης βροχής με βάση εφαρμογής τον αλγόριθμο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών για διαφορετικά χρονικά διαστήματα (15min, 1h, 3h, 6h) στις 12/12/2008, 09:00 UTC. Στον πίνακα 19 για το μέσο σφάλμα (ΜΕ), παρατηρείται υποεκτίμηση των τιμών έντασης βροχής με φθίνουσα τάση, σε σχέση με τα πραγματικά δεδομένα βροχής που καταγράφηκαν από τους μετεωρολογικούς σταθμούς για κάθε χρονική κλίμακα μεσοποίησης. Οι αποκλίσεις μεταξύ των παρατηρούμενων και των αντίστοιχων εκτιμώμενων τιμών για τα στατιστικά μεγέθη ΜΑΕ και RMSE εμφανίζουν φθίνουσα πορεία καθώς τα χρονικά διαστήματα μεσοποίησης αυξάνουν με τον αλγόριθμο MLP2 να παρουσιάζει τα βέλτιστα αποτελέσματα μεταξύ των μοντέλων εκτίμησης βροχής. Δηλαδή καθώς αυξάνουν τα επίπεδα μεσοποίησης τόσο οι εκτιμήσεις συγκλίνουν στις αντίστοιχες παρατηρούμενες τιμές όπως απεικονίζεται από τις αντίστοιχες γραμμές τάσεις των μεγεθών ΜΑΕ και RMSE. Επίσης τα στατιστικά μεγέθη Bias και MSE εμφανίζουν φθίνουσα τάση με την αύξηση των χρόνων μεσοποίησης και εκφράζουν ουσιαστικά την μείωση των αποκλίσεων μεταξύ των εκτιμώμενων τιμών από τους αλγόριθμους εκτίμησης βροχής και των μετρούμενων τιμών έντασης βροχής που μετρήθηκαν από τους σταθμούς βροχόπτωσης. 172

173 ΣΧΗΜΑ 105. (α) Δορυφορική εικόνα του Meteosat στις 12/12/2008, 09:00 UTC με τις θερμοκρασίες λαμπρότητας στο φασματικό κανάλι των 10.8 μm στο θερμικό υπέρυθρο και τους αλγόριθμους εκτίμησης της έντασης της βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών (RR1, RR2, MLP1, και MLP2) για το χρονικό διάστημα των 15 (β εως ε). 173

174 Η δορυφορική εικόνα στο υπέρυθρο φασματικό κανάλι των 10.8 μm και τα μοντέλα εκτίμησης βροχής με βάση εφαρμογής το μοντέλο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών για τις 12/12/2008, 09:00 UTC απεικονίζονται στα σχήματα 106 (α εως ε), 108 (α εως δ), 110 (α εως δ) και 112 (α εως δ) για διαφορετικές χρονικές κλίμακες μεσοποίησης (15, 1h, 3h, 6h). Οι αλγόριθμοι εκτίμησης της έντασης βροχής που βασίζονται στις φασματικές παραμέτρους και στις παραμέτρους υφής των νεφών (RR2, MLP2) εμφανίζουν αυξημένες τιμές έντασης βροχής πάνω από υψηλά νέφη που δημιουργούνται απο την ύπαρξη του ψυχρού μετώπου στη περιοχή της βόρειας Ελλάδας και του Αιγαίου, και χαμηλότερες τιμές βροχής για τα στρατόμορφα νέφη που παρατηρούνται στην κεντρική Ελλάδα και στη δυτική Πελλοπόνησο, σε σχέση με τους αλγόριθμους που βασίζονται μόνο στις φασματικές παραμέτρους των νεφών (RR1, MLP1). Οι αλγόριθμοι εκτίμησης βροχής που αναπτύχθηκαν με βάση εφαρμογής το μοντέλο ταξινόμησης στρατόμορφων/σωρειτόμορφων νεφών αποδίδουν μικρότερη περιοχή βροχής, και ελαττώνουν τον αριθμό των βροχοφόρων εικονοστοιχείων που εντοπίζει το μοντέλο διάκρισης βροχοφόρων νεφών πάνω από ψυχρά νέφη Cirrus στη βόρεια Ελλάδα και χαμηλά στρατόμορφα νέφη στη δυτική Ελλάδα, σε σχέση με τους αλγόριθμους εκτίμησης βροχής που αναπτύχθηκαν με βάση το μοντέλο εντοπισμού βροχοφόρων νεφών. Ο αλγόριθμος εκτίμησης βροχής με βάση την τεχνική διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών εμφανίζει βελτιωμένη συσχέτιση μεταξύ υψηλών εκτιμώμενων τιμών έντασης βροχής και νεφών κατακόρυφης ανάπτυξης που εκδηλώνονται από την παρουσία της ψυχρής μετωπικής επιφάνειας στη δορυφορική εικόνα Meteosat. Η σύγκριση των τεχνικών ως προς την απόδοση τους για την περίπτωση της 12/12/2008, 09:00 UTC παρουσιάζει το ίδιο πρότυπο με αυτό που παρατηρήθηκε στη φάση αξιολόγησης (Πίνακας 4). Η αξιοποίηση του μοντέλου ταξινόμησης στρατόμορφων/σωρειτόμορφων νεφών, βελτιώνει τα αποτελέσματα των αλγόριθμων εκτίμησης της έντασης βροχής σε σύγκριση με τους αλγόριθμους που αναπτύχθηκαν με βάση το μοντέλο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών για κάθε χρονικό διάστημα μεσοποίησης. 174

175 Πίνακας 20. Αποτελέσματα αξιολόγησης των αλγόριθμων εκτίμησης βροχής με βάση εφαρμογής τον αλγόριθμο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών για διαφορετικά χρονικά διαστήματα (15min, 1h, 3h, 6h) στις 12/12/2008, 09:00 UTC. Στον πίνακα 20 για το μέσο σφάλμα (ΜΕ), ελαττώνονται οι υποεκτιμήσεις των τιμών έντασης βροχής με την αύξηση των χρονικών διαστημάτων μεσοποίησης. Οι αποκλίσεις μεταξύ των παρατηρούμενων και των αντίστοιχων εκτιμώμενων τιμών για τα στατιστικά μεγέθη ΜΑΕ και RMSE εμφανίζουν φθίνουσα πορεία καθώς οι χρόνοι μεσοποίησης αυξάνουν. Το στατιστικό μέγεθος Bias καταγράφει φθίνουσα πορεία με την αύξηση των χρονικών διαστημάτων μεσοποίησης. Επίσης η στατιστική παράμετρος MSE εμφανίζει φθίνουσα τάση με την αύξηση των διαστημάτων, εκφράζοντας ουσιαστικά τη μείωση των αποκλίσεων μεταξύ των εκτιμώμενων τιμών και των πραγματικών τιμών έντασης βροχής. 175

176 ΣΧΗΜΑ 106. (α) Δορυφορική εικόνα του Meteosat στις 12/12/2008, 09:00 UTC με τις θερμοκρασίες λαμπρότητας στο φασματικό κανάλι των 10.8 μm στο θερμικό υπέρυθρο και τους αλγόριθμους εκτίμησης της έντασης της βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών (RR1, RR2, MLP1, και MLP2) για το χρονικό διάστημα των 15 (β εως ε). 176

177 ΣΧΗΜΑ 107. Αλγόριθμοι εκτίμησης της έντασης της βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών (RR1, RR2, MLP1, και MLP2) στις 12/12/2008, 09:00 UTC για τo χρονικό διάστημα μεσοποίησης της 1h (α εως δ). 177

178 ΣΧΗΜΑ 108. Αλγόριθμοι εκτίμησης της έντασης της βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών (RR1, RR2, MLP1, και MLP2) στις 12/12/2008, 09:00 UTC για τo χρονικό διάστημα μεσοποίησης της 1h (α εως δ). 178

179 ΣΧΗΜΑ 109. Αλγόριθμοι εκτίμησης της έντασης της βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών (RR1, RR2, MLP1, και MLP2) στις 12/12/2008, 09:00 UTC για τo χρονικό διάστημα μεσοποίησης των 3h (α εως δ). 179

180 ΣΧΗΜΑ 110. Αλγόριθμοι εκτίμησης της έντασης της βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών (RR1, RR2, MLP1, και MLP2) στις 12/12/2008, 09:00 UTC για τo χρονικό διάστημα μεσοποίησης των 3h (α εως δ). 180

181 ΣΧΗΜΑ 111. Αλγόριθμοι εκτίμησης της έντασης της βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών (RR1, RR2, MLP1, και MLP2) στις 12/12/2008, 09:00 UTC για τo χρονικό διάστημα μεσοποίησης των 6h (α εως δ). 181

182 ΣΧΗΜΑ 112. Αλγόριθμοι εκτίμησης της έντασης της βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών (RR1, RR2, MLP1, και MLP2) στις 12/12/2008, 09:00 UTC για τo χρονικό διάστημα μεσοποίησης των 6h (α εως δ). 182

183 6.2.3 Περίπτωση: 23/1/2009 Στις 23 Ιανουαρίου 2009, 10:00 UTC, στο χάρτη ανάλυσης καιρού επιφανείας (Οι χάρτες ανάλυσης καιρού παρέχονται στο κεφάλαιο 4.1, Σχήμα 49) στις 23/1/2009, 10:00 UTC, εμφανίζεται ένα ενισχυμένο χαμηλό ανατολικά της Ελλάδας και ένα συνεσφιγμένο μέτωπο με τη ψυχρή μετωπική επιφάνεια να εκτείνεται βόρεια της ηπειρωτικής Ελλάδας. Στη δορυφορική εικόνα Meteosat στο φασματικό κανάλι των 10.8 μm απεικονίζονται σωρειτόμορφα νέφη κατακόρυφης ανάπτυξης και νέφη με ψυχρές κορυφές που σχετίζονται με τις ανοδικές κινήσεις του ατμοσφαιρικού αέρα (Σχήμα 113α). Για την απεικόνιση της χωρικής κατανομής των εκτιμώμενων τιμών έντασης βροχής, οι αλγόριθμοι εκτίμησης βροχής με βάση τον αλγόριθμο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών (RR1, RR2, MLP1, και MLP2) συγκρίνονται με τις μετρούμενες τιμές έντασης βροχόπτωσης που καταγράφηκαν από τους 81 μετεωρολογικούς σταθμούς στην Ελλάδα, για τη δορυφορική εικόνα του Meteosat στις 23/1/2009, 12:00 UTC. Στα σχήματα 113 (β εως ε), 115 (α εως δ), 117 (α εως δ) και 119 (α εως δ) στις 23/1/ :00 UTC, παρουσιάζονται οι τεχνικές εκτίμησης της έντασης βροχής για διαφορετικές χρονικές περιόδους μεσοποίησης. Οι αλγόριθμοι των νευρωνικών δικτύων MLP (MLP1 και MLP2) παρουσιάζουν υψηλότερες τιμές έντασης βροχής για τα ψυχρά νέφη Cirrus και τα νέφη κατακόρυφης αναπτυξης από τα οποία αποτελείται η ψυχρή μετωπική επιφάνεια που διέρχεται από τον Ελληνικό χώρο και χαμηλότερες τιμές βροχής για τα στρατόμορφα νέφη που εντοπίζονται στην ηπειρωτική Ελλάδα, από τους αλγόριθμους ανάθεσης βροχής RR (RR1 και RR2). Επίσης οι αλγόριθμοι νευρωνικών δικτύων MLP αποδίδουν υψηλές τιμές για τα σωρειτόμορφα νέφη που δημιουργούνται από την εξασθενημένη μετωπική ύφεση που καταγράφεται στη δυτική Πελοποννήσο. Οι τεχνικές ανάθεσης βροχής RR εμφανίζουν χαμηλές τιμές έντασης βροχής πάνω από σωρειτόμορφα νέφη που προκαλούνται από την ύπαρξη ενός εξασθενημένου ψυχρού χαμηλού στη Πελοπόννησο και μεγάλες τιμές έντασης βροχής για υψηλά νέφη που εκδηλώνονται στο μπροστινό τμήμα της ψυχρής μετωπικής ζώνης, αντίστοιχα.. Η σύγκριση των αλγόριθμων εκτίμησης βροχής ως προς την απόδοση τους για την περίπτωση της 23/1/2009, 12:00 UTC παρουσιάζει την ίδια συμπεριφορά με αυτή που παρατηρήθηκε στο στάδιο της αξιολόγησης. 183

184 Πίνακας 21. Αποτελέσματα αξιολόγησης των αλγόριθμων εκτίμησης βροχής με βάση εφαρμογής τον αλγόριθμο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών για διαφορετικά χρονικά διαστήματα (15min, 1h, 3h, 6h) στις 23/1/2009, 12:00 UTC. Στον πίνακα 21 παρατηρείται, ότι οι τιμές των συντελεστών γραμμικής συσχέτισης βελτιώνονται με την αλλαγή της χρονικής ανάλυσης (από 15min σε 6h) όπου για τη χρονική κλίμακα μεσοποίησης μεγαλύτερη της 1h υφίσταται συσχέτιση μεταξύ των εκτιμώμενων και των μετρούμενων τιμών έντασης βροχής που καταγράφηκαν από τους μετεωρολογικούς σταθμούς του ΕΑΑ. Για το στατιστικό μέγεθος ΜΕ, παρατηρείται υποεκτίμηση των τιμών έντασης βροχής με φθίνουσα τάση, με την αύξηση των χρόνων μεσοποίησης σε σχέση με τα πραγματικά δεδομένα βροχής που καταγράφηκαν από τους μετεωρολογικούς σταθμούς. Οι στατιστικές παράμετροι ΜΑΕ και RMSE εμφανίζουν φθίνουσα πορεία καθώς τα χρονικά επίπεδα αυξάνουν με τον αλγόριθμο MLP2 να παρουσιάζει τα βέλτιστα αποτελέσματα μεταξύ των μοντέλων εκτίμησης βροχής και εμφανίζουν μείωση των αποκλίσεων μεταξύ των παρατηρούμενων και των αντίστοιχων εκτιμώμενων τιμών. Οι στατιστικές παράμετροι Bias και MSE μειώνονται με την αύξηση των χρονικών διαστημάτων μεσοποίησης. 184

185 ΣΧΗΜΑ 113. (α) Δορυφορική εικόνα του Meteosat στις 23/1/2009, 10:00 UTC με τις θερμοκρασίες λαμπρότητας στο φασματικό κανάλι των 10.8 μm στο θερμικό υπέρυθρο και τους αλγόριθμους εκτίμησης της έντασης της βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών (RR1, RR2, MLP1, και MLP2) για τα χρονικά διαστήματα των 15 (β εως ε). 185

186 Η δορυφορική εικόνα στο υπέρυθρο φασματικό κανάλι των 10.8 μm και οι αλγόριθμοι εκτίμησης βροχής στις 23/1/2009, 10:00 UTC απεικονίζονται στα 114 (α εως δ), 116 (α εως δ), 118 (α εως δ) και 120 (α εως δ) για διαφορετικές χρονικές περιόδους μεσοποίησης (15, 1h, 3h, 6h). Οι τεχνικές εκτίμησης της έντασης βροχής που βασίζονται στις φασματικές παραμέτρους και στις παραμέτρους υφής των νεφών (RR2 και MLP2) εμφανίζουν υψηλές τιμές για ψυχρά νέφη που αποτελούν τη ψυχρή μετωπική ζώνη που παρατηρείται στη δορυφορική εικόνα και διέρχεται πάνω από το Αιγαίο, και χαμηλότερες τιμές βροχής για χαμηλά στρατόμορφα νέφη που παρατηρούνται στην ηπειρωτική Ελλάδα σε σχέση με τις τεχνικές που βασίζονται μόνο στις φασματικές παραμέτρους των νεφών (RR1, MLP1). Οι αλγόριθμοι εκτίμησης βροχής που αναπτύχθηκαν με βάση εφαρμογής το μοντέλο ταξινόμησης στρατόμορφων/σωρειτόμορφων νεφών αποδίδουν μικρότερη περιοχή βροχής και μειώνουν τον αριθμό των σωρειτόμορφων βροχοφόρων εικονοστοιχείων που εντοπίζει το μοντέλο διάκρισης βροχοφόρων νεφών πάνω από τα ψυχρά μη βροχοφόρα νέφη Cirrus που εκδηλώνονται στο μπροστινό τμήμα της ψυχρής μετωπικής επιφάνειας, σε σχέση με τους αλγόριθμους εκτίμησης βροχής που αναπτύχθηκαν με βάση το μοντέλο εντοπισμού βροχοφόρων νεφών. Ο αλγόριθμος εκτίμησης βροχής με βάση το μοντέλο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών παρουσιάζει βελτιωμένη συσχέτιση μεταξύ των στρατόμορφων νεφών που εντοπίζονται στη δορυφορική εικόνα Meteosat και των εκτιμώμενων χαμηλών τιμών βροχής, καθώς και βελτιωμένα αποτελέσματα μεταξύ ψυχρών νεφών και των των υψηλών εκτιμώμενων τιμών βροχής. Η αξιολόγηση των τεχνικών εκτίμησης βροχής για την περίπτωση της 23/1/2009, 12:00 UTC ανέδειξε την ίδια συμπεριφορά με τα προηγούμενα περιστατικά βροχής. 186

187 Πίνακας 22. Αποτελέσματα αξιολόγησης των αλγόριθμων εκτίμησης βροχής με βάση εφαρμογής τον αλγόριθμο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών για διαφορετικά χρονικά διαστήματα (15min, 1h, 3h, 6h) στις 23/1/2009, 12:00 UTC. Στον πίνακα 22 για το στατιστικό μέγεθος ΜΕ, παρατηρείται αρχικά υπερεκτίμηση των τιμών έντασης βροχής με τη μεταβολή των χρονικών διαστημάτων. Οι στατιστικές παράμετροι ΜΑΕ και RMSE εμφανίζουν φθίνουσα πορεία καθώς τα χρονικά διαστήματα αυξάνουν, καταδεικνύοντας την αύξηση των αποκλίσεων μεταξύ των παρατηρούμενων και των αντίστοιχων εκτιμώμενων τιμών έντασης βροχής. Το στατιστικό μέγεθος Bias ελαττώνεται με την αύξηση των προγνώσεων και η παράμετρος MSE αποδίδει αύξουσα τάση με την αύξηση των χρονικών διαστημάτων, αποκαλύπτοντας την αύξηση των αποκλίσεων μεταξύ των εκτιμήσεων και των μετρούμενων τιμών έντασης βροχής. 187

188 ΣΧΗΜΑ 114. (α) Δορυφορική εικόνα του Meteosat στις 23/1/2009, 10:00 UTC με τις θερμοκρασίες λαμπρότητας στο φασματικό κανάλι των 10.8 μm στο θερμικό υπέρυθρο και τους αλγόριθμους εκτίμησης της έντασης της βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών (RR1, RR2, MLP1, και MLP2) για τα χρονικά διαστήματα των 15 (β εως ε). 188

189 ΣΧΗΜΑ 115. Αλγόριθμοι εκτίμησης της έντασης της βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών (RR1, RR2, MLP1, και MLP2) στις 23/1/2009, 12:00 UTC για τo χρονικό διάστημα μεσοποίησης της 1h (α εως δ). 189

190 ΣΧΗΜΑ 116. Αλγόριθμοι εκτίμησης της έντασης της βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών (RR1, RR2, MLP1, και MLP2) στις 23/1/2009, 12:00 UTC για τo χρονικό διάστημα μεσοποίησης της 1h (α εως δ). 190

191 ΣΧΗΜΑ 117. Αλγόριθμοι εκτίμησης της έντασης της βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών (RR1, RR2, MLP1, και MLP2) στις 23/1/2009, 12:00 UTC για τo χρονικό διάστημα μεσοποίησης των 3h (α εως δ). 191

192 ΣΧΗΜΑ 118. Αλγόριθμοι εκτίμησης της έντασης της βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών (RR1, RR2, MLP1, και MLP2) στις 23/1/2009, 12:00 UTC για τo χρονικό διάστημα μεσοποίησης των 3h (α εως δ). 192

193 ΣΧΗΜΑ 119. Αλγόριθμοι εκτίμησης της έντασης της βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διάκρισης βροχοφόρων και μη βροχοφόρων νεφών (RR1, RR2, MLP1, και MLP2) στις 23/1/2009, 12:00 UTC για τo χρονικό διάστημα μεσοποίησης των 6h (α εως δ). 193

194 ΣΧΗΜΑ 120. Αλγόριθμοι εκτίμησης της έντασης της βροχόπτωσης με βάση εφαρμογής τον αλγόριθμο διαχωρισμού στρατόμορφων/σωρειτόμορφων νεφών (RR1, RR2, MLP1, και MLP2) στις 23/1/2009, 12:00 UTC για τo χρονικό διάστημα μεσοποίησης των 6h (α εως δ). 194