پر کردن شکاف های موجود در نقشه های بارندگی جهانی

ویرایش شده توسط Swati Mestri، بررسی توسط Robert Egan

این مقاله با توجه به روند و سیاست های ویرایشی Science X بررسی شده است. ویراستاران ضمن اطمینان از اعتبار محتوا، ویژگی های زیر را برجسته کرده اند:

نقشه‌های بارندگی جهانی از مشاهدات جمع‌آوری‌شده توسط ماهواره‌های متعدد ساخته شده‌اند، اما یک محدودیت مهم دارند. ماهواره هایی که این اندازه گیری ها را ارائه می دهند نمی توانند کل زمین را به یکباره ببینند. در نتیجه، برخی از مناطق این نقشه ها نمی توانند مشاهدات معتبری داشته باشند.

روش‌های فعلی سعی می‌کنند این شکاف‌ها را با تخمین مقادیر بارندگی از مشاهدات انجام شده قبل و بعد از دوره از دست رفته پر کنند. با این حال، این روش ها ممکن است به طور کامل نحوه تغییر الگوهای بارش در طول زمان را نشان ندهند که منجر به ناهماهنگی در نقشه ها می شود.

برای مقابله با این چالش، محققان به سرپرستی استادیار دایکو کیشیکاوا از موسسه تحقیقات پیشرفته آکادمیک/مرکز سنجش از دور محیطی، دانشگاه چیبا، ژاپن، این مشکل را به عنوان یک نوع کار بازسازی ویدئو در نظر گرفتند. در این رویکرد، تیم با استفاده از اطلاعات فریم‌های اطراف، بخش‌های گمشده یک دنباله را تخمین می‌زند.

تیم تحقیقاتی شامل دکتر یوکا موتو از مرکز سنجش از دور محیطی، دانشگاه چیبا، و دکتر شونجی کوتسوکی از موسسه تحقیقات پیشرفته آکادمیک/مرکز سنجش از دور محیطی/موسسه تحقیقات پزشکی بلایای طبیعی، دانشگاه چیبا، یک رویکرد یادگیری ماشینی را پیشنهاد کردند که نحوه تغییر الگوی بارش در فضا و زمان را می‌آموزد. در مناطق گمشده توزیع شده است.

این مطالعه در ژورنال Earth and Space Science در 1 سپتامبر 2026 منتشر شد.

کیشیکاوا توضیح می‌دهد: «به جای تکیه بر فرمول‌های طراحی‌شده دستی، روش ما توالی‌های نقشه بارش را به‌عنوان داده‌های ویدیویی تلقی می‌کند و بخش‌های گمشده را با استفاده از اطلاعات مربوط به بازه‌های زمانی نزدیک و مناطق اطراف با اطلاعات اضافی ترمیم می‌کند».

این رویکرد از U-Net سه بعدی (سه بعدی)، یک معماری شبکه عصبی کانولوشنال که معمولا برای تقسیم‌بندی تصویر استفاده می‌شود، برای ثبت الگوهای بارش در فضا و زمان استفاده می‌کند. U-Net با یک رمزگذار وضعیت سه بعدی ترکیب شده است که اطلاعات اضافی از جمله تصاویر ماهواره ای مادون قرمز، مختصات جغرافیایی و زمان را پردازش می کند تا به بازسازی نقشه های بارش کامل کمک کند.

هدف آنها بازسازی مشاهدات گمشده در نقشه برداری ماهواره ای جهانی بارش (GSMaP) بود که توسط آژانس اکتشافات هوافضای ژاپن تهیه شد.

برای آموزش این مدل، محققان از داده‌های بارش ساعتی از مجموعه داده‌های تحلیل مجدد ERA5 تولید شده توسط مرکز اروپا برای پیش‌بینی‌های هوای متوسط ​​استفاده کردند که دوره 2020 تا 2023 را پوشش می‌دهد. ERA5 نقشه‌های بارش کاملی ارائه می‌دهد، بنابراین محققان از مکان‌های مشاهدات گمشده در نقشه‌های GSMaP برای حذف ERA استفاده کردند. این نقشه‌های شبه GSMaP شبیه مشاهدات ماهواره‌ای ناقص بود و به محققان این امکان را داد که مدل را برای بازسازی مناطق گمشده آموزش دهند.

رویکرد پیشنهادی از یک مدل انتشار شرطی برای بازسازی اطلاعات بارش از دست رفته استفاده می‌کند. رمزگذار شرایط سه بعدی این اطلاعات را پردازش می کند و جزئیات مورد نیاز برای بازسازی بارش از دست رفته را در اختیار U-Net قرار می دهد.

زمانی که این مدل بر روی داده‌های سال 2024 آزمایش شد، در مقایسه با سایر روش‌های یادگیری عمیق، از جمله U-Net، رمزگذار خودکار متغیر و مدل‌های شبکه متخاصم تولیدی، دقت پیش‌بینی و کیفیت تصویر بالایی را به دست آورد. همچنین الگوهای بارندگی تولید کرد که در سراسر مکان ها و در طول زمان ثابت ماند. تجزیه و تحلیل حساسیت نشان داد که داده های بارش و تصاویر ماهواره ای مادون قرمز مهم ترین ورودی برای بازسازی دقیق بارش گم شده بودند.

برای اینکه ببینند این مدل در عمل چگونه عمل می کند، محققان آن را روی نقشه های واقعی GSMaP با مناطق گمشده به کار بردند. از آنجایی که یک مجموعه داده کامل GSMaP برای مقایسه وجود نداشت، محققان به جای آن از داده های ERA5 به عنوان مرجع استفاده کردند. نتایج نشان داد که این مدل می‌تواند مناطق گمشده را در داده‌های واقعی GSMaP بازسازی کند و پتانسیل آن را برای کاربرد در رصدهای واقعی ماهواره‌ای نشان دهد.

این رویکرد همچنین می‌تواند برای کاربردهای نزدیک به زمان واقعی توسعه یابد و اطلاعات کامل‌تری درباره بارندگی برای نظارت بر بارندگی‌های شدید، مدیریت منابع آب و کاهش خطرات بلایا ارائه دهد.

کیشیکاوا می‌گوید: «این می‌تواند به طیف گسترده‌ای از کاربردها که به اطلاعات بارش متکی هستند، از جمله نظارت بر بارش‌های شدید و سیل، مدیریت منابع آب، تجزیه و تحلیل هیدرولوژیکی و کاهش خطر بلایا کمک کند.»

با تداوم بیشتر کردن اطلاعات بارندگی جهانی، چنین رویکردی می تواند در مناطقی که مشاهدات پراکنده هستند، مانند مناطقی که باران سنج های زمینی یا رادارهای هواشناسی کمی دارند، ارزشمند باشد.

دایکو کیشیکاوا و همکاران، مدل‌های انتشار شرطی برای نقاشی نقشه بارش جهانی، علوم زمین و فضا (2026). DOI: 10.1029/2025ea004666

سواتی مستری دارای مدرک لیسانس در مهندسی الکترونیک است و از سال 2019 به عنوان ویرایشگر محتوا کار کرده است. او ویرایش اسناد تحقیقاتی در زمینه فناوری، مراقبت های بهداشتی و علم مواد را تجربه کرده است و علاقه خاصی به فناوری و فضا دارد. نمایه کامل →

لیسانس زیست شناسی ریاضی، کارشناسی ارشد در نوشتن خلاق. خوش سفر با دیدگاه های منحصر به فرد در علم و زبان. نمایه کامل →