Improving Infrared-Based Precipitation Retrieval Algorithms Using Multi-Spectral Satellite Imagery

این پایان‌نامه تخمین بارش ماهواره‌ای را از طریق ادغام رویکرد چند سنسوری و چند کانالی به الگوریتم‌های تخمین بارش فعلی تغییر می‌دهد و خوانش دقیق‌تری از داده‌های بارش از فضا ارائه می‌دهد.

داده های ماهواره ای برای تخمین بارش از فضا بر محدودیت مشاهدات زمینی از نظر در دسترس بودن در مناطق دور افتاده و اقیانوس ها و همچنین پوشش فضایی غلبه می کند. با این حال، دقت تخمین‌های ماهواره‌ای هنوز نیاز به بهبود دارد.

رویکرد معرفی‌شده در این پایان‌نامه از مزایای ماهواره‌های اخیر ناسا در رصد ابرها و بارش بهره می‌برد. علاوه بر این، از تکنیک‌های یادگیری ماشینی نیز برای بهترین استفاده از «داده‌های بزرگ» سنجش از راه دور استفاده می‌شود. نتایج بهبود قابل‌توجهی را در شناسایی مناطق بدون بارش و کاهش شناسایی نادرست بارش ارائه می‌کنند.

This thesis transforms satellite precipitation estimation through the integration of a multi-sensor, multi-channel approach to current precipitation estimation algorithms, and provides more accurate readings of precipitation data from space.

Using satellite data to estimate precipitation from space overcomes the limitation of ground-based observations in terms of availability over remote areas and oceans as well as spatial coverage. However, the accuracy of satellite-based estimates still need to be improved.

The approach introduced in this thesis takes advantage of the recent NASA satellites in observing clouds and precipitation. In addition, machine-learning techniques are also employed to make the best use of remotely-sensed "big data." The results provide a significant improvement in detecting non-precipitating areas and reducing false identification of precipitation.