Geri Dön

Filling the data gap between grace and grace follow-on missions using deep learning algorithms

Derin öğrenme algoritmalarıyla grace ve grace-follow on uyduları arasındaki veri boşluğunun doldurulması

PDF İndir

  1. Tez No: 709316
  2. Yazar: MERVE KELEŞ
  3. Danışmanlar: PROF. DR. ORHAN AKYILMAZ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Geomatik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Geomatik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 103

Özet

17 mart 2002 tarihinde fırlatılan GRACE (Gravity Recovery and Climate Experiment) uydularının asıl amacı, hidrosfer, kriyosfer ve okyanustaki kütle değişimlerinden kaynaklı olarak yeryuvarının değişen gravite alanını izlemek ve bu bilgileri aylık olarak keydetmektir. GRACE uyduları, global ölçekte, karasal su depolama anomalileri (TWSA) dinamiklerini hem mekansal hem de zamansal olarak çok yüksek doğrulukta elde ederler. Bu veriler, sürdürülebilir su kaynakları yönetiminde, hidrolojik ve iklimsel çalışmalarda kullanılır. GRACE uydularının 17 Ekim 2017 tarihinde batarya problemlerinden dolayı neredeyse 15 yıllık misyonları sona ermiştir. Bunun üzerine aynı misyonla GRACE-Follow on (GRACE-FO) uydusu fırlatılmıştır. GRACE TWSA gözlemleri iki farklı periyodu kapsamaktadır; Nisan 2002- Haziran 2017 tarihleri arası GRACE misyonunu, Haziran 2018' den günümüze kadar olan zaman aralığı ise GRACE-FO misyonunu kapsamaktadır. Bu sebeple GRACE ve GRACE-FO uyduları arasında 11 aylık veri boşluğu oluşmuştur. TWSA gözlemlerinin hidrolojik modellerle asimile edildiği düşünüldüğünde, TWSA zaman serisinde böyle bir veri boşluğunun olması model tahminlerinde önemli derecede sapmalara, ve belirsizliklere yol açacağı öngörülmüştür. Bu çalışma, Aralık 2013 ve Aralık 2020 tarihleri arasını kapsayan bir zaman aralığını kapsamaktadır. Bu tarihler arasında GRACE ve GRACE-FO uyduları arasındaki 11 aylık veri boşluğu yanında ek olarak bazı teknik nedenlerden kaynaklı her bir uydunun sahip olduğu toplamda 12 aylık veri boşluğu da bulunmaktadır. Sonuç olarak bu çalışma ile toplamda 23 aylık veri boşluğu derin öğrenme algoritmaları kullanılarak başarılı bir şekilde doldurulmuştur. Çalışmada altı farklı veri kullanılmıştır. Bu veriler; GRACE ve SWARM uydularından elde edilen TWSA verileri, ERA5-Land modelinden elde edilen TWSA verisi ile ERA5-Land modelinin içerdiği iklimsel ve hidrolojik verilerdir (yağış, sıcaklık ve kümülatif su depolama değişiklikleri). Çalışmada kullanılan verilerin hepsi derin öğrenme işleminden önce zamansal olarak aylık, mekansal olarak ise 1°x1° çözünürlüğünde yeniden ölçeklendirilmiştir. SWARM uydusundan elde edilen L2 verileri direkt olarak kullanılmayıp öncelikle CSR mascon çözümlerine uygulanan doğrulamalara tabi tutulmuştur. (1 derece düzelmeleri, C20/C30 ve GIA düzeltmeleri). Yüksek derecedeki küresel harmonik katsayılarındaki gürültü etkisinin giderilmesi için aylık küresel harmonik modelleri 12. derecede kesilmiş, böylece SWARM'dan uzun dalga boylu gravitasyonel sinyaller elde edilmiştir. Daha sonra elde edilen veriye 1000 km yumuşatma yarıçapı ile Gauss yumuşatma filtresi uygulanmış böylece TWS değişimleri elde edilmiştir. Çalışmada üç farklı derin öğrenme algoritması kullanılmıştır. Bu algoritmalar, CNN (Convolutional Neural Network), DCAE (Deep Convolutional Autoencoder) ve BCNN (Bayesian Convolutional Neural Network). Kullanılan algoritmalar, derin öğrenmedeki en son gelişmelere entegre olmuş, farklı kaynaklardan elde edilen birçok girdi verisindeki önemli özellikleri yakalayarak iyi tahminler yapabilme kapasitesine sahiptirler. Çalışmada kullanılan derin öğrenme algoritmalarının her birinde aynı girdi-çıktı mimarisi kullanılmıştır. Çalışmadaki (eksik verili aylar da dahil) toplam zaman dilimi 84 aydan oluşmaktadır. Bu aylardan rastgele seçilen 13 ay, test aylarını oluşturmaktadır. Eğitilen ay sayısı ise 48'dir. Çalışma sonunda 23 ay başarılı bir şekilde simule edilmiştir. Model performansları NSE (Nash-Sutcliffe efficiency), RMSE (Root Mean Square Error) ve R² (Coefficient of Determination) metrikleri kullanılarak değerlendirilmiştir. Bu metrikler tahmin edilen ve gözlemlenen değerler arasındaki eşleşme kalitesini ölçmektedirler. Metrik sonuçları değerlendirildiğinde, kullanılan algoritmalardan iyi performanslar elde edildiği ve üç algoritmanın da yaklaşık 100 km mekansal çözünürlükte TWSA'nın oldukça hassas simülasyonlarını elde edebildikleri görülmüştür. NSE, RMSE ve R² metriklerinden elde edilen ortalama değerler, sırasıyla, 3.61cm (CNN), 2.73 cm (DCAE), 2.36 cm (BCNN), 0.96 (CNN), 0.98 (DCAE), 0.98 (BCNN), 0.96 (CNN), 0.98 (DCAE), 0.98 (BCNN) şeklindedir. Üç model arasında, BCNN ve DCAE'den elde edilen TWSA simülasyonları, test ayları için gözlemlenen mascon TWSA çözümleri ile daha hassas korelasyona sahipken CNN'den elde edilen TWSA simülasyonunun ise biraz daha düşük korelasyona sahip olduğu görülmüştür. Test ayları arasında en yüksek korelasyona sahip ay Ocak 2019 iken, en düşük korelasyona sahip aylar ise Kasım 2016 ve Mayıs 2017 olarak elde edilmiştir. Ek olarak, her bir model performansından elde edilen TWSA simülasyonlarının zaman serileri, SWARM çözümleri ve ERA5L TWSA verileri ile birlikte, üç aktif havza (Mackenzie, Mississippi ve Amazon) üzerinde de değerlendirilmiştir. Derin öğrenme algoritmalarıyla elde edilmiş TWSA zaman serisinin GRACE tabanlı TWSA zaman serisi ile uyumlu olduğu görülürken, SWARM çözümlerinin düşük çözünürlük nedeniyle daha gürültülü olduğu, ERA5L TWSA verilerinin ise yüzey suyu verileri içermesinden dolayı yeraltı su değişiklerini çok iyi yansıtamadığı ve bu yüzden de GRACE tabanlı TWSA çözümleri ile arasında sapma olduğu gözlemlenmiştir.

Özet (Çeviri)

The main purpose of GRACE (Gravity Recovery and Climate Experiment) satellites, which was launched on 17 March, 2002, is to monitor the changing gravity field of the Earth due to mass changes in the hydrosphere, cryosphere and ocean then record all the data on a monthly basis. GRACE satellites provide the dynamics of terestrial water storage anomalies (TWSA) on a global scale with very high accuracy, both spatially and temporally. These data are used in sustainable water resources management, hydrologic and climatic studies. The mission of the GRACE satellites ended on 17 October, 2017 due to battery problems. Thereupon, the GRACE-Follow on (GRACE-FO) was launched with the same mission. To that end, there was an 11-months data gap between GRACE and GRACE-FO. It is predicted that such a data gap in the TWSA time series will lead to significant bias and uncertainties in the model predictions. This study covers the period between December 2013 and December 2020. In the study process, besides the data gap between two missions, there is also 12-months data gap due to technical reasons. As a result of this study, a total of 23 months of data was filled by using deep learning (DL) algorithms. As input data, ERA5-Land driver data which include monthly temperature, precipitation, cumulative water storage changes and ERA5L-derived TWSA were used. As an additional input, long wavelet of the gravitational signal derived from SWARM TWSA were used. All data used in the study were temporally rescaled monthly and spatially at 1°x1° resolution before deep learning process. The L2 data obtained from the SWARM satellite was not used directly, but was first subjected to corrections applied as in CSR mascon solutions (degree 1 correction, C20/C30 and GIA corrections). SWARM Sh (Spherical Harmonic) models truncated at degree and order 12. Then, Gaussian smoothing filter with a radius of 1000 km was applied to reduce the noise in the recovered SWARM-derived TWSA. In this study, it is aimed to fill the data gap by using three different Deep Learning (DL) algorithms, namely, Convolutional Nural Network (CNN), Deep Convolutional Autoencoders (DCAE) and Bayesian Convolutional Neural Network (BCNN). The time period covering the study is 84 months, including gaps (December, 2013 - December, 2020). The mascon solutions are available for 61 months within the study period. 13 months randomly selected from the available mascon solutions were used for the test and the remaining 48 months were used for training the DL models. Finally, totally 23 months of TWSA data gap was successfully filled using DL algorithms. Model performances were evaluated using NSE (Nash-Sutcliffe efficiency), RMSE (Root Mean Square Error) and R² (Coefficient of Determination) metrics. The results show that all three DL algorithms provide highly accurate simulations of the TWSA with a spatial resolution of ~100 km. The mean values obtained for RMSE, NSE and R² as follows, respectively; 3.61cm (CNN), 2.73 cm (DCAE), 2.36 cm (BCNN), 0.96 (CNN), 0.98 (DCAE), 0.98 (BCNN), 0.96 (CNN), 0.98 (DCAE), 0.98 (BCNN). It can be said that, DCAE and BCNN simulations give relatively better results than CNN. The month with the highest correlation between the test months was January 2019, while the months with the lowest correlation were November 2016 and May 2017.In addition, during the period, the simulated TWSA time series on the Mankezie, Mississippi and Amazon, which are large and active basins, seems to be consistent with the GRACE TWSA.

Benzer Tezler

  1. Tez No

    837239

    Global gravity field recovery from low-low satellite-to-satellite tracking with enhanced spatiotemporal resolution using deep learning paradigm

    Global gravite alanının derin öğrenme paradigması kullanarak alçak uydudan alçak uyduya izleme ile iyileştirilmiş çözünürlükte belirlenmesi

    METEHAN UZ

    Doktora

    İngilizce

    İngilizce

    2023

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. ORHAN AKYILMAZ

  2. Tez No

    14104

    Düzgün olmayan alanda SF6, N2 ve SF6+N2 gazlarında boşalma gerilimlerine elektrod yüzey pürüzlülüğünün etkileri

    Effects of electrode surface roughness on corona inception and breakdown voltages in SF6, N2 and SF6+N2 in non-uniform fields

    MURTAZA FARSADİ

    Doktora

    Türkçe

    Türkçe

    1989

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    PROF.DR. MUZAFFER ÖZKAYA

  3. Tez No

    641006

    Lise öğrencilerinde zihin gezinmesi, motivasyon ve akademik performans ilişkisi

    The relationships between mind wandering, motivation and academic performance of high school students

    SEVGİ SEZGİN

    Doktora

    Türkçe

    Türkçe

    2020

    Eğitim ve ÖğretimGazi Üniversitesi

    Eğitim Bilimleri Ana Bilim Dalı

    PROF. DR. GALİP YÜKSEL

  4. Tez No

    428340

    Phaselis Kuzeybatı Nekropolis: Tipoloji, belgeleme ve arşivleme

    The Northwest necropolis of phaselis: Typology, documentation and archiving

    BETÜL GÜREL

    Yüksek Lisans

    Türkçe

    Türkçe

    2016

    ArkeolojiAkdeniz Üniversitesi

    Akdeniz Eski Çağ Araştırmaları Ana Bilim Dalı

    DOÇ. DR. İSA KIZGUT

  5. Tez No

    807085

    Sosyal bilgilerde meteorolojik afetlerin öğretiminde çoklu ortam materyalleri kullanımının öğrencilerin akademik başarılarına ve afet bilinci düzeylerine etkisi

    The effect of using multimedia materials on students' academic achievements and disaster awareness levels in teaching of meteorological disasters in social studies

    MERT BİLEN

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    CoğrafyaAydın Adnan Menderes Üniversitesi

    Türkçe ve Sosyal Bilimler Eğitimi Ana Bilim Dalı

    PROF. DR. ELİF ALADAĞ

Geri Dön