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 2009. 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. 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. 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.
The Convective Rainfall Rate from Cloud Physical Properties Algorithm for Meteosat Second-Generation Satellites: Microphysical Basis and Intercomparisons using an Object-Based Method