DOI: https://doi.org/10.5194/amt-19-231-2026
تاريخ النشر: 2026-01-13
المؤلف: Pradeep Khatri وآخرون
الموضوع الرئيسي: الأوزون الجوي والمناخ
نظرة عامة
تستكشف هذه الدراسة استرجاع بخار الماء القابل للتكثف (PWV) باستخدام قياسات الإشعاع الطيفي المستندة إلى السطح عبر ظروف جوية مختلفة، مستفيدة من نماذج الشبكات العصبية العميقة (DNN) المدربة على نطاقات امتصاص بخار الماء المحددة. استخدمت الأبحاث بيانات الإشعاع الطيفي التي تم جمعها من جهاز قياس الطيف الضوئي، مع التركيز على الأطوال الموجية من 929.0-997.3 نانومتر، 800.9-840.5 نانومتر، و708.1-744.6 نانومتر، مع بيانات PWV من جهاز قياس الإشعاع الميكروي كمرجع. تشير النتائج إلى أن النماذج التي تتضمن الإشعاعات العالمية والمباشرة والمشتتة حققت أعلى دقة، مما يعكس التغيرات الموسمية في PWV بشكل فعال. ومن الجدير بالذكر أن النماذج التي تعتمد فقط على الإشعاع العالمي أظهرت أداءً تنبؤيًا قويًا، مما يبرز إمكانياتها للتطبيقات العملية، خاصة في البيئات التي تكون فيها جمع البيانات الشامل محدودًا.
تؤكد النتائج على أهمية حجم البيانات وتنوعها في تعزيز دقة النموذج والتعميم. أظهرت النماذج المدربة حصريًا على الإشعاع المباشر في السماء الصافية أخطاء تنبؤية أعلى بسبب حجم مجموعة التدريب الأصغر، مما قيد قدرتها على التعميم عبر ظروف جوية متغيرة. على النقيض، يُعزى الأداء القوي للنماذج التي تستخدم الإشعاع العالمي إلى وصولها إلى مجموعة بيانات أكبر وأكثر تنوعًا، مما يمكّن من فصل إشارات بخار الماء بفعالية عن التأثيرات الجوية الأخرى. بشكل عام، تدعو الدراسة إلى دمج استراتيجيات المراقبة المستندة إلى الإشعاع الطيفي في علوم المناخ والأرصاد الجوية، مع التأكيد على ضرورة وجود مجموعات بيانات تدريب شاملة لتعظيم القدرات التنبؤية.
مقدمة
تسلط المقدمة الضوء على الدور الحاسم لبخار الماء في الغلاف الجوي في نظام المناخ على الأرض، مع التأكيد على تأثيره على الظواهر الجوية والديناميكا الحرارية ونقل الطاقة. باعتباره الغاز الدفيء الأكثر أهمية، يساهم بخار الماء بنسبة تتراوح بين 41% و67% في تأثير الدفيئة الطبيعي، حيث يعمل بشكل أساسي كآلية تغذية راجعة تعزز الاحترار استجابةً لارتفاع درجات الحرارة العالمية. إن التغير في توزيع بخار الماء، المدفوع بدرجات الحرارة والظروف الجوية، له آثار عميقة على أنماط الطقس، بما في ذلك زيادة شدة أحداث الهطول تحت تأثير الاحترار العالمي. وبالتالي، يتم تحديد بخار الماء القابل للتكثف (PWV) كمتغير حيوي لتوقعات الطقس وبحوث المناخ، مما يتطلب طرق مراقبة دقيقة للتنبؤ العددي بالطقس (NWP) ونماذج المناخ العالمية (GCMs).
تستعرض هذه الفقرة تقنيات المراقبة المختلفة لقياس بخار الماء في الغلاف الجوي، بما في ذلك أجهزة الراديو، وأجهزة قياس الإشعاع الميكروي (MWRs)، والأدوات الفضائية، كل منها له مزايا وقيود مميزة. بينما توفر أجهزة الراديو بيانات عالية الدقة، فإن تكرار الإطلاق المحدود والتغطية المكانية لها تعتبر عيوبًا. تقدم أجهزة MWR مراقبة مستمرة ولكن تواجه تحديات خلال أحداث الهطول، بينما تكافح الأدوات الفضائية، على الرغم من نطاقها العالمي، مع الدقة الزمنية ودقة الاسترجاع في الظروف الغائمة. تناقش المقدمة أيضًا التقنيات الناشئة مثل نظام الملاحة عبر الأقمار الصناعية لتداخل الراديو (GNSS-RO) وأدوات الاستشعار عن بعد المستندة إلى السطح مثل أجهزة قياس ضوء الشمس، التي يمكن أن تقيس PWV بفعالية ولكن غالبًا ما تكون مقيدة بالملاحظات في السماء الصافية. تهدف الدراسة إلى تحسين استرجاع PWV تحت ظروف السماء الكاملة من خلال الاستفادة من أساليب التعلم الآلي (ML)، التي يمكن أن تلتقط العلاقات المعقدة بين الإشعاع الطيفي وبخار الماء في الغلاف الجوي، مما يوفر حلاً قويًا ومرنًا لمراقبة الغلاف الجوي.
النتائج
في هذا القسم، يقدم المؤلفون النتائج المتعلقة بتقييم ثلاثة نطاقات رئيسية لامتصاص بخار الماء ضمن النطاق الطيفي المرئي إلى القريب من الأشعة تحت الحمراء، كما هو موضح في الشكل 2. لتقييم فعاليتها لاسترجاع بخار الماء القابل للتكثف (PWV) تحت ظروف جوية متغيرة (سواء كانت غائمة أو صافية)، طور الباحثون نماذج تنبؤية متميزة لكل نطاق امتصاص، إلى جانب نموذج شامل يدمج جميع النطاقات.
بالإضافة إلى ذلك، تؤكد الدراسة على جدوى استخدام قياسات الإشعاع الطيفي العالمي، خاصة في السيناريوهات التي لا يتم فيها استخدام أنظمة الظل. تم اختبار قوة النماذج بشكل أكبر باستخدام بيانات الإشعاع الطيفي المباشر تحت ظروف السماء الصافية، والتي كانت بمثابة معيار للمقارنة ضد الاسترجاعات في السماء الكاملة والعالمية فقط. يتم تفصيل الأطوال الموجية المستخدمة لكل نطاق امتصاص في الجدول 1، مما يوفر مرجعًا أساسيًا لمنهجية الدراسة.
المناقشة
في هذه الدراسة، تم استخدام البيانات المجمعة من تشيبا، اليابان، بين عامي 2012 و2018 (باستثناء عام 2014) للتحقيق في استرجاع بخار الماء القابل للتكثف (PWV) باستخدام قياسات الإشعاع الطيفي. تم الحصول على الإشعاعات الطيفية من خلال جهاز قياس الطيف الضوئي المزود بنظام ظل دوار، مما يسمح بقياس الإشعاعات العالمية والمباشرة والمشتتة عبر نطاق مستمر من الأطوال الموجية من 300 إلى 1050 نانومتر. استخدمت الدراسة نموذج شبكة عصبية عميقة (DNN) لرسم بيانات الإشعاع الطيفي هذه إلى قيم PWV، مستفيدة من قدرة النموذج على التقاط العلاقات غير الخطية المعقدة المتأصلة في البيانات الجوية عالية الأبعاد. ومن الجدير بالذكر أن بنية DNN تتكون من ثلاث طبقات مخفية، مما يعزز الأداء مع تقليل مخاطر الإفراط في التكيف.
تم تقييم أداء النموذج من خلال منحنيات خسارة التدريب والتحقق، مما يظهر التعلم الفعال والتعميم عبر نطاقات طيفية مختلفة. أظهر نطاق 940 نانومتر أعلى دقة تنبؤية، مع خطأ متوسط الجذر التربيعي (RMSE) قدره 0.174 سم ومعامل ارتباط ($R^2$) قدره 0.978، وهو ما يُعزى إلى ميزته القوية في امتصاص بخار الماء. عزز النهج الطيفي المشترك أداء النموذج بشكل أكبر، محققًا RMSE قدره 0.157 سم و$R^2$ قدره 0.982، مما يبرز فوائد دمج البيانات متعددة الطيف. تشير النتائج إلى أن DNN يمكن أن تستخدم قياسات الإشعاع الطيفي بفعالية لاسترجاع PWV، حتى تحت ظروف جوية متغيرة، مع تسليط الضوء على أهمية هندسة الميزات وبنية النموذج في تحسين القدرات التنبؤية.
DOI: https://doi.org/10.5194/amt-19-231-2026
Publication Date: 2026-01-13
Author(s): Pradeep Khatri et al.
Primary Topic: Atmospheric Ozone and Climate
Overview
This study investigates the retrieval of precipitable water vapor (PWV) using surface-based spectral irradiance measurements across various atmospheric conditions, leveraging deep neural network (DNN) models trained on specific water vapor absorption bands. The research utilized spectral irradiance data collected from a spectroradiometer, focusing on wavelengths of 929.0-997.3 nm, 800.9-840.5 nm, and 708.1-744.6 nm, with PWV data from a microwave radiometer serving as a reference. The findings indicate that models incorporating global, direct, and diffuse irradiances yielded the highest accuracy, effectively capturing seasonal PWV variations. Notably, models relying solely on global irradiance demonstrated strong predictive performance, highlighting their potential for practical applications, especially in settings where comprehensive data collection is limited.
The results underscore the importance of data volume and diversity in enhancing model accuracy and generalization. Models trained exclusively on clear-sky direct irradiance exhibited higher prediction errors due to a smaller training dataset, which restricted their ability to generalize across varying atmospheric conditions. In contrast, the robust performance of models utilizing global irradiance is attributed to their access to a larger and more diverse dataset, enabling effective disentanglement of water vapor signals from other atmospheric influences. Overall, the study advocates for the integration of spectral irradiance-based monitoring strategies in climate science and meteorology, emphasizing the necessity for comprehensive training datasets to maximize predictive capabilities.
Introduction
The introduction highlights the critical role of atmospheric water vapor in the Earth’s climate system, emphasizing its influence on weather phenomena, thermodynamics, and energy transport. As the most significant greenhouse gas, water vapor contributes between 41% and 67% to the natural greenhouse effect, primarily acting as a feedback mechanism that amplifies warming in response to rising global temperatures. The variability in water vapor distribution, driven by temperature and atmospheric conditions, has profound implications for weather patterns, including increased intensity of precipitation events under global warming. Consequently, precipitable water vapor (PWV) is identified as a vital variable for weather forecasting and climate research, necessitating accurate observation methods for effective numerical weather prediction (NWP) and global climate models (GCMs).
The section reviews various observational techniques for measuring atmospheric water vapor, including radiosondes, microwave radiometers (MWRs), and satellite instruments, each with distinct advantages and limitations. While radiosondes provide high-resolution data, their limited launch frequency and spatial coverage are drawbacks. MWRs offer continuous monitoring but face challenges during precipitation events, and satellite-based instruments, despite their global reach, struggle with temporal resolution and retrieval accuracy in cloudy conditions. The introduction also discusses emerging techniques such as Global Navigation Satellite System Radio Occultation (GNSS-RO) and surface-based remote sensing instruments like sun photometers, which can effectively measure PWV but are often restricted to clear-sky observations. The study aims to advance PWV retrieval under all-sky conditions by leveraging machine learning (ML) approaches, which can capture complex relationships between spectral irradiance and atmospheric water vapor, thus providing a robust and flexible solution for atmospheric monitoring.
Results
In this section, the authors present findings related to the evaluation of three major water vapor absorption bands within the visible to near-infrared spectral range, as illustrated in Figure 2. To assess their effectiveness for precipitable water vapor (PWV) retrieval under varying atmospheric conditions (both cloudy and clear), the researchers developed distinct predictive models for each absorption band, alongside a comprehensive model that integrates all bands.
Additionally, the study emphasizes the practicality of using global spectral irradiance measurements, particularly in scenarios where shadow-band systems are not utilized. The robustness of the models was further tested using direct spectral irradiance data under clear-sky conditions, which served as a benchmark for comparison against the all-sky and global-only retrievals. The wavelengths employed for each absorption band are detailed in Table 1, providing a foundational reference for the study’s methodology.
Discussion
In this study, data collected from Chiba, Japan, between 2012 and 2018 (excluding 2014) were utilized to investigate the retrieval of precipitable water vapor (PWV) using spectral irradiance measurements. The spectral irradiances were obtained through a spectroradiometer equipped with a rotating shadow-band system, allowing for the measurement of global, direct, and diffuse irradiances across a continuous wavelength range from 300 to 1050 nm. The study employed a deep neural network (DNN) model to map these spectral irradiance data to PWV values, leveraging the model’s ability to capture complex nonlinear relationships inherent in high-dimensional atmospheric data. Notably, the DNN architecture consisted of three hidden layers, optimizing performance while mitigating overfitting risks.
The model’s performance was evaluated through training and validation loss curves, demonstrating effective learning and generalization across different spectral bands. The 940 nm band exhibited the highest predictive accuracy, with a Root Mean Square Error (RMSE) of 0.174 cm and a correlation coefficient ($R^2$) of 0.978, attributed to its strong water vapor absorption feature. The combined spectral approach further enhanced model performance, achieving an RMSE of 0.157 cm and an $R^2$ of 0.982, underscoring the benefits of integrating multi-spectral data. The findings indicate that the DNN can effectively utilize spectral irradiance measurements to retrieve PWV, even under varying atmospheric conditions, while highlighting the importance of feature engineering and model architecture in optimizing predictive capabilities.