Tese doutoramento, Slides de Estatística

Baixe Tese doutoramento e outras Slides em PDF para Estatística, somente na Docsity!

UNIVERSIDADE DE LISBOA

FACULDADE DE CIÊNCIAS

Estimação do campo tridimensional do vapor de água

troposférico através de técnicas de tomografia por GNSS e

InSAR

Doutoramento em Ciências Geofísicas e da Geoinformação

Especialidade em Engenharia Geográfica

Pedro José Benevides

Tese orientada por:

Doutor João Catalão

Doutor Pedro Miranda

Documento especialmente elaborado para a obtenção do grau de doutor

iii

Este trabalho de doutoramento foi apoiado financeiramente pela Fundação para a Ciência e Tecnologia no âmbito dos projetos SFRH/80288/2011 (Bolsa de doutoramento), PTDC/CTE-ATM/119922/ (SMOG) e PTDC/CTE-SPA/117666/2010 (SBISCAM).

iv

vi

concordância com estas técnicas para todas as experiências e testes de sensibilidade realizados neste trabalho. A possibilidade de no futuro se integrar simultaneamente as observações dos diversos sistemas na tomografia GNSS poderá permitir a obtenção de soluções mais realistas.

Palavras-chave: Tomografia GNSS, GNSS meteorológico, Atraso troposférico, Vapor de água

precipitável, GPS, Interferometria SAR, MODIS, Galileo.

vii

Abstract

Evaluation of the atmospheric water vapor content is a crucial task for meteorology. Water vapor is not currently observed by the meteorological sensors with sufficient spatial resolution, becoming an important error source in numerical weather forecast models, particularly in situations related to severe weather phenomena. The main goal of this work consisted in the development of a tomographic system based on GNSS ( Global Navigation Satellite System ) data, which allowed estimating a 3D tropospheric water vapor field in a region, in order to evaluate its high spatial-temporal variability in a 4D referential (spatial 3D plus time). A set of slant observations that traverse the atmosphere continuously from a GNSS network on the terrain, with the signal properties sensible to water vapor content, allows thorough the discretization of the tropospheric space into a 3D grid, to setup a system of equations which relate the tropospheric delay of the GNSS signal with the water vapor content inside each grid space. The inverse problem, which is introduced by the GNSS tomography formulation, is usually solved by applying least square techniques, together with spatial and temporal constraints to stabilize the system inversion, which are needed to overcome the insufficient grid coverage provided by the GNSS observations. The inclusion of several external meteorological measurements into the system is investigated, like radiosonde profiles, satellite images processed using SAR interferometry techniques and the inclusion of products derived from multispectral sensors like MODIS ( Moderate-resolution imaging spectroradiometer ) or AIRS ( Atmospheric Infrared Sounder ). Radiosonde launches provide information about the vertical distribution of humidity along the troposphere, which is crucial to solve the tomographic system, while satellite data acquisition introduces high spatial density information due to the high pixel amount of information stored in one image.

A GNSS tomographic methodology was developed from scratch and applied to a network of stations located in the Greater Lisbon region (Portugal), being a groundbreaking study at country-level. InSAR, MODIS and AIRS data located in this area were gathered to perform the spatial-temporal constraints into the system of equations. Quality of the results obtained from the tomography was assessed throughout radiosonde profiles and atmospheric simulations produced by the WRF ( Weather Research and Forecast ) model. The inclusion of external humidity measurements allows a better fulfilling of the tomographic grid, facilitating the systems inversion process and allowing to obtain a 3D water vapor solution closer to the real atmospheric state.

Studies not directly related to the tomography technique were also performed in this work. A continuous data series was analyzed in order to evaluate the relationship between the GNSS meteorological signal and the occurrence of precipitation in local meteorological stations. Positive correlation was verified between the rapid PWV growth measured in a GNSS station and the occurrence of intense precipitation. It was demonstrated that the combination of meteorological data with GNSS data from a station can provide additional information to nowcast locally strong precipitation. Another important study was based in GNSS data simulation with GPS ( Global Positioning System ) and Galileo systems, evaluating the benefit to the tomography solution when the European system becomes operational. A continuous temporal series of solutions for one day was assessed through the introduction of perturbations in an atmospheric standard solution, being verified that the increment in the observation number throughout the Galileo observations improves the GNSS tomography capacity to reconstruct the induced perturbations.

Statistical and visual comparison of the GNSS tomography solutions, evaluating its precision with radiosonde profile or numerical weather WRF simulations, shows in general a good agreement between the techniques throughout all of the experiments performed in this thesis. The future possibility of

ix

Agradecimentos

Em primeiro lugar gostaria de deixar um agradecimento especial ao meu orientador professor João Catalão, que me deu apoio na realização deste trabalho desde o primeiro ao último minuto. Agradeço também ao meu segundo orientador professor Pedro Miranda, por proporcionar todas as condições e pelos conselhos dados por si e por alguns elementos do seu grupo na área da meteorologia. Ao investigador Giovanni Nico pela forte colaboração e por me ter orientado nas minhas estadias em Itália. Agradeço aos meus colegas e professores de Engenharia Geográfica por tornarem os intervalos deste trabalho menos dolorosos, principalmente à hora de almoço: Fernando Soares, Pedro Mateus, Carlos Antunes, Cristina Catita, Ana Navarro, João Calvão, Paula Redweik, Rita Matildes e outros que me possa estar a esquecer. Agradeço à minha família, à Carolina Jardim e aos seus pais, por me ajudarem a desanuviar desta tarefa e me acompanharem nesta jornada de 4 anos.

x

xii

MODIS - Moderate-resolution imaging spectroradiometer NAO - North Atlantic Oscillation NASA - National Aeronautics and Space Administration NCEP - National Centers for Environmental Prediction NIR - Near-InfraRed NMM - Nível Médio do Mar NWP - Numerical Weather Prediction forecast model PPP - Precise Point Positioning ppm - partes por milhão PRN - PseudoRandom Noise PWV - Precipitable Water Vapor QA - Quality Assurance or Assessment QZSS - Japanese Quasi-Zenith Satellite System rms - root mean square SAR - Synthetic Aperture Radar SIWD - Slant Integrated Wet Delay SHD - Slant Hydrostatic Delay STD - Slant Total Delay SWD - Slant Wet Delay TAI - Temps Atomique International UTC - Coordinated Universal Time VMF1 - Vienna Mapping Function 1 VRS - Virtual Reference Station WGS84 - World Geodetic System 1984 WRF - Weather Research Forecast ZHD - Zenith Hydrostatic Delay ZTD - Zenith Total Delay ZWD - Zenith Wet Delay

xiii

Conteúdo

Resumo ...................................................................................................... v Abstract.................................................................................................... vii Agradecimentos ......................................................................................... ix Lista de acrónimos ..................................................................................... xi Conteúdo................................................................................................. xiii Índice de figuras ....................................................................................... xv

xv

Índice de figuras

Figura 2.1: Divisão da atmosfera em altitude de acordo com as propriedades de cada camada vertical (Manning, 2013). .................................................................................................................................... 13 Figura 2.2: Representação de uma órbita kepleriana de um satélite em relação ao centro de massa da Terra; adaptado de Hofmann-Wellenhof et al. (2008). ............................................................................. 20 Figura 2.3: Representação do percurso do sinal GPS pela atmosfera, entre o recetor R e o satélite S , onde a linha a representa a trajetória ideal e a linha b a trajetória real (exagerada para facilitar visualização). O ângulo representado na figura é o ângulo de elevação. Adaptado de Champollion (2006). ....................... 25 Figura 2.4: Exemplo do comportamento das componentes do atraso zenital medido pelo GPS durante 1 dia (18/05/12), estações FCUL e GRIB; à esquerda ZTD e ZHD, à direita ZWD. .................................... 28 Figura 2.5: Comportamento da função de mapeamento de satélites em função do ângulo de elevação baseada na função inversa do seno, comparada com uma função de mapeamento refinada (VMF1). ........ Figura 2.6: Representação visual da área representativa do atraso troposférico zenital determinado pelo GPS; adaptado de sítio de internet do Instituto Nacional de Pesquisas Espaciais (INPE). ......................... 31 Figura 2.7: Representação 2D da técnica de tomografia por GNSS. Cada quadrado representa um vóxel x(i) da grelha tridimensional tomográfica. Duas estações GPS observam 3 satélites através de raios com linhas de vista diferentes. Os troços com vermelho negrito indicam os SWD que atravessam lateralmente os limites do modelo. .............................................................................................................................. 32 Figura 2.8: Representação esquemática da aquisição de duas imagens SAR para gerar um interferograma. A base espacial B resulta da relação espacial entre a base perpendicular Bŏ e a base paralela BŒ (Benevides, 2009). .................................................................................................................................. 38 Figura 3.1: Distribuição das estações GNSS disponíveis para realizar a tomografia GNSS na área de estudo, com zoom sobre a área metropolitana de Lisboa onde são visíveis as estações meteorológicas e de radiossondagem. ..................................................................................................................................... 41 Figura 3.2: Área da região de estudo definida para a aplicação da técnica da tomografia GNSS na região de Lisboa, com a configuração da resolução horizontal da grelha de vóxeis. ............................................ 42 Figura 3.3: Área da região de estudo definida para a aplicação da técnica da tomografia GNSS com a inclusão de dados InSAR, juntamente com a reconfiguração da resolução horizontal da grelha de vóxeis. ............................................................................................................................................................... 42 Figura 3.4: Área da região de estudo onde é visível o adensamento da rede de estações GNSS permanente através da instalação temporária de 8 estações, resultando num total de 16 estações distribuídas pela grelha de vóxeis. ............................................................................................................................................... 43 Figura 3.5: Esquema da estratégia de sobreposição de janelas temporais adotada para o processamento GAMIT. ................................................................................................................................................. 44 Figura 3.6: Comparação do ZTD determinado na estação IGP0 para diferentes valores do parâmetro da variação zenital, ligado à função estocástica Gauss-Markov. ................................................................... Figura 3.7: Projeção vertical ao longo da longitude representando a resolução vertical definida para a grelha tomográfica (resolução horizontal da configuração da Figura 3.3). Pontos negros indicam resolução vertical média dos níveis do modelo numérico de previsão WRF. Escala vertical exagerada. ................... 48 Figura 3.8: Exemplo de representação das observações SWD provenientes da rede de estações GNSS de Lisboa com a grelha tomográfica 3D (Figura 3.2). Os raios azuis atravessam o topo do modelo e os vermelhos a parte lateral. A escala da altitude é exagerada e são apresentados SWD durante 30 segundos para facilitar a visualização. .................................................................................................................... Figura 3.9: Representação do erro da observação dependente da elevação no GAMIT (equação 3.4) (esquerda). Representação do peso definido para um conjunto de observações SWD na tomografia, com kZWD=0.7,kİ=0.5 e modelo ıİ ajustado. ................................................................................................ 52

xvi

Figura 3.10: Representação da referência de altitude dos valores da tomografia (vermelho), comparada com os valores medidos numa aquisição de radiossondagem em Lisboa (azul) e também com a referência de altitude média do modelo numérico WRF (preto). Os limites das camadas verticais são representados com cruzes e os valores médios são representados no centro das camadas com pontos............................. 54 Figura 4.1: Comparação entre as medições de PWV obtidas na estação GPS IGP0 com os valores PWV registados no lançamento das radiossondas na estação Gago Coutinho (Aeroporto de Lisboa). Ambas distam 6 km e são obtidas ao longo do ano de 2012 principalmente às 12 horas (UTC)............................ 62 Figura 4.2: Série anual do PWV para a estação IGP0, onde a linha azul representa o valor absoluto horário enquanto a linha vermelha é uma média móvel de 30 dias. Em baixo a linha vermelha representa a precipitação diária acumulada na estação meteorológica IDL. ................................................................. 63 Figura 4.3: Evolução temporal do PWV comparada com os registos de precipitação nos seguintes casos de estudo: (a) 28 a 30 outubro 2010, (b) 21 a 29 setembro 2012, (c) 17 a 23 abril 2011; PWV da estação GPS IGP0 a preto e precipitação horária acumulada em várias estações próximas em várias cores. (d) 29 agosto a 2 setembro 2011, com PWV de duas estações GPS adicionais; ALCO a verde e PACO a vermelho. A data é apresentada no formato “hora dia/mês”. .................................................................... Figura 4.4: Exemplo de performance do algoritmo de ajustamento linear. A linha vermelha e os pontos azuis representam os registos de PWV, as linhas azuis o ajustamento linear por mínimos quadrados a cada hora e as linhas verdes os segmentes de reta determinados no algoritmo. ................................................. 67 Figura 4.5: Probabilidade de chuva em 2012 em função de: (a) PWV máximo, (b) incremento ǻPWV e (c) taxa de variação do PWV; ˜PWV/˜t. O eixo dos x representa o limite superior do intervalo de cada classe. Dados do par de estações IGP0 - IDL (cima) e par de estações PAML - Setúbal (baixo) .............. 68 Figura 4.6: Mapas 2D do PWV interpolado a partir de todas as estações da rede GPS. Os mapas são apresentados nos períodos temporais correspondentes aos 2 picos principais de PWV na Figura 4.3d. Pontos negros representam as estações GPS. ........................................................................................... 71 Figura 5.1: Interferograma calculado na região de Lisboa, utilizando a referência master de 4 de outubro e slave de 8 de novembro ambas de 2009, onde os valores de 'PWV da imagem são apresentados. É visível o contorno da linha de costa e a área limite da grelha tomográfica (linha preta), juntamente com a rede de estações GNSS utilizada. ........................................................................................................................ 78 Figura 5.2: Interferograma mascarado e cortado pelos limites da grelha tomográfica, com representação esquemática da grelha de pontos definida para gerar as observações diferenciais SWDSAR. Os valores de ǻPWV referentes à imagem slave menos master (8 de novembro menos 4 de outubro, 2009) são apresentados. .......................................................................................................................................... 79 Figura 5.3: Perfil longitudinal oeste-este (secção da grelha y=3) da solução da tomografia GNSS às 22: do dia 4 de outubro de 2009 (imagem master , época t 1 ), à esquerda. Solução do modelo WRF determinada para as 22 horas e interpolada para a grelha da tomografia, ao centro. Comparação do perfil central de colunas (x=2,y=3) coincidente com a localização da sonda adquirida às 12 horas do mesmo dia, à direita. ............................................................................................................................................................... 81 Figura 5.4: Perfil longitudinal oeste-este (secção da grelha y=3) da solução da tomografia GNSS às 22: do dia 8 de novembro de 2009 (imagem slave , época t 2 ), à esquerda. Solução do modelo WRF determinada para as 22 horas e interpolada para a grelha da tomografia, ao centro. Comparação do perfil central de colunas (x=2,y=3) coincidente com a localização da sonda adquirida às 6 horas do dia seguinte dia, à direita. ........................................................................................................................................... 82 Figura 5.5: Representação das observações diferenciais SWDSAR obtidas dos pontos gerados a partir do interferograma. As observações distribuem-se pela grelha da tomografia, onde as azuis são as que atravessam o topo do modelo e as vermelhas a parte lateral. Os ângulos de elevação e azimute médios das observações são 31º e 194º respetivamente. A escala da altitude é exagerada para facilitar a visualização. ............................................................................................................................................................... 83 Figura 5.6 : Representação do preenchimento dos vóxeis da grelha tridimensional da tomografia para a época t 2 (imagem slave ). Os símbolos representam 4 classes diferentes de observações intersectadas (ver legenda) e a posição refere-se ao centro de cada vóxel............................................................................. 83