⚡ electrical engineering

Analysis of tropospheric noise at small spatial scales based on GNSS ZTD and Numerical Weather Prediction models

यह अध्ययन GNSS और संख्यात्मक मौसम पूर्वानुमान (NWP) ZTD डेटा की तुलना करके InSAR अवलोकनों में लघु-स्तरीय क्षोभमंडलीय शोर (tropospheric noise) को परिमाणित करता है, यह प्रकट करते हुए कि अवशिष्ट त्रुटियां NWP मॉडल के रिज़ॉल्यूशन के बजाय मुख्य रूप से अक्षांश और ऊंचाई पर निर्भर करती हैं, और इन उप-ग्रिड अनिश्चितताओं को InSAR त्रुटि अनुमानों में शामिल करने के लिए एक कार्यात्मक मॉडल प्रस्तावित करता है।

मूल लेखक: Adeyinka Olaseinde, Jeremy Maurer

प्रकाशित 2026-07-06

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Adeyinka Olaseinde, Jeremy Maurer

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

मुख्य विचार: पृथ्वी की "साँस" को मापना

कल्पना कीजिए कि आप ज़मीन की एक अत्यंत सटीक फोटो लेने की कोशिश कर रहे हैं ताकि यह देख सकें कि वह हिल रही है या नहीं (जैसे कि किसी ज्वालामुखी का फूलना या किसी खदान का धंसना)। वैज्ञानिक एक तकनीक का उपयोग करते हैं जिसे InSAR कहा जाता है, जो पृथ्वी की सतह की एक सैटेलाइट फोटो लेने और कुछ महीनों बाद ली गई फोटो से उसकी तुलना करने जैसा है। वे कुछ मिलीमीटर जितने छोटे आंदोलनों का भी पता लगा सकते हैं।

हालाँकि, एक समस्या है: सैटेलाइट और ज़मीन के बीच की हवा खाली नहीं है। यह क्षोभमंडल (troposphere) (हमारे वायुमंडल की सबसे निचली परत) से भरी हुई है। यह परत एक धुंधली खिड़की की तरह काम करती है। जब रडार सिग्नल इसके माध्यम से गुजरते हैं, तो यह "धुंध" (विशेष रूप से जलवाष्प) सिग्नल की गति को धीमा कर देती है, जिससे ऐसा लगता है जैसे ज़मीन हिली हो, जबकि वास्तव में ऐसा नहीं हुआ होता। इसे क्षोभमंडलीय शोर (tropospheric noise) कहा जाता है।

वर्तमान समाधान: "मौसम पूर्वानुमान" का मानचित्र

इसे ठीक करने के लिए, वैज्ञानिक संख्यात्मक मौसम पूर्वानुमान (NWP) मॉडल का उपयोग करते हैं। इन मॉडलों को विशाल, डिजिटल मौसम मानचित्रों के रूप में समझें जो दुनिया भर में तापमान, दबाव और आर्द्रता की भविष्यवाणी करते हैं। वे यह गणना करने की कोशिश करते हैं कि "धुंध" ने सिग्नल को कितना धीमा किया ताकि वे उस त्रुटि को अपने चित्रों से घटा सकें।

एक बड़ी धारणा:
अधिकांश वैज्ञानिकों ने माना है कि यदि आप एक बहुत छोटे क्षेत्र (जैसे एक पड़ोस) को देखते हैं, तो "धुंध" हर जगह लगभग एक जैसी होती है। उन्होंने सोचा, "यदि मैं एक बड़े मानचित्र का उपयोग करके मौसम के लिए सुधार करता हूँ, तो एक छोटे पड़ोस में बचे हुए सूक्ष्म अंतर इतने कम होंगे कि हम उन्हें अनदेखा कर सकते हैं।"

इस अध्ययन ने क्या किया: "जुड़वाँ परीक्षण"

इस शोध पत्र के लेखकों ने उस धारणा का परीक्षण करना चाहा। उन्होंने पूछा: "क्या एक छोटे से पड़ोस में मौसम वास्तव में एक जैसा है, या मौसम के मानचित्रों का उपयोग करने के बाद भी अभी भी कुछ 'शोर' बचा हुआ है?"

यह पता लगाने के लिए, उन्होंने एक चतुर प्रयोग किया:

जुड़वाँ (The Twins): उन्होंने GPS स्टेशनों के ऐसे समूह खोजे (जो वायुमंडल को बहुत सटीकता से मापते हैं) जो एक-दूसरे के बहुत करीब थे—कुछ तो केवल कुछ किलोमीटर की दूरी पर थे।
तुलना: उन्होंने इन GPS स्टेशनों द्वारा मापे गए "वास्तविक" वायुमंडल की तुलना दो अलग-अलग मौसम मॉडलों से की:
- ERA5: एक वैश्विक मॉडल जिसका "ग्रिड" आकार लगभग 31 किमी है (जैसे एक बड़े, ब्लॉक वाले वर्गों के साथ मानचित्र देखना)।
- HRRR: एक क्षेत्रीय मॉडल जिसका "ग्रिड" आकार लगभग 3 किमी है (जैसे बहुत छोटे, बारीक वर्गों वाला मानचित्र देखना)।

यदि धारणा सच होती, तो एक ही छोटे पड़ोस में स्थित GPS स्टेशन आपस में सहमत होते, और मौसम मॉडल उनके साथ पूरी तरह मेल खाते।

चौंकाने वाले निष्कर्ष

परिणाम वैज्ञानिक समुदाय के लिए एक झटके की तरह थे:

1. छोटे पड़ोस में भी "धुंध" मौजूद है।
भले ही GPS स्टेशन पास-पास थे, फिर भी वे पूरी तरह से सहमत नहीं थे। मौसम मॉडलों का उपयोग करने के बाद भी अभी भी काफी मात्रा में "शोर" (परिवर्तनशीलता) बचा हुआ था। यह एक ही कमरे में मौजूद जुड़वाँ बच्चों को देखने जैसा है; आप उम्मीद करेंगे कि वे बिल्कुल एक जैसे कपड़े पहने होंगे, लेकिन वास्तव में उन्होंने थोड़े अलग कपड़े पहने हुए थे। हवा में "धुंध" वास्तव में बहुत कम दूरी पर बदल रही थी।

2. बड़े मानचित्र हमेशा बेहतर नहीं होते।
शोधकर्ताओं ने सोचा था कि HRRR मॉडल (जिसमें 3 किमी के छोटे वर्ग हैं) ERA5 मॉडल (जिसमें 31 किमी के बड़े वर्ग हैं) की तुलना में सटीकता में बहुत बेहतर काम करेगा।

परिणाम: वे गलत थे। उच्च-रिज़ॉल्यूशन वाले मॉडल ने इन सूक्ष्म पैमानों पर सटीकता में कोई महत्वपूर्ण सुधार नहीं किया।
उपमा: कल्पना कीजिए कि आप एक जंगल का विस्तृत चित्र बनाने की कोशिश कर रहे हैं। आप सोच सकते हैं कि एक बारीक ब्रश (HRRR) का उपयोग करना एक मोटे मार्कर (ERA5) की तुलना में बेहतर होगा। लेकिन यदि पत्तियाँ (जलवाष्प) लगातार हवा में हिल रही और बदल रही हैं, तो सबसे बारीक ब्रश भी उनकी सटीक गति को पूरी तरह से नहीं पकड़ सकता। समस्या ब्रश के आकार में नहीं है; समस्या यह है कि "पत्तियाँ" (जलवाष्प) मॉडल द्वारा सटीक रूप से अनुमानित होने के लिए बहुत अधिक अराजक (chaotic) हैं।

3. ऊंचाई से अधिक स्थान मायने रखता है।
अध्ययन में पाया गया कि आप मानचित्र पर कहाँ हैं, यह इस बात से अधिक महत्वपूर्ण है कि आप कितनी ऊंचाई पर हैं।

अक्षांश (Latitude): भूमध्य रेखा के पास "शोर" बहुत अधिक था और ध्रुवों के पास कम था। यह समझ में आता है क्योंकि भूमध्य रेखा के पास की हवा गर्म होती है और इसमें अधिक जलवाष्प होती है, जो अराजक और अनुमान लगाने में कठिन होती है। ध्रुवों के पास की हवा शुष्क और स्थिर होती है।
ऊंचाई (Elevation): आश्चर्यजनक रूप से, स्टेशन कितनी ऊंचाई पर था (पहाड़ बनाम घाटी) इसका कोई सुसंगत पैटर्न नहीं था। कभी ऊंचे स्थानों पर अधिक शोर था, तो कभी निचले स्थानों पर।

मुख्य निष्कर्ष: एक नया नियम

लेखकों ने निष्कर्ष निकाला कि हम यह मानकर नहीं चल सकते कि छोटे क्षेत्रों में हवा "शांत" है। सर्वोत्तम मौसम मॉडलों का उपयोग करने के बाद भी, एक "अनिश्चितता का बिंदु" बचा रहता है।

उन्होंने एक सरल गणितीय सूत्र (एक रेसिपी) बनाई जिसे वैज्ञानिक उपयोग कर सकते हैं। यदि आप उन्हें अपना स्थान (अक्षांश) और अपनी ऊंचाई (एलीवेशन) बताते हैं, तो यह सूत्र आपको एक संख्या देगा जो यह दर्शाती है कि कितने "शोर" की उम्मीद की जा सकती है।

यह क्यों महत्वपूर्ण है:
जब वैज्ञानिक ज़मीन के हिलने को मापते हैं, तो उन्हें यह जानने की आवश्यकता होती है कि वे अपने आंकड़ों पर कितना भरोसा कर सकते हैं। यह अध्ययन उन्हें अपनी गणनाओं में एक "सुरक्षा मार्जिन" जोड़ने का तरीका देता है। यह कहने के बजाय कि, "हम 100% आश्वस्त हैं कि ज़मीन 5 मिमी हिली है," अब वे कह सकते हैं, "हम आश्वस्त हैं कि यह 5 मिमी हिली है, प्लस या माइनस इस विशिष्ट मात्रा में मौसम के शोर के आधार पर, जहाँ वे स्थित हैं।"

एक वाक्य में सारांश

यह शोध पत्र सिद्ध करता है कि हमारे सर्वोत्तम मौसम मानचित्रों के बावजूद, हवा अभी भी बहुत "लहराती" और अनिश्चित है, जिसे बहुत छोटी दूरियों पर अनदेखा नहीं किया जा सकता, और हमें पृथ्वी की सतह को मापने के लिए इस बचे हुए बिखराव को ध्यान में रखने के लिए एक नए तरीके की आवश्यकता है।

तकनीकी सारांश: GNSS ZTD और संख्यात्मक मौसम पूर्वानुमान (NWP) मॉडलों के आधार पर छोटे स्थानिक पैमानों पर क्षोभमंडलीय शोर का विश्लेषण

समस्या विवरण
इंटरफेरोमेट्रिक सिंथेटिक अपर्चर रडार (InSAR) मिलीमीटर-स्तर की सटीकता के साथ जमीनी सतह के विस्थापन की निगरानी करने के लिए एक प्राथमिक उपकरण है। हालांकि, क्षोभमंडलीय विलंब (tropospheric delays) त्रुटि के एक महत्वपूर्ण स्रोत हैं, जो अक्सर 15-20 सेमी की मात्रा तक पहुँच जाते हैं, जो कि लक्षित संकेतों से अधिक हो सकते हैं। जबकि इन विलंबों को सुधारने के लिए संख्यात्मक मौसम पूर्वानुमान (NWP) मॉडल आमतौर पर उपयोग किए जाते हैं, अधिकांश अध्ययन यह मानते हैं कि क्षोभमंडलीय परिवर्तनशीलता छोटे स्थानिक पैमानों (जैसे, InSAR टाइम-सीरीज के "संदर्भ बिंदु" क्षेत्र के भीतर) पर नगण्य है। NWP-आधारित सुधार के बाद छोटे लंबाई पैमाने पर अवशिष्ट (residual) क्षोभमंडलीय शोर की मात्रा के संबंध में व्यवस्थित मात्रात्मककरण का अभाव है। इसके अलावा, यह स्पष्ट नहीं है कि क्या उच्च-रिज़ॉल्यूशन वाले NWP मॉडल सब-ग्रिड पैमानों पर सुधार की सटीकता में सुधार करते हैं।

कार्यप्रणाली
यह अध्ययन निकट स्थित स्टेशनों के समूहों (अधिकतम पृथक्करण $\lesssim$ 13 किमी, जिसमें अधिकांश <7 किमी है) पर प्राप्त GNSS-व्युत्पन्न ZTD के विरुद्ध NWP मॉडलों से प्राप्त ज़ेनिथ टोटल डिले (ZTD) की तुलना करके छोटे-पैमाने के क्षोभमंडलीय त्रुटियों को मात्रात्मक रूप से निर्धारित करता है। विश्लेषण केवल एक एकल स्टेशन पर अस्थायी परिवर्तनशीलता के बजाय, एक दिए गए समय में समूह के भीतर स्टेशनों के बीच अवशेषों के स्थानिक मानक विचलन ( $\sigma_{sp}$ ) पर केंद्रित है।

दो NWP मॉडल जिनका मूल्यांकन अंत-चर (end-member) स्थानिक रिज़ॉल्यूशन का प्रतिनिधित्व करते हैं:

ERA5: ECMWF से एक वैश्विक पुनर्मूल्यांकन मॉडल जिसका ग्रिड अंतराल ~31 किमी है।
HRRR: NOAA से एक क्षेत्रीय पुनर्मूल्यांकन मॉडल जिसका ग्रिड अंतराल ~3 किमी है।

डेटा स्रोत शामिल थे:

GNSS ZTD: नेवादा जियोडेटिक लेबोरेटरी (NGL) से 11 वैश्विक स्थलों (ऑस्ट्रेलिया, जापान, जर्मनी, इटली, चिली, अलास्का और कैलिफोर्निया सहित) के लिए और रोला, मिसूरी में चार स्टेशनों से मैन्युअल रूप से एकत्र किए गए स्थिर सर्वेक्षण डेटा से प्राप्त किया गया।
प्रोसेसिंग: NWP डेटा को डाउनलोड करने, इसे नियमित ग्रिड में पुनर्गठित करने और ZTD की गणना करने के लिए GNSS स्टेशन स्थानों पर 3D इंटरपोलेशन करने के लिए RAiDER सॉफ्टवेयर पैकेज का उपयोग किया गया।
सांख्यिकीय विश्लेषण: अध्ययन ने प्रत्येक साइट के लिए अवशेषों के माध्य स्थानिक मानक विचलन ( $\sigma_{sp}$ ) की गणना की और अक्षांश और ऊंचाई के संबंध में $\sigma_{sp}$ को जोड़ने वाले एक कार्यात्मक मॉडल को फिट किया।

प्रमुख परिणाम

लघु-पैमाने के शोर की निरंतरता: NWP सुधार के बाद भी $\le$ 13 किमी के स्थानिक पैमानों पर महत्वपूर्ण अवशिष्ट परिवर्तनशीलता बनी रहती है। स्थानिक मानक विचलन ( $\sigma_{sp}$ ), पिछले अध्ययनों में रिपोर्ट किए गए वैश्विक प्रति-स्टेशन अस्थायी मानक विचलन के परिमाण के बराबर है।
अक्षांश निर्भरता: अवशिष्ट शोर मुख्य रूप से अक्षांश के साथ बदलता है। परिवर्तनशीलता निम्न और मध्य अक्षांशों (जैसे, इटली, कैलिफोर्निया, मिसूरी) पर अधिक है और उच्च अक्षांशों (जैसे, अलास्का, जर्मनी) पर कम है। एक गॉसियन-आकार का मॉडल अक्षांश के इस रुझान को प्रभावी ढंग से कैप्चर करता है।
ऊंचाई निर्भरता: ऊंचाई पर निर्भरता कमजोर और कम सुसंगत है। हालांकि कुछ रुझान देखे गए, वे मॉडलों और डेटासेट के बीच भिन्न थे, जिससे पता चलता है कि ऊंचाई, अक्षांश की तुलना में एक प्रमुख नियंत्रण नहीं है।
मॉडल रिज़ॉल्यूशन प्रभाव: इस परिकल्पना के विपरीत कि उच्च रिज़ॉल्यूशन वाले NWP मॉडल बेहतर छोटे-पैमाने के मिलान में सुधार करते हैं, महीन-रिज़ॉल्यूशन वाले HRRR मॉडल (~~3 किमी) ने मोटे-रिज़ॉल्यूशन वाले ERA5 मॉडल (~~31 किमी) की तुलना में GNSS ZTD के साथ बेहतर मिलान नहीं दिखाया।
- बायस (Bias): दोनों मॉडल व्यवस्थित पूर्वाग्रह प्रदर्शित करते हैं (ERA5 ~50.1 मिमी; HRRR ~49.5 मिमी)।
- परिवर्तनशीलता: HRRR ने वास्तव में ERA5 ( $\sigma_t \approx 1.4$ सेमी) की तुलना में थोड़ा अधिक अस्थायी परिवर्तनशीलता ( $\sigma_t \approx 1.9$ सेमी) प्रदर्शित की।
अवशेषों की प्रकृति: देखा गया अंतर-स्टेशन प्रसार (1-2 सेमी) विशिष्ट GNSS ZTD अनिश्चितताओं (2-4 मिमी) से काफी अधिक है, जो इंगित करता है कि अवशेष वास्तविक, छोटे-पैमाने की क्षोभमंडलीय परिवर्तनशीलता (संभवतः जल वाष्प द्वारा संचालित) का प्रतिनिधित्व करते हैं जिसे NWP मॉडल हल करने में विफल रहे, न कि GNSS माप त्रुटि का।

प्रमुख योगदान

सब-ग्रिड त्रुटि का मात्रात्मककरण: यह अध्ययन NWP सुधार के बाद छोटे स्थानिक पैमानों ( $\le$ 13 किमी) पर क्षोभमंडलीय शोर का पहला व्यवस्थित मात्रात्मककरण प्रदान करता है, यह प्रदर्शित करते हुए कि यह शोर नगण्य नहीं है।
रिज़ॉल्यूशन स्वतंत्रता: यह इस धारणा को चुनौती देता है कि उच्च-रिज़ॉल्यूशन वाले NWP मॉडल स्वाभाविक रूप से बेहतर छोटे-पैमाने के सुधार प्रदान करते हैं, यह दिखाते हुए कि ERA5 और HRRR अवशिष्ट स्थानिक परिवर्तनशीलता के संबंध में समान प्रदर्शन करते हैं।
कार्यात्मक अनिश्चितता मॉडल: लेखक अक्षांश ( $\phi$ ) और ऊंचाई ( $z$ ) के फलन के रूप में छोटे-पैमाने की अनिश्चितता ( $\hat{\sigma}_{sp}$ ) का अनुमान लगाने के लिए एक सरल कार्यात्मक मॉडल (समीकरण 6) प्रस्तावित करते हैं:
$\hat{\sigma}_{sp} \approx (az + b)e^{-\frac{\phi^2}{2c^2}}$
यह मॉडल चिकित्सकों को उनके अध्ययन क्षेत्र के लिए बिंदु-वार अनिश्चितता अनुमान पूर्व-गणना करने की अनुमति देता है।

महत्व और दावे
पेपर का दावा है कि पहचाना गया छोटा-पैमाने का क्षोभमंडलीय परिवर्तनशीलता एक निरंतर वैश्विक विशेषता है जो निकट स्थित GNSS नेटवर्क और 3 किमी के रिज़ॉल्यूशन पर भी बनी रहती है। लेखक तर्क देते हैं कि इस परिवर्तनशीलता को InSAR अनिश्चितता बजट में शामिल किया जाना चाहिए, विशेष रूप से टेक्टोनिक अनुप्रयोगों के लिए जहाँ पिक्सेल को एकत्रित किया जाता है या जहाँ "शोर-मुक्त" धारणाएं बनाई जाती हैं।

प्रस्तावित कार्यात्मक मॉडल अक्षांश और ऊंचाई के रूप में सब-ग्रिड क्षोभमंडलीय त्रुटि को InSAR अनिश्चितता अनुमानों में शामिल करने के लिए एक मात्रात्मक आधार प्रदान करता है। लेखक सुझाव देते हैं कि चूंकि यह अवशिष्ट संरचना वर्तमान NWP भौतिकी या रिज़ॉल्यूशन द्वारा हल नहीं की जाती है, इसलिए भविष्य के सुधारों के लिए सूक्ष्म-पैमाने की क्षोभमंडलीय परिवर्तनशीलता को बेहतर ढंग से हल करने के लिए पूरक विधियों, जैसे कि मशीन लर्निंग दृष्टिकोणों के साथ NWP सुधारों को संयोजित करने की आवश्यकता हो सकती है। अध्ययन निष्कर्ष निकालता है कि जबकि NWP मॉडल बड़े-पैमाने के सुधारों के लिए प्रभावी हैं, पिक्सेल पैमाने पर शेष अनिश्चितता को सटीक रूप से दर्शाने के लिए अक्षांश और ऊंचाई से प्राप्त एक "पॉइंट-वाइज" त्रुटि शब्द आवश्यक है।