فهرست نشریات علمی دسترسی آزاد ایران

مقدمه و هدف: تولید داده‌های دمای سطح زمین (LST) با پیوستگی زمانی و مکانی، برای مطالعات هیدرولوژی، هواشناسی، اکولوژی، زیست‌محیطی و دیگر موارد، تقاضای چشمگیری دارد. تقریباً 60 تا 75% کرۀ زمین در هر لحظه با ابرها پوشیده می‌شود؛ بنابراین ابرها، با ایجاد مانعی، باعث جذب بخشی از انرژی حرارتی بازتاب‌یافته از زمین می‌شوند و با تأثیر در انرژی فروسرخ حرارتی، سبب ایجاد داده‌های از دست‌رفته و نامعتبر در سری‌های زمانی LST می‌شوند. رفع اثر پوشش ابر همواره مسئله‌ای رایج درزَمینۀ استفاده از تصاویر ماهواره‌ای است. هدف از پژوهش حاضر ارزیابی عملکرد الگوریتم تحلیل طیفی منفرد– چندکاناله (M-SSA)، به‌منظور بازسازی داده‌های ازدست‌رفته و دورافتاده با استفاده از پوشش ابر در سری‌ زمانی LST ساعتی ماهوارۀ Meteosat-9 است.مواد و روش‌ها: منطقۀ مطالعاتی، در پژوهش حاضر، کشور ایران در نظر گرفته شد و نیز از سری زمانی LST ساعتی سنجندۀ SEVIRI از ماهوارۀ زمین‌ثابت Meteosat-9 در سال 2022 استفاده شد. در ابتدا، با استفاده از نرم‌افزار SSA و آزمون مونت کارلو، اندازۀ پنجره و تعداد مؤلفه‌های معنی‌دار یک سری زمانی LST ساعتی تعیین شد. سپس با استفاده از مؤلفه‌های معنی‌دار شناسایی‌شده و نیز الگوریتم M-SSA، سری‌های زمانی LST بازسازی شد. خطای بازسازی در شرایط آسمان صاف، با داده‌های موجود سری زمانی و خطای بازسازی در شرایط آسمان ابری، ازطریق ایجاد داده‌های ازدست‌رفتۀ مصنوعی (ابر مصنوعی) با شدت‌های 10، 20، 30، ...، 90% در سری زمانی، با استفاده از آماره‌های خطای جذر میانگین مربعات (RMSE) و ضریب تبیین (R2) اندازه‌گیری شد. نتایج: به‌طور میانگین، در سطح ایران، 5/25% از سری زمانی LST ساعتی در سال 2022 به‌دلیل پوشش ابر از دست ‌رفته است که بیشترین میزان داده‌های ازدست‌رفته در حاشیۀ دریای خزر مشاهده شد. نتایج تحلیل سری زمانی LST ساعتی سالیانه در اندازۀ پنجرۀ 96ساعته با آزمون مونت کارلو نشان داد مؤلفه‌های 1 تا 5 جزء مؤلفه‌‌های معنی‌دار این سری زمانی‌اند. این مؤلفه‌ها 5/97% از تغییرات سری زمانی LST را در کنترل دارند. فرکانس‌ مربوط به مؤلفه‌های اول، دوم با سوم، چهارم با پنجم به‌ترتیب 0، 042/0 و 083/0 سیکل بر تصویر است. مؤلفۀ اول تغییرات دوره‌‌ای سالیانه، مؤلفۀ دوم با سوم تغییرات دوره‌ای 24ساعته یا روزانۀ دما، و مؤلفۀ چهارم با پنجم تغییرات دوره‌ای‌ 12ساعتۀ دما را نشان می‌دهد. براساس نتایج، RMSE و R2 بین داده‌های موجود و داده‌های بازسازی‌شدۀ سری زمانی LST ساعتی با استفاده از الگوریتم M-SSA، در شرایط آسمان صاف، به‌ترتیب 38/1 کلوین و 99/0 بود. همچنین در شرایط آسمان ابری، خطای RMSE تا سطح 80% دادۀ ازدست‌رفته به‌صورت تصادفی (ابر مصنوعی) همواره کمتر از 1/2 کلوین بود.بحث و نتیجه‌گیری: کلید اصلی بازسازی سری‌های زمانی، با رفتار دوره‌ای، شناسایی مؤلفه‌های معنی‌دار دوره‌ای و روندهاست. در سری‌های زمانی LST ساعتی، دوره‌های سالیانه، 24، 12 و 8ساعته از مهم‌ترین مؤلفه‌های سری زمانی‌اند. این مؤلفه‌ها از چرخش زمین به دور خود و خورشید و انحراف محور آن شکل می‌گیرند. بنابراین، این مؤلفه‌ها اغلب برای بازسازی سری‌های زمانی LST ساعتی در بیشتر بخش‌های کرۀ زمین، یکسان‌اند. براساس یافته‌ها، الگوریتم M-SSA با توجه به در نظر گرفتن مؤلفه‌های دوره‌ای و روندها و همچنین استفاده از همبستگی زمانی و مکانی، می‌تواند در بازسازی داده‌های ازدست‌رفتۀ دارای فاصلۀ بزرگ در سری‌های زمانی LST مؤثر باشد. یکی از موارد شایان توجه در بازسازی اثر پوشش ابر، در پژوهش حاضر و بسیاری از پژوهش‌های دیگر، بازسازی دمای سطح زمین با شرط آسمان صاف است. بنابراین بازسازی دمای سطح زمین زیر پوشش ابر می‌تواند چالش و پیشنهادی برای مطالعات بیشتر در آینده باشد.