فهرست نشریات علمی دسترسی آزاد ایران

سابقه و هدف : دمای سطح زمین یک متغییر کلیدی در برنامه‌ریزی ناحیه‌ای و منطقه‌ای می‌باشد باتوجه به اهمیت دمای سطح زمین در مطالعات تغییرات اقلیمی، مدل‌سازی هیدرولوژیکی‌، نظارت بر پوشش گیاهی، جزیره گرمای شهری، توسعه‌ی شهری،گرمایش جهانی، شرایط کشاورزی و همچنین تأثیر آن بر نرخ و زمان رشد گیاهان پارامتر ورودی به اکثر مدل‌ها است؛ هرچه دقت تخمین این متغیر بالاتر باشد خروجی مدل‌ نیز همراه با دقت بالاتری خواهد بود؛ بنابراین مطالعه بهینه و مناسب تغییرات مکانی و زمانی دمای سطح زمین در شرایط جوی و آب و هوایی متفاوت ضروری است.با توجه به محدودیت ایستگاه‌‌های هواشناسی، سنجش از دور می‌تواند به عنوان پایه و اساس بسیاری از داده‌های هواشناسی مورد استفاده قرار گیرد. دمای سطح زمین در تصاویر ماهواره­ای شامل میانگین دمای پیکسلی است که پوشش دهنده بخشی از سطح زمین بوده و بر اساس انرژی رسیده به سنجنده (رادیانس) در باند حرارتی محاسبه می شود. از این رو عدم وجود قدرت تفکیک زمانی و مکانی بالا‌ی داده­های ماهواره­ای به‌طور همزمان یک چالش اساسی در بررسی و تخمین متغیر دما مطرح می‌گردد.مواد و روش‌ها : در این مطالعه سعی شد با استفاده از روش یادگیری عمیق و یادگیری ماشین، از تصاویر ماهواره‌ای MODIS، VIIRS و ECOSTRESS استفاده و نقشه‌های روزانه دمای سطح زمین سنجنده‌ی ECOSTRESS با قدرت تفکیک مکانی 70 متر در زمان­های فاقد داده در آبخیز بار-اریه نیشابور استان خراسان رضوی و آبخیز سد لتیان در استان تهران تولید گردد. مدل‌های مورد استفاده در پژوهش شامل مدل SVR به‌عنوان یک مدل محبوب یادگیری ماشین در زمینه‌های پیش‌بینی و رگرسیون و مدل LSTM یکی از قوی‌ترین مدل‌های یادگیری عمیق در حوزه پردازش سری ‌های زمانی می‌باشند. برای این منظور سه جفت تاریخ برای هرحوضه (شش تاریخ) انتخاب شد. تصاویر هر جفت داده به طور همزمان دراختیار مدل‌ها قرار گرفتند. درنهایت با استفاده از آماره­های RMSE، و NRMSE عملکرد هر مدل در هر تاریخ مورد ارزیابی قرار گرفت.نتایج و بحث: بررسی ضرایب RMSE ،  و NRSME مربوط به مدل LSTM و SVR برای هر دو منطقه نشان‌دهنده‌ی برتری عملکرد مدل LSTM بود. بهترین نتیجه RMSE ،  و NRMSE حاصل از مدل LSTM برای آبخیز بار-اریه در تاریخ‌های 17 ژوئن 2020 به ترتیب 81/1 درجه سانتی‌گراد، 66/0 و 94/11 درصد و در حوزه آبخیز لتیان برای تاریخ 28 ژوئن 2019 به ترتیب حدود 61/1 درجه سانتی‌گراد، 83/0 و 65/8 درصد بود. مدل LSTM با توجه به ساختار، ویژگی‌های خود و به­عنوان یک مدل یادگیری عمیق قوی با استخراج ویژگی از درون داده‌های خام با درنظر گرفتن ماهیت سری زمانی بودن داده‌ها توانست بر پیچیدگی‌های فرآیند تحت مدل‌سازی غلبه نماید.ذکر این نکته ضروری است که با درنظرگرفتن پیچیدگی فرآیند و متنوع بودن عوامل موثر بر دمای سطح زمین نتایج به‌دست آمده از دقت و صحت قابل قبولی برخوردار هستند. بازسازی و پیش­بینی دمای سطح زمین برای 3 الی4 روز بعد انجام شده است (با توجه به فاصله زمانی بین دو تصویر متوالی ECOSTRESS). تنوع و جزئیات رویدادهایی که در این زمان می­تواند رخ دهد گواهی دیگر بر مناسب بودن نتایج و کارایی مدل­ LSTM است.نتیجه‌گیری: بررسی نتایج و مقادیر  به‌عنوان یک معیار استاندارد برای ارزیابی تحلیل‌های رگرسیون، و نیز مقادیر RMSE و NRMSE نشان­ از برتری مدل LSTM در بازسازی مقادیر دمای سطح زمین ECOSTRESS می­باشد. با توجه به دامنه تغییرات و مولفه‌های موثر، دمای سطح زمین در تاریخ­های مورد بازسازی بین صفر تا بعضا نزدیک به 35 درجه سانتیگراد تغییر نمود، مقدار RMSE (نشان دهنده متوسط خطای مدل ) برای مدل LSTM بین حدود 1.5 تا 3 درجه سانتیگراد بوده که قابل قبول و مناسب به نظر می­رسد. مقادیر نرمال شده RMSE یا همان NRMSE نیز در اغلب تاریخ­ها بین 8 تا 17 درصد بوده که در مدل­سازی­های محیطی با توجه به پیچیدگی­های بالای فرآیندها مقادیر قابل قبولی می­باشند.