ارزیابی عملکرد مدل SADFAT در پیش بینی روزانه دمای سطحی زمین در محدوده شهر تهران

Publish Year: 1400
نوع سند: مقاله ژورنالی
زبان: Persian
View: 242

This Paper With 18 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_JSAEH-8-1_009

تاریخ نمایه سازی: 11 مهر 1400

Abstract:

محدودیت هایی مانند پوشش زمانی کم و کوچک مقیاس بودن تصویر برداری مادون قرمز حرارتی در اقلیم شناسی شهری به عنوان یک چالش علمی عصر حاضر می باشد. برای رفع این مشکل، مدل های ادغام زمانی و مکانی تصاویر مانند SADFAT در سنجش از دور مورد توجه قرار گرفته است. در تحقیق حاضر قابلیت استفاده از مدل SADFAT برای بکارگیری ویژگیهای مکانی تصاویر سنجنده  OLIو زمانی سنجنده MODIS، به منظور برآوردLST  های مناطق شهری، ارزیابی شده است. داده های ورودی به مدل شامل رادیانس حرارتی تصاویر مودیس و لندست و باند قرمز و مادون قرمز نزدیک لندست جهت پیش بینی دمای سطح روزهای متوالی سال ۲۰۱۷ میلادی محدوده شهر تهران می باشد. الگوریتم با بکارگیری دو جفت تصویر مودیس و لندست در زمان مشابه و مجموعه هایی از تصاویر مودیس در زمان پیش بینی و تعیین ضریب تبدیل تغییرات رادیانس حرارتی پیکسل ناهمگن مودیس نسبت به پیکسل لندست، LST را در مناطق ناهمگن پیش بینی می کند. برای ارزیابی نتایج مدل، تمامی پیکسل های تخمین زده شده به صورت نظیر به نظیر با پیکسل های تصویر مبنا در آن محدوده مقایسه شدند. میزان برآیند مقایسه برای روزهای فصل پاییز نشان می دهد که مدل SADFAT در این فصل بطور میانگین با ضریب همبستگی ۸۶/۰ و خطای خطای جذر میانگین مربعی ۱۲۲/۰ ، بالاترین دقت و در فصول دیگر با میانگین ضریب همبستگی ۷۶/۰ و خطای جذر میانگین مربعی حدود ۴/۰ ، دقت خوبی را ارائه نموده است . بنابراین با وجود برخی خطاهای سیستماتیک و متغیر موجود در تصاویر و اجرای الگوریتم، عملکرد این مدل برای پیش بینی LST در مقیاس زمانی روزانه و قدرت تفکیک مکانی ۳۰ متر در شهر تهران خوب ارزیابی شد.

Keywords:

Spatial and Temporal Data Fusion , SADFAT , Heat island , LST , Urban climatology , ادغام زمانی و مکانی , SADFAT , جزیره حرارتی , LST , اقلیم شهری

Authors

محمدجواد براتی

گروه جغرافیا،واحد علوم و تحقیقات تهران، دانشگاه آزاد اسلامی، تهران، ایران.

منوچهر فرج زاده اصل

گروه جغرافیای طبیعی، دانشگاه تربیت مدرس، تهران، ایران

رضا برنا

دانشیار گروه جغرافیا، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • Abutaleb, K.; A. Ngie, A. Darwish, M. Ahmed, S. Arafat, ...
  • Artis, D. A., and W. H. Carnahan. ۱۹۸۲. Survey of ...
  • Changnon, S. A.; K. E. Kunkel, and B. C. Reinke. ...
  • Gao, F.; J. Masek, M. Schwaller, and F. Hall. ۲۰۰۶. ...
  • Han, S.; H. Li, and H. Gu. ۲۰۰۸. The study ...
  • Jiménez-Muñoz, J.C., and J. A. Sobrino. ۲۰۰۳. A generalized single‐channel ...
  • Jimenez-Munoz, J. C.; J. A. Sobrino, D. Skokovic, C. Mattar, ...
  • Merchant, C. J.; S. Matthiesen, N. A. Rayner, J. J. ...
  • NASA. ۲۰۰۴.UHI make cities marmer, www.nasa.gov/centers/goddard/news/topstory/۲۰۰۴/۰۸۰۱uhigreen.html ...
  • Rosenfeld, A. H.; H. Akbari, J. J. Romm, and M. ...
  • Shen, H.; L. Huang, L. Zhang, P. Wu, and C. ...
  • Sobrino, J. A.; J. C. Jiménez-Muñoz, and L. Paolini. ۲۰۰۴. ...
  • Sobrino, J. A.; J. C. Jiménez-Muñoz, G. Sòria, M. Romaguera, ...
  • Weng, Q.; P. Fu, and F. Gao. ۲۰۱۴. Generating daily ...
  • Yu, X.; X. Guo, and Z, Wu. ۲۰۱۴. Land surface ...
  • Yuan, F., and M. E. Bauer. ۲۰۰۶. Comparison of impervious ...
  • Zhang, Y. ۲۰۰۴. Understanding Image Fusion, Photogramm. Eng. Remote Sens, ...
  • Zhu, X. L.; J. Chen, F. Gao, X. Chen, and ...
  • بذرگر بجستانی، علیرضا و مهدی آخوندزاده هنزایی. ۱۳۹۶. استفاده از ...
  • عربی، مهدی. ۱۳۸۷. سازمان یابی و گسترش کالبدی فضایی کلان ...
  • محمدی زاده، پریسا؛ سعید حمزه، مجید کیاورز مقدم و علی ...
  • نمایش کامل مراجع