ادغام مکانی- زمانی داده های دمای سطح زمین لندست و مودیس با استفاده از الگوریتم FSDAF
Publish place: Journal of Water and Soil Science، Vol: 25، Issue: 2
Publish Year: 1400
نوع سند: مقاله ژورنالی
زبان: Persian
View: 286
This Paper With 18 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JWSS-25-2_004
تاریخ نمایه سازی: 11 مهر 1400
Abstract:
دمای سطح زمین (LST) پارامتری مهم در سیستم های اقلیمی و آب و هوایی است. یکی از راههای منحصر به فرد تخمین این پارامتر مهم اقلیمی، استفاده از فناوری سنجش از دور است. اما محصولات ماهواره ای یا دارای قدرت تفکیک مکانی پایین هستند یا دارای قدرت تفکیک زمانی پایین که پتانسیل کاربرد آنها را در مطالعات مختلف با محدودیت مواجه می سازد. در سال های اخیر، استفاده از تکنیک های ادغام مکانی- زمانی به منظور تولید تصاویر با قدرت تفکیک مکانی و زمانی زیاد همزمان، مورد تحقیق و بررسی گستردهای قرار گرفته اند. در این مطالعه برای تولید تصاویر LST با قدرت تفکیک مکانی سنجنده TIRS لندست و قدرت تفکیک زمانی سنجنده مودیس، از الگوریتم انعطافپذیر ادغام داده مکانی- زمانی (FSDAF) استفاده شد. اعتبارسنجی کمی و کیفی تصاویر تولید شده توسط مقایسه با LST واقعی لندست انجام شد. نتایج نشان داد الگوریتم FSDAF هم از لحاظ کیفی و هم از لحاظ کمی، از دقت بالایی در برآورد داده های روزانه LST برخوردار است. میزان پارامترهای RMSE و MAE تصاویر مصنوعی نسبت به تصاویر واقعی به ترتیب بین ۱/۱۸ تا ۱/۷۱ و ۸۸/۰ تا ۱/۲۹ درجه سانتی گراد بود. میزان همبستگی بالاتر از ۰/۸۷ و اریبی بین ۰/۶- تا ۱/۴۵ درجه سانتی گراد نیز موید دقت و صحت بالای الگوریتم در برآورد LST شبه لندست در مقیاس زمانی روزانه است.
Keywords:
Authors
مرتضی کفاش
۱. Department of Water Engineering, Faculty of Agriculture, Ferdowsi University of Mashhad, Mashhad, Iran.
حسین ثنایی نژاد
۱. Department of Water Engineering, Faculty of Agriculture, Ferdowsi University of Mashhad, Mashhad, Iran.
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 :