بررسی روش های ترکیبی زمین آمار در افزایش دقت پهنه بندی دمای سطح زمین
Publish place: The 4th Conference on Environmental Planning and Management
Publish Year: 1396
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 558
This Paper With 12 Page And PDF and WORD Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ESPME04_675
تاریخ نمایه سازی: 19 خرداد 1396
Abstract:
دمای سطح زمین (LST) یک شاخص اصلی تعادل انرژی در کره زمین می باشد. به علت تاثیر بسزایی که درجه حرارت در محیط پیرامون دارد، مطالعه آن از موضوعات مهم تحقیقاتی به شمار می رود. پدیده گرمایش زمین همراه با آلودگی هوا از جمله مشکلات زیست محیطی است که در محدوده شهرهای بزرگ به چشم می خورد. به طور معمول دمای هوا در ایستگاه های هواشناسی اندازه گیری می شوند که بیانگر درجه حرارت کل منطقه نخواهند بود. در این تحقیق با استفاده از تصاویر حرارتی سنجنده مادیس روش های مختلف زمین آماری جهت پهنه بندی دمای سطح زمین و دقت هر کدام با یکدیگر مقایسه شدند. برای این کار ابتدا میزان همبستگی دما به هر یک از پارامترها مانند ارتفاع، تابش خورشیدی، رطوبت نسبی و پوشش گیاهی سنجیده شد. همچنین الگوی تغییرات دما معین گردید. سپس الگوریتم های مختلف زمین آماری جهت مدلسازی دمای سطح زمین اجرا شد. از طریق اعتبارسنجی عرضی هر روش ارزیابی و اختلاف دمای پیش بینی شده با مقدار واقعی محاسبه شد. نتایج حاصل از این مقایسه نشان داد که از بین تکنیک های درونیابی کوکریجینگ ، روش رگرسیون-کریجینگ و رگرسیون-کریجینگ با تکیه بر تحلیل مولفه های اصلی ، روش رگرسیون-کریجینگ با استفاده از تحلیل مولفه های اصلی و با در نظر گرفتن الگوی تغییرات زمانی-مکانی دما دارای کمترین خطا می باشد. علت آن، فراوانی پارامترهای موثر بر دمای سطح زمین است که این تحلیل به خوبی تاثیر هر یک را به طور جداگانه مشخص و در نهایت مدلسازی می نماید.
Keywords:
Authors
زینب قدسی
دانشجوی کارشناسی ارشد، دانشکده محیط زیست و انرژی، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران
امین رضا نشاط
استادیار گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده محیط زیست و انرژی، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، 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 :