تعداد نشریات | 161 |
تعداد شمارهها | 6,532 |
تعداد مقالات | 70,504 |
تعداد مشاهده مقاله | 124,122,659 |
تعداد دریافت فایل اصل مقاله | 97,230,753 |
استفاده از روش رگرسیون خطی چند متغیره بهمنظور مدلسازی دمای تراز دو متر از طریق دادههای سنجنده مودیس | ||
فیزیک زمین و فضا | ||
مقاله 15، دوره 50، شماره 3، مهر 1403، صفحه 803-821 اصل مقاله (1.52 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22059/jesphys.2024.376789.1007609 | ||
نویسندگان | ||
محمد امین محمدی آهویی؛ علی سام خانیانی* | ||
گروه مهندسی نقشهبردای، دانشکده مهندسی عمران، دانشگاه صنعتی نوشیروانی بابل، بابل، ایران. | ||
چکیده | ||
دمای هوا در نزدیکی سطح زمین، یکی از متغیرهای تأثیرگذار در مطالعات مختلف اقلیمی، هیدرولوژی و پیشبینی وضع آبوهوا میباشد. هدف اصلی این مطالعه ایجاد مدلی مناسب برای برآورد این پارامتر بهکمک دادههای LST ماهوارهای است. برای این منظور، با استفاده از روش مدلسازی خطی چند متغیره، مدلی بین LST سنجنده مودیس و دمای تراز دو متر در منطقه گیلان و مازندران ایجاد شد. پارامترهای مورد استفاده در این مدل شامل LST بهدستآمده از سنجنده مودیس، شاخص نرمالشده پوششگیاهی، شیب و انحنا، ساعت و روز از سال میباشند. برای برآورد ضرایب مدل از دادههای جمعآوریشده بین سالهای 2000 تا 2017 و به منظور ارزیابی مدل از دادههای 2018 و 2019 استفاده شد. در هر استان، برای دادههای شب و روز، و دو دسته ارتفاعی مختلف، مدلهای مجزا برآورد شد. مقایسه مدل استانی با مدل تکایستگاهی بر حسب آمارههای خطا نشان داد که مدل استانی اختلاف کمی با مدل ارائهشده برای هر ایستگاه دارد. نتایج نشان داد که مقادیر RMSE در مدل استانی بهطور میانگین در محدوده 60/2 تا 11/3 درجه سانتیگراد قرار دارد. ضریب همبستگی دمای تراز دو متر بهدستآمده از مدل با مشاهدات واقعی بیشتر از ۹۰ درصد برآورد شد. علاوهبر این، دادههای فصلهای مختلف جدا شدند و برای هر فصل مدلی مجزا ارائه شد. بهطور میانگین بکارگیری مدل فصلی منجر به بهبود برآورد دمای تراز دو متر در استان گیلان و مازندران با RMSE بهترتیب 72/2 و 55/2 درجه سانتیگراد شد. | ||
کلیدواژهها | ||
LST؛ دمای تراز دو متر؛ MODIS؛ مدل MLR | ||
مراجع | ||
Allison, E. W., Brown, R. J., Press, H. E., & Gairns, J. G. (1989). Monitoring Drought Affected Vegetation With Avhrr. 12th Canadian Symposium on Remote Sensing Geoscience and Remote Sensing Symposium, 4, 1965–1967. https://doi.org/10.1109/IGARSS.1989.577746 Benali, A., Carvalho, A. C., Nunes, J. P., Carvalhais, N., & Santos, A. (2012). Estimating air surface temperature in Portugal using MODIS LST data. Remote Sensing of Environment, 124, 108–121. https://doi.org/10.1016/j.rse.2012.04.024 Binesh Barahmand, M., Nabizadeh, R., Nadafi, K., & Medzaghi nia, A. (2012). Qualitative Analysis of Coastal Waters in the Caspian Sea in Guilan Province: Determining the Environmental Health Indicators in Swimming Areas. Journal of Mazandaran University of Medical Sciences, 22(88), 41–52. Bunker, A., Wildenhain, J., Vandenbergh, A., Henschke, N., Rocklöv, J., Hajat, S., & Sauerborn, R. (2016). Effects of Air Temperature on Climate-Sensitive Mortality and Morbidity Outcomes in the Elderly; a Systematic Review and Meta-analysis of Epidemiological Evidence. EBioMedicine, 6, 258–268. https://doi.org/10.1016/j.ebiom.2016.02.034 Che, J., Ding, M., Zhang, Q., Wang, Y., Sun, W., Wang, Y., Wang, L., & Huai, B. (2022). Reconstruction of Near-Surface Air Temperature over the Greenland Ice Sheet Based on MODIS Data and Machine Learning Approaches. Remote Sensing, 14(22), 5775. https://doi.org/10.3390/rs14225775 Deser, C., Terray, L., & Phillips, A. S. (2016). Forced and Internal Components of Winter Air Temperature Trends over North America during the past 50 Years: Mechanisms and Implications. Journal of Climate, 29(6), 2237–2258. https://doi.org/10.1175/JCLI-D-15-0304.1 Didari, S., Norouzi, H., Zand-Parsa, S., & Khanbilvardi, R. (2017). Estimation of daily minimum land surface air temperature using MODIS data in southern Iran. Theoretical and Applied Climatology, 130(3–4), 1149–1161. https://doi.org/10.1007/s00704-016-1945-0 Dinpashoh, Y., Singh, V. P., Biazar, S. M., & Kavehkar, S. (2019). Impact of climate change on streamflow timing (case study: Guilan Province). Theoretical and Applied Climatology, 138(1), 65–76. https://doi.org/10.1007/s00704-019-02810-2 Ermida, S. L., Soares, P., Mantas, V., Göttsche, F.-M., & Trigo, I. F. (2020). Google Earth Engine Open-Source Code for Land Surface Temperature Estimation from the Landsat Series. Remote Sensing, 12(9), Article 9. https://doi.org/10.3390/rs12091471 Gázquez, F., Calaforra, J. M., & Fernández-Cortés, Á. (2016). Flash flood events recorded by air temperature changes in caves: A case study in Covadura Cave (SE Spain). Journal of Hydrology, 541, 136–145. https://doi.org/10.1016/j.jhydrol.2015.10.059 Gholamnia, M., Alavipanah, S. K., Darvishi Boloorani, A., Hamzeh, S., & Kiavarz, M. (2017). Diurnal Air Temperature Modeling Based on the Land Surface Temperature. Remote Sensing, 9(9), 915. https://doi.org/10.3390/rs9090915 Isazadeh, M., Biazar, S., & Ashrafzadeh, A. (2017). Support vector machines and feed-forward neural networks for spatial modeling of groundwater qualitative parameters. Environmental Earth Sciences, 76. https://doi.org/10.1007/s12665-017-6938-5 Kashki, A., Karami, M., Zandi, R., & Roki, Z. (2021). Evaluation of the effect of geographical parameters on the formation of the land surface temperature by applying OLS and GWR, A case study Shiraz City, Iran. Urban Climate, 37, 100832. https://doi.org/10.1016/j.uclim.2021.100832 Khandan, R., Gholamnia, M., Duan, S.-B., Ghadimi, M., & Alavipanah, S. K. (2018). Characterization of maximum land surface temperatures in 16 years from MODIS in Iran. Environmental Earth Sciences, 77(12), 450. https://doi.org/10.1007/s12665-018-7623-z Kuhn, K. G., Campbell-Lendrum, D. H., & Davies, C. R. (2002). A continental risk map for malaria mosquito (Diptera: Culicidae) vectors in Europe. Journal of Medical Entomology, 39(4), 621–630. https://doi.org/10.1603/0022-2585-39.4.621 Lin, S., Moore, N., Messina, J., DeVisser, M., & Wu, J. (2012). Evaluation of estimating daily maximum and minimum air temperature with MODIS data in east Africa. International Journal of Applied Earth Observation and Geoinformation, 18, 128–140. https://doi.org/10.1016/j.jag.2012.01.004 Mostovoy, G., King, R., Reddy, K., Kakani, V., & Filippova, M. (2006). Statistical Estimation of Daily Maximum and Minimum Air Temperatures from MODIS LST Data over the State of Mississippi. GIScience & Remote Sensing, 43, 78–110. https://doi.org/10.2747/1548-1603.43.1.78 Parton, W. J., & Logan, J. A. (1981). A model for diurnal variation in soil and air temperature. Agricultural Meteorology, 23, 205–216. https://doi.org/10.1016/0002-1571(81)90105-9 Qorbani, samira, Shaygan, M., J karami, J., & Ghasempouri, S. M. (2022). Spatial prioritization of protected areas using Annealing simulation algorithm (Study area: Mazandaran province). Mdrsjrns, 26(3), 152–183. https://doi.org/10.2022/hsmsp.26.3.7. Shahbazi, A., & Esmaeili-Sari, A. (2009). Groundwater Quality Assessment in North of Iran: A Case Study of the Mazandaran Province. Slini, T., & Papakostas, K. (2016). 30 Years Air Temperature Data Analysis in Athens and Thessaloniki, Greece. In Green Energy and Technology (pp. 21–33). https://doi.org/10.1007/978-3-319-30127-3_3 Uyanık, G. K., & Güler, N. (2013). A Study on Multiple Linear Regression Analysis. Procedia-Social and Behavioral Sciences, 106, 234–240. https://doi.org/10.1016/j.sbspro.2013.12.027 Vaez, A., & Mokhtarzade, M. (2015). Estimation of surface air temperature using LST data of MODIS sensor. https://doi.org/10.13140/RG.2.1.3751.3125. Wan, Z. (2006). MODIS land surface temperature products users’ guide. Institute for Computational Earth System Science, University of California: Santa Barbara, CA, USA, 805. https://lpdaac.usgs.gov/documents/447/MOD11_User_Guide_V4.pdf Wang, L., Hui, F., & Suo, F. (2022). Usage and Analysis of Interpolation Methods in Time Series Forecasting. Software development and application,13-15. Wang, N., Tian, J., Su, S., & Tian, Q. (2023). A Downscaling Method Based on MODIS Product for Hourly ERA5 Reanalysis of Land Surface Temperature. Remote Sensing, 15(18), 4441. Willmott, C., & Robeson, S. (1995). Climatologically Aided Interpolation (CAI) of Terrestrial Air Temperature. International Journal of Climatology, 15, 221–229. https://doi.org/10.1002/joc.3370150207 Yang, Y., Cai, W., & Yang, J. (2017). Evaluation of MODIS Land Surface Temperature Data to Estimate Near-Surface Air Temperature in Northeast China. Remote Sensing, 9(5), 410. https://doi.org/10.3390/rs9050410 Yoo, C., Im, J., Park, S., & Quackenbush, L. J. (2018). Estimation of daily maximum and minimum air temperatures in urban landscapes using MODIS time series satellite data. ISPRS Journal of Photogrammetry and Remote Sensing, 137, 149–162. https://doi.org/10.1016/j.isprsjprs.2018.01.018 Zeng, L., Wardlow, B., Tadesse, T., Shan, J., Hayes, M., Li, D., & Xiang, D. (2015). Estimation of Daily Air Temperature Based on MODIS Land Surface Temperature Products over the Corn Belt in the US. Remote Sensing, 7(1), 951–970. https://doi.org/10.3390/rs70100951 Zhu, W., Lű, A., & Jia, S. (2013). Estimation of daily maximum and minimum air temperature using MODIS land surface temperature products. Remote Sensing of Environment, 130, 62–73. https://doi.org/10.1016/j.rse.2012.10.034. | ||
آمار تعداد مشاهده مقاله: 269 تعداد دریافت فایل اصل مقاله: 220 |