بخشی از مقاله
*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***
ارزیابی مدل درختی M5 برای برآورد پارامترهای دمای هوا با استفاده از دادههای سنجنده مودیس
چکیده:
دمای هوا یکی از مهمترین پارامترها برای مطالعات هیدرولوژیکی و هواشناسی است و در بسیاری از فرایندهای سطح زمین مانند فتوسنتز، تولیدات گیاهی و تبخیر و تعرق نقش اساسی دارد. این پارامتر در ایستگاههای هواشناسی بطور مستقیم اندازهگیری شده و معرف دمای هوا در پیرامون ایستگاه است ولی قابل تعمیم به مناطق دور دست نیست. دادههای تصاویر ماهوارهای به دلیل دید وسیع و یکپارچه به عنوان گزینه مناسب برای پهنه بندی پارامترهای هواشناسی در سالهای اخیر مورد استفاده قرار می-گیرند. ولی سنجنده ماهوارهها مستقیماً دمای هوا را اندازهگیری نمیکند و برای تبدیل دادههای آنها باید از مدلهای ریاضی استفاده کرد. در این تحقیق مدل درختی M5 برای تبدیل دادههای دمای سطح زمین محصولات MOD11A1 سنجنده مودیس مربوط به ماهواره ترا ، متغیرهای تابش برونزمینی و ارتفاع به پارامترهای دمایی هوا شامل دمای ماکزیمم، دمای مینیمم و دمای متوسط مورد ارزیابی قرار گرفت. برای این منظور پارامترهای دمای هوای اندازهگیری شده در 29 ایستگاه هواشناسی استان خوزستان در سال 2007 برای تدوین و ارزیابی مدل M5 مورد استفاده قرار گرفت. نتایج نشان داد دمای ماکزیمم هوا با ضریب تعیین، ریشه میانگین مربعات خطا و قدر مطلق خطا 0/937، 2/803 درجه سانتیگراد و 2/138 درجه سانتیگراد برآورد میشود. این آمارهها برای دمای مینیمم 0/936 ،1/974 درجه سانتیگراد و 2/430درجه سانتیگراد و برای متوسط روزانه هوا 0/951 ،1/752 درجه سانتیگراد و2/295درجه سانتیگراد بدست آمد. میانگین خطای اریب در مدلهای تدوین شده ناچیز (بطور متوسط برای هر سه مدل کمتر از -/514 درجه سانتیگراد) و لذا کم برآورد و بیش برآورد قابل ملاحظه نبوده است.
واژههای کلیدی: مودیس، دمای سطح زمین، دمای هوا، مدل درختی M5
.1 مقدمه
دمای هوا،یکی از عناصر اساسی شناخت هواست و یکی از مهمترین پارامترهای کلیدی در مطالعات هیدرولوژیکی و هواشناسی است و بسیاری از فرایندهای سطح زمین مانند فتوسنتز، تبخیر و تعرق توسط آن تنطیم می شوند. بنابراین نظر به اهمیت این پارامتر بر فرایندهای محیطی و زمین، کاربردهای هواشناسی و تغییر اقلیم تخمین آن کاملا ضروری است. 10]،.[5 این پارامتر در ایستگاههای هواشناسی اندازه گیری و معرف دمای هوا در پیرامون ایستگاه است و نمی توان آن را به مناطق دور از ایستگاه تعمیم داد زیرا که دمای هوا تحت تاثیر خصوصیات سطح زمین است و این خصوصیات نسبت به زمان و مکان تغییر می یابد. دادههای ماهوارهای، به دلایل برخورداری از مزایایی چون سطح پوشش وسیع، قابلیت تکرار، سهولت پردازش توام با دادههای میدانی میتوانند به عنوان یک گزینه در جمع آوری اطلاعات مطرح شوند. همچنین تصاویر ماهوارهای بهدلیل پیوستگی مکانی دادهها، کاربرد بهتری برای مطالعات ناحیه-ای نسبت به دادههای ایستگاههای هواشناسی دارند.[2] مهمتر اینکه استفاده از این اطلاعات، در مقایسه با احداث ایستگاه هواشناسی جدید، منجر به کاهش هزینه و افزایش سرعت و دقت در محاسبه پارامترهای جوی میشود. دو روش برای تعیین دمای هوا با استفاده ازدادههای حاصله از تصاویر ماهوارهای ارائه شده است. شیوه اول که به نام روش TVX1 موسوم است، و مبتنی بر این فرض میباشد که دمای سطح زمین در یک پوشش گیاهی کامل به دمای هوا نزدیک است. این روش به وسیله نمانی و رانینگ(1989)2 پیشنهاد گردید.[8] استیسن3 و همکاران((2007 از دادههای سنجنده (SEVIRI4) ماهواره MSG5 برای برآورد دمای هوا در فواصل زمانی 15 دقیقه در حنوب افریقا استفاده کردند که نتایج نشان دهنده میزان خطا بین مقدار اندازهگیری شده در ایستگاههای هواشناسی ومقادیر برآورد شده با این روش در حدود 3 درجه کلوین بود.[13] پرویز وهمکاران((1389 از روش TVX برای تعیین دمای هوا در حوضه آبریز سفید رود استفاده کردند. برای این منظور از تصاویر ماهوارهای سنجنده مودیس در سالهای 1382-1381 و 1384 و از الگوریتم پنجره مجزا توسعه داده شده توسط پرایس در محاسبه دمای سطح زمین استفاده شد که نتایج نشان داد متوسط اختلاف بین دمای هوای واقعی و حاصل از الگوریتم پرایس در سالهای مورد بررسی به ترتیب 6/2 و 11/94 درجه سانتیگراد است.[1] روش دوم مبتنی براستفاده از همبستگی آماری است، در زمینه استفاده از این روش میتوان به مطالعه کرسول و همکاران (1999) که در شمال افریقا اشاره کرد در این مطالعه از دادههای دمای سطح زمین ثبت شده توسط سنجنده متوست در هنگام شب در ترکیب با مقادیر زاویه زنیت خورشیدی جهت برآورد مینیمم دمای هوا استفاده گردید که نتایح نشان داد 70 درصد از نتایج دارای انحراف کمتر از 3 درجه سانتیگراد هستند. به طور متداول هر دو روش TVX وآماری در برآورد دمای هوا، دارای مقدارخطایی در حدود 3 درجه سانتی گراد هستند.[6]
دانش نوین داده کاوی یکی از ده دانش در حال توسعه ای است که دهه آینده را با انقلاب تکنولوژیکی مواجه می سازد. این تکنولوژی امروزه دارای کاربرد بسیار وسیعی در حوزه های مختلف است. یکی از روش های متداول داده کاوی که می توان به وسیله آن الگوی مفید میان دادهها را با حداقل دخالت کاربران استخراج کرد، درخت تصمیم گیری است درخت تصمیم گیری بر خلاف برخی از روش ها مانند شبکه های عصبی، می تواند به تولید قانون بپردازد به عبارت دیگر درخت تصمیم بر خلاف روشهایی مثل شبکه های عصبی که چگونگی عملکرد خود را ارائه نمی کنند، پیشبینی خود را در قالب قوانینی که از نظر پارامترهای آماری برازش مناسبی دارند ارائه می کند. هدف از این مطالعه بکار گیری و ارزیابی مدل درختی M5 برای تخمین پارامترهای دمای هوا بر اساس دادههای دمای سطح زمین حاصله از تصاویر سنجنده مودیس و مشخصههای جغرافیایی، به منظور برآورد منطقهای پارامترهای دمای هوا است.
.2 مواد و روش
محدود مورد مطالعه این تحقیق، استان خوزستان واقع در جنوب غرب این میباشد. قرار گرفتن استان خوزستان در عرضهای پایین یعنی در 29 درجه و 58 دقیقه تا 32 درجه و 58 دقیقه و واقع شدن در کمربند بیابانی دنیا، ویژگی-های آب و هوایی نیمهخشک را به آن داده است و در فصول مختلف سال در معرض جریانهای مختلف اقلیمی قرار میگیرد. در مطالعه حاضر از دمای هوا شامل دمای ماکزیمم،دمای مینیمم و دمای متوسط روزانه 29 ایستگاه هواشناسی استفاده شد. از بین ایستگاههای مذکور اطلاعات 18 ایستگاه به ساخت مدلهای مورد نظر واطلاعات 11 ایستگاه جهت تست و اعتبار سنجی اختصاص یافت.
.1-2 دادههای ماهواره ای:
در این مطالعه از تصاویر مودیس با زیر گروه دادههای سطح سه (L3) با کد مشخصه MOD11A1 با توان تقک یک مکانی یک کیلومتر و قدرت تکیک زمانی روزانه که حاوی اطلاعات دمای سطح زمین و گسیلندگی و تصحیحات اتمسفری روی آنها صورت گرفته است[11]، استفاده گردید. در مجموع 365 تصویراز طریق پایگاه اینترنتی //http://modis/gsfc/nasa/gov مربوط به سال 2007 اخذ گردید. تصاویردانلود شده، دارای سیستم مختصات سینوسی میباشند که جهت تبدیل مختصات آنها به سیستم مختصات جغرافیایی از ابزار MCT در محیط نرمافزار ENVI، استفاده گردید. صاف و بدون ابر بودن تصویر و همچنین موجود بودن دادههای دمای هوا به عنوان معیار انتخاب تصویر جهت استخراج دادههای دمای سطح زمین در نظر گرفته شد و در نتیجه از بین تصاویر دانلود شده،بطور متوسط از 203 تصویر (برای همه ایستگاهها) استفاده گردید. استخراج اطلاعات دمای سطح زمین از تصاویر دریافتی در محل هریک از ایستگاههای هواشناسی، با استفاده از نرمافزار ARCGIS9.3، توسط ابزارHAT انجام گرفت. بعد از استخراج مقادیر عددی دمای سطح زمین شب و روز، در محدوده هر یک از ایستگاههای هواشناسی،داده-ها را به تفکیک دادهای دمای روز و دمای شب از جدول اطلاعات توصیفی ساخته شده در محیط ARCMAP با فرمت bdf. جهت انجام آنالیزهای آماری درمحیط نرمافزارهای آماری خروجی گرفته شدنهایتاً. پارامترهای دمای سطح زمین(دمای شب، دمای روز و متوسط شب و روز بر حسب در جه سانتیگراد)، ارتفاع(متر) و تایشفرازمینی(مگاژول بر متر مربع بر روز) به عنوان پارامترهای ورودی و دمای هوا(درجه سانتیگراد) ثبت شده توسط ایستگاههای هواشناسی به عنوان خروجی هدف در نظر گرفته شدند. تابشفرازمینی،دادهاندازهگیری نیست بلکه برای هر روز معین و موقعیت مکانی با استفاده از رابطه پیشنهاد شده توسط الن و همکاران((1998 (رابطه(((1 محاسبه میشود.[3]
در این روابط،Ra تابش فرازمینی (مگاژول بر مترمربع در روز)، GSC ثابت خورشیدی(برابر 0/082مگاژول بر متر مربع در روز)، dr فاصله نسبی زمین تا خورشید، : زاویه میل خورشید (رادیان)، : عرض جغرافیایی (رادیان)، S زاویه ساعتی غروب خورشید (رادیان) هستند. پارامترهایdr و تابع روز شمار سال و S تابعی از عرض جغرافیایی و روز شمار سال هستند و برای تعیین آنها از روابط توصیه شده آلن و همکاران( (1998 استفاده شد. هدف از در نظر گرفتن تابش فرازمینی به عنوان متغییر ورودی اعمال تاثیر روز شمار سال و عرض جغرافیایی و در نتیجه تاثیر اثر فصلی تابش خورشیدی بر دمای هوا است.
.2-2 مدل درختی M5
مدل درختی M5 یک درخت تصمیم دودویی است که در هر گره پایانی (برگ) روابط رگرسیونی خطی دارد که میتواند مقادیر عددی را پیشبینی کند. این مدل اولین بار در سال 1992 توسط کوین لان ارائه شد.[9] اساس مدل های درختی مبتنی بر روش تصمیم و غلبه کردن هستند. تولید مدل درختی در دو مرحله صورت میگیرد. مرحلهی اول شامل تعیین مناسبترین پارامتر ورودی برای انشعاب و نیز ضابطه (معیار) تقسیم برای تولید یک درخت تصمیم است. به منظور ارزیابی عملکرد مدل M5 از روش صحت سنجی متقاطع استفاده شد. صحتسنجی متقاطع روشی آماری بهمنظور ارزیابی و مقایسهی الگوریتمهای یادگیری است. در این روش ابتدا مجموعه دادهها به 10 قسمت مساوی تقسیم شده، سپس 10 مرتبه آموزش و صحتسنجی انجام میشود؛ بهطوریکه در هر گردش یک قسمت متفاوت از دادهها برای صحتسنجی کنار گذارده میشود در حالی که 9 قسمت دیگر برای آموزش مدل استفاده می-شوند. معیار تقسیم بر مبنای درنظر گرفتن حداقل کاهش خطای انحراف معیار مقادیر دستهی منتهی به هر گره می-باشد. کاهش انحراف معیار از رابطهی (2) محاسبه میشود:
در این رابطهT دستهای از نمونهها که به گره i وارد شدهاند، Ti زیرمجموعهی نمونه iامین خروجی که بیشترین
