بخشی از مقاله
چکیده
دمای سطح زمین یکی از پارامترهای مهم فیزیک سطح زمین است که از تصاویر ماهواره ای استخراج می شود. از طرفی تصاویر باند حرارتی با رزولوشن خوب زمانی و مکانی بدلیل محدودیت تکنولوژی سنسورهای حرارتی موجود، در دسترس نیست. در این راستا در بسیاری از مطالعات از جمله تبخیر و تعرق برای دست یابی به رزولوشن مورد نیاز، تصاویر با قدرت تفکیک زمانی و مکانی متفاوت را با هم ملحق می کنند. هدف ای ن مطالعه ریز مقیاس غیر خطی باند حرارتی تصویر مودیس با روش رگرسیون ماشین بردار و مقایسه نتایج با رگرسیون خطی می باشد. نتایج از عملکرد خوب روش رگرسیون ماشین بردار در ریزمقیاس باند حرارتی با r=0.914 و mse=3.02 حکایت می کند.
واژههای کلیدی: باند حرارتی لندست، باند حرارتی مودیس، رگرسیون ماشین بردار، ریزمقیاس.
-1 مقدمه
دمای سطح زمین یک پارامتر فیزیکی مهم سطح زمین است که در بسیاری از مطالعات از جمله تبخیر و تعرق نقش اساسی دارد. تبخیرBتعرق - ET - پارامتری مهم در چرخه انرژی، هیدرولوژی، کربن، نیتروژن و یکی از اجزای کلیدی تعادل آب در زنجیره خاک-گیاه-اتمسفر می باشد.[1] برای مدیریت بهتر آبیاری، ارزیابی پیوسته تبخیرBتعرق با قدرت تفکیک مکانی و زمانی خوب نیاز است. خصوصا در مناطق هیتروژن که مناطق با پوشش های گیاهی مختلف با خصوصیات شار گرمایی متفاوتی هستند داشتن قدرت تفکیک خوب مکانی و زمانی نیازی اساسی می باشد.[2] از آنجا که رابطه معکوس بین قدرت تفکیک مکانی و قدرت تفکیک زمانی وجود دارد. دست یافتن به تصویر با قدرت تفکیک زمانی و مکانی مناسب به دلیل تکنولوژی های سنسورها مشکل می باشد.[3]
از میان تمامی پارامترهای به دست آمده از تصاویر ماهواره ای دمای سطح زمین LST و شاخص پوشش گیاهی NDVI اجزای اصلی تعیین کننده مقیاس تبخیرBتعرق هستند. می توان با ریز مقیاس کردن آن ها به تبخیر و تعرق با قدرت تفکیک مناسب دست یافت.[4] تصویر لندست دارای باند حرارتی با قدرت تفکیک خوب مکانی می باشد ولی دسترسی به این تصاویر به علت طول دوره بازدید 16 روزه و ناخالصی وجود ابر محدود است. حال آن که داده هایی با قدرت تفکیک زمانی بالا نظیر مودیس تغییرات پوشش زمین را با دقت بالاتری کشف میکنند اما برای مناطق کشاورزی مناسب نیستند زیرا اندازه پیکسل های مودیس از اندازه اغلب پیکسل های کشاورزی بزرگتر است. شکل 1 نسبت قدرت تفکیک مکانی پیکسل های لندست و مودیس را نمایش می دهد 4]،.[5
روش هایی نظیر ریز مقیاس کردن تصاویر دارای باند حرارتی و یا تلفیق تصاویر با سایر باندها و یا سایرسنجنده ها با قدرت تفکیک زمانی و مکانی متفاوت، می تواند بر این مشکل فائق آید.[4] کاستاس و همکارانش در سال 2003 برای بهبود قدرت تفکیک باند حرارتی روش DisTrade را پیشنهاد دادند. روش مذکور قدرت تفکیک باند حرارتی را با استفاده از روابط آماری حاکم بین دمای سطح زمین و شاخص پوشش گیاهی به قدرت تفکیک باند مرئی و مادون قرمز همان سنجنده تبدیل می کند. فرض اساسی در روش ذکر شده برقرار بودن رابطه بین NDVI وT_R در چندین مقیاس مکانی بود.[7]
تابع شارپ کننده ای به نام TsHARP برای بهبود مدل DisTrade در سال 2007پیشنهاد شد. فرض در روش مذکور وجود داشتن رابطه ای میان T_R و f_c - مشتق شده از - NDVI در چندین مقیاس است. ولی مشکل این روش این است که از لحاظ زمانی دارای محدودیت بوده و فقط تصویر را از لحاظ مکانی ریز مقیاس می کند.[3] اینامدار طی پژوهشی نشان داد که ریز مقیاس کردن بر اساس رابطه NDVI و دمای سطح در مناطق هیتروژن به خوبی عمل نمی کند. در راستای حل این مشکل از ترکیب گسیلمندی سطح بهره برد8]و.[9 برای دست یافتن به تبخیرBتعرق با قدرت تفکیک خوب مکانی و زمانی، سانگ هوهانگ و همکاران با استفاده از الگوریتم سبال از 4 روش خطی رگرسیون ورودی- خروجی و تفریق ورودی- خروجی برای ریزمقیاس کردن تصویر مودیس به تصویر لندست بهره گرفتند. نتایج نشان می دهد که عملکرد رگرسیون-خروجی بهتر از سایرین است. ولی در مناطق غیر هموژن که تغییرات عمده در دمای سطحی را داریم این روش به خوبی عمل نمی کند.[10]
در سال 2013 بیندها و همکاران در جنوب در هند ابتدا یک رگرسیون خطی بین تصاویر NDVI و LSTدرمناطق با دمای بالا برقرار کرد. سپس از شبکه عصبی MLP جهت بهبود مدل بهره برد. یکی از معایب روش مذکور این است که در دمای بالای سطح زمین که نشان دهنده مناطق هیتروژن است اختلاف فاحشی با تصویر LST دارد و دما را اغراق آمیز نشان می دهد.[7] هانکیو در سال 2013 در منطقه غرب ایوا به منظور ریز مقیاس کردن تصویر لندست 7 به تصویر سنجنده استر از رگرسیون ماشین بردار - SVR - استفاده کرد. وی برای کاهش زمان الگوریتم از چند منطقه کوچک درون تصویر به صورت رندوم استفاده کرد.[11] ونگ و همکارانش در سال 2014 برای تلفیق باند حرارتی تصاویر مودیس و لندست یک الگوریتم جدید به نام SADFAT ارائه دادند. برای مناطق هموژن از یک رگرسیون بهره بردند و برای مناطق هیتروژن از روش linear spectral mixture analysis بهره بردند. بدین صورت که هر کدام از پیکسل های لندست، به عنوان یک endmember پیکسل مودیس در نظر گرفته شد. بیشترین مناطق هیتروژن در مناطق شهری موجود است.
محدودیت های روش مذکور این است که در مناطقی که تصاویر لندست قادر به بیان جزئیات نیستند نمی توانند تغییرات دمایی را تشخیص دهند.[12] در سال 2015 به منظور ریز مقیاس کردن دمای سطح زمین به دست آمده از باند حرارتی تصویر مودیس به باند حرارتی لندست 8، روش های غیر خطی هوش مصنوعی artificial intelligence را به کار گرفتند. ورودیها در سطوح مختلف با استفاده از موجک های مادر مختلف به جزئیات و تقریبشان تجزیه شدند و سپس بهعنوان ورودی 3 الگوریتم شبکه عصبی مصنوعی و شبکه عصبی فازی و رگرسیون ماشین بردار شدند.[2]
مکاری در سال 1394 به منظور ریزمقیاس نمودن مکانی تبخیر و تعرق تصویر مودیس از مفهوم فاکتور مقیاس بر روی پارامترهای مختلف ورودی روش سبال استفاده کرده است. سپس برای ریز مقیاس زمانی از 4 روش رگرسیون ورودی و خروجی و تفرق ورودی و خروجی بهره برد.[13] به منظور ریز مقیاس تبخیر و تعرق نسیم کمالی در سال 1393 در استان کرمانشاه از روش رگرسیون و تفریق استفاده کرده است. با توجه به اینکه در منطقه مورد مطالعه کاربریهای متعدد با سطح کوچک و به صورت مختلط وجود دارد نتایج به دست آمده با روشهای ریز مقیاس سازی از دقت قابل قبولی برخوردار نبودند. اگرچه هر دو روش ریز مقیاس سازی نتایج قابل قبولی نشان ندادند ولی دقت روش تفاضل بهتر از روش نسبت بود.[14]
ما در این مطالعه از 2 روش رگرسیون خطی و رگرسیون غیر خطی ماشین بردار بهره بردیم. دقت روش های خطی برای مناطق هموژن مناسب می باشند ولی فرکانس مکانی را برای مناطق هیتروژن به خوبی نمایش نمی دهند.[7] مشکل اساسی مدل های خطی این است که نمی توان پدیده های زمینی را با فرض خطی بودن مدل انطباق داد. بنابراین روش های غیر خطی به منظور غلبه با این پیش فرض بکاربرده شد. روش های مذکور ابزاری قدرتمند جهت گرفتن و نمایش ارتباط بین داده های ورودی و خروجی دارند.