ارزيابي مدل درختي M5 و شبكة عصبي مصنوعي براي برآورد متوسط روزانة دماي هوا بر اساس داده‌هاي دماي سطح زمين سنجنده موديس

An Evaluation of M5 Model Tree vs. Artificial Neural Network for Estimating Mean Air Temperature as Based on Land Surface Temperature Data by MODIS-Terra Sensor

استفاده از داده‏های تصاویر ماهواره‏ای روشی‏ مؤثر برای پهنه‌بندی دمای هواست. در این تحقیق مدل‏های شبكة عصبی و مدل درختی M5 برای تبدیل دمای سطح زمین در دو زمان روز و شب محصولات ماهوارة ترا سنجندة مودیس برای استان خوزستان مقایسه شد. در كل 365 تصویر از محصولات دمای سطح زمین در سال 2007، كه منطقة مورد مطالعه را پوشش می‏داد، استفاده شد. داده‏های متوسط دمای هوای روزانه از 29 ایستگاه هواشناسی سینوپتیك و كلیماتولوژی سال 2007 جمع‌آوری و به منزلة داده‏های واقعی استفاده شدند. داده‏های ورودی مدل‏ها شامل دمای سطح زمین در دو زمان روز و شب و تابش بیرون زمینی بودند. نتایج نشان داد ضریب تعیین هر دو مدل بیش از 96/0 است. با این حال مدل شبكة عصبی با دقت بیشتری دمای هوا را برآورد می‏كند. جذر مربع میانگین خطا و ضریب تعیین مدل شبكة عصبی به‌ترتیب برابر 7/1 درجة سانتی‌گراد و 97/0 برآورد شد.

The use of satellite data in an estimation of air temperature (Ta) near the earth’s surface has turned into an effective way for a large area of high spatial and temporal resolution. Throughout the present study, Artificial Neural Network (ANN) as well as M5 model tree were employed to estimate Ta in Khuzestan Province (South West of Iran), using satellite remotely sensed land surface temperature (Ts) data acquired through the MODIS-Terra sensor. The input variables for the models consisted of the daytime and nighttime MODIS Ts as well as extraterrestrial solar radiation. A total of 365 images of MOD11A1 Ts product for the year 2007, covering the area under study were collected from the Land Processes Distributed Active Archive Center (LP DAAC). The results indicated that coefficient of determination (R2) for both models exceeded 0.96. However, ANN model estimations of air temperature were more accurate than RMSE with the respective R2 values of 1.7 and 0.97 oC.