پيش‌بيني بيشينه دماي هواي استان خوزستان بر اساس داده‌هاي ماهواره نوا و مدل شبكه عصبي مصنوعي

Estimating Maximum Air Temperature in Khoozestan Province Using NOAA Satellite Images Data and Artificial Neural Network

مدل‌هاي پيش‌بيني دماي هوا با استفاده از داده‌هاي ماهواره‌اي، مبتني بر متغيرهاي دماي سطح زمين و شاخص پوشش گياهي هستند. اين متغيرها با اعمال تصحيحات اتمسفري بر روي داده‌هاي فوق تعيين مي‌شوند. ميزان بخار آب، اوزن و عمق اپتيكي ذرات معلق در جو از داده‌هاي مورد نياز براي تصحيح اتمسفري باندهاي مرئي هستند ولي در اغلب مناطق ايران، اين پارامترها اندازه‌گيري نمي‌شوند. هم‌چنين با استفاده از روش‌هاي موجود، دماي سطح زمين تا دقت 2 درجه سانتي‌گراد تعيين مي‌شود. در اين تحقيق با توجه به محدوديت‌هاي فوق، دقت پيش‌بيني دماي بيشينه هوا با استفاده از داده‌هاي بدون تصحيح اتمسفري شده ماهواره نوا و مدل شبكه عصبي مورد بررسي قرار گرفت. براي اين منظور، مدل‌هاي مختلف شبكه عصبي، حاصل از تركيب‌هاي مختلف داده‌هاي 4 باند ماهواره نوا و 3 متغير جغرافيايي به عنوان ورودي‌هاي مدل ساخته شدند و بهترين مدل انتخاب شد. نتايج نشان داد، مدل شبكه عصبي با ساختار 6 نرون در لايه ورودي (شامل 4 باند ماهواره نوا، روز شمار سال و ارتفاع زمين) و 19 نرون در لايه پنهان بهترين مدل مي‌باشد. در اين ساختار حدود 91/4 درصد نتايج در محدوده دقت 3 درجه سانتي‌گراد واقع شدند و معيارهاي آماريRMSE ، R2 و MBE به ترتيب 0/62، 1/7 درجه سانتي‌گراد و 0/01- درجه سانتي‌گراد مي‌باشند.

Air temperature prediction models using satellite data are based on two variables of land surface temperature and vegetation cover index. These variables are obtained by atmospheric corrections in the values for the above data. Water vapor, ozone, and atmospheric aerosol optical depth are required for the atmospheric correction of visible bands. However, no measurements are available for these parameters in most locations of Iran. Using the common methods, land surface temperature can be measured accurately at 2 ° C. Given these limitations, efforts are made in this study to evaluate the accuracy of predicting maximum air temperature when uncorrected atmospheric data from the NOAA Satellite are used by a neural network. For this purpose, various neural network models were constructed from different combinations of data from 4 bands of NOAA satellite and 3 different geographical variables as inputs to the model in order to select the best model. The results showed that the best neural network was the one consisting of 6 neurons as the input layer (including 4 bands of NOAA satellite, day of the year, and altitude) and 19 neurons in the hidden layer. In this structure, about 91.4% of the results were found to be accurate at 3 ° C and the statistical criteria of R2, RMSE, and MBE were found to be 0.62, 1.7 ° C, and -0.01 ° C, respectively.