تخمين دماي هوا بر اساس پارامترهاي محيطي با استفاده از داده هاي سنجش از دور

Air temperature estimation based on environmental parameters using remote sensing data

هدف اين مطالعه تخمين دماي هواي ميانگين ماهانه با استفاده ازداده هاي دماي سطح زمين، شاخص تفاضلي نرمال شده پوشش گياهي، عرض جغرافيايي، ارتفاع، شيب و كاربري اراضي در دوره زماني 2015-2001 است. عليرغم برخي تشابهات فضايي بين الگوهاي فضايي دماي هوا و دماي سطح زمين، اين دو متغير تغييرپذيري كاملا متفاوتي دارند بطوريكه ضريب تغييرپذيري دماي هوا چهار برابر دماي سطح زمين به دست آمد. همچنين نتايج تحليل حاكي از اين است كه در زمستان ارتفاع نقش كليدي را در توزيع پراكندگي اختلافات دماي سطح زمين ودماي هوا دارد، در حاليكه در ديگر فصول نقش شيب و پوشش گياهي مشخص تر است. پس از مشخص كردن الگوهاي فضايي دماي سطح زمين و دماي هوا، اقدام به تخمين دماي هوا از طريق مدل هاي رگرسيون با وضوح فضايي 0.125 درجه گرديد. پايين ترين مقدار خطا در ماه هاي نوامبر و دسامبر با ضريب تبيين 70 درصد و خطاي استاندارد 1 درجه سانتيگراد به دست آمد. همچنين حداكثر خطا در فاصله ماه هاي مي تا آگوست با ضريب تبيين 59 تا 63 درصد و خطاي استاندارد 1.6 درجه سانتيگراد محاسبه گرديد كه در سطوح 0.05 معني دار هستند. به علاوه نتايج حاصل از ارزيابي هر ماه نشان داد كه تخمين دماي هوا در ماه هاي سرد (نوامبر، دسامبر، ژانويه، و فوريه و مارس) داراي دقت بيشتري است. با در نظر گرفتن كاربري هاي مختلف، بالاترين ضريب تبيين به مناطق آبي و شهري با ضريب تبيين 96 تا 99 درصد در ماه هاي گرم و پايين ترين ضريب تبيين به جنگل مخلوط و علفزار با ضريب تبيين 15 تا 36 درصد در ماه هاي سرد مربوط است.

This study is aimed at estimating monthly mean air temperature (Ta) using the MODIS Land Surface Temperature (LST), Normalized Difference Vegetation Index (NDVI), latitude, altitude, slope gradient and land use data during 2001-2015. The results showed that despite some spatial similarities between annual spatial patterns of Ta and LST, their variations are significantly different, so that the Ta variation coefficient is four times the one of the LST. Our analysis indicated that while in winter latitude is the key factor in explaining the distribution of the differences LST-Ta, in other seasons the role of slope and vegetation become more prominent. After obtaining the spatial patterns of LST and Ta, we estimated Ta using regression models in spatial resolution of 0.125˚. The lowest estimation error was found in the months of November and December with a high explanatory coefficient (R2) of 70% and a standard error of 1 ° C. On the other hand, the maximum error was obtained from May to August with R2 between 59 to 63% and a standard error of 1.6 ° C which is significant at the 0.05 level. In addition, result of evaluation of individual months showed that estimation of Ta is more accurate at the cold months of the year (November, December, January, February, and March). With considering different land uses, the highest R2 was related to waters and urban areas (96 to 99%) in warm months, and the lowest R2 was for mixed forest and grassland (between 15 and 36%) in cold months.