دوره 8، شماره 1 - ( 3-1400 )
جلد 8 شماره 1 صفحات 166-149 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Barati M J, Farajzadeh Asl M, Borna R. Evaluation of SADFAT model performance in daily forecast of Land Surface Temperature in the city of Tehran. Journal of Spatial Analysis Environmental Hazards 2021; 8 (1) :149-166
URL: http://jsaeh.khu.ac.ir/article-1-3135-fa.html
URL: http://jsaeh.khu.ac.ir/article-1-3135-fa.html
براتی محمدجواد، فرج زاده اصل منوچهر، برنا رضا. ارزیابی عملکرد مدل SADFAT در پیش بینی روزانه دمای سطحی زمین در محدوده شهر تهران. تحلیل فضایی مخاطرات محیطی. 1400; 8 (1) :149-166
1- گروه جغرافیا،واحد علوم و تحقیقات تهران، دانشگاه آزاد اسلامی، تهران، ایران.
2- گروه جغرافیای طبیعی، دانشگاه تربیت مدرس، تهران، ایران ،farajzam@modares.ac.ir
3- دانشیار گروه جغرافیا، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران
2- گروه جغرافیای طبیعی، دانشگاه تربیت مدرس، تهران، ایران ،
3- دانشیار گروه جغرافیا، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران
چکیده: (3994 مشاهده)
محدودیت هایی مانند پوشش زمانی کم و کوچک مقیاس بودن تصویر برداری مادون قرمز حرارتی در اقلیم شناسی شهری به عنوان یک چالش علمی عصر حاضر می باشد. برای رفع این مشکل، مدل های ادغام زمانی و مکانی تصاویر مانند SADFAT در سنجش از دور مورد توجه قرار گرفته است. در تحقیق حاضر قابلیت استفاده از مدل SADFAT برای بکارگیری ویژگیهای مکانی تصاویر سنجنده OLIو زمانی سنجنده MODIS، به منظور برآوردLST های مناطق شهری، ارزیابی شده است. داده های ورودی به مدل شامل رادیانس حرارتی تصاویر مودیس و لندست و باند قرمز و مادون قرمز نزدیک لندست جهت پیش بینی دمای سطح روزهای متوالی سال 2017 میلادی محدوده شهر تهران می باشد. الگوریتم با بکارگیری دو جفت تصویر مودیس و لندست در زمان مشابه و مجموعه هایی از تصاویر مودیس در زمان پیش بینی و تعیین ضریب تبدیل تغییرات رادیانس حرارتی پیکسل ناهمگن مودیس نسبت به پیکسل لندست، LST را در مناطق ناهمگن پیش بینی می کند.
برای ارزیابی نتایج مدل، تمامی پیکسل های تخمین زده شده به صورت نظیر به نظیر با پیکسل های تصویر مبنا در آن محدوده مقایسه شدند. میزان برآیند مقایسه برای روزهای فصل پاییز نشان می دهد که مدل SADFAT در این فصل بطور میانگین با ضریب همبستگی 86/0 و خطای خطای جذر میانگین مربعی 122/0 ، بالاترین دقت و در فصول دیگر با میانگین ضریب همبستگی 76/0 و خطای جذر میانگین مربعی حدود 4/0 ، دقت خوبی را ارائه نموده است . بنابراین با وجود برخی خطاهای سیستماتیک و متغیر موجود در تصاویر و اجرای الگوریتم، عملکرد این مدل برای پیش بینی LST در مقیاس زمانی روزانه و قدرت تفکیک مکانی 30 متر در شهر تهران خوب ارزیابی شد.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 | این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
