تحقیقات کاربردی علوم جغرافیایی

تحقیقات کاربردی علوم جغرافیایی

تخمین دمای هوا بر اساس پارامترهای محیطی با استفاده از داده های سنجش از دور

نویسندگان
چنور محمدی 1
منوچهر فرج زاده 1
یوسف قویدل رحیمی 1
عباسعلی علی اکبربیدختی 2
1 دانشگاه تربیت مدرس
2 دانشگاه تهران
10.29252/jgs.18.48.131
چکیده
هدف این مطالعه تخمین دمای هوای میانگین ماهانه با استفاده ازداده های دمای سطح زمین، شاخص تفاضلی نرمال شده پوشش گیاهی، عرض جغرافیایی، ارتفاع، شیب و کاربری اراضی در دوره زمانی 2015-2001 است. علیرغم برخی تشابهات فضایی بین الگوهای فضایی دمای هوا و دمای سطح زمین، این دو متغیر تغییرپذیری کاملا متفاوتی دارند بطوریکه ضریب تغییرپذیری دمای هوا چهار برابر دمای سطح زمین به دست آمد. همچنین نتایج تحلیل حاکی از این است که در زمستان ارتفاع نقش کلیدی را در توزیع پراکندگی اختلافات دمای سطح زمین ودمای هوا دارد، در حالیکه در دیگر فصول نقش شیب و پوشش گیاهی مشخص تر است. پس از مشخص کردن الگوهای فضایی دمای سطح زمین و دمای هوا، اقدام به تخمین دمای هوا از طریق مدل های رگرسیون با وضوح فضایی 0.125 درجه گردید. پایین ترین مقدار خطا در ماه های نوامبر و دسامبر با ضریب تبیین 70 درصد و خطای استاندارد 1 درجه سانتیگراد به دست آمد. همچنین حداکثر خطا در فاصله ماه های می تا آگوست با ضریب تبیین 59 تا 63 درصد و خطای استاندارد 1.6 درجه سانتیگراد محاسبه گردید که در سطوح 0.05 معنی دار هستند. به علاوه نتایج حاصل از ارزیابی هر ماه نشان داد که تخمین دمای هوا در ماه های سرد (نوامبر، دسامبر، ژانویه، و فوریه و مارس) دارای دقت بیشتری است. با در نظر گرفتن کاربری های مختلف، بالاترین ضریب تبیین به مناطق آبی و شهری با ضریب تبیین 96 تا 99 درصد در ماه های گرم و پایین ترین ضریب تبیین به جنگل مخلوط و علفزار با ضریب تبیین 15 تا 36 درصد در ماه های سرد مربوط است.
کلیدواژه‌ها
کلمات کلیدی: دمای هوا
دمای سطح زمین
کاربری اراضی
مدلهای تخمین دمای هوا
رگرسیون

عنوان مقاله English

Air temperature estimation based on environmental parameters using remote sensing data

نویسندگان English

Chenoor Mohammadi 1
Manouchehr Farajzadeh 1
Yousef Ghavdel Rahimi 1
Abbas Ali Aliakbar Bidokhti 2
1 PhD Student of climatology, Tarbiat Modares University, Tehran.
2 full Professor of Physic, Tehran University, Tehran.
چکیده English

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.

کلیدواژه‌ها English

Air temperature
land surface temperature
Land use
Estimation model
Benali A, Carvalho AC, Nunes JP, Carvalhais N, Santos A. 2012. Estimating air surface temperature in Portugal using MODIS LST data. Remote Sensing of Environment, 124:108–121.
Colombi A, De Michele C, Pepe M, Rampini A. 2007. Estimation of Daily Mean Air Temperature from Modis Lst in Alpine Areas, EARSel eProceedings 6.
Dee DP, Uppala SM, Simmons AJ, Berrisford P, Poli P, Kobayashi S, Andrae U, Balmaseda MA, Balsamo G, Bauer P, Bechtold P, Beljaars ACM, van de Berg L, Bidlot J, Bormann N, Delsol C, Dragani R, Fuentes M, Geer AJ, Haimberger L, Healy SB, Hersbach H, H´olm EV, Isaksen L, Kallberg P, Kohler M, Matricardi M, McNally AP, Monge-Sanz BM, Morcrette J-J, Park B-K, Peubey C, de Rosnay P, Tavolato C, Th´epaut J-N, Vitart F. 2011. The ERA-Interim reanalysis: configuration and performance of the data assimilation system. Quarterly Journal of the Royal Meteorological Society, 137: 553–597.
Ghasemi A. 2015. Changes and trends in maximum, minimum and mean temperature series in Iran, atmospheric science letters, 16: 366–372.
Golkar F, Sabziparvar AA, Khanbilvardi R, Nazemosadat MJ, Zand- Parsa S, Rezaei Y. 2018. Estimation of instantaneous air temperature using remote sensing data, International Journal of Remote Sensing, 39:258-275.
Guan K. 2011. Surface and ambient air temperatures associated with different ground material: a case study at the University of California, Berkeley. Surface and Air Temperatures of Ground Material
Janatian N, Sadeghi M, Sanaeinejad SH, Bakhshian E, Farid A, Hasheminia SM, Ghazanfari S. 2016. A statistical framework for estimating air temperature using MODIS land surface temperature data. International journal of climatology, 37:1181-1194.
Kawashima S, Ishida T, Minomura M, Miwa T. 2000. Relations between Surface Temperature and Air Temperature on a Local Scale during Winter Nights. Journal of applied meteorology, 39:1570-1579.
Lin X, Zhang W, Huang Y, Sun W, Han P, Yu L, Sun F. 2016. Empirical Estimation of Near-Surface Air Temperature in China from MODIS LST Data by Considering Physiographic Features, Remote Sens. 2016, 8, 629; doi:10.3390/rs8080629.
Liu S, Su H, Zhang R, Tian J, Wang W. 2016. Estimating the Surface Air Temperature by Remote Sensing in Northwest China Using an Improved Advection-Energy Balance for Air Temperature Model, Advances in Meteorology, http://dx.doi.org/10.1155/2016/4294219.

Mildrexler DJ, Zhao M, Running SW. 2011. A global comparison between station air temperatures and MODIS land surface temperatures reveals the cooling role of forests. Journal of Geophysical Research, 116(G3).
Moradi M. Salahi B, Masoodian S.A. 2016. Land Surface Temperature Zoning of Iran with MODIS data, Journal of Natural Environment, 5:101-116.
Na F, Gaodi X, Wenhua L, Yajing Z, Changshun Z and Na L. 2014. Mapping Air Temperature in the Lancang River Basin Using the Reconstructed MODIS LST Data, Journal of Resources and Ecology, 5(3):253-262.
Noi Phan T, Kappas M, Degener J. 2017. Different combination of MODIS land surface temperature data for daily air surface temperature estimation in North West Vietnam. Geophysical Research Abstracts, Vol. 19, EGU2017-5213-1, 2017.
Peón J, Recondo C, Calleja J.F. 2014. Improvements in the estimation of daily minimum air temperature in peninsular Spain using MODIS land surface temperature, International Journal of Remote Sensing, 35:5148-5166.
Pepin N, Bradley RS, Diaz HF, Baraer M, Caceres EB, Forsythe N, Fowler H, Greenwood G, Hashmi MZ, Liu XD, Miller JR, Ning L, Ohmura A, Palazzi E, Rangwala I, Schöner W, Severskiy I, Shahgedanova M, Wang MB, Williamson SN, Yang DQ. 2015. Elevation-dependent warming in mountain regions of the world. Natural Climate Chang, 5:424–430. https://doi.org/10.1038/ NCLIMATE2563
Revadekar JV, Hameed S, Collins D, Manton M, Sheikh M, Borgaonkar HP, Kothawale DR, Adnan M, Ahmed AU, Ashraf J, Baidya S, Islam N, Jayasinghearachchi D, Manzoor N, Premalal KHMS, Shresht ML. 2013. Impact of altitude and latitude on changes in temperature extremes over South Asia during 1971–2000, International journal of climatology. 33:199–209.

Rhee J, Im J. 2014. Estimating High Spatial Resolution Air Temperature for Regions with Limited in situ Data Using MODIS Products, Remote Sensing Journal. 6, 7360-7378; doi:10.3390/rs6087360.
Shah DB, Pandya M R, Trivedi HJ, Jani AR. 2013. Estimating minimum and maximum air temperature using MODIS data over Indo-Gangetic Plain. Journal of Earth System Science. 122:1593–1605.
Shen S, Leptoukh GG. 2011. Estimation of surface air temperature over central and eastern Eurasia from MODIS land surface temperature. Environmental Research Letters, 6:1-8.
Shi L, Liu P, Kloog I, Lee M, Kosheleva A, Schwartz J. 2016. Estimating daily air temperature across the Southeastern United States using high-resolution satellite data: A statistical modeling study. Environmental Research, 146:51–58.
Shi Y, Jiang Z, Dongi L, Shen S. 2017. Statistical Estimation of High-Resolution Surface Air Temperature from MODIS over the Yangtze River Delta, China. Journal of Meteorological Research, 31:448.454.
Sun H, Chen Y, Gong A, Zhao X, Zhan W, Wang M. 2013. Estimating mean air temperature using MODIS day and night land surface temperatures. Theoretical and Applied Climatology, 118: 81-92.
Vancutsem C., Ceccato P, Dinku T, Connor SJ. 2010. Evaluation of MODIS land surface temperature data to estimate air temperature in different ecosystems over Africa. Remote Sensing of Environment, 114:449-465.
Wenbin Z, Aifeng L, Shaofeng J. 2013. Estimation of daily maximum and minimum air temperature using MODIS land surface temperature products. Remote Sensing of Environment, 130:62-73.
Yang YZ, Cai WH, Yang J. 2017. Evaluation of MODIS Land Surface Temperature Data to Estimate Near-Surface Air Temperature in Northeast China, Remote Sensing Journal, 9(5), 410; doi:10.3390/rs9050410.
Zhou W, Peng B, Shi, J., Wang T, Dhital YP,Yao R, Yu Y, Lei Z, Zhao R. 2017. Estimating High Resolution Daily Air Temperature Based on Remote Sensing Products and Climate Reanalysis Datasets over Glacierized Basins: A Case Study in the Langtang Valley, Nepal, Remote Sensing Journal. 9, 959; doi:10.3390/rs909095.