بازسازی دادههای دمای سطح زمین سنجندهی ECOSTRESS با استفاده از یادگیری عمیق و رگرسیون بردار پشتیبان (مطالعه موردی: آبخیزهای بار-اریه و لتیان) | ||
| نشریه سنجش از دور و GIS ایران | ||
| مقاله 3، دوره 17، شماره 3 - شماره پیاپی 67، 1404، صفحه 33-54 اصل مقاله (3.1 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.48308/gisj.2024.233210.1180 | ||
| نویسندگان | ||
| فروغ احمدینژاد باغبان؛ وحید موسوی* ؛ دکتر حمیدرضا مرادی | ||
| گروه علوم و مهندسی آبخیزداری، دانشکده منابع طبیعی و علوم دریایی دانشگاه تربیت مدرس، مازندران، ایران | ||
| چکیده | ||
| سابقه و هدف : دمای سطح زمین یک متغییر کلیدی در برنامهریزی ناحیهای و منطقهای میباشد باتوجه به اهمیت دمای سطح زمین در مطالعات تغییرات اقلیمی، مدلسازی هیدرولوژیکی، نظارت بر پوشش گیاهی، جزیره گرمای شهری، توسعهی شهری،گرمایش جهانی، شرایط کشاورزی و همچنین تأثیر آن بر نرخ و زمان رشد گیاهان پارامتر ورودی به اکثر مدلها است؛ هرچه دقت تخمین این متغیر بالاتر باشد خروجی مدل نیز همراه با دقت بالاتری خواهد بود؛ بنابراین مطالعه بهینه و مناسب تغییرات مکانی و زمانی دمای سطح زمین در شرایط جوی و آب و هوایی متفاوت ضروری است.با توجه به محدودیت ایستگاههای هواشناسی، سنجش از دور میتواند به عنوان پایه و اساس بسیاری از دادههای هواشناسی مورد استفاده قرار گیرد. دمای سطح زمین در تصاویر ماهوارهای شامل میانگین دمای پیکسلی است که پوشش دهنده بخشی از سطح زمین بوده و بر اساس انرژی رسیده به سنجنده (رادیانس) در باند حرارتی محاسبه می شود. از این رو عدم وجود قدرت تفکیک زمانی و مکانی بالای دادههای ماهوارهای بهطور همزمان یک چالش اساسی در بررسی و تخمین متغیر دما مطرح میگردد. مواد و روشها : در این مطالعه سعی شد با استفاده از روش یادگیری عمیق و یادگیری ماشین، از تصاویر ماهوارهای MODIS، VIIRS و ECOSTRESS استفاده و نقشههای روزانه دمای سطح زمین سنجندهی ECOSTRESS با قدرت تفکیک مکانی 70 متر در زمانهای فاقد داده در آبخیز بار-اریه نیشابور استان خراسان رضوی و آبخیز سد لتیان در استان تهران تولید گردد. مدلهای مورد استفاده در پژوهش شامل مدل SVR بهعنوان یک مدل محبوب یادگیری ماشین در زمینههای پیشبینی و رگرسیون و مدل LSTM یکی از قویترین مدلهای یادگیری عمیق در حوزه پردازش سری های زمانی میباشند. برای این منظور سه جفت تاریخ برای هرحوضه (شش تاریخ) انتخاب شد. تصاویر هر جفت داده به طور همزمان دراختیار مدلها قرار گرفتند. درنهایت با استفاده از آمارههای RMSE، و NRMSE عملکرد هر مدل در هر تاریخ مورد ارزیابی قرار گرفت. نتایج و بحث: بررسی ضرایب RMSE ، و NRSME مربوط به مدل LSTM و SVR برای هر دو منطقه نشاندهندهی برتری عملکرد مدل LSTM بود. بهترین نتیجه RMSE ، و NRMSE حاصل از مدل LSTM برای آبخیز بار-اریه در تاریخهای 17 ژوئن 2020 به ترتیب 81/1 درجه سانتیگراد، 66/0 و 94/11 درصد و در حوزه آبخیز لتیان برای تاریخ 28 ژوئن 2019 به ترتیب حدود 61/1 درجه سانتیگراد، 83/0 و 65/8 درصد بود. مدل LSTM با توجه به ساختار، ویژگیهای خود و بهعنوان یک مدل یادگیری عمیق قوی با استخراج ویژگی از درون دادههای خام با درنظر گرفتن ماهیت سری زمانی بودن دادهها توانست بر پیچیدگیهای فرآیند تحت مدلسازی غلبه نماید.ذکر این نکته ضروری است که با درنظرگرفتن پیچیدگی فرآیند و متنوع بودن عوامل موثر بر دمای سطح زمین نتایج بهدست آمده از دقت و صحت قابل قبولی برخوردار هستند. بازسازی و پیشبینی دمای سطح زمین برای 3 الی4 روز بعد انجام شده است (با توجه به فاصله زمانی بین دو تصویر متوالی ECOSTRESS). تنوع و جزئیات رویدادهایی که در این زمان میتواند رخ دهد گواهی دیگر بر مناسب بودن نتایج و کارایی مدل LSTM است. نتیجهگیری: بررسی نتایج و مقادیر بهعنوان یک معیار استاندارد برای ارزیابی تحلیلهای رگرسیون، و نیز مقادیر RMSE و NRMSE نشان از برتری مدل LSTM در بازسازی مقادیر دمای سطح زمین ECOSTRESS میباشد. با توجه به دامنه تغییرات و مولفههای موثر، دمای سطح زمین در تاریخهای مورد بازسازی بین صفر تا بعضا نزدیک به 35 درجه سانتیگراد تغییر نمود، مقدار RMSE (نشان دهنده متوسط خطای مدل ) برای مدل LSTM بین حدود 1.5 تا 3 درجه سانتیگراد بوده که قابل قبول و مناسب به نظر میرسد. مقادیر نرمال شده RMSE یا همان NRMSE نیز در اغلب تاریخها بین 8 تا 17 درصد بوده که در مدلسازیهای محیطی با توجه به پیچیدگیهای بالای فرآیندها مقادیر قابل قبولی میباشند. | ||
| کلیدواژهها | ||
| دمای سطح زمین؛ سنجش از دور؛ مدلسازی دما؛ یادگیری عمیق | ||
| عنوان مقاله [English] | ||
| Reconstruction of ECOSTRESS Land Surface Temperature Using Deep Learning and Support Vector regression (Case study: Bar-Arieh and Latian watersheds) | ||
| نویسندگان [English] | ||
| Forough Ahmadinezhad Baghban؛ Vahid Moosavi؛ Hamid Reza Moradi | ||
| Department of Watershed Management Engineering, Faculty of Natural Resources and Marine Sciences, Tarbiat Modares University, Tehran, Iran | ||
| چکیده [English] | ||
| Introduction: Land surface temperature (LST) is a critical variable in regional and local planning, playing a key role in climate change studies, hydrological modeling, vegetation monitoring, urban heat island effects, urban development, global warming, agricultural conditions, and influencing plant growth rates and timing. As an essential input parameter for most environmental models, the accuracy of LST estimation directly impacts the reliability of model outputs. Therefore, a precise and optimized study of the spatiotemporal variations of LST under different weather and climatic conditions is necessary. However, due to the limited coverage of meteorological stations, remote sensing serves as a fundamental tool for acquiring large-scale meteorological data. LST derived from satellite imagery represents the average pixel temperature over a specific land surface area, calculated based on the thermal band radiance detected by the sensor. Despite its advantages, a major challenge in LST estimation is the lack of simultaneous high temporal and spatial resolution in satellite data, which complicates accurate temperature analysis. Materials and Methods: This study utilized deep learning and machine learning techniques to generate daily LST maps from MODIS, VIIRS, and ECOSTRESS satellite imagery, focusing on data-gap periods in two watersheds: Bar-Arieh (Neyshabur, Razavi Khorasan Province) and Latyan Dam (Tehran Province). The ECOSTRESS sensor, with a high spatial resolution of 70 meters, was selected for its ability to provide detailed LST measurements. However, due to temporal gaps in ECOSTRESS data, reconstruction was necessary. Two prominent models were employed: Support Vector Regression (SVR), a widely used machine learning model for regression tasks, and Long Short-Term Memory (LSTM), a powerful deep learning model specialized in processing sequential and time-series data. For each watershed, three pairs of dates (six dates in total) were selected, ensuring that the images were temporally aligned for model training and validation. The models were fed with corresponding satellite data from MODIS, VIIRS, and ECOSTRESS to predict missing LST values. Performance evaluation was conducted using three statistical metrics: Root Mean Square Error (RMSE), coefficient of determination (R²), and Normalized Root Mean Square Error (NRMSE). Results and Discussion: The comparative analysis of RMSE, R², and NRMSE values demonstrated the superior performance of the LSTM model over SVR in reconstructing LST values. In the Bar-Arieh watershed, the best results were obtained for June 17, 2020, with RMSE = 1.81°C, R² = 0.66, and NRMSE = 11.94%. For the Latyan Dam watershed, the most accurate predictions were recorded on June 28, 2019, with RMSE = 1.61°C, R² = 0.83, and NRMSE = 8.65%. The LSTM model's success can be attributed to its inherent ability to extract complex features from raw data while accounting for temporal dependencies, making it highly effective for time-series forecasting. Unlike traditional machine learning models, LSTM captures long-term patterns and nonlinear relationships within the data, enabling it to handle the inherent complexities of LST dynamics. The model's robustness was further validated by its ability to reconstruct LST for periods with missing data (3–4 days ahead), accounting for the temporal intervals between successive ECOSTRESS overpasses. Despite the challenges posed by the variability of factors influencing LST—such as land cover changes, atmospheric conditions, and diurnal temperature fluctuations—the model's predictions remained within an acceptable error range. The RMSE values (ranging between 1.5°C and 3°C) indicate a reasonably accurate estimation, given the natural variability of LST (0°C to nearly 35°C in the study areas). Additionally, the NRMSE values (mostly between 8% and 17%) confirm the model's reliability, especially considering the complexity of environmental processes. Conclusion: The study highlights the effectiveness of deep learning, particularly the LSTM model, in reconstructing high-resolution LST data from multi-sensor satellite imagery. The evaluation metrics (R², RMSE, and NRMSE) consistently demonstrated LSTM's superiority over SVR, reinforcing its suitability for time-series-based environmental modeling. Given the dynamic nature of LST and the multitude of influencing factors, the model's ability to maintain low error margins (RMSE ~1.5–3°C) and high explanatory power (R² up to 0.83) underscores its potential for operational use in remote sensing applications. Furthermore, the normalized error values (NRMSE between 8% and 17%) suggest that the model performs reliably even under complex environmental conditions. These results are particularly significant for applications requiring high spatiotemporal resolution LST data, such as urban heat island monitoring, precision agriculture, and climate change studies. Future research could explore the integration of additional satellite datasets or hybrid modeling approaches to further enhance prediction accuracy. Overall, this study provides a robust framework for LST estimation in data-scarce scenarios, contributing to improved environmental monitoring and decision-making processes. | ||
| کلیدواژهها [English] | ||
| Land Surface Temperature (LST), Remote Sensing, Temperature Modeling, Deep Learning | ||
|
سایر فایل های مرتبط با مقاله
|
||
| مراجع | ||
|
Anderson, M.C., Yang, Y., Xue, J., Knipper, K.R., Yang, Y., Gao, F. & Rey-Sanchez, C., 2021, Interoperability of ECOSTRESS and Landsat for Mapping Evapotranspiration Time Series at Sub-Field Scales, Remote Sensing of Environment, 252, PP. 112-189, https://doi.org/10.1016/j.rse.2020.112189.
Bakhshi, E. & Khalookakaei, R., 2010, Application of Artificial Neural Networks in Remote Sensing, Geomatics Conference, Tehran.https://civilica.com/doc/102419.
Bazrgar Bajestani, A. & Tayebi, M., 2021, Presentation of a New Method for the Fusion of Spatial-Temporal Land Surface Temperature Products of ASTER and MODIS Sensors Based on a Two-Dimensional Stationary Wavelet Transform, Iranian Journal of Remote Sensing and GIS, 12(4), PP. 93-114, https://doi: 10.52547/gisj.12.4.93.
Dastjerdi, F., Azarakhshi, M. & Bashiri, M., 2019, Comparison of Efficiency for Hydrological Models (AWBM & SimHyd) and Neural Network (MLP & RBF) in Rainfall–Runoff Simulation (Case Study: Bar Aryeh Watershed -Neyshabur), Jwmseir, 13(45), PP. 107-117, DOI: 20.1001.1.20089554.1398. 13.45.13.7 (In Persian).
Dehid Havei, H., 2020, Forecasting Crude Oil Prices Using Improved DeepBelief Network (IDBN) And Long-Term Short-Term.emory Network (LSTM), Imam Reza International University.
Ebahrami, S., Amir-Ahmadi, A., Habibolahian, M. & Ebrahimi M., 2015, Analyzing the Criticality Related to the Landslide Incidence Using the Probability Models for the Weight to Evidence (Bayesian Theory) (Case Stady: Bar Basin of Neyshabur), Geography and Environmental Planning, 25(4), PP. 125-144, DOI: 20. 1001.1.20085362.1393.25.4.8.6 (In Persian).
Gerami, Z., Peyrowan, H.R. & Partovi, A., 2022, Introducing Suitable Places for Establishing Rainwater Catchment Systems in Latyan Watershed, Journal of Rainwater Catchment Systems, 9(4), PP. 33-42, 20.1001.1.24235970.1400.9.4.1.9 (In Persian).
Hadadian Sanu, H., Karimi, A., Esfandiapour Borujeni, I. & Haqnia, G., 2015, Comparing the Efficiency of RMSE and NRMSE to Calculate the Effective Error Value of Models with Different Training Data Sets, The 14th Congress of Soil Sciences of Iran.
Hajizadeh Tahan, M., Ghasemzadeh, M. & Rezaeian, M., 2020, An Evolutionary Attention-Based Deep Long Short-Term Memory for Time Series Prediction, Computational Intelligence in Electrical Engineering, 11(4), PP. 15-28, DOI: 10.22108/isee.2020.121597.1334 (In Persian). Hasanlou, M., Jamshidi, M. & Sattari, M., 2018, Urmia Lake Salinity Mapping Using Support Vector Regression and Landsatmagery, Hydrogeomorphology, 5(14), PP. 43-65, DOI: 20.1001.1.23833254. 1397.5.14.3.7 (In Persian). Hejazizadeh, Z., Ziaian, P. & Shirkhani, A., 2013, Estimation of Surface Temperature Using Thermal-Band Data in the West of Tehran Province and Qazvin, Geography, 11(38), PP. 33-49, ISSN: 2783-3739 (In Persian). Jaafar, H., Mourad, R. & Schull, M., 2022, A Global 30-m ET Model (HSEB) Using Harmonized Landsat and Sentinel-2, MODIS and VIIRS: Comparison to ECOSTRESS ET and LST, Remote Sensing of Environment, 274, P. 112995, https://doi.org/10.1016/j.rse.2022.112995. Kaffash, M. & Sanaei-Nejad, S.H., 2020, Fusion of MODIS and Landsat-8 Land Surface Temperature Images Using Spatio-Temporal Image Fusion Model, Iranian Journal of Soil and Water Research, 51(3), PP. 763-773, DOI: 10.22059/ijswr.2019. 291016.668360 (in Persian). Khalil, U., Azam, U., Aslam, B., Ullah, I., Tariq, A., Li, Q. & Lu, L., 2022, Developing a Spatiotemporal Model to Forecast Land Surface Temperature: A Way Forward for Better Town Planning, Sustainability, 14(19), P. 11873, https://doi.org/10.3390/ su141911873. Kim, H., 2022, 4 Tracing the Origins of Artificial Intelligence: A Kantian Response to McCarthy’s Call for Philosophical Help, Kant and Artificial Intelligence, 129, DOI: 10.1515/9783110706611-004 (In Book: Kant and Artificial Intelligence). Li, H., Wu, G., Xu, F. & Li, S., 2021, Landsat-8 and Gaofen-1 Image-Based Inversion Method for the Downscaled Land Surface Temperature of Rare Earth Mining Areas, Infrared Physics & Technology, 113, P. 103658, https://doi.org/10.1016/j.infrared. 2021.103658. Malik, A., Tikhamarine, Y., Souag-Gamane, D., Kisi, O. & Pham, Q.B., 2020, Support Vector Regression Optimized by Meta-Heuristic Algorithms for Daily Streamflow Prediction, Stochastic Environmental Research and Risk Assessment, 34, PP. 1755-1773, DOI: 10.1007/s00477-020-01874-1. Rawat, K.S., Sehgal, V.K. & Ray, S.S., 2019, Downscaling of MODIS Thermal Imagery, The Egyptian Journal of Remote Sensing and Space Science, 22(1), PP. 49-58, https://doi.org/10.1016/j.ejrs.2018.01.00. Salehi, H. & Shamsoddini, A., 2021, MODIS and Sentinel-2 Data Fusion For 10-m Daily Evapotranspiration Mapping, Iranian Journal of Irrigation & Drainage, 14(6), PP. 1881-1892, DOI: 20.1001.1.20087942.2021. 14.6.20.1 (In Persian). Sedighi, F., Vafakhah, M. & Javadi, M.R., 2016, Application of Artificial Neural Network for Snowmelt-Runoff (Case Study: Latyan Dam Watershed), Journal of Watershed Management Research, 6(12), PP. 43-54 (In Persian). Shao, Z., Cai, J., Fu, P., Hu, L. & Liu, T., 2019, Deep Learning-Based Fusion of Landsat-8 and Sentinel-2 Images for a Harmonized Surface Reflectance Product, Remote Sensing of Environment, 235, PP. 111-425, https://doi.org/10.1016/j.rse.2019.111425. Taei Semiromi, S., Moradi, H. & Khodagholi, M., 2014, Simulation and Prediction Some of Climate Variable by Using Multi Line SDSM and Global Circulation Models (Case Study: Bar Watershed Nayshabour), Human & Environment, 12(28, Spring 2014), PP. 1-15 (In Persian). Wang, j., Schmitz, O., Lu, M. & Karssenberg, D., 2020, Thermal Unmixing Based Downscaling for Fine Resolution Diurnal Land Surface Temperature Analysis, ISPRS Journal of Photogrammetry and Remote Sensing, 161, PP. 76-89, https://doi.org/10.1016/j.isprsjprs.2020.01.014. Xue, J., Anderson, M.C., Gao, F., Hain, C., Sun, L., Yang, Y. & Schull, M., 2020, Sharpening ECOSTRESS and VIIRS Land Surface Temperature Using Harmonized Landsat-Sentinel Surface Reflectances, Remote Sensing of Environment, 251, PP. 112-055, https://doi.org/10.1016/j.rse.2020.112055. Yan, S., 2018, Understanding LSTM and Its Diagrams, Available Online: https://medium.com/mlreview, understanding-lstm-and-its-diagrams-37e2f46f1714 (Accessed on 26 June 2018). Yasrab, R., Pound, M.P., French, A.P. & Pridmore, T.P., 2020, PhenomNet: Bridging Phenotype-Genotype Gap: A CNN-LSTM Based Automatic Plant Root Anatomization System, BioRxiv, 2020-05, https://doi.org/10.1101/2020.05.03.075184. Zhang, Q., Wang, H., Dong, J., Zhong, G. & Sun, X., 2017, Prediction of Sea Surface Temperature Using Long Short-Term Memory, IEEE Geoscience and Remote Sensing Letters, 14(10), PP. 1745-1749, DOI: 10.1109/LGRS.2017.2733548. | ||
|
آمار تعداد مشاهده مقاله: 1,472 تعداد دریافت فایل اصل مقاله: 685 |
||
