ارزیابی الگوریتم SPA و امکان‌سنجی استفاده از برو‌نداد مدل MM5 برای تخمین داده‌های مفقود ناشی از ابر‌ناکی در تصاویرLST مودیس

جغرافیا و مخاطرات محیطی

مقاله 8، دوره 8، شماره 2 - شماره پیاپی 30، تیر 1398، صفحه 133-147   

نوع مقاله: پژوهشی

شناسه دیجیتال (DOI): 10.22067/geo.v0i0.65717

نویسندگان

نگار سیابی؛ سید حسین ثنایی نژاد^* ؛ بیژن قهرمان

دانشگاه فردوسی مشهد

چکیده

روش‌های اندکی به امکان‌سنجی استفاده از برونداد مدل‌های پیش‌بینی عددی در تخمین مقادیر از دست‌رفته تصاویر سنجش‌ازدور پرداخته‌اند. بدین منظور در تحقیق حاضر علاوه بر ارزیابی الگوریتم SPA در بازسازی تصاویر، امکان‌ استفاده از برونداد مدل پیش‌بینی عددی MM5 در تخمین مقادیر مفقود تصاویر سنجش‌ازدور بررسی شد. این مطالعه با استفاده از سری زمانی تولیدات LST مودیس در سال‌های 2000 تا 2010 میلادی و برای منطقه شمال شرق ایران انجام شده است. نتایج شبیه‌سازی‌ها بر اساس شاخص‌های اعتبارسنجی RMSE، AD و R2 با یکدیگر مقایسه شدند. ارزیابی‌های کمی نشان دادند که روش SPA با مقدار میانگین خطای 48/1 درجه سلسیوس، 95/1= RMSE و 79/0=R2 دقت مناسب و عملکرد خوبی در تخمین مقادیر مفقود دارد. اعتبار‌سنجی و مقایسه الگوریتم‌ها در حالت پایه (آزمون 1) و حالت استفاده از برو‌نداد مدل MM5 (آزمون 2) نشان دادند که در صورت نبود تصاویر کمکی مناسب سنجش‌ازدور می‌توان از خروجی مدل‌ MM5 در الگوریتم‌های هیبرید و بازسازی تصاویر استفاده نمود. ارزیابی بصری تصاویر بازسازی شده نشان داد که اجرای الگوریتم SPA برای هر دو آزمون، در بافت تصاویر مورد مطالعه الگوی مکانی مصنوعی ایجاد نکرد و روند تغییرات مکانی LST حفظ شد.
روش‌های اندکی به امکان‌سنجی استفاده از برونداد مدل‌های پیش‌بینی عددی در تخمین مقادیر از دست‌رفته تصاویر سنجش‌ازدور پرداخته‌اند. بدین منظور در تحقیق حاضر علاوه بر ارزیابی الگوریتم SPA در بازسازی تصاویر، امکان‌ استفاده از برونداد مدل پیش‌بینی عددی MM5 در تخمین مقادیر مفقود تصاویر سنجش‌ازدور بررسی شد. این مطالعه با استفاده از سری زمانی تولیدات LST مودیس در سال‌های 2000 تا 2010 میلادی و برای منطقه شمال شرق ایران انجام شده است. نتایج شبیه‌سازی‌ها بر اساس شاخص‌های اعتبارسنجی RMSE، AD و R2 با یکدیگر مقایسه شدند. ارزیابی‌های کمی نشان دادند که روش SPA با مقدار میانگین خطای 48/1 درجه سلسیوس، 95/1= RMSE و 79/0=R2 دقت مناسب و عملکرد خوبی در تخمین مقادیر مفقود دارد. اعتبار‌سنجی و مقایسه الگوریتم‌ها در حالت پایه (آزمون 1) و حالت استفاده از برو‌نداد مدل MM5 (آزمون 2) نشان دادند که در صورت نبود تصاویر کمکی مناسب سنجش‌ازدور می‌توان از خروجی مدل‌ MM5 در الگوریتم‌های هیبرید و بازسازی تصاویر استفاده نمود. ارزیابی بصری تصاویر بازسازی شده نشان داد که اجرای الگوریتم SPA برای هر دو آزمون، در بافت تصاویر مورد مطالعه الگوی مکانی مصنوعی ایجاد نکرد و روند تغییرات مکانی LST حفظ شد.

کلیدواژه‌ها

ابر‌ناکی؛ الگوریتم؛ داده مفقود؛ LST؛ MM5

مراجع

Addink, E.A., 1999. A comparison of conventional and geostatistical methods to replace clouded pixels in NOAA–AVHRR images. International Journal of Remote Sens, 20: 961– 977.

Ahmadian, J., Sheibani, D., Iraqi, H., Shirmohammadi, R., & Mojarad, M., 2002. agricultural Classification of climate for sustainable water resources management in developing countries. P. 593-605. Eleventh Meeting of the National Committee on Irrigation and Drainage, January 2002, Tehran, Iran.

Boegh, E., Soegaard, H., Christensen, J.H., Hasager, C.B., Jensen, N.O., Nielsen, N.W. and Rasmussen, M.S., 2004. Combining weather prediction and remote sensing data for the calculation of evapotranspiration rates: application to Denmark. International Journal of Remote Sensing, 25(13): 2553-2574.

Brooks, E.B., Thomas, V.A., Wynne, R.H. and Coulston, J.W., 2012. Fitting the multitemporal curve: A Fourier series approach to the missing data problem in remote sensing analysis. IEEE Transactions on Geoscience and Remote Sensing, 50(9): 3340-3353.

Chan, T., and Shen, J., 2001. Nontexture inpainting by curvature-driven diffusions. Journal of Visual Communication and Image Representation, 4: 436-449

Chen, J., Jönsson, P., Tamura, M., Gu, Z., Matsushita, B. and Eklundh, L., 2004. A simple method for reconstructing a high-quality NDVI time-series data set based on the Savitzky–Golay filter. Remote sensing of Environment, 91(3): 332-344.

Chen, J., Zhu, X., Vogelmann, J.E., Gao, F. and Jin, S., 2011. A simple and effective method for filling gaps in Landsat ETM+ SLC-off images. Remote Sensing of Environment, 115(4): 1053-1064

Ferguson, C.R. and Wood, E.F., 2010. An evaluation of satellite remote sensing data products for land surface hydrology: Atmospheric infrared sounder. Journal of Hydrometeorology, 11(6): 1234-1262.

Gao, Y. and Mas, J.F., 2008. A comparison of the performance of pixel-based and object-based classifications over images with various spatial resolutions. Online journal of earth sciences, 2(1): 27-35.

Gerber, F., Furrer, R., Schaepman-Strub, G., de Jong, R. and Schaepman, M.E., 2016. Predicting missing values in spatio-temporal satellite data. arXiv preprint arXiv:1605.01038.

Grell G A, Dudhia J, Staurer F R. 1995. A description of the fifth-generation Penn State/NCAR mesoscale model (MM5). NCAR Tech Note NCAR/TN- 398 +STR. 122, Boulder, Colorado [EB/OL]. http://www.mmm.ucar.edu/mm5/doc1.html/2003-07-19

Hengl, T.G.B., Heuvelink, M. Perˇcec Tadi´c, and E.J. Pebesma. 2012. Spatio-temporal prediction of daily temperatures using time-series of MODIS LST images. Journal of Theor. Appl. Climatol, 107: 265–277.

Jang, K., Kang, S., Kim, J., Lee, C.B., Kim, T., Kim, J., Hirata, R. and Saigusa, N., 2010. Mapping evapotranspiration using MODIS and MM5 four-dimensional data assimilation. Remote Sensing of Environment, 114(3): 657-673.

Kandasamy, S., Baret, F., Verger, A., Neveux, P. and Weiss, M., 2013. A comparison of methods for smoothing and gap filling time series of remote sensing observations–application to MODIS LAI products. Biogeosciences, 10(6): 4055-4071.

Kilibarda, M., Hengl, T., Heuvelink, G., Gräler, B., Pebesma, E., Perčec Tadić, M. and Bajat, B., 2014. Spatio‐temporal interpolation of daily temperatures for global land areas at 1 km resolution. Journal of Geophysical Research: Atmospheres, 119(5):2294-2313.

Li, Z.L., Tang, B.H., Wu, H., Ren, H., Yan, G., Wan, Z., Trigo, I.F. and Sobrino, J.A., 2013. Satellite-derived land surface temperature: Current status and perspectives. Remote Sensing of Environment, 131: 14-37.

Lloyd, C.D. and Atkinson, P.M., 2002. Deriving DSMs from LiDAR data with kriging. International Journal of Remote Sensing, 23(12): 2519-2524.

Maxwell, S., Schmidt, G., and Storey, J., 2007. A multi-scale segmentation approach to filling gaps in Landsat ETM+SLC-off images. International Journal of Remote Sensing, 28:5339-5356.

McMillen, D.P., 2012. Quantile regression for spatial data. Springer Science & Business Media.

Meij, A.D., Gzella, A., Cuvelier, C., Thunis, P., Bessagnet, B., Vinuesa, J.F., Menut, L. and Kelder, H.M., 2009. The impact of MM5 and WRF meteorology over complex terrain on CHIMERE model calculations. Atmospheric Chemistry and Physics, 9(17): 6611-6632.

Mobasheri, M.R., Sadeghi Naeini, A., 2007. Using IRS Products to Recover 7ETM+ Defective Images. American Journal of Applied Science. 5(6): 618-625.

Mohammdy, M., Moradi, H.R., Zeinivand, H., Temme, A.J.A.M., Pourghasemi, H.R. and Alizadeh, H., 2014. Validating gap-filling of Landsat ETM+ satellite images in the Golestan Province, Iran. Arabian Journal of Geosciences, 7(9): 3633-3638.

Salomonson, V.V., Guenther, B. and Masuoka, E., 2001. A summary of the status of the EOS Terra Mission Moderate Resolution Imaging Spectroradiometer (MODIS) and attendant data product development after one year of on-orbit performance. In Geoscience and Remote Sensing Symposium, 2001. IGARSS'01. IEEE 2001 International, 3: 1197-1199. IEEE.

Savitzky, A. and Golay, M.J., 1964. Smoothing and differentiation of data by simplified least squares procedures. Analytical chemistry, 36(8): 1627-1639.

Wan, Z., Zhang, Y., Zhang, Q. and Li, Z.L., 2002. Validation of the land-surface temperature products retrieved from Terra Moderate Resolution Imaging Spectroradiometer data. Remote sensing of Environment, 83(1): 163-180.

Wan, Z., Zhang, Y., Zhang, Q., Li, Z., 2004. Quality assessment and validation of the MODIS global land surface temperature. International Journal of Remote Sensing, 25(1): 261–274.

Zeng, C., Shen, H. and Zhang, L., 2013. Recovering missing pixels for Landsat ETM+ SLC-off imagery using multi-temporal regression analysis and a regularization method. Remote Sensing of Environment, 131: 182-194.

Zhou, J., Jia, L. and Menenti, M., 2015. Reconstruction of global MODIS NDVI time series: Performance of harmonic analysis of time series (HANTS). Remote Sensing of Environment, 163: 217-228.

Zhu, X., Liu, D., and Chen, J., 2012. A new geostatistical approach for filling gaps in Landsat ETM + SLC-off images. Remote Sensing of Environment, 124: 49–60.