ریزمقیاس سازی داده های رطوبت خاک SMAP با استفاده از داده های سنجش از دور

رطوبت خاک به عنوان یکی از مهم ترین پارامترهای سطح زمین، نقش اساسی در هواشناسی، اقلیم شناسی، مدیریت منابع آب و مطالعات هیدرولوژیکی دارد. بااین حال، محدودیت داده های ماهواره ای با قدرت تفکیک مکانی بالا، ضرورت ریزمقیاس سازی محصولات موجود را افزایش داده است. هدف این پژوهش، ریزمقیاس سازی محصولات رطوبت خاک ماهواره ی SMAP و بهبود قدرت تفکیک مکانی آن ها به ۱ کیلومترمربع در منطقه ی یوتا در ایالات متحده ی آمریکا است. برای این منظور، دو روش مبتنی بر رگرسیون چندمتغیره و شبکه عصبی چندلایه (MLP) به کار گرفته شد. به منظور انجام این فرایند، از داده های تکمیلی شامل دمای سطح زمین (LST)، شاخص پوشش گیاهی (NDVI)، دمای درخشندگی در پلاریزاسیون های مختلف (TBH و TBV)، مدل رقومی ارتفاعی (DEM) و بازتاب مادون قرمز کوتاه موج (SWIR) از سنجنده MODIS استفاده شد. ارزیابی دقت مدل ها با استفاده از داده های زمینی شبکه SNOTEL صورت گرفت. نتایج نشان داد که هر دو روش از دقت مناسبی در تخمین رطوبت خاک برخوردارند و مقدار ضریب همبستگی (R) بین داده های برآوردشده و داده های زمینی در محدوده ی ۰.۶۳ تا ۰.۷۲ به دست آمد، درحالی که میانگین درصد خطای مطلق (MAPE) کمتر از ۳۸ درصد بود. روش MLP اندکی عملکرد بهتری نسبت به روش رگرسیون داشت، با این حال اختلاف بین دو مدل قابل توجه نبود. به طور کلی، یافته ها نشان دادند که هر دو روش رگرسیون و شبکه عصبی MLP قادر به ریزمقیاس سازی موثر رطوبت خاک در منطقه ی یوتا هستند و می توان از آن ها برای پایش دقیق تر تغییرات رطوبت خاک در مناطق نیمه خشک بهره گرفت.

کلیدواژه ها:

رطوبت خاک ، رگرسیون ، ریز مقیاس سازی ، سنجش از دور ، شبکه عصبی ، ماهواره SMAP