تخمین و تولید نقشه دمای سطح زمین با ترکیب داده های Sentinel-۲ و LiDAR

برآورد دقیق دمای سطح زمین (LST) برای پایش محیطی و مدیریت شهری اهمیت فراوانی دارد. در این پژوهش با استفاده از داده های ماهواره ای Sentinel-۲، داده های ارتفاعی LiDAR و تصاویر حرارتی Landsat، مدل های یادگیری ماشین XGBoost و Random Forest برای برآورد دمای سطح زمین در بخشی از شهر Grande Prairie کانادا توسعه یافتند. دمای سطح زمین استخراج شده از تصاویر حرارتی لندست به عنوان متغیر وابسته در مدل های رگرسیونی به کار رفت و شاخص های طیفی Sentinel-۲ همراه با متغیرهای توپوگرافی LiDAR به عنوان متغیرهای مستقل مورد استفاده قرار گرفتند. برای ارزیابی عملکرد مدل ها، بخشی از داده های لندست به صورت مستقل برای اعتبارسنجی کنار گذاشته شد. نتایج نشان داد مدل XGBoost با دقت بالاتری نسبت به Random Forest قادر به تخمین دمای سطح زمین است؛ به طوری که مقادیر R² = ۰.۵۷، RMSE = ۱.۲۲ و MAPE = ۳.۶۳ به دست آمدند. این رویکرد منجر به افزایش تفکیک مکانی نقشه های دمای سطح زمین از ۳۰ متر به ۱۰ متر شد. یافته ها بیانگر آن است که ترکیب داده های اپتیکی و ارتفاعی در کنار الگوریتم های یادگیری ماشین می تواند رویکردی موثر برای تولید نقشه های دقیق دمای سطح زمین در مقیاس شهری فراهم کند.

کلیدواژه ها:

دمای سطح زمین ، Sentinel-۲ ، LiDAR ، XGBoost ، Random Forest ، شاخص های طیفی ، متغیرهای توپوگرافی