انجمن سنجش از دور ایران / دانشگاه شهید بهشتی نشریه سنجش از دور و GIS ایران 2008-5966 17 4 2026 01 21 Evaluation of the Performance of the Singular Spectrum Analysis (SSA) Algorithm in Reconstructing Missing Data with Different Intensities in the Hourly Land Surface Temperature Time Series ارزیابی عملکرد الگوریتم تحلیل طیفی منفرد در بازسازی داده‌های ازدست‌رفته با شدت‌های متفاوت در سری زمانی ساعتی دمای سطح زمین 39 58 104819 10.48308/gisj.2024.235694.1219 FA هادی زارع خورمیزی گروه احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران محمد جعفری گروه احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران حمید رضا غفاریان مالمیری گروه جغرافیا، بخش برنامه‌ریزی محیطی، دانشگاه یزد، یزد، ایران. علی طویلی گروه احیا مناطق خشک و کوهستانی، دانشکده منابع طبیعی دانشگاه تهران، کرج، ایران. حمیدرضا کشتکار گروه احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران. Journal Article 2024 05 15 Introduction and Purpose: Generating Land Surface Temperature (LST) data with temporal and spatial continuity is in great demand for hydrology, meteorology, ecology, environment, and, etc. studies. Approximately, 60 to 75 percent of the Earth is covered by clouds at any given moment. Therefore, clouds, by creating an obstacle, absorb part of the thermal energy emitted from the earth by affecting thermal infrared energy, creating gaps and outliers in LST time series data. Removing the effect of cloud cover is always a common problem in the field of using satellite images. The purpose of this research is to evaluate the performance of Multi-channel Singular Spectrum Analysis (M-SSA) in order to reconstruct gaps and remove outlier data due to the cloud coverage in the hourly LST time series of the Meteosat-9 satellite. Materials and Methods: The study area in the present research was whole Iran. Also, the hourly LST time series of the SEVIRI sensor from the Meteosat-9 geostationary satellite in 2022 was used. At first, using SSA software and the Monte Carlo test, the window size and the number of significant components of an hourly LST time series were determined. Then, using the identified significant components, LST time series were reconstructed using M-SSA algorithm. Reconstruction error in clear sky conditions with available time series data and reconstruction error in cloudy sky conditions by creating artificial missing data (artificial cloud) with intensities of 10, 20, 30, ..., 90% in time series were evaluated using root mean square error (RMSE) and coefficient of determination (R2) statistics. Results: On average, in Iran, 25.5% of the hourly LST time series in 2022 was lost due to cloud cover, and the highest percentage of lost data was observed at the edge of the Caspian Sea. The results of analyzing the annual hourly LST time series in a window size of 96 hours with the Monte Carlo test showed that components 1 to 5 are significant components of this time series. These components control 97.5% of the LST time series variance. The frequency of the first, second-third, and fourth-fifth components are respectively 0, 0.042 and 0.083 cycles per image. The first component indicates annual periodic changes, the second and third components indicate 24-hour or daily temperature changes, and the fourth and fifth components indicate 12-hour periodic temperature changes. Based on the results, the RMSE and the R2 between the original and the reconstructed data in clear sky conditions were 1.38 and 0.99 Kelvin, respectively. Also, in cloudy sky conditions, the RMSE error up to the level of 80% of randomly lost data (artificial cloud) was always less than 2.1 Kelvin. Discussion and Conclusion: The main key to reconstructing time series with periodic behavior is to identify significant periodic components and trends. In hourly LST time series, annual, 24-, 12- and 8-hour periods are the most important components of the time series. These components are formed due to the rotation of the earth around itself and the sun and the deviation of its axis. Therefore, these components are generally the same for the reconstruction of hourly LST time series in the major part of the globe. Based on the findings, M-SSA algorithm can be effective in reconstructing lost data with large distance in LST time series due to consideration of periodic components and trends as well as using temporal and spatial correlation. One of the significant cases in reconstructing the effect of cloud cover in the present study and many other studies is the reconstruction of LST with the clear sky condition. Therefore, reconstruction of LST under cloud cover can be a challenge and suggestion for further studies in the future. مقدمه و هدف: تولید داده‌های دمای سطح زمین (LST) با پیوستگی زمانی و مکانی، برای مطالعات هیدرولوژی، هواشناسی، اکولوژی، زیست‌محیطی و دیگر موارد، تقاضای چشمگیری دارد. تقریباً 60 تا 75% کرۀ زمین در هر لحظه با ابرها پوشیده می‌شود؛ بنابراین ابرها، با ایجاد مانعی، باعث جذب بخشی از انرژی حرارتی بازتاب‌یافته از زمین می‌شوند و با تأثیر در انرژی فروسرخ حرارتی، سبب ایجاد داده‌های از دست‌رفته و نامعتبر در سری‌های زمانی LST می‌شوند. رفع اثر پوشش ابر همواره مسئله‌ای رایج درزَمینۀ استفاده از تصاویر ماهواره‌ای است. هدف از پژوهش حاضر ارزیابی عملکرد الگوریتم تحلیل طیفی منفرد– چندکاناله (M-SSA)، به‌منظور بازسازی داده‌های ازدست‌رفته و دورافتاده با استفاده از پوشش ابر در سری‌ زمانی LST ساعتی ماهوارۀ Meteosat-9 است. مواد و روش‌ها: منطقۀ مطالعاتی، در پژوهش حاضر، کشور ایران در نظر گرفته شد و نیز از سری زمانی LST ساعتی سنجندۀ SEVIRI از ماهوارۀ زمین‌ثابت Meteosat-9 در سال 2022 استفاده شد. در ابتدا، با استفاده از نرم‌افزار SSA و آزمون مونت کارلو، اندازۀ پنجره و تعداد مؤلفه‌های معنی‌دار یک سری زمانی LST ساعتی تعیین شد. سپس با استفاده از مؤلفه‌های معنی‌دار شناسایی‌شده و نیز الگوریتم M-SSA، سری‌های زمانی LST بازسازی شد. خطای بازسازی در شرایط آسمان صاف، با داده‌های موجود سری زمانی و خطای بازسازی در شرایط آسمان ابری، ازطریق ایجاد داده‌های ازدست‌رفتۀ مصنوعی (ابر مصنوعی) با شدت‌های 10، 20، 30، ...، 90% در سری زمانی، با استفاده از آماره‌های خطای جذر میانگین مربعات (RMSE) و ضریب تبیین (R2) اندازه‌گیری شد. نتایج: به‌طور میانگین، در سطح ایران، 5/25% از سری زمانی LST ساعتی در سال 2022 به‌دلیل پوشش ابر از دست ‌رفته است که بیشترین میزان داده‌های ازدست‌رفته در حاشیۀ دریای خزر مشاهده شد. نتایج تحلیل سری زمانی LST ساعتی سالیانه در اندازۀ پنجرۀ 96ساعته با آزمون مونت کارلو نشان داد مؤلفه‌های 1 تا 5 جزء مؤلفه‌‌های معنی‌دار این سری زمانی‌اند. این مؤلفه‌ها 5/97% از تغییرات سری زمانی LST را در کنترل دارند. فرکانس‌ مربوط به مؤلفه‌های اول، دوم با سوم، چهارم با پنجم به‌ترتیب 0، 042/0 و 083/0 سیکل بر تصویر است. مؤلفۀ اول تغییرات دوره‌‌ای سالیانه، مؤلفۀ دوم با سوم تغییرات دوره‌ای 24ساعته یا روزانۀ دما، و مؤلفۀ چهارم با پنجم تغییرات دوره‌ای‌ 12ساعتۀ دما را نشان می‌دهد. براساس نتایج، RMSE و R2 بین داده‌های موجود و داده‌های بازسازی‌شدۀ سری زمانی LST ساعتی با استفاده از الگوریتم M-SSA، در شرایط آسمان صاف، به‌ترتیب 38/1 کلوین و 99/0 بود. همچنین در شرایط آسمان ابری، خطای RMSE تا سطح 80% دادۀ ازدست‌رفته به‌صورت تصادفی (ابر مصنوعی) همواره کمتر از 1/2 کلوین بود. بحث و نتیجه‌گیری: کلید اصلی بازسازی سری‌های زمانی، با رفتار دوره‌ای، شناسایی مؤلفه‌های معنی‌دار دوره‌ای و روندهاست. در سری‌های زمانی LST ساعتی، دوره‌های سالیانه، 24، 12 و 8ساعته از مهم‌ترین مؤلفه‌های سری زمانی‌اند. این مؤلفه‌ها از چرخش زمین به دور خود و خورشید و انحراف محور آن شکل می‌گیرند. بنابراین، این مؤلفه‌ها اغلب برای بازسازی سری‌های زمانی LST ساعتی در بیشتر بخش‌های کرۀ زمین، یکسان‌اند. براساس یافته‌ها، الگوریتم M-SSA با توجه به در نظر گرفتن مؤلفه‌های دوره‌ای و روندها و همچنین استفاده از همبستگی زمانی و مکانی، می‌تواند در بازسازی داده‌های ازدست‌رفتۀ دارای فاصلۀ بزرگ در سری‌های زمانی LST مؤثر باشد. یکی از موارد شایان توجه در بازسازی اثر پوشش ابر، در پژوهش حاضر و بسیاری از پژوهش‌های دیگر، بازسازی دمای سطح زمین با شرط آسمان صاف است. بنابراین بازسازی دمای سطح زمین زیر پوشش ابر می‌تواند چالش و پیشنهادی برای مطالعات بیشتر در آینده باشد.

https://gisj.sbu.ac.ir/article_104819_9e7ed42b9d31ef50ef8c9996f51eaa2b.pdf