ارزیابی عملکرد الگوریتم تجزیه تحلیل طیفی منفرد در بازسازی داده های از دست رفته با شدت های مختلف در سری زمانی ساعتی دمای سطح زمین

مقالات آماده انتشار

نوع مقاله : علمی - پژوهشی

نویسندگان

1 دانشجوی دکتری مرتعداری، دانشگاه تهران

2 استاد گروه احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج.

3 استادیار گروه جغرافیا دانشگاه یزد

4 دانشیار گروه احیا مناطق خشک و کوهستانی، دانشکده منابع طبیعی دانشگاه تهران، ایران.

5 استادیار گروه احیاء مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران.

چکیده

مقدمه و هدف: تولید داده‌های دمای سطح زمین (LST) با پیوستگی زمانی و مکانی برای مطالعات هیدرولوژی، هواشناسی، اکولوژی، زیست محیطی و غیره تقاضای زیادی دارد. تقریبا 60 تا 75 درصد کره زمین در هر لحظه توسط ابرها پوشیده شده است. بنابراین ابرها با ایجاد مانعی باعث جذب بخشی از انرژی حرارتی ساطع شده از زمین می‌شوند و با تاثیر بر انرژی مادون قرمز حرارتی منجر به ایجاد داده‌های از دست رفته و نامعتبر در سری‌های زمانی LST می‌شوند. رفع اثر پوشش ابر همواره یک مسئله رایج در زمینه استفاده از تصاویر ماهواره‌ای می‌باشد. هدف از پژوهش حاضر ارزیابی عملکرد الگوریتم تجزیه تحلیل طیفی منفرد-چندکاناله (M-SSA) به منظور بازسازی داده‌های از دست رفته و دور افتاده توسط پوشش ابر در سری‌ زمانی LST ساعتی ماهواره Meteosat-9 می‌باشد.

مواد و روش ها: منطقه مطالعاتی در پژوهش حاضر کشور ایران در نظر گرفته شد. همچنین، از سری زمانی LST ساعتی سنجنده SEVIRI از ماهواره زمین ثابت Meteosat-9 در سال 2022 استفاده شد. در ابتدا با استفاده از نرم‌افزار SSA و آزمون مونت کارلو، اندازه پنجره و تعداد مولفه‌های معنی‌دار یک سری زمانی LST ساعتی تعیین شد. سپس با استفاده از مولفه‌های معنی‌دار شناسایی شده، سری‌های زمانی LST با استفاده از الگوریتم M-SSA بازسازی شد. خطای بازسازی در شرایط آسمان صاف با داده‌های موجود سری زمانی و خطای بازسازی در شرایط آسمان ابری با ایجاد داده‌های از دست رفته مصنوعی (ابر مصنوعی) با شدت‌های 10، 20، 30، ...، 90 درصد در سری زمانی با استفاده از آماره‌های خطای جذر میانگین مربعات (RMSE) و ضریب تبیین (R2) اندازه گیری شد.

نتایج: به طور میانگین در سطح ایران 5/25 درصد از سری زمانی LST ساعتی در سال 2022 توسط پوشش ابر از دست رفته است که بالاترین میزان درصد داده‌های از دست رفته در حاشیه دریای خزر مشاهده شد. نتایج تجزیه و تحلیل سری زمانی LST ساعتی سالانه در اندازه پنجره 96 ساعت با آزمون مونت کارلو نشان داد مولفه‌های 1 تا 5 جز مولفه‌ای‌های معنی‌دار این سری زمانی می‌باشند. این مولفه‌ها 5/97 درصد از تغییرات سری زمانی LST را تحت کنترل دارد. فرکانس‌ مربوط به مولفه‌های اول، دوم با سوم، چهارم با پنجم به ترتیب 0، 042/0 و 083/0 سیکل بر تصویر می‌باشد. مولفه اول نشان دهنده تغییرات دوره‌-ای سالانه، مولفه دوم با سوم نشان دهنده تغییرات دوره‌ای 24 ساعته یا روزانه دما، مولفه چهارم با پنجم نشان دهنده تغییرات دوره‌ای‌ 12 ساعته دما می‌باشد. بر اساس نتایج، خطای RMSE و R2 بین داده‌های موجود و داده‌های بازسازی شده سری زمانی LST ساعتی توسط الگوریتم M-SSA در شرایط آسمان صاف به ترتیب 38/1 کلوین و 99/0 بود. همچنین در شرایط آسمان ابری خطای RMSE تا سطح 80 درصد داده از دست رفته به صورت تصادفی (ابر مصنوعی) همواره کمتر از 1/2 کلوین بود.

بحث و نتیجه‌گیری: کلید اصلی بازسازی سری‌های زمانی با رفتار دوره‌ای، شناسایی مولفه‌های معنی‌دار دوره‌ای و روندها می‌باشد. در سری‌های زمانی LST ساعتی، دوره‌های سالانه، 24، 12 و 8 ساعته از مهمترین مولفه‌های سری زمانی هستند. این مولفه‌ها ناشی از چرخش زمین به دور خود و خورشید و انحراف محور آن شکل می‌گیرند. بنابراین این مولفه‌ها عموما برای بازسازی سری های زمانی LST ساعتی در قسمت عمده کره زمین یکسان هستند. بر اساس یافته‌ها، الگوریتم M-SSA با توجه به در نظر گرفتن مولفه‌های دوره‌ای و روندها و همچنین استفاده از همبستگی زمانی و مکانی می‌تواند در بازسازی داده‌های از دست رفته با فاصله بزرگ در سری‌های زمانی LST موثر باشد. یکی از موارد قابل 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.

کلیدواژه‌ها

عنوان مقاله [English]

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

نویسندگان [English]

  • Hadi Zare khormizi 1
  • Mohammad Jafari 2
  • Hamid Reza Ghafarian Malamiri 3
  • Ali Tavili 4
  • Hamidreza Keshtkar 5
1 PhD Student of Range Management , University of Tehran
2 Professor, Department of Arid and Mountainous Regions Reclamation, Faculty of Natural Resources, University of Tehran, Karaj, Iran.
3 Assistant Professor, Department of Geography, Yazd University, Yazd, Iran.
4 Associate Professor, Department of Rehabilitation of Arid and Mountainous, Faculty of Natural Resources, University of Tehran, Karaj, Iran.
5 Assistant Professor, Department of Arid and Mountainous Regions Reclamation, Faculty of Natural Resources, University of Tehran, Karaj, Iran.
چکیده [English]

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 outliers 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.

کلیدواژه‌ها [English]

  • Cloud cover
  • Empirical Orthogonal Functions
  • Singular Spectrum Analysis
  • Temporal-spatial interpolation
  • Time series
نشریه سنجش از دور و GIS ایران

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از تاریخ 20 شهریور 1403

فایل ها

هم رسانی

ارجاع به این مقاله

آمار