پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,230 |
| تعداد مقالات | 67,764 |
| تعداد مشاهده مقاله | 115,150,636 |
| تعداد دریافت فایل اصل مقاله | 89,909,550 |
ارزیابی مدل درختی M5 و شبکة عصبی مصنوعی برای برآورد متوسط روزانة دمای هوا بر اساس داده‌های دمای سطح زمین سنجنده مودیس | ||
| تحقیقات آب و خاک ایران | ||
| مقاله 7، دوره 45، شماره 4، دی 1393، صفحه 423-433 اصل مقاله (570.79 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijswr.2014.52595 | ||
| نویسندگان | ||
| سعید امامی فر1؛ علی رحیمی خوب* 2؛ علی اکبر نوروزی3 | ||
| 1کارشناس ارشد گروه مهندسی آبیاری و زهکشی پردیس ابوریحان دانشگاه تهران | ||
| 2دانشیار گروه مهندسی آبیاری و زهکشی پردیس ابوریحان دانشگاه تهران | ||
| 3استادیار پژوهشکدة حفاظت خاک و آبخیزداری | ||
| چکیده | ||
| استفاده از داده‌های تصاویر ماهوارهای روشی مؤثر برای پهنه‌بندی دمای هواست. در این تحقیق مدلهای شبکة عصبی و مدل درختی M5 برای تبدیل دمای سطح زمین در دو زمان روز و شب محصولات ماهوارة ترا سنجندة مودیس برای استان خوزستان مقایسه شد. در کل 365 تصویر از محصولات دمای سطح زمین در سال 2007، که منطقة مورد مطالعه را پوشش میداد، استفاده شد. داده‌های متوسط دمای هوای روزانه از 29 ایستگاه هواشناسی سینوپتیک و کلیماتولوژی سال 2007 جمع‌آوری و به منزلة داده‌های واقعی استفاده شدند. داده‌های ورودی مدلها شامل دمای سطح زمین در دو زمان روز و شب و تابش بیرون زمینی بودند. نتایج نشان داد ضریب تعیین هر دو مدل بیش از 96/0 است. با این حال مدل شبکة عصبی با دقت بیشتری دمای هوا را برآورد میکند. جذر مربع میانگین خطا و ضریب تعیین مدل شبکة عصبی به‌ترتیب برابر 7/1 درجة سانتی‌گراد و 97/0 برآورد شد. | ||
| کلیدواژه‌ها | ||
| دمای سطح زمین؛ دمای هوا؛ سنجندة مودیس؛ شبکة عصبی؛ مدل درختی M5 | ||
| عنوان مقاله [English] | ||
| An Evaluation of M5 Model Tree vs. Artificial Neural Network for Estimating Mean Air Temperature as Based on Land Surface Temperature Data by MODIS-Terra Sensor | ||
| نویسندگان [English] | ||
| Saeed Emamifar1؛ Ali Rahimikhoob2؛ Ali Akbar Noroozi3 | ||
| 1Former Graduate Student of Irrigation and Drainage Engineering Department, Aburaihan Campus, University of Tehran, Tehran, Iran | ||
| 2Associate Professor of Irrigation and Drainage Engineering Department, Aburaihan Campus, University of Tehran, Tehran, Iran | ||
| 3Assistant Professor of Soil Conservation & Watershed Management Research Center, Tehran, Iran | ||
| چکیده [English] | ||
| The use of satellite data in an estimation of air temperature (Ta) near the earth’s surface has turned into an effective way for a large area of high spatial and temporal resolution. Throughout the present study, Artificial Neural Network (ANN) as well as M5 model tree were employed to estimate Ta in Khuzestan Province (South West of Iran), using satellite remotely sensed land surface temperature (Ts) data acquired through the MODIS-Terra sensor. The input variables for the models consisted of the daytime and nighttime MODIS Ts as well as extraterrestrial solar radiation. A total of 365 images of MOD11A1 Ts product for the year 2007, covering the area under study were collected from the Land Processes Distributed Active Archive Center (LP DAAC). The results indicated that coefficient of determination (R2) for both models exceeded 0.96. However, ANN model estimations of air temperature were more accurate than RMSE with the respective R2 values of 1.7 and 0.97 oC. | ||
| کلیدواژه‌ها [English] | ||
| Air Temperature, Artificial Neural Network, Land surface temperature, MODIS Sensor, M5 model tree | ||
| مراجع | ||
|
Allen, R. G., Pereira, L. S., Raes, D., and Smith, M. (1998). Crop evapotranspiration. Guidelines for computing crop water requirements. Irrigation and Drainage Paper No. 56. FAO, Rome. Aher, P. D., Adinarayana, J., and Gorantiwar, S. D. (2011). Remote Sensing and Artificial Neural Network in Spatial Assessment of Air Temperature in a Semi-arid Watershed. International Journal of Earth Sciences and Engineering, 4(6): 351-354. Atkinson, P. M. and Tatnall, A. R. L. (1997). Introduction neural networks in remote sensing. International Journal of Remote Sensing, 18:699–709. Bhattacharya, B. and Solomatine, D. P. (2005). Neural networks and M5 model trees in modeling water level–discharge relationship. Neurocomputing, 63: 381-396. Cresswell, M. P., Morse, A. P., Thomson, M. C., Connor, S. J. (1999). Estimating surface air temperatures, from Meteosat land surface temperatures, using an empirical solar zenith angle model. International Journal of Remote Sensing, 20(6): 1125-1132. Emamifar, S., Rahimikhoob, A., and Noroozi, A. A. (2013). Daily mean air temperature estimation from MODIS land surface temperature products based on M5 model tree. International Journal of Climatology. 33(15): 3174–3181. Hagan, M. T. and Menhaj, M. (1994). Training feedforward networks with the Marquardt algorithm. IEEE Transactions on Neural Networks, 5: 989–993. Jang, J. D., Viau, A. A., and Anctil, F. (2004). Neural Network Estimation of Air Temperatures from AVHRR data. International Journal of Remote Sensing, 25(21): 4541-4554. Mitchell, T. M. (1997). Machine learning. The McGraw-Hill Comp. Press. Pal, M. and Deswal, S. (2009). M5 model tree based modelling of reference evapotranspiration. Hydrological Processes, 23: 1437–1443. Parviz, L., Kholghi, M., and Valizadeh, K. (2011). Estimation of Air Temperature Using Temperature-Vegetation Index (TVX) Method. Journal of Science and Technology of Agriculture and Natural Resources,Water and Soil Science, 15 (56) :21-34. (In Farsi) Prechelt, L. (1998). Automatic early stopping using cross validation: quantifying the criteria. Neural Networks, 11: 761–767. Prihodko, L. and Goward, S. N. (1997). Estimation of air temperature from remotely sensed surface observations. Remote Sensing of Environment, 60(3): 335–346. Quinlan, J. R. (1992). Learning with continuous classes. In Proceedings of the Fifth Australian Joint Conference on Artificial Intelligence, Hobart, Australia, 16-18 November, World Scientific, Singapore: 343–348. Quinlan, J. R. (1986). Introduction of decision trees. Machine learning, 1: 81-106. Rahimikhoob, A., Behbahani, M. R., and Nazarifar, M. H. (2008). Estimating Maximum Air Temperature in Khoozestan Province Using NOAA Satellite Images Data and Artificial Neural Network. Journal of Science and Technology of Agriculture and Natural Resources,Water and Soil Science, 11(42): 357-364. (In Farsi) Solomatine, D. P. and Xue, Y. (2004). M5 model trees compared to neural networks: application to flood forecasting in the upper reach of the Huai River in China. Journal of Hydrologic Engineering, 9(6): 491–501. Solomatine, D. P. and Dulal, K. N. (2003). Model trees as an alternative to neural networks in rainfall-runoff modelling. Hydrological Sciences Journal, 48(3): 399–411. Vancutsem, C., Ceccato, P., Dinku, T., and Connor, S. J. (2010). Evaluation of MODIS land surface temperature data to estimate air temperature in different ecosystems over Africa. Remote Sensing of Environment, 114: 449–465. Witten, I. H. and Frank, E. (2005). Data Mining: Practical Machine Learning Tools and Technique. Morgan Kaufmann Publishers, San Francisco. Yao, Y. and Zhang, B. (2012). MODIS-based air temperature estimation in the southeastern Tibetan Plateau and neighboring areas. Journal of Geographical Sciences, 22(1): 152-166. Yan, H., Zhang, J., Hou, Y., and He, Y. (2012). Estimation of air temperature from MODIS data in east China. International Journal of Remote Sensing, 30(23): 6261-6275. | ||
|
آمار تعداد مشاهده مقاله: 2,849 تعداد دریافت فایل اصل مقاله: 1,617 |
||