ارزیابی روش‌های یادگیری ماشین در ریزمقیاس نمایی مکانی میانگین سالانه‌ دمای سطح زمین و دمای هوا

امروزه استفاده از داده‌های شبکه‌ای پایگاه‌های اقلیمی مانند worldclim یکی از منابع معتبر داده است که جایگزین داده‌های نقطه‌ای ایستگاه‌های هواشناسی شده است؛ اما استفاده از این پایگاه‌های اقلیمی باقدرت تفکیک مکانی پایین موجب ایجاد محدودیت برای بسیاری از مطالعات مرتبط با علوم زیست‌شناسی و بوم‌شناسی شده است. هدف از این پژوهش بررسی ارتباط دمای هوا و دمای سطح زمین و سپس بازتولید دمای سطح زمین باقدرت تفکیک مکانی بالا جهت ریزمقیاس نمایی میانگین سالانه‌ دمای هوا با استفاده از دو محصول پرکاربرد میانگین سالانه‌ دمای هوا از پایگاه داده worldclim و میانگین سالانه‌ دمای روز و شب سطح زمین mod11a2 v061 سنجنده‌ مادیس است. در این پژوهش، ابتدا عملکرد مدل‌های یادگیری ماشین شامل جنگل تصادفی،شبکه‌ عصبی مصنوعی، رگرسیون شبکه الاستیک و ماشین بردار پشتیبان جهت ریزمقیاس نمایی محصول mod11a2 v061 از 1 کیلومتر به 250 متر بررسی شد. برای این منظور از متغیرهای پیوسته و گسسته شامل ارتفاع از سطح دریا، عرض جغرافیایی، پوشش گیاهی، بافت خاک، جهت شیب و پوشش سطح زمین استفاده گردید. سپس میانگین سالانه‌ دمای هوا worldclim با استفاده از دمای سطح زمین با مدل پولی نومیال درجه‌ 3  از 1 کیلومتر به 250 متر ریزمقیاس شد. همچنین از داده ‏های 7 ایستگاه سینوپتیک جهت بررسی اعتبار محصول ریزمقیاس شده استفاده شد. نتایج نمودار تیلور نشان داد مدل جنگل تصادفی، بهترین عملکرد در ریزمقیاس نمایی میانگین سالانه‌ دمای سطح زمین با ریشه‌ میانگین مربعات خطا 0/54 درجه سلسیوس دارد. همچنین مدل پولی نومیال درجه‌ 3 میزان خطای نسبی کمتر در تولید داده ریزمقیاس دمای هوا دارد. مقدار ریشه‌ میانگین مربعات خطا نتایج برای مدل تصحیح ‌نشده و تصحیح شده ریزمقیاس به ترتیب 1/32 و 1/21 درجه سلسیوس به‌دست آمد که با توجه به آزمون t جفتی اختلاف معنی‌داری در سطح 0/05 نشان نداد. یافته های این پژوهش نشان می‌دهد که ریزمقیاس نمایی میانگین سالانه دمای هوا worldclim از اعتبار لازم برخوردار است.

evaluation of machine learning methods in spatial downscaling of average annual land surface temperature and air temperature

today, the use of raster data from climate databases such as worldclim is one of the reliable data sources that have been used instead of the point data of weather stations. however, the use of these climate databases with low spatial resolution has generated limitations for many studies related to biological and ecological studies. this study aims to investigate the relationship between air temperature and land surface temperature and then reproduce the land surface temperature with the high spatial resolution for downscaling of annual average air temperature using two widely used products, namely,  annual average air temperature from the worldclim database and annual average day and night temperature from mod11a2 v061 modis sensor. in this study, firstly, the performance of machine learning models including random forest, artificial neural network, elastic network regression, and support vector machine for downscaling of mod11a2 v061 product from 1 km to 250 meters was assessed. for this purpose, continuous and discrete predictor variables including height above sea level, latitude, vegetation cover, soil texture, slope direction, and land cover were used. then, worldclim’s annual average air temperature was downscaled from 1 km to 250 meters using the land surface temperature with a 3rddegree polynomial regression model.  also, the weather data of seven synoptic stations were used to check the validity of the downscaled product. the results of the taylor diagram represented that the random forest model has the best performance for the downscaled land surface temperatures with a root mean square error of 0.54 degrees celsius. also, the 3rddegree polynomial regression model has a lower relative error rate in producing downscaled air temperature. the value of the root mean square error of the results for the uncorrected and corrected downscaled air temperature was 1.32 and 1.21 degrees celsius, respectively, which did not show a significant difference at the 0.05 level according to the paired ttest. the findings of this research show that the downscaling of the mean annual air temperature of worldclim has the required validity.