استفاده از روش رگرسیون خطی چند متغیره به ‌منظور مدل ‌سازی دمای تراز دو متر از طریق داده ‌های سنجنده مودیس

دمای هوا در نزدیکی سطح زمین، یکی از متغیرهای تاثیرگذار در مطالعات مختلف اقلیمی، هیدرولوژی و پیش‌بینی وضع آب‌وهوا می‌باشد. هدف اصلی این مطالعه ایجاد مدلی مناسب برای برآورد این پارامتر به‌کمک داده‌های lst ماهواره‌ای است. برای این منظور، با استفاده از روش مدل‌سازی خطی چند متغیره، مدلی بین lst سنجنده مودیس و دمای تراز دو متر در منطقه گیلان و مازندران ایجاد شد. پارامترهای مورد استفاده در این مدل شامل lst به ‌دست‌ آمده از سنجنده مودیس، شاخص نرمال‌شده پوشش‌گیاهی، شیب و انحنا، ساعت و روز از سال می‌باشند. برای برآورد ضرایب مدل از داده‌های جمع‌آوری‌شده بین سال‌های 2000 تا 2017 و به منظور ارزیابی مدل از داده‌های 2018 و 2019 استفاده شد. در هر استان، برای داده‌های شب و روز، و دو دسته ارتفاعی مختلف، مدل‌های مجزا برآورد شد. مقایسه مدل استانی با مدل تک‌ایستگاهی بر حسب آماره‌های خطا نشان داد که مدل استانی اختلاف کمی با مدل ارائه‌شده برای هر ایستگاه دارد. نتایج نشان داد که مقادیر rmse در مدل استانی به‌طور میانگین در محدوده 2.60 تا 3.11 درجه سانتی‌گراد قرار دارد. ضریب همبستگی دمای تراز دو متر به‌دست‌آمده از مدل با مشاهدات واقعی بیشتر از 90 درصد برآورد شد. علاوه‌بر این، داده‌های فصل‌های مختلف جدا شدند و برای هر فصل مدلی مجزا ارائه شد. به‌طور میانگین بکارگیری مدل فصلی منجر به بهبود برآورد دمای تراز دو متر در استان گیلان و مازندران با rmse به‌ترتیب 2.72 و 2.55 درجه سانتی‌ گراد شد.

using the multivariate linear regression method to model the 2-meter air temperature from modis sensor data

the air temperature near the earth’s surface is one of the influential variables in various climate studies, hydrology and weather forecasting. in many areas, this parameter is usually measured with the help of weather stations located on the ground. due to the lack of uniform spatial distribution of weather stations in areas with the different topography, in many inaccessible or unpopulated places, enough ground stations are not available to observe and record surface air temperature data. on the other hand, remote sensing satellite images are used as a potential alternative to describe temperature patterns with appropriate spatial details in large areas. land surface temperature (lst) is prepared with the help of satellite observations. although the lst product is related to the temperature of the air near surface (t2m), they have different behavior and characteristics. therefore, many researchers, in order to overcome the limitation of ground-based air temperature data spatial resolution, try to establish a relationship between near surface air temperature and satellite lst.the provinces along the caspian sea, such as gilan and mazandaran, are very important from various climatic, economic and agricultural aspects. due to the vastness and diverse topography of these areas, the number of synoptic stations available in these areas is limited. on the other hand, so far, 2m air temperature modeling using satellite data has not been done in this region.the main goal of this study is to create a suitable model for estimating this parameter using satellite lst data. for this purpose, using multivariate linear modeling method, a model was created between modis sensor lst and t2m air temperature in gilan and mazandaran region. the parameters used in this model include lst obtained from modis sensor, height, normalized vegetation index (ndvi), slope and curvature. the data collected between 2000 and 2017 were used to estimate the coefficients of the model, and the data from 2018 to 2020 were used to evaluate the model. in each province, separate models were estimated for night and day data and two different height categories. the comparison of the provincial model with the single-station model in terms of error statistics showed that the provincial model has little difference with the model constructed for each station. the results showed that the rmse values in the provincial model are on average in the range of 2.60-3.11 degrees celsius. the correlation coefficient of the t2m values obtained from the model with real observations was estimated to be more than 90%. in addition, the data of different seasons were separated and a separate model was presented for each season. on average, the use of the seasonal model led to an improvement in the estimation of t2m data in gilan and mazandaran provinces with rmse of 2.72 and 2.55 degrees celsius, respectively.