کاهش مقیاس رطوبت خاک AMSR-E در شمال چین با استفاده از رگرسیون جنگل تصادفی

بازیابی ماهواره‌ای می‌تواند اطلاعات جهانی رطوبت خاک، مانند داده‌های رادیومتر اسکن پیشرفته مایکروویو-سیستم مشاهده زمین (AMSR-E) را ارائه دهد. AMSR-E برای تامین رطوبت خاک در سراسر جهان با وضوح درشت ۲۵ کیلومتر × ۲۵ کیلومتر استفاده شده است. وضوح درشت مجموعه داده رطوبت خاک اغلب مانع استفاده از آن در تحقیقات محلی یا منطقه ای می شود. این کار چارچوب جدیدی را بر اساس مدل جنگل تصادفی (RF) پیشنهاد می‌کند در حالی که از پنج داده کمکی برای کاهش مقیاس داده‌های رطوبت خاک AMSR-E در شمال چین استفاده می‌کند. نتایج کوچک شده با وضوح فضایی ۱ کیلومتر در برابر اندازه‌گیری‌های درجا تأیید می‌شوند. در مقایسه با داده‌های AMSR-E، ضریب همبستگی داده‌های کوچک‌شده به میزان ۰٫۱۷ افزایش می‌یابد و ریشه میانگین مربعات خطا، میانگین خطای مطلق، و ریشه میانگین مربع خطای بی‌طرف ۰٫۰۲، ۰ کاهش می‌یابد.به ترتیب ۳ / m3 . علاوه بر این، نتایج مقایسه با داده‌های کاهش مقیاس رگرسیون خطی چندگانه و رگرسیون بردار پشتیبان نشان می‌دهد که روش پیشنهادی به طور قابل‌توجهی از دو روش دیگر بهتر عمل می‌کند. امکان سنجی مدل ما به خوبی توسط تجزیه و تحلیل اهمیت و تجزیه و تحلیل ترک یک بیرون پشتیبانی می شود. مطالعه ما، که RF را با الگوریتم‌های جستجوی مکانی-زمانی و داده‌های کمکی کارآمد ترکیب می‌کند، ممکن است بینشی در مورد کاهش مقیاس رطوبت خاک در مناطق بزرگ با ویژگی‌های سطحی و شرایط آب و هوایی مختلف ارائه دهد.

کلید واژه ها:

کاهش مقیاس ; رطوبت خاک ؛ AMSR-E ; جنگل تصادفی ; شمال چین

۱٫ مقدمه

رطوبت خاک نقش قابل توجهی در فرآیند تعادل آب و انرژی جهانی دارد [ ۱ ] و بر بسیاری از زمینه ها مانند هیدرولوژی، هواشناسی و کشاورزی تأثیر می گذارد. ویژگی‌های تغییر رطوبت خاک می‌تواند منعکس‌کننده بسیاری از خواص فیزیکی و شیمیایی خاک باشد و رطوبت خاک نیز تأثیر بسزایی بر اکوسیستم‌های زمینی دارد. امروزه پایش رطوبت خاک به طور گسترده ای در پایش خشکسالی [ ۲ ، ۳ ]، ارزیابی منابع آب [ ۴ ، ۵ ]، تخمین عملکرد محصول [ ۶ ]، پیش بینی آب و هوا و شبیه سازی هیدرولوژیکی [ ۷ ، ۸ ] استفاده شده است.]. بنابراین، به دست آوردن اطلاعات دقیق و با وضوح بالا رطوبت خاک برای تحقیقات تعادل اکوسیستم و مقابله با تغییرات آب و هوا اهمیت زیادی دارد [ ۹ ، ۱۰ ].
در چند سال گذشته، بلایای خشکسالی در شمال چین افزایش یافته و به یکی از جدی ترین بلایای طبیعی تبدیل شده است. رشد سریع مصرف آب صنعتی، آبیاری و خانگی منجر به افزایش شدید مصرف منابع آب شده است که به نوبه خود منجر به خشکسالی های جدی تری در شمال چین شده است [ ۱۱ ]. بهبود درک ما از تغییرات مکانی و زمانی رطوبت خاک و تعیین کمیت وضعیت خشکسالی بسیار ضروری است. با این حال، تحقیقات در مورد کاهش رطوبت خاک در شمال چین کافی نیست. بنابراین، ایجاد مجموعه ای از داده های رطوبت خاک منطقه ای با وضوح مکانی بالا در شمال چین ضروری است.
در سال های اخیر، توسعه فناوری سنجش از دور، راحتی را برای کسب رطوبت خاک فراهم کرده است [ ۱۲ ]. در عین حال، سنسور از راه دور مایکروویو یک روش قابل اعتماد برای تخمین رطوبت خاک (SM) [ ۱۳ ] است، زیرا مایکروویو به تغییرات SM بسیار حساس است، کمتر تحت تأثیر شرایط آب و هوایی مختلف [ ۱۴ ] قرار می گیرد و می تواند تمام آب و هوا و آب و هوا را درک کند. مشاهدات زمینی همه جانبه در حال حاضر، انواع محصولات رطوبتی خاک ماهواره ای در دسترس هستند، مانند سیستم رادیومتر رصد زمین با اسکن پیشرفته مایکروویو (AMSR-E) [ ۱۵ ]، غیرفعال رطوبت خاک (SMAP) [ ۱۶ ]، و رطوبت خاک و شوری اقیانوس. SMOS) [ ۱۷]. داده های SM ارائه شده توسط این محصولات در برخی از برنامه های کاربردی در مقیاس بزرگ کارآمد است [ ۱۸ ]. با این حال، برای تحقیقات در مقیاس کوچک، وضوح فضایی این محصولات بسیار درشت است، اساساً ده ها کیلومتر [ ۱۹ ، ۲۰ ]، که برای گرفتن ناهمگنی فضایی SM کافی نیست. بنابراین، این محصولات در برخی تحقیقات در مقیاس منطقه ای و محلی بسیار محدود هستند [ ۲۱ ]. در همین حال، تفکیک مکانی ۱ کیلومتر در بسیاری از مطالعات کاهش مقیاس SM به یک وضوح بالا رایج تبدیل شده است [ ۲۲ ].
برای حل مشکل تفکیک فضایی خشن داده های سنجش از دور ماهواره ای، روش های زیادی برای بهبود وضوح آنها ارائه شده است. در حال حاضر، تحقیقات متمرکز بر روش‌ها و کاربردهای کاهش مقیاس را می‌توان تقریباً به سه دسته زیر تقسیم کرد: (۱) روش‌های مبتنی بر مدل [ ۲۳ ]، (۲) روش‌های مبتنی بر ترکیب داده‌های سنجش از دور ماهواره‌ای چند منبعی [ ۲۴ ]، و (۳) روش هایی با استفاده از داده های اطلاعات جغرافیایی [ ۲۲ ، ۲۵ ]. هر دسته را می توان با توجه به شرایط خاص به چند دسته تقسیم کرد. روش های مبتنی بر مدل به مدل های آماری [ ۲۶ ] و مدل های سطح زمین تقسیم می شوند. بر اساس مدل های سطح زمین، کاهش مقیاس قطعی وجود دارد [۲۷ ]، کاهش مقیاس آماری [ ۲۸ ] و جذب داده ها [ ۲۹ ]. مهم نیست که چه نوع روش مبتنی بر مدل، ما باید در نظر بگیریم که آیا این مدل می تواند در طیف وسیع تری از تحقیقات به کار رود یا خیر. علاوه بر این، مدل به داده های پارامتر ورودی زیادی نیاز دارد و به دست آوردن این داده ها دشوار است، که باعث می شود برنامه دارای محدودیت های زیادی باشد. روش های مبتنی بر همجوشی داده های ماهواره ای چند منبعی با توجه به داده های همجوشی مختلف به دو روش تقسیم می شوند: روش همجوشی داده های مایکروویو فعال و غیرفعال [ ۳۰ ] و روش همجوشی داده های نوری/حرارتی و مایکروویو [ ۳۱ ].]. محققان قبلی تلاش های زیادی انجام داده اند و دریافته اند که ترکیب داده های سنجش از راه دور مایکروویو فعال و غیرفعال می تواند نتایج دقیق تری به دست آورد. با این وجود، داده‌های مایکروویو فعال گران هستند و به زمین‌ها، پوشش گیاهی و اطلاعات دیگر نیاز دارند، بنابراین استفاده از آن و رایج کردن آن در مقیاس بزرگ یک چالش است [ ۳۰ ]. روش‌های کاهش مقیاس با استفاده از داده‌های اطلاعات جغرافیایی عمدتاً مبتنی بر رابطه توزیع فضایی بین رطوبت خاک و سایر متغیرهای سطح زمین، مانند زمین، ویژگی‌های خاک، و ویژگی‌های پوشش گیاهی است [ ۳۲ ]. بر این اساس، مدل درونیابی زمین آماری یا فراکتالی ساخته شده است. در این روش، زمین اغلب به عنوان منبع اطلاعات کمکی استفاده می شود [ ۳۳]. این روش می تواند تغییرات مقیاس ریز در رطوبت خاک را از رابطه بین رطوبت خاک و متغیرهای کمکی موجود استنباط کند. با این حال، هنگام ایجاد مدل‌های درون‌یابی زمین‌آماری یا تحلیلی، باید از تعداد زیادی مشاهدات درجا استفاده شود. در عین حال، این مدل‌ها ویژگی‌های منطقه‌ای آشکاری دارند که به وضوح کاربرد آنها را محدود می‌کند [ ۲۵ ].
با بهبود عملکرد کامپیوتر و توسعه فناوری هوش مصنوعی، روش‌های یادگیری ماشینی در مطالعه کاهش مقیاس رطوبت خاک معرفی شده‌اند. یادگیری ماشینی نوعی روش تجزیه و تحلیل داده است که رایانه‌ها را قادر می‌سازد تا به طور هوشمند از داده‌ها یاد بگیرند تا الگوهای پنهان پدیده‌ها را بیابند [ ۱ ]. بسیاری از مطالعات نشان داده اند که در مقایسه با سایر روش های یادگیری ماشین، الگوریتم جنگل تصادفی (RF) برای کاهش مقیاس محصول ماهواره ای مناسب تر است [ ۳۴ ، ۳۵ ]]. از آنجایی که مدل RF می تواند همبستگی غیرخطی را توصیف کند و روش مجموعه را اتخاذ کند، از طریق تصادفی سازی انعطاف پذیرتر می شود. در عین حال، این روش برای شرکت در مدل به داده های درجا زیادی نیاز ندارد. اگرچه مدل RF به برخی داده های کمکی با وضوح بالا نیاز دارد، اما به دست آوردن این داده ها نسبتاً آسان است. با این حال، استفاده از RF در مناطق بزرگ ناکافی است و RF نیز به ویژگی های سطح و پارامترهای حرکتی، به ویژه در مناطق خشک و نیمه خشک بسیار حساس است.
بر اساس مسائل فوق، این مطالعه به بررسی نحوه عملکرد روش جنگل تصادفی در شرایط پیچیده و مقیاس بزرگ همراه با پارامترهای موثر می‌پردازد. هدف از مطالعه ما پیشنهاد ۱ روش کارآمد برای کاهش مقیاس داده‌های رطوبت خاک AMSR-E در شمال چین از ۲۵ به ۱ کیلومتر بود. مطالعه ما RF را با الگوریتم‌های جستجوی مکانی و زمانی و داده‌های کمکی مؤثر ترکیب می‌کند که به راحتی به دست می‌آید و به رطوبت خاک مربوط می‌شود. ما نتایج کوچک شده را با مشاهدات درجا ارزیابی کردیم. روش کاهش مقیاس پیشنهادی علاوه بر این با سایر روش‌های کاهش مقیاس رایج و چندین روش مطالعات قبلی مقایسه شد. بخش ۲ روش ها و داده های مورد استفاده در این مقاله را شرح می دهد. نتایج مطالعه در بخش ۳ توضیح داده شده است. بخش بحث در بخش ۴ آورده شده است. بخش بحث، تجزیه و تحلیل اهمیت عوامل توضیحی، تحلیل رها کردن، مقایسه روش‌های مختلف و محدودیت‌های مطالعه را ارائه می‌کند. نتیجه گیری در پایان مقاله ( بخش ۵ ) آورده شده است.

۲٫ مواد و روشها

۲٫۱٫ منطقه مطالعه

شکل ۱ نقشه طبقه بندی ارتفاع و رطوبت خشک منطقه مورد مطالعه را نشان می دهد. مکان ایستگاه های زمینی انتخاب شده در این مطالعه نیز در شکل نشان داده شده است. منطقه مورد مطالعه شمال چین است، بین طول جغرافیایی ۳۲ درجه شمالی و ۴۲ درجه شمالی و عرض جغرافیایی ۹۳ درجه شرقی و ۱۲۳ درجه شرقی، با مساحتی در حدود ۱۴۹۰۰ کیلومتر مربع . شامل شاندونگ، هبی، نینگشیا، گانسو، شانشی، شانشی، پکن و تیانجین است. منطقه اقلیمی در این منطقه دارای گستره وسیعی از جمله اقلیم معتدل موسمی، آب و هوای نیمه گرمسیری موسمی، اقلیم کوهستانی فلاتی، اقلیم معتدل قاره ای، آب و هوای معتدل نیمه مرطوب و نیمه خشک موسمی و … می باشد. حدود ۱۸ نوع کاربری. ارتفاع این منطقه از ۲- تا ۵۵۱۶ متر است.

۲٫۲٫ داده های مطالعه

فرآیند کاهش مقیاس فضایی داده‌های رطوبت خاک بر اساس داده‌های سنجش از دور ماهواره‌ای مایکروویو غیرفعال باید توسط اطلاعات تصویری ویژگی‌های سطح مربوطه پشتیبانی شود. اطلاعات تصویر توسط داده هایی با وضوح فضایی بالاتر ارائه می شود. در این مطالعه، طیف‌سنج تصویربرداری با وضوح متوسط ​​(MODIS)، DEM، و داده‌های بارش با وضوح مکانی بالاتر برای پشتیبانی از مقیاس کوچک فضایی بر اساس داده‌های AMSR-E استفاده شد. در همان زمان، داده های ایستگاه زمینی برای تأیید نتایج انتخاب شد. داده های مورد استفاده در این مطالعه، توصیف خاص آن، و وضوح مکانی در جدول ۱ نشان داده شده است.

۲٫۲٫۱٫ داده های رطوبت خاک AMSR-E

AMSR-E توسط سازمان ملی هوانوردی و فضایی (ناسا) و آژانس اکتشافات هوافضای ژاپن (JAXA) توسعه یافته است. AMSR-E در مدار قطبی آبی سیستم رصد زمین ناسا (EOS) حمل شد و در می ۲۰۰۲ پرتاب شد. AMSR-E دمای روشنایی قطبش عمودی و افقی را در ۶ فرکانس ۶٫۹، ۱۰٫۷، ۱۸٫۷، ۲۳٫۸، ۳۶٫۵ اندازه گیری می کند. و ۸۹٫۰ گیگاهرتز
در این مطالعه، داده‌های سطح ۳ رطوبت خاک AMSR-E در سال ۲۰۰۹ بر اساس مدل بازیابی پارامتر زمین (LPRM)، با وضوح فضایی ۲۵ کیلومتر [ ۳۶ ] انتخاب و توسعه داده شد. این محصول به صورت رایگان از وب سایت رسمی ناسا ( http://search.earthdata.nasa.uov/search ، ۱۹ نوامبر ۲۰۲۰) در دسترس بود.
۲٫۲٫۲٫ داده های MODIS
شاخص پوشش گیاهی، Albedo و دمای سطح زمین به طور گسترده در کاهش مقیاس داده های سنجش از دور رطوبت خاک در بسیاری از مطالعات استفاده شده است [ ۳۷ ، ۳۸ ]. این پارامترها از طیف رادیومتر تصویربرداری با وضوح متوسط ​​(MODIS) در دسترس هستند. MODIS در ماهواره های Terra و Aqua یک ابزار سنجش از دور فضایی بزرگ است که توسط ناسا ساخته شده است. در حال حاضر به طور گسترده ای برای نظارت بر محیط های مختلف از جمله اقیانوس، سطح زمین و غیره استفاده می شود. در این مطالعه از سه محصول MODIS شامل شاخص گیاهی تفاوت نرمال شده (NDVI)، دمای سطح زمین (LST) و Albedo استفاده شد.
LST از محصول روزانه MODIS MOD11A1 و NDVI از محصول شاخص پوشش گیاهی ۱۶ روزه MOD13A2 به دست آمد. وضوح مکانی هر دو ۱ کیلومتر است. Albedo از محصول روزانه Albedo MCD43C3 با وضوح ۰٫۰۵ درجه به دست آمد. این داده ها از مرکز بایگانی فعال توزیع شده فرآیند زمین (LP DAAC) ( https://lpdaac.usgs.gov/ ، ۳۰ آوریل ۲۰۲۱) به دست آمده است.
۲٫۲٫۳٫ DEM
در بسیاری از مطالعات کاهش مقیاس رطوبت خاک، ارتفاع به عنوان یکی از موثرترین ویژگی های توپوگرافی در نظر گرفته می شود [ ۳۹ ، ۴۰ ]. بنابراین، ما از این متغیر برای کاهش مقیاس داده های AMSR-E SM در رویکرد پیشنهادی خود استفاده کردیم.
داده های مدل رقومی ارتفاع (DEM) از ماموریت توپوگرافی رادار شاتل فضایی ناسا (SRTM) به دست آمد. داده ها دارای وضوح مکانی ۹۰ متر هستند و یکی از پر استفاده ترین داده های DEM هستند.
۲٫۲٫۴٫ داده های بارش
مستقیم ترین راه برای تأثیر جو بر رطوبت خاک زمین از طریق بارش است [ ۴۱ ]. بسیاری از مطالعات در مقیاس منطقه ای و جهانی ارتباط از راه دور بین بارش و تغییرپذیری رطوبت خاک را تایید کرده اند [ ۴۲ ].
داده‌های بارش، مجموعه داده‌های اجباری هواشناسی چین (CMFD) از مرکز ملی داده علمی فلات تبت چینگهای است که مجموعه‌ای از داده‌های تحلیل مجدد هواشناسی سطح زمین است. CMFD با داده‌های تحلیل مجدد پرینستون، داده‌های تابش GEWEX-SRB، داده‌های بارش GLDAS و TRMM به عنوان میدان پس‌زمینه، و داده‌های مشاهدات هواشناسی مرسوم [ ۴۳ ، ۴۴ ] ساخته می‌شود. مجموعه داده ها توسط مرکز ملی داده فلات تبت ( http://data.tpdc.ac.cn ، ۲۰ آوریل ۲۰۲۱) ارائه شده است.

۲٫۲٫۵٫ مشاهدات درجا رطوبت خاک

برای ارزیابی دقت رطوبت خاک کاهش یافته، داده های اندازه گیری میدانی از ۷ مکان در سال ۲۰۰۹ جمع آوری شد. اندازه‌گیری‌های میدانی در هفت سایت از شبکه تحقیقاتی اکوسیستم چین (CERN) و پروژه تحقیقات تجربی تله‌متری متفقین آبخیز (WATER) به‌دست آمد. مجموعه داده‌ها توسط مرکز ملی داده فلات تبت ( http://data.tpdc.ac.cn ، ۲۶ آوریل ۲۰۲۱) ارائه شده است. هر سایت مجهز به مجموعه‌ای از رادیومترهای شبکه درجه دوم (CNR1 و CNR4) بود که تشعشعات موج بلند اتمسفر را جمع‌آوری می‌کرد. در مجموع، ۶ لایه سنسور رطوبت خاک به ترتیب در اعماق ۰٫۰۵، ۰٫۱، ۰٫۲۰، ۰٫۴۰، ۰٫۸۰ و ۱٫۲۰ متر چیده شد. اطلاعات دقیق ۷ سایت در جدول ۲ نمایش داده شده است.

۲٫۳٫ مواد و روش ها

۲٫۳٫۱٫ مدل جنگل تصادفی

مدل RF [ ۴۵ ] یک مدل درخت تصمیم بهبودیافته است که با میانگین درختان رگرسیون چندگانه تصمیم گیری می کند [ ۴۶ ]. مدل غیرخطی و غیر حساس به اقلام پرت است. در مقایسه با سایر روش‌های یادگیری ماشین، مدل RF به طور گسترده‌تری در کاهش مقیاس داده‌های SM استفاده می‌شود [ ۴۷ ]. ایده اصلی مدل RF ایجاد رابطه تابع غیرخطی بین پارامترهای مختلف ورودی و رطوبت خروجی خاک است:

جایی که SM سمت چپ داده‌های رطوبت خاک است و C یک بردار ورودی است که پارامترهای ورودی مختلف را نشان می‌دهد. تابع غیر خطی است که رابطه بین پارامترهای ورودی و خروجی SM را برقرار می کند.

RF چندین درخت تصمیم را در مرحله آموزش ایجاد می کند و سپس میانگین ارزش پیش بینی این درختان را به عنوان خروجی روش محاسبه می کند. مدل‌های RF می‌توانند فضای ویژگی ورودی را به تعداد زیادی درخت رگرسیون، به نام جنگل، تقسیم کنند که در آن هر درخت توسط نمونه‌های هدایت‌شده تولید می‌شود. یک نمونه بوت شامل تقریباً دو سوم نمونه های آموزشی است و یک سوم داده های باقی مانده برای اعتبارسنجی هر درخت استفاده می شود. نتیجه RF میانگین نتیجه پیش‌بینی هر درخت تصمیم به شرح زیر است:

که در آن n تعداد درختان رگرسیون است، درخت تصمیم گروه است و درخت تصمیم فرعی رطوبت اصلی خاک است با توجه به داده های بوت استرپ شده از متغیرهای ورودی آموزش .

۲٫۳٫۲٫ چارچوب کاهش مقیاس رطوبت خاک
به منظور کاهش مقیاس داده‌های رطوبت خاک AMSR-E، از مجموعه‌های داده‌های با وضوح بالا شناخته شده که نزدیک به رطوبت خاک، از جمله LST، NDVI، Albedo، DEM و بارش هستند، استفاده کردیم. متغیرهای کمکی جوی (LST، Albedo، و بارش) می توانند تغییرات زمانی SM کوچک شده را حفظ کنند. متغیر کمکی ژئوفیزیکی DEM برای ثبت تغییرات مکانی و الگوهای SM کوچک شده استفاده می شود. متغیر کمکی دیگر، مانند NDVI، نیز برای نشان دادن تأثیر تغییرات پوشش گیاهی بر الگوی فضایی-زمانی SM کوچک‌شده گنجانده شده است.
در این مطالعه، ما از مدل‌های RF برای توسعه یک چارچوب کاهش مقیاس استفاده کردیم. اساس این روش در بخش ۲٫۳٫۱ به تفصیل توضیح داده شده است . سهم عمده این مطالعه پیشنهاد یک روش جدید است که پنج داده کمکی موثر فوق را در مدل‌های RF برای بهبود تخمین رطوبت خاک با وضوح بهتر ترکیب می‌کند.
اندازه پنجره مکانی و زمانی قابل اعتماد اساس موفقیت روش ارائه شده است، زیرا بزرگی بیش از حد یک پنجره ممکن است منجر به مشکلات بیش از حد برازش در مدل رگرسیون شود. در این مطالعه از روش تعیین اندازه پنجره تطبیقی ​​مکانی-زمانی استفاده کردیم. دو پارامتر کلیدی برای تعیین اندازه پنجره استفاده می شود: تعداد روز زمانی و اندازه پنجره فضایی. ابتدا باید مقدار اولیه اندازه پنجره فضایی داده شود. هنگامی که شرایط مربوطه برآورده شد، مدل به طور خودکار تا پایان یافتن جستجو خواهد کرد. جزئیات بیشتر در مورد این استراتژی را می توان در مطالعات قبلی ما یافت [ ۴۸ ].
شکل ۲ روند روش پیشنهادی را نشان می دهد. سه مرحله زیر ساخت روش کاهش مقیاس رطوبت خاک پیشنهاد شده در این مقاله را نشان می دهد:
مرحله ۱: ابتدا داده های مورد نیاز شامل AMSR-E، MODIS (LST، NDVI، Albedo)، DEM، داده های بارش و اندازه گیری های درجا را آماده کردیم. برای ایجاد مدل کاهش مقیاس، داده های افزایش مقیاس LST، NDVI، Albedo، DEM، و بارش با AMSR-E، ۲۵ کیلومتر مطابقت داشتند.

مرحله ۲: مدل های RF با استفاده از داده های ارتقا یافته و داده های AMSR-E ایجاد شدند. در مدل RF ذکر شده در بخش ۲٫۳٫۱ ، C LST، NDVI، Albedo، DEM و بارش بود. پس از مدل سازی، مدل مورد ارزیابی و تجزیه و تحلیل قرار گرفت. مدل رابطه SM ساخته شده با روش پیشنهادی برای متغیرهای وضوح ۱ کیلومتر برای به دست آوردن داده های SM با وضوح بالا در وضوح ۱ کیلومتر اعمال شد:

مرحله ۳: نتایج کاهش مقیاس با اندازه‌گیری‌های درجا تأیید شد و با سایر روش‌های کاهش مقیاس، یعنی رگرسیون خطی چندگانه (MLR) و رگرسیون بردار پشتیبان (SVR) مقایسه شد.
شکل ۲٫ فلوچارت کاهش مقیاس SM در این مطالعه.

۲٫۴٫ ارزیابی

شاخص های آماری برای انجام تجزیه و تحلیل کمی SM اصلی و SM برآورد شده و مقایسه روش های مختلف کاهش مقیاس استفاده شد. این مطالعه از ضریب همبستگی (R) [ ۴۹ ]، ریشه میانگین مربعات خطا (RMSE) [ ۵۰ ]، میانگین خطای مطلق (MAE) [ ۵۱ ] و ریشه میانگین مربع خطای بی طرفانه (ubRMSE) در مقاله استفاده کرد. فرمول های محاسباتی به شرح زیر است:

که در آن n تعداد مشاهدات است و i و i به ترتیب SM اصلی و تخمینی هستند.

علاوه بر شاخص‌های متداول بالا برای کاهش مقیاس رطوبت خاک، این مطالعه همچنین از امتیاز مهارت کسری (FSS) [ ۵۲ ] برای ارزیابی توافق فضایی بین داده‌های اصلی و داده‌های کوچک‌شده استفاده کرد. FSS با معادله زیر بدست می آید:

که در آن n اندازه پنجره و MSE میانگین مربعات خطا است.

مقدار FSS از ۰ (عدم تطابق کل) تا ۱ (پیش بینی کامل) متغیر است. در بیشتر موارد، مقدار FSS بیشتر از ۰٫۵ یک پیش بینی خوب است [ ۵۳ ].

۳٫ نتایج

۳٫۱٫ تجزیه و تحلیل همبستگی بین رطوبت خاک و متغیرها

همانطور که قبلا ذکر شد، داده های آلبیدو، NDVI، LST و بارش به عنوان متغیرهای ورودی در مدل رابطه SM مبتنی بر RF استفاده شدند. طبق مطالعات قبلی کاهش مقیاس [ ۳۹ ، ۵۴ ]، این متغیرها ارتباط نزدیکی با SM دارند.
این مطالعه همبستگی بین متغیرهای مورد استفاده و SM را با توجه به رابطه رگرسیون خطی، همانطور که در شکل ۳ نشان داده شده است، تجزیه و تحلیل کرد . در کل منطقه مورد مطالعه، همبستگی بین SM و متغیرهای موجود نسبتاً زیاد است. در این میان، همبستگی بین NDVI و SM بالاترین، حدود ۰٫۵۳ است. این به این دلیل است که NDVI می تواند رشد پوشش گیاهی [ ۵۵ ] و شرایط پس زمینه خاک را توصیف کند. همبستگی بین بارش و SM نیز بالا است، حدود ۰٫۴۰، مربوط به این واقعیت است که بارش واضح ترین راه برای تأثیر جو بر SM است [ ۴۱ ].]. Albedo و LST نیز بسیار با SM مرتبط هستند که به ترتیب -۰٫۴۶ و -۰٫۲۳ هستند. Albedo و LST به دلیل نقش کنترلی آنها در تبادل انرژی سطحی، متغیرهای مهمی در نظارت و کاهش مقیاس SM هستند [ ۵۶ ]. در مجموع، نتایج عملی بودن استفاده از این پارامترها را در کاهش مقیاس رطوبت خاک نشان می دهد.
داده‌ها در سال ۲۰۰۹ جمع‌آوری شد. هنگام مشاهده داده‌های AMSR-E، متوجه شدیم که یکپارچگی داده‌ها در تاریخ ۱۰ نسبتاً بالا بود. بنابراین، ما در سال ۲۰۰۹، تاریخ ۱۰ هر ماه را انتخاب کردیم. توجه داشته باشید که مجموعه داده مورد استفاده در این مطالعه چندان کامل نیست. همانطور که در شکل ۳ ب نشان داده شده است، یکپارچگی داده های هر صحنه در اینجا شمارش می شود . می توان مشاهده کرد که یکپارچگی بارش، NDVI و Albedo نسبتاً بالا است. بخشی از AMSR-E گم شده است. و داده های LST بیش از همه از دست رفته است. همبستگی بین LST و AMSR-E زیاد نیست، که ممکن است به درجه بالای حذف آن نیز مربوط باشد.

۳٫۲٫ توزیع فضایی رطوبت خاک

۳٫۲٫۱٫ توزیع فضایی AMSR-E و رطوبت خاک کاهش یافته

شکل ۴ و شکل ۵ به ترتیب توزیع فضایی رطوبت خاک AMSR-E و رطوبت خاک کاهش یافته را نشان می دهد. می توان دریافت که از نظر مکانی، رطوبت خاک در جنوب بیشتر و در شمال کمتر است. از نظر زمانی رطوبت خاک در آبان، آذر و دی بیشتر و در خرداد، تیر و مرداد کمتر است. به دلیل تبخیر و تعرق شدید در تابستان، رطوبت خاک در تابستان کمتر و در زمستان بیشتر است. نتایج کوچک‌شده الگوهای فضایی مشابهی را در مشاهدات AMSR-E در بیشتر مناطق حفظ می‌کنند. در همان زمان، جزئیات فضایی مشاهدات AMSR-E نیز بهبود یافته است. ویژگی های توزیع مکانی رطوبت خاک پس از کاهش مقیاس به طور کلی با AMSR-E مطابقت دارد.
با مقایسه تصاویر قبل و بعد از کاهش مقیاس، به صورت بصری می توان دریافت که تصویر کوچک شده بسیار واضح تر و دقیق تر از تصویر AMSR-E است. به طور کلی، عملکرد داده های کوچک شده نسبتاً خوب است، اما در برخی جاها بیش از حد برآورد شده یا دست کم گرفته می شود. به طور خاص، تصویر کوچک شده در جنوب با رطوبت خاک بالا دست کم گرفته می شود و در شمال با رطوبت کم خاک بیش از حد تخمین زده می شود. این به این دلیل است که روش های یادگیری ماشینی تمایل به کاهش دامنه داده های رطوبت خاک دارند. به طور کلی، سازگاری بصری بین SM کوچک شده RF و AMSR-E SM اصلی عالی است.
۳٫۲٫۲٫ تفاوت بین داده های کوچک شده و رطوبت خاک AMSR-E
برای تجزیه و تحلیل تفاوت بین داده‌های AMSR-E و داده‌های کوچک‌شده، نمودارهای جعبه‌ای ۲ نوع داده در ۱۲ ماه و نمودارهای جعبه طبقه‌بندی شده بر اساس رطوبت خشک خاک بررسی شدند. شکل ۶ a نمودار جعبه داده های کاهش مقیاس AMSR-E و RF را برای ۱۲ ماه نشان می دهد. مشاهده می شود که تفاوت بین ۲ مجموعه داده در اکثر ماه ها کم است و مقادیر ۲ داده اساساً در محدوده ۰٫۱-۰٫۶ نگه داشته می شوند. رطوبت خاک در خرداد، تیر و مرداد کمتر و در نوامبر، دسامبر و ژانویه بیشتر است. همانطور که قبلا ذکر شد، به دلیل تبخیر و تعرق شدید در تابستان، رطوبت خاک در تابستان کمتر و در زمستان بیشتر است. در عین حال، نتایج RF به طور کلی بالا و بیش از حد برآورد شده است. مطالعات قبلی نتایج مشابهی را نشان داده اند [ ۵۷ ، ۵۸]، احتمالاً مربوط به این واقعیت است که برخی از داده‌های کمکی با وضوح بالا برای گرفتن بهتر اطلاعات سطح و توصیف اطلاعات دقیق پس از وضوح بالاتر اضافه می‌شوند.
شکل ۶ ب دو مجموعه داده را پس از آمار طبقه بندی شده بر اساس طبقه بندی رطوبت خشک مقایسه می کند. در هفت نوع خاک با رطوبت خشک، تفاوت کمی بین این دو داده وجود دارد. در همین حال، می توان دریافت که نتایج RF به طور کلی بالا و بیش از حد برآورد شده است. با این حال، دست کم گرفتن در منطقه بیش از حد مرطوب رخ می دهد.
برای تجزیه و تحلیل بیشتر تفاوت قبل و بعد از کاهش مقیاس، داده‌های AMSR-E را از داده‌های کوچک‌شده کم کردیم تا نمودار تفاوت را به‌دست آوریم. شکل ۷ تفاوت بین داده های کوچک شده و داده های AMSR-E را با مقادیر FSS در پایین سمت چپ نمودار نشان می دهد. مشاهده می شود که تفاوت ها در اکثر مناطق نسبتاً کم است. مکان هایی که پدیده های دست کم گرفته شده معمولاً در ناحیه جنوبی با رطوبت بیشتر خاک قرار دارند. پدیده بیش از حد در نواحی مرکزی و شمالی قرار دارد. این با مطالعات قبلی مطابقت دارد [ ۱ ، ۴۶ ، ۵۹]، که نشان می دهد روش های یادگیری ماشینی تمایل به کاهش دامنه داده های هدف دارند. بنابراین، این روش ارزش سطح رطوبت بالای خاک را در داده‌های اصلی AMSR-E کاهش می‌دهد و ارزش منطقه کم رطوبت خاک را افزایش می‌دهد. مقادیر FSS برای همه ماه ها بیشتر از ۰٫۵ است که نشان دهنده سازگاری خوب داده ها قبل و بعد از کاهش مقیاس است. به طور کلی، تفاوت بین داده‌های کوچک‌شده RF و داده‌های اصلی AMSR-E اندک است، که نشان می‌دهد داده‌های کوچک‌شده RF و داده‌های AMSR-E الگوهای فضایی مشابهی دارند.

۳٫۳٫ ارزیابی با اندازه‌گیری‌های درجا

به منظور اثبات اثر کاهش مقیاس RF، داده‌های AMSR-E و RF را به ترتیب با داده‌های ایستگاه زمینی تأیید کردیم. شکل ۸ نتایج تأیید داده های کاهش مقیاس AMSR-E و RF را با داده های ایستگاه زمینی نشان می دهد. مشاهده شده است که عملکرد R، RMSE، MAE، و ubRMSE پس از کاهش مقیاس بهتر از عملکرد AMSR-E است. در میان آنها، R داده های کاهش مقیاس RF بالاتر است. R از AMSR-E 0.02 است و R نتیجه کاهش مقیاس RF 0.19 است. RMSE، MAE، و ubRMSE داده های کوچک شده کمتر است. RMSE، MAE و ubRMSE AMSR-E به ترتیب ۰٫۲۰، ۰٫۱۵ و ۰٫۱۹ m3 / m3 هستند . RMSE، MAE و ubRMSE نتایج کاهش مقیاس RF 0.18، ۰٫۱۴، و ۰٫۱۶ m3 / m3 است .، به ترتیب. بنابراین، در مقایسه با داده‌های AMSR-E، نتایج تأیید داده‌های کوچک‌شده RF با اندازه‌گیری‌های درجا بهتر و نزدیک‌تر به رطوبت خاک زمین است. تفاوت های بزرگ عمدتاً در مناطقی رخ می دهد که رطوبت خاک در محل زیاد است. این ممکن است به دلیل ظرفیت کمتر برای گرفتن اطلاعات تبخیر و تعرق به خوبی باشد و در نتیجه رطوبت خاک را بیش از حد تخمین بزند. به طور کلی، نشان می دهد که الگوریتم کاهش مقیاس RF معقول و موثر است.

۴٫ بحث

۴٫۱٫ تحلیل اهمیت عوامل توضیحی

تجزیه و تحلیل اهمیت پنج عامل توضیحی ورودی (Albedo، DEM، NDVI، LST، و بارش) برای نتایج SM کاهش یافته برای درک تأثیر متغیرهای شرکت کننده بر عملکرد روش RF پیشنهادی حیاتی است. اهمیت این متغیرها با میانگین و انحراف معیار توصیف می شود. ما از امتیاز اهمیت، یک شاخص کلیدی ارائه شده توسط الگوریتم RF [ ۵۷ ] برای تجزیه و تحلیل سهم هر متغیر در روش پیشنهادی استفاده کردیم.
همانطور که در شکل ۹ نشان داده شده است ، DEM به عنوان مهم ترین متغیر با مقدار اهمیت ۰٫۲۹ شناسایی شده است، زیرا می تواند الگوهای فضایی و تغییرات SM کوچک شده [ ۱ ] را به تصویر بکشد. Albedo و NDVI اثرات قابل توجهی بر مدلسازی RF دارند و مقادیر اهمیت به ترتیب ۰٫۲۴ و ۰٫۲۱ هستند، زیرا می توانند شار انرژی سطحی و وضعیت پوشش گیاهی را منعکس کنند [ ۶۰ ]. LST با مقدار ۰٫۱۳ مربوط به اثر کنترلی SM بر تبادل انرژی سطح زمین اهمیت دارد [ ۵۶ ]. بارش همان نتایج LST را دارد، زیرا بارش یک پارامتر حیاتی است که مستقیماً منجر به تغییرات در SM می شود [ ۴۶ ]]. به طور کلی، نتایج نشان می‌دهد که استفاده از این داده‌های کمکی برای کاهش مقیاس رطوبت خاک منطقی است و تأثیر معین عوامل توضیحی بر مدل‌سازی RF را نشان می‌دهد.

۴٫۲٫ تجزیه و تحلیل Leave-One-Out

برای تأیید عقلانیت و برتری مدل ما، تجزیه و تحلیل ترک یک‌سری بیشتر انجام شد. به طور خاص، با این رویکرد، مدل کاهش مقیاس پس از حذف یک متغیر ورودی اجرا شد. سپس، نتایج کوچک شده با مشاهدات درجا تأیید شد. شکل ۱۰نمودار نتایج راستی‌آزمایی رویکرد ترک یک خروجی را نشان می‌دهد. اولین مورد، نتایج راستی‌آزمایی تمام پارامترهای شرکت‌کننده در کاهش مقیاس تصادفی جنگل است، و به دنبال آن نتایج تأیید نتایج کاهش‌یافته با داده‌های درجا پس از حذف این متغیرها (به ترتیب آلبدو، DEM، NDVI، LST و بارش) است. اعداد روی هیستوگرام پردازش می شوند تا تفاوت های آنها را بهتر نشان دهند. نتایج جنگل تصادفی با تمام پارامترهای درگیر بهترین و RMSE و MAE از RF کمترین هستند. بدون بارش و داده های NDVI، RMSE و MAE به طور قابل توجهی افزایش می یابد. بنابراین، بارش و NDVI بیشترین تأثیر را بر نتایج مدل دارند و پس از آن داده‌های Albedo، DEM و LST قرار دارند. در مقایسه با نتایج RF، RMSE و MAE بدون بارش ۰٫۰۲۶ و ۰٫۰۱۲ متر افزایش یافت.به ترتیب ۳ / m3 . No-LST کمترین تأثیر را بر نتایج داشت و RMSE و MAE آن به ترتیب ۰۱۸/۰ و ۰۰۷/۰ متر مکعب بر متر مکعب افزایش یافتند . بنابراین، افزودن این پنج پارامتر می تواند عملکرد روش پیشنهادی ما را بهبود بخشد و نتایج کاهش مقیاس بهتری را به دست آورد.

۴٫۳٫ مقایسه روش های مختلف

برای بررسی بیشتر دقت رویکرد کاهش مقیاس پیشنهادی، مطالعه ما چندین روش را انتخاب کرد که اغلب در تحقیقات کاهش مقیاس برای مقایسه با روش RF پیشنهادی استفاده می‌شوند. در اینجا، ما روش RF پیشنهادی را با رگرسیون خطی چندگانه (MLR) [ ۶۱ ] و رگرسیون بردار پشتیبان (SVR) [ ۶۲ ] مقایسه می‌کنیم. نتایج راستی‌آزمایی داده‌های کوچک‌شده این سه روش با مشاهدات درجا به‌دست آمد. از شکل ۱۱ مشخص می شود که روش RF پیشنهادی بهترین نتایج را دارد و به طور قابل توجهی بهتر از دو روش دیگر عمل می کند. RMSE و MAE RF کمتر از دو روش دیگر است، با RMSE و MAE 0.181 و ۰٫۱۳۴ m ۳ / m ۳، به ترتیب. R RF با مقدار ۰٫۲۶۱ بالاتر است. در عین حال، عملکرد MLR بهتر از SVR است، با RMSE کمتر و R بالاتر.
دلیل نتایج فوق ممکن است این باشد که مدل MLR برای رگرسیون خطی ساده مناسب است. MLR مستعد بیش از حد برازش است [ ۶۳ ] و برای تحقیقات در مقیاس بزرگ مناسب نیست. عملکرد هسته مدل SVR نقشی حیاتی در فرآیند مدل‌سازی بازی می‌کند [ ۶۴]، اما نوع تابع هسته و سایر پارامترها باید به طور مصنوعی در عملکرد مدل انتخاب شوند. از این رو، این مشکل ممکن است بر دقت و توانایی پیش‌بینی نهایی مدل تأثیر بگذارد و دقت را ضعیف کند. مدل RF دارای تصادفی است که باعث می شود مدل در فرآیند یادگیری و کاربرد، پایدارتر و تعمیم بیشتری پیدا کند. تصادفی بودن RF نیز تا حد زیادی از وقوع بیش از حد برازش می کاهد. علاوه بر این، پارامترهای مصنوعی کمتری در فرآیند عملکرد مدل وجود دارد که از دخالت عوامل انسانی جلوگیری می کند.
روش پیشنهادی با روش های چندین مطالعه قبلی مقایسه شده است. چهار رویکرد متداول یادگیری ماشین [ ۴۷ ] ابتدا برای مقایسه مورد استفاده قرار می گیرند. روش برازش چند جمله‌ای [ ۵۵ ] که یک روش پرکاربرد است، برای تحلیل مقایسه‌ای اضافه می‌شود. علاوه بر این، روش کاهش مقیاس UCLA که توسط کیم و هوگ [ ۶۵ ] پیشنهاد شده بود نیز در مقایسه استفاده می شود. منطقه مورد مطالعه، داده های مورد استفاده و دقت مربوط به هر روش در جدول ۳ نشان داده شده است. این مطالعه تایید می کند که روش پیشنهادی می تواند با روش های دیگر یا حتی بهتر مقایسه شود. روش پیشنهادی پنج نوع داده کمکی مؤثر را انتخاب کرد و از یک استراتژی تعیین پنجره فضایی-زمانی تطبیقی ​​استفاده کرد. در مقایسه با روش های دیگر، برای استفاده در مناطق پیچیده بزرگ مناسب تر است.

۴٫۴٫ محدودیت های مطالعه

این مطالعه با موفقیت داده های AMSR-E را با وضوح ۲۵ کیلومتر به ۱ کیلومتر کاهش داد. با این حال، هنوز هم کاستی هایی وجود دارد. اول، منطقه مورد مطالعه بر شمال چین متمرکز شد، جایی که ایستگاه های زمینی و داده های راستی آزمایی زیادی وجود ندارد. بنابراین، نتایج تایید به دست آمده دارای محدودیت های خاصی است. در کارهای آینده، داده های میدانی بیشتری را می توان برای تأیید جمع آوری کرد. دوم، AMSR-E برای داده های اصلی رطوبت خاک در این مطالعه انتخاب شد. کیفیت داده های اصلی نیز ممکن است بر نتایج کاهش مقیاس تأثیر بگذارد. در آینده می توانیم از سایر داده های با کیفیت بالا استفاده کنیم. این مطالعه از برخی معیارهای آماری رایج برای تایید نتایج استفاده کرد. معیارهای اعتبار سنجی بیشتر، مانند توابع متعامد تجربی (EOF) و متریک بازده مکانی (SAPAEF) [ ۵۳ ، ۶۶ ،۶۷ ]، می تواند در کارهای آینده استفاده شود. در این مطالعه، داده‌های کاهش مقیاس رطوبت خاک به ندرت اعمال شد. کار آینده می تواند داده های رطوبت خاک را کاهش مقیاس به طور گسترده تری اعمال کند [ ۶۸ ، ۶۹ ، ۷۰ ] و آن را با جهت های دیگر ترکیب کند [ ۷۱ ، ۷۲ ]. در نهایت روش پیشنهادی در این تحقیق عمدتاً بر اساس جنگل تصادفی است. با توجه به اینکه استفاده از یک روش ممکن است باعث خطا شود، می توان چندین روش را برای کاهش مقیاس در آینده جمع آوری کرد.

۵٫ نتیجه گیری ها

این مطالعه یک چارچوب کارآمد بر اساس مدل RF برای کاهش مقیاس رطوبت خاک AMSR-E در شمال چین از وضوح اولیه آن ۲۵ کیلومتر به وضوح بهتر ۱ کیلومتر پیشنهاد کرد. این مطالعه از یک استراتژی تعیین پنجره فضایی-زمانی تطبیقی ​​و پنج داده کمکی (LST، NDVI، Albedo، بارش، و DEM) استفاده کرد. متغیرهای شرکت‌کننده ارتباط نزدیکی با رطوبت خاک دارند و از مجموعه داده‌های سنجش از دور ماهواره‌ای و مشاهدات زمینی به دست آمده‌اند. تصویر کوچک‌شده بهتر می‌توانست جزئیات رطوبت خاک را توصیف کند و یک الگوی فضایی سازگار با AMSR-E SM اصلی را نشان می‌داد. نتیجه گیری اصلی به شرح زیر است.
(۱) R، RMSE، MAE، و ubRMSE کلی بین SM کاهش یافته تولید شده توسط مدل پیشنهادی و اندازه‌گیری‌های درجا به ترتیب ۰٫۱۹، ۰٫۱۸، ۰٫۱۴، و ۰٫۱۶ m3 / m3 است . این نتایج بهتر از نتایج AMSR-E SM اصلی با R برابر ۰٫۰۲، RMSE 0.20 m ۳ / m ۳ ، MAE 0.15 m ۳ / m ۳ و ubRMSE 0.19 m ۳ / m ۳ است. این بدان معناست که الگوریتم کاهش مقیاس پیشنهادی معقول و موثر است.
(۲) DEM، Albedo، بارش، و LST اهمیت بالایی را برای کاهش مقیاس SM نشان می دهند، که نشان دهنده کارایی آنها به عنوان متغیرهای کلیدی است که نزدیک به تغییرات SM مرتبط است. این نتایج همچنین نشان می دهد که گنجاندن همه متغیرهای ورودی منجر به بهترین دقت کاهش مقیاس می شود. در عین حال، این متغیرها همراه با یادگیری ماشین و الگوریتم‌های جستجوی مکانی-زمانی می‌توانند در مناطق پیچیده بزرگ اعمال شوند.
(۳) روش RF پیشنهادی به طور قابل توجهی بهتر از MLR و SVR عمل می کند. داده های کوچک شده به دست آمده از روش کاهش مقیاس پیشنهادی نیز با MLR و SVR مقایسه شدند. نتایج تأیید با اندازه‌گیری‌های درجا نشان داد که رویکرد پیشنهادی بهتر از دو روش دیگر است. R، RMSE، و MAE بین SM و اندازه‌گیری‌های درجا به ترتیب ۰٫۲۶۱، ۰٫۱۸۱ و ۰٫۱۳۴ m3 / m3 است . آنها بهتر از نتایج MLR و SVR هستند. R، RMSE، و MAE SM کوچک شده MLR به ترتیب ۰٫۲۱۷، ۰٫۲۰۱ و ۰٫۱۶۴ m3 / m3 است . R، RMSE، و MAE SVR SM کوچک شده ۰٫۰۶۳، ۰٫۲۱۳ و ۰٫۱۵۹ m3 / m3 است .، به ترتیب.
به طور خلاصه، این مطالعه با موفقیت داده‌های ۱ کیلومتر × ۱ کیلومتر SM را در شمال چین تولید کرد که نیاز به پایش خشکسالی، مدل‌سازی هیدرولوژیکی و برخی تحقیقات مرتبط را برآورده کرد. مزیت روش پیشنهادی این است که هیچ محدودیتی برای شرایط سطح زمین، مانند مناطق نیمه خشک یا مرطوب وجود ندارد. در این بین، این روش را می توان در مناطق وسیع با ویژگی های آب و هوایی و سطحی مختلف اعمال کرد. کار آینده بر جمع‌آوری سایر داده‌های SM و مشاهدات بیشتر درجا و استفاده از الگوریتم‌های یادگیری ماشینی گروهی متمرکز خواهد بود.

منابع

  1. عباس زاده، پ. مرادخانی، ح. Zhan, X. کاهش مقیاس SMAP رادیومتر رطوبت خاک بر روی CONUS با استفاده از روش یادگیری گروهی. منبع آب Res. ۲۰۱۹ ، ۵۵ ، ۳۲۴-۳۴۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  2. ژانگ، تی. پنگ، جی. لیانگ، دبلیو. یانگ، YT; لیو، YX الگوهای مکانی-زمانی بهره وری مصرف آب و کنترل های آب و هوا در فلات لس چین در طول ۲۰۰۰-۲۰۱۰٫ علمی کل محیط. ۲۰۱۶ ، ۵۶۵ ، ۱۰۵-۱۲۲٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  3. بیندلیش، ر. کلاغ، دبلیو. جکسون، تی جی نقش سنجش از دور مایکروویو غیرفعال در بهبود پیش‌بینی سیل. IEEE Geosci. سنسور از راه دور Lett. ۲۰۰۹ ، ۶ ، ۱۱۲-۱۱۶٫ [ Google Scholar ] [ CrossRef ]
  4. مائو، ک. شی، ج. تانگ، اچ. Li، Z.-L. وانگ، ایکس. چن، ک.- اس. یک تکنیک شبکه عصبی برای جداسازی تشعشع و دما سطح زمین از تصاویر ASTER. IEEE Trans. Geosci. Remote Sens. ۲۰۰۷ ، ۴۶ ، ۲۰۰-۲۰۸٫ [ Google Scholar ] [ CrossRef ]
  5. Renzullo، LJ; ون دایک، AIJM; Perraud, JM; کالینز، دی. هندرسون، بی. جین، اچ. اسمیت، AB; جذب داده های رطوبت خاک ماهواره ای McJannet، DL Continental تجزیه و تحلیل رطوبت ناحیه ریشه را برای ارزیابی منابع آب بهبود می بخشد. جی هیدرول. ۲۰۱۴ ، ۵۱۹ ، ۲۷۴۷-۲۷۶۲٫ [ Google Scholar ] [ CrossRef ]
  6. چن، سی اف. پسر، NT; چانگ، LY; چن، CC نظارت بر تنوع رطوبت خاک در رابطه با سیستم های کشت برنج در دلتای مکونگ ویتنامی با استفاده از داده های MODIS. Appl. Geogr. ۲۰۱۱ ، ۳۱ ، ۴۶۳-۴۷۵٫ [ Google Scholar ] [ CrossRef ]
  7. تاتل، اس. Salvucci, G. شواهد تجربی از بازخوردهای متضاد رطوبت خاک در سراسر ایالات متحده. Science ۲۰۱۶ ، ۳۵۲ ، ۸۲۵-۸۲۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  8. لیو، YY; دوریگو، WA; Parinussa، RM; de Jeu، RA; واگنر، دبلیو. مک کیب، ام.اف. ایوانز، جی پی؛ Van Dijk، AIJM روند حفظ روند بازیابی رطوبت خاک غیرفعال و فعال مایکروویو. سنسور از راه دور محیط. ۲۰۱۲ ، ۱۲۳ ، ۲۸۰-۲۹۷٫ [ Google Scholar ] [ CrossRef ]
  9. کریشنان، پی. سیاه، TA; گرانت، نیوجرسی؛ Barr, AG; Hogg، ETH; جاسال، RS; مورگنسترن، ک. تأثیر تغییر توزیع رطوبت خاک بر بهره‌وری خالص اکوسیستم یک جنگل صخره‌ای شمالی در طول و پس از خشکسالی. کشاورزی برای. هواشناسی ۲۰۰۶ ، ۱۳۹ ، ۲۰۸-۲۲۳٫ [ Google Scholar ] [ CrossRef ]
  10. دوریگو، دبلیو. واگنر، دبلیو. آلبرگل، سی. آلبرشت، اف. بالسامو، جی. بروکا، ال. چانگ، دی. ارتل، م. فورکل، ام. گروبر، آ. و همکاران ESA CCI Soil Moisture برای درک بهبود یافته سیستم زمین: پیشرفته ترین و جهت گیری های آینده. سنسور از راه دور محیط. ۲۰۱۷ ، ۲۰۳ ، ۱۸۵-۲۱۵٫ [ Google Scholar ] [ CrossRef ]
  11. ژائو، SH; Cong، DM; او، KX; یانگ، اچ. Qin، ZH تغییرات مکانی-زمانی خشکسالی در چین از سال ۱۹۸۲ تا ۲۰۱۰ بر اساس یک شاخص دمایی اصلاح شده خشکسالی گیاهی (mTVDI). علمی Rep. ۲۰۱۷ , ۷ , ۱۷۱۷۳٫ [ Google Scholar ] [ CrossRef ]
  12. پتروپولوس، GP; ایرلند، جی. بارت، بی. بازیابی رطوبت خاک سطحی از سنجش از دور: وضعیت فعلی، محصولات و روندهای آینده. فیزیک شیمی. زمین ۲۰۱۵ ، ۸۳–۸۴ ، ۳۶–۵۶٫ [ Google Scholar ] [ CrossRef ]
  13. پنگ، جی. لوو، الف. پیشرفت های اخیر در تخمین رطوبت خاک از سنجش از دور. Water ۲۰۱۷ , ۹ , ۵۳۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  14. Engman، ET; Chauhan، N. وضعیت مایکروویو اندازه گیری رطوبت خاک با سنجش از دور. سنسور از راه دور محیط. ۱۹۹۵ ، ۵۱ ، ۱۸۹-۱۹۸٫ [ Google Scholar ] [ CrossRef ]
  15. نجوکو، ای. جکسون، تی. لاکشمی، وی. چان، تی. Nghiem، S. بازیابی رطوبت خاک از AMSR-E. IEEE Trans. Geosci. Remote Sens. ۲۰۰۳ , ۴۱ , ۲۱۵-۲۲۹٫ [ Google Scholar ] [ CrossRef ]
  16. انتخابی، د. Njoku، EG; اونیل، پی. Kellogg، KH; کلاغ، WT; ادلشتاین، WN; انتین، جی کی. گودمن، SD; جکسون، تی جی؛ جانسون، جی. و همکاران ماموریت غیرفعال رطوبت خاک (SMAP). Proc. IEEE ۲۰۱۰ ، ۹۸ ، ۷۰۴-۷۱۶٫ [ Google Scholar ] [ CrossRef ]
  17. برگر، ام. کمپز، ا. فونت، ج. کر، ی. میلر، جی. Johannessen، JA; بوتین، جی. Drinkwater، MR; اسکو، ن. فلوری، ن. و همکاران اندازه‌گیری شوری اقیانوس‌ها با مأموریت SMOS ESA – پیشرفت علم. ESA Bull. ۲۰۰۲ ، ۱۱۱ ، ۱۱۳-۱۲۱٫ [ Google Scholar ]
  18. مولرو، بی. مرلین، او. Malbeteau، Y.; البیطار، ع. کابوت، اف. استفان، وی. کر، ی. بیکن، اس. Cosh، MH; بیندلیش، ر. و همکاران محصول رطوبت خاک تفکیک شده SMOS در وضوح ۱ کیلومتر: بررسی اجمالی پردازنده و اولین نتایج اعتبارسنجی. سنسور از راه دور محیط. ۲۰۱۶ ، ۱۸۰ ، ۳۶۱-۳۷۶٫ [ Google Scholar ] [ CrossRef ]
  19. Njoku، EG; انتخابی، د. سنجش از دور مایکروویو غیرفعال رطوبت خاک. جی هیدرول. ۱۹۹۶ ، ۱۸۴ ، ۱۰۱-۱۲۹٫ [ Google Scholar ] [ CrossRef ]
  20. Schmugge, T. کاربردهای مشاهدات مایکروویو غیرفعال رطوبت سطحی خاک. جی هیدرول. ۱۹۹۸ ، ۲۱۲ ، ۱۸۸-۱۹۷٫ [ Google Scholar ] [ CrossRef ]
  21. جین، ی. Ge، Y. لیو، YJ; چن، YH; ژانگ، اچ تی. Heuvelink، GBM یک روش کاهش مقیاس زمین آماری مبتنی بر یادگیری ماشین برای محصولات رطوبتی خاک با وضوح درشت. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. ۲۰۲۱ , ۱۴ , ۱۰۲۵–۱۰۳۷٫ [ Google Scholar ] [ CrossRef ]
  22. پنگ، جی. لو، آ. مرلین، او. Verhoest، NEC مروری بر کاهش مقیاس فضایی رطوبت خاک سنجش از راه دور ماهواره ای. کشیش ژئوفیس. ۲۰۱۷ ، ۵۵ ، ۳۴۱-۳۶۶٫ [ Google Scholar ] [ CrossRef ]
  23. de Jeu، RAM؛ واگنر، دبلیو. هلمز، TRH; Dolman، AJ; ون د گیسن، NC; Friesen, J. الگوهای رطوبتی جهانی خاک مشاهده شده توسط رادیومترهای مایکروویو و پراکندگی سنج های فضایی. Surv. ژئوفیز. ۲۰۰۸ ، ۲۹ ، ۳۹۹-۴۲۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  24. مرلین، او. واکر، جی پی؛ چهبونی، ع. Kerr, Y. به سوی کاهش مقیاس قطعی رطوبت خاک SMOS با استفاده از راندمان تبخیری خاک مشتق شده از MODIS. سنسور از راه دور محیط. ۲۰۰۸ ، ۱۱۲ ، ۳۹۳۵-۳۹۴۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  25. بوش، FA; نیمن، جی دی. کلمن، ام. ارزیابی یک روش مبتنی بر تابع متعامد تجربی برای کاهش مقیاس الگوهای رطوبت خاک بر اساس ویژگی های توپوگرافی. هیدرول. روند. ۲۰۱۲ ، ۲۶ ، ۲۶۹۶-۲۷۰۹٫ [ Google Scholar ] [ CrossRef ]
  26. پنگ، جی. بورشه، م. لیو، ی. لوو، الف. اندازه‌گیری کسر تبخیری آنی شارهای روز چقدر نماینده است؟ هیدرول. سیستم زمین علمی ۲۰۱۳ ، ۱۷ ، ۳۹۱۳-۳۹۱۹٫ [ Google Scholar ] [ CrossRef ]
  27. اینس، AVM؛ Mohanty، BP; Shin, Y. یک الگوریتم عدم اختلاط برای رطوبت خاک از راه دور. منبع آب Res. ۲۰۱۳ ، ۴۹ ، ۴۰۸-۴۲۵٫ [ Google Scholar ] [ CrossRef ]
  28. لو، آ. Mauser, W. در مورد تفکیک داده‌های رطوبت خاک مایکروویو غیرفعال با استفاده از دانش پیشینی مزارع رطوبت خاک موقتاً پایدار. IEEE Trans. Geosci. Remote Sens. ۲۰۰۸ , ۴۶ , ۸۱۹-۸۳۴٫ [ Google Scholar ] [ CrossRef ]
  29. لیونز، اچ. تومر، SK; البیطار، ع. De Lannoy، GJM; دروش، ام. دومده، جی. فرانسن، HJH; کر، YH; مارتنز، بی. پان، م. و همکاران جذب رطوبت خاک SMOS برای بهبود شبیه‌سازی هیدرولوژیکی در حوضه موری دارلینگ، استرالیا. سنسور از راه دور محیط. ۲۰۱۵ ، ۱۶۸ ، ۱۴۶-۱۶۲٫ [ Google Scholar ] [ CrossRef ]
  30. Njoku، EG; ویلسون، WJ; یوه، SH; دیناردو، اس جی. لی، FK; جکسون، تی جی؛ لاکشمی، وی. Bolten, J. مشاهدات رطوبت خاک با استفاده از یک حسگر هوابرد مایکروویو با فرکانس پایین غیرفعال و فعال در طول SGP99. IEEE Trans. Geosci. Remote Sens. ۲۰۰۲ , ۴۰ , ۲۶۵۹–۲۶۷۳٫ [ Google Scholar ] [ CrossRef ]
  31. مرلین، او. رودیگر، سی. البیطار، ع. ریشوم، پی. واکر، جی پی؛ کر، YH تجزیه رطوبت خاک SMOS در جنوب شرقی استرالیا. IEEE Trans. Geosci. Remote Sens. ۲۰۱۲ ، ۵۰ ، ۱۵۵۶-۱۵۷۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  32. Werbylo، KL; Niemann, JD ارزیابی تکنیک‌های نمونه‌برداری برای توصیف تنوع وابسته به توپوگرافی برای کاهش مقیاس رطوبت خاک. جی هیدرول. ۲۰۱۴ ، ۵۱۶ ، ۳۰۴-۳۱۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  33. رانی، کی جی؛ نیمن، جی دی. Lehman، BM; سبز، TR; جونز، AS روشی برای کاهش رطوبت خاک به وضوح با استفاده از داده های توپوگرافی، پوشش گیاهی و خاک. Adv. منبع آب ۲۰۱۵ ، ۷۶ ، ۸۱-۹۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  34. پلتیه، سی. والرو، اس. اینگلادا، جی. قهرمان، ن. ددیو، جی. ارزیابی استحکام جنگل‌های تصادفی برای نقشه‌برداری از پوشش زمین با سری‌های زمانی تصاویر ماهواره‌ای با وضوح بالا در مناطق بزرگ. سنسور از راه دور محیط. ۲۰۱۶ ، ۱۸۷ ، ۱۵۶-۱۶۸٫ [ Google Scholar ] [ CrossRef ]
  35. پارک، اس. پارک، اس. من، جی. ری، جی. شین، جی. پارک، JD کاهش مقیاس داده های رطوبت خاک GLDAS در شرق آسیا از طریق ادغام چند سنسور با بهینه سازی درختان رگرسیون اصلاح شده. Water ۲۰۱۷ , ۹ , ۳۳۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  36. ایمائوکا، ک. کاچی، م. فوجی، اچ. موراکامی، اچ. هوری، م. اونو، آ. ایگاراشی، تی. ناکاگاوا، ک. اوکی، تی. هوندا، ی. و همکاران ماموریت مشاهده تغییرات جهانی (GCOM) برای نظارت بر کربن، چرخه آب و تغییرات آب و هوا. Proc. IEEE ۲۰۱۰ ، ۹۸ ، ۷۱۷-۷۳۴٫ [ Google Scholar ] [ CrossRef ]
  37. مرلین، او. Malbeteau، Y.; نتفی، ی. بیکن، اس. ار-راکی، س. خبا، س. Jarlan، L. معیارهای عملکرد برای روش‌های کاهش مقیاس رطوبت خاک: کاربرد در داده‌های DISPATCH در مراکش مرکزی. Remote Sens. ۲۰۱۵ ، ۷ ، ۳۷۸۳–۳۸۰۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  38. نیش، بی. Lakshmi, V. رطوبت خاک در مقیاس حوضه: تکنیک های سنجش از دور. جی هیدرول. ۲۰۱۴ ، ۵۱۶ ، ۲۵۸-۲۷۲٫ [ Google Scholar ] [ CrossRef ]
  39. ویلسون، دی جی؛ وسترن، AW؛ Grayson, RB یک روش زمینی و مبتنی بر داده برای تولید توزیع فضایی رطوبت خاک. Adv. منبع آب ۲۰۰۵ ، ۲۸ ، ۴۳-۵۴٫ [ Google Scholar ] [ CrossRef ]
  40. ماسکارو، جی. Vivoni، ER; Deidda, R. کاهش مقیاس رطوبت خاک در مناطق آب و هوایی و خواص اضطراری آن. جی. ژئوفیس. Res. زمین گشت و گذار. ۲۰۱۱ ، ۱۱۶ ، D22114. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  41. کلاغ، WT; برگ، AA; Cosh، MH; لو، آ. Mohanty، BP; پانسیرا، آر. د روسنای، پی. ریو، دی. Walker, JP افزایش مقیاس مشاهده‌های رطوبت خاک بر پایه زمین پراکنده برای اعتبارسنجی محصولات رطوبتی خاک ماهواره‌ای با وضوح درشت. کشیش ژئوفیس. ۲۰۱۲ ، ۵۰ ، RG2002. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  42. جونز، آر. برونسل، NA تجزیه و تحلیل مقیاس‌پذیری برهم‌کنش‌های رطوبت و بارش خاک در یک مدل آب و هوای منطقه‌ای. نظریه. Appl. کلیماتول. ۲۰۰۹ ، ۹۸ ، ۲۲۱-۲۳۵٫ [ Google Scholar ] [ CrossRef ]
  43. یانگ، ک. او، جی. تانگ، WJ; کوین، جی. چنگ، CCK در مورد تشعشعات موج کوتاه و بلند رو به پایین در مناطق با ارتفاع بالا: مشاهده و مدل‌سازی در فلات تبت. کشاورزی برای. هواشناسی ۲۰۱۰ ، ۱۵۰ ، ۳۸-۴۶٫ [ Google Scholar ] [ CrossRef ]
  44. او، جی. یانگ، ک. تانگ، WJ; لو، اچ. کوین، جی. چن، YY; Li، X. اولین مجموعه داده اجباری هواشناسی با وضوح بالا برای مطالعات فرآیند زمین در چین. علمی داده ۲۰۲۰ ، ۷ ، ۲۵٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  45. بریمن، L. جنگل های تصادفی. ماخ Learn ۲۰۰۱ , ۴۵ , ۵-۳۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  46. لانگ، دی. بای، ال. یان، ال. ژانگ، سی. یانگ، دبلیو. لی، اچ. کوان، جی. منگ، ایکس. Shi, C. ایجاد رطوبت خاک سطحی کاملاً فضایی و پیوسته روزانه با قدرت تفکیک مکانی بالا. سنسور از راه دور محیط. ۲۰۱۹ ، ۲۳۳ ، ۱۱۱۳۶۴٫ [ Google Scholar ] [ CrossRef ]
  47. لیو، YXY؛ یانگ، YP; جینگ، WL; Yue, XF مقایسه رویکردهای مختلف یادگیری ماشین برای کاهش ماهانه رطوبت خاک بر پایه ماهواره بر شمال شرق چین. Remote Sens. ۲۰۱۸ , ۱۰ , ۳۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  48. لیو، ک. سو، اچ. لی، ایکس. Chen, S. توسعه یک مجموعه داده دمای سطح زمین با مقیاس ۲۵۰ متری کاهش یافته و کاربرد آن برای بهبود تبخیر و تعرق سنجش از راه دور در مناظر بزرگ در شمال چین. IEEE Trans. Geosci. Remote Sens. ۲۰۲۰ , ۱۰ , ۳۱٫ [ Google Scholar ] [ CrossRef ]
  49. Udovicic، M. بازداریک، ک. Bilic-Zulle، L. Petrovecki, M. چه چیزی باید در هنگام محاسبه ضریب همبستگی بدانیم؟ بیوشیمی. پزشکی ۲۰۰۷ ، ۱۷ ، ۱۰-۱۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  50. تان، اس. وو، بی اف؛ یان، NN; Zhu، WW یک روش کاهش مقیاس ET آماری مبتنی بر NDVI. Water ۲۰۱۷ , ۹ , ۹۹۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  51. زو، جی پی؛ Xu، JH; چن، YN; وانگ، سی. کاهش مقیاس بارش در حوضه رودخانه داخلی با داده کم در شمال غربی چین بر اساس محصولات داده سیستم زمین. Atmosphere ۲۰۱۹ , ۱۰ , ۶۱۳٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  52. رابرتز، NM; راستی‌آزمایی انتخابی مقیاس بارندگی ناب، HWJ از پیش‌بینی‌های با وضوح بالا رویدادهای همرفتی. دوشنبه Weather Rev. ۲۰۰۸ , ۱۳۶ , ۷۸-۹۷٫ [ Google Scholar ] [ CrossRef ]
  53. اسکوک، جی. رابرتز، NJ تجزیه و تحلیل ویژگی‌های امتیاز مهارت کسری برای میدان‌های بارش تصادفی و پیش‌بینی‌های ECMWF. QJR Meteorol. Soc. ۲۰۱۶ ، ۱۴۲ ، ۲۵۹۹-۲۶۱۰٫ [ Google Scholar ] [ CrossRef ]
  54. Srivastava، PK؛ هان، DW; رامیرز، MR; اسلام، تی. تکنیک‌های یادگیری ماشین برای کاهش مقیاس رطوبت خاک ماهواره‌ای SMOS با استفاده از دمای سطح زمین MODIS برای کاربرد هیدرولوژیکی. منبع آب مدیریت ۲۰۱۳ ، ۲۷ ، ۳۱۲۷-۳۱۴۴٫ [ Google Scholar ] [ CrossRef ]
  55. پیلز، م. کمپز، ا. وال-لوسرا، ام. کوربلا، آی. پانسیرا، آر. رودیگر، سی. کر، YH; Walker, J. کاهش مقیاس رطوبت خاک حاصل از SMOS با استفاده از داده های مرئی/مادون قرمز MODIS. IEEE Trans. Geosci. Remote Sens. ۲۰۱۱ , ۴۹ , ۳۱۵۶–۳۱۶۶٫ [ Google Scholar ] [ CrossRef ]
  56. وانگ، جی آر. Choudhury، BJ سنجش از دور محتوای خاک-رطوبت در میدان خالی در فرکانس ۱٫۴ گیگاهرتز. جی. ژئوفیس. Res. اقیانوس ها ۱۹۸۱ ، ۸۶ ، ۵۲۷۷-۵۲۸۲٫ [ Google Scholar ] [ CrossRef ]
  57. من، جی. پارک، اس. ری، جی. بایک، جی. Choi, M. کاهش مقیاس رطوبت خاک AMSR-E با محصولات MODIS با استفاده از رویکردهای یادگیری ماشین. محیط زیست علوم زمین ۲۰۱۶ ، ۷۵ ، ۱۱۲۰٫ [ Google Scholar ] [ CrossRef ]
  58. ژائو، دبلیو. لی، AN یک روش کاهش مقیاس برای بهبود وضوح فضایی محصول رطوبت خاک مشتق شده از AMSR-E بر اساس داده های MSG-SEVIRI. Remote Sens. ۲۰۱۳ , ۵ , ۶۷۹۰–۶۸۱۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  59. لیو، YXY؛ Xia، XL; یائو، ال. جینگ، WL; ژو، CH; هوانگ، WM; لی، ی. یانگ، جی. کاهش مقیاس ماهواره ای رطوبت خاک را با استفاده از الگوریتم های یادگیری ماشینی مبتنی بر درخت رگرسیون در جنوب غربی فرانسه بازیابی کرد. علوم فضایی زمین ۲۰۲۰ , ۷ , e2020EA001267. [ Google Scholar ] [ CrossRef ]
  60. پارک، اس. من، جی. پارک، اس. Rhee, J. پایش خشکسالی با استفاده از رطوبت خاک با وضوح بالا از طریق همجوشی داده های ماهواره ای چند سنسوری در شبه جزیره کره. کشاورزی برای. هواشناسی ۲۰۱۷ ، ۲۳۷ ، ۲۵۷-۲۶۹٫ [ Google Scholar ] [ CrossRef ]
  61. Wilks, DS Statistical Methods in the Atmospheric Sciences ; مطبوعات دانشگاهی: کمبریج، MA، ایالات متحده آمریکا، ۲۰۱۱; جلد ۱۰۰٫ [ Google Scholar ]
  62. تریپاتی، س. سرینیواس، وی. Nanjundiah, RS کاهش مقیاس بارش برای سناریوهای تغییر آب و هوا: رویکرد ماشین بردار پشتیبانی. جی هیدرول. ۲۰۰۶ ، ۳۳۰ ، ۶۲۱-۶۴۰٫ [ Google Scholar ] [ CrossRef ]
  63. Xie، WH; یی، SZ; لنگ، سی. مطالعه ای برای مقایسه سه الگوریتم مختلف کاهش مقیاس فضایی بارش سالانه TRMM 3B43. در مجموعه مقالات بیست و ششمین کنفرانس بین المللی ژئوانفورماتیک، کونمینگ، چین، ۲۸ تا ۳۰ ژوئن ۲۰۱۸٫ [ Google Scholar ] [ CrossRef ]
  64. ابراهیمی، ح. آزادبخت، م. کاهش دمای سطح زمین MODIS در یک منطقه ناهمگن: بررسی تکنیک های یادگیری ماشین، انتخاب ویژگی، و تاثیرات پیکسل های مخلوط. محاسبه کنید. Geosci. ۲۰۱۹ ، ۱۲۴ ، ۹۳-۱۰۲٫ [ Google Scholar ] [ CrossRef ]
  65. کیم، جی. Hogue، TS بهبود نمایش رطوبت فضایی خاک از طریق ادغام محصولات AMSR-E و MODIS. IEEE Trans. Geosci. Remote Sens. ۲۰۱۲ ، ۵۰ ، ۴۴۶-۴۶۰٫ [ Google Scholar ] [ CrossRef ]
  66. کوچ، جی. دمیرل، ام سی؛ Stisen، SJ متریک بازده مکانی (SPAEF): ارزیابی چند جزئی الگوهای فضایی برای بهینه‌سازی مدل‌های هیدرولوژیکی. Geosci. مدل Dev. ۲۰۱۸ ، ۱۱ ، ۱۸۷۳-۱۸۸۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  67. احمد، ک. ساچیندرا، DA; شهید، س. دمیرل، ام سی؛ چانگ، E.-SJH; علوم، ES انتخاب مجموعه چند مدلی از مدل‌های گردش عمومی برای شبیه‌سازی بارش و دمای حداکثر و حداقل بر اساس معیارهای ارزیابی فضایی. هیدرول. سیستم زمین علمی ۲۰۱۹ ، ۲۳ ، ۴۸۰۳-۴۸۲۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  68. لیو، ک. وانگ، اس. لی، ایکس. Wu, TJ تفکیک فضایی دمای سطح زمین ماهواره با یک مدل غیرخطی در سراسر مناطق کشاورزی. جی. ژئوفیس. Res. Biogeosci. ۲۰۱۹ ، ۱۲۴ ، ۳۲۳۲–۳۲۵۱٫ [ Google Scholar ] [ CrossRef ]
  69. لیو، ک. وانگ، اس. لی، ایکس. لی، ی. ژانگ، بی. Zhai, R. ارزیابی شاخص‌های مختلف پوشش گیاهی برای تفکیک فضایی تصاویر حرارتی در منطقه کشاورزی مرطوب. بین المللی J. Remote Sens. ۲۰۲۰ , ۴۱ , ۱۹۰۷–۱۹۲۶٫ [ Google Scholar ] [ CrossRef ]
  70. لیو، ک. سو، اچ. تیان، جی. لی، ایکس. وانگ، دبلیو. یانگ، ال. لیانگ، اچ. ارزیابی طرحی از تیزکردن سنجش از دور حرارتی مکانی-زمانی برای تخمین تبخیر و تعرق منطقه ای. بین المللی J. Remote Sens. ۲۰۱۸ , ۳۹ , ۳۱۱۱–۳۱۳۷٫ [ Google Scholar ] [ CrossRef ]
  71. لیو، ک. سو، اچ. لی، ایکس. چن، اس. ژانگ، آر. وانگ، دبلیو. یانگ، ال. لیانگ، اچ. یانگ، ی. یک مدل تفکیک حرارتی بر اساس درون یابی ذوزنقه ای. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. ۲۰۱۸ , ۱۱ , ۸۰۸–۸۲۰٫ [ Google Scholar ] [ CrossRef ]
  72. لیو، ک. لی، ایکس. طولانی، X. روند تغییرات آب های زیرزمینی ناشی از بارش و فعالیت های انسانی در سمت جنوب شرقی خط هو. محیط زیست Res. Lett. ۲۰۲۱ ، ۱۶ ، ۰۹۴۰۳۲٫ [ Google Scholar ] [ CrossRef ]
شکل ۱٫ ( الف ) ارتفاع و ( ب ) نقشه طبقه بندی رطوبت خشک منطقه مورد مطالعه. نقاط سیاه محل ایستگاه های زمینی منتخب در این مطالعه است.
شکل ۳٫ ( الف ) همبستگی بین رطوبت خاک و هر عامل پارامتر، ضریب همبستگی (R) است که بر اساس رگرسیون خطی بین متغیرهای مورد استفاده و AMSR-E محاسبه می‌شود. نوار قرمز مقدار متوسط ​​و خط سیاه انحراف استاندارد است. ( ب ) یکپارچگی هر پارامتر.
شکل ۴٫ نقشه توزیع فضایی رطوبت خاک AMSR-E در روز دهم هر ماه.
شکل ۵٫ نقشه توزیع فضایی RF رطوبت خاک را در ۱۰ هر ماه کاهش داد.
شکل ۶٫ ( الف ) نمودار جعبه ای AMSR-E و داده های کاهش مقیاس RF برای ۱۲ ماه. ( ب ) نمودار جعبه ای AMSR-E و داده های کاهش مقیاس RF پس از طبقه بندی بر اساس رطوبت خشک (AMSR-E در قرمز و داده های کاهش مقیاس به رنگ آبی).
شکل ۷٫ تفاوت بین داده های کوچک شده و داده های AMSR-E (مقادیر FSS در پایین سمت چپ نمودار نشان داده شده است).
شکل ۸٫ نتایج راستی‌آزمایی ( a ) AMSR-E، ( b ) داده‌های کوچک‌شده RF با اندازه‌گیری‌های درجا.
شکل ۹٫ اهمیت عوامل توضیحی تعیین شده توسط مدل. نوار قرمز مقدار میانگین و خط سیاه انحراف معیار است.
شکل ۱۰٫ نتایج راستی‌آزمایی رویکرد ترک یک خروجی (اول نتایج تأیید است که همه پارامترها در کاهش مقیاس تصادفی جنگل شرکت می‌کنند و به دنبال آن نتایج تأیید پس از حذف پارامترهای مربوطه).
شکل ۱۱٫ مقایسه سه روش (RF روش پیشنهادی، MLR رگرسیون خطی چندگانه و SVR رگرسیون بردار پشتیبان است).

بدون دیدگاه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

خانهدربارهتماسارتباط با ما