چکیده مقاله
برآورد دقیق دمای سطح زمین LST برای پایش محیطی و مدیریت شهری اهمیت فراوانی دارد در این پژوهش با استفاده از داده های ماهواره ای Sentinel ۲، داده های ارتفاعی LiDAR و تصاویر حرارتی Landsat، مدل های یادگیری ماشین XGBoost و Random Forest برای برآورد دمای سطح زمین در بخشی از شهر Grande Prairie کانادا توسعه یافتند دمای سطح زمین استخراج شده از تصاویر حرارتی لندست به عنوان متغیر وابسته در مدل های رگرسیونی به کار رفت و شاخص های طیفی Sentinel ۲ همراه با متغیرهای توپوگرافی LiDAR به عنوان متغیرهای مستقل مورد استفاده قرار گرفتند برای ارزیابی عملکرد مدل ها، بخشی از داده های لندست به صورت مستقل برای اعتبارسنجی کنار گذاشته شد نتایج نشان داد مدل XGBoost با دقت بالاتری نسبت به Random Forest قادر به تخمین دمای سطح زمین است؛ به طوری که مقادیر R² = ۰ ۵۷، RMSE = ۱ ۲۲ و MAPE = ۳ ۶۳ به دست آمدند این رویکرد منجر به افزایش تفکیک مکانی نقشه های دمای سطح زمین از ۳۰ متر به ۱۰ متر شد یافته ها بیانگر آن است که ترکیب داده های اپتیکی و ارتفاعی در کنار الگوریتم های یادگیری ماشین می تواند رویکردی موثر برای تولید نقشه های دقیق دمای سطح زمین در مقیاس شهری فراهم کند
کلیدواژه‌ها
نویسندگان
فاطمه ایمانپور
سازمان نقشه برداری کشور، دانشجوی دکتری سنجش از دور، دانشکدگان فنی، دانشگاه تهران
رامین سعدی
دانشجوی دکتری سنجش ازدور، دانشکدگان فنی، دانشگاه تهران
مهدی حسنلو
دانشیار دانشکده مهندسی نقشه برداری و اطلاعات مکانی، دانشکدگان فنی، دانشگاه تهران
شیوه ارجاع
�یمانپور، فاطمه و سعدی، رامین و حسنلو، مهدی،1404،تخمین و تولید نقشه دمای سطح زمین با ترکیب داده های Sentinel-۲ و LiDAR،بیست و نهمین همایش و نمایشگاه ملی مهندسی نقشه برداری و اطلاعات مکانی ژئوماتیک ۱۴۰۴ و پنجمین نمایشگاه بین المللی ایران ژئو،تهران
ارائه‌شده در
مجموعه مقالات بیست و نهمین همایش و نمایشگاه ملی مهندسی نقشه برداری و اطلاعات مکانی ژئوماتیک ۱۴۰۴ و پنجمین نمایشگاه بین المللی ایران ژئو29 آبان 1404 · تهران