ارزيابي روش‌هاي يادگيري ماشين در ريزمقياس نمايي مكاني ميانگين سالانه‌ دماي سطح زمين و دماي هوا

امروزه استفاده از داده‌هاي شبكه‌اي پايگاه‌هاي اقليمي مانند WorldClim يكي از منابع معتبر داده است كه جايگزين داده‌هاي نقطه‌اي ايستگاه‌هاي هواشناسي شده است؛ اما استفاده از اين پايگاه‌هاي اقليمي باقدرت تفكيك مكاني پايين موجب ايجاد محدوديت براي بسياري از مطالعات مرتبط با علوم زيست‌شناسي و بوم‌شناسي شده است. هدف از اين پژوهش بررسي ارتباط دماي هوا و دماي سطح زمين و سپس بازتوليد دماي سطح زمين باقدرت تفكيك مكاني بالا جهت ريزمقياس نمايي ميانگين سالانه‌ دماي هوا با استفاده از دو محصول پركاربرد ميانگين سالانه‌ دماي هوا از پايگاه داده WorldClim و ميانگين سالانه‌ دماي روز و شب سطح زمين MOD11A2 v061 سنجنده‌ ماديس است. در اين پژوهش، ابتدا عملكرد مدل‌هاي يادگيري ماشين شامل جنگل تصادفي،شبكه‌ عصبي مصنوعي، رگرسيون شبكه الاستيك و ماشين بردار پشتيبان جهت ريزمقياس نمايي محصول MOD11A2 v061 از 1 كيلومتر به 250 متر بررسي شد. براي اين منظور از متغيرهاي پيوسته و گسسته شامل ارتفاع از سطح دريا، عرض جغرافيايي، پوشش گياهي، بافت خاك، جهت شيب و پوشش سطح زمين استفاده گرديد. سپس ميانگين سالانه‌ دماي هوا WorldClim با استفاده از دماي سطح زمين با مدل پولي نوميال درجه‌ 3  از 1 كيلومتر به 250 متر ريزمقياس شد. همچنين از داده ‏هاي 7 ايستگاه سينوپتيك جهت بررسي اعتبار محصول ريزمقياس شده استفاده شد. نتايج نمودار تيلور نشان داد مدل جنگل تصادفي، بهترين عملكرد در ريزمقياس نمايي ميانگين سالانه‌ دماي سطح زمين با ريشه‌ ميانگين مربعات خطا 0/54 درجه سلسيوس دارد. همچنين مدل پولي نوميال درجه‌ 3 ميزان خطاي نسبي كمتر در توليد داده ريزمقياس دماي هوا دارد. مقدار ريشه‌ ميانگين مربعات خطا نتايج براي مدل تصحيح ‌نشده و تصحيح شده ريزمقياس به ترتيب 1/32 و 1/21 درجه سلسيوس به‌دست آمد كه با توجه به آزمون t جفتي اختلاف معني‌داري در سطح 0/05 نشان نداد. يافته هاي اين پژوهش نشان مي‌دهد كه ريزمقياس نمايي ميانگين سالانه دماي هوا WorldClim از اعتبار لازم برخوردار است.