کالیبراسیون بین سنجنده‌ای مدل‌های رگرسیونی مبتنی بر جنگل‌های تصادفی بمنظور تخمین روزانه رطوبت خاک در تصاویر ماهواره‌ای مادیس

چکیده مقاله

تخمین رطوبت خاک به کمک تصاویر ماهواره‌ای یک رویکرد مرسوم در براورد این عامل محیطی در مقیاس‌های منطقه‌ای است. ماهیت پویای تغییر این کمیت ضرورت پایش مستمر آن را محسوس‌تر می‌سازد. تصاویر مادیس با توان تفکیک زمانی بالا ظرفیت کافی در تولید سری‌های زمانی از پارامترهای محیطی را برخوردارند. استفاده از مدل‌های رگرسیونی در تخمین پارامترهای محیطی به کمک تصاویر سنجش از دوری یک رویکرد متداول قلمداد می‌شود. کالیبراسیون مدل‌های رگرسیونی نیازمند واقعیت‌های زمینی است. تامین واقعیت زمینی در وسعتی معادل با توان تفکیک مکانی سنجنده‌ی مادیس موضوعی چالش‌برانگیز است. به همین دلیل روش‌های کالیبراسیون بین سنجنده‌ای برای این تصاویر نتایج بهتری را تامین‌ می کنند. در این مقاله، بعد از کالیبراسیون میدانی تصاویر لندست-8 بمنظور براورد رطوبت خاک، از این تصاویر بمنظور تامین داده‌های کنترلی در کالیبراسیون مدل‌های رگرسیونی مبتنی بر جنگل‌های تصادفی برای تصاویر مادیس استفاده شده است. این رویکرد توانسته دقت مدل‌های تخمین‌زده شده را درمقایسه با شرایط استفاده مستقیم از داده‌های میدانی تا 29 درصد بهبود بخشد. رویکرد پیشنهادی می‌تواند در مقاطع زمانی متناسب با توان تفکیک زمانی سنجنده‌ی لندست تکرار شده و نتایج حاکی از توان تعمیم‌پذیری مطلوب زمانی نتایج کالیبراسیون در این مقاطع زمانی برای تصاویر سنجنده‌ی مادیس می‌باشد.