ادغام زمانی-مکانی داده های دمای سطح زمین لندست و مادیس برپایه روش های یادگیری همادی

دمای سطح زمین یکی از پارامترهای کلیدی در پایش تعادل انرژی و چرخه آب کره زمین است. با وجود پیشرفت‌های سنجش‌ازدور، محدودیت ذاتی در مبادله بین قدرت تفکیک مکانی و زمانی ماهواره‌ها، تولید سری‌های زمانی پیوسته دمای سطح زمین را با چالش مواجه کرده است. در این راستا، روش‌های ادغام مکانی–زمانی توسعه یافته‌اند. در این پژوهش، چهار الگوریتم یادگیری همادی شامل XGBoost، GBM، Random Forest و Deep Forest به‌عنوان هسته یک چارچوب ادغام مکانی–زمانی برای تولید سری‌های زمانی روزانه دمای سطح زمین از داده‌های لندست 8 و 9 و مادیس به‌کار گرفته شدند.
نتایج نشان داد که XGBoost با کمترین خطا، عملکرد برتری نسبت به سایر روش‌های همادی و الگوریتم ESTARFM دارد. مقدار ریشه میانگین مربعات خطا در الگوریتم XGBoost برای سال‌های ۲۰۱۶، ۲۰۲۱، ۲۰۲۲ و ۲۰۲۳ به‌ترتیب 2.76، 1.60، 1.68 و 1.54 کلوین به‌دست آمد، در حالی‌که Deep Forest بیشترین میزان خطا را داشت. الگوریتم ESTARFM نیز مقادیر بالاتری از خطا (تا 2.91 کلوین) نشان داد که بیانگر محدودیت آن در شرایط متغیر زمانی–مکانی است.
علاوه بر صحت، XGBoost از نظر کارایی محاسباتی نیز برتری داشت؛ به‌طوری‌که کمترین زمان اجرا (کمتر از 0.3 ثانیه در مرحله پیش‌بینی) و کمترین مصرف حافظه (حدود 250 مگابایت) را نشان داد. در مقابل، Random Forest و Deep Forest به دلیل ساختار پیچیده‌تر، هزینه محاسباتی بالاتری داشتند. در مجموع، نتایج نشان می‌دهد که الگوریتم XGBoost با ترکیب صحت بالا و کارایی محاسباتی مناسب، گزینه‌ای مؤثر برای تولید سری‌های زمانی دقیق دمای سطح زمین است.