ادغام داده‌های سنسورهای رطوبت خاک و دما با تصاویر ماهواره‌ای در محیط GIS برای مدیریت آبیاری

نویسنده: فاطمه جعفری نوبخت

مقدمه

اهمیت روزافزون حفاظت از آب، مدیریت این منبع حیاتی را به یکی از بزرگترین چالش‌های دوران ما تبدیل کرده است. این موضوع به‌ویژه در بخش کشاورزی، که بزرگترین مصرف‌کننده آب شیرین جهان است، اهمیت دوچندانی دارد. تصور کنید اگر می‌توانستیم به‌جای کندن زمین یا نصب سنسورهای گران‌قیمت در هر مزرعه، به‌سادگی با نگاه کردن از فضا، بفهمیم کدام بخش از زمین تشنه است و به آبیاری نیاز دارد. امروزه دانشمندان با استفاده از ماهواره‌هایی که صدها کیلومتر بالاتر از ما در حال گردش هستند، می‌توانند یکی از حیاتی‌ترین عوامل برای حیات—رطوبت خاک—را با دقتی شگفت‌انگیز اندازه‌گیری کنند. این فناوری انقلابی در درک ما از سیاره‌مان و نحوه مدیریت منابع آبی آن ایجاد کرده است.

رطوبت خاک یک متغیر حیاتی است که بر همه چیز، از رشد محصولات کشاورزی و پیش‌بینی وضعیت آب‌وهوا گرفته تا مدیریت منابع طبیعی، تأثیر می‌گذارد. اما اندازه‌گیری آن با یک چالش بزرگ روبرو است: حسگرهای زمینی (in-situ) که در خاک قرار می‌گیرند، داده‌های بسیار دقیقی ارائه می‌دهند، اما فقط یک نقطه کوچک را پوشش می‌دهند. در مقابل، ماهواره‌ها می‌توانند مناطق وسیعی را به یک‌باره رصد کنند، اما تصاویر آن‌ها اغلب یا جزئیات مکانی دقیقی ندارند یا به صورت روزانه در دسترس نیستند.

راه حل هوشمندانه‌ای که در این پژوهش معرفی می‌شود، «تلفیق داده‌ها» (Data Fusion) نام دارد. این روش، مانند ترکیب بهترین ویژگی‌های دو ابزار مختلف، به ما اجازه می‌دهد تا داده‌های ماهواره‌ای را طوری با هم بیامیزیم که به یک دید کامل، دقیق و روزانه از وضعیت رطوبت خاک در سطح زمین دست یابیم.

در این مقاله، قصد داریم نکات شگفت‌انگیز و تأثیرگذار از دنیای سنجش از دور و علم داده را بررسی کنیم که در حال تغییر نگاه ما به آب‌های پنهان در زمین هستند و بدانیم که چگونه دانشمندان با استفاده از ماهواره‌ها، تشنگی زمین را اندازه‌گیری می‌کنند؟

بیایید سفری را از مدار زمین تا ریشه گیاهان آغاز کنیم و ببینیم چگونه این هم‌افزایی داده‌ها در حال ساختن آینده کشاورزی و حفاظت از آب است.

۱. نکته اول: ماهواره‌ها می‌توانند رطوبت خاک را «احساس» کنند، نه فقط ببینند

وقتی به ماهواره‌ها فکر می‌کنیم، معمولاً تصاویر خیره‌کننده و آشنایی مانند عکس‌های گوگل ارث به ذهنمان می‌آید. اما ماهواره‌ها بسیار فراتر از دوربین‌های غول‌پیکر در فضا هستند. آن‌ها به سنسورهای مختلفی مجهز شده‌اند که می‌توانند خواص سطح زمین را اندازه‌گیری کنند، از جمله رادیومترهای مایکروویو که برای سنجش رطوبت خاک طراحی شده‌اند.

اصل اساسی این روش به‌طور شگفت‌انگیزی هوشمندانه است: میزان انتشار انرژی مایکروویو از سطح زمین، رابطه‌ای تقریباً خطی با میزان رطوبت خاک دارد. به عبارت دیگر، خاکی که مرطوب‌تر است، انرژی مایکروویو را به شکلی متفاوت از خاک خشک ساطع می‌کند و سنسورهای ماهواره‌ای می‌توانند این تفاوت را تشخیص دهند. می‌توانید آن را مانند «گوش دادن» به زمزمه مایکروویو زمین در نظر بگیرید. خاک خشک و خاک مرطوب هر کدام با «آهنگ» متفاوتی زمزمه می‌کنند و ماهواره‌ها این تفاوت را می‌شنوند. روش کلیدی دیگر استفاده از سنسورهای فروسرخ حرارتی برای اندازه‌گیری دمای سطح زمین (LST) است؛ زیرا خاک خشک‌تر معمولاً داغ‌تر از خاک مرطوب است.

با این حال، این فناوری با یک چالش بزرگ روبرو است: داده‌های ماهواره‌ای اغلب بسیار درشت‌مقیاس هستند. یک پیکسل از داده‌های رطوبت خاک ممکن است منطقه‌ای به وسعت ده‌ها کیلومتر را پوشش دهد که برای کاربردهای دقیقی مانند مدیریت یک مزرعه کشاورزی، به اندازه کافی دقیق نیست.

۲. نکته دوم: «مثلث جادویی» دما و سرسبزی، راز رطوبت را فاش می‌کند

دانشمندان برای غلبه بر محدودیت‌های داده‌های درشت‌مقیاس، روش‌های هوشمندانه‌ای را برای استخراج اطلاعات دقیق‌تر از داده‌های موجود ابداع کرده‌اند. یکی از جذاب‌ترین این روش‌ها، استفاده از رابطه‌ای است که به «مثلث جادویی» معروف است و دو متغیر کلیدی را به هم مرتبط می‌کند: دمای سطح زمین (LST) که نشان‌دهنده میزان داغی سطح است و شاخص گیاهی NDVI که معیاری برای سنجش سرسبزی و تراکم پوشش گیاهی است.

این رابطه بر اساس یک اصل ساده بنا شده است. اگر هر پیکسل از یک تصویر ماهواره‌ای را بر اساس دو معیار LST و NDVI روی یک نمودار رسم کنیم، دو لبه یا حد مشخص شکل می‌گیرد:

• «لبه سرد» (The Cold Edge):مناطقی که پوشش گیاهی متراکم و رطوبت بالا دارند، به دلیل فرآیند «تعرق و تبخیر» (evapotranspiration)، خنک هستند. در این فرآیند، گیاهان آب را از طریق برگ‌های خود آزاد می‌کنند و این فرآیند درست مانند عرق کردن در بدن انسان، سطح را خنک می‌کند. این پیکسل‌ها لبه پایینی نمودار را تشکیل می‌دهند.
• «لبه گرم» (The Warm Edge):مناطقی که خاک لخت و کاملاً خشک دارند، بسیار داغ هستند. این پیکسل‌ها لبه بالایی نمودار را تشکیل می‌دهند.

جادوی این روش اینجا آشکار می‌شود: با مشخص شدن این دو لبه، وضعیت رطوبت هر پیکسل دیگر را می‌توان بر اساس موقعیت آن بین این دو حد تعیین کرد. این یک راهکار هوشمندانه است که با مشاهده دو ویژگی قابل رؤیت (دما و سرسبزی)، یک ویژگی پنهان (رطوبت) را استنتاج می‌کند. پیکسلی که به لبه گرم نزدیک‌تر باشد، خشک‌تر و پیکسلی که به لبه سرد نزدیک‌تر باشد، مرطوب‌تر است. این تکنیک قدرت ترکیب هوشمندانه منابع داده مختلف را نشان می‌دهد.

«ترکیب داده‌ها» به هر فرآیندی اطلاق می‌شود که از طریق ادغام هم‌افزای منابع داده متعدد، یک مجموعه داده یکپارچه ایجاد می‌کند که اطلاعاتی بیش از هر یک از ورودی‌ها به‌تنهایی تولید می‌کند.

۳. نکته سوم: «ترکیب داده‌ها» بهترین‌های دو جهان را با هم ادغام می‌کند

مشکل اصلی در سنجش از دور، یک بده‌بستان دائمی است: برخی ماهواره‌ها مانند MODIS تصاویر را به‌صورت مکرر (مثلاً روزانه) اما با وضوح فضایی پایین (تار) ارائه می‌دهند، در حالی که ماهواره‌های دیگر مانند Landsat تصاویر با وضوح بالا (واضح) اما با تناوب بسیار کم (مثلاً هر ۱۶ روز یک بار) ثبت می‌کنند. برای بسیاری از کاربردها، ما به هر دو نیاز داریم: تصاویر واضح و مکرر.

راه‌حل این مشکل در مفهومی به نام «ترکیب داده‌های مکانی-زمانی» (Spatio-temporal data fusion) نهفته است. این تکنیک مانند آن است که از یک ویدیوی روزانه تار و یک عکس ماهانه بسیار واضح برای ساختن یک ویدیوی روزانه واضح استفاده کنیم. این الگوریتم‌های هوشمند، با یادگیری از تفاوت‌های بین عکس‌های واضح و تار در روزهای مشخص، یاد می‌گیرند که چگونه جزئیات واضح را به تصاویر تار روزهای دیگر «اضافه» کنند.

هدف نهایی، تولید مجموعه داده‌ای است که هم وضوح فضایی بالای Landsat و هم وضوح زمانی بالای MODIS را داشته باشد و به دانشمندان دیدی بسیار دقیق‌تر و به‌روزتر از تغییرات رطوبت خاک بدهد. مدل‌های الگوریتمی پیشرفته‌ای مانند ESTARFM و STI-FM—که در مطالعه موردی بعدی از آن استفاده شده است—دقیقاً همین کار را انجام می‌دهند.

۴. نکته چهارم: محدودیت های این فناوری با ذکر یک مطالعه موردی

اگرچه مدل‌های ترکیب داده بسیار قدرتمند هستند، اما دقت آن‌ها می‌تواند بسته به شرایط روی زمین متفاوت باشد. این فناوری هنوز در حال تکامل است و محدودیت‌های خود را دارد. یک مطالعه موردی که در شمال اردن انجام شد، این موضوع را به‌خوبی نشان می‌دهد.

در این تحقیق، دانشمندان شاخص رطوبت خاک (SMI) به‌دست‌آمده از داده‌های ماهواره‌ای ترکیب‌شده را با اندازه‌گیری‌های واقعی رطوبت خاک در ۱۶ نقطه روی زمین مقایسه کردند. نتایج نشان داد که یک همبستگی متوسط بین تخمین‌های فضایی و داده‌های زمینی وجود دارد. اما شگفت‌انگیزترین یافته این بود که دقت این مدل به‌شدت تحت تأثیر فصل قرار داشت.

همبستگی در ماه‌های مرطوب زمستان بسیار بالاتر بود (ضریب تعیین r² برابر با ۰.۶۶ در ماه ژانویه)، در حالی که در ماه‌های گرم و خشک تابستان به‌طور قابل‌توجهی کاهش می‌یافت (r² برابر با ۰.۳۵ در ماه مه). این تفاوت بزرگ نشان می‌دهد که وقتی خاک در زمستان دارای سطوح رطوبت متنوعی است، مدل‌های ماهواره‌ای به خوبی کار می‌کنند. اما در تابستان خشک، که تقریباً تمام خاک‌ها رطوبت پایینی دارند، تشخیص تفاوت‌های کوچک برای ماهواره‌ها بسیار دشوارتر می‌شود و دقت کاهش می‌یابد. این نتیجه‌گیری مهم نشان می‌دهد که عواملی مانند اقلیم محلی، نوع خاک و توپوگرافی نقش بسیار مهمی در دقت این تخمین‌های فضایی ایفا می‌کنند.

۵. نکته پنجم: آینده ترکیبی است از نظارت فضایی تا «کشاورزی دقیق» در زمین

این فناوری‌های فضایی به تنهایی قدرتمند هستند، اما زمانی که با هوش زمینی ترکیب شوند، به یک انقلاب در مدیریت آب تبدیل می‌شوند. اینجاست که دیدگاه کلان ماهواره‌ها با اقدامات دقیق و محلی روی زمین ترکیب شده و مفهوم «کشاورزی دقیق» (Precision Agriculture) متولد می‌شود.

کشاورزی دقیق از اینترنت اشیاء (IoT) برای بهینه‌سازی مصرف منابع استفاده می‌کند. کشاورزان می‌توانند سنسورهای ارزان‌قیمت را مستقیماً در خاک مزارع خود قرار دهند تا رطوبت و دمای خاک را در سطح ریشه اندازه‌گیری کنند. این سنسورها از طریق شبکه‌های بی‌سیم (مانند ZigBee) به یک کنترلر مرکزی (مانند یک کامپیوتر کوچک Raspberry Pi) متصل می‌شوند. این کنترلر می‌تواند به‌طور خودکار پمپ‌های آب را بر اساس داده‌های لحظه‌ای روشن یا خاموش کند و از هدررفت حتی یک قطره آب جلوگیری نماید.

اکنون این دو جهان را با هم ترکیب کنید: این یک «گفتگو بین آسمان و خاک» است. ماهواره استراتژی منطقه‌ای را ارائه می‌دهد—«یک دوره خشکی در راه است»—در حالی که سنسورهای زمینی تاکتیک‌های فوق‌محلی را اجرا می‌کنند—«ریشه این گیاه خاص، همین حالا به ۵۰ میلی‌لیتر آب نیاز دارد، نه بیشتر و نه کمتر». این هم‌افزایی، قلب تپنده کشاورزی دقیق و آینده مدیریت پایدار آب است.

6. روش شناسی

روشی که دانشمندان برای نقشه‌برداری از رطوبت خاک با استفاده از داده‌های فضایی به کار می‌گیرند شامل مراحل زیر است:

1.6. گام اول: جمع‌آوری داده‌ها (مواد اولیه تحقیق)

اساس این روش بر دو نوع داده اصلی استوار است: داده‌هایی که از آسمان به زمین نگاه می‌کنند و داده‌هایی که مستقیماً روی زمین اندازه‌گیری می‌شوند.

1.1.6. داده‌های سنجش از دور: نگاهی از آسمان

برای این پروژه از دو نوع تصویر ماهواره‌ای با ویژگی‌های متفاوت و مکمل استفاده می‌شود. این دو نوع، با وجود تفاوت‌هایشان، در کنار هم یک مجموعه داده قدرتمند می‌سازند.

ویژگی	ماهواره نوع اول (مثال: Landsat/Sentinel)	ماهواره نوع دوم (مثال: MODIS)
وضوح مکانی (جزئیات تصویر)	بالا (مثلاً ۳۰ متر)	پایین (مثلاً ۱۰۰۰ متر)
وضوح زمانی (تناوب تصویربرداری)	پایین (مثلاً هر ۱۶ روز)	بالا (مثلاً روزانه)
نقش اصلی	ارائه جزئیات دقیق از سطح زمین	ارائه دید مکرر و روزانه از تغییرات

2.1.6. داده‌های میدانی (In-Situ): راستی‌آزمایی روی زمین

داده‌های میدانی یا in-situ به معنای اندازه‌گیری مستقیم رطوبت خاک در نقاط مشخصی از سطح زمین است. این داده‌ها با اینکه محدوده کوچکی را پوشش می‌دهند، اما نقش حیاتی در پروژه دارند. از این اندازه‌گیری‌های دقیق برای دو هدف کلیدی استفاده می‌شود:

• کالیبراسیون:تنظیم مدل بر اساس مقادیر واقعی.
• اعتبارسنجی:اطمینان از اینکه نتایج به‌دست‌آمده از تحلیل تصاویر ماهواره‌ای با واقعیت روی زمین تطابق دارد.

یکی از روش‌های مستقیم و متداول برای این کار، روش وزنی یا حجمی (gravimetric/volumetric method) است که در آن نمونه‌های خاک در آزمایشگاه وزن و خشک می‌شوند تا میزان دقیق آب موجود در آن‌ها مشخص شود. این جمع‌آوری دقیق داده‌ها تضمین می‌کند که مدل بر پایه‌ای محکم از دید وسیع ماهواره‌ای و حقایق معتبر زمینی بنا شده است.

پس از جمع‌آوری این دو نوع داده خام، گام بعدی آماده‌سازی و ترکیب هوشمندانه آن‌ها برای ایجاد یک مجموعه داده قدرتمند و یکپارچه است.

——————————————————————————–

2.6. گام دوم: تلفیق داده‌ها (ترکیب هوشمندانه تصاویر)

این مرحله قلب فرآیند است، جایی که نقاط ضعف یک نوع داده با نقاط قوت نوع دیگر پوشش داده می‌شود.

1.2.6. پیش‌پردازش تصاویر

تصاویر ماهواره‌ای خام، قبل از اینکه قابل استفاده باشند، نیازمند اصلاحاتی هستند. یکی از مهم‌ترین این اصلاحات، تصحیح اتمسفری است. این فرآیند اثرات مزاحم جو (مانند گرد و غبار یا بخار آب) را از تصاویر حذف می‌کند تا رنگ‌ها و مقادیر ثبت‌شده در پیکسل‌ها به واقعیت سطح زمین نزدیک‌تر شوند.

2.2.6. جادوی تلفیق داده‌ها

هدف اصلی این گام، ایجاد تصاویر «مصنوعی» (Synthetic) است که همزمان دو ویژگی مطلوب را داشته باشند:

• جزئیات مکانی بالایتصاویر لندست (Landsat).
• تناوب زمانی بالایتصاویر مودیس (MODIS).

برای انجام این کار، از الگوریتم‌های محاسباتی پیشرفته‌ای مانند ESTARFM یا STI-FM استفاده می‌شود. الگوریتم‌هایی مانند ESTARFM به طور خاص برای مناطق با پوشش زمین ناهمگون و متنوع (heterogeneous landscapes) بهینه‌سازی شده‌اند، که باعث می‌شود نتایج آن‌ها در محیط‌های واقعی دقیق‌تر باشد. این الگوریتم‌ها با تحلیل همزمان دو نوع تصویر، یاد می‌گیرند که چگونه تغییرات روزانه را بر روی یک نقشه با جزئیات بالا اعمال کنند. خروجی نهایی، یک سری زمانی از تصاویر با وضوح مکانی و زمانی بالا است که برای مدل‌سازی رطوبت خاک ایده‌آل است.

اکنون که تصاویر باکیفیت و روزانه در دست داریم، می‌توانیم شاخص‌های کلیدی را برای تخمین رطوبت خاک از آن‌ها استخراج کنیم.

3.6. گام سوم: محاسبه و مدل‌سازی رطوبت خاک

در این بخش، فرآیند تبدیل پیکسل‌های تصویر به مقادیر معنادار رطوبت خاک شرح داده می‌شود.

1.3.6. استخراج شاخص‌های کلیدی

ماهواره‌ها رطوبت خاک را مستقیماً «نمی‌بینند»؛ در عوض، متغیرهایی را اندازه‌گیری می‌کنند که با رطوبت خاک ارتباط تنگاتنگی دارند. دو مورد از مهم‌ترین این شاخص‌ها عبارتند از:

• شاخص NDVI (Normalized Difference Vegetation Index):این شاخص که به آن «شاخص سرسبزی» نیز گفته می‌شود، سلامت و تراکم پوشش گیاهی را اندازه‌گیری می‌کند. گیاهان سالم و پرآب، مقادیر NDVI بالاتری دارند.
• شاخص LST (Land Surface Temperature):این شاخص همان «دمای سطح زمین» است و نشان می‌دهد که سطح زمین چقدر گرم یا سرد است.

2.3.6. روش مثلث LST-NDVI: ارتباط دما و سرسبزی

یک رابطه فیزیکی ساده اما قدرتمند بین این دو شاخص و رطوبت خاک وجود دارد: «گیاهان سالم و پرآب، به دلیل فرآیندی به نام تعرق (تبخیر آب از سطح برگ گیاهان)، سطح خنک‌تری دارند.»

با رسم یک نمودار پراکندگی که در آن هر پیکسل تصویر بر اساس مقدار NDVI (محور افقی) و LST (محور عمودی) خود قرار می‌گیرد، یک شکل مثلثی یا ذوزنقه‌ای پدیدار می‌شود.

• لبه خشک (Dry Edge):لبه بالایی این شکل، نشان‌دهنده شرایط بسیار خشک است (دمای بالا برای هر میزان پوشش گیاهی).
• لبه مرطوب (Wet Edge):لبه پایینی، نشان‌دهنده شرایط کاملاً مرطوب است (دمای پایین برای هر میزان پوشش گیاهی).

موقعیت هر پیکسل در این فضا، میزان رطوبت نسبی آن را نشان می‌دهد. پیکسل‌های نزدیک به لبه خشک، رطوبت کم و پیکسل‌های نزدیک به لبه مرطوب، رطوبت بالایی دارند. نتیجه نهایی این مدل، یک «شاخص رطوبت خاک» (SMI) است که مقادیر آن معمولاً بین ۰ (کاملاً خشک) تا ۱ (کاملاً مرطوب) متغیر است. یکی از مزایای کلیدی این روش، عدم وابستگی مستقیم آن به داده‌های جانبی پیچیده (ancillary data) است که فرآیند مدل‌سازی را ساده‌تر و کارآمدتر می‌کند.

پس از اینکه مدل، نقشه رطوبت خاک را تولید کرد، باید مطمئن شویم که این نقشه چقدر به واقعیت نزدیک است.

——————————————————————————–

4.6. گام چهارم: اعتبارسنجی مدل (آزمون نهایی)

هیچ مدل علمی بدون آزمون دقت، کامل نیست. این گام برای سنجش صحت و اعتبار نتایج مدل طراحی شده است.

1.4.6. مقایسه نتایج مدل با واقعیت زمینی

در این مرحله، مقادیر «شاخص رطوبت خاک» (SMI) که مدل برای نقاط نمونه‌برداری زمینی تخمین زده است، با مقادیر واقعی رطوبت خاک که به صورت میدانی (in-situ) اندازه‌گیری شده‌اند، مقایسه می‌شود. این مقایسه مستقیم به ما نشان می‌دهد که آیا مدل توانسته است واقعیت را به درستی پیش‌بینی کند یا خیر.

2.4.6. ارزیابی دقت با معیارهای آماری

دانشمندان برای «نمره‌دهی» به عملکرد مدل از معیارهای آماری استفاده می‌کنند. دو معیار کلیدی در این زمینه عبارتند از:

• ضریب تعیین (R²):این عدد که بین ۰ تا ۱ است، نشان می‌دهد که مدل چقدر خوب توانسته تغییرات رطوبت واقعی را توضیح دهد. R² نزدیک به ۱ به معنای دقت بالا و همبستگی قوی بین مقادیر پیش‌بینی‌شده و واقعی است. برای مثال، در نتایج یک تحقیق مشابه، این مقدار در ماه‌های مرطوب ۰.۶۶ به دست آمده است که نشان‌دهنده یک همبستگی خوب است.
• ریشه میانگین مربعات خطا (RMSE):این معیار، میانگین خطای پیش‌بینی‌های مدل را نشان می‌دهد. هرچه مقدار RMSE کمتر باشد، به این معناست که خطای مدل کمتر و دقت آن بیشتر است.

این اعتبارسنجی دقیق به دانشمندان و سیاست‌گذاران این اطمینان را می‌دهد که می‌توانند از این نقشه‌های رطوبت خاک برای تصمیم‌گیری‌های حیاتی، از اعلام هشدارهای خشکسالی گرفته تا بهینه‌سازی مصرف آب در کشاورزی، استفاده کنند. این فرآیند چهار مرحله‌ای به دانشمندان اجازه می‌دهد تا با اطمینان بالا، نقشه‌های دقیقی از رطوبت خاک در مناطق وسیع تهیه کنند.

7. نتیجه‌گیری

ترکیب منابع مختلف داده، از ماهواره‌های در حال گردش در مدار زمین گرفته تا سنسورهای کوچک در دل خاک، در حال ایجاد یک جعبه‌ابزار انقلابی برای درک و مدیریت منابع آبی سیاره ماست. این فناوری‌ها به ما کمک می‌کنند تا در کشاورزی، حفاظت از محیط زیست و مدیریت بحران‌های آبی، تصمیمات هوشمندانه‌تر و مؤثرتری بگیریم. این پیشرفت‌ها دیگر محدود به آزمایشگاه‌های تحقیقاتی نیستند، بلکه به‌سرعت در حال تبدیل شدن به ابزارهای عملی برای حل مشکلات دنیای واقعی هستند.

دراینجا خلاصه روش‌شناسی مدل‌سازی رطوبت خاک با استفاده از داده‌های ماهواره‌ای آمده است. این روش‌شناسی یک رویکرد جامع برای غلبه بر محدودیت‌های داده‌های ماهواره‌ای و دستیابی به برآوردهای دقیق از رطوبت خاک ارائه می‌دهد. کل فرآیند را می‌توان در چهار گام اصلی خلاصه کرد:

1. جمع‌آوری داده‌ها:تهیه تصاویر ماهواره‌ای با وضوح مکانی و زمانی متفاوت (مانند Landsat و MODIS) به همراه داده‌های دقیق زمینی (in-situ) برای کالیبراسیون و اعتبارسنجی.
2. تلفیق داده‌ها:ترکیب هوشمندانه تصاویر ماهواره‌ای با الگوریتم‌هایی مانند ESTARFM یا STI-FM برای دستیابی به یک مجموعه داده بهینه با جزئیات مکانی و تناوب زمانی بالا.
3. مدل‌سازی:استفاده از رابطه فیزیکی بین دمای سطح زمین (LST) و پوشش گیاهی (NDVI) در قالب روش مثلثی برای تخمین شاخص رطوبت خاک (SMI).
4. اعتبارسنجی:سنجش دقت مدل با مقایسه نتایج آن با داده‌های واقعی جمع‌آوری شده از زمین و استفاده از معیارهای آماری مانند R² و RMSE.

درباره نویسنده:

فاطمه جعفری نوبخت، متخصص برجسته و پژوهشگر حوزه مهندسی محیط زیست، با رویکردی نوین دانش کلاسیک این رشته را با فناوری‌های پیشرفته هوش مصنوعی تلفیق کرده و به عنوان پیشگام در زمینه هوش مصنوعی مکانی (GeoAI) شناخته می‌شود. وی با تکیه بر مدرک کارشناسی ارشد مهندسی محیط زیست و درک عمیق از اکوسیستم‌ها، تخصص خود را فراتر از روش‌های سنتی گسترش داده و با ورود به دنیای داده‌ها، فعالیت‌های حرفه‌ای خود را بر کاربرد هوش مصنوعی در علوم محیط زیست متمرکز کرده است. او هم‌اکنون به عنوان مشاور ارشد علوم مکانی در محیط زیست و منابع طبیعی، با استفاده از الگوریتم‌های پیشرفته در پی راهکارهایی برای پایش دقیق، پیش‌بینی تغییرات اقلیمی و مدیریت بهینه منابع است. فاطمه جعفری با باور بنیادین به اینکه «مهم‌ترین توجه انسان‌ها باید به مقوله محیط زیست باشد»، تکنولوژی را ابزاری قدرتمند برای نجات زمین می‌داند و علاوه بر پروژه‌های استراتژیک، با برگزاری مستمر کارگاه‌های آموزشی در زمینه علوم مکانی و زمین، مشتاقانه به انتقال دانش و تربیت نسلی متخصص برای حفاظت از آینده محیط زیست می‌پردازد.