ΚΑΤΑΝΟΜΗ ΘΕΡΜΟΚΡΑΣΙΑΣ ΣΤΗΝ ΚΥΠΡΟ ΜΕ ΤΗ ΧΡΗΣΗ ΔΟΡΥΦΟΡΙΚΩΝ

ΚΑΤΑΝΟΜΗ ΘΕΡΜΟΚΡΑΣΙΑΣ ΣΤΗΝ ΚΥΠΡΟ ΜΕ ΤΗ ΧΡΗΣΗ ΔΟΡΥΦΟΡΙΚΩΝ ΕΙΚΟΝΩΝ ΚΑΙ ΤΕΧΝΗΤΩΝ ΝΕΥΡΩΝΙΚΩΝ ΔΙΚΤΥΩΝ ΦΙΛΙΠΠΟΣ ΤΥΜΒΙΟΣ 1, ΔΗΜΗΤΡΗΣ ΧΑΡΑΛΑΜΠΟΥΣ 1, ΣΙΛΑΣ ΜΙΧΑΗΛΙΔΗΣ 1, ΑΔΡΙΑΝΟΣ ΡΕΤΑΛΗΣ 2, ΔΗΜΗΤΡΗΣ ΠΑΡΩΝΗΣ 3 ΚΑΙ ΧΑΡΙΚΛΕΙΑ ΣΚΟΥΤΕΛΗ 4 1 Μετεωρολογική Υπηρεσία Κύπρου, Λευκωσία, Κύπρος 2 Ινστιτούτο Ερευνών Περιβάλλοντος και Βιώσιμης Ανάπτυξης, Εθνικό Αστεροσκοπείο Αθηνών 3 Ινστιτούτο Διαστημικών Εφαρμογών & Τηλεπισκόπησης, Εθνικό Αστεροσκοπείο Αθηνών 4 Webby Web Works, Cyprus ΠΕΡΙΛΗΨΗ Αστική θερμική νησίδα καλείται το φαινόμενο στο οποίο η θερμοκρασία στο κέντρο μιας πόλης είναι ψηλότερη από αυτή των προαστίων και της αγροτικής περιοχής που την περιβάλλει. Για τη μελέτη της αστικής θερμικής νησίδας και της χωρικής της κατανομής της, χρησιμοποιείται τα τελευταία χρόνια η δορυφορική τηλεπισκόπηση και ειδικότερα η χρήση εικόνων από την περιοχή του θερμικού υπερύθρου. Το πλεονέκτημα της χρήσης δορυφορικών εικόνων για την εξαγωγή της θερμοκρασίας της επιφάνειας του εδάφους οφείλεται στην πληροφορία για την υφιστάμενη κατάσταση σε μεγάλη έκταση, σε αντίθεση με τις παραδοσιακές επίγειες μετρήσεις. Στην παρούσα εργασία γίνεται προσπάθεια σύνδεσης επίγειων παρατηρήσεων μετεωρολογικών σταθμών με θερμικές δορυφορικές εικόνες, με τη χρήση Τεχνητών Νευρωνικών Δικτύων. Με δεδομένες τις επίγειες παρατηρήσεις οι οποίες είναι διαθέσιμες σε συνεχή χρόνο, επιδιώκεται να αναπαραχθεί τεχνητός χάρτης με την ανάλυση των δορυφορικών εικόνων MODIS που χρησιμοποιήθηκαν για την εκπαίδευση του δικτύου. TEMPERATURE DISTRIBUTION IN CYPRUS WITH THE USE OF SATELLITE IMAGES AND ARTIFICIAL NEURAL NETWORKS FILIPPOS S. TYMVIOS 1, DEMETRIS CHARALAMBOUS 1, SILAS MICHAELIDES 1, ADRIANOS RETALIS 2, DIMITRIS PARONIS 3 AND CHARIKLIA SKOUTELI 4 1 Meteorological Service, Nicosia, Cyprus 2 Institute for Environmental Research and Sustainable Development, National Observatory of Athens 3 Institute for Space Applications & Remote Sensing, National Observatory of Athens 4 Webby Web Works, Cyprus ABSTRACT Urban heat island is the phenomenon in which the temperature at the centre of a city is higher than that of the surrounding suburbs and rural regions. For the study of urban heat island and its spatial resolution, satellite images in the thermal region of the spectrum (infrared) are used. The advantage of the utilization of satellite images for the inference of air temperature is the wide area covered by the images, contrary to the traditional land measurements with thermometers at certain locations. In the present work, a relationship between satellite data and surface measurements will be established by using Artificial Neural Networks. Given the real time surface temperature pattern, an artificial thermal image could be reconstructed, preserving the detailed spatial resolution of the MODIS images. 25 28/5/2010, PATRAS, GREECE 227

1. ΕΙΣΑΓΩΓΉ Το φαινόμενο της Αστικής Θερμικής Νησίδας (Urban Heat Island, UHI) αποτελεί σημαντική παράμετρο του αστικού μικροκλίματος. Η Αστική Θερμική Νησίδα παρουσιάζεται στις πόλεις όπου ο μεγάλος αριθμός κτιρίων και άλλων κατασκευών που επεκτάθηκαν σε βάρος ελεύθερων χώρων και πρασίνου, λειτουργούν ως θερμική δεξαμενή και προκαλείται από τα υλικά που χρησιμοποιούνται, όπως το τσιμέντο και η άσφαλτος, που βρίσκονται συσσωρευμένα σε μεγάλες ποσότητες και καλύπτουν πολύ μεγάλο ποσοστό της συνολικής επιφάνειας της πόλης. Τα υλικά αυτά απορροφούν την ηλιακή ενέργεια και την εκλύουν ως θερμότητα στο εξωτερικό περιβάλλον. Ως αποτέλεσμα της διαδικασίας αυτής έχουμε την εμφάνιση θερμοκρασιών στο αστικό περιβάλλον κατά 1-10 C υψηλότερες σε σχέση με τις περιαστικές περιοχές. Το φαινόμενο αυτό, αποκτά ιδιαίτερη σημασία κατά τη διάρκεια του καλοκαιριού, δεδομένου ότι οι υψηλές θερμοκρασίες επιδρούν στο αστικό περιβάλλον με την πρόκληση δυσφορίας στους κατοίκους, την αύξηση των δαπανών ψύξης και κλιματισμού και την αύξηση της αιχμής στη ζήτηση ηλεκτρικής ενέργειας. Παράλληλα, η συσσωρευμένη ενέργεια δρα σαν σημαντικός παράγοντας δημιουργίας αστάθειας (ανοδικών κινήσεων) που οδηγεί στην εκδήλωση βίαιων θερμικών καταιγίδων ιδιαίτερα κατά τη θερινή περίοδο. Η επίδραση του φαινόμενου της θερμικής νησίδας είναι πραγματική και στην ένταση της δημιουργίας φωτοχημικών ρύπων, ειδικά στην περιοχή μας, όπου τα διαστήματα ηλιοφάνειας είναι πολύ μεγάλα, ενώ έχει επιπτώσεις και στα επίπεδα ατμοσφαιρικής ρύπανσης και συγκεκριμένα στην αιθαλομίχλη, η οποία δημιουργείται από τις φωτοχημικές αντιδράσεις των ρύπων στον αέρα. Το ερευνητικό πρόγραμμα ΗΕΑΤ που χρηματοδοτείται από το Ίδρυμα Προώθησης Έρευνας Κύπρου (Ι.Π.Ε.) έχει σκοπό τη διερεύνηση του φαινομένου της αστικής νησίδας για τα μεγάλα αστικά κέντρα της Κύπρου και φιλοδοξεί να συνδέσει, με τη βοήθεια αλγορίθμων τεχνητών νευρωνικών δικτύων, δορυφορικές εικόνες θερμοκρασίας εδάφους με τις μετρήσεις πραγματικής θερμοκρασίας από κλιματολογικούς σταθμούς. Ο απώτερος στόχος είναι η δημιουργία ένος αυτοματοποιημένου συστήματος τοπικής πρόγνωσης θερμικής άνεσης το οποίο θα είναι διαθέσιμο στο κοινό με τη χρήση μικρών μηνυμάτων (SMS) από έξυπνα τηλέφωνα ικανά να εντοπίσουν τη γεωγραφική θέση του χρήστη. Στην παρούσα εργασία παρουσιάζονται τα πρώτα αποτελέσματα της συσχέτισης. 2. ΒΑΣΗ ΔΕΔΟΜΕΝΩΝ 2.1 Δορυφορικά δεδομένα Οι δορυφορικοί αισθητήρες μετρούν την ακτινοβολία στην κορυφή της ατμόσφαιρας στο ορατό και υπέρυθρο τμήμα του ηλεκτρομαγνητικού (Η/Μ) φάσματος. Οι δορυφορικές θερμοκρασίες λαμπρότητας στο δορυφόρο μπορούν να υπολογιστούν με αναστροφή της εξίσωσης Planck στις τιμές ακτινοβολίας στο υπέρυθρο. Η θερμοκρασία επιφάνειας του εδάφους (Land Surface Temperature, LST) είναι η θερμοκρασία που μετριέται στη γήινη επιφάνεια και θεωρείται ως η θερμοκρασία ενός πολύ λεπτού στρώματος της (skin temperature). Διάφοροι αλγόριθμοι έχουν αναπτυχθεί για τον υπολογισμό της θερμοκρασίας της επιφάνειας του εδάφους από τις θερμοκρασίες λαμπρότητας και τα επικουρικά δεδομένα. Για μια δεδομένη διεύθυνση κατόπτευσης ενός 25 28/5/2010, PATRAS, GREECE 228

αισθητήρα, η LST εξαρτάται από τη κατανομή της θερμοκρασίας και της εκπομπής ακτινοβολίας μέσα σε ένα εικονοστοιχείο και το φασματικό κανάλι της μέτρησης. Προκειμένου να εξαχθεί η LST από δορυφορικά δεδομένα, θα πρέπει να εξεταστούν και να διορθωθούν τρεις κύριες επιδράσεις: ατμοσφαιρικές, γωνιακές και εκπομπής. Οι Wan και Dozier (1996) ανέπτυξαν το γενικευμένο αλγόριθμο «split-window» (Generalized Split Window, GSW) για την ανάκτηση της LST με χωρική ανάλυση 1km από τα θερμικά υπέρυθρα κανάλια του δέκτη MODIS, κάτω από μια σειρά διαφορετικών ατμοσφαιρικών συνθηκών (Wan and Dozier, 1996; Wan 1999; Wan 2008). Ο αλγόριθμος ανακτά την LST σε χωρική ανάλυση 1km, βασισμένος στις δορυφορικές τιμές θερμοκρασίας λαμπρότητας T31 και T32 από τα φασματικά κανάλια 31 και 32 του αισθητήρα MODIS και τις τιμές του συντελεστή εκπομπής για τα αντίστοιχα κανάλια. Οι συντελεστές συσχέτισης για τον προσδιορισμό των κατάλληλων εξισώσεων καθορίζονται με τη βοήθεια των προσομοιώσεων της διάδοσης της ακτινοβολίας σε μία σειρά από διαφορετικές επιφάνειες και ατμοσφαιρικές συνθήκες. Ο συντελεστής εκπομπής για τα φασματικά κανάλια 31 και 32 ορίζονται στη μέθοδο αυτή σύμφωνα με τους τύπους κάλυψης εδάφους που έχουν προκύψει από το σύστημα ταξινόμησης του MODIS. Ο δέκτης MODIS (MODerate resolution Imaging Spectroradiometer) βρίσκεται εγκατεστημένος στο δορυφόρο Terra, ενώ τα δεδομένα που συλλέγονται προσφέρονται σε ημερήσια βάση από το σύστημα δικτυακής διανομής της NASA. Η χρονική έκταση της διαθέσιμης πληροφορίας είναι από τον Απρίλιο του 2000 μέχρι σήμερα. Για τις ανάγκες του Έργου, χρησιμοποιήθηκαν δορυφορικά δεδομένα οπτικού πάχους MODIS από το δορυφόρο TERRA. Τα δεδομένα προσφέρονται στη μορφή Hierarchical Data Format - Earth Observing System (HDF-EOS) που έχει αναπτυχθεί από την NSCA σε προβολή Sinusoidal. Συγκεκριμένα, χρησιμοποιήθηκε το προϊόν MOD11A1 (5η έκδοση) το οποίο είναι προϊόν επιπέδου L3, σε ομάδες με 1200 1200 δεδομένα μεγέθους περίπου 1km 1km (0.927km) για τη χρονική περίοδο 2000-2009. Τα μετεωρολογικά δεδομένα MODIS MOD11 (Terra) Collection 5 (C5) έχουν ελεγχθεί για την ακρίβειά τους μέσα από μία διαδικασία ελέγχου με βάση μετρήσεις εδάφους, από το 2000 μέχρι το 2007. Η ακρίβεια που μετρήθηκε είναι γενικά, καλύτερη από 1K ενώ στις περισσότερες περιπτώσεις πέφτει στο 0.5K (Hulley and Hook, 2009). Τα καθημερινά προϊόντα παρουσιάζουν αυξημένο σφάλμα για μεγάλες γωνίες ανίχνευσης και για ερημικές ή ημιερημικές περιοχές, όπου η αυξημένη ποσότητα αερολυμάτων (aerosol), αλλά και η όχι και τόσο καλή χαρτογράφηση του είδους του εδάφους και της βλάστησης, προκαλεί προβλήματα στον split-window algorithm. Προβλήματα επίσης, παρουσιάζονται όταν η ποσότητα της νέφωσης μπορεί να οδηγήσει σε διαφοροποίηση των εκτιμώμενων τιμών από τις πραγματικές, του ύψους των 4Κ-11Κ. Για τους σκοπούς της παρούσας εργασίας όπου θα χρησιμοποιηθούν δεδομένα από την καλοκαιρινή περίοδο, οι μέρες με τις προβληματικές τιμές είναι εξαιρετικά περιορισμένες. Στο Σχήμα 1 δίνεται η χωρική κάλυψη της Κύπρου με 1km 1km δεδομένα του δορυφόρου MODIS για τις 01/06/2000. Η εικόνα έχει αποτυπωθεί στις 1500 UTC, η νεφοκάλυψη είναι μηδενική και παρουσιάζεται καθαρά με σκούρο χρώμα η επίδραση της χαμηλής, σε σχέση με το έδαφος, θερμοκρασίας της θάλασσας στην ακτογραμμή. 2.2 Επίγεια δεδομένα Οι επίγειες μετρήσεις της θερμοκρασίας αέρα που χρησιμοποιήθηκαν στην παρούσα εργασία προέρχονται από τους αυτόματους κλιματολογικούς σταθμούς της Μετεωρολογικής Υπηρεσίας της Κύπρου. Οι σταθμοί δίνονται στον Πίνακα 1. 25 28/5/2010, PATRAS, GREECE 229

Η βάση δεδομένων αποτελείται από ωριαίες τιμές για ολόκληρο το εικοσιτετράωρο αλλά για την παρούσα εργασία έχουν χρησιμοποιηθεί οι μέγιστες ημερήσιες οι οποίες έχουν σημειωθεί στο διάστημα 1100-1300UTC. Η γεωγραφική θέση των σταθμών φαίνεται στον χάρτη που παρουσιάζεται στο Σχήμα 2. ΣΧΗΜΑ 1. Αποτύπωση της θερμοκρασίας του εδάφους της Κύπρου σε ανάλυση 1Km 1Km για την 01/06/2000. Το πέρασμα έγινε στις 1500UTC ΠΙΝΑΚΑΣ 1. Ονόματα και θέσεις των αυτόματων κλιματολογικών σταθμών που χρησιμοποιήθηκαν Αρ.σταθμού Όνομα σταθμού Υψόμετρο (m) Γ. Πλάτος Γ. Μήκος Ανατολικό (wgs84) Βόρειο (wgs84) 4000424 ΛΕΥΚΩΣΙΑ 155 3510 3321 532425 3891334 4000425 ΑΘΑΛΑΣΣΑ 162 3509 3324 536157 3888925 (ΡΑΔΙΟΒΟΛΙΣΗ) 4000187 ΑΣΤΡΟΜΕΡΙΤΗΣ 175 3508 3303 501800 3887805 (ΝΕΑ ΣΕΒΕΓΕΠ) 4000410 ΚΑΤΩ ΠΥΡΓΟΣ 5 3511 3241 470693 3893732 4000428 ΠΑΡΑΛΙΜΝΙ 65 3504 3358 588575 3880321 (ΝΟΣΟΚ.) 4000427 ΔΑΣΑΚΙ ΑΧΝΑΣ 50 3503 3347 570660 3876148 4000412 ΜΕΝΟΓΕΙΑ 140 3451 3326 539209 3855507 4000319 ΑΘΙΕΝΟΥ 185 3503 3332 549423 3878734 4000423 ΛΕΥΚΑΡΑ 420 3454 3318 526783 3861720 (ΥΔΑΤΟΦΡ.) 4000422 ΛΕΜΕΣΟΣ 5 3440 3303 504013 3836596 ΛΙΜΑΝΙ (ΠΑΛΑΙΟ) 4000417 ΜΑΛΙΑ (ΑΜΣ) 645 3449 3247 480361 3852649 4000418 ΠΡΟΔΡΟΜΟΣ 1380 3457 3250 484399 3867846 (ΔΑΣ.ΚΟΛΛΕΓΙΟ ΚΥΠΡΟΥ) 4000419 ΤΡΟΟΔΟΣ 1725 3456 3253 489173 3864574 (ΠΛΑΤΕΙΑ) 4000420 ΠΑΝΩ 1380 3456 3255 492440 3865057 ΑΜΙΑΝΤΟΣ (ΜΕΤ.) 4000421 ΑΓΡΟΣ 1015 3455 3301 501434 3863595 4000411 ΠΑΦΟΣ 82 3447 3226 448154 3849162 4000015 ΚΑΘΙΚΑΣ (ΔΗΜ. 650 3455 3226 447708 3863204 ΣΧ.) 4000435 ΚΑΝΝΑΒΙΟΥ 419 3455 3235 462226 3865482 4000415 ΠΟΛΙΣ ΧΡΥΣΟΧΟΥΣ (Τ.Α.Υ.) (ΑΜΣ) 20 3503 3226 448670 3877812 25 28/5/2010, PATRAS, GREECE 230

ΣΧΗΜΑ 2. Δίκτυο σταθμών που χρησιμοποιήθηκαν στην παρούσα εργασία 3. ΜΕΘΟΔΟΛΟΓΊΑ Από τις προσφερόμενες εικόνες θερμοκρασίας εδάφους LST έχουν δημιουργηθεί χρονοσειρές μετρήσεων για τον κάθε σταθμό. Αντίστοιχες χρονοσειρές μέγιστης θερμοκρασίας έχουν δημιουργηθεί από τη βάση των αυτόματων κλιματολογικών σταθμών. Η μεθοδολογία που επιλέχθηκε για τη συσχέτιση είναι οι αλγόριθμοι τεχνητών νευρωνικών δικτύων (ΤΝΔ) η οποία έχει χρησιμοποιηθεί επιτυχώς με τον ίδιο τρόπο για την πρόγνωση της μέγιστης ημερήσιας ολικής ηλιακής ακτινοβολίας (Kalogirou et al., 2002), της μέσης ημερήσιας ακτινοβολίας (Tymvios et al., 2002; 2005), την μοντελοποίηση της φωτοσυνθετικής ακτινοβολίας (Τύμβιος κ.ά., 2004) αλλά και τον υπολογισμό της ηλιοφάνειας σε ολόκληρη την Κύπρο (Τύμβιος κ.ά., 2006). Τα τεχνητά νευρωνικά δίκτυα (ΤΝΔ) είναι μικρές αυτόνομες υπολογιστικές μονάδες (αλγόριθμοι) συνδεδεμένες μεταξύ τους με τέτοιο τρόπο ώστε να θυμίζουν σε μεγάλο βαθμό τη λειτουργία των φυσικών υπολογιστικών μονάδων, τους νευρώνες του εγκεφάλου. Τα ΤΝΔ έχουν τη δυνατότητα να εκπαιδεύονται και να μαθαίνουν μέσα από επαναλαμβανόμενα παραδείγματα ώστε σύντομα είναι ικανά να φθάσουν σε αποτελέσματα ή συμπεράσματα χωρίς την ανθρώπινη μεσολάβηση. Αποτελούν μεγάλο πεδίο έρευνας σε παγκόσμιο επίπεδο και οι εφαρμογές τους βρίσκονται παντού, από ιατρικά συστήματα αυτόματης αναγνώρισης κακοήθων όγκων, ελέγχου στρατιωτικών οχημάτων και αεροσκαφών, υπολογισμού περιβαλλοντικών παραμέτρων, διακρίβωσης 25 28/5/2010, PATRAS, GREECE 231

ποιότητας σε εργοστάσια παραγωγής, πρόγνωσης χρηματιστηριακών δεικτών ακόμη και σε ηλεκτρονικές συσκευές. 3.1 Νευρωνικά δίκτυα τύπου MLP (Multi-Layer Perceptron) Για τον υπολογισμό της θερμοκρασίας εδάφους LST του δορυφόρου MODIS Terra, υλοποιήθηκε ένα νευρωνικό δίκτυο τύπου MLP (Multi-Layer Perceptron) το οποίο δέχεται ως είσοδο την κατανομή των θερμοκρασιών στους αυτόματους κλιματολογικούς σταθμούς και δίνει ως έξοδο τη μέτρηση της θερμοκρασίας της επιφάνειας εδάφους από το δορυφόρο. Στο Σχήμα 3 δίνεται η αναπαράσταση του δικτύου στη μορφή του προγράμματος Matlab. 3.2 Εκπαίδευση ΤΝΔ ΣΧΗΜΑ 3: Το νευρωνικό δίκτυο τύπου MLP που υλοποιήθηκε Η διαδικασία εκπαίδευσης του ΤΝΔ απαιτεί να μην υπάρχουν κενά στα δεδομένα εισόδου αφού τα δεδομένα χρησημοποιούνται από το ΤΝΔ ως ομάδα οπότε και υπάρχει αλληλεξάρτηση μεταξύ τους, άρα και η κάθε μία θερμοκρασία που υπολογίζεται, εξάγεται χρησιμοποιώντας την επίδραση από όλες τις μετρήσεις. Η οποιαδήποτε απώλεια σε κάποιο από τα δεδομένα καταλήγει στην απόρριψη ολόκληρης της ομάδας για την ημέρα. Με τον περιορισμό που τέθηκε, η βάση δεδομένων συρρικνώθηκε στις 232 ομάδες τιμών, με ορισμένους σταθμούς να μην αντιπροσωπεύονται καθόλου. Από τις ομάδες που μπορούν να χρησιμοποιηθούν στους υπολογισμούς, το 60% χρησιμοποιήθηκε για την εκπαίδευση των ΤΝΔ, το 20% χρησιμοποιήθηκε ως δείγμα ελέγχου (validation) ενώ το υπόλοιπο 20% ήταν το ανεξάρτητο δείγμα. 4. ΑΠΟΤΕΛΕΣΜΑΤΑ Στο νευρωνικό δίκτυο εισήχθησαν τελικά, δεδομένα από 12 σταθμούς. Στον Πίνακα 2 παρατίθενται οι μέγιστες και ελάχιστες τιμές του σφάλματος εκτίμησης για το ανεξάρτητο δείγμα, η μέση τιμή των σφαλμάτων και η τυπική απόκλιση για τον κάθε σταθμό. ΠΙΝΑΚΑΣ 2. Σφάλμα εκτίμησης για το ανεξάρτητο δείγμα για τον κάθε σταθμό: οι μέγιστες και ελάχιστες τιμές, η μέση τιμή και η τυπική απόκλιση Σταθμός Μέγιστη Ελάχιστη Μέση Τυπική Απόκλιση ΚΑΘΗΚΑΣ 8.25-5.30 0.63 2.53 ΠΑΦΟΣ 8.34-7.45 0.37 2.83 ΠΟΛΙΣ 6.87-4.83 0.40 2.40 25 28/5/2010, PATRAS, GREECE 232

ΚΑΝΝΑΒΙΟΥ 7.03-6.23 0.48 2.41 ΚΑΤΩ ΠΥΡΓΟΣ 7.19-10.12 0.62 2.99 ΜΑΛΙΑ 7.59-7.75-0.11 2.56 ΑΣΤΡΟΜΕΡΙΤΗΣ 6.81-7.31 0.22 2.35 ΑΘΑΛΑΣΣΑ 7.14-7.58 0.63 2.77 ΜΕΝΟΓΕΙΑ 7.36-7.78 0.28 3.07 ΑΘΙΕΝΟΥ 6.45-5.74 0.23 2.27 ΔΑΣΑΚΙ 5.74-4.52 0.60 2.17 ΠΑΡΑΛΙΜΝΙ 7.51-8.42 0.68 2.61 Στο Σχήμα 4 δίνεται η σχέση συσχέτισης μεταξύ των δεδομένων εισόδου (Input) και των δεδομένων εξόδου (Target) για τα δείγματα εκπαίδευσης, ελέγχου και ανεξάρτητων δεδομένων (Training, Validation, Test), όπως επίσης και για όλες τις τιμές. Για το δείγμα εκπαίδευσης, ο συντελεστής συσχέτισης είναι R=0.96991, για το δείγμα ελέγχου, R=0.89692, για το ανεξάρτητο δείγμα, R=0.9145, ενώ για όλη τη βάση δεδομένων, R=0.94747. Η απόδοση του νευρωνικού δικτύου για τις τιμές του ανεξάρτητου δείγματος κρίνεται ως πολύ καλή. ΣΧΗΜΑ 4:Αποτελέσματα εξόδου του νευρωνικού δικτύου για το δείγμα εκπαίδευσης, το δείγμα ελέγχου και το ανεξάρτητο δείγμα 25 28/5/2010, PATRAS, GREECE 233

5. ΣΥΜΠΕΡΑΣΜΑΤΑ ΚΑΙ ΜΕΛΛΟΝΤΙΚΗ ΕΡΓΑΣΙΑ Στην παρούσα εργασία έγινε προσπάθεια συσχέτισης των επίγειων μετρήσεων θερμοκρασίας με τη θερμοκρασία επιφάνειας εδάφους από τα δορυφορικά δεδομένα MODIS. Τα αποτελέσματα της συσχέτισης για τις 12 ομάδες, σύμφωνα με τη στατιστική επεξεργασία, είναι πολύ καλά και η μεθοδολογία κρίνεται επιτυχημένη. Σε επόμενο στάδιο, για να περιοριστεί η έλλειψη του όγκου δεδομένων, θα γίνει ομαδοποίηση των μετρήσεων ανά μήνα και στη συνέχεια θα συμπληρωθούν οι τιμές που λείπουν με παρεμβολή μεταξύ της προηγούμενης και της επόμενης μέρας της μέσης τιμής μεταξύ των δύο. Η μηνιαία διαφοροποίηση αναμένεται να αυξήσει κατά πολύ την αποτελεσματικότητα της μεθόδου. Παράλληλα, χρησιμοποιώντας παραπλήσιες μεθόδους, θα διερευνηθεί η δυνατότητα να αναπαραχθούν οι μετρήσεις του δορυφόρου σε σημεία διαφορετικά από αυτά των σταθμών, ώστε να δημιουργηθούν χρονοσειρές θερμοκρασίας με πολύ μεγαλύτερη χωρική ανάλυση από αυτή που μπορεί να δώσει το υφιστάμενο δίκτυο παρατηρήσεων. ΒΙΒΛΙΟΓΡΑΦΙΑ Τύμβιος ΦΣ, Ιακωβίδης ΚΠ και Μιχαηλίδης ΣΧ, 2002: Υπολογισμός της ολικής ηλιακής ακτινοβολίας σε οριζόντιο επίπεδο με τη χρήση τεχνητών νευρωνικών δικτύων, 6ο Πανελλήνιο Συνέδριο Μετεωρολογίας, Κλιματολογίας και Φυσικής της Ατμόσφαιρας, 25-28 Σεπτεμβρίου 2002, Ιωάννινα. Τύμβιος Φ, Ιακωβίδης Κ, Μιχαηλίδης Σ, Σχίζας Χ και Σκουτέλη Χ, 2004: Μοντελοποίηση της Φωτοσυνθετικής ακτινοβολίας (PAR) για την Λευκωσία-Κύπρο με τη χρήση νευρωνικών δικτύων. 7ο Πανελλήνιο Συνέδριο Μετεωρολογίας, Κλιματολογίας και Φυσικής της Ατμόσφαιρας, 28-30 Σεπτεμβρίου 2004, Λευκωσία, Κύπρος. Τύμβιος Φ, Ιακωβίδης ΚΠ και Μιχαηλίδης Σ, 2006: Γεωγραφική κατανομή της Ηλιοφάνειας στην Κύπρο: Μία εφαρμογή τεχνικών Τεχνητών Νευρωνικών Δικτύων (ΤΝΔ) και GIS. 8ο Πανελλήνιο Συνέδριο Μετεωρολογίας, Κλιματολογίας και Φυσικής της Ατμόσφαιρας, 24-26 Μαΐου 2006, Αθήνα. Coll C, Wan Z, and Galve JM, 2009: Temperature-based and radiance-based validations of the V5 MODIS land surface temperature product. Journal of Geophysical Research, 114, D20102, doi:10.1029/2009jd012038. Hulley GC and Hook SJ, 2009: Intercomparison of versions 4, 4.1 and 5 of the MODIS Land Surface Temperature and Emissivity products and validation with laboratory measurements of sand samples from the Namib desert, Namibia. Remote Sensing of Environment, 113, 1313-1318. Kalogirou S, Michaelides S and Tymvios F, 2002: Prediction of maximum solar radiation using artificial neural networks. World Renewable Energy Congress VII (WREC 2002) Michaelides, SC, Evripidou, P, Kallos, G, 1999: Monitoring and predicting Saharan desert dust transport in the eastern Mediterranean. Weather, 54, 359 365. Mihalakakou G, Flocas HA, Santamouris M and Helmis CG, 2002: Application of Neural Networks to the Simulation of the Heat Island over Athens, Greece, Using Synoptic Types as a Predictor. Journal of Applied Meteorology, 41 (5), 519-527. Tymvios FS, Jacovides, CP, Michaelides, SC, Skouteli, C, 2005: A comparative study of Ǻngstrom's and artificial neural networks' methodologies in estimating global solar radiation. Solar Energy, 78 (6), 752-762. Wan Z, 1999: MODIS Land-Surface Temperature Algorithm Basis Document (LST ATBD): version 3.3. Wan, Z, 2008: New refinements and validation of the MODIS land-surface temperature/emissivity products Remote Sensing of Environment, 112, 59-74. Wan Z and Dozier, J, 1996: A generalized split-window algorithm for retrieving land-surface temperature from space. IEEE Transactions on Geoscience and Remote Sensing, 34, 892-905. 25 28/5/2010, PATRAS, GREECE 234