ارزیابی انواع الگوریتم های پنجره مجزاء برای محاسبه دمای سطح زمین جهت تعیین بهترین الگوریتم برای تصاویر سنجنده مودیس

سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 356

فایل این مقاله در 22 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_GIRS-11-2_006

تاریخ نمایه سازی: 4 شهریور 1399

چکیده مقاله:

پیشینه و هدف در سال­ های اخیر مطالعه تغییرات اقلیمی و همچنین تاثیرات آن­ها تبدیل به یک موضوع ثابت در عرصه­ های علمی بسیاری از کشورها شده است. یکی ازویژگی ­های اصلی این تغییرات، افزایش دمای هوا در طی 5 دهه اخیر نسبت به 500 سال گذشته است. به طوری که آمارها بیانگر افزایش یک درجه سانتی ­گراد در دمای هوا در طی 5 دهه اخیر هستند. به دمای تابشی پوسته زمین و به مقدار خالص انرژی که تحت شرایط اقلیمی درسطح زمین به توازن رسیده و به مقدار انرژی رسیده، گسیلمندی سطح، رطوبت و جریان هوای اتمسفر بستگی دارد، دمای سطح زمین می­گویند. دمای سطح زمین به­عنوان یکی از متغیرهای کلیدی در مطالعات اقلیمی و محیطی سطح زمین محسوب می ­شود. همچنین از پارامترهای اساسی در خصوصیات فیزیک سطح زمین در همه مقیاس­ ها از محلی تا جهانی است. در حال حاضر مهم­ترین منبع داده ­های اقلیمی ایستگاه ­های هواشناسی می­باشند و این ایستگاه­ ها آمار اقلیمی نقاط خاصی را ارائه می­ دهند در حالی­ که دما ممکن است در فواصل مختلف از این ایستگاه ­ها متحرک بوده و نسبت به ایستگاه مورد نظر کاهش یا افزایش داشته باشد. از این رو نیاز به تکنولوژی­ای که بتواند کاستی­ های ایستگاه­ های هواشناسی را در محاسبه دما در فواصل نمونه ­برداری و در مکان­های صعب العبور که امکان احداث ایستگاه هواشناسی وجود ندارد برطرف کند ضروری است. در سال ­های اخیر علوم جدیدی مانند سنجش از دور روش­های جدیدی را برای نظارت بر محیط و کسب، ارزیابی و تجزیه و تحلیل داده­ های محیطی فراهم آورده است و قابلیت ارائه طیف وسیعی از پارمترهای مربوط به محیط را دارا می باشد. این تکنولوژی به عنوان یک منبع مهم و فزاینده از اطلاعات برای مطالعه تغییرات اقلیمی که بر میزان دمای سطح زمین تاثیر مستقیم دارد مطرح می ­شود. در طی دو دهه گذشته برای محاسبه دمای سطح زمین 18 الگوریتم توسعه داده شده است که این الگوریتم­ ها در چهار دسته؛ مدل­ های وابسته به گسیلمندی، مدل­ های دو فاکتوره، مدل­ های پیچیده و مدل­ های بر مبنای رادیانس قرار دارند. بررسی نتایج مقایسه­ های انجام گرفته بین الگوریتم ­های مختلف نشان می ­دهد که الگوریتم­ های مختلف عملکرد متفاوتی را در موقعیت­ های مختلف با آب و هوای متفاوت جغرافیایی دارند. هدف از این تحقیق مقایسه انواع الگوریتم­ های محاسبه LST برای تصاویر سنجنده MODIS و تعیین بهترین الگوریتم برای استان آذربایجان شرقی می­باشد. مواد و روش ها برای تبدیل ارزش های رقومی به تابش طیفی برای باندهای حرارتی تصاویر سنجنده MODIS استفاده قرار گرفت. تبدیل تابش طیفی به بازتاب طیفی با استفاده از رابطه پلانک، داده­ های حرارتی سنجنده MODIS، زمانی که توان تشعشعی آن­ ها حداکثر یک در نظر گرفته شوند، قابلیت تبدیل از تابش طیفی به بازتاب طیفی رادارند. در برآورد گسیلمندی سطحی از روش آستانه گذاری شاخص تفاضل نرمال شده گیاهی NDVI استفاده شد. جهت مشخص نمودن ویژگی ­های خاک در هر پیکسل و محاسبه میزان گسیلمندی و اختلاف گسیلمندی، توان تشعشعی به سه دسته تقسیم گردید؛ 0.2> NDVI به عنوان خاک خشک در نظر گرفته شده وتوان تشعشعی برای آن معادل 0.978 لحاظ می­گردد. 0.5NDVI نتایج و بحث در بین 18 الگوریتم محاسبه دمای سطح زمین برای تصاویر سنجنده MODIS به ترتیب؛ الگوریتم سوبرینو با مقدار RMSE، 1.79 بیشترین دقت، الگوریتم کول کاسلیس و پراتا با مقدار RMSE، 2.58 در جایگاه دوم و همچنین الگوریتم های سالیسبوری و سوبرینو با مقدار RMSE، 2.79 جایگاه سومی را برای محاسبه LST در بین سایر الگوریتم ها دارا می ­باشند. الگوریتم کیین با مقدار RMSE، 5.28 کم­ترین دقت را برای محاسبه LST به خود اختصاص داده است. نتیجه ­گیری بررسی اطلاعات بدست آمده از مقایسه الگوریتم ­های پنجره مجزاء بیانگر تبعیت کلی دماهای محاسبه شده از شرایط توپوگرافی منطقه است، به طوری که تقریبا کمترین مقادیر درجه حرارت در تمام الگوریتم ­ها مربوط به قسمت ­های با ارتفاع بیشتر (کوهستانی) و پوشش سبز منطقه است و مقادیر دما در نواحی دارای ارتفاع پایین و فاقد پوشش گیاهی متراکم افزایش یافته است.

کلیدواژه ها:

نویسندگان

محمد کاظمی قراجه

کارشناسی ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده برنامه ریزی و علوم محیطی، دانشگاه تبریز، تبریز، ایران

بهنام سلمانی

کارشناسی ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده برنامه ریزی و علوم محیطی، دانشگاه تبریز، تبریز، ایران

بختیار فیضی زاده

دانشیار گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده برنامه ریزی و علوم محیطی ، دانشگاه تبریز ، تبریز، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • ­Alsdorf DE, Rodríguez E, Lettenmaier DP. 2007. Measuring surface water ...
  • Asadzadeh A, Faith H, Shawl M. 2015. Spatial Inequalities in ...
  • Alavi Panah SK. 2016. Thermal Remote Sensing and its Application ...
  • Bakhtiari B, Delgarm S, Rezazadeh M. 2016. Selecting the most ...
  • Benali A, Carvalho AC, Nunes JP, Carvalhais N, Santos A. ...
  • Bulivoury RE, Hartford RA, Eidenshink JC. 1993. Using NDVI to ...
  • Becker F, Li Z-L. 1990. Towards a local split window ...
  • Cao L, Li P, Zhang L, Chen T. 2008. Remote ...
  • Carlson TN, Ripley DA. 1997. On the relation between NDVI, ...
  • Chehbouni A, Lo Seen D, Njoku EG, Monteny BM. 1996. ...
  • Cole A, Menenti M, Feddes R, Holtslag A. 1994. A ...
  • Coll C, Caselles V, Sobrino JA, Valor E. 1994. On ...
  • Eleftheriou D, Kiachidis K, Kalmintzis G, Kalea A, Bantasis C, ...
  • Eskandari S. 2019. Comparison of different algorithms for preparing land ...
  • Emami H, Mojarradi B, Safari A. 2016. Presenting a method ...
  • Feizizadeh B, Blaschke T, Nazmfar H, Akbari E, Kohbanani HR. ...
  • Faizizadeh B, Dideban Kh, Gholamnia Kh. 2016. Estimation of land ...
  • Franc G, Cracknell A. 1994. Retrieval of land and sea ...
  • Gillies RR, Carlson TN. 1995. Thermal remote sensing of surface ...
  • Ghaffarian Malmiri H,  Zareh Khormizi H. 2016. Highlighting the time ...
  • Hashemi Darreh Badami S, Nouraei Sefat A, Karimi S, Nazari ...
  • Jin M, Dickinson RE. 2010. Land surface skin temperature climatology: ...
  • Kou X, Jiang L, Bo Y, Yan S, Chai L. ...
  • Luterbacher J, Dietrich D, Xoplaki E, Grosjean M, Wanner H. ...
  • Liu Y, Yamaguchi Y, Ke C. 2007. Reducing the discrepancy ...
  • Latif MS. 2014. Land Surface Temperature Retrival of Landsat-8 Data ...
  • Khorchani M, Vicente-Serrano SM, Azorin-Molina C, Garcia M, Martin-Hernandez N, ...
  • Kerr YH, Lagouarde JP, Imbernon J. 1992. Accurate land surface ...
  • Mildrexler DJ, Zhao M, Running SW. 2011. A global comparison ...
  • Mao K, Qin Z, Shi J, Gong P. 2005. A ...
  • Neteler M. 2010. Estimating daily land surface temperatures in mountainous ...
  • Ottlé C, Vidal-Madjar D. 1992. Estimation of land surface temperature ...
  • Prata AJ. 1993. Land surface temperature from the advanced very ...
  • Price JC. 1984. Land surface temperature measurements from the split ...
  • Qin Z, Li W, Chen Z, Tang H. 2004. Land ...
  • Qin Z, Dall Olmo G, Karnieli A, Berliner P. 2001. ...
  • Rott H. 2000. Physical principles and technical aspects of remote ...
  • Sabziparvar A, Fakharizadeh Shirazi A, Nazem Sadat S, Rezaei Y. ...
  • Salehi N, Ekhtesasi MR, Talebi A. 2019. Predicting the trend ...
  • Santamouris M. 2013. Using cool pavements as a mitigation strategy ...
  • Sun YJ, Wang JF, Zhang RH, Gillies RR, Xue Y, ...
  • Sun AY. 2013. Predicting groundwater level changes using GRACE data. ...
  • Sobrino JA, Raissouni N, Li Z-L. 2001. A Comparative Study ...
  • Sobrino J, Caselles V. 1991. A methodology for obtaining the ...
  • Sobrino J, Coll C, Caselles V. 1991. Atmospheric correction for ...
  • Salisbury CM. 1997. Retrieving land-surface temperature from satellites. UCSB MODIS ...
  • Tang B-H, Shao K, Li Z-L, Wu H, Tang R. ...
  • Ulivieri C, Castronuovo MM, Francioni R, Cardillo A. 1994. A ...
  • Williamson SN, Hik DS, Gamon JA, Jarosch AH, Anslow FS, ...
  • Wan Z, Zhang Y, Zhang Q, Li Z-l. 2002. Validation ...
  • Valizadeh Kh, Gholamnia Kh, Einali G, Mousavi M. 2016. Estimation ...
  • Zhao S, Qin Q, Yang Y, Xiong Y, Qiu G. ...
  • نمایش کامل مراجع