معرفی روشی جدید به‌منظور تلفیق مکانی‌ زمانی محصولات دمای سطح زمین سنجنده‌های aster و مادیس برمبنای تبدیل موجک دوبعدی ایستا

پایش دمای سطح زمین (lst)، که یکی از پارامترهای مهم زیست‌محیطی محسوب می‌شود، تا کنون با استفاده از سنجنده‌های سنجش از دوری دارای توان تفکیک زمانی بالا، همچون سنجنده مادیس (توان تفکیک زمانی روزانه و توان تفکیک مکانی یک کیلومتر)، به‌طور گسترده‌ای صورت گرفته است. یکی از مهم‌ترین مشکلات این سنجنده‌ها پایین‌بودن توان تفکیک مکانی آنهاست که کارآیی‌شان را، در مواردی همچون شناخت آتش در مناطق جنگلی و مطالعه جزایر گرمایی شهری، محدود کرده است. در مقابل، سنجنده‌هایی با توان تفکیک مکانی بالا، همچون سنجنده aster (توان تفکیک مکانی 90 متر و توان تفکیک زمانی شانزده روز در محصول دمای سطح زمین)، توان تفکیک زمانی پایینی دارند که این منجر به ضعف آنها در پایش تغییرات سریع می‌شود. درواقع، به‌دلیل محدودیت‌های فنی، تا کنون سنجنده‌ای وجود نداشته است که، در دو بعد مکانی و زمانی، توان تفکیک بالا داشته باشد. برای حل این مشکل، روش‌های کم‌هزینه و کارآمد ادغام مکانی‌ زمانی مطرح شده‌اند. از مهم‌ترین روش‌های مطرح در ادغام مکانی‌ زمانی، روش‌های estarfm و stdfa شمرده می‌شوند. در این تحقیق، به‌منظور تلفیق داده‌های سنجنده‌های مادیس و aster از دمای سطح زمین در بخشی از شهر تهران، روشی جدید (swt-stdfa) برمبنای روش stdfa مطرح و موجک دوبعدی ایستا تبدیل شد. نتایج حاصل از تلفیق نیز با نتایج دو روش estarfm و stdfa مقایسه شدند. همچنین، در ادامه، با توجه به وجود نقشه طبقه‌بندی تهیه‌شده براساس شاخص گیاهی تفاضلی نرمال‌شده در الگوریتم‌های stdfa و swtstdfa، درمورد تاثیر استفاده از شاخص‌های گیاهی تفاضلی نرمال‌شده سبز (gndvi) و شاخص گیاهی تعدیل‌شده چندطیفی خاک (savi) در دقت تصویر مجازی خروجی بحث شده است. نتایج تحقیق نشان‌دهنده دقت بالای روش پیشنهادی با ریشه میانگین مربع خطاهای 3.03 کلوین، انحراف معیار 2.21 کلوین، میانگین قدرمطلق خطاهای 1.72 کلوین و ضریب همبستگی 0.92 بین تصویر دمای سطح واقعی منطقه و تصویر مجازی پیش‌بینی‌شده در مقایسه با دو روش دیگر است. افزایش شاخص‌های گیاهی gndvi و savi در طبقه‌بندی دو روش stdfa و swtstdfa نیز تاثیری چندانی در دقت تصویر تلفیقی مجازی خروجی نداشته است.

Presentation of a New Method for the Fusion of SpatialTemporal Land Surface Temperature Products of ASTER and MODIS Sensors Based on a TwoDimensional Stationary Wavelet Transform

Land surface temperature (LST) monitoring has been widely used as one of the most important environmental parameters by the high temporal resolution sensors such as the MODIS sensor (daily temporal resolution capability and spatial resolution of one kilometer). One of the main problems of these sensors is their low spatial resolution, which limits the performance of these sensors for applications such as fire detection in forest areas and the study of urban thermal islands. In contrast, high spatial resolution sensors such as the ASTER sensor (90 meter spatial resolution and 16day temporal resolution at the land surface temperature product), they have low temporal resolution, which results in application such as rapid change monitoring. In fact, due to technical limitations, there is no sensor that has a high resolution in spatial and temporal dimensions. To solve this problem, lowcost and efficient spatialtemporal fusion methods have been developed. The most important methods for fusion spatialtemporal methods are enhanced spatial and temporal adaptive reflectance fusion model (ESTARFM) and Spatial and Temporal Data Fusion Approach (STDFA). This work uses the ESTARFM and STDFA algorithms and a new method (SWTSTDFA) based on the STDFA method and the twodimensional stationary wavelet transformation to fuse LST data spatially and temporally. The LST products of ASTER and MODIS sensors were fused for a part of Tehran city and finally, a virtual image was obtained with a spatial resolution equal to that of the ASTER sensor and a temporal resolution equal to that of the MODIS sensor. Also, based on the existence of a classification map prepared on the basis of normalized vegetation difference index (NDVI) in STDFA and SWTSTDFA algorithms, the effect of using normalized Green Difference Vegetation Indices (GNDVI) and soil adjusted vegetation Index (SAVI) on the accuracy of the synthetic image of the output is discussed. The results of the research indicate the high accuracy of the proposed method with the root mean square error of 3.03 Kelvin, standard deviation of 2. 21 Kelvin, mean absolute difference 1.72 Kelvin and correlation coefficient of 0.92 between the image of the actual land surface temperature and the predicted synthetic image Compared to the other two methods. Also, the increase of vegetation’s indices GNDVI and SAVI in the classification of both STDFA and SWTSTDFA methods did not have much effect on the accuracy of the synthetic image of the output.