مقایسۀ دقت روش‌های مختلف تخمین بخار آب جو در برآورد دمای سطح زمین با استفاده از تصاویر ماهوارۀ‌ لندست 8

دما به ‌عنوان یکی از مهم ترین مولفه ‌های فیزیکی، انتقال و تبادل انرژی را بین لایه‌های مختلف زمین و جو کنترل می‌کند. روش‌های برآورد دمای سطح زمین، مبتنی بر تصاویر ماهواره‌ای، به متغیرهای سطحی و جوی مانند گسیلمندی سطح، میانگین دمای هوا، ضریب انتقال اتمسفری و بخار آب به ‌عنوان ورودی نیاز دارد. عدم قطعیت در این متغیرها باعث ایجاد خطا در بازیابی دمای سطح زمین می‌شود. هدف از پژوهش حاضر مقایسۀ دقت روش‌های مختلف تخمین بخار آب جو در برآورد دمای سطح زمین با بهره ‌گیری از تصاویر لندست 8 است. به این منظور بخار آب جو، با استفاده از روش‌های تصحیح اتمسفری flaash، تصاویر سنجندۀ مودیس و روش swcvr برآورد شد. سپس تاثیر بخار آب جو بر دقت دمای سطح زمین حاصل از روش‌های پنجره مجزا و تک باندی بررسی شد. اعتبارسنجی تصاویر دمای سطح زمین با استفاده از روش اعتبارسنجی تقاطعی و روش مبتنی بر اندازه‌گیری زمینی انجام شد. سپس،20 تصویر از ماهواره لندست 8 مربوط به سال‌های 2018 و 2019، برای تخمین بخار آب جو به روش تصحیح اتمسفری flaash  و swcvr و برآورد دمای سطح زمین استفاده شد. از داده‌ های رقومی رادیانس مودیس برای تخمین بخار آب جو و از محصول دمای سطح زمین این سنجنده برای ارزیابی متقابل استفاده شد. دما با استفاده از دماسنج در نقاطی با پوشش همگن برای اعتبارسنجی مبتنی بر برداشت زمینی، اندازه‌گیری شد. نتایج نشان داد که در میان روش‌های برآورد بخار آب جو، روش swcvr برای برآورد دمای سطح زمین مناسب‌تر است. روش پنجره مجزای مبتنی بر روش swcvr کمترین مقادیر rmse و made را به مقدار3.47 و 3.18 نشان می‌دهد. یافته ‌های طبقه‌بندی تصاویر rmse خوارزمیک (الگوریتم) پنجره مجزای مبتنی بر swcvr، نشان داد که 1.67 درصد از مساحت منطقه، خطای بیشتر از 4 درجه سانتیگراد و 98 درصد از منطقۀ مطالعاتی دارای خطای کمتر از 4 درجه سانتیگراد است.

Comparison of the Accuracies of Different Methods for Estimating Atmospheric Water Vapor in the Retrieval of Land Surface Temperature Using Landsat 8 Images

Temperature is one of the most important physical parameters that control the transfer and exchange of energy between different layers of the earth and the atmosphere. LST estimation methods based on satellite images require surface and atmospheric parameters such as surface emissivity, average air temperature, atmospheric transfer coefficient, and water vapor as input. Uncertainty in these parameters causes errors in the retrieval of land surface temperature. This study aimed to compare the accuracy of different methods for estimating atmospheric water vapor in estimating land surface temperature using Landsat 8 images. In this study, atmospheric water vapor was estimated using FLAASH atmospheric correction methods, MODIS sensor images, and SWCVR method. Then, the impact of atmospheric water vapor on land surface temperature accuracy was investigated using the split window and singlechannel methods. Validation of Land surface temperature images was performed using crossvalidation and ground measurement methods. Therefore, 20 Landsat 8 images related to 2018 and 2019 were used to estimate atmospheric water vapor by the FLAASH atmospheric correction and SWCVR methods, and land surface temperature estimation. MODIS radiance images were used to estimate atmospheric water vapor and the land surface temperature product of this sensor was used for crossvalidation. The surface temperature was measured using a thermometer in places with homogeneous cover, for groundbased validation. Results showed that among water vapor estimation methods, the SWCVR method is more suitable for estimating land surface temperature and the splitwindow method based on the SWCVR method shows the lowest RMSE and MADE at 3.47 and 3.18. Results of RMSE image classification of splitwindow algorithm based on the SWCVR showed that 1.67% of the area has an error of more than 4 °C and 98% of the study area has less than 4 °C error.