ریزمقیاس‌سازی مکانی تصاویر دمای سطح زمین (lst) سنجنده مادیس در مناطق فاریاب توسط مدل‌های تخمین رطوبت خاک totram و optram

محدودیت‌های موجود در سنسورهای ماهواره‌‌ها باعث عدم امکان دسترسی همزمان به باندهای حرارتی با قدرت تفکیک مکانی و زمانی بالا می‌شود. روش‌های ریزمقیاس‌سازی حائز اهمیت هستند زیرا امکان دسترسی هم‌زمان به داده‌های حرارتی با قدرت تفکیک مکانی و زمانی بالا را فراهم می‌کنند. پارامتر lst در حوزه کشاورزی از اهمیت ویژه‌ای برخوردار است زیرا یکی از پارامترهای بسیار مهم در تخمین میزان تبخیر و تعرق گیاه است و در رشد و نمو گیاه تاثیر بسزایی دارد. تصاویر lst سنجنده مادیس با قدرت تفکیک مکانی 1000 متر و به صورت روزانه در دسترس می‌باشد، قدرت تفکیک مکانی کم در این تصاویر محدودیتی است که امکان استفاده از آن برای مدیریت کشاورزی در مزارع را غیر ممکن می‌کند. تغییرات رطوبتی زیاد در مناطق فاریاب باعث ایجاد خطا در پروسه ریزمقیاس‌سازی lst می‌شود. لذا این پژوهش با هدف ریزمقیاس‌سازی lst سنجنده مادیس از 1000 متر به قدرت تفکیک مکانی سنجنده oli ماهواره لندست 8 (30 متر) در مناطق فاریاب انجام شده است. در ابتدا مدل distrad برای ریزمقیاس‌سازی lst سنجنده مادیس در کشت و صنعت‌های امیرکبیر و میرزاکوچک خان اجرا شد که نتایج نشان دهنده عملکرد ضعیف مدل distrad در ریزمقیاس‌سازی lst از 1000 متر به 30 متر است. در ادامه به منظور بررسی نتایج حاصل از ریزمقیاس‌سازی lst سنجنده مادیس توسط مدل‌های تخمین رطوبت خاک totram و optram از آماره‌ rmse استفاده شد. نتایج حاکی از آن است که مقدار میانگین rmse در تصاویر ریزمقیاس‌سازی شده توسط مدل optram-totram، در حدود 2.53 درجه سانتی‌گراد کاهش نسبت به مدل distrad را نشان می‌دهد. همچنین مقدار میانگین rmse در 6 ماهه اول سال که آبیاری انجام شده است، نسبت به مدل distrad، کاهش حدود 4.11 درجه سانتی‌گراد را نشان می‌دهد. در نتیجه استفاده از مدل optram-totram عملکرد بسیار بهتری را نسبت به مدل distrad در ریزمقیاس‌سازی lst سنجنده مادیس در مناطق فاریاب نشان می‌دهد.

spatial downscaling of land surface temperature (lst) of modis in irrigated areas by totram and optram soil moisture estimation models

the limitations of satellite sensors make it impossible to access thermal bands with high spatial and temporal resolution simultaneously. therefore, downscaling methods are essential because they provide simultaneous access to thermal data with high spatio-temporal resolution. lst parameter is critical in agriculture, it is one of the most important in estimating the amount of evapotranspiration and significantly impacts crop growth. lst images of the modis with spatial resolution of 1000 meters are available daily. still, the low spatial resolution in these images is a limitation that makes it impossible to use for agricultural management. on the other hand, high humidity changes in irrigated regions cause errors in lst downscaling process. this research was carried out with the aim of downscaling the lst of the modis sensor from 1000 meters to oli resolution from landsat 8 satellite (30 meters) in irrigated regions. in the first stage, the distrad model was implemented for the downscaling of the lst of modis in amirkabir and mirzakoochak khan farms. the results show the poor performance of the distrad model in the downscaling of lst from 1000 meters to 30 meters. next, to check the results of lst downscaling of the modis by totram and optram soil moisture estimation models, the root mean square error (rmse) statistic was used. the results indicate that the average value of rmse in the downscaled images by the optram-totram model shows a decrease of about 2.53°c compared to the distrad model. also, the average value of rmse in the first six months of the year when irrigation has been done, compared to the distrad model, shows a decrease of about 4.11 °c. as a result, the use of the optram-totram model offers much better performance than the distrad model in downscaling the lst of the modis in irrigated regions.