ادغام مکانی- زمانی داده‌های دمای سطح زمین لندست و مودیس با استفاده از الگوریتم fsdaf

دمای سطح زمین (lst) پارامتری مهم در سیستم‌های اقلیمی و آب و هوایی است. یکی از راه‏های منحصر به‌فرد تخمین این پارامتر مهم اقلیمی، استفاده از فناوری سنجش ‏از ‏دور است. اما محصولات ماهواره‌ای یا دارای قدرت تفکیک مکانی پایین هستند یا دارای قدرت تفکیک زمانی پایین که پتانسیل کاربرد آنها را در مطالعات مختلف با محدودیت مواجه می‌سازد. در سال‏ های اخیر، استفاده از تکنیک ‏های ادغام مکانی زمانی به‌منظور تولید تصاویر با قدرت تفکیک مکانی و زمانی زیاد همزمان، مورد تحقیق و بررسی گسترده‏ای قرار گرفته‏ اند. در این مطالعه برای تولید تصاویر lst با قدرت تفکیک مکانی سنجنده  tirs لندست و قدرت تفکیک زمانی سنجنده مودیس، از الگوریتم انعطاف‏پذیر ادغام داده مکانی زمانی (fsdaf) استفاده شد. اعتبارسنجی کمی و کیفی تصاویر تولید شده توسط مقایسه با lst واقعی لندست انجام شد. نتایج نشان داد الگوریتم fsdaf هم از لحاظ کیفی و هم از لحاظ کمی، از دقت بالایی در برآورد داده‏ های روزانه lst برخوردار است. میزان پارامترهای rmse و mae تصاویر مصنوعی نسبت به تصاویر واقعی به‌ترتیب بین 1/18 تا 1/71 و 88/0 تا 1/29 درجه سانتی‏ گراد بود. میزان همبستگی بالاتر از 0/87 و اریبی بین 0/6- تا 1/45 درجه سانتی‏ گراد نیز موید دقت و صحت بالای الگوریتم در برآورد lst شبه ‏لندست در مقیاس زمانی روزانه است.

Spatio-Temporal Fusion of Landsat and MODIS Land Surface Temperature Data Using FSDAF Algorithm

Land Surface Temperature (LST) is an important parameter in weather and climate systems. Satellite remote sensing is a unique way to estimate this important parameter. However, satellite products have either low spatial resolution or low temporal resolution that limits their potential use in various studies. In recent years, the use of Spatiotemporal fusion techniques to produce high resolution simultaneous spatial and temporal images has been extensively investigated. In this study, a Flexible Spatiotemporal Data Fusion (FSDAF) was used to produce Landsatlike LST images with Landsat spatial resolution and MODIS temporal resolution. The quantitative and qualitative validation of the images was performed by comparing them with the Actual Landsat LST images. The results showed that the FSDAF algorithm has high accuracy in estimating daily LST data both qualitatively and quantitatively. The RMSE and MAE parameters of the images produced compared to the actual Landsat images were 1.18 to 1.71 and 0.88 to 1.29°C, respectively. The correlation coefficient above 0.87 and bias between 0.6 to 1.45°C also confirms the high accuracy of the algorithm in estimating Landsatlike land surface temperature on a daily time scale.