مقایسه الگوریتم های مختلف برآورد دما حاصل از گسیلندهای مختلف با استفاده از تصاویر سنجش از دور

دمای سطح زمین فاکتور اصلی در تعادل انرژی کره‌زمین بوده و به عنوان ورودی مدل‌های تغییرات آب وهوایی و محیطی به‌کار می‌رود. در گذشته و حتی در حال حاضر بدلیل فقدان و یا کمبود ایستگاههای کافی هواشناسی در بسیاری از مناطق کشور، اندازه گیری و ثبت دما انجام نگرفته است بطوربکه اطلاع دقیقی از تغییرات دمایی در آن مناطق در دست نیست، لذا وجود روشی که بتواند سریع، دقیق و کم هزینه و آن هم در مقیاس وسیع دما را اندازه گیری نماید لازم و ضروری است. استفاده از فناوری سنجش از دور به دلیل دید وسیع و یکپارچه، در دسترس بودن بسیاری از تصاویر و آرشیو غنی گزینه مناسبی در برآورد این پارامتر به شمار می رود. در این تحقیق روش های مختلف استخراج دمای سطح زمین ازجمله monowindow،artis و stefanboltzman مورد بررسی قرار گرفت بطوریکه در هر روش، گسیلمندی از راه های مختلفی از جمله ndvi، classification و modis product محاسبه و سپس وارد معادلات گردید. همچنین از تصاویر متنوع سری لندست شامل tm,etm+,oli و محصول گسیلمندی modis استفاده گردید. برای تبدیل دمای سطح به ارتفاع یک و نیم متری نیز از یک دماسنج دقیق محیطی با دقت 0.2 درجه سانتی گراد و رابطه خطی (=0.44 ×lst + 8/8دمای هوا) استفاده شد سپس نتایج بدست آمده با استفاده از داده های ایستگاه های هواشناسی، محاسبه rmse و آزمون آماری t مورد راستی آزمایی قرار گرفت. نتایج نهایی نشان داد که بهترین روش با rmse 1.09 مربوط به تصویر etm+ و روش stefanboltzman و بدترین روش نیز با rmse 2.64 مربوط به استفاده از تصویر modis و روش monowindow است. لذا پیشنهاد می گردد برای سایر مناطق که از لحاظ پارامترهای جغرافیایی به منطقه مورد مطالعه شباهت دارند روش stefanboltzman. بکار گرفته شود.

Comparison of Different Retrieval Temperature algorithms With different Emissivity by Using remote sensing images

Abstract:Land surface temperature (LST) is the main factor in the energy balance of the Earth, and is used as input for climate and environmental changes models. In the past and even now, due to the lack or insufficient number meteorological stations, temperature has not been measured and recorded in many parts of the country, therefore, there is no accurate information on temperature changes in these regions. So there is a need for a method to measure this parameter that is fast and accurate as well as being the low cost and covering a wide area. Using remote sensing data due to its wide coverage, the availability of many images and rich archives is a good option for estimating this parameter. In this research, various methods for extracting land surface temperature including Monowindow, Artis and StefanBoltzman were investigated. In each method, emissivity was calculated from different ways, including NDVI, Classification and MODIS Product, and then entered into their equations. Landsat series including TM, ETM +, OLI and MODIS emissivity products were also used. To convert the surface temperature to one and half meters height temperature, a precise environmental thermometer with a precision of 0.2 ° C and a linear relationship (air temperature= 0.44 × LST + 8.8) were used. Then, the results were tested using weather station data via RMSE and ttest. The final results showed that the best method with RMSE 1.09 is using the ETM + image and the StefanBoltzman method, and the worst method with RMSE 2.64 is belonging to the use the MODIS image and the MonoWindow method. Therefore, it is recommended to use StefanBoltzman method for other regions which are geographically similar to this studied area.