یک برنامه کاربردی مبتنی بر پایتون برای بازیابی دمای سطح زمین (LST) از تصاویر لندست

زهرا پرور ¹ ( دانشجوی دکتری علوم و مهندسی محیطزیست، دانشکده شیلات و محیطزیست دانشگاه علوم کشاورزی و منابع طبیعی گرگان، )
عبدالرسول سلمان ماهینی ² ( دانشگاه علوم کشاورزی و منابع طبیعی گرگان- دانشکده شیلات و محیط زیست- گروه محیط زیست )

تاریخ ارسال : 1401/09/07 تاریخ تایید : 1401/10/26

کلید واژه: الگوریتم تک کانال, الگوریتم پنجره مجزا, الگوریتم تک پنجره, روش معادله انتقال تابشی, سنجش از دور,

چکیده مقاله :

چکیده دمای سطح زمین یا LST که از تصاویر سنجش از دور مادون قرمز حرارتی به دست می‌آید، مستقیماً با تغییرات کاربری و پوشش زمین مرتبط است. سنجش از دور، به عنوان یک روش غیرقابل جایگزین در مقیاس جهانی و منطقه‌ای، نظارت مؤثر با تداوم مکانی-زمانی دمای سطح زمین را امکان‌پذیر می‌کند. همچنین، تهیه تصاویر دمای سطح زمین امکان جداسازی بهتر شهرها از مناطق بایر اطراف را فراهم می‌کند و در طبقه‌بندی سایر پوشش‌ها و کاربری‌ها نیز مفید خواهد بود. در این مطالعه، یک رابط کاربری مبتنی بر پایتون توسعه داده شد که امکان بازیابی بسیار آسان‌ و سریع‌تر دمای سطح زمین را فراهم می‌سازد. دمای سطح زمین را می‌توان با وارد نمودن پارامترهای مورد نیاز در روش‌هایی نظیر الگوریتم تک کانال (SCA)، روش معادله انتقال تابشی (RTE)، الگوریتم پنجره مجزا (SWA) و دو الگوریتم تک پنجره (MWA)، از مأموریت‌های لندست (5، 7 و 8) بازیابی نمود. مقایسه نتایج در این مطالعه نشان داد که روش‌های روش معادله انتقال تابشی (RTE) و الگوریتم تک کانال (SCA) با خطای جذر میانگین مربعات (RMSE) معادل 76/3 و 97/8 درجه سانتی‌گراد بیشترین و کمترین دقت را داشتند. دمای سطح زمین تحت تأثیر عوامل زیادی مانند ذرات معلق در هوا، پوشش زمین و ریخت‌شناسی شهر قرار دارد. الگوریتم‌های مختلف با در نظر گرفتن دمای نزدیک به سطح زمین، محتوای بخار آب و سایر پارامترهای جوی آن را محاسبه می‌کنند. این رابط کاربری به محققان و متخصصان اجرایی کمک می‌کند تا تغییرات حرارتی را در سری‌های زمانی و بر اساس کاربری‌های مختلف در مطالعات خود و به ‌ویژه توسعه شهری پایش نمایند.

چکیده انگلیسی :

Abstract LST (land surface temperature) derived from thermal infrared remote sensing images is directly related to land use and land cover changes. Remote sensing, as an irreplaceable method to obtain LST at global and regional scales, enables effective monitoring of LST with Spatio-temporal continuity. LST helps in separating urban areas from bare areas and improves land use/cover generation through classification of remotely sensed imagery. In this study, a Python-based user interface was developed to make land surface temperature retrieval easier and faster. LST can be retrieved by inputting required parameters in different methods such as Single Channel Algorithm (SCA), Radiative Transfer Equation (RTE) method, Split Window Algorithm (SWA), and two Mono Window Algorithms (MWA), from Landsat missions (Landsat 5, 7, and 8). Comparing the results in this study showed that RTE and SCA with root mean square error (RMSE) equal to 3.76 and 8.97 degrees Celsius had the highest and lowest accuracy. LST is affected by atmospheric particulate matter, land cover and urban morphology. Various methods of LST retrieval consider surface temperature, water vapor and other atmospheric factors. The developed user interface helps researchers and managers in monitoring land surface temperature change through time as affected by land use/cover, especially urban land use