Estimation of Ardabil land surface temperature using Landsat images and accuracy assessment of land surface temperature estimation methods with ground truth data
Subject Areas : Geospatial systems developmentHossein Fekrat 1 , Sayyad Asghari Saraskanrood 2 , Seyed Kazem Alavipanah 3
1 - MSc. Student of Remote Sensing and GlS, Faculty of Humanities, University of Mohaghegh Ardabili, Iran
2 - Associate Professor, Department of Natural Geography, Faculty of Humanities, University of Mohaghegh Ardabili, Iran
3 - Professor, Department of Remote Sensing and GlS, Faculty of Geography, University of Tehran, Iran
Keywords: Emissivity, Digital thermometer, Ardabil, Land surface temperature (LST),
Abstract :
Background and ObjectiveOver the past two decades, the intense need for land surface temperature information for environmental studies and management and planning activities has made estimating the land surface temperature one of the most important scientific topics. On the other hand, different methods have been proposed to estimate the land surface temperature, each of which has resulted in different results for different regions. In this study, the algorithms that have had acceptable results in different studies have been selected and evaluated. In the field of thermal studies, what is considered as a major defect in monitoring the land surface temperature is the lack of sufficient meteorological stations to know the temperature values in places without stations and information limitations in preparing temperature data, especially for large areas. The study area is also facing this shortage, and this limitation further highlights the importance of the topic selected for this study to estimate the surface temperature using remote sensing technology. Verification and validation of results obtained from estimating the land surface temperature are other basic and discussed topics in thermal studies. The purpose of this study is an estimation of temperature in Ardabil city and evaluate the accuracy of the four single-channel algorithms, the improved mono-window, the Planck's inversion function method and the radiative transfer equation (RTE) method, to compare the accuracy of the two Landsat 5 and Landsat 8 satellites in estimating the land surface temperature. Materials and Methods Three types of data have been used in this study; Landsat 5 and 8 satellite images, data of two meteorological stations and ground data harvested with a digital thermometer. The images used are from the two satellites Landsat 5 and Landsat 8 with a time interval of 19 years. The meteorological data used were obtained from two synoptic stations in the study area. In addition to land surface temperature, relative humidity, minimum temperature and maximum temperature data of 24 hours were also obtained on two dates. Also, two points of the study area were selected and land surface temperature in the position of these two stations simultaneously with the satellite Recorded from two digital thermometers. MODTRAN web version calculator software version 6 has been used to model the radiation and the amount of atmospheric transmission. Emissivity with two methods of LSE methods based on NDVI and LSE NDVI Thresholds Method and land surface temperature with four algorithms: single-channel algorithms, An Improved mono-window, inversion of Planck’s function and radiative transfer equation using band 6 Landsat 5 and band 10 Landsat 8 bands. It was coded in MATLAB software for 2000 and 2019. Finally, the accuracy of the algorithms was evaluated using synoptic station surface temperature data and field sampling. Results and Discussion The collected data and results are analyzed and while presenting the output maps, the accuracy of the methods with terrestrial and meteorological data as well as the accuracy of Landsat 5 and Landsat 8 satellites in estimating the land surface temperature has been compared and evaluated. The results showed that for the three single-channel algorithms, the inversion of Planck’s function and RTE, the first method of emission and for the An Improved Mono-Window algorithm, the second method of emission had a higher accuracy. Land surface temperature data obtained from meteorological stations in 2000 differ by 12 minutes in terms of time and by 2019 differ by 4 minutes in terms of satellite transit time. The first meteorological station is located somewhat within the city limits and according to the results, it seems that the most important factor is the greater difference between the data of the first station and the estimated LST compared to the second station is the same factor because the heterogeneity of pixels and large changes in levels in urban areas interfere with a pixel value. And subsequently increases the likelihood of errors in estimating surface temperature within the urban anthropogenic range. For the ground station, two points with a homogeneous environment and outside the urban area with agricultural use (alfalfa) and barren use of the harvested product were selected and their surface temperature was measured at the same time as the satellite. The output results of land surface temperature estimation were compared and evaluated with two synoptic stations and two ground stations. In both histories, the single-channel algorithm showed the least difference with the temperature recording stations. Conclusion In this research, using Landsat 5 and Landsat 8 satellite images, four algorithms for estimating the land surface temperature of the earth, including single-channel algorithms, An Improved mono-window, inversion of Planck’s function and radiative transfer equation and land surface temperature maps of Ardabil city for two 2000 and 2019 were coded and extracted in MATLAB software environment. The band 6 Landsat 5 satellite was used for 2000 and the band 10 Landsat 8 satellite was used for 2019 due to less noise than the 11th band and the proximity of 9.66 (which is the highest radiation in this range). Comparison of land surface temperature maps obtained by the algorithms with synoptic and ground stations showed that in both 2000 and 2019, the single-channel algorithm was more accurate than the other methods. Comparison of the results of the single-channel method with the stations shows a difference of +2.5 and 2- with stations 1 and 2 for the year 2000 and a temperature difference of +3.3, +0.9, 1- and -0.9. Shows stations 1, 2, 3 and 4 for 2019, respectively. It seems that the direct use of atmospheric transmittance coefficients in the single-channel method process has been effective in the high accuracy of this method. In terms of accuracy, after the single-channel algorithm, the An Improved Mono-Window method, the RTE algorithm, and finally the Planck function inverse correlation algorithm were placed, respectively. The results of comparing the output of all four algorithms with the data of stations 1, 2, 3 and 4, show that the ground stations harvested with a digital thermometer are more accurate than the data of meteorological stations. One of the reasons for this is the location of meteorological stations (especially, Station_1) in the urban area due to the heterogeneity of the urban environment and the possibility of pixel interference and temperature interference of land uses, while ground stations from the out-of-town area. And was selected from an environment with homogeneous pixels (barren and agricultural). Also, the results of all four algorithms extracted from the Landsat 8 image show more accuracy compared to the results of the four algorithms obtained from the Landsat 5 image, and due to the improved spatial resolution of the TIRS sensor compared to the TM, the TIRS sensor output is more accurate, It was predictable.
Asgarzadeh P, Darvishi Boloorani A, Bahrami H, Hamzeh S. 2016. Comparison between land surface temperature estimation in single and multi-channel method using LandSat images 8. Journal of RS and GIS for Natural Resources (Journal of Applied RS & GIS Techniques in Natural Resource Science), 7(3): 18-29. (In Persian).
Asghari SS, Emami H. 2018. Monitoring the land surface temperature and examining the relationship between land use and land surface temperature using from OLI and ETM+ sensor images, (Case study: Ardabil city ). Journal of Geographical Sciences, 19(53): 195-215. (In Persian). doi:https://doi.org/10.29252/jgs.19.53.195.
Barsi JA, Barker JL, Schott JR. 2003. An Atmospheric Correction Parameter Calculator for a single thermal band earth-sensing instrument, IGARSS 2003. 2003 IEEE International Geoscience and Remote Sensing Symposium. Proceedings (IEEE Cat. No.03CH37477). In., pp 21-25 July 2003, vol. 2005: 3014-3016 p.
Berk A, Conforti P, Kennett R, Perkins T, Hawes F, Van Den Bosch J. 2014. MODTRAN® 6: A major upgrade of the MODTRAN® radiative transfer code. In: 2014 6th Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS). IEEE, pp 1-4. https://doi.org/10.1109/WHISPERS.2014.8077573.
Bernstein LS, Adler-Golden SM, Sundberg RL, Levine RY, Perkins TC, Berk A, Ratkowski AJ, Felde G, Hoke ML. 2005. Validation of the QUick Atmospheric Correction (QUAC) algorithm for VNIR-SWIR multi-and hyperspectral imagery. In: Algorithms and Technologies for Multispectral, Hyperspectral, and Ultraspectral Imagery XI. International Society for Optics and Photonics, pp 668-678. https://doi.org/610.1117/1112.603359.
Carlson TN, Ripley DA. 1997. On the relation between NDVI, fractional vegetation cover, and leaf area index. Remote Sensing of Environment, 62(3): 241-252. doi:https://doi.org/10.1016/S0034-4257(97)00104-1.
Cristóbal J, Jiménez-Muñoz JC, Prakash A, Mattar C, Skoković D, Sobrino JA. 2018. An improved single-channel method to retrieve land surface temperature from the Landsat-8 thermal band. Remote Sensing, 10(3): 431. doi:https://doi.org/10.3390/rs10030431.
Danodia A, Nikam R, Kumar S, Patel N. 2017. Land surface temperature retrieval by radiative transfer equation and single channel algorithms using landsat-8 satellite data. Indian Institute of Remote Sensing-ISRO: 1-7.
Feizizadeh B, Didehban K, Gholamnia K. 2016. Extraction of Land Surface Temperature (LST) based on landsat satellite images and split window algorithm Study area: Mahabad Catchment. Scientific-Research Quarterly of Geographical Data (SEPEHR), 25(98): 171-181. (In Persian).
García-Santos V, Cuxart J, Martínez-Villagrasa D, Jiménez MA, Simó G. 2018. Comparison of three methods for estimating land surface temperature from landsat 8-tirs sensor data. Remote Sensing, 10(9): 1450. doi:https://doi.org/10.3390/rs10091450.
Isaya Ndossi M, Avdan U. 2016. Application of open source coding technologies in the production of land surface temperature (LST) maps from Landsat: a PyQGIS plugin. Remote sensing, 8(5): 413. doi:https://doi.org/10.3390/rs8050413.
Jiménez‐Muñoz JC, Sobrino JA. 2003. A generalized single‐channel method for retrieving land surface temperature from remote sensing data. Journal of Geophysical Research: Atmospheres, 108(D22). doi:https://doi.org/10.1029/2003JD003480.
Li Z-L, Tang B-H, Wu H, Ren H, Yan G, Wan Z, Trigo IF, Sobrino JA. 2013. Satellite-derived land surface temperature: Current status and perspectives. Remote Sensing of Environment, 131: 14-37. doi:https://doi.org/10.1016/j.rse.2012.12.008.
Ndossi MI, Avdan U. 2016. Inversion of land surface temperature (LST) using Terra ASTER data: a comparison of three algorithms. Remote Sensing, 8(12): 993. doi:https://doi.org/10.3390/rs8120993.
Parastatidis D, Mitraka Z, Chrysoulakis N, Abrams M. 2017. Online global land surface temperature estimation from Landsat. Remote sensing, 9(12): 1208. doi:https://doi.org/10.3390/rs9121208.
Rubio E, Caselles V, Badenas C. 1997. Emissivity measurements of several soils and vegetation types in the 8–14, μm Wave band: Analysis of two field methods. Remote Sensing of Environment, 59(3): 490-521. doi:https://doi.org/10.1016/S0034-4257(96)00123-X.
Sahana M, Dutta S, Sajjad H. 2019. Assessing land transformation and its relation with land surface temperature in Mumbai city, India using geospatial techniques. International Journal of Urban Sciences, 23(2): 205-225. doi:https://doi.org/10.1080/12265934.2018.1488604.
Sajib MQU, Wang T. 2020. Estimation of Land Surface Temperature in an Agricultural Region of Bangladesh from Landsat 8: Intercomparison of Four Algorithms. Sensors, 20(6): 1778. doi:https://doi.org/10.3390/s20061778.
Sinha S, Pandey PC, Sharma LK, Nathawat MS, Kumar P, Kanga S. 2014. Remote estimation of land surface temperature for different LULC features of a moist deciduous tropical forest region. In: Srivastava PK, Mukherjee S, Gupta M, Islam T (eds) Remote Sensing Applications in Environmental Research. Springer International Publishing, Cham, pp 57-68. https://doi.org/10.1007/1978-1003-1319-05906-05908_05904.
Sobrino J, Raissouni N. 2000. Toward remote sensing methods for land cover dynamic monitoring: Application to Morocco. International journal of remote sensing, 21(2): 353-366. doi:https://doi.org/10.1080/014311600210876.
Sobrino JA, Jiménez-Muñoz JC, Sòria G, Romaguera M, Guanter L, Moreno J, Plaza A, Martínez P. 2008. Land surface emissivity retrieval from different VNIR and TIR sensors. IEEE Transactions on Geoscience and Remote Sensing, 46(2): 316-327. doi: https://doi.org/10.1109/TGRS.2007.904834.
Sobrino JA, Oltra-Carrió R, Jiménez-Muñoz JC, Julien Y, Sòria G, Franch B, Mattar C. 2012. Emissivity mapping over urban areas using a classification-based approach: Application to the Dual-use European Security IR Experiment (DESIREX). International Journal of Applied Earth Observation and Geoinformation, 18: 141-147. doi:https://doi.org/10.1016/j.jag.2012.01.022.
Srivastava PK, Han D, Rico-Ramirez MA, Bray M, Islam T, Gupta M, Dai Q. 2014. Estimation of land surface temperature from atmospherically corrected LANDSAT TM image using 6S and NCEP global reanalysis product. Environmental Earth Sciences, 72(12): 5183-5196. doi:10.1007/s12665-014-3388-1.
USGS. 2016. Landsat 8 (L8) data users handbook. Landsat Science Official Website.
USGS. 2014. USGS earthexplorer. Retrieved from http://earthexplorer.usgs.gov/.
Vlassova L, Perez-Cabello F, Nieto H, Martín P, Riaño D, De La Riva J. 2014. Assessment of methods for land surface temperature retrieval from Landsat-5 TM images applicable to multiscale tree-grass ecosystem modeling. Remote Sensing, 6(5): 4345-4368. doi:https://doi.org/10.3390/rs6054345.
Wang F, Qin Z, Song C, Tu L, Karnieli A, Zhao S. 2015. An improved mono-window algorithm for land surface temperature retrieval from Landsat 8 thermal infrared sensor data. Remote sensing, 7(4): 4268-4289. doi:https://doi.org/10.3390/rs70404268.
Yu X, Guo X, Wu Z. 2014. Land surface temperature retrieval from Landsat 8 TIRS-Comparison between radiative transfer equation-based method, split window algorithm and single channel method. Remote sensing, 6(10): 9829-9852. doi:https://doi.org/10.3390/rs6109829.
Zakkula G. 1999. Elements of sampling theory and methods. Prentice Hall. 540 p.
Zhang J, Wang Y, Li Y. 2006. A C++ program for retrieving land surface temperature from the data of Landsat TM/ETM+ band6. Computers & Geosciences, 32(10): 1796-1805. doi:https://doi.org/10.1016/j.cageo.2006.05.001.
Zhang Z, He G. 2013. Generation of Landsat surface temperature product for China, 2000–2010. International journal of remote sensing, 34(20): 7369-7375. doi:https://doi.org/10.1080/01431161.2013.820368.
_||_Asgarzadeh P, Darvishi Boloorani A, Bahrami H, Hamzeh S. 2016. Comparison between land surface temperature estimation in single and multi-channel method using LandSat images 8. Journal of RS and GIS for Natural Resources (Journal of Applied RS & GIS Techniques in Natural Resource Science), 7(3): 18-29. (In Persian).
Asghari SS, Emami H. 2018. Monitoring the land surface temperature and examining the relationship between land use and land surface temperature using from OLI and ETM+ sensor images, (Case study: Ardabil city ). Journal of Geographical Sciences, 19(53): 195-215. (In Persian). doi:https://doi.org/10.29252/jgs.19.53.195.
Barsi JA, Barker JL, Schott JR. 2003. An Atmospheric Correction Parameter Calculator for a single thermal band earth-sensing instrument, IGARSS 2003. 2003 IEEE International Geoscience and Remote Sensing Symposium. Proceedings (IEEE Cat. No.03CH37477). In., pp 21-25 July 2003, vol. 2005: 3014-3016 p.
Berk A, Conforti P, Kennett R, Perkins T, Hawes F, Van Den Bosch J. 2014. MODTRAN® 6: A major upgrade of the MODTRAN® radiative transfer code. In: 2014 6th Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS). IEEE, pp 1-4. https://doi.org/10.1109/WHISPERS.2014.8077573.
Bernstein LS, Adler-Golden SM, Sundberg RL, Levine RY, Perkins TC, Berk A, Ratkowski AJ, Felde G, Hoke ML. 2005. Validation of the QUick Atmospheric Correction (QUAC) algorithm for VNIR-SWIR multi-and hyperspectral imagery. In: Algorithms and Technologies for Multispectral, Hyperspectral, and Ultraspectral Imagery XI. International Society for Optics and Photonics, pp 668-678. https://doi.org/610.1117/1112.603359.
Carlson TN, Ripley DA. 1997. On the relation between NDVI, fractional vegetation cover, and leaf area index. Remote Sensing of Environment, 62(3): 241-252. doi:https://doi.org/10.1016/S0034-4257(97)00104-1.
Cristóbal J, Jiménez-Muñoz JC, Prakash A, Mattar C, Skoković D, Sobrino JA. 2018. An improved single-channel method to retrieve land surface temperature from the Landsat-8 thermal band. Remote Sensing, 10(3): 431. doi:https://doi.org/10.3390/rs10030431.
Danodia A, Nikam R, Kumar S, Patel N. 2017. Land surface temperature retrieval by radiative transfer equation and single channel algorithms using landsat-8 satellite data. Indian Institute of Remote Sensing-ISRO: 1-7.
Feizizadeh B, Didehban K, Gholamnia K. 2016. Extraction of Land Surface Temperature (LST) based on landsat satellite images and split window algorithm Study area: Mahabad Catchment. Scientific-Research Quarterly of Geographical Data (SEPEHR), 25(98): 171-181. (In Persian).
García-Santos V, Cuxart J, Martínez-Villagrasa D, Jiménez MA, Simó G. 2018. Comparison of three methods for estimating land surface temperature from landsat 8-tirs sensor data. Remote Sensing, 10(9): 1450. doi:https://doi.org/10.3390/rs10091450.
Isaya Ndossi M, Avdan U. 2016. Application of open source coding technologies in the production of land surface temperature (LST) maps from Landsat: a PyQGIS plugin. Remote sensing, 8(5): 413. doi:https://doi.org/10.3390/rs8050413.
Jiménez‐Muñoz JC, Sobrino JA. 2003. A generalized single‐channel method for retrieving land surface temperature from remote sensing data. Journal of Geophysical Research: Atmospheres, 108(D22). doi:https://doi.org/10.1029/2003JD003480.
Li Z-L, Tang B-H, Wu H, Ren H, Yan G, Wan Z, Trigo IF, Sobrino JA. 2013. Satellite-derived land surface temperature: Current status and perspectives. Remote Sensing of Environment, 131: 14-37. doi:https://doi.org/10.1016/j.rse.2012.12.008.
Ndossi MI, Avdan U. 2016. Inversion of land surface temperature (LST) using Terra ASTER data: a comparison of three algorithms. Remote Sensing, 8(12): 993. doi:https://doi.org/10.3390/rs8120993.
Parastatidis D, Mitraka Z, Chrysoulakis N, Abrams M. 2017. Online global land surface temperature estimation from Landsat. Remote sensing, 9(12): 1208. doi:https://doi.org/10.3390/rs9121208.
Rubio E, Caselles V, Badenas C. 1997. Emissivity measurements of several soils and vegetation types in the 8–14, μm Wave band: Analysis of two field methods. Remote Sensing of Environment, 59(3): 490-521. doi:https://doi.org/10.1016/S0034-4257(96)00123-X.
Sahana M, Dutta S, Sajjad H. 2019. Assessing land transformation and its relation with land surface temperature in Mumbai city, India using geospatial techniques. International Journal of Urban Sciences, 23(2): 205-225. doi:https://doi.org/10.1080/12265934.2018.1488604.
Sajib MQU, Wang T. 2020. Estimation of Land Surface Temperature in an Agricultural Region of Bangladesh from Landsat 8: Intercomparison of Four Algorithms. Sensors, 20(6): 1778. doi:https://doi.org/10.3390/s20061778.
Sinha S, Pandey PC, Sharma LK, Nathawat MS, Kumar P, Kanga S. 2014. Remote estimation of land surface temperature for different LULC features of a moist deciduous tropical forest region. In: Srivastava PK, Mukherjee S, Gupta M, Islam T (eds) Remote Sensing Applications in Environmental Research. Springer International Publishing, Cham, pp 57-68. https://doi.org/10.1007/1978-1003-1319-05906-05908_05904.
Sobrino J, Raissouni N. 2000. Toward remote sensing methods for land cover dynamic monitoring: Application to Morocco. International journal of remote sensing, 21(2): 353-366. doi:https://doi.org/10.1080/014311600210876.
Sobrino JA, Jiménez-Muñoz JC, Sòria G, Romaguera M, Guanter L, Moreno J, Plaza A, Martínez P. 2008. Land surface emissivity retrieval from different VNIR and TIR sensors. IEEE Transactions on Geoscience and Remote Sensing, 46(2): 316-327. doi: https://doi.org/10.1109/TGRS.2007.904834.
Sobrino JA, Oltra-Carrió R, Jiménez-Muñoz JC, Julien Y, Sòria G, Franch B, Mattar C. 2012. Emissivity mapping over urban areas using a classification-based approach: Application to the Dual-use European Security IR Experiment (DESIREX). International Journal of Applied Earth Observation and Geoinformation, 18: 141-147. doi:https://doi.org/10.1016/j.jag.2012.01.022.
Srivastava PK, Han D, Rico-Ramirez MA, Bray M, Islam T, Gupta M, Dai Q. 2014. Estimation of land surface temperature from atmospherically corrected LANDSAT TM image using 6S and NCEP global reanalysis product. Environmental Earth Sciences, 72(12): 5183-5196. doi:10.1007/s12665-014-3388-1.
USGS. 2016. Landsat 8 (L8) data users handbook. Landsat Science Official Website.
USGS. 2014. USGS earthexplorer. Retrieved from http://earthexplorer.usgs.gov/.
Vlassova L, Perez-Cabello F, Nieto H, Martín P, Riaño D, De La Riva J. 2014. Assessment of methods for land surface temperature retrieval from Landsat-5 TM images applicable to multiscale tree-grass ecosystem modeling. Remote Sensing, 6(5): 4345-4368. doi:https://doi.org/10.3390/rs6054345.
Wang F, Qin Z, Song C, Tu L, Karnieli A, Zhao S. 2015. An improved mono-window algorithm for land surface temperature retrieval from Landsat 8 thermal infrared sensor data. Remote sensing, 7(4): 4268-4289. doi:https://doi.org/10.3390/rs70404268.
Yu X, Guo X, Wu Z. 2014. Land surface temperature retrieval from Landsat 8 TIRS-Comparison between radiative transfer equation-based method, split window algorithm and single channel method. Remote sensing, 6(10): 9829-9852. doi:https://doi.org/10.3390/rs6109829.
Zakkula G. 1999. Elements of sampling theory and methods. Prentice Hall. 540 p.
Zhang J, Wang Y, Li Y. 2006. A C++ program for retrieving land surface temperature from the data of Landsat TM/ETM+ band6. Computers & Geosciences, 32(10): 1796-1805. doi:https://doi.org/10.1016/j.cageo.2006.05.001.
Zhang Z, He G. 2013. Generation of Landsat surface temperature product for China, 2000–2010. International journal of remote sensing, 34(20): 7369-7375. doi:https://doi.org/10.1080/01431161.2013.820368.
تخمین دمای سطح شهرستان اردبیل با استفاده از تصاویر ماهوارههای لندست 5 و 8 و ارزیابی دقت روشهای برآورد LST با دادههای میدانی
چکیده
دمای سطح زمین (LST) از جمله پارامترهای ضروری در مطالعات آبوهوایی ، بیلان دمایی و بسیاری از علوم محیطی که بر زندگی انسان تاثیرگذار است، به شمار میرود. هدف از این پژوهش تخمین دمای سطح شهرستان اردبیل و ارزیابی دقت چهار الگوریتم تک کانال، تک پنجره بهبودیافته، تابع معکوس پلانک و معادله انتقال تابشی بوده است. به این منظور با استفاده تصاویر لندست 5 و لندست 8، چهار الگوریتم در نرمافزار متلب کدنویسی و نقشههای دمای سطح زمین شهرستان اردبیل برای دو تاریخ 31/07/2000 و 21/08/2019 تهیه گردید. میزان انتقال پذیری اتمسفری و سایر شاخصهای اتمسفری لازم با استفاده از محاسبهگر تحت وب MODTRAN برای دو تاریخ همزمان با عبور ماهواره از منطقه محاسبه و مقدار گسیلمندی زمین با دو روش گسیلمندی بر مبنای NDVI و گسیلمندی براساس حدآستانهگذاری NDVI برآورد شد. برای صحت سنجی نتایج، دادههای دمای سطح دو ایستگاه هواشناسی برای دو تاریخ مورد مطالعه اخذ گردید. همچنین همزمان با گذر ماهواره دمای سطح زمین با استفاده از دماسنج دیجیتالی در دو نقطه با شرایط محیطی یکنواخت با پیکسلهای همگن برداشت شد. در هر دو تاریخ روش تک کانال در مقایسه با سایر الگوریتمها از دقت بیشتری برخوردار بود و اختلاف دمای 5/2+ و 2- به ترتیب با ایستگاههای 1 و 2 برای سال 2000 و اختلاف 3/1+، 9/0+، 1- و 9/0- به ترتیب با چهار ایستگاههای 1، 2، 3 و 4 برای سال 2019 را نشان میدهد. بعد از روش تک کانال، بترتیب روش تک پنجره بهبود یافته، معادله انتقال تابشی و در نهایت الگوریتم تابع معکوس پلانک از نظر دقت در جایگاههای بعدی قرارگرفتند.
واژههای کلیدی: دمای سطح زمین، متلب، اردبیل، MODTRAN، گسیلمندی، دماسنج دیجیتالی
مقدمه
دمای سطح زمین از کلیدیترین پارامترهایی است که میتواند اطلاعات با ارزشی از خصوصیات فیزیکی سطح زمین و هوای اطراف آن مهیا کند (11). این اطلاعات نقشی اساسی در بسیاری از فرآیندهای محیطی مثل جریان انرژی، چرخه آب، اقلیم، مطالعات شهری و بسیاری از علوم طبیعی ایفا میکند (31)، از سویی دیگر در طول دو دهه اخیر نیاز شدید به اطلاعات دمای سطح زمین جهت فعالیتهای مدیریتی و برنامهریزی، برآورد دمای سطح زمین را به یکی از موضوعات مهم علمی تبدیل کرده است (10). جهت مطالعات حرارتی ماهوارههای متعددی از جمله NOAA، Landsat، Terra (ASTER و MODIS) و Sentinel 3 وجود دارند که هر کدام از ویژگیهای خاصی برخوردار است. در این پژوهش نیز با توجه به اینکه اغلب الگوریتمهای تخمین دمای سطح زمین برای سری ماهواره های لندست طراحی شدهاند و همچنین به دلیل آرشیو منظم و گستردهی بیش از 50 سالهای که سری این ماهواره در اختیار دارد، تصاویری از لندست 5 و 8 انتخاب و مورد استفاده قرارگرفت. روشهای مختلفی جهت تخمین دمای سطح زمین ارائه شده است که هر کدام نتایج متفاوتی را برای مناطق مختلف در پی داشته و دقت هر کدام از روشها همواره مورد بحث و ارزیابی بوده است. مطالعات متعددی هم راستا با موضوع این پژوهش در دنیا و ایران صورت گرفته و با توجه شرایط منطقه، نوع داده و نوع الگوریتم مورد استفاده، نتایج متفاوتی در پی داشته است، از جمله میتوان به تحقیقات ذیل اشاره کرد؛
سوبرینو و همکاران (20) اقدام به بررسی دو الگوریتم جدا کننده دمای سطح زمین از گسیلمندی و روش حد آستانه گذاری با استفاده از NDVI جهت بازیابی توان تشعشعی نمودند. الگوریتم TES را که جهت تعیین توان تشعشعی زمین و دمای سطح توسط خود نویسندگان برای داده های ASTER توسعه داده شده بود، بر روی سنسورهای با یک یا دو باند حرارتی مانند AASTER، AVHRR و TM5 اعمال کردند و به این نتیجه رسیدند که این الگوریتم برای این سنسورها مناسب نیست، ولی الگوریتم دوم که بر اساس حدآستانه گذاری شاخص NDVI بود با نتیجه خوبی روی این سنسورها همراه بوده است. پاراستاتیدیس و همکاران (14) در پژوهشی اقدام به تخمین میزان دمای سطح زمین بصورت آنلاین با استفاده از تصاویر ماهواره سری لندست کردهاند. آنها با استفاده از پلتفرم متن باز گوگل ارث انجین محدوده عملیاتی خود را در سطح جهانی و بازه زمانی را از تصاویر اولیه ماهواره لندست در سال 1984 تا 2017 قرار دادهاند. نتایج این پژوهش تولید محصول دمای سطح زمین از کل تصاویر سری ماهواره لندست بوده که امکان دسترسی بصورت آنلاین در غالب برنامههای تحت وب را فراهم میآورد. فیضی زاده و همکاران (9) با استفاده از تصاویر سنجنده OLI و TIRS اقدام به تخمین دمای سطح زمین در حوضه آبریز مهاباد واقع در استان آذربایجان غربی نمودند. آنها با استفاده از معیارهایی مانند شاخص NDVI، ستون بخار آب و کسر پوشش گیاهی، دمای سطح زمین را با استفاده از الگوریتم پنجره مجزا تخمین زدند. مقایسه نتایج بدست آمده با دادههای ایستگاه هواشناسی نشان از اختلاف 4/1 درجه سانتی گرادی دارد. بررسی نتایج تحقیق نشان داد که مناطقی از شهر که دارای پوشش گیاهی متراکم و پوشیده از آب بودند دارای پایینترین دما و مناطقی که فاقد پوشش گیاهی بودند بالاترین مقدار دمایی را به خود اختصاص داده بودند. سوبرینو همکاران (21) با استفاده از تصاویر فراطیفی هوایی اقدام به تهیه نقشه گسیلمندی با الگوریتم TES و کتابخانه طیفی استر کردند و نتایج کار را با دادههای زمینی، دادههای لیدار، دادههای رادیوسوند و همچنین داده ایستگاههای هواشناسی صحت سنجی کردند. نتایج نشان داد که الگوریتم TES مورد استفاده جهت استفاده در سطوح مختلف شهری در مناطق مختلف نیاز به توسعه دارد. ندوسی و اودان (12) در مطالعه خود با استفاده از پلاگین LST نرم افزار PythonQGIS با تصاویر حرارتی ماهواره های لندست 5، 7 و 8 اقدام به تهیه نقشه دمای سطح زمین و مقایسه الگوریتمها کردند. نتایج نشان داد که در هر سه ماهواره، الگوریتم تابع پلانک از خطای کمتری نسبت به دیگر روشها برخوردار بوده است. اصغری و امامی (2) در مطالعهای اقدام به بررسی رابطه کاربری اراضی با دمای سطح زمین پرداختند. آنها با استفاده از تصاویر ماهواره لندست 7 و 8 ابتدا دمای سطح زمین را با الگوریتم تک کانال استخراج و سپس نقشه کاربری اراضی شهر اردبیل را برای دو سال 2000 و 2017 با استفاده از الگوریتم شیگرا استخراج و سپس نقشهی تغییرات کاربری اراضی را در یک بازه زمانی 18 ساله تهیه کردند. نتایج پژوهش نشان داد که رابطهی قوی بین کاربری اراضی و دما وجود دارد. مناطق شهری بدلیل جاذب بودن دارای دمای بیشتر و مناطقی که دارای پوشش گیاهی و آب بودهاند کمترین دما را به خود اختصاص دادند. ندوسی و اودان (13) در پژوهشی دیگر سه تا الگوریتم برآورد دمای سطح زمین را با هم مقایسه کردهاند. دمای سطح زمین با الگوریتمهای پلانک، پنجره مجزا و تک کانال در بازه زمانی 2000 تا 2008 با استفاده از پلاگین متن باز PyQGIS کد نویسی و استخراج گردید. در انتها نتایج سه روش با دادههای دمای سطح زمین سایت مذکور مورد مقایسه و ارزیابی قرار گرفته که نتیجه کار نشان از عملکرد بهتر الگوریتم پلانک با مقدار RMSE 29/2 نسبت به دو الگوریتم دیگر داشته است.
در حوزه مطالعات حرارتی آنچه به عنوان یک نقص اساسی در پایش دمای سطح زمین به شمار میآید، نبود ایستگاههای هواشناسی کافی جهت آگاهی از مقادیر دمایی در نقاط فاقد ایستگاه و محدودیت اطلاعاتی در تهیه دادههای دمایی بخصوص برای مناطق وسیع است. منطقه مورد مطالعه نیز با این کمبود روبه رو است و این محدودیت، اهمیت موضوع انتخاب شده برای این پژوهش جهت تخمین دمای سطح زمین با استفاده از فناوری سنجش از دور را بیشتر نمایان میسازد. همچنین استفاده از زبان برنامهنویسی و نرمافزارهای متن باز علاوه بر امکان توسعه الگوریتمها و محلی کردن ضرایب، باعث بالارفتن دقت خروجیها و امکان مطالعه مناطق وسیع در کمترین زمان و همچنین محاسبه خودکار الگوریتمهای دمای سطح زمین را فراهم میآورد. صحت سنجی و اعتبارسنجی نتایج بدست آمده از تخمین دمای سطح زمین از دیگر موضوعات اساسی و مورد بحث در مطالعات حرارتی محسوب میشود در این پژوهش برای ارزیابی دقیقتر روشها علاوه بر دمای سطح ایستگاههای هواشناسی، دمای سطح همزمان با عبور ماهواره با دماسنج دیجتالی ثبت گردید.
روش تحقیق
منطقه مورد مطالعه
شهرستان اردبیل با جمعیتی بالغ بر 1270420 نفر و مساحت 7/2216 کیلومتر مربع بعنوان پرجمعیت ترین شهرستان و مرکز استان اردبیل در محدوده جغرافیایی 37 درجه و 55 دقیقه و 60 ثانیه تا 38 درجه و 36 دقیقه و 27 ثانیه عرض شمالی و 48 درجه و 39 دقیقه و 20 ثانیه تا 47 درجه و 48 دقیقه و 21 ثانیه طول شرقی واقع شده است (شکل 1). این شهرستان با میانگین ارتفاعی بیش از 1400 متر از سطح دریا برا اساس تقسیمات کوسن دارای چهار اقلیم مدیترانهای گرم، مدیترانهای معتدل، کوهستانی سرد و معتدل میباشد. شرایط کوهستانی و پستی بلندیهای زیاد، نقش کاهنده در مقدار متوسط درجه حرارت منطقه مورد مطالعه داشته است. از دیگر عوامل تاثیرگذار در اقلیم شهرستان اردبیل میتوان دریای خزر را نام برد که نقشی تعدیل کننده درجه حرارت برای منطقه دارد. از لحاظ زمین شناسی نیز بیشترین مساحت شهرستان متشکل از سازند مخروط افکنههای پایکوهی و مهمترین واحدهای توپوگرافی این شهرستان دشت و چاله اردبیل میباشد.
شکل1. موقعیت منطقه مورد مطالعه بهصورت ترکیب رنگ واقعی (باندهای 4، 3 و 2) ماهواره لندست 8 (21/08/2019)
Fig 1. Location of the study area as a true color composite (bands 4, 3 and 2) of Landsat8 satellite (21/08/2019)
دادههای مورد استفاده
در این پژوهش از سه نوع داده شامل تصاویر ماهوارهای، دادههای ایستگاه هواشناسی و دادههای نمونه برداری میدانی دمای سطح زمین استفاده شده است. تصاویر مورد استفاده از دو ماهواره لندست 5 و لندست 8 با فاصله زمانی 19 ساله انتخاب شده است (جدول 1). در انتخاب تصویر تا حد امکان سعی شد که هر دو تصویر از یک ماه (مرداد)، بدون ابر و تا چند روز قبل تصویر مد نظر بارندگی رخ نداده باشد تا فرآیند تخمین دمای سطح به درستی و با حداقل خطا صورت پذیرد.
جدول1. مشخصات تصاویر ماهوارهای استفاده شده
Table 1. Specifications of satellite images used
ماهواره | زمان اخذ تصویر (محلی) | زمان اخذ تصویر (جهانی) | تاریخ شمسی | تاریخ میلادی | ردیف | گذر |
لندست 5 لندست 8 | 11:33:02 11:56:00 | 07:03:02 07:26:00 | 10/05/79 30/05/98 | 31/07/2000 21/08/2019 | 33 33 | 167 167 |
دادههای هواشناسی مورد استفاده نیز از دو ایستگاه سینوپتیک موجود در محدوده مورد مطالعه اخذ گردید. دمای سطح زمین در این دو ایستگاه روزانه و هر 8 ساعت یک بار در عمق 2 الی 5 سانتیمتری سطح زمین اندازه گیری میشود. با توجه به زمان عبور ماهواره از منطقه، نزدیکترین زمان داده ثبت شده ساعت 12 بوده که مورد استفاده قرار گرفته است. علاوه بر دمای سطح زمین، دادههای رطوبت نسبی، حداقل دما و حداکثر دمای 24 ساعت نیز در دو تاریخ مدنظر اخذ گردید، همچنین دو نقطه از منطقه مورد مطالعه انتخاب و دمای سطح زمین در موقعیت این دو ایستگاه همزمان با عبور ماهواره با استفاده از دو دماسنج دیجیتالی ثبت شد. مشخصات ایستگاههای هواشناسی در جدول 2 و ایستگاههای زمینی در جدول 3 ارائه شده است. دماسنج به کاربرده شده دارای دو حسگر داخلی و خارجی و قابلیت ثبت حداقل دما و حداکثر دما با دقت 1/0 درجه سلسیوس را دارد و قبل از اندازهگیری میدانی، در آزمایشگاه با استفاده از یخ کالیبره گردید تا در صورت وجود خطا، برطرف شود. به جهت خاصیت تغییر پذیری دما و لزوم همزمانی دمای برداشت شده با زمان عبور ماهواره و محدودیت در تعداد دماسنج، دمای سطح دو نقطه از منطقه اندازهگیری شد (شکل2).
جدول2. مشخصات ایستگاههای هواشناسی
Table 2. Meteorological station specifications
ایستگاه سینوپتیک | زمان ثبت دمای سطح | کد ایکائو | ارتفاع (متر) | متوسط فشار | عرض جغرافیایی(Y) | طول جغرافیایی(X) |
اردبیل (Station-1) فرودگاه (Station-2) | 12:00 12:00 | ARAD OITL | 2/1335 3/1317 | 7/862 96/864 | 38.13.05 38.19.50 | 48.19.43 48.24.57 |
جدول3. موقعیت و مشخصات ایستگاههای زمینی
Table 3. Location and specifications of ground stations
ایستگاه زمینی | زمان ثبت دمای سطح | ارتفاع از سطح دریا(متر) | عرض جغرافیایی(Y) | طول جغرافیایی(X) |
Station-3 Station-4 | 11:56 11:56 | 1343 1384 | 38.16.85 38.10.37 | 48.14.06 48.15.92 |
شکل2. موقعیت ایستگاههای هواشناسی (ایستگاههای 1 و 2) و زمینی (ایستگاههای 3 و 4)
Fig 2. Location of meteorological (stations 1 and 2) and ground station (stations 3 and 4)
در این پژوهش کلیه مراحل استخراج دمای سطح زمین با چهار الگوریتم تک کانال، تک پنجره بهبودیافته، رابطه معکوس تابع پلانک و معادله انتقال تابشی با استفاده از باند 6 لندست 5 و باند 10 لندست 8 در نرمافزار MATLAB 2016 برای دو سال 2000 و 2019 کدنویسی گردید (شکل 3). برای محاسبه LST، استفاده از تک باند (باند 10) دقت بیشتری در مقایسه با استفاده همزمان از دو باند 10 و 11 فراهم میکند، چرا که اطمینان کمتری برای کالیبراسیون کامل هر دو باند وجود دارد (25 و 28). توان تشعشعی با دو روش گسیلمندی براساس شاخص NDVI و گسیلمندی بر اساس حدآستانه گذاری NDVI محاسبه گردید. در نهایت دقت الگوریتمها با استفاده از دادههای دمای سطح ایستگاه سینوپتیک و نمونهبرداری میدانی مورد ارزیابی قرار گرفت. روند کلی مراحل انجام پژوهش در شکل 4 ارائه شده است.
شکل3. محیط کاری نرم افزار MATLAB 2016 و کدهای نوشته شده جهت تخمین دمای سطح زمین
Fig 3. Work space of MATLAB 2016 software and written codes to estimate the land surface temperature
شکل4. نمودار روند پژوهش
Fig 4. Flow chart of research methodology
پیش پردازش
جهت پیش پردازش تصاویر اپتیکال دو ماهواره مورد استفاده در این پژوهش از روش تصحیح اتمسفر QUACکه بصورت مستقیم از اطلاعات موجود در طیف پیکسلهای مشاهده شده استفاده میکند (5) درمحیط نرم افزار ENVI 5.3 استفاده شده است. در فرایند تبدیل ارزشهای رقومی پیکسلها به رادیانس باندهای حرارتی و همچنین تبدیل رادیانس به دمای روشنایی، تصحیح رادیومتریکی روی باند حرارتی صورت میگیرد (24).
تعیین توان گسیلمندی سطح زمین
با استفاده از شاخص NDVI، امکان محاسبه توان تشعشعی مواد مختلف خاکی در محدوده 10-12 فراهم میشود (27). در این پژوهش نیز از دو روش محاسبه گسیلمندی بر اساس شاخص NDVI و تعیین گسیلمندی به روش حد آستانه گذاری NDVI استفاده شده است. با توجه به اینکه موانع اتمسفری مانند جذب و پخش ممکن است تاثیراتی را در مقادیر گسیلمندی حاصل از شاخص NDVI ایجاد کنند (23)، از همین رو ابتدا تصحیحات اتمسفری و رادیومتریکی در به حداقل رساندن تاثیرات اتمسفری روی دادهها انجام گرفت و سپس شاخص NDVI بر اساس رابطه 1 محاسبه گردید:
[1] -
در رابطه 1، NIR برابر با باند مادون قرمز نزدیک و RED برابر با باند قرمز است. پس از محاسبهی شاخص NDVI، براساس مقادیر بدست آمده، توان تشعشی طبق جدول 4 تعیین میشود (30).
جدول4. مقادیر گسیلمندی برا اساس ارزش NDVI
Table 4. Emissivity values based on the NDVI
LSE | NDVI |
955/0 985/0 ln(NDVI) × 047/0 + 009/1 990/0 | NDVI< - 185/0 185/0- ≤ NDVI > 157/0 727/0 ≥ NDVI ≥ 157/0 727/0 NDVI |
روش دوم مورد استفاده در این پژوهش جهت تخمین گسیلمندی، برآورد توان تشعشعی برا اساس آستانه گذاری شاخص NDVI است. با توجه به اینکه محدوده طیفی سنسورهای حرارتی TM و TIRS با محدوده طیفی روش حدآستانه گذاری NDVI مطابقت دارد، این روش نیز جهت تخمین میزان گسیلمندی مورد استفاده قرار گرفت. مقادیر گسیلمندی برای دو پوشش خاک و گیاه برای لندست 5 در جدول 5 (15) و برای لندست 8 (باند 10) در جدول 6 (27) نمایش داده شده است. این روش که در آن مقادیر معینی از NDVI بکار برده میشود، جهت تمییز پیکسلهای خاک از پیکسلهای حاوی پوشش گیاهی استفاده میشود (22) که با استفاده از رابطه 2 بدست میآید:
[2]
در رابطه 2، ελ برابر با گسیلمندی باند مورد نظر، εsλ گسیلمندی خاک، εvλ گسیلمندی پوشش گیاهی، Pv نسبت گیاهی، NDVIs و NDVIv به ترتیب مقدار NDVI پیکسلهای خاک لخت و پیکسلهای کاملاً پوشیده از گیاه وNDVIs≤NDVI≤NDVIv مخلوطی از پیکسلهای خاک و گیاه است (20).
جدول5. مقدار گسیلمندی خاک و گیاه برای ماهواره لندست 5 (باند 6)
Table 5. The emissivity values of soil and vegetation for Landsat 5(band 6)
باند | vε | sε |
TM(باند6) | 990/0 | 984/0 |
جدول6. مقدار گسیلمندی خاک و گیاه برای ماهواره لندست 8 (باند 10)
Table 6. The emissivity values of soil and vegetation for Landsat 8(band 10)
باند | vε | sε |
TIRS1(باند10) | 973/0 | 966/0 |
جهت محاسبه Pv ابتدا شاخص NDVI با استفاده از باندهای 3 (Red) و 4 (NIR) در سنجنده TM و باندهای 4 (Red) و 5 (NIR) در سنجنده OLI، محاسبه و سپس مقدار Pv با استفاده از رابطه 3 بدست آمده است (6):
[3]
در این معادله، در مقیاس جهانی برای NDVIv مقدار 5/0 و برای NDVIs مقدار 2/0 پیشنهاد شده است (22).
محاسبه میزان انتقال اتمسفری
جهت مدل سازی تابش و میزان انتقال اتمسفری، ضریب انتقال پذیری اتمسفر، تابشهای رو به بالا و تابشهای رو به پایین نیاز است (16) که در این پژوهش از نرم افزار محاسبه گر تحت وب MODTRAN نسخه 6 استفاده شده است. این پلتفرم که محدوده وسیعی از امواج الکترومغناطیس را شامل میشود (امواج ماورای بنفش تا مادون قرمز دور) ، برای روشهای تک باندی مثل تک کانال و تک پنجره نتایج بهتر و دقیقتری به همراه دارد (4).
الگوریتمهای برآورد دمای سطح زمین
جهت تخمین دمای سطح زمین در این پژوهش از چهار الگوریتم استفاده شده است که به شرح زیر است:
الگوریتم تک کانال
روش تک کانال برای سنجندههایی که دارای یک باند حرارتی هستند مناسب است و با استفاده از رابطه 4 حاصل میشود (10):
[4]
در این رابطه ε و Lsensor به ترتیب نشان دهندهی گسیلمندی و رادیانس حرارتی است. γ نشانگرگاما که با استفاده از رابطه 5 محاسبه شده است، δ برابر با دلتا که از رابطه 6 حاصل شده و 1ѱ، 2ѱ و 3ѱ پارامترهای تصحیح اتمسفری هستند و با اعمال آنها اثر اتمسفر روی خروجیها از بین رفته یا تا حد زیادی تعدیل میشود (7) و به ترتیب با استفاده از معادلههای 7، 8 و 9 محاسبه شده است (10):
[5]
[6]
[7] 
[8] 
[9]
در رابطه 5، C1 و C2 ضرایب ثابت تابشی پلانک، در رابطه 6، Lsensorλ و Tsensor به ترتیب برابر رادیانس سنجنده حرارتی (باند 10 سنجندهی TIRS و باند 6 سنجندهی TM و دمای درخشندگی سنجنده و در نهایت L↑atm، L↓atm و τ در معادلات 7، 8 و 9 به ترتیب تابشهای رو به بالای اتمسفر، تابشهای رو به پایین اتمسفر و ضخامت اتمسفر (میزان انتقال پذیری اتمسفر) را نشان میدهد.
الگوریتم تک پنجره بهبود یافته
روش تک پنجره در ابتدا توسط ژیاهو و همکاران (2001) برای تصاویر حرارتی سنجنده TM ارائه شد. سپس نسخه بهبود یافته این روش توسط وانگ و همکاران (27) پیشنهاد شد. این الگوریتم با استفاده از رابطه زیر حاصل میشود:
[10]
در معادله بالا T10,6 دمای درخشندگی باند 10 TIRS و باند 6 TM، a10,6 و b10,6 ضرایب تقریبی برگرفته شده از تابع پلانک برای باندهای حرارتی لندست 5 و 8 که مقدار آنها برای دماهای مختلف در جدول 7 آورده شده است، Ta میانگین موثر دمای جوی که برای مناطق مختلف در جدول 8 پیشنهاد شده است و C10,6 و D10,6 پارامترهای داخلی الگوریتم هستند که با استفاده از روابط 11 و 12 بدست میآید:
[11]
[12]
τ و ε در روابط بالا به ترتیب ضخامت اتمسفر و توان تشعشعی دو باند حرارتی مورد استفاده را نشان میدهد.
جدول7. ضرایب تقریبی a و b برای لندست 5 (باند 6) و لندست 8 (باند 10)
Table 7. Approximate coefficients a and b for Landsat 5 (Band 6) and Landsat 8 (Band 10)
R2 | b10 – b6 | a10 – a6 | رنج دمایی |
9997/0 | 4581/0 | 1775/70- | 20ºC 70 - ºC |
9996/0 | 4339/0 | 7181/62- | 0ºC 50 - ºC |
9996/0 | 4086/0 | 4276/55- | 20-ºC 30 - ºC |
باتوجه به وضعیت دمایی محدوده مورد مطالعه از لحاظ حداقل و حداکثر دمایی ، از مقادیر کلاس 0ºC 50 - ºC برای این مطالعه استفاده شده است.
جدول8. میانگین موثر دمای جوی (Ta) برای مناطق مختلف
The effective average temperature (Ta) for different regions. Table 8
ضرایب | Atmospheres |
Ta = 9769/17 + 9172/0 T0 | Tropical model |
Ta = 0110/16 + 9262/0 T0 | Mid-latitude summer |
Ta = 2704/19 + 9112/0 T0 | Mid-latitude winter |
با توجه به قرار گیری منطقه مورد مطالعه در عرضهای میانی و فصل تصاویر مورد استفاده (تابستان) ، مقادیرMid-latitude summer مورد استفاده قرار گرفت.
الگوریتم رابطه معکوس تابع پلانک
دمای سطح زمین در این روش (بر مبنای میزان تابش الکترومغناطیسی جسم سیاه) با استفاده از رابطه 13 حاصل میشود (12):
[13]
در رابطه بالا BT، λ و ε بترتیب برابر با دمای درخشندگی باندهای حرارتی 6 و 10، طول موج و گسیلمندی و ρ برابر با مقدار ثابت 1.438×10-2 است.
الگوریتم معادله انتقال تابشی
معادله انتقال تابشی از جمله الگوریتمهای ساده و پرکاربرد به شمار میرود که با استفاده از رابطه 14 بدست میآید (19):
[14]
K1 و K2 ضرایب باند 10 لندست 8 و باند 6 لندست 5 است که از متادیتای تصاویر استخراج گردیده است. مقادیر این ضرایب در جدول 9 نمایش داده شده است، همچنین Lλ(Ts) نشاندهنده رادیانس سطح در دو باند حرارتی 10 و 6 است و بوسیله آن، رادیانس به رادیانس سطح تبدیل میشود (3) که از رابطه 15 بدست میآید:
[15]
Lλup و Lλdown در رابطه 15 به ترتیب تابشهای رو به بالای اتمسفر و تابشهای رو به پایین اتمسفر، τ ضخامت اتمسفر و ε توان تشعشعی باندهای حرارتی 10 و 6 است.
جدول9. ضرایب K1 و K2 برای باند 10 لندست 8 و باند 6 لندست 5
Table 9. The coefficients K1 and K2 for band 10 Landsat 8 and Band 6 Landsat 5
سنجنده | باند | K | مقدار ضرایب ثابت K1 و K2 |
TIRS (لندست8)
TM (لندست5) | 10 6 | K1 K2 K1 K2 | 5388/774 0789/1321 76/607 56/1260 |
درصد خطای نسبی
این پارامتر آماری که اختلاف بین مقدار اندازهگیری شده در آزمایشگاه (مقدار واقعی) و مقدار بدست آمده ناشی از محاسبه را مشخص میکند (29) با استفاده از رابطه زیر محاسبه میشود:
[16]
در رابطه بالا Eabs خطای مطلق (قدر مطلق تفاضل مقدار واقعی از مقدار به دست آمده) و X نشان دهنده مقدار واقعی است.
نتایج
با توجه به اهمیت محاسبه دقیق گسیلمندی در افزایش دقت برآورد دمای سطح زمین، توان تشعشعی سطح زمین به دو صورت گسیلمندی براساس شاخص NDVI و گسیلمندی برمبنای حدآستانه گذاری NDVI محاسبه گردیده است که نتایج در شکل های 5 و 6 نمایش داده شده است. برای سه الگوریتم تک کانال، رابطه معکوس تابع پلانک و RTE، روش اول گسیلمندی و برای الگوریتم تک پنجره بهبود یافته روش دوم گسیلمندی از دقت بالاتری برخوردار بود و به همین دلیل مورد استفاده قرار گرفت.
شکل5. نقشههای گسیلمندی باند 6 ماهواره لندست 5 در تاریخ 31/07/2000
Fig 5. Emissivity maps derived from band 6 Landsat 5 in 2000/07/31
شکل6. نقشههای گسیلمندی باند 10 ماهواره لندست 8 در تاریخ 21/08/2019
Fig 6. Emissivity maps derived from band 10 Landsat 8 in 2019/08/21
شکل 7 پروفیل استاندارد اتمسفر از سطح زمین تا ارتفاع 100 کیلومتری برای تاریخ 31/07/2000 ساعت 11:33 و 21/08/2019 ساعت 11:56 به وقت محلی مطابق با زمان عبور ماهواره را نشان میدهد. میزان تغییرات ارتفاع نسبت به دمای اتمسفر، فشار و رطوبت نسبی بصورت نمودار نشان داده شده است. پس از بدست آوردن پارامترهای اقلیمی نظیر رطوبت نسبی، دمای متوسط و مقدار فشار منطقه مورد مطالعه در زمان گذر ماهواره و با استفاده از سایر پارامترها مانند ارتفاع، طول و عرض جغرافیایی منطقه، مقادیر در سامانه MODTRAN جایگذاری و در نهایت میزان انتقال پذیری اتمسفر، رادیانس رو به بالا و رادیانس رو به پایین برای دو تاریخ محاسبه گردید.
شکل7. پروفیل استاندارد اتمسفری برای دو تاریخ 31/07/2000 و 21/08/2019
Fig 7. Standard atmospheric profile in 2000/07/31 and 2019/08/21
جدول 10 پارامترهای اقلیمی مورد استفاده در الگوریتمهای تعیین دمای سطح زمین را نشان میدهد که پس از تعیین زمان دقیق عبور ماهواره در دو تاریخ مدنظر از دو ایستگاه هواشناسی موجود در محدوده مورد مطالعه اخذ گردید. شکل8 نقشههای خروجی دمای سطح زمین با چهار الگوریتم تک کانال، تک پنجره بهبود یافته، رابطه معکوس تابع پلانک و معادله انتقال تابشی با استفاده از تصویر حرارتی (باند 6) سنجنده TM ماهواره لندست 5 برای تاریخ 31/07/2000 را نشان میدهد. جدول 11 دمای سطح زمین بدست آمده توسط الگوریتمها در محل دو ایستگاه هواشناسی و همچنین دمای سطح اندازه گیری شده توسط خود ایستگاههای هواشناسی را نشان میدهد. دادههای ایستگاههای هواشناسی از لحاظ زمانی 12 دقیقه اختلاف با زمان عبور ماهواره دارد که ناگزیر مورد استفاده قرار گرفت. ایستگاه اول هواشناسی تا حدودی در محدوده شهری واقع شده است و با توجه به نتایج به نظر میرسد مهمترین عامل بیشتر بودن اختلاف داده ایستگاه اول با LST برآورد شده در مقایسه با ایستگاه دوم همین عامل باشد، چرا که ناهمگونی پیکسلها و تغییرات زیاد سطوح در محدودهی شهری باعث تداخل ارزش پیکسلها و به دنبال آن احتمال بروز خطا در برآورد دمای سطح در محدوده انسانساز شهری را بالا میبرد. خروجی الگوریتمها و مقایسه آنها با دادههای دمای سطح هر دو ایستگاه هواشناسی نشان از دقت بالاتر روش تک کانال نسبت به بقیه روشها دارد. جهت مقایسه دقت الگوریتمهای تخمین دمای سطح زمین و دمای سطح ثبت شده در ایستگاههای هواشناسی، از درصد خطای نسبی استفاده شده که نتایج در جدول 12 نمایش داده شده است. الگوریتم تک کانال نسبت به سایر روشها کمترین مقدار درصد خطای نسبی را به همراه داشته است.
جدول10. دادههای اخذ شده از ایستگاه هواشناسی شهرستان اردبیل در دو تاریخ (ساعت 12:00 به وقت محلی)
Table 10. Data received from Ardabil meteorological station on two dates (12:00 local time)
تاریخ | ایستگاه | درصدرطوبت نسبی | حداقل دما | حداکثر دما | دمای متوسط | فشار |
31/07/2000 (10/05/79)
21/08/2019 (30/05/98) | اردبیل (S1) فرودگاه (S2)
اردبیل (S1) فرودگاه (S2) | 38 40
3/34 1/36 | 8/7 3/6
4/7 9/6 | 3/31 6/29
6/28 8/27 | 6/17 1/16
2/19 7/18 | 2/870 873
6/868 8/869 |
شکل8. نقشههای دمای سطح زمین مستخرج از الگوریتمهای SC، IMW، Planck و RTE برای تاریخ 31/07/2000
Fig 8. LST maps extracted from SC, IMW, Planck and RTE algorithms in 2000/07/31
جدول11. مقایسه دمای تخمینی با دمای سطح ایستگاه هواشناسی در تاریخ 31/07/2000
Table 11. Comparison of the estimated LST with LST of the meteorological station in 2000/07/31
ایستگاه | دمای سطح ثبت شده در ایستگاه هواشناسی | تک کانال SC | تک پنجره IMW | پلانک I F Planck | RTE |
Station-1 Station-2 | 3/44 9/42 | 8/46 9/40 | 2/47 5/45 | 9/47 2/46 | 2/41 0/40 |
جدول12. درصد خطای نسبی بین دمای تخمینی با دمای سطح ایستگاههای هواشناسی در تاریخ 31/07/2000
Table 12. Percentage of RE between the estimated LST and the LST of meteorological stations on
2000/07/31
ایستگاه | تک کانال SC | تک پنجره IMW | پلانک I F Planck | RTE |
Station-1 Station-2 | 64/5 66/4 | 54/6 06/6 | 12/8 69/7 | 99/6 75/6 |
شکل 9، نقشههای خروجی دمای سطح زمین با استفاده از تصویر باند10 سنجنده TIRS ماهواره لندست 8 برای تاریخ 21/08/2019 را نشان میدهد. از لحاظ زمانی نزدیکترین دادهی در ایستگاه هواشناسی به زمان عبور ماهواره، دادههای ثبت شده در ساعت 12:00 بود که اختلاف 4 دقیقهای با زمان عبور ماهواره دارد. برای ایستگاه زمینی نیز دو نقطه با محیطی همگن و خارج از محدوده شهری با کاربری کشاورزی (یونجه) و کاربری بایر که محصول آن برداشت شده بود، انتخاب و دمای سطح آنها همزمان با عبور ماهواره اندازهگیری شد که مقادیر در شکل 10 ارائه شده است. مقادیر دمای سطح زمین در ایستگاههای هواشناسی (Station_1 و Station_2)، ایستگاههای زمینی (Station_3 و Station_4) و الگوریتمهای خروجی در جدول 13 نمایش داده شدهاست. طبق جدول 13 در مقایسهای که بین دما سطح اخذ شده در ایستگاههای 1 و 2 و دمای سطح ثبت شده با دماسنج دیجیتالی در ایستگاههای 3 و 4 با خروجی الگوریتمها صورت گرفت، کمترین اخلاف مربوط به الگوریتم تک کانال بوده است. جهت مقایسه دقت الگوریتمهای تخمین دمای سطح زمین و دمای سطح ثبت شده در ایستگاههای هواشناسی، از درصد خطای نسبی استفاده شده که نتایج در جدول 14 نمایش داده شده است. طبق نتایج، الگوریتم تک کانال کمترین درصد خطای نسبی در بین سایر الگوریتمها را نشان میدهد. از بین چهار ایستگاه نیز ایستگاه دوم هواشناسی با درصد خطای نسبی 15/2 و ایستگاه چهارم زمینی با 27/2 درصد کمترین درصد خطای نسبی با الگوریتم تک کانال را داشتهاند. بعد از روش تک کانال، به ترتیب الگوریتم های تک پنجره بهبودیافته، RTE و تابع معکوس پلانک کمترین درصد خطای نسبی را با چهار ایستگاه داشته اند.
شکل9. نقشههای دمای سطح زمین مستخرج از الگوریتمهای SC، IMW، Planck و RTE برای تاریخ 21/08/2019
Fig 9. LST maps extracted from SC, IMW, Planck and RTE algorithms in 2019/08/21
شکل10. دمای سطح زمین در موقعیت ایستگاهای زمینی 3 و 4
Fig 10. Land surface temperature at ground stations 3 and 4
جدول13. مقایسه دمای تخمینی با دمای سطح ایستگاههای هواشناسی و زمینی در تاریخ 21/08/2019
Table 13. Comparison of the estimated LST with LST of the meteorological and ground stations in 2019/08/21
ایستگاه | دمای مشاهده زمینی | دمای ایستگاه هواشناسی | تک کانال SC | تک پنجره IMW | پلانک I F Planck | RTE | |
Station-1 | - | 6/42 | 9/43 | 5/44 | 5/45 | 7/44 | |
Station-2 | - | 8/41 | 7/42 | 4/43 | 4/44 | 6/43 | |
Station-3 | 6/26 | - | 5/25 | 1/28 | 9/28 | 5/28 | |
Station-4 | 5/39 | - | 6/38 | 8/40 | 9/41 | 2/41 | |
جدول14. درصد خطای نسبی بین دمای سطح تخمینی با دمای سطح ایستگاههای هواشناسی و زمینی در تاریخ 21/08/2019
Table 14. Percentage of RE between the estimated LST and the LST of meteorological and ground
stations on 2019/08/21
ایستگاه | تک کانال SC | تک پنجره IMW | پلانک I F Planck | RTE |
Station-1 Station-2 Station-3 Station-4 | 05/3 15/2 13/4 27/2 | 46/4 82/3 63/5 29/3 | 80/6 22/6 64/8 07/6 | 92/4 30/4 14/7 30/4 |
بحث و نتیجهگیری
در این پژوهش با استفاده از تصاویر ماهواره لندست 5 و لندست 8 چهار الگوریتم برآورد دمای سطح زمین شامل روشهای تک کانال، تک پنجره بهبودیافته، رابطه معکوس تابع پلانک و معادله انتقال تابش کدنویسی و نقشههای دمای سطح زمین شهرستان اردبیل برای دو سال 2000 و 2019 در محیط نرمافزار متلب کدنویسی و استخراج گردید. باند 6 ماهواره لندست 5 برای سال 2000 و از باند 10 ماهواره لندست 8 بدلیل مقدار نویز کمتر نسبت به باند 11 و نزدیکی به مقدار 66/9 (که بیشترین تابش زمین در این محدوده است) برای سال 2019 استفاده شد. با توجه به اهمیت بالای محاسبه دقیق توان گسیلمندی در تعیین دمای سطح، دو روش گسیلمندی با استفاده از NDVI و گسیلمندی براساس حدآستانه گذاری NDVI روی هر چهار الگوریتم اجرا شد. روش اول برای سه الگوریتم تک کانال، رابطه معکوس تابع پلانک و معادله انتقال تابش و روش دوم برا الگوریتم تک پنجره بهبود یافته نتیجه بهتری به همراه داشت، لذا در روند کار مورد استفاده قرار گرفت. در هر دو سال 2000 و 2019 الگوریتم تک کانال دقت بیشتری نسبت به بقیه روشها داشته است. مقایسه نتایج روش تک کانال با ایستگاهها، نشان از اختلاف 5/2+ و 2- با ایستگاههای 1 و 2 برای سال 2000 و اختلاف دمای 3/1+، 9/0+، 1- و 9/0- به ترتیب با ایستگاههای 1، 2، 3 و 4 برای سال 2019 را نشان میدهد. از جمله دلایل افزایش دقت روش تک کانال نسبت به سایر روشها میتوان به استفاده مستقیم این روش از ضرایب انتقال پذیری اتمسفر اشاره کرد. با استفاده از پارامترهای 1ѱ، 2ѱ و 3ѱ، اطلاعات دقیق پروفیل اتمسفری منطقه وارد فرایند محاسبه الگوریتم شده و به دنبال آن اثر پخش اتمسفری بر روی خروجیها حذف و یا تا حد زیادی تعدیل میشود. بکارگیری مستقیم پارامترهای اتمسفری محلی L↑atm، L↓atm و τ در روش تک کانال از دیگر عوامل کاهش خطای این روش نسبت به سایر الگوریتمها است. این پارامترها اطلاعاتی از تابشهای رو به بالا و پایین جوی و ضخامت اتمسفر در منطقه مورد مطالعه در زمان عبور ماهواره را نشان میدهد و میزان انتقال پذیری اتمسفر را شبیه سازی و نقش تصحیح اتمسفری تصاویر را ایفا میکند. این ضرایب در دیگر الگوریتمهای مورد استفاده در این پژوهش بصورت غیر مستقیم استفاده شده است و تعداد پارامترهای با مقادیر ثابت در این الگوریتمها بیشتر است. از نظر دقت بعد از الگوریتم تک کانال، به ترتیب روش تک پنجره بهبود یافته، الگوریتم RTE و در نهایت الگوریتم رابطه معکوس تابع پلانک قرار گرفتند. نتایج مقایسه خروجی هر چهار الگوریتم با دادههای ایستگاههای 1، 2، 3 و 4، نشان از دقت بالاتر ایستگاههای زمینی برداشت شده با دماسنج دیجیتالی نسبت به دادههای ایستگاههای هواشناسی دارد، از جمله دلایل آن میتوان به قرارگیری ایستگاهای هواشناسی (بخصوص Station_1) در محدوده شهری با توجه به ناهمگن بودن محیط شهری و امکان تداخل پیکسلی و تداخل دمایی کاربریها اشاره کرد، در حالی که ایستگاههای زمینی از محدوده خارج از شهر و از محیطی با پیکسلهای همگن (بایر و کشاورزی) انتخاب گردید. همچنین اختلاف زمانی داده ایستگاههای هواشناسی با زمان عبور ماهواره از منطقه برای سال 2000، حدود 12 دقیقه و برای سال 2019 حدود 4 دقیقه بوده است و با توجه به خاصیت تغییرپذیری بالای دما در بستر زمان، این اختلاف زمانی ممکن است باعث افزایش اختلاف بین دادههای هواشناسی و نتایج الگوریتمها شود، در حالی که دادههای زمینی همزمان با عبور ماهواره برداشت گردید. همچنین نتایج هر چهار الگوریتم مستخرج از تصویر لندست 8 در مقایسه با نتایج چهار الگوریتم حاصله از تصویر لندست 5، دقت بیشتری را نشان میدهد و با توجه به بهبود توان تفکیک مکانی سنجنده TIRS نسبت به TM، دقت بیشتر خروجیهای سنجنده TIRS قابل پیشبینی بود.
همسو با موضوع پژوهش تحقیقاتی دیگری نیز صورت گرفته از جمله عسگرزاده و همکاران (1) در پژوهشی اقدام به تخمین و مقایسه الگوریتمهای تک باندی و چندباندی با استفاده از تصاویر ماهواره لندست 8 کردهاند و به این نتیجه رسیدند که روشهای تک باندی از دقت بیشتری نسبت به روشهای چندباندی برخوردار بوده است. سانتوس و همکاران (18) در پژوهشی با استفاده از دادههای سنجنده حرارتی TIRS 8 سه روش برآورد دمای سطح زمین RTE، پنجره مجزا و تک کاناله را روی 21 تصویر حرارتی از سال 2016 تا 2017 اجرا کردند. در مقایسه سه الگوریتم روش پنجره مجزا با کمترین مقدار RMSE ( K2-6/1) دارای بیشترین دقت نسبت به دو الگوریتم قبلی داشته است. ولاسوا و همکاران (26) با استفاده از تصاویر ماهواره لندست 5 دمای سطح زمین را با سه الگوریتم RTE، تک پنجره و تک کانال برای دو سال 2009 و 2011 برآورد کردند. نتایج پژوهش آنها نشان داد که الگوریتم تک کانال با مقدار RMSE، 5/0 درجه سلسیوس دقت بالاتری نسبت به الگوریتم RTE با RMSE، 85/0 و الگوریتم تک پنجره با RMSE، 34/2 درجه سلسیوس داشته است. سجیب و وانگ (17) در پژوهشی اقدام به مقایسه چهار الگوریتم تخمین دمای سطح زمین با استفاده از تصاویر ماهواره لندست 8 کردند. صحت سنجی نتایج آنها با محصول حرارتی سنجندهی MODIS نشان داد که به ترتیب الگوریتمهای پنجره مجزای خمینز-مونز و همکاران 2014 و پنجره مجزای دوو و همکاران 2015 با RMSE، 19/1 و 50/1 درجه سلسیوس نتایج بهتری نسبت به RTE و تک کانال داشته است. دانودیا و همکاران (8) در مطالعهای دقت دو الگوریتم RTE و تک کانال را در برآورد دمای سطح زمین با استفاده از تصاویر ماهواره لندست 8 مورد ارزیابی قرار دادند. نتایج نشان دهنده دقت بالاتر الگوریتم RTE نسبت به روش تک کانال بوده است. مقدار RMSE برای RTE، 80/0 و برای تک کانال 84/0 درجه سلسیوس محاسبه شده است.
در انتها پیشنهاد میشود در پژوهشهای آتی جهت ارزیابی بهتر نتایج از تعداد دماسنجهای بیشتری همزمان با عبور ماهواره استفاده شود. همچنین برای محاسبه خودکار LST با روشهای مختلف، توصیه میگردد کدهای نوشته شده در این پژوهش توسعه و تبدیل به GUI (رابط گرافیکی کاربر) در بستر محیط نرمافزار متلب شود و تنها با وارد سازی متادیتای تصویر و برخی پارامترهای محلی و اتمسفری از منطقه مورد مطالعه، LST با الگوریتمهای مختلف و بصورت خودکار محاسبه گردد.
منابع مورد استفاده
1. Asgarzadeh P, Darvishi Boloorani A, Bahrami HA, Hamzeh S. 2016. Comparison between land surface temperature estimation in single and multi-channel method using LandSat images 8, RS & GIS for Natural Resources, 7:3. (In Persian).
2. Asghari S. Emami H. 2018. Monitoring the land surface temperature and examining the relationship between land use and land surface temperature using from OLI and + ETM sensor images, (case study: Ardabil city ), Journal of Geographical Sciences, 19:53. (In Persian).
3. Barsi J, Barker JL, Schott JR. 2003. An atmospheric correction parameter calculator for a single thermal band earth-sensing instrument. In Proceedings of the 2003 IEEE International Geoscience and Remote Sensing Symposium, Toulouse, France, 21–25.
4. Berk A, Conforti P, Kennett R, Perkins T, Hawes F, van den Bosch J. 2014. MODTRAN6: a major upgrade of the MODTRAN radiative transfer code," Proc. SPIE 9088, Algorithms and Technologies for Multispectral, Hyperspectral, and Ultraspectral Imagery XX, 90880H .doi:10.1117/12.2050433.
5. Bernstein LS, Adler-Golden SM, Sundberg RL, Levine RY. 2005. Validation of the Quick Atmospheric Correction (QUAC) algorithm for VNIRSWIR multi- and hyperspectral imagery, SPIE Proceedings, Algorithms and Technologies for Multispectral, Hyperspectral, and Ultraspectral Imagery XI. , vol. 5806, pp. 668-678.
6. Carlson TN, Ripley DA. 1997. On the relation between NDVI, fractional vegetation cover, and leaf area index, Remote Sens. Environ, vol. 62, no. 3, pp. 241–252.
7. Cristóbal J, Jiménez-Muñoz JC, Prakash A, Mattar C, Skoković D, Sobrino JA. 2018. An Improved Single-Channel Method to Retrieve Land Surface Temperature from the Landsat-8 Thermal Band. Remote sensing, 10: 431.
8. Danodia A, Nikam BR, Kumar S, Patel NR. 2017. Land surface temperature retriev by radiative transfer equation and single channel algorithms using LANDSAT 8 satellite data. Abhishek Danodia Conference on 17 April 2018.
9. Feizizadeh B, Didehban K, Gholamnia K. 2016. Extraction of Land Surface Temperature (LST) based on Landsat Satellite Images and Split Window Algorithm Study area: Mahabad Catchment. Scientific Research Quarterly of Geographical Data(SEPEHR), 25:98. (In Persian).
10. Jiménez Muñoz JC, Sobrino JA. 2003. A generalized single-channel method for retrieving land surface temperature from remote sensing data. J. Geophys. Res. Atmos, 108.
11. Li ZL, Tang BH. Wu H, Ren H, Yan G, Wan Z, Trigo IF, Sobrino JA. 2013. Satellite-derived land surface temperature: Current status and perspectives. Remote Sens Environ, 131: 14–37.
12. Ndossi MI, Advan U. 2016. Application of Open Source Coding Technologies in the Production of Land Surface Temperature (LST) Maps from Landsat: A PyQGIS Plugin. Remote sensing, 8: 413.
13. Ndossi MI, Advan U. 2016. Inversion of Land Surface Temperature (LST) Using Terra ASTER Data: A Comparison of Three Algorithms. Remote sensing, 8: 993
14. Parastatidis D, Mitraka Z, Chrysoulakis N, Abrams M. 2017. Online Global Land Surface Temperature Estimation from Landsat. Remote sensing, 9: 1208.
15. Rubio E, Caselles V, Badenas C. 1997. Emissivity measurements of several soils and vegetation types in the 8–14 μm wave band: Analysis of two field methods. Remote Sens. Environ, 59, 490–521.
16. Sahana M, Dutta SH, Sajjad H. 2018. Assessing land transformation and its relation with land surface temperature in Mumbai city, India using geospatial techniques. International journal of urban science, 10:1080.
17. Sajib MQ, Wang T. 2020. Estimation of Land Surface Temperature in an Agricultural Region of Bangladesh from Landsat 8: Intercomparison of Four Algorithms. Sensors, 20:1778.
18. Santos GV, Cuxart J, Villagrasa DM, Jiménez MA, Simo G. 2018. Comparison of Three Methods for Estimating Land Surface Temperature from Landsat 8-TIRS Sensor Data, Remote sensing, 10:1450.
19. Sinha S, Pandey PC, Sharma LK, Nathawat MS, Kumar P, Kanga S. 2014. Remote estimation of land surface temperature for different lulc features of a moist deciduous tropical forest region. In Remote Sensing Applications in Environmental Research; Springer: Berlin, Germany; Heidelberg, Germany, pp. 57–68.
20. Sobrino JA, Jiménez-Muñoz JC, Sòria G, Romaguera M, Guanter L, Moreno J, Plaza A, Martínez P. 2008. ‘Land surface emissivity retrieval from different VNIR and TIR sensors’, IEEE Transactions on Geoscience and Remote Sensing, 46: 316-27.
21. Sobrino JA, Oltracarrio R, Jiménez-Muñoz JC, Julien Y, Soria G, Franch B, Mattar C. (2012). Emissivity mapping over urban areas using a classification-based approach: Application to the Dual-use European Security IR Experiment( DESIREX). International Journal of Applied Earth Observation and Geoinformation, 18, 141-147 .
22. Sobrino JA, Raissouni N. 2000. Toward remote sensing methods for land cover dynamic monitoring: Application to morocco. Int. J. Remote Sens, 21, 353–366.
23. Srivastava PK, Han D, Rico-Ramirez MA, Bray M, Islam T, Gupta M, Dai Q. 2014. Estimation of land surface temperature from atmospherically corrected landsat TM image using 6S and NCEP global reanalysis product. Environ. Earth Sci, 72, 5183–5196.
24. USGS. 2016. 'Landsat 8 (L8) Data Users Handbook', 2.
25. USGS. (2014). USGS earthexplorer. Retrieved from http://earthexplorer.usgs.gov// .
26. Vlassova L, Cabello FP, Nieto H, Martí P, Riaño D, Riva JDI. 2014. Assessment of Methods for Land Surface Temperature Retrieval from Landsat-5 TM Images Applicable to Multiscale Tree-Grass Ecosystem Modeling. remote sensing, 6:4345.
27. Wang F, Qin Z, Song C, Tu L, Karnieli A, Zhao S. 2015. An improved mono-window algorithm for land surface temperature retrieval from Landsat 8 thermal infrared sensor data', Remote sensing, 7: 4268-89.
28. Yu X, Guo X, Wu Z. (2014). Land surface temperature retrieval from Landsat 8 TIRS comparison between radiative transfer equation based method, split-window algorithm and singlechannel method. Remote Sensing, 6(10), 9829–9852.
29. Zakkula G. 1999. Elements of Sampling Theory and Methods, Prentice Hall.
30. Zhang J, Wang Y, Li Y. 2006. A C++ program for retrieving land surface temperature from the data of landsat TM/ETM+ band6. Comput. Geosci, 32, 1796–1805.
31. Zhang Z, He G. 2013. Generation of Landsat surface temperature product for China, 2000–2010. Int. J. Remote Sens, 34, 7369–7375
Estimation of surface temperature in Ardabil city using Landsat 5 and 8 satellite images and accuracy assessment of LST estimation methods with using ground data
Abstract
Land surface temperature (LST) is an essential parameter in climate studies, temperature balance, and many environmental sciences that affect human life. The aim of this study was to estimate the land surface temperature of Ardabil city and evaluate the accuracy of four algorithms single-channel algorithms, An Improved Mono-Window, inversion of Planck’s function and radiative transfer equation. For this purpose, using Landsat 5 and Landsat 8 images, four algorithms in the software MATLAB coding and LST maps of Ardabil city were prepared for two dates, 2000/07/31 and 2019/08/21. The amount of atmospheric transmittance and other required atmospheric characteristics was calculated using the MODTRAN web calculator for two dates simultaneously with the satellite passing through the region, and the amount of earth emissivity by two LSE methods based on NDVI and LSE NDVI Thresholds Method. To verify the results, the surface temperature data of the two meteorological stations for the two studied dates were obtained. At the same time as the satellite passed, the land surface temperature was measured using a digital thermometer at two points with uniform environmental conditions with homogeneous pixels. In both histories, the single-channel method was more accurate than other algorithms, and the temperature difference was +2.5 and -2 with stations 1 and 2, respectively, for 2000, and the difference was +1.3, +0.9, -1 and -0.9 shows the four stations 1, 2, 3 and 4 for 2019, respectively. After the single-channel method, IMW, RTE, and finally inversion of Planck’s function method were ranked next in terms of accuracy.
Keywords: Land surface temperatur, MATLAB, Ardabil, MODTRAN, Emissivity, Digital thermometer.
تخمین دمای سطح شهرستان اردبیل با استفاده از تصاویر ماهوارههای لندست 5 و 8 و ارزیابی دقت روشهای برآورد LST با دادههای میدانی
چکیده مبسوط
دمای سطح زمین (LST) از جمله پارامترهای ضروری در مطالعات آب وهوایی، تغییرات کاربری اراضی، بیلان دمایی و بسیاری از علوم محیطی که بر زندگی انسان تاثیرگذار است، به شمار میرود. محاسبه دمای سطح زمین برای مناطق وسیع قبل از ارسال ماهوارههای مشاهده زمینی کاری بسیار دشوار بود. با طراحی و پرتاب ماهوارههای سنجش از دوری به فضا، این امکان فراهم شد که با استفاده از دید وسیعی که این ماهوارهها از فضا دارند، دمای سطح زمین به راحتی و با دقت بالا و برای مناطق وسیع تخمین زده شود، از طرفی وجود باندهای مادون قرمز حرارتی در این ماهوارهها راه محاسبه دمای سطح زمین را برای هر منطقهای از جهان هموار کرده است. این سنجندههای حرارتی انرژی که از زمین گسیل میشود را دریافت و ثبت میکند. برای تبدیل این دمای به اصطلاح ظاهری به دمای واقعی، روشهایی ارائه شده است که دمای سطح زمین را از مقادیر ثبت شده در سنجنده استخراج میکند و هر کدام از این روشها برای مناطق مختلف و سنجندههای مختلف نتایج متفاوتی به همراه داشته است. الگوریتمهای مورد استفاده در این پژوهش به ترتیب 1- روش تک کانال که جز پرکاربردترین روشهای تخمین دمای سطح زمین است و برای سنجندههایی که دارای یک باند حرارتی هستند مناسب است؛ 2- روش تک پنجره بهبود یافته که در ابتدا توسط کین و همکاران برای تخمین دمای سطح زمین بدون نیاز به دادههای رادیوسوند برای تصاویر حرارتی سنجنده TM ارائه شد، سپس نسخه بهبود یافته این روش پیشنهاد شد که در آن روی این نکته تاکید میشود که خطای احتمالی در تخمین پارامترهای بخار آب اتمسفری، بیشترین تاثیر را در تخمین دمای سطح زمین دارد؛ 3- روش رابطه معکوس تابع پلانک، دمای سطح زمین در این روش با استفاده از رابطه میان تابش یک جسم در طول موجهای مختلف بر اساس درجه حرارت آن و بر مبنای میزان تابش الکترومغناطیسی جسم سیاه محاسبه میشود؛ 4- روش معادله انتقال تابشی که از جمله روشهای پرکاربرد و ساده به شمار میآید استفاده شد. دمای سطح زمین بر روی تصاویر دو ماهواره لندست 5 در تاریخ 31/07/2000 و لندست 8 در تاریخ 21/08/2019 در نرم افزار متلب کد نویسی و نقشههای دمای سطح زمین شهرستان اردبیل در بازه زمانی 19 ساله تهیه گردید. پارامترهای مورد نیاز الگوریتمها مانند میزان انتقال پذیری اتمسفری و مقدار گسیلمندی زمین که با دو روش گسیلمندی برمبنای شاخص نرمال شده تفاوت پوشش گیاهی و گسیلمندی براساس حدآستانهگذاری شاخص نرمال شده تفاوت پوشش گیاهی برآورد شد. جهت مدل سازی تابش و میزان انتقال اتمسفری از نرم افزار محاسبه گر تحت وب MODTRAN نسخه 6 استفاده شده است. پس از بدست آوردن پارامترهای اقلیمی نظیر رطوبت نسبی، دمای متوسط و مقدار فشار منطقه مورد مطالعه در زمان گذر ماهواره و با استفاده از سایر پارامترها مانند ارتفاع، طول و عرض جغرفیایی منطقه، مقادیر در سامانه MODTRAN جایگذاری و در نهایت میزان انتقال پذیری اتمسفر، رادیانس رو به بالا و رادیانس رو به پایین تا ارتفاع 100 کیلومتری برای تاریخ 31/07/2000 ساعت 11:33 و 21/08/2019 ساعت 11:56محاسبه گردید. برای الگوریتمهای تک کانال، رابطه معکوس تابع پلانک و روش مبتنی بر معادله انتقال تابشی از روش اول گسیلمندی و برای روش تک پنجره بهبود یافته روش دوم گسیلمندی مورد استفاده قرار گرفت. برای صحت سنجی نتایج الگوریتمهای دمای سطح زمین، دادههای دمای سطح دو ایستگاه هواشناسی برای دو سال 2000 و 2019 اخذ گردید. برداشت دمای سطح زمین در این دو ایستگاه روزانه و هر 8 ساعت یک بار در عمق 2 الی 5 سانتی متری سطح زمین اندازه گیری میشود. با توجه به زمان عبور ماهواره از منطقه، نزدیکترین زمان داده ثبت شده ساعت 12 بوده است که برای هر دو تاریخ اخذ و مورد استفاده قرار گرفته است. علاوه بر دمای سطح زمین، دادههای رطوبت نسبی، حداقل دما و حداکثر دمای 24 ساعت نیز در دو تاریخ مدنظر اخذ گردید. همچنین همزمان با گذر ماهواره دمای سطح زمین با استفاده از دماسنج دیجیتالی در دو نقطه با شرایط محیطی یکنواخت با پیکسلهای همگن و خارج از محدوده شهری با کاربری کشاورزی (یُنجه) و کاربری بایر که محصول آن برداشت شده بود، انتخاب و دمای سطح آنها همزمان با عبور ماهواره اندازهگیری شد. دماسنج به کاربرده شده دارای دو حسگر داخلی و خارجی و قابلیت ثبت حداقل دما و حداکثر دما با دقت 1/0 درجه سلسیوس را دارد و قبل از اندازهگیری میدانی، در آزمایشگاه با استفاده از یخ کالیبره گردید تا در صورت وجود خطا، برطرف شود. به جهت خاصیت تغییر پذیری دما و لزوم همزمانی دمای برداشت شده با زمان عبور ماهواره و محدودیت در تعداد دماسنج، دمای سطح دو نقطه از منطقه اندازهگیری شد، در هر دو سال 2000 و 2019 الگوریتم تک کانال دقت بیشتری نسبت به بقیه روشها داشته است. مقایسه نتایج روش تک کانال با ایستگاهها، نشان از اختلاف 5/2+ و 2- با ایستگاههای 1 و 2 برای سال 2000 و اختلاف دمای 3/1+، 9/0+، 1- و 9/0- به ترتیب با ایستگاههای 1، 2، 3 و 4 برای سال 2019 را نشان میدهد. جهت مقایسه دقت الگوریتمهای تخمین دمای سطح زمین و دمای سطح ثبت شده در ایستگاههای هواشناسی، از درصد خطای نسبی استفاده شده است. طبق نتایج، برای سال 2000 الگوریتم تک کانال نسبت به سایر روشها کمترین مقدار درصد خطای نسبی را به همراه داشته است. برای سال 2019 نیز الگوریتم تک کانال از کمترین درصد خطای نسبی در بین سایر الگوریتمها برخوردار بود. از بین چهار ایستگاه نیز ایستگاه دوم هواشناسی با درصد خطای نسبی 15/2 و ایستگاه چهارم زمینی با 27/2 درصد کمترین درصد خطای نسبی با الگوریتم تک کانال را داشتهاند. بعد روش تک کانال، به ترتیب الگوریتم های تک پنجره بهبودیافته، RTE و تابع معکوس پلانک کمترین درصد خطای نسبی را با چهار ایستگاه داشته اند.
به نظر میرسد استفاده مستقیم از ضرایب انتقال پذیری اتمسفر در فرآیند الگوریتم تک کانال، در بالا بودن دقت این روش موثر بوده است. از نظر دقت بعد از الگوریتم تک کانال، به ترتیب روش تک پنجره بهبود یافته، الگوریتم RTE و در نهایت الگوریتم رابطه معکوس تابع پلانک قرار گرفتند. نتایج مقایسه خروجی هر چهار الگوریتم با دادههای ایستگاههای 1، 2، 3 و 4، نشان از دقت بالاتر ایستگاههای زمینی برداشت شده با دماسنج دیجیتالی نسبت به دادههای ایستگاههای هواشناسی دارد، از جمله دلایل آن میتوان به قرارگیری ایستگاهای هواشناسی (بخصوص Station_1) در محدوده شهری با توجه به ناهمگن بودن محیط شهری و امکان تداخل پیکسلی و تداخل دمایی کاربریها اشاره کرد، در حالی که ایستگاههای زمینی از محدوده خارج از شهر و از محیطی با پیکسلهای همگن (بایر و کشاورزی) انتخاب گردید. همچنین اختلاف زمانی داده ایستگاههای هواشناسی با زمان عبور ماهواره از منطقه برای سال 2000، حدود 12 دقیقه و برای سال 2019 حدود 4 دقیقه بوده است و با توجه به خاصیت تغییرپذیری بالای دما در بستر زمان، این اختلاف زمانی ممکن است باعث افزایش اختلاف بین دادههای هواشناسی و نتایج الگوریتمها شود، در حالی که دادههای زمینی همزمان با عبور ماهواره برداشت گردید. همچنین نتایج هر چهار الگوریتم مستخرج از تصاویر لندست 8 در مقایسه با نتایج چهار الگوریتم حاصله از تصویر لندست 5، دقت بیشتری را نشان میدهد و با توجه به بهبود توان تفکیک مکانی سنجنده TIRS نسبت به TM، دقت بیشتر خروجیهای سنجنده TIRS قابل پیشبینی بود.
طرح مسئله: در طول دو دهه اخیر نیاز شدید به اطلاعات دمای سطح زمین جهت مطالعات محیطی و فعالیتهای مدیریتی و برنامهریزی، برآورد دمای سطح زمین را به یکی از موضوعات مهم علمی تبدیل کرده است. از سویی دیگر روشهای مختلفی جهت تخمین دمای سطح زمین ارائه شده است که هر کدام نتایج متفاوتی را برای مناطق مختلف در پی داشته است. در این پژوهش الگوریتمهایی که در مطالعات مختلف هر کدام نتایج قابل قبولی داشته، انتخاب و مورد ارزیابی قرار گرفته است. در حوزه مطالعات حرارتی آنچه به عنوان یک نقص اساسی در پایش دمای سطح زمین به شمار میآید، نبود ایستگاههای هواشناسی کافی جهت آگاهی از مقادیر دمایی در نقاط فاقد ایستگاه و محدودیت اطلاعاتی در تهیه دادههای دمایی بخصوص برای مناطق وسیع است. منطقه مورد مطالعه نیز با این کمبود روبهرو است و این محدودیت، اهمیت موضوع انتخاب شده برای این پژوهش جهت تخمین دمای سطح زمین با استفاده از فناوری سنجش از دور را بیشتر نمایان میسازد. صحت سنجی و اعتبار سنجی نتایج بدست آمده از تخمین دمای سطح زمین از دیگر موضوعات اساسی و مورد بحث در مطالعات حرارتی محسوب میشود، در عمده مطالعات صورت گرفته جهت برآورد دمای سطح زمین، نتایج کار با دادههای هواشناسی صحت سنجی میشود، در صورتی که اولاً در صورت استفاده از دادههای هواشناسی باید از دادهی اندازهگیری دمای سطح ایستگاه استفاده شود نه از داده هوای سطح زمین، ثانیاً با توجه به خاصیت تغییرپذیری شدید دما در بعد زمان و مکان، بحث همزمانی دادههای اعتبارسنجی با دادههای تخمینی مطرح میشود و از آنجا که ایستگاههای هواشناسی دمای سطح زمین و هوا را در زمانهای مشخصی اندازهگیری میکنند، در صورت عدم همزمانی، استفاده از این دادهها جهت صحت سنجی نتایج الگوریتمهای اعمال شده با خطای بالایی همراه خواهد بود.
هدف: تخمین دمای سطح شهرستان اردبیل و ارزیابی دقت چهار الگوریتم تک کاناله، تک پنجره بهبود یافته، رابطه معکوس تابع پلانک و معادله انتقال تابش، مقایسه دقت دو ماهواره لندست 5 و لندست 8 در برآورد دمای سطح زمین.
روش تحقیق: در این پژوهش از سه نوع داده استفاده شده است:
1- تصاویر ماهواره لندست 5 و 8
2- داده های دو ایستگاه هواشناسی
3- داده های زمینی برداشت شده با دماسنج دیجیتالی
تصاویر مورد استفاده از دو ماهواره لندست 5 و لندست 8 با فاصله زمانی 19 ساله انتخاب شده است. دادههای هواشناسی مورد استفاده نیز از دو ایستگاه سینوپتیک موجود در محدوده مورد مطالعه اخذ گردید. علاوه بر دمای سطح زمین، دادههای رطوبت نسبی، حداقل دما و حداکثر دمای 24 ساعت نیز در دو تاریخ مدنظر اخذ گردید، همچنین دو نقطه از منطقه مورد مطالعه انتخاب و دمای سطح زمین در موقعیت این دو ایستگاه همزمان با عبور ماهواره با استفاده از دو دماسنج دیجیتالی ثبت شد. جهت مدل سازی تابش و میزان انتقال اتمسفری از نرم افزار محاسبه گر تحت وب MODTRAN نسخه 6 استفاده شده است. توان تشعشعی با دو روش گسیلمندی براساس شاخص NDVI و گسیلمندی بر اساس حدآستانه گذاری NDVI و دمای سطح زمین با چهار الگوریتم تک کانال، تک پنجره بهبودیافته، رابطه معکوس تابع پلانک و معادله انتقال تابشی با استفاده از باند 6 لندست 5 و باند 10 لندست 8 در نرمافزار MATLAB 2016 برای دو سال 2000 و 2019 کدنویسی گردید. در نهایت دقت الگوریتمها با استفاده از دادههای دمای سطح ایستگاه سینوپتیک و نمونهبرداری میدانی مورد ارزیابی قرار گرفت.
نتایج و بحث: در این بخش دادههای جمع آوری شده و نتایج مورد تجزیه تحلیل قرار گرفته است و ضمن ارائه نقشههای خروجی، دقت روشها نیز با دادههای زمینی و هواشناسی و همچنین دقت دو ماهواره لندست 5 و لندست 8 در برآورد دمای سطح زمین مورد مقایسه و ارزیابی قرار گرفته است. نتایج کار نشان داد که برای سه الگوریتم تک کانال، رابطه معکوس تابع پلانک و RTE، روش اول گسیلمندی و برای الگوریتم تک پنجره بهبود یافته روش دوم گسیلمندی از دقت بالاتری برخوردار بوده است. دادههای دمای سطح اخذ شده از ایستگاههای هواشناسی در سال 2000 از لحاظ زمانی 12 دقیقه اختلاف و برای سال 2019 اختلاف 4 دقیقهای با زمان عبور ماهواره دارد. ایستگاه اول هواشناسی تا حدودی در محدوده شهری واقع شده است و با توجه به نتایج به نظر میرسد مهمترین عامل بیشتر بودن اختلاف ایستگاه اول با LST برآورد شده در مقایسه با ایستگاه دوم همین عامل باشد، چرا که ناهمگونی پیکسلها و تغییرات زیاد سطوح در محدودهی شهری باعث تداخل ارزش پیکسلها و به دنبال آن احتمال بروز خطا در برآورد دمای سطح در محدوده انسانساز شهری را بالا میبرد. برای ایستگاه زمینی نیز دو نقطه با محیطی همگن و خارج از محدوده شهری با کاربری کشاورزی (یونجه) و کاربری بایر که محصول آن برداشت شده بود، انتخاب و دمای سطح آنها همزمان با عبور ماهواره اندازهگیری شد. نتایج خروجی تخمین دمای سطح زمین با دو ایستگاه سینوپتیک و دو ایستگاه زمینی مورد مقایسه و ارزیابی قرار گرفت. در هر دو تاریخ الگوریتم تک کانال کمترین اختلاف را با ایستگاههای ثبت دما نشان داد.
نتیجهگیری: در این پژوهش با استفاده از تصاویر ماهواره لندست 5 و لندست 8 چهار الگوریتم برآورد دمای سطح زمین شامل روشهای تک کانال، تک پنجره بهبودیافته، رابطه معکوس تابع پلانک و معادله انتقال تابش کدنویسی و نقشههای دمای سطح زمین شهرستان اردبیل برای دو سال 2000 و 2019 در محیط نرمافزار متلب کدنویسی و استخراج گردید. باند 6 ماهواره لندست 5 برای سال 2000 و از باند 10 ماهواره لندست 8 بدلیل مقدار نویز کمتر نسبت به باند 11 و نزدیکی به مقدار 66/9 (که بیشترین تابش زمین در این محدوده است) برای سال 2019 استفاده شد. مقایسهی نقشههای دمای سطح حاصل از الگوریتمها با ایستگاههای سینوپتیک و زمینی نشان داد که در هر دو سال 2000 و 2019 الگوریتم تک کانال دقت بیشتری نسبت به بقیه روشها داشته است. مقایسه نتایج روش تک کانال با ایستگاهها، نشان از اختلاف 5/2+ و 2- با ایستگاههای 1 و 2 برای سال 2000 و اختلاف دمای 3/1+، 9/0+، 1- و 9/0- به ترتیب با ایستگاههای 1، 2، 3 و 4 برای سال 2019 را نشان میدهد. به نظر میرسد استفاده مستقیم از ضرایب انتقال پذیری اتمسفر در فرآیند روش تک کانال، در بالا بودن دقت این روش موثر بوده است. از نظر دقت بعد از الگوریتم تک کانال، به ترتیب روش تک پنجره بهبود یافته، الگوریتم RTE و در نهایت الگوریتم رابطه معکوس تابع پلانک قرار گرفتند. نتایج مقایسه خروجی هر چهار الگوریتم با دادههای ایستگاههای 1، 2، 3 و 4، نشان از دقت بالاتر ایستگاههای زمینی برداشت شده با دماسنج دیجیتالی نسبت به دادههای ایستگاههای هواشناسی دارد، از جمله دلایل آن میتوان به قرارگیری ایستگاهای هواشناسی (بخصوص Station_1) در محدوده شهری با توجه به ناهمگن بودن محیط شهری و امکان تداخل پیکسلی و تداخل دمایی کاربریها اشاره کرد، در حالی که ایستگاههای زمینی از محدوده خارج از شهر و از محیطی با پیکسلهای همگن (بایر و کشاورزی) انتخاب گردید. همچنین نتایج هر چهار الگوریتم مستخرج از تصویر لندست 8 در مقایسه با نتایج چهار الگوریتم حاصله از تصویر لندست 5، دقت بیشتری را نشان میدهد و با توجه به بهبود توان تفکیک مکانی سنجنده TIRS نسبت به TM، دقت بیشتر خروجیهای سنجنده TIRS قابل پیشبینی بود.
واژگان کلیدی: گسیلمندی، دمای سطح زمین، اردبیل، دماسنج دیجیتالی، متلب
Estimation of surface temperature in Ardabil city using Landsat 5 and 8 satellite images and accuracy assessment of LST estimation methods with using ground data
Abstract
Land surface temperature (LST) is one of the essential parameters in climate studies, land use change, temperature balance, and many environmental sciences that affect human life. Calculating the land surface temperature for large areas before sending satellites to Earth observation was very difficult. By designing and launching remote sensing satellites, it was possible to use the vast view of these satellites from space to estimate the land surface temperature easily and accurately for large areas. On the other hand, the presence of infrared thermal bands on these satellites has paved the way for calculating the Earth's surface temperature for each region of the world. These heat meters receive and record the energy sent from Earth. To convert this so-called apparent temperature to real temperature, methods have been proposed that extract the surface temperature from the values recorded in the sensor, and each of these methods has different results for different regions and different sensors. Brought with it. The algorithms used in this study are: 1- Single-channel method, which is one of the most widely used methods of estimating theland surface temperature and is suitable for meters that have a thermal band. 2. Improved mono window method, originally proposed by Qin et al. To estimate the land surface temperature without the need for radio data for TM thermometer images.Then, an improved version of the method was proposed, emphasizing that the potential error in estimating atmospheric water vapor parameters has the greatest impact on estimating the land surface temperature. 3. Planck's inversion function method The land surface temperature in this method is calculated using the relationship between the radiation of an object at different wavelengths based on its temperature and based on the amount of electromagnetic radiation of the black body. 4. The radiative transfer equation (RTE) method, which is one of the most widely used and simple methods, was used. land surface temperature on the images of two Landsat 5 satellites on 31/07/2000 and Landsat 8 on 21/08/2019 in MATLAB software, coding and land surface temperature maps of Ardabil city were prepared in a period of 19 years.The required parameters of the algorithms, such as the amount of atmospheric transmissibility and the amount of earth emission, which were normalized based on the emissivity index by two methods of emissivity, and the difference in emissivity based on the threshold of normalised vegetation index were estimated. MODTRAN6 web computing software has been used to model radiation and atmospheric transfer. After obtaining climatic parameters such as relative humidity, average temperature and amount of pressure in the study area during satellite transit and using other parameters such as altitude, length and latitude of the region, values in the MODTRAN system and finally the transferability of the atmosphere, Upward radiation and downward radiation up to a height of 100 km were calculated for 07/31/2000 at 11:33 and 08/21/2019 at 11:56.For single-channel algorithms, the reverse relationship of the Planck function and the radiative transfer equation method were used from the first method of emissivity and for the improved mono-window method the second method of emissivity was used. To validate the results of the land surface temperature algorithms, the two-station meteorological station's temperature data for 2000 and 2019 were obtained. The land surface temperature is measured daily at these two stations and every 8 hours at a depth of 2 to 5 cm. Due to the time it took for the satellite to pass through the area, the closest recorded time was at 12 noon, which was obtained and used for both dates. In addition to the surface temperature, relative humidity data, minimum temperature and maximum temperature of 24 hours were also obtained on the two dates. Also, at the same time as the satellite passes, the surface temperature is selected using digital thermometer at two points with uniform environmental conditions with homogeneous pixels and outside the urban area with agricultural use (alfalfa) and Bayer user whose harvested product, and surface temperature They were measured at the same time as the satellite passed. The thermometer used has two internal and external sensors and has the ability to record the minimum temperature and maximum temperature with an accuracy of 0.1 degrees Celsius. Before measuring the field, it was calibrated in the laboratory using ice to make a mistake. , Be removed. Due to the variability of temperature and the necessity of synchronizing the temperature with the time of satellite transit and limiting the number of thermometers, the surface temperature of two points in the region was measured. In both 2000 and 2019, the single-channel algorithm was more accurate than other methods. Comparison of the results of single channel method with stations, showing the difference of +2.5 and -2 with stations 1 and 2 for the year 2000 and the difference of temperature of +1.3, +0.9, -1 and -0.9 Shows stations 1, 2, 3 and 4, respectively, for 2019. Relative error percentage has been used to compare the accuracy of ground surface temperature estimation algorithms and surface temperature recorded in meteorological stations. According to the results, for 2000, the single-channel algorithm had the lowest relative error percentage compared to other methods. For 2019, the single channel algorithm had the lowest relative error rate among other algorithms. Among the four stations, the second meteorological station with a relative error rate of 2.15 and the fourth ground station with 2.27% had the lowest relative error percentage with a single channel algorithm. After the single-channel method, the improved single-window algorithms, RTE and Planck inverse function had the lowest relative error percentage with four stations, respectively. The direct use of atmospheric transferability coefficients in the single-channel algorithm process seems to have been effective in increasing the accuracy of this method. In terms of accuracy, after the single-channel algorithm, the improved mono-window method, the RTE algorithm, and finally the reverse relationship algorithm were placed in the Planck function, respectively. The results of comparing the output of all four algorithms with the data of stations 1, 2, 3 and 4, show a higher accuracy of the ground stations harvested with digital thermometer than the data of meteorological stations. Among the reasons for this are the location of meteorological stations (especially Station_1) in the urban area due to the heterogeneity of the urban environment and the possibility of pixel interference and temperature interference of land users, while ground stations from outside the city. And it was selected from an environment with homogeneous pixels (Bayer and Agriculture). Also, the time difference between meteorological stations and the time of satellite passing through the region for 2000 was about 12 minutes and for 2019 it was about 4 minutes. Between meteorological data and algorithm results, while terrestrial data were collected at the same time as the satellite passed. Also, the results of all four algorithms extracted from Landsat 8 images show more accuracy compared to the results of the four algorithms obtained from Landsat 5 image. It was predictable.
Statement of the Problem: Over the past two decades, the intense need for land surface temperature information for environmental studies and management and planning activities has made estimating the land surface temperature one of the most important scientific topics. On the other hand, different methods have been proposed to estimate the land surface temperature, each of which has resulted in different results for different regions. In this study, the algorithms that have had acceptable results in different studies have been selected and evaluated.In the field of thermal studies, what is considered as a major defect in monitoring the land surface temperature is the lack of sufficient meteorological stations to know the temperature values in places without stations and information limitations in preparing temperature data, especially for large areas. The study area is also facing this shortage, and this limitation further highlights the importance of the topic selected for this study to estimate the surface temperature using remote sensing technology. Verification and validation of results obtained from estimating the land surface temperature are other basic and discussed topics in thermal studies. In most studies conducted to estimate the land surface temperature, the results of working with meteorological data are valid. Be If, firstly, meteorological data should be used to measure the temperature of the station's surface, not the ground-level air data, and secondly, due to the extreme variability of temperature in terms of time and place, the data should be synchronized. Certification measures are based on estimated data, and because meteorological stations measure ground and air surface temperatures at specific times, they use this data if they are out of sync. The validation of the results of the applied algorithms will be accompanied by a high error.
Purpose: Estimation of temperature in Ardabil city and evaluate the accuracy of the four single-channel algorithms, the improved mono-window, the Planck's inversion function method and the radiative transfer equation (RTE) method, to compare the accuracy of the two Landsat 5 and Landsat 8 satellites in estimating the land surface temperature.
Methodology: Three types of data have been used in this study:
1- Landsat 5 and 8 satellite images
2- Data of two meteorological stations
3- Ground data harvested with digital thermometer
The images used are from the two satellites Landsat 5 and Landsat 8 with a time interval of 19 years. The meteorological data used were obtained from two synoptic stations in the study area. In addition to land surface temperature, relative humidity, minimum temperature and maximum temperature data of 24 hours were also obtained on two dates. Also, two points of the study area were selected and land surface temperature in the position of these two stations simultaneously with the satellite Recorded from two digital thermometers. MODTRAN web version calculator software version 6 has been used to model the radiation and the amount of atmospheric transmission.
Emissivity with two methods of LSE methods based on NDVI and LSE NDVI Thresholds Method and land surface temperature with four algorithms: single-channel algorithms, An Improved mono-window, inversion of Planck’s function and radiative transfer equation using band 6 Landsat 5 and band 10 Landsat 8 bands. It was coded in MATLAB 2016 software for 2000 and 2019. Finally, the accuracy of the algorithms was evaluated using synoptic station surface temperature data and field sampling.
Results and discussion: In this section, the collected data and results are analyzed and while presenting the output maps, the accuracy of the methods with terrestrial and meteorological data as well as the accuracy of Landsat 5 and Landsat 8 satellites in estimating the land surface temperature has been compared and evaluated. The results showed that for the three single channel algorithms, the inversion of Planck’s function and RTE, the first method of emission and for the An Improved Mono-Window algorithm, the second method of emission had a higher accuracy. Land surface temperature data obtained from meteorological stations in 2000 differ by 12 minutes in terms of time and by 2019 differ by 4 minutes in terms of satellite transit time. The first meteorological station is located somewhat within the city limits and according to the results, it seems that the most important factor is the greater difference between the data of the first station and the estimated LST compared to the second station is the same factor, because the heterogeneity of pixels and large changes in levels in urban areas interfere with pixel value. And subsequently increases the likelihood of errors in estimating surface temperature within the urban anthropogenic range. For the ground station, two points with a homogeneous environment and outside the urban area with agricultural use (alfalfa) and barren use of the harvested product were selected and their surface temperature was measured at the same time as the satellite. The output results of land surface temperature estimation were compared and evaluated with two synoptic stations and two ground stations. In both histories, the single-channel algorithm showed the least difference with the temperature recording stations.
Conclusion: In this research, using Landsat 5 and Landsat 8 satellite images, four algorithms for estimating the land surface temperature of the earth, including single-channel algorithms, An Improved mono-window, inversion of Planck’s function and radiative transfer equation and land surface temperature maps of Ardabil city for two 2000 and 2019 were coded and extracted in MATLAB software environment. The band 6 Landsat 5 satellite was used for 2000 and the band 10 Landsat 8 satellite was used for 2019 due to less noise than the 11th band and the proximity of 9.66 (which is the highest radiation in this range). Comparison of land surface temperature maps obtained by the algorithms with synoptic and ground stations showed that in both 2000 and 2019, the single-channel algorithm was more accurate than the other methods.
Comparison of the results of the single channel method with the stations shows a difference of +2.5 and 2- with stations 1 and 2 for the year 2000 and a temperature difference of +3.3, +0.9, 1- and -0.9. Shows stations 1, 2, 3 and 4 for 2019, respectively. It seems that the direct use of atmospheric transmittance coefficients in the single channel method process has been effective in the high accuracy of this method. In terms of accuracy, after the single-channel algorithm, the An Improved Mono-Window method, the RTE algorithm, and finally the Planck function inverse correlation algorithm were placed, respectively. The results of comparing the output of all four algorithms with the data of stations 1, 2, 3 and 4, show that the ground stations harvested with a digital thermometer are more accurate than the data of meteorological stations. One of the reasons for this is the location of meteorological stations (especially Station_1) in the urban area due to the heterogeneity of the urban environment and the possibility of pixel interference and temperature interference of land uses, while ground stations from the out-of-town area. And was selected from an environment with homogeneous pixels (barren and agricultural). Also, the results of all four algorithms extracted from the Landsat 8 image show more accuracy compared to the results of the four algorithms obtained from the Landsat 5 image, and due to the improved spatial resolution of the TIRS sensor compared to the TM, the TIRS sensor output is more accurate, It was predictable.
Keywords: Emissivity, Land surface temperatur, Ardabil, Digital thermometer, MATLAB.
-
Modeling desert locust habitat using biophysical indices derived from LandSat 8 images
Print Date : 2016-03-20 -
Investigating vegetation of saline lands around Urmia Lake using satellite images
Print Date : 2016-03-20