Evaluating the types of split window algorithms for calculating the land surface temperature to determine the best algorithm for MODIS sensor images

Subject Areas : Applications in earth’s climate change

Mohammad Kazemi Garajeh ¹ , Behnam Salmani ² , Bakhtiar Feizizadeh ³

1 - MSc of Remote Sensing and Geographical Information System, Faculty of Planning and Environmental Sciences, University of Tabriz, Tabriz, Iran
2 - MSc of Remote Sensing and Geographical Information System, Faculty of Planning and Environmental Sciences, University of Tabriz, Tabriz, Iran
3 - Associate Professor, Department of Remote Sensing and Geographical Information System, Faculty of Planning and Environmental Sciences, University of Tabriz, Tabriz, Iran

Received: 2019-02-28 Accepted : 2020-05-17 Published : 2020-06-21

Keywords: East Azarbaijan Province, Split window algorithms (SW), Land surface temperature (LST), MODIS sensor,

Abstract :

Background and ObjectiveIn recent years, the study of climate changes as well as their effects, has become a constant topic in the scientific fields of many countries. One of the main features of these changes is the increase in air temperature over the last 5 decades compared to the last 500 years. Statistics show an increase of one degree centigrade in air temperature over the last 5 decades. The land surface temperature means the radiant temperature of the earth's crust and the amount of pure energy that is balanced on the earth's surface under climatic conditions and depends on the reached the amount of energy, surface emissivity, humidity and atmospheric airflow. Land surface temperature is considered as one of the key variables in climate and environmental studies of the Earth’s surface. It is also one of the basic parameters in the physical features of  the earth's surface at all scales from local to global. Currently, the most important sources of climatic data are meteorological stations, and these stations provide climatic statistics for certain points, while the temperature may alter at different intervals stations and decrease or increase compared to the desired station. Therefore, it is necessary to have a technology that can eliminate the shortcomings of meteorological stations in calculating the temperature at sampling intervals and in impassable places where it is not possible to build a meteorological station. In recent years, new sciences such as remote sensing have provided new ways to monitor the environment and acquire, evaluate, and analyze environmental data, and can provide a wide range of parameters relating to the environment. This technology is considered as an important and increasing source of information for studying climate change that has a direct impact on global warming. Over the past two decades, 18 algorithms have been developed to calculate the land surface temperature. These algorithms fall into four categories: emissivity-dependent models, two-factor models, complex models, and radio-based models. The results of the comparisons between different algorithms shows that different algorithms perform differently in different situations with different geographical climates. Therefore, the present study aims to compare the types of LST calculation algorithms for MODIS sensor images and determine the best algorithm for East Azarbaijan province. Materials and Methods Convert digital numbers (DN) to spectral radiation. The following equation was used to convert the numerical values to spectral radiation for thermal bands of MODIS sensor images. Planck's equation was used to convert spectural radation to spectral reflection when the radiant power of thermak data of MODIS sensor is considered to be a maximum of one. In order to estimate the surface emissivity, the Normalized Difference Vegetation Index (NDVI) thresholding method is used. The radiant power is divided into three categories to determine the soil characteristics in each pixel and to calculate the emissivity rate and emissivity difference; 0.2>NDVI, it is considered as dry soil and its radiant power is considered to be equal to 0.978. 0.5 NDVI, it is related to pixels with higher vegetation density and its radiant power is considered 0.985. 0.5>NDVI<0.2, it is based on a combination of pixels relating to vegetation and soil and the radiant power for them can be calculated. The vegetation ratio, that its value can be calculated. The value of each scientific finding depends on its accuracy. To compare the obtained results from the algorithms used to calculate the land surface temperature with the recorded temperature in meteorological station. Results and DiscussionThe results of the present study show that among the 18 algorithms for the land surface temperature estimation for MODIS sensor images, the Sobrino algorithm with RMSE value of 1.79 has the highest accuracy, Cole Casillas and Prata algorithm with RMSE value of 2.85 is in the second position, and also the Salisbury and Sobrino algorithms with RMSE values of 2.39 have the third place for LST calculation among the other algorithms. The Qin algorithm with a RMSE value of 5.28 has the lowest accuracy for LST estimation. Conclusion A review of the data obtained from comparing split-window algorithms shows the overall compliance of the calculated temperatures with the topographic conditions of the region, so that almost the lowest temperature values in all algorithms are related to the parts having more height (mountainous) and green cover of the region and also, temperature values have risen in low-lying areas lacking dense vegetation.

References:

­Alsdorf DE, Rodríguez E, Lettenmaier DP. 2007. Measuring surface water from space. Reviews of Geophysics, 45(2): 1-24. doi:https://doi.org/10.1029/2006RG000197.

Asadzadeh A, Faith H, Shawl M. 2015. Spatial Inequalities in the Development of the Agricultural Sector of East Azerbaijan Province. Journal of Space Economics and Rural Development, 4(2): 41-45. (In Persion)

Alavi Panah SK. 2016. Thermal Remote Sensing and its Application in Earth Sciences, Third Edition, University of Tehran Press, 666 p. (In Persion)

Bakhtiari B, Delgarm S, Rezazadeh M. 2016. Selecting the most appropriate split-window algorithm for land surface temperature estimation using MODIS sensor (Case study: Kerman plain). Journal of Water and Soil Conservation, 23(2): 81-98. (In Persion)

Benali A, Carvalho AC, Nunes JP, Carvalhais N, Santos A. 2012. Estimating air surface temperature in Portugal using MODIS LST data. Remote Sensing of Environment, 124: 108-121. doi:https://doi.org/10.1016/j.rse.2012.04.024.

Bulivoury RE, Hartford RA, Eidenshink JC. 1993. Using NDVI to assess departure from average greenness and its relation to the fire business. Intermountain Research Station: USDA Forest Service, 8: 121-137.

Becker F, Li Z-L. 1990. Towards a local split window method over land surfaces. Remote Sensing, 11(3): 369-393. doi:https://doi.org/10.1080/01431169008955028.

Cao L, Li P, Zhang L, Chen T. 2008. Remote sensing image-based analysis of the relationship between urban heat island and vegetation fraction. Paper presented at the The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. Vol. XXXVII. Part B7. Beijing 2008, 1379-1384.

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.

Chehbouni A, Lo Seen D, Njoku EG, Monteny BM. 1996. Examination of the difference between radiative and aerodynamic surface temperatures over sparsely vegetated surfaces. Remote Sensing of Environment, 58(2): 177-186. doi:https://doi.org/10.1016/S0034-4257(96)00037-5.

Cole A, Menenti M, Feddes R, Holtslag A. 1994. A remote sensing surface energy balance algorithm for land (SEBAL) 1 Formulation. Journal of Hydrology, 212(3): 198-212.

Coll C, Caselles V, Sobrino JA, Valor E. 1994. On the atmospheric dependence of the split-window equation for land surface temperature. Remote Sensing, 15(1): 105-122. doi:https://doi.org/10.1080/01431169408954054.

Eleftheriou D, Kiachidis K, Kalmintzis G, Kalea A, Bantasis C, Koumadoraki P, Spathara ME, Tsolaki A, Tzampazidou MI, Gemitzi A. 2018. Determination of annual and seasonal daytime and nighttime trends of MODIS LST over Greece - climate change implications. Science of The Total Environment, 616-617: 937-947. doi:https://doi.org/10.1016/j.scitotenv.2017.10.22.

Eskandari S. 2019. Comparison of different algorithms for preparing land cover map in sensitive habitats of Zagros using Sentinel 2 satellite image (Case study: part of Ilam province). Journal of RS and GIS for Natural Resources, 10(1): 72-87. (In Persion)

Emami H, Mojarradi B, Safari A. 2016. Presenting a method for assessing the accuracy and validation of land surface temperature from remote sensing data: a case study of Fars province. Journal of Mapping Science and Technology, 6(1): 1-17. (In Persion)

Feizizadeh B, Blaschke T, Nazmfar H, Akbari E, Kohbanani HR. 2013. Monitoring land surface temperature relationship to land use/land cover from satellite imagery in Maraqeh County, Iran. Journal of Environmental Planning and Management, 56(9): 1290-1315. doi:https://doi.org/10.1080/09640568.2012.71788.

Faizizadeh B, Dideban Kh, Gholamnia Kh. 2016. Estimation of land surface temperature using Landsat 8 satellite images and a split-window algorithm (Case study: Mahabad basin). Journal of Sepehr, 25(98): 171-181. (In Persion)

Franc G, Cracknell A. 1994. Retrieval of land and sea surface temperature using NOAA-11 AVHRR· data in north-eastern Brazil. International Journal of Remote Sensing, 15(8): 1695-1712. doi:https://doi.org/10.1080/01431169408954201.

Gillies RR, Carlson TN. 1995. Thermal remote sensing of surface soil water content with partial vegetation cover for incorporation into climate models. Journal of Applied Meteorology, 34(4): 745-756. doi:https://doi.org/10.1175/1520-0450.

Ghaffarian Malmiri H,  Zareh Khormizi H. 2016. Highlighting the time series of satellite data Earth surface temperature using time series harmonic analysis algorithm (HANTS) algorithm. RS and GIS for Natural Resources, 8(3): 37-55. (In Persion)

Hashemi Darreh Badami S, Nouraei Sefat A, Karimi S, Nazari S. 2015. Analysis of the development process of urban thermal islands in relation to land use /cover change using Landsat image time series. RS and GIS for Natural Resources, 6(3): 15-28. (In Persion)

Jin M, Dickinson RE. 2010. Land surface skin temperature climatology: Benefitting from the strengths of satellite observations. Environmental Research Letters, 5(4): 044004.

Kou X, Jiang L, Bo Y, Yan S, Chai L. 2016. Estimation of land surface temperature through blending MODIS and AMSR-E data with the Bayesian maximum entropy method. Remote Sensing, 8(2): 105. doi:https://doi.org/10.3390/rs8020105.

Luterbacher J, Dietrich D, Xoplaki E, Grosjean M, Wanner H. 2004. European seasonal and annual temperature variability, trends, and extremes since 1500. Science, 303(5663): 1499-1503. doi:https://doi.org/10.1126/science.1093877.

Liu Y, Yamaguchi Y, Ke C. 2007. Reducing the discrepancy between ASTER and MODIS land surface temperature products. Sensors, 7(12): 3043-3057. doi:https://doi.org/10.3390/s7123043.

Latif MS. 2014. Land Surface Temperature Retrival of Landsat-8 Data Using Split Window Algorithm-A Case Study of Ranchi District. International Journal of Engineering Development and Research, 2(4): 2840-3849.

Khorchani M, Vicente-Serrano SM, Azorin-Molina C, Garcia M, Martin-Hernandez N, Peña-Gallardo M, El Kenawy A, Domínguez-Castro F. 2018. Trends in LST over the peninsular Spain as derived from the AVHRR imagery data. Global and Planetary Change, 166: 75-93. doi:https://doi.org/10.1016/j.gloplacha.2018.04.006.

Kerr YH, Lagouarde JP, Imbernon J. 1992. Accurate land surface temperature retrieval from AVHRR data with use of an improved split window algorithm. Remote Sensing of Environment, 41(2): 197-209. doi:https://doi.org/10.1016/0034-4257(92)90078-X.

Mildrexler DJ, Zhao M, Running SW. 2011. A global comparison between station air temperatures and MODIS land surface temperatures reveals the cooling role of forests. Journal of Geophysical Research: Biogeosciences, 116(G3). doi:https://doi.org/10.1029/2010JG001486.

Mao K, Qin Z, Shi J, Gong P. 2005. A practical split‐window algorithm for retrieving land‐surface temperature from MODIS data. International Journal of Remote Sensing, 26(15): 3181-3204. doi:https://doi.org/10.1080/01431160500044713.

Neteler M. 2010. Estimating daily land surface temperatures in mountainous environments by reconstructed MODIS LST data. Remote sensing, 2(1): 333-351. doi:https://doi.org/10.3390/rs1020333.

Ottlé C, Vidal-Madjar D. 1992. Estimation of land surface temperature with NOAA 9 data. Remote Sensing of Environment, 40(1): 27-41.

Prata AJ. 1993. Land surface temperature from the advanced very high resolution radiometer and the along-track scanning radiometer. Journal of Geophysical Research. 98: 16689-16702.

Price JC. 1984. Land surface temperature measurements from the split window channels of the NOAA 7 advanced very high resolution radiometer. Journal of Geophysical Research Atmosphere. 89 (D5): 7231-7237.

Qin Z, Li W, Chen Z, Tang H. 2004. Land surface emissivity estimation for LST retrieval from Landsat TM6 data. Remote Sensing for Land and Resources, 3: 28-32.

Qin Z, Dall'Olmo G, Karnieli A, Berliner P. 2001. Derivation of split window algorithm and its sensitivity analysis for retrieving land surface temperature from NOAA‐advanced very high resolution radiometer data. Journal of Geophysical Research: Atmospheres, 106(D19): 22655-22670. doi:https://doi.org/10.1029/2000JD900452.

Rott H. 2000. Physical principles and technical aspects of remote sensing. In:  Remote sensing in hydrology and water management. Springer, pp 15-39. https://doi.org/10.1007/1978-1003-1642-59583-59587_59582.

Sabziparvar A, Fakharizadeh Shirazi A, Nazem Sadat S, Rezaei Y. 2016. Land surface temperature validation obtained from satellite images of MODIS and Landsat-5 (Case study: wheat fields of Marvdasht plain). Journal of Water and Soil Conservation, 23(2): 21-43. (In Persion)

Salehi N, Ekhtesasi MR, Talebi A. 2019. Predicting the trend of land use change using the Markov chain model (Case study: Ramsar Saffarude). Journal of RS and GIS for Natural Resources, 10(1): 106-121. (In Persion)

Santamouris M. 2013. Using cool pavements as a mitigation strategy to fight urban heat island-A review of the actual developments. Renewable and Sustainable Energy Reviews, 26: 224-240. doi:https://doi.org/10.1016/j.rser.2013.05.047.

Sun YJ, Wang JF, Zhang RH, Gillies RR, Xue Y, Bo YC. 2005. Air temperature retrieval from remote sensing data based on thermodynamics. Theoretical and Applied Climatology, 80(1): 37-48. doi:10.1007/s00704-004-0079-y.

Sun AY. 2013. Predicting groundwater level changes using GRACE data. Water Resources Research, 49(9): 5900-5912. doi:https://doi.org/10.1002/wrcr.20421.

Sobrino JA, Raissouni N, Li Z-L. 2001. A Comparative Study of Land Surface Emissivity Retrieval from NOAA Data. Remote Sensing of Environment, 75(2): 256-266. doi:https://doi.org/10.1016/S0034-4257(00)00171-1.

Sobrino J, Caselles V. 1991. A methodology for obtaining the crop temperature from NOAA-9 AVHRR data. International Journal of Remote Sensing, 12(12): 2461-2475. doi:https://doi.org/10.1080/01431169108955280.

Sobrino J, Coll C, Caselles V. 1991. Atmospheric correction for land surface temperature using NOAA-11 AVHRR channels 4 and 5. Remote Sensing of Environment, 38(1): 19-34. doi:https://doi.org/10.1016/0034-4257(91)90069-I.

Salisbury CM. 1997. Retrieving land-surface temperature from satellites. UCSB MODIS LST Group mom page. Retrieved from: http://www.icess.ucsb.edu/esrg/sum97/ studentEss.1997/cleo_Salisbury/cleo_final_ paper.html.

Tang B-H, Shao K, Li Z-L, Wu H, Tang R. 2015. An improved NDVI-based threshold method for estimating land surface emissivity using MODIS satellite data. International Journal of Remote Sensing, 36(19-20): 4864-4878. doi:https://doi.org/10.1080/01431161.2015.1040132.

Ulivieri C, Castronuovo MM, Francioni R, Cardillo A. 1994. A split window algorithm for estimating land surface temperature from satellites. Advances in Space Research, 14(3): 59-65. doi:https://doi.org/10.1016/0273-1177(94)90193-7.

Williamson SN, Hik DS, Gamon JA, Jarosch AH, Anslow FS, Clarke GKC, Scott Rupp T. 2017. Spring and summer monthly MODIS LST is inherently biased compared to air temperature in snow covered sub-Arctic mountains. Remote Sensing of Environment, 189: 14-24. doi:https://doi.org/10.1016/j.rse.2016.11.009.

Wan Z, Zhang Y, Zhang Q, Li Z-l. 2002. Validation of the land-surface temperature products retrieved from Terra Moderate Resolution Imaging Spectroradiometer data. Remote Sensing of Environment, 83(1): 163-180. doi:https://doi.org/10.1016/S0034-4257(02)00093-7.

Valizadeh Kh, Gholamnia Kh, Einali G, Mousavi M. 2016. Estimation of land surface temperature and extraction of thermal islands using split-window algorithm and multivariate regression analysis (case study of Zanjan city). Journal of Urban Research and Planning, 8(31): 35-50. (In Persion)

Zhao S, Qin Q, Yang Y, Xiong Y, Qiu G. 2009. Comparison of two split-window methods for retrieving land surface temperature from MODIS data. Journal of Earth System Science, 118(4): 345. doi:10.1007/s12040-009-0027-4.

Full-Text:



 

ارزیابی انواع الگوریتم های پنجره مجزاء برای محاسبه دمای سطح زمین جهت تعیین بهترین الگوریتم برای تصاویر سنجنده MODIS

 

چکیده

دمای سطح زمین یکی از مهم ترین شاخص ها برای درک تغییرات فرآیندهای سطح زمین در مقیاس محلی و جهانی است. از این رو هدف پژوهش حاضر تعیین بهترین الگوریتم محاسبه دمای سطح زمین برای تصاویر سنجنده MODIS در استان آذربایجان شرقی است. برای این هدف، تصویر سنجنده MODIS برای سال 2018 تهیه شد. پس از انجام تصحیحات هندسی و رادیومتریکی در نرم افزار ENVI5.3، باندهای حرارتی سنجنده MODIS (31 و 32) با اعمال معادلات مربوط به تبدیل اعداد رقومی به رادیانس و رادیانس به دمای درخشندگی به منظور محاسبه دمای سطح زمین مورد استفاده قرار گرفتند. همچنین شاخص نرمال شده پوشش گیاهی جهت محاسبه گسیلمندی استفاده شد و دمای سطح زمین با استفاده از 18 الگوریتم پنجره مجزاء (SW) برای استان آذربایجان شرقی بدست آمد. در نهایت جهت ارزیابی صحت دماهای استخراج شده با استفاده از الگوریتم های پنجره مجزاء، دماهای ثبت شده در 6 ایستگاه هواشناسی منطقه مورد مطالعه برای یک دوره سه ماهه تهیه شد و با نتایج حاصل مورد مقایسه قرار گرفت. نتایج حاصل بیانگر این است که الگوریتم سوبرینو (1993) با مقدار RMSE 79/1 دارای دقت بالاتری نسبت به سایر الگوریتم ها برای محاسبه دمای سطح زمین (LST) در منطقه مورد مطالعه می باشد. همچنین الگوریتم کین با مقدار RMSE 28/5 کمترین دقت را برای محاسبه ی دمای سطح زمین دارا است.

 

واژه‌های کلیدی:  دمای سطح زمین(LST)، انواع الگوریتم های پنجره مجزاء (SW)، سنجنده MODIS، استان آذربایجان شرقی

 

 

 

 

 

 

 

 

 

 

 

 

مقدمه 

در سالهای اخیر مطالعه تغییرات اقلیمی و همچنین تاثیرات آنها تبدیل به یک موضوع ثابت در عرصه های علمی بسیاری از کشورها شده است (45). یکی ازویژگی های اصلی این تغییرات، افزایش دمای هوا در طی 5 دهه اخیر نسبت به 500 سال گذشته است (29). به طوری که آمارها بیانگر افزایش یک درجه سانتی گراد در دمای هوا در طی 5 دهه اخیر هستند (29). دمای هوا از نقطه نظر فیزیکی با دمای سطح زمین متفاوت است (24). دمای هوا معمولا در ارتفاع 5/1 متری بالای سطح زمین اندازه گیری می شود (32). اما دمای سطح زمین را می توان با استفاده از روش هایی مانند دماسنج تابشی دستی یا با استفاده از تکنولوژی ماهواره ای اندازه گیری کرد. دمای سطح زمین یک مفهوم مبهم است و ممکن است به درجه حرارت پوسته زمین (یا دمای سطح رادیومتری) ، دمای هوا در سطح، درجه حرارت آیرودینامیکی اشاره کند (24). درجه حرارت آیرودینامیکی نمی تواند به صورت مستقیم اندازه گیری شود و معمولا با دمای سطح زمین ارتباط دارد (12). از این رو ارزیابی آب و هوا براساس دمای هوا و دمای سطح زمین (Land Surface Temperature) صورت می گیرد (24). به دمای تابشی پوسته زمین و به مقدار خالص انرژی که تحت شرایط اقلیمی در سطح زمین به توازن رسیده و به مقدار انرژی رسیده، گسیلمندی سطح، رطوبت و جریان هوای اتمسفر بستگی دارد دمای سطح زمین می گویند (46). دمای سطح زمین به عنوان یکی از متغیرهای کلیدی در مطالعات اقلیمی و محیطی سطح زمین محسوب می شود (15). و همچنین از پارامترهای اساسی در خصوصیات فیزیک سطح زمین در همه مقیاس ها از محلی تا جهانی است (10، 23 و 31). به طوری که در بحث تکامل خاک، حرارت به عنوان یکی از مهم ترین عوامل اقلیمی دخالت داشته و سرعت واکنش ها را کنترل می کند و براساس قانون وانتهوف در هر درجه افزایش دما، سرعت فعل و انفعالات شیمیایی 2 الی 3 برابر می شود. دمای خاک و چگونگی تغییرات آن نسبت به زمان و مکان یکی از مهم ترین عواملی است که نه تنها تبادل ماده و انرژی را در خاک تحت تاثیر قرار می دهد، بلکه میزان و جهت کلیه فرآیندهای فیزیک خاک به طور مستقیم وابسته به دما است. علاوه بر تبخیر و تعرق، جوانه زنی، تهویه خاک، رشد گیاه، فعالیت ریشه و میکروارگانیسم های خاک تابع دمای آن است (4 و 36). در حال حاضر مهم ترین منبع داده های اقلیمی ایستگاه های هواشناسی می باشند و این ایستگاه ها آمار اقلیمی نقاط خاصی را ارائه می دهند در حالیکه دما ممکن است در فواصل مختلف از این ایستگاه ها متحرک بوده و نسبت به ایستگاه مورد نظر کاهش یا افزایش داشته باشد. برای حل این مشکل تاکنون روش های مختلفی مانند رگرسیون با ارتفاع، روش های درون یابی میانگین وزنی فاصله معکوس (Inverse Distance Weighting) و کریجینگ برای محاسبه حد فاصل ایستگاه های هواشناسی پیشنهاد شده است (46). اما این روشها به دلیل اینکه دارای کاربردهای خاصی می باشند، برای محاسبه دمای سطح زمین بین ایستگاه های هواشناسی کارآیی لازم را ندارند، به عنوان نمونه روش رگرسیون با ارتفاع تنها برای مناطق کوچک کوهستانی و روش های درون یابی برای مناطق یکنواخت مناسب هستند. از این رو نیاز به تکنولوژی ای که بتواند کاستی های ایستگاه های هواشناسی را در محاسبه دما در فواصل نمونه برداری و در مکانهای صعب العبور که امکان احداث ایستگاه هواشناسی وجود ندارد برطرف کند ضروری است (9 و 25). در سالهای اخیر علوم جدیدی مانند سنجش از دور روش های جدیدی را برای نظارت بر محیط و کسب، ارزیابی و تجزیه و تحلیل داده های محیطی فراهم آورده است و قابلیت ارائه طیف وسیعی از پارمترهای مربوط به محیط را دارا می باشد (35 و 44). این تکنولوژی به عنوان یک منبع مهم و فزاینده از اطلاعات برای مطالعه تغییرات اقلیمی که بر میزان دمای سطح زمین تاثیر مستقیم دارد مطرح می شود (1 و 47). اولین تلاش ها برای محاسبه دمای سطح زمین با استفاده از تکنولوژی سنجش از دور مربوط به اوایل دهه 1980 می باشد (58). بعد از آن با راه اندازی سنجنده MODIS انقلابی در محاسبه دمای سطح زمین با استفاده از تکنولوژی سنجش از دور اتفاق افتاد. سنجنده های جدید مشکلات سنجنده های قبلی مانند جابجایی مدار، مشکل ابر، ارزیابی انتشار و قدرت تفکیک کم را که باعث بروز خطا در برآورد دمای سطح زمین می شدند را برطرف کرده و باعث افزایش دقت روش های محاسبه LST شدند (4). از دهه 80 به بعد به دلیل یکنواختی سطح آب از نظر کیفیت، پستی و بلندی، روش های جدید و قابل قبولی برای اندازه گیری دمای سطح دریا (Sea Surface Temperature) و اقیانوس ها وجود داشته است (54). این درحالی است که برای محاسبه دمای سطح زمین رو شهای دقیق و کاملی وجود ندارند. به طور کلی دو روش برای محاسبه LST با استفاده از باندهای حرارتی سنجنده ها ارائه شده است: روش اول بر مبنای دو پنجره مجزای طیفی (Split window) که اندازه گیری LST در محدوده مادون قرمز حرارتی است. روش دوم از تعداد بیشتری باندهای مادون قرمز حرارتی برای محاسبه LST در دو زمان روز و شب استفاده می کند (59). الگوریتم پنجره مجزاء (SW) یکی از کارآمدترین الگوریتم ها برای محاسبه LST می باشد، این الگوریتم که بر پایه تحلیل های ریاضی قرار دارد از اطلاعات زمینی، دمای روشنایی باندهای حرارتی، قابلیت انتشار سطح زمین (Land Surface Emissivity) و عامل پوشش گیاهی جز به جز بدست آمده از باندهای چندطیفی برای محاسبه دمای سطح زمین استفاده می کند (25). در روش الگوریتم پنجره مجزاء از دو باند طیف الکترومغناطیسی برای محاسبه LST استفاده می شود. استفاده از دو یا چند تصویر همزمان یا به کارگیری دو یا چند باند حرارتی از یک تصویر برای محاسبه دمای سطح زمین، نخستین بار از سوی سینگ (1984) معرفی شد و در آن از تصویربرداری همزمان از یک منطقه استفاده شد. پژوهش های متعددی به منظور محاسبه دمای سطح زمین در نقاط مختلف جهان انجام شده است; وان و همکاران (54)، مائو و همکاران (34)، روت (42)، زائو (59) با استفاده از الگوریتم پنجره مجزاء دمای سطح زمین را برای تصاویر سنجنده MODIS با RMSE کمتر از 1/0 محاسبه کردند. همچنین در مطالعه ای لیو و همکاران (30)، با استفاده همزمان از تصاویر سنجنده های ASTER  و MODIS، دمای سطح زمین را محاسبه کردند. در پژوهش لیو و همکاران، سه روش وان و همکاران (57)، وان (اصلاح شده) (54) و روش عمومی دو پنجره ای بررسی شدند و هر سه رویکرد ناهمخوانی حدود 3 درجه کلوین را، که بین ASTER و MODIS بود، به شکل موثری کاهش دادند. مقادیر RMSE نیز، از مقدارK  02/3 تاK  44/2، به ترتیب به مقادیرK  92/1 تاK  87/1،K  74/1 تاK  58/1 وK  39/1 تاK  34/1 در سه روش مذکور کاهش یافت. کفاش (28)؛ به منظور اعتبار سنجی محصولات دمای سطح زمین سنجنده مودیس (MOD11A1)، داده های اندازه گیری زمینی برداشت شده به وسیله دماسنج ساخته شده با سنسور حرارتی SMT160 را مورد استفاده قرار داد. نتایج ضریب همبستگی بدست آمده بین محصولات دمای سطح زمین سنجنده مودیس و داده های زمینی بیانگر دقت 4 درجه سانتی گراد می باشد. احمدی و ضیائیان (3)؛ در مطالعه ای به بررسی دقت چهار الگوریتم کول و کاسلیس (1994)، کر و همکارن (1992)، یولیویری و همکاران (1994)، ویدال (1991) برای محاسبه دمای سطح زمین پرداختند که نتایح بدست آمده نشان دهنده ی دقت بالای الگوریتم یولیویری برای محاسبه LST نسبت به سایر الگوریتم ها می باشد. بختیاری و همکاران (5)؛ 10 الگوریتم پنجره مجزاء را برای یرآورد دمای سطح زمین در دشت کرمان مورد مقایسه قرار دادند. نتایج حاصل از این مقایسه نشان دهنده ی دقت بالای مدل کول و کاسیلیس برای محاسبه دمای سطح زمین بود.

بررسی پیشینه تحقیق بیانگر آن است که در بیشتر مقالات کار شده در زمینه محاسبه LST به بررسی و اعتبار سنجی و مقایسه تعدادی از الگوریتم های محاسبه LST با استفاده از تصاویر سنجنده MODIS پرداخته اند و در زمینه ارزیابی و محاسبه دقت تمام الگوریتم های محاسبه دمای سطح زمین برای تصاویر سنجنده MODIS کار خاصی انجام نگرفته است، همچنین استفاده از محصولات دمای سطح زمین سنجنده مودیس (MOD11) به دلیل به کاربردن ضرایب تصحیحی، ممکن است در ایران کارآیی لازم را نداشته باشد (43). به طوری که سبزی پرور و همکاران (43)؛ در مطالعه ای محصولات دمای سطح زمین سنجنده مودیس و دمای سطح محاسبه شده با استفاده از سنجنده لندست 5 و دمای سطح بدست آمده از سه الگوریتم پنجره مجزاء بکر و لی، پرایس و یولیوری را مورد مقایسه قرار دادند. نتایج پژوهش آنها بیانگر آن بود که دمای سطح زمین تخمین زده شده به وسیله ماهواره لندست مقدار RMSE (4/4) پایینی را نسبت به سنجنده مودیس با مقدار RMSE 1/7 به خود اختصاص داده است. همچنین مقدار RMSE دمای سطح تخمین زده شده با استفاده از الگوریتم های پنجره مجزاء بین 5/3 تا 9/3 درجه سلسیوس برآورد گردیده است. در پژوهشی دیگر امامی و همکاران (17)؛ جهت اعتبارسنجی دمای سطح زمین حاصل از سنجنده لندست 8 از محصولات دمای سطح سنجنده مودیس استفاده کردند. به منظور انجام این فرآیند تطبیق زمان داده ها، زاویه دید، قدرت تفکیک طیفی و مکانی بین دمای سطح حاصل از سنجنده مودیس و محصولات دمای سطح سنجنده مودیس انجام شد. نتایج بیانگر آن است که دقت دمای محاسباتی در مناطق با همگنی بالا (90/0 تا 00/1) با پارامتر میانگین اختلاف ها به ترتیب دارای دقت 6/0 و 94/0 درجه کلوین در تصویر بررسی اول و دوم لندست است که در بازه ی خطای زیر یک درجه کلوین دمای سنجنده مودیس می باشد. همچنین دقت دمای محاسباتی در مناطق با همگنی بالا با پارامتر ریشه میانگین مربع خطا به ترتیب دارای دقت 63/1 و 27/1 درجه کلوین در تصویر بررسی اول و دوم لندست 8 بود. با توجه به این که دمای سطح حاصل از مودیس دارای دقت بهتر از یک درجه کلوین برای هر دو سنجنده ترا و آکوا است ولی این دما، متوسط دما برای یک منطقه یک کیلومتر در یک کیلومتر است، از این رو هر دمای سطح مودیس برابر با 100 مقدار دمای لندست 8 در سطح یک پیکسل مودیس است که این امر نتیجه اختلاف قدرت تفکیک مکانی بین دو سنجنده است. بنابراین دمای سطح حاصل از سنجنده لندست 8 دقیق تر از دمای سنجنده مودیس در مقیاس محلی است. در طی دو دهه گذشته برای محاسبه دمای سطح زمین 18 الگوریتم توسعه داده شده است که این الگوریتم ها در چهار دسته: مدل های وابسته به گسیلمندی، مدل های دو فاکتوره، مدل های پیچیده و مدل های بر مبنای رادیانس قرار دارند. بررسی نتایج مقایسه های انجام گرفته بین الگوریتم های مختلف نشان می دهد که الگوریتم های مختلف عملکرد متفاوتی را در موقعیت های مختلف با آب و هوای متفاوت جغرافیایی دارند (40). از این رو هدف پژوهش حاضر مقایسه انواع الگوریتم های محاسبه LST برای تصاویر سنجنده MODIS و تعیین بهترین الگوریتم برای استان آذربایجان شرقی می باشد که تصاویر این سنجنده به دلیل وسعت بالای منطقه مورد مطالعه مورد استفاده قرار گرفت و از تصاویر سری ماهواره های لندست به علت نیاز به انجام موزاییک تصاویر استفاده نشد.

 

مواد و روش­ تحقیق 

محدوده مورد مطالعه

استان آذربایجان شرقی در شمال غربی ایران واقع شده است. این استان دارای 650/45 کیلومتر مربع مساحت، ودر حدود 3909652 نفر جمعیت می باشد. اقلیم این استان به طور کلی سردو خشک می باشد و در طول سال تابستان های گرم و زمستان های سردی را تجربه می کند و میانگین دمای سالانه آن 9/10 درجه سانتی گراد است. همچنین میانگین بارش سالانه آن درحدود 9/287 میلی متر می باشد که بیشتر در فصل زمستان و بهار است. استان آذربایجان شرقی از نظر فعالیت های کشاورزی دارای پتانسیل های مناسبی می باشد به طوری که 2/19 درصد از کل وسعت جغرافیایی استان به اراضی زیر کشت محصولات کشاورزی تعلق دارد (2). در سالهای اخیر افزایش سرسام آور ساخت و سازهای شهری و استثمار بیشتر از زمین های کشاورزی باعث افزایش فرسایش و از بین رفتن اراضی مستعد کشاورزی شده است. همچنین روند خشک شدن دریاچه ارومیه علاوه بر تاثیر روی حیات گیاهی و جانوری پیرامون خود بر روی تغییرات جمعیتی و بروز مشکلات و بحران های اجتماعی منطقه اطراف خود اعم از شهری یا روستایی تاثیر گذار بوده و به یک منبع فعال نمک و گردو غبار برای مناطق حاشیه خود تبدیل شده است. شکل 1 نشان دهنده محدوده مورد مطالعه در شمال غرب ایران می باشد.

 

شکل1. موقعیت محدوده مورد مطالعه

Fig 1. Location of the study area

 

مواد تحقیق

داده های مورد استفاده در این تحقیق به دو بخش ماهواره ای و زمینی تقسیم می شود. در این میان، تصویر سنجنده MODIS  به عنوان داده ماهواره ای برای منطقه مورد مطالعه برای روز 7 ژوئن سال 2018 مصادف با 17 خرداد 1397 تهیه شد. پس از تهیه تصویر، انواع تصحیحات هندسی و رادیومتریک بر روی تصویر مورد نظر با استفاده از نرم افزار ENVI5.3 انجام شد. همچنین ار داده های زمینی مقادیر درجه حرارت در عمق 5 سانتی متری خاک از 6 ایستگاه هواشناسی موجود در منطقه مورد مطالعه برای یک دوره سه ماهه از سازمان هواشناسی استان آذربایجان شرقی برای ارزیابی دقت نتایج بدست آمده تهیه شد. شکل 2 بیانگر موقعیت جغرافیایی هر یک از ایستگاه ها می باشد:

 

 

شکل2. موقعیت ایستگاه های هواشناسی منطقه مورد مطالعه

Fig 2. Location of meteorological stations in the study area

 

روش تحقیق

پژوهش های متعددی برای توسعه الگوریتم های محاسبه دمای سطح زمین LST انجام شده و منجر به ارائه الگوریتم های متفاوتی گردیده است مانند بولیووری و همکاران (7)، کول و همکاران، (14)، مک کلاین و همکاران (33)، سالیسبوری (51)، ویدال (55). هدف پژوهش حاضر تعیین بهترین الگوریتم محاسبه دمای سطح زمین برای تصاویر سنجده مودیس است. از این رو 18 الگوریتم پنجره مجزاء برای محاسبه دمای سطح زمین مورد استفاده قرار گرفتند. جدول 1 و 2  نشان دهنده ی انواع الگوریتم ها و ضرایب مورد استفاده آنها می باشد:

 

جدول1. نام روش، آیتم های مورد ارزیابی و سال ارائه

Table 1. Method name, items evaluated and year of presentation

 

 

مراحل محاسبه LST

 

شکل3. مروری بر روش تحقیق

Fig 3. Overview of the methodology

 

1)- تبدیل ارزش های رقومی(DN) به تابش طیفی:

برای تبدیل ارزش های رقومی به تابش طیفی برای باندهای حرارتی تصاویر سنجنده MODIS رابطه زیر مورد استفاده قرار گرفت:

 

                                                                                                                                               [1]

 

در رابطه 1،  مقدار ارزش رقومی تصویر،  کمترین مقدار درجه خاکستری و  بیشترین مقدار درجه خاکستری می باشد. همچنین  و  تابش طیفی مرجع باند 31 و 32 در DN به ترتیب معادل صفر و 255 برحسب ) است. مقادیر  و   در Header file تصاویر موجود هستند.

2)- تبدیل تابش طیفی به بازتاب طیفی:

با استفاده از رابطه پلانک، داده های حرارتی سنجنده MODIS، زمانی که توان تشعشعی آنها حداکثر یک در نظر گرفته شوند قابلیت تبدیل از تابش طیفی به بازتاب طیفی رادارند. که با استفاده از رابطه زیر این کار انجام شد:

 

                                                                                                                                                                                  [2]

 

جایی که  مقدار دمای موثر در ماهواره بر حسب درجه کلوین، =) رادیانس طیفی و K1 and K2 =) ضرایب کالیبراسیون ثابت بر حسب نانومتر.

3)- محاسبه گسیلمندی سطح:

نسبت بین گسیل از یک شی به گسیل از جسم سیاه در دمای ثابت را گسیلمندی می گویند. از موارد بسیار مهم و ضروری برای تبدیل دمای روشنایی به دمای جنبشی سطح، مقدار گسیلمندی است. یکی از روش های برآورد گسیلمندی، روش آستانه گذاری شاخص تفاضل نرمال شده پوشش گیاهی (NDVI) می باشد. پوشش گیاهی ار لحاظ حجم پوشش متنوع می باشد، از این رو تغییرات دمایی آن نیز متفاوت بوده و از عوامل عدم قطعیت در نتایج به شمار می آید (52). برای حل این مشکل می توان مناطقی که از پوشش گیاهی یکنواختی برخوردارند را دسته بندی نموده و یک کلاس مشخصی به آن اختصاص داد و سپس ارتباط این مقادیر و دمای سطح را مورد بررسی قرار داد. به منظور نشان دادن مناطقی که دارای پوشش گیاهی یکنواخت اند شاخص کسری پوشش گیاهی استفاده می شود که با استفاده از نرمال سازی مقادیر NDVI می توان به این شاخص دست یافت (13). در مناطق با پوشش گیاهی زیاد و متنوع، حداکثر مقدار NDVI با سطوح دارای 100 % پوشش گیاهی در ارتباط است و مناطقی که دارای پوشش گیاهی کمتری می باشند، مقادیر کمتری را به خود اختصاص داده و مقدار کسری پوشش گیاهی آنها نیز کمتر از 1 می باشد (16 و 21). در برآورد گسیلمندی سطحی از روش آستانه گذاری شاخص تفاضل نرمال شده گیاهی (Normalized Difference Vegetation Index) جهت مشخص نمودن ویژگیهای خاک در هر پیکسل و محاسبه میزان گسیلمندی و اختلاف گسیلمندی، توان تشعشعی به سه دسته تقسیم می شوند (48).

الف- 2/0>NDVI: به عنوان خاک خشک در نظر گرفته شده وتوان تشعشعی برای آن معادل 978/0 لحاظ می گردد.

ب- 5/0<NDVI: به پیکسل هایی با تراکم پوشش گیاهی بالاتر مربوط شده و توان تشعشعی برای آن 985/0 در نظر گرفته می شود.

ج- 5/0>NDVI< 2/0: براساس ترکیبی از پیکسل های مربوط به پوشش گیاهی و خاک می باشد و توان تشعشعی برای آنها با استفاده از روابط زیر قابل محاسبه است:

 

                                                                                                                                                            [3]

در رابطه 3،  نسبت پوشش گیاهی می باشد که مقدار آن با استفاده از فرمول زیر قابل محاسبه است:

 

2                                                                                                                                                                                                                                                     [4]

 

5/0

 2/0

شاخص  از طریق نسبت گیری باندهای قرمز و مادون قرمز نزدیک به دست می آید که رابطه آن برای سنجنده MODIS به صورت زیر است:

 

                                                                                                                                                    [5]

در رابطه 5،  ضریب انعکاس باندهای چندطیفی است و مقدار آن با استفاده از رابطه زیر قابل محاسبه است:

                                                                                                                                                                          [6]

 

در رابطه 6،  ضریب انعکاس باند،  رادیانس طیفی، D فاصله زمین تا خورشید،  میانگین بازتابندگی خورشیدی اگزواتمسفریک و  زاویه زنیتی خورشید به درجه است که مقدار آن در هدر فایل تصاویر موجود است.

همه ثابت های فوق از  MODIS Project (Science Office, 2002)قابل استخراج هستند  به جز دلتا که از هدر فایل مربوط به تصاویر MODIS بدست می آید.

 

در این مرحله نسبت به جایگذاری ضرایب بدست آمده در بالا، در الگوریتم های محاسبه LST در جدول 2 در نرم افزار ArcGIS اقدام شد:

 

 

جدول2. انواع الگوریتم های محاسبه دمای سطح زمین

Table 2. Various types of algorithms for land surface temperature calculation

	نام روش	آیتم های مورد ارزیابی	سال ارائه
1	(39)	= اختلاف گسیلمندی بین باندهای 31 و 32 = دمای روشنایی باند 31 = گسیلمندی سطح	1984
2	(33)	= دمای روشنایی باند 31 و 32	1985
3	(8)	= دمای روشنایی باند 31 و 32	1990
4	(38)	= 16/273   = دمای روشنایی باند 31 و 32   = میانگین گسیلمندی سطح برای هر دو باند حرارتی	1991
5	(49)	= دمای روشنایی باند 31 و 32	1991
6	(55)	= دمای روشنایی باند 31 و 32 = اختلاف گسیلمندی بین باندهای 31 و 32  = گسیلمندی سطح	1991
7	(37)	= دمای روشنایی باند 31 و 32 =  ضرایب ثابت	1992
8	(41)	= دمای روشنایی باند 31 و 32	1992
9	(27)	= درصد پوشش گیاهی   = دمای روشنایی باند 31 و 32	1992
10	(38)	= دمای روشنایی باند 31 و 32	1993
11	(50)	= = دمای روشنایی باند 31 و 32   = میانگین گسیلمندی سطح برای هر دو باند حرارتی	1993
12	(51)	= دمای روشنایی باند 31 و 32  = گسیلمندی سطح = اختلاف گسیلمندی بین باندهای 31 و 32	1993
13	(14)	= دمای روشنایی باند 31 و 32   =گسیلمندی سطح = اختلاف گسیلمندی بین باندهای 31 و 32	1994
14	(20)	= دمای روشنایی باند 31 و 32	1994
15	(7)	= دمای روشنایی باند 31 و 32  =گسیلمندی سطح = اختلاف گسیلمندی بین باندهای 31 و 32	1994
16	(53)	=گسیلمندی سطح   = دمای روشنایی باند 31 و 32 = میانگین گسیلمندی سطح برای هر دو باند حرارتی	1994
17	(11)	= دمای روشنایی باند 31 و 32	1997
18	(41)	= دمای روشنایی باند 31 و 32 =  857237/0 = 778058/0  =گسیلمندی سطح	2001

 

در تمامی معادلات جدول 2، پارامترهای  و  به ترتیب دمای روشنایی باند های 31 و 32 سنجنده مودیس می باشند. همچنین  معرف درصد پوشش گیاهی می باشد که مقدار آن از رابطه 4 بدست می آید.  میانگین گسیلمندی سطح برای باندهای 31 و 32 سنجنده MODIS است. و  اختلاف گسیلمندی باندهای 31 و 32 سنجنده MODIS می باشد.

 

                                                                                                                                    [7]

 

                                                                                                                             [8]

 

                                                                                                                            [9]

 

در این مرحله دمای محاسبه شده با استفاده از الگوریتم های فوق براساس درجه کلوین می باشد که برای اعتبارسنجی آن با ایستگاه های هواشناسی نیاز به مقدار دمای سطح زمین بر حسب درجه سانتی گراد است که تبدیل فوق الذکر با استفاده از فرمول زیر انجام شد:

 

                                                                                                                                                           [10]

ارزش هر یافته علمی به دقت و صحت آن می باشد، براین اساس برای مقایسه نتایج حاصل از الگوریتم های محاسبه دمای سطح زمین با دماهای ثبت شده در ایستگاه های هواشناسی از روابط 11 تا 14 استفاده شد:

 

                                                                                                                                                               [11]

 

                                                                                                                                                     [12]

 

                                                                                                                                                   [13]

 

100                                                                                                                                                [14]

 

جایی که  مقدار واقعی دما در ایستگاه های هواشناسی،  مقدار پیش بینی شده و بدست آمده از الگوریتم های پنجره مجزاء، N 

تعداد کل ایستگاه های هواشناسی می باشد.

 

نتایج 

نتایج جدول 4 بیانگر آن است که در بین 18 الگوریتم محاسبه دمای سطح زمین برای تصاویر سنجنده MODIS به ترتیب: الگوریتم سوبرینو (1993) با مقدار RMSE، 79/1 بیشترین دقت، الگوریتم کول کاسلیس و پراتا با مقدار RMSE، 58/2 در جایگاه دوم و همچنین الگوریتم های سالیسبوری و سوبرینو (1991) با مقدار RMSE، 79/2 جایگاه سومی را برای محاسبه LST در بین سایر الگوریتم ها دارا می باشند. الگوریتم کیین با مقدار RMSE، 28/5 کم ترین دقت را برای محاسبه LST به خود اختصاص داده است.

 

جدول3. دماهای ثبت شده در ایستگاه های هواشناسی و دماهای به دست آمده با استفاده از الگوریتم های پنجره مجزاء در هر یک از ایستگاه ها

Table 3. The recorded temperatures at meteorological stations and the obtained temperatures using split-window algorithms

الگوریتم های پنجره مجزاء
(39)
(33)
(8)
(38)
(49)
(55)
(37)
(41)
(27)
(38)
(50)
(51)
(14)
(20)
(7)
(53)
(11)
(41)

مشخصات ایستگاه ها		الگوریتم های پنجره مجزاء
نام ایستگاه	دمای ثبت شده در ایستگاه ها	(55)	(53)	(51)	(39)	(38)	(38)	(37)	(41)	(33)
اهر	6/28	86/32	71/31	97/30	61/32	38/30	03/33	75/31	72/31	32
تبریز	4/29	85/32	66/31	85/30	6/32	17/30	08/33	62/31	6/31	89/31
جلفا	2/34	58/35	41/34	59/33	33/35	94/32	05/36	32/34	34/34	67/34
سراب	4/26	41/33	2/32	38/31	17/33	67/30	67/33	17/32	15/32	47/32
مراغه	4/29	34/33	46/32	89/31	92/32	85/31	71/33	28/32	26/32	37/32
لیقوان	8/28	98/31	05/31	44/30	58/31	3/30	26/32	88/30	84/30	96/30
کلیبر	8/19	3/24	68/23	39/23	06/24	66/23	28/24	89/23	72/23	64/23
نام ایستگاه	دمای ثبت شده در ایستگاه ها	(41)	(27)	(20)	(14)	(11)	(7)	(8)	(59)	(40)
اهر	6/28	99/33	11/32	8/32	74/31	55/30	43/31	12/31	53/29	05/31
تبریز	4/29	98/33	12/32	7/32	68/31	36/30	32/31	94/30	49/29	9/30
جلفا	2/34	71/36	89/34	38/35	38/34	11/33	04/34	68/33	28/32	62/33
سراب	4/26	55/34	67/32	27/33	24/32	87/30	86/31	45/31	03/30	45/31
مراغه	4/29	3/34	82/32	33	26/32	73/31	13/32	31/32	51/30	74/31
لیقوان	8/28	96/32	43/31	66/31	86/30	23/30	71/30	81/30	07/29	32/30
کلیبر	8/19	44/25	4/23	53/24	6/23	48/23	65/23	05/24	7/21	37/23

 

جدول4. نتایج حاصل از ارزیابی دقت برای هر یک از الگوریتم ها

Table 4. The results of the accuracy assessment for each algorithms

ردیف	نام الگوریتم	MAD	MSE	RMSE	MAPE
1	(55)	96/3	14/18	25/4	91/14
2	(53)	93/2	13/11	33/3	28/11
3	(51)	44/2	80/7	79/2	45/9
4	(39)	66/3	95/15	99/3	85/13
5	(38)	27/2	67/6	58/2	81/8
6	(38)	21/4	00/20	47/4	75/15
7	(37)	90/2	07/11	32/3	20/11
8	(41)	86/2	76/10	28/3	02/11
9	(33)	05/3	86/11	44/3	67/11
10	(41)	04/5	98/27	28/5	89/18
11	(27)	26/3	01/13	60/3	31/12
12	(20)	82/3	23/17	15/4	49/14
13	(14)	88/2	86/10	29/3	06/11
14	(11)	27/2	70/6	58/2	81/8
15	(7)	69/2	63/9	10/3	41/10
16	(8)	65/2	29/9	04/3	43/10
17	(59)	40/1	23/3	79/1	31/5
18	(40)	43/2	80/7	79/2	39/9

 

همچنین به علت وجود تنوع اقلیمی در منطقه مورد مطالعه مقدار میانگین RMSE برای هر یک از ایستگاه ها نیز به طورجداگانه محاسبه شد تا کارآیی هر یک از الگوریتم ها در اقلیم های متفاوت نیز سنجیده شود، که نتایج آن به صورت جدول 5 است:

 

جدول5. مقدار RMSE برای هر الگوریتم در تمام ایستگاه ها

Table 5. The RMSE value for each algorithm at all stations

کلیبر	لیقوان	مراغه	سراب	جلفا	تبریز	اهر	نام ایستگاه ها            نام الگوریتم	ردیف
5/4	18/3	94/3	01/7	38/1	45/3	26/4	(55)	1
88/3	25/2	06/3	8/5	21/0	26/2	11/3	(53)	2
59/3	64/1	49/2	98/4	61/0	45/1	37/2	(51)	3
26/4	78/2	52/3	77/6	13/1	2/3	01/4	(39)	4
86/3	5/1	45/2	27/4	26/1	77/0	78/1	(38)	5
48/4	46/3	31/4	27/7	85/1	68/3	43/4	(38)	6
09/4	08/2	88/2	77/5	12/0	22/2	15/3	(37)	7
92/3	04/2	86/2	86/2	14/0	2/2	12/3	(41)	8
84/3	16/2	97/2	07/6	47/0	49/2	4/3	(33)	9
64/5	16/4	9/4	15/8	51/2	58/4	39/5	(41)	10
6/3	63/2	42/3	27/6	69/0	72/2	51/3	(27)	11
73/4	86/2	6/3	87/6	18/1	3/3	2/4	(20)	12
8/3	06/2	86/2	84/5	18/0	28/2	14/3	(14)	13
68/3	43/1	33/2	47/4	09/1	96/0	95/1	(11)	14
85/3	91/1	73/2	46/5	16/0	92/1	83/2	(7)	15
25/4	01/2	91/2	05/5	52/0	54/1	52/2	(8)	16
9/1	27/0	11/1	63/3	92/1	09/0	93/0	(59)	17
57/3	52/1	34/2	05/5	58/0	5/1	45/2	(40)	18

 

طبق نتایج حاصل از آنالیز آماره های استفاده شده در این مطالعه، همانگونه که در جدول 5 مشاهده می شود، الگوریتم سوبرینو 1993 با مقدارRMSE، 93/0 برای ایستگاه اهر، با مقدار RMSE، 09/0 برای ایستگاه تبریز، با مقدار RMSE، 63/3 برای ایستگاه سراب، با مقدار RMSE، 11/1 برای ایستگاه مراغه، با مقدار RMSE، 27/0 برای ایستگاه لیقوان، با مقدار RMSE، 9/1 برای ایستگاه کلیبر، الگوریتم اوتله و ویدال با مقدار RMSE، 12/0 برای ایستگاه جلفا، نسبت به سایر الگوریتم ها دارای دقت بیشتری برای محاسبه دمای سطح زمین می باشند. همچنین الگوریتم کین با مقدار RMSE، 39/5 برای ایستگاه اهر، با مقدرا RMSE، 58/4 برای ایستگاه تبریز، با مقدار RMSE، 52/2 برای ایستگاه جلفا، با مقدار RMSE، 15/8 برای ایستگاه سراب، با مقدار RMSE، 9/4 برای ایستگاه مراغه، با مقدار RMSE، 16/4 برای ایستگاه لیقوان، با مقدار RMSE، 64/5 برای ایستگاه کلیبر پایین ترین مقدار دقت را برای محاسبه دمای سطح زمین به خود اختصاص داده است. به علت وجود تنوع اقلیمی در منطقه مورد مطالعه کمترین مقادیر درجه حرارت در تمامی الگوریتم ها مربوط به قسمت هایی است که دارای ارتفاع بالا و پوشش گیاهی متراکم هستند، برخلاف مناطق دارای پوشش گیاهی متراکم و نقاط با ارتفاع زیاد مقدار دمای سطح در نواحی با ارتفاع پایین و فاقد پوشش گیاهی متراکم رو به افزایش است.

 

 

شکل4. مقدار دمای سطح زمین (LST) برای الگوریتم: الف) پرایس. ب) مکلاین و پارتنرز. پ) بکر و لی. ت) پراتا و پلات. ث) سوبرینو 1991. ج) ویدال

Fig 4. Land surface temperature (LST) value for each algorithm: A) Price. B) Mc Calin and Partners. C) Becker and Lee. D) Prata and Platt. E) Sobrino (1991). F) Vidal

 

 

شکل5. مقدار دمای سطح زمین (LST) برای الگوریتم: چ) اوتله و ویدال. ح) می. خ) کر و پارتنرز. د) پراتا. ذ) سوبرینو 1993. ر) سالیسبوری و پارتنرز

Fig 5. Land surface temperature (LST) value for each algorithm: G) Ottle and Vidal. H) May. I) Kerr and Partners. J) Prata. K) Sorino 1993. L) Salisbury and Partners

 

 

شکل6. مقدار دمای سطح زمین (LST) برای الگوریتم: ز) کول و پارتنرز. ژ) فرانکا و کراکلند. س) بولیووری و پارتنرز. ش) یولیوییری. ص) کول و کاسیلیس. ض) کین

Fig 6. Land surface temperature (LST) value for each algorithm: M) Cole and Partners. N) Franca and Cracknell. O) Bulivoury and Partners. P) Ulivieri. Q) Cole and Kasilis. R) Qin

 

 

بحث و نتیجه­گیری ­

استفاده از ایستگاه های زمینی برای محاسبه و بررسی شاخص های اقلیمی مانند دما علیرغم دقت مناسب آنها، دارای محدودیت هایی می باشند. از جمله مهم ترین این محدودیت ها می توان به گسسته بودن این اطلاعات اشاره کرد که باعث می شود در محاسبه دما خطای درون یابی برای بخش هایی از سطح زمین که با ایستگاه هواشناسی فاصله دارند به بیش از 5 درجه سانتی گراد برسد. علاوه بر این امکان احداث ایستگاه های هواشناسی به دلیل شرایط توپوگرافی و صعب العبور بودن در بخش های زیادی از سطح زمین وجود ندارد یا دسترسی به داده های این ایستگاه ها به راحتی امکان پذیر نخواهد بود (6). از این رو به کارگیری تکنولوژی سنجش از دور می تواند راهگشای بسیاری از مشکلات در این زمینه باشد. این تکنولوژی ابزارها و امکانات بسیاری را برای تخمین پارامترهای مربوط به هواشناسی در بخش های عظیمی از سطح زمین فراهم می کند و در طولانی مدت می تواند نیاز به داده های زمینی را بسیار کاهش دهد. در این مطالعه از 18 الگوریتم پنجره مجزاء برای محاسبه دمای سطح زمین و با هدف تعیین بهترین الگوریتم محاسبه LST برای تصاویر سنجنده MODIS استفاده شد. بررسی اطلاعات بدست آمده از مقایسه الگوریتم های پنجره مجزاء (شکل های 4، 5 و 6) بیانگر تبعیت کلی دماهای محاسبه شده از شرایط توپوگرافی منطقه است، به طوری که تقریبا کمترین مقادیر درجه حرارت در تمام الگوریتم ها مربوط به قسمت های با ارتفاع بیشتر (کوهستانی) و پوشش سبز منطقه است و مقادیر دما در نواحی دارای ارتفاع پایین و فاقد پوشش گیاهی متراکم افزایش یافته است. تنوع اقلیمی موجود در استان آذربایجان شرقی باعث شده است تا هر کدام از الگوریتم ها کارآیی خاصی در نقاط اقلیمی متفاوت داشته باشند. به طوری که برای شهرستان اهر که دارای اقلیم سرد وکوهستانی است و مشخصه اصلی آن رشته کوه قاراداغ می باشد الگوریتم سوبرینو 1993 با میانگین RMSE 93/0 برای محاسبه LST انتخاب شد. همچنین این الگوریتم برای شهرستان تبریز که به مانند شهرستان اهر از اقلیم سرد و کوهستانی برخوردار است و از سمت شمال، جنوب و شرق به کوهستان و از سمت غرب به زمین های هموار و شوره زار آجی چای محدود می شود و به شکل یک چاله نسبتا بزرگ و یا یک جلگه بین کوهی در آمده است و دارای زمستان های بسیار سرد و تابستان های گرم وخشک می باشد با RMSE 09/0 برای محاسبه دمای سطح زمین مناسب تشخیص داده شد. برای شهرستان جلفا که از نظر ارتفاع در بین سایر شهرستان های استان آذربایجان شرقی کمترین ارتفاع را به خود اختصاص داده است و از اقلیم نیمه خشک و سرد برخوردار بوده و دارای نوسان درجه حرارت زیاد و زمستان های سخت و شدید است الگوریتم اتله و ویدال با RMSE 12/0 برای این ایستگاه انتخاب شد. الگوریتم می با میانگین RMSE 86/2 برای ایستگاه سراب برای محاسبه LST منتخب گردید که به دلیل قرار گرفتن در بین رشته کوه بزقوش در جنوب و ارتفاعات سبلان در شمال، دارای اقلیم سرد و کوهستانی می باشد. مجاورت شهرستان مراغه از سمت غرب با دریاچه اورمیه، از شمال با قله سهند باعث شده است این شهرستان از نظر اقلیمی به صورت اقلیم معتدل و نسبتا مرطوب در آید و الگوریتم سوبرینو با مقدار RMSE 11/1 به عنوان برترین الگوریتم برای این اقلیم برگزیده شد. همچنین این الگوریتم برای ایستگاه لیقوان نیز که دارای آب و هوای کوهستانی و معتدل می باشد با RMSE 27/0 برای محاسبه LST انتخاب شد. برای ایستگاه کلیبر که دارای اقلیم معتدل کوهستانی می باشد و سراسر منطقه دارای جنگلهای زیبا و مراتع سرسبز است الگوریتم سوبرینو 1993 با مقدار RMSE  9/1 بهترین الگوریتم برای محاسبه دمای سطح زمین تشخیص داده شد. همچنین الگوریتم مذکور برای کل استان آذربایجان شرقی که به طور کلی دارای اقلیم سرد و خشک می باشد برای محاسبه LST با RMSE 79/1 به عنوان برترین الگوریتم شناخته شد. این استان همواره تحت تاثیر بادهای سرد شمالی و سیبری و بادهای مرطوب دریای سیاه و مدیترانه و اقیانوس اطلس قرار گرفته است. علاوه بر این بادهای محلی نیز تحت تاثیر شرایط طبیعی استان از سوی کوهستان های بلند و دریاچه های ارومیه و خزر به سوی دشت ها و جلگه ها می وزند. استان آذربایجان شرقی از لحاظ تقسیم بندی اقلیمی جزو مناطق نیمه خشک به حساب می آید و میانگین بارندگی سالانه 250 الی 300 میلی متر است. در سالهای اخیر به دلیل افزایش دمای سطح زمین در این استان روند کاهشی در میزان محصولات کشاورزی، کاهش بارش، کاهش سطح آب های سطحی و....رخ داده است. از این رو محاسبه دمای سطح زمین با دقت بالا توسط تکنولوژی سنجش از دور می تواند به عنوان سیستم پشتیبان برای اجرای برنامه ها و هدف های برنامه ریزان و مدیران برای مقابله و اندیشیدن راه حل برای این مشکلات باشد. مقایسه نتایج پژوهش های انجام شده جهت محاسبه دمای سطح زمین در اقلیم سرد و کوهستانی (19 و 56)، که از تصویر لندست 8 برای محاسبه دمای سطح زمین استفاده کرده اند بیانگر آن است که مقدار RMSE محاسبه شده در تحقیقات آنها به ترتیب برابر 2 و 2/2 درجه می باشد که مقدار بیشتری از RMSE بدست آمده در این تحقیق برای ایستگاه اهر (93/0)، برای ایستگاه تبریز (90/0) و مقدار کمتری از RMSE محاسبه شده برای ایستگاه سراب (86/2) است. همچنین تحقیق انجام شده در اقلیم معتدل و کوهستانی (18)، برای محاسبه دمای سطح زمین نشان دهنده مقدار RMSE برابر 69/1 درجه می باشد که نسبت به نتایج پژوهش حاضر مقدار بالاتری را نسبت به ایستگاه مراغه (11/1)، ایستگاه لیقوان (27/0) و مقدار کمتری را نسبت به ایستگاه کلیبر (9/1) به خود اختصاص داده است. نتایج پژوهش انجام شده توسط بختیاری و همکاران (5)، که از 10 الگوریتم پنجره مجزاء به منظور محاسبه دمای سطح زمین برای دشت شهرستان کرمان که جزو اقیلم نیمه خسک محسوب می شود استفاده کرده اند بیانگر آن است که الگوریتم کول و کاسیلیس با مقدار MAE 76/4 بهترین دقت را در بین سایر الگوریتم ها دارا می باشد، در حالیکه در این پژوهش مقدار RMSE 12/0 برای ایستگاه جلفا با استفاده از الگوریتم اتله و ویدال بدست آمده است که نشان دهنده دقت بالای این الگوریتم در این اقلیم می باشد.

با توجه به پایین بودن مقدار RMSE محاسبه شده بین دمای محاسبه شده با استفاده از الگوریتم های پنجره مجزاء و ایستگاه های هواشناسی ، تصاویر حرارتی سنجنده ها می تواند منبع مهمی برای محاسبه دمای سطح زمین در مناطق فاقد ایستگاه هواشناسی باشند.

بهتر است در تحقیقات پیش رو برای محاسبه LST با دقت بالا پارامترهایی مانند درجه حرارت هوا، رطوبت خاک، زبری و صافی، شرایط اتمسفری، زاویه تابش خورشید، جهت باد نیز مد نظر قرار گیرند.

 

منابع مورد استفاده ­

1.       Alsdorf DE, Rodriguez E, Lettenmaier DP. 2007. Measuring surface water from space. Review of Geophysics. 45: 1–24.

2.       Asadzadeh A, Faith H, Shawl M. 2015. Spatial Inequalities in the Development of the Agricultural Sector of East Azerbaijan Province. Journal of Space Economics and Rural Development, 4 (2): 41-45 (In Persion).

3.       Ahmadi A, Ziaian P. 2013. Comparison of split-window algorithms for land surface estimation using MODIS sensor images. 20th National Geomatics Conference. 1-10 (In Persion).

4.       Alavi Panah SK. 2016. Thermal Remote Sensing and its Application in Earth Sciences, Third Edition, University of Tehran Press, 666 pages (In Persion).

5.       Bakhtiari B, Delgarm S, Rezazadeh M. 2016. Selecting the most appropriate split-window algorithm for land surface temperature estimation using MODIS sensor (Case study: Kerman plain). Journal of Water and Soil Conservation. 23 (2): 81-98 (In Persion).

6.       Benali A, Carvalho AC, Nunes JP, Carvalhais N, Santos A. 2012. Estimating air surface temperature in Portugal using MODIS LST data. Remote Sensing of Environment. 124: 108-121.

7.       Bulivoury RE, Hartford RA, Eidenshink JC. 1993. Using NDVI to assess departure from average greenness and its relation to the fire business. Intermountain Research Station: USDA Forest Service. 8: 121-137.

8.       Becker F, Li ZL. 1990. Towards a local split window method over land surface. International Journal of Remote Sensing. 11 (3): 369-393.

9.       Cao L, Li P, Zhang L, Chen T. 2008. Remote sensing image-based analysis of the relationship between urban heat island and vegetation fraction. The International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences. 37: 1379-1384.

10.       Cole A, Menenti M, Feddes R, Holtslag A. 1994. A remote sensing surface energy balance algorithm for land (SEBAL) 1 Formulation. Journal of Hydrology. 212 (3): 198-212.

11.       Coll C, Caselles V, Valor E. 1994. Land surface emissivity and temperature determination in the entire HAPES-Sahel area from AVHRR data. International Journal of Remote Sensing. 18: 1009-1027.

12.       Chehbouni A, Lo See D, Njoku EG, Monteny BM. 1996. Examination of the difference between radiative and aerodynamic surface temperatures over sparsely vegetated surfaces. Remote Sensing of Environment. 58: 177–186.

13.       Carlson T, Ripley D. 1997. On the relationship between NDVI, fractional vegetation cover, and leaf area index. Remote sensing of Environment. 62: 241-252.

14.       Coll CV, Casselles JA, Sobrino JA, Valor E. 1994. On the Atmospheric Dependence of the Spilit-window Equation for Land Surface Temperature. International Journal of Remote Sensing. 15: 105-122.

15.       Eleftheriou D, Kiachidis K, Kalmintzis G, Kalea A, Bantasis Ch, Koumadoraki P, Spathara M, Tsolaki A, Tzampazidou M, Gemitzi A. 2018. Determination of annual and seasonal daytime and nighttime trends of MODIS LST over Greece - climate change implications . Science of the Total Environment. 616–617: 937-947.

16.       Eskandari S. 2019. Comparison of different algorithms for preparing land cover map in sensitive habitats of Zagros using Sentinel 2 satellite image (Case study: part of Ilam province). Remote Sensing and Geographic Information System for Natural Resources. 10 (1): 72-87 (In Persion).

17.       Emami H, Mojarradi B, Safari A. 2016. Presenting a Method for Assessing the Accuracy and Validation of Land Surface Temperature from Remote Sensing Data: A Case Study of Fars Province. Journal of Mapping Science and Technology. 6 (1): 1-17 (In Persion).

18.       Feizizadeh B, Blaschke T, Nazmfar H, Akbari E, Kohbanani HR. 2012. Monitoring land surface temperature relationship to land use / land cover from satellite imagery in Maraghe Country, Iran. Journal of Environmental Planning and Management. 2: 1-26.

19.       Faizizadeh B, Dideban KH, Gholamnia KH. 2016. Estimation of land surface temperature using Landsat 8 satellite images and a split-window algorithm (Case study: Mahabad basin). Journal of Sepehr. 25 (98): 171-181 (In Persion).

20.       France GB, Cracknell AP. 1994. Retrieval of land and sea surface temperature using NOAA-11 AVHRR data in northeastern Brazil. International Journal of Remote Sensing. 15: 1695-1712.

21.       Gillies R, Carlson T. 1995. Thermal remote sensing of surface soil water content with partial vegetation cover for incorporation into climate models. Journal of Applied Meteorology. 34: 745- 756.

22.       Ghaffarian Malmiri H, Zareh Khormizi H. 2016. Highlighting the time series of satellite data Earth surface temperature using time series harmonic analysis algorithm (HANTS) algorithm. Remote sensing and geographic information system for natural resources. 8 (3): 37-55 (In Persion).

23.       Hashemi Darreh Badami S, Nouraei Sefat A, Karimi S, Nazari S. 2015. Analysis of the development process of urban thermal islands in relation to land use / cover change using Landsat image time series. Remote sensing and geographic information system for natural resources. 6 (3): 15-28 (In Persion).

24.       Jin-Dickinson RE. 2010. Land surface skin temperature climatology: benefiting from the strengths of satellite observations. Environmental Research Letters. 5: 1-14.

25.       Kou X, Jiang L, Bo Y, Yan S, Chai L. 2016. Estimation of land surface temperature through blending MODIS and AMSR-E data with the Bayesian maximum entropy method. Remote sensing. 8 (2): 1-17.

26.       Luterbacher J, Dietrich D, Xoplaki E, Grosjean M, Wanner H, Dartois E, Wiesemeyer H, Jones AP. 2004. European seasonal and annual temperature variability, trends, and extremes since 1500. Science. 303 (5663): 1499–1503.

27.       Liu Y, Yamaguchi Y, Ke C. 2007. Reducing the discrepancy between ASTER and MODIS land surface temperature products. Sensors. 7 (12): 3043-3057.

28.       Latif MS. 2014. Land Surface Temperature Retrieval of Landsat-8 Data Using Split Window Algorithm A Case Study of Ranchi District. International Journal of Engineering Development and Research. 2: 3840-3849.

29.       Khorchani M, Vicente-Serrano SM, Azorin-Molina C, Garcia M, Hernandez M, Peña-Gallardo M, Kenawy A, Domínguez-Castro F. 2018. Trends Natalia in LST over the peninsular Spain as derived from the AVHRR imagery dat. , Global and Planetary Change.166: 75-93.

30.       Kerr YH, Lagouarde JP, Imbernon J. 1992. Accurate land surface temperature retrieval from AVHRR data with the use of an improved split window algorithm. Remote Sensing of environment. 41: 197-209.

31.       Kaffash M. 2013. Validation of MODIS Land Surface Temperature Products Using Land Measurements in Khorasan Razavi Province. Supervisor; Seyed Hossein Sanaeinejad, Thesis for Master's Degree, Faculty of Agriculture, Ferdowsi University of Mashhad (In Persion).

32.       Mildrexler DJ, Zhao M, Running SW. 2011. A global comparison between station air temperature and MODIS land surface temperatures reveals the cooling roles of vegetables. Journal of Geophysical Research Biogeosciences. 116: 1–15.

33.       Mc Clain JM, Kustas WP, Humes KS. 1985. Source approach for estimating soil and vegetation energy fluxes in observations of directional radiometric surface temperature. Agricultural and Forest Meteorology. 77: 263-293.

34.       Mao K, Qin Z, Shi J, Gong P. 2005. A practical split window algorithm for retrieving land surface temperature from MODIS data. International Journal of Remote Sensing. 26 (10): 3181–3204.

35.       Neteler M. 2010. Estimating daily land surface temperatures in mountainous environments by reconstructed MODIS LST data. Remote Sensing. 2: 333–351.

36.       Nouri S, Sanaei Nejad H, Hashemi Nia M. 2010. Estimation of land surface temperature using MODIS images in Mashhad basin. First International Conference on Plant, Water, Soil and Air Modeling, Kerman. International Center for Advanced Science and Technology and Environmental Sciences (In Persion).

37.       Ottle C, Vidal-Madjar D. 1992. Estimation of land surface temperature with NOAA9 data. Remote Sensing of Environment. 40: 27-41.

38.       Prata AJ. 1991. Land surface temperature from the advanced very high resolution radiometer and the along-track scanning radiometer. Journal of Geophysical Research. 98: 16689-16702.

39.       Price JC. 1984. Land surface temperature measurements from the split window channels of the NOAA 7 advanced very high resolution radiometer. Journal of Geophysical Research Atmosphere. 89 (D5): 7231-7237.

40.       Qin Z, Li W, Chen Z, Tang H. 2004. Land surface emissivity estimation for LST retrieval from Landsat TM6 data. Journal of Remote Sensing for Land and Resources, 3: 28–32. (in Chinese).

41.       Qin Z, Dall Olmo G, Karnieli A, Berliner P. 2001. Derivation of split window algorithm and its sensitivity analysis for retrieving land surface temperature temperature from NOAA-advanced very high resolution radiometer data. Journal of Geophysical Research. 106: 22655-22670.

42.       Rott H, 2000. Physical Principles and Technical Aspects of Remote Sensing. In: Schultz, G.A. and Engman, E.T. (Eds.), Remote Sensing in Hydrology and Water Management, Springer-Verlag, Berlin-Heidelberg, Germany. 15-39.

43.       Sabziparvar A, Fakharizadeh Shirazi A, Nazem Sadat S, Rezaei Y. 2016. Land surface temperature validation obtained from satellite images of MODIS and Landsat-5 (Case study: wheat fields of Marvdasht plain). Journal of Water and Soil Conservation. 23 (2): 21-43 (In Persion).

44.       Salehi N, Ekhtesasi MR, Talebi A. 2019. Predicting the trend of land use change using the Markov chain model (Case study: Ramsar Saffarude). Remote Sensing and Geographic Information System for Natural Resources. 10 (1): 106-121 (In Persion).

45.       Santamouris M, 2013. Using cool pavements as a mitigation strategy to fight urban heat island - a review of the actual developments. Renewable and Sustainable Energy Reviews. 224–240.

46.       Sun YJ, Wang JF, Zhang RH, Gillies RR, Xue YYCB. 2004. Air temperature retrieved from remote sensing data based on thermodynamics. Theoretical and Applied Climatology. 80: 37-48.

47.       Sun AY. 2013. Predicting groundwater level changes using GRACE data. Water Resources Research. 49: 5900–5912.Salisbury CM. 1997. Retrieving land-surface temperature from satellites. UCSB MODIS LST Group mom page. Retrieved from: http://www.icess.ucsb.edu/esrg/sum97/ student Esso.

48.       Sobrino JA, Raissouni N, Li Z. 2001. A comparative study of land surface emissivity retrieval from NOAA data. Remote Sensing of Environment. 75: 256–266.

49.       Sobrino JA, Caselles V. 1991. A methodology for obtaining the crop temperature from NOAA-9 AVHRR data. International Journal of Remote Sensing. 12: 2461-2475.

50.       Sobrino JA, Coll C, Caselles V. 1993. Atmospheric correction for land surface temperature using NOAA-11 AVHRR channels 4 and 5. Remote Sensing of Environment. 38: 19-34.

51.       Salisbury CM. 1997. Retrieving land-surface temperature from satellites. UCSB MODIS LST Group mom page. Retrieved from: http://www.icess.ucsb.edu/esrg/sum97/ studentEss.1997/cleo_Salisbury/cleo_final_ paper.html.

52.       Tang B, Shao K, Li Z, Wu H, Tang R. 2015. An improved NDVI-based threshold method for estimating land surface emissivity using MODIS satellite data. International Journal of Remote Sensing. 36: 1-15.

53.       Ulivieri C, Castronouvo MM, Francioni R, Cardillo A. 1994. A Split-Window Algorithm for Estimating Land Surface Temperature from Ssatellites. Journal of Advances in Space Research. 14 (3): 59-65.

54.       Williamson S, Hik DS, Gamon DS, Jarosch AS, Anslow A, Garry KC, Clarke T, Scott R. 2017. Spring and summer monthly MODIS LST is inherently biased compared to air temperature in snow covered sub-Arctic mountains. Remote Sensing of Environment. 189: 14-24.

55.       Van Z, Zhang Y, Zhang Q, Li Z. 2002. Validation of the land surface temperature products retrieved from Terra moderate resolution imaging spectroradiometer data. Remote Sensing of Environment. 83: 163-180.

56.       Vidal A. 1991. Vegetal cover to estimate soil erosion hazard in Rhodesia. Geoderma. 15: 61-70.

57.       Valizadeh Kh, Gholamnia KH, Einali G, Mousavi M. 2016. Estimation of land surface temperature and extraction of thermal islands using split-window algorithm and multivariate regression analysis (case study of Zanjan city). Journal of Urban Research and Planning. 8 (31): 35-50 (In Persion).

58.       Wan Z H. 2003. Land surface temperature measurements from EOS MODIS data, semi-annual report submitted to the national aeronautics and space administration, for July-December.

59.       Zhao S, Qin Q, Yang Y, Xiong Y, Qiu G. 2009. Comparison of two split-window methods for retrieving land surface temperature temperature from MODIS data. Journal of. Earth System Science. 118: 345–353.

 

 

 

 

 

Evaluate the types of split window algorithms for calculating the land surface temperature to determine the best algorithm for MODIS sensor images

 

Abstract

Land surface temperature is one of the most important indicators for understanding the changes in land surface processes on a local and global scale. Therefore, the aim of this study is to determine the best algorithm for calculating the land surface temperature for MODIS measuring images in East Azarbaijan province. For this purpose, the MODIS sensor image was prepared for 2018. After performing geometric and radiometric corrections in ENVI5.3 software, MODIS thermal bands (31 and 32) were applied using equations related to converting digital numbers to radiance and radiance to radiant temperature to calculate the land surface temperature. Also, the normalized vegetation index was used to calculate the emission and the land surface temperature was obtained using 18 split window algorithms (SW) for East Azerbaijan province. Finally, in order to assess the accuracy of the extracted temperatures using split window algorithms, the recorded temperatures in 6 meteorological stations of the study area were prepared for a quarterly period and compared with the obtained results. The results indicate that the Sobrino (1993) algorithm with a value of 1.79 RMSE has a higher accuracy than other algorithms for calculating the land surface temperature (LST) in the study area. Also, the Qin algorithm with a value of 5.28 RMSE has the lowest accuracy for calculating the land surface temperature.

Keywords: Land Surface Temperature (LST), Types of Split Window Algorithms (SW), MODIS sensor, East Azarbaijan Province

 

ارزیابی انواع الگوریتم های پنجره مجزاء برای محاسبه دمای سطح زمین جهت تعیین بهترین الگوریتم برای تصاویر سنجنده MODIS

 

طرح مسئله: در سالهای اخیر مطالعه تغییرات اقلیمی و همچنین تاثیرات آنها تبدیل به یک موضوع ثابت در عرصه های علمی بسیاری از کشورها شده است. یکی ازویژگی های اصلی این تغییرات، افزایش دمای هوا در طی 5 دهه اخیر نسبت به 500 سال گذشته است. به طوری که آمارها بیانگر افزایش یک درجه سانتی گراد در دمای هوا در طی 5 دهه اخیر هستند. به دمای تابشی پوسته زمین و به مقدار خالص انرژی که تحت شرایط اقلیمی در سطح زمین به توازن رسیده و به مقدار انرژی رسیده، گسیلمندی سطح، رطوبت و جریان هوای اتمسفر بستگی دارد دمای سطح زمین می گویند. دمای سطح زمین به عنوان یکی از متغیرهای کلیدی در مطالعات اقلیمی و محیطی سطح زمین محسوب می شود. و همچنین از پارامترهای اساسی در خصوصیات فیزیک سطح زمین در همه مقیاس ها از محلی تا جهانی است. در حال حاضر مهم ترین منبع داده های اقلیمی ایستگاه های هواشناسی می باشند و این ایستگاه ها آمار اقلیمی نقاط خاصی را ارائه می دهند در حالیکه دما ممکن است در فواصل مختلف از این ایستگاه ها متحرک بوده و نسبت به ایستگاه مورد نظر کاهش یا افزایش داشته باشد. از این رو نیاز به تکنولوژی ای که بتواند کاستی های ایستگاه های هواشناسی را در محاسبه دما در فواصل نمونه برداری و در مکانهای صعب العبور که امکان احداث ایستگاه هواشناسی وجود ندارد برطرف کند ضروری است. در سالهای اخیر علوم جدیدی مانند سنجش از دور روش های جدیدی را برای نظارت بر محیط و کسب، ارزیابی و تجزیه و تحلیل داده های محیطی فراهم آورده است و قابلیت ارائه طیف وسیعی از پارمترهای مربوط به محیط را دارا می باشد. این تکنولوژی به عنوان یک منبع مهم و فزاینده از اطلاعات برای مطالعه تغییرات اقلیمی که بر میزان دمای سطح زمین تاثیر مستقیم دارد مطرح می شود. 

هدف: در طی دو دهه گذشته برای محاسبه دمای سطح زمین 18 الگوریتم توسعه داده شده است که این الگوریتم ها در چهار دسته: مدل های وابسته به گسیلمندی، مدل های دو فاکتوره، مدل های پیچیده و مدل های بر مبنای رادیانس قرار دارند. بررسی نتایج مقایسه های انجام گرفته بین الگوریتم های مختلف نشان می دهد که الگوریتم های مختلف عملکرد متفاوتی را در موقعیت های مختلف با آب و هوای متفاوت جغرافیایی دارند. از این رو هدف پژوهش حاضر مقایسه انواع الگوریتم های محاسبه LST برای تصاویر سنجنده MODIS و تعیین بهترین الگوریتم برای استان آذربایجان شرقی می باشد.

 

روش تحقیق:

مراحل محاسبه LST

1)- تبدیل ارزش های رقومی(DN) به تابش طیفی:

برای تبدیل ارزش های رقومی به تابش طیفی برای باندهای حرارتی تصاویر سنجنده MODIS رابطه زیر مورد استفاده قرار گرفت:

 

                                                                                                                          [1]

2)- تبدیل تابش طیفی به بازتاب طیفی:

با استفاده از رابطه پلانک، داده های حرارتی سنجنده MODIS، زمانی که توان تشعشعی آنها حداکثر یک در نظر گرفته شوند قابلیت تبدیل از تابش طیفی به بازتاب طیفی رادارند. که با استفاده از رابطه زیر این کار انجام شد:

 

                                                                                                                                                            [2]

3)- محاسبه گسیلمندی سطح:

در برآورد گسیلمندی سطحی از روش آستانه گذاری شاخص تفاضل نرمال شده گیاهی (Normalized Difference Vegetation Index) جهت مشخص نمودن ویژگیهای خاک در هر پیکسل و محاسبه میزان گسیلمندی و اختلاف گسیلمندی، توان تشعشعی به سه دسته تقسیم می شوند.

الف- 2/0>NDVI: به عنوان خاک خشک در نظر گرفته شده وتوان تشعشعی برای آن معادل 978/0 لحاظ می گردد.

ب- 5/0<NDVI: به پیکسل هایی با تراکم پوشش گیاهی بالاتر مربوط شده و توان تشعشعی برای آن 985/0 در نظر گرفته می شود.

ج- 5/0>NDVI< 2/0: براساس ترکیبی از پیکسل های مربوط به پوشش گیاهی و خاک می باشد و توان تشعشعی برای آنها با استفاده از روابط زیر قابل محاسبه است:

 

                                                                                                                                    [3]

در رابطه 3،  نسبت پوشش گیاهی می باشد که مقدار آن با استفاده از فرمول زیر قابل محاسبه است:

 

2                                                                                                                                                                                                                           [4]

ارزش هر یافته علمی به دقت و صحت آن می باشد، براین اساس برای مقایسه نتایج حاصل از الگوریتم های محاسبه دمای سطح زمین با دماهای ثبت شده در ایستگاه های هواشناسی از روابط 5 تا 8 استفاده شد:

 

                                                                                                                                               [5]

 

                                                                                                                                                     [6]

 

                                                                                                                                                   [7]

 

100                                                                                                                                              [8]

 

نتایج و بحث: نتایج پژوهش حاضر بیانگر آن است که در بین 18 الگوریتم محاسبه دمای سطح زمین برای تصاویر سنجنده MODIS به ترتیب: الگوریتم سوبرینو (1993) با مقدار RMSE، 79/1 بیشترین دقت، الگوریتم کول کاسلیس و پراتا با مقدار RMSE، 58/2 در جایگاه دوم و همچنین الگوریتم های سالیسبوری و سوبرینو (1991) با مقدار RMSE، 79/2 جایگاه سومی را برای محاسبه LST در بین سایر الگوریتم ها دارا می باشند. الگوریتم کیین با مقدار RMSE، 28/5 کم ترین دقت را برای محاسبه LST به خود اختصاص داده است.

 

نتیجه­گیری: استفاده از ایستگاه های زمینی برای محاسبه و بررسی شاخص های اقلیمی مانند دما علیرغم دقت مناسب آنها، دارای محدودیت هایی می باشند. از جمله مهم ترین این محدودیت ها می توان به گسسته بودن این اطلاعات اشاره کرد که باعث می شود در محاسبه دما خطای درون یابی برای بخش هایی از سطح زمین که با ایستگاه هواشناسی فاصله دارند به بیش از 5 درجه سانتی گراد برسد. علاوه بر این امکان احداث ایستگاه های هواشناسی به دلیل شرایط توپوگرافی و صعب العبور بودن در بخش های زیادی از سطح زمین وجود ندارد یا دسترسی به داده های این ایستگاه ها به راحتی امکان پذیر نخواهد بود. از این رو به کارگیری تکنولوژی سنجش از دور می تواند راهگشای بسیاری از مشکلات در این زمینه باشد. این تکنولوژی ابزارها و امکانات بسیاری را برای تخمین پارامترهای مربوط به هواشناسی در بخش های عظیمی از سطح زمین فراهم می کند و در طولانی مدت می تواند نیاز به داده های زمینی را بسیار کاهش دهد. بررسی اطلاعات بدست آمده از مقایسه الگوریتم های پنجره مجزاء بیانگر تبعیت کلی دماهای محاسبه شده از شرایط توپوگرافی منطقه است، به طوری که تقریبا کمترین مقادیر درجه حرارت در تمام الگوریتم ها مربوط به قسمت های با ارتفاع بیشتر (کوهستانی) و پوشش سبز منطقه است و مقادیر دما در نواحی دارای ارتفاع پایین و فاقد پوشش گیاهی متراکم افزایش یافته است.

واژگان کلیدی: دمای سطح زمین(LST)، انواع الگوریتم های پنجره مجزاء (SW)، سنجنده MODIS، استان آذربایجان شرقی

 

 

 

Evaluate the types of split window algorithms for calculating the land surface temperature to determine the best algorithm for MODIS sensor images

 

Statement of the Problem: In recent years, the study of climate change, as well as its effects, has become a constant topic in the scientific fields of many countries. One of the main features of these changes is the increase in air temperature over the last 5 decades compared to the last 500 years. Statistics show an increase of one degree Celsius in air temperature over the last 5 decades. Depending on the radiant temperature of the earth's crust and the amount of pure energy that is balanced on the earth's surface under climatic conditions and reaches the amount of energy, surface emission, humidity and atmospheric airflow is called the land surface temperature. Land surface temperature is one of the key variables in Earth's climate and environmental studies. It is also one of the basic parameters in the physics characteristics of the earth's surface at all scales from local to global. Currently, the most important sources of climatic data are meteorological stations, and these stations provide climatic statistics for certain points, while the temperature may be altering at different distances from these stations and decrease or increase compared to the desired station. Therefore, it is necessary to have a technology that can eliminate the shortcomings of meteorological stations in calculating the temperature at sampling intervals and in impassable places where it is not possible to build a meteorological station. In recent years, new sciences such as remote sensing have provided new ways to monitor the environment and acquire, evaluate, and analyze environmental data, and can provide a wide range of data. This technology is considered as an important and increasing source of information for studying climate change that has a direct impact on global warming.

Purpose: Over the past two decades, 18 algorithms have been developed to calculate the land surface temperature. These algorithms fall into four categories: emission-dependent models, two-factor models, complex models, and radio-based models. Examining the results of comparisons between different algorithms shows that different algorithms perform differently in different situations with different geographical climates. Therefore, the present study aims to compare the types of LST calculation algorithms for MODIS sensor images and determine the best algorithm for East Azarbaijan province.

 

Methodology:

LST calculation steps

1) - Convert digital numbers (DN) to spectral radiation:

The following equation was used to convert the numerical values to spectral radiation for thermal bands of MODIS sensor images:

 

                                                                                                                        [1]

 

2) - Convert spectral radiation to spectral reflection:

MODIS thermal data have the ability to convert from spectral radiation to spectral reflection when their radiant power is considered to be a maximum of one. This was done using the Planck's equation:

 

 

                                                                                                                                                                                [2]

 

3) - Surface emission estimation:

In order to estimate the surface emission, the Normalized Difference Vegetation Index is used and the radiant power is divided into three categories to determine the soil characteristics in each pixel and to calculate the emission rate and emission difference

A- 0.2> NDVI: It is considered as dry soil and its radiant power is considered to be equal to 0.978.

B- 0.5 NDVI: It is related to pixels with higher vegetation density and the radiant power for it is 0.985.

C- 0.5> NDVI <0.2: It is based on a combination of pixels related to vegetation and soil and the radiant power for them can be calculated using the following relationships:

 

                                                                                                                                                           [3]

 

In equation 2, P_v is the vegetation ratio, the value of which can be calculated using the following formula:

 

2                                                                                                                                                                                                                                                    [4]

Lastly, to compare the results of the land surface temperature obtained from various algorithms with the temperatures recorded in meteorological stations, equations 5 to 8 were used:

 

                                                                                                                                                           [5]

 

                                                                                                                                                       [6]

 

                                                                                                                                                        [7]

 

100                                                                                                                                                  [8]

 

 

Results and discussion: The results of the present study show that among the 18 algorithms for the land surface temperature estimation for MODIS sensor images, the Sobrino algorithm (1993) with RMSE value, 1.79 has the highest accuracy, Cole Casillas and Prata algorithm with RMSE value, 2.85 is in the second position, as well as the Salisbury and Sobrino (1991) algorithms with RMSE values 2.39 have the third place for LST calculation among other algorithms. The Qin algorithm with a RMSE value of 5.28 has the lowest accuracy for LST estimation.

 

Conclusion: The use of ground stations to calculate and study climatic indicators such as temperature, despite their reasonable accuracy, has limitations. One of the most important of these limitations is the fragmentation of this information, which causes the temperature error to be greater than 5 C for parts of the earth's surface that are far from the meteorological station. In addition, it is not possible to build meteorological stations due to topographic conditions and impassability in many parts of the earth's surface, or access to data from these stations will not be easily possible. Therefore, the use of remote sensing technology can solve many problems in this field. This technology provides many tools and facilities for estimating meteorological parameters in large parts of the earth's surface, and in the long term can greatly reduce the need for terrestrial data. A review of the data obtained from comparing split-window algorithms shows the overall compliance of the calculated temperatures with the topographic conditions of the region, so that almost the lowest temperature values in all algorithms are related to higher (mountainous) parts and green cover of the region and also, temperature has risen in low-lying areas without dense vegetation.

 

Keywords: Land Surface Temperature (LST), Types of Split-Window Algorithms (SW), MODIS sensor, East Azarbaijan Province

 

 

1

 

---