بررسی ارتباط بین جریان تابش خالص با خصوصیات محیطی و پوشش سطح با استفاده از تصویر ماهواره ای (مطالعه موردی: جنوب استان کرمان)

محورهای موضوعی : مدیریت آب در مزرعه با هدف بهبود شاخص های مدیریتی آبیاری

سید کریم افشاری پور ¹ (دانشجوی کارشناسی ارشد سنجش از دور و GIS، دانشکده جغرافیا، دانشگاه تهران)
سعید حمزه ² (استادیار دپارتمان سنجش از دور و GIS، دانشکده جغرافیا، دانشگاه تهران.)
سامان نادی زاده شورابه ³ (دانشجوی کارشناسی ارشد سنجش از دور و GIS، دانشکده جغرافیا، دانشگاه تهران)

تاریخ دریافت : 1396/04/08 تاریخ پذیرش : 1396/10/03 تاریخ انتشار : 1396/10/01

کلید واژه: دمای سطح زمین, کاربری اراضی, خاک و توپوگرافی, لندست 8, جریان تابش خالص,

چکیده مقاله :

میزان جریان تابش خالص سطح زمین مستقیماً به دمای سطح، کاربری اراضی، خاک و توپوگرافی بستگی دارد. در پژوهش حاضر به‌منظور برآورد تابش خالص خورشید از تصویر ماهواره ای لندست 8 استفاده شده است. با استفاده از نمونه برداری سیستماتیک به فواصل 500 متر ارزش لایه دمای سطح زمین، NDVI، ارتفاع از سطح دریا، شیب، جهت جغرافیایی و کاربری ارضی در نقاط نمونه برای انجام تحلیل، استخراج شد. برای استخراج دمای سطح از الگوریتم Mono-Window استفاده شده است. نتایج نشان داد که رابطه مستقیمی بین افزایش ارتفاع و NDVI با میزان تابش خالص وجود دارد، که ضرایب همبستگی خطی نیز به ترتیب 68/0 و 19/0 به‌دست آمد. همچنین رابطه معکوسی با ضریب همبستگی خطی 74/0 بین جریان تابش خالص و دمای سطح زمین وجود دارد. از بررسی میزان جریان تابش خالص در جهت های مختلف جغرافیایی مشخص شد که در محدوده مورد مطالعه جهت شمال غربی با w/m2637 بیش‌ترین جریان تابش خالص و جهت شرقی با w/m2 7/582 کم‌ترین میزان جریان تابش خالص را دارد که جریان تابش خالص در این جهت ها با میزان شیب رابطه مستقیمی با ضریب همبستگی 54/0 دارد. به علاوه میزان جریان تابش خالص در سطوح آبی مثل دریاچه و مخزن سد با w/m2817 بیش‌ترین مقدار جریان تابش خالص و اراضی شور با w/m2509 کم‌ترین جریان تابش خالص را دارند. بیش‌ترین و کم‌ترین میزان جریان تابش خالص به‌ترتیب در خاک های اینسپتی سل و بدلند وجود دارد.

چکیده انگلیسی:

The amount of earth's surface net radiation directly depend on surface temperature, land use, soil and topography. In the present study, Landsat8 satellite imagery is used to estimate net radiation flux. Then, with using systematic sampling at 500 m intervals, the value of each surface layer for example The LST, NDVI, altitude, slope, aspect, soil type and land use at the sample points for analysis were extracted. Mono-Window algorithm has been used to extract LST. The results showed that there is a direct correlation between the increase in altitude and NDVI with net radiation flux. The linear correlation coefficients were also 0.68 and 0.19 respectively. There is also an inverse relationship with the linear correlation coefficient of 0.74 between net radiation flux and LST. And from survey the rate of net radiation flux in different geographical directions in the case study it was found that in the northwest with 637(w/m2) the highest net radiation flux and eastern orientation with 582.7 (w/m2) had the lowest rate of net radiation flux. The net radiation flux in these directions with the slope rate had a direct correlation with correlation coefficient 0.54. In addition, the rate of net radiation flux at water levels such as lake and reservoir dam with 817 (w/m2) has the highest rate of net radiation flux and saline lands with 509 (w/m2) of minimum net radiation flux. There is the highest and lowest rate of net radiation flux in inceptisols and badland areas, respectively.

منابع و مأخذ:

علوی­پناه، س. ک. 1386. سنجش از دور حرارتی و کاربرد آن در علوم زمین، انتشارات دانشگاه تهران.

کریمی فیروزجایی، م.، کیاورز مقدم، م. 1395. بررسی ارتباط بین دما، شار تابش خالص با خصوصیات بیوفیزیکی و کاربری اراضی با استفاده از تصاویر ماهواره­ای لندست 8. سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 7 (4): 96-79.

Allen, R., Irmak, A., Trezza, R., Hendrickx, J. M., Bastiaanssen, W., & Kjaersgaard, J. 2011. Satellite‐based ET estimation in agriculture using SEBAL and METRIC. Hydrological Processes, 25: 4011-4027.

Amatya, P. M., Ma, Y., Han, C., Wang, B., & Devkota, L. P. 2015. Estimation of net radiation flux distribution on the southern slopes of the central Himalayas using MODIS data. Atmospheric Research, 154: 146-154.

Anthoni, P. M., Law, B. E., Unsworth, M. H., & Vong, R. J. 2000. Variation of net radiation over heterogeneous surfaces: measurements and simulation in a juniper–sagebrush ecosystem. Agricultural and Forest Meteorology, 102: 275-286.

Ayoola, M. A., Sunmonu, L. A., Bashiru, M. I., & Jegede, O. O. 2014. Measurements of net all-wave radiation at a tropical location, Ile-Ife, Nigeria. Atmósfera, 27: 305-315.

Bennie, J., Huntley, B., Wiltshire, A., Hill, M. O., & Baxter, R. 2008. Slope, aspect and climate: spatially explicit and implicit models of topographic microclimate in chalk grassland. Ecological Modelling, 216: 47-59.

Blad, B. L., Walter‐Shea, E. A., Mesarch, M. A., Hays, C. J., Starks, P. J., Deering, D. W., & Eck, T. F. 1998. Estimating net radiation with remotely sensed data: Results from KUREX‐91 and FIFE studies∗. Remote Sensing Reviews, 17: 55-71.

Boori, M. S. 2015. A comparison of land surface temperature, derived from AMSR-2, Landsat and ASTER satellite data. Journal of Geography and Geology, 7: 61.

Cai, G., Xue, Y., Hu, Y., Guo, J., Wang, Y., & Qi, S. 2007. Quantitative study of net radiation from MODIS data in the lower boundary layer in Poyang Lake area of Jiangxi Province, China. International Journal of Remote Sensing, 28: 4381-4389.

Cueto, R. G., Soto, N. S., Rincón, Z. H., Benítez, S. O., & Morales, G. B. 2015. Parameterization of net radiation in an arid city of northwestern Mexico. Atmósfera, 28: 71-82.

Ding, H., & Shi, W. 2013. Land-use/land-cover change and its influence on surface temperature: a case study in Beijing City. International Journal of Remote Sensing, 34: 5503-5517.

Geraldo-Ferreira, A., Soria-Olivas, E., Gómez-Sanchis, J., Serrano-López, A. J., Velázquez-Blazquez, A., & López-Baeza, E. 2011. Modelling net radiation at surface using “in situ” netpyrradiometer measurements with artificial neural networks. Expert Systems with Applications, 38: 14190-14195.

Goodin, D. G. 1995. Mapping the surface radiation budget and net radiation in a Sand Hills wetland using a combined modeling/remote sensing method and Landsat thematic mapper imagery. Geocarto International, 10: 19-29.

Hurtado, E., & Sobrino, J. A. 2001. Daily net radiation estimated from air temperature and NOAA-AVHRR data: a case study for the Iberian Peninsula. International Journal of Remote Sensing, 22: 1521-1533.

Jacobs, J. M., Myers, D. A., Anderson, M. C., & Diak, G. R. 2002. GOES surface insolation to estimate wetlands evapotranspiration. Journal of Hydrology, 266: 53-65.

Ji, X. B., Kang, E. S., Zhao, W. Z., Zhang, Z. H., & Jin, B. W. 2009. Simulation of heat and water transfer in a surface irrigated, cropped sandy soil. Agricultural water management, 96: 1010-1020.

Jiang, B., Zhang, Y., Liang, S., Wohlfahrt, G., Arain, A., Cescatti, A., ... & Montagnani, L. 2015. Empirical estimation of daytime net radiation from shortwave radiation and ancillary information. Agricultural and Forest Meteorology, 211: 23-36.

Jiang, J., & Tian, G. 2010. Analysis of the impact of land use/land cover change on land surface temperature with remote sensing. Procedia environmental sciences, 2: 571-575.

Kessler, A., & Jaeger, L. 1999. Long‐term changes in net radiation and its components above a pine forest and a grass surface in Germany. International Journal of Climatology, 19: 211-226.

Mira, M., Olioso, A., Gallego-Elvira, B., Courault, D., Garrigues, S., Marloie, O., ... & Boulet, G. 2016. Uncertainty assessment of surface net radiation derived from Landsat images. Remote Sensing of Environment, 175: 251-270.

Rosenberg, N. J., Blad, B. L., & Verma, S. B. 1983. Microclimate: the biological environment. John Wiley & Sons.

Rose, L., & Devadas, M. D. 2009, June. Analysis of land surface temperature and land use/land cover types using remote sensing imagery–a case in Chennai city, India. In The seventh international conference on urban climate, Yokohama, Japan (Vol. 29)

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: 19-34.

Sobrino, J. A., Jiménez-Muñoz, J. C., Sòria, G., Romaguera, M., Guanter, L., Moreno, J., ... & Martínez, P. 2008. Land surface emissivity retrieval from different VNIR and TIR sensors. IEEE Transactions on Geoscience and Remote Sensing, 46: 316-327.

Streutker, D. R. 2002. A remote sensing study of the urban heat island of Houston, Texas. International Journal of Remote Sensing, 23: 2595-2608.

Tucker, C. J. 1979. Red and photographic infrared linear combinations for monitoring vegetation. Remote sensing of Environment, 8: 127-150.

Wang, K., Zhou, X., Liu, J., & Sparrow, M. 2005. Estimating surface solar radiation over complex terrain using moderate‐resolution satellite sensor data. International Journal of Remote Sensing, 26: 47-58.

Waters, R., Allen, R., Bastiaanssen, W., Tasumi, M., & Trezza, R. 2002. Surface energy balance algorithms for land, Idaho implementation, advanced training and users manual. Idaho Department of Water Resources: Boise, ID, USA.