ترکیب تصاویر مادیس و سنتینل-2 به منظور تهیه نقشه های تبخیر-تعرق روزانه با قدرت تفکیک مکانی 10 متر

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانش آموخته کارشناسی ارشد، گروه آبیاری و زهکشی، دانشگاه تربیت مدرس، تهران، ایران

2 استادیار، گروه سنجش ازدور و سیستم اطلاعات جغرافیایی، دانشکده علوم انسانی، دانشگاه تربیت مدرس، تهران، ایران

چکیده

روشهای ریزمقیاس‌نمایی راه حل مناسبی را جهت رفع مشکل عدم وجود داده‌های ماهواره‌ای با قدرت تفکیک مکانی و زمانی بالا ارائه می‌دهند و می‌توان با استفاده از این روش‌ها، تاحدودی نیاز به داده‌های ماهواره‌ای با قدرت تفکیک مکانی- زمانی بالا را، به منظور پایش پدیده‌های طبیعی مانند تبخیر- تعرق،برطرف نمود. ماهواره سنتینل-2 در سال 2015 در مدار قرار گرفت و از آن تاریخ امکان دسترسی به داده هایی با قدرت تفکیک مکانی 10 متر را برای دوره بازگشت 5 روزه فراهم آورده است. هرچند، سنسور این ماهواره قادر به برداشت داده های سنجش از دور در طول موج حرارتی نیست. هدف این مطالعه تهیه نقشه‌های تبخیر- تعرق روزانه با قدرت تفکیک مکانی 10 متر براساس ترکیب داده های مادیس و سنتینل-2 برای اراضی کشت و صنعت امیرکبیر می‌باشد. بدین منظور از دو روش STARFM و TSHARP اصلاح شده به منظور ریزمقیاس نمایی داده‌های مادیس به داده‌های سنتینل-2 استفاده گردید. بدین منظور ابتدا با استفاده از روش STARFM ،باندهای مرئی و مادون قرمز نزدیک تصاویر مادیس به باندهای متناظر خود در تصاویر سنتینل-2 ریزمقیاس نمایی شدند. سپس باندهای حرارتی با قدرت تفکیک مکانی 10 متر با استفاده از روش TSHARP اصلاح شده تهیه گردیدند و در پایان با استفاده از الگوریتم سبال و باندهای ریزمقیاس نمایی شده سنتینل-2 ، نقشه های تبخیر- تعرق روزانه با قدرت تفکیک مکانی 10 متر تولید شدند. مقایسه تبخیر- تعرق‌های ریزمقیاس نمایی شده با تبخیر- تعرق‌های بدست آمده با روش فائو- پنمن- مانتیث بیانگر میزان مجذور میانگین مربعات خطای 64/0 میلیمتر در روز بود که نشان دهنده عملکرد خوب روش ارائه شده جهت تولید نقشه های تبخیر-تعرق واقعی روزانه با قدرت تفکیک مکانی 10 متر می باشد.

کلیدواژه‌ها


عنوان مقاله [English]

MODIS and Sentinel-2 Data Fusion For 10-m Daily Evapotranspiration mapping

نویسندگان [English]

  • Hamid Salehi 1
  • Ali Shamsoddini 2
1 Master of Agricultural Engineering (Irrigation), Tarbiat Modares University
2 Assistant professor, Department of Remote Sensing and GIS, Tarbiat Modares University
چکیده [English]

Downscaling methods seem to be a reasonable solution to solve the problem of having no simultaneous high spatial and temporal satellite data, and it is possible somehow to meet the requirement of having high spatial-temporal resolution satellite data for monitoring the natural phenomena such as evapotranspiration, through these methods. Sentinel-2 satellite launched in 2015 enables to provide 10-m spatial resolution data with a 5-day revisit time; however, its sensor does not acquire data in thermal infrared wavelength. This study aims to generate 10-m daily evapotranspiration maps based on Sentinel-2 and MODIS data fusion for Amir-Kabir Agroindustry farms. For this purpose, STARFM and improved TSHARP methods were applied for downscaling MODIS data to Sentinel-2 data. To achieve this goal, First, MODIS visible and near and middle infrared bands were downscaled by STARFM to 10-m spatial resolution. Then, improved TSHARP was applied for downscaling MODIS thermal band to 10-m spatial resolution and SEBAL algorithm fed by the downscaled bands, was used to produce daily evapotranspiration map with 10-m spatial resolution. Assessing downscaled evapotranspiration maps with those derived from FAO Penman-Monteith equation indicated a RMSE of 0.64 mm/day showing efficient performance of the downscaling framework proposed for 10-m daily evapotranspiration mapping in this study.

کلیدواژه‌ها [English]

  • Downscaling
  • evapotranspiration
  • TSHARP
  • STARFM
صالحی، ح.، شمس­الدینی، ع.، میرلطیفی، س.م. 1397. ریزمقیاس­نمایی تصویر مادیس به منظور تهیه نقشه تبخیر- تعرق روزانه با قدرت تفکیک تصویر لندست با استفاده از الگوریتم­های SADFAT و STARFM. سنجش از دور و GIS ایران، شماره سوم، 141-123.
قاسمیان یزدی،م.ح.، الیاسی،م. 1387.ادغام اطلاعات مکانی تصویر آیکونوس و اطلاعات طیفی تصاویر اسپات 4، فصل نامه مدرس علوم انسانی، دوره 14، شماره 1، 82-57.
Agam, N., Kustas, W. P., Anderson, M. C., Li, F., Neale, C. M. U. 2007. A vegetation index based technique for spatial sharpening of thermal imagery. Remote Sens Environ 107:545–558.
Allen R.G., Tasumi M., Trezza R. 2007. Satellite-based energy balance for mapping evapotranspiration with internalized calibration (METRIC)-model. Journal of Irrigation and Drainage Engineering 133:380–394.
Bastiaanssen W. G. M., Waters R., Allen R. G., Tasumi M., and Terzza R. 2002. Advanced training and user's manual of surface energy balance algorithms for Land. Nasa EOSDIS/Synergy Grant from the Raythoen Company through the Idaho Department of Water Resources.1:1-98.
Bastiaanssen W., Menenti M., Feddes R., and Holtslag A. 1998. A remote sensing surface energy balance algorithm for land (SEBAL). Part 1, Formulation, Journal of Hydrology 212:198-212.
Bastiaanssen, W. 2000. SEBAL-based sensible and latent heat fluxes in the irrigated Gediz Basin, Turkey. Journal of Hydrology, 229: 87-100.
Bhandari, S., Phinn, S., Gill, T. 2012. Preparing aerosol and atmospheric correction for the aerosol effect, Journal of Geophysical Research: Atmospheres, 102(D14): p. 16815-16830.
Bindhu, V.M., Narasimhan, B., Sudheer, K.P. 2013. Development and Verification of a Non-Linear Disaggregation Method (NL-Distrad) to Downscale MODIS Land Surface Temperature to the Spatial Scale of Landsat Thermal Data to Estimate Evapotranspiration. Remote Sens. Environ. 135, 118–129.
Bisquert, M., Sanchez, J.M., Caselles, V. 2016. Evaluation of Disaggregation Methods for Downscaling Modis Land Surface Temperature to Landsat Spatial Resolution in Barrax Test Site. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 9, 1430–1438.
Chandrapala L. and Wimalasuriya M. 2003. Satellite measurements supplemented with meteorological data to operationally estimate evaporation in Sri Lanka. Agricultural Water Management 58:89-107.
Fisher, J.B. 2017. The future of evapotranspiration: Global Requirements for Ecosystem Functioning, Carbon and Climate Feedbacks, Agricultural Management, and Water Resources. Water Resour. Res. 53, 2618–2626.
Gao, F., Masek, J., Schwaller, M. & Hall, F.,2006. On the blending of the Landsat and MODIS surface reflectance: Predicting daily Landsat surface reflectance. IEEE Transactions on Geoscience and Remote Sensing, 44(8), 2207- 2218.
Guzinski, R., Anderson, M.C., Kustas, W.P., Nieto, H., Sandholt, I. 2013. Using a Thermal Based Two Source Energy Balance Model with Time-Di_erencing to Estimate Surface Energy Fluxes with Day-Night MODIS Observations. Hydrol. Earth Syst. Sci. 17, 2809–2825.
Ha, W., Gowda, P., Howell, T. A. 2013. Review of Downscaling Methods for Remote Sensing-Based Irrigation Management: Part I. Irrig. Sci. 31, 831–850.
Hafeez M., Chemin Y., Van De Giesen N. and Bouman B. 2002. Field evapotranspiration estimation in central Luzon, Philippines using different sensors: Landsat 7 ETM+, Terra MODIS and ASTER. ISPRS/CIG conference July. P. 2002.
He, B.J., Zhao, Z.Q., Shen, L.D., Wang, H.B., Li, L.G. 2019. An Approach to Examining Performances of Cool/Hot Sources in Mitigating/Enhancing Land Surface Temperature under Di_erent Temperature Backgrounds Based on Landsat 8 Image. Sustain. Cities Soc. 44, 416–427.
Hilker, T., Wulder, M.A., Coops, N.C., Seitz, N., White, J.C., Feng, G., Masek, J.G., Stenhouse, G. 2009. Generation of dense time series synthetic Landsat data through data blending with MODIS using a spatial and temporal adaptive reflectance fusion model, Remote Sensing Environment, volume113, 1988-1999.
Huryna, H.; Cohen, Y., Karnieli, A.; Panov, N., Kustas, W.P., Agam, N. 2019. Evaluation of Tsharp Utility for Thermal Sharpening of Sentinel-3 Satellite Images Using Sentinel-2 Visual Imagery. Remote Sens.,11, 2304.
Kustas,W.P., Norman, J.M., Anderson, M.C., French, A.N. 2003. Estimating Subpixel Surface Temperatures and Energy Fluxes from the Vegetation Index–Radiometric Temperature Relationship. Remote Sens. Environ. 85, 429–440.
Li H., Zheng L., Lei Y., Li C., Liu Z. and Zhang S. 2008. Estimation of water consumption and crop water productivity of winter wheat in North China Plain using remote sensing technology. Agricultural Water Management 95:1271-1278.
Mancino, G., Ferrara, A., Padula, A., Nole, A. 2020. Cross-Comparison between Landsat 8 (OLI) and Landsat 7 (ETM+) Derived Vegetation Indices in a Mediterranean Environment, Remote Sens. 12(2), 291.
Pohl, C. and Van Genderen, J.L. 1998. Multisensor Image Fusion in Remote Sensing: Concepts, Methods and Applications (Review Article), International Journal of Remote Sensing, 19, 823-854.
Ramosa J. G., Cratchley C., Kay J. A., Casterad M. A., Martinez-Cob A., and Dominguez Z. 2008. Evaluation of satellite evapotranspiration estimates using ground-meteorological data available for the Flumen District into the Ebro Valley of N.E, Spain. Agricultural Water Management Journal AGWAT-2701:15-26.
Sanchez J. M., Galve J. M., Gonzalez-Piqueras J., Lopez-Urrea R., Niclos R., Calera A. 2020. Monitoring 10-m LST from the Combination MODIS/Sentinel-2, Validation in a High Contrast Semi-Arid Agroecosystem. Remote Sensing 12(9):1453.
Senay G. B., Budde M., Verdin J. P., Melesse A M. 2007. A coupled remote sensing and simplified surface energy balance approach to estimate actual evapotranspiration from irrigated fields. Sensors 7:979–1000.
Su, Z. 2002. The Surface Energy Balance System (SEBS) for estimation of turbulent heat fluxes. Hydrol. Earth Syst. Sci. 6, 85–100.
Tasumi M., Allen R. G., Trezza R. 2008. Atsurface reflectance and albedo from satellite for operational calculation of land surface energy balance. Journal of Hydrologic Engineering 13(2):51-63.