بهبود قدرت تفکیک مکانی باندهای حرارتی براساس تکنیک‌های ریزمقیاس و اثر آن در برآورد تبخیروتعرق گیاه مرجع

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری آبیاری و زهکشی، گروه مهندسی آب، دانشکده کشاورزی و منابع طبیعی، دانشگاه بین المللی امام خمینی(ره)، قزوین، ایران

2 دانشیار گروه مهندسی آب، دانشکده کشاورزی و منابع طبیعی، دانشگاه بین المللی امام خمینی(ره)، قزوین، ایران

3 دانشیار گروه مهندسی آب دانشکده کشاورزی و منابع طبیعی دانشگاه بین المللی امام خمینی(ره)

4 استادیار گروه مهندسی آب، دانشکده کشاورزی و منابع طبیعی، دانشگاه بین المللی امام خمینی(ره)، قزوین، ایران

چکیده

به‌دلیل محدودیت‌های فنی بیشتر ماهواره‌ها نمی‌توانند به‌طور همزمان، تصاویر با قدرت تفکیک‌‌های مکانی، زمانی و طیفی بالا جمع‌آوری کنند. در این مقاله امکان استفاده از روش‌های ریزمقیاس‌سازی DisTrade و TsHARP و روش STI-FM به منظور دستیابی به وضوح مکانی بالا برای تصاویر MODIS و Landsat8 مورد بررسی قرار گرفت. مقدار RMSE برای تصاویر شارپ شده 1کیلومتری به 30 متری کمتر از 93/3 درجه سانتی‌گراد بود. همچنین در این تحقیق الگوریتم بیلان انرژی سطح (SEBAL) به‌منظور برآورد توزیع تبخیروتعرق واقعی با استفاده از تلفیق تصاویر ماهواره‌های لندست7 و مودیس براساس روش ریزمقیاس T-Sharp مورد بررسی قرار گرفت. نتایج بیانگر این بود که تلفیق تصاویر ماهواره‌ای منجر به بهبود دقت در برآورد تبخیر و تعرق واقعی نسبت به تصاویر لندست 7 شده است. میانگین مربعات خطا تبخیر و تعرق برآوردی در طول دوره رشد در مقایسه با داده های لایسیمتری برای تصاویر مودیس 91/1-24/1 میلی‌متر بر روز و برای تصاویر تلفیقی 1-81/0میلی‌متر در روز تعیین گردید. به طور کلی نتایج این تحقیق نشان داد که برآورد تبخیر و تعرق با استفاده از الگوریتم SEBAL و براساس تلفیق تصاویر با دقت‌های متفاوت زمانی و مکانی می‌تواند نتایج قابل قبولی را ارائه دهد.

کلیدواژه‌ها


عنوان مقاله [English]

Improving the spatial resolution of thermal bands based on downscale techniques and it’s effect on estimating the evapotranspiration of the reference plant

نویسندگان [English]

  • Bahareh Bahman Abadi 1
  • Abbas Kaviani 2
  • Hadi Ramezani Etedali 3
  • Asghar Azizian Ghatar 4
1 Ph.D candidate on irrigation and drainage Eng., Water Eng. Dept., Agricultural and Natural resources Faculty, Imam Khomeini international university, Qazvin, Iran.
2 Associated professor water Eng. Dept., Agricultural and natural resources Faculty, Imam Khomeini International University, Qazvin, Iran
3 Associated professor Dept. of Water Sciences and Engineering, Imam Khomeini International University
4 Assistant professor Dept. of Water Sciences and Engineering, Imam Khomeini International University
چکیده [English]

Due to technical limitations, most satellites cannot simultaneously collect images with high spatial, temporal, and spectral resolution. In this paper, the possibility of using DisTrade and TsHARP downscaling methods and STI-FM method in order to achieve high spatial resolution for MODIS and Landsat8 images was investigated. The RMSE value for sharpened images of 1 km to 30 meters was less than 3.93 ° C. In this study, the surface energy balance algorithm (SEBAL) was investigated to estimate the actual evapotranspiration distribution using a combination of Landsat 7 and MODIS satellite images based on the T-Sharp downscale method. The results showed that the integration of satellite images improved the accuracy of estimating actual evapotranspiration compared to Landsat 7 images. The mean squared error of estimated evapotranspiration during the growth period was determined in comparison with lysimetric data for Modis images of 1.24-2.91 mm / day and for integrated images of 0.81-1.1 mm / day. In general, the results of this study showed that the estimation of evapotranspiration using SEBAL algorithm and based on the combination of images with different temporal and spatial accuracy can provide acceptable results.

کلیدواژه‌ها [English]

  • evapotranspiration
  • Downscaling
  • DisTrade
  • T-sHARP
Agam, N., Kustas, W., Anderson, M., Li, F. and Colaizzi, P. 2008. Utility of Thermal Image Sharpening for Monitoring Field-Scale Evapotranspiration Over Rainfed and Irrigated Agricultural Regions. Geophysical Research Letters - GEOPHYS RES LETT, 35. doi:10.1029/2007GL032195
Agam, N., Kustas, W. P., Anderson, M. C., Li, F. and Colaizzi, P. D. J. G. R. L. 2007. Utility of thermal image sharpening for monitoring field‐scale evapotranspiration over rainfed and irrigated agricultural regions. 35(2). doi:10.1029/2007GL032195, 2008
Agam, N., Kustas, W. P., Anderson, M. C., Li, F. and Neale, C. M. J. R. S. o. E. 2007. A vegetation index based technique for spatial sharpening of thermal imagery. 107(4): 545-558.
Bahman abadi, B., Kaviani, A., daneshkar, p., and Nazari, R. 2018. Estimation of Actual Evapotranspiration Using Satellite Imageries and Single-Source and Two-Source Surface Energy Balance Algorithms in Qazvin Plain. Journal of Water Research in Agriculture. 32: 2(2): 227-246. doi:10.22092/jwra.2018.116961
Bian, Z., Roujean, J.-L., Lagouarde, J.-P., Cao, B., Li, H., Du, Y. and Liu, Q. 2020. A semi-empirical approach for modeling the vegetation thermal infrared directional anisotropy of canopies based on using vegetation indices. ISPRS Journal of Photogrammetry and Remote Sensing. 160: 136-148.
Chander, G., Markham, B. L. and Helder, D. L. 2009. Summary of current radiometric calibration coefficients for Landsat MSS, TM, ETM+, and EO-1 ALI sensors. Remote Sensing of Environment. 113(5): 893-903. doi:10.1016/j.rse.2009.01.007
Delgarm, S., Rahimpour, M., Bakhtiari, B. and Sayari, N. 2015. Comparison of actual evapotranspiration obtained from lysimeter data and SEBAL algorithm in Kerman plain by use of MODIS sensor images. Iranian Journal of Soil and Water Research. 46(2): 373-383. doi:10.22059/ijswr.2015.55941
Egdernezhad1, A., Masjedi 2, A. R., Shokouhfar 3, A. R. and Alavifazel 4, M. 2018. Evaluation of AquaCrop and WOFOST in simulating of corn yield under deficit irrigation. Journal of Plant production Sciences. 8(1): 69-82.
Gerhards, M., Schlerf, M., Mallick, K. and Udelhoven, T. 2019. Challenges and future perspectives of multi-/Hyperspectral thermal infrared remote sensing for crop water-stress detection: A review. Remote Sensing. 11(10): 1240. https://doi.org/10.3390/rs11101240
Gevaert, C. M. and García-Haro, F. J. 2015. A comparison of STARFM and an unmixing-based algorithm for Landsat and MODIS data fusion. Remote Sensing of Environment. 156: 34-44.
Hazaymeh, K. and Hassan, Q. K. 2015. Fusion of MODIS and Landsat-8 Surface Temperature Images: A New Approach. PLOS ONE. 10(3): e0117755. doi:10.1371/journal.pone.0117755
Hong, S.-H., Hendrickx, J. M. H. and Borchers, B. 2011. Down-scaling of SEBAL derived evapotranspiration maps from MODIS (250 m) to Landsat (30 m) scales. International Journal of Remote Sensing. 32(21): 6457-6477. doi:10.1080/01431161.2010.512929
Kustas, W. P., Norman, J. M., Anderson, M. C. and French, A. N. J. R. s. o. E. 2003. Estimating subpixel surface temperatures and energy fluxes from the vegetation index–radiometric temperature relationship. 85(4): 429-440.
Li, Z.-L., Tang, B.-H., Wu, H., Ren, H., Yan, G., Wan, Z. and Sobrino, J. A. (2013). Satellite-derived land surface temperature: Current status and perspectives. Remote Sensing of Environment. 131: 14-37.
Lu, D. and Weng, Q. 2006. Spectral mixture analysis of ASTER images for examining the relationship between urban thermal features and biophysical descriptors in Indianapolis, Indiana, USA. Remote Sensing of Environment. 104: 157-167. doi:10.1016/j.rse.2005.11.015
Mokhtari, A., Noory, H., Pourshakouri, F., Haghighatmehr, P., Afrasiabian, Y., Razavi, M. and Naeni, A. S. 2019. Calculating potential evapotranspiration and single crop coefficient based on energy balance equation using Landsat 8 and Sentinel-2. ISPRS Journal of Photogrammetry and Remote Sensing. 154: 231-245.
Nishida, K., Nemani, R. R., Glassy, J. M. and Running, S. W. 2003. Development of an evapotranspiration index from Aqua/MODIS for monitoring surface moisture status. IEEE Transactions on Geoscience and Remote Sensing. 41(2): 493-501.
Pan, X., Zhu, X., Yang, Y., Cao, C., Zhang, X. and Shan, L. 2018. Applicability of Downscaling Land Surface Temperature by Using Normalized Difference Sand Index. Scientific Reports. 8(1): 9530. doi:10.1038/s41598-018-27905-0
Sen, P. K. 2004. Diagnosing irrigation water resources with multi-sensor remote sensing and GIS techniques: Master of Science, Enschede, The Netherlands.
Willmott, C. J. 1982. Some comments on the evaluation of model performance. Bulletin of the American Meteorological Society. 63(11): 1309-1313.
Willmott, C. J. and Matsuura, K. 2005. Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance. Climate research. 30(1): 79-82.
Xu, S., Zhao, Q., Yin, K., He, G., Zhang, Z., Wang, G. and Zhang, N. 2021. Spatial Downscaling of Land Surface Temperature Based on a Multi-Factor Geographically Weighted Machine Learning Model. Remote Sensing. 13(6): 1186.
Zhang, Q., Chen, J. M., Ju, W., Wang, H., Qiu, F., Yang, F. and Feng, Y. 2017. Improving the ability of the photochemical reflectance index to track canopy light use efficiency through differentiating sunlit and shaded leaves. Remote Sensing of Environment. 194: 1-15.