ریزمقیاس‌سازی مکانی تصاویر دمای سطح زمین (LST) سنجنده مادیس در مناطق فاریاب توسط مدل‌های تخمین رطوبت خاک TOTRAM و OPTRAM

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه علوم و مهندسی آب دانشگاه بین المللی امام خمینی قزوین/ دانشجو دکتری

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

چکیده

محدودیت‌های موجود در سنسورهای ماهواره‌‌ها باعث عدم امکان دسترسی همزمان به باندهای حرارتی با قدرت تفکیک مکانی و زمانی بالا می‌شود. روش‌های ریزمقیاس‌سازی حائز اهمیت هستند زیرا امکان دسترسی هم‌زمان به داده‌های حرارتی با قدرت تفکیک مکانی و زمانی بالا را فراهم می‌کنند. پارامتر LST در حوزه کشاورزی از اهمیت ویژه‌ای برخوردار است زیرا یکی از پارامترهای بسیار مهم در تخمین میزان تبخیر و تعرق گیاه است و در رشد و نمو گیاه تاثیر بسزایی دارد. تصاویر LST سنجنده مادیس با قدرت تفکیک مکانی 1000 متر و به صورت روزانه در دسترس می‌باشد، قدرت تفکیک مکانی کم در این تصاویر محدودیتی است که امکان استفاده از آن برای مدیریت کشاورزی در مزارع را غیر ممکن می‌کند. تغییرات رطوبتی زیاد در مناطق فاریاب باعث ایجاد خطا در پروسه ریزمقیاس‌سازی LST می‌شود. لذا این پژوهش با هدف ریزمقیاس‌سازی LST سنجنده مادیس از 1000 متر به قدرت تفکیک مکانی سنجنده OLI ماهواره لندست 8 (30 متر) در مناطق فاریاب انجام شده است. در ابتدا مدل DisTRAD برای ریزمقیاس‌سازی LST سنجنده مادیس در کشت و صنعت‌های امیرکبیر و میرزاکوچک خان اجرا شد که نتایج نشان دهنده عملکرد ضعیف مدل DisTRAD در ریزمقیاس‌سازی LST از 1000 متر به 30 متر است. در ادامه به منظور بررسی نتایج حاصل از ریزمقیاس‌سازی LST سنجنده مادیس توسط مدل‌های تخمین رطوبت خاک TOTRAM و OPTRAM از آماره‌ RMSE استفاده شد. نتایج حاکی از آن است که مقدار میانگین RMSE در تصاویر ریزمقیاس‌سازی شده توسط مدل OPTRAM-TOTRAM، در حدود 53/2 درجه سانتی‌گراد کاهش نسبت به مدل DisTRAD را نشان می‌دهد. همچنین مقدار میانگین RMSE در 6 ماهه اول سال که آبیاری انجام شده است، نسبت به مدل DisTRAD، کاهش حدود 11/4 درجه سانتی‌گراد را نشان می‌دهد. در نتیجه استفاده از مدل OPTRAM-TOTRAM عملکرد بسیار بهتری را نسبت به مدل DisTRAD در ریزمقیاس‌سازی LST سنجنده مادیس در مناطق فاریاب نشان می‌دهد.

کلیدواژه‌ها

عنوان مقاله [English]

Spatial Downscaling of Land Surface Temperature (LST) of MODIS in Irrigated Areas by TOTRAM and OPTRAM Soil Moisture Estimation Models

نویسندگان [English]

  • zohreh faraji 1
  • Abbas Kaviani 2
1 Department of Irrigation and Drainage, Imam Khomeini International University, Ghazvin / PhD student
2 Associated professor water Eng. Dept., Agricultural and natural resources Faculty, Imam Khomeini International University, Qazvin, Iran
چکیده [English]

The limitations of satellite sensors make it impossible to access thermal bands with high spatial and temporal resolution simultaneously. Therefore, downscaling methods are essential because they provide simultaneous access to thermal data with high spatio-temporal resolution. LST parameter is critical in agriculture, it is one of the most important in estimating the amount of evapotranspiration and significantly impacts crop growth. LST images of the MODIS with spatial resolution of 1000 meters are available daily. Still, the low spatial resolution in these images is a limitation that makes it impossible to use for agricultural management. On the other hand, high humidity changes in irrigated regions cause errors in LST downscaling process. this research was carried out with the aim of downscaling the LST of the MODIS sensor from 1000 meters to OLI resolution from Landsat 8 satellite (30 meters) in irrigated regions. In the first stage, the DisTRAD model was implemented for the downscaling of the LST of MODIS in Amirkabir and Mirzakoochak Khan Farms. The results show the poor performance of the DisTRAD model in the downscaling of LST from 1000 meters to 30 meters. Next, to check the results of LST downscaling of the MODIS by TOTRAM and OPTRAM soil moisture estimation models, the root mean square error (RMSE) statistic was used. The results indicate that the average value of RMSE in the downscaled images by the OPTRAM-TOTRAM model shows a decrease of about 2.53°C compared to the DisTRAD model. Also, the average value of RMSE in the first six months of the year when irrigation has been done, compared to the DisTRAD model, shows a decrease of about 4.11 °C. As a result, the use of the OPTRAM-TOTRAM model offers much better performance than the DisTRAD model in downscaling the LST of the MODIS in irrigated regions.

کلیدواژه‌ها [English]

  • DisTRAD model
  • Landsat
  • NDVI
  • STR

مراجع

Agam, N., Kustas, W. P., Anderson, M. C., Li, F. and Neale, C. M. 2007. A vegetation index based technique for spatial sharpening of thermal imagery. Remote sensing of Environment. 107(4): 545-558.
Ambrosone, M., Matese, A., Di Gennaro, S. F., Gioli, B., Tudoroiu, M., Genesio, L. and Ungaro, F. 2020. Retrieving soil moisture in rainfed and irrigated fields using Sentinel-2 observations and a modified OPTRAM approach. International journal of applied earth observation and geoinformation. 89: 102-113.
Bala, R., Prasad, R. and Yadav, V. P. 2020. Thermal sharpening of MODIS land surface temperature using statistical downscaling technique in urban areas. Theoretical and Applied Climatology. 141(3): 935-946.
Berni, J. A., Zarco-Tejada, P. J., Suárez, L. and Fereres, E. 2009. Thermal and narrowband multispectral remote sensing for vegetation monitoring from an unmanned aerial vehicle. IEEE Transactions on Geoscience and Remote Sensing. 47(3): 722-738.
Bindhu, V., Narasimhan, B. and Sudheer, K. 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 sensing of Environment. 135: 118-129.
Bisquert, M., Sánchez, J. M. and Caselles, V. 2016. Evaluation of disaggregation methods for downscaling MODIS land surface temperature to Landsat spatial resolution in Barrax test site. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 9(4): 1430-1438.
Carlson, T. N. 2013. Triangle models and misconceptions. Int. J. Remote Sens. Appl. 3(3): 155-158.
Choe, Y. J., and Yom, J. H. 2017. Downscaling of MODIS land surface temperature to LANDSAT scale using multi-layer perceptron. Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography. 35(4): 313-318.
Deilami, K., Kamruzzaman, M. and Liu, Y. 2018. Urban heat island effect: A systematic review of spatio-temporal factors, data, methods, and mitigation measures. International journal of applied earth observation and geoinformation. 67: 30-42.
EROS, U. 2014. USGS EROS Archive-Landsat Archives-Landsat 8 OLI (Operational Land Imager) and TIRS (Thermal Infrared Sensor) Level-1 Data Products. In: Usgs.
Essa, W., Verbeiren, B., Van der Kwast, J. and Batelaan, O. 2017. Improved DisTrad for downscaling thermal MODIS imagery over urban areas. Remote Sensing. 9(12): 1243.
Gao, F., Kustas, W. P. and Anderson, M. C. 2012. A data mining approach for sharpening thermal satellite imagery over land. Remote Sensing. 4(11): 3287-3319.
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.
He, B.-J., Zhao, Z.-Q., Shen, L.-D., Wang, H.-B. and Li, L.-G. 2019. An approach to examining performances of cool/hot sources in mitigating/enhancing land surface temperature under different temperature backgrounds based on landsat 8 image. Sustainable Cities and Society. 44: 416-427.
Ibrahim, T. I., Al-Maliki, S., Salameh, O., Waltner, I. and Vekerdy, Z. 2022. Improving LST Downscaling Quality on Regional and Field-Scale by Parameterizing the DisTrad Method. ISPRS International Journal of Geo-Information. 11(6): 327.
Kalma, J. D., McVicar, T. R. and McCabe, M. F. 2008. Estimating land surface evaporation: A review of methods using remotely sensed surface temperature data. Surveys in Geophysics. 29(4): 421-469.
Kubelka, P., Munk, F. 1931. Ein Beitrag zur Optik der Farbanstriche. Zeitschrift für Technische Physik. 12: 593–601.
Kustas, W. P., Norman, J. M., Anderson, M. C. and French, A. N. 2003. Estimating subpixel surface temperatures and energy fluxes from the vegetation index–radiometric temperature relationship. Remote sensing of Environment. 85(4): 429-440.
Li, S., Wang, J., Li, D., Ran, Z. and Yang, B. 2021. Evaluation of Landsat 8-like Land Surface Temperature by Fusing Landsat 8 and MODIS Land Surface Temperature Product. Processes. 9(12): 2262.
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.
Lillo-Saavedra, M., García-Pedrero, A., Merino, G. and Gonzalo-Martín, C. 2018. Ts2urf: A new method for sharpening thermal infrared satellite imagery. Remote Sensing. 10(2): 249.
Maeda, E. E. 2014. Downscaling MODIS LST in the East African mountains using elevation gradient and land-cover information. International Journal of Remote Sensing. 35(9): 3094-3108.
Moran, M., Clarke, T., Inoue, Y. and Vidal, A. 1994. Estimating crop water deficit using the relation between surface-air temperature and spectral vegetation index. Remote sensing of Environment. 49(3): 246-263.
Qiu, J., Yang, J., Wang, Y. and Su, H. 2018. A comparison of NDVI and EVI in the DisTrad model for thermal sub-pixel mapping in densely vegetated areas: A case study in Southern China. International Journal of Remote Sensing. 39(8): 2105-2118.
Raoufi, R. and Beighley, E. 2017. Estimating daily global evapotranspiration using penman–monteith equation and remotely sensed land surface temperature. Remote Sensing. 9(11): 1138.
Sadeghi, M., Jones, S.B., Philpot, W.D. 2015. A linear physically-based model for remote sensing of soil moisture using short wave infrared bands. Remote Sens. Environ. 164: 66–76
Sadeghi, M., Babaeian, E., Tuller, M. and Jones, S. B. 2017. The optical trapezoid model: A novel approach to remote sensing of soil moisture applied to Sentinel-2 and Landsat-8 observations. Remote sensing of Environment. 198: 52-68.
Sandholt, I., Rasmussen, K. and Andersen, J. 2002. A simple interpretation of the surface temperature/vegetation index space for assessment of surface moisture status. Remote sensing of Environment. 79(2-3): 213-224.
Sousa, D. and Small, C. 2019. Mapping and monitoring rice agriculture with multisensor temporal mixture models. Remote Sensing. 11(2): 181.
Su, Z. 2002. The Surface Energy Balance System (SEBS) for estimation of turbulent heat fluxes. Hydrology and earth system sciences. 6(1): 85-100
نشریه آبیاری و زهکشی ایران
دوره 17، شماره 3 - شماره پیاپی 99
مرداد و شهریور 1402
صفحه 585-596

فایل ها

هم رسانی

ارجاع به این مقاله

آمار