بهبود کیفیت کاهش مقیاس LST در مقیاس منطقه ای و میدانی با پارامترسازی روش DisTrad

توسط

طاها IM ابراهیم

1،2،

صادق المالکی

1،*،

عمر سلامه

1،

ایستوان والتنر

1و

زولتان وکردی

1،3

1
موسسه علوم محیطی، دانشگاه کشاورزی و علوم زیستی مجارستان، Pater Karoly، u. 1.، 2100 گودولو، مجارستان
2
مرکز تحقیقات مهندسی کشاورزی، شرکت تحقیقات کشاورزی (ARC)، وزارت کشاورزی، صندوق پستی Wad Madni 126، سودان
3
دانشکده علوم اطلاعات جغرافیایی و رصد زمین، دانشگاه توئنته، 7514 AE Enschede، هلند
*
نویسنده ای که مسئول است باید ذکر شود.
ISPRS Int. J. Geo-Inf. 2022 , 11 (6), 327; https://doi.org/10.3390/ijgi11060327
دریافت: 17 مارس 2022/بازبینی شده: 17 مه 2022/پذیرش: 27 مه 2022/تاریخ انتشار: 30 مه 2022
(این مقاله متعلق به موضوع ویژه یکپارچه سازی GIS و سنجش از دور در نقشه برداری و مدل سازی خاک است )

ارقام را مرور کنید

نسخه ها یادداشت ها

 

چکیده

:

بسیاری از دانشمندان دمای سطح زمین (LST) را به دلیل ارتباط آن در علم مدیریت آب به دلیل تأثیر مستقیم آن بر چرخه آب هیدرولوژیکی بررسی کرده اند. این اثر از مهم ترین متغیرهای موثر بر تبخیر و تعرق ناشی می شود. یکی از مهمترین دلایل تبخیر و تعرق بازیابی شده از مناسب بودن محدود داده های MODIS برای برنامه ریزی و برنامه ریزی طرح های آبیاری، عدم تفکیک مکانی است. در نتیجه، LST با وضوح بالا برای تخمین تبخیر و تعرق مورد نیاز است. هدف از این مطالعه بهبود وضوح داده های LST موجود، بهبود تبخیر و تعرق (ET a) برآورد با استفاده از کاهش مقیاس آماری با شاخص تفاوت نرمال شده گیاهی (NDVI) به عنوان پیش بینی کننده. روش DisTrad (تجزیه دمای سطح رادیومتریک) برای روش کاهش مقیاس LST استفاده شد که مبتنی بر تجمیع نقشه NDVI به وضوح نقشه LST و سپس محاسبه ضریب تغییرات نقشه NDVI بومی در پیکسل تجمعی و طبقه بندی است. نقشه انباشته به سه کلاس: NDVI < 0.2 برای خاک لخت، 0.2 ≤ NDVI ≤ 0.5 برای پوشش گیاهی جزئی، و NDVI > 0.5 برای پوشش گیاهی کامل. DisTrad برای محاسبه ضرایب رگرسیون از 25٪ پیکسل هایی با کمترین ضریب تغییرات از هر کلاس استفاده می کند. در این کار، تنظیمات روش DisTrad برای افزایش مقیاس کوچک LST و بررسی اثرات آن تغییر بر تخمین تبخیر و تعرق اجرا شد. مدل رگرسیون خطی به عنوان جایگزینی برای چند جمله ای مرتبه دوم اصلی آزمایش شد. در استفاده از 10 درصد از پیکسل ها به جای 25 درصد پیشنهادی اولیه با کمترین ضریب تغییرات، فرض می شود که گروهی از پیکسل ها با ضریب تغییرات کمتر، ناحیه همگن تری را نشان می دهد، بنابراین مقادیر دقیق تری را ارائه می دهد. بازیابی نقشه LST با مقیاس کوچک با استفاده از نقشه های حرارتی Landsat 8 (100 متر) تأیید شد. استفاده از رویکرد DisTrad اصلاح شده برای تفکیک Landsat LST تا 30 متر (رزولوشن NDVI) یک R را به همراه داشت. در استفاده از 10 درصد از پیکسل ها به جای 25 درصد پیشنهادی اولیه با کمترین ضریب تغییرات، فرض می شود که گروهی از پیکسل ها با ضریب تغییرات کمتر، ناحیه همگن تری را نشان می دهد، بنابراین مقادیر دقیق تری را ارائه می دهد. بازیابی نقشه LST با مقیاس کوچک با استفاده از نقشه های حرارتی Landsat 8 (100 متر) تأیید شد. استفاده از رویکرد DisTrad اصلاح شده برای تفکیک Landsat LST تا 30 متر (رزولوشن NDVI) یک R را به همراه داشت. در استفاده از 10 درصد از پیکسل ها به جای 25 درصد پیشنهادی اولیه با کمترین ضریب تغییرات، فرض می شود که گروهی از پیکسل ها با ضریب تغییرات کمتر، ناحیه همگن تری را نشان می دهد، بنابراین مقادیر دقیق تری را ارائه می دهد. بازیابی نقشه LST با مقیاس کوچک با استفاده از نقشه های حرارتی Landsat 8 (100 متر) تأیید شد. استفاده از رویکرد DisTrad اصلاح شده برای تفکیک Landsat LST تا 30 متر (رزولوشن NDVI) یک R را به همراه داشت.2 از 0.72 برای 10٪، 0.74 برای 25٪ و 0.61 برای پایین ترین ضریب تغییرات چند جمله ای مرتبه دوم در مقایسه با LST Landsat بومی، به این معنی که 10٪ می تواند به عنوان جایگزین استفاده شود. استفاده از نقشه LST کوچک شده برای تخمین ET یک R2 0.84 در هر دو مورد، در مقایسه با ET a حاصل از LST بومی Landsat. این نتایج ثابت می کند که استفاده از رگرسیون خطی قوی نتایج بهتری نسبت به استفاده از رگرسیون چند جمله ای ارائه می دهد. با داده‌های کاهش‌یافته دمای سطح زمین، امکان ایجاد نقشه‌های ET دقیق از مزارع کشاورزی کوچک در منطقه آزمایشی وجود داشت.

 

1. مقدمه

تبخیر و تعرق (ET) یک پارامتر چالش برانگیز برای برآورد است، اما دمای سطح زمین (LST) و رطوبت خاک پارامترهای حیاتی برای ارزیابی آن هستند [ 1 ، 2 ، 3 ، 4 ]. این اثر یکی از بارزترین عوامل مؤثر بر تبخیر و تعرق است [ 5 ، 6 ، 7 ، 8 ]. استخراج دمای سطح زمین از سنجش از دور حرارتی یکی از امیدوارکننده‌ترین ابزار برای دستیابی به این مأموریت است، چه در مقیاس منطقه‌ای و چه در مقیاس جهانی [ 1 ، 9 ، 10 ].]. ظهور حسگرهای حرارتی با وضوح فضایی بالا، کیفیت محاسبه LST [ 11 ، 12 ] را بهبود بخشیده و افزایش داده است، زیرا این حسگرها دارای وضوح فضایی 60-100 متر هستند. با این حال، با این وضوح فضایی بالا، وضوح زمانی ضعیف به دلیل زمان بازبینی 16 روزه برای این حسگرها همچنان یک چالش باقی می‌ماند [ 13 ، 14 ]. یکی از این سنسورها Landsat 8 OLI TIRS است که دارای دو باند حرارتی با وضوح 100 متر و باند حرارتی Landsat 7 با وضوح 60 متر است [ 15 ، 16 ]. از سوی دیگر، چندین حسگر با وضوح مکانی پایین تصاویری با وضوح زمانی بالا با زمان تکرار متفاوت از کمتر از یک ساعت تا سه روز تولید می‌کنند [ 2 ،13 ، 17 ، 18 ]. وضوح فضایی ضعیف تبخیر و تعرق بازیابی شده از داده های MODIS یکی از مهم ترین دلایل مناسب بودن محدود آن برای برنامه ریزی و برنامه ریزی آبیاری است [ 18 ، 19 ]. در کشورهای در حال توسعه، زمین های کشاورزی به مزارع کوچکی با مساحت کمتر از 1 کیلومتر مربع تقسیم می شوند.
با اعمال داده های حرارتی با وضوح درشت برای میدان های کوچک، فرد با مشکلی به نام اثر اختلاط حرارتی مواجه می شود که ناشی از تفاوت در خواص حرارتی طبقات پوشش زمین در یک پیکسل است. بنابراین، این مشکل باید حل شود، به عنوان مثال، با یافتن یک رابطه بین وضوح زمانی و مکانی تصاویر حرارتی [ 20 ].
فرآیند کاهش مقیاس به عنوان افزایش وضوح فضایی با یافتن مقادیر پیکسل های کوچکتر به عنوان تابعی از اندازه گیری اصلی با اندازه پیکسل درشت و برخی اطلاعات اضافی تعریف می شود، یا به روشی ساده شده، و می توان آن را به عنوان کاهش اندازه پیکسل توصیف کرد. [ 21 ، 22 ]. بسیاری از رویکردهای مختلف برای کاهش مقیاس LST [ 20 ] دنبال شده است، اما محبوب ترین رویکرد، تفکیک LST بر اساس یک متغیر مشترک است. این رویکرد وضوح LST را چه از نظر مکانی یا زمانی بهبود می‌بخشد و آن را برای بسیاری از کاربردها مناسب می‌کند، به عنوان مثال، همه برنامه‌هایی که شامل تعادل انرژی سطحی (SEB) می‌شوند [ 7 ، 23 ]]. یکی از روش های معروف تفکیک DisTrad (روش جداسازی دمای سطح رادیومتری [ 24 ]) است. اصل آن یافتن یک رابطه ریاضی بین دمای سطح رادیومتری، و شاخص گیاهی تفاوت نرمال شده NDVI از طریق رابطه معکوس بین LST و NDVI است [ 2 ، 24 ، 25 ، 26 ، 27 ]. یک رویکرد توسعه یافته بیشتر TsHARP (تیز کردن دما) است که مدولاسیونی از DisTrad است که بر اساس یک رابطه خطی بین پوشش کسری گیاهی (FC) و LST [ 28 ] است.
برای پارامترسازی معادله رگرسیون بین شاخص پوشش گیاهی و دمای سطح، کوستاس و همکاران. [ 24 ] فرآیندی برای تجمیع نقشه NDVI و سپس محاسبه ضریب تغییرات (CV) مقادیر NDVI بومی در هر پیکسل در نقشه انباشته شده، با استفاده از 25٪ از پیکسل های انباشته با کمترین ضرایب تغییرات برای تعریف، توسعه داده اند. ضرایب معادله رگرسیون [ 24 ]. این رویکرد با موفقیت در مناطق همگن آزمایش شد، اما هنگامی که در مناطق ناهمگن استفاده می شود، مشکل بازنمایی رخ می دهد. بر این اساس، رویکرد باید برای مناطق ناهمگن بهبود یابد [ 20 ، 29]. هدف این کار بهبود رویکرد DisTrad برای کاهش مقیاس LST برای مناطق ناهمگن و بهبود توزیع زمانی و مکانی نقشه‌های تبخیر و تعرق با وضوح بالا محاسبه شده است.
اهداف خاص این مطالعه به شرح زیر است: (الف) مقایسه کاهش مقیاس آماری مبتنی بر خطی در مقابل چند جمله‌ای، (ب) مقایسه 25% و 10% پیکسل‌های انباشته با کمترین ضرایب تغییرات، (ج) بهبود وضوح مکانی و زمانی ETa برای کشاورزی. بخش

2. مواد و روشها

2.1. منطقه مطالعه

ساخت سد بلند اسوان باعث طغیان شهر قدیمی وادی حلفا توسط دریاچه ناصر شد. طرح کشاورزی نیو حلفا در پاسخ به عنوان بزرگترین پروژه اسکان مجدد سودان آغاز شد. طرح کشاورزی نیو Halfa یک طرح سکونتگاه کشاورزی 185000 هکتاری در ضلع غربی ایالت کاسالا، تقریباً 400 کیلومتری شرق خارطوم است [ 30 ]. این پروژه در دشت بوتانا و در کنار رودخانه اتبارا واقع شده است. در زمان ساخت، طرح نیو حلفا دومین پروژه بزرگ آبیاری سودان پس از طرح Gezira بود که هنوز هم بزرگترین طرح آبیاری جهان است. آژانس آبیاری سودان آب را از طریق سد خسم الگیربا در رودخانه اتباره مدیریت می کند [ 31 ]]. سیستم آبیاری ثقلی است و کانال اصلی آب را از طریق شبکه ای از کانال های فرعی و پمپ های موتوری در مناطق کوچک طرح به منطقه انتقال می دهد. سیستم آبیاری شامل کانال های اصلی، کانال های فرعی، کانال های فرعی، کانال های چهارتایی و خندق های مزرعه سوم است. آبیاری مزرعه با استفاده از روش سنتی حوضه (Angaya) انجام می شود و مزرعه را به بخش های کوچک تقسیم می کند. تلفات آب قابل توجهی در سیستم وجود دارد که باعث کاهش منابع آب شیرین موجود می شود، مانند تبخیر، تلفات حمل و نقل ناشی از نفوذ و غیره [ 31 ].]. این سد در ابتدا برای ذخیره 1.3 میلیارد متر مکعب آب در نظر گرفته شده بود. با این حال، تا سال 1976، ظرفیت ذخیره‌سازی مخزن به 0.8 میلیارد متر مکعب کاهش یافته بود که دلیل آن گل‌آلودگی قابل‌توجهی بود که از حوضه آبریز بالادست رودخانه Atbara در ارتفاعات اتیوپی سرچشمه می‌گرفت [ 30 ]. ظرفیت مخزن در حال حاضر حدود 0.6 میلیارد متر مکعب است. در طول فصل رشد، آب در کانال های کوچکتر معمولاً به طور دائم جریان دارد. با این حال کشاورزان از دریافت آب بیشتر در برخی مناطق نسبت به مناطق دیگر شکایت دارند. از آنجایی که ظرفیت مخزن در حال کاهش است، سطح آبی نیز در حال کاهش است. برای کشت پنبه، گندم، سورگوم و بادام زمینی به هر شهرک کشاورزی یک حواشا 15 فددان (6.3 هکتار) (اجاره) داده شد. عمدتاً پنبه انتخاب شد زیرا مهمترین محصول نقدی دولت برای تأمین ارز و سود برای مستاجرین است. بادام زمینی دومین محصول نقدی مهم این طرح است، و گندم و سورگوم با هر مازاد فروخته شده رشد کردند [ 31 ]. شکل 1 نقشه موقعیت منطقه مورد مطالعه را نشان می دهد.

2.2. روش کاهش مقیاس DisTrad برای دمای سطح رادیومتریک

برای یافتن یک رابطه ریاضی بین دمای سطح رادیومتری و شاخص گیاهی با اختلاف نرمال شده (NDVI) [ 24 ] پیشنهاد شد نقشه NDVI با وضوح خوب به همان وضوح درشت نقشه LST تجمیع شود و سپس ضرایب رگرسیون معادله (1) تعریف شود. ) با برازش حداقل مربع با استفاده از یک چند جمله ای مرتبه دوم.

�استیسیآر*=آ+ب ن��منسیآر+ج ن��منسیآر2

جایی که:

�استیسیآر*: دمای سطح زمین با وضوح درشت تر (°C).
ن��منسیآر: شاخص پوشش گیاهی تفاوت نرمال شده تجمعی در وضوح درشت تر.
LST تحت تأثیر پوشش گیاهی و سایر عوامل مانند رطوبت خاک است [ 32 ]. هنگامی که این عوامل در طول فرآیند کاهش مقیاس نادیده گرفته می شوند، نتایج تحت تأثیر تغییرات مکانی مقادیر عامل قرار می گیرند. برای غلبه بر این مشکل، کوستاس و همکاران. [ 24 ] از تفاوت بین LST کوچک‌شده و اصلی (معادله (2)) برای هر پیکسل برای تخمین خطای نشان‌دهنده تأثیر عوامل دیگر مانند رطوبت خاک استفاده کرد و سپس از آن برای تصحیح با معادله استفاده کرد. 3).

∆تی^سیآر=�استیسیآر–�استی^سیآر

جایی که:

∆تی^سیآر: باقیمانده دمای سطح زمین (°C).
�استیسیآر: دمای سطح زمین از اندازه گیری ماهواره (°C) تعریف می شود.
�استی^سیآر: دمای سطح زمین کاهش یافته جمع شده (درجه سانتیگراد).

�استیافآر=�استیافآر*+∆تی^سیآر

جایی که:

�استیافآر: تصحیح شد، دمای سطح زمین با وضوح خوب (°C) کاهش یافت.
�استیافآر*: دمای سطح زمین با معادله (1) از NDVI با وضوح ریز اصلی (°C) محاسبه شده است.
در عمل، برای تعریف رابطه NDVI-LST، نقشه NDVI با وضوح درشت به سه گروه تقسیم شد. ضریب تغییرات مقادیر NDVI با وضوح خوب در هر پیکسل با وضوح درشت محاسبه شد. برای جلوگیری از تأثیر ناهمگنی، این نقشه به سه کلاس تقسیم شد: NDVI < 0.2 برای خاک لخت، 0.2 < NDVI < 0.5 برای پوشش گیاهی جزئی و NDVI > 0.5 برای پوشش گیاهی کامل. در نهایت، 25 درصد از پیکسل های با کمترین ضریب تغییرات از هر گروه برای به دست آوردن همبستگی انتخاب شدند [ 24 ].

2.2.1. اصلاح DisTrad

منطقه مورد مطالعه به عنوان یک چشم انداز مختلط با انواع مختلف پوشش زمین (پوشش گیاهی متراکم، پوشش گیاهی با متراکم متوسط، پوشش گیاهی با تراکم کم، خاک برهنه، مناطق شهری و آب) توصیف می شود. رویکرد DisTrad بر اساس همبستگی بین LST و NDVI است. رویکرد اصلی از یک رگرسیون چند جمله ای مرتبه دوم استفاده می کند، با فرض یک رابطه غیر خطی بین دو متغیر. با این حال، در موارد خاص، نقاط پرت در لبه های محدوده مقدار ممکن است به شدت بر چند جمله ای مرتبه دوم تأثیر بگذارد. برای دور زدن این موضوع، آزمایش کردیم که آیا یک رگرسیون خطی استحکام معادله رگرسیون را بهبود می بخشد یا خیر.
علاوه بر این، تکنیک اصلی DisTrad استفاده از 25 درصد پیکسل‌های انباشته شده با کمترین تنوع تغییرات را برای پارامترسازی معادله رگرسیون توصیه می‌کند. با این وجود، در مورد یک منطقه ناهمگون (مثلاً به دلیل مزارع کشاورزی کوچک نسبت به اندازه پیکسل درشت)، که در آن CV مقادیر اصلی NDVI در بیشتر پیکسل‌های با وضوح درشت نسبتاً بالا است، ما تأثیر استفاده از تنها 10 درصد از پیکسل های انباشته شده با کمترین ضریب تغییرات در تعریف پارامترهای معادله رگرسیون.
روش اصلاح شده تیز کردن DisTrad همبستگی بالاتری را بین دمای مشاهده شده و دمای کاهش یافته MODIS نشان داد. مرجع. [ 33 ] از همبستگی بین درصد نفوذناپذیر و باقیمانده های تخمین دما تولید شده از دو محصول دمای سطح زمین 5 دقیقه MODIS/Terra استفاده کرد. مرجع. [ 34 ] همچنین استفاده از درصدهای مختلف پیکسل‌های انبوه را برای تعیین کسر پیکسل شاخص بهینه مورد استفاده در برنامه کاهش مقیاس با ارزیابی استفاده از 100٪، 75٪، 50٪ یا 25٪ از پیکسل‌های دارای کمترین، بررسی کرد. مقادیر CV در تصویر 960 متری شبیه سازی شده. همبستگی بالاتر با استفاده از 100٪ از پیکسل های R2 = 0.65 در مقایسه با 75٪، 50٪ و 25٪ در جایی که R2 به دست آمد.= 0.63، 40، 34 به ترتیب.

خلاصه اصلاح

  • با این فرض که چند جمله ای برای پرت حساس تر است، از رگرسیون خطی به جای رگرسیون چند جمله ای استفاده کنید.
  • با فرض اینکه بر اساس ناهمگونی منطقه مورد مطالعه، 10 درصد از پیکسل های انباشته شده، همبستگی قوی تری بین NDVI و LST در دم بالا و پایین ایجاد می کند، از 10 درصد پیکسل های انباشته استفاده کنید. در توزیع پیکسل ها

اعتبار سنجی

برای تایید این اصلاح، از NDVI همانطور که در شکل 2 نشان داده شده است و LST محاسبه شده از تصویر Landsat 8 در تاریخ 18 ژانویه 2018 استفاده کردیم و مراحل به شرح زیر است:
  • LST از Landsat 8 به وضوح درشت تر (1000 متر) جمع شد.
  • NDVI از Landsat 8 به وضوح درشت (1000 متر) جمع شد.
  • این اصلاح برای LST1000m و NDVI1000M برای کاهش مقیاس LST به وضوح خوب اعمال شد.
  • LSTnative برای اعتبارسنجی LSTdown استفاده شد.
Ijgi 11 00327 g002 550
شکل 2. NDVI برگرفته از Landsat 8 18 ژانویه 2018.
همین اصلاح برای MODIS (MOD11A1 V6. Product) برای 37 تصویر برای ایجاد سری زمانی اعمال شد.

2.3. تخمین تبخیر و تعرق

تبخیر و تعرق مهمترین پارامتر در تعادل آب در مناطق خشک و نیمه خشک است. با این وجود، علیرغم اهمیت آن به عنوان عنصری با وضوح زمانی ضعیف در نظر گرفته می شود. در نتیجه، تفکیک زمانی آن باید بهبود یابد، به خصوص اگر قرار باشد برای برنامه ریزی و برنامه ریزی آبیاری از آن استفاده شود. بنابراین، کاهش مقیاس دمای سطح زمین ضروری است، زیرا یکی از مهمترین عوامل در تخمین تبخیر و تعرق است که پویاترین پارامتر است. به منظور ارزیابی توانایی کاهش مقیاس LST برای بهبود وضوح زمانی تبخیر و تعرق، از مدل سیستم تعادل انرژی سطحی (SEBS) برای تخمین تبخیر و تعرق استفاده شد. دمای اولیه سطح زمین از Landsat 8، کاهش مقیاس Landsat 8 دمای سطح زمین، نمونه برداری مجدد از سطح زمین MODIS،

2.3.1. سیستم تعادل انرژی سطحی

مدل سیستم تعادل انرژی سطحی (SEBS)، طراحی شده توسط [ 35] برای تخمین تبخیر و تعرق به دو نوع داده نیاز است: گروه اول خصوصیات فیزیکی سطح زمین را توصیف می کند، از جمله آلبیدو، انتشار، دما، پوشش گیاهی جزئی، شاخص سطح برگ و ارتفاع پوشش گیاهی (یا ارتفاع زبری). این داده ها را می توان از تصاویر ماهواره ای بازیابی کرد. گروه دوم وضعیت جو را در ارتفاع مرجع توصیف می کند که شامل فشار هوا، دما، رطوبت، سرعت باد، تابش خورشیدی به سمت پایین و تابش موج بلند رو به پایین است. این پارامترها را می توان از داده های هواشناسی اندازه گیری مستقیم یا با استفاده از یک مدل تعیین کرد. داده ها همچنین برای محاسبه طول زبری برای انتقال حرارت و کسر تبخیری استفاده می شوند.
SEBS یک مدل تعادل انرژی مبتنی بر فیزیکی است که نیازی به دانش قبلی در مورد شارهای گرمای آشفته ندارد. برای محاسبه تبخیر نسبی آنی، مدل از تعادل انرژی در شرایط محدود کننده مرطوب و خشک استفاده می کند. مدل SEBS بر اساس معادله تعادل انرژی (معادله (4)) است.

آر�=��+جی0+اچ

جایی که: آر�تابش خالص است، λ E شار گرمای نهان آشفته است ( λ گرمای نهان تبخیر و E تبخیر و تعرق واقعی است). جی0شار حرارتی خاک است و H شار حرارتی محسوس آشفته است (همه واحدها W·m – 2 یا J·s – 1 ·m – 2 هستند).

محاسبه شار خالص تشعشع روی سطح زمین، Rn ( W ·m- 2 )، با رابطه (5) ارائه شده است.

آر�=(1–�)آرس�د+�  آرل�د–� �  تی04

که در آن: α آلبیدو است (-)، آرس�دتابش خورشیدی رو به پایین است (W·m – 2 )، ε تابش سطح (-) است. آرل�دتابش موج بلند رو به پایین است (W·m – 2 )، σ ثابت استفان-بولتزمن است (W·m – 2 ·K – 4 )، و تی0دمای سطح (K) است.

شار حرارتی خاک به ویژگی های سطح زمین، محتوای آب خاک و عوامل دیگر بستگی دارد. معادله (6) محاسبه شار حرارتی خاک را با استفاده از مدل SEBS نشان می دهد:

جی0=آر�(�ج+(1–�ج)·(�س–�ج))

که در آن فرض می شود نسبت شار حرارتی خاک به تابش خالص �ج = 0.05 برای تاج پوشش گیاهی کامل و �س = 0.315 برای خاک لخت. سپس یک درونیابی بین این موارد محدود کننده با استفاده از پوشش تاج کسری انجام می شود. �ج· (-).

شار حرارتی محسوس با استفاده از رابطه (7) محاسبه می شود.

اچ=((آر�–جی0)–�سیپ�ه�.(هس–ه)�)/1+∆�. 
آر�تشعشع خالص، جی0= شار حرارتی خاک، �= چگالی هوا در فشار ثابت، سیپ= گرمای ویژه هوا، (هس–ه)=کمبود فشار بخار هوا، �= ثابت سایکرومتریک، ∆ = شیب فشار بخار اشباع.
ما از SEBS برای تخمین کسر تبخیر با ایجاد تعادل انرژی در موارد محدود در حد خشک و حد مرطوب همانطور که در رابطه (8) نشان داده شده است، استفاده خواهیم کرد:

��=1–اچ–اچ�هتیاچد��–اچ�هتی

کجا: اچ�هتیشار حرارتی محسوس در حد مرطوب است و اچد��شار حرارتی محسوس در حد خشک

از آنجایی که نسبت ET (کسر تبخیری) Λ را می توان در طول یک روز ثابت فرض کرد، ET روزانه 24 (mm) را می توان با استفاده از معادلات زیر تخمین زد:

�=��آر�–جی0=  ��–� ��هتیآر�–جی. 
�دآمنل�=�024·8.64·107·آرن–جی0���

جایی که:  ��تبخیر نسبی است، �024کسر تبخیری روزانه، ��چگالی آب بر حسب کیلوگرم بر متر مکعب اندازه گیری می شود و λ گرمای نهان تبخیر است.

2.3.2. آماده سازی داده های ورودی برای SEBS

برای تخمین تبخیر و تعرق واقعی در SEBS داده های زیر باید تهیه شود.

شاخص گیاهی مختلف نرمال شده (NDVI)

NDVI با استفاده از رابطه (11) از Landsat 8 به دست آمد.

ن��من=�5–�4�5+�4

جایی که: �5بازتاب در باند 5 است و �4بازتاب در باند 4 است.

کسری از پوشش گیاهی (FVC)

FVC را می توان از نقشه های NDVI استخراج کرد (معادله (12)). در این مطالعه، FVC همانطور که در معادله (12) ارائه شده است، همانطور که توسط [ 36 ] برای پوشش کامل گیاهی و خاک لخت پیشنهاد شده است، برآورد شد.

اف�سی=ن��من–ن��منسن��من�–ن��منس

جایی که ن��منسنشان دهنده NDVI خاک خالی است، NDVI مقدار پیکسل واقعی است و ن��منس. مطابق با مقدار NDVI پوشش کامل تاج پوشش گیاهی است.

انتشار

گسیل باند پهن سطح زمین ( ε ) بر اساس FCV با استفاده از رابطه (13)، که توسط [ 37 ] معرفی شد، محاسبه می شود.
�=0.004×اف�سی+0.986

آلبیدو

آلبیدو بازتاب یک سطح در طیف وسیعی از طول موج ها است. کسر منعکس شده تابش ورودی را به عنوان تابعی از تابش جذب شده نشان می دهد. باند پهن با استفاده از الگوریتم Landsat 8 (سنسور OLI) در باندهای مرئی و NIR 2 تا 7 در این مطالعه با استفاده از معادله (14) [ 38 ] محاسبه شد.

���من=0.362�2+0.13�4+0.373�5+0.085�6+0.072�7–0.0018

جایی که: ���منآلبیدوی موج کوتاه لندست است و �منبازتاب باندهای i = 2، 4، 5، 6 و 7 است.

داده های مترولوژیکی

ERA5 داده هایی را در مورد ارتفاع لایه مرزی سیاره ای، تابش موج کوتاه ورودی، رطوبت خاص و فشار ارائه می دهد، در حالی که مجموعه داده ERAinterm داده هایی را در مورد ساعات نور خورشید ارائه می دهد.
ورودی های دمای هوا و سرعت باد از ایستگاه هواشناسی نیو حلفا دریافت می شود. این داده‌ها به‌عنوان اندازه‌گیری‌های نقطه‌ای مورد استفاده قرار خواهند گرفت که نماینده منطقه مورد مطالعه در نظر گرفته می‌شوند، زیرا منطقه‌ای هموار با شیب ملایم به سمت شمال است.

2.3.3. بازیابی تبخیر و تعرق واقعی در SEBS

تبخیر و تعرق با استفاده از پسوند مدل SEBS که در برنامه ILLWIS گنجانده شده است، محاسبه شد. نقشه های تبخیر و تعرق روزانه به مدت 40 روز با استفاده از LST کوچک شده تولید شد.

2.3.4. داده ها و پردازش

همانطور که در جدول 1 نشان داده شده است، مجموعه داده ها از منابع داده باز دانلود شدند .

2.3.5. اعتبار سنجی SEBS

از آنجایی که داده های واقعی ET در مزارع آبی در دسترس نبود، ETa برآورد شده توسط SEBS با مقایسه آن با تبخیر و تعرق بالقوه برآورد شده با استفاده از ضریب محصول و ET مرجع تایید شد. این بر این فرض استوار بود که در شرایط مزرعه آبی و شرایط مناسب برای ET، پتانسیل ET محصول تقریباً برابر با تبخیر و تعرق واقعی محصول است. تبخیر و تعرق بالقوه (ETp) در طرح نیو halfa به عنوان حاصلضرب kc برآورد شد و مقادیر تبخیر و تعرق مرجع (ETo) از تابش خالص، رطوبت نسبی، دمای هوا و سرعت باد با استفاده از روش پنمن – مونتیث تعیین شد.

2.3.6. توجیه آماری

ضریب تعیین، ریشه میانگین مربعات خطا (RMSE) معادله (15) و میانگین خطای مطلق (MAE) معادله (16) معیارهای آماری دقت هستند که برای ارزیابی عملکرد اصلاح کاهش مقیاس و تخمین تبخیر و تعرق استفاده می شوند.

آرماس�=∑من=1�(�استید��–�استی�آتیمن�ه)22
مآ�=∑من=1�[آبس(�استید��–�استی�آتیمن�ه)]�

جایی که:  �استید��متغیر مدل شده است، �استی�آتیمن�همتغیر مشاهده شده است و �تعداد مشاهدات است.

3. نتایج و بحث

3.1. رگرسیون LST و NDVI

این تحقیق در طول فصل رشد محصولات زراعی انجام شد. (دسامبر – مارس). LST به طور معکوس با NDVI در شکل 3 مرتبط است، همانطور که در میان دیگران نشان داده شد [ 39 ، 40 ].
استفاده از ضریب تعیین (R2 ) نشان دهنده همبستگی قوی تری بین LST و NDVI است، با مقادیر متغیر از 0.86 تا 0.84 که همگی از نظر آماری معنی دار هستند. همانطور که در شکل 4 نشان داده شده است ، نتایج یک توافق را هنگام استفاده از 10% یا 25% از پیکسل های جمع شده برای فرآیند کاهش مقیاس نشان می دهد. استفاده از 10% از پیکسل ها نتیجه خوبی می دهد که در آن مقادیر R 2 هر دو روش، 10% و 25% بود (0.84، 0.86). با این حال، بین LST و NDVI برای LST R2 بومی بالاتر از R2 بود(0.69). ما آن را به LST از تصویر بومی Landsat نسبت می دهیم. وضوح مکانی آن 100 متر است و به وضوح 30 متر نمونه برداری شده است. در نتیجه، فیلدها در نقشه‌های LST کوچک‌شده جزئیات بیشتری دارند.

3.2. اثرات کاهش مقیاس LST بر روی تصویر Landsat 8

شکل 3 و شکل 4 تصاویر LST بومی (LSTnative) و LST کوچک شده (LSTdown) را از زیر مجموعه ای از منطقه مورد مطالعه با وضوح هدف 30 متر نشان می دهد. دماهای پایین تر با پوشش گیاهی متراکم (و سطوح آب) همراه است، در حالی که دماهای بالاتر با مناطق شهری و خاک لخت دور از زمین های کشت شده و سواحل رودخانه های شنی خشک مرتبط است. مناطق پوشش زمین مخلوط دارای دمای متوسط ​​هستند. این الگوهای LST کوچک شده از نظر کنتراست، تن و اشباع در شکل 3 و شکل 5 با نمونه اصلی یکسان هستند .
با این حال، LST شبیه سازی شده قادر به تعیین دمای بدنه های آبی نیست، به همین دلیل LSTdow بزرگتر از LSTnative است. از آنجایی که سطح آب هیچ ارتباطی با NDVI ندارد، سطح خطا از تفسیر بصری خطای بیشتری را مطابق با یک بدنه آبی نشان می دهد. این نتایج با نتایج یافت شده توسط [ 20 ] مطابقت دارد. به طور مشابه، خاک لخت نرخ خطای بالاتری را نشان می دهد و به دنبال آن مناظر شهری قرار دارند. به طور مشابه، خاک لخت بیشترین خطا را نشان می دهد و پس از آن تنظیمات شهری. حداقل خطا در سطح زیر کشت یافت شد. با توجه به [ 28 ، 40 ]، مناطق پوشش گیاهی همگن به دلیل برازش دقیق مدل‌های رگرسیون بر روی چنین مناطقی، مقدار خطای کاهش مقیاس کمتری دارند. جدول 2حداقل، حداکثر، (ریشه میانگین مربع خطا) RMSE، و (میانگین خطا) ME محاسبه شده از تفاوت بین LSTdown و LSTnative را نشان می دهد. مقادیر حداقل و حداکثر دمای سطوح LSTdown نیز با LSTnative مطابقت دارد.
دماهای حداقل و حداکثر در 10٪ و 25٪ از داده های مورد استفاده برای همبستگی بسیار نزدیک به LSTnative هستند و ضریب تعیین (R2 ) هنگام استفاده از 10٪ 0.72 است. R2 = 0.74 برای 25٪ است. مرجع. [ 13 ] دریافتند که RMSE با افزایش وضوح هدف افزایش می‌یابد، که نشان‌دهنده کاهش دقت در تفکیک پذیری بهتر است همانطور که در شکل 6 نشان داده شده است. همین نتیجه توسط [ 28 ] مشاهده شد. این به دلیل افزایش درجه تغییرپذیری زیرپیکسل است. بر اساس این تجزیه و تحلیل آماری، این اصلاح نتایج برتری را به همراه دارد زیرا سایر دانشمندان در تلاش برای دستیابی به وضوح درشت تر از هدف این تحقیق بودند.
روش DisTrad استفاده از 25% پیکسل های انبوه با کمترین ضریب تغییرات را برای تعریف معادله رگرسیون توصیه می کند. با این حال، در مورد ناحیه ناهمگون، مانند میدان های کوچک در منطقه مورد مطالعه، ضریب تعیین می تواند به دلیل تعداد بالای پیکسل های مخلوط پایین باشد. برای غلبه بر این مشکلات، 10 درصد از پیکسل های انباشته شده با کمترین ضریب تغییرات برای برازش همبستگی استفاده شد.
نتایج نشان می‌دهد که استفاده از 10 درصد داده‌ها با کمترین ضریب تغییرات همبستگی بالاتری نسبت به استفاده از 25 درصد داده‌ها با کمترین ضریب تغییرات دارد که R2 برای LST25 و 10 درصد به ترتیب 0.75 و 0.80 بود. همانطور که در شکل 6 نشان داده شده است.

3.3. اثرات کاهش مقیاس LST بر ET یک برآورد

با توجه به تأثیر کاهش مقیاس دمای سطح زمین بر تخمین تبخیر و تعرق، متوجه شدیم که کاهش مقیاس تنها با استفاده از 10 درصد پیکسل ها به دلیل همگرایی بالای نتایج حاصل از این دو روش و دمای بومی سطح زمین، همبستگی خوبی را به همراه دارد. ، که در آن ضریب تعیین برای هر دو روش 10% و 25% (84.5 و 84.1) بود و میانگین RMSE (به ترتیب 0.3 و 0.28 میلی متر در روز) را به دست آورد. نقشه‌های تبخیر و تعرق تولید شده با استفاده از دمای سطح زمین دارای وضوح مکانی بالاتری نسبت به نقشه‌های تولید شده با استفاده از دمای سطح زمین بومی بودند، زیرا جزئیات و مرزهای میدان‌های کوچک در این نقشه‌ها نسبت به نقشه‌های تولید شده با استفاده از دمای سطح زمین بومی دقیق‌تر هستند. در شکل 7و شکل 8 [ 19 ] RMSE را در محدوده مشابه 0.16 و TsHARP = 0.55 میلی متر در روز با استفاده از رویکرد جداسازی غیر خطی (NL-DisTrad) تولید کرد.

3.4. کاربرد مدل کاهش مقیاس بر روی داده های MODIS

پس از اعمال مدل کاهش مقیاس برای هر دو روش در تصویر Landsat، دمای سطح کاهش یافته نتایج معقولی را با دقت 30 متر به دست می دهد. داده های MODIS در تفکیک مکانی 1000 متر با وضوح زمانی یک روز (17 ژانویه 2018) در دسترس است. داده های نوری 250 متر و 500 متر نیز هر روز با وضوح زمانی در دسترس هستند، اما مانع استفاده از داده های نوری MODIS این است که نتایج به دست آمده از این حسگرها برای استفاده در فرآیند مدیریت آب برای میادین کوچک مناسب نیستند. وضوح فضایی ضعیف آنها بنابراین ترجیح داده می‌شود از داده‌های نوری لندست استفاده شود زیرا وضوح مکانی بالای 30 متر دارند. دریافتیم که NDVI از یک تصویر لندست برای مدل کاهش مقیاس بیش از یک تصویر MODIS مناسب است. که در آن فرض می شود که NDVI به طور قابل توجهی در این دوره تغییر نمی کند. بنابراین، NDVI تولید شده توسط Landsat برای مدل‌سازی دمای سطح زمین با محصولات MODIS استفاده شد. با استفاده از تفسیر بصری نقشه‌های حاصل از فرآیند کاهش مقیاس، متوجه می‌شویم که فرآیند کاهش مقیاس همان جلوه‌ای را می‌دهد که در هنگام استفاده از مدل روی تصویر Landsat ظاهر شد، جایی که کاهش مقیاس منجر به شفاف‌سازی پارامترهای فیلدهای کوچک شد. و اشاره به حدود آنها. همچنین دریافتیم که الگوی دمای سطح زمین از نظر چگالی از الگوی NDVI پیروی می کند. دماهای پایین در مزارع با تراکم NDVI بالا است، در حالی که دماهای بالا در مزارع با تراکم NDVI کم یا در خاک برهنه و مناطق شهری ظاهر می شود. این روش به دلیل نبود اطلاعات دمای سطح زمین برای سطح آن روز به عنوان مرجع در نظر گرفته شد. همانطور که چندین دانشمند نشان دادند، ما نیاز به داده‌هایی داشتیم که در همان روز گرفته می‌شد تا به عنوان مرجع در نظر گرفته شوند و برای تأیید این نتایج استفاده شوند.41 ، 42 ]. برخی از دانشمندان اشاره کردند که تفاوت در حسگرها نیز می تواند بر نتایج تأثیر بگذارد [ 20 ]. از سوی دیگر، هنگام مقایسه اصلاحات اعمال شده در روش کوستاس، پارامترسازی همبستگی بین پوشش گیاهی و LST را بهبود می بخشد، همانطور که در شکل 9 نشان داده شده است (الف) همبستگی NDVI و LST25٪، (ب) همبستگی NDVI و LST10٪ و شکل 10 ETa (a) مشتق شده از MODIS LST نمونه برداری مجدد و (b) کاهش مقیاس، به ترتیب. MODIS LST (c) نمونه‌برداری مجدد و (د) کاهش مقیاس. با این حال، وقتی دمای سطح زمین MODIS را با استفاده از داده‌های Landsat 8 در 18 ژانویه 2018 آزمایش کردیم، یافته‌ها میانگین RMSE 1.3 K را نشان داد.

3.5. اعتبار سنجی مدل

برای نشان دادن اینکه کاهش مقیاس تفکیک زمانی تبخیر و تعرق را بهبود می بخشد، از 40 نقشه دمای سطح زمین برای تخمین تبخیر و تعرق واقعی برای محصولات گندم از 18 دسامبر 2017 تا 24 فوریه 2018 استفاده شد. هشت پیکسل از هشت مزرعه مختلف انتخاب شد و میانگین برای آنها محاسبه شد. پیکسل ها با تبخیر و تعرق بالقوه مقایسه شد. شکل 11 و شکل 12 تبخیر و تعرق روزانه (mm·day -1 ) را نشان می‌دهد که با استفاده از روش SEBS محاسبه شده است، که از 1.5 mm·d -1 در شروع فصل تا 5.2 mm·d -1 در اواسط فصل متغیر است.
نتیجه در مقایسه با تبخیر و تعرق بالقوه ETp از تبخیر و تعرق مرجع بر اساس پارامترهای مترولوژیکی و ضریب محصول برآورد شد. همانطور که در شکل 11 نشان داده شده است ، SEBS تبخیر و تعرق را دست کم گرفته است. با این حال، همانطور که در شکل 11 نشان داده شده است ، یک همبستگی قوی بین دو محصول وجود دارد، با R2 = 79. شکل 12 ، از سوی دیگر، روندهای واقعی در دقت ETa تولید شده از SEBS را نشان می دهد. شکل 12 نیز روندهای ثابت ETa را در طول فصل رشد گندم نشان می دهد. از نتایج ذکر شده در بالا، می توان نشان داد که کاهش مقیاس LST وضوح تبخیر و تعرق زمانی را بهبود می بخشد.

4. نتیجه گیری

این مقاله نشان می‌دهد که چگونه می‌توان تکنیک DisTrad را برای کاهش مقیاس دمای سطح زمین در زمین‌های کوچک در محیط‌های خشک و نیمه‌خشک با پرداختن به رابطه بین دمای سطح زمین و پوشش گیاهی در وضوح بالا نشان داد. منطقه مورد مطالعه به عنوان یک طبقه پوشش زمین مختلط توصیف می شود. دارای انواع مختلفی از پوشش زمین متمایز (پوشش گیاهی متراکم، پوشش گیاهی متوسط، پوشش گیاهی کم، خاک لخت، مناطق شهری و آب) است. با توجه به پیچیدگی پوشش گیاهی در این منطقه که تمامی مزارع دارای مساحت کمی هستند، یافتن پیکسل هایی با وضوح 1 کیلومتر با پوشش گیاهی متراکم به جز در چند پیکسل مشکل است. در نتیجه، پیشنهاد شد که از تعداد پیکسل های کمتری برای فرآیند کاهش مقیاس استفاده کنیم. همچنین پیشنهاد شد که از رگرسیون خطی به جای چند جمله ای مرتبه دوم استفاده شود زیرا رگرسیون خطی در لبه های منحنی قوی تر است و از مقادیر شدید ناشی از چند جمله ای مرتبه دوم جلوگیری می کند. نتایج خوبی به دست آمد که می تواند فرآیند کاهش مقیاس را در مناطقی با ویژگی هایی مانند منطقه مورد مطالعه بهبود بخشد. در مقایسه با رگرسیون چند جمله ای، رگرسیون خطی LST منجر به R شد2 = 0.74، 0.72 برای 25٪ و 10٪ به ترتیب.
دمای سطح زمین کاهش یافته به ماژول سیستم تعادل انرژی سطحی تبدیل شد تا تبخیر و تعرق واقعی را در وضوح زمانی بالاتر (30 متر) تخمین بزند. این پارامترسازی به روش DisTrad برای بهبود وضوح زمانی و مکانی LST و ET اعمال شد و به ترتیب RMSE 0.3 و 0.28 میلی‌متر در روز بود. مطالعات قبلی توسط [ 19 ] از روش غیر خطی (NL-DisTrad) برای تجمیع دمای سطح زمین و مقایسه آن با روش TsHARP و ادغام آن در مدل برای برآورد ET a استفاده کردند. هر دو روش RMSE = 0.16 برای (NL-DisTrad) و 0.55 میلی متر در روز برای TsHARP تحقیق دیگری که توسط [ 43 انجام شد به دست آوردند.] از مدل جارویس برای شبیه‌سازی مقاومت سطحی برای کاهش مقیاس تبخیر و تعرق در Zhangye Oasis استفاده کرد. در نهایت، ممکن است از یافته‌های فوق‌الذکر استنباط کنیم که این تغییر می‌تواند نقشه‌های Eta قابل اعتماد را برای برنامه‌ریزی آبیاری و برنامه‌ریزی کشاورزی افزایش دهد و ارائه دهد. بر اساس نتایج ذکر شده در بالا، می‌توان نتیجه گرفت که اصلاح DisTrad وضوح مکانی و زمانی تبخیر و تعرق را بهبود بخشیده است.

مشارکت های نویسنده

مفهوم سازی، طه امام ابراهیم و صادق المالکی; روش شناسی، طاها IM ابراهیم; نرم افزار، عمر سلامه; اعتبارسنجی، زولتان وکردی، ایستوان والتنر؛ تحلیل رسمی، زولتان وکردی; در حال بررسی، طاها IM ابراهیم; سرپرستی داده ها، طه امام ابراهیم و صادق المالکی. نگارش – تهیه پیش نویس اصلی، طه امام ابراهیم و صادق المالکی. نوشتن-بررسی و ویرایش، Zoltán Vekerdy، István Waltner; نظارت Zoltán Vekerdy، István Waltner. همه نویسندگان نسخه منتشر شده نسخه خطی را خوانده و با آن موافقت کرده اند.

منابع مالی

این تحقیق توسط بنیاد عمومی Tempus (TPF) / برنامه بورسیه تحصیلی Stipendium Hungaricum تامین شده است.

بیانیه هیئت بررسی نهادی

قابل اجرا نیست.

بیانیه رضایت آگاهانه

قابل اجرا نیست.

بیانیه در دسترس بودن داده ها

مجموعه داده های مورد استفاده در این مطالعه به درخواست معقول از نویسنده مسئول در دسترس است. همه داده ها و مطالب برای انتشار در دسترس است.

قدردانی

ما یک برنامه بورسیه تحصیلی بنیاد عمومی Tempus (TPF)/Stipendium Hungaricum، دانشگاه کشاورزی و علوم زیستی مجارستان / دانشکده دکتری علوم محیطی را تایید می کنیم.

تضاد علاقه

نویسندگان هیچ تضاد منافع را اعلام نمی کنند. تامین کنندگان مالی هیچ نقشی در طراحی مطالعه نداشتند. در جمع آوری، تجزیه و تحلیل یا تفسیر داده ها؛ در نوشتن دست‌نوشته یا تصمیم به انتشار نتایج.

منابع

  1. Bah, AR; نوروزی، ح. پراکاش، س. بلیک، آر. خانبیلوردی، ر. روزنزوایگ، C. کاهش مقیاس فضایی دمای سطح زمین GOES-R در مناطق شهری: مطالعه موردی برای شهر نیویورک. Atmosphere 2022 , 13 , 332. [ Google Scholar ] [ CrossRef ]
  2. وانگ، اس. لو، ی. لی، ایکس. یانگ، ک. لیو، کیو. لو، ایکس. Li، X. کاهش مقیاس دمای سطح زمین بر اساس مدل رگرسیون وزن‌دار جغرافیایی غیرخطی در مناطق شهری. Remote Sens. 2021 , 13 , 1580. [ Google Scholar ] [ CrossRef ]
  3. آهنگ، سی. در آغوش گرفتن.؛ وانگ، ی. Qu, X. کاهش مقیاس رطوبت خاک ESA CCI بر اساس دمای اجزای خاک و پوشش گیاهی برگرفته از داده‌های MODIS. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2022 , 15 , 2175–2184. [ Google Scholar ] [ CrossRef ]
  4. Yang, Y. چارچوب جداکننده مقیاس برای ترکیب محصولات دمای سطح زمین ماهواره. Remote Sens. 2022 , 14 , 983. [ Google Scholar ] [ CrossRef ]
  5. پان، X. زو، ایکس. یانگ، ی. کائو، سی. ژانگ، ایکس. Shan, L. کاربرد کاهش مقیاس دمای سطح زمین با استفاده از شاخص ماسه تفاوت نرمال شده. علمی Rep. 2018 , 8 , 9530. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  6. زاکشک، ک. Oštir, K. کاهش دمای سطح زمین برای تجزیه و تحلیل چرخه روزانه جزیره گرمایی شهری. سنسور از راه دور محیط. 2012 ، 117 ، 114-124. [ Google Scholar ] [ CrossRef ]
  7. ژان، دبلیو. چن، ی. ژو، جی. وانگ، جی. لیو، دبلیو. ووگت، جی. زو، ایکس. کوان، جی. لی، جی. تفکیک دمای سطح زمین سنجش از راه دور: بررسی ادبیات، طبقه بندی، مسائل، و هشدارها. سنسور از راه دور محیط. 2013 ، 131 ، 119-139. [ Google Scholar ] [ CrossRef ]
  8. لی، دبلیو. وو، اچ. Duan، SB; Li، ZL; لیو، کیو. انتخاب متغیرهای پیش بینی کننده در کاهش مقیاس دمای سطح زمین با استفاده از الگوریتم جنگل تصادفی. در مجموعه مقالات سمپوزیوم بین المللی علوم زمین و سنجش از دور IEEE 2019، یوکوهاما، ژاپن، 28 جولای تا 2 آگوست 2019؛ صفحات 1817–1820. [ Google Scholar ]
  9. ژانگ، ز. او، جی. وانگ، ام. لانگ، تی. وانگ، جی. Zhang، X. اعتبار سنجی الگوریتم تک کانال تعمیم یافته با استفاده از تصاویر Landsat 8 و اندازه گیری های زمین SURFRAD. سنسور از راه دور Lett. 2016 ، 7 ، 810-816. [ Google Scholar ] [ CrossRef ]
  10. آره.؛ ژائو، تی. شی، ج. ران، ی. جیا، ال. Ji, D. توصیف داده ها مجموعه داده های دمایی سطح زمین MODIS پیوسته مکانی-زمانی جهانی. علمی داده 2022 ، 9 ، 143. [ Google Scholar ] [ CrossRef ]
  11. بارتکویاک، پ. کاستلی، م. Notarnicola، C. کاهش دمای سطح زمین از مجموعه داده های MODIS با رویکرد جنگل تصادفی در مناطق پوشش گیاهی آلپ. Remote Sens. 2019 , 11 , 1319. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  12. Nugraha، ASA; گوناوان، ت. کمال، م. کاهش دمای سطح زمین بر روی تصویر چند مقیاسی برای پایش خشکسالی. در مجموعه مقالات ششمین سمپوزیوم علم اطلاعات جغرافیایی 2019، یوگیاکارتا، اندونزی، 26 تا 27 اوت 2019؛ پ. 6. [ Google Scholar ]
  13. هوتنگز، سی. Vohland، M. کاهش دمای سطح زمین در مقیاس های منطقه ای با رگرسیون تصادفی جنگل. سنسور از راه دور محیط. 2016 ، 178 ، 127-141. [ Google Scholar ] [ CrossRef ]
  14. پنگ، دبلیو. یوان، ایکس. گائو، دبلیو. وانگ، آر. چن، دبلیو. ارزیابی آب و هوای شهری اثر سرمایش شهری بر اساس دمای سطح زمین کاهش یافته: مطالعه موردی برای فوکوکا، ژاپن. اقلیم شهری. 2021 ، 36 ، 100790. [ Google Scholar ] [ CrossRef ]
  15. سازمان زمین شناسی آمریکا راهنمای کاربران داده لندست 8 ; ناسا: واشنگتن دی سی، ایالات متحده آمریکا، 2016; جلد 8، ص. 97.
  16. گوا، اف. هو، دی. Schlink, U. Remote Sensing of Environment یک روش غیرخطی جدید برای کاهش مقیاس دمای سطح زمین با ادغام فیلتر هدایت شده و گاوسی. سنسور از راه دور محیط. 2022 ، 271 ، 112915. [ Google Scholar ] [ CrossRef ]
  17. یانگ، ی. لی، ایکس. پان، X. ژانگ، ی. Cao, C. کاهش دمای سطح زمین در مناطق پیچیده با استفاده از عوامل مقیاس چندگانه با آستانه های تطبیقی. Sensors 2017 , 17 , 744. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  18. Pu, R. ارزیابی اثر پوسته پوسته شدن در کاهش دمای سطح زمین در یک محیط شهری ناهمگن. بین المللی J. Appl. زمین Obs. Geoinf. 2020 , 96 , 102256. [ Google Scholar ] [ CrossRef ]
  19. Bindhu، VM; نراسیمهان، ب. Sudheer، KP توسعه و تأیید یک روش جداسازی غیر خطی (NL-DisTrad) برای کاهش دمای سطح زمین MODIS به مقیاس فضایی داده‌های حرارتی Landsat برای تخمین تبخیر و تعرق. سنسور از راه دور محیط. 2013 ، 135 ، 118-129. [ Google Scholar ] [ CrossRef ]
  20. موکرجی، اس. جوشی، پ. Garg, R. مقایسه مدل‌های رگرسیون مختلف برای کاهش مقیاس تصاویر دمای سطح زمین Landsat و MODIS بر روی منظره ناهمگن. Adv. Space Res. 2014 ، 54 ، 655-669. [ Google Scholar ] [ CrossRef ]
  21. ستاری، ف. هاشم، م. Pour، AB تیزکردن حرارتی نقشه های دمای سطح زمین بر اساس شاخص سطح غیرقابل نفوذ با روش TsHARP به داده های ماهواره ای ASTER: مطالعه موردی از کلانشهر کوالالامپور، مالزی. اندازه گیری 2018 ، 125 ، 262-278. [ Google Scholar ] [ CrossRef ]
  22. اتکینسون، PM کاهش مقیاس در سنجش از دور. بین المللی J. Appl. زمین Obs. Geoinf. 2013 ، 22 ، 106-114. [ Google Scholar ]
  23. مائو، کیو. پنگ، جی. وانگ، ی. افزایش وضوح دمای سطح زمین سنجش از دور: وضعیت فعلی و دیدگاه‌ها. Remote Sens. 2021 , 13 , 1306. [ Google Scholar ] [ CrossRef ]
  24. کوستاس، WP; نورمن، جی.ام. اندرسون، ام سی؛ فرنچ، AN تخمین دمای سطح زیرپیکسل و شار انرژی از رابطه شاخص پوشش گیاهی-دما رادیومتری. سنسور از راه دور محیط. 2003 ، 85 ، 429-440. [ Google Scholar ] [ CrossRef ]
  25. یانگ، سی. ژان، Q. Lv، Y.; لیو، اچ. کاهش مقیاس دمای سطح زمین با استفاده از رگرسیون چند مقیاسی وزن‌دار جغرافیایی بر روی مناظر ناهمگن در ووهان، چین. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2019 , 12 , 5213–5222. [ Google Scholar ] [ CrossRef ]
  26. لی، اچ. وو، جی. خو، اف. روش وارونگی مبتنی بر تصویر Li، S. Landsat-8 و Gaofen-1 برای کاهش دمای سطح زمین در مناطق معدنی خاکی کمیاب. فیزیک مادون قرمز تکنولوژی 2021 ، 113 ، 103658. [ Google Scholar ] [ CrossRef ]
  27. خو، اس. ژائو، کیو. یین، ک. او، جی. ژانگ، ز. وانگ، جی. ون، ام. Zhang، N. کاهش مقیاس فضایی دمای سطح زمین بر اساس یک مدل یادگیری ماشین وزن‌دار جغرافیایی چند عاملی. Remote Sens. 2021 , 13 , 1186. [ Google Scholar ] [ CrossRef ]
  28. آگام، ن. کوستاس، WP; اندرسون، ام. لی، اف. نیل، CM یک تکنیک مبتنی بر شاخص پوشش گیاهی برای وضوح فضایی تصاویر حرارتی. سنسور از راه دور محیط. 2007 ، 107 ، 545-558. [ Google Scholar ] [ CrossRef ]
  29. ابراهیمی، ح. آزادبخت، م. کاهش دمای سطح زمین MODIS در یک منطقه ناهمگن: بررسی تکنیک های یادگیری ماشین، انتخاب ویژگی، و تاثیرات پیکسل های مخلوط. محاسبه کنید. Geosci. 2019 ، 124 ، 93-102. [ Google Scholar ] [ CrossRef ]
  30. Laxén, J. آیا Prosopis یک نفرین است یا یک نعمت؟ تجزیه و تحلیل اکولوژیکی-اقتصادی گونه های مهاجم بیگانه درختان در سودان . دانشگاه هلسینکی، موسسه منابع گرمسیری ویکی (VITRI): هلسینکی، فنلاند، 2007. [ Google Scholar ]
  31. والین، ام. اسکان مجدد برای توسعه – مورد طرح کشاورزی نیو هلفا، سودان ; موسسه آفریقای شمالی: اوپسالا، سوئد، 2014; جلد 59.
  32. Srivastava، PK؛ هان، دی. رامیرز، MR; اسلام، تی. تکنیک‌های یادگیری ماشین برای کاهش مقیاس رطوبت خاک ماهواره‌ای SMOS با استفاده از دمای سطح زمین MODIS برای کاربرد هیدرولوژیکی. منبع آب مدیریت 2013 ، 27 ، 3127-3144. [ Google Scholar ] [ CrossRef ]
  33. عیسی، دبلیو. وربایرن، بی. ون در کواست، جی. Batelaan، O. DisTrad بهبود یافته برای کاهش مقیاس تصاویر MODIS حرارتی در مناطق شهری. Remote Sens. 2017 , 9 , 1243. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  34. عیسی، دبلیو. ون در کواست، جی. وربایرن، بی. Batelaan، O. کاهش مقیاس تصاویر حرارتی در مناطق شهری با استفاده از رابطه دمای سطح زمین – درصد نفوذ ناپذیر. بین المللی J. Appl. زمین Obs. Geoinf. 2013 ، 23 ، 95-108. [ Google Scholar ] [ CrossRef ]
  35. Su, Z. سیستم تعادل انرژی سطحی (SEBS) برای تخمین شارهای حرارتی آشفته. هیدرول. سیستم زمین علمی 2002 ، 6 ، 85-100. [ Google Scholar ] [ CrossRef ]
  36. Jiménez-Muñoz، JC; سوبرینو، جی. پلازا، آ. گوانتر، ال. مورنو، جی. مارتینز، P. مقایسه بین بازیابی پوشش گیاهی کسری از شاخص‌های پوشش گیاهی و تجزیه و تحلیل مخلوط طیفی: مطالعه موردی داده‌های PROBA/CHRIS در یک منطقه کشاورزی. Sensors 2009 , 9 , 768-793. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  37. سوبرینو، جی. Jiménez-Muñoz، JC; Paolini، L. بازیابی دمای سطح زمین از LANDSAT TM 5. Remote Sens. Environ. 2004 ، 90 ، 434-440. [ Google Scholar ] [ CrossRef ]
  38. لیانگ، اس. Shuey، CJ; راس، آل. نیش، اچ. چن، ام. Walthall، CL; Daughtry، CST; Hunt, R., Jr. تبدیل باند باریک به پهنای باند آلبدوی سطح زمین: II. اعتبار سنجی. سنسور از راه دور محیط. 2003 ، 84 ، 25-41. [ Google Scholar ] [ CrossRef ]
  39. کارنیلی، ا. بایاسگلان، م. بایارجرگل، ی. آگام، ن. خدولمر، س. نظرات تاکر، سی جی در مورد استفاده از شاخص سلامت گیاهی در مغولستان. بین المللی J. Remote Sens. 2006 ، 27 ، 2017–2024. [ Google Scholar ] [ CrossRef ]
  40. جگاناتان، سی. هام، ن. موکرجی، اس. اتکینسون، پی. راجو، پ. دادوال، وی. ارزیابی یک مدل شارپنینگ تصویر حرارتی بر روی یک منظره کشاورزی مختلط در هند. بین المللی J. Appl. زمین Obs. Geoinf. 2011 ، 13 ، 178-191. [ Google Scholar ] [ CrossRef ]
  41. نجوکی، SM ارزیابی عملکرد آبیاری با سنجش از دور در حوضه نایواشا، کنیا. پایان نامه کارشناسی ارشد، دانشگاه Twente، Enschede، هلند، فوریه 2016; پ. 65. [ Google Scholar ]
  42. تبخیر و تعرق مبتنی بر دمای سطح زمین Kyalo، DK Sentinel-2 و MODIS برای محاسبات راندمان آبیاری. پایان نامه کارشناسی ارشد، دانشگاه Twente، Enschede، هلند، فوریه 2017; پ. 50. [ Google Scholar ]
  43. تان، اس. وو، بی. Yan, N. روشی برای کاهش مقیاس تبخیر و تعرق روزانه بر اساس مقاومت سطح 30 متری. جی هیدرول. 2019 , 577 , 123882. [ Google Scholar ] [ CrossRef ]
Ijgi 11 00327 g001 550
شکل 1. نقشه موقعیت منطقه مورد مطالعه را توصیف می کند.
Ijgi 11 00327 g003 550
شکل 3. ( الف ، ب ) همبستگی بین میانگین روزانه NDVI و LST برای روش های 10% و 25% به ترتیب.
Ijgi 11 00327 g004 550
شکل 4. ( الف ) LST Landsat10٪، ( ب ) LST Landsat 25٪، و ( c ) LST Landsat بومی.
Ijgi 11 00327 g005 550
شکل 5. ( a – c ) نمودار پراکندگی برای رابطه بین NDVI و LST به ترتیب 10%، LST 25% و LST native.
Ijgi 11 00327 g006 550
شکل 6. ( a – c ) نمودار پراکندگی بین LST بومی با LST10٪، LST 25٪، و LST25٪ چند جمله ای، به ترتیب.
Ijgi 11 00327 g007 550
شکل 7. ( a – c ) Eta برای LST بومی، LST 10% و LST 25% به ترتیب.
Ijgi 11 00327 g008 550
شکل 8. نمودار پراکندگی همبستگی ( الف ) ETa (بومی LST) در برابر ETa (LST10%) و ( ب ) ETa (بومی LST) در برابر ETa (LST25%).
Ijgi 11 00327 g009 550
شکل 9. ( الف ) همبستگی NDVI و LST25٪، ( ب ) همبستگی NDVI و LST10٪.
Ijgi 11 00327 g010 550
شکل 10. ETa ( a ) مشتق شده از MODIS LST نمونه برداری مجدد و ( b ) کاهش مقیاس، به ترتیب. MODIS LST ( c ) نمونه‌برداری مجدد و ( d ) کاهش مقیاس.
Ijgi 11 00327 g011 550
شکل 11. مقایسه بین ETp روزانه (خط آبی) VS. ETa (خط قرمز) برای 18 اوت 2017 تا 24 فوریه 2018.
Ijgi 11 00327 g012 550
شکل 12. ارتباط بین ETp و ETa (mm·d -1 ).
جدول

مقالات داخلی و بین المللی

مطالب مرتبط ...

9 نظرات

دیدگاهتان را بنویسید