fusion of modis and landsat-8 land surface …...doi: 10.22059/ijswr.2019.291016.668360 )763-773 ص(...
TRANSCRIPT
2019.291016.668360ijswr./10.22059OI: D (763-773 ص) 1399خرداد ، 3، شماره 51تحقيقات آب و خاک ايران، دوره
Fusion of MODIS and Landsat-8 Land Surface Temperature Images Using Spatio-Temporal Image
Fusion Model
MORTEZA KAFFASH1, SEYED HOSSEIN SANAEI-NEJAD1* 1. Department of Water Engineering, Faculty of Agriculture, Ferdowsi University of Mashhad, Mashhad, Iran.
(Received: Nov. 3, 2019- Revised: Dec. 13, 2019- Accepted: Dec. 28, 2019)
ABSTRACT
Achieving satellite images with high simultaneously spatial-temporal resolution has been one of the serious
challenges faced by researchers in the field of remote sensing and its applications. In recent years, researchers
have made serious efforts to solve the problem. In this study, producing Landsat like land surface temperature
images with less than 16 day temporal resolution and over different land covers, using spatio-temporal image
fusion algorithm (STI-FM) and MODIS Land surface temperature images, was investigated. The STI-FM
technique consist of two main steps. First establishing a linear relationship between two consecutive MODIS
LST images acquired at time 1 and time 2; then utilizing the above mentioned relationship as a function of a
Landsat-8 LST image acquired at time 1 in order to predict a synthetic Landsat -8 LST image at time 2. The
results showed strong linear relationship between the two consecutive MODIS images at times 1 and 2 (R2 in
the range 0.85-0.95). The synthetic LST images were evaluated qualitatively and quantitatively and it was found
that there is a high visual and strong agreements with the actual Landsat-8 LST images over different land
covers. For example R2 and RMSE values were ranged 0.74-0.94 and 1.44-2.52, respectively.
Key words: spatio-temporal fusion, MODIS, Landsat, Land surface temperature, remote sensing
* Corresponding Author’s Email: [email protected]
1399، خرداد 3، شماره 51، دوره تحقيقات آب و خاک ايران 764
زمانی تصوير-تلفيق مکانی مدلاستفاده از با 8-تلفيق تصاوير دمای سطح زمين موديس و لندست
1*نژاد ثنائی حسين سيد ،1مرتضی کفاش
، مشهد، ایران، دانشکده کشاورزی، دانشگاه فردوسی مشهدگروه مهندسی آب. 1
(7/10/1398تاریخ تصویب: -22/9/1398تاریخ بازنگری: -12/8/1398)تاریخ دریافت:
چکيده
های جدی محققان در یکی از چالش زمانهم صورتبهبا قدرت تفکیک مکانی و زمانی باال یاماهوارهدستیابی به تصاویر
اند. های اخیر، محققان تالش جدی برای حل این مسئله انجام دادهو کاربردهای آن بوده است. در سال دور از سنجشحوزه
بوده که در چند سال اخیر مورد توجه بسیاری قرار گرفته است. در اییدهااز تکنیک تلفیق مکانی و زمانی تصاویر، استفاده
( و تصاویر دمای سطح زمین سنجنده مودیس، STI-FMزمانی تصویر )-این مطالعه با استفاده از الگوریتم تلفیق مکانی
یامنطقهروزه( و بر روی 16های کمتر از قدرت تفکیک زمانی لندست )لندست دمای سطح زمین در بازهتولید تصاویر شبه
. ابتدا ضرایب رابطه خطی باشدیمشامل دو گام اصلی STI-FMزمینی مختلف، مورد بررسی قرار گرفت. الگوریتم اراضیاز
ب به تصویر دمای سطح و در گام دوم این ضرای شودیمتعیین 2و 1 یهازمانبین دو تصویر دمای سطح زمین مودیس در
شود. نتایج نشان داد که رابطه خطی بینییشپ، 2لندست در زمان تا تصویر شبه شودیماعمال 1زمین لندست در زمان
(. ارزیابی کیفی و کمی تصاویر 95/0و 85/0ضرایب تعیین )وجود دارد 2و 1 یهازمانقوی بین دو تصویر مودیس در
مشخص شد که توافق بصری باال و رابطه قوی بین تصاویر دمای سطح زمین واقعی ؛ وشد مصنوعی دمای سطح زمین انجام
-44/1و 94/0-74/0ترتیب در محدوده به RMSEو 2Rضرایب های مختلف زمینی وجود دارد؛شبر روی پوش و مصنوعی
قرار گرفتند. 52/2
.از دور سنجش ین،سطح زم یلندست، دما یس،مود ی،زمان-یمکان یقتلف :يدیکل هایواژه
مقدمه که فهم باشدیم مهمی اقلیمی جزء متغیرهای سطح زمین دمای
از وسیعی محدوده در این پارامتر دقیق زمانی-مکانی توزیع
است مفید جوی علوم و هیدرولوژی اکولوژی، مانند کاربردها
(Guillevic et al., 2013; Olivera-Guerra et al., 2017; Son
et al., 2012; Zakšek & Oštir, 2012). صحیح این تخمین
تعیین اقلیمی، هایبینیپیش محیط، پایش در پارامتر
بسیار اقلیمی تغییرات و محصول عملکرد تخمین تبخیرتعرق،
,.Maimaitiyiming et al., 2014; Srivastava et al) دارد اهمیت
2013; Zhengming Wan, 2014)ی دمای اماهواره های. اما داده
قدرت تفکیک انی پایین یاسطح زمین یا دارای قدرت تفکیک مک
را در مطالعات هاآنرد که پتانسیل کاربباشند میزمانی پایین
. (Inamdar et al., 2008)سازد یممختلف با محدودیت مواجه
یی برای تخمین دمای سطح زمین هاروشمحققان و دانشمندان،
Zhang et) اندرت تفکیک مکانی و زمانی باال پیشنهاد کردهبا قد
al., 2013) ی دمای سطح زمین یک هاداده، از هاروش. بیشتر این
ی کمکی دیگر با قدرت تفکیک مکانی بهتر، هادادهسنجنده و
ی کمکی ممکن است شامل هاداده. این اندکردهاستفاده
[email protected] نویسنده مسئول: *
پارامترهای فیزیکی یا اکولوژیکی خاص مانند توپوگرافی، شاخص
تفاضل پوشش گیاهی نرمال شده، قابلیت انتشار سطحی، شاخص
ظرفیت آب خاک، و بازتاب باندهای مرئی و مادون قرمز نزدیک
,.Kustas et al., 2003; Nichol, 2009; Volcani et al) ندباش
2005; Zhan et al., 2013) ی اخیر شاهد استفاده از هاسال. در
( با استفاده از محصول STF) «زمانی-تلفیق مکانی»تکنیک های
بینی دمای سطح لف برای پیشدمای سطح زمین دو سنجنده مخت
، برای اولین بار، 1990یم. از سال ابودهزمین با قدرت تفکیک باال
ی با هادادهی برای استخراج اماهوارهزمانی تصاویر -تلفیق مکانی
ای از قدرت تفکیک زمانی و مکانی باال، پیشنهاد شد. نمونه
و ی مربوطه شامل مدل تلفیقی بازتاب تطبیقی زمانی هاروش
STARFM Feng Gao et al., 2006, ESTARFM; (Fu) مکانی
et al., 2013a,نی برای نگاشت تغییرات زما-، الگوریتم مکانی
(، و روش تلفیق STAARCH)(Hilker et al., 2009)انعکاسی
باشند. این یمSTDFA (Duan et al., 2014 )مانی داده ز-مکانی
کار برده شده و منابع ههای بدر اهداف کاربردی، سنجنده هاروش
مورد استفاده، با هم تفاوت دارند. برای مثال گائو و همکاران
(Feng Gao et al., 2006) و ژو و همکاران(Zhu et al., 2010)
765 ... کفاش و ثنائی نژاد: تلفيق تصاوير دمای سطح زمين موديس و
بینی را برای پیش ESTARFMو STARFMی هامدلترتیب به
لندست روزانه در مقیاس مکانی ی بازتاب سطحی شبههاداده
را برای STARFMو ونگ مدل لئو. اندکردهلندست، پیشنهاد
استفاده کردند. با این حال بیشتر ASTERمودیس و LSTترکیب
بینییشپزمانی توسعه داده شده بر روی -روش های تلفیق مکانی
-مقادیر بازتاب سطحی با رزولوشن مکانی و زمانی باال تمرکز کرده
پارامترهایی مانند دمای بینییشپاند و مطالعات کمتری برای
Feng Gao et al., 2006; Fu et)سطح زمین صورت گرفته است
al., 2013b; Guan et al., 2017a; Roy et al., 2008; Shen et
al., 2013; Zhang et al., 2013; Zhu et al., 2010).
ای روش جدید و ساده 2015در سال همکارانو 1هزیمه
برای تلفیق مکانی زمانی تصاویر دمای سطح زمین سنجنده
و مودیس ارائه نمودند که نام آن را مدل تلفیق مکانی 8لندست
. (Hazaymeh et al., 2015) گذاشتند (STI-FMزمانی تصویر )
سنجنده در این روش، تصاویر دمای سطح زمین درشت مقیاس
در زمان 8و تصویر ریزمقیاس لندست 2و 1 یهازمانمودیس در
نیاز است تا بتوان با استفاده از مدل تلفیق مکانی زمانی، تصویر 1
اساس این روش بر ایجاد کرد. بینیپیشرا 2ریزمقیاس در زمان
های دمای سطح زمین تصویر رابطه رگرسیون خطی بین داده
و بسط آن به تصویر ریزمقیاس 2و 1 هایزماندرشت مقیاس در
بوده است. 2تصویر ریزمقیاس در زمان بینیپیشبرای 1زمان
با قدرت ایماهوارهبا توجه به اهمیت دستیابی به تصاویر
تفکیک مکانی و زمانی باال، هدف از این مطالعه، بررسی مدل
شک و خ( بر روی منطقه STI-FMتلفیق مکانی زمانی تصویر )
آباد در استان خراسان رضوی شهرستان خلیل خشکنیمه
لف( تعیین . بر این اساس اهداف این مطالعه عبارتند از: اباشدمی
2با استفاده از 2لندست در زمان تصویر دمای سطح زمین شبه
تصویر دمای سطح زمین درشت مقیاس سنجنده مودیس در
صویر ؛ ب( اعتبارسنجی نتایج خروجی )ت2و 1 هایزمان
با استفاده از تصویر دمای سطح (2ریزمقیاس تولیدی در زمان
زمین واقعی لندست و استفاده از روش های آماری.
منطقه مورد مطالعه و داده های مورد استفاده
از توابع استان خراسان رضوی از نظر آبادخلیلشهرستان دقیقه طولی شرقی از 17درجه و 58در مختصات جغرافیایی
دقیقه عرضی شمالی از خط 15درجه و 35مبدأ و النهارنصف(. 1)شکل قرار دارد متری از سطح دریا 975استوا و ارتفاع
چرا که باشدمیمهم به لحاظ کشاورزی ایمنطقه آبادخلیلپسته و گندم در محصوالت استراتژیکی مانند انگور، انار، زعفران،
اراضی هایکاربریشوند. این منطقه دارای این منطقه کشت می
1. Hazaymeh
هایبخشمختلف از جمله مناطق شهری و روستایی، کشاورزی، ق بیابانی و کویری در و مناط شمالی هایقسمتکوهستانی در باشد.جنوب آن می
ارتفاع منطقه مورد مطالعه بر اساس نقشه مدل رقومی (. ت-1کل )ش باشدمیمتر متغیر 2062تا 797ارتفاعی، بین
لعه و منطقه مورد مطا باشدمیمتر 975ارتفاع متوسط منطقه .باشدمیکیلومتر را دارا 5/1767مساحتی بالغ بر
که مودیس و لندست هایسنجندهدر این مطالعه از تصاویر آمریکا در شناسیزمینرایگان از سایت سازمان ملی صورتبه
ترین رای طوالنیدسترس است، استفاده شد. تصاویر لندست داو یک منبع باشدمیدوره پیوسته ثبت وضعیت سطح زمین
، برای تحقیقات کاربردی در کشاورزی، جغرافیا فردمنحصربهو امنیت ملی ایمنطقه هایریزیبرنامه، بانیجنگلشناسی، زمین
که روزه است 16. لندست دارای چرخه عبور حداقل باشدمی ی این مدت افزایش پیدا می کند.دلیل ابرناکهگاهی اوقات ب
دارای رزولوشن مکانی 8باندهای مادون قرمز حرارتی لندستا به تصاویر ب گیریبازنمونهباشند که پس از متر می 100حدود
یشنهاد . با توجه به پشوندمیمتر تبدیل 30قدرت تفکیک مکانی م ایاالت متحده مبنی بر عد شناسیزمینسازمان 2014سال
به دلیل عدم قطعیت باالی 8لندست 11استفاده از باند وش لندست با استفاده از ر LSTبازیابی کالیبراسیون این باند،
ر( میکرومت 2/11-4/10حرارتی مادون قرمز ) 10کاناله از باند تک ,Avdan & Jovanovska)بر اساس مطالعه اَودان و یووانفسکا
صورت پذیرفت. (2016ی ترا و آکوا هاماهوارهبر روی شدهنصبهای مودیس سنجنده
باشند. حرارتی می قرمزمادونباند در محدوده مرئی تا 36دارای 500تا (2و 1باندهای )متر 250رزولوشن مکانی این سنجنده از
ست. ا( متغیر 36تا 8باندهای متر ) 1000( و 7تا 3)باندهای متربار مشاهده و ثبت این سنجنده کل زمین را هر روز یا دور روز یک
عنوان وسیله تیم علمی مودیس بهمودیس به LSTکند. محصول می کیلومتر جهانی پیشنهاد شده است. در 1محصول روزانه و شبانه
ی سنجدرجه سانتیگراد، بر اساس مطالعات اعتبار 50تا 10محدوده های دمای سطح دقت داده 2002تا 2000مکانی بین سال های ,.Z. Wan et al)باشد یمدرجه سلسیوس 1روزانه مودیس بهتر از
جهانی یک 3. در اینجا محصول دمای سطح روزانه سطح (2004ده استفاده ش MOD11A1ی سینوسی با نام بندشبکهکیلومتر دارای
است. محصول دمای سطح زمین یک کیلومتر مودیس توسط های باندهای یافته و با استفاده از تابشیمتعمالگوریتم روزانه مجزای
شود.مودیس، تولید می 32و 31
1399، خرداد 3، شماره 51، دوره تحقيقات آب و خاک ايران 766
؛ الف( کشور ايران، ب( استان خراسان رضوی، پ( نقشه شهرستان خليل آباد از توابع استان خراسان رضوی تهيه شده با ترکيب مورد مطالعه منطقه .1شکل
، ت( نقشه وضعيت توپوگرافيک منطقه موردمطالعه 8-لندست 3و 2،1باندهای
مداری هاییژگیو مودیس و لندست از لحاظ هایسنجنده
مانند ارتفاع از سطح زمین، خورشیدآهنگ بودن و مدار قطبی و )
طیفی هاییژگیومحلی( و 10:30تا 10زمان عبور بین ساعت
میکرومتر( به هم 5/12تا 10داشتن دو باند حرارتی در محدوده )
حرارتی تصاویر هاییژگیوشباهت زیادی دارند که قابلیت مقایسه
;Feng et al., 2012, 2013) کندیمنده را فراهم این دو سنج
Oguro et al., 2011).
تصویر روزانه دمای سطح زمین سنجنده مودیس از 4
( MOD11A1متر )محصول 1000ماهواره ترا با رزولوشن مکانی
2016و 2015های در تابستان سال 8تصویر لندست 4به همراه
تیر و مرداد بود، انتخاب شد که دو تصویر یهاماهکه متناظر با
، استفاده شد. دلیل یدشدهتولبرای اعتبارسنجی تصاویر مصنوعی
استفاده از تصاویر تابستان، عدم ابرناکی تصاویر در این فصل و اوج
.باشدیمسبزینگی اراضی کشاورزی منطقه مورد مطالعه
شدهاستفاده: موقعيت زمانی تصاوير موديس و لندست 1جدول
8لندست مودیس
2015 یجوال 8 یجوال 8
یجوال 24
2016 یجوال 10 یجوال 10
یجوال 26
کار روش
نشان داده (2)روش کار در چهار گام اصلی در فلوچارت شکل
LSTتصاویر پردازشیشپ( 1ها شامل: شده است. این قدم
8( تولید تصاویر مبتنی بر دمای سطح زمین لندست 2مودیس؛
-( توسعه مدل ترکیبی زمانی3با استفاده از روش پنجره مجزا؛
و 2در زمان 8لندست LSTمکانی برای تولید تصاویر مصنوعی
توسط 8( اعتبارسنجی تصاویر دمای سطح زمین لندست 4
ها . این گامباشدیم 8لندست LSTبا تصویر واقعی هاآنمقایسه
اند.بعدی توضیح داده شده یهاقسمتصورت مختصر در به
767 ... کفاش و ثنائی نژاد: تلفيق تصاوير دمای سطح زمين موديس و
: فلوچارت الگوريتم تلفيق مکانی زمانی تصاوير2 شکل
موديس LSTتصاوير پردازشيشپ
مودیس را با سیستم تصویر سینوسی با پوشش LSTتصاویر
کیلومتر تهیه شد. سپس این 1100×1100حدود یامنطقه
و به غرافیایی مورد مطالعه برش خوردندتصاویر به محدوده ج
با 40ناحیه UTM)تصویر شدند 8سیستم تصویری لندست
8و تصاویر لندست (. سپس این تصاویرWGS84مبنای مختصات
ه مختصات ثبت شدند تا به تصاویری با مختصات در یک دستگا
جغرافیایی دقیق دست یافته و خطاهای هندسی به حداقل کاهش
یابند.
8لندست LSTتوليد تصاوير
در LSTبه مقادیر 8( تصاویر لندستDNانتقال مقادیر عددی )
سه مرحله به انجام رسیدند. در گام اول، باند ارزیابی کیفیت
با ابری استفاده شد و هاییکسلپ( برای تعیین QA) 8لندست
هایتحلیلهای ابری از پیکسل استفاده از عملیات ماسک کردن،
، (2)و (1) یهامعادلهبعدی حذف شد. در گام دوم، با استفاده از
به دمای روشنایی تبدیل شدند: DNمقادیر
r (1رابطه ) = M × DN + A
1399، خرداد 3، شماره 51، دوره تحقيقات آب و خاک ايران 768
𝑇𝑏 (2رابطه ) =𝐾2
ln(𝐾1𝑟+1)
تابندگی طیفی در باالی جو زمین rکه در این معادالت،
(TOA بر حسب )mμ×sr×2w/m ،M فاکتور ریزمقیاس کمکی
عدد DNیژه، و-فاکتور ریزمقیاس افزایشی باند A، ویژه-باند
یهاثابت 2Kو 1Kدمای روشنایی ماهواره )کلوین(، bTپیکسل،
در 2Kو M ،A ،1K. مقادیر باشندیمتبدیل باند ویژه حرارتی
متادیتای هر تصویر لندست وجود دارند.
کاناله تک در گام سوم با استفاده از معادالت الگوریتم
(Avdan & Jovanovska, 2016) آمده دستبه، دمای روشنایی
10در گام قبل به محصول دمای سطح زمین تبدیل شد. باند
5و 4برای محاسبه دمای روشنایی و باندهای 8حرارتی لندست
مورد استفاده قرار گرفت. NDVIبرای محاسبه
(STI-FMمکانی )-توسعه مدل ترکيب تصوير زمانی
، دو فرض اساسی را باید در نظر STI-FMبرای توسعه تکنیک
مودیس متوالی رابطه خطی LSTاینکه بین دو تصویر اوال .گرفت
نوع پوشش گیاهی تغییر اگر2M(t .)(و t)1M(یعنی )وجود دارد
های دما معموال از یک الگوی زمانی مجزا پیروی نکند، رژیم
استخراجی از تصاویر هر LST. دوم اینکه، مقادیر (13) کنندیم
( در دوره زمانی خاصی L) 8( و لندست Mدو سنجنده مودیس )
زیرا ؛ 2M(t)≈2L(t)(و t)1M(t)≈1L(شبیه یکدیگر هستند )یعنی
زمان تصویربرداری این تصاویر تحت شرایط اتمسفری مشابه اتفاق
2M(t(و t)1M(ن توان یک رابطه خطی بیبنابراین، می؛ افتدیم
LSTتعیین نموده و سپس ضرایب این رابطه را برای تولید تصویر
-همعادل) اعمال کرد 2( در زمان t)2synth L() 8مصنوعی لندست
.(4 و 3های
𝑀(𝑡2) (3رابطه ) = 𝑎 ∗ 𝑀(𝑡1) + 𝑐
𝑠𝑦𝑛𝑡ℎ𝐿(𝑡2) (4رابطه ) = 𝑎 ∗ 𝐿(𝑡1) + 𝑐
8اعتبارسنجی تصاوير مصنوعی دمای سطح زمين لندست
، این 8لندست LSTمنظور اعتبارسنجی دقت تصاویر مصنوعی به
در .با دو روش مقایسه شدند 8تصاویر با تصاویر واقعی لندست
های عوارض ، بافتهاقالبروش اول ارزیابی کیفی توسط مقایسه
مختلف در تصاویر مصنوعی و واقعی انجام شد. در هاییکاربرو
( 2Rآماری مانند ضریب تعیین ) یهاسنجهروش دوم با استفاده از
( ارزیابی کمی صورت RMSE)و مجذور مربعات میانگین خطا
گرفت.
نتايج و بحث
رابطه بين دو تصوير موديس
2015های سطح زمین مودیس در سالرابطه بین تصاویر دمای
اند. چنانچه در این شکل نشان داده شده (3)در شکل 2016و
16شود، برازش خوبی بین دو تصویر مودیس در فاصله دیده می
درصد نشان دهنده 85روزه وجود دارد. ضریب تعیین باالی
همبستگی باالی بین دمای سطح زمین حاصل از سنجنده
.باشدیم 2و 1مودیس در زمان
ريتصو برداشت هایيختار در سيمود روزه 16 نيزم سطح یدما ريتصو دو نيب رابطه :3شکل
8ارزيابی تصاوير دمای سطح زمين مصنوعی لندست
دهنده ارزیابی کیفی بین دمای سطح زمین واقعی نشان (4)شکل
. سه نوع باشدیم 2016برای تصویر سال 8و مصنوعی لندست
کاربری اراضی غالب در منطقه مورد مطالعه که شامل مناطق
در این مقایسه باشدمی اراضی بایرکشاورزی و اراضیکوهستانی،
اند. مقایسه بین تصویر دمای سطح زمین مصنوعی و شده استفاده
MODIS LST at time 1 (K)
A
(a)
MO
DIS
LS
T a
t ti
me
2
(K) A
(a)
y= 0.955*x+13.76
R2=0.95
y= 0.953*x+14.69
R2=0.85
A
(b)
769 ... کفاش و ثنائی نژاد: تلفيق تصاوير دمای سطح زمين موديس و
دهنده دقت خوب تصویر مصنوعی در برآورد دمای واقعی نشان
مورد مطالعه بود. این برآورد در هاییکاربرسطح زمین واقعی در
بهتر بود. دلیل راراضی بایمناطق کوهستانی و کشاورزی نسبت به
توان به را می اراضی بایربرآورد دمای سطح زمین در دقت کم
مندی سطحی در این مناطق در مقایسه متغیر بودن ضریب گسیل
Wang et) با مناطق کوهستانی و اراضی کشاورزی، نسبت داد
al., 2007) ،محصوالت دمای سطح زمین مودیس . عالوه بر این
در برآورد دمای سطح زمین مناطق خشک و بیابانی دقت کمی
,Bosilovich, 2006; Coll et al., 2009; Hulley & Hook) دارند
2009; Zhengming Wan, 2008).
همچنین برش عرضی از نحوه تغییرات دمای سطح زمین
، در 2016از تصویر دمای سطح زمین مصنوعی و واقعی سال
کیلومتر از شمال تا جنوب منطقه مورد 20فاصله طولی حدود
رسم شد. این برش عرضی از تمامی (4)مطالعه در شکل
نشان (4)اراضی مورد مطالعه عبور کرده است. شکل هاییکاربر
دهد دقت برآورد دما در مناطق کشاورزی و کوهستانی که می
دارند، بیشتر است. در مناطق کویری ترییینپادمای سطح زمین
درجه کلوین تفاوت مشاهده شد. 2تا و بدون پوشش گیاهی
در ارزیابی کمی، نتایج حاصل از تصاویر مصنوعی و واقعی
و 2015های آمده در سال دستبه 8دمای سطح زمین لندست
(. در هر دو مورد، یک 5شدند )شکل رسمبر روی نمودار 2016
و واقعی دیده شدهبینییشپرابطه قوی بین دمای سطح زمین
2015ل های سا برای RMSEو 2Rعنوان مثال، ضرایب شد. به
44/1و 74/0برابر با 2016برای سال و 52/2و 95/0به ترتیب
بود. عالوه بر این، در هر دو مورد، خط رگرسیون حاصل از رابطه
بین دمای سطح زمین واقعی و مصنوعی، به خط یک به یک
نزدیک بود.
(، مناطق Aدر سه نوع کاربری اراضی غالب منطقه شامل مناطق کوهستانی ) 8مقايسه بين نتايج حاصل از دمای سطح زمين واقعی و مصنوعی لندست :4شکل
باشد.می 8لندست 3و 4،5. تصوير فوق حاصل ترکيب باندهای 2015( برای سال C( و مناطق کويری )Bکشاورزی )
B
A
C
A
A
A
B
A
C
1399، خرداد 3، شماره 51، دوره تحقيقات آب و خاک ايران 770
2015ح زمين واقعی و مصنوعی حاصل از برش عرضی منطقه مورد مطالعه در سال : وضعيت تغييرات دمای سط5شکل
خط دهنده نشان ممتد خط و 1:1 خط دهندهنشان ينچنقطه خط .(b) 2016 و( a) 2015 سال یبرا 8لندست یمصنوع و یواقع نيزم سطح یدما نيب رابطه: 6 شکل
.باشدمی ونيرگرس
مقادیر دمای حداقل، دمای حداکثر، دمای میانگین و
واقعی و مصنوعی متناظر با آن در LSTانحراف از معیار تصاویر
اند. مقادیر نزدیک بین پارامترهای نشان داده شده (2)جدول
-، نشان8دمایی مورد مطالعه در تصاویر واقعی و مصنوعی لندست
. وجود همبستگی قوی باشدیم هاآندهنده همبستگی باالی بین
زمانی مورد استفاده -دهنده این است که مدل تلفیقی مکانینشان
-شبه تصاویر دمای سطح زمین بینییشپدر این مطالعه توانایی
.باشدیمروز را دارا 16های زمانی کمتر از لندست در بازه
دهنده ( نیز نشان14حسن )نتایج حاصل از مطالعه هزیمه و
در برآورد تصاویر دمای سطح STI-FMدقت مناسب الگوریتم
بین RMSEزمین با قدرت تفکیک مکانی و زمانی باال بود؛ میزان
دهنده این نشان 9/0تا 84/0و ضریب تعیین بین 08/0الی 06/0
دقت باال بود. STI-FMتوسط الگوريتم يدشدهتول 8: مقايسه آماری بين دمای سطح زمين واقعی و دمای سطح زمين مصنوعی لندست2جدول
تاریختصویر دمای سطح
زمین
دمای حداقل
)درجه کلوین(
دمای حداکثر
)درجه کلوین(
دمای میانگین
)درجه کلوین(
انحراف معیار
)درجه کلوین(
2015 33/3 63/318 04/326 92/304 واقعی
34/3 68/320 05/328 28/307 مصنوعی
2016 52/2 79/318 82/323 68/306 واقعی
70/2 07/318 06/325 47/305 مصنوعی
(a) (b)
771 ... کفاش و ثنائی نژاد: تلفيق تصاوير دمای سطح زمين موديس و
گيریيجهنت( STI-FMزمانی تصویر )-در این مطالعه الگوریتم تلفیق مکانی
تصاویر با قدرت تفکیک مکانی و زمانی باال، منظور دستیابی به به
های مودیس و لندست به تصاویر دمای سطح زمین سنجنده
های زمینی اعمال شد. جهت بررسی تاثیر الگوریتم بر روی پوشش
صورتی انتخاب شد که شامل مختلف، منطقه مورد مطالعه به
اصلی و مهم منطقه شامل اراضی کشاورزی، هاییکاربر
و کویری باشد. با توجه به اینکه فرض اصلی این کوهستانی
های دمای سطح زمین دو الگوریتم وجود رابطه خطی بین داده
دست آمده ه، همبستگی باالی بباشدمیتصویر متوالی مودیس
روزه، تایید کننده فرض اصلی 16بین دو تصویر مودیس در بازه
آمده به ستبه داین الگوریتم بود. با اعمال ضرایب روابط خطی
، تصاویر مصنوعی 1تصاویر دمای سطح زمین لندست در زمان
، تولید شد. مقایسه این تصاویر بینییشپلندست در زمان
مصنوعی با تصاویر واقعی دمای سطح زمین لندست در
مختلف انجام شد. مناطق کشاورزی بیشترین هاییکاربر
شدهنیبییشپهمبستگی را از لحاظ کمی با تصاویر مصنوعی
توسط الگوریتم داشتند. از لحاظ مقایسه کیفی نیز، در مناطق
و واقعی بیشترین شباهت را با شدهبینییشپکشاورزی، تصاویر
توان در یکنواخت بودن ضریب یکدیگر داشتند. دلیل این امر را می
مندی سطح در مناطق کشاورزی دانست؛ در مناطق بیابانی گسیل
کمتر شدهبینییشپمیزان همبستگی دمای سطح زمین واقعی و
از مناطق دیگر بود. دلیل این مسئله در متغیر بودن ضریب
گسیلمندی سطحی مناطق بیابانی نسبت به سایر مناطق و
همچنین دقت پایین محصوالت دمای سطح زمین مودیس در
آورد دمای سطح زمین مناطق بیابانی و خشک، قابل توجیه بر
ای در برآورد دمای این وجود، تفاوت حداکثر دو درجه است. با
-زمانی تصویر، نشان-سطح زمین توسط الگوریتم تلفیق مکانی
دمای سطح بینییشپدهنده توانایی مناسب این الگوریتم در
روز بود و نشان 16های زمانی کمتر از زمین شبه لندست در بازه
توان با دقت خوبی به داد که با استفاده از این الگوریتم ساده، می
لندست در بازه های زمانی تصاویر با قدرت تفکیک مکانی شبه
روز، دست یافت. 16کمتر از
های زمانی داده-با توجه به جدید بودن مسئله تلفیق مکانی
در این حوزه، های مختلفسنجش از دوری و توسعه الگوریتم
زمانی دمای سطح زمین در -مطالعات کمی بر روی تلفیق مکانی
سطح دنیا صورت گرفته است و بیشتر مطالعات صورت گرفته بر
روی تلفیق پارامترهایی همچون بازتاب سطحی انجام شده است.
دهنده برتری و قدرت استفاده از اغلب مطالعات انجام شده نشان
های بینی و تعیین دادهزمانی در پیش-انیهای تلفیق مکالگوریتم
مختلف سنجش از دوری با قدرت تفکیک مکانی و زمانی باال
.Emelyanova et al., 2013; Guan et al., 2017b; H)اند )بوده
Liu, 2012; X. Liu et al., 2016; Meng et al., 2013; Moosavi
et al., 2015; Singh, 2011; Zhu et al., 2016)های (. الگوریتم
اند که لزوم بررسی های اخیر توسعه پیدا کردهمختلفی در سال
ها جهت انتخاب ها و مقایسه آنتر این الگوریتمبیشتر و دقیق
شود. تر در مناطق مختلف احساس میمناسب
REFERENCES Avdan, U., & Jovanovska, G. (2016). Algorithm for
Automated Mapping of Land Surface
Temperature Using LANDSAT 8 Satellite Data.
Journal of Sensors, 2016, 1–8.
Bosilovich, M. G. (2006). A comparison of MODIS land
surface temperature with in situ observations.
Geophysical Research Letters, 33, L20112.
Coll, C., Wan, Z., & Galve, J. M. (2009). Temperature-
based and radiance-based validations of the V5
MODIS land surface temperature product. Journal
of Geophysical Research Atmospheres, 114,
D20102.
Duan, S.-B., Li, Z.-L., Tang, B.-H., Wu, H., & Tang, R.
(2014). Generation of a time-consistent land
surface temperature product from MODIS data.
Remote Sensing of Environment, 140, 339–349.
Emelyanova, I. V., McVicar, T. R., Van Niel, T. G., Li,
L. T., & van Dijk, A. I. J. M. (2013). Assessing the
accuracy of blending Landsat-MODIS surface
reflectances in two landscapes with contrasting
spatial and temporal dynamics: A framework for
algorithm selection. Remote Sensing of
Environment, 133, 193–209.
Feng Gao, 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, 2207–2218.
Feng, M., Huang, C., Channan, S., Vermote, E. F.,
Masek, J. G., & Townshend, J. R. (2012). Quality
assessment of Landsat surface reflectance
products using MODIS data. Computers &
Geosciences, 38, 9–22.
Feng, M., Sexton, J. O., Huang, C., Masek, J. G.,
Vermote, E. F., Gao, F., … Townshend, J. R.
(2013). Global surface reflectance products from
Landsat: Assessment using coincident MODIS
observations. Remote Sensing of Environment,
134, 276–293.
Fu, D., Chen, B., Wang, J., Zhu, X., & Hilker, T.
(2013a). An Improved Image Fusion Approach
Based on Enhanced Spatial and Temporal the
Adaptive Reflectance Fusion Model. Remote
Sensing, 5, 6346–6360.
Fu, D., Chen, B., Wang, J., Zhu, X., & Hilker, T.
(2013b). An Improved Image Fusion Approach
1399، خرداد 3، شماره 51، دوره تحقيقات آب و خاک ايران 772
Based on Enhanced Spatial and Temporal the
Adaptive Reflectance Fusion Model. Remote
Sensing, 5, 6346–6360.
Guan, X., Liu, G., Huang, C., Liu, Q., Wu, C., Jin, Y.,
& Li, Y. (2017a). An Object-Based Linear Weight
Assignment Fusion Scheme to Improve
Classification Accuracy Using Landsat and
MODIS Data at the Decision Level. IEEE
Transactions on Geoscience and Remote Sensing,
55, 6989–7002.
Guan, X., Liu, G., Huang, C., Liu, Q., Wu, C., Jin, Y.,
& Li, Y. (2017b). An Object-Based Linear Weight
Assignment Fusion Scheme to Improve
Classification Accuracy Using Landsat and
MODIS Data at the Decision Level. IEEE
Transactions on Geoscience and Remote Sensing,
55, 6989–7002.
Guillevic, P. C., Bork-Unkelbach, A., Gottsche, F. M.,
Hulley, G., Gastellu-Etchegorry, J.-P., Olesen, F.
S., & Privette, J. L. (2013). Directional Viewing
Effects on Satellite Land Surface Temperature
Products Over Sparse Vegetation Canopies—A
Multisensor Analysis. IEEE Geoscience and
Remote Sensing Letters, 10, 1464–1468.
Hazaymeh, K., Hassan, Q. K., Pinheiro, A., Xiong, Y.,
& Qiu, G. (2015). Fusion of MODIS and Landsat-
8 Surface Temperature Images: A New Approach.
PLOS ONE, 10, e0117755.
Hilker, T., Wulder, M. A., Coops, N. C., Linke, J.,
McDermid, G., Masek, J. G., … White, J. C.
(2009). A new data fusion model for high spatial-
and temporal-resolution mapping of forest
disturbance based on Landsat and MODIS.
Remote Sensing of Environment, 113, 1613–1627.
Hulley, G. C., & Hook, S. J. (2009). Intercomparison of
versions 4, 4.1 and 5 of the MODIS Land Surface
Temperature and Emissivity products and
validation with laboratory measurements of sand
samples from the Namib desert, Namibia. Remote
Sensing of Environment, 113, 1313–1318.
Inamdar, A. K., French, A., Hook, S., Vaughan, G., &
Luckett, W. (2008). Land surface temperature
retrieval at high spatial and temporal resolutions
over the southwestern United States. Journal of
Geophysical Research, 113, D07107.
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 Sensing of Environment, 85,
429–440.
Liu, H. (2012). Enhancing temporal resolution of
satellite imagery for public health studies: A case
study of West Nile Virus outbreak in Los Angeles
in 2007. Remote Sensing of Environment, 117, 57–
71.
Liu, X., Deng, C., Wang, S., Huang, G.-B., Zhao, B., &
Lauren, P. (2016). Fast and Accurate
Spatiotemporal Fusion Based Upon Extreme
Learning Machine. IEEE Geoscience and Remote
Sensing Letters, 13, 2039–2043.
Maimaitiyiming, M., Ghulam, A., Tiyip, T., Pla, F.,
Latorre-Carmona, P., Halik, Ü., … Caetano, M.
(2014). Effects of green space spatial pattern on
land surface temperature: Implications for
sustainable urban planning and climate change
adaptation. ISPRS Journal of Photogrammetry
and Remote Sensing, 89, 59–66.
Meng, J., Du, X., & Wu, B. (2013). Generation of high
spatial and temporal resolution NDVI and its
application in crop biomass estimation.
International Journal of Digital Earth, 6, 203–
218.
Moosavi, V., Talebi, A., Mokhtari, M. H., Shamsi, S. R.
F., & Niazi, Y. (2015). A wavelet-artificial
intelligence fusion approach (WAIFA) for
blending Landsat and MODIS surface
temperature. Remote Sensing of Environment, 169,
243–254.
Nichol, J. (2009). An Emissivity Modulation Method for
Spatial Enhancement of Thermal Satellite Images
in Urban Heat Island Analysis. Photogrammetric
Engineering & Remote Sensing, 75, 547–556.
Oguro, Y., Ito, S., & Tsuchiya, K. (2011). Comparisons
of Brightness Temperatures of Landsat-7/ETM+
and Terra/MODIS around Hotien Oasis in the
Taklimakan Desert. Applied and Environmental
Soil Science, 2011, 1–11.
Olivera-Guerra, L., Mattar, C., Merlin, O., Durán-
Alarcón, C., Santamar\’\ia-Artigas, A., & Fuster,
R. (2017). An operational method for the
disaggregation of land surface temperature to
estimate actual evapotranspiration in the arid
region of Chile. ISPRS Journal of
Photogrammetry and Remote Sensing, 128, 170–
181.
Roy, D. P., Ju, J., Lewis, P., Schaaf, C., Gao, F., Hansen,
M., & Lindquist, E. (2008). Multi-temporal
MODIS–Landsat data fusion for relative
radiometric normalization, gap filling, and
prediction of Landsat data. Remote Sensing of
Environment, 112, 3112–3130.
Shen, H., Wu, P., Liu, Y., Ai, T., Wang, Y., & Liu, X.
(2013). A spatial and temporal reflectance fusion
model considering sensor observation differences.
International Journal of Remote Sensing, 34,
4367–4383.
Singh, D. (2011). Generation and evaluation of gross
primary productivity using Landsat data through
blending with MODIS data. International Journal
of Applied Earth Observation and
Geoinformation, 13, 59–69.
Son, N. T., Chen, C. F., Chen, C. R., Chang, L. Y., &
Minh, V. Q. (2012). Monitoring agricultural
drought in the Lower Mekong Basin using
MODIS NDVI and land surface temperature data.
International Journal of Applied Earth
Observation and Geoinformation, 18, 417–427.
Srivastava, P. K., Han, D., Ramirez, M. R., & Islam, T.
(2013). Machine Learning Techniques for
Downscaling SMOS Satellite Soil Moisture Using
MODIS Land Surface Temperature for
Hydrological Application. Water Resources
Management, 27, 3127–3144.
773 ... کفاش و ثنائی نژاد: تلفيق تصاوير دمای سطح زمين موديس و
Volcani, A., Karnieli, A., & Svoray, T. (2005). The use
of remote sensing and GIS for spatio-temporal
analysis of the physiological state of a semi-arid
forest with respect to drought years. Forest
Ecology and Management, 215, 239–250.
Wan, Z., Zhang, Y., Zhang, Q., & Li, Z.-L. (2004).
Quality assessment and validation of the MODIS
global land surface temperature. International
Journal of Remote Sensing, 25, 261–274.
Wan, Zhengming. (2008). New refinements and
validation of the MODIS Land-Surface
Temperature / Emissivity products. Remote
Sensing of Environment, 112, 59–74.
Wan, Zhengming. (2014). New refinements and
validation of the collection-6 MODIS land-surface
temperature/emissivity product. Remote Sensing
of Environment, 140, 36–45.
Wang, K., Wan, Z., Wang, P., Sparrow, M., Liu, J., &
Haginoya, S. (2007). Evaluation and improvement
of the MODIS land surface temperature/emissivity
products using ground-based measurements at a
semi-desert site on the western Tibetan Plateau.
International Journal of Remote Sensing, 28,
2549–2565.
Zakšek, K., & Oštir, K. (2012). Downscaling land
surface temperature for urban heat island diurnal
cycle analysis. Remote Sensing of Environment,
117, 114–124.
Zhan, W., Chen, Y., Zhou, J., Wang, J., Liu, W., Voogt,
J., … Li, J. (2013). Disaggregation of remotely
sensed land surface temperature: Literature
survey, taxonomy, issues, and caveats. Remote
Sensing of Environment, 131, 119–139.
Zhang, W., Li, A., Jin, H., Bian, J., Zhang, Z., Lei, G.,
… Huang, C. (2013). An Enhanced Spatial and
Temporal Data Fusion Model for Fusing Landsat
and MODIS Surface Reflectance to Generate High
Temporal Landsat-Like Data. Remote Sensing, 5,
5346–5368.
Zhu, X., Chen, J., Gao, F., Chen, X., & Masek, J. G.
(2010). An enhanced spatial and temporal
adaptive reflectance fusion model for complex
heterogeneous regions. Remote Sensing of
Environment, 114, 2610–2623.
Zhu, X., Helmer, E. H., Gao, F., Liu, D., Chen, J., &
Lefsky, M. A. (2016). A flexible spatiotemporal
method for fusing satellite images with different
resolutions. Remote Sensing of Environment, 172,
165–177.