SADFAT

داده های اخذ شده توسط سنجنده های ماهواره ای، به طور معمول به سه دسته تصاویر با قدرت تفکیک مکانی پایین، متوسط و بالا تقسیم می شوند. بسیاری از تصاویر با قدرت تفکیک مکانی پایین و متوسط و قدرت تفکیک زمانی بالا، به راحتی در دسترس کاربران هستند، در حالی که تصاویر با قدرت تفکیک مکانی بالا، در اکثر مواقع دارای قدرت تفکیک زمانی بالایی نیستند و یا به صورت تجاری و با هزینه بالا در دسترس هستند. علاوه بر این، تصاویر با قدرت تفکیک مکانی بالا معمولا فاقد باندهای حرارتی بوده و لذا در مدل کردن فرآیند های طبیعی، مانند تبخیر- تعرق با محدودیت مواجه هستند. تولید نقشه های تبخیر- تعرق روزانه، با قدرت تفکیک مکانی بالا، همواره یکی از چالش های محققان سنجش ازدور بوده است. هدف این مطالعه، امکان سنجی تولید نقشه های تبخیر- تعرق روزانه با قدرت تفکیک مکانی 30 متر است. این تحقیق بر روی زمین های کشت و صنعت امیرکبیر اجرا شده است. برای این منظور ابتدا از بین باندهای 36 گانه تصویر مادیس، باندهایی که از لحاظ طیفی، تقریبا معادل با تصویر لندست 8 بودند، شناسایی شدند. سپس با استفاده از الگوریتم های SADFAT و STARFM و تصاویر لندست 8 و مادیس، باندهای مرئی و مادون قرمز با قدرت تفکیک زمانی روزانه و قدرت تفکیک مکانی 30 متر تولید شدند و در نهایت با استفاده از الگوریتم سبال، نقشه های تبخیر- تعرق واقعی از باندهای شبیه سازی شده تولید شدند. مقایسه تبخیر- تعرق های شبیه سازی شده با تبخیر- تعرق های به دست آمده با روش فائو- پنمن- مانتیث نشان دهنده و است. همچنین مقایسه تبخیر- تعرق شبیه سازی سازی شده با تبخیر- تعرق حاصل از تصویر لندست 8، در همان روز نشان دهنده و است که نشان دهنده عملکرد خوب چهارچوب پیشنهادی برای ریز مقیاس نمایی در این مطالعه است.

محدودیت هایی مانند پوشش زمانی کم و کوچک مقیاس بودن تصویر برداری مادون قرمز حرارتی در اقلیم شناسی شهری به عنوان یک چالش علمی عصر حاضر می باشد. برای رفع این مشکل، مدل های ادغام زمانی و مکانی تصاویر مانند SADFAT در سنجش از دور مورد توجه قرار گرفته است. در تحقیق حاضر قابلیت استفاده از مدل SADFAT برای بکارگیری ویژگیهای مکانی تصاویر سنجنده OLI و زمانی سنجنده MODIS ، به منظور برآورد LST های مناطق شهری، ارزیابی شده است. داده های ورودی به مدل شامل رادیانس حرارتی تصاویر مودیس و لندست و باند قرمز و مادون قرمز نزدیک لندست جهت پیش بینی دمای سطح روزهای متوالی سال 2017 میلادی محدوده شهر تهران می باشد. الگوریتم با بکارگیری دو جفت تصویر مودیس و لندست در زمان مشابه و مجموعه هایی از تصاویر مودیس در زمان پیش بینی و تعیین ضریب تبدیل تغییرات رادیانس حرارتی پیکسل ناهمگن مودیس نسبت به پیکسل لندست، LST را در مناطق ناهمگن پیش بینی می کند. برای ارزیابی نتایج مدل، تمامی پیکسل های تخمین زده شده به صورت نظیر به نظیر با پیکسل های تصویر مبنا در آن محدوده مقایسه شدند . میزان برآیند مقایسه برای روزهای فصل پاییز نشان می دهد که مدل SADFAT در این فصل بطور میانگین با ضریب همبستگی 86/0 و خطای خطای جذر میانگین مربعی 122/0 ، بالاترین دقت و در فصول دیگر با میانگین ضریب همبستگی 76/0 و خطای جذر میانگین مربعی حدود 4/0 ، دقت خوبی را ارائه نموده است . بنابراین با وجود برخی خطاهای سیستماتیک و متغیر موجود در تصاویر و اجرای الگوریتم، عملکرد این مدل برای پیش بینی LST در مقیاس زمانی روزانه و قدرت تفکیک مکانی 30 متر در شهر تهران خوب ارزیابی شد.

در بسیاری از کاربردهای سنجش ازدور در علوم زمین، تجزیه و تحلیل با صحت بالا تنها با استفاده از تصاویری با قدرت تفکیک مکانی و زمانی بالا امکانپذیر است. سنجنده ی مادیس برخلاف قدرت تفکیک زمانی بسیار بالا، قدرت تفکیک مکانی بسیار پایینی دارد. هدف ازین مطالعه، استفاده از الگوریتم های ریزمقیاس نمایی به منظور ریزمقیاس کردن تصاویر مادیس به تصاویر لندست 8 است. سپس تصاویر ریزمقیاس شده در برآورد تبخیر-تعرق واقعی با استفاده از الگوریتم سبال در منطقه کشت و صنعت امیرکبیر مورد مقایسه قرار گرفتند. در این مطالعه از الگوریتم هایSTARFM ، ESTARFM و Regression جهت ریزمقیاس نمایی باندهای بازتابندگی و از الگوریتم های SADFAT ، Regression و Cokriging جهت ریزمقیاس نمایی باندهای حرارتی استفاده شده است. سپس، تصاویر ریزمقیاس شده بازتابندگی و حرارتی به منظور استفاده در مدل سبال، پردازش گردیدند و تبخیر-تعرق واقعی محاسبه گردید. نتایج نشان داد که در میان روش های ریزمقیاس نمایی اعمال شده بر باندهای بازتابندگی، STARFM با مجذور میانگین مربعات خطای0.0180 دارای عملکرد بهتری نسبت به سایر روشها بود. در میان روش های اعمال شده بر باندهای حرارتی، الگوریتم SADFAT با مجذور میانگین مربعات خطای 0.0224 عملکرد بهتری را نسبت به سایر روشها از خود نشان داد. همچنین تبخیر-تعرق واقعی لحظه ای برآورد شده از خروجی روش های ریزمقیاس نمایی به ترتیب ESTARFM /Regression، ESTARFM/ SADFAT، STARFM/Regression و STARFM/ SADFAT با اختلاف کم و مجذور میانگین مربعات خطای 0.218 میلیمتر در ساعت بهترین عملکرد و روش Regression/Cokriging با میانگین مربعات خطای 0.388 میلیمتر در ساعت ضعیف ترین عملکرد را داشتند.