ادغام محصولات دمايي سنجنده هاي ASTER و MODIS با استفاده از مدل STDFA

Fusion of LST products of ASTER and MODIS Sensors Using STDFA Model

دماي سطح زمين (LST) يكي از مهم‌ترين پارامترهاي فيزيكي و متغيرهاي اقليمي است كه نقش مهمي در شناخت پديده‌هاي محيطي مثل شرايط رطوبت سطح، جزاير گرمايي شهري، سلامتي گياهان، ريسك آتش براي مناطق جنگلي و اثر گرما بر سلامت انسان‌ها را بر عهده دارد. براي انجام چنين مطالعاتي نياز به دماي سطح زمين با توان تفكيك بالاي مكاني و زماني مي‌باشد. متأسفانه سنجنده هاي سنجش‌ازدوري به دليل محدوديت‌هاي فني و مالي توانايي توليد محصولي كه به‌طور هم‌زمان داراي توان تفكيك بالاي مكاني و زماني باشند را ندارند. به‌طور مثال محصول دماي سطح زمين سنجنده استر (ASTER) داراي توان تفكيك مكاني 90 متر با دوره بازگشت 16 روزه مي‌باشد، در حاليكه محصول دماي سطح زمين سنجنده ماديس (MODIS) داراي توان تفكيك مكاني 1 كيلومتر با دوره بازگشت 1 روزه مي‌باشد. در اين تحقيق براي حل اين مسئله با استفاده از الگوريتم STDFA كه براي ادغام مكاني و زماني داده‌هاي بازتابندگي استفاده‌شده است، محصولات دماي سطح زمين سنجنده هاي استر و ماديس براي قسمتي از شهر تهران ادغام شده است و درنهايت به يك تصوير مجازي با توان تفكيك مكاني برابر با توان تفكيك مكاني محصول دماي سطح زمين سنجنده استر و توان تفكيك زماني برابر با سنجنده ماديس مي‌رسد. نتايج تحقيق حاكي از دقت خوب الگوريتم در ادغام محصولات دماي سطح زمين مي‌باشد. به‌طوري‌كه ضريب همبستگي بين تصوير دماي سطح مجازي و داده واقعي دماي سطح منطقه 88/0 و ريشه ميانگين مربع خطاها 38/3 درجه كلوين مي‌باشد

Land Surface Temperature (LST) is one of the most important physical and climatological crucial yet variable parameter in environmental phenomena studies such as, soil moisture conditions, urban heat island, vegetation health, fire risk for forest areas and heats effects on human’s health. These studies need to land surface temperature with high spatial and temporal resolution. Remote sensing satellite sensors due to their technical constraints cannot take the high spatial and temporal land surface temperature data simultaneously. For example combining Advanced Space borne Thermal Emission and Reflection Radiometer (ASTER) LST products have spatial resolution of 90 m with repeat cycle of 16 days, whereas Moderate Resolution Imaging Spectro-radiometer (MODIS) LST products have spatial resolution of 1 km with daily repeat cycle. To address this shortage, this work used the Spatial and Temporal Data Fusion Approach (STDFA) to estimate the high spatial and temporal resolution LST by ASTER LST and MODIS LST products. This method was tested and validated in study areas located in Tehran, Iran. The MODIS daily 1-km LST product and the 16-day repeat cycle ASTER 90-m LST product are used to produce a synthetic “daily” LST product at ASTER spatial resolution. The actual ASTER LST products were used to evaluate the precision of the synthetic daily LST product. Here, the correlation coefficient was equal to 0.88, Root Mean Square Error (RMSE) reached about 3.38 K. The results showed that the algorithm can produce high-resolution temporal synthetic ASTER data that were similar to the actual observations.