محاسبه و واسنجي دماي سطح زمين با استفاده از داده‌هاي حرارتي ماهواره Landsat 8

Calculating and Calibrating Land Surface Temperature Using Landsat8 Thermal bands

امروزه محاسبه دماي سطوح مختلف پوشش گياهي و خاكي با استفاده از تصاوير ماهواره‌اي، با هدف برآورد تبخير و تعرق واقعي با الگوريتم بيلان انرژي، اهميت بسيار زيادي دارد. در اين مطالعات دقت محاسبه گراديان حرارتي بين سطح زمين و هوا و ميزان اختلاف دماي سطوح مختلف كاربري داراي اهميت است. در دشت شهركرد به منظور محاسبه دماي سطح زمين سه چالش اصلي وجود داشت. نخست، نبود مطالعه مشخصي در زمينه محاسبه دماي سطح زمين با استفاده از باندهاي حرارتي ماهواره Landsat8، دوم، فقدان داده‌هاي مشاهده‌اي دماي سطح پوشش‌هاي مختلف گياهي و خاكي و سوم، محدود بودن داده‌هاي دماي سطح زمين ايستگاه‌هاي كليماتولوژي و سينوپتيك به حداقل روزانه. در اين مطالعه، به منظور تبديل دماي درخشندگي2 سطح به دماي سطح زمين، از الگوريتم دوپنجرهاي3 موجود AVHRR-NOAA استفاده شد و براي محاسبه گسيلندگي سطحي4 نيز روش پيشنهادي الگوريتم سبال5 به كار رفت. با توجه به نبودِ ايستگاه‌هاي هواشناسي مرجع، از داده‌هاي ايستگاه‌هاي غير‌مرجع براي محاسبه دماي روزانه سطح زمين و لحظه عبور ماهواره استفاده شد و در نهايت، از روش محاسبه خطاي انحراف براي واسنجي دماي سطح زمين ماهواره Landsat 8 و تهيه لايه ميانگين روزانه دماي سطح زمين استفاده شد. در اين مطالعه همه ضرايب همبستگي محاسبه‌شده بيشتر از 0.9 بود و تمامي روابط رگرسيوني، از نظر آماري، در سطح 95% و حتي 99% معنادار بودند. اختلاف مقادير خطاي انحراف محاسبه‌شده در روز-تصويرهاي مختلف در بيشترين مقدار، 0.5 كلوين بود و ميزان RMSE محاسبه‌شده نيز بين 1.9 تا 2.2 كلوين قرار داشت كه در مقايسه با مطالعات مشابه مورد پذيرش بود.

Calculating the canopy temperature and land surface temperature using satellite imagery is very attractive to estimate actual evapotranspiration (ET) by energy balance algorithm. In studies, to evaluate ET, the accuracy of the calculated thermal gradient between surface and air, as well as temperature difference between various land covers is very important. To calculate land surface temperature (LST) in Shahr-E-Kord plain, the study area, there were three principal challenges. First, the absence of enough studies about calculating LST using Landsat8 thermal bands, the second, lack of canopy temperature and land surface temperature observed data, and finally, the only available data for surface temperature was minimum daily surface temperature in the climatology and synoptic stations. In this study, in order to convert the surface brightness temperature to the LST, the split-window algorithm of NOAA-AVHRR was used. Also, the proposed SEBAL algorithm was applied to calculate the surface emissivity. Due to the lack of the reference weather stations, after calculating LST at the satellite overpass time in non-reference weather stations, the deviation error calculation method was used to calibrate satellite LST and to prepare daily LST layers. Results showed that all calculated correlation coefficients were more than 0.9. Also, all existing regression relations were significant at 95% and even 99% level of confidence. In different day-images, maximum difference of calculated deviation errors was less than 0.5 K and, the calculated RMSEs were between 1.9 to 2.2 K, acceptable comparing to similar studies. Keywords: Landsat8, Non-Reference Station, Split widow, Land Surface Temperature, Surface