فهرست مطالب

سنجش از دور و GIS ایران - سال دوازدهم شماره 3 (پیاپی 47، پاییز 1399)

فصلنامه سنجش از دور و GIS ایران
سال دوازدهم شماره 3 (پیاپی 47، پاییز 1399)

  • تاریخ انتشار: 1400/01/17
  • تعداد عناوین: 7
|
  • هادی زارع خورمیزی*، حمید غفاریان صفحات 1-22

    فنولوژی به مطالعه زمان وقوع رخدادهای تکرارپذیر زندگی گیاهان در رابطه با عوامل زنده و غیرزنده می پردازد. یکی از روش های بررسی تغییرات روند رشد گیاه استفاده از سری های زمانی تصاویر ماهواره ای و روش های سنجش از دور است. هدف از پژوهش حاضر تعیین معنای فیزیکی هریک از مولفه های سری فوریه، درمورد انواع پوشش گیاهی و فرایندهای فنولوژی گیاهان، با استفاده از تجزیه سری های زمانی شاخص پوشش گیاهی (NDVI) حاصل از سنجش از دور است. هدف دیگر نیز تعیین روند تغییرات مولفه های سری فوریه، در زمینه تغییرات ارتفاع از سطح دریا و درجه حرارت فصل بهار است. بدین منظور، در مطالعه حاضر، از محصول هشت روزه شاخص NDVI سنجنده MODIS، با نام MOD09Q1، با قدرت تفکیک مکانی 250 متر استفاده شد. ابتدا، با استفاده از الگوریتم HANTS و سری های زمانی یک ساله NDVI سنجنده MODIS در سال های 2013، 2014 و 2015، مولفه های سری های فوریه یا همان تصاویر دامنه و فاز تولید شد. سپس تغییرات و ارتباط هریک از این مولفه ها به نسبت تغییرات ارتفاع و دما، در منطقه شیرکوه استان یزد، بررسی شد. براساس نتایج، با کاهش 1 درجه سانتی گراد در میانگین دمای فصل بهار، که با افزایش ارتفاع از سطح دریا رخ می دهد، تاخیر هفت روزه ای در چرخه های سالیانه و تاخیری پنج روزه در چرخه های شش ماهه سری های زمانی NDVI ایجاد می شود. در چرخه های سالیانه، بیشترین مقدار واریانس با استفاده از گیاهان دارای دوره های رشد سالیانه و در چرخه های شش ماهه، بیشترین مقدار واریانس با استفاده از گیاهان دارای دوره رشد کوتاه و فصلی کنترل می شود. براساس نتایج، الگوریتم HANTS و تحلیل سری های فوریه می تواند، در شناخت تاثیرات عوامل اقلیمی در فرایند های فنولوژی و زمان شروع رشد گیاهان، بسیار کارآمد باشد.

    کلیدواژگان: فنولوژی، اختلاف فاز، تجزیه وتحلیل هارمونیک، سنجش از دور، شیرکوه
  • سمیرا کرباسی، حسین ملکوتی*، مهدی رهنما، مجید آزادی صفحات 23-36

    افزایش سطح غلظت گازهای گلخانه ای و به تبع آن، گرم شدن کره زمین و تغییرات آب وهوایی یکی از مهم ترین چالش های قرن بیست ویکم شناخته شده است. این پژوهش عملکرد الگوریتم های موجود در بازیابی غلظت گازهای گلخانه ای دی اکسید کربن را، براساس داده های مشاهداتی ماهواره نظارت بر گازهای گلخانه ای گوست (GOSAT)، در مقایسه با داده های مرجع به دست آمده از شبکه سطحی (TCCON)، در هشت سایت منتخب در دوره زمانی 2015-2011 بررسی می کند. الگوریتم های مورد ارزیابی عبارت اند از الگوریتم NIES، ACOS و RemoTeC (SRFP). این الگوریتم ها بر بازیابی فراوانی ستونی از گازهای مورد نظر متمرکز شده اند تا از مقادیر مولکولی هوای خشک اتم دی اکسید کربن (XCO2) بهره بگیرند. برای ارزیابی محصولات هر الگوریتم با مقدار معادل مشاهداتی زمینی آن، از شاخص های آماری اریبی (Bias)، جذر میانگین مربع خطاها (RMSE)، خطای مطلق (MAE)، انحراف معیار (SD) و ضریب همبستگی پی یرسون (CR) در هر ایستگاه استفاده شده است. نتایج بررسی مقادیر داده شده نشان می دهد که، در بیشتر ایستگاه های زمینی مورد نظر، به ترتیب الگوریتم های NIES، ACOS، RemoTeC (SRFP) دارای کمترین خطای RMSE، MAE، و کمترین خطای اریبی بوده اند. همچنین، کمترین مقادیر همبستگی (بین هر الگوریتم و شبکه سطحی) متعلق به الگوریتم (SRFP) و بیشترین مقادیر آن، درمورد بیشتر ایستگاه ها، متعلق به الگوریتم NIES در یک میانگین پنج ساله (2015-2011) است.

    کلیدواژگان: ماهواره گوست، دی اکسید کربن (CO2)، گازهای گلخانه ای، الگوریتم بازیابی
  • مینا مرادی زاده* صفحات 37-46

    یکی از مهم ترین پارامترها، در تمامی تعاملات بین سطح و جو، بخار آب ستونی جو است که در بسیاری از مطالعات هواشناسی، محیطی، کاربردهای اکولوژیک و کشاورزی نقش کلیدی دارد. اندازه گیری این پارامتر در ایستگاه های هواشناسی مستلزم استفاده از رادیوسوند است که، علاوه بر نقطه ای و محدودبودن مشاهدات، بسیار پر هزینه است. ازآنجاکه این پارامتر، در مقایسه با سایر پارامترهای جوی، بیشترین تاثیر را در رادیانس رسیده به سنجنده دارد، سنجش از دور راهکاری جایگزین برای برآورد این پارامتر بسیار مهم جوی محسوب می شود. یکی از سنجنده هایی که این پارامتر را اندازه گیری می کند AIRS است که توان تفکیک پایین (حدود 40 کیلومتر) آن، در بسیاری از کاربردها، مطلوب نیست. بنابراین، هدف اصلی این تحقیق ارتقای توان تفکیک مکانی بخار آب ستونی این سنجنده، با استفاده از روشی مبتنی بر نسبت گیری باندی و تلفیق آن با داده های سنجنده MODIS است. در ادامه، با توجه به تاثیر مهم این پارامتر در برآورد دمای سطح خاک (LST)، نقش بخار آب ستونی ارتقایافته جو در برآورد LST بررسی می شود. به منظور اعتبارسنجی و تعیین دقت برآورد پارامترها، از سری داده های مستقل استفاده شد. نتایج نشان داد که روش پیشنهادی پتانسیل بالایی در ارتقای توان تفکیک مکانی بخار آب ستونی به دست آمده جو ازطریق سنجنده AIRS دارد؛ بدون اینکه کاهش چشمگیری در دقت آن مشاهده شود. همچنین، این نتیجه حاصل شد که بخار آب ستونی ارتقایافته جو ممکن است دقت برآورد LST را افزایش چشمگیری دهد.

    کلیدواژگان: سنجنده AIRS، بخار آب ستونی جو، ارتقای توان تفکیک مکانی، دمای سطح زمین، روش نسبت گیری
  • بهزاد محمدی شیخ‏رضی، محمدشریف ملا، موسیوند علی‏ جعفر*، علی شمس الدینی صفحات 47-64

    متغیرهای بیوفیزیکی و بیوشیمیایی پوشش گیاهی، به منزله متغیرهای ورودی، برای مدل های متفاوت چرخه کربن، آب، انرژی و مدل های اقلیمی و کشاورزی دقیق نقش مهمی ایفا می کنند. یکی از مهم ترین متغیرهای مربوط به تاج پوشش گیاه، که کاربردهای فراوانی در مدل سازی‏های گوناگون خاک و گیاه و اتمسفر دارد، شاخص سطح برگ (LAI) است. روش‏های گوناگونی برای بازیابی LAI از تصاویر ابرطیفی به کار رفته اند که، از میان آنها، روش‏های ناپارامتریک غیرخطی یادگیری ماشین بسیار مورد توجه قرار گرفته اند زیرا، در مواجهه با داده های دارای ابعاد زیاد، انعطاف پذیرند. بااین حال، در مطالعات پیشین، به بررسی عملکرد روش‏های یادگیری ماشین در بازیابی مقادیر LAI در مقادیر حاشیه‏ای (مقادیر خارج از دامنه نمونه‏گیری زمینی) و قابلیت این روش ها در تهیه نقشه متغیر توجه چندانی نشده است. در این تحقیق، عملکرد چهار روش پرکاربرد یادگیری ماشین شامل رگرسیون بردار پشتیبان، فرایند گاوسی، شبکه عصبی مصنوعی و جنگل تصادفی در بازیابی LAI از تصویر ابرطیفی ماهواره کریس پروبا بررسی شده است. نتایج نشان داد که، به رغم کارآیی هر چهار روش در بازیابی مقادیر LAI برای دامنه مقادیر اندازه‏گیری شده زمینی با RMSE بهتر از 0.5 و خطای نسبی کمتر از 10%، روش‏های فرایند گاوسی و رگرسیون بردار پشتیبان صحت بالاتری در مقایسه با سایر روش‏ها دارند. باوجوداین، عملکرد روش شبکه عصبی مصنوعی، در تخمین LAIهای دارای مقادیر حاشیه‏ای، بهتر از دیگر روش‏هاست و نقشه تهیه شده با این روش و تابع یادگیری GDA  تطابق بیشتری با نقشه NDVI و تصویر ابرطیفی منطقه دارد.

    کلیدواژگان: بازیابی پارامتر، شاخص سطح برگ، داده ابرطیفی، روش‏های ناپارامتریک یادگیری ماشین، کریس پروبا
  • قاسم جوادی، محمد طالعی* صفحات 65-86

    شاخص های متعددی مبتنی بر استفاده از روش های رایج و معمول اخذ داده، ازجمله استفاده از پرسشنامه برای سنجش رضایت عمومی، مطرح شده است. وجود چالش ها و مشکلات متعدد، همچون پرهزینه و زمان بربودن این روش ها، به خصوص در مناطق دارای گستره وسیع جغرافیایی، مانند یک کشور، باعث شده است مقادیر شاخص های مرتبط در این زمینه به روز نباشند. رضایت عمومی مفهومی پویا و چندبعدی است و در طی زمان، تغییر می کند؛ بنابراین، ضروری است در دوره های زمانی مناسب ارزیابی شود. ازآنجاکه در سال های اخیر رویکرد گسترده ای به سمت کاربرد داده های مکانی مردم ساخت شکل گرفته است، در این تحقیق به کمک داده های شبکه اجتماعی مکان مبنا، با طرح دیدگاهی جدید، اطلاعات و معیارهایی که می توانند منعکس کننده رضایت عمومی باشند استخراج شده و در نهایت، با درنظرگرفتن عدم قطعیت در مفهوم رضایت عمومی و داده های ورودی، از یک سیستم استنتاج گر فازی برای ارزیابی و مقایسه رضایت عمومی در استان های ایران استفاده شده است. شاخص های استخراج شده در این تحقیق نسبت توییت های دارای تمایل منفی به مثبت، نسبت توییت های دارای احساس شادی و لذت و نسبت توییت های شامل احساس ناراحتی و عصبانیت و ترس به کل توییت ها را دربر می گیرند. نتایج حاصل از روش پیشنهادی منجر به دسته بندی استان های کشور از وضعیت مطلوب تا نامطلوب شد. نتایج این تحقیق وجود پتانسیل داده های مردم ساخت را، در ارزیابی رضایت عمومی، بیشتر در نقش داده مکمل و نه به منزله جایگزین داده های رسمی، نشان داد. روش پیشنهادی در این تحقیق گامی به سوی ارزیابی رضایت عمومی، با استفاده از داده های به اشتراک گذاشته شده مردم در شبکه های اجتماعی مکانی محسوب می شود.

    کلیدواژگان: شبکه های اجتماعی مکان مبنا، توئیتر، سیستم استنتاج گر فازی، تحلیل مکانی
  • کریم سلیمانی*، فاطمه روحانی قادیکلایی، مرتضی شعبانی، محسن روحانی قادیکلایی صفحات 87-102

    افزایش جمعیت و توسعه شهرنشینی و به تبع آن کاهش مناطق جنگلی سبب افزایش میزان دمای سطح زمین در مناطق شهری شده که در نتیجه جزیره حرارتی شهری ایجاد می گردد. جزایر گرمایی شهر، یکی از عواملی است که هم زمان با توسعه شهر اهمیت پیدا کرده و امروزه می توان با استفاده از تصاویر ماهواره ای به محاسبه و ارزیابی آن پرداخت. اهداف این پژوهش شامل ارزیابی نقطه ای تغییرات دما، ارتباط کاربری اراضی، پوشش گیاهی، ترافیک و تیپ های خاک با دمای سطح زمین در شهر ساری و روند تغییرات مکانی آن در طی دو بازه 1988 و 2018 می باشد. به این منظور از تصاویر سنجنده TIRS و TM لندست 5 و 8 در بازه زمانی 30 ساله (1988_2018) جهت بررسی تغییرات جزیره حرارتی و محاسبه دمای سطح زمین، باالگوریتم تک کاناله استفاده گردید. نتایج نشان داد که در طی دوره 30 ساله با کاهش 3/235 هکتاری از فضای سبز و افزایش 34 درصدی سطح اشغال اراضی شهر ساری وسعت جزایر حرارتی به میزان 83/21 % افزایش یافت. همچنین با توجه به مقدار P-value کمتر از 05/0 نشان دادکه رابطه معنی داری بین شاخص پوشش گیاهی و سطح اشغال شهر با دمای سطح زمین وجود دارد و می توان استدلال کرد که تغییرات کاربری اراضی، پوشش گیاهی و ترافیک که ناشی از افزایش جمعیت و تغییر کاربری اراضی است، از عوامل اصلی افزایش تغییرات مکانی در جزایر حرارتی شهر ساری می باشند.

    کلیدواژگان: جزیره حرارتی شهر، سنجش ازدور، الگوریتم تک کاناله
  • سلمان احمدی*، رضا سودمند افشار صفحات 103-122

    دمای سطح زمین پارامتری بسیار مهم و کلیدی در بررسی های زیست محیطی، تغییرات آب وهوایی، رطوبت خاک، درصد تبخیر و تعرق و جزایر گرمایی شهری شمرده می شود. هدف از پژوهش حاضر محاسبه دمای سطح زمین، با استفاده از تصاویر ماهواره لندست 8 و کالیبراسیون آن، با استفاده از مدل های ریاضی غیرخطی است. در این پژوهش، به منظور محاسبه دمای سطح زمین، از الگوریتم پنجره مجزا استفاده شده است. در ادامه، از کالیبراسیون دمای حاصل از این الگوریتم به کمک توابع ریاضی رشنال، دمای نزدیک سطح زمین به دست آمده است. الگوریتم پنجره مجزا، برای برآورد دمای سطح زمین، از رادیانس طیفی و گسیل مندی سطح زمین استفاده می کند. به منظور تخمین رادیانس طیفی، از باندهای حرارتی سنجندهTIRS  ماهواره لندست 8 استفاده شده است. گسیل مندی سطح زمین نیز، به کمک شاخص کسر گیاهی و شاخص پوشش گیاهی (NDVI)، برای باندهای حرارتی سنجنده TIRS محاسبه شده است. همچنین، در این پژوهش، با کمک سری زمانی دمای هوای ایستگاه های هواشناسی، دمای حاصل از مدل پنجره مجزا با استفاده از توابع رشنال کالیبره شد تا دمای هوای نزدیک سطح زمین با دقت بالایی برآورد شود. نتایج مدل پیشنهادی نشان می دهد که کالیبراسیون دمای منتج از مدل پنجره مجزا، با استفاده از توابع رشنال، باعث کاهش میزان خطای RMSE در دو مرحله کالیبراسیون از 13.464 درجه سانتی گراد، به ترتیب، به 13.169 درجه سانتی گراد و در نهایت، به 0.668 درجه سانتی گراد شده است. با توجه به نتایج و بررسی ها، می توان گفت که درجه و تعداد ترم های موجود در معادلات رشنال در نتایج کالیبراسیون تاثیر بسیاری دارند و انتخاب بهترین مدل می تواند دقت این توابع را افزایش دهد.

    کلیدواژگان: دمای سطح زمین، کالیبراسیون، الگوریتم پنجره مجزا، لندست 8، توابع رشنال
|
  • Hadi Zare Khormizie *, Hamid Reza Ghafarian Malamiri Pages 1-22

    Phenology is the study of the occurrence of repeatable plant life events in relation to living and non-living factors. The phenology reflects the response and adaptability of ecosystems to climate change. Phonological study can be used to regulate livestock grazing management programs at rangeland, various agricultural activities, and etc. In order to study the effect of height and temperature on plant phenological processes, harmonic analysis of time series satellite observations was used. In this study, the 8-day products of the NDVI indices of MODIS sensor (namely MOD09Q1) with a spatial resolution of 250 m was used. First, the HANTS algorithm was used to decompose the one-year NDVI MODIS products time series to thier Fourier Series components (the amplitude and phase images). Then, the correlation of each of these components with respect to height and temperature were investigated in Shirkoh area of Yazd province. According to the results, with 1 centigrade decrease in the average spring temperature, which occurs with elevation, there were a delay of 6.6 days in annual cycles and 3.9 days in the 6-month cycles of the NDVI time series, respectively. These results indicate that a delay of 6.3 days was observed in phenological processes and plant starting growth time in plant with annual growth periods and a delay of 3.9 days in plants with seasonal and six-month growth stages. Accordingly, the results of the HANTS algorithm and the Fourier series analysis can be very effective in understanding the effects of climatic factors on phenological processes and the onset of plant growth.

    Keywords: Phenology, Phase Difference, Harmonic Analysis, time series, Shirkooh
  • Samira Karbasi, Hossein Malakooti *, Mehdi Rahnama, Majid Azadi Pages 23-36

    In this report, we compare data products from three different algorithms with the reference data obtained by ground-based high-resolution Fourier Transform Spectrometers (g-b FTSs)  in the Total Carbon Column Observing Network (TCCON), with the 8 selected sites in five years(2011-2015). The algorithms evaluated are NIES, ACOS and SRFP algorithms. These algorithms are focused on retrieving the column abundance of the CO2 to take advantage of the molecular amounts of dry air carbon dioxide (XCO2). To evaluate the products of each algorithm with its equivalent ground observations, statistical indices such as Bias error, root mean square error (RMSE), absolute error (MAE), standard deviation (SD), and Pearson correlation coefficient (CR) were used. By examining the values presented by each algorithm and comparing it with the ground observation values, it can be concluded that the NIES, ACOS, and RemoTeC (SRFP) algorithms have the lowest RMSE, Bias and MAE error respectively. The best agreements with TCCON measurements in the most stations were detected for NIES 02.xx. The SRFP algorithm has a significant difference in estimating CO2 retrieving rates compared to the other two algorithms. So that the lowest correlation values belong to the SRFP algorithm and the highest correlation, values belong to the NIES algorithm.

    Keywords: GOSAT Satellite, Carbon Dioxide (CO2), Greenhouse Gas, Retrieving Algorithm
  • Mina Moradizadeh * Pages 37-46

    Atmospheric column water vapor, which is the total atmospheric precipitable water vapor contained in a vertical air column, is one of the most important factors in all surface-atmosphere interactions (such as energy fluxes between the earth and the atmosphere) and plays a key role in wide variety of environmental studies, ecological and agricultural applications. However, measuring this parameter at meteorological stations requires the use of radiosonde instruments, which being pointwise and costly are limitations of these observations. Therefore, remote sensing is used as an alternative to estimate this important atmospheric parameter. Compared to other atmospheric parameters, atmospheric water vapor which attenuates remotely sensed radiance is of great importance. Although this atmospheric parameter is measured by AIRS (Atmospheric Infrared Sounder) sensor, its low resolution (about 40 km) is not acceptable for many applications. Therefore, developing an algorithm to downscale the AIRS-derived column water vapor is the main goal of this study, so that its spatial resolution can be improved. To do this, using the ratio method, the AIRS-derived column water vapor is fused with the MODIS (Moderate Resolution Imaging spectroradiometer) data. Then, due to the major influence of this parameter on Land Surface Temperature (LST) estimation, the role of improved resolution atmospheric column water vapor in the estimation of LST is investigated as a secondary goal. In order to validate the estimated parameters and evaluate their accuracy, independent datasets were used. Results of the implementation indicate that proposed downscaling method has high potential to enhance the spatial resolution of AIRS-derived atmospheric column water vapor, without significant degradation of the RMSE. It was also found that the atmospheric column water vapor when moving into higher spatial resolution can dramatically increase the accuracy of the LST estimation.

    Keywords: AIRS, Atmospheric column water vapor, Spatial downscaling, LST, Ratio technique
  • Behzad Mohammadi Sheikh Razi, Mohammad Sharif Molla, Ali Jafar Mousivand *, Ali Shamsoddini Pages 47-64

    < p >Vegetation biophysical and biochemical variables are key inputs to a wide range of modelling approaches for carbon, water, energy cycle, climate and agricultural applications. Leaf Area Index (LAI) is among the most important canopy variables, used by many different physiological and functional plant models. Several approaches have been developed for vegetation properties retrieval from remotely sensed hyperspectral data. Among them, nonparametric machine learning methods have increasingly gained attention in vegetation variable retrieval due to their flexibility and efficiency while working with data of high dimensionality over the last decades. Although these methods provide reasonable accuracy at relatively high speed, they are mainly restricted to estimate values within their training domain and often perform poorly on the marginal values (i.e. outside of the training domain). The performance of these methods has not been adequately studied in retrieving LAI on the marginal values. This study employs four well-known machine learning methods including SVR, GPR, ANN, and RF to retrieve LAI from a hyperspectral CHRIS-Proba image over Barrax, Spain, in order to inspect their capability in retrieving marginal values. The results showed that although all the methods perform similarly well on retrieving LAI over the training domain values with RMSE values of less than 0.5 and relative error of less than 10%, GPR and SVR performed slightly better. However, ANN outperformed the other methods in estimating LAI on the marginal values, resulted in the generated LAI map more consistent with the NDVI map, as well as, the hyperspectral image of the region.

    Keywords: Parameter retrieval, Leaf Area Index, nonparameteric machine leraning, CHRIS-Proba
  • Ghasem Javadi, Mohammad Taleai * Pages 65-86

    Public satisfaction is a multidimensional and dynamic concept that changes over time, so it must be evaluated at appropriate times. A major challenge for this evaluation, especially in large geographical areas such as one country, is the lack of regular procedures and updated relevant index values. In recent years, several indicators have been presented based on traditional methods of data collection, including the use of questionnaires, to measure public satisfaction. Since, in recent years, the use of User Generated Geo-Content (UGGC) has been widely considered, in this research, with a new perspective by using of location-based social networks (LBSNs), extraction of information and criteria that can somehow reflect public satisfaction has been done. Finally, considering the uncertainties in the input data and the definition of public satisfaction, a fuzzy inference system was used to evaluate and compare public satisfaction in Iranian provinces. The extracted indices in this study, include negative/positive tweet ratio, the ratio of joy and love tweets to all tweets, and the ratio of sadness, anger and fear tweets to all tweets. The results of the proposed method resulted in the classification of the provinces of Iran from favorable to unfavorable situations. The results of this study demonstrated the potential of UGGC for public satisfaction assessment in the role of complementary data rather than as an alternative to official data. The proposed method in this study is a step towards evaluating public satisfaction using data shared by users on location-based social networks.

    Keywords: Location-based social networks, Twitter, Fuzzy Inference System, Geospatial analysis
  • Karim Solaimani *, Fatemeh Ruhani, Morteza Shabai, Mohsen Rohani Pages 87-102

    The increase in population and the development of urbanization and, consequently, diforested areas have caused an increase in the surface temperature in urban areas, which results in an urban heat island. The heat islands of the city is one of the factors that has become important at the same time with the development of the city and today it can be calculated and evaluated using satellite images. The objectives of this study are to evaluate the points of temperature changes, land use, vegetation, traffic and soil types relationship with surface temperature in Sari and the trend of its spatial changes during the two time periods of 1988 and 2018. For this purpose, TIRS and Landsat 5 and 8 TM images in a period of 30 years (1988-2018) were used to study the heat island changes and calculate the surface temperature with a single-channel algorithm. The results showed that during a period of 30 years with a decrease of 235.3 hectares of green space and a 34% increase in land occupation in Sari, the area of heat islands increased by 21.83%. Also, considering the value of P-value less than 0.05, it showed that there is a significant relationship between vegetation index and city occupation level with land surface temperature and it can be argued that land use change, vegetation and traffic due to population growth and land use change is one of the main factors in increasing spatial changes in the heat islands of Sari.

    Keywords: Heat island, - remote sensing, - land use, -Sari city
  • Salman Ahmadi *, Reza Soodmand Pages 103-122

    The temperature of the Earth's surface is a very important parameter in environmental studies, climate change, soil moisture content, Evapotranspiration and urban thermal islands at different scales. Currently, there is no perfect method for accurately measuring the temperature of the surface of the earth, but since high spectral resolution sensors prevent the vapor spectral absorption in the infrared bands, this Increases computational accuracy in determining vegetation index. The purpose of this paper is to calculate the surface temperature using satellite images of OLI and TIRS sensors of Landsat 8. In this research, the separate window algorithm has been used to calculate ground temperature. The algorithm uses spectral radiance and emissivity to calculate the surface temperature. To estimate the spectral radiance in Landsat 8, the bands of 10 and 11 have been used. Emissivity is also obtained by using the NDVI threshold technique by using the OLI bands 2, 3, 4 and 5. Also, In this paper the temperature is calculated by The algorithm has been calibrated and corrected by a two-dimensional projective mathematical model, which tried to bring the calculated temperature closer to the actual ground temperature. In the present paper, the RMSE value is equal to 0.3678°C and the correlation between Meteorological data and temperature estimated by the model is equal to 0.9791. Also, the performance of the model that used to estimate the Earth's surface temperature is equal to 0.9751.

    Keywords: Land Surface Temperature, NDVI, Separate Window Algorithm, Oil, LANDSAT 8