نشریه کاربرد سنجش از دور و سیستم اطلاعات جغرافیایی در علوم محیطی

یک رویکرد ترکیبی از داده های سنجش از دور و کتابخانه طیفی جهت برآورد گسیلمندی سطح

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه نقشه برداری، دانشکده فنی و مهندسی مرند، دانشگاه تبریز،

2 گروه مهندسی نقشه برداری، دانشکده فنی و مهندسی مرند، دانشگاه تبریز

10.22034/rsgi.2022.14399

چکیده

در این تحقیق، یک رویکرد ترکیبی از داده های سنجش از دور و کتابخانه طیفی جهت برآورد گسیلمندی سطح پیشنهاد گردیده است که بر روی هر سنجنده اپتیکی قابل اجراست. روش پیشنهادی نه تنها گسیلمندی سطح را بصورت تابعی از انعکاس عوارض مختلف سطح تخمین می‌زند، بلکه توابع پاسخ طیفی باندهای حرارتی و انعکاسی را در برآورد گسیلمندی سطح مد نظر قرار می-دهد. روش پیشنهادی بر روی تصویری از لندست 8 اجرا شد و گسیلمندی حاصل با دو محصول گسیلمندی سنجنده استر مقایسه و اعتبارسنجی شد. نتایج نشان داد که گسیلمندی حاصل از روش پیشنهادی در باند 10 حرارتی لندست 8 در مقایسه با محصول گسیلمندی متناظر تصویر بررسی اول و دوم سنجنده استر به ترتیب دارای خطای 0.76% و 0.75% با در نظر گرفتن پارامتر ریشه میانگین مربعات خطا می باشد، همچنین این خطا در باند 11 حرارتی به ترتیب دارای مقدار 1.49% و 1.06% محاسبه گردید. خطای بیشتر در باند حرارتی 11 می تواند مربوط به اختلاف نسبتاً زیاد در تابع پاسخ طیفی و رنج طیفی و طول موج موثر بین باند 11 لندست 8 و باند 14 استر باشد. نتایج این تحقیق، گسیلمندی سطح را بصورت تابعی از بازتاب باندهای انعکاسی محاسبه کرده و گسیلمندی سطح در هر پیکسیل متناسب با بازتاب انعکاسیش مقدار گسیلمندی خاص خود را دارد که متفاوت از پیکسیل‌های مجاورش است در حالیکه در روش قبلی برای گروهی از پیکسلها که مقادیر ثابتی از ضریب گسیل تعلق می‌گرفت و گسیلمندی سطح بصورت مقدار ثابت و گسسته در هر منطقه‌ای از تصویر محاسبه می‌گردید.

تازه های تحقیق

پارامتر گسیلمندی سطح، یکی از مهمترین ویژگی ذاتی مواد و پدیدههای سطح زمین است، لذا نه تنها برآورد این پارامتر برای به دست آوردن دمای سطح زمین ضروری است بلکه آن اطلاعات مفیدی برای زمینشناسی و مطالعات زیست محیطی، نقشههای معدنی فراهم میکند و یکی از مهمترین پارامترهای ورودی برای مدلهای آب و هوا، محیط زیست و بیولوژیکی است. اهمیت برآورد پارامتر گسیلمندی تا اندازهای ارزشمند است که یک پروژه بزرگ در موسسه فناوری کالیفرنیا توسط سازمان ملی هوانوردی و فضایی ناسا، آزمایشگاه نیروی محرکه جت، انجام شد. برای رسیدن به چنین محصول ارزشمند، ناسا در طول 07 سال با استفاده از میلیونها تصویرسنجنده استر مجموعه پایگاه دادههای مختلف، گسیلمندی را تولید کردند. در این تحقیق، یک رویکرد جدید برآورد گسیلمندی سطح بر اساس روش ترکیبی از دادههای سنجش از دور و کتابخانه طیفی برای باندهای حرارتی لندست 8 پیشنهاد گردیده است که برای هر سنجنده اپتیکی قابل اجراست. جهت تخمین دقیقتر گسیلمندی برای مناطق خاک بایر، گسیلمندی سطح  به صورت تابعی از بازتاب باندهای انعکاسی در محدوه طیفی 9/1 تا 74/7 میکرومتر محاسبه شده است .کارایی و اثربخشی روش پیشنهادی، به صورت عملی بر روی تصویری از لندست 8 اجرا گردید و گسیلمندی حاصل با دو محصول گسیلمندی  استر مقایسه و صحتسنجی شد. نتایج نشان داد که گسیلمندی سطح در هر پیکسیل متناسب با بازتاب انعکاسیاش مقدار گسیلمندی خاص خود را دارد که متفاوت از پیکسیلهای مجاورش است در حالیکه در روش قبلی برای گروهی از پیکسلها که در یک گروه) مناطق خاک بایر،  پوشش گیاهی متراکم، و یا ترکیبی از پوشش گیاهی و خاک( طبقهبندی میشدند، مقادیر ثابتی از ضریب گسیل به آنها تعلق میگرفت و گسیلمندی سطح به صورت مقدار ثابت و گسسته در هر منطقهای از تصویر محاسبه میگردید. همچنین، ارزیابی میزان خطاهای نتایج روش پیشنهادی با دو تصویر از محصول گسیلمندی سنجنده استر انجام گرفت و نشان داد که خطای گسیلمندی حاصل از روش پیشنهادی در باند 01 حرارتی لندست 8 در مقایسه با محصول گسیلمندی متناظر تصویر بررسی اول و دوم استر بهترتیب دارای خطای 67/1% و 67/1% با در نظر گرفتن پارامتر ریشه میانگین مربعات خطا میباشد، همچنین این خطا در باند 00 حرارتی به ترتیب دارای مقدار 94/0% و 17/0% محاسبه گردید. خطای بیشتر در باند حرارتی 00 میتواند مربوط به اختلاف نسبتاً زیاد در تابع پاسخ طیفی و رنج طیفی و طول موج موثر بین باند 00 )7/00 تا 7/07 میکرومتر( لندست 8 و باند 09 )47/01 تا  77/00 میکرومتر( استر باشد. علیرغم اینکه در مناطق خاک بایر تغییرات گسیلمندی زیاد بوده و در روشهای قبلی مقدار ثابت ضریب گسیل برای چنین مناطقی اختصاص میدادند که دقت کمتری داشت و با عدم قطعیت زیادی همراه بود، زیرا گسیلمندی خاک با بافت، رنگ، رطوبت و سایز اجزاء فیزیکی و شیمیایی آن تغییر میکند. در مقابل، در روش پیشنهادی که ازیک رویکرد ترکیبی از داده های سنجش از دور و کتابخانه طیفی جهت برآورد گسیلمندی سطح  حسن امامی و آرش رحمانیزاده بازتاب باندهای انعکاسی استفاده میکند ،اغلب خصوصیات فیزیکی و شیمیایی خاک در آن منعکس میشود و در محاسبه گسیلمندی سطح دخالت داده میشود. بنابراین، برخلاف روشهای قبلی ،روش پیشنهادی نه تنها با دقت بهتری گسیلمندی سطح را به صورت تابعی از بازتاب انعکاسی عوارض مختلف سطح تخمین میزند، بلکه تـوابع پاسخ طیفی باندهای حرارتی و انعکاسی را در برآورد گسیلمندی سطح مد نظر قرار میدهد. همچنین، روش پیشنهادی رابطه ضعیف بین گسیلمندی و بازتاب فقط باند قرمز در روشهای قبلی را بدلیل استفاده از بازتاب همه باندهای انعکاسی تقویت مینماید و بر روی اغلب سنجندهها قابل اجراست. لذا بر این اساس روش پیشنهادی تخمین دقیقتری از گسیلمندی سـطح را برآورد مـینماید، با این حال ،شایسته است که روش پیشنهادی بـر روی دادههای سنجندههای مختلف و مناطق مختلف تست و بررسی گردد.

کلیدواژه‌ها

عنوان مقاله [English]

A Synthesis Approach of Remote Sensing Data and Spectral Libraries to Estimate Land Surface Emissivity

نویسندگان [English]

  • Hassan Emami 1
  • Arash Rahmanizadeh 2

1 Department of Geomatics, School of Marand Engineering, University of Tabriz,

2 Department of Geomatics, Marand Faculty of Engineering, University of Tabriz, Tabriz, Iran,

چکیده [English]

In this research, a synthesis approach to estimating Land surface emssivity (LSE) using remote sensing data and a spectral library that can be used to any optical sensor is proposed. The suggested method not only estimates the LSE as a function of the reflection of various surface effects, but it also takes into account the spectral response functions (SRF) of the thermal and reflective bands when calculating the LSE. The suggested approach was applied to a Landsat 8 imagery, and the resulting LSE was compared to and verified using two LSE products from the ASTER. The findings indicated that the LSE from the proposed methodology in Landsat 8 thermal band 10 has a root-mean-square error of 0.76 % and 0.75 %, respectively, when compared to the equivalent LSE product of the first and second ASTER Images. This error was also calculated in the 11 thermal band, with values of 1.49 and 1.06 %, respectively. This error was also calculated in the 11 thermal band, with values of 1.49 and 1.06 %, respectively. The results of this study compute the surface emissivity as a function of the reflectance of the reflective bands, and each pixel associated with that reflectance has a unique emissivity value that differs from that of nearby pixels. The prior technique, on the other hand, assigned a constant emissivity coefficient to the value of the group of pixels, and the surface emissivity was computed as a constant discrete value in each part of the image.

کلیدواژه‌ها [English]

  • Land Surface Emissivity
  • Land Surface Temperature
  • Landsat 8
  • Remote Sensing

 در این تحقیق، یک رویکرد ترکیبی از دادههای سنجش از دور و کتابخانه طیفی جهت برآورد گسیلمندی سطح پیشنهاد گردیده است که بر روی هر سنجنده اپتیکی قابل اجراست. روش پیشنهادی نه تنها با دقت بهتری گسیلمندی سطح را بصورت تابعی از انعکاس عوارض مختلف سطح تخمین میزند، بلکه توابع پاسخ طیفی باندهای حرارتی و انعکاسی را در برآورد گسیلمندی سطح مدنظر قرار میدهد. همچنین، روش پیشنهادی رابطه ضعیف بین گسیلمندی و بازتاب فقط باند قرمز در روشهای قبلی را بدلیل استفاده از بازتاب همه باندهای انعکاسی تقویت مینماید. روش پیشنهادی بر روی تصویری از لندست 8 اجرا شد و گسیلمندی حاصل با دو محصول گسیلمندی سنجنده هوابرد پیشرفته با رادیمترسنج انعکاسی و حرارتی )استر( مقایسه و اعتبارسنجی شد. نتایج نشان داد که گسیلمندی حاصل از روش پیشنهادی در باند 01 حرارتی لندست 8 در مقایسه با محصول گسیلمندی متناظر تصویر بررسی اول و دوم سنجنده استر به ترتیب دارای خطای 67/1% و 67/1%  با در نظر گرفتن پارامتر ریشه میانگین مربعات خطا میباشد، همچنین این خطا در باند 00 حرارتی به ترتیب دارای مقدار 94/0% و 17/0% محاسبه گردید .خطای بیشتر در باند حرارتی 00 میتواند مربوط به اختلاف نسبتاً زیاد در تابع پاسخ طیفی و رنج طیفی و طول موج موثر بین باند 00لندست 8 و باند 09 استر باشد. نتایج این تحقیق، گسیلمندی سطح را به صورت تابعی از بازتاب باندهای انعکاسی محاسبه کرده و گسیلمندی سطح در هر پیکسیل متناسب با بازتاب انعکاسیش مقدار گسیلمندی خاص خود را دارد که متفاوت از پیکسیلهای مجاورش است در حالی که در روش قبلی برای گروهی از پیکسلها که مقادیر ثابتی از ضریب گسیل تعلق میگرفت و گسیلمندی سطح بصورت مقدار ثابت و گسسته در هر منطقهای از تصویر محاسبه میگردید .

کلمات کلیدی: گسیلمندی سطح زمین، دمای سطح زمین، لندست 8، سنجش از دور.

https://doi.org/10.1016/j.rse.2008.11.007
1-Baldridge, A., Hook, S., Grove, C., & Rivera, G. (2009). The ASTER spectral library version 2.0. Remote Sensing of Environment, 113(4), 711-715. doi: 
2-Barducci, A., & Pippi, I. (1996). Temperature and emissivity retrieval from remotely sensed images using the grey body emissivity” method. Geoscience and Remote Sensing, IEEE, 34(3): 681-695 .doi: https://doi.org/10.1109/36.499748.
3-Boonmee, M. (2007). Land Surface Temperature and Emissivity Retrieval from Thermal Infrared Hyperspectral Imagery. Rochester Institute of Technology, PHD Thesis .doi: https://doi.org/ 10.1117/12.665899.
4-Coll, C., Valor, E., Caselles, V., & Niclòs, R. (2003). Adjusted Normalized Emissivity Method for surface temperature and emissivity retrieval from optical and thermal infrared remote sensing data. Journal of Geophysical Research: Atmospheres (1984–2012), 108. doi: https://doi.org/10.1029/2003JD003688
5-Gillespie, A.R., Rokugawa, S., Hook, S.J., Matsunaga, T., & Kahle, A.B. (1999). Temperature/ emissivity separation algorithm theoretical basis document, version 2.4. ATBD contract NAS53137-NASA .doi: https://doi.org/ 10020538704.
6-Huang, C., Townshend, J.R., Liang, S., Kalluri, S.N., & DeFries, R.S. (2002). Impact of sensor's point spread function on land cover characterization: assessment and deconvolution. Remote Sensing of Environment, 80(2): 203-212. doi: https://doi.org/ 10.1016/S0034-4257(01)00298X.
7-Hulley, G., Hook S., E. Abbott, N. Malakar, T. Islam, M. Abrams (2015). The ASTER Global Emissivity Database (ASTER GED): Mapping Earth’s emissivity at 100 meter spatial resolution, In G.R. Letters. doi:https://doi.org/10.1002/2015GL065564.
8-Hulley, G.C., Hook, S.J., & Baldridge, A.M. (2009). Validation of the North American ASTER Land Surface Emissivity Database (NAALSED) version 2.0 using pseudo-invariant sand dune sites. Remote Sensing of Environment, 113(10): 2224-2233. 
       doi:https://doi.org/10.1016/j.rse.2009.06.005.
9-Jiang, J.-x., Liu, Q.-h., & Li, H. (2012). A modified NDVI threshold method for estimating LSE from FY3A/VIRR data. Paper presented at the 2nd International Conference on Remote Sensing, Environment and Transportation Engineering (RSETE), Nanjing, Jiangsu, China, 01-03 Jun. doi:https://doi.org/ 10.1109/RSETE.2012.6260355.
10-Jiménez-Muñoz, J.C., Sobrino, J.A., Gillespie, A., Sabol, D., & Gustafson, W.T. (2006). Improved land surface emissivities over agricultural areas using ASTER NDVI. Remote Sensing of Environment, 103(4), 474-487. doi:https://doi.org/ 10.1016/j.rse.2006.04.012.
11-Kahle, A.B., Madura, D.P., & Soha, J.M. (1980). Middle infrared multispectral aircraft scanner data: Analysis for geological applications. Applied Optics, 19(14): 2279-2290. 
       doi: https://doi.org/ 10.1364/AO.19.002279.
12-Kaiser, G., & Schneider, W. (2008). Estimation of sensor point spread function by spatial subpixel analysis. International Journal of remote sensing, 29(7): 2137-2155.        doi:https://doi.org/ 10.1080/01431160701395310.  13-Kirchhoff, G. (1860). G. Kirchhoff, Ann. Phys. 185, 275. 
14-Knight, E.J., & Kvaran, G. (2014). Landsat-8 operational land imager design, Characterization and performance. Remote Sensing, 6(11): 10286-10305.
      doi: https://doi.org/ 10.3390/rs61110286.
15-Li, Z.-L ,.Tang, B.-H., Wu, H., Ren, H., Yan, G., Wan, Z., Sobrino, J.A. (2013). Satellite-derived land surface temperature: Current status and perspectives. Remote Sensing of Environment, 131: 14-37. doi: https://doi.org/10.1016/j.rse.2012.12.008.
16-Li, Z.-L., Wu, H., Wang, N., Qiu, S., Sobrino, J.A., Wan., Z., Yan, G. (2013). Land surface emissivity retrieval from satellite data. International Journal of remote sensing, 34(9-10): 3084-3127. doi:https://doi.org/10.1080/01431161.2012.716540.
17-Ma, X.L., Wan, Z., Moeller, C.C., Menzel, W.P., & Gumley, L.E. (2002). Simultaneous retrieval of atmospheric profiles, land-surface temperature, and surface emissivity from Moderate-Resolution Imaging Spectroradiometer thermal infrared data: Extension of a twostep physical algorithm. Applied optics, 41(5), 909-924 .
       doi: https://doi.org/10.1364/AO.41.000909.
18-Momeni, M., & Saradjian, M. (2007). Evaluating NDVI-based emissivities of MODIS bands 31 and 32 using emissivities derived by Day/Night LST algorithm. Remote Sensing of Environment, 106(2): 190-198. doi: https://doi.org/ 10.1016/j.rse.2006.08.005.
19-Oltra-Carrió, R., Sobrino, J., Franch, B., & Nerry, F. (2012). Land surface emissivity retrieval from airborne sensor over urban areas. Remote Sensing of Environment, 123: 298-305.        doi: https://doi.org/ 10.1016/j.rse.2012.03.007.
20-Quan, W., Chen, H., Han, X., Liu, Y., & Ye, C. (2012). A modified Becker’s split-window approach for retrieving land surface temperature from AVHRR and VIRR. Acta Meteorologica Sinica, 26: 229-240. doi: https://doi.org/ 10.1007/s13351-012-0208-y.
21-Realmuto, V. (1990). Separating the effects of temperature and emissivity: Emissivity spectrum normalization. Paper presented at the Proc. 2nd TIMS Workshop. doi: https://doi.org/10025572484.
22-Richter, R., & Schläpfer, D. (2014). Atmospheric/topographic correction for satellite imagery. Technical report, DLR-German Aerospace Center, Germany. 
23-Rubio, E., Caselles, V., & Badenas, C. (1997). Emissivity measurements of several soils and vegetation types in the 8–14, μm Wave band: Analysis of two field methods. Remote Sensing of Environment, 59(3): 490-521. doi: https://doi.org/ 0.1016/S0034-4257(96)00123-X.
24-Rubio, E., Caselles, V., Coll, C., Valour, E., & Sospedra, F. (2003). Thermal–infrared emissivities of natural surfaces: improvements on the experimental set-up and new measurements. International journal of remote sensing, 24(24): 5379-5390.        doi: https://doi.org/ 10.1080/0143116031000102412.
25-Salisbury, J.W., & D'Aria, D.M. (1992). Emissivity of terrestrial materials in the 8–14 μm atmospheric window. Remote Sensing of Environment, 42(2): 83-106.        doi: https://doi.org/ 10.1016/0034-4257(92)90092-X.
26-Schowengerdt, R.A. (2006). Remote sensing: models and methods for image processing: Academic press. 
27-Seemann, S.W., Borbas, E.E., Knuteson, R.O., Stephenson, G.R., & Huang, H.-L. (2008). Development of a global infrared land surface emissivity database for application to clear sky sounding retrievals from multispectral satellite radiance measurements. Journal of Applied Meteorology and Climatology, 47(1): 108-123.       doi:https://doi.org/ 10.1175/2007JAMC1590.1.
28-Sobrino, J., Jiménez‐Muñoz, J., Sòria, G., Gómez, M., Ortiz, A. B., Romaguera, M., Atitar, M. (2008). Thermal remote sensing in the framework of the SEN2FLEX project: field measurements, airborne data and applications. International journal of remote sensing, 29(1718): 4961-4991. doi: https://doi.org/ 10.1080/01431160802036516.
29-Sobrino, J., & Raissouni, N. (2000). Toward remote sensing methods for land cover dynamic monitoring: application to Morocco. International journal of remote sensing, 21(2): 353-366. doi: https://doi.org/10.1080/014311600210876.
30-Sobrino, J.A., Jiménez-Muñoz, J.C., & Paolini, L. (2004). Land surface temperature retrieval from LANDSAT TM 5. Remote Sensing of Environment, 90(4): 434-440. doi: https://doi.org/ 10.1016/j.rse.2004.02.003.
31-Sobrino, J.A., Jiménez-Muñoz, J.C., Sòria, G., Romaguera, M., Guanter, L., Moreno, J., Martínez, P. (2008). Land surface emissivity retrieval from different VNIR and TIR sensors.
IEEE Transactions on Geoscience and Remote Sensing, 46(2): 316-327.        doi: https://doi.org/ 10.1109/TGRS.2007.904834.
32-Tang, B.-H., Shao, K., Li, Z.-L., Wu, H., & Tang, R. (2015). An improved NDVI-based threshold method for estimating l and surface emissivity using MODIS satellite data.
International journal of remote sensing (ahead-of-print), 1-15.       doi: https://doi.org/10.1080/01431161.2015.1040132.
33-Tang, H., & Li, Z.-L. (2014). Future Development and Perspectives Quantitative Remote Sensing in Thermal Infrared (pp. 257-279): Springer. doi: https://doi.org/ 10.1007/978-3-64242027-6_.8
34-Valor, E., & Caselles, V. (1996). Mapping land surface emissivity from NDVI: Application to European, African, and South American areas. Remote sensing of Environment, 57(3): 167184. doi: https://doi.org/ 10.1016/0034-4257(96)00039-9.
35-Valor, E., Coll, C., Caselles, V., & Niclos, R. (2003). The Adjusted Normalized Emissivity Method (ANEM) for land surface temperature and emissivity recovery. Paper presented at the IEEE International Geoscience and Remote Sensing Symposium, Proceedings. IGARSS'03. 2003. doi:https://doi.org/ 10.1109/IGARSS.2003.1294692.
36-Van de Griend, A., & Owe, M. (1993). On the relationship between thermal emissivity and the normalized difference vegetation index for natural surfaces. International journal of remote sensing, 14(6): 1119-1131 .doi: https://doi.org/10.1080/01431169308904400.
37-Walawender, J.P., Hajto, M.J., & Iwaniuk, P. (2012). A new ArcGIS toolset for automated mapping of land surface temperature with the use of LANDSAT satellite data. Paper presented at the IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Munich, Germany, July 22-27. doi:https://doi.org/ 10.1109/IGARSS.2012.6350405.
38-Wan, Z., & Li, Z.-L. (1997). A physics-based algorithm for retrieving land-surface emissivity and temperature from EOS/MODIS data. IEEE Transactions on Geoscience and Remote Sensing, 35(4): 980-996. doi: https://doi.org/10.1109/36.602541.
39-Wang, H., & Ellis, E.C. (2005). Image misregistration error in change measurements. Photogrammetric Engineering & Remote Sensing, 71(9): 1037-1044. doi: https://doi.org/ 10.14358/PERS.71.9.1037.
40-Wang, N., Li, Z.-L., Tang, B.-H., Zeng, F., & Li, C. (2013). Retrieval of atmospheric and land surface parameters from satellite-based thermal infrared hyperspectral data using a neural network technique. International Journal of Remote Sensing, 34(9-10): 3485-3502. 
      doi: https://doi.org/ 10.1080/01431161.2012.716536.
نشریه کاربرد سنجش از دور و سیستم اطلاعات جغرافیایی در علوم محیطی
دوره 1، شماره 1 - شماره پیاپی 1
اسفند 1400
صفحه 67-91
  • تاریخ دریافت: 22 آبان 1400
  • تاریخ بازنگری: 12 آذر 1400
  • تاریخ پذیرش: 14 آذر 1400