بهبود قدرت تفكيك زماني - مكاني داده هاي تبخير - تعرق واقعي با استفاده از تركيب داده هاي ماديس و لندست - 8

Spatio-temporal resolution improvement of actual evapotranspiration using MODIS and Landsat-8 data fusion

هدف اين مطالعه توليد نقشه‌هاي تبخير- تعرق روزانه با قدرت تفكيك مكاني 30 متر و به صورت روزانه براي اراضي كشت و صنعت اميركبير با استفاده از دو سناريو مي باشد. در سناريوي اول پارامترهاي ورودي مورد نياز الگوريتم سبال حاصل از تصاوير ماديس به قدرت تفكيك مكاني لندست-8 ريزمقياس شد، سپس با استفاده از الگوريتم سبال و پارامترهاي ورودي ريزمقياس شده، تبخير- تعرق واقعي محاسبه شد. در سناريوي دوم تبخير- تعرق واقعي‌ بدست آمده از سنجنده ماديس به قدرت تفكيك مكاني لندست-8 ريزمقياس شد. در سناريوهاي اول و دوم ريزمقياس كردن داده‌ها با سه روش نسبت، رگرسيون و شبكه‌ عصبي مصنوعي و با دو رويكرد مختلف انجام شد. در رويكرد اول فاصله زماني بين تصوير پايه و تصوير ريزمقياس شده از 1 روز تا 15 روز متغير مي‌باشد ولي در رويكرد دوم فاصله زماني بين دو تصوير پايه و ريزمقياس شده 1 روز مي‌باشد. با مقايسه تبخير- تعرق‌هاي واقعي ريزمقياس شده با مقادير تبخير- تعرق واقعي بدست آمده از تصوير لندست-8 روش رگرسيون در سناريوي دوم با رويكرد اول با مجذور ميانگين مربعات خطا 87/0 ميليمتر در روز داراي بهترين نتيجه و روش شبكه عصبي مصنوعي در سناريوي دوم با رويكرد دوم با مجذور ميانگين مربعات خطا 25/2 ميليمتر در روز داراي بدترين نتيجه بود. اگرچه نتايج محاسبه تبخير-تعرق واقعي حاصل از ريزمقياس نمايي در تمامي روشها در هر دو سناريو و با هر دو رويكرد، نسبت به تبخير- تعرق واقعي بدست آمده از تصوير ماديس با مجذور ميانگين مربعات خطا 19/3 ميليمتر در روز داراي صحت بهتري بود.

Recently, downscaling algorithms have been developed to obtain ET images with high temporal-spatial resolution. The purpose of the present study is to produce daily ET maps with spatial resolution of 30 m for farmlands of Amirkabir Agriculture & Industry. To reach this goal, two different scenarios were used. In the first scenario, SEBAL algorithm input parameters (surface albedo coefficient, normalized difference vegetation index [NDVI], leaf area index [LAI] and land surface temperature [LST]) calculated from MODIS data were downscaled to spatial resolution of Landsat-8, and then actual ET was calculated. In the second scenario, ET data estimated by MODIS data and SEBAL algorithm was downscaled to Landsat-8 spatial resolution. In the first and second scenarios, downscaling was conducted by applying three methods including ratio, regression and neural network. Also, two approaches were applied in this study. In the first approach, the time lag between the base image (image with higher spatial resolution) and MODIS image varies from 1 to 15 days, whereas in the second approach the time lag was 1 day. Comparing downscaled actual ET with actual ET calculated from Landsat-8 data, the regression method applied in the second scenario and first approach indicated the best result with RMSE=0.87 mm/day and neural network used in the second scenario and second approach showed the worst result with RMSE=2.25 mm/day. However downscaled actual ETs derived from different methods were more accurate than actual ET resulted from MODIS data with RMSE= 3.19 mm/day.