ارتقاي الگوريتم آشكارسازي ابر MODIS با استفاده از تصوير هم‌زمانASTER ، مطالعه موردي: شهر دامغان

Gradation of MODIS Cloud Mask Algorithm Using Simultaneous ASTER Imagery

سودمندي و اعتبار داده‌هاي ماهواره‌اي به طور قوي به شرايط جوي وابسته است. گرد‌و‌غبارهاي جوي، گازها و بويژه حضور ابرها مي‌تواند به‌طور قابل توجهي بر انرژي بازتابيده از سطح اثر گذاشته و قرايت سنجنده‌هاي اپتيكي را با خطا مواجه سازند. پيكسل‌هاي آلوده به ابر اغلب بازتابندگي پوشش‌هاي زميني را افزايش داده و دماي آن‌ها را پايين‌تر از مقدار واقعي خود نشان مي‌دهند. ابرهاي كوچك‌تر از ابعاد پيكسل كه قابل مشاهده نيستند، باعث افزايش بازتابندگي پيكسل شده و ايجاد خطا مي‌كنند. با توجه به اين‌كه ابرهاي مختلف برهم كنش‌هاي مختلفي با طيف‌هاي مختلف دارند، مي‌توان با تركيب و آناليز باندهاي مختلف طيفي MODIS ميزان ابرناكي بودن پيكسل را تعيين كرد. با استفاده از اين روش مي‌توان پيكسل‌هاي آلوده به ابر را سريع‌تر و با روشي ساده‌تر تعيين كرد. الگوريتم MODIS Cloud Mask به‌وسيله آكرمن و همكاران در سال 2006 ارايه شد. در اين تحقيق انخست اقدام به شناسايي پيكسل‌هاي ابري در تصوير MODIS به كمك مدل پنج مرحله‌اي موجود در MODIS Cloud Mask شد و در ادامه براي ارتقاي مدل و تعيين درصد ابر موجود در يك پيكسل براي ابرهاي كوچك‌تر از ابعاد پيكسل با استفاده از دماي درخشندگي باند 14 سنجنده ASTER (BT14) در داخل پيكسل دماي درخشندگي باند 31 سنجنده MODIS (BT31) جستجو و درصد پوشش ابري هر پيكسل به‌دست آمد. ارزيابي مدل حكايت از همبستگي بالاي بيش از 93/0 بين ميزان واقعي كسر پوشش ابر موجود در تصوير ASTER و ميزان اندازه‌گيري شده را به‌وسيله مدل دارد كه باتوجه به قدرت تفكيك مكاني پايين سنجنده MODIS، بسيار اميدوار‌كننده است.

Usefulness and authenticity of satellite data are strongly related to weather conditions. Dust storm, atmospheric gases and especially the presence of clouds can considerably affect on the reflected energy from surface and encounter the reading of optical sensors with error. Cloud contaminated pixels usually increase the reflection of land covers and show their temperature less than the real one. The clouds smaller than pixels are not observable and cause an increase in pixel reflection and error. Considering that different clouds have diverse interactions with each other, it is possible to determine the amount of cloudiness of pixel by combining the analysis of different spectral bands of MODIS. By using this method, it is possible to determine the the cloud polluted pixels faster. For the first time, MODIS Cloud Mask algorithm was declared by Ackerman and his colleagues in 2006. Firstly the cloudy pixels were identified in MODIS image by the help of the presented five- step model in MODIS Cloud. Than for upgrading the model and determining the present percentage cloud in one pixel for those clouds smaller than pixel dimensions, brightness temperature of the pixels in band 14 of ASTER and band 31 of MODIS was compared and the cloud coverage percentage of every pixel was calculated. Model evaluation demonstrates more than 93% correlation between the real amounts of distracted cloud coverage in ASTER and the measured amount by the model, which is promising regarding local resolution.