جداسازي ابر از برف در تصاوير MODIS، با استفاده از الگوريتم Snow Map

Snow-Cloud Distinction in MODIS Images, Using Snow Map Algorithm and Cloud Mask Algorithm

پوشش برف حدود 50 ميليون كيلومتر مربع از سطح نيم‌كره شمالي را تشكيل مي‌دهد و بنابراين به خاطر آلبدوي بالا و رسانش گرمايي پايين تاثير عمده‌اي در بيلان انرژي زمين دارد. همچنين قسمت اعظم ذخاير آبي مورد استفاده انسان از پوشش برف، به‌ويژه در مناطق كوهستاني جهان، تامين مي‌شود. از جمله محدوديت‌هاي نقشه‌هاي برفي كه از باندهاي مريي و مادون قرمز حرارتي استفاده مي‌كند تاريكي ابر است و شناسايي ابرها به دو دليل لازم است: يكي براي نشان دادن مناطقي كه ابر سطح‌شان را مي‌پوشاند، و ديگري به‌منظور جلوگيري از خطاهايي كه به دليل شناسايي نادرست ابر به عنوان برف به‌وجود مي‌آيد. در اين مطالعه تصاوير سنجنده MODIS به دليل قدرت تفكيك مكاني مناسب در برف‌سنجي، بازنگري زماني سريع و تعداد زياد باندهاي طيفي مورد استفاده قرار گرفت. منطقه مورد مطالعه محدوده البرز مركزي و داراي چندين ايستگاه برف‌سنجي است. با بررسي الگوريتم‌هاي مختلف تعيين سطح برف، سرانجام الگوريتم Snow Map بر تصاوير اعمال شد. با توجه به اينكه محدوديت اصلي در الگوريتم Snow Map، عدم توانايي آن در جداسازي برخي ابرهاست، براي رفع اين مشكل الگوريتم ماسك ابر ليبرال بر تصاوير اعمال شد و نتايج آن با تصاوير حاصل از اعمال الگوريتم Snow Map بدون ماسك ابر ليبرال با استناد بر داده‌هاي ايستگاه‌هاي برف‌سنجي و كمك پارامتر ارتفاع مقايسه گرديد. نتايج نشان مي‌دهد كه الگوريت Snow Map توانايي جداسازي ابرهاي ارتفاع بالا و ابرهاي داراي ذرات يخ را ندارد و آنها را به عنوان برف طبقه‌بندي مي‌كند. بررسي‌ها نشان مي‌دهد زماني كه ماسك ابر ليبرال استفاده شود، دقت الگوريتم Snow Map در مقايسه با زماني كه ماسك ابر جديد استفاده نمي‌شود 10 درصد افزايش مي‌يابد و از طبقه‌بندي برخي ابرها در كلاس برف جلوگيري مي‌كند.

The Coverage of snow is about so million Km. of Northern hemisphere and therefore, because of its high albedo and low heat conductivity, it has an important effect on balancing the whole energies on the Earth. Moreover, the most part of water reserves used by human are obtained from snow coverage, especially in mountainous regions of the world. Among the limitations of snow maps that use visible bands and thermal infra-red bands is clouds darkness’s. Therefore, identification of clouds would be necessary for two reasons: 1. Exhibiting the regions which are covered by clouds and 2. Reducing the errors produced as results of incorrect identifications. In this research, images obtained from MODIS sensor have been used because of their acceptable spatial resolution, rapid temporal revision and abundance of the spectral bands. The studied area is located on Central Alborz mountainous region of Northern Iran. The area is periodically covered by snow and encompasses several snow-gauge stations. Considering different algorithms related to identification of snow surface, finally the Snow Map algorithm has been used for the images. Liberal Cloud Mask algorithm was also used to reduce limitations of the Snow Map algorithm in identification of some clouds. Results have been compared to the images obtained from the Snow Map algorithms application, without Liberal Cloud Mask based on snow-gauge station data and height parameters. Results have showed that the Snow Map algorithm cannot distinguish high-level clouds, and clouds containing ice particles, and so it classifies clouds as snow. Investigations showed an increasing about 10 percent in precision of the Snow Map algorithm, when Liberal Cloud Mask was used. Keywords: Cloud Mask, Snow Map, Snow Modis.