بررسي دماي سطح زمين در رابطه با كاربري و پوشش اراضي با استفاده از داده هاي سنجش از دور

Evaluation of surface temperature in relation to land use/cover using remote sensing data

اين تحقيق با هدف بررسي دماي سطح زمين در رابطه با پوشش گياهي و كاربري اراضي شهري با استفاده از داده هاي سنجش از دور در محدوده شهر اردبيل و اراضي حاشيه آن تا شعاع 15 كيلومتري با استفاده از تصوير لندست TM (2010)، پس از عمليات پيش پردازش نظير آماده سازي تصوير، اصلاح راديومتريكي و هندسي كه با استفاده از نرم افزار ENVI®4.7 انجام شد. سپس براي اندازه گيري دماي سطحي از باند حرارتي تصوير و اعمال معادلات مربوطه جهت تبديل اعداد رقومي به راديانس و راديانس به دماي درخشندگي استفاده شد. در مرحله بعد براي محاسبه گسيلمندي از شاخص نرمال شده تفاوت پوشش گياهي (NDVI) استفاده شد و نقشه كاربري اراضي به صورت نظارت شده در شش كلاس از سطح تصوير استخراج شد. براي استخراج كسر پوشش گياهي از مدل پيكسل Dimidiate استفاده شد. براي ارزيابي صحت داده هاي دماي سطحي استخراج شده از تصوير، از داده هاي چهار ايستگاه هواشناسي به صورت ساعتي استفاده شد و براي تطبيق اين داده ها با هم، از يك رابطه رگرسيوني ساده استفاده شد. نتايج نشان داد كه ضريب همبستگي دماي سطحي زمين (استخراج شده از تصوير) با دماي هواي ايستگاه هاي هواشناسي 79/0 و همبستگي دماي هواي ايستگاه ها با دماي هواي استخراج شده از تصوير 99/0 مي-باشد.

This study aimed to evaluate land surface temperature in relation to vegetation and urban land use using remote sensing data within the city of Ardabil and urban margin of up to 15km radius, using 2010 Landsat TM image, after preprocessing, such as data preparation, radiometric and geometric correction, which was performed using ENVI®4.7 software. Then for measuring the surface temperature, the thermal band of an image using relevant equations for converting digital numbers to radiance and radiance to brightness temperature was used. In the next step for calculating emissivity the Normalized Difference Vegetation Index (NDVI) index was used and finally land use map in six classes using supervised classification method were extracted from the image. For extracting the vegetation fraction the Dimidiate model was used. To assess the accuracy of surface temperature extracted from the image, hourly data from 4 weather stations was used and to reconcile these data with each other, a simple regression equation was used. Results show that the coefficient of relationship between land surface temperature (derived from the image) and air temperature recorded at the stations was 0.79 and the correlation between recorded air temperature of stations and derived air temperature from the image was obtained 0.99.