برآورد گسيلمندي و دماي سطحي و تشخيص مناطق هم دما در مراحل مختلف رشد پوشش گياهي

Surface Temperature and Emissivity estimation and isothermal area detection during crop growth stages

امروزه استخراج دماي سطح از تصاوير ماهواره‌‌‌اي دربسياري از كاربردهاي مطالعات محيطي به خصوص در مطالعات كشاورزي و پوشش گياهي اهميت زيادي دارد. دماي سطحي استخراج شده مي‌تواند جهت بررسي وضعيت رشد گياه، نياز آبي گياه و مديريت آن مورد استفاده قرار گيرد. يكي از داده‌هايي كه اخيراً جهت مطالعات پوشش گياهي و استخراج دماي سطحي مورد استفاده قرار مي‌گيرد، داده‌هاي سنجنده‌هاي OLI و TIR بر روي ماهواره لندست ? مي‌باشد. در اين تحقيق با استفاده از تصاوير ماهواره لندست 8 كه در دوره رشد گياه ذرت اخذ شده است، تغييرات دماي سطحي در اين دوره مورد بررسي قرار گرفت. به منظور كاهش اثر خاك پس زمينه از شاخص SAVI استفاده شد. به‌منظور محاسبه دماي سطحي، ابتدا گسيلمندي سطح با محاسبه شاخص NDVI و آستانه‌گذاري بر آن و محاسبه كسر پوشش گياهي، محاسبه و به كمك آن دماي سطحي به روش الگوريتم تك باند، برآورد گرديد. در مرحله بعد با استفاده از شاخص SAVI و دماي سطحي، مناطق هم دما بر روي تصوير بدست آمد. سپس تغييرات حرارتي سطح گياه در طي دوره رشد آن در اين مناطق مورد بررسي قرار گرفت. نتايج نشان‌دهنده ارتباط خطي معكوس بين شاخص SAVI و دماي سطحي محاسبه شده بوده و مقايسه نتايج بدست آمده با مشاهدات زميني همزمان با گذر ماهواره، نشان‌دهنده ضريب همبستگي متوسط بيشتر از 92/0 و RMSE متوسط كمتر از 5/1مي‌باشد.

Today, the extraction of land surface temperature (LST) from satellite imagery for many environmental studies, particularly the applications related to water resources management over agricultural sites, is very important. The extracted LST can be used to check the status of plant growth and crop water demand management. Recently the OLI and TIR data sets from Landsat 8 were used in vegetation studies and surface temperature estimation. In this research, the variations of corn surface temperature during its growth stages were examined. In order to minimize the soil influence on canopy spectra, the SAVI were used. The emissivity was estimated by using thresholding on NDVI and vegetation fraction cover and surface temperature were assessed by using single channel algorithm. After that isothermal areas were detected using SAVI and thermal image. Finally, corn growth conditions were studied by examining surface temperature in growth stages. The comparison of results with ground data, show the average correlation efficiency more than 0.92 and average RMSE less than 1.5.