عنوان پایان‌نامه
بررسی و مدلسازی دمای سطح دریا (SST)با استفاده از تصاویر حرارتی لند ست A
- رشته تحصیلی
- مهندسی عمران- نقشه برداری- ژئودزی(هیدروگرافی)
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 3380;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 3380;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 77356;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 77356
- تاریخ دفاع
- ۲۵ خرداد ۱۳۹۵
- دانشجو
- فاطمه بیات
- استاد راهنما
- مهدی حسنلو
- چکیده
- دمای سطح دریاها (SST) یکی از مهم‌ترین پارامترها در اقیانوس‌شناسی و اندازه‌گیری‌های دریایی است. این پارامتر اقیانوسی برای نظارت بر پدیده‌های مختلف علمی از جمله افزایش سطح دریاها، شوری، بالاآمدگی، مناطق بالقوه ماهیگیری، پیچک‌ها و پیش‌بینی طوفان‌ها نیاز است. سنجش ازدور یک منبع اطلاعاتی مناسب، برای برآورد این پارامتر اقیانوسی در مقیاس جهانی و منطقه‌ای است. با توجه به پرتاب ماهواره لندست-8 در سال 2013 و مجهز بودن این ماهواره به دو باند حرارتی و توان تفکیک مکانی و زمانی مناسب و همچنین اهمیت دمای سطح، در این پایان‌نامه دادههای ماهواره لندست-8 به عنوان منبع پژوهشی مورد استفاده قرار گرفت. هدف اصلی از انجام این تحقیق، بررسی و مدلسازی دمای سطح دریاها (SST) و به‌کارگیری الگوریتم چند باندی split window برای دادههای حرارتی ماهواره لندست-8 می‌باشد. همچنین در این پایان نامه، علاوه بر روشهای پنجره مجزا (SW)، روشی بر مبنای ماشین بردار پشتیبان برای برآورد دمای سطح دریاها (SST) ارائه شد. برای بررسی دقت SST محاسباتی نیز می‌توان از اندازه‌گیری‌های میدانی و یا تصاویر همزمان سنجنده MODIS با دادههای موردنظر استفاده‌کرد. به‌دلیل عدم وجود دادههای میدانی از محصول دمایی MODIS بدین منظور استفاده شد. همچنین در این پایان نامه شش روش مختلف پنجره مجزا (SW) پیاده‌سازی شد و مورد بررسی قرار گرفت. نتایج بدست آمده نشان کارایی بالای الگوریتم NLSST پیشنهادی و داده بکارگرفته شده با دقت بالای 0/25 RMSE= و ضریب تعیین 0/95 R2 = می‌باشد. سپس به ارزیابی الگوریتم NLSST پیشنهادی برای آب های ساحلی و آب های دور از ساحل پرداخته شد و دقت بالای 0/30 RMSE= ، 0/13 RMSE= و ضریب تعیین 0/94 R2 =، 0/98 R2 = به ترتیب برای آب های ساحلی و آب های دور از ساحل حاصل شد، که این نتیجه بیانگر دقت بالای الگوریتم در محدوده های دور از ساحل می باشد. در راستای بررسی روش هسته مبنا برای تهیه نقشه دمایی سطح دریاها (SST) به بهینه‌سازی برآوردگر رگرسیونی بردار پشتیبان (SVR) با تمرکز بر انتخاب هسته های مناسب و پارامتر مناسب آن، مقادیر مربوطه پرداختیم. در این مطالعه هسته های مختلفی مورد بررسی قرار گرفت، با توجه به نتایج ارائه شده، هسته گوسی (RBF) به عنوان هسته مناسب برای بهینه سازی انتخاب شد و مقادیر بهینه سه پارامتر C، ? و ? برای کاربرد مورد نظر ارزیابی شد. با درنظر گرفتن پارامترهای بهینه، روش SVR برای مناطق آب‌های ساحلی و دور از سواحل در خلیج فارس بکارگرفته شد. نتایج حاکی از قابلیت پیش بینی مدل تولید شده برای تصاویر فروسرخ حرارتی لندست-8 می‌باشد. با توجه به دقت‌های ارائه شده برای آب‌های ساحلی و دور از ساحل که به ترتیب برابر 0/38 و 0/13 درجه سانتیگراد می‌باشد، می توان روش ارائه شده را به عنوان یک روش جدید که دقت قابل قبولی دارد، برای مدلسازی دمای سطح دریاها (SST) و تهیه نقشه دمایی آنها بکار گرفت.
- Abstract
- Sea surface temperature (SST) is one of the most important parameters in oceanography and marine measurements. This Ocean parameter needs to monitor the various scientific phenomena Such as rising sea levels, salinity, upwelling, Potential Fishing Zone, eddy and predicting hurricanes. Remote sensing is a good source of information for estimating this parameter on a global scale and regional ocean. With the launch of LANDSAT-8 in 2013 which is equipped with two thermal bands, and regarding high spatial and temporal resolution, these data have been used for this research. TIRS has two thermal infrared channels in the atmospheric window that provide a new SST retrieval opportunity using the widely used split-window algorithm rather than the single-channel method. The main purpose of this study, Review Sea surface temperature (SST) by using Multiband split window algorithm from Landsat-8 thermal data. Also in this thesis, in addition to using split window algorithm (SW), a method based on support vector machine to estimate sea surface temperature (SST) was presented. Also to evaluate accuracy of SST computing can be used field measurements or simultaneous images of MODIS with relevant data. The aim of this research is modelling SST using thermal Landsat 8-imagery of the Persian Gulf. Therefore, by incorporating contemporary in situ data and SST map estimated from other sensors like MODIS, we examine our proposed method with coefficient of determination (R2) and root mean square error (RMSE) on check point to model SST retrieval for Landsat-8 imagery. Extracted results for implementing different SW’s clearly shows superiority of utilized method by R2=0.95 and RMSE=0.24. in addition to Extracted results for implementing kernel base method, clearly shows superiority of utilized method by R2=0.92 and RMSE=0.38 for case II water and R2=0.98 and RMSE=0.13 for case I water. Keywords: Sea surface temperature, split window, support vector machine, Landsat-8, MODIS.
