عنوان پایان‌نامه
انالیز کمی پارا متر های سطح زمین به منظور بر اورد رطوبت خاک شور با استفاده از داده های سنجش از دور
- رشته تحصیلی
- مهندسی عمران - نقشه برداری - فتوگرامتری
- مقطع تحصیلی
- دکتری تخصصی PhD
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 3288;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 75809
- تاریخ دفاع
- ۰۷ شهریور ۱۳۹۵
- دانشجو
- حسن امامی
- استاد راهنما
- عبدالرضا صفری
- چکیده
- رطوبت خاک به عنوان یکی از پارامترهای مهم در سیستم خاک محسوب می شود و به عنوان مقدار آب موجود در فضای بین ذرات خاک تعریف می شود. به طور کلی، رطوبت خاک را می توان به عنوان ترکیبی از رطوبت سطح خاک، بیانگر مقدار آب حداکثر تا عمق 10 سانتی متر از بالای خاک، و رطوبت عمق خاک تا 200 سانتیمتری از سطح خاک که بیانگر مقدار آب موجود در دسترس گیاهان می باشد، تعریف کرد. رطوبت خاک یک پارامتر بسیار متغیر زمانی و مکانی، به خصوص در سطح خاک می باشد. مهم¬ترین عوامل مؤثر بر تغییرات مکانی رطوبت سطح خاک شامل توپوگرافی، خصوصیات و ویژگی های خاک، نوع و تراکم پوشش گیاهی، متوسط رطوبت، عمق بارش، تابش خورشیدی، گسیلمندی و دمای سطح و دیگر عوامل هواشناسی و اقلیمی هستند. با این حال تغییرات رطوبت خاک، همیشه نشان دهنده ترکیبی از اثرات بیش از یکی از عوامل فوق بوده و تغییرات این پارامترها متناسب با مقدار رطوبت خاک متغیر می باشد. هدف از این تحقیق در دو بخش اصلی متمرکز شده است ، بخش اول، آنالیز و برآورد کمی پارامترهای اساسی در رویکرد ترکیبی داده های اپتیکی- حرارتی بمنظور برآورد رطوبت سطح خاک، به ویژه تصاویر لندست، می باشد. در این بخش به بررسی خطاها و عدم قطعیت در برآورد گسیلمندی و دمای سطح در رویکرد ترکیبی اپتیکی- حرارتی و ارایه راهکارهای جدید در محاسبه دقیق این پارامترها پرداخته شده است. برای این منظور، چهار روش مختلف در رویکرد های متفاوت، مدلسازی و پیشنهاد شده است. رویکرد اول و دوم، در برآورد گسیلمندی و دمای سطح ارائه شده است. این رویکردها، شامل روش های ادغام، مبتنی بر تصویر و روشهای ادغام مبتنی بر دانش (هر کدام شامل دو روش) می باشند. کارآیی دو طرح فیوژن ارائه شده است بر روی دو صحنه از داده های لندست 8 اجرا گردید و گسیلمندی حاصل از روش های تکی و پیشنهادی گسیلمندی با در نظر گرفتن دو فریم ازمحصول گسیلمندی ASTER در دو حالت مقایسه مبتنی بر کل تصویر و مقایسه تک تک کلاسها کاربری منطقه مورد مطالعه، ارزیابی و بررسی شدند. در کل، نتایج بدست آمده نشان داد که در اولین و دومین فریم مورد آزمون ، نتایج پنج روش تکی بدتر از نتیجه به دست آمده با استفاده از روش های تلفیقی ارائه شده، است. علاوه بر این، یک روش برتر در بین پنج روش گسیلمندی تکی، در دو باند حرارتی و در هر دو فریم مورد بررسی، وجود نداشت. به عبارتی، پنج روش گسیلمندی تکی در هر منطقه یکی برتر بوده و در منطقه دیگر روش دیگری بهترین جواب را داده است (وابستگی نتایج روش¬های گسیلمندی تکی به منطقه مورد مطالعه و پوشش کاربری زمینی) ، همچنین با تغییر باند باز روش برتر، برتریت خود را از دست می دهد و روشی دیگر جای آن را می گیرد (وابستگی نتایج روش¬های گسیلمندی تکی در محدوده های حرارتی مختلف عملکرد یکسان ندارند). در مقابل، تقریباً روشهای فیوژن پیشنهادی، عملکرد مناسبی در اندازه گیری گسیلمندی سطح با در نظر گرفتن معیار ریشه میانگین مربع خطا (RMSE)، از خود نشان دادند. مضاف بر آن، روشهای WMED، WAvg، و CBWA در بین چهار روش پیشنهادی عملکرد برتری با در نظر گرفتن معیار ریشه میانگین مربع خطا (RMSE)، در هر دو فریم مورد بررسی ASTER داشته اند. مضاف بر آن، در هر دو فریم مورد آزمون روشهای ANEM و NBEM نتایج مناسب در میان پنج روش تکی گسیلمندی داشتند. در مقابل، WMED در میان روش های پیشنهادی ادغامی عملکرد بهتری از خود نشان دادند. نتایج نشان داد که مقدار RMSE گسیلمندی حاصل از روش ANEM و WMED به ترتیب 1.48% و 0.87% بودند که به ترتیب باعث بروز 1.25 و 0.73 درجه کلوین، خطا در بازیابی دمای سطح توسط الگوریتم تک کانال در اولین فریم مورد آزمون می شوند. برای فریم دوم مورد آزمون، این خطا به ترتیب با روش NBEM و WMED بعنوان بهترین روشهای گسیلمندی سطح در روشهای تکی و پیشنهادی، دارای مقادیر 1.10% و 0.52% بودند که منجر به تولید خطای 0.93 و 0.44 خطا در بازیابی دمای سطح گردیدند. همچنین هر یک از روشهای تکی گسیلمندی در هر منطقه و هر باند عملکرد بهتری داشتند که نتایج ناسازگاری در مناطق مختلف از خود نشان دادند، در حالیه که سه روشی وزنی پیشنهادی WAvg, CBWA و WMED دارای نتایج سازگار و با ثبات در مناطق و باندهای حرارتی مختلف از خود نشان دادند. رویکرد سوم و چهارم، در خصوص برآورد گسیلمندی بصورت تابعی از بازتاب تمامی باندهای انعکاسی، به ترتیب برای مناطق بایر و کلاس های اساسی مناطق غیرگیاهی، مدلسازی و ارائه گردیده است. بدیهی است، تغییرات گسیلمندی مناطق خاک با بافت، اندازه ذرات، رطوبت خاک، کاربری زمین، توپوگرافی سطح، عوامل محیطی و اقلیمی و سایز اجزاء فیزیکی و شیمیایی آن تغییر می کند. در روش پیشنهادی که از بازتاب باندهای انعکاسی استفاده می کند، اغلب خصوصیات فیزیکی و شیمیایی خاک در آن منعکس می شود و در محاسبه گسیلمندی سطح دخالت داده می شود. بنابراین، برخلاف روشهای قبلی، روش پیشنهادی نه تنها با دقت بهتری گسیلمندی سطح را بصورت تابعی از انعکاس عوارض مختلف سطح برآورد می زند، بلکه توابع پاسخ طیفی باندهای حرارتی و انعکاسی را در برآورد گسیلمندی سطح مد نظر قرار می¬دهد. همچنین، روش پیشنهادی رابطه ضعیف بین گسیلمندی و بازتاب فقط باند قرمز در روشهای قبلی را بدلیل استفاده از بازتاب همه باندهای انعکاسی تقویت می نماید و بر روی اغلب سنجنده ها قابل اجراست. این رویکرد ها بر اساس دو قسمت اصلی، مدل های برآورد گسیلمندی مبتنی بر شبیه سازی و برآورد گسیلمندی سطح ارائه شده¬اند. قسمت اول شامل دو مرحله شبیه سازی و برآورد مدلهای گسیلمندی است در مرحله شبیه سازی، طیف گروههای عمومی از کلاس های اصلی در مناطق غیرگیاهی حاصل از کتابخانه طیفی ASTER استفاده می شود تا گسیلمندی باند های حرارتی و بازتاب باندهای انعکاسی را در محدوده های هر باند با ادغام طیف گروههای عمومی با توابع پاسخ طیفی باند های حرارتی، شبیه سازی شود. در مرحله برآورد مدلهای گسیلمندی، یک رگرسیون خطی بین گسیلمندی باندهای حرارتی شبیه سازی شده با بازتاب انعکاسی شبیه سازی شده باندهای انعکاسی، با روش کمترین مربعات، مدل های مجزا برای هر کلاس اصلی در مناطق غیرگیاهی ایجاد گردید. از آنجایی که این قسمت با استفاده از طیف کتابخانه طیفی ASTER و توابع پاسخ طیفی سنجنده مورد نظر انجام می گیرد، لذا برای هر سنجنده ای قابل اجراست. دومین قسمت اصلی از این رویکرد نیز، شامل دو مرحله، پیش پردازش داده ها و برآورد گسیلمندی سطح است. مرحله پیش پردازش داده ها شامل تصحیح توپوگرافی و اتمسفری است و مرحله برآورد گسیلمندی سطح با استفاده از مدلهایی که در مرحله شبیه سازی بدست آمده بودند، انجام می گیرد. در این رویکرد، برای مناطق غیر گیاهی چهار کلاس اصلی از اکوسیستم های زمینی شامل کلاس خاک های حاصلخیز، کلاس بشرساخت یا مناطق مسکونی و شهری، کلاس زمینهای سنگی و کلاس برف و یخ در نظر گرفته شد. برای اعتبارسنجی این رویکردها نیز، گسیلمندی حاصل از مدل¬های پیشنهادی بر روی داده های لندست 8، با محصول گسیلمندی ASTER در دو فریم، مقایسه و اعتبارسنجی شد. به طور کلی، نتایج نشان داد که برآورد گسیلمندی با استفاده از روش NV-method در دو فریم مورد آزمون در توافق و سازگاری کمی با گسیلمندی محصول استاندارد ASTER با در نظر گرفتن پارامترهای آماری بایاس و ریشه میانگین مربع خطا (RMSE) دارند. نتایج فضای پراکنش گسیلمندی پیکسلهای حاصل از روش NV-method در باند 10 73.02% و باند 11 57.54% با در نظر گرفتن ضریب تعیین R2 در اولین فریم مورد آزمون بدست آورد. همچنین در دومین فریم مورد آزمون، گسیلمندی حاصل از روش NV-method دارای ضریب تعیین R2 72.61% برای باند 10 و 54.72%. برای باند 11 بدست آمد. علاوه بر آن، نتایج مقایسه پیکسل به پیکسل گسیلمندی حاصل از روش NV-method را در باند های حرارتی متناظر بین لندست 8 و ASTER در اولین فریم مورد آزمون با در نظر گرفتن بایاس و ریشه میانگین مربع خطا (RMSE) به ترتیب -0.01% و 0.46% برای باند 10 و ?0.17% و 0.81% برای باند 11 بدست آمد. این نتایج برای دومین فریم مورد آزمون به ترتیب 0.40% و 0.36% برای باند 10 ، ?0.32% و 0.65% برای باند 11 با در نظر گرفتن بایاس و ریشه میانگین مربع خطا (RMSE) حاصل گردید. همچنین ، گسیلمندی حاصل از روش NV-method را در مناطق غیر گیاهی و کلاسهای اصلی تشکیل دهنده در این مناطق، با در نظر گرفتن بایاس و ریشه میانگین مربع خطا (RMSE) ارزیابی و آنالیز گردید. توزیع خطاهای گسیلمندی حاصل از روشهای N-methodTHM، SN-methodTHM و IN-methodTHM با در نظر گرفتن بایاس و ریشه میانگین مربع خطا (RMSE) در مناطق غیر گیاهی دارای تیزی بالا با چولگی است. در مقابل، توزیع خطاهای گسیلمندی حاصل از روش NV-method نزدیک به صفر بوده و تیزی و چولگی آنها کاهش یافته است. محاسبات مشابه برای دومین فریم مورد آزمون انجام گرفت و همان نتایج با در نظر گرفتن بایاس و ریشه میانگین مربع خطا (RMSE) در مناطق غیر گیاهی حاصل شد. نتایج نشان می دهد که در سه کلاس اصلی مناطق غیر گیاهی، روش IN-methodTHM دارای بیشترین مقدار خطا با در نظر گرفتن بایاس و ریشه میانگین مربع خطا (RMSE) دارد. دلیل اصلی ممکن است ناشی از این باشد که روش IN-methodTHM مناطق غیر گیاهی را به عنوان یک کلاس کلی در نظر گرفته است. در مقابل، نتایج حاصل از روش NV-method در مقایسه با سه روش دیگر (N-methodTHM, SN-methodTHM, and IN-methodTHM) بهتر بوده است، به جز در کلاس زمین های سنگی است، که نتایج بهتر را با روش N-methodTHM فراهم می کند. برای بررسی تاثیر بهبود برآورد گسیلمندی سطح بر روی دما با استفاده از روشهای پیشنهادی گسیلمندی و همچنین مدلسازی تغییرات روزانه دمای سطح و اعتبار سنجی دقت آن در محاسبه رطوبت سطح خاک یک روشی جدید تحت عنوان رویکرد پنجم ارائه شده است. ارزیابی این روش پیشنهادی، بر روی رویکرد های اول تا چهارم پیشنهادی اجرا و ارزیابی شد. برای ارزیابی دقت روش پیشنهادی در تعیین اختلاف بین محصولات دمای حاصل از سنجنده لندست 8 و مادیس، میانگین اختلاف ها، میانگین قدرمطلق اختلاف ها، انحراف معیار اختلاف ها و ریشه میانگین مربع خطا بعنوان معیارهای کمی ارزیابی در نظر گرفته شدند. لذا برای این منظور ، دو تصویر لندست 8 در دو زمان مختلف انتخاب شدند و به ترتیب 38 و 62 نقطه اعتبارسنجی در مناطق همگنی بالا (0.90 تا 1.0) در تصویر اول و دوم لندست 8 استخراج گردید، همچنین این تعداد نقاط اعتبارسنجی در مناطق نسبتاً همگن (0.80 تا 0.90) به ترتیب 30 و 49 نقطه در تصویر اول و دوم لندست 8 در نظر گرفته شدند. ارزیابی پارامترهای میانگین اختلاف ها و ریشه میانگین مربع خطا نظیر بالا در مناطق نسبتاً همگن (0.80 تا 0.90) نیز صورت گرفت و نشان داد که دقت نسبتاً خوبی دارند ولی نسبت به مناطق با همگنی بالا دارای دقت پایین می باشند. انتخاب چنین مناطقی بعنوان نقاط اعتبارسنجی در ارزیابی دقت دمای سطح در کاربردهایی با مقیاس محلی توصیه نمی شود ولی برای برخی کاربردها در مقیاس جهانی (پیکسل سایزهای چندین کیلومتر) که به دقت بالایی در محاسبه دما نیاز نیست و یا برای سنجنده های با قدرت تفکیک مکانی پایین می-تواند مورد استفاده قرار گیرد. لذا با توجه به نتایج حاصل در این رویکد، برای کاربردهای مختلف در مقیاس محلی نظیر مدل سازی تبخیر و تعرق، برآورد رطوبت خاک، آب و هوایی شهری، هیدرولوژیکی، پایش پوشش گیاهی و مطالعات زیست محیطی، نقاط اعتبارسنجی بایستی از مناطق با همگنی بالا (0.90 تا 1.0) در تصویر انتخاب گردد. چنین مناطقی شامل، نواحی با پوشش گیاهی متراکم، مناطق آبی نظیر سدها یا دریاچه ها، نمکزارها، و نواحی نظایر آنها که دارای همگن حرارتی هستند، می باشند که پوشش گیاهی و مناطق آبی در اکثر تصاویر وجود دارد و می توان از این مناطق بعنوان نواحی همگن حرارتی برای ارزیابی و اعتبارسنجی دمای سطح در این روش پیشنهادی استفاده نمود. همچنین برای کاربردهایی در مقیاس جهانی که دقت کمتری در محاسبه دمای سطح نقاط اعتبارسنجی مورد نیاز است، می توان مناطق با همگنی در رنج (0.80 تا 0.90) انتخاب و استفاده کرد. در نتیجه، ارزیابی دقت دمای محاسباتی در مناطق با همگنی بالا (0.90 تا 1.0) با پارامتر میانگین اختلاف ها به ترتیب دارای دقت 0.6 و 0.94 درجه کلوین در تصویر بررسی اول و دوم لندست 8 گردیده است که در رنج خطای زیر یک درجه کلوین دمای سنجنده-های مادیس می باشد. علاوه بر آن، ارزیابی دقت دمای محاسباتی در مناطق با همگنی بالا با پارامتر ریشه میانگین مربع خطا به ترتیب دارای دقت 1.63 و 1.27 درجه کلوین در تصویر بررسی اول و دوم لندست 8 گردید. بدلیل عدم وجود شبکه های دائمی سنجش دمای سطح و پایگاه داده مناسب بعنوان دمای مرجع در کشورمان، روش پیشنهادی در این رویکرد، در این خصوص کمک شایانی در ارزیابی دقت دمای سطح در اغلب مطالعات و تحقیقات علوم زمین و محیط زیست خواهد داشت. در کل، مزیت استفاده روش پیشنهادی، عدم نیاز به هر نوع اندازه گیریهای زمینی دما می باشد. همچنین این روش، با توجه به عدم وجود پایگاه داده صحت سنجی دما در کشورمان برای هر زمان و مکان و برای هر سنجنده حرارتی قابل اجرا است. بخش دوم این رساله، ارزیابی اثر شوری خاک در برآورد رطوبت سطح خاک در رویکرد ترکیبی اپتیکی- حرارتی می باشد. لذا جهت برآورد رطوبت سطح خاک، این پارامترها در یک رویکرد ترکیبی پیشنهادی جدید تحت عنوان رویکرد ششم، ارائه شده است. هدف از این رویکرد ارائه یک رویکرد ترکیبی جدید برای برآورد رطوبت سطح خاک از داده های ماهواره ای در چارچوب مجموعه داده های زمینی کمپین SMAPEx-2 (در شرایط مرطوب محیط- وقوع بارندگی قبل از نمونه برداری) و SMAPEx-3 (در شرایط خشک محیط- عدم وقوع بارندگی) در منطقه مورد مطالعه یانکو، یک منطقه کشاورزی نیمه خشک در حوضه آبریزی در جنوب شرقی استرالیا می باشد. روش پیشنهادی ارائه شده در این رویکرد ، شامل دو مرحله، کالیبراسیون مدل و برآورد رطوبت سطح خاک بود. در مرحله کالیبراسیون؛ ابتدا یک مدل ساده رگرسیون خطی بین دما و شوری سطح که از نقاط نمونه برداری زمینی بدست آمده، همراه با شاخص اختلاف گیاهی نرمال شده (NDVI) حاصل از تصاویر لندست در نظر گرفته شد. پس از آن، نتایج به دست آمده از رویکرد ترکیبی جدید ، برای نشان دادن اثر شوری خاک در مدل سازی رطوبت سطح خاک، مورد بررسی قرار گرفت. ولی از آنجایی که بدلیل ناهمگنی نوع خاک، نوع پوشش زمین و توپوگرافی، رطوبت خاک بطور قابل ملاحظه¬ای نسبت به موقعیت مکانی و زمانی تغییر می کند و تغییرات آن می تواند حالت غیرخطی داشته باشد. از این رو مدل های ریاضی غیر خطی نیز ارزیابی و نهایتا برای حالت شرایط مرطوب و خشک محیط ، در زمینهای زراعی و غیر زراعی بررسی گردید. پس از آن، با اضافه کردن ترم های ترکیبی از پارامتر های اساسی در رویکرد ترکیبی، تاثیر هر ترم در برآورد رطوبت سطح خاک بررسی و ترم های مناسب انتخاب شد و مدل نهایی بهینه ارائه گردید. همچنین، در مرحله برآورد، ابتدا شوری خاک از روی چند شاخص شوری حاصل از تصاویر لندست انتخاب شده و با ترکیب اندازه گیری زمینی شوری خاک توسط یک معادله رگرسیون خطی مدل شده است. در ادامه، پارامترهای شوری خاک، شاخص اختلاف گیاهی نرمال شده و دمای سطح با استفاده از داده های لندست برای مناطق مورد مطالعه محاسبه شد و مدلهای پیشنهادی بر روی داده های تصویری اجرا و با داده های زمینی ارزیابی و تست شدند. با آنالیز نتایج حاصل از هر دو مجموعه داده در شرایط مرطوب (SMAPEx-2) و خشک (SMAPEx-3) محیط، در رویکرد ترکیبی جدید با لحاظ نمودن ترکیبی از پارامترهای اساسی با شوری خاک نسبت به رویکرد ترکیبی اولیه، بدون شوری، ضریب همبستگی و ضریب تعیین بالایی با اندازه گیریهای زمینی بدست آمد. با این حال، نتایج حاصل از رویکرد ترکیبی جدید در شرایط مرطوب (SMAPEx-2) نسبت به شرایط خشک (SMAPEx-3) محیط، با در نظر گرفتن ریشه میانگین مربع خطا (RMSE) عملکرد ضعیفی از خود نشان داد، این تفاوت ممکن است یکی بدلیل وجود سایه و ابرها در تصویر متناظر با مجموعه داده SMAPEx-2 بود، دلیل دوم اتفاق بارندگی قبل از نمونه برداری بود که برآورد رطوبت را با چالش همراه می سازد و تقریباً غیرقابل پیش بینی و کنترل در مدلهای محاسباتی است. زیرا بارندگی باعث افزایش بیشتر زیست توده پوشش گیاهی شده و مناطق محصولات کشاوزی این تغییرات محسوس بوده که باعث تغییر ناهمگن و ناسازگار در دمای سطح و بخصوص شاخص پوشش گیاهی، می شوند. در مقابل در صورت شرایط عادی محیط رویکرد ترکیبی جدید با دخالت دادن شوری خاک با پارامترهای اساسی، رطوبت سطح خاک با در نظر گرفتن پارامتر های آماری ضریب همبستگی و ضریب تعیین ریشه میانگین مربع خطا (RMSE) با دقت بالایی محاسبه می گردد. با این حال، این بهبود نه تنها به وضوح در هنگام استفاده از داده های زمینی مشاهده می شود بلکه، آن دقت نسبتا کمتری در هنگام استفاده از داده های ماهواره ای (لندست) از خود نشان می دهد. دلایل این نتیجه را می توان در عدم قطعیت مربوط به بازیابی برخی از پارامترهای از داده های ماهواره ای، به ویژه شوری خاک، به عنوان یک نکته کلیدی در این رویکرد، دانست. علاوه بر این، منابع دیگر از عدم قطعیت ها در برآورد رطوبت سطح خاک می توان به وجود سایه و ابر در داده های ماهواره ای، خطا در محاسبه و بازیابی دما از داده های ماهواره ای، وابستگی دمای سطح و شاخص NDVI به نوع سطح و پوشش آن و تاثیر نفوذ رطوبت خاک در لایه های عمیق تر در لایه سطح خاک را نام برد. به طور خلاصه نتایج، تاثیر مثبت شوری را در برآورد رطوبت سطح خاک در هر مجموعه داده با در نظر گرفتن پارامترهای آماری در مدل های خطی و غیرخطی نشان داد. همچنین نتایج حاصل از مدل های غیرخطی از داده های لندست نشان داد که با لحاظ کردن شوری خاک در برآورد رطوبت سطح خاک، ضریب تعیین (R2) از 22 درصد به 65 درصد در شرایط مرطوب SMAPEx-2 و از 24 درصد به 50 درصد در شرایط خشک SMAPEx-3 بهبود می یابد. علاوه بر این، نتایج نشان داد که در رویکرد ترکیبی جدید رطوبت سطح خاک را با در نظر گرفتن ریشه میانگین مربع خطا (RMSE) بترتیب تقریباً 0.06 V/V و 0.02 V/V برای شرایط مرطوب و خشک محیط قابل محاسبه است. واژه‌های کلیدی: آنالیز کمی پارامترهای سطح، رطوبت خاک، گسیلمندی سطح، دمای سطح، شوری خاک،
- Abstract
- Soil moisture is as one of the important parameters in the soil system and it defined as the amount of water in the spaces between soil particles. In general, soil moisture can be described as a combination of soil surface moisture, which represents the amount of water to a depth of 10 cm from the top of the soil, and the deep moisture into the soil to a depth of 200 cm from the soil surface, which represents the amount of water available to plants. Soil moisture is a highly variable parameter through time and place, especially at the soil surface content. The most important factors affecting the spatial variability of soil moisture including topography, soil characteristics, vegetation type and density, moisture content, depth, precipitation, solar radiation, emissivity and surface temperature and the other meteorological and climate factors. However, changes in soil moisture, always represents a combination of more than one of these factors and the effects of changes in these parameters can be varied according to the amount of soil moisture. The aim of this investigation is quantitative analysis of the basic land surface parameters in a synergistic space to estimate the soil surface moisture using of optical-thermal remote sensing data, especially Landsat images. These parameters are interrelated and include land surface emissivity (LSE), surface temperature, soil salinity, and vegetation indices. These aims are focused in two main parts. The first part, reviews errors and uncertainty in Land surface emissivity (LSE) and temperature (LST) in synergistic optical-thermal approach for accurate estimation and retrieval of these parameters and the second part is the assessment of the effects of soil salinity in soil moisture estimation in synergistic optical-thermal approach. In this research, first, accurately estimate of these parameters from satellite imagery in order to produce high-precision soil surface moisture are conducted. In this regard, four new approach in estimating of LSE and temperature are provided. Of the four new methods, two methods are based on two fusion schemes is proposed to overcome the uncertainties in LSE estimation and consequently LST retrieval. The fusion schemes are called Image Based Weighted Methods (IBWMs) and Knowledge Based Weighted Methods (KBWMs) which each of them including two LSE estimation methods. The effectiveness of two proposed fusion schemes is empirically tested over two scenes of Landsat-8 (known as Landsat Data Continuity Mission, LDCM) data sets and the obtained LSEs by individual and proposed methods were compared to the LSE product of the ASTER by image-based and class-based cross-comparison. In both scenes, the Adjusted Normalized Emissivity Method (ANEM) and NDVI-based emissivity method (NBEM) provide appropriate results among five individual methods. In contrast, Weighted to Median (WMED) achieves superior results among proposed fusion methods for both scenes. In addition, the RMSE values of LSE obtained by ANEM and WMED are1.48% and 0.87% which lead to 1.25Kand 0.73K errors in the LST retrieval by single channel algorithm in the first scene, respectively. For the second scene, the error values of NBEM and WMED are 1.10% and 0.52%, which lead to 0.93Kand 0.44Kerrors in the LST, respectively. Moreover, the error ranges and RMSE of cross-comparison for the obtained LSE in proposed methods were remarkably decreased. In addition, the third and fourth approaches are an improved method based on the normalized vegetation index for estimating LSE using Landsat LDCM data, which LSEs are expressed as functions of atmospherically corrected reflectance from the LDCM visible and near infrared channels with wavelength ranging from 0.4 to 2.29 ?m for bare soil. Furthermore, the fourth approach called non-vegetated based emissivity estimation method (NV-method) for estimating LSE has been proposed for main classes in non-vegetated areas. In the NV-method, at first, a simulation of channel emissivities and reflective bands of basic classes in vegetation and non-vegetated areas is accomplished based on convolving ASTER spectral Library with LDCM spectral response functions. Then, four main classes in non-vegetated areas are defined to determine separate emissivity estimate model as function of reflective bands from basic spectra associated with the main class. The LSEs in mixed and vegetation areas are adopted from the simplified NDVI-based emissivity threshold method (N-methodTHM) namely SN-methodTHM and improved N-methodTHM (IN-methodTHM) methods, respectively. The NV-method is empirically tested on LDCM data and the obtained LSEs were compared with two scenes of LSE product of the ASTER. The RMSE values of computed LSEs by NV-method are 0.46% and 0.81%, for band 10 and 11, respectively in the first examined scene. While, for the second scene, the RMSE are 0.36% and 0.56% for band 10 and 11, respectively. Moreover, the NV-method were compared with N-methodTHM, SN-methodTHM, and IN-methodTHM in non-vegetated areas. Generally, the obtained results of LSEs by NV-method are better than that of results from the compared methods in non-vegetated areas in terms of statistical measures. Except in rocky class, which N-methodTHM provides better results, the NV-method achieved superior results in soil texture and man-made classes which are dominated classes in the study area. In addition, because there is no available database of in situ LST measurements that coincides with the LDCM satellite overpasses, is one of the major problems in LST validation in our case study, in addition to the above-mentioned new approaches, the fifth new approach that is an alternative scaling method was proposed for cross-validation of LST from remote sensing data. Therefore, due to the limited accessibility to the actual LSTs measured in situ, the daily LST products of MODIS (MOD/ MYD 11_L2 and MOD/MYD11A1 (V5)) were selected as the reference data. Because of the wide coverage and taken LST product twice per day by each of Terra and Aqua satellites, these products were selected as the reference temperature. In this regard, geographic coordinate matching, time matching and view zenith angle matching between LST of the LDCM data and the MODIS product arises for cross-comparison. To deal with these problems, we proposed an alternative scaling method of cross-comparison based on LST products of MODIS to yield a compatible dataset for accuracy assessment as in the following three steps. The obtained results showed that the assessment of LSE errors on the LST by standard error propagation, in the first and second scenes, ANEM and NBEM provided appropriate results among individual methods. In contrast, WMED achieved superior results among the proposed fusion methods for both scenes. Furthermore, the RMSE of LSE obtained by ANEM and WMED were 1.48% and 0.87% which led to 1.25K and 0.73 K errors in the LST of the first scene, respectively. For the second scene, the error values of NBEM and WMED were 1.10% and 0.52% that led to 0.93Kand 0.44 K errors in the LST, respectively. Also, the obtained LST of proposed scaling method was evaluated by cross-comparison, the results demonstrated that the proposed methods provide better estimates in both examined datasets in terms of the three statistical R2, the adjusted R2, MD (Bias) and RMSE measures. In second part, the sixth new approach, a method based on universal triangle method (UTM) called salinity-based soil moisture content (S_SMC) is developed. This synergistic approach to estimate the soil surface moisture using of optical-thermal remote sensing data proposed, with the involvement of the soil surface salinity. Evaluation of new synergistic approach were conducted using linear mathematical models. However, since heterogeneity due to soil type, land cover type and topography, soil moisture is significantly varies over temporally and spatially and its changes can have a non-linear mode. Therefore, the non-linear models were also assessed and finally models were presented to the wet and dry environments and they were investigated on irrigated and non-irrigated-agricultural land. Since the soil moisture depends on the soil salinity (SS) in semi-arid regions, the S_SMC method employs the SS as an effective and strength variable in conventional UTM to estimate SMC in these areas. In calibration step, at first a linear regression model between the LST, the NDVI and the SS is applied using in-situ measurements to assess the influence of the SS in SMC estimation. Then, a nonlinearity model is conducted through insertion of more terms in the linear equation and an optimal model of S_SMC is yielded. Moreover, the SS is obtained by a linear model from two selected salinity indices derived from Landsat images and in-situ measurements. In estimation step the LST, NDVI and the SS are obtained using Landsat data. The S_SMC method is evaluated in the Soil Moisture Active Passive Experiment (SMAPEx)-2 and SMAPEx-3 in wet and drier environmental conditions, respectively over two scenes of Landsat images. The results demonstrated that the S_SMC method is appropriate in non-irrigated areas. In contrast, in non-irrigated areas the S_SMC method improves R2 from 22% to 65 % in SMAPEx-2 and from 24% to 50 % in SMAPEx-3. Moreover, the results shown that the moist can be estimated in satellite level with a RMSE of 0.06 (V/V) and 0.02 (V/V) in wet and drier condition, respectively. Therefore, the SS is a key parameter to adjust conventional UTM to improve the SMC estimation by the S_SMC method. Keywords: Quantitative analysis, Soil surface moisture, Land surface emissivity, Land surface temperature, soil salinity.
