عنوان پایان‌نامه
تخمین همزمان رطوبت و دمای سطح خاک با استفاده تصا ویر ماکرویو فعال و غیر فعال و تصا ویر اپتیکی
- رشته تحصیلی
- مهندسی عمران- نقشه برداری- سنجش ازدور
- مقطع تحصیلی
- دکتری تخصصی PhD
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 3558;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 80091;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 3558;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 80091
- تاریخ دفاع
- ۲۸ دی ۱۳۹۵
- دانشجو
- مینا مرادی زاده
- استاد راهنما
- محمدرضا سراجیان مارالان
- چکیده
- رطوبت و دمای سطح خاک، پارامترهای کلیدی برای بسیاری از کاربردهای سنجش از دور مانند هیدرولوژیوی جهانی، پیش بینی هواشناسی و سیل، نظارت بر اقلیم و خشکسالی و فعالیت های کشاورزی هستند. بعلاوه، رطوبت و دمای سطح خاک به شدت تحت تاثیر پوشش گیاهی و زبری خاک نیز هستند. بنابراین، آگاهی از پوشش گیاهی و زبری خاک برای برآوردهای دقیقتر، جهانی و مکرر رطوبت و دمای سطح خاک بسیار مهم می باشد. دمای درخشندگی (BT) که توسط سنجنده های مایکروویو غیرفعال اندازه گیری می شوند، پتانسیل بالایی برای برآورد رطوبت ودمای سطح خاک دارند. در این تحقیق، مدلی برای برآورد همزمان رطوبت و دمای سطح خاک و دمای تاج گیاه (SLPRM) ارائه شده است که یک روش کمینه سازی کمترین مربعات درون تکرار براساس مقادیر اولیه می باشد. برای پیاده سازی الگوریتم از داده های دمای درخشندگی سنجنده AMSR-E، استفاده شده است. به منظور معرفی، کالیبراسیون و ارزیابی الگوریتم SLPRM، از داده های به دست آمده در منطقه ازمایشی SMEX03 استفاده شد. دقت برآورد رطوبت و دمای سطح خاک با استفاده از این الگوریتم به ترتیب 3.9% و 2.8ok می باشد. با توجه به نقش اثرگذار زبری خاک، در این تحقیق برای برآورد آن و جایگذاری آن در الگوریتم SLPRM، سه راهکار مختلف به کار برده شد. این راهکار ها با یکدیگر مقایسه شده و بهترین روش جهت برآورد زبری خاک معرفی گردیده است. طبق نتایج به دست آمده، الگوریتم SLPRM بدلیل در نظر گرفتن پارامتر زبری در هر سه روش، دقت و عملکرد مطلوب و قابل قبولی برای برآورد همزمان رطوبت و دمای سطح خاک و دمای تاج گیاه دارد. ولی از میان این سه روش زمانیکه از داده های SAR جهت برآورد زبری استفاده می شود، الگوریتم عملکرد و دقت بهتری دارد. در این حالت، دقت برآورد رطوبت و دمای سطح خاک به ترتیب 3.6% و 2.35ok می باشد. از آنجا که مدل های ارائه شده برای برآورد رطوبت خاک عمدتا محدود به زمین های لخت یا زمین های با پوشش کم گیاهی هستند، اهمیت برآورد دقیق این پارامتر در زمین های حاوی خاک و گیاه مشخص می شود. از سوی دیگر، دمای درخشندگی (BT)، ضریب پس پراکنش (BSC) و عدد رادیانسی (R) که به ترتیب توسط سنجنده های مایکروویو غیرفعال و فعال و اپتیکی اندازه گیری می شود، توانایی بالایی برای برآورد اثرات گیاهان دارند. در این تحقیق، جهت مدلسازی دقیقتر اثر پوشش گیاهی بر دمای درخشندگی، شاخص MSVI معرفی گردیده است. این شاخص در الگوریتم SLPRM برای برآورد همزمان رطوبت و دمای سطح خاک و دمای تاج گیاه مورد استفاده قرار گرفت. نتایج به دست آمده نشان می دهد که استفاده از شاخص MSVI در زمین های حاوی خاک و گیاه، دقت برآورد رطوبت , و دمای سطح خاک را به طور قابل توجهی افزایش می دهد. دقت برآورد رطوبت و دمای سطح خاک به ترتیب 3 % و 1.9 ok می باشد. در نهایت بدلیل پایین بودن توان تفکیک مکانی داده های مایکروویو غیرفعال، روشی برای ارتقا توان تفکیک مکانی رطوبت خاک برآورد شده ارائه گردیده است. این الگوریتم رطوبت خاک برآورد شده را با داده های سنجنده MODIS ترکیب می کند. در نتیجه توان تفکیک رطوبت خاک برآورد شده با استفاده از الگوریتم ارتقا توان تفکیک مکانی بهبود یافته و دقت آن با مقادیر رطوبت خاک میدانی ارزیابی می شود. نتایج نشان می دهد که دقت رطوبت خاک ارتقا توان تفکیک یافته در حد قابل قبول است و تغییرات رطوبت خاک در مقیاس های کوچکتر نیز به خوبی و بدون کاهش چشمگیر دقت، قابل نظارت می شود. به بیان روشن تر، قابلیت مهم این الگوریتم، استفاده از داده های مایکروویو غیرفعال جهت برآورد همزمان رطوبت و دمای سطح خاک و دمای تاج گیاه در پیکسل های حاوی خاک و گیاه می باشد. در این الگوریتم، برخلاف مدل های پیشین، دمای سطح خاک و دمای تاج گیاه برابر در نظر گرفته نشده است. بعلاوه، بمنظور بهبود دقت، اثرات گیاهان و زبری خاک بر مشاهدات دمای درخشندگی مدلسازی شده اند.
- Abstract
- Soil surface parameters, especially soil moisture, are key parameters for remote sensing applications in the fields of global hydrology, weather prediction, climate monitoring, ?ood forecasting and drought monitoring regarding agricultural activities over a large fraction of the Earth. Using remotely-sensed data, various soil moisture estimation models have been previously developed for bare soil areas. The studies have shown that the brightness temperature (BT) measured by passive microwave sensors have great potential for the estimation of land surface parameters especially soil moisture and also, were affected by characteristics of the land surface including vegetation cover and soil roughness. Thus knowledge of vegetation cover and soil roughness is important to obtaining accurate, frequent and global estimations of land surface parameters especially soil moisture. In this study, a simultaneous Land Parameters Retrieval Model (SLPRM) that is an iterative least-squares minimization method based on the initial values is proposed. Using AMSR-E (Advance Microwave Scanning Radiometer-EOS) acquiring brightness temperature data, the algorithm retrieve surface soil moisture, land surface temperature and canopy temperature simultaneously in vegetated areas. The main goal of this study is to develop an algorithm for obtaining surface soil characteristics using passive microwave remote sensing while the influence of vegetation and roughness on observed brightness temperatures will be considered to obtain more accuracy. The simultaneous estimations of the three parameters are performed based on a multi-parameter inversion algorithm which includes model construction, calibration and validation using observations carried out for the SMEX03 (Soil Moisture Experiment 2003) region. Three different scenarios are implemented with the inclusion of roughness. The three mentioned soil parameters have estimated using SLPRM method while three different scenarios applied to calculation of roughness parameter. Soil parameters estimates using the three scenarios have been compared in order to introduce the appropriate one. As the roughness parameter has been taken into account, the analysis on the retrieval model shows a meaningful and acceptable accuracy on soil moisture estimation according to the three scenarios in all land covers. The differences between the accuracy of the scenarios are due to the roughness calculation approach. The SLPRM method has shown better performance when the SAR data are used for roughness calculation. The errors of the method in soil moisture and Land surface temperature retrieval have been estimated around 3.6% and 2.35oK respectively. Until now, accurate soil moisture estimates are limited to regions that have either bare soil or low to moderate amounts of vegetation cover, therefore, the importance of accurately estimation of soil parameters in vegetated areas is appeared. On the other hand, the brightness temperature (BT), backscattering coefficient (BSC) and Radiances (R) measured by passive and active microwave and optical sensors have great potential for the estimation of vegetation effects. Hence, MSVI (Multi Sensor Vegetation Index) has been introduced to better approximation of vegetation effects on observed brightness temperatures and has been used in SLPRM algorithm to soil parameters estimates using passive microwave remote sensing. The analysis showed a meaningful improvement on soil moisture estimation accuracy in vegetated areas using the MSVI. Due to the low resolution of satellite microwave radiometer data, a downscaling approach to improve the spatial resolution of soil moisture estimates with the use of higher resolution visible/infrared sensor data is performed in this study. The algorithm is based on the so-called “universal triangle” concept with some differences that synergistically combines the accuracy of estimated soil moisture with the MODIS (Moderate Resolution Imaging Spectroradiometer) data. Accordingly, after the method calibration and coefficients calculation done, the downscaling method has been applied to the soil moisture estimations that have been validated against in situ soil moisture data. Results show good agreement with ground-based soil moisture measurements and illustrated that the soil moisture variability is effectively captured at low spatial scales without a signi?cant degradation of the accuracy.
