چکیده:
داده های سنجش از دور قادر به نمایش خصوصیات برخی از پدیده های زمینی و همچنین نحوه توزیع مکانی آنها در مقیاسهای مختلف می باشند. از طرفی دیگر، اولین و مهمترین گام در انجام درون‌یابی داده های کسب شده صحرایی، بررسی همبستگی مکانی آنها و معرفی مدل بهینه جهت اعمال عامل وزنی مناسب برای درون یابی آن متغیر در منطقه است. بنابراین، با کمک داده های سنجش از دوری که مشابه متغیر مورد مطالعه باشند، امکان بررسی نحوه توزیع مکانی و تغییرات آن شاخص وجود دارد. در تحقیق حاضر از تغییرات مکانی داده های باند ترمال (باند 6) ماهواره لندست 7 استفاده و الگوی تغییر درجه حرارت سطحی در منطقه اردکان واقع در استان یزد تعیین شده است. این الگو که به صورت یک مدل ریاضی بیان شده است، می‌تواند جهت درون‌یابی داده های درجه حرارت کسب شده از ایستگاههای هواشناسی در منطقه مورد مطالعه، استفاده گردد. بدین منظور از یک شبکه منظم 108 نقطه‌ای بر روی باند ترمال نمونه‌گیری شد و سپس به کمک زمین آمار، نقاط واریوگرام تجربی محاسبه و مدلهای مختلفی مانند گوسی، نمایی، دایره ای و کروی بر آنها برازش گردید. سپس با استفاده از کریجینگ ساده و به‌کارگیری هر کدام از این مدلها، نقشه های جداگانه‌ای ایجاد و دقت هر یک محاسبه شد. نتایج بدست آمده نشان داد که اطلاعات باند ترمال دارای مدلی نمایی(exponential) هستند و تغییرات مکانی آنها با این مدل قابل توجیه است. لذا این مدل می تواند در درون یابی داده های درجه حرارت ایستگاههای هواشناسی استفاده شود و نقشه درجه حرارت منطقه را با دقت بالایی ترسیم نماید. روش ذکر شده در این تحقیق می‌تواند برای سایر شاخصهای محیطی نظیر دمای حداقل، دمای حداکثر و تبخیر و تعرق نیز قابل بررسی باشد
چکیده انگلیسی:
Remotely sensed data are able to monitor some characteristics of the environment and also their spatial structure. The latter one is the first and main step in field data interpolations. Therefore, spatial analysis of some field data is possible by employing of related satellite data bands. In this study, as an example, Landsat ETM+ thermal band (band 6) was acquired to determine the spatial structure of surface temperature distribution. For the purpose of evaluation and selection of the best interpolation model, the band 6 data was crossed with a regular sampling grid and therefore, a dataset was constructed. Using geo-statistical analysis, empirical semi-variogram was calculated and various mathematical models were fitted to its points (e.g. gaussian, exponential, circular and spherical). Afterwards, the fitted models were applied to generate different temperature distribution maps using kriging interpolation approach. Finally, the optimum model which could better predict temperature changes and distribution was recognized. Result of the study shows that the exponential model would be better to predict and estimate surface temperature in un-sampled locations in the area of studied. So, the model can be used for interpolation of field temperature data with a high confidence level. The represented method can be developed for all the other environmental factors which could better characterized by remotely sensed data, like minimum and maximum temperature, evapotranspiration and so on.
خبرنامه
برای ثبت نام در خبرنامه و دریافت خبرنامه ایمیل خود را وارد نمایید.
