Информация о температуре необходима для мониторинга урожая и сельского хозяйства в мелком масштабе для анализа и их ожидаемого воздействия.
Легкодоступные данные LST в глобальном (с грубым пространственным масштабом) и более высоком временном масштабе (в день) предоставляются некоторыми спутниками (MODIS).
Эти данные LST большую часть времени не соответствуют потребностям местного/суб-локального планирования адаптации из-за низкого пространственного разрешения (SR).
Поэтому лица, принимающие решения, заинтересованы в альтернативных точных SR с наборами данных LST с высоким временным разрешением для конкретных секторов, например, сельского хозяйства и гидрологии.
Дистанционное зондирование (RS) предоставляет уникальную возможность для сбора информации о земной поверхности на больших географические экстенты в различных разрешениях. Поэтому спутниковые данные в более мелком масштабе важны для различных применений.
Математически возможно получить одинаковое пространственное разрешение для разных данных пространственного разрешения от одного и того же источника спутника. MODIS имеет различные наборы данных пространственного разрешения (250, 500 и 1000 м) от оптического/теплового датчика при том же временном разрешении.
Другой проблемой является несоответствие оптических и тепловых данных в мелком масштабе (оптические данные на 250 м) и тепловых данных на 1 км). Результаты анализа различных масштабов полос (оптических и тепловых) без уменьшения масштаба тепловой полосы относительно оптической полосы не может быть надежным.
Поэтому необходимо, чтобы обе полосы были в одном и том же пространственном и временном масштабе. Такие типы данных имеют хорошее временное разрешение (за день) и могут использоваться для мониторинга параметров почти в реальном времени.
Наборы данных MODIS имеют высокое временное разрешение (за день), но обе полосы имеют разные значения SR (оптическая полоса 250 м и тепловая полоса 1000 м). Этот тип несоответствия между двумя различными типами полос SR можно устранить с помощью математических моделей, таких как TsHARP и TSP.
Метод TsHARP является надежным и широко принятым благодаря своему мощному функционированию и простоте (Zhan et al., 2013). Мощное функционирование TsHARP основано на том факте, что растительный покров, в основном, представлен комбинацией NIR (ближней инфракрасной области) и растительного индекса на основе красной полосы (VI), известного как нормализованный разностный индекс растительности (NDVI).
Это наиболее важный ключ для определения температуры поверхности суши (LST) многих ландшафтов. Следовательно, эта модель имеет единственное допущение, что LST (из теплового диапазона) и NDVI (из оптического диапазона) связаны с уникальным отношением по данной сцене датчика (наборы данных) и свободны от различных шкал SR.
TPS формально известен как сглаживающие сплайны Лапласа и является детерминированным негеостатистическим процессом подгонки поверхности. Он дает право настраивать набор функций, которые интерполируют данные исходной точки (любой параметр наборов геоданных), одновременно сводя к минимуму коэффициент гладкости.
Этот термин гладкости представляет собой согласование между кривизной поверхности и расстоянием с данными исходной точки и вычисляется путем итеративной минимизации обобщенной функции перекрестной проверки. TPS считается мощным и точным методом для получения исходных точечных данных, отличной плавности и надежности.
Соответственно, TPS обычно используется для пространственной интерполяции точечных данных (такими точечными данными могут быть геоданные, DEM, метеорологические данные и т.д.
Район исследования находился между 76°29'восточной долготы до 76°44' восточной долготы и 28°17'восточной долготы до 28°36' северной широты, на высоте 245 м над уровнем моря над уровнем моря в округе Ревари, штат Харьяна, Индия.
Этот район охватывал почти всю область исследования, где пшеница (в течение сезона Раби) является основной культурой. Среднее количество осадков за последние десять лет в районе составляет 569,6 мм. Распределение осадков в районе неровное и рассеянно, что приводит к засухе, которая влияет на сельскохозяйственное производство.
Изображения были получены 19 января 2013 года с помощью систем MODIS для получения оптического и теплового диапазона. Для обработки набора данных MODIS использовалось программное обеспечение ArcGIS-10.2 (MOD09AQ и MOD09GQ).
Программное обеспечение преобразует формат файлов .hdf в формат .img. При преобразовании формата данных его проекция (spheroid_Sinusoidal) также конвертировалась в проекцию WGS_1984_Transverse_Mercator.
Наконец, после процесса маскировки данных с помощью фиксированного прямоугольного многоугольника, анализ был ограничен прямоугольной областью. Индекс растительности рассчитывался из продуктов отражения MOD09. NDVI - это нормализованное отношение NIR и красных полос, этот индекс NDVI рассчитывается как Bala et al., 2016, Bala et al., 2015 и Rawat et al. (2012).
Повторная выборка данных LANDSAT
Ресамплинг просто менялся от пространственного разрешения из растровых наборов данных и заданных правил для объединения значений через новый размер пикселя (250 м). В исследовании тепловая полоса (60 м, полоса 6 (TIR)) Landsat-7 ETM + была повторно отобрана в 250 м для проверки смоделированных данных LST (на основе TsHARP и TPS).
Модель
Две модели TsHARP и TPS были использованы для решения задачи уменьшения масштаба (1–250 м) тепловых данных (1 км) с использованием коэффициента отражения красного (250 м) и NIR диапазона (250 м).
Обе модели имеют свои преимущества и недостатки, TsHARP подходит для тех областей, где состояние растительности хорошее, а показатели TPS прямо противоположны хорошим показателям при низкой площади растительного покрова, поэтому в исследовании были объединены модели TsHARP и TPS и использовались преимущества каждой модели.
Обе модели просто противоположны по характеристикам для состояния NDVI. Одна (TsHARP) очень эффективна в хорошей зоне покрытия NDVI, в то время как вторая модель (TPS) работает лучше в тех областях, где слабое покрытие NDVI.
Поэтому были объединены обе модели, чтобы получить модель, которая может хорошо работать при хорошей площади растительного покрова, а также при недельной зоне растительного покрова.
Первый шаг - два изображения высокого разрешения (250 м) LST были получены регрессией (уравнение (2)ЦХАРП без учета δ) и метод TPS соответственно.
Второй шаг - оценка ошибки в обоих методах для каждого пикселя с низким разрешением.
На третьем этапе взвешенные результаты регрессии и метода TPS были объединены с оценкой их ошибок.
Поскольку проверка с использованием полевых наблюдений эффективна по времени и затратам на большой территории со шкалой 250 м, эффективность отслеживаемого процесса слияния лучше всего оценивать путем сравнения с данными МДП LANDSAT-7 по районам исследования.
Результаты показали, что комплексный подход был эффективен, точность результатов была повышена. Это показывает тот факт, что растительность в более высоком пикселе SR (на 250 м) обычно неоднородна, поэтому возможно обострение плохого SR LST (1 км).
Также использовались методы TsHARP для уменьшения масштаба наборов данных MODIS, LANDSAT-5 TM и ASTER LST с помощью NDVI и был найден хороший результат в эвапотранспирации (ET) анализа.
В данном подходе NDVI (при 250 м SR) является основным входным фактором для уменьшения LST, в ранних исследованиях также использовали NDVI (при различных SR) для уменьшения LST с использованием какой-то другой модели, но ясно, что решение о выборе NDVI в качестве подходящего параметра для уменьшения LST в проводимом исследовании было оправданным.
Данные MDP предоставляют жизненно важную информацию для потоков энергии на поверхности земли и ET, а также для мониторинга засух в сельском хозяйстве в реальном времени. Данные LST с высоким разрешением требуются для применения в полевых условиях, изображения MDP обычно получают с низким разрешением по сравнению со спектральными полосами VIR (визуальная инфракрасная область) и NIR (ближняя инфракрасная область).
Была разработана интеграция двух моделей (TsHARP и TPS) для способов повышения резкости данных дистанционного зондирования для уточнения данных MDP с использованием коэффициента отражения VIR/NIR.
Анализ метода повышения резкости был изучен и проводился с использованием данных LST и отражательной способности MODIS и представляют улучшенные карты LST при высоком SR (250 м).
Итог
Применение повышения резкости данных LST с разных датчиков может зависеть от множества факторов, таких как различия даты/времени, количество спектральных диапазонов, доступных для повышения резкости, различия в качестве данных и точности географической привязки.