fa بهبود روش مبتنی بر شاخص گیاهی جهت برآورد گسیلمندی سطح با استفاده از آنالیز رگرسیون چند متغیره بر روی داده های لندست 8 فتوگرامتری و سنجش از دور Photo&RS ترویجی Tarviji <p style="text-align: justify;">گسیلمندی سطح زمین از جمله متغیرهایی است که در دامنه وسیعی از مطالعات و تحقیقات علوم زمین و محیط زیست کاربرد دارد و یکی از پارامترهای اساسی در برآورد دمای سطح می باشد. فناوری سنجش از دور، امکان پایش این کمیت را در سطح وسیعی فراهم می آورد. تغییرات گسیلمندی وابسته به پارامترهای سطح (نظیر بافت، توپوگرافی، رطوبت) و سنجنده ( نظیر قدرت تفکیک مکانی، تابع پاسخ طیفی ، و طول موج موثر باندها ) می باشد. در این تحقیق، یک روش بهبود یافته مبتنی بر شاخص گیاهی نرمال شده جهت برآورد گسیلمندی سطح بر روی داده های لندست 8 پیشنهاد گردیده است. در روش پیشنهادی، گسیلمندی باند های حرارتی برای مناطق خاک بایر بصورت تابعی از بازتاب باندهای انعکاسی تصحیح اتمسفری شده در محدوده طیفی 0.4 تا 2.29 میکرومتر بیان شده است. کارایی روش پیشنهادی بصورت عملی بر روی داده های لندست 8 اجرا گردید و گسیلمندی حاصل با دو محصول گسیلمندی سنجنده هوابرد پیشرفته با رادیمترسنج انعکاسی و حرارتی( ASTER) مقایسه و اعتبارسنجی شد. نتایج نشان داد که گسیلمندی حاصل از روش بهبود یافته پیشنهادی در باند 10 حرارتی لندست 8 در مقایسه با محصول گسیلمندی متناظر تصویر بررسی اول و دوم ASTER به ترتیب دارای خطای 0.76% و 0.75% با در نظر گرفتن پارامتر ریشه میانگین مربعات خطا می باشد، همچنین این خطا در باند 11 حرارتی به ترتیب دارای مقدار 1.49% و 1.06% محاسبه گردید. برخلاف روشهای قبلی، روش پیشنهادی نه تنها با دقت بهتری گسیلمندی سطح را بصورت تابعی از انعکاس عوارض مختلف سطح تخمین می زند، بلکه توابع پاسخ طیفی باندهای حرارتی و انعکاسی را در برآورد گسیلمندی سطح مد نظر قرار می‌دهد. 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.</p> <p class="MsoNormal" style="text-align: justify;">Land surface emissivity (LSE) is an important intrinsic property of materials and knowledge of the LSE is essential to derive the land surface temperature (LST) that can be obtained from the emitted radiance measured from space. LSE provides useful information for geological and environmental studies, mineral mapping and is one of the important input parameters for climate, hydrological, ecological and biological models. The emissivity of natural surfaces inherently may vary significantly due to differences in soil structure, soil composition, organic matter, moisture content and differences in vegetation cover characteristics. In other words, LSE changes is depending on the surface (such as texture, topography, soil moisture, angular variations effect) and sensor parameters (such as spatial resolution, SRF, and effective wavelength of thermal bands). Remote sensing technology provides widely the monitoring of this quantity. Several methods exist to estimate LSE from satellite data, which apply the visible&nbsp;and&nbsp;near-infrared&nbsp;(VNIR) or thermal infrared (TIR) spectral regions or both of them. According to the way by which the LSE is determined along with LST, the emissivity estimation methods from optical remote sensing data can be categorized into three distinct types including, stepwise retrieval methods, simultaneous LST and LSE retrieval methods with known atmospheric parameters, and simultaneous LSEs, LST, and atmospheric quantities retrieval methods. Influential researches, in the stepwise retrieval methods, were conducted and mainly NDVI-methods have been used to predict LSE from NDVI values. In particular, NDVI-methods assume that the surface is composed of the soil and vegetation, some problems arise for other kinds of surfaces that are likely classified as bare soil pixels, such as rocks, man-made, and ice/snow. Besides, another main origin of error in these methods is caused by&nbsp;great changes in the emissivity of soil types. Furthermore, the choice of a typical emissivity value for some surface objects such as bare soil is a more critical question, because the variability of emissivity values for soils is more than vegetation and other ones. In this research, a new approach called improved normalized difference vegetation index-based method (INDVI_based) estimating LSE on Landsat-8 (known as Landsat Data Continuity Mission, LDCM) data has been proposed for semi-arid areas. At first, a simulation of channel emissivities and reflective bands of basic classes in bare soil, vegetation and mixed areas is accomplished based on convolving ASTER spectral Library with LDCM spectral response functions. Then, for main three areas are defined to determine separate emissivity estimate model as function of reflective bands from basic spectra associated with the main class. In the proposed method, the cannel 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 &mu;m fo bare soil. The effectiveness of the proposed approach was implemented in LDCM data and obtained LSE were compared and validated with two scenes of LSE standard product of Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER). Results showed that LSE of the improved proposed method, in the band 10 of LDCM in comparison with the first and second LSE product of ASTER, lead to 0.76% and 0.75% errors in term of root mean square error (RMSE) measure, respectively. Moreover, this error for thermal band 11 is<span dir="RTL">1.49 </span>% and 1.06% in first and second examined scenes, respectively. Unlike previous methods, the proposed method not only accurately estimates of LSE&nbsp; as a function from the reflectance of various surface objects, but also it&nbsp; uses&nbsp; the spectral response function&nbsp; of thermal and reflective bands in estimating the LSE. In addition, the proposed method the poor relationship between LSE and only reflectance of the red band in previous methods, strengthen due to the use of all reflective bands in LSE estimation and it is applicable on most sensors.<br> <span lang="ES" style="font-size: 10pt line-height: 150%"><!--stripped--><!--stripped--></span></p> گسیلمندی سطح زمین, دمای سطح زمین, لندست 8, شاخص گیاهی نرمال شده Land Surface Emissivity, Land Surface Temperature, Landsat Data Continuity Mission (LDCM), Normalized Difference Vegetation Index (NDVI) 137 153 http://jgst.issgeac.ir/browse.php?a_code=A-10-321-2&slc_lang=fa&sid=1 H. Emami حسن امامی h_emami@ut.ac.ir 10031947532846003152 10031947532846003152 Yes University of Tehran گروه نقشه برداری دانشگاه تهران A. Safari عبدالرضا صفری asafari@ut.ac.ir 10031947532846003153 10031947532846003153 No University of Tehran گروه نقشه برداری دانشگاه تهران B. Mojaradi برات مجردی mojaradi@iust.ac.ir 10031947532846003154 10031947532846003154 No Iran University of Science and Technology دانگاه علم و صنعت