چکیده:
رطوبت اتمسفری، یکی از مهم ترین شاخص ها در تمام تعامل های بین سطح و اتمسفر مانند جریان های انرژی بین زمین و اتمسفر است و مقدار این شاخص، تعادل انرژی در سطح زمین را نشان می دهد. ازآنجاکه مقدار نهایی رطوبت اتمسفر، تاثیرگذارترین شاخص اتمسفر بر رادیانس رسیده به سنجنده است، در سنجش از دور و به ویژه در تعیینLand Surface Temperature (LST) اهمیت بسیاری دارد. LST، یکی از شاخص های مهم و اساسی در علوم زمین است که به طور مستقیم و غیرمستقیم بر تعیین بسیاری از شاخص های دیگر تاثیر می گذارد. از رطوبت اتمسفری و LST در بسیاری از مطالعه های محیطی، کاربردهای اکولوژیک و کشاورزی استفاده می شود. برای تخمین LST دقیق، لازم است مقدار رطوبت اتمسفری برآورد شود. در مقاله حاضر، مقدار رطوبت ستونی اتمسفر و مقدار رطوبت (Mass Mixing Ratio) MMR نزدیک به سطح با استفاده از سنجنده (Moderate Resolution Imaging Spectroradiometer) MODIS برآورد و سپس از شاخص رطوبت ستونی اتمسفر برای تخمین LST دقیق و برای تخمین رطوبت از روش Ratio بر اساس داده های MODIS استفاده شد. در مقاله حاضر، دقت شاخص های حاصل با استفاده از سری داده های مستقل برآورد و نتیجه شد داده های MODIS برای نقشه سازی رطوبت و دمای سطح مناسب هستند. در نهایت، تاثیر LST بر رطوبت MMR نزدیک به سطح بررسی شد.
Atmospheric water vapor which attenuates remotely sensed radiance is one of the most effective
parameters in atmospheric-surface interactions (e.g. energy fluxes between the ground and the
atmosphere), because the atmospheric water vapor is the most effective atmospheric parameter on
received radiance. Total atmospheric water vapor has a critical role in Land Surface Temperature
(LST) estimation. LST is one of the most important parameters in land sciences and helps the
environmental studies, ecological and agriculture applications. Estimation of an accurate LST needs
the atmospheric water vapor content. This paper offers Ratio algorithm for retrieving atmospheric
water vapor content (W) and Near Surface Mass Mixing Ratio (MMR) water vapor using moderate
resolution imaging spectroradiometer (MODIS) radiance data. Then, atmospheric water vapor content
(W) is used to estimate LST. Finally, validation of the algorithm has been done using independent data
sets and the effect t of LST on near surface water vapor have been analyzed. As a result of this paper,
MODIS data are appropriate for LST and water vapor mapping.