تعیین بهترین الگوریتم محاسبه دمای سطح زمین جهت شناسایی مناطق ژئوترمال - مطالعه موردی: شهرستان مشکین‌شهر

نوع مقاله: مقاله پژوهشی

نویسندگان

1 کارشناس ارشدسنجش ازدور و GIS، گروه سنجش از دور و GIS، دانشگاه تبریز

2 دانشیارگروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشگاه تبریز

3 استادیارگروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشگاه تبریز

10.22131/sepehr.2020.44583

چکیده

سنجش از دور حرارتی با پوشش وسیع از سطح زمین و همچنین فراهم آوردن قابلیت محاسبه دمای سطح زمین با استفاده از تصاویر ماهواره­ای، به عنوان ابزار اقتصادی جدید نقش مهمی را در مطالعات محیط زیستی از جمله جستجوی منابع زمین گرمایی ایفا می­ کند. تهیه نقشه دمای سطح زمین، نکته کلیدی در دستیابی به ناهنجاری‌های زمین‌گرمایی است که در پژوهش حاضر با استفاده از داده‌های طیفی سنجنده OLI و داده‌های حرارتی سنجنده TIRS ماهواره لندست 8، دمای سطح زمین با الگوریتم ­های تک باندی و پنجره مجزامحاسبه گردیده و اطلاعات حرارتی حاصل از الگوریتم­ ها با داده­ های هواشناسی مورد ارزیابی قرار گرفت تا با استفاده از الگوریتم بهینه، نقشه دمای سطح زمین در سطح منطقه مورد مطالعه محاسبه شود. با توجه به اختلاف دمایی 6/1 درجۀ سانتی­گراد الگوریتم پنجره مجزا در مقایسه باالگوریتم تک باندی با اختلاف دمایی 3 درجه سانتی گراد نسبت به دمای هوای حاصل از ایستگاه هواشناسی در لحظه تصویر برداری از نتیجه الگوریتم پنجره مجزا جهت تهیه نقشه دمای سطح زمین استفاده گردید. اما حرارت سطحی محاسبه شده با الگوریتم پنجره مجزا در سطح منطقه مورد مطالعه تحت تاثیر عواملی مثل نور خورشید، ضریب افت محیط، تبخیر و تعرق و به علاوه منابع زمین­ گرمایی بود که بایستی تاثیر عوامل غیر از منابع زمین­ گرمایی از نقشه دمای سطح زمین کم شده و به حداقل ممکن برسد. بنابراین برای نایل آمدن به این هدف از مدل حرارتی استفاده گردید که این مدل حرارتی استفاده شده یک مدل خطی است و ضرایب مجهول آن با استفاده از روش سرشکنی کمترین مربعات محاسبه گردیده است. با تجزیه و تحلیل تصویر آنومالی حرارتی حاصل از مدل حرارتی، مناطقی به­ عنوان مناطق مستعد منابع ژئوترمال انتخاب شدند که علاوه بر اینکه نسبت به محیط اطراف خود دچار ناهنجاری شدند بلکه شواهد وجود منابع زمین ­گرمایی نیز در اطراف آنها موجود بود به ­گونه ­ای که دو منطقه با وسعت 5/5 و 05/10 هکتار در قسمت شمالی و شمال­ شرقی دهکده موئیل، یک ناحیه با وسعت 1/4 در جنوب­ غربی آبگرم قوطورسویی  و یک ناحیه در قسمت جنوبی آبگرم قینرجه با وسعت 1/1 هکتار به عنوان مناطق مستعد منابع زمین­ گرمایی در ناحیه اطراف کوهستان سبلان شناسایی شدند که از پتانسیل بالایی جهت اکتشاف منابع ژئوترمال برخوردار بودند.

کلیدواژه‌ها


عنوان مقاله [English]

Determining the best algorithm to calculate land surface temperature with the aim of identifying geothermal areas - Case study: MeshkinShahr County

نویسندگان [English]

  • Reza Parhizcar isalu 1
  • Khalil Valizadeh Kamran 2
  • Bakhtiar Faizizadeh 3
1 Masters graduate in remote sensing and GIS, Department of remote sensing and GIS, Tabriz University
2 Associate professor, Department of remote sensing and Geographical Information System, Tabriz University
3 Assistant professor, Department of remote Sensing and Geographical Information System, Tabriz University
چکیده [English]

Extended Abstract
Introduction
Geothermal energy is one of the major sources of new and environmentally friendly energieswhich, if used correctly and based on environmental parameters, plays an important role in the energy balance of the country and the goals of sustainable development.However, detecting and exploring sources of this energy using modern and low cost methods –as a replacement for land surveying methods-can help planners and authorities working in the field of energy. In this regard, thermal remote sensing with a vast coverage of the earth’s surface, and the possibilityof calculating land surface temperature using satellite imagery plays an important role as a new economic tool.Mapping land surface temperature is a key point in achieving geothermal anomalies and different algorithms play an important role in land surface temperature estimation. Therefore, identifying potential sources of geothermal energyusingremotely sensed thermal data is a challenging and yet interesting subject.
 
Materials and Methods
The present study takes advantage of images received from OLI and TIRS sensors (Landsat 8) to estimate land surface temperature, analyze thermal anomalies, and identify areas with potential geothermal resources in Meshkinshahr.The images were retrieved fromUSGSin Geo TIFF format.Envi 5.3, eCognition 9.1, MATLAB and ArcMap 10.4.1 were used to prepare, process and analyze the images.Moreover, meteorological data received fromMeshkinshahr station was collected from the General Department and Meteorological Center of Ardabil Provincewith the aim of identifying the optimal algorithm for calculation ofland surface temperature. Data wascollected for a one-day period (31/08/2017), i.e. the same day Landsat 8 passed over the areaunder study.
 
Results and Discussion
The present study sought to identify areas with potential geothermal resources using thermal remote sensing and a combination of surface temperature and thermal anomaly models. In order to calculate thermal anomaly, an observational thermal image is required, which is in fact the same land surface temperature calculated using Split Window and Mono Window algorithmsfor the image received from the satellite thermal band at the moment of collecting images. It should be noted that the land surface temperature calculated with these algorithms was evaluated using statistical data recorded in the temperature monitoring station. Results indicated higher accuracy of Split Window algorithm (3 ° C difference). Since, temperature obtained from this algorithm was more consistent with the actual temperature, its results were used as the observational thermal image.A thermal model was also defined to model factors responsible for heat variation from one pixel to another one. These two images were calculated and subtracted to reach the thermal anomaly image.In order to identify thermal anomalies caused by undergroundfactors heating the earthsurface, other factors responsible for increasing/decreasinglandsurfacetemperature should be normalized in the image. Thus, the effect of parameters such as solar energy, environmental degradation and evaporation on land surface temperature obtained from split window algorithm was investigated and finally, areas with heat anomalies and evidences indicating the presence of geothermal resources around themwere selected as areas with potential geothermal resources.Results indicate that inthe area surroundingSabalanmountains,two regions with 5.5 and 10.05 hectares in the northern and northeastern parts of Moyelvillage, a1.4 hectares area in the southwestern part of Qutursouli Spa, and the southern part of the Qinrjah Spa with an area of 1.1 hectare had potentialgeothermal resources and a high potential for exploration of geothermal resources.
 
Conclusion
The presence of hot springs, a geothermal power plant and other evidences shows that Ardabil Province and especially Meshkinshahr city has the potential for geothermal energy production as one of the major sources of new and environmentally friendly energies.However, no effective studies have been performed to identify these resources using modern and low-cost methods including thermal remote sensing.Therefore, the present study for the first time took advantage ofGIS and remote sensingto identify areas appropriate for geothermal energy extraction inMeshkinshahr city and concluded that remote sensing studies on Landsat 8 satellite images have a high efficiency for identifying areas with potential geothermal resources. Thus, areas identified in the present study have a strong spatial correlation with the geothermal evidences founded in the region.

کلیدواژه‌ها [English]

  • Thermal remote sensing
  • Land surface temperature
  • Thermal Anomaly
  • Geothermal Energy
  • Meshkin Shahr
  1. ابراهیمی­ هروی, ب.، رنگزن, ک.، ریاحی, ح. ر.، تقی‌زاده، ا.، 1395. تعیین مناسب ‌ترین روش استخراج دمای سطح زمین با استفاده از تصاویر ماهوارۀ لندست 8 در کرج، نشریه سنجش از دور و GIS ایران، دوره 8، شماره 3، از صفحه 59 تا 76.
  2. احمدی ­زاده، س. س. ر.، آراسته، ف.، فنایی، غ.، اشرفی، ع.، 1393. شناسایی پتانسیل‌های زمین‌گرمایی با استفاده از روش سنجش از دور حرارتی در خراسان جنوبی، پژوهش‌های محیط­زیست، سال 5، شماره 10، از صفحه 135 تا 144.
  3. المدرسی، ع.، رحیم ­آبادی، ا.، خضری، ص.، 1393. پهنه­ بندی و مقایسه دمای سطح زمین با استفاده از دوباند حرارتی 10 و 11 تصویر لندست 8 در شهرستان بهشهر، همایش ملی کاربرد مدل­ های پیشرفته تحلیل فضایی(سنجش از دور و Gis) در آمایش سرزمین، یزد، دانشگاه آزاد اسلامی واحد یزد.
  4. بیات، ف.، 1395. بررسی و مدل سازی دمای سطح دریا با استفاده از تصاویر حرارتی لندست 8، پایان‌نامه برای دریافت درجه کارشناسی ارشد در رشته مهندسی عمران- نقشه برداری- ژئودزی(هیدروگرافی)، دانشگاه تهران
  5. پرویز، ل.، خلقی، م.، ولی­زاده، خ.، عراقی ­نژاد، ش.، ایران­ نژاد، پ.، 1389. ارزیابی کارایی شاخص تفاضل نرمال شده پوشش گیاهی (NDVI) از طریق پایش وضعیت پوشش­ گیاهی، همایش ملی ژئوماتیک 89، سازمان نقشه برداری کشور.
  6. تباکی بجستانی، ک.، 1392. شناسایی منابع زمین‌گرمایی با استفاده از داده‌های حرارتی +ETM در مناطق خشک، پایان‌نامه برای دریافت درجۀ کارشناسی ارشد در رشتۀ بیابان‌زدایی، دانشگاه صنعتی اصفهان
  7. جعفری، ا.، امامی، ح.، 1395. ارزیابی پتانسیل داده‌های لندست 8 در آشکارسازی مناطق زمین‌گرمایی با استفاده از سنجش از دور(مطالعه موردی بخشی از آذربایجان شرقی و غربی)، دومین کنگره بین‌المللی زمین، فضا و انرژی‌های پاک با محوریت مدیریت منابع طبیعی، کشاورزی و توسعه پایدار، تهران، شرکت کیان طرح دانش
  8. جویباری ­مقدم، ی.، آخوندزاده، م.، سراجیان، م. ر.، 1394. ارائه یک الگوریتم پنجره مجزا نوین برای تخمین دمای سطح زمین از داده‌های ماهواره لندست 8، نشریه علوم و فنون نقشه‌برداری، دوره 5، شماره 1، از صفحه 215 تا صفحه 226
  9. جهانبخش، س.، رجبی ،م.، 1389. مبانی جغرافیای طبیعی، چاپ اول، انتشارات دانشگاه تبریز.
  10. عسگرزاده، پ.، درویشی­ بلورانی، ع.، بهرامی، ح. ع.، حمزه، س.، 1395. مقایسه برآورد دمای سطح زمین در روش‌های تک باندی و چندباندی با استفاده از تصویرلندست 8، سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، دوره 7، شماره 3، از صفحه 18 تا 29.
  11. علوی ­پناه، س. ک.، گودرزی­ مهر، س.، خاکباز، ب.، 1390. فناوری سنجش از دورحرارتی و کاربرد آن در شناسایی پدیده‌ها، نشاء علم، دوره 2، شماره 1، از صفحه 25 تا 29.
  12. فهیم، م.، 1396. ، مطالعات سنجش از دور و مغناطیس سنجی جهت بررسی منابع ژئوترمال در منطقه سیرچ - گلباف استان کرمان، پایان‌نامه برای دریافت درجه کارشناسی ارشد در رشته مهندسی معدن گرایش اکتشاف معدن، دانشگاه شهید باهنر کرمان، دانشکده فنی مهندسی.
  13. فیضی­ زاده، ب.، دیده بان، خ.، غلام­ نیا، خ.، 1395. برآورد دمای سطح زمین با استفاده از تصاویر ماهواره لندست 8 و الگوریتم پنجره مجزا ( مطالعه موردی: حوضه آبریز مهاباد)، فصلنامه اطلاعات جغرافیایی، دوره 25، شماره 98، از صفحه 171 تا 181.
  14. کاظمی، ی.، حمزه، س.، علوی­ پناه، ک.، بهرام بیگی، ب.، 1396. تحلیل ناهنجاری­ های حرارتی گسل­ ها و ارتباط آن با منابع زمین­ گرمایی با استفاده از داده­ های حرارتی لندست 8 مطالعه موردی: گسل های شهداد و نایبند، فصلنامه اطلاعات جغرافیایی سپهر، دوره 27، شماره 106، تابستان 1397، از صفحه 5 تا 20.
  15. کسائیان، م.، 1393. شناسایی مناطق امیدبخش منابع زمین‌گرمایی با تعیین عمق نقطه کوری و داده‌های جریان حرارتی در استان اردبیل، پایان‌نامه برای دریافت درجه کارشناسی ارشد در رشته اکتشاف معادن، دانشگاه صنعتی شاهرود، دانشکده معدن و ژئوفیزیک.
  16. کی نژاد، ص.، 1390. بررسی پتانسیل منابع ژئوترمال استان آذربایجان شرقی با استفاده از داده‌های زمین‌شناسی و اکتشافی، پایان­ نامه برای دریافت درجه کارشناسی ارشد در رشته اکتشاف معدن، دانشگاه صنعتی اصفهان، دانشکده مهندسی معدن.
  17. مجرد، ف.، یوسف نژاد، م.، فتح نیا، ا.، 1394. تعیین الگوریتم بهینه برای پهنه ­بندی یخبندان­ های بهاره و پاییزه در استان کردستان با استفاده از تصاویر NOAA-AVHRR، پژوهش­ های جغرافیای طبیعی، دورة 47 ، شمارة 4، از صفحه 547 تا 562.
  18. ناجی­ دومیرانی، ص.، ضیائیان فیروزآبادی، پ.، سدیدی، ج.، رحیمی، ک.، 1396. محاسبه دمای سطح زمین با استفاده از الگوریتم split window و تصاویر ماهواره‌ای لندست 8 (مطالعه موردی: شهرستان نهاوند)، بیست و چهارمین همایش و نمایشگاه ملی، سازمان نقشه‌برداری کشور، تهران 
  1. Coolbaugh, M. F., Kratt, C., 2007. "Detection of geothermal anomalies using Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) thermal infrared images at Bradys Hot Springs, Nevada, USA", Remote Sensing of Environment, Vol 106, Issue3, PP 350-359.
  2. García-Haro, J., Camacho-de Coca, F., Meliá, J., Martínez, B., 2005. "Operational Derivation of Vegetation Products in the Framework of the LSA SAF Project", EUMETSAT Meteorological Satellite Conference, Dubrovnik (Croatia). 19-23 Septiembre, in press.
  3. Hantson, S., Chuvieco, E., 2011. "Evaluation of different topographic correction methods for Landsat imagery", International Journal of Applied Earth Observation and Geoinformation, vol. 13, pp 691-700.
  4. Jimenez-Munoz, J. C., Sobrino, J. A., Skokovic, D., Mattar, C., & Cristobal, J. (2014). Land surface temperature retrieval methods from landsat-8 thermal infrared sensor data. IEEE Geoscience and Remote Sensing Letters, 11(10), 1840–1843
  5. Kienholz, C., Prakash, A., Kolker, A., 2009. " Geothermal Exploration in Akutan, Alaska, Using Multitemporal Thermal Infrared Images", American Geophysical Union, abstract H53F-1009.
  6. Kogan, F.N., 1993." United States Droughts of Late 1980's as Seen by NOAA Polar Orbiting Satellites, International Geo science and Remote Sensing Symposium", Vol 1, pp 197-199
  7. Kun, T., Zhihong, L., Peijun, D., Lixin, W., 2017. " Land Surface Temperature Retrieval from Landsat 8 Data and Validation with Geo Sensor Network", Frontiers of Earth Science, Vol 11, pp 20–34
  8. Rozenstein, O., Qin, Z., Derimian, Y., Karnieli, A., 2015. "Derivation of Land Surface Temperature for Landsat-8 TIRS Using a Split Window Algorithm", Sensors (Basel), Vol 14, pp 5768-5780.
  9. Shahid, L., 2014. "Land Surface Temperature Retrival of Landsat-8 Data Using Split Window Algorithm- A Case Study of Ranchi District", International Journal of Engineering Development and Research, Vol 2, Lssue 4, PP 3840-3849
  10. Sobrino, J.A., Raissouni, N., Li, Z., 2001. A comparative study of land surface emissivity retrieval from NOAA data. Remote sensing of Environment 75 (2), 256–266.
  11. Tian, B., Wang, L., Kashiwaya, K., Koike, K., 2015. "Combination of Well-Logging Temperature and Thermal Remote Sensing for Characterization of Geothermal Resources in Hokkaido, Northern Japan", Remote Sens, Vol 7, pp 2647-2667.
  12. Togi, T., Khiruddin, A., Lim, H. San., Jeddah, Y., 2016. "The identification of geothermal with geographic information system and remote sensing in distric of Dolok Marawa", AIP Conference Proceedings, Vol 1712, Issue 1, pp 10.1063.
  13. Walawender, J. P. Hajto, M. J., Iwaniuk, P., 2012. "A New ArcGIS Toolset for Automated Mapping of Land Surface Temperature with the Use of LANDSAT Satellite Data", In Geoscience and Remote Sensing Symposium (IGARSS), IEEE International, pp 4371-4374.
  14. Watson, F. G., Lockwood, R. E., Newman, W. B., Anderson, T. N., Garrott, R. A., 2008. "Development and comparison of Landsat radiometric and snowpack model inversion techniques for estimating geothermal heat flux", Remote Sensing of Environment, Vol. 112, pp 471-481