نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

 

چکیده

این مطالعه اثرات شفاف‌سازی تصویر را بر شاخص‌های پوشش گیاهی (VIs) ارزیابی کرد و دریافت که pansharpening می‌تواند داده‌های Landsat 8 VI تک‌تاریخ و چند زمانی را بدون ایجاد اعوجاج قابل‌توجهی در مقادیر VI کاهش دهد. چهار روش تیز کردن سریع – شدت سریع – اشباع رنگ (FIHS)، تبدیل برووی (BT)، تبدیل موجک افزایشی (AWT) و مدولاسیون شدت مبتنی بر فیلتر صاف (SFIM) – و دو VIs – شاخص گیاهی تفاوت نرمال شده (NDVI) و نسبت ساده (SR) – آزمایش شدند. مشخص شد که فرمول‌های NDVI و SR هر دو باعث از بین رفتن اطلاعات فضایی در چند طیفی شفاف شده ( MS ) می‌شوند.) باندها، و این از دست دادن اطلاعات مکانی ناشی از تبدیل VI مختص تصاویر Landsat 8 نبود (برای هر نوع تصویری رخ خواهد داد). BT، SFIM، و سایر روش‌های تشهه‌شکن مشابه که اطلاعات مکانی را از باند پانکروماتیک ( Pan ) با ضرب تزریق می‌کنند، پس از محاسبات VI، تمام اطلاعات مکانی تزریق‌شده را از دست می‌دهند. FIHS، AWT، و سایر روش‌های مشابه که اطلاعات مکانی را با اضافه کردن تزریق می‌کنند، برخی از اطلاعات مکانی را از Pan از دست می‌دهند.باند بعد از محاسبات VI نیز. با این وجود، برای تمام تصاویر VI تک‌تاریخ و چندتاریخ، تصاویر شفاف‌شده FIHS و AWT بیشتر شبیه داده‌های مرجع رزولوشن بالاتر نسبت به تصاویر VI بدون تیز بودند، که نشان می‌دهد شفاف‌سازی در کاهش مقیاس داده‌های VI مؤثر است. FIHS به بهترین وجه اطلاعات طیفی و فضایی تصاویر تک تاریخ و چند تاریخ VI را افزایش داد و به دنبال آن AWT قرار گرفت و مقادیر VI را به طور قابل توجهی بیش از حد یا کمتر از آن تخمین زد.
کلید واژه ها: 

تابه تیز کردن ; ادغام تصویر ; NDVI ; شاخص پوشش گیاهی ; لندست 8

 

 

1. مقدمه

شاخص های گیاهی (VIs) مشتق شده از تصاویر ماهواره ای منبع داده مفیدی برای بسیاری از مطالعات کشاورزی، زیست محیطی و آب و هوا هستند. VIs به طور گسترده برای تخمین از راه دور زیست توده روی زمین [ 1 ]، شاخص سطح برگ [ 2 ]، کسری از تشعشعات فعال فتوسنتزی [ 3 ]، بهره وری اولیه خالص [ 4 ]، عملکرد محصول [ 5 ]، پوشش گیاهی سبز کسری استفاده شده است. [ 6 ، 7]، و بسیاری دیگر از پارامترهای مهم پوشش گیاهی برای مدل های کشاورزی، اکولوژیکی و اقلیم. داده‌های VI با وضوح بالا به‌ویژه برای نظارت بر مزارع کوچک کشاورزی/لکه‌های کوچک پوشش گیاهی (برای کاهش تعداد پیکسل‌های مخلوط در امتداد مرزهای مزرعه یا لکه‌ها)، برای نظارت بر تنوع زیرزمینی/زیر لکه‌ها در پوشش گیاهی (به عنوان مثال، شناسایی مناطق استرس پوشش گیاهی، بیماری یا آسیب فیزیکی) و برای تشخیص تغییرات در مقیاس ریز در پوشش گیاهی در طول زمان. با این حال، تصاویر ماهواره ای با وضوح مکانی بالا (به عنوان مثال، حدود 10 متر یا ظریف تر) معمولاً فقط از ماهواره های تجاری (مثلاً RapidEye یا WorldView-2) در دسترس است و برای تجزیه و تحلیل چند زمانی یا نظارت بر مناطق بزرگ می تواند گران باشد. از سوی دیگر، تصاویر ماهواره ای با وضوح متوسط ​​(حدود 10 متر یا درشت تر)، می توانند نسبتاً ارزان یا حتی رایگان باشند. داده لندست رایج ترین داده با وضوح متوسط ​​رایگان در سراسر جهان است و جدیدترین ماهواره این سری، لندست 8، دارای باند پانکروماتیک ( پان ) با وضوح فضایی 15 متر، هشت باند مادون قرمز موج کوتاه قابل مشاهده با وضوح فضایی است. 30 متر، و دو باند حرارتی مادون قرمز با وضوح فضایی 100 متر [ 8 ].
Pansharpening وضوح فضایی باندهای تصویر چندطیفی ( MS ) را با استفاده از اطلاعات فضایی استخراج شده از باند Pan با وضوح بالاتر افزایش می دهد و این به قیمت تحریف اطلاعات طیفی است [ 9 ]. برای تصاویر Landsat 8، pansharpening می تواند وضوح باندهای MS 30 متری را به 15 متر (در تئوری) یا نزدیک به 15 متر (در عمل) افزایش دهد. Pansharpening عمدتاً برای اهداف تجسم استفاده می شود ( به عنوان مثال ، اجازه می دهد تا جزئیات دقیق تری در تصاویر MS مشاهده شود )، اما همچنین برای تقسیم بندی تصویر [ 10 ، 11 ]، طبقه بندی تصویر [ 12 ، 13 ] مفید است.، 14 ] و تشخیص تغییر پوشش زمین [ 15 ]. از آنجایی که pansharpening می تواند وضوح باندهای MS را بهبود بخشد، باید وضوح تصاویر VI مشتق شده از این باندها را نیز بهبود بخشد. با این حال، هیچ مطالعه ای به طور خاص بر روی اثرات pansharpening بر روی تصاویر VI متمرکز نشده است. VIها شامل دگرگونی‌های تصویری بیشتر باندهای تصویر شفاف‌شده است که می‌تواند تأثیرات بیشتری بر کیفیت طیفی و فضایی آنها داشته باشد، بنابراین ارزیابی اثراتی که این تبدیل‌های بیشتر بر تصاویر شفاف‌شده دارند ضروری است. علاوه بر این، از آنجایی که داده های VI چند زمانی کاربردهای مهم زیادی دارند، به عنوان مثال، برای نظارت بر فنولوژی پوشش گیاهی [ 16 ، 17 ] یا تغییر کاربری زمین/پوشش زمین [ 18 ]]، همچنین لازم است تا تأثیرات پانشارپنینگ بر روی داده های VI چند زمانی را آزمایش کنیم. یکی از سؤالات مهمی که باید به طور خاص به آن پرداخته شود این است که آیا ترجیح داده می شود از تصاویر MS شفاف یا اصلی (تصویر نشده) برای تجزیه و تحلیل VI تک تاریخ و چند زمانی استفاده شود.
بسیاری از VIها به اطلاعات طیفی در مناطق مادون قرمز نزدیک (NIR) و طول موج قرمز نیاز دارند. برای مثال، شاخص گیاهی تفاوت عادی شده (NDVI) [ 19 ] و نسبت ساده (SR) [ 20 ]، دو VI محبوب، با استفاده از اطلاعات موجود در یک NIR و یک باند طیفی قرمز محاسبه می‌شوند. برای Landsat 8، باند 4 (0.64-0.67 میکرومتر) در ناحیه طول موج قرمز و باند 5 (0.85-0.88 میکرومتر) در ناحیه طول موج NIR قرار دارد. باند پانکروماتیک 15 متری (باند 8) دارای طول موج 0.50-0.68 میکرومتر است که آن را در مناطق طیفی آبی، سبز و قرمز اما خارج از ناحیه NIR قرار می دهد . برخی از مطالعات گذشته از تصاویر Landsat برای کاهش مقیاس فضایی داده‌های MODIS VI با وضوح 250 متر استفاده کرده‌اند [ 21 ، 22] با بهره‌گیری از دامنه‌های طیفی مشابه باندهای چندطیفی Landsat و MODIS، اما هیچ‌کدام تلاش نکرده‌اند تا داده‌های Landsat 8 VI را با استفاده از باند پان با وضوح بالا ماهواره کاهش دهند.
این مطالعه اثرات برخی از روش‌های متداول پان تیز کردن را بر روی کیفیت فضایی و طیفی دو VI-NDVI و SR- مشتق‌شده از باندهای طیفی Landsat 8 ارزیابی کرد. چهار روش تیز کردن سریع – اشباع با شدت – رنگ – سریع (FIHS) [ 23 ]، تبدیل برووی (BT) [ 24 ]، تبدیل موجک افزایشی (AWT) [ 25 ]، و مدولاسیون شدت مبتنی بر فیلتر صاف کردن (SFIM) [ 26 ]]- آزمایش شدند زیرا سرعت آنها برای پردازش حجم زیادی از داده های Landsat برای تجزیه و تحلیل چند زمانی و/یا نظارت بر مناطق جغرافیایی بزرگ مناسب است. اثرات pansharpening بر روی تصاویر تک تاریخ VI و یک تصویر تغییر VI چند زمانی آزمایش شد. اهمیت اصلی این مطالعه این است که اولین باری است که اثرات pansharpening را بر روی Landsat 8 VIs و اولین باری است که اثرات pansharpening را بر روی تجزیه و تحلیل چند زمانی تصاویر VI آزمایش می کند.

2. الگوریتم های سریع پانشارپنینگ

الگوریتم pansharpening FIHS به دلیل سرعت، سهولت اجرا و درجه بالایی از افزایش فضایی شناخته شده است [ 27 ]. توسط:

MS زیاد = MS کم + δ

که در آن MS high نوار MS تیز شده است، MS low باند MS اصلی است، δ = (Pan – I)، و I یک تصویر Intensity است که از باندهای MS مشتق شده است. تصویر I به عنوان یک تصویر شبیه سازی شده از باند Pan در وضوح فضایی باندهای MS در نظر گرفته شده است. جزئیات فضایی از Pan با کم کردن باند I با وضوح کمتر از باند Pan با وضوح بالاتر به دست می آید . سپس FIHS مستقیماً این جزئیات فضایی را به هر باند MS اضافه می کند.

BT، یکی دیگر از روش‌های تیز کردن سریع و آسان، جزئیات فضایی را با ضرب از Pan تزریق می‌کند. BT توسط:

Ijgi 03 00507 i001

برای نشان دادن تفاوت اصلی بین FIHS و BT، BT را می توان در یک فرم FIHS به صورت زیر بازنویسی کرد:

Ijgi 03 00507 i002

از این فرم بازنویسی شده، واضح است که تفاوت بین BT و FIHS در این است که BT شامل عبارت ( MS low / I ) است، که جزئیات فضایی اضافه شده از Pan را بر اساس مقادیر پیکسل در باند MS در حال تیز شدن عادی می کند.

از آنجایی که باند I در FIHS و BT با استفاده از باندهای MS محاسبه می شود ، ضعف اصلی آنها اعوجاج رنگ به دلیل عدم تطابق بین محدوده طیفی باند Pan و باندهای MS با وضوح پایین تر است که برای محاسبه I استفاده می شود [ 23 ]. اگر این عدم تطابق طیفی به طور مصنوعی تفاوت بین Pan و I را افزایش دهد ، اطلاعات بیش از حد از Pan به طور غیر ضروری به باندهای MS تزریق می شود و اگر به طور مصنوعی اختلاف بین Pan و I را کاهش دهد ، جزئیات کافی از Pan وجود ندارد.به باندهای ام اس تزریق خواهد شد . یک رویکرد رایج برای به حداقل رساندن عدم تطابق طیفی بین Pan و I ، تنظیم وزن باندهای MS مورد استفاده برای استخراج I است . اگرچه در الگوریتم FIHS معمولی، همه باندهای MS که با محدوده طیفی باند Pan همپوشانی دارند ، برابر فرض می‌شوند. وزن برای محاسبه I ، مطالعات گذشته نشان داده است که تنظیم وزن باند بر اساس پاسخ طیفی حسگرها [ 28 ]، از طریق آزمون و خطا [ 23 ]، یا با رگرسیون چند متغیره [ 29 ]] می تواند اعوجاج رنگ را بدون از دست دادن قابل توجه اطلاعات مکانی کاهش دهد. نقطه ضعف تکنیک‌های وزن‌دهی باند ویژه تصویر مانند رگرسیون چند متغیره این است که نیاز به پیش پردازش اضافی برای هر تصویر دارند، که ممکن است در صورت نیاز به تجزیه و تحلیل بسیاری از تصاویر، زمان پردازش را به میزان قابل توجهی افزایش دهد.
به غیر از روش‌های FIHS مانند پان تیز کردن، تعداد زیادی از الگوریتم‌های پان تیزکن دیگر وجود دارد. برای بررسی اخیر رایج‌ترین روش‌های تیز کردن، خوانندگان به مقاله دسترسی آزاد توسط Amro و همکاران مراجعه می‌کنند. [ 9 ]. به طور کلی، بسیاری از الگوریتم‌های موفق، اطلاعات چند رزولوشن را با تنزل باند Pan و (گاهی) باندهای MS به وضوح‌های پایین‌تر، ترکیب می‌کنند. AWT یکی از روش های محبوب با وضوح چندگانه با سرعتی مشابه FIHS و BT است. AWT ابتدا با تنزل تصویر Pan به وضوح باندهای MS با استفاده از فیلتر spline مکعبی B3 که در Nuñez و همکاران ارائه شده است، پیاده سازی می شود. [ 25]، و سپس با استفاده از معادله زیر که توسط Tu و همکارانش به شکل FIHS ارائه شده است، تصویر pansharpened را استخراج کنید. [ 27 ] به عنوان:

MS زیاد = MS کم + δ ‘

که در آن δ ‘ = ( Pan − Pan low ) و Pan low باند Pan تنزل یافته است. همانطور که در فرمول مشاهده می شود، AWT از نظر محاسباتی مشابه FIHS است، اما تصویر Pan low جایگزین تصویر I استفاده شده در FIHS می شود. AWT معمولاً تصاویری با کیفیت طیفی بالاتر نسبت به FIHS و BT تولید می کند زیرا از اعوجاج رنگی که توسط تصویر I ارائه می شود جلوگیری می کند ، اما کیفیت فضایی پایین تر را تولید می کند زیرا در عمل، تصویر Pan تخریب شده کاملاً با وضوح فضایی باندهای MS مطابقت ندارد [ 27 ]. ].

یکی دیگر از روش‌های تیز کردن سریع چند رزولوشن SFIM است. SFIM از یک فیلتر میانگین برای کاهش باند Pan استفاده می کند و شبیه BT است که اطلاعات مکانی را با ضرب به باندهای MS تزریق می کند. SFIM توسط

Ijgi 03 00507 i003

که در آن Pan’ low باند Pan با فیلتر متوسط ​​است. SFIM شبیه حالت «هوشمند» الگوریتم تیزکردن رنگ ابرکره ای (HCS) است که توسط Padwick و همکارانش پیشنهاد شده است. [ 30 ] و اخیراً در بسته نرم افزاری ERDAS Imagine پیاده سازی شده است، در حالی که BT شبیه حالت ساده HCS است [ 31 ]. اگرچه بسیاری از مطالعات اثرات FIHS، BT، AWT و SFIM را بر روی باندهای MS ارزیابی کرده اند (به عنوان مثال، [ 10 ، 25 ، 27 ، 31])، اثرات تبدیل VI بر روی باندهای pansharpened به طور دقیق بررسی نشده است. این نوع بررسی ضروری است زیرا VI ها بر کیفیت طیفی و فضایی باندهای تصویر شفاف شده تأثیر خواهند داشت.

3. اثرات Pansharpening بر افزایش فضایی تصاویر Pansharpened

NDVI رایج ترین VI در سنجش از دور است. با این حال، همانطور که در اینجا توضیح داده شد، فرمول NDVI افزایش فضایی ارائه شده توسط بسیاری از روش‌های تیز کردن را کاهش می‌دهد. برای نشان دادن این نکته، اولین مثال برای روش‌های تیز کردن داده می‌شود که اطلاعات مکانی را با ضرب تزریق می‌کنند، مانند BT و SFIM. همانطور که در رابطه (6) نشان داده شده است، افزایش فضایی BT (و در نتیجه سایر روش‌های تیز کردن که اطلاعات مکانی را با ضرب تزریق می‌کنند) به طور کامل توسط معادله NDVI لغو می‌شود. معادله ترکیبی برای به دست آوردن تصویر NDVI pansharpened BT ( بالا NDVI_BT ) توسط:

Ijgi 03 00507 i004

که در آن NIR low نوار NIR تیز نشده و R low نوار قرمز تیز نشده است. در معادله، عبارات ( Pan / I ) که برای پانشارپنینگ BT استفاده می‌شود، همگی باطل می‌شوند و در نتیجه همان تصویر NDVI با نوارهای تصویر غیرقابل تیز کردن ایجاد می‌شود. این در عمل نیز تأیید شد، زیرا تصاویر NDVI تولید شده از نوارهای تیز شده BT و SFIM با تصاویر NDVI تولید شده از باندهای MS تیز نشده مطابقت داشتند. برای روش‌های تیز کردن که اطلاعات مکانی را با افزودن تزریق می‌کنند، مانند FIHS و AWT، کیفیت فضایی نوارهای تیز شده نیز توسط NDVI کاهش می‌یابد. به عنوان مثال، معادله ترکیبی برای به دست آوردن تصویر NDVI pansharpened FIHS ( بالا NDVI_FIHS ) توسط:

Ijgi 03 00507 i005
در این مورد، درجه افزایش فضایی ( به عنوان مثال ، تغییر نسبی در NDVI پس از تیز کردن) بر اساس تفاوت بین NIR کم و R پایین متفاوت است. هنگامی که NIR کم = R پایین است، هیچ افزایش فضایی ناشی از تیز کردن وجود ندارد، و همانطور که تفاوت بین NIR کم و R پایین افزایش می‌یابد، درجه افزایش فضایی از δ نیز افزایش می‌یابد. این بدان معنی است که افزایش فضایی در مناطق پوشش گیاهی بیشتر خواهد بود زیرا NIR کم بسیار بیشتر از R پایین خواهد بود.. برای خاک لخت، زمین های ساخته شده و سایر پوشش های زمین که در آنها NIR کم و R پایین دارای مقادیر مشابه هستند، افزایش فضایی کمتر خواهد بود. شکل 1 نشان می دهد که چگونه افزایش فضایی به صورت غیر خطی بر اساس تفاوت نسبی بین NIR کم و R پایین ( یعنی NIR کم / R کم ) تغییر می کند .
Ijgi 03 00507 g001 1024
شکل 1. نمودار پراکندگی تفاوت نسبی بین NIR کم و R کم ، محاسبه شده توسط NIR کم / R پایین ، و تغییر نسبی در مقادیر NDVI ( به عنوان مثال ، افزایش فضایی) از pansharpening، محاسبه شده توسط |1 – NDVI کم / NDVI زیاد . |. مقادیر عددی در محور Y بر اساس مقدار δ تغییر خواهند کرد ، اما شکل پراکندگی تغییر نمی کند.
SR، از سوی دیگر، یک تبدیل نسبت غیر نرمال شده است، بنابراین تأثیر آن بر کیفیت فضایی تا حدودی با NDVI و سایر تبدیل‌های نرمال شده متفاوت است. برای روش‌های BT، SFIM، و سایر روش‌هایی که اطلاعات مکانی را با ضرب تزریق می‌کنند، همچنان که در رابطه (8) ثابت شده است، افزایش فضایی ناشی از پان‌شارپنینگ کاملاً لغو می‌شود. همانطور که در معادله (9) نشان داده شده است، برای FIHS، AWT، و سایر روش‌های افزایشی، هم صورت و هم مخرج اطلاعات MS را حفظ می‌کنند، بنابراین مقداری بهبود فضایی همچنان رخ می‌دهد. از آنجایی که BT و SFIM پس از محاسبات NDVI و SR هیچ افزایش فضایی نداشتند، بقیه این مطالعه فقط بر روی FIHS و AWT متمرکز است.
Ijgi 03 00507 i006
Ijgi 03 00507 i007
شکل 2 نشان می دهد که یک رابطه خطی بین درجه افزایش فضایی و تفاوت نسبی بین NIR کم و R پایین وجود دارد. این بر خلاف رابطه غیر خطی برای NDVI است. برای NDVI، بهبود فضایی بالاتر از SR شروع می‌شود (زمانی که NIR کم و R پایین تقریباً مشابه هستند)، اما سطوح پایین‌تر از NIR پایین نسبت به R پایین بسیار بزرگ می‌شوند.، در حالی که برای SR درجه افزایش فضایی همچنان افزایش می یابد. بنابراین NDVI برای افزایش فضایی در مناطق کمتر پوشش گیاهی موثرتر از SR خواهد بود، در حالی که SR در افزایش وضوح مناطق بسیار با پوشش گیاهی موثرتر خواهد بود. با اصلاح δ و اندازه‌گیری تغییرات نسبی در مقادیر NDVI و SR، مشخص شد که SR معمولاً افزایش فضایی بالاتری دارد ( یعنی تغییر نسبی بیشتر در مقادیر VI) نسبت به NDVI زمانی که مقدار NIR پایین بیش از دو تا سه برابر بیشتر است. از R کم است.
Ijgi 03 00507 g002 1024
شکل 2. نمودار پراکندگی تفاوت نسبی بین NIR low و R low ، محاسبه شده توسط NIR low / R low ، و تغییر نسبی در مقادیر نسبت ساده (SR) ( به عنوان مثال ، افزایش فضایی) از pansharpening، محاسبه شده توسط |1 – SR. کم / SR زیاد |. مقادیر عددی در محور Y بر اساس مقدار δ تغییر خواهند کرد ، اما شکل پراکندگی تغییر نمی کند.

4. روش ها

4.1. حوزه و داده های مطالعه

یک منطقه کشاورزی متنوع در Tha Khoei، تایلند متشکل از بسیاری از مزارع کوچک، برای تجزیه و تحلیل اثرات pansharpening بر روی تصاویر NDVI و SR انتخاب شد. دو تصویر تصحیح شده زمین (سطح 1T) Landsat 8 از منطقه مورد مطالعه از وب سایت EarthExplorer سرویس زمین شناسی ایالات متحده دانلود شد [ 32 ]. اولین تصویر از منطقه مورد مطالعه در 29 می 2013 و تصویر دوم در 5 نوامبر 2013 به دست آمد. همانطور که در شکل 3 مشاهده می شود.تغییرات زیادی پوشش گیاهی در منطقه مورد مطالعه بین دو تاریخ تصویر رخ داده است که آن را به مکان آزمایشی خوبی برای نظارت بر تغییرات VI تبدیل کرده است. برای این مطالعه، مهم نبود که آیا تغییرات در مقادیر VI به دلیل فنولوژی پوشش گیاهی، کاشت/رشد/برداشت محصول، تغییر پوشش زمین، یا عوامل دیگر (مثلاً اثرات جوی) باشد، زیرا هدف صرفاً تعیین چگونگی تأثیر تیز کردن بود. تشخیص تغییرات در مقادیر VI مقادیر پیکسلی عدد دیجیتال خام (DN) باندهای MS و Pan برای جلوگیری از ایجاد هرگونه نویز ناشی از تصحیح اتمسفر استفاده شد، اما در عمل، تصحیح اتمسفر معمولاً قبل از تجزیه و تحلیل چند زمانی اعمال می‌شود.
Ijgi 03 00507 g003 1024
شکل 3. تصاویر مادون قرمز رنگی Landsat 8 که در 29 مه 2013 ( a ) و 5 نوامبر 2013 ( b ) به دست آمدند. رنگ‌های قرمز، سبز و آبی با باند 5، باند 4 و نوار 3 مطابقت دارند. مستطیل زرد مکان نقشه‌های داخلی را در بخش 5.3 نشان می‌دهد .

4.2. تیز کردن تصویر

برای FIHS، نوارهای 2، 3، 4 و 5 تصویر Landsat با استفاده از رابطه 1 تیز شدند. وزن باند برای باندهای MS مورد استفاده برای محاسبه I ( یعنی باندهای 2، 3 و 4) بر اساس پاسخ های طیفی تعیین شد. باندهای Pan و MS Landsat 8 ، به دست آمده از [ 33 ]. وزن نوار آبی (باند 2) 0.08، نوار سبز (باند 3) 0.54 و نوار قرمز (باند 4) 0.38 محاسبه شد. با استفاده از این وزن ها، من به دست آمدم:

I = باند 2 × 0.08 + باند 3 × 0.54 + باند 4 × 0.38

من برای به حداقل رساندن پیش پردازش به این شکل محاسبه شده‌ام، زیرا همان وزن‌های باند را می‌توان برای هر تصویر Landsat 8 اعمال کرد.

برای AWT، باندهای لندست 4 و 5 با استفاده از رابطه (4) تیز شدند. از آنجایی که فقط این دو باند تصویر، که برای محاسبات NDVI و SR مورد نیاز است، باید با AWT شارپن شوند (FIHS به دو باند MS دیگر که با باند Pan همپوشانی دارند نیز نیاز دارد که شفاف شوند)، AWT برای استخراج pansharpened کارآمدتر از FIHS است. تصاویر NDVI و SR.
تمام الگوریتم‌های pansharpening و محاسبات VI در نرم‌افزار ESRI ArcGIS 10 با استفاده از جعبه ابزار ArcGIS سفارشی، که برای دانلود در [ 34 ] در دسترس است، پیاده‌سازی شدند.

4.3. ارزیابی کمی تصاویر Pansharpened VI

برای ارزیابی کیفیت طیفی تصاویر VI pansharpened، قبل از پان‌شارپن کردن، باند Pan برای هر تاریخ تصویر از 15 متر به 30 متر تفکیک فضایی و باندهای MS از 30 متر به 60 متر با استفاده از فیلتر اسپلاین مکعبی در بخش کاهش یافت. 2 . از آنجایی که نشان داده شده است که این روش فیلتر کردن در شبیه سازی تصاویر با وضوح کمتر [ 25 ] کاملاً مؤثر است، نباید تأثیر عمده ای بر نتایج مطالعه داشته باشد [ 35 ]. برای چند نمونه از فیلترهای مناسب دیگر و بحث بیشتر در مورد اثرات فیلتر بر ارزیابی های کمی، خوانندگان به [ 35 ] مراجعه می کنند. MS 60 متری تخریب شدهنوارها تا عمق 30 متری (با استفاده از باند پان 30 متری تخریب شده ) و برای استخراج تصاویر VI مورد استفاده قرار گرفتند، و این تصاویر VI pansharpened با تصاویر مرجع VI مقایسه شدند که با استخراج تصاویر VI از MS اصلی (تجزیه نشده) 30 متری تولید شدند. باندها چهار معیار برای ارزیابی کیفیت تصاویر VI pansharpened استفاده شد: تعصب [ 35 ]، ضریب همبستگی (CC) [ 35 ]، میانگین خطای میانگین (MAE) و ریشه میانگین مربع خطا (RMSE) [ 35 ]]. از آنجایی که خطاها در تخمین های NDVI همگی بین 1000- تا 1000 بودند (و بسیاری از آنها برای SR نیز بودند)، مقادیر خطا قبل از محاسبه RMSE در 1000 ضرب شد (زیرا مربع کردن خطاها در واقع آنها را برای مقادیر بین 1000- تا 1000- کاهش می دهد). . پس از محاسبه RMSE، مقادیر مجدداً بر 1000 تقسیم شدند تا دوباره به مقادیر معنی دار VI تبدیل شوند.
از میان معیارها، Bias فقط به تفاوت در مقادیر میانگین تصاویر مرجع و شفاف حساس است، در حالی که CC تنها به همبستگی بین تصاویر حساس است (و نسبت به بایاس ثابت حساس نیست)، و MAE و RMSE میانگین در هر تصویر را ارائه می‌کنند. تخمین خطای پیکسل برای تعیین اینکه آیا تصاویر VI pansharpened یا تصاویر 60 m VI غیر تیز شباهت بیشتری به تصاویر مرجع 30 m VI دارند یا خیر، معیارها برای تصاویر 60 m VI بدون تیز محاسبه شد. برای اینکه pansharpening برای کاهش مقیاس داده های VI مفید در نظر گرفته شود، تصاویر pansharpened VI باید بیشتر شبیه تصاویر مرجع VI باشند.
کیفیت VI چند زمانی با محاسبه Bias، CC، MAE، و RMSE برای یک تصویر تغییر NDVI و SR اندازه‌گیری شد. تفاضل VI یک روش ساده اما مفید برای نظارت بر تغییرات در مقادیر VI است [ 36 ]، بنابراین تصاویر تفاوت VI، که از تفریق مقادیر VI در تصویر نوامبر از مقادیر VI در تصویر ماه می به دست می‌آیند، برای ارزیابی اثر pansharpening استفاده شدند. در تجزیه و تحلیل چند زمانی VI. تصاویر مرجع VI Difference از تصاویر اصلی NDVI و SR 30 متری مشتق شده اند. برای مقایسه، تصاویر VI Difference نیز از تصاویر تیز نشده 60 متر VI مشتق شدند. با مقایسه کیفیت تصاویر VI Difference pansharpened و unsharpened، می توان تعیین کرد که آیا pansharpening در کاهش مقیاس داده های VI چند زمانی موثر بوده است یا خیر.

5. نتایج و بحث

5.1. ارزیابی کمی تصاویر Pansharpened VI

برای اطمینان از مناسب بودن وزن باند مورد استفاده برای استخراج تصویر I (برای FIHS)، مقادیر میانگین باندهای I و Pan و همچنین همبستگی بین δ و NDVI مقایسه شد. منطق مقایسه مقادیر میانگین این است که اگر اعوجاج طیفی جهانی کمی بین Pan و I وجود داشته باشد، میانگین باندهای Pan و I باید بسیار مشابه باشند . علاوه بر این، از آنجایی که درجه عدم تطابق طیفی بین Pan و I ممکن است برای پوشش گیاهی و پوشش زمین غیر گیاهی در صورت استفاده از وزن نوار نامناسب متفاوت باشد [ 23 ]]، لازم است تأیید شود که این اتفاق نمی افتد. برای آزمایش تنوع در عدم تطابق طیفی، همبستگی بین δ و NDVI با استفاده از R2 ارزیابی شد . اگر عدم تطابق بین Pan و I در تمام مقادیر NDVI سازگار باشد (نتیجه مطلوب) δ نباید با NDVI مرتبط باشد . برای تصویر ماه می، مقدار میانگین تصویر Pan 10108 و میانگین تصویر I 10226 (تفاوت 1٪) و برای تصویر نوامبر، میانگین تصویر Pan 8751 و میانگین I بود.تصویر 8849 بود (همچنین اختلاف 1٪) که نشان می دهد عدم تطابق طیفی جهانی بین Pan و I وجود دارد. همانطور که در شکل 4 نشان داده شده است ، در تصویر می، همبستگی بین δ و NDVI که با R 2 اندازه گیری شد ، 0.017 و برای تصویر نوامبر، همبستگی بین δ و NDVI 0.004 بود. بنابراین برای هر دو تصویر، عدم تطابق طیفی بین پان و من بر اساس پوشش زمین متفاوت نیست. این نتایج نشان می‌دهد که وزن‌های باند مورد استفاده برای I برای هر دو تصویر منطقه مورد مطالعه مناسب هستند و نشان می‌دهند که ممکن است برای سایر تصاویر Landsat 8 مناسب باشند.
Ijgi 03 00507 g004 1024
شکل 4. نمودارهای پراکنده δ و NDVI برای تصاویر لندست می ( a ) و نوامبر ( b ). δ = ( Pan – Intensity ). R2 پایین نشان می دهد که درجه عدم تطابق طیفی بین تصاویر Pan و Intensity بر اساس پوشش زمین متفاوت نیست.

5.2. کیفیت طیفی تصاویر Pansharpened VI

نتایج برای تصاویر NDVI تک تاریخ، ارائه شده در جدول 1 ، نشان می دهد که نه FIHS و نه AWT یک سوگیری قابل توجه در مقادیر NDVI معرفی نکرده اند. بنابراین آنها نباید منجر به تخمین بیش از حد یا کمتر از حد ثابت پارامترهای پوشش گیاهی شوند (به عنوان مثال، زیست توده در سطح زمین، شاخص سطح برگ، عملکرد و غیره ).). از نظر سایر معیارها، FIHS دارای بالاترین CC (0.963)، کمترین MAE (0.022) و کمترین RMSE (0.031) برای تاریخ تصویر ماه مه است و پس از آن AWT (CC = 0.955، MAE = 0.025، RMSE = 0.034) قرار دارد. و در نهایت تصویر شفاف نشده (CC = 0.946، MAE = 0.027، RMSE = 0.037). برای تصویر نوامبر، CC، MAE، و RMSE FIHS (0.953، 0.021، و 0.029) و AWT (0.954، 0.021، و 0.030) مشابه بودند و کمی بهتر از تصویر NDVI تیز نشده (0.952، 0.952، و 0.030). تأثیر کمتر پان‌شارپنینگ بر روی تصویر نوامبر به دلیل همگنی طیفی بالاتر پوشش زمین در آن تاریخ بود که میزان اطلاعات مکانی تزریق شده از Pan به باندهای MS را کاهش داد. همانطور که در شکل 3 نشان داده شده است، تصویر ماه می حاوی مخلوطی از مزارع تازه کاشته شده با خاک لخت بود، در حالی که تصویر نوامبر شامل مزارع کاملاً سبز و خاک کمتر لخت بود. انحراف استاندارد بالاتر تصویر NDVI مرجع می (0.110) نسبت به تصویر نوامبر (0.095) همگنی بالاتر مقادیر VI را در تصویر نوامبر تأیید کرد.
جدول
جدول 1. تعصب، ضریب همبستگی (CC)، میانگین میانگین خطا (MAE) و ریشه میانگین مربعات خطا (RMSE) تصاویر NDVI تک تاریخ و تصویر تفاوت NDVI. FIHS، تصاویر تشدید شده با شدت سریع-رنگ-اشباع. AWT، تبدیل موجک افزودنی تصاویر شفاف شده. تصاویر 60 متری، وضوح 60 متری تیز نشده.
نتایج برای تصاویر SR تک تاریخ، ارائه شده در جدول 2 ، مشابه نتایج برای تصاویر NDVI بود. FIHS شبیه‌ترین تصاویر SR را با داده‌های SR مرجع، به دنبال آن AWT و در نهایت تصاویر SR 60 متری بدون تیز کردن تولید کرد. بهبود در تصاویر pansharpened مجدداً در تصویر ماه مه نسبت به تصویر نوامبر به دلیل درجه ناهمگنی بالاتر در تصویر ماه مه چشمگیرتر بود. شکل 5 نقشه ای از مقادیر RMSE را برای تصویر May SR نشان می دهد تا نمونه ای از توزیع مکانی خطاها در مقادیر VI ارائه شود. نقشه RMSE تصویر SR تیز نشده در شکل 5 d بسیار شبیه به نقشه های RMSE تصاویر SR شفاف نشده در شکل 5 است.b,c، با خطاهای زیاد برای ویژگی های خطی و سایر ویژگی های کوچک و کم برای مناطق همگن تر. این شباهت بین نقشه‌های RMSE نشان می‌دهد که خطاها عمدتاً به دلیل کیفیت فضایی پایین‌تر تصاویر pansharpened نسبت به تصویر مرجع بوده است (که باعث می‌شود VI در مناطق کوچک و با پوشش گیاهی زیاد دست کم گرفته شود و در مناطق کوچک با پوشش گیاهی کم بیش از حد برآورد شود). و نه به دلیل معرفی خطاهای جدید قابل توجه در مقادیر VI از pansharpening. یک منطقه از نقشه در شکل 5 برای نشان دادن مقادیر RMSE پایین برای یک مزرعه باریک کاشته شده در تصاویر تراشیده شده برجسته شده است.
جدول
جدول 2. تعصب، ضریب همبستگی (CC)، میانگین میانگین خطا (MAE) و ریشه میانگین مربعات خطا (RMSE) تصاویر نسبت ساده تک تاریخ (SR) و تصویر تفاوت SR.
نتایج مربوط به تصاویر تفاوت NDVI و تفاوت SR نیز به ترتیب در جدول 1 و جدول 2 آورده شده است. نتایج برای تصاویر VI Difference با نتایج مربوط به تصاویر تک تاریخ مطابقت داشت. به عنوان مثال، برای هر دو تصویر تفاوت NDVI و SR، FIHS مشابه ترین نتایج را با مجموعه داده مرجع (به عنوان مثال ، کمترین سوگیری، MAE، RMSE و بالاترین CC) تولید کرد، که نشان می‌دهد این روش مفیدترین روش شفاف‌سازی برای استخراج بالاتر است. وضوح تصاویر VI چند زمانی. AWT همچنین تصاویر مشابه VI Difference را با داده های مرجع نسبت به تصاویر 60 متری تیز نشده تولید می کند، که نشان می دهد pansharpening می تواند برای کوچک کردن داده های VI چند زمانی مفید باشد.
Ijgi 03 00507 g005 1024
شکل 5. تصویر May SR ( a ) و نقشه های RMSE از FIHS ( b ) AWT ( c ) و تصاویر SR تیز نشده ( d ). پیکسل های روشن تر در (b-d) مقادیر RMSE بالاتر را نشان می دهد. مستطیل زرد یک مزرعه کاشته شده طولانی و باریک با مقادیر RMSE کمتر در تصویر (b) تیز شده (و مقادیر RMSE کمی پایین تر در (c)) نسبت به تصویر بدون تیز (d) نشان می دهد.

5.3. کیفیت فضایی تصاویر Pansharpened VI

برای ارائه ایده ای از کیفیت فضایی تصاویر NDVI و SR پانشارپن شده، شکل 6 زیرمجموعه هایی از تصاویر pansharpened، unsharpened و مرجع را برای تاریخ تصویر ماه مه نشان می دهد، و شکل 7 زیر مجموعه هایی از pansharpened، unsharpened و مرجع VI تفاوت را نشان می دهد. تصاویر. در شکل 6 و شکل 7 ، واضح است که FIHS جزئیات فضایی تصاویر VI را به بهترین وجه افزایش داده است. با این حال، همانطور که در بخش 3 توضیح داده شد ، همه تصاویر pansharpened کیفیت فضایی پایین تری نسبت به تصاویر مرجع دارند، زیرا معادلات VI منجر به از دست دادن افزایش فضایی در نوارهای pansharpened شده است. برای ارائه ایده ای از کیفیت فضایی واقعی تصاویر VI مشتق شده از FIHS در مقیاس کامل (به عنوان مثال ، از تراشیدن باندهای MS 30 متری اصلی تا 15 متر و سپس استخراج VIs)، شکل 8 تصاویر NDVI و SR را برای تاریخ تصویر ماه می نشان می‌دهد.
Ijgi 03 00507 g006 1024
شکل 6. تصاویر مرجع ( a )، FIHS ( b )، AWT ( c )، و تیز نشده ( d ) تصاویر NDVI. مرجع ( e )، FIHS ( f )، AWT ( g )، و تصاویر SR تیز نشده ( h ) برای تاریخ تصویر ماه می. پیکسل های روشن تر مقادیر VI بالاتر را نشان می دهد (به عنوان مثال ، پوشش گیاهی سبز بیشتر).
Ijgi 03 00507 g007 1024
شکل 7. مرجع ( a )، FIHS ( b )، AWT ( c )، و تیز نشده ( d ) تصاویر تفاوت NDVI. مرجع ( e )، FIHS ( f )، AWT ( g )، و تیز نشده ( h ) تصاویر تفاوت SR. تصاویر تفاوت با کم کردن مقادیر پیکسل در تصویر نوامبر از تصاویر موجود در تصویر ماه می بدست آمدند. پیکسل‌های روشن‌تر نشان‌دهنده افزایش مقادیر VI (به عنوان مثال ، افزایش پوشش گیاهی سبز) از ماه می تا نوامبر، پیکسل‌های تیره‌تر نشان‌دهنده کاهش مقادیر VI (به عنوان مثال ، کاهش پوشش گیاهی سبز) است.
Ijgi 03 00507 g008 1024
شکل 8. تصویر NDVI با وضوح 30 متر ( a ) و تصویر NDVI 15 متر که از نوارهای FIHS pansharpened ( b ) به دست آمده است. تصویر SR با وضوح 30 متر ( c ) و تصویر 15 متر SR مشتق شده از نوارهای FIHS pansharpened ( d ). تصاویر مربوط به تاریخ تصویر اردیبهشت هستند. پیکسل های روشن تر مقادیر VI بالاتر را نشان می دهد (به عنوان مثال ، پوشش گیاهی سبز بیشتر).

5.4. ملاحظات آینده برای شفاف کردن تصاویر VI

به دلیل از بین رفتن برخی بهبودهای فضایی در باندهای MS pansharpened ناشی از NDVI، SR، و سایر VIهای مشابه، ممکن است لازم باشد در صورت تمایل به کیفیت فضایی بالاتر، روشی که در آن تصاویر VI شفاف می‌شوند بازنگری شود. به عنوان مثال، به جای استفاده از رویکردی که ابتدا نوارهای MS را تیز می کند و سپس تصویر VI را از باندهای MS تشدید شده استخراج می کند (که منجر به از دست رفتن برخی اطلاعات مکانی می شود)، ممکن است ترجیح داده شود که ابتدا تصویر VI از باندهای MS تیز نشده استخراج شود. و سپس این تصویر VI را شفاف کنید. برای این نوع شفاف‌سازی، روش‌های ادغام تصویر برای ادغام تصویر چند سنسوری مناسب هستند (مثلاً ادغام تصاویر نوری و حرارتی، تصاویر نوری و مایکروویو و غیره ).) مانند Ehlers Fusion [ 37 ] ممکن است عملکرد بهتری داشته باشد زیرا مقادیر پیکسل در تصاویر Pan و VI نشان دهنده انواع مختلفی از اطلاعات هستند (به ترتیب بازتاب نور مرئی و فراوانی پوشش گیاهی). روش‌های تیزکن آماری [ 38 ] یا زمین‌آماری [ 39 ] نیز ممکن است برای این نوع تیز کردن مناسب‌تر باشند.

6. نتیجه گیری

این مطالعه به بررسی اثرات تیز کردن بر روی تصاویر شاخص گیاهی (VI) پرداخت. چهار روش پانشارپنینگ سریع برای کاهش مقیاس تصاویر VI مشتق شده از داده های Landsat 8 مورد آزمایش قرار گرفتند. برای Brovey Transform (BT) و Smoothing Intensity Modulation (SFIM)، دو روش pansharpening که اطلاعات مکانی را با ضرب به نوارهای چندطیفی تزریق می‌کنند، فرمول‌های شاخص گیاهی تفاوت نرمال شده (NDVI) و نسبت ساده (SR) همه را لغو کردند. افزایش فضایی به دست آمده با پان تیز کردن. برای شدت-رنگ-اشباع سریع (FIHS) و تبدیل موجک افزایشی (AWT)، دو روش شفاف‌سازی که اطلاعات فضایی را با اضافه کردن به باندهای چندطیفی تزریق می‌کنند، فرمول‌های NDVI و SR نیز منجر به از دست دادن افزایش فضایی شدند. با وجود این واقعیت، FIHS و AWT هر دو در کاهش مقیاس تصاویر VI تک‌تاریخ و چند زمانی مؤثر بودند، زیرا وضوح فضایی خود را بدون ایجاد اعوجاج قابل‌توجهی در مقادیر VI افزایش دادند. این نتایج نشان می‌دهد که ممکن است انجام عملیات تیز کردن قبل از محاسبات VI، به ویژه برای نظارت بر مزارع کوچک کشاورزی یا سایر تکه‌های کوچک پوشش گیاهی، مطلوب باشد. از بین دو روش pansharpening، FIHS به بهترین وجه توانست مقیاس تصاویر VI و تصاویر تغییر VI را کاهش دهد. تحقیقات آتی مورد نیاز است تا: (1) شناسایی روش‌های شفاف‌سازی که اطلاعات فضایی کمتری را از طریق محاسبات VI از دست می‌دهند، و/یا (2) شناسایی روش‌های جایگزین برای کاهش مقیاس تصاویر VI (مثلاً ادغام مستقیم تصویر VI تیز نشده با نوار پانکروماتیک). آنها وضوح فضایی خود را بدون ایجاد اعوجاج قابل توجهی در مقادیر VI افزایش دادند. این نتایج نشان می‌دهد که ممکن است انجام عملیات تیز کردن قبل از محاسبات VI، به ویژه برای نظارت بر مزارع کوچک کشاورزی یا سایر تکه‌های کوچک پوشش گیاهی، مطلوب باشد. از بین دو روش pansharpening، FIHS به بهترین وجه توانست مقیاس تصاویر VI و تصاویر تغییر VI را کاهش دهد. تحقیقات آتی مورد نیاز است تا: (1) شناسایی روش‌های شفاف‌سازی که اطلاعات فضایی کمتری را از طریق محاسبات VI از دست می‌دهند، و/یا (2) شناسایی روش‌های جایگزین برای کاهش مقیاس تصاویر VI (مثلاً ادغام مستقیم تصویر VI تیز نشده با نوار پانکروماتیک). آنها وضوح فضایی خود را بدون ایجاد اعوجاج قابل توجهی در مقادیر VI افزایش دادند. این نتایج نشان می‌دهد که ممکن است انجام عملیات تیز کردن قبل از محاسبات VI، به ویژه برای نظارت بر مزارع کوچک کشاورزی یا سایر تکه‌های کوچک پوشش گیاهی، مطلوب باشد. از بین دو روش pansharpening، FIHS به بهترین وجه توانست مقیاس تصاویر VI و تصاویر تغییر VI را کاهش دهد. تحقیقات آتی مورد نیاز است تا: (1) شناسایی روش‌های شفاف‌سازی که اطلاعات فضایی کمتری را از طریق محاسبات VI از دست می‌دهند، و/یا (2) شناسایی روش‌های جایگزین برای کاهش مقیاس تصاویر VI (مثلاً ادغام مستقیم تصویر VI تیز نشده با نوار پانکروماتیک). این نتایج نشان می‌دهد که ممکن است انجام عملیات تیز کردن قبل از محاسبات VI، به ویژه برای نظارت بر مزارع کوچک کشاورزی یا سایر تکه‌های کوچک پوشش گیاهی، مطلوب باشد. از بین دو روش pansharpening، FIHS به بهترین وجه توانست مقیاس تصاویر VI و تصاویر تغییر VI را کاهش دهد. تحقیقات آتی مورد نیاز است تا: (1) شناسایی روش‌های شفاف‌سازی که اطلاعات فضایی کمتری را از طریق محاسبات VI از دست می‌دهند، و/یا (2) شناسایی روش‌های جایگزین برای کاهش مقیاس تصاویر VI (مثلاً ادغام مستقیم تصویر VI تیز نشده با نوار پانکروماتیک). این نتایج نشان می‌دهد که ممکن است انجام عملیات تیز کردن قبل از محاسبات VI، به ویژه برای نظارت بر مزارع کوچک کشاورزی یا سایر تکه‌های کوچک پوشش گیاهی، مطلوب باشد. از بین دو روش pansharpening، FIHS به بهترین وجه توانست مقیاس تصاویر VI و تصاویر تغییر VI را کاهش دهد. تحقیقات آتی مورد نیاز است تا: (1) شناسایی روش‌های شفاف‌سازی که اطلاعات فضایی کمتری را از طریق محاسبات VI از دست می‌دهند، و/یا (2) شناسایی روش‌های جایگزین برای کاهش مقیاس تصاویر VI (مثلاً ادغام مستقیم تصویر VI تیز نشده با نوار پانکروماتیک).

منابع

  1. لو، دی. ماوزل، پ. بروندزیو، ای. موران، E. روابط بین پارامترهای توده جنگل و پاسخ های طیفی Landsat TM در حوضه آمازون برزیل. برای. Ecol. مدیریت 2004 ، 198 ، 149-167. [ Google Scholar ] [ CrossRef ]
  2. وانگ، کیو. آدیکو، س. تنهونن، جی. Granier, A. در مورد رابطه NDVI با شاخص سطح برگ در یک سایت جنگلی برگریز. سنسور از راه دور محیط. 2005 ، 94 ، 244-255. [ Google Scholar ]
  3. آسنر، GP; وسمن، کالیفرنیا؛ Schimel، DS ناهمگونی ساختار و عملکرد تاج ساوانا از طیف‌سنجی تصویربرداری و مدل‌سازی معکوس. Ecol. Appl. 1998 ، 8 ، 1022-1036. [ Google Scholar ] [ CrossRef ]
  4. گووارد، SN; تاکر، سی جی; رنگ، DG الگوهای پوشش گیاهی آمریکای شمالی با پرتو سنج با وضوح بسیار بالا پیشرفته NOAA-7 مشاهده شد. Vegetatio 1985 ، 64 ، 3-14. [ Google Scholar ] [ CrossRef ]
  5. سرانو، ال. فیللا، آی. Penuelas, J. سنجش از دور زیست توده و عملکرد گندم زمستانه تحت منابع مختلف نیتروژن. Crop Sci. 2000 ، 40 ، 723-731. [ Google Scholar ] [ CrossRef ]
  6. گاتمن، جی. Ignatov، A. کسر پوشش گیاهی سبز مشتق شده از ماهواره برای استفاده در مدل های عددی پیش بینی آب و هوا. Adv. Sp. Res. 1997 ، 19 ، 477-480. [ Google Scholar ] [ CrossRef ]
  7. جانسون، بی. تطیشی، ر. کوبایاشی، تی. سنجش از دور پوشش گیاهی سبز کسری با استفاده از اعضای انتهایی درون‌یابی فضایی. Remote Sens. 2012 , 4 , 2619–2634. [ Google Scholar ] [ CrossRef ]
  8. سوالات متداول در مورد ماموریت های Landsat. در دسترس آنلاین: http://landsat.usgs.gov/band_designations_landsat_satellites.php (در 26 مارس 2014 قابل دسترسی است).
  9. امرو، آی. متئوس، جی. وگا، م. مولینا، ر. Katsaggelos، AK بررسی روش‌های کلاسیک و روندهای جدید در شفاف‌سازی تصاویر چند طیفی. EURASIP J. Adv. فرآیند سیگنال 2011 ، 79 ، 1-22. [ Google Scholar ]
  10. جانسون، کارشناسی; تطیشی، ر. Hoan، NT تصویر ماهواره ای با استفاده از روش ترکیبی برای تجزیه و تحلیل تصویر مبتنی بر شی. ISPRS Int. J. GeoInf. 2012 ، 1 ، 228-241. [ Google Scholar ] [ CrossRef ]
  11. جانسون، کارشناسی; تطیشی، ر. Hoan, NT یک رویکرد تیز کردن ترکیبی و تجزیه و تحلیل تصویر مبتنی بر شی چند مقیاسی برای نقشه برداری درختان کاج و بلوط بیمار. بین المللی J. Remote Sens. 2013 ، 34 ، 6969-6982. [ Google Scholar ] [ CrossRef ]
  12. پالسون، اف. Sveinsson، JR; بندیکتسون، جی. Aanaes, H. طبقه‌بندی تصاویر ماهواره‌ای شهری شفاف. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2012 ، 5 ، 281-297. [ Google Scholar ] [ CrossRef ]
  13. Colditz، RR; ورمن، تی. باخمن، ام. استاینوچر، ک. اشمیت، ام. استرونز، جی. Dech, S. تأثیر رویکردهای ترکیب تصویر بر دقت طبقه بندی: مطالعه موردی. بین المللی J. Remote Sens. 2006 ، 27 ، 3311-3335. [ Google Scholar ] [ CrossRef ]
  14. Shackelford، AK; دیویس، CH یک رویکرد طبقه‌بندی فازی سلسله مراتبی برای داده‌های چند طیفی با وضوح بالا در مناطق شهری. IEEE Trans. Geosci. Remote Sens. 2003 , 41 , 1920-1932. [ Google Scholar ] [ CrossRef ]
  15. بوولو، اف. بروزون، ال. کاپوبیانکو، ال. گارزلی، ع. مارکسی، اس. Nencini، F. تجزیه و تحلیل اثرات pansharpening در تشخیص تغییر در تصاویر VHR. IEEE Geosci. سنسور از راه دور Lett. 2010 ، 7 ، 53-57. [ Google Scholar ] [ CrossRef ]
  16. بردلی، کارشناسی; جیکوب، RW; هرمانس، ج.اف. خردل، JF یک روش برازش منحنی برای استخراج فنولوژی های بین سالانه از سری های زمانی داده های ماهواره ای پر سر و صدا NDVI. سنسور از راه دور محیط. 2007 ، 106 ، 137-145. [ Google Scholar ] [ CrossRef ]
  17. وینا، ا. Gitelson، AA; راندکوئیست، دی سی; کیدان، GP; Leavitt، B. پایش فنولوژی ذرت ( Zea mays L.) با سنجش از دور. آگرون. J. 2004 ، 94 ، 1139-1147. [ Google Scholar ]
  18. Lunetta، RS; نایت، جی اف. ادیریویکرما، جی. لیون، جی جی. Dorsey، LD تشخیص تغییر پوشش زمین با استفاده از داده های MODIS NDVI چند زمانی. سنسور از راه دور محیط. 2006 ، 105 ، 142-154. [ Google Scholar ] [ CrossRef ]
  19. Rouse, JW; هاس، RH; شل، JA; Deering، DW نظارت بر سیستم های پوشش گیاهی در دشت های بزرگ با ERTS. در مجموعه مقالات Third Earth Resources Technology Satellite-1 Symposium, Washington, DC, USA, 10-14 دسامبر 1974; جلد 1، ص 48-62.
  20. تولد، GS; McVey, G. اندازه گیری رنگ چمن در حال رشد با طیف سنج بازتابی. آگرون. J. 1968 , 60 , 640-643. [ Google Scholar ] [ CrossRef ]
  21. حسن، ق.ک. بورک، CP-A. منگ، F.-R. استفاده از محصولات Landsat-7 ETM+ و MODIS در نقشه برداری از تجمع فصلی درجه روز در حال رشد با وضوح بالا. J. Appl. Remote Sens. 2007 ، 1 . [ Google Scholar ] [ CrossRef ]
  22. هوانگ، تی. آهنگ، سی. Bolstad، PV; باند، LE کاهش مقیاس دینامیک پوشش گیاهی در زمان واقعی با ادغام MODIS چند زمانی و Landsat NDVI در زمین های پیچیده توپوگرافی. سنسور از راه دور محیط. 2011 ، 115 ، 2499-2512. [ Google Scholar ] [ CrossRef ]
  23. تو، تی.-م. هوانگ، PS; هونگ، سی.-ال. چانگ، سی.-پی. یک تکنیک ترکیبی با شدت-رنگ-اشباع سریع با تنظیم طیفی برای تصاویر IKONOS. IEEE Geosci. سنسور از راه دور Lett. 2004 ، 1 ، 309-312. [ Google Scholar ] [ CrossRef ]
  24. گیلسپی، آر. کاله، AB; Walker، RE افزایش رنگ تصاویر با همبستگی بالا. II.نسبت کانال و تکنیک های تبدیل “رنگی”. سنسور از راه دور محیط. 1987 ، 22 ، 343-365. [ Google Scholar ] [ CrossRef ]
  25. نونیز، جی. اوتازو، ایکس. فورس، او. پرادس، آ. پالا، وی. Arbiol، R. ادغام تصویر مبتنی بر وضوح چندگانه با تجزیه موجک افزایشی. IEEE Trans. Geosci. Remote Sens. 1999 , 37 , 1204-1211. [ Google Scholar ] [ CrossRef ]
  26. مدولاسیون شدت مبتنی بر فیلتر Liu، JG: یک تکنیک ترکیبی تصویر حفظ طیفی برای بهبود جزئیات فضایی. بین المللی J. Remote Sens. 2000 , 21 , 3461-3472. [ Google Scholar ] [ CrossRef ]
  27. تو، تی.-م. سو، اس.-سی. شیو، اچ.-سی. Huang، PS نگاهی جدید به روش‌های ادغام تصویر مشابه IHS. Inf. فیوژن 2001 ، 2 ، 177-186. [ Google Scholar ] [ CrossRef ]
  28. گونزالس آئودیکانا، م. اوتازو، ایکس. فورس، او. Alvarez-Mozos, J. روشی با هزینه محاسباتی کم برای ترکیب تصاویر IKONOS با استفاده از تابع پاسخ طیفی حسگرهای آن. IEEE Trans. Geosci. Remote Sens. 2006 ، 44 ، 1683-1691. [ Google Scholar ] [ CrossRef ]
  29. ایازی، بی. بارونتی، اس. Selva، M. بهبود تیز کردن جایگزینی مولفه از طریق رگرسیون چند متغیره داده MS + pan. IEEE Trans. Geosci. Remote Sens. 2007 , 45 , 3230–3239. [ Google Scholar ]
  30. پادویک، سی. دسکویچ، م. پاسیفیچی، اف. Smallwood، S. Worldview-2 Pan-Sharpening. در مجموعه مقالات کنفرانس سالانه ASPRS 2010، سن دیگو، کالیفرنیا، ایالات متحده آمریکا، 26 تا 30 آوریل 2010.
  31. تو، تی.-م. Hsu، C.-L.; Tu، P.-Y.; لی، سی.-اچ. یک رویکرد قابل تنظیم پان-شارپنینگ برای تصاویر IKONOS/QuickBird/GeoEye-1/WorldView-2. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2012 ، 5 ، 125-134. [ Google Scholar ] [ CrossRef ]
  32. EarthExplorer. در دسترس آنلاین: http://earthexplorer.usgs.gov/ (در 26 مارس 2014 قابل دسترسی است).
  33. بیننده ویژگی های طیفی. در دسترس آنلاین: http://landsat.usgs.gov/tools_viewer.php (در 26 مارس 2014 قابل دسترسی است).
  34. جعبه ابزار سنجش از راه دور IGES. در دسترس آنلاین: http://pub.iges.or.jp/modules/envirolib/view.php?docid=4943 (در 26 مارس 2014 قابل دسترسی است).
  35. والد، ال. رانچین، تی. Mangolini، M. ترکیب تصاویر ماهواره ای با وضوح های مختلف فضایی: ارزیابی کیفیت تصاویر حاصل. فتوگرام مهندس Remote Sens. 1997 , 63 , 691-699. [ Google Scholar ]
  36. لیون، جی جی. یوان، دی. Lunetta، RS; Elvidge، CD یک آزمایش تشخیص تغییر با استفاده از شاخص‌های پوشش گیاهی. فتوگرام مهندس Remote Sens. 1998 , 64 , 143-150. [ Google Scholar ]
  37. اهلرز، ام. کلونوس، اس. یوهان استراند، پی. Rosso, P. ادغام تصویر چند سنسوری برای شفاف سازی در سنجش از دور. بین المللی J. Image Data Fusion 2010 ، 1 ، 25-45. [ Google Scholar ] [ CrossRef ]
  38. فاسبندر، دی. رادوکس، جی. Bogaert، P. Bayesian ادغام داده برای شفاف کردن تصویر قابل تطبیق. IEEE Trans. Geosci. Remote Sens. 2008 , 46 , 1847-1857. [ Google Scholar ] [ CrossRef ]
  39. Pardo-Iguzquiza، E. رودریگز-گالیانو، وی اف. چیکا اولمو، م. اتکینسون، PM ترکیب تصویر با فیلترهای تطبیقی ​​فضایی با استفاده از کوکریجینگ کاهش مقیاس. ISPRS J. Photogramm. Remote Sens. 2011 , 66 , 337-346. [ Google Scholar ] [ CrossRef ]

;کاربردهای GISمقالات

آموزش کاربردی ArcGISالهام ابراهیم زادهکاربرد جی ای اسکاربرد جی ای اس در زمین شناسی

بدون نظر

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

همواره حمایت دانشجویان عزیزمان همراه ما بوده و این سببب شده که گامی محکم به‌سوی ایجاد یک مرجع برای آموزش GIS برداریم. با این امید که بتوانیم قدردان حمایت شما بزرگواران باشیم.

  • خانه
  • آموزش
  • فیلم آموزشی
  • تماس با ما
  • درباره ما
  • وبلاگ
  • سمنان /خیابان کاشانی/ساختمان فناوری اطلاعات/پ 8
  • 09120049370