سارا نخعی نژادفرد؛ حمید غلامی؛ داوود اکبری؛ مت تلفر؛ مرضیه رضایی
چکیده
استفاده از تصاویر با قدرت تفکیک مکانی بیشتر در مناطق وسیع همچون استان خراسان جنوبی، به دلیل پهنای کوچک تر هر فریم تصویر لندست به همراه تفکیک زمانی بیشتر، امکان دسترسی به تصاویر همزمان جهت بررسی تغییرات کوتاه مدت همچون تغییرات پوشش گیاهی را با چالش همراه میکند. در پژوهش حاضر، به منظور دسترسی به اطلاعات طیفی همزمان پوشش گیاهی ...
بیشتر
استفاده از تصاویر با قدرت تفکیک مکانی بیشتر در مناطق وسیع همچون استان خراسان جنوبی، به دلیل پهنای کوچک تر هر فریم تصویر لندست به همراه تفکیک زمانی بیشتر، امکان دسترسی به تصاویر همزمان جهت بررسی تغییرات کوتاه مدت همچون تغییرات پوشش گیاهی را با چالش همراه میکند. در پژوهش حاضر، به منظور دسترسی به اطلاعات طیفی همزمان پوشش گیاهی در استان خراسان جنوبی، از تکنیک ادغام تصاویر ماهوارهای لندست 8 و مادیس استفاده گردید. برایاین منظور ابتدا نتایج حاصل از شش الگوریتم ادغام، شامل NNDiffuse، HPF، Brovey، Gram-Schmidt، PC وCN در یک محدوده آزمایشی در استان خراسان جنوبی با استفاده از معیارهای آماری مورد بررسی و ارزیابی قرار گرفت. در ادامه با کاربرد مناسب ترین الگوریتم ادغام، اطلاعات طیفی و مکانی بازتاب باند قرمز (RED)ومادون قرمزنزدیک (NIR)یازده تصویر موزائیک شده لندست 8 (30 متر) با باند REDوNIRیک تصویرمادیس (250 متر) ادغام گردید. سپس جهت بررسی پوشش گیاهی، با تصویر ماهوارهای ادغام شده، شاخص NDVIوHVCI همزمان، در سطح استان خراسان جنوبی تهیه گردید. نتایج به دست آمده نشان داد که الگوریتم NNDiffuse از دقت مطلوب تری جهت ادغام باندهای قرمز و مادون قرمز نزدیک لندست 8 و مادیس برخوردار است، به طوری که شاخص گیاهیNDVI به دست آمده از این الگوریتم در مقایسه با تصویر لندست 8 اصلی، از کمترین خطای آمای RMSE(0/0311) و MAE(0/0181) برخوردار است. همچنین بررسی مقادیر شاخص NDVI به دست آمده از الگوریتمهای ادغام، در طول خط ترانسکت طولی سیستماتیک - تصادفی در سه کاربری اراضی کشاورزی، شهری و مرتعی نیز نشان داد که شاخص به دست آمده از الگوریتم NNDiffuse انطباق بهتری با شاخص NDVI به دست آمده از تصویر لندست 8 اصلی دارد.
داود اکبری؛ عبدالرضا صفری؛ سعید همایونی
چکیده
فنآوری سنجش از دور ابرطیفی دارای کاربردهای فراوان در طبقه بندی پوشش های زمین و بررسی تغییرات آنها است. معمولترین روش جهت طبقهبندی تصاویر ابرطیفی، طبقه بندی مبتنی بر پیکسل بوده که در آن هر پیکسل فقط با اطلاعات طیفی خود و بدون در نظر گرفتن پیکسل های همسایه، به کلاس مشخصی اختصاص می یابد. پیشرفتهای اخیر و ایجاد تصاویری با قدرت تفکیک ...
بیشتر
فنآوری سنجش از دور ابرطیفی دارای کاربردهای فراوان در طبقه بندی پوشش های زمین و بررسی تغییرات آنها است. معمولترین روش جهت طبقهبندی تصاویر ابرطیفی، طبقه بندی مبتنی بر پیکسل بوده که در آن هر پیکسل فقط با اطلاعات طیفی خود و بدون در نظر گرفتن پیکسل های همسایه، به کلاس مشخصی اختصاص می یابد. پیشرفتهای اخیر و ایجاد تصاویری با قدرت تفکیک مکانی بالا، لزوم استفاده توأم از اطلاعات طیفی و مکانی را در طبقه بندی تصاویر ابرطیفی ایجاب می کند. در این تحقیق روشی جدید برای طبقه بندی طیفی-مکانی تصاویر ابرطیفی و بر اساس الگوریتم قطعه بندی هرمیمبتنی بر نشانه معرفی میشود. در میان الگوریتمهای مختلف طبقهبندی طیفی-مکانی تصاویر ابرطیفی، تاکنون الگوریتم قطعهبندی هرمی مبتنی بر نشانه در ترکیب با الگوریتم طبقه بندی ماشین بردار پشتیبان به بهترین نتایج دست یافته است. در روش پیشنهادی برای انتخاب نشانهها از ترکیب قطعهبندی واترشد (Watershed)و طبقهبندی ماشین بردار پشتیبان استفاده میشود. برای این منظور از میان پیکسلهای با بیشترین جمعیت برای هر ناحیه از نقشه قطعهبندی، آنهایی که دارای بالاترین درجه تعلق به یک کلاس هستند، به عنوان نشانه انتخاب میگردند. سپس بر روی نشانه های بدست آمده، الگوریتم قطعهبندی هرمی پیادهسازی میشود. در نهایت نقشه قطعه بندی بدست آمده به کمک قانون تصمیم رأی اکثریت با نقشه طبقهبندی ماشین بردار پشتیبان ترکیب می گردد. روش پیشنهادی بر روی سه تصویر ابرطیفی Pavia، Berlin و DC Mall پیادهسازی شد، نتایج آزمایشات بدست آمده برتری روش پیشنهادی را در مقایسه با الگوریتم هرمی مبتنی بر نشانه اولیه نشان میدهد. این برتری برابر با 4، 6 و 5 درصد در پارامتر ضریب کاپا و به ترتیب برای تصاویر Pavia، Berlin و DC Mall میباشد.