مقایسه روش های ادغام داده های تصاویر سنجنده MODIS و OLIدر بهبود بارزسازی گردو غبار نواحی صنعتی
- سال انتشار: 1398
- محل انتشار: مجله تحقیقات مرتع و بیابان ایران، دوره: 26، شماره: 3
- کد COI اختصاصی: JR_IJRDR-26-3_005
- زبان مقاله: فارسی
- تعداد مشاهده: 128
نویسندگان
دانشجوی دکتری بیابان زدایی، دانشکده منابع طبیعی و کویرشناسی، دانشگاه یزد، ایران
استادیار، گروه بیابان، دانشکده منابع طبیعی و کویرشناسی، دانشگاه یزد، ایران
دانشیار، گروه خاک شناسی، دانشکده کشاورزی، دانشگاه لرستان، ایران
دانشیار گروه برق مخابرات. دانشکده مهندسی برق. دانشگاه یزد
چکیده
از عمده مشکلات سنجنده های مستقر بر سکوهای هوایی و فضایی نبود قدرت تفکیک مکانی، رادیومتریک طیفی و زمانی بالا بصورت همزمان است زیرا طراحی چنین سنجنده هایی علاوه بر هزینه بری بالا دارای مشکلاتی در طراحی سنجنده می باشند. از طرف دیگر شناسایی و پایش بسیاری از پدیده های محیطی نیازمند به بکارگیری سنجنده هایی با قدرت تفکیک مکانی، طیفی و زمانی بالا بصورت همزمان است. بنابراین جهت پایش بسیاری از عوامل موجود در اکوسیستم های طبیعی از جمله آب، خاک و اتمسفر بکارگیری روشهای ریزمقیاس سازی در ادغام تصاویر دو یا چند سنجنده با قدرت تفکیک مکانی، رادیومتری و زمانی متفاوت راهگشا است. ریزگرد ها به خصوص ریزگردهای حاصل از فعالیت صنایع و معادن، جزء ذرات معلق اتمسفر هستند که شناسایی آنها از اهمیت بسیاری برخوردار است. پایش ریزگرد نیازمند به سنجنده ای است که همزمان دارای قدرت تفکیک رادیومتری، مکانی و زمانی بالا باشد که این امر در یک سنجنده عملا غیر ممکن است. بدین منظور می توان از تلفیق تصاویر سنجنده مودیس با قدرت تفکیک رادیومتری و زمانی بالا با تصاویر لندست با قدرت تفکیک مکانی بالا استفاده نمود. از جمله شاخص های معروف برای بارزسازی ریزگرد، شاخص NDDI است که با استفاده از طول موج های مادون قرمز میانی (۲.۱μm) و آبی (۰.۴۷ μm) بدست می آید. در این تحقیق سعی بر آن شد تا از چندین الگوریتم ریزمقیاس سازی از جمله Bovery، Gram-Shcmidt، STARFM، ESTARFM، wavelet، PBIM، SIFM و HPF برای ادغام تصاویر سنجنده های مودیس و لندست مربوط به تاریخ ۸ ژولای ۲۰۱۶ استفاده شود و با نتایج حاصل نقشه های پهنه بندی شاخص NDDI تهیه گردد. نتایج ارزیابی نشان داد بهترین روش ادغام روش های STARFM و ESTARFM و PBIM است که با تصاویر سنجنده لندست دارای ضریب تبین( R۲) به ترتیب ۸۸/۰، ۹۱/۰، ۹۹/۰ و با تصاویر مودیس ۵۱/۰، ۵/۰ و ۵۷/۰ می باشد. مجذور میانگین مربعات خطا (RMSE) برای هر سه روش بسیار ناچیز و به ترتیب ۰۲/۰، ۰۰۴/۰ و ۰۵۵/۰ برای تصاویراصلی لندست و ۰۰۴/۰، ۰۶/۰ و ۱/۰ برای تصاویر اصلی مودیس می باشد. بنابراین میتوان از روشهای STARFM و ESTARFM و PBIM جهت ترکیب تصاویر سنجنده مودیس و لندست به قصد افزایش قدرت تفکیک مکانی، طیفی و زمانی با دقت بالا استفاده نمود.کلیدواژه ها
ادغام تصاویر ماهواره ای. ریزمقیاس سازی. شاخص NDDI. الگوریتم های فیوژناطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.