مقایسه روش های ادغام داده های تصاویر سنجنده MODIS و OLIدر بهبود بارزسازی گردو غبار نواحی صنعتی
سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 119
فایل این مقاله در 17 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_IJRDR-26-3_005
تاریخ نمایه سازی: 24 فروردین 1402
چکیده مقاله:
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 فیوژن
نویسندگان
میترا شیرازی
دانشجوی دکتری بیابان زدایی، دانشکده منابع طبیعی و کویرشناسی، دانشگاه یزد، ایران
محمد اخوان قالیباف
استادیار، گروه بیابان، دانشکده منابع طبیعی و کویرشناسی، دانشگاه یزد، ایران
حمیدرضا متین فر
دانشیار، گروه خاک شناسی، دانشکده کشاورزی، دانشگاه لرستان، ایران
منصور نخکش
دانشیار گروه برق مخابرات. دانشکده مهندسی برق. دانشگاه یزد
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :