استخراج> سام ..." /> استخراج> سام ..." />
أكثر

حساب NDVI باستخدام قيم النطاق Landsat ETM +

حساب NDVI باستخدام قيم النطاق Landsat ETM +


لدي نقاط عينة (ملف شكل تم تحويله من ملف .xls يحتوي على إحداثيات XY و nnx و nny وكثافة المظلة) وصورة لاندسات etm +. قمت أولاً بتطبيق "أدوات SpatialAnalyst> استخراج> نموذج" في ArcGIS لاستخراج التواقيع الطيفية لجميع نقاط العينة من صورة Landsat. ثم قمت بعد ذلك بتصدير الإخراج إلى ملف DBF وفتحه في Excel. يحتوي ملف DBF على إحداثيات XY لنقاط العينة و NP_2001102 و NP_2_30513 و NP_2_30514 و NP_2_30515 و NP_2_30516 و NP_2_30517. أفترض على سبيل المثال NP_2_30513 عبارة عن نطاق 3 و NP_2_30514 نطاق 4.

لذا فإن السؤال هو: 1) ، هل هما حقًا النطاق 3 والفرقة 4؟ 2) ، إذا كانت كذلك ، وإذا كنت أرغب في حساب قيم NDVI ثم إجراء الانحدار الخطي بين كثافة المظلة و NDVI في Excel ، فماذا أفعل للحصول على قيم الانعكاس الصحيحة قبل الحساب؟

أمثلة على قيم NP_2_30513 هي 11 ، 9 ، 13 ، 8 ... إلخ ، أمثلة لقيم NP_2_30514 هي 10 ، 7 ، 7 ، 4 ، ... إلخ.

أعلم أن هذه القيم ليست قيم انعكاس حقًا ، ولكن كيف يمكنني الحصول على القيم الصحيحة لحساباتي وانحدارها؟


يبدو أن لديك أرقامًا رقمية ، إذا كنت تريد تحويلها إلى انعكاس ، اقرأ هذا المقال. لتصحيح الغلاف الجوي ، يمكنك استخدام الطرح الداكن أو Flaash (ليس في ArcGis). أعتقد أن ArcGis ليس أفضل برنامج لتصحيح الغلاف الجوي.

إذا كنت تقوم بتحليل زمني ، فيجب عليك إجراء تصحيح جوي.


لقد كتبت نفس السؤال تقريبًا حول العمل مع فهارس متعددة الأطياف إلقاء نظرة. هل التصحيح الجوي ضروري عند العمل مع فهارس متعددة الأطياف؟


تطبيق تقنيات الاستشعار عن بعد في التنقيب عن الطاقة الحرارية الأرضية في حقول الطاقة الحرارية الأرضية في دولة الإمارات العربية المتحدة

يعد الاستشعار عن بعد بالأشعة تحت الحمراء الحرارية الساتلية تقنية مهمة لاستكشاف ومراقبة الخصائص الحرارية لمناطق الينابيع الساخنة. استخدمنا صور مستشعرات لاندسات 8 للتصوير البصري للأرض (OLI) - الماسح الحراري بالأشعة تحت الحمراء (TIR) ​​لمراقبة الحالة الحرارية لثلاث مناطق ينابيع ساخنة في الإمارات العربية المتحدة لأول مرة في عام 2017. تم استخدام صور Landsat 8 TIR band 10 في تقدير درجات حرارة سطح الأرض (LST) باستخدام خوارزمية أحادية النافذة ، والانبعاثية باستخدام طريقة عتبة فهرس الغطاء النباتي الطبيعي (NDVI) ، وتدفق الحرارة الإشعاعي (RHF) ومعدلات التفريغ الحراري (HDR) باستخدام قانون ستيفان بولتزمان والعلاقة معامل في الرياضيات او درجة. كانت أعلى درجة حرارة قصوى تبلغ حوالي 43 درجة مئوية ، و 40 درجة مئوية ، و 27 درجة مئوية في مناطق عين الفايضة (AF) ، والمبازرة الخضراء (GM) ، ومناطق الينابيع الحارة عين خط (AK) ، على التوالي. كانت LST حوالي 13 درجة مئوية ، و 10 درجات مئوية ، و 4 درجات مئوية فوق متوسط ​​درجات الحرارة المحيطة بالبكسل (30 م × 30 م) ، على الرغم من أن النقطة LSTs قد تكون أعلى من هذه. كان أعلى RHF 68 و 83 و 21 واط / م 2 ، وإجمالي خسائر الحرارة الإشعاعية حوالي 157 و 530 و 15 ميجاوات في GM و AF و AK ، على التوالي. تم تقدير إجمالي HDR بـ 1013 و 3423 و 94 ميجاوات لـ GM و AF و AK ، على التوالي ، باستخدام معامل علاقة بين HDR و RHF يبلغ 6.49. زاد LST و RHF مع انخفاض قيمة NDVI ، أي أن السطح المكشوف أو الصحراوي أظهر قيمًا أعلى من السطح النباتي. تشير هذه الدراسة إلى أن الاستشعار عن بعد بالأقمار الصناعية هو وسيلة فعالة من حيث التكلفة وفعالة لتقييم المكونات الحرارية الينابيع الساخنة.

هذه معاينة لمحتوى الاشتراك ، والوصول عبر مؤسستك.


نبذة مختصرة

في الوقت الحالي ، لا تستخدم معظم الحكومات ، لا سيما في البلدان المنخفضة والمتوسطة الدخل ، مؤشرات خدمات النظام الإيكولوجي (ES) بشكل فعال لرصد الحفظ ، ويرجع ذلك جزئيًا إلى تعقيد المؤشرات الحالية. تسعى هذه الدراسة إلى المساهمة في فجوة التنفيذ هذه من خلال توضيح أداء مؤشر قائم على الاستشعار عن بعد ، وهو مؤشر توفير خدمات النظام الإيكولوجي (ESPI) (استنادًا إلى مؤشر الغطاء النباتي للاختلاف المعياري) ، كمؤشر عملي لرصد إمدادات الخدمات البيئية والاجتماعية. قمنا بفحص أداء ESPI من خلال تحليل التطابق المكاني (تحليل الانحدار والعنقود) مع أربعة مؤشرات ES محددة النوع ، وهي توفير الأخشاب ، وتوفير العلف ، وفرص الترفيه وتنظيم المياه ، لأنواع مختلفة من الغابات الأصلية المعتدلة ، ومزارع الأشجار غير الأصلية والشجيرات والأراضي العشبية ، داخل منطقة جنوبية في تشيلي. قمنا أيضًا بمقارنة قيم مؤشرات ESPI و ES عبر استخدامات الأراضي والأغطية عن طريق اختبار ANOVA و Tuckey (ما بعد المخصص). أظهر تحليل الانحدار ملاءمة متوسطة إلى منخفضة لمؤشرات ES مع التغيرات الخطية وغير الخطية لـ ESPI. يمكن أن ينشأ التباين غير المبرر من مصادر تشتت مختلفة: أ) التباين غير المقيد في تدفق ES محدد من خلال التباين في مؤشراتها المقابلة (مؤشرات ES و ESPI) ، ب) المسافات بين القيم المعيارية لمؤشرات ES و ESPI المختلفة ، و ج) عدم التطابق بين ESPI ومقاييس ودقة مؤشر ES. أظهر تحليل الكتلة تطابق النقاط الساخنة ESPI-ES بنسبة 62٪ لتنظيم المياه ، تليها حزمة ES (56٪) ، وفرص الترفيه (38٪) ، وإمدادات الأخشاب (36٪) ، وتوفير الأعلاف (32٪). كانت قيم ESPI وتنظيم المياه وفرص الترفيه أعلى بشكل ملحوظ في غابات النمو القديمة. تساهم دراستنا في تحديد إلى أي مدى يمكن استخدام مؤشرات الاستشعار عن بعد كبديل للإمداد البيئي والاجتماعي (ES) ، وهو أمر مهم لاعتماد هذه المؤشرات في مراقبة نتائج الحفظ عندما لا تتوفر مؤشرات ES محددة أو تفتقر إلى التغطية المكانية والزمانية اللازمة .


التوصيف والمراقبة المورفومترية لبحيرة الأصفر بمحافظة الأحساء بالمملكة العربية السعودية

تمت مقارنة مساحة سطح الأصفر خلال مستويات المياه الدنيا والمتوسطة والعظمى من صور القمر الصناعي لاندسات المقابلة للأعوام 1988 و 2001 و 2015. في هذا البحث تم تطبيق مرحلتين لبيانات الاستشعار عن بعد ، أولاً ، التصنيف غير الخاضع للرقابة باستخدام ك- تعني الخوارزمية ، ومؤشر الغطاء النباتي الثاني هو فهرس الفرق المعياري للغطاء النباتي (NDVI). للحصول على أفضل تمييز بين الماء والأرض والغطاء النباتي وللتحقق من صحة النتائج باستخدام صورة عالية الدقة المكانية من Spot 6 ، تم استخدام تقنية الاستشعار عن بعد ، بما في ذلك مقارنة بين التصنيف غير الخاضع للإشراف وتقنيات عتبة الأشعة تحت الحمراء قصيرة الموجة على صور لاندسات وسبوت. يتم عرض نتائج مساحة السطح المائي لكل من الصورة المرجعية (Spot) و OLI 2017 للأجزاء الثلاثة من البحيرة. نتائج مساحة سطح الماء في الجزء الأول تكاد تكون مساوية لنتائج كل من الصورة المرجعية و OLI ، حيث تقدر المساحة بحوالي 6.7 كم 2 و 6.84 كم 2 ، على التوالي. ازداد محيط الجزء الأول تدريجيًا من عام 1988 إلى عام 2015 ، في حين أظهر الجزء الثاني اختلافًا ملحوظًا في المحيط خلال سنوات مختلفة ، مثل عام 1988 ، والذي قُدِّر أنه يحتوي على أصغر محيط. كان إجمالي طول المحيط للأعوام 2015 و 2001 و 1988 هو 109.37 و 143 و 63.25 كيلومترًا على التوالي. أخيرًا ، أوصت هذه الدراسة بقياس جودة المياه لهذه البحيرة المتبخرة ، مثل الحالات الكيميائية والفيزيائية والبيولوجية باستخدام بيانات وتقنيات مماثلة.

هذه معاينة لمحتوى الاشتراك ، والوصول عبر مؤسستك.


حساب NDVI باستخدام قيم نطاق Landsat ETM + - أنظمة المعلومات الجغرافية

كلية العلوم الأساسية ، قسم الجيولوجيا ، جامعة آزاد الإسلامية ، فرع شمال طهران ، طهران ، إيران

حقوق الطبع والنشر ونسخ 2015 من قبل المؤلفين وشركة Scientific Research Publishing Inc.

هذا العمل مُرخص بموجب رخصة المشاع الإبداعي نَسب المُصنَّف (CC BY).

تم استلامه في 31 مايو 2015 تم قبوله في 17 يوليو 2015 تم نشره في 20 يوليو 2015

صدع شمال - جنوب قطر - كازرون ، الذي يقدر بطول 450 كم ، هو صدع في الطابق السفلي الصخري. يتم تغطيتها في الغالب من قبل الطمي الشبابي الرباعي ، مما أدى إلى غموض في بنية الصخور والكسور. نظرًا لأن المناطق السكنية (مثل نور أباد ، وخمة زار ، والقمية ، وكامراج) يتم وضعها بشكل أساسي في السهول المغطاة بالطين الغريني الرباعي ، وطرق القياس عن بُعد ، وخاصة التحليلات الهيكلية القائمة على صور الأقمار الصناعية ، والتي تعتبر في الوقت الحاضر مكملات جيدة للدراسات الميدانية. هذا هو السبب في إطلاق العديد من الأقمار الصناعية مؤخرًا لأغراض علمية مختلفة. لاندسات هو أحد هذه الأقمار الصناعية البحثية وهو يساعد العلماء لفترة طويلة في مختلف مجالات العلوم الطبيعية. تتمتع هذه الورقة بأحدث المعلومات التي تم الحصول عليها من خلال Landsat 8. باستخدام العديد من عمليات إعادة إنتاج الصور والبرامج المساعدة ، فإنها ترسم هيكلًا جديدًا للمنطقة وتقدمها لمزيد من التحليل والتفسير.

صدع قطر-كازرون ، لاندسات 8 ، القياس عن بعد ، التحليل الإنشائي

بشكل عام ، يمكن تسمية الاستشعار عن بعد بالحصول على تكنولوجيا المعلومات والتصوير الأرضي باستخدام معدات الطيران مثل الطائرات أو المعدات الفضائية مثل الأقمار الصناعية [1] [2]. في الوقت الحاضر ، تُستخدم تكنولوجيا الاستشعار عن بعد وصور الأقمار الصناعية في مجالات مختلفة مثل اكتشاف الأعطال واستكشاف المناجم وعلم الصخور ورسم الخرائط [3] [4]. يتم جمع البيانات المطلوبة بواسطة جهاز استشعار. بعد التحليل ، يتم دمج البيانات التي تم جمعها مع طبقات أخرى من المعلومات في نظام GIS. البيانات المتكاملة معدة للمستخدم. في هذه المرحلة ، يتم تفسير البيانات المتكاملة باستخدام طرق مختلفة. بالإضافة إلى تفسير البيانات ، يتم تفسير الصور لتحديد الظواهر المختلفة فيما يتعلق بأهميتها.

مطلوب مشهد لمنطقة الدراسة من أجل استخدام صور القمر الصناعي لاندسات. يتم تحديد كل مشهد بمسار وصف. تقع منطقة الدراسة في شمال وشمال غرب مدينة شيراز (الشكل 1). كحالة ، اختار هذا البحث منطقة زاغروس الإيرانية. تعتبر هذه المنطقة بسبب الديناميكيات الجيولوجية من قبل العديد من الجيولوجيين [5]. في هذا الصدد ، تم اختيار إطار عمل حاج آباد كدراسة حالة نظرًا لموقعه الملائم للتحليل الهيكلي والخطأ.

شكل 1 . 1: 250000 خريطة جيولوجية وصور الأقمار الصناعية لمنطقة الدراسة.

تسمى المرحلة الأولى في معالجة الصور المعالجة المسبقة ، والتي يجب إجراؤها قبل عمليات المعالجة. بالنظر إلى أن بيانات الاستشعار عن بعد تستخدم بشكل أساسي كخلفية للمعلومات الأخرى المضمنة في الخريطة ، فإن بيانات الاستشعار عن بعد تُظهر سطح الأرض بدقة كافية [6]. بمعنى آخر ، يجب أن تكون النسب الطيفية للصورة قريبة من الحقيقة.

عادةً ما يتم تخزين الصور النقطية كصور خام بها أخطاء هندسية. هناك حاجة إلى صور مصححة هندسيًا للحصول على إحداثيات ومساحة وقياسات دقيقة [7].

التصحيح الهندسي لصور الأقمار الصناعية يحل الأخطاء والتشوهات في الصورة مثل التغيرات في ارتفاع وسرعة القمر الصناعي والإزاحة من حيث الارتفاع والانخفاض وعوامل أخرى نوردها فيما يلي.

يكمن الغرض من معالجة الصور في توضيح البيانات الجغرافية في الصور الرقمية من أجل استخراج معلومات معينة للمستخدم. يتم تخزين الصورة الرقمية في مصفوفة ثنائية الأبعاد بواسطة مناطق محدودة صغيرة تسمى البكسلات [8] [9].

يتطابق كل بكسل مكانيًا مع منطقة على سطح الأرض. تسمى بنية الشبكة المنظمة هذه بالنقطية. البيانات الرقمية بشكل عام في خطوط المسح من ، والتي يتم تخزينها في صفوف أفقية ورأسية. كل بكسل في الصورة النقطية هو قيمة عددية تسمى الرقم الرقمي (DN). في صور الأقمار الصناعية مثل Landsat ، تمثل DN شدة الطاقة المنعكسة في الطيف المرئي أو الأشعة تحت الحمراء أو غيرها من الأشعة الكهرومغناطيسية. تُستخدم التحويلات الرياضية على الأرقام الرقمية باستخدام برنامج ER Mapper لاستخراج البيانات الرقمية وتفسيرها. هذه التقنية مستحيلة في التفسيرات اليدوية. لهذا الغرض ، أصبحت معالجة الصور أداة تفسير لمختلف مجالات علوم الأرض [9] [10].

تم استخدام مشهد واحد من البيانات الرقمية والقمر الصناعي ETM Landsat للتحليل الهيكلي. يجب تصحيح الصور باستخدام نقاط التحكم عند الحاجة إلى إحداثيات ومساحات وقياسات دقيقة. هنا تستخدم الخرائط التكتونية لإيران كمرجع. تم إجراء تصحيحات هندسية أساسية وفقًا لتسجيل الصورة. تم رقمنة الخرائط الجيولوجية والتكتونية للمنطقة باستخدام برنامج ArcGIS من أجل تكييف الخرائط مع صور الأقمار الصناعية. تمت معالجة الصور المعدة. في هذا الصدد ، تم استخدام برنامج ER-Mapper نظرًا لتطبيقات مختلفة بالإضافة إلى معالجة أسهل وأكثر دقة. يناقش هذا القسم بإيجاز التقنيات المستخدمة في هذه الدراسة.

2.1. معالجة صور الأقمار الصناعية

تم استخدام ثلاث طرق لاكتشاف خطوط الكسر في صور الأقمار الصناعية على النحو التالي:

أ) الكشف عن الإزاحة في الطبقات والتغيرات المفاجئة في الحدود الصخرية

ب) مراجعة الوديان المباشرة كمناطق تصدع

ج) مراجعة للخداع أو السدود [9] [11].

في هذا القسم ، تم استخدام تقنيات الاستشعار عن بعد لتحسين الرؤية ورسم خطوط الكسر باستخدام طرق فريدة.

2.2. التقنيات المستخدمة في هذه الدراسة

التقنيات المستخدمة في هذا المشروع هي كما يلي:

استخدام النسب الشريطية للقضاء على تأثيرات التضاريس والظلال

Ÿ مجموعة ألوان من صور RGB لفصل وحدات الصخور بناءً على اللون

تطبيق الانصهار من أجل زيادة الدقة المكانية

Ÿ NDVI Vegetation لتسليط الضوء على الإنجاب في المنطقة

Ÿ قم بتطبيق مرشحات Sunangle و Highpass و Edges لاكتشاف خطوط الكسور والحدود والحواف الحادة

Ÿ استخدام صور DEM لتحسين رؤية الوديان بواسطة الظلال التي تم إنشاؤها

Ÿ تحليل المكون الرئيسي (PCA) من أجل تركيز البيانات ذات الصلة بنطاقات متعددة في نطاق واحد للحصول على رؤية أفضل من الحواف الحادة

نسبة النطاق لمراقبة المعادن والمضاعفات الأخرى المصاحبة للخطأ.

في هذا القسم ، يتم مناقشة التقنيات المستخدمة في هذا المشروع.

تستخدم هذه التقنية لتمييز الظواهر المختلفة من خلال الاختلافات في امتصاص وانعكاس الضوء في الظواهر المختلفة (الشكل 2). يمكن الاستشهاد بإزالة تأثير التضاريس والظلال من بين مزايا هذه الطريقة ، والتي يمكن تطبيقها على نوعين من الصور:

تكون الصور ذات التدرج الرمادي ذات الصلة بالظاهرة المذكورة أعلاه أكثر إشراقًا بسبب أقصى انعكاس وخصائص امتصاص مقارنة بأنواع الصور الأخرى. على سبيل المثال ، تظهر النباتات والصخور في التغيير المائي أكثر إشراقًا من المناطق الأخرى في الصور الرمادية بنسبة 6/7.

3.2 مزيج ألوان من صور RGB

تتكون شبكية العين في عيون الإنسان من عدد كبير من الخلايا العصوية والمخروطية. الخلايا العصوية حساسة للضوء والخلايا المخروطية حساسة لثلاثة ألوان أساسية هي الأحمر والأخضر والأزرق. في الواقع ، عادة ما تكون الخلايا المخروطية حساسة لجزء من الأشعة الكهرومغناطيسية. في الصور الملونة ، يتم تخصيص كل ظاهرة لأحد الألوان الأساسية الثلاثة. يمثل كل لون ظاهرة في الصورة. تم عرض الصور في مساحة RGB لفصل الظواهر (الغطاء النباتي والصخور مع التغيير الحراري المائي) عن بعضها البعض (الشكل 3). بشكل عام ، يتم توضيح الظواهر بشكل أفضل ويتم تفسيرها بسهولة باستخدام الصور الملونة مقارنة بالصور بالأبيض والأسود. في الواقع ، تعد الصور ذات الألوان الزائفة RGB (الأحمر والأخضر والأزرق) واحدة من أكثر الأساليب شيوعًا في معالجة بيانات الأقمار الصناعية [12]. يتم إنشاء الصورة الملونة من خلال مجموعة من ثلاثة نطاقات مختلفة وتخصيص كل لون من الألوان الأساسية الثلاثة لشريط واحد. يُظهر مزيج النطاق من RGB = 432 لونًا حقيقيًا في الطبيعة ، وهو ما يسمى مركب اللون الحقيقي. أي تركيبة أخرى باستثناء RGB = 432 تسمى مركب الألوان الزائفة [13].

نظرًا لأن هناك حاجة إلى ثلاثة نطاقات لإنشاء صورة RGB ، فيجب مراعاة عدد أوضاع الدمج الفريدة الممكنة باستخدام نطاقات 2 و 3 و 4 و 5 و 7 و 8 و 10 و 11.

n هو عدد النطاقات الإجمالية

r هو عدد النطاقات المطبقة.

الشكل 2 . يظهر الغطاء النباتي أكثر إشراقًا من الكائنات الأخرى بتدرج الرمادي بنسبة 5/4.

الشكل 3. صورة القمر الصناعي لاندسات ، RGB = 432.

الشكل 4. صورة القمر الصناعي LANDSAT ، التركيبة المثلى للألوان RGB = 457.

بعد ذلك ، يمكن دمج 56 وضعًا عن طريق إدراج الأرقام في الصيغة. ومع ذلك ، هناك حاجة إلى مزيد من المعلومات لاختيار أفضل مجموعة من بين تلك الممكنة. وبالتالي ، يجب استخدام المعلمات الإحصائية.

يجب استخدام معامل المؤشر الأمثل (OIF) لحساب المعلمات الإحصائية للصور [10] [14]. في هذه المعلمة ، يتم حساب مجموع الانحرافات المعيارية لنطاقات k فيما يتعلق بمجموع مصفوفة الارتباط. وفقًا لذلك ، يتم تحديد ثلاث نطاقات تحتوي على أكبر قدر من المعلومات وأقل حصة. في النهاية ، تم اختيار النطاق المركب = 457 باعتباره المجموعة المثلى (الشكل 4).

OIF = />

Abs (rj) = قيمة مصفوفة الارتباط.

يعمل دمج الصور العادية مع الصور البان كروماتيكية أو أي صورة أخرى على تحسين الدقة المكانية. في هذه المرحلة ، تم تحويل صور RGB إلى HSI. تم استبدال الفرقة ذات الدقة الخاصة العالية بكثافة. كما هو مبين في الشكل 5 ، يتم إعادة نقل الصورة من مساحة HSI إلى مساحة RGB. بعد ذلك ، تم تطبيق النطاق العريض أو النطاقات الثمانية على صور القمر الصناعي لاندسات من أجل تقليل الدقة المكانية من 30 مترًا إلى 15 مترًا. أدى هذا إلى تحسين الدقة المكانية لصور الأقمار الصناعية. كان RGB = 345 أحد أفضل مجموعات الألوان الافتراضية المستخدمة لتحديد الأعطال والوحدات الجيولوجية بشكل أكثر وضوحًا.

3.4. فهرس الغطاء النباتي الفروق الطبيعي (NDVI)

يعتبر مؤشر الغطاء النباتي (NDVI) من أقدم مؤشرات الغطاء النباتي وأكثرها استخدامًا.

الشكل 5. صورة مدمجة لمنطقة الدراسة.

وفقًا للشكل 6 ، معادلة المؤشر المقيسة ومن ناحية أخرى ، كشفت مجموعة واسعة من الطيف الكهرومغناطيسي بما في ذلك الحد الأقصى لامتصاص وانعكاس الكلوروفيل أن هذا المؤشر مستقر وموثوق به في مجموعة واسعة من الظروف المختلفة. وتجدر الإشارة إلى أن هذا المؤشر مشبع في حالة ارتفاع قيم LAI. تختلف قيمة هذا المؤشر باختلاف الغطاء النباتي [15].

على سبيل المثال ، القيم الإجمالية لهذا المؤشر للنباتات المتناثرة هي (0.05 ، 0 ، 2) ، للنباتات المنتظمة وشبه الكثيفة هي (0.2 ، 0.6) ، للنباتات شديدة الكثافة والغنية (0.6 ، 0.8) ، للمياه ، الثلج والجليد سلبيان. قيم هذا المؤشر أقل من 0.05 في التربة. قيمة هذا المؤشر في المناطق الملبدة بالغيوم (غائمة) تساوي الصفر. تستخدم هذه الطريقة لتحديد الأعطال في المنطقة.

3.5 تحليل المكون الرئيسي

PCA هي طريقة مهمة في توضيح الظواهر. عادة ، ترتبط نطاقات مختلفة من صور الأقمار الصناعية بشكل كبير ، مما يؤدي إلى تكرار بعض المعلومات. PCA هي طريقة مختصرة للمعلومات المتكررة والظواهر المتطفلة مثل الظلال والتأثيرات الطبوغرافية وزاوية الإشعاع الشمسي. في الواقع ، من خلال تقليل التداخل بين البيانات من نطاقات مختلفة في فضاء متعدد الأبعاد ، يساعد PCA في توضيح ظواهر معينة. في هذه الطريقة ، يتم تركيز المعلومات الواردة من نطاقات شديدة الارتباط في نطاق ذي تباين كبير. يتم الحصول على المكونات الأساسية من خلال حساب الانحراف المعياري والتباين والتغاير. PCA هو تحول خطي يتم من خلاله تحويل محاور إحداثيات الفضاء متعدد الأبعاد

الشكل 6. صورة لمؤشر الغطاء النباتي الطبيعي ، المناطق الخضرية أكثر إشراقًا من المناطق الأخرى في هذه الصورة.

بحيث يكون المحور الأول هو الحد الأقصى للتباين والمحور التالي ، المتعامد على الأول ، يظهر التباين المتبقي. من خلال هذا ، من نطاقات n التي تشارك في التحول ، يتم إنتاج نطاقات جديدة للكمبيوتر الشخصي غير مترابطة بشكل كبير. باستخدام مصفوفات التحليل المقابلة ، تم الكشف عن أن PC1 يحتوي على أكبر قدر من المعلومات ، بينما تتبعه أجهزة الكمبيوتر الأخرى في المقابل. يمكن تحديد الكمبيوتر المناسب لظاهرة معينة فيما يتعلق بالسلوك الطيفي للظاهرة ، وأقصى انعكاس وامتصاص للظاهرة بين النطاقات المختلفة ، والمعلومات من مصفوفة الارتباط.

PCA هي إحدى الطرق المميزة في تحليل صور القياس عن بعد. يتم هنا متابعة أهداف مختلفة ، من بينها: تقليل أبعاد البيانات ، واكتشاف التغيرات في الصور ذات الظروف الزمنية المختلفة ، وتوضيح ظواهر معينة. في هذه الطريقة ، يتم وضع نطاقات البيانات أو الصور في مساحة جديدة ، وتحل المكونات الجديدة محل المكونات والنطاقات السابقة. في الفضاء الجديد ، كل مكون جديد هو مزيج خطي من النطاقات السابقة وفقًا للعلاقة التالية. يتم التخلص من الارتباطات ، ويتم إنتاج نطاقات مستقلة (الشكل 7):

/>,

حيث الكمبيوترك هو المكون k th ، wi هو المتجه الخاص ، و DNi هو ضوء النطاق i.

نسبة النطاق هي إحدى الطرق الشائعة الاستخدام في معالجة الصور. إنه يزيد أو يقلل بعض الضوضاء المعينة ، ويوضح الحدود عن طريق إزالة التأثيرات الطبوغرافية والظلال (الشكل 8). هذا هو السبب في استخدام نسبة النطاق في فصل وحدة الصخور وكذلك في مواصفات الصخور [16]. النباتات ، على سبيل المثال ، في النطاق 5 لاندسات لها أقصى انعكاس بينما في النطاق 4 ، فإنها تظهر أقصى امتصاص. فيما يتعلق بهذا ، وبتقسيم النطاق 5 على النطاق 4 ، يمكن توضيح النباتات. بعض النسب الشائعة هي كما يلي (الجدول 1 والشكل 8):

الشكل 7. صور RGB = PC1 - PC2 - صورة PC3 Landsat بعد إدارة PCA.

الشكل 8. صورة لنسب النطاق مع RGB = 6/7 ، 5/4 ، 4/2.

الجدول 1 . طريقة نسبة النطاق وتطبيقاتها. هنا نسب 4/2 و 5/4 و 6/7 تُعزى على التوالي إلى العصابات الحمراء والخضراء والزرقاء.

3.7 تصفية واستخدام صور DEM

التصفية هي نوع من القيم الطيفية المتغيرة ، كل قيمة بكسل ستكون مختلفة عن القيمة المجاورة ، مما يخلق تباينًا مختلفًا عند مقارنتها بالصورة الرئيسية. تحتوي المصفوفة التي تمت تصفيتها على عدد فردي من الخلايا (فيما يتعلق بحقيقة أن البكسل يجب أن يكون في المركز). فيما يتعلق بالتطبيق المعين ، يتم تغيير القيمة العددية للخلية المركزية مع الأخذ في الاعتبار الخلايا المجاورة لها. تعد إدارة تقنية تظليل الشمس على صور DEM أيضًا طريقة في مواصفات تضاريس المنطقة. باستخدام هذه التقنية ، يمكن أن يشع ضوء الشمس على الصور في الاتجاه المطلوب ، ويتم فحص الظلال الناتجة لاحقًا. يمكن أن تكون التصفية بأبعاد 3 * 3 أو 5 * 5 أو 7 * 7. كلما زادت أبعاد المرشح ، زادت السرعة وقلت دقة التصفية. التصفية هي أداة مهمة في الحصول على رؤية أفضل للمنطقة واكتشاف التأثيرات (الأشكال 9-11).

المرشحات المختلفة المستخدمة في هذا القسم والموضحة فيما يلي هي كالتالي: مرشحات التمرير العالي ، ومرشحات الكشف عن الحواف ، ومرشحات زاوية الشمس. مرشحات التمرير العالي هي كاشفات للحواف. إنها تسمح فقط بمرور البكسلات الرمادية ذات التردد العالي. تكتشف هذه المرشحات الحواف فقط ولا تتلاشى مع التأثيرات الأخرى [17]. كاشف الحواف

/>

الشكل 9. تصفية الصورة ومصفوفة المرشح لمرشح التمرير العالي (زيادة وضوح 5 * 5 Ker.) ، المصفوفة الموجودة في المرشح عبارة عن مصفوفة 5 * 5 توضح العمليات المطبقة على الصورة.

تقوم المرشحات ، كما يوحي اسمها ، باكتشاف الحواف مثل الخطوط الهيكلية والطرق والأنهار ، وهي ذات أهمية في الجيولوجيا الهيكلية في اكتشاف خطوط الصدع [18]. أخيرًا ، تعد مرشحات زاوية الشمس من بين التقنيات البسيطة والفعالة في اكتشاف الحواف والحدود الحادة مثل خطوط الصدع والمفاصل [19].

3.8 صورة ثلاثية الأبعاد للمنطقة

يمكن أن يساعدنا نموذج الارتفاع الرقمي (DEM) في إنتاج عرض ثلاثي الأبعاد للمنطقة. هنا ، البيانات الأكثر عملية هي صور مستشعر STRM ، وهي نفس الصور المستخدمة في هذه الورقة (الأشكال 12-14). أيضًا ، من خلال ER Mapper ، تم إنتاج صورة ثلاثية الأبعاد للمنطقة لمختلف RGBs. تكشف الصور أن الجزء الشمالي من موقع الدراسة به تضاريس أكثر من الجزء الجنوبي.

باستخدام الصور المذكورة بما في ذلك الصورة مع RGB = 457 ، ذات المقياس الرمادي ، الصور المفلترة ،

الشكل 10. صورة DEM والأعطال الرئيسية والثانوية كما تم الحصول عليها على صورة DE.

الشكل 11. حالة القوات على الخطأ (أ ، ب).

الشكل 12. صورة ثلاثية الأبعاد لـ RGB752 (من وجهة نظر شمالية شرقية).

الشكل 13. صورة ثلاثية الأبعاد لـ RGB742 (من وجهة نظر شمالية شرقية).

تم رسم صورة أحادية النطاق لـ PC1 ، وصور DEM ذات الظلال الموجهة والصور ذات نسب النطاق المحددة ، والخط التكتوني للمنطقة. من أجل إنتاج خريطة الكسور الهيكلية ، تم رسم الخريطة النهائية على الصورة مع RGB = 457 كمجموعة مثالية (الشكل 15 ، الشكل 16).

بسبب المناقشات والنتائج أعلاه:

1) في دراسات القياس عن بعد باستخدام ER-Mapper ، Sharpen 5 * 5 Ker. و DEM هي أفضل المرشحات في تمثيل الخطأ

الشكل 14. خريطة جيولوجية ثلاثية الأبعاد 1: 10.000 خريطة كازرون.

الشكل 15. خريطة الكسور الهيكلية الرئيسية والثانوية (مقدمة من شركة النفط الوطنية الإيرانية بناءً على صور الأقمار الصناعية ولاندسات ، خطأ كازرون 1 و 2) مع RGB = 457.

الشكل 16. تم اكتشاف العيوب في موقع الدراسة على المقطع العرضي AB.

2) للخطأ المستخرج ، كما تمت دراسته من خلال طرق القياس عن بعد ، إجراء مشابه لإجراءات أخطاء كازرون ذات الاتجاه الشمالي الجنوبي الموازي تقريبًا

3) تظهر خريطة الكسور الهيكلية الرئيسية والثانوية (مقدمة من شركة النفط الوطنية الإيرانية بناءً على صور الأقمار الصناعية ولاندسات ، خطأ كازرون 1 و 2) لـ RGB = 457 (الشكل 16).

ثريا ضانا ، محمود الماسيان ، مهيار سلطاني ، شيما رحمتي كامل ، (2015) تحليل هيكلي لجزء في صدع قطر-كازرون باستخدام صور القمر الصناعي لاندسات 8. مجلة الجيولوجيا المفتوحة,05، 499-513. دوى: 10.4236 / ojg.2015.57046


تطور الخط الساحلي بين الليث ورأس محاسن على ساحل البحر الأحمر بالمملكة العربية السعودية باستخدام تقنيات نظم المعلومات الجغرافية و DSAS

تعيش نسبة كبيرة من سكان العالم في المناطق الساحلية. تلعب هذه المناطق دورًا حيويًا في الجوانب الاجتماعية والاقتصادية للمجتمعات الساحلية. يعتبر تطور الخط الساحلي على طول المناطق ذا أهمية كبيرة للعلماء والمهندسين وكذلك الإدارة الساحلية. يهدف هذا البحث إلى تقييم وفهم ديناميكيات الخط الساحلي على طول ساحل البحر الأحمر بين الليث ورأس محاسن ، باستخدام صور الأقمار الصناعية متوسطة الدقة على مدى 34 عامًا (1984-2018) وكذلك التنبؤ بالتغيرات المستقبلية في موقع الخط الساحلي حتى عام 2038 تُستخدم أدوات تحويل الغطاء ذي الشرابة في ArcGIS 10.2 لاستخراج موقع الخط الساحلي للفواصل الزمنية السابعة. يتم تحليل هذه السواحل بواسطة نظام تحليل الخط الساحلي الرقمي في أربع وظائف إحصائية ، وهي (EPR و LRR و NSM و LMS). يتم استخدام معدل نقطة النهاية للتنبؤ بمواقع الخط الساحلي المستقبلية. أظهرت النتائج أن تطورات الخط الساحلي في شكل أنماط تآكل وتراكم ، حيث تجاوزت مساحة السطح 12.3 و 0.89 كم 2 على التوالي. تم تصنيف معدلات التطور على أساس LRR إلى خمس فئات: [أي ، - 11.84 إلى - 7.85 (تآكل مرتفع جدًا) ، - 7.85 إلى - 4.17 (تآكل معتدل) ، - 4.17 إلى 0.00 (تآكل منخفض) ، 0.00 إلى 1.28 (منخفض) التراكم) ، ومن 1.280 إلى 14.44 (تراكم عالٍ)]. تُعزى هذه التغييرات إلى تأثير حركة الموجة الشديدة والانحرافات الساحلية للرواسب بواسطة التيارات الشاطئية. يكشف نموذج التنبؤ أن جزءًا كبيرًا من المنطقة الساحلية عرضة لمعدل عالٍ من تفكك السواحل.

هذه معاينة لمحتوى الاشتراك ، والوصول عبر مؤسستك.


رسم الخرائط وتقييم الوضع البيئي للمناظر الطبيعية باستخدام المؤشرات الجغرافية المستخرجة من صور الاستشعار عن بعد لدلتا نهر اللؤلؤ ، الصين ، بين عامي 1998 و 2008

تقدم هذه الورقة طريقة لرسم الخرائط ومراقبة الجودة البيئية والتغير البيئي باستخدام نموذج التقييم البيئي (EEM) ، والذي يعتمد على بيانات الاستشعار عن بعد لمنطقة دلتا نهر اللؤلؤ في قوانغدونغ ، الصين. تم اختيار خمسة مؤشرات جغرافية: السطح غير المنفوخ ، فهرس الغطاء النباتي للاختلاف الطبيعي ، درجة حرارة سطح الأرض ، والأخضر والسطوع الناتج عن تحول غطاء الشرابة. هذه المؤشرات الجغرافية ذات أهمية بيئية وقد تم استخدامها كمتغيرات لبناء EEM من خلال تحليل العوامل. بالإضافة إلى ذلك ، تم وضع خرائط استخدام الأراضي المستمدة من بيانات الاستشعار عن بعد على خرائط الفهرس الخمسة هذه لتحليل آثار تغير استخدام الأراضي على الحالة البيئية. بناءً على قيم EEM ، تم تحديد خمسة مستويات من المناطق البيئية باستخدام طريقة تقسيم الانحراف المعياري. وأظهرت النتائج أن مناطق المستويين الأول والثاني انخفضت بشكل ملحوظ ، وزادت مناطق المستويين الثالث والرابع ، وظلت منطقة المستوى الخامس دون تغيير. ثبت أن طريقة الاستشعار عن بعد عملية لتحليل التغيير البيئي ، وبالتالي يمكن اعتبار هذا العمل دراسة حالة لأبحاث الرصد البيئي الأخرى.

هذه معاينة لمحتوى الاشتراك ، والوصول عبر مؤسستك.


3 نتائج

3.1 تقييم النموذج

تشير نتائج النموذج ومقاييس التقييم إلى علاقات قوية بين القياسات المتوقعة والموجودة على الأرض (الجدول 2 والشكل 2). بلغ متوسط ​​مقاييس التقييم لمجموعة بيانات التحقق 6.3 و 9.6٪ (MAE و RMSE ، على التوالي) عبر المجموعات الوظيفية للمراعي. تفاوتت الأخطاء المعيارية المتبقية للقياسات المتوقعة وعلى الأرض من 4.6 إلى 12.7٪ بين المجموعات الوظيفية (الجدول 2). تراوح معامل تحديد القيم من 0.57 إلى 0.77 لمعظم المجموعات الوظيفية (الجدول 2). مقاييس التقييم المحسوبة بمجموعات البيانات الإضافية التي لم تكن جزءًا من مجموعة بيانات التدريب كشفت أيضًا عن مقاييس مماثلة (الجدول 3). زاد أداء النموذج مقارنةً بإصدار الغطاء الجزئي 1.0 (جونز وآخرون ، 2018 الجدول 2) ، ويمكن مقارنته بالمنتجات الجزئية الأخرى للمراعي في الولايات المتحدة المتاحة في مناطق جغرافية متباينة (Zhang et al. ، 2019 Rigge et al. ، 2020).

مقاييس تقييم النموذج (متوسط ​​الخطأ المطلق ، جذر MAE يعني الخطأ التربيعي ، الخطأ المعياري المتبقي RMSE ، RSE ومعامل التحديد ، r 2) المحسوبة باستخدام مجموعة بيانات التحقق ذات الصلة لإصدارات الغطاء الكسري 1.0 و 2.0.

مقاييس تقييم النموذج (متوسط ​​الخطأ المطلق ، جذر MAE يعني الخطأ التربيعي ، RMSE ومعامل التحديد ، r 2) المحسوبة باستخدام مجموعات البيانات الإضافية الموضحة في الجدول 1.

تنبؤات الغطاء الكسري بالنسبة للقياسات المرصودة على الأرض ، مفصولة بمجموعة وظيفية للمراعي. يمثل الخط الأسود المتقطع القطري علاقة 1: 1 ، الخط الأزرق الصلب هو التوافق الخطي بين القيم المتوقعة والقيم المرصودة. تم الإبلاغ عن معامل التحديد (r 2) والخطأ المعياري المتبقي (RSE) في الجدول 2.


حساب NDVI باستخدام قيم نطاق Landsat ETM + - أنظمة المعلومات الجغرافية

لقد طلبت ترجمة آلية لمحتوى محدد من قواعد بياناتنا. يتم توفير هذه الوظيفة لراحتك فقط ولا يُقصد بها بأي حال من الأحوال أن تحل محل الترجمة البشرية. لا تقدم SPIE ولا مالكو وناشر المحتوى ، وهم يتنصلون صراحةً من مسؤوليتهم ، أي تعهدات أو ضمانات صريحة أو ضمنية من أي نوع ، بما في ذلك ، على سبيل المثال لا الحصر ، الإقرارات والضمانات فيما يتعلق بوظيفة ميزة الترجمة أو دقة أو اكتمال الترجمات.

لا يتم الاحتفاظ بالترجمات في نظامنا. يخضع استخدامك لهذه الميزة والترجمات لجميع قيود الاستخدام الواردة في شروط وأحكام استخدام موقع SPIE.

تقنية محسّنة لطرح الأجسام المظلمة لتصحيح الغلاف الجوي لـ Landsat 8

Huimei Ding ، 1 Junsheng Shi ، 1 Yuanfangzhou Wang ، 1 Li Wei 1

1 جامعة يونان العادية. (الصين)

اشترك في المكتبة الرقمية

50 تنزيلًا لكل اشتراك لمدة عام

25 تنزيلًا لكل اشتراك لمدة عام

يتضمن ملفات PDF و HTML و Video ، عند توفرها

تم تقديم طريقة محسّنة لطرح الكائن المظلم (DOS) لصورة القمر الصناعي متعدد الأطياف Landsat 8 في هذا البحث. العوامل الرئيسية بما في ذلك تشتت Rayleigh ، وتشتت Mie في إشعاع المسار ، بالإضافة إلى معلمات صورة القمر الصناعي الأخرى (مثل تعديل الارتفاع ومسافة الانحدار والسمت) ، وهي عوامل تم أخذها في الاعتبار في الخوارزمية. وتتألف الخوارزمية من ثلاث خطوات. أولاً ، يتم تحديد قيم ضباب نطاق البداية باستخدام الرسم البياني لصورة واحدة. ثم تم حساب قيم الضباب المتوقعة باستخدام نموذج تشتت معروف والمكاسب الطبيعية متعددة الأطياف وقيم الإزاحة. أخيرًا ، يتم الحصول على قيم الضباب النهائية المتوقعة من خلال قيم الضباب وقيم الضباب المتوقعة. مقارنةً بطرق طرح الكائنات المظلمة الأخرى المحسّنة ، تكون نتيجة هذه الخوارزمية أكثر واقعية في التعرف على الكائن الجغرافي في بيانات NDVI (فهرس الغطاء النباتي الطبيعي) وبيانات NDWI (مؤشر ماء الفروق الطبيعي).

ونسخ (2015) حقوق الطبع والنشر لجمعية مهندسي أجهزة التصوير البصري (SPIE). يُسمح بتنزيل الملخص للاستخدام الشخصي فقط.