دوره 25، شماره 78 - ( 7-1404 ) جلد 25 شماره 78 صفحات 0دوره0فصل__Se | برگشت به فهرست نسخه ها

Mendeley

Zotero

RefWorks

Zaheri Abdehvand Z, Kabolizadeh M. (2025). Improving the Temporal and Spatial Accuracy of the Normalized Difference Vegetation Index (NDVI) Map using Satellite Image Fusion Algorithms. jgs. 25(78), doi:10.61186/jgs.25.78.17
URL: http://jgs.khu.ac.ir/article-1-4305-fa.html

ظاهری عبده وند زینب، کابلی زاده مصطفی. بهبود دقت زمانی و مکانی نقشه شاخص پوشش گیاهی(NDVI) با استفاده از الگوریتم های تلفیق تصاویر ماهواره ای تحقیقات کاربردی علوم جغرافیایی 1404; 25 (78) 10.61186/jgs.25.78.17

URL: http://jgs.khu.ac.ir/article-1-4305-fa.html

بهبود دقت زمانی و مکانی نقشه شاخص پوشش گیاهی(NDVI) با استفاده از الگوریتم های تلفیق تصاویر ماهواره ای

زینب ظاهری عبده وند¹

، مصطفی کابلی زاده^*

1-
2- گروه سنجش از دور و GIS، دانشکده علوم زمین، دانشگاه شهید چمران اهواز، اهواز، ایران ، m.kabolizade@scu.ac.ir

چکیده: (2889 مشاهده)

استفاده از تصاویر ماهواره ای لندست در محدوده های وسیع، امکان پوشش همزمان کل منطقه را فراهم نمی کند. این مسئله زمانی که ارزیابی پوشش های گیاهی همزمان و یا بررسی تغییرات پدیده های کوتاه مدت در یک منطقه وسیع مد نظر باشد، مطالعات را با چالش مواجه می سازد. ادغام داده های تصاویر ماهواره ای لندست با قدرت تفکیک پذیری مکانی مناسب، با اطلاعات تصاویر ماهواره ای مادیس با قدرت تفکیک پذیری زمانی مناسب، می تواند راه حلی برای پیوند بین داده های با وضوح زمانی و مکانی مناسب باشد. هدف از این تحقیق ارزیابی الگوریتم های مختلف ادغام تصاویر در تهیه نقشه شاخص پوشش گیاهی(NDVI) می باشد. بدین منظور از شش الگوریتم تلفیق، شامل NNDiffuse (انتشار نزدیک ترین همسایه)، PC (مولفه های اصلی)،Brovey ، CN(رنگ نرمال شده)، Gram-Schmidt و SFIM (مدل مبتنی بر فیلترهموارسازی) در یک محدوده آزمایشی در استان خوزستان استفاده شد. پس از ارزیابی نتایج الگوریتمها و انتخاب مناسب ترین الگوریتم تلفیق، بر اساس محاسبه میزان خطاهای آماری و ارزیابی معیارهای طیفی (ضریب همبستگی) و مکانی (فیلتر لاپلاسین)، اطلاعات طیفی و مکانی بازتاب باندهای قرمز و مادون قرمز نزدیک هشت تصویر موزائیک شده لندست-8 (30 متر) با باندهای قرمز و مادون قرمز نزدیک یک تصویر مادیس (250 متر) تلفیق گردید. جهت بررسی پوششهای گیاهی، با تصویر ماهوارهای تلفیق شده، شاخص پوشش گیاهی (NDVI)، در محدوده استان خوزستان تهیه گردید. نتایج به دست آمده نشان داد که الگوریتم NNDiffuse از دقت مطلوبتری جهت ادغام باندهای قرمز و مادون قرمز نزدیک لندست 8 و مادیس برخوردار است، به طوری که شاخص گیاهی NDVI به دست آمده از این الگوریتم در مقایسه با تصویر لندست- 8 اصلی، از کمترین خطای آماری (1234/0) RMSE و (081/0)MAE برخوردار است.

واژه‌های کلیدی: استان خوزستان، الگوریتم NNDiffuse، تلفیق تصاویر، شاخص پوشش گیاهی (NDVI)، مادیس.

نوع مطالعه: پژوهشي | موضوع مقاله: سنجش از دور

فهرست منابع

1. اژدری، علی؛ حیدریان پیمان؛ فتح‌بار، سمیرا؛ صالحی، حسین و فولادی، علی (1396). اولویت‌های کانون‌های تولید گرد و غبار در استان خوزستان. سازمان زمین‌‌شناسی و اکتشاف معدنی استان خوزستان.

2. شیرازی، میترا؛ اخوان محمد اخوان؛ متین‌فر، حمیدرضا و نخکش، منصور(1399). مقایسه روش‌های کاهش مقیاس تصویر MODIS و OLI برای تشخیص گرد و غبار صنعتی، مجله تحقیقات مرتع و بیابان ایران، شماره 26 (3). [DOI:10.22092/ijrdr.2019.119996]

3. کابلی‌زاده، مصطفی؛ رنگزن، کاظم و محمدی، شاهین (1397). کاربرد تلفیق تصاویر ماهواره ای لندست-8 و سنتینل-2 در پایش محیطی، سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی (سال نهم/ شماره سوم).

4. نخعی‌نژاد فرد، سارا؛ غلامی، حمید؛ اکبری، داود؛ تلفر، مت و رضایی، مرضیه(1398). ارزیابی استفاده از الگوریتم‌های مختلف ادغام تصویر در تهبه نقشه شاخص‌های گیاهی. فصلنامه علمی ـ پژوهشی اطلاعات جغرافیایی سپهر، 28(112)، 199-217. . [DOI:10.22131/sepehr.2020.38616]

5. Acerbi-Junior, F., Clevers, J., & Schaepman, M. (2006). The assessment of multi-sensor image fusion using wavelet transforms for mapping the Brazilian Savanna. International Journal of Applied Earth Observation and Geoinformation, 8(4): 278-288. https://doi.org/10.1016/j.jag.2006.01.001 [DOI:10.1016/j.jag.2006.01.001.]

6. Al-Wassai, F., Kalyankar, N.V., & Al-Zuky, A A. (2011). Arithmetic and frequency filtering methods of pixel-based image fusion techniques. arXiv preprint arXiv:1107.3348.

7. Boyte, S.P., Wylie, B.K., Rigge, M.B. & Dahal, D. (2017). "Fusing MODIS with Landsat 8 data to downscale weekly normalized difference vegetation index estimates for central Great Basin rangelands, USA", GIScience & Remote Sensing, 1-24. [DOI:10.1080/15481603.2017.1382065]

8. Chen, Sh., Zhang, L., Hu, X., Meng, Q., Qian, J. & Gao, J. (2023). "A Spatiotemporal Fusion Model of Land Surface Temperature Based on Pixel Long Time-Series Regression: Expanding Inputs for Efficient Generation of Robust Fused Results" Remote Sensing 15, no. 21: 5211. https://doi.org/10.3390/rs15215211 [DOI:10.3390/rs15215211.]

9. Gao, F., Hilker, T., Zhu, X., Anderson, M., Masek, J., Wang, P., & Yang. (2017). Fusing Landsat and MODIS Data for Vegetation Monitoring. IEEE Geoscience and Remote Sensing Magazine, 3(3): 47-60. [DOI:10.1109/MGRS.2015.2434351]

10. Lau, W., King, B.A., & Li, Z. (2000). The influence of image classification by fusion of spatially oriented images. International Archieves of Photogrammetry and Remote Sensing, 33(B7/2; PART 7): 752-759.

11. Moller, M., Gerstmann, h., Gao, F., Dahms, T.C., & Forster, M. (2017). Coupling of phenological information and simulated vegetation index time series: Limitations and potentials for the assessment and monitoring of soil erosion risk. CATENA, 150: 192-205. https://doi 10.1016/j.catena.2016.11.016 [DOI:10.1016/j.catena.2016.11.016]

12. Moltó, E. (2022). "Fusion of Different Image Sources for Improved Monitoring of Agricultural Plots" Sensors 22, no. 17: 6642. https://doi.org/10.3390/s22176642 [DOI:10.3390/s22176642.] [PMID] []

13. Niazi, Y., Moosavi, V., Talebi, A., Mokhtari, M.H., & Shamsi, S.R.F. (2015). A wavelet-artificial intelligence fusion approach (WAIFA) for blending Landsat and MODIS surface temperature. Remote Sensing of Environment, 169, pp.243-254. https://doi.org/10.1016/j.rse.2015.08.015 [DOI:10/.1016/j.rse.2015.08.015.]

14. Olsoy, P., Mitchell, J., Glenn, N., Flores, A. (2017). Assessing a Multi-Platform Data Fusion Technique in Capturing Spatiotemporal Dynamics of Heterogeneous Dryland Ecosystems in Topographically Complex Terrain. Remote Sensing, 9(10): 981 [DOI:10.3390/rs9100981]

15. Pohl, C., & Van Genderen, J. (2016). Remote sensing image fusion: A practical guide. 1st ed. Crc Press, Boca Raton, 288. [DOI:10.1201/9781315370101]

16. Pushparaj, J., & Hegde, A.V. (2017). Evaluation of pan-sharpening methods for spatial and spectral quality. Applied Geomatics, 9(1): 1-12. [DOI:10.1201/9781315370101]

17. Wang, Q., Blackburn, G.A., Onojeghuo, A.O., Dash, J., Zhou, L., Zhang, Y., & Atkinson, P.M. (2017). Fusion of Landsat 8 OLI and Sentinel-2 MSI data. IEEE Transactions on Geoscience and Remote Sensing, 55(7): 3885-3899. [DOI:10.1109/TGRS.2017.2683444]

18. Xu, S., & Ehlers, M. (2017). Hyperspectral image sharpening based on Ehlers fusion.International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLII-2/W7: 941-947. [DOI:10.1109/TGRS.2017.2683444]

19. Zhang, K., Kimball, J. S., & Running, S.W. (2016). A review of remote sensing based actual evapotranspiration estimation. Wiley Interdisciplinary Reviews: Water, 3(6), 834-853. http://dx.doi.org/10.1002/wat2.1168 [DOI:10.1002/wat2.1168]

20. Zhao, J., Huang, L., Yang, H., Zhang, D., Wu, Z. & Guo, J. (2016). "Fusion and assessment of high-resolution WorldView-3 satellite imagery using NNDiffuse and Brovey algorithms. In Fusion and assessment of high-resolution WorldView-3 satellite imagery using NNDiffuse and Brovey algorithms", IEEE International Geoscience and Remote Sensing Symposium (IGARSS), 2606-2609. [DOI:10.1109/IGARSS.2016.7729673] [PMID] []

21. Zhou, J., Zhan, W.D., Hu & Zhao, X. (2011). Improvement of mono-window algorithm for retrieving land surface temperature from HJ-1B satellite data. Chinese Geographical Science, 20: 123-131. https://doi.org/10.1007/s11769-010-0123-z [DOI:1010.1007/s11769-010-0123-z]

22. Zhou, J., Chen, J., Chen, X., Zhu, X., Qiu, Y., Song, H., Rao, Y., Zhang, C., Cao, X., & Cui, X. (2021). Sensitivity of six typical spatiotemporal fusion methods to different influential factors: A comparative study for a normalized difference vegetation index time series reconstruction. Remote Sensing of Environment, 252, Article 112130. [DOI:10.1016/j.rse.2020.112130]

ارسال پیام به نویسنده مسئول

بازنشر اطلاعات
	این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.