تصاویر سنجش از دور در نقشه برداری پوشش گیاهی عنوان پستی است که قرار است با شما به اشتراک بگذاریم.امیدواریم که این پست جذاب مورد پسند شما قرار بگیرد. این پست توسط ونوس نصیرفام تهیه و تقدیم می گردد.
مقدمه
نقشه برداری پوشش گیاهی ازطریق تصاویر سنجش ازدور شامل ملاحظات، فرآیندها و تکنیک های مختلفی است. افزایش دسترسی به تصاویر سنجش از راه دور به دلیل پیشرفت سریع فن آوری سنجش از دور افق انتخاب های ما را از منابع تصویری گسترش می دهد. منابع مختلف تصویرسازی به خاطر آنها شناخته شده اند، تفاوت در ویژگی های طیفی، مکانی، رادیواکتیو و زمانی و بنابراین برای اهداف مختلف نقشه برداری پوشش گیاهی مناسب هستند. به طورکلی، باید طبقه بندی پوشش گیاهی ابتدا برای طبقه بندی و نقشه برداری پوشش گیاهی تصاویر از راه دور سنجنده یا در سطح جامعه یا سطح گونه ایجادکند.سپس، همبستگی انواع پوشش گیاهی (جوامع یا گونه ها) در این سیستم طبقه بندی با ویژگی های طیفی قابل تشخیص تصاویر سنجش از دور باید شناسایی شود. این تصویر کلاس های طیفی در نهایت در فرآیند تفسیر تصویر به انواع پوشش گیاهی تبدیل می شوند که به آن تصویر در حال پردازش نیز می گویند. این مقاله مروری بر نحوه استفاده از تصاویر سنجش از دور برای طبقه بندی و نقشه برداری از پوشش گیاهی پوشش می دهد.یافته های مهم مفاهیم اساسی، منابع تصویری موجود و تکنیک‌های طبقه‌بندی تصاویر سنجش از دور مرتبط با نقشه‌برداری پوشش گیاهی معرفی، تحلیل و مقایسه شد. مزایا و محدودیت های استفاده از تصاویر سنجش از دور برای نقشه برداری پوشش گیاهی بود. جهت تکرار اهمیت درک کامل مفاهیم مرتبط و طراحی دقیق رویه های فنی، که می توان برای مطالعه پوشش گیاهی از تصاویر سنجش از دور استفاده کرد.
معرفی
ارزیابی و نظارت بر وضعیت سطح زمین، الزامات تحقیق در مورد تغییرات جهانی یک نکته کلیدی است.طبقه بندی و نقشه برداری پوشش گیاهی یک وظیفه فنی مهم برای مدیریت منابع طبیعی است. زیرا پوشش گیاهی بستری را برای همه موجودات زنده فراهم می کند و نقش اساسی در تأثیرگذاری جهانی تغییرات آب و هوایی، مانند تأثیرگذاری بر CO2 زمینی دارد. نقشه برداری پوشش گیاهی همچنین اطلاعات ارزشمندی را برای درک محیط‌های طبیعی و مصنوعی از طریق کمی‌سازی پوشش گیاهی از مقیاس محلی تا جهانی در یک زمان معین یا در یک دوره مداوم ارائه می‌دهد. به دست آوردن وضعیت فعلی پوشش گیاهی به منظور شروع حفاظت از پوشش گیاهی و برنامه های ترمیم بسیار مهم است. یک مورد خوب توسط برنامه تجزیه و تحلیل GAP با حمایت مالی توسط سازمان زمین شناسی ایالات متحده که هدف آن حفظ بهتر جوامع گیاهان نشان داده شده است. ترجیح قوی برای به دست آوردن داده های به روز در مورد پوشش گیاهی نشان داده شده به طور منظم یا سالانه تغییر می کند تا محیط و اکوسیستم را بهتر ارزیابی کند. روش‌های سنتی (مانند بررسی‌های میدانی، مرور ادبیات، تفسیر نقشه و تجزیه و تحلیل داده های جانبی با این حال، برای به دست آوردن پوشش های گیاهی مؤثر نیستند، زیرا زمان بر و اغلب پرهزینه هستند.فن آوری سنجش از راه دور عملی را ارائه می دهد و ابزار اقتصادی برای مطالعه تغییرات پوشش گیاهی به ویژه در مناطق وسیع است. به دلیل ظرفیت بالقوه برای مشاهدات سیستماتیک در مقیاس های مختلف، فن آوری سنجش از دور آرشیو داده های ممکن را از زمان کنونی تا چندین دهه قبل گسترش می دهد.
ما در این مقاله یک بررسی جامع در مورد آن را ترکیب خواهیم کرد چگونه از فن آوری سنجش از دور برای طبقه بندی و نقشه برداری پوشش گیاهی استفاده می شود. پیش پردازش تصویر و روش های طبقه بندی تصویر معمولا اتخاذ شده در استخراج اطلاعات پوشش گیاهی از تصاویر سنجش از دور (از جمله تصاویر فراطیفی کاربرد و ترکیب داده ها) در «استخراج گیاهی از تصاویر سنجش از دور» نشان داده خواهد شد.
سنسورهای سنجش از راه دور
سنسور سنجش از راه دور وسیله ای کلیدی که داده ها در مورد یک شی یا چشم انداز از راه دور را ضبط می کند. از آنجایی که اشیاء (از جمله پوشش گیاهی) ویژگی های طیفی منحصر به فرد خود را دارند (بازتاب یا مناطق انتشار)، آنها را می توان از تصاویر سنجش از دور با توجه به ویژگی های طیفی منحصر به فرد آنها شناسایی کرد. یک مورد خوب در نقشه برداری پوشش گیاهی با استفاده از سنجش از دور فناوری عبارت است از تشعشعات طیفی در نواحی قرمز و مادون قرمز نزدیک، علاوه بر مناطق دیگر. درخشش در این مناطق می‌توان به شاخص‌های پوشش گیاهی طیفی (VI) که مستقیماً با بخش رهگیری شده مرتبط است، تابش فعال فتوسنتزی گنجانده شود. اثرات طیفی فتوسنتزی و پوشش گیاهی غیر فتوسنتزی فعال تفاوت آشکاری را نشان داده و می توان از آن برای تخمین کمیت و کیفیت علوفه چمنزاراستفاده کرد. در طول نیم قرن گذشته، تصاویر سنجش از دور توسط طیف وسیعی از حسگرهای هوابرد و فضابرد از حسگرهای چند طیفی تا حسگرهای فراطیفی با طول موج‌های قابل مشاهده تا مایکروویو، با وضوح‌های مکانی از زیر متر تا کیلومتر و با زمان فرکانس های مختلف از ۳۰ دقیقه تا هفته یا ماه ها بوده است. رهنمودهای تقریبی برای تعاریف تفکیک فضایی ممکن است به صورت زیر تعریف شوند: (۱) وضوح کم یا درشت به عنوان پیکسل هایی با فاصله نمونه برداری از زمین (GSD) 30 متر یا بیشتر تعریف می شود، (۲) وضوح متوسط GSD در محدوده ۰٫۲-۳۰ متر، (۳) وضوح بالا GSD 0.5-20 متر است، و (۴) وضوح بسیار بالا اندازه پیکسل <0.5 متر GSD است. از آنجا که حسگرهای مختلف فضایی، زمانی، طیفی و ویژگی های رادیومتریک، انتخاب سنسورهای مناسب بسیار است برای نقشه برداری پوشش گیاهی مهم است. انتخاب تصاویر به دست آمده توسط حسگرها تا حد زیادی توسط چهار عامل مرتبط تعیین می شود: (۱) هدف نقشه برداری، (۲) هزینه تصاویر، (۳) شرایط آب و هوایی (به ویژه شرایط جوی) و (۴) مسائل فنی برای تفسیر تصویر. به طور کلی، تصاویر با رزولوشن پایین تنها زمانی پذیرفته می شوند که سطح بالایی از طبقات پوشش گیاهی باید شناسایی شود، در حالی که از تصاویر با وضوح نسبتاً بالاتر در طبقه بندی دقیق پوشش گیاهی استفاده می شود. دوم، تصاویر سنجنده از راه دور ممکن است بسیار پرهزینه باشد و هزینه تصویربرداری قطعاً در هنگام انتخاب تصویر مورد توجه است.از نظر مقیاس نقشه برداری، نقشه برداری پوشش گیاهی در مقیاس کوچک معمولاً به تصاویر با وضوح بالا نیاز دارد، در حالی که تصاویر با وضوح پایین برای نقشه برداری در مقیاس بزرگ استفاده می شوند. سوم، آن موضوع امکان سنجی استفاده از داده های مختلف منابعی برای به دست آوردن یک سری تصویر بدون ابر در مدت زمان طولانی را مطرح می کند. در نهایت، برخی از فن آوری ها هنگام انتخاب مشخصات مناسب، باید ویژگی‌های مربوط به کیفیت تصویر، پیش پردازش و تفسیر از سنسورها را در نظر گرفت. در زمینه نقشه برداری پوشش گیاهی، رایج ترین سنسورهای کاربردی شامل Landsat (عمدتاً TMو ETM+)، SPOT، MODIS، NOAA–AVHRR، IKONOS وQuickBird است.
Landsat TM و ETM+
لندست ممکن است طولانی ترین سابقه و گسترده ترین استفاده را برای نظارت زمین از فضا داشته باشد. از زمانی که اولین ماهواره لندست در سال ۱۹۷۲ پرتاب شد، مجموعه ای از حسگرهای تصویربرداری چند طیفی پیچیده تر، به نام نقشه‌بردار موضوعیTM – ، ازلندست۴_۱۹۸۲،لندست۵ (۱۹۸۴)، اضافه شده است. لندست ۶ (۱۹۹۳، پرتاب ناموفق) ، لندست۷ (۱۹۹۹)، لندست۸(۲۰۱۳)، لندست۹(۲۰۲۱) (نقشه‌بردار موضوعی تقویت Plus، ETM+ شده است).سنسورهای تصویربرداری Landsat TM و ETM+ میلیون‌ها تصویر را با رکورد تقریباً پیوسته از داده‌های سطح زمین از زمان پیدایش آن بایگانی کرده‌اند.
لندست تصاویری با وضوح فضایی متوسط تا درشت ارائه می دهد. مثلاً لندست تصاویر لندست ETM+ دارای وضوح فضایی ۳۰ متر برای باندهای چند طیفی و ۶۰ متر برای باند مادون قرمز حرارتی می باشد. محصولات لندست عمدتاً در نقشه برداری پوشش گیاهی در مقیاس منطقه ای کاربرد دارند. از آنجایی که Landsat سابقه طولانی در مجموعه داده ها دارد، تهیه نقشه پوشش گیاهی طولانی مدت بسیار مفید بوده و تغییرات فضایی و زمانی پوشش گیاهی را مطالعه کنند. به دلیل ویژگی های متفاوت حسگرهای طیفی یعنی TM و ETM+ در سری تصاویر لندست برای تصحیح بازتاب طیفی بین تصاویر به دست آمده توسط آن حسگرها ضروری است.این امر به ویژه در تحقیقات نظارت بر پوشش گیاهی طولانی مدت که در آن هر دو تصاویر Landsat TM و ETM+ استفاده می شود.خط غیر تجربی پیشنهادی رویکرد بازیابی ضریب بازتاب از Landsat-5 TM و Landsat-7 ETM+ ضروری است. علاوه بر محدودیت ناشی از وضوح فضایی متوسط از تصاویر Landsat، وضوح زمانی نسبتاً پایین ممکن است کاربرد آن را در نقشه برداری پوشش گیاهی محدود کند. ماهواره های لندست پرطرفدار و همزمان با خورشید هستند. ۱۶روز طول می کشد تا ماهواره ها آخرین مکان را دوباره مشاهده کنند. این تحمیل یک مشکل برای نقشه برداری پوشش گیاهی با استفاده از تصاویر Landsat به ویژه زمانی که بهره دوره(IOP) در یک فصل بارانی کاهش می یابد، که در طی ابر سنگین به شدت کیفیت تصویر کاهش می یابد. از آنجایی که IOP معمولاً دارای بازه زمانی محدودی است، در نظر گرفتن هدف نقشه برداری و همچنین آب و هوای محلی مهم است و شرایط توپوگرافی را در نظر گرفته شده انتخاب منبع تصویر بسیار زیاد است.
SPOT
تصاویر به دست آمده توسط ماهواره های رصد زمین SPOT هستند که برای مطالعه، پایش، پیش‌بینی و مدیریت منابع طبیعی و فعالیت‌های انسانی مفید است. پنج ماهواره SPOT که تاکنون ، از۱ SPOTتا۵ SPOTدر سال های به ترتیب ۱۹۸۶، ۱۹۹۰، ۱۹۹۳، ۱۹۹۸ و ۲۰۰۲راه اندازی شده است. تصاویر نقطه ای دارای طیف گسترده ای از وضوح تصویر از ۱ کیلومتر در مقیاس جهانی (تصاویر پوشش گیاهی SPOT) تا ۲٫۵ متر در مقیاس محلی است. دو HRV (وضوح بالای قابل مشاهده) ابزارهای تصویربرداری در ۱SPOT ، ۲ و ۳ و مربوطه ابزارهای HRVIR (وضوح قابل مشاهده بالا و مادون قرمز) در ۴ SPOT و HRG (وضوح بالا) هندسی در ۵SPOT درحالت پانکروماتیک یا چند طیفی اسکن کنند. علاوه بر این، SPOT 4 و ۵ نیز دارای یک دومین ابزار تصویربرداری که به عنوان گیاه SPOT (VGT) شناخته می شود ابزاری که داده ها را با وضوح مکانی ۱ کیلومتر و زمانی وضوح ۱روز جمع آوری می کند. تصاویرSPOT، به ویژه SPOT VGT، برای مشاهده و تجزیه و تحلیل تکامل سطوح زمین و درک تغییرات زمین در مناطق وسیع بسیار مفید هستند.
به دلیل ابزارهای حسگر متعدد و فرکانس های بازبینی، ماهواره های SPOT قادر به دست آوردن تصویری از هر نقطه از زمین هر روز و داشتن یک مزیت نقشه برداری از پوشش گیاهی در مقیاس های انعطاف پذیر (منطقه ای، ملی، قاره ای یا جهانی) به انجام آن هستند.یک سیستم طبقه بندی برای انواع مختلف پوشش زمین با تأکید ویژه بر پوشش گیاهی کم پوشش برای حل مشکلات مربوط به تغییرات فصلی و شرایط طبیعی بسیار متغیر توسعه داده شد.
MODIS
MODIS (طیف رادیومتر تصویربرداری با وضوح متوسط) یک کلید ابزاری بر روی ماهواره های Terra (AM EOS) وAqua (EOS PM) است. MODIS Terra وMODIS Aqua با هم قادرند هر۱تا ۲روز یکبار کل سطح زمین را مشاهده کنند. تصاویر جمع شده از MODIS، شامل ۳۶ باند طیفی با وضوح فضایی اعم از۲۵۰ تا ۱ کیلومتر، عمدتاً به پویایی و فرآیندهای پوشش گیاهی اعمال می شودکه در مقیاس بزرگ ترسیم کنند. با توجه به تفکیک فضایی درشت، نقشه برداری پوشش گیاهی در مقیاس محلی یا مقیاس منطقه ای توصیه نمی شود. با این حال، ادغام تصویر با ترکیب چندین نوع تصویر احتمالاً می تواند منجر به نتایج بهتر نقشه برداری شود.
AVHRR
حسگر AVHRR که روی سری ماهواره‌های محیطی مدار قطبی NOAA یک پهنای باند است،۴ (AVHRR/1)، اسکن رادیومتری۵ (AVHRR/2) یا کانال ۶ (AVHRR/3) در بخش مرئی، مادون قرمز نزدیک و مادون قرمز حرارتی طیف الکترومغناطیسی حمل می‌شود. داده های تصویر AVHRR دارای دو وضوح فضایی: ۱٫۱ کیلومتر برای پوشش محلی (LAC) و ۵ کیلومتر برای پوشش منطقه جهانی (GAC) هستند. هر دو به طور گسترده برای مطالعه و نظارت بر شرایط پوشش گیاهی در اکوسیستم ها، از جمله جنگل ها، تندرا، مراتع، زمین های کشاورزی، نقشه برداری پوشش زمین و تهیه نقشه های بزرگ مقیاس برای این موضوعات مورد استفاده قرار می گیرند. یکی از مزایای آشکار AVHRR هزینه کم و احتمال زیاد به دست آوردن یک نمای بدون ابر از سطح زمین است. مجموعه داده پوشش گیاهی کسری ۸ کیلومتری جهانی برای سالهای ۱۹۸۲-۲۰۰۰ نیز از مسیریاب زمینی NOAA–AVHRR داده های شاخص تفاوت گیاهی نرمال شده NDVIاست. از آنجایی که AVHRR دارای یک آرشیو تصویر با سابقه طولانی از سال ۱۹۷۸که اولین AVHRR راه اندازی شد، برای مطالعه تغییرات طولانی مدت پوشش گیاهی بسیار مفید است.
با این وجود، بسیاری از پروژه‌ها از جمله(GLCC)با هدف نقشه‌برداری پوشش گیاهی در مقیاس قاره‌ای تا جهانی با استفاده از AVHRR برای سال‌ها صرفاً به این دلیل که هزینه کم و دسترسی آسان هستند.
IKONOS
IKONOS یک رصد تجاری زمین آهنگ باخورشید است، ماهواره در سال ۱۹۹۹ پرتاب شد و اولین ماهواره ای بود که تصاویر با وضوح بالا با وضوح ۱ و ۴ متر در دسترس عموم قرار گرفت. حسگرها دارای دو تصویر، چند طیفی و پانکروماتیک هستند. حسگر پانکروماتیک تصویر را در فاصله ۱متری در حالی که باندهای چند طیفی (شامل آبی، سبز، قرمز و نزدیک به فروسرخ) دارای یک وضوح فضایی در ۴ متر جمع آوری می کند. هر دو سنسور دارای یک نوار عرض۱۱کیلومتر و فاصله بازدید مجدد۳-۵ روز هستند. مشاهدات IKONOS در مقیاس فضایی معادل اندازه‌گیری‌های میدانی هستندکه معمولاً در تحقیقات اکولوژیکی و پوشش زمین انجام می‌شوند. به این ترتیب، مشاهدات IKONOS ممکن است به عنوان یک منبع اندازه‌گیری‌های زمین «مجازی» برای وضوح فضایی پایین، رصدخانه های جهانی عمل کند. در حالت ایده آل، از IKONOS می توان برای نقشه برداری پوشش گیاهی در مقیاس محلی یا تایید پوشش گیاهی طبقه بندی شده از سایر تصاویر سنجش از دوراستفاده کرد.
QuickBird
QuickBird شبیه به IKONOS، تصاویر با دقت بالاتر با تصاویر پانکروماتیک با وضوح ۶۰ تا ۷۰ سانتی مترو وضوح تصاویر چند طیفی در ۲٫۴ و ۲٫۸ متر بسیار دقیق و یکنواخت ارائه می دهد. این تنها فضاپیمایی است که تاکنون قادر به ارائه تصاویر با وضوح زیر متر است. مجموعه های جهانی QuickBird تصاویر تا حد زیادی کاربردهای مختلف از زمین و ارزش مدلسازی مدیریت تا بوم شناسی (از جمله نقشه برداری پوشش گیاهی) را تسهیل می کند. تصاویر QuickBird معمولاً برای مطالعه خاص موضوعات در مناطق نسبتاً کوچک (یا در مقیاس محلی) غیر عملی است. برای اعمال تصاویر QuickBird برای برنامه های کاربردی در منطقه بزرگ به دلیل هزینه بالا و پارامترهای فنی سخت استفاده می شود.از تصاویر QuickBird برای نقشه برداری SAV استفاده کرد سه مکان در سراسر دریاچه های بزرگ و ثابت کردکه داده های حسگر QuickBird برای طبقه بندیSAV بسیار مفید بودند. مشابه IKONOS، از تصاویر QuickBird می توان برای نقشه برداری پوشش گیاهی استفاده کرد، در مقیاس محلی یا برای اهداف اعتبار سنجی استفاده می شود. علاوه بر سنسورهای فوق الذکر، سنسورهای بسیار دیگری نیز وجود دارد.مثلاً، گسیل رادیومتری و انعکاس حرارتی پیشرفته Spaceborne (ASTER)یک ابزار تصویربرداری است که درTerra پرواز می کند. از ASTER برای به دست آوردن نقشه های دقیق سطح زمین بازتاب و ارتفاع در مطالعه الگوهای زیستگاه استفاده شده است. توجه داشته باشید که اصل نقشه برداری برای پوشش گیاهی از تصاویر سنجش از دور بر ویژگی های طیفی منحصر به فرد انواع مختلف پوشش گیاهی متکی است. بنابراین، تصاویر فراطیفی حاوی اطلاعات بیشتری از پوشش گیاهی است و می توان برای نقشه برداری دقیق تر پوشش گیاهی آن استفاده کرد. به عنوان مثال،AVIRISتصاویر را با ۲۲۴ باند طیفی جمع آوری می کند.
استخراج پوشش گیاهی سنجش از دوردر تصویرسازی
استخراج پوشش گیاهی از تصاویر سنجش از دور فرآیند استخراج اطلاعات گیاهی با تفسیر تصاویر ماهواره ای بر اساس عناصر تفسیری مانند اطلاعات رنگ، بافت، تن، الگو و تداعی تصویر و غیره. روش های مختلفی برای انجام این کار ایجاد شده است. این روش‌ها را می‌توان به‌طور کلی به‌عنوان تحت‌نظارت یا تحت‌نظارت گروه‌بندی کرد به عنوان بدون نظارت بسته به اینکه آیا زمین واقعی است یا نه داده ها به عنوان مرجع وارد می شوند.مراحل کلی مربوط به نقشه برداری پوشش گیاهی شامل پیش پردازش تصویر و طبقه بندی تصویر است. پیش پردازش تصویر با تمام مراحل آماده سازی سروکار دارد برای بهبود کیفیت تصاویر اصلی ضروری است،که سپس منجربه تخصیص هر پیکسل از صحنه بر روی پوشش گیاهی می شود گروه‌هایی که در سیستم طبقه‌بندی پوشش گیاهی یا ماتریس عضویت گروه‌های گیاهی در صورت فازی تعریف شده‌اند طبقه بندی پذیرفته شده است.
پیش پردازش تصویر
پیش پردازش تصاویر ماهواره ای قبل از استخراج پوشش گیاهی برای حذف نویز و افزایش قابلیت تفسیر داده های تصویر ضروری است.این امر به ویژه زمانی که از یک سری زمانی از تصاویر استفاده می شود یا زمانی که یک منطقه توسط تصاویر زیادی احاطه شده است، صادق است از آنجایی که اساساً مهم است که این تصاویر از نظر فضایی و طیفی سازگار باشند. نتیجه ایده آل پیش پردازش تصویر این است که تمام تصاویر پس از پیش پردازش تصویر باید به نظر می رسد که آنها از همان سنسور به دست آمده اند. گیاه شناس و بوم شناس باید این را در نظر داشته باشند در حالی که پیش پردازش تصویر پیش نیاز پوشش گیاهی است استخراج از تصاویر سنجش از دور، روش های پیش پردازش ذکر شده در زیر ممکن است همیشه مورد نیاز نباشد زیرا برخی از این روش های پیش پردازش ممکن است توسط آژانس های توزیع تصویر انجام شده باشد.
طبقه بندی تصویر
طبقه بندی تصویر، در یک مفهوم گسترده، به عنوان فرآیند استخراج طبقات یا موضوعات متمایز (مثلاً دسته‌های کاربری زمین، گونه‌های گیاهی) از داده‌های خام ماهواره‌ای سنجش از دور تعریف می شود. ما در اینجا به سادگی به فرآیندی که پس از پیش‌پردازش تصویر انجام می‌شود به عنوان طبقه‌بندی تصویر اشاره می‌کنیم. تکنیک هایی برای استخراج پوشش گیاهی از تصاویر پیش پردازش شده به دو نوع سنتی و بهبود یافته مواد و روش ها دسته بندی می شود.
روش های سنتی
روش‌های سنتی از الگوریتم‌های طبقه‌بندی تصویر کلاسیک ، به عنوان مثال K-mean و ISODATA برای نظارت بدون طبقه بندی یا طبقه بندی حداکثر احتمال (MLC) برای طبقه بندی تحت نظارت استفاده می‌کنند. رویکرد بدون نظارت اغلب در نقشه برداری موضوعی (از جمله نقشه برداری پوشش گیاهی) از تصاویر استفاده می شود. استفاده از آن آسان و به طور گسترده در بسته های نرم افزاری پردازش تصویر و آماری در دسترس است. دو روش پرکاربرد عبارتنداز: K-meanو الگوریتم های خوشه بندیISODATA. هر دوی این الگوریتم ها شامل رویه های تکرار شونده هستند. به طور کلی، هر دوی آنها ابتدا یک بردار خوشه اولیه دلخواه را اختصاص می دهند. دومین مرحله هر پیکسل را به نزدیکترین خوشه طبقه بندی می کند. در مرحله سوم، بردارهای میانگین خوشه جدید بر اساس همه پیکسل ها در یک خوشه محاسبه می شوند.طبقه بندی MLC معمولاً به عنوان یک کلاسیک و پرکاربرد طبقه بندی نظارت شده برای تصاویر ماهواره ای بر روی الگوی توزیع آماری در نظر گرفته می شود. با این حال،MLC کمتر رضایت بخش را نشان می دهد موفقیت‌هایی از زمان فرض MLC که داده‌ها دنبال می‌شوند توزیع مناطق Gaussian ممکن است همیشه به صورت پیچیده برگزار نشود.
طبقه بندی های بهبود یافته
یک نوع پوشش گیاهی که روی زمین ممکن است باویژگی های طیفی در تصاویر سنجش از دور متفاوت باشد بسیار رایج است. همچنین، انواع مختلف پوشش گیاهی ممکن است دارای طیف های مشابه باشند، که دستیابی به نتایج طبقه بندی دقیق با استفاده از طبقه بندی سنتی بدون نظارت یا طبقه بندی نظارت شده را نیز بسیار سخت می کند. بنابراین، روش‌های بهبودیافته معمولاً بر روی تکنیک‌های خاص تمرکز می‌کنند و بر روی آنها گسترش یافته یا ویژگی های طیفی، که می تواند منجر به نتایج طبقه بندی بهتر شود و در نتیجه مستلزم توجه ویژه است. پیشرفت بزرگ در توسعه طبقه بندی کننده های قوی تر برای استخراج پوشش های گیاهی از تصاویر سنجش ازدور ساخته شده است.
تصاویر فراطیفی و تلفیق داده ها
در سالهای اخیر، روش‌های پیشرفته‌تری که منعکس‌کننده آخرین تکنیک‌های سنجش از دور مورد استفاده در نقشه‌برداری پوشش گیاهی هستند، در ادبیات دیده می‌شوند. از جمله، کاربردهای تصاویر فراطیفی و تلفیق تصاویر چندگانه برای استخراج پوشش گیاهی به سرعت توسعه می یابند و در نتیجه مستلزم توجه ویژه ما هستند.
نقشه برداری پوشش گیاهی از تصاویر فراطیفی
به جای استفاده از تصاویر چند طیفی، استخراج پوشش گیاهی از تصاویر فراطیفی اخیراً به طور فزاینده ای مورد مطالعه قرار گرفته است. در مقایسه با تصاویر چند طیفی که فقط ده ها مورد از آن را دارد باندهای طیفی، تصاویر فراطیفی شامل صدها باند طیفی است. حسگرهای فراطیفی برای پوشش گیاهی مناسب هستند، مطالعات به‌عنوان نشانه‌های طیفی بازتاب/جذب از گونه‌های منفرد و همچنین جوامع پیکسلی پیچیده‌تر را می‌توان بهتر از موارد بسیار باندهای طیفی گسترده تر از تصاویر فراطیفی متمایز کرد. به عنوان مثال، تصاویر فراطیفی از AVIRISمعمولاً در حوزه سنجش از دور زمین استفاده می شود. AVIRISیک حسگر طیفی منحصر به فرد که کالیبره شده تصاویری از تابش طیفی صعودی در ۲۲۴ پیوسته کانال های طیفی (باند) با طول موج های مختلف از ۴۰۰ تا ۲۵۰۰ نانومتر را ارائه می دهد. اطلاعات درون آن باندها می تواند برای شناسایی، اندازه گیری و نظارت بر اجزای تشکیل دهنده سطح زمین استفاده می شود (به عنوان مثال انواع پوشش گیاهی) بر اساس جذب مولکولی و نشانه های پراکندگی ذرات باشد.
نقشه برداری پوشش گیاهی از طریق همجوشی تصویر
اطلاعات ارائه شده توسط هر سنسور فردی ممکن است ، ناسازگار و نادقیق برای یک کاربرد معین ناقص باشد.ادغام تصویر داده های سنجش از راه دور با وضوح های فضایی متعدد یک تکنیک مؤثر است که برای بهبود طبقه بندی پوشش گیاهی پتانسیل خوبی دارد. برای آن نقشه برداری دقیق پوشش گیاهی برای ادغام کارآمد از راه دور سنجش اطلاعات با زمانی، طیفی و وضوح فضایی از طریق ادغام تصویر مهم است. به عنوان مثال، در مطالعه همجوشی برای تصاویر سنجش از راه دور چند طیفی با وضوح بالا و وضوح پایین، یک مدل بافر فرکانس را برای غلبه بر دشواری شناسایی اجزای فرکانس بالا تصاویر پانکروماتیک و اجزای فرکانس پایین تصاویر چند طیفی پیشنهاد کردند. بر اساس ادغام آماری تصاویر ماهواره ای چند زمانی، یک طبقه بندی همجوشی زمانی جدیدمدلی برای مطالعه طبقه بندی پوشش زمین و بررسی عملکرد بهبود یافته آن نسبت به روش های مرسوم ایجاد کرد. چهار الگوریتم همجوشی تصویر که اغلب مورد استفاده قرار می‌گیرند، یعنی تبدیل مؤلفه اصلی، تبدیل برووی، هموارسازی مدولاسیون شدت مبتنی بر فیلتر و HSI را مقایسه کرد و نتیجه گرفت. که هر یک از آنها وضوح فضایی را به طور موثر بهبود می بخشد اما اثرات طیفی اصلی را درجات معین تحریف می کند.
برای حل اعوجاج رنگ مرتبط با برخی از تکنیک‌های موجود، یک الگوریتم نرمال‌سازی رنگ بهبود یافته برای ادغام وضوح فضایی پایین‌تر تصاویر چند طیفی با وضوح فضایی بالاتر تصویر پانکروماتیک ایجاد کردند.به جای طراحی الگوریتم های همجوشی جدید، ترکیب تصاویر مختلف روش‌هایی برای مطالعه تأثیرات آنها بر دقت طبقه‌بندی پوشش زمین، از تکنیک‌های رایج مانند brovey، hue- تبدیل اشباع – ارزش و تجزیه و تحلیل مؤلفه اصلی به رویکردهای پیچیده تری مانند ادغام تصویر تطبیقی، تکنیک ادغام تصویر با وضوح چندحسگر و امواج دگرگونی را آزمایش کردند. به طور خلاصه، ادغام تصویر راه جدیدی را برای استخراج پوشش های گیاهی با دقت بالا با ادغام سنجش از راه دور حس کردن تصاویر از سنسورهای مختلف باز می کند.با این حال، چالش های استراتژی همجوشی (از جمله توسعه الگوریتم های فیوژن جدید) هنوز نیاز به مطالعات بیشتری دارد.
خلاصه
این مقاله طیف گسترده ای از موضوعات را در طبقه بندی پوشش گیاهی با استفاده از تصاویر سنجش ازدور پوشش می دهد. اول، طیف وسیعی از سنسورهای سنجش از راه دور و آنها کاربرد در نقشه برداری پوشش گیاهی برای تسهیل انتخاب محصولات سنجش از راه دور مناسب برای کاربردهای خاص معرفی شدند.دوم، تکنیک ها پیش پردازش تصویر و روش های مختلف طبقه بندی (سنتی و بهبود یافته) در مورد چگونگی استخراج ویژگی های گیاهی از تصاویر سنجش از دور مورد بحث قرار گرفت. به ویژه، استخراج پوشش گیاهی از طریق کاربرد تصاویر فراطیفی و ادغام تصویر مورد بحث قرار گرفت. سوم، بخشی به بحث ارزیابی نتیجه (ارزیابی دقت) طبقه بندی تصویر اختصاص داده شد. به طور خلاصه، تصاویر سنجش از دور منابع داده کلیدی برنامه های پایش زمین با در نظر گرفتن مزایای بزرگی که آنها دارند هستند. برای مثال، تولید و به روز رسانی پوشش گیاهی موجودی در مناطق بزرگ در صورت کمک به تصاویر ماهواره ای و تجزیه و تحلیل تصویر مناسب به راحتی قابل دستیابی است. تعداد فزاینده ای از مطالعات انجام شده طیف گسترده ای از پدیده های رویشی (از جمله نقشه برداری پوشش گیاهی) را با استفاده از داده های سنجش از دور بررسی کرد. با این حال، اگرچه فن آوری سنجش از دور مزایای فوق‌العاده‌ای نسبت به روش‌های سنتی در نقشه‌برداری پوشش گیاهی دارد، اما باید درک روشنی از محدودیت‌های آن داشته باشیم.
بدون دیدگاه