برآورد سطح پوشش برف از طریق تکنیک های شیءگرا با استفاده از تصاویر سنجنده های OLI و TIRS (مطالعه موردی: کوهستان سبلان)
Publish Year: 1400
نوع سند: مقاله ژورنالی
زبان: Persian
View: 296
This Paper With 19 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JGSKH-21-63_002
تاریخ نمایه سازی: 16 اسفند 1399
Abstract:
مطالعه و اندازه گیری سطوح برف به عنوان یکی از منابع مهم تأمین آب، بسیار حائز اهمیت است. با توجه به شرایط سخت فیزیکی محیط های کوهستانی، امکان اندازه گیری برف وجود ندارد. استفاده از سنجش ازدور با توجه به هزینه کم، بهروز بودن و پوشش وسیع می تواند در شناسایی مناطق برفگیر روش مناسبی باشد. هدف اصلی این پژوهش تخمین سطح پوشش برف کوهستان سبلان با استفاده از تصاویر ماهوارهای سنجندههای OLI و TIRS و به وسیله روش طبقه بندی شیءگرا می باشد. طبقه بندی تصاویر رقومی ماهواره ای یکی از مهمترین روش ها برای استخراج اطلاعات کاربردی محسوب میشود که در حال حاضر با دو روش پردازش پیکسل پایه و شیءگرا انجام می گیرد. روش پیکسل پایه که مبتنی بر طبقه بندی ارزشهای عددی تصاویر است، و روش جدید شیءگرا که علاوه بر ارزش های عددی، اطلاعات مربوط به محتوا، بافت و زمینه را نیز در فرآیند طبقه بندی تصاویر بهکار میگیرد. لذا در تحقیق حاضر بنا به دقت بالای طبقهبندی شیءگرا، برای استخراج سطح پوشش برفی از روشهای شیءگرا استفاده شد. در این پژوهش، به دلیل استفاده از داده های با قدرت تفکیک مکانی بالا (30 متر) و روش نوین طبقه بندی تصاویر، سطح برف به وسیله شاخص نرمالشده تفاوت برفی (NDSI)، شاخص نرمالشده تفاوت پوشش گیاهی (NDVI)، دمای سطح زمین (LST) و ضریب روشنایی (Brightness) با دقت کلی 91 درصد، به میزان 62/2142 کیلومترمربع برای محدوده کوهستانی سبلان استخراج گردید که از نتایج آن می توان به عنوان جایگزین ایستگاه های برف سنجی استفاده کرد.
#s3gt_translate_tooltip_mini { display: none !important; }
Keywords:
Remote sensing , Snow surface , Object oriented , OLI and TIRS sensors , Sabalan , سنجش از دور , سطح برف , شیءگرا , سنجنده های OLI و TIRS , سبلان
Authors
هوشنگ سیفی
Master of Science, rs and gis, Tabriz University
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :