بهبود قدرت تفکیک مکانی باند های حرارتی با استفاده از شاخص های پوشش گیاهی و سطوح غیرقابل نفوذ
Publish place: Remote Sensing and Iran GIS، Vol: 9، Issue: 3
Publish Year: 1396
نوع سند: مقاله ژورنالی
زبان: Persian
View: 253
This Paper With 11 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_GIS-9-3_003
تاریخ نمایه سازی: 9 آبان 1400
Abstract:
در چند سال اخیر، موضوع بهبود قدرت تفکیک مکانی تصاویر حرارتی سنجنده های فضایی در نواحی شهری به صورت یکی از چالش های جدید مطرح شده است. هدف این مقاله به کارگیری شاخص های سطوح غیرقابل نفوذ و شاخص های پوشش گیاهی برای بهبود قدرت تفکیک مکانی باند حرارتی سنجنده ETM+، مربوط به بخشی از شهر تهران، است. بدین ترتیب پس از پیش پردازش های اولیه، تصاویر به دست آمده با استفاده از فیلتر میانگین در قدرت تفکیک ۱۲۰، ۲۴۰، ۴۸۰، ۷۲۰ و ۹۶۰ متر شبیه سازی شده اند. سپس معادلات رگرسیون، به قصد تعیین روابط بین این تصاویر با درجه حرارت سطح، در قدرت تفکیک ۹۶۰ متر، استفاده شده اند. در ادامه به کمک روابط به دست آمده، که شامل شاخص های گیاهی و سطوح غیرقابل نفوذ می شوند، حرارت سطح در قدرت تفکیک های یادشده برآورد شد. در انتها، با استفاده از تصاویر حرارتی سنجنده ETM+ و سنجنده MODIS، دقت هریک از خروجی ها مورد ارزیابی قرار گرفته است. نتایج این تحقیق نشان می دهد که با افزایش دقت مکانی، مقدار خطاها نیز افزایش می یابد اما شیب تغییرات خطا ثابت نیست؛ به طوری که در تمامی شاخص ها، وقتی قدرت تفکیک از ۲۴۰ متر کمتر می شود، شیب تغییرات افزایش بیشتری نشان می دهد. به علاوه، ترکیب شاخص های سطوح غیرقابل نفوذ و پوشش گیاهی بهترین عملکرد را برای بهبود قدرت تفکیک مکانی تصاویر حرارتی شهر تهران دارد. با استفاده از ترکیب این شاخص ها، قدرت تفکیک مکانی سنجنده MODIS را می توان تا حدود ۲۴۰ متر افزایش داد؛ درحالی که مقدار خطای مطلق کمتر از ۱ درجه کلوین است.
Keywords:
Authors
داود اکبری
استادیار سنجش از دور، گروه مهندسی نقشه برداری، دانشکده فنی و مهندسی، دانشگاه زابل
مینا مرادی زاده
استادیار سنجش از دور، گروه مهندسی نقشه برداری، دانشکده عمران و حمل ونقل، دانشگاه اصفهان
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 :