۷۵۰ – ۹۲۰
سیاه و سفید
۴۸۰ – ۸۳۰
۱-۴-۷- منحنی رفتار طیفی
مقدار انرژی که به سنجنده میرسد بستگی زیادی به چگونگی تعامل انرژی و جسم دارد. پدیده های مختلف در برابر تابش انرژی الکترومغناطیسی پاسخهای متفاوتی ارائه می دهند؛ اما آنچه مشخص است که واکنش نوری پدیده ها در سه حالت جذب، عبور و بازتاب خلاصه می شود. میزان چیرگی هر کدام از سه مورد یاد شده، بستگی به ویژگیهای فیزیکی و شیمیایی پدیده و طول موج الکترومغناطیسی دارد. اگر برای هر جسم مقدار انرژی منعکس شده از کل انرژی رسیده به جسم را در طول موجهای مختلف اندازهگیری و آنها را به صورت یک نمودار ترسیم نماییم، منحنی حاصل را منحنی رفتار طیفی[۹] میگویند. محور افقی این منحنی طول موج و محور عمودی نمودار، نمایانگر درصد انرژی بازگشتی است (شکل ۱-۳). اندازه گیری این انرژیها در آزمایشگاه و یا در محیطهای واقعی انجام پذیرد. پس از ترسیم منحنی رفتار طیفی اطلاعات بسیار زیادی راجع به شیء و چگونگی ظاهر شدن آن در تصویر میتوان به دست آورد.
( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )
۱-۴-۸- پیشپردازش[۱۰] داده های ماهوارهای
قبل از اینکه تصاویر ماهوارهای را بتوان به عنوان یک منبع داده استفاده کنیم باید از کیفیت این داده ها اطلاع پیدا کنیم. این فرآیندها به منظور استخراج هرچه بهتر اطلاعات از این داده ها انجام می شود؛ اما اصلیترین کارها برای پیشپردازش تصحیح هندسی و رادیومتریک هست. پس از انجام پردازشهای اولیه و تهیه تصاویر با کیفیت مناسب، میتوان سایر پردازشهای رقومی لازم را جهت کسب اطلاعات مفید در مرحله بعد انجام داد.
۱-۴-۸-۱- تصحیح هندسی داده ها
داده های تصویری خام به دست آمده از ماهوارهها یا هواپیماها، نشاندهنده سطح نامنظم زمین میباشند. تصاویر سنجش از دور برخلاف نقشهها از ابتدا در یک سیستم مختصات مشخص قرار ندارند. تصحیح هندسی علاوه بر حذف و کاهش خطاهای هندسی یک سیستم مختصات مشخص را نیز به تصویر اعمال کرده و تا حدی مختصات یک نقشه را از نقطه نظر هندسی به تصویر میدهد. روشهای تصحیح هندسی به دو دسته روش جزء به جزء و روش کلی تقسیم میگردند (ریچارد[۱۱]، ۱۹۸۶): روش جزء به جزء نیازمند مدل کردن تک تک خطاها و دانستن پارامترهای مربوطه است ولی روش کلی کلیه خطاها را بهوسیله یک رابطه به مدل تبدیل می کند. این رابطه تبدیل، ضمن انتقال مختصات تصویری به مختصات نقشهای پارامترها را نیز برای خطاهای مدل در نظر میگیرد (فاطمی و رضایی، ۱۳۸۵). از جمله روشهای کلی برای انجام تصحیح هندسی میتوان به روش چندجملهای با بهره گرفتن از نقاط کنترل زمینی اشاره کرد. روش چندجملهای با بهره گرفتن از نقاط کنترل زمینی در میان دیگر روشها دارای عمومیت بیشتری است که در طی سه مرحله کلی انتخاب نقاط کنترل و تعیین مختصات آنها، تعیین معادله تطابق و در نهایت تعمیم معادله تطابق و انجام نمونه گیری مجدد[۱۲] صورت میگیرد (درویشصفت، ۱۳۷۷).
۱-۴-۸-۲- تصحیح ارتفاعی[۱۳]
تصحیح ارتفاعی نوعی تصحیح است که به اصلاح جابجایی زمین می پردازد. استفاده از مدل رقومی ارتفاع منطقه مورد مطالعه در افزایش دقت این تصحیح تأثیر بسزایی دارد. این روش بر پایه معادلات هندسه نقاط استوار است که میتوان آنها را از نقاط کنترل سهبعدی استخراج کرد به طور کلی بکارگیری اینروش در نواحی کوهستانی (ادهمی و خلاقی، ۱۳۸۶) و در کارهایی همانند اندازه گیری و تعیین پارامترهای کمی و کیفی ساختاری جنگل (شتایی، ۱۳۸۴) که نیاز به دقت بالا دارند انجام می شود.
۱-۴-۸-۳- تصحیح خطای اتمسفری
خطای اتمسفری در اثر جذب و پراکنش ذرات اتمسفر پیش می آید. خطاهای اتمسفری باعث محو جزئیات تصویر می شود و بدین وسیله از قدرت تفکیک مکانی سنجنده نیز میکاهند. بیشترین اثر اتمسفری مربوط به پراکنش است که وابستگی زیادی به طول موج دارد، بنابراین اثر اتمسفر در باندهای مختلف یک سنجنده با هم یکسان نیست. هرچه طول موج بیشتر شود اثر پراکنش اتمسفری نیز کمتر خواهد شد. زاویه دید سنجنده نیز عامل دیگری است که بر مقدار خطای اتمسفری مؤثر است. خطای اتمسفری در تصاویری که با زاویه دید بزرگ گرفته شده اند، یا دارای عرض برداشت بزرگی هستند معمولاً به طور ناهمگون ظاهر می شود. در کنارههای تصویر، خطاهای اتمسفری بیشتر از وسط تصویر هست و این به علت مسیر طولانیتری است که امواج الکترومغناطیس برای پیکسلهای کناری باید در اتمسفر طی کنند (ریچارد، ۱۹۸۶).
تصحیحات اتمسفری در کارهای معمولی موقعیکه مقدار خطای اتمسفری چندان بالا نباشد که به عنوان مانعی برای استخراج اطلاعات محسوب شود، اغلب اعمال نمی شود. ولی در کارهای دقیق مخصوصاً در مواردی که به مقادیر واقعی انرژیهای ساطع شده از اشیاء نیاز است، تصحیحات اتمسفری باید روی تصویر اعمال شود. تصحیح اتمسفری در مواردی که شدت سیگنال ارسالی از طرف اشیاء از اثرات اتمسفری کمتر باشد نیز لازم می شود. آب جذب کننده انرژی الکـترومغناطیسی مخــصوصاً در طول موجهای بلند است و بنابراین مقدار انرژی ساطع شده از سطح آب پایین و معمولاً اثر اتمسفری در مناطق آبی قابل توجه است. در هنگام کشف تغییرات و مقایسه دو تصویر در دو زمان مختلف نیز بهتر است اثر اتمسفری از روی مقادیر پیکسلها برداشته شود تا بتوان مقایسه بهتری از تصاویر مورد استفاده به منظور کشف تغییرات داشت.
روشهای تصحیح اتمسفری را میتوان به دو دسته کلی تقسیم نمود که عبارتند از:
روش مدل کردن (Detailed correction) و تصحیح کلی (Bulk correction). در روش مدل نمودن پارامترهای اتمسفری مؤثر بر انرژی الکترومغناطیسی نظیر دما، میزان رطوبت، فشار اتمسفری و … را اندازه گیری کرده و اثر آنها بر روی انرژی ارسالی از سطح اشیاء به سمت سنجنده را مدل می کنند. چنین روشی نیازمند دانستن پارامترهای زیادی است که گاه مقدار دقیق آنها نیز مشخص نبوده و برآورد آنها نیز مشکل است. علاوه بر اینکه در بسیاری از کاربردها به چنین تصحیح دقیق و مشخصی هم نیاز نیست. در تصحیح کلی معمولاً به یک روش سعی در تصحیح نسبی و کاهش اثر اتمسفری روی تصویر دارند. در این روشها معمولاً به پارامترهای زیادی نیاز نیست و تصحیح اتمسفری به طور تقریبی بر تصویر اعمال مـــیشود. در روش کلی فرض بر این است که در هر باند از تصویر میتوان پیکسلهایی یافت که مقادیر آنها صفر و یا نزدیک به آن هست، (مثلاً مناطق آبی که در طول موجهای بلند انعکاسهای پایینی دارند). به این ترتیب اثر اتمسفری تابش انحرافی به صورت یک مقدار ثابت به پیکسلها در هر باند اضافه میگردد. بنابراین اگر هیستوگرام هر باند در نظر گرفته شود کمترین مقدار هیچگاه صفر نخواهد بود.
مقدار پراکنش اتمسفری با توجه به افزایش طول موج، کاهش مییابد و بنابراین مقدار شیفت هیستوگرام در باندهای با طول موج بلندتر، کمتر از باندهایی است که در طول موجهای کوتاهتر قرار گرفتهاند. تصحیح در اینروش با تعیین مقدار شیفت هیستوگرام و کم کردن آن از مقدار پیکسلها در هر باند انجــــام میپذیرد (ریچارد، ۱۹۸۶). اثر اتمسفری معمولاً به صورت خطای جمع شونده ظاهر میگردد که در نتیجه باعث روشنی بیش از حد تصویر و کاهش وضـوح تصویر می شود که به آن خطای Haze میگویــند. روشهای تصحیح اتمسفری متنوع میباشند از جمله این روشها میتوان به PIF[14]، RCS[15]، COST[16]، S[17]6 میتوان اشاره کرد.
۱-۴-۹- پردازش رقومی تصاویر[۱۸]
پردازشهای مختلف نظیر نسبتگیری، تجزیه مؤلفه اصلی، ادغام باندها برروی داده های ماهوارهای در راستای اهداف این تحقیق صورت گرفته است به ترتیب به شرح ذیل بیان گردید:
۱-۴-۹-۱- محاسبات تصویری[۱۹]
در بعضی مواقع استفاده از باندهای اصلی تصاویر برای رسیدن به هدف و استخراج اطلاعات موردنظر کافی نیست و باید پردازشهای مختلفی بر روی آنها انجام پذیرد. از مجموعه پردازشهای ممکن، استفاده از محاسبات تصویری است. محاسبات تصویری به مجموعه عملیات و محاسباتی گفته می شود که روی چند باند (بیش از یکی) انجام شده و نتیجه آن یک (شبه) تصویر خواهد بود. قبل از انجام محاسبات تصویری، تمامی باندهای مورد استفاده از لحاظ رادیومتریکی، باید تصحیح شده باشد. با انجام عملیات حسابی، باندهای مصنوعی[۲۰] ایجاد میشود که در اصطلاح شاخص های گیاهی گفته می شود. عمل نسبت گیری از پرکاربردترین عملیات حسابی است که در داده های ماهوارهای، جهت مطالعات منابع زمینی مورد استفاده قرار میگیرد (شتایی، ۱۳۸۲).
۱-۴-۹-۲- تجزیه مؤلفه های اصلی[۲۱]
تجزیه یا تحلیل مؤلفه اصلی (PCA) بهعنوان روشی برای فشردهسازی داده بکار گرفته می شود. داده های باندهای چند طیفی، به دلیل بازتاب پدیده های معین در باندهای طیفی و یا همپوشانی پاسخ طیفی باندها، دارای همبستگی بالایی میباشند. دلایل اصلی همبستگی در داده های چند باندی، شامل تشابه بازتاب پدیده ها در باندهای طیفی با ویژگی معین و همپوشانی حساسیت طیفی باندهاست (شتایی، ۱۳۸۴). همبستگی زیاد بین داده های دو باند طیفی را میتوان تکرار اطلاعات یک باند در باند دیگر تلقی نمود (درویشصفت، ۱۳۷۷). نتیجه این اطلاعات تکراری بالا رفتن زمان پردازش و گاه پایین آمدن دقت پردازش هست (فاطمی و رضایی، ۱۳۸۵). تجزیه مؤلفه اصلی داده های اضافی را در باندهای کمتری فشرده می کند (در حقیقت ابعاد داده ها را کاهش میدهد). باندهای داده PCA فاقد همبستگی بوده و مستقل از یکدیگر هست (ادهمی و خلاقی، ۱۳۸۶). تجزیه مؤلفه های اصلی به دو صورت استاندارد (تمامی باندهای یک سنجنده) و انتخابی (انتخاب باندهایی که دارای همـبستگی بالایی هستند) انجام میگیرد (درویشصفت، ۱۳۷۷). یکی از کاربردهای مهم تجزیه مؤلفه اصلی در برآورد مشخصههای کمی و بررسی تغییرات با بهره گرفتن از داده های چند زمانه است (شتایی، ۱۳۸۴).
۱-۴-۱۰- روشهای رقومی استخراج اطلاعات
هدف اصلی سنجش از دور، استخراج اطلاعات مفید از داده های دورسنجی اســـت. استخراج اطلاعات میتواند با انجام تفسیر بصری، تجزیه و تحلیل رقومی دادهها و نیز تلفیق هر دو روش صورت میگیرد. در تفسیر به روش بصری از عواملی مانند تن، رنگ، شکل، اندازه نسبی، بافت، نقش و غیره در کنار تجارب مفسر استفاده میگردد. در روش رقومی، تجزیه و تحلیل، غالباً در پیکسلها بهطور منفرد و اطلاعات طیفی آنها استوار است. غالباً روشهای تفسیر بصری به دلیل وجود اختلاف سلیقه و نظر در استخراج و ارزیابی اطلاعات کمتر مورد استفاده قرار میگیرد (محمدی، ۱۳۸۶). روشهای رقومی استخراج اطلاعات از تصاویر ماهوارهای متنوعاند و محققین سعی در ارائه روشهای بهینه و کارا برای استخراج اطلاعات از تصاویر ماهوارهای داشته اند. روشهای عمده استخراج اطلاعات از تصاویر ماهوارهای (بهصورت رقومی) را میتوان به چهار دسته اصلی تقسیم نمود: استفاده از حد آستانهها یا برش گذاری، محاسبات تصویری، طبقه بندی و قطعهبندی (فاطمی و رضایی، ۱۳۸۵).
۱-۴-۱۰-۱- تحلیل بافت
بافت را در واقع میتوان به صورت تابعی از تغییرات مکانی شدت روشنایی پیکسلها تعریف کرد؛ و تغییراتی هستند که ویژگیهای نرمی، زبری، همواری و منظم بودن هر سطح را بیان میکنند (گونزالز و همکاران[۲۲]، ۲۰۰۲)؛ و این اطلاعات به نوع تصویر آنالیز شده با توجه به قدرت تفکیک سنجنده، دامنه طیفی و ابعاد، شکل و توزیع مکانی شی مورد مطالعه بستگی دارد (کاجیسا و همکاران[۲۳]، ۲۰۰۹). در این مطالعه برای مشخصه آنالیز بافت ۱۳ نوع معیار مشخصه همگنی[۲۴]، تباین[۲۵]، ناهمگنی (عدم تجانس)[۲۶]، میانگین، واریانس، آنتروپی[۲۷]، همبستگی[۲۸]، زاویه دوم لحظهای[۲۹]، GLDV زاویه دوم لحظهای، GLDV آنتروپی، GLDV میانگین، GLDV کنتراست و تفاضل معکوس[۳۰] که بیشتر مرتبط با آنالیز تصویر ماهوارهای هستند (کار و میراندا[۳۱] ۱۹۹۸؛ سو و ساتسولیس[۳۲]، ۱۹۹۹، سولبرگ[۳۳]۱۹۹۹). هرکدام از این ۱۳ معیار نشاندهندهی یک تعریف میباشند به عنوان مثال میانگین و انحراف معیار به ترتیب نشاندهنده فراوانی و تغییرپذیری باندهای طیفی در یک شیء، همبستگی، میزان وابستگی خطی رنگ خاکستری در تصویر، آنتروپی (Entropy) میزان بینظمی در تصویر است، در صورتی که تصویر همسان باشد مقدار آنتروپی کمتر است. ناهمگنی (Dissimilarity) مشابه کنتراست میباشد اما در عوض وزن دهی نمایی قطری، افزایش وزن در ناهمگنی به صورت خطی، زاویه دوم لحظهای (Angular second moment) میزان توزیع تراکم پارامترهای ماتریس هم اتفاقی، همگنی (Homogeneity) میزان یکسان یا یکجور بودن در تصویر، GLDV زاویه دوم لحظهای زمانی که برخی از عناصر دارای ارزش بالا و برخی دیگر دارای ارزش پایین میباشد در سطح تصویر همگنسازی میکند، مشابه زاویه مشترک لحظهای عمل میکند. GLDV آنتروپی زمانی که همه عناصر در تصویر دارای ارزش یکسان باشند مخالف GLDV زاویه مشترک لحظهای میباشد. GLDV میانگین معادل رابطه ریاضی اندازهگیری عدم تجانس بالا در تصویر و GLDV کنتراست نیز معادل رابطه ریاضی اندازه گیری کنتراست بالا میباشد.
۱-۴-۱۱- پردازش داده ها[۳۴]
۱-۴-۱۱-۱- طبقه بندی داده های ماهوارهای
همانطور که گفته شد یکی از مهمترین و پرکاربردترین تکنیکها در پردازش داده های ماهوارهای به منظور مطالعه کاربری اراضی انجام طبقه بندی تصـــاویر ماهوارهای هست. طبقه بندی به تشخیص و تفکیک گروههایی از پیکسلها که دارای اعداد رقومی نزدیک به یکدیگر میباشند گفته می شود. اعداد رقومی با این فرض که هر دسته از پیکسلهای مشابه معرف یک پدیده (طبقه) میباشند، بر اساس تشابه و نزدیکی خصوصیات طیفیشان دستهبندی میگردند. طبقه بندی پیکسلها را میتوان به دو صورت نظارت شده و بدون نظارت انجام داد.
۱-۴- ۱۱-۱- ۱- طبقه بندی بدون نظارت
در این طبقه بندی شناخت اولیه در مورد مشخصات طبقهها ضروری نبوده و مفسر دخالت چندانی در امر طبقه بندی ندارد. این طبقه بندی در دو مرحله انجام میگیرد. در مرحله اول پیکسلهای تصویر به گونه ای دستهبندی میشوند که مشخصات پیکسلهای هر گروه تا حد ممکن به هم شبیه و در ضمن از گروه های مجاور کاملاً متمایز گردند و در مرحله دوم گروه ها بر اساس موقعیت و پراکنش آنها در تصویر و همچنین انجام کارهای میدانی تفسیر و شناسایی میشوند. از این طبقه بندی در موارد زیر استفاده می شود:
الف) شناخت تعداد طبقه های قابل تفکیک
ب) تعیین نمونههای تعلیمی برای طبقه بندی نظارتشده
۱-۴-۱۱-۱-۲- طبقه بندی نظارتشده
اینروش بر پیششناخت دقیق طبقه های موردنظر استوار است. بدین مفهوم که مجموعه کوچکی از پیکسلها به عنوان نمونههایی از طبقات موردنظر تعیین می شود. موقعیت این پیکسلها معمولاً از طریق کار زمینی و یا با بهره گرفتن از اطلاعات جنبی تعیین می شود. بهصورت کلی در این طبقه بندی ضرورت تعریف و شناخت دقیق طبقهها و تعیین نمونههای تعلیمی که بهطور کامل و جامع طبقه های موردنظر را تشریح و ارائه نماید مد نظر هست. در اینروش طبقه بندی چهار مرحله انجام میگیرد:
الف) انتخاب و تعیین طبقهها
مرحله اول در انجام یک طبقه بندی نظارتشده تعیین نوع و تعداد طبقهها هست. مفسر باید در انتخاب طبقهها علاوه بر دیدگاه موضوعی و تخصصی زمینه مورد عمل ویژگیها و تواناییهای سنجش از دور را نیز مد نظر قرار دهد و در ضمن تعریف حتیالامکان جامع و کاملی از طبقاتی که نمایانگر مرز بین آنها هست، به منظور تفکیک و نامگذاری طبقات در اختیار داشته باشد. باید به این نکته توجه داشت که افزایش تعداد طبقات، باعث کاهش صحت طبقه بندی می شود و مفسر به دلیل محدودیت داده های ماهوارهای در ارتباط با تفکیک پدیده های مختلف ناچار به ادغام طبقهها و کاهش آنها میگردد. از روشهای مختلف محاسبه تفکیکپذیری نمونههای تعلیمی برای سنجیدن این قابلیتها استفاده می شود که در جای خود توضیح داده خواهد شد.
ب) انتخاب نمونههای تعلیمی و اصلاح آنها
نمونههای تعلمی نقش مهمی در صحت نتایج حاصل از طبقه بندی ایفا مینمایند. لذا اهمیت دقت در انتخاب نمونههای تعلیمی بسیار لازم و ضروری هست. نمونههای تعلیمی تا حد ممکن باید همگن بوده و مشخصات طیفی طبقات را بهخوبی ارائه دهند و همچنین معرف طبقه موردنظر نیز باشند. تعداد و بزرگی قطعات نمونههای تعلیمی به وسعت، یکنواختی، همگنی و یکپارچگی طبقات بستگی دارد. طبقات وسیع، ناهمگنتر و پراکندهتر نیاز به قطعات نمونه بیشتری دارند. لازم به ذکر است که نمونههای تعلیمی متعدد و کوچک با پراکنش مناسب در هر طبقه مناسبتر از تعداد اندک نمونه تعلیمی بزرگ هست. نمونههای تعلیمی هر طبقه با بهره گیری از تجربه و شناخت مفسر از منطقه به کمک اطلاعات جنبی نظیر نقشههای موضوعی مرتبط و عکسهای هوایی و یا کارهای میدانی تعیین می شود. روشهای زیر برای بررسی و اصلاح نمونههای تعلیمی استفاده می شود:
۱-۴-۱۲- نمایش توزیع اعداد رقومی نمونههای تعلیمی
شکل توزیع عدد رقومی نمونههای تعلیمی با بهره گرفتن از روش گرافیکی جهت اصلاح آنها مورد بررسی قرار میگیرد و هیستوگرام مربوط به نمونهها در هر باند بهطور جداگانه مشاهده می شود. میانگین اعداد رقومی قطعات نمونه هر طبقه در هر باند باید بسیار به هم نزدیک باشد و قطعات نمونه همگن دارای توزیع نرمال بهصورت تکقلهای و با انحراف معیار پایین و در صورت ناهمگنی بهصورت چندقلهای خواهد بود.
۱-۴-۱۳- آزمون تفکیکپذیری نمونههای تعلیمی
آزمون تفکیکپذیری داده های ماهوارهای معمولاً بر روی نمونههای تعلیمی یا نقاط موردنظر[۳۵] انجام میگیرد و مشخص می کند که این داده ها تا چه حد امکان تفکیک یا تشخیص از یکدیگر را دارند. تفکیکپذیری طبقهها به معنی میزان فاصلهدار توزیع احتمال عدد رقومی دو طبقه و میزان همپوشانی آنهاست. تفکیکپذیری زیاد بین دو طبقه بدین معناست که دو طبقه دارای بیشترین فاصله آماری بوده و بالاترین احتمال برای طبقه بندی صحیح را دارا میباشند.
تفکیکهای آماری رایــج مانند فاصله Jeffries-Matusita و Transformed Divergence از روشهای اندازه گیری قابلیت تفکیکپذیری آماری بین کلاسههای طیفی در باندهای مختلف میباشند (ماوسل[۳۶] و همکاران، ۱۹۹۰). در این مطالعه معیار فاصله Jeffries-Matusita بدین منظور بکار برده شده است.