محصولات دانلودی

محاسبه شاخص سطح برگ (LAI) در Google Earth Engine

امیرحسین احراری
نوشته شده توسط Amirhossein.Ahrari@Gmail.com
آموزش روش محاسبه شاخص LAI در گوگل ارث انجین منتشر شد!
روش محاسبه فرمول های پیچیده تر در گوگل ارث انجین. 
روش استخراج سری زمانی شاخص LAI در گوگل ارث انجین. 
روش استفاده از حلقه ها برای محاسبه شاخص LAI.
آموزشی کاربردی متناسب با تصاویر ماهواره لندست ۸.

مشخصات محصول آموزشی 

  • قیمت:‌ ۲۹۹۰۰ تومان 
  • مدرس: امیرحسین احراری (کارشناس سنجش از دور و پردازش تصاویر ماهواره ای)
  • موضوع: سنجش از دور پوشش گیاهی
  • مخاطب: علاقه مندان به محیط زیست
  • نرم افزار: سامانه پردازشی گوگل ارث انجین

عناوین آموزشی

  • روش فراخوانی منطقه مورد مطالعه
  • روش استفاده از تصاویر تصحیح اتمسفری شده لندست
  • روش محاسبه شاخص سطح برگ LAI
  • روش محاسبه شاخص EVI
  • سری زمانی تغییرات شاخص LAI

شاخص سطح برگ چیست؟

  • یک شاخص طیفی گیاهی است. 
  • برای برآورد تراکم گیاه استفاده میشود. 
  • دقت آن در برآورد تراکم بیشتر از سایر شاخص هایی چون NDVI است. 
  • با استفاده از این شاخص امکان مطالعه دقیق تر چرخه فنولوژی محصولات زراعی فراهم میشود. 
  • برای تولید نقشه نوع کشت و سری زمانی پوشش گیاهی بسیار مطلوب است. 

مزایای این محصول آموزشی

  • امکان محاسبه فرمول های پیجیده تر در گوگل ارث انجین. 
  •  استخراج تغییرات سری زمانی شاخص LAI.
  •  استفاده از حلقه ها برای اعمال محاسبات تکراری در زمان های مشخص.
  •  روش مناسب کاهش اثر ابر در محاسبات سری زمانی.

تفاوت NDVI و LAI در چیست؟

  • تفاوت اصلی این دو شاخص در دقت برآورد تراکم است. 
  • شاخص NDVI در مقایسه با LAI از دقت کمتری در برآورد تراکم گیاهان دارد. 
  • شاخص NDVI در تراکم های خیلی زیاد اشباع شده و قابلیت جداسازی گیاهان بر اساس تراکم را ندارد، این در حالی است که در شاخص LAI چنین محدودیتی وجود ندارد.

سری زمانی تغییرات شاخص سطح برگ لندست

 


تصویر شاخص LAI لندست استان گیلان


مشخصات محصول آموزشی 

  • قیمت:‌ ۲۹۹۰۰ تومان 
  • مدرس: امیرحسین احراری (کارشناس سنجش از دور و پردازش تصاویر ماهواره ای)
  • موضوع: سنجش از دور پوشش گیاهی
  • مخاطب: علاقه مندان به محیط زیست
  • نرم افزار: سامانه پردازشی گوگل ارث انجین
   

۴ دیدگاه

  • با سلام و احترام
    ممنونم بابت آموزش با کیفیت و مناسب
    لطفا مقاله‌ی که در داخل ویدئوی آموزشی اشاره کردید فرمودید بر اساس اون مقاله فرمول محاسباتی شاخص سطح برگ(LAI) رو پیاده کردید معرفی کنید و یا لینکی قرار بدید که بتونیم برای ارائه‌های یافته‌های خودمون رفرنس بدیم.
    ممنونم

    • با سلام و احترام خدمت شما

      ممنون از نقطه نظر مثبت شما.

      Reference: Boegh, E., H. Soegaard, N. Broge, C. Hasager, N. Jensen, K. Schelde, and A. Thomsen. “Airborne Multi-spectral Data for Quantifying Leaf Area Index, Nitrogen Concentration and Photosynthetic Efficiency in Agriculture.” Remote Sensing of Environment 81, no. 2-3 (2002): 179-193

      موفق باشید

  • با سلام
    ممنون از فایل آموزشی.
    آیا امکان داره با استفاده از تصاویر ماهواره ای مساحت اراضی نحت کشت گونه ای خاص از درختان جنگلی را شناسایی کنیم؟ منظور دقیق من تعیین سطح زیر کشت صنوبر هست.
    برخی برای شناسایی پوشش جنگلی با استفاده از تصاویر راداری کار میکردند. به طور مثال اگر نوع تاج این درخت به صورتی باشه که با سایر درختان در اون محدوده از لحاظ فیزیکی متفاوت باشه میشه با تصاویر راداری از بقیه درختان متمایزش کرد. مثلا اگه برگ های این درخت پهن باشه و برگ سایر درختان سوزنی باشد.
    اما صنوبر و کبوده و تبریزی درختان پهن برگ هستند و در باغات در کنار گردو و بادم و دیگر گونه های درختی مثمر کشت میشود و هر دو گونه پهن برگ و خزان کننده هستند. آیا امکان تعیین سطح این درختان به تفکیک گونه با استفاده از تصاویر وجود داره؟ با تشکر

    • با سلام و احترام خدمت شما.

      جداسازی امکان پذیر است اما در شرایطی که در یک بخش از زمین های زراعی درختان غالب یک نوع باشند و در یک بخش دیگر نوع دیگری. اما اگر در یک بخش زمین یک درخت نوع A و یک درخت نوع B باشد جداسازی این ها با استفاده از تصاویر رایگان امکان پذیر نیست. چون هر دو درخت مذکور دقیقا کنار هم هستند داخل یک پیکسل قرار گرفته و پیکسل مخلوط از این دو شکل می گیرد. بنابراین زمانی که میخواهید تک درخت تک درخت مطالعه کنید نیاز به تصاویر توان تفکیک مکانی بالا دارید. مثلا فرض کنید دو تا باغ داریم که با فاصله مشخصی از هم قرار دارند و در یکی درختان A و در دیگری درختان B قرار گرفته است. در این شرایط بخوبی میتوان این دو نوع درخت را با یک دیگر مقایسه کرد.

      در مقالات هم اگر گفته شده که با تصاویر رایگان چنین کاری را انجام داده اند، شما سعی کنید همان روش گفته شده را برای منطقه خودتان تست کنید ببینید جواب میدهد یا خیر. چون بنده این کار رو خودم انجام ندادم و بر اساس تئوری و اصول سنجش از دور عرض میکنم. اما با تست کردن آن روش اطمینان کامل پیدا خواهید کرد که مناسب است یا خیر. آنچه که برای شما بنده عرض میکنم فرضیه هایی بر اساس اصول و تئوری سنجش از دور است که با تست روش های گوناگون میتواند تایید و یا رد شود.

      بنابراین نتیجه میگیریم که برای جداسازی دوتا درخت متفاوت که در کنار هم هستند نیاز به تصاویر با توان تفکیک مکانی بالا مثلا ۵۰ سانتی متری (مانند geoeye) و ۳۰ سانتی متری (مانند worldview) داریم. اما در شرایطی که این دو نوع درخت در فاصله زیادی از یکدیگر بوده و پوشش های اطرافشان نیز مشابه خودشان باشد جداسازی میسر است.

      برای جداسازی جنگل های متفاوت نیاز به تصاویر چند زمانه دارید. با استفاده از شاخص های طیفی که در فصل های مختلف بدست آمده می توانید نسبت به جداسازی جنگل های متفاوت اقدام کنید.

      موفق باشید

دیدگاهتان را بنویسید