جزوات مطالب تخصصی

بیست سالگی سنجنده ASTER – مقاله ای کاربردی در ارتباط با کاربردهای زمین شناسی ASTER

امیرحسین احراری
نوشته شده توسط امیرحسین احراری

چکیده

سنجنده استر یکی از ۵ سنجنده ماهواره ترا است که در سال ۱۹۹۹ میلادی توسط ناسا به فضا پرتاب شد. نام کامل سنجنده استر به صورت Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) است. در حال حاضر این سنجنده برای بیست سال بصورت پیوسته از سطح زمین در محدوده باندهای اپتیکی تصویر برداری نموده است. این سنجنده با همکاری سازمان ناسا و سازمان فضایی کشور ژاپن برای مطالعات علوم زمین طراحی و بر روی ماهواره ترا سوار شد. تا سال ۲۰۰۰ میلادی تنها ماهواره های سری لندست با باندهای محدود مادون قرمز طول موج کوتاه خود برای مطالعات علوم زمین استفاده می شدند. این در حالی است که تک باند مادون قرمز طول موج کوتاه لندست در بازه ۲ تا ۲/۵ میکرومتر از قدرت کافی برای شناسایی کانی های مختلف برخوردار نبود و تنها برای برخی کانی های خاص استفاده می شد. به عنوان مثال با استفاده از تصاویر ماهواره لندست،‌ کانی های رس، کربنات ها و سولفات ها، همگی به عنوان یک کلاس در نظر گرفته می شدند یا تک باند حرارتی لندست تنها قابلیت شناسایی یک کلاس سیلیکات به تنهایی را دارد. اما این در حالی است که با استفاده از ۶ باند مادون قرمز طول موج کوتاه استر انواع کانی های مختلف از جنس کربنات، رس و سولفات فایل شناسایی هستند و ۵ باند حرارتی آن امکان تفکیک و جداسازی انواع کانی های سیلیکاتی را فراهم آورده است. تنوع باندهای کاربردی استر باعث شده تا با استفاده از ساده ترین پردازش ها مانند شاخص های طیفی، روش های نسبت گیری، تجزیه مولفه های اصلی و غیره اطلاعات بسیار مهم و با ارزشی در ارتباط با کانی های مختلف سطح زمین استخراج شود. در این مقاله ویژگی ها و کاربردهای سنجنده استر بصورت کامل معرفی و ارزیابی شده است. 


مقدمه

سنجنده استر در سنجش از دور به عنوان یک سنجنده تخصصی و کاربردی در زمینه تولید نقشه های زمین شناسی معرفی شده است. این سنجنده از لحاظ توان تفکیک مکانی دارای دقت ۱۵، ۳۰ و ۹۰ متری در باندهای مرئی-مادون قرمز نزدیک، مادون قرمز طول موج کوتاه و مادون قرمز حرارتی است. وجود ۶ باند مادون قرمز طول موج کوتاه (بین ۲ تا ۳ میکرومتر) و ۵ باند مادون قرمز حرارتی (بین ۸ تا ۱۲ میکرومتر) باعث شده تا این سنجنده از بهترین توان تفکیک طیفی (در میان سنجنده های چندطیفی) در ارتباط با مطالعات زمین شناسی برخوردار باشد. از سال ۲۰۰۸ میلادی، ۶ باند مادون قرمز طول موج کوتاه سنجنده استر به صورت کامل از کار افتاد و داده های آن از این سال، بدون باندهای مذکور در سایت ها عرضه می شود. در ابتدا داده های سنجنده استر بصورت پولی عرضه می شد اما از سال ۲۰۱۶ میلادی رسما عرضه رایگان داده های این ماهواره اعلام شد. هم اکنون تمامی کاربران سنجش از دور در سراسر جهان می توانند از تصاویر این سنجنده (از سال ۱۹۹۸ تا کنون) بصورت رایگان استفاده نمایند.  علاوه بر حیطه زمین شناسی، مهم ترین کاربردهای سنجنده استر به ترتیب عبارت اند از: کاربری اراضی، پایش شهری، جزیره حرارتی شهری، مطالعه تالاب ها، پایش زمین های زراعی، پوشش های جنگلی و غیره.


ماهواره های سنجش از دور زمین شناختی

نخستین سنجنده کاربردی در مطالعات زمین شناسی، سنجنده MSS ماهواره لندست ۱ بود که در سال ۱۹۷۲ میلادی پرتاب شد و ماموریت خود را آغاز کرد. این سنجنده چندان برای مطالعات زمین شناسی کاربردی نبود و در مطالعات بسیاری عدم کارایی آن در این زمینه مورد بررسی قرار گرفته است. با این حال در برخی از مقالات به کاربردهای محدود آن در این زمینه اشاره شده است.

در دهه ۸۰ میلادی از نسل دوم ماهواره های سری لندست با سنجنده TM رونمایی شد. سنجنده TM از قابلیت های بسیار بالاتری از لحاظ مکانی، رادیومتریکی و طیفی در مقایسه با سنجنده MSS برخوردار بود. باند ۷ سنجنده TM در بازه طول موج ۲ تا ۲/۵ میکرومتر نقش کلیدی را در مطالعات زمین شناسی ایفا می کرد. این محدوده طیفی برای آشکارسازی آلتراسیون ها و مطالعات هیدروترمال بسیار کاربردی است.  از سال ۱۹۸۲ تا ۲۰۰۰ میلادی این سنجنده به طول ۱۸ سال بصورت پیوسته برای مطالعات کانی شناسی استفاده شد و به عنوان مرجع اصلی کاربران زمین شناسی سنجش از دور در سراسر جهان شناخته شده بود. 


سنجنده استر

پروژه استر با همکاری سازمان ناسا و سازمان فضایی کشور ژاپن آغاز شد. استر به عنوان یک سنجنده خورشید آهنگ در ساعت ۱۰:۳۰ دقیقه به وقت محلی از  هر منطقه در سیاره زمین تصویر برداری می کند. این سنجنده در ارتفاع ۷۰۵ کیلومتری از سطح زمین قرار گرفته و فریم تصویر آن از ابعاد ۶۰ کیلومتر مربعی برخوردار است. سنجنده استر دارای ۱۴ باند طیفی در محدوده مرئی(۲ باند)، مادون قرمز بازتابی(۷ باند) و مادون قرمز حرارتی(۵ باند) است. در میان باندهای مادون قرمز بازتابی آن، ۶ باند در طول موج ۱/۵ تا ۳ میکرومتر طراحی شده که برای کاربردهای زمین شناسی (خصوصا کانی شناسی) بسیار کاربردی است. ۵ باند مادون قرمز حرارتی نیز برای برآورد دقیق دمای سطح زمین و اندازه گیری گسیلمندی پدیده های مختلف استفاده می شود. از لحاظ رادیومتریکی، تصاویر مرئی و مادون قرمز بازتابی بصورت ۸ بیتی و تصاویر مادون قرمز حرارتی به صورت ۱۱ بیتی طراحی شده که امکان افزایش دقت رادیومتریکی و مکانی باندهای حرارتی آن را فراهم کرده است.

باندهای مرئی و مادون قرمز نزدیک (باندهای ۱ تا ۳) این سنجنده برای تولید مدل های رقومی زمین DEM استفاده می شود. هم اکنون مدل DEM تولید شده از این سنجنده با دقت ۳۰ متری بصورت رایگان، از طریق سایت سازمان زمین شناسی ایالات متحده آمریکا در دسترس و قابل دانلود است. ۶ باند مادون قرمز طول موج کوتاه این سنجنده کاملا برای کاربردهای زمین شناسی و خصوصا کانی شناسی توصیه شده است. باند ۴ در طول موج ۱/۶ و باندهای ۵ تا ۹ نیز در بازه ۲ تا ۲/۵ میکرومتر استفاده می شود.  

افزایش باندهای حرارتی استر امکان شناسایی دقیق تر برخی از کانی ها مانند سیلیکا را از طریق تغییرات گسیلمندی فراهم می کند. بر اساس ویژگی های سنجنده استر در مقایسه با لندست، امکان تولید نقشه های زمین شناسی دقیق تر با استفاده از این سنجنده فراهم شده است.  


نقشه های لیتولوژیکی با تصاویر ماهواره ای

نخستین ارزیابی ها در ارتباط با قابلیت های سنجنده استر در تولید نقشه های لیتولوژیکی (سنگ شناسی) در سال ۲۰۰۶ میلادی انجام شد. تا کنون در بسیاری از مطالعاتی که در بیست سال گذشته در ارتباط با کاربرد داده های استر در زمین شناسی صورت گرفته، امکان شناسایی و تولید نقشه های کانی هایی چون کلسیت، دولومیت، موسکویت، گرانیت، کوارتز، سیلیکا، کربنات، مافیک، اولترا مافیک، آهن، رسوبات آلوویال و کولویال، سیکات ها، نمک، گچ، دولریت، دونیت، گابرو، آلویم، فلدسپار و غیره (به همراه مناطق آلتراسیون و هیدروترمال) با دقت مناسب فراهم آورده شده است. در حقیقت نمیتوان گفت دقیقا چه تعداد کانی بواسطه داده های استر قابل شناسایی است اما مطمئن باشید در حال حاضر (سال ۲۰۱۹ میلادی) سنجنده استر بهترین گزینه تولید نقشه های کانی شناسی در سنجش از دور است و روز به روز بر اهمیت و استفاده از آن در این حیطه افزوده می شود. چرا که داده های این سنجنده از سال ۲۰۱۶ میلادی بصورت رایگان عرضه شده و حجم پژوهش های صورت گرفته مرتبط با آن در حال افزایش است. 

فراموش نکنید که استر قابلیت استفاده ترکیبی با سایر ماهواره های سنجش از دور را نیز دارد. شما می توانید با ترکیب داده های استر و سایر ماهواره ها و سنجنده ها، نقشه هایی با دقت بالاتر تولید کنید. در بسیاری از پژوهش های سال های اخیر، بر استفاده ترکیبی داده های استر و سایر ماهواره های سنجش از دوری تاکید شده است. بارزترین نمونه چنین ترکیبی در داده های لندست و استر دیده می شود.  برای اطمینان از این موضوع فقط کافی است واژه های لندست و استر را در ارتباط با کانی شناسی، به زبان انگلیسی در گوگل اسکالر جستجو کنید. حتی اخیرا همراه با عرضه رایگان داده های راداری مانند سنتینل ۱ و الوس پالسار، در پژوهش های مختلفی استفاده ترکیبی داده های استر با داده های راداری نیز به چشم خورده است. 

در انتهای این بخش به یاد داشته باشید که در ارتباط با پروژه های علمی و تجاری کانی شناسی، استفاده از داده های زمینی در کنار داده های ماهواره ای مانند استر به عنوان یک اصل مهم در نظر گرفته می شود. این مقاله در ارتباط با سنجنده استر است اما باید بدانید که بدون استفاده از داده های زمینی (کمی یا کیفی)، امکان تولید نقشه کانی شناسی (با دقت مناسب) از تصاویر ماهواره ای چون استر وجود نخواهد داشت.


اکتشافات معدنی و داده های استر

داده های سنجنده استر برای شناسایی آلتراسیونها، کانی ها و سنگ شناسی در مطالعات زمین شناسی به کار برده می شود. همانطور که در بخش قبلی اشاره شد، داده های استر به تنهایی یا بصورت ترکیبی با سایر ماهواره های سنجش از دور و داده های زمینی برای تولید نقشه های زمین شناسی استفاده می شوند. حال در این قسمت انواع روش ها و تکنیک های مرسوم در تولید نقشه های زمین شناسی با استفاده از تصاویر استر معرفی می شود.


انتخاب منطقه مورد مطالعه: شناسایی آلتراسیون ها و کانی ها می تواند در هر منطقه ای انجام شود. اما پیش از بررسی روش های مختلف در این زمینه لازم است تا یک نکته مهم در ارتباط با انتخاب منطقه مورد مطالعه را بدانید. الگوریتم ها و تکنیک ها و پردازش های کانی شناسی به گونه ای است که برای مناطق خشک و بدون پوشش گیاهی کاربردی و قابل استفاده است. البته این حرف به معنای آن نیست که در سایر مناطق نمی شود کار کانی شناسی انجام داد. اما  پیش از انجام هر پروژه ای در این زمینه لازم است بدانید که در مناطق مرطوب و مناطقی که دارای پوشش گیاهی هستند، کار شناسایی کانی ها و مناطق آلتراسیونی با چالش های زیادی مواجه است و مشکلات بیشتری در روند انجام کار آن در مقایسه با مناطق خشک ایجاد می شود. در همین راستا اگر می خواهید مشکلات کمتری در انجام این پروژه ها داشته باشید منطقه مورد مطالعه خود را در مناطق خشک و فاقد پوشش گیاهی تعیین کنید. بازهم تاکید می کنم که کارهای زیادی هم در مناطق مرطوب صورت گرفته اما چالش آن ها در مقایسه با مناطق خشک بیشتر است و نیاز به ملاحظات بیشتری نیز دارد. 


نرم افزارهای مناسب برای کانی شناسی: نرم افزارهای متعدد و متنوعی در سنجش از دور طراحی شده که به جرات می توان گفت هر کدام از یک مزیت ویژه برخوردار هستند. با این حال نوع نرم افزار و ابزار مورد استفاده برای انجام پژوهش مورد نظرتان بسیار مهم است. برای انجام پروژه های کانی شناسی با استفاده از تصاویر سنجنده استر شما نیاز به استفاده از نرم افزاری را دارید که به راحتی داده های استر را خوانده و مراحل تصحیحات رادیومتریکی و اتمسفری آن را پشتیبانی کرده و حاوی الگوریتم ها و امکانات مربوط به پردازش های کانی شناسی باشد. به همین دلیل انتخاب نوع نرم افزار بسیار مهم است. در حقیقت نرم افزار برای یک متخصص سنجش از دور مانند یک سلاح برای یک جنگجو است. اگر جنگجوی خوبی باشید ولی سلاح مناسب نداشته باشید موفق نخواهید شد. بر همین اساس در انتخاب نرم افزار برای انجام کار خود باید به خوبی بررسی کنید. بر اساس نکاتی که تا الان گفتم نرم افزار مورد استفاده شما باید هم به خوبی داده های استر را تصحیح کند و هم الگوریتم ها و دستورات مرتبط با کانی شناسی را پشتیبانی نماید. در میان تمامی نرم افزارهای کاربردی سنجش از دور، نرم افزار ENVI به عنوان بهترین گزینه برای این هدف محسوب می شود. شاید تصور کنید که من بدلیل علاقه به نرم افزار ENVI چنین ادعایی کردم اما این طور نیست. این موضوع به راحتی قابل اثبات است. ENVI به راحتی داده های L1T سنجنده استر را می خواند و به صورت خودکار تمامی مراحل تصحیح رادیومتریکی و اتمسفری باندهای آن را پوشش میدهد. شما در چند ثانیه می توانید داده های استر را در این نرم افزار فراخوانی کنید و سپس تصحیحات مورد نظر خود را به انجام برسانید. امروزه نرم افزار انوی به عنوان رهبر پردازش های طیفی در جهان شناخته شده است و هیچ نرم افزاری از لحاظ پردازش های طیفی به قدرت و قابلیت های انوی نمیرسد. بهترین کتاب خانه های طیفی و بهترین الگوریتم های تحلیل طیفی در سنجش از دور را پوشش داده است. به جرات می توان ادعا کرد که تمامی الگوریتم ها و دستورات مورد نیاز در کانی شناسی با استفاده از دستورات و امکانات نرم افزار انوی قابل اجرا و پیاده سازی است. زمانی که یک مقاله کانی شناسی با داده های استر را مطالعه می کنید عموما در آن از دستوراتی نام برده شده که عینا در نرم افزار انوی پیش تر تعبیه شده است. بنابرین اگر هدف شما استفاده از داده های استر در مطالعات کانی شناسی است تنها و بهترین گزینه نرم افزاری شما نرم افزار انوی است و هیچ گزینه دیگری را انتخاب نکنید. 


تصحیحات متناسب با کانی شناسی: برای انجام پروژه های کانی شناسی با استفاده از داده های استر نیاز به انجام برخی از تصحیحات دارید. داده های استر هم اکنون با فرمت L1T عرضه می شود. این داده ها از لحاظ هندسی تصحیح شده هستند اما از لحاظ رادیومتریکی و اتمسفری باید اصلاح شوند. پروژه های علمی و تجاری کانی شناسی همه گی بر اساس اطلاعات طیفی و رفتارهای طیفی کانی ها و ترکیبات تشکیل دهنده سطح زمین طراحی شده است. بر همین اساس برای استخراج اطلاعات از آن ها نیاز به انجام تصحیحات رادیومتریکی و اتمسفری است. چرا که بدون انجام این تصحیحات، هرگز رفتارهای طیفی بین باندی سنجنده استر اصلاح نشده و نمی توانند برای مطالعات این زمینه علمی مورد استفاده قرار بگیرند. به همین دلیل لازم است تا پیش از پیاده سازی هر گونه الگوریتم یا روشی برای استخراج کانی ها، ابتدا تصاویر استر را از لحاظ رادیومتریکی و اتمسفری اصلاح کرده و رفتار طیفی دقیق در باندهای بازتابی را محاسبه کنید. بر همین اساس هرگز پردازش های کانی شناسی (هر روشی) را بر روی تصاویر درجه روشنایی یا تصاویر تصحیح نشده انجام ندهید در غیر این صورت با خطاهای زیادی مواجه خواهید شد.


تولید نقشه های آلتراسیون و کانی شناسی: تکنیک های گوناگونی برای شناسایی مناطق آلتراسیون و کانی های متفاوت با استفاده از داده های استر بکار برده می شود. روش های کاربردی در این زمینه از ساده ترین تا پیچیده ترین روش ها قابل دسته بندی و ارزیابی هستند. ساده ترین روش ها در این زمینه در ارتباط با ترکیبات باندی و سیستم های رنگی است. امروزه شما می توانید با انتخاب سه باند کلیدی مربوط به یک کانی خاص، آن را بصورت بصری بارزسازی نمایید. بسیاری از کاربران سنجش از دور زمین شناختی، که در زمینه سنگ شناسی و کانی شناسی فعالیت دارند، از این تکنیک های ساده برای جداسازی سنگ های مختلف سطح زمین بر اساس رنگ آنها استفاده می کنند. سیستم های رنگی نیز در این رابطه تاثیر گذار هستند. بصورت پیش فرض در نرم افزار انوی از سیستم رنگ RGB استفاده می شود. در بسیاری از کارهایی که پیش تر در آکادمی سنجش از دور انجام دادیم به این نتیجه رسیدم که ترکیبات باندی کلیدی در کانی شناسی و سنگ شناسی در سیستم های رنگی غیر از RGB نیز می تواند اطلاعات با ارزشی با نمایان نماید و پدیده هدف در آن ها بارزتر گردد. با این حال تکنیک ترکیب باندی هرگز به عنوان پردازش نهایی قابل قبول نیست بلکه از آن به عنوان یک روش کمکی برای تفسیر بصری در مطالعات کانی شناسی استفاده می شود. همیشه در کلاس های آکادمی سنجش از دور و محصولات آموزشی به این نکته اشاره کردم که سنجش از دور فقط پردازش های رقومی نیست بلکه تفسیر بصری نیز هست. یک متخصص واقعی سنجش از دور کسی است که بتواند از تکنیک های کیفی (تفسیر بصری) و رقومی (پردازش تصویر) بصورت ترکیبی استفاده نماید و نتایج خوبی را تولید کند. برای من روش های تفسیری و ترکیب باندی برای نمایش دادن نتایج بسیار موثر بوده است. با یک مثال این موضوع را به شکل دقیق تری برای شما تشریح می کنم. فرض کنید که قصد انجام یک پروژه سنجش از دور کانی شناسی را دارید. برای نمایش دادن منطقه مورد مطالعه و کانی هدف، لازم است تا از یک تصویر بازتاب سطحی با یک ترکیب باندی مشخص استفاده نمایید. امروزه در سنجش از دور همه برای تمامی کاربردها از ترکیب باندی کاذب استفاده می کنند که در آن از باندهای مادون قرمز نزدیک استفاده شده و پوشش گیاهی به رنگ قرمز نمایش داده می شود. برای یک پروژه کانی شناسی چنین ترکیب باندی هیچ کاربردی ندارد. در کارهای این چنینی شما باید ترکیب باندی را انتخاب کنید که گویای هدف شما باشد نه ترکیب باندی که برای پوشش گیاهی و کشاورزی طراحی شده! در این حالت شما با استفاده از یک ترکیب باندی تخصصی کانی شناسی، می توانید بصورت محدود منطقه مورد مطالعه خود را تعریف نمایید و دید مناسبی را در مخاطب ایجاد کنید. فراموش نکنید چگونگی نمایش دادن کار بسیار مهم تر از انجام آن است. بسیاری از اوقات پروژه ها و مقالاتی را دیدم که در آن ها از روش های ساده ای استفاده شده اما به خوبی کار انجام شده را ارائه کردند و کیفیت نتایج را بسیار بالا بردند. اما در مقابل آن پروژه ها و روش هایی نیز هستند که الگوریتم های بسیار پیشرفته ای استفاده کرده و نوآوری های بسیار زیادی نیز دارند اما هیچ یک از آن ها موفق نشدند و دلیل آن فقط در یک چیز بود: عدم نمایش و ارائه درست کار انجام شده! پس مشاهده کنید فقط الگوریتم ها و تکنیک های پیچیده و جدید مناسب نیستند بلکه ویژگی های کیفی مانند چگونگی نمایش دادن آن نیز بسیار اهمیت داشته و تضمین کننده اعتبار کار شما است. 


پس از روش های کیفی، نوبت به روش های کمی کاربردی در تولید نقشه های کانی شناسی و مناطق آلتراسیونی می رسد. بر اساس بررسی هایی که در ۸ سال اخیر در سنجش از دور انجام دادم متوجه شدم که این دسته از روش ها در این کاربرد به دو دسته مهم تقسیم بندی می شوند: روش های مبتنی بر محاسبات بین باندی و روش های  مبتنی بر تحلیل های طیفی و آماری.


روش های مبتنی بر محاسبات بین باندی اشاره به روش هایی دارد که در آن ها بر اساس رفتار طیفی کانی های هدف در باندهای مختلف، نسبت باندی و یا یک شاخص طیفی در آن محاسبه می شود. هدف استفاده از نسبت باندی یا شاخص طیفی آشکار سازی یک کانی خاص در تصویر ماهواره ای است. این دسته از روش ها عموما نیازی به داده های زمینی ندارند. درصورتی که رفتار طیفی مرجع کانی مورد نظر خود را داشته باشید امکان انتخاب باندهای کلیدی برای نسبت گیری و یا تعریف شاخص آن فراهم می شود. برای داده های سنجنده استر با توجه به نوع باندهای آن، تا کنون ده ها شاخص طیفی و رابطه نسبت گیری بین باندی تعریف شده که برای شناسایی کانی های مختلف و مناطق آلتراسیونی مورد استفاده قرار می گیرند. پیش تر در سایت آکادمی سنجش از دور (سایت girs) بیش از ۲۰ شاخص طیفی کاربردی سنجنده استر را برای این هدف، طراحی و منتشر کردیم که از استقبال بسیار زیادی از سوی کاربران مواجه شد. در این گونه از روش ها انتخاب باندهای ورودی برای محاسبه بسیار مهم است. همواره باید باندهایی در محاسبه شاخص ها وارد شوند که در ارتباط با نحوه نمایش دادن یک کانی حالت عکس یکدیگر را داشته باشند. به عنوان مثال به منظور آشکارسازی کانی کوارتز در تصاویر استر، دوباندی استفاده می شود که یکی بازتاب زیاد و دیگری جذب زیادی از این کانی را ثبت کرده باشد تا از این طریق بتوان در رابطه نسبت گیری و یا شاخص های طیفی مورد استفاده محدوده ای که توسط کانی کوارتز نمایش داده شده را به خوبی آشکارسازی و ثبت کرد. فراموش نکنید که در این روش ها دامنه مقادیر و حدآستانه ها بسیار مهم هستند. چرا که خروجی محاسبات این روش ها عموما یک تصویر سیاه و سفید با دامنه عددی خاصی است. در این نتایج، معمولا مناطق سفید رنگ در تصویر نشان دهنده کانی هدف است و بخش های تیره تر تصویر، نشان دهنده فقدان وجود آن کانی است. در همین راستا، مناطق سفید رنگ در خروجی شاخص های طیفی از مقدار عددی بالاتری نیز برخوردارند که در انتخاب حدآستانه نهایی به کاربران کمک می کند. در این جا شاید از خود بپرسید منظور از حدآستانه چیست و چه کاربردی دارد؟ حدآستانه اشاره به مقداری در تصویر شاخص دارد که مرز کانی هدف شما را مشخص می کند. مثلا فرض کنید شاخص کوارتز را با استفاده از تصاویر استر محاسبه کردید. حال محدوده های پوشش داده شده توسط کانی کوارتز با استفاده از حدآستانه ای که تعیین خواهید کرد مشخص شده و می توانید آن را از سایر ترکیبات موجود متمایز کرده و نقشه آن را تولید کنید. 


روش های مبتنی بر تحلیل های طیفی و پردازش های آماری، روش های پیچیده تری هستند که عموما بصورت دستی قابل انجام نیست. برای اجرای این الگوریتم ها نیاز به دستورات آماده موجود در نرم افزار انوی دارید و به راحتی می توانید آن ها را بدون مشکل برنامه نویسی اجرا نمایید. این دسته از روش ها را می توان به دو قسمت تقسیم کرد: روش هایی که فقط نیاز به تصویر ماهواره ای دارند و روش هایی که نیاز به تصویر ماهواره ای و داده های زمینی (بصورت ترکیبی) دارند.


 در میان روش های کمی مورد استفاده، یکی از مرسوم ترین آنها الگوریتم تجزیه مولفه های اصلی است که از آن با عنوان PCA نیز یاد می شود. در این روش، همبستگی بین باندهای استر به حالت ناهمبسته تبدیل می شوند. سپس به واسطه ناهمبستگی ایجاد شده، تفاوت های بین باندی در ارتباط با بازتاب و جذب آلتراسیون ها و کانی ها امکان شناسایی هرچه بهتر این مناطق را فراهم می آورد. این روش که در برخی از منابع از آن با عنوان روش کروستا نیز یاد شده در بخش عمده ای از مطالعات کانی شناسی در مقیاس های گوناگون استفاده شده است. یکی از مهم ترین مزیت های این روش، عدم نیاز به داده های زمینی است. در این الگوریتم تفاوت های جذب و بازتاب ناشی از کانی های مختلف، امکان شناسایی آن ها را به شکلی کاربردی فراهم می کند. به عنوان مثال در تصویر حاصل از PCA، هر منطقه ای در ترکیب مولفه های مختلف، بواسطه یک رنگ نمایش داده می شود و رنگ های متفاوت نشان دهنده ترکیبات متفاوتی هستند که در سطح زمین قرار دارد. با این حال به یاد داشته باشید که به منظور شناسایی نوع این ترکیبات نیاز به داده های زمینی دارید. به عبارت دیگر الگوریتم PCA تفاوت حاصل از ترکیبات متفاوت را نشان می دهد اما جنس این تفاوت، با استفاده از داده های زمینی مشخص می گردد.

الگوریتم های دیگری نیز مانند PCA هستند که می توان به روش های MNF و ICA نیز اشاره کرد. یک ویژگی مهم این دسته از روش ها، فشرده سازی و متراکم سازی اطلاعات است. به عبارت دیگر با استفاده از الگوریتم های مذکور بیش از ۹۰ درصد تفاوت هایی که در منطقه شما از لحاظ کانی های مختلف وجود دارد در سه مولفه اول ذخیره سازی می شود. بصورتی که اگر یک ترکیب باند ۳ تایی از مولفه اول، دوم و سوم ایجاد نمایید، بیش از ۹۰ درصد کانی ها و مناطق آلتراسیونی موجود در منطقه شما آشکار می گردد. با وجود اینکه ۱۰ درصد اطلاعات باقی مانده در سایر مولفه ها بسیار نویزی است اما ممکن است که اطلاعات هدف شما در آن ذخیره شده باشد، پس هرگز آن را حذف نکنید. چرا که مولفه های ۴ به بعد عموما ۹۰ درصد نویزی هستند و تنها ۱۰ درصد آنها حاوی اطلاعات مهمی است که شاید پوشش دهنده اطلاعات هدف ما باشند. با وجود اینکه این روش ها بسیار به یکدیگر نزدیک هستند اما MNF کاهش نویز مناسبی را همراه با فشرده سازی و ناهمگون سازی اطلاعات انجام می دهد. روش ICA نیز در مقایسه با دو روش دیگر دقت زیرپیکسل بالاتری دارد. 


از دیگر الگوریتم هایی که نیاز به دادهای زمینی ندارد، می توان به روش Continum Removal اشاره کرد. این روش نیز بسیار کاربردی و پر استفاده در مقالات سنجش از دور است. در این روش، محدوده های جذب امواج بسیار مهم است. این روش تاکید بر موقعیت و عمق جذب صورت گرفته در رفتارطیفی کانی های مختلف دارد. الگوریتم CR با استفاده از بولد کردن محدوده های جذبی کانی های متفاوت در رفتار طیفی سنجنده ها امکان شناسایی دقیق تر آن را فراهم می آورد. در این روش نیازی به داده های زمینی نیست اما رفتارهای طیفی موجود در تصویر گویای پدیده هایی است که از طریق نسبت های جذبی متفاوت از یکدیگر متمایز شده اند. 

تا این مرحله شما با روش هایی آشنا شدید که بر اساس رفتارهای طیفی موجود در تصویر نسبت به جداسازی محدوده کانی های مختلف اقدام می کردند. با این حال فراموش نکنید این روش ها برای تفکیک تنوع کانی ها و ترکیبات تشکیل دهنده مناسب هستند اما به تنهایی برای تشخیص جنس تفاوت ها کاربردی نیستند. برای تشخیص جنس تفاوت ها نیاز به استفاده از روش هایی دارید که در آن ها از داده های زمینی و کتابخانه های طیفی استفاده می شود. 


 یک قانون نانوشته در سنجش از دور آن است که ترکیب روش های پردازش معتبر امکان تولید نتایج دقیق تر را فراهم می کند. بر همین اساس شما با ترکیب نتایج حاصل از چند روش، می توانید نتایج دقیق تری را استخراج نمایید. یکی از این روش ها، روش Matched Filtering است. مهم ترین تفاوت این روش با PCA در استفاده از داده های زمینی است. PCA بصورت مستقیم بر روی تصویر استر اجرا می شود اما روش MF اینطور نیست و برای اجرا نیاز به تصاویر استر، نمونه موقعیت زمینی کانی های هدف دارد. روش MF برای هریک از نمونه های زمینی یک رفتار طیفی بر اساس باندهای استر استخراج می کند و سپس در سراسر تصویر طیف های مشابه آن را استخراج کرده و محدوده آن را مشخص می نماید. بر همین اساس روش PCA امکانی را فراهم می کند تا با تفاوت های خاک سطح زمین بر اساس کانی ها مشخص شده و سپس روش MF نوع و جنس تفاوت ها را مشخص می نماید. 

روش های متفاوتی در سنجش از دور هستند که مانند PCA و MF عمل می کنند. به عبارت دیگر روش PCA نماینده روش هایی است که نیاز به داده زمینی ندارند و روش MF نماینده روش هایی است که نیاز به داده های زمینی دارند. در نهایت ترکیب این قسم از روش ها امکان تولید نقشه های دقیق تر و با کیفیت تر از لحاظ کمی و کیفی را فراهم می کند. 


روش های متعددی هستند که مانند الگوریتم MF عمل می کنند. به عنوان مثال الگوریتم Spectral Feature Fitting نیز یکی از این روش ها است. البته این روش در مقایسه با روش MF دقت کمتری دارد. با این حال این الگوریتم با استفاده از روش حداقل مربعات نسبت به شناسایی محدوده کانی های مشابه در تصویر اقدام می کند. بررسی های تجربی ما در آکادمی سنجش از دور (سایت girs) نشان داده که الگوریتم هایی مانند MF در مقایسه با روش SFF دقت بالاتری دارند. شما می توانید بصورت عملی این دو دستور را در نرم افزار انوی به راحتی پیاده سازی کرده و نتیجه آن ها را با یکدیگر مقایسه نمایید. در وبینار کانی شناسی سنجنده استر که سال گذشته برگذار شد دقیقا به این موضوع اشاره کردم و با استفاده از داده های استر و داده های زمینی اثر کمی و کیفی هر یک از این الگوریتم ها بصورت زنده برای تمامی کاربران نمایش داده شد. اگر در این وبینار شرکت نکردید هم اکنون می توانید فیلم آن را از سایت girs تهیه کنید.


یکی از مشکلاتی که در تولید نقشه های آلتراسیون و کانی شناسی وجود دارد در ارتباط با پیکسل های مخلوط است. پیکسل های مخلوط، اشاره به پیکسل هایی دارد که بیش از یک پدیده را در سطح زمین پوشش داده و بازتاب ثبت شده در آنها ترکیبی از بازتاب های چند پدیده است. وجود پیکسل های مخلوط در تولید نقشه های آلتراسیون مشکلات عدیده ای را ایجاد می کند. به همین دلیل امروزه ایده شناسایی پدیده ها در زیر پیکسل مطرح شده است. به همین منظور با استفاده از روش های اختلاط زدایی طیفی یا Spectral Unmixing می توان ترکیبات موجود در یک پیکسل را مشخص کرده و پدیده های غالب آن را از یکدیگر تفکیک نمود. استفاده از این روش در سنجش از دور بسیار ضروری و اجتناب ناپذیر است چرا که بسیاری از پیکسل ها دچار این مشکل هستند. مشکل پیکسل های مخلوط می تواند دقت پردازش های مرتبط با کانی شناسی را کاهش داده و مانع از تولید نقشه های با کیفیت در این زمینه گردد. با این حال برای اختلاط زدایی طیفی پیکسل ها لازم است تا حتما از داده های زمینی طیف سنجی و یا داده های کتابخانه های طیفی مربوط به کانی های هدف استفاده شود. 


تکنیک دیگری که برای تولید نقشه های مناطق آلتراسیون پیشنهاد شده روش طبقه بندی است. امروزه موضوع طبقه بندی تصاویر ماهواره ای موضوعی مرسوم تلقی می شود که کم و بیش همه کاربران سنجش از دور با آن اشنایی دارند. اما توجه داشته باشید طبقه بندی مورد استفاده برای کاربردهای معدنی و آلتراسیونی با روش های مورد استفاده برای نقشه های کاربری اراضی کاملا متفاوت است. در طبقه بندی های کاربردی کانی شناسی و مناطق آلتراسیونی، روش طبقه بندی طیفی Spectral Angle Mapper در مقایسه با سایر روش ها بیشتر استفاده می شود. روش هایی چون Support Vector Machine بر اساس اطلاعات آماری تصاویر ماهواره ای طبقه بندی را انجام داده و نقشه تولید می کنند. اما این در حالی است که در روش SAM رفتار طیفی پدیده ها عامل اصلی در تعریف کلاس ها و جداسازی آن ها است. با استفاده از روش SAM کاربر رفتار طیفی کانی یا کانی های مورد نظر خود را تعریف کرده و سپس تمامی طیف های مشابه آن در تصویر شناسایی شده و به یک کلاس واحد اختصاص داده می شود. تقریبا روش SAM مرسوم ترین روش طبقه بندی است که در مطالعات کانی شناسی توسط کاربران در سطح جهان استفاده می شود. با این حال روش های مشابه SAM نیز در حال توسعه هستند و کاربران می توانند با تحقیق و بررسی بیشتر، روش های مشابه جدیدتر را نیز بررسی نمایند تا از این طریق کیفیت پژوهش های صورت گرفته ارتقا یافته و صرفا به روش های سنتی موجود اکتفا نشود. روش SAM با وجود آنکه برای داده های ابرطیفی کاربرد بهتری داشته و نتایج دقیق تری تولید می کند اما برای داده های استر نیز کاربردی است. اگر به این گفته من شک دارید فقط کافی است در گوگل عبارت SAM و ASTER را همراه با یکدیگر جستجو کنید تا حجم کارهای صورت گرفته در این زمینه برای شما مشخص شود. 


روش دیگری که مبتنی بر استفاده از داده های کتابخانه طیفی است، تحلیلگر طیفی یا Spectral Analyst نام دارد. در این روش ابتدا پیکسل های خالص با استفاده از الگوریتم Pixel Purity Index محاسبه شده و سپس رفتار طیفی خالص ترین پیکسل ها استخراج می شود. رفتار طیفی پیکسل های خالص سپس با رفتارهای طیفی کتابخانه طیفی تطابق داده شده و جنس کانی موجود در پیکسل شناسایی می شود. این روش مبتنی بر میزان تطابق است. در این روش نیز برای انجام پردازش ها نیاز به داده زمینی نیست اما برای تایید و یا رد نتایج کمی حاصله نیاز به استفاده از داده های زمینی دارید. 


مرجع مطالب این مقاله

در این مقاله آموزشی از یک مرجع مهم و جامع استفاده شده است. زمانی که این مقاله را دانلود کردید مقاله مرجع نیز همراه با آن ضمیمه شده که می توانید در کارهای علمی خود به آن مراجعه نمایید. 


فایل PDF

به منظور دانلود رایگان PDF این مقاله بر روی گزینه زیر کلیک کنید. 


یک پیشنهاد مهم

اگر علاقه مند به یادگیری هرچه بیشتر کاربرد های سنجنده استر در مطالعات زمین شناسی و کانی شناسی هستید، می توانید به آموزش های زیر مراجعه کنید: 


 

   

دیدگاهتان را بنویسید