محصولات دانلودی

تلفیق تصاویر حرارتی لندست ۸ به منظور افزایش جزییات مکانی – با استفاده از الگوریتم TSharp

امیرحسین احراری
نوشته شده توسط امیرحسین احراری

محصول آموزشی تلفیق تصاویر حرارتی لندست ۸ به منظور افزایش جزییات مکانی آن با استفاده از الگوریتم TSharp منتشر شد! در این محصول آموزشی روش افزایش توان تفکیک مکانی باندهای حرارتی از ۱۰۰ به ۳۰ متر آموزش داده شده است. در این آموزش، نرم افزار SAGA به همراه نرم افزار ENVI برای اجرای دستی و مرحله به مرحله الگوریتم TSharp مورد استفاده قرار گرفته است. تمامی مراحل محاسباتی آموزش داده شده بر اساس مقالات علمی مرجع صورت گرفته و مقاله مرجع آن نیز ضمیمه محصول شده است.


مشخصات محصول آموزشی 

  • قیمت: ۴۹/۹۰۰ تومان 
  • مدرس: امیرحسین احراری
  • تخصص: کارشناس سنجش از دور و پردازش تصاویر ماهواره ای
  • موضوع: تلفیق تصاویر حرارتی 
  • نرم افزار: SAGA , ENVI
  • داده های تمزینی: ندارد. 
  • پیش نیاز: آشنایی با روش دانلود تصاویر لندست

توضیحات محصول آموزشی 

در این محصول آموزشی روش افزایش توان تفکیک مکانی تصاویر ماهواره ای حرارتی لندست ۸ آموزش داده شده است. تصاویر حرارتی لندست ۸ از توان تفکیک ۱۰۰ متری برخوردار هستند که بصورت هندسی پیکسل سایز آن به ۳۰ متر تبدیل شده است. با این حال میزان جزییات مکانی آن در مقیاس ۱۰۰ متری است و امکان تشخیص بسیاری از جزییان مکانی را با مشکل مواجه می کند. در همین راستا، در این محصول آموزشی، امیرحسین احراری روش افزایش جزییات مکانی باندهای حرارتی با استفاده از الگوریتم TSharp را بر اساس مدل سازی رگرسیونی آموزش داده است. 


عناوین آموزشی 

عناوین آموزش داده شده در ارتباط با تلفیق تصاویر حرارتی در نرم افزار SAGA عبارت اند از: 

  1. فراخوانی تصاویر لندست 
  2. تصحیحات رادیومتریکی 
  3. محاسبه تصویر بازتاب TOA
  4. تصحیح اتمسفری
  5. محاسبه تصویر دمای درخشندگی
  6. محاسبه تصویر NDVI
  7. رگرسیون گیری بین باندی 
  8. ارزیابی رابطه NDVI و دمای درخشندگی
  9. استخراج ضرایب تلفیق
  10. محاسبه تصویر حرارتی تون تفکیک مکانی بالا
  11. حذف نویزهای تلفیق تصاویر 

محدودیت تصاویر حرارتی 

مهم ترین محدودیت تصاویر حرارتی پایین بودن توان تفکیک مکانی آن است. پایین بودن توان تفکیک مکانی منجر به کاهش جزییات مکانی می گردد. باندهای حرارتی بدلیل طول موج بلند، فرکانس بسیار پایین و فقدان انرژی کافی در دسترس برای تصویر برداری از جزییات مکانی کمتری نسبت به باندهای بازتابی برخوردار است. به عبارت دیگر سنجنده های حرارتی برای تصویر برداری و ثبت انرژی کافی، میدان دید بزرگتری را ایجاد می نمایند که منجر به کاهش توان تفکیک مکانی سنجنده می شود. بر همین اساس باندهای حرارتی از لحاظ رادیومتریکی اطلاعاتی بسیار با ارزش ولی با جزییات مکانی اندک را تولید می کنند که منجر به دشوار شدن تفسیر نتایج می گردد.


تلفیق تصاویر حرارتی 

به منظور حل مشکل توان تفکیک مکانی تصاویر حرارتی از الگوریتم های تلفیق تصاویر استفاده می شود. روش های تلفیقی متنوعی برای افزایش جزییات مکانی ارائه شده است که یکی از مطرح ترین آن ها الگوریتم Tsharp است. در این الگوریتم با محاسبه رابطه تغییرات دمای سطح زمین نسبت به تغییرات شاخص های طیفی امکان مدل سازی آماری تصویر حرارتی با توان تفکیک مکانی بالا فراهم می شود. در این محصول آموزشی روش تلفیق تصاویر حرارتی برای زمین های زراعی بر اساس شاخص طیفی NDVI آموزش داده شده است. لازم بذکر است که الگوریتم Tsharp برای تصاویر سنجنده MODIS نیز قابل اجرا و کاربردی است.


خرید محصول 

به منظور خرید این محصول آموزشی بر روی لینک زیر کلیک نمایید. پس از خرید، بلافاصله محصول قابل دانلود است. 


لینک های مفید

   

۱۵ دیدگاه

  • سلام
    روز بخیر
    آیا امکان افزایش توان تفکیکی از ۳۰ بیشتر هم وجود دارد؟
    مثلا ۱۰ متر یا ۱ متر؟
    در صورت وجود داشتن لطفا اعلام کنید.

    • با سلام و احترام

      بصورت تکنیکی بله اما کیفیت خوب نمیشه. معمولا افزایش توان تفکیک مکانی بین ۴ تا ۶ برابر بیشتر خوب جواب میده. مثلا ۱۰۰ متری تا ۱۰ متر نتیجه خوبی داره اما بیشتر توصیه نمیشه.

      موفق باشید

  • سلام جناب احراری

    خسته نباشید

    آیا شما منبعی دیدید که الگوریتم T-SHARP رو در GEE هم نوشته باشند ؟

    بنده تونستم خود LST رو از GEE بدست بیارم اما در یک سری مقالات به خصوص برای مطالعات شهری خیلی از موارد گفته شده که ۱۰۰ متر کافی هست. بنده هنوز ندیدم شما کاری رو در این خصوص در GEE انجام داده باشید به شدت منتظر کارهای جدیدتون هستم. همچنین در خصوص حل کردن مشکل زمانی تصاویر لندست و تولید نقشه حرارتی شب، غیر از استفاده از تابع رگرسیون بین لندست و فاکتور هایی مثل NDVI و NDBI و NDWI و متعاقبا MODIS و همین فاکتور ها و مقایسه این دو تابع کلی. آیا راه راحت تری وجود داره ؟ آیا به تازگی در دیتابیس ها داده های حرارتی شب LANDSAT برای دانلود قرار داده نشده ؟

    ممنون از زحماتتون و پاسخگوییتون

    • با سلام و احترام

      خیر در این رابطه منبعی ندیدم.
      بله ۱۰۰ متر کافی است اما موضوع تلفیق تصاویر حرارتی برای تفسیر پذیرتر کردن دمای سطح زمین مورد توجه است و تقریبا در تمامی ژورنال های معتبر بهش پرداخته شده. رفرنسی هم که بنده ضمیمه کردم مزیت این نوع تلفیق را نشان داده. اما فراموش نکنیم که برای شهرهای کوچک تصاویر ۱۰۰ متری خیلی مناسب نیستند و فقط برای شهرهای بزرگ کاربرد مطلوبی دارند. از سوی دیگر الگوریتم T-Sharp عموما برای تصاویر مادیس در سال های اخیر بسیار استفاده شده. یعنی در داده های ۱ کیلومتری مادیس کاربرد بهتر و بیشتری دارد.

      بزودی آموزش LST گوگل ارث انجین را منتشر خواهم کرد انشاءلله. تا هفته آینده حدودا سه محصول گوگل ارث انجین که یکی از آنها در این رابطه هست را منتشر خواهم کرد. در ارتباط با داده های شب لندست، بررسی هایی که بنده انجام دادم نشان داده که برای لندست ۸ داده های شب در دسترس نیست. در این رابطه از داده های لندست ۷ ویا استر می توانید استفاده نمایید.

  • سلام جناب احراری وقتتون بخیر ،ممنونم از زحماتتون ،جسارتن یه انتقادی داشتم نسبت ب محصولاتتون بخصوص در رابطه با saga ,اینکه بالای هفتاد درصد مطالب که تو آموزش گفتین مشترکه بین چنتا محصول ، بفرض منی که rf رو گرفتم برا اعتبارسنجیش مجبور شدم محصول دیگ بگیرم ، که مشترکات خیلی زیادی با محصول rf داشت و همچنین محصول رگرسیون دوباره با دو محصول قبلی و این محصول با سه تای قبل، یعنی در واقع من سه تای قبلی رو که تهیه کردم برای این محصول هم که شاید مکمل محصوله رگرسیون هست وجهت تکمیلش باید این محصول رو هم تهیه کنم ولی عملن بیشتر از نصف تایم آموزشی مشترکه و از یازده تا عناوین آموزشی که لیست کردین برا این محصول ، هشتاش تکراری و فقط برای سه بخش آخری دوباره باید این محصول رو تهیه کنم ،

    • با سلام و احترام

      شما درست میگید و بنده منظور شما رو متوجه هستم. اما خودتون رو بزارید جای بنده. در یک آموزش اومدم طبقه بندی RF رو گفتم یکی از کاربران گفت اعتبارسنجی اون رو هم بزارید. اعتبارسنجی رو بزارم کاربران نیاز دارند که روش طبقه بندی هم داخلش باشه. اگر در محصول رگرسیون بیام فقط رگرسیون رو نشون بدم کاربران باز هم انتقاداتی در این رابطه بیان خواهند کرد. مثلا یکی از کاربران در ارتباط با رگرسیون به من گفتند چند تا نکته دیگه هم دربارش توضیح میدادید بهتر بود.

      مشکلی که در اینجا وجود داره این هست که محصولات دانلودی برای آموزش های موردی و سوالات کوچیک طراحی شده. هدف من از این محصولات این نیست که انتظار داشته باشم یک کاربر همه این محصولات رو خریداری کنه. متناسب با سوالاتی که مطرح میشه و نیاز هایی که وجود داره آموزش رو درست میکنم. اگر در همه آموزش ها روش فراخوانی و آماده سازی داده های ورودی توضیح داده نشه اصلا کاربری که پیش زمینه نداره متوجه روش انجام کار نمیشه. در هر آموزشی فرض من بر این هست که مخاطب اولین بار هست که این نرم افزار رو باز کرده به همین خاطر هم پوشانی ایجاد میشه. از سوی دیگر همه کاربران همه آموزش ها رو با هم خریداری نمیکنند که بنده در یک محصول بگم بخش پیش پردازش و ورود داده ها در محصول فلان هست و برید آن را خریداری کنید. ار طرفی کار درستی هم نیست.

      برای خود بنده هم باور بفرمایید راحت تر هست که موارد تکراری رو نگم اما بدلیل یکسان نبودن پیش زمینه کاربران امکان پذیر نیست.

      موفق باشید

      • ممنونم جناب احراری از توضیحات کاملتون بله درست میفرماییدقانع شدم و ممکنه یکی فقط یه محصولو تهیه کنه.
        در هرصورت ممنونم بابت خدماتی که ارائه میدین.
        موفق باشین

  • وبا توجه ب نیازم ب این بسته ، اگرم بخام تهیه کنم متاسقانه شاید تنهاکمتر از ۲۰ درصد محتوا برام قابل استفاده باشه و بقیه هشتاد درصد قبلن در بسته های قبلی که تهیه کردم بوده ممنون میشم راهکاری بفرمایین 😊😊

  • با ارض سلام و خسته نباشید
    یه سوال داشتم ممنون میشم راهنماییم کنید.

    در گوگل ارث انجین آیا امکان این هست image fusion انجام بدهیم؟ مثلا تصاویر حرارتی رو با تصاویر پنکروماتیک ترکیب کنیم؟؟؟
    اگر هست با چه روش هایی امکان پذیر است.

  • سلام مهندس جان وقت بخیر
    این محصول تنها برای مطالعه مزارع مناسبه؟ برا کسی که شهرو مطالعه میکنه کاربرد نداره؟ چون تو مقاله رفرنس که گزاشتین موضوع شهره، پس تو اون مقاله از چه روش استفاده شده؟
    ممنون

    • با سلام و احترام

      در این مقاله برای شهر از شاخص NDBI استفاده شده. شما می توانید همین دستورالعمل آموزش داده شده را با شاخص NDBI برای شهر استفاده کنید. من این دستور العمل رو برای زمین های زراعی و با استفاده از NDVI انجام دادم. همونطور که در ویدیو هم توضیح دادم برای شهر کاملا کاربردی و قابل استفاده است به شرط آنکه از شاخص های شهری در این زمینه استفاده کنید.

      موفق باشید

  • سلام وقت بخیر
    میبخشید چنتا سوال داشتم برای تهیه این محصول.
    اگر بخام خروجی بدست امده با t sharp رو وارد متلب کنم باید بچه صورت عمل کنم شدنیه ؟ و سوال دومم اینکه آیا این خروجی میتونه ورودی برا بدست اوردن lst داخل متلب باشه با توجه به اون کارگاه lst یا خیر اصلن لزومی نداره و این الگوریتم مناسب برای تهیه نقشه کاربری اراضیه و برای نقشه lst لازم نیست

    • با سلام و احترام

      بله شدنی هست. باید فرمت آن را به tif تبدیل کنید.

      برای محاسبه LST نیز بله قابل استفاده است. اما دقت رادیومتریکی LST را افزایش نمی دهد. فقط برای تفسیر بصری تغییرات الگوهای مکانی دمای سطح زمین قابل استناد است.

      موفق باشید

دیدگاهتان را بنویسید

آعاز تخفیف بزرگ روز دانشجو - برای اولین بار شامل 40% تخفیف همه محصولات - کد تخفیف: 16azarلطفا کلیک کنید
+ +