1,316 بازدید

اخبار ، مقالات و تحقیقات گروهی را دنبال کنید.

آموزش رایگان نرم افزار ENVI

در ENVI حرفه ای شو 🦾

0 تا 100 مفاهیم سنجش از دور

کاملا رایگان شروع کن 🧩

آموزش رایگان ArcGIS pro

واقعاااااا رایگاااااانه 🤗

آموزش گوگل ارث انجین

شدیدا توصیه شده 🌏

دانلود لندیوز 10 متری ایران و …

به کمک گوگل ارث انجین 🚀

کتاب موتور پردازش مجازی

اولین کتاب آموزش گوگل ارث انجین 📗

طبقه بندی تصاویر ماهواره ای

آشنایی با انواع روش ها 😲

پیش پردازش تصاویر ماهواره ای

هندسی – رادیومتریکی – اتمسفری 🀄

دانلود داده های آلتیمتری

ترازسنجی برای دریاچه ها 🧿

پوشش اراضی 10 متری

تولید شده توسط ESRI 🧐

نمایش سه بعدی در ArcGIS

مدل رقومی ارتفاع 🗻

مطالب پربازدید

در این مقاله آموزشی امیرحسین احراری به آموزش 24 شاخص طیفی گیاهی بصورت کاملا کاربردی پرداخته است. این مقاله در عین با ارزش بودن بصورت رایگان برای کاربران در نظر گرفته شده و شما میتوانید با استفاده از لینک زیر بصورت رایگان آن را دریافت نمایید. همچنین در این مقاله برخی از سوالات مهم کاربران سنجش از دور در ارتباط…

در این مقاله آموزشی امیرحسین احراری به آموزش 24 شاخص طیفی گیاهی بصورت کاملا کاربردی پرداخته است. این مقاله در عین با ارزش بودن بصورت رایگان برای کاربران در نظر گرفته شده و شما میتوانید با استفاده از لینک زیر بصورت رایگان آن را دریافت نمایید.

همچنین در این مقاله برخی از سوالات مهم کاربران سنجش از دور در ارتباط با شاخص های طیفی نیز پاسخ داده شده است.

مطمئن باشید این مقاله آموزشی رایگان ارزش وقت گذاشتن برای مطالعه را دارد. ما برای وقت شما ارزش قائل هستیم.

تعداد صفحات : 12  صفحه

حجم فایل : 522 کیلوبایت

 


بخش هایی از این مقاله آموزشی را در این بخش میتوانید مطالعه نمایید . . .

در این مقاله آموزشی ابتدا به طرح و پاسخگویی سوالاتی پرداخته شده است که در زمینه محاسبه شاخص های طیفی همواره مورد توجه
است. دلیل نامگذاری این مقاله با عنوان درخت شاخص های طیفی آن است که شاخص های طیفی مختلف به عنوان یک درخت پر بار در سنجش
از دور در نظر گرفته شده که عموم پردازش های طیفی را جهت میدهد. در ادامه بیش از 20شاخص طیفی گیاهی در زمینه محاسبه میزان
سبزینگی کیاهی معرفی و ارزیابی شده است.

شاخص طیفی چیست؟

یک شاخص طیفی حاصل یک محاسبه ریاضیاتی بین دو یا چند باند طیفی است که بواسطه آن  یک پدیده هدف شناسایی و بارز میشود. در تصاویر بدست آمده از شاخص های طیفی اطلاعات جدیدی تولید میشوند که در تصاویر اصلی به تنهایی وجود ندارد. تصویر شاخص طیفی ترکیبی از چند تصویر است که اطلاعات در آن بصورت بهینه سازی شده نمایش داده میشود.

چه محاسبات ریاضیاتی معمولا بر روی باندها صورت میگیرد؟

تمامی عملگرهای اصلی ریاضیاتی بر روی تصاویر ماهواره ای اجرا میشود اما در این میان عملگرهای تقسیم، تفریق، جمع و ضرب به ترتیب اولویت از بیشترین کاربرد برخوردار هستند. با استفاده از عملگرهای تقسیم و تفریق میتوان تفاوت و اختلاف بین باند ها را نمایش داد. این عملگرها پر کاربرد ترین عملگرها در محاسبات ریاضیاتی بین باندی در سنجش از دور است که معمولا برای آشکارسازی تغییرات بین دو باند یا دو زمان مختلف استفاده میشود.

عملگر جمع نیز برای تجمیع ویژکیهای تصاویر ماهواره ای مورد استفاده قرار میگیرد. به عنوان مثال برای بدست آوردن میزان بازتاب در در محدوده بازتابی طیف الکترومغناطیس ، تمامی مقادیر بازتاب های ثبت شده در باند های بازتابی با یکدیگر جمع شده و تصویر واحدی در این رابطه شکل میگیرد.

درمیان عملگرهای اصلی ، عملگر ضرب از کمترین کاربرد برخوردار است. در محاسبه شاخص ها به ندرت دو باند با یکدیگر ضرب میشوند. عموما فرایند ضرب در اعمال ماسک های باینری بر روی تصاویر ماهواره ای استفاده میشود.

عموم شاخص های طیفی در چه زمینه هایی طراحی و استفاده میشوند؟

عموما شاخص های طیفی در مطالعات گیاه، خاک، آب و سکونت گاههای شهری مورد استفاده قرار میگیرد. به عنوان مثال با استفاده از یک شاخص طیفی میتوان پوشش گیاهی موجود در منطقه را از سایر پوشش ها جدا و متمایز ساخت و یا اینکه میزان سلامت و تنش کیاه را آشکار کرد.

شاخص هایی تعریف شده است که در مطالعات کانی شناسی به منظور تعیین ترکیبات کانی خاک استفاده میشود. همچنین شاخص هایی طراحی شده که برای مطالعه رنگ خاک و رطوبت آن استفاده میشود.

در مطالعات آبی نیز شاخص های مختلفی به منظور تعیین عمق نسبی و تفکیک آب و رطوبت ازیکدیگر طراحی شده است. عموم شاخص های آبی برای جدا سازی آب و رطوبت و همچنین تعیین میزان املاح آب استفاده میشود.

در مطالعات انسانی نیز استفاده از شاخص ها به منظور شناسایی فضای سبز شهری به همراه شناسایی محدوده شهر و جدا سازی آن از سایر پدیده ها همواره مورد توجه بوده است.

کاربرد شاخص های طیفی چیست ؟

مهم ترین کاربردهای یک شاخص طیفی عبارت اند از :

  • شناسایی پدیده هدف
  • شناسایی تغییرات داخلی پدیده ها که بصورت ظاهری نشانه هایی از آن دیده نمیشود.
  • کاهش اثر سایه ها
  • کاهش اثر تو پوگرافی
  • کمک به طبقه بندی هر چه بهتر تصاویر ماهواره ای

پر کاربردترین شاخص های طیفی کدامند؟

پرکاربرد ترین و پر استفاده ترین شاخص های طیفی در پردازش تصاویر ماهواره ای شاخص هایی هستند که در زمینه مطالعات گیاهی و کشاورزی و کانی شناسی استفاده میشود.

کدامیک از شاخص های گیاهی بیشترین کاربرد  را دارند؟

بیشمار شاخص طیفی گیاهی در زمینه های مطالعاتی مختلف در سنجش از دور تعریف شده است که هریک از مزیت ها و معایبی در مقایسه با یکدیگر و داده های زمینی برخوردار هستند. با این حال  شاخص های گیاهی NDVI, SAVI, EVI, LAI به عنوان پرکاربرد ترین آنها شناخته میشوند.

شاخص LAI : شاخص سطح برگ : این شاخص برای برآورد میزان تراکم و حجم گیاهان طراحی شده است. معمولا مقادیر این شاخص بین اعداد بزرگتر از 0 تا 3 و کمی بالاتر است. هرچه مقدار این شاخص افزایش یابد نشان دهنده افزایش میزان پوشش گیاهی در منطقه مورد مطالعه است. این شاخص از یک همبستگی مثبت و قوی با شاخص پوشش گیاهی نرمال شده NDVI برخوردار است.

شاخص NDVI: شاخص تفاصلی پوشش گیاهی نرمال شده : این شاخص طیفی برای مطالعه پوشش گیاهی از جهت میزان کلروفیل موجود در آن طراحی شده است. هرچه میزان کلروفیل موجود در گیاه بیشتر باشد به همان میزان شاخص NDVI افزایش پیدا میکند. شاخص NDVI پرکاربردترین و از قدیمی ترین شاخص های پوشش گیاهی در جهان است. این شاخص بیانگر اطلاعات متفاوتی است. به موارد زیر در ارتباط با مقادیر شاخص NDVI توجه کنید:

  • هرچه مقدار شاخص NDVI افزایش می یابد میزان تراکم گیاه بیشتر میشود.
  • هر چه مقدار شاخص NDVI افزایش می یابد میزان سلامتی گیاه بیشتر میشود.
  • هر چه مقدار شاخص NDVI افزایش می یابد میزان تنش های گیاهی کم تر میشود.
  • هرچه مقدار شاخص NDVI افزایش می یابد میزان کلروفیل بیشتری در آن وجود دارد.

بازه مقادیر در شاخص NDVI  بین منفی یک تا مثبت یک متغیر است. عموما مقادیر کمتر از صفر به عنوان نواحی مرطوب و آب در نظر گرفته میشوند. مقادیر بین 0 تا 0.3 نیز پوشش های خاک و مراتع را شامل میشود. مقادیر بیشتر از 0.3 نیز نشان دهنده پوشش گیاهی در منطقه مورد مطالعه است.

شاخص EVI : این شاخص برای شناسایی پوشش گیاهی مورد استفاده قرار میگیرد. ابتدا این شاخص برای داده های سنجده مادیس طراحی شده بود. اما به مرور برای سایر داده های ماهواره ای مورد استفاده قرار گرفت. در این شاخص از ضرایبی استفاده شده است که با استفاده از آن اثر اتمسفر را از لحاظ پخش الکترومغناطیسی میتوان تعدیل نمود. مهم ترین کاربرد این شاخص در محاسبه شاخص سطح برگ LAI است.

شاخص SAVI : شاخص SAVI دقیقا همان شاخص NDVI است تنها با یک تفاوت کوچک. این تفاوت در ضریبی است که با استفاده از آن میتوان اثر خاک پس زمینه را تعدبل نمود. شاخص NDVI در برخی از مناطق تحت تاثیر بازتاب های خاک قرار میگرد و بازتاب های ثبت شده برای پوشش گیاهی را تحت الشعاع قرار میدهد. با این حال شاخص SAVIاین مشکل در NDVI را حل نموده است. بازه مقادیر در شاخص SAVI  دقیقا مانند بازه مقادیر در شاخص NDVI است.

ورودی محاسبه شاخص های طیفی چه تصویری باید باشد ؟

داده های مورد استفاده برای محاسبه شاخص های طیفی باید تمامی تصحیحات رادیومتریکی بصورت کامل بر روی آنها انجام شده باشد. به عنوان مثال اگر بخواهید با استفاده از داده های ماهواره لندست شاخص NDVI را محاسبه نمایید ابتدا لازم است تا انرژی رسیده به سنجنده و سپس بازتاب سطح از طریق تصحیحات رادیومتریکی انجام و سپس تصویر تصحیح شده وارد فرایند محاسبه شاخص گردد. نکته قابل توجه در این رابطه آن است که تصویر بازتاب سطحی باید مقادیری بین 0 تا 1 برخوردار باشد تا فرایند محاسبه شاخص طیفی به درستی بر روی تصویر اجرا شود.

ادامه مطلب را از لینک زیر بصورت رایگان دریافت نمایید . . 


نوشته های مرتبط :

آموزش های رایگان پیشنهادی :

17 دیدگاه. ارسال دیدگاه جدید

  • سلام
    آیا شاخصی برای بررسی رطوبت گیاه وجود دارد؟

    پاسخ
  • منظورتون شاخص NDWI هست؟

    پاسخ
  • سلام آقای مهندس احراری
    شما برای طبقه بندی و تخمین سطح زیر کشت محصولات کشاورزی و بررسی چرخه فنولوژی از شاخص NDVI استفاده کردید… میشه بجای این شاخص از شاخص های دیگه ای مثل SAVI یا LAI استفاده کرد؟

    پاسخ
  • سلام
    خسته نباشید.
    برای کم کردن اثر سایه و توپوگرافی از چه شاخصی می توان استفاده نمود.
    با سپاس

    پاسخ
    • با سلام

      پیشنهاد بنده بر اساس مطالب نوشته شده در کتب مرجع سنجش از دور این هست که قبل از محاسبه شاخص طیفی باید بر اساس الگوریتم ATCOR تصحیحات اتمسفری رو انجام بدید. به این دلیل که در تصحیح ATCOR شما میتوانید با استفاده از DEM اثر توپوگرافی را اصلاح کنید. سپس نتیجه تصحیح اتمسفری شده را در محاسبه شاخص طیفی بکارببرید.

      موفق باشید

      پاسخ
  • سلام آقای مهندس
    در سنجنده مودیس ۳۶ باند وجود دارد. در این ۳۶ باند کدام باند مربوط به پوشش گیاهی است؟
    من روی lai کار کردم و همونطور که مستحضر هستید این شاخص از شاخص های مودیس است که بر روی ماهواره ترا و آکوا نصب است.
    اما در توضیحات ناسا نمی تونم پیدا کنم که lai و کلا پوشش گیاهی از کدام باند به دست می آید؟
    و یک سوال دیگه ، اینکه lai نسبت به ndvi چه مزیتی داد؟
    با تشکر

    پاسخ
    • با سلام و احترام خدمت شما متخصص محترم

      باند ۱ و ۲ سنجنده مادیس بصورت تخصصی برای مطالعه پوشش گیاهی استفاده میشود. باندهای قرمز و مادون قرمز نزدیک باندهای کلیدی و اصلی برای برآورد شاخص های پوشش گیاهی هستند. شاخص lai شاخص سطح برگ هست که بصورت تخصصی برای برآورد تراکم گیاه استفاده میشود. شاخص ndvi هم برای برآورد تراکم گیاه استفاده میشود اما وقتی تراکم از یک حدی بیشتر میشود شاخص ndvi قابلیت تفکیک گیاه بر اساس تراکم را از دست میدهد. این در حالی است که شاخص lai میتواند هر میزان تراکمی را نمایش داده و آنها را از یکدیگر تفکیک نماید.

      به عنوان مثال شاخص ndvi نمیتواند گیاهان متراکم و خیلی متراکم را از هم تفکیک کند اما شاخص lai میتواند به راحتی این دو کلاس را از یکدیگر متمایز کند. البته این یک مقایسه کیفی بین شاخص ها است.

      موفق باشید

      پاسخ
  • خيرالدين نظري
    1399-03-02 4:42 ب.ظ

    سلام
    زاویه الفا و L برای شاخص های پوشش گیاهی چگونه محاسبه کنیم. آیا امکان محاسبه آن در ENVI میسر است.

    پاسخ
  • سلام
    متاسفانه فایل دانلود نمیشه، بعد از ثبت خرید پیام میده که فایلی تو سبد خریدتون نیست که دانلود بشه.

    پاسخ
  • برهان ویسی ناب
    1401-09-23 1:03 ب.ظ

    سلام و عرض ادب. جناب مهندس آیا شاخص یا شاخص های برای بررسی تغیرات کاربری زمن (LULC) وجود داره، آیا میشه چند شاخص را با هم ترکیب کرد و بعد تغیرات رو بررسی کرد؟؟ ممنون میشم راهنمایی بفرماید

    پاسخ

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

این فیلد را پر کنید
این فیلد را پر کنید
لطفاً یک نشانی ایمیل معتبر بنویسید.

keyboard_arrow_up