آموزش جایگزینی پیکسل های از دست رفته (gap-filling) در تصاویر ماهواره ای در گوگل ارث انجین

در این محصول آموزشی به پر کردن پیکسل های ماسک شده با استفاده از درونیابی خطی (Temporal Gap-Filling Using Linear Interpolation) در سامانه ارث انجین پرداخته شده است.

این امکان برای شما وجود دارد تا با استفاده از این محصول آموزشی علاوه بر یادگیری جدیدترین روش ماسک ابر، برف و سایه ابر، با استفاده از فیلتر‌ها و عملگرهای پیشرفته نسبت به درونیابی خطی پیکسلی با استفاده از تصاویر قبل و بعد از یک تاریخ مشخص اقدام کرده، پس از آماده‌سازی مجموعه تصاویر با نحوه محاسبه شاخص NDVI برای مجموعه تصاویر اصلی و درونیابی شده آشنا شده و در نهایت تکنیک نمایش تصاویر یک مجموعه به صورت انیمیشن را فرا بگیرید.

مشخصات

• مدرس: مهدی نادری
• تخصص: کارشناس سنجش از دور و پردازش تصاویر ماهواره ای
• موضوع: پر کردن پیکسل های ماسک شده با استفاده از درونیابی خطی در سامانه ارث انجین
• نرم افزار: سامانه گوگل ارث انجین
• مدت زمان آموزش: 1 ساعت و 25 دقیقه
• مخاطب: علاقه‌مندان به سنجش از دور، مطالعات کشاورزی، مطالعات جنگل، مطالعات منابع طبیعی و …
• نوع آموزش: ویدئویی
• داده های تمرینی: ندارد
• پیش نیاز: آشنایی مقدماتی با سامانه گوگل ارث انجین

تهیه آموزش:

جهت تهیه این آموزش بر روی دکمه زیر 👇 کلیک کرده و پس از پرداخت وجه بلافاصه به فایل های آموزشی دسترسی خواهید داشت.

بخش کوتاهی از آموزش – قسمت تئوری

عناوین آموزشی

• بخش اول : تبیین پر کردن پیکسل های ماسک شده و اهمیت آن
• بخش دوم : معرفی منطقه مورد مطالعه با استفاده از مختصات جغرافیایی
• بخش سوم : فراخوانی تصاویر بازتاب سطحی سنتینل-2 و اعمال فیلترهای مکانی، زمانی و ابر
• بخش چهارم : ماسک ابر، برف و سایه ابر از مجموعه تصاویر با استفاده از باندهای مختلف سنتینل-2
• بخش پنجم : اضافه کردن باند زمانی به تمام تصاویر مجموعه (collection) و ماسک آن
• بخش ششم : تبیین پنجره زمانی (time-window) به منظور پیدا کردن تصاویر قبل و بعد از هر تصویر مجموعه
• بخش هفتم : تبدیل پنجره زمانی به میلی ثانیه و محاسبه حداکثر اختلاف تصاویر بر اساس system:time_start
• بخش هشتم : پیدا کردن تصاویر قبل و بعد هر تصویر مجموعه با استفاده از فیلترهای پیشرفته
• بخش نهم : اضافه کردن تصاویر قبل و بعد از هر تصویر مجموعه به مجموعه تصاویر اصلی با استفاده از دستور join
• بخش دهم : درونیابی خطی پیکسل های ماسک شده
• بخش یازدهم : محاسبه NDVI برای تمامی تصاویر هر دو مجموعه اصلی و درونیابی شده
• بخش دوازدهم : نمایش/بصری‌سازی نتایج به صورت انیمیشن و به صورت URL

مدرس کیست؟

• مهدی نادری
• کارشناس سنجش از دور و پردازش تصاویر ماهواره ای
• دارای مدرک کارشناسی علوم و مهندسی خاک از دانشگاه بیرجند
• دارای مدرک کارشناسی ارشد سنجش از دور و GIS از دانشگاه تربیت مدرس تهران

کاربرد این آموزش:

درون یابی یک نوع تحلیل ریاضی-آماری است که با استفاده از آن می‌توان برای نقاطی که هیچگونه برداشت اطلاعاتی انجام نشده است، مقادیری را برآورد نمود. روش‌های درون یابی، مجموعه ای از مدل های مختلف ریاضی-آماری را برای پیش بینی مقادیر نامعلوم بکار می گیرند.

پایه ی روش‌های درون یابی، شباهت نقاط مجهول به نزدیک ترین نقاط معلوم یا اصل نزدیک‌ترین فاصله می باشد. از جمله ساده ترین و در عین حال پرکاربردترین روش های درونیابی، درونیابی خطی پیکسلی است. جایگزینی پیکسل های از دست رفته در یک تصویر با مقدار درون یابی شده از همسایه زمانی آن حائز اهمیت است. این جایگزینی را اصطلاحا gap-filling می نامند. از جمله کاربرد های این تکنیک می‌توان به موارد زیر اشاره کرد:

• جایگزینی پیکسل های ابر :

ماسک ابر از تصاویر ماهواره ای از جمله پیش‌پردازش هایی است که در بسیاری از کاربردها انجام می شود. در برخی از این کاربردها مانند مطالعات کشاورزی که شامل بررسی وضعیت پوشش گیاهی، شرایط رطوبتی خاک و … می‌شود، کارشناسان سنجش از دور و مطالعات کشاورزی نیاز دارند تا از پیکسل های ماسک شده نیز اطلاعات کسب کنند. با استفاده از تکنیک gap-filling، پیکسل های ماسک شده با بهترین مقدار تخمین زده شده از تصاویر قبل و بعد از یک تاریخ مشخص جایگزین می شوند و در این صورت پیکسل ماسک شده ای در تصاویر نهایی وجود نخواهد داشت.

• تخمین مقادیر میانگین :

برای محاسبه یک تصویر برای یک مرحله زمانی ناشناخته قبلی می توان از تکنیک gap-filling استفاده کرد. نمونه ساده و بارز این کاربرد، تخمین جمعیت می باشد. اگر شما فایل رستری جمعیت مرتبط با 2 سال مختلف را داشته باشید، می‌توانید با استفاده از درونیابی خطی پیکسلی، یک فایل رستر جمعیت برای یک سال میانی رو محاسبه کنید. بنابراین کاربرد این تکنیک در برآورد و تخمین جمعیت نیز حائز اهمیت است.

• آماده سازی داده ها برای رگرسیون:

همه متغیر های مستقلی که شما در فرآیند رگرسیون استفاده می‌کنید، ممکن است با وضوح زمانی یکسان در دسترس نباشند. در نتیجه شما با استفاده از این تکنیک می‌توانید مجموعه داده های مختلف را با ایجاد رستر درونیابی شده در بازه های زمانی یکنواخت یا ثابت هماهنگ کرده و در نهایت یک دیتاست مطلوب برای رگرسیون داشته باشید.

داده ها:

در این محصول از داده های چندطیفی سنتینل-2 استفاده شده است. از جمله ماهواره های چندطیفی که توسط سازمان فضایی اروپا به فضا فرستاد شد. این ماهواره دارای 12 باند بوده که در محدوده های مرئی و مادون قرمز تصویربرداری می کند و دارای قدرت تفکیک مکانی 10، 20 و 60 متر برای انواع باند ها می باشد.

قدرت تفکیک زمانی این ماهواره اگر به صورت منفرد مورد استفاده قرار گیرد، 10 روز و اگر بصورت جفت (سری های A , B) مورد استفاده قرار گیرد، به 5 روز تقلیل می یابد. داده های حاصل از ماهواره های سنتینل-2 می تواند در زمینه پایش زمین و تغییرات آن، مدیریت بهینه بحران ها و مخاطرات و همچنین بسیاری از موضوعات دیگر کاربرد مفیدی داشته باشد. از دیگر کاربرد های این ماهواره می توان به موارد زیر اشاره کرد :

• مطالعات کشاورزی
• تغییرات کاربری اراضی
• مطالعات جنگل ها
• مطالعات مرتبط با آلودگی دریاچه ها و آب های ساحلی
• مطالعات رانش زمین
• مطالعات مربوط به پوشش گیاهی

مخاطب این محصول:

مخاطب این محصول، افراد متخصص در حوزه سنجش از دور، مطالعات کشاورزی، مطالعات منابع طبیعی، مطالعات جنگل و … هستند. مطالب ارئه شده در این محصول آموزشی به قدری کاربردی است که افراد مختلف می توانند در جهت پیشبرد اهداف خود از آن استفاده کرده و در کمترین زمان ممکن نتیجه مطلوب را کسب کنند.

در این محصول آموزشی سعی شده است تا مطالب به صورت شیوا و رسا بیان شوند تا برای افرادی که آشنایی حداقلی با تصاویر ماهواره ای، فیلترها و عملگرهای پیشرفته و سامانه گوگل ارث انجین دارند نیز قابل استفاده باشد.

تهیه آموزش:

جهت تهیه این آموزش بر روی دکمه زیر 👇 کلیک کرده و پس از پرداخت وجه بلافاصه به فایل های آموزشی دسترسی خواهید داشت.