طبقه‌بندی خودکار سری زمانی کاربری و پوشش زمین تصاویر ماهواره‌ای

290 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 محصول آموزشی به تبیین طبقه‌بندی خودکار سری‌زمانی کاربری و پوشش زمین با استفاده از نمونه‌های آموزشی متغیر (Migrated Training Samples) پرداخته شده است. مباحث ارائه شده در این محصول آموزشی مرتبط با جدیدترین مقالات علمی کار شده در حوزه طبقه‌بندی کاربری و پوشش (LULC) است؛ به گونه‌ای که در این محتوای آموزشی ضمن یادگیری روش‌های پیش‌پردازش تصاویر ماهواره‌ای…

در این محصول آموزشی به تبیین طبقه‌بندی خودکار سری‌زمانی کاربری و پوشش زمین با استفاده از نمونه‌های آموزشی متغیر (Migrated Training Samples) پرداخته شده است. مباحث ارائه شده در این محصول آموزشی مرتبط با جدیدترین مقالات علمی کار شده در حوزه طبقه‌بندی کاربری و پوشش (LULC) است؛ به گونه‌ای که در این محتوای آموزشی ضمن یادگیری روش‌های پیش‌پردازش تصاویر ماهواره‌ای اعم از ماسک ابر و محاسبه شاخص‌های طیفی به عنوان لایه‌های اطلاعاتی موثر در بهبود فرآیند طبقه‌بندی، با روش ایجاد نمونه‌های آموزشی متغیر بر اساس نمونه‌های آموزشی مرتبط با یک سال مرجع و هم‌چنین الگوریتم نقشه‌بردار زاویه طیفی (SAM) به منظور محاسبه اختلاف طیفی بین تصاویر مرجع و تارگت برای طبقه‌بندی کاربری و پوشش زمین آشنا خواهید شد.

علاوه بر این، تکنیک‌های‌ محاسبه مساحت کلاس‌های کاربری و پوشش زمین و هم‌چنین اهمیت نسبی (Relative Importance) ویژگی‌های مورد استفاده در فرآیند طبقه‌بندی را نیز فرا می‌گیرید. محتوای آموزشی حاضر در پلتفرم گوگل ارث انجین تولید شده است؛ سامانه قدرتمندی که با توجه به رابط کاربرپسند و هم‌چنین به‌کارگیری الگوریتم‌های پیشرفته، امکان تجزیه و تحلیل تصاویر ماهواره‌ای را برای کاربر فراهم می‌کند. سرعت پردازشی بالا، فراخوانی حجم وسیعی از تصاویر ماهواره‌ای و راحتی کار با آن حتی برای افرادی که آشنایی حداقلی با زبان برنامه‌نویسی جاوا اسکریپت دارند، از دیگر مزیت‌های این پلتفرم به شمار می‌رود.

ویدئوی معرفی را در ادامه ببینید:


ویژگی‌های محصول

  • مدرس: مهدی نادری
  • تخصص: کارشناس سنجش از دور و پردازش تصاویر ماهواره‌ای
  • موضوع: طبقه‌بندی خودکار سری‌زمانی تصاویر ماهواره‌ای با استفاده از نمونه‌های آموزشی متغیر
  • نرم افزار: سامانه گوگل ارث انجین
  • مدت زمان آموزش: 2 ساعت و 20 دقیقه
  • مخاطب: علاقه‌مندان به سنجش از دور، مطالعات کشاورزی، مطالعات کاربری اراضی و …
  • نوع آموزش: ویدئویی
  • پیش نیاز: آشنایی مقدماتی با سامانه گوگل ارث انجین

تهیه آموزش:

جهت تهیه بر روی دکمه زیر کلیک کنید. پس از پرداخت وجه بلافاصله به لینک های دانلود دسترسی دارید:


معرفی مدرس

  • 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
  • پژوهشگر بنیاد ملی نخبگان ایران

 عناوین آموزشی

عناوین این آموزش به شرح زیر می باشد:

  • بخش اول: تبیین مباحث تئوری طبقه‌بندی کاربری و پوشش زمین (LULC) و اهمیت و کاربرد آنها
  • بخش دوم: معرفی داده آموزشی مورد استفاده به منظور طبقه‌بندی کاربری و پوشش زمین
  • بخش سوم: وارد کردن فایل محدوده مطالعاتی و نمونه‌های آموزشی به سامانه ارث انجین
  • بخش چهارم: فراخوانی تصاویر سنتینل-2 و اعمال فیلترهای مکانی و زمانی بر اساس سری زمانی تعریف شده
  • بخش پنجم: ماسک ابر و سایه با استفاده از باندهای سنتینل-2
  • بخش ششم: محاسبه شاخص‌های طیفی مختلف مانند NDVI، SAVI، EVI، BSI و غیره و اضافه کردن آنها به باندهای تصویر سنتینل-2 به عنوان ویژگی
  • بخش هفتم: استخراج تصاویر میانه مرتبط با سال‌های مرجع و تارگت
  • بخش هشتم: ایجاد نمونه‌های آموزشی متغیر برای سال‌های تارگت بر اساس آستانه‌گذاری مقادیر الگوریتم SAM و  نمونه‌های آموزشی مرجع
  • بخش نهم: تقسیم‌بندی داده‌های آموزشی مرجع به داده‌های آموزشی و اعتبارسنجی
  • بخش دهم: طبقه‌بندی خودکار سری‌زمانی کاربری و پوشش زمین و اعتبارسنجی نتایج حاصل از آن
  • بخش یازدهم: محاسبه اهمیت نسبی (Relative Importance) ویژگی‌های مورد استفاده در فرآیند طبقه‌بندی و نمایش آنها به صورت چارت
  • بخش دوازدهم: محاسبه مساحت کلاس‌های مختلف کاربری و پوشش زمین برای سری‌زمانی نقشه‌های طبقه‌بندی شده به دو روش مختلف
  • بخش سیزدهم: انجام کارهای گرافیکی و اضافه کردن راهنما به قسمت Map سامانه ارث انجین


الگوریتم نقشه‌بردار زاویه طیفی (SAM):

تکنیک نقشـه‌بــردار زاویـه طیفـی (SAM)، روشـی بــراي طبقـه‌بنـدي نظارت‌شده و شیوه‌اي کارآمد به منظـور مقایسـه طیـف تصاویر با طیف استاندارد یا طیف مرجع است. الگـوریتم این روش، مشابهت بین دو طیف را با زاویه طیفی بـین آن دو محاسبه می‌کند. در واقـع، بـا تبـدیل طیف‌ها به بردار، در فضایی به ابعاد تعداد بانـدها، زاویـه بین دو بـردار محاسـبه مـی‌شـود.

در این روش، برای محاسبه زاویه، جهت بردارها اهمیت دارد؛ نه طول آنها و به همین دلیل، میزان روشنایی پیکسل تاثیری در فرآیند طبقه‌بندی ندارد. مقادیر حاصل از اعمال این الگوریتم بین 0 تا 1 متغیر است. هر چقدر مقدار زاویه کمتر باشد، شناسایی دقیق‌تر خواهد بود. مهم‌ترین مزیت الگوریتم SAM، سادگی ساختار و استفاده سریع برای نمایش شباهت طیفی بین طیف تصویر و طیف مرجع است.


معرفی نرم‌افزار

پلتفرم مورد استفاده به منظور پیاده‌سازی محتوای حاضر که طبقه‌بندی خودکار سری زمانی کاربری و پوشش زمین می‌باشد، سامانه گوگل ارث انجین است. سامانه تحت وب که توسط گوگل معرفی شده است. وجود تصاویر ماهواره‌ای با وضوح مکانی و زمانی بالا در این سامانه، فرصت‌های جدیدی را برای طبقه‌بندی کاربری و پوشش زمین فراهم آورده است که از آن جمله می‌توان به تصاویر ماهواره‌ای سنتینل-2 و سایر لایه‌های اطلاعاتی اشاره داشت.

در این سامانه امکان دسترسی به آرشیو داده‌ها به طور کامل فراهم بوده و کاربران می‌توانند بدون نیاز به دانلود و ذخیره حجم زیادی از داده‌ها، تجزیه و تحلیل‌های تخصصی مورد نظر را اعمال نمایند. این سامانه می‌تواند به طور موثر توسط محققین و کارشناسان در جهت پیشبرد اهداف در حوزه‌های مطالعاتی مختلف مانند کشاورزی، زمین‌شناسی، خاک شناسی، منابع آب، کاربری و پوشش زمین و …  مورد استفاده قرار گیرد.


داده‌ها

در این محصول از داده‌ها و لایه‌های اطلاعاتی متعددی استفاده شده است که از جمله آنها می‌توان به تصاویر چندطیفی سنتینل-2 اشاره داشت. سنجنده سنتنیل-2 از جمله ماهواره‌های چندطیفی است که توسط سازمان فضایی اروپا به فضا فرستاد شد. این سنجنده دارای 12 باند بوده که در محدوده‌های طیف مرئی، مادون قرمز، لبه قرمز و مادون قرمز موج کوتاه تصویربرداری می‌کند و دارای قدرت تفکیک مکانی 10، 20 و 60 متر برای انواع باند‌ها می‌باشد.

قدرت تفکیک زمانی این ماهواره اگر به صورت منفرد مورد استفاده قرار گیرد، 10 روز و اگر به‌صورت جفت (سری‌های A , B) مورد استفاده قرار گیرد، به 5 روز تقلیل می‌یابد. یکی از موارد قابل استجراج از این تصاویر، شاخص‌های طیفی است که به عنوان لایه‌های اطلاعاتی در جهت بهبود فرآیند طبقه‌بندی تصاویر ماهواره‌ای مورد استفاده قرار می‌گیرند. این شاخص‌ها عبارتند از:

1. شاخص پوشش‌گیاهی تفاضلی نرمال شده (NDVI):

از رایج‌ترین شاخص‌های سنجش از دور که به منظور بررسی شرایط پوشش‌گیاهی مورد استفاده قرار می‌گیرد. NDVI از اندازه‌‌گیری انعکاس در بخش طیف‌های قرمز و مادون قرمز نزدیک حاصل می‌شود. این شاخص بین -1 تا 1 تغییر می‌کند. مقادیر نزدیک به صفر معرف خاک لخت و هر چقدر مقادیر آن به 1 نزدیک می‌شود، معرف پوشش‌گیاهی متراکم است.

2. شاخص گیاهی تعدیل شده خاک (SAVI):

برای اولین بار توسط هیوت در سال 1984 با هدف به حداقل زساندن اثرات خاک زمینه در انعکاسات پوشش‌گیاهی پیشنهاد شد. مولفه تعدیل کننده اثر خاک در این شاخص، عامل L است که مقدار آن برای پوشش‌گیاهی متوسط معادل 0.5 و برای پوشش‌گیاهی متراکم مقادیر 0 یا 0.25 در نظر گرفته می‌شود. مقادیر تغییرات شاخص SAVI از -1 تا 1 متغیر است.

3. شاخص تفاضلی نرمال شده ساخته‌شده (NDBI):

این شاخص در اوایل سال 2000 ارائه شد که از اختلاف واکنش‌های طیفی مناطق ساخته شده با سایر کاربری‌ها در بخش‌های طیف مادون قرمز نزدیک و مادون قرمز موج کوتاه استفاده می‌کند. مقادیر این شاخص بین -1 و 1 متغیر است؛ جایی‌که مقادیر نزدیک به 1 معرف مناطق شهری و ساخته‌شده است.

4. شاخص خاک لخت (BSI):

شاخص BSI، نرمال شده تفاوت دو نوع پوشش‌گیاهی با زمینه‌های مختلف است. استفاده از این شاخص باعث افزایش تمایز بین مناطق با تاج‌پوشش متراکم، اراضی کشاورزی آیش و خاک‌لخت می‌شود. مقادیر این شاخص بین -1 تا 1 متغیر است که مقادیر نزدیک به 1 معرف خاک‌لخت می‌باشد.

5. شاخص اصلاح‌شده تفاضلی نرمال‌شده آب (mNDWI):

این شاخص که توسط ژو ارائه شد، از باندهای سبز و مادون قرمز موج کوتاه به منظور مطالعات گوناگون در زمینه شناسایی و استخراج پهنه‌های آبی استفاده شده است. مقادیر پهنه‌های آبی به هنگام استفاده از این شاخص، بالانر از مقدار 0 است.

6. شاخص بهبودیافته پوشش گیاهی (EVI):

شاخص EVI شامل ضرایبی برای تصحیح پراکندگی آئروسل موجود در جو و هم‌چنین تنظیم اثرات خاک پس‌زمینه از پوشش‌گیاهی است. این شاخص اطلاعات جامعی را در رابطه با تغییرات مکانی و زمانی پوشش‌گیاهی ارائه می‌دهد و بسیاری از مواردی که منجر به ایجاد ناخالصی در شاخص NDVI می‌شوند مانند اثرات خاک زمینه و گرد و غبارهای به‌جای مانده بر روی پوشش‌گیاهی را کاهش می‌دهد. مقادیر این شاخص برای پوشش‌گیاهی سالم بین 0.2 تا 0.8 متغیر است.

7. نقشه کاربری و پوشش زمین سازمان فضایی اروپا:

از دیگر لایه‌های اطلاعاتی مورد استفاده در محتوای آموزشی حاضر می‌توان به نقشه موضوعی کاربری و پوشش زمین سازمان فضایی اروپا با وضوح مکانی 10 متر اشاره کرد که به منظور استخراج نمونه‌های آموزشی مرجع مورد استفاده قرار گرفته است. این نقشه کاربری با استفاده از تصاویر سنتینل-2 و سنتینل-1 و به کمک الگوریتم‌های پیشرفته طبقه‌بندی برای سراسر جهان تولید شده است.


کاربرد این محصول

طبقه‌بندی کاربری و پوشش زمین (LULC)، فرآیند شناسایی و طبقه‌بندی انواع پوشش زمین مانند جنگل‌ها، مراتع، مناطق شهری و بدنه‌های آبی اطلاق می‌شود. اطلاعات حاصل از این فرآیند می‌تواند برای درک تاثیر فعالیت‌های انسانی بر محیط‌زیست و برای توسعه استراتژی‌های حفاظتی و مدیریتی مؤثر ضروری باشد. طبقه‌بندی پوشش زمین برای مطالعات تغییرات اقلیمی، محیط‌زیست محیطی و گسترش شهری اهمیت زیادی دارد.

با این حال، حتی امروزه، طبقه‌بندی دقیق پوشش زمین هم‌چنان چالش برانگیز است؛ زیرا پوشش زمین به سرعت تحت تاثیر فعالیت‌های انسانی و فرآیندهای طبیعی به سرعت تغییر می‌کند. طبقه‌بندی تصویر با استفاده از داده‌های سنجش از دور، پایه و اساس بسیاری از کاربردهای منابع زمین، مانند مدیریت جنگل، پوشش و کاربری زمین و هم‌چنین تخمین پوشش برف است. به‌روز رسانی اطلاعات کاربری و پوشش زمین با استفاده از تکنیک‌های سنتی مانند پیمایش میدانی یا عکس‌های هوایی، پرهزینه و هم‌چنین زمان‌بر است.

داده‌های سنجش از دور اغلب و به طور موثر برای نقشه‌برداری و پایش پوشش زمین و تغییرات کاربری زمین استفاده می‌شوند. از مهم‌ترین کاربردهای طبقه‌بندی کاربری و پوشش زمین عبارتند از:

  • برنامه ریزی شهری:

طبقه‌بندی LULC به برنامه‌ریزان شهری کمک می‌کند تا مناطق مناسب برای توسعه مسکونی، تجاری و صنعتی را شناسایی کنند. در نتیجه، یکی از روش‌های استفاده بهینه از زمین و منابع محسوب می‌شود و رشد پایدار شهری را تضمین می‌کند.

  • مدیریت زمین:

طبقه‌بندی LULC با ارائه اطلاعات در مورد انواع پوشش زمین، پوشش‌گیاهی و ویژگی‌های خاک به مدیریت زمین کمک می‌کند. این به تصمیم‌گیری آگاهانه در مورد استفاده از زمین، حفاظت، و تلاش‌های مرمت کمک می‌کند.

  • مدیریت منابع طبیعی:

طبقه‌بندی LULC برای مدیریت منابع طبیعی مانند جنگل‌ها، تالاب‌ها و زمین‌های کشاورزی ضروری است و امکان شناسایی مناطق در معرض خطر تخریب، تسهیل حفاظت و استفاده پایدار از منابع را فراهم می‌کند.

  • پاسخ به مخاطرات:

طبقه‌بندی LULC با ارائه اطلاعات در مورد مناطق آسیب‌پذیر مانند مناطق مستعد سیل یا مناطق مستعد آتش سوزی، به پاسخ در برابر مخاطرات کمک می‌کند. اطلاعات حاصل از این فرآیند می‌تواند برنامه‌ریزی‌های اضطراری، ارزیابی ریسک و استراتژی‌های کاهش را پشتیبانی می‌کند.


مخاطب این محصول

مخاطب این محصول، افراد متخصص در حوزه سنجش از دور، مطالعات کشاورزی، مطالعات منابع طبیعی، مطالعات کاربری و پوشش زمین و … هستند. مطالب ارئه شده در این محصول آموزشی به قدری کاربردی است که افراد مختلف می‌توانند 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 ماهواره‌ای، شاخص‌های طیفی و سامانه گوگل ارث انجین دارند نیز قابل استفاده باشد.


تهیه آموزش:

جهت تهیه بر روی دکمه زیر کلیک کنید. پس از پرداخت وجه بلافاصله به لینک های دانلود دسترسی دارید:

نوشته های مرتبط :

آموزش های رایگان پیشنهادی :

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