شناسایی نواحی سیل زده در گوگل ارث انجین
شناسایی نواحی سیل زده در گوگل ارث انجین اهمیت آموزش شناسایی نواحی سیل زده در گوگل ارث انجین اهمیت زیادی…
با توجه با موقعیت مکانی و زمان گذر ماهواره از یک منطقه، ممکن تصویربرداری صورت گرفته آلوده به ابر باشد. در این آموزش حذف ابر از تصاویر لندست مورد بحث است. وجود ابر باعث می شود که مقادیر طیفی ثبت شده برای یک پیکسل (مقادیر radiance یا reflectance) درست نباشد. در واقع به جای اینکه اطلاعات طیفی آن پیکسل در سطح زمین ارائه بشود، مقادیر طیفی مربوط به ابر در سنجنده ثبت می شود. البته بسته به میزان غلظت و تراکم ابرها، اثر ابر بر کیفیت تصاویر متفاوت است. موضوع تصاویر ابری در تحلیل های طیفی که نیاز است مستقیما مقادیر بازتاب یا رادیانس هر پیکسل استفاده شود حائز اهمیت است. ابرها علاوه بر اینکه خودشان بر کیفیت تصویر مستقیما اثر می گذارند، سایه ابر نیز تولید می کنند که در کیفیت تصویر دریافتی اثر دارد و باید به طرز مناسب حذف شود.
در بحث حذف ابر از تصاویر لندست، همانطور که بیان شد زمان تصویر برداری مهم است. عموماً بیشترین درصد ابر در تصویر برداری برای ماه های زمستان و بهار دیده می شود. از اینرو انجام تحلیل های طیفی در این دو فصل نیازمند ماهواره هایی با زمان بازدید یا اصطلاحاً revisit time کم است. به عنوان مثال ماهواره MODIS در بازه یک تا دو روزه از منطقه مورد نظر تصویر برداری می کند. پس میتوان انتظار داشت که با درجه اطمینان بیشتری تصاویر بدون ابر از ماهواره MODIS در دسترس باشد در مقایسه با ماهواره Landsat که زمان بازبینی حدود دو هفته ای دارد.
در آموزش این بخش با عنوان حذف ابر از تصاویر لندست، ابتدا با کمک فیلترهای مناسب فراخوانی تصاویر Landsat با یک حد مجاز از ابر آموزش داده می شود. در واقع به کمک مشخصه CLOUD_COVER که از اطلاعات هر تصویر ماهواره Landsat است و با کمک دستور Filter در زبان برنامه نویسی GEE، فراخوانی تصاویر به یک حد مجاز از درصد ابر محدود می شود.
با وجود اینکه اعمال فیلتر درصد ابر می تواند در فراخوانی تصاویر با درصد ابر کمتر کمک کند، اما هنوز وجود پیکسل های ابری می تواند تحلیل ها را دستخوش تغییر کند. از اینرو در این آموزش نوشتن یک تابع که قادر است از باند کیفیت تصاویر Landsat (باند QA_PIXEL) استفاده کند و پیکسل های ابری را شناسایی نماید در دستور کار قرار گرفت. اساس کار این تابع بر سیستم اعداد باینری (صفر و یک) است. در واقع باند QA_PIXEL ماهواره Landsat دارای یکسری Bit است. در هر Bit بسته به اینکه مقدار عدد QA_PIXEL صفر یا یک باشد، می توان فهمید که پیکسل ابری است یا خیر. در شکل زیر می توانید توصیفات باند QA_PIXEL را مشاهده کنید. همانطور که می بینید Bit های 3 و 4 برای شناسایی ابر و سایه ابر هستند. روند کلی کار این است که عدد QA_PIXEL مربوط به هر پیکسل از تصویر به کمک یک تابع درونی مناسب به سیستم اعداد صفر و یک تبدیل می شود. سپس از عدد باینری تولید شده، مقادیر Bit های 3 و 4 که مربوط به ابر و سایه آن است خوانده می شود. با توجه به توصیفات نشان داده شده در شکل زیر، اگر عدد حاصل در Bit شماره 3 برابر صفر باشد یعنی آن پیکسل بدون ابر است. به طرز مشابه اگر عدد حاصل در Bit شماره 4 برابر صفر باشد یعنی آن پیکسل فاقد سایر ابر است.
در آموزش حذف ابر از تصاویر لندست می توانید به کمک تابع نوشته شده که لینک آن در بخش داده این صفحه نیز در دسترس است، ابر و سایه ابر از تصاویر لندست را حذف کنید. روند کار در ویدیو این بخش به طور کامل تشریح شده است. شما می توانید علاوه بر آشنایی با نحوه تبدیل یک عدد به سیستم باینری، استفاده از آن در حذف ابر تصاویر را نیز در این ویدیو ببینید. نکته جالب اینکه با روش توضیح داده شده، می توانید ابر را از هر تصویر ماهواره ای دارای باند کیفیت به صورت Bit های مختلف، براحتی حذف کنید و این روش تنها به ماهواره Landsat محدود نمی شود.
در شکل زیر می توانید نتیجه اعمال تابع و حذف ابر و سایه ابر از یک نمونه تصویر ماهواره Landsat را مشاهده کنید.
شناسایی نواحی سیل زده در گوگل ارث انجین اهمیت آموزش شناسایی نواحی سیل زده در گوگل ارث انجین اهمیت زیادی…
نقشه پوشش اراضی شبستر با دقت مکانی 10 متری اهمیت داده آموزشی نقشه پوشش اراضی شبستر از مهم ترین لایه…
پایش ریزگردها در گوگل ارث انجین به صورت زمانی و مکانی اهمیت آموزش پایش ریزگردها در گوگل ارث انجین از…
نقشه پوشش اراضی سراب با دقت مکانی 10 متری اهمیت داده آموزشی نقشه پوشش اراضی سراب از مهم ترین لایه…
پایش سلامت مزرعه در گوگل ارث انجین اهمیت آموزش امروزه می توان از سنجش از دور برای پایش سلامت مزرعه…
پایش جنگل در گوگل ارث انجین اهمیت آموزش پایش جنگل در گوگل ارث انجین میتواند از کارکردهای جالب این سامانه…
تولید نقشه پوشش اراضی 10 متری از کمپانی ESRI اهمیت آموزش تولید نقشه پوشش اراضی 10 متری از روی نقشههای…
شاخصهای شوری خاک در گوگل ارث انجین اهمیت آموزش هدف این آموزش ارزیابی و محاسبه انواع شاخصهای شوری خاک در…
داده رطوبت خاک SMAP در گوگل ارث انجین اهمیت آموزش داده رطوبت خاک SMAP یک داده جذاب از NASA است…
نقشه کاربری اراضی تبریز با دقت مکانی 10 متری اهمیت داده آموزشی نقشه کاربری اراضی تبریز از مهم ترین لایه…
نقشه کاربری اراضی میانه با دقت مکانی 10 متری اهمیت داده آموزشی نقشه کاربری اراضی میانه از مهم ترین لایه…
نقشه کاربری اراضی مراغه با دقت مکانی 10 متری اهمیت داده آموزشی نقشه کاربری اراضی مراغه از مهم ترین لایه…
نقشه کاربری اراضی مرند با دقت مکانی 10 متری اهمیت داده آموزشی نقشه کاربری اراضی مرند از مهم ترین لایه…
نقشه کاربری اراضی شهرستان کلیبر با دقت مکانی 10 متری اهمیت داده آموزشی نقشه کاربری اراضی شهرستان کلیبر از مهم…
دوره جامع تهیه نقشه پوشش اراضی اهمیت آموزش تهیه نقشه پوشش اراضی می تواند اولین لایه مهم برای هر نوع…
نقشه کاربری اراضی هریس با دقت مکانی 10 متری اهمیت داده آموزشی نقشه کاربری اراضی هربس از مهم ترین لایه…