آشکار سازی تغییرات: تجزیه و تحلیل پوشش گیاهی

هدف آشکار سازی تغییرات

آشکار سازی تغییراتبرای مقایسه نمایش مکانی دو نقطه در زمان و اندازه گیری تغییرات ناشی از تفاوت در متغیرهای مورد نظر طراحی شده است.

آشکار سازی تغییرات برای GIS فرایندی است که نحوه مقایسه ویژگی های یک منطقه خاص بین دو یا چند بازه زمانی را اندازه گیری می کند و دو تصویر ماهواره ای را در زمان های مختلف مقایسه می کند.

تحلیل چگونه کار می کند

در GIS ، تجزیه و تحلیل آشکار سازی تغییرات شامل طیف گسترده ای از رویکردها است که برای شناسایی ، نمایش و محاسبه تفاوت بین تصاویر همان منطقه در زمان های مختلف یا تحت شرایط مختلف استفاده می شود. در LandViewer ، Change Detection یک روش ساده برای اندازه گیری تغییرات مقادیر شاخص بین یک جفت تصویر ارائه دهنده حالت اولیه و نهایی ارائه می دهد. این یک ماشین حساب قابل اعتماد برای تشخیص تغییر کار می کند.

برخی از جزئیات فنی

الگوریتم آشکار سازی تغییرات به شرح زیر است – تفاوت با کسر تصویر حالت اولیه از تصویر حالت نهایی (یعنی نهایی – اولیه) محاسبه می شود و کلاسها با آستانه تغییر تعریف می شوند.

به عنوان مثال ، اگر دو مقدار NDVI داشته باشیم و مقدار اولیه بالاتر از مقدار نهایی باشد ، مقدار منفی دریافت خواهیم کرد. بنابراین می بینیم که پوشش گیاهی در این مرحله بدتر شده است. مقدار مثبت نشان دهنده پوشش گیاهی بالاتر در نقطه مشاهده است.

زمینه های اصلی کاربردی:

  • پاسخ به فاجعه و ارزیابی ریسک
  • جنگلداری
  • کشاورزی
  • بیمه
  • شهرنشینی و بازاریابی جغرافیایی

از تشخیص تغییر به طور گسترده ای برای ارزیابی جنگل زدایی ، رشد شهری ، تأثیر بلایای طبیعی و ارزیابی تغییر منظر معمولی در طول زمان به ویژه در مناطقی با مقدار غنی از تنوع زیستی و اکوسیستم بسیار پرمصرف استفاده شده است.

انواع مختلفی از بلایای طبیعی می تواند بر جوامع گیاهی تأثیر منفی بگذارد از جمله – سیل ، طوفان ، و طوفان شدید باد ، خشکسالی ، حمله حشرات و آتش سوزی ، که منجر به آسیب به ساختار گیاهی ، تنش یا مرگ و میر می شود.

تغییر در عمل

از مورد استفاده کنید 1. شیوع ملخ صحرا در عربستان سعودی ، وادی الدواسیر ، 2019

توضیحات: عملیات کنترل زمینی و هوایی فشرده در ماه مه علیه هجوم گسترده گروه ها ، باندها و دسته های بزرگ قیف و بزرگسالان در عربستان سعودی و ایران که از دو نسل پرورش بهاره بی سابقه ایجاد شده است ، ادامه یافت. اقدامات ضد عفونی زمینی و هوایی در عربستان سعودی علیه گروههای زیادی از حشرات بین ریاض و تگرگ ، نزدیک تبوک ، وادی الدواسیر ، ابها و جنوب کویت انجام شد. تیم ها در تاریخ 1-15 ژوئن 36 580 هکتار زمین را تحت درمان قرار داده اند.

هدف: شناسایی مناطق دارای پوشش گیاهی تحت فشار

منابع داده تصویر پیش از فاجعه (Sentinel-2 2019.06.05) و تصویر پس از فاجعه (Sentinel-2 2019.06.15)

شیوع ملخ کویر در عربستان سعودی: تصویر پیش از فاجعه (Sentinel-2 2019.06.05)

راه حل: تصویر NDVI قبل از فاجعه را از تصویر NDVI پس از فاجعه کم می کنیم. تغییرات منفی علامت “-” دارند ، در حالی که تغییرات مثبت – علامت “+”.

نتیجه: تصاویر فقط با فاصله 10 روز گرفته شده و نشان دهنده زمینه هایی است که هنوز نشانه های پوشش گیاهی وجود دارد ، با این وجود ساختار مزرعه ناهموار به نظر می رسد که نشان دهنده وجود ملخ است. مناطق قرمز به احتمال زیاد نشان می دهد که برداشت انجام شده است.

شیوع ملخ کویر در عربستان سعودی: تصویر پس از فاجعه (Sentinel-2 2019.06.15)

افسانه دامنه مقادیر NDVI را نشان می دهد.

از مورد 2. مخرب ترین سیل در 100 سال گذشته در هند ، 2018 استفاده کنید

توضیحات: طبق رسانه های جمعی ، هند به دلیل بارندگی های شدید که از اواسط ماه اوت آغاز شد و به مدت دو هفته ادامه داشت ، از یکی از مخرب ترین سیل در 100 سال گذشته رنج می برد. بسیاری از مناطق ، هزاران ساختمان و تاسیسات در معرض سیل قرار گرفتند.
در ایالت کرالا ، که بیشترین آسیب را دید ، حداقل 400 نفر جان خود را از دست دادند.

اعتراض – برای شناسایی مناطق سیل زده

منابع داده تصویر پیش از فاجعه (Sentinel-2 2018.02.23) و تصویر پس از فاجعه (Sentinel-2 2018.09.11)

سیل در هند: تصویر قبل از فاجعه (Sentinel-2 2018.02.23)

راه حل – برای یافتن دلتای NDWI. برای این منظور ، مقادیر NDWI تصویر پیش از فاجعه را از مقادیر NDWI تصویر پس از فاجعه کم می کنیم.

نتیجه – ناحیه بزرگ نشت به رنگ قرمز است

علاوه بر این ، اطلاعات خسارت را می توان با یک پایگاه داده GIS هزینه ملک ، ارائه ارزیابی اثر مالی ، مرتبط کرد. برای ارزیابی آسیب طوفان ، به عنوان مثال ، تصاویر دیجیتالی قبل و بعد از فاجعه به طور همزمان نمایش داده می شوند و از طریق برنامه نویسی شی گرا بصورت ایده آل از نظر توپولوژیک به هم پیوند می خورند ، به طوری که یک چند ضلعی که برای مشخص کردن یک عکس روی یک تصویر ترسیم شده است نیز در همان ویژگی ظاهر می شود. در تصویر دیگر

سیل در هند: تصویر پس از فاجعه (Sentinel-2 2018.09.11)
افسانه دامنه مقادیر NDWI را نشان می دهد.

تشخیص تغییر تست در LANDVIEWER

در LandViewer ، هر دو تصویر به طور همزمان بر روی نقشه مشاهده می شوند و شما می توانید از طریق کشوی مقایسه بین آنها جابجا شوید . تصویر نتیجه بر روی نمونه های اصلی نمایش داده می شود. پس از محاسبه ، یک نوار لغزنده برای تغییر شفافیت لایه تفاوت بر روی نقشه ظاهر می شود و در زیر می توانید تغییر افسانه را مشاهده کنید ، محدوده مقادیر شاخص را با رنگ های مختلف نشان می دهد.

شروع با تغییر تشخیص آسان است – شما فقط AOI خود را تنظیم می کنید ، دو تصویر از منبع داده یکسان و همچنین یک سطح پردازش را انتخاب می کنید که مربوط به دوره های زمانی مختلف است. سپس باید شاخص مناسب را پیاده سازی کنید و ابزار مقادیر تغییر شاخص را محاسبه کرده و بر روی نقشه نمایش می دهد.

 

19 نظرات

دیدگاهتان را بنویسید