تلفیقی از Landsat 8 OLI و تصاویر PlanetScope برای مدیریت جنگل شهری در باتون روژ، لوئیزیانا

 

در سال‌های اخیر روش ادغام تصویر به طور گسترده در مطالعات مختلف برای بهبود وضوح فضایی تصاویر چند طیفی استفاده شده است. هدف این مطالعه ترکیب تصاویر ماهواره ای با وضوح بالا با تصاویر چند طیفی کم به منظور کمک به سیاست گذاران در برنامه ریزی و مدیریت موثر اکوسیستم جنگل شهری در باتون روژ است. برای دستیابی به این اهداف، تصاویر ماهواره‌ای Landsat 8 و PlanetScope از وب‌سایت‌های Earth Explorer و Planet سازمان زمین‌شناسی ایالات متحده (USGS) با وضوح پیکسلی 30 متر و 3 متر به دست آمد. تصاویر مرجع (تصاویر مشاهده شده Landsat 8 و PlanetScope) در 2020/06/08 و 2020/11/19 به دست آمد. پردازش تصویر در ArcMap انجام شد و از ترکیب باند 6-5-4 برای Landsat 8 برای بازرسی بصری پوشش گیاهی سالم و فضاهای سبز استفاده شد. باند پانکروماتیک مادون قرمز نزدیک (NIR) برای PlanetScope با تصویر Landsat 8 با استفاده از ابزار شطرنجی Create Pan-Sharpened در ArcMap ادغام شد و از روش Intensity-Hue-Saturation (IHS) استفاده کرد. همچنین مکان پارک های جنگلی شهری در منطقه مورد مطالعه با استفاده از GPS دستی انتخاب و در برگه اکسل ثبت شد. این برگه به ​​فایل اکسل (csv.) تبدیل شد و به ESRI ArcMap وارد شد تا توزیع فضایی فضاهای سبز در منطقه شرق باتون روژ شناسایی شود. نتایج نشان می‌دهد که تصاویر ترکیبی کنتراست بهتری دارند و تجسم ویژگی‌های فضایی را نسبت به تصاویر غیر ترکیبی بهبود می‌بخشند. به عنوان مثال، جاده ها، درختان، ساختمان ها در مقایسه با تصویر لندست 8 در تصویر ترکیب شده واضح تر، به راحتی قابل تشخیص و کمتر پیکسل به نظر می رسند.

کلید واژه ها

سنجش از دور ، ترکیب تصویر ، تصاویر چند طیفی ، جنگل شهری ، تصویرگر زمین عملیاتی لندست 8 (OLI) ، PlanetScope ، باتون روژ

1. مقدمه

جنگل های شهری مجموعه ای از مزایای اجتماعی، زیست محیطی و اقتصادی را برای مردم ساکن در مناطق شهری فراهم می کند. طبق خدمات جنگلی وزارت کشاورزی ایالات متحده (USDA)، جنگل‌های شهری از درختان منفرد، پارک‌های شهری، راهروهای رودخانه، تالاب‌ها، حفاظت‌های طبیعی، باغ‌ها، بلوارهای محوطه‌سازی‌شده، مسیرهای سبز، رودخانه‌ها و تفرجگاه‌های ساحلی تشکیل شده‌اند [ 1 ]. .

این فضاهای سبز پتانسیل ارائه مزایای اکوسیستمی برای جمعیت انسانی را نیز دارند. این مزایای اکوسیستم شامل تنظیم ریزاقلیم، زهکشی آب باران، تصفیه فاضلاب، تصفیه هوا، کاهش نویز، ارزش های تفریحی و فرهنگی [ 2 ] [ 3 ] است. در اصل، این خدمات اکوسیستمی کیفیت هوا را بهبود می بخشد، جذب کربن را افزایش می دهد و اثر جزیره گرمایی شهری را کاهش می دهد.

در دهه گذشته به طور فزاینده ای، اکوسیستم جنگل های شهری به دلیل تهدید ناشی از عوامل متعدد تحت فشار شدید قرار گرفته است. سیل ناشی از بلایای طبیعی و فعالیت های انسانی فشار زیادی بر اکوسیستم جنگل های شهری وارد کرده است. افزایش بارندگی مرتبط با تغییرات اقلیمی، سیل های تجربه شده در بسیاری از مناطق شهری جهان از جمله ایالات متحده را تغییر داده است. سیل اخیر گسترده در سراسر لوئیزیانا در طول طوفان های کاترینا و آیدای تأثیرات منفی قابل توجهی را که سیل می تواند بر اکوسیستم جنگل های شهری داشته باشد برجسته کرده است. باتون روژ، لوئیزیانا یک استثنا نیست [ 4 ] [ 5 ].

با تمام مزایای جنگل های شهری، نظارت بر گستردگی و سلامت این فضاهای سبز در طول زمان و گزارش وضعیت و روند آنها بسیار ضروری است. این به تولید اطلاعات برای حمایت از تصمیم گیری در مورد وضعیت این درختان و همچنین گستره آنها در لوئیزیانا یا ایالات متحده به طور کلی کمک می کند. صرف نظر از کوچک بودن این جنگل‌های شهری مانند پارک‌ها، درخت‌های خیابانی و بلوارهای محوطه‌سازی‌شده، همه آنها نقشی در اکوسیستم مانند تنظیم ریزاقلیم، فیلتر کردن هوا و مدیریت آب طوفان دارند. جزئیات این درختان و فضاهای سبز منفرد ممکن است به طور کامل در تصاویر ماهواره ای با وضوح متوسط ​​و کم قابل مشاهده نباشد و از این رو ممکن است به طور کامل چیزی را که روی زمین است نشان ندهد. این می تواند بر تخمین زیست توده، ترسیب کربن و سایر تجزیه و تحلیل پوشش زمین تأثیر بگذارد.6 ] [ 7 ] [ 8 ].

آگاهی از وضعیت و سلامت ساختار جنگل شهری از جمله کلیدهای پایداری آنهاست. اطلاعات مربوط به ویژگی‌های فیزیکی درختان شهری مانند ترکیب گونه‌های درختی، تنوع گونه‌ای، سطح برگ، زیست توده، تراکم درختان، تعداد درختان و سلامت درختان پارامترهای مفیدی در پایش جنگل‌های شهری هستند [ 9 ]. بنابراین، این مطالعه از تکنیک‌های ادغام تصویر با وضوح خوب برای بهبود شناسایی و نظارت بر جنگل شهری در باتون روژ استفاده می‌کند.

2. نقش ترکیب تصویر چندحسگر در مدیریت جنگل شهری

فناوری رصد زمین نقش عمده ای در شناسایی، اندازه گیری و پایش جنگل های شهری و همچنین داده های دقیق در مورد مکان ایفا می کند. این فناوری از قدرت سنجش از دور و سیستم‌های فضایی برای جمع‌آوری و ذخیره اطلاعات در زمینه‌های موضوعی مختلف در سطوح مختلف انرژی به نام باند استفاده می‌کند. سنجش از دور همچنین طیف گسترده ای از تفکیک زمانی، طیفی، رادیومتری و مکانی را برای پشتیبانی از تجزیه و تحلیل ویژگی های روی سطح زمین ارائه می دهد [ 10 ]. کار اولیه [ 11 ] نشان می‌دهد که ادغام تصاویر ماهواره‌ای چندطیفی با وضوح بالا برای نظارت بر جنگل‌های شهری تضمین می‌کند که جزئیات بیشتری از این گونه درختان برای افزایش سطوح دقت در طول فرآیند تحلیل تصویر گرفته می‌شود.

فونسکا و همکاران [ 10 ] بیشتر توضیح می‌دهد که ادغام تصویر در مناطقی که ساختار مورفولوژیکی پیچیده‌ای دارند از جمله مناطق شهری، مناطق جنگلی ناهمگون، زخم‌های زمین لغزش و طبقه‌بندی پوشش زمین درون شهری مفید است. در واقع، چندین مقاله تحقیقاتی در مورد همجوشی تصویر چند سنسوری مورد مطالعه قرار گرفته‌اند: 1) نقشه‌برداری از پوشش درخت شهری با ادغام تصویر چند طیفی و داده‌های ابر نقطه‌ای LiDAR برای بهبود کیفیت طبقه‌بندی ابر نقطه، و در نتیجه تولید نقشه‌های پوشش تاج درخت [ 12 ].]، 2) ادغام مجموعه داده‌های مختلف مانند تصاویر ماهواره‌ای از همان حسگر در سومین شهر بزرگ ترکیه، ازمیر، با استفاده از تکنیک‌های Principal Component، IHS، و Brovey Transform برای بهبود وضوح فضایی تصاویر Landsat 7 ETM مورد استفاده در مطالعه. نتایج نشان می‌دهد، وضوح فضایی بهبود یافته تصاویر ETM ذوب شده Landsat 7 با استفاده از تکنیک‌های کامپوننت اصلی و Brovey Transform [ 13 ]، 3) استفاده از روش‌های ترکیبی تصاویر ماهواره‌ای مانند شدت-رنگ-اشباع (IHS)، تجزیه و تحلیل مؤلفه اصلی (PCA) و فیلتر بالا گذر (HPF) برای بهبود شناسایی طبقات پوشش زمین شهری [ 11]، و 4) برنامه های کاربردی تصاویر پرنده پرنده پانکروماتیک و چندطیفی با وضوح بالا و داده های رادار دهانه مصنوعی TerraSAR (SAR) برای مطالعات تغییر کاربری زمین شهری در بخش مرکزی اولان باتور، پایتخت مغولستان استفاده می شود. نتایج تصویر ترکیب شده در شهر اولان باتور افزایش شهرنشینی را نشان می دهد که منجر به تغییر کاربری زمین می شود [ 14 ]. [ 15] داده‌های LiDAR هوابرد با تصاویر هوایی برای فهرست جنگل‌های شهری در سطح درخت. نقاط روی زمین، نقاط پوشش گیاهی از نقاط غیر گیاهی جدا شد. این با استفاده از شاخص گیاهی تفاوت نرمال شده (NDVI) مشتق شده از داده های فراطیفی به دست آمد. نتایج نشان می‌دهد که درختان منفرد را می‌توان از داده‌های ابر نقطه LiDAR با استفاده از الگوریتم بالا رفتن از درخت پیشنهادی شناسایی کرد، و تاج‌های درخت را می‌توان با استفاده از روش گسترش و لغزش دونات مشخص کرد. [ 16داده‌های LiDAR و Landsat Thematic Mapper را با استفاده از روش‌های حداکثر احتمال نظارت شده (ML) و درخت طبقه‌بندی (CT) برای تمایز پوشش‌های زمین در مناطق شهری شارلوت، کارولینای شمالی، ایالات متحده آمریکا ترکیب کرد. نویسندگان دریافتند که ادغام مدل‌های سطح ساختاری و با وضوح بالاتر از LiDAR با داده‌های TM، دقت طبقه‌بندی کل و سطح کلاس را بهبود می‌بخشد. همچنین، در حومه ملبورن، استرالیا، Parmehr et al . [ 17 ] ذوب LiDAR هوابرد و داده های سنجش از دور نوری برای نقشه پوشش درختان شهری. نتایج نشان داد که قابلیت اطمینان طبقه بندی ابر نقطه LiDAR پوشش درختی بهبود یافته است.

در همه این مطالعات، بهبود تصاویر چندطیفی با وضوح فضایی پایین با تصاویر پانکروماتیک با وضوح بسیار خوب و همچنین تقویت و بهبود تجسم ویژگی‌های فضایی یک هدف اصلی بوده است. در لوئیزیانا، مطالعات متمرکز بر ادغام تصاویر با وضوح بالا با تصاویر چند طیفی با وضوح فضایی پایین برای مطالعات جنگلداری شهری در یک شهر خاص بسیار محدود است. در سال 2003، دپارتمان کیفیت محیطی لوئیزیانا (LDEQ) مطالعه ای در سطح لوئیزیانا انجام داد و از 2002 Landsat Thematic Mapper Plus (رزولوشن 30 متر) RGB 7-5-3 با وضوح بالاتر (15 متر) باند پانکروماتیک به منظور بهبود تجسم استفاده کرد. ویژگی های فضایی کل محله [ 18]. مهم است بدانید که مطالعه LDEQ بر شهر خاصی در ایالت متمرکز نشده است. همچنین در ترکیب تصاویر تنها از داده های باند 8 + Landsat ETM با وضوح 15 متر استفاده شد. برای این منظور، هدف اصلی این مطالعه تکنیک‌های سنجش از دور، به‌ویژه، استفاده از ترکیب تصاویر با وضوح بسیار خوب برای بهبود شناسایی و نظارت بر جنگل شهری در باتون روژ را اتخاذ می‌کند. ادغام تصاویر چند طیفی با وضوح بالا در وضوح های مختلف برای کمک به سیاست گذاران در برنامه ریزی و مدیریت موثر اکوسیستم جنگل شهری در باتون روژ انجام خواهد شد.

3. روش شناسی

3.1. منطقه مطالعه

باتون روژ، مرکز ایالت لوئیزیانا، محل سکونت بخش شرقی باتون روژ در ساحل شرقی رودخانه می سی سی پی است. طبق اداره سرشماری ایالات متحده، مساحت این شهر 79.1 مایل مربع (204.9 کیلومتر مربع ⁾ است که 76.8 مایل مربع (198.9 کیلومتر مربع ⁾ زمین و 2.2 مایل مربع (5.7 کیلومتر مربع ⁾ (2.81 درصد) است. پوشیده از آب این منطقه کم ارتفاع است که در ارتفاع 56 تا کمی بیش از 62 فوت از سطح دریا قرار دارد. طول و عرض جغرافیایی این شهر به ترتیب 91.14- درجه اعشار و 30.46 درجه اعشار است ([ 19 ] [ 20 ]؛ شکل 1 ).

بر اساس آمار اداره سرشماری ایالات متحده، سرشماری جمعیت باتون روژ در سال 2010 جمعیتی بالغ بر 229493 نفر را ثبت کرد، اما تا سال 2020 با پیش بینی 227470 نفر کاهش یافت. با توجه به این موضوع، World Population Review گزارش داد که شهر در حال حاضر با نرخ 0.90- درصد در سال در حال کاهش است.

و جمعیت آن بین سال‌های 2010 تا 2020 به میزان -5.74 درصد کاهش یافته است. با این حال، با پوشش بیش از 89 مایل، تراکم جمعیت باتون روژ 2502 نفر در هر مایل مربع است. این شهر همچنین به دلیل ^{هجدهمین} پایتخت ایالتی پرجمعیت، 99 ^امین شهر پرجمعیت ایالات متحده، و دومین شهر بزرگ در لوئیزیانا پس از نیواورلئان [ 19 ] [ 20 ] [ 21 ] شناخته شده است.

به دلیل نزدیکی ایالت لوئیزیانا به خلیج مکزیک، مناطق کم ارتفاع آن از جمله بخش شرقی باتون روژ و نیواورلئان به ویژه در معرض بلایای طبیعی خاص به ویژه، سیل و سایر اثرات طوفان هستند. شرایط آب و هوایی این شهر، شامل آب و هوای نیمه گرمسیری مرطوب با زمستان های معتدل، تابستان های گرم و مرطوب، بارندگی های متوسط ​​تا شدید و احتمال آسیب باد و گردباد در تمام سال است. به طور متوسط، باتون روژ دمای بالای سالانه 79 درجه فارنهایت، دمای پایین سالانه 58 درجه فارنهایت همراه با بارندگی سالانه 60.65 اینچ باران را ثبت می کند [ 22 ]. اگرچه این منطقه در سال های 2008، 2009 و 2010 به طور متوالی برف را تجربه کرده است، این یک پدیده نادر است و معمولاً به برخی از جبهه های سرد زمستان محدود می شود.

از نظر پوشش گیاهی و درخت مشخصه جنگل شهری در باتون روژ، [ 3 ] گزارش می‌دهد که شهر باتون روژ دارای حدود 1036175 درخت با خطای استاندارد (SE) 60224 است. پوشش درختی در شهر باتون روژ. 44.6 درصد (45 درصد) تخمین زده می شود که پنج گونه رایج آن در جنگل های شهری عبارتند از بلوط زنده (9.5 درصد)، صمغ شیرین (8.8 درصد)، کاج لوبلی (7 درصد)، اسپند (6.5 درصد)، سرو طاس. 5.9 درصد) و بلوط آبی (5.6 درصد). نمونه ای از گونه های جنگلی شهری در باتون روژ در شکل 2 نشان داده شده است .

این شهر همچنین دارای پوشش بوته ای است که تقریباً 15 درصد را با سایر انواع پوشش زمینی که شامل غیرقابل نفوذ (20 درصد)، خاک برهنه (5 درصد) و علفی (11 درصد) است، اشغال می کند. خاک های تشکیل شده معمولاً رسوبی است که توسط رودخانه های می سی سی پی و آچافالایا و توزیع کنندگان آنها رسوب می کند. خاک های لومی به عنوان نوع غالب خاک در این شهر بر روی سیلاب های طبیعی شناخته می شوند که به موجب آن خاک های رسی در باتلاق ها غالب هستند. علاوه بر این، بیشتر خاک هایی که در معرض سیل قرار می گیرند در جنگل ها هستند و تقریباً تمام خاک هایی که از سیل محافظت می شوند برای محصولات زراعی و مرتع استفاده می شوند [ 23 ].

این شهر به ویژه مرکز تحقیقاتی، پزشکی، فناوری و صنعتی بزرگ جنوب است که بزرگترین صنعت آن تولید و ساخت پتروشیمی است. به عنوان مثال، مجتمع پالایشگاه باتون روژ ExxonMobil چهارمین پالایشگاه بزرگ نفت در کشور و دهمین پالایشگاه ^بزرگ جهان است . ساختار حمل و نقل آن از بزرگراه ها، خطوط لوله و دسترسی به آب های عمیق تشکیل شده است که فعالیت های اقتصادی را افزایش می دهد.

از آنجایی که باتون روژ دورترین بندر داخلی در رودخانه می سی سی پی است که می تواند تانکرهای اقیانوس پیما و حامل های بار را در خود جای دهد، کشتی ها می توانند محموله های خود (غلات، نفت، ماشین ها، کانتینرها) را در باتون روژ به ریل و خطوط لوله انتقال دهند (برای سفر). شرق-غرب) یا بارج (برای سفر به شمال). به طور کلی، باتون روژ به عنوان مرکز فرهنگی و اقتصادی عمل می کند که در مرکز منطقه بزرگ باتون روژ، دومین منطقه بزرگ شهری در لوئیزیانا واقع شده است.

3.2. اکتساب داده ها

مکان پارک های جنگلی شهری با استفاده از GPS دستی انتخاب و در یک برگه اکسل استخراج شد. این برگه به ​​فایل a.csv تبدیل و وارد شد

به نقشه قوس برای نمایش بصری توزیع این فضاهای سبز در شرق باتون روژ. تصاویر ماهواره‌ای Landsat 8 و PlanetScope از دو منبع مختلف به دست آمده‌اند. تصویر بازتاب سطح 2 سطح لندست 8 از وب سایت سازمان زمین شناسی ایالات متحده (USGS) به ویژه پلت فرم Earth Explorer [ 24 ] به دست آمده است. تصویر Landsat 8 در 08 ژوئن 2020 با وضوح مکانی 30 متر به دست آمد. جدول 1 ویژگی های تصویر OLI لندست 8 را نشان می دهد که شامل اطلاعات مربوط به طرح ریزی و داده است. داده های ماهواره ای PlanetScope از وب سایت Planet [ 25 ] به دست آمد و تصویر در 19 نوامبر 2020 با وضوح پیکسل 3 متر گرفته شد.

3.3. پردازش تصویر و ترکیب داده ها

Landsat 8 به صورت تک باند با فرمت a.tif دانلود و به Arc Map وارد شد. این باندها با استفاده از باند ترکیبی در ArcMap در یک باند چند طیفی ترکیب شدند. همچنین، باند مادون قرمز نزدیک (NIR) PlanetScope به Arc Map وارد شدبرای کمک به فرآیند ادغام تصویر ابزار کلیپ برای ایجاد زیر مجموعه ای از تصاویر ماهواره ای برای منطقه مورد مطالعه استفاده شد. از آنجایی که تصاویر Landsat 8 و PlanetScope دارای پیش بینی و داده یکسان هستند، ما ثبت مشترک تصاویر را انجام ندادیم. در ادغام داده های سنجش از دور، از سه تکنیک اصلی استفاده می شود. اینها عبارتند از Multiplicative، Principal Components و Brovey Transform. اجزای اصلی معمولاً در برنامه‌ای استفاده می‌شوند که مستلزم رنگ اصلی تصویر چند طیفی ورودی است. این اجازه می دهد تا تصویر خروجی شبیه فایل ورودی [ 26 ] [ 27 ] باشد. دقت رادیومتریک فایل خروجی کامپوننت های اصلی عالی است. با این حال، این روش نیاز به محاسبات زیادی دارد. از این رو، تمایل به کند کردن سیستم دارد [ 26 ] [27 ]. روش ضربی از یک الگوریتم ضربی ساده استفاده می کند که دو تصویر شطرنجی، یکی با وضوح کمتر و بالاتر را ادغام می کند. در هر سه باند، عدد دیجیتالی تصویر ادغام شده را می توان با استفاده از ادغام حسابی ساده زیر از دو مجموعه شطرنجی محاسبه کرد [ 26 ]:

DنB i× Dنبالاترتصویر= دینبیجدیدDNBi×DNhighresImage=DNBinew(1)

که در آن DN عدد دیجیتال است ، Bi عدد باند است، با i از 1 تا 3، DنبالاترتصویرDNhighresImage عدد دیجیتالی تصویر با وضوح بالا و DنبیجدیدDNBinewعدد دیجیتال باند i تصویر ادغام شده است.

از نظر محاسباتی، بسیار ساده، سریعترین روش است و به کمترین منابع سیستم نیاز دارد [ 26 ] [ 27 ]. نقطه ضعف این روش این است که تصویر ادغام شده خروجی (رزولیشن کمتر و بالاتر) رادیومتری تصویر چند طیفی ورودی را حفظ نمی کند. در روش Brovey Transform، از سه باند مطابق فرمول زیر استفاده می شود [ 27 ]:

[DNB1/DNB1 + DNB2 + DNB3] × [DNhigh res. تصویر] = DNB1_new

[DNB2/DNB1 + DNB2 + DNB3] × [DNhigh res. تصویر] = DNB2_new

[DNB3/DNB1 + DNB2 + DNB3] × [DNhigh res. تصویر] = DNB3_new

جایی که:

B ( n ) = باند (تعداد)

Brovey Transform به صورت بصری کنتراست را در انتهای پایین و بالای هیستوگرام تصویر افزایش می دهد. RGB با درجه کنتراست بالاتر [ 26 ] [ 27 ] تولید می کند. کنتراست را در سایه ها، آب و مناطق با بازتاب بالا مانند ویژگی های شهری فراهم می کند. نقاط ضعف استفاده از Brovey Transform این است که رادیومتری صحنه اصلی را حفظ نمی کند. با توجه به نقاط ضعف استفاده از روش‌های فوق، این مقاله از روش شدت-رنگ-اشباع (IHS) برای ترکیب تصاویر با وضوح پایین و بالا برای بهبود مناطق جنگلی شهری استفاده می‌کند. اگرچه روش IHS تنها از سه باند در فرآیند همجوشی استفاده می کند، این روش ساده تصویری با کیفیت بسیار بالا تولید می کند که می تواند تجزیه و تحلیل تصویر بیشتر را تسهیل کند [ 26 ] [ 28 ] [ 29 ].

در این مطالعه از ترکیب باند 6-5-4 برای Landsat 8 برای بازرسی بصری پوشش گیاهی سالم و فضاهای سبز در چشم انداز استفاده شد. همچنین از نوار پانکروماتیک NIR PlanetScope در فرآیند همجوشی استفاده شد. در ArcMap، فرآیند ادغام تصویر یا پان شارپنینگ به چهار ورودی نیاز داشت. تصویر با وضوح پایین (Landsat 8) را انتخاب کردیم، کانال های RGB را تنظیم کردیم، تصویر با وضوح بالا (PlanetScope) را اضافه کردیم و در نهایت نوع پان شارپنینگ را انتخاب کردیم. به طور خاص، ابزار “Create Pan-Sharpened raster database” در ArcToolbox برای ادغام تصاویر با یکدیگر استفاده شد.

4. نتایج

شکل 3 و شکل 4 ترکیب باند تصویر ماهواره لندست 8 و تصویر PlanetScope را نشان می دهد. شکل 5 : باند NIR تصویر PlanetScope.

شکل 6 موقعیت GPS و توزیع پارک های جنگلی شهری در شرق باتون روژ را نشان می دهد. شبکه جاده ای نشان می دهد که این پارک ها در نزدیکی شهرهای مختلف قرار دارند و به راحتی برای افراد جامعه قابل دسترسی هستند.

شکل 7 مقایسه ای از تصویر ترکیب شده Landsat 8 و PlanetScope در سمت چپ و تصویر 30 متری Landsat 8 در سمت راست را نشان می دهد.

تصویر ثبت شده قسمت شمال غربی شرق باتون روژ را برجسته می کند. تصویر ترکیب شده جزئیات بیشتری از منظره را در مقایسه با تصویر سمت راست نشان می دهد. علاوه بر این، ویژگی‌های تصویر سمت راست در مقایسه با تصویر سمت چپ پیکسل‌تر هستند. شناسایی پارک ها، درختان و فضای سبز در تصویر Landsat 8 در سمت راست دشوار است. این برای شکل های 8-11 یکسان است.

5. پیامدهای توسعه سیاست و نتیجه گیری

به طور کلی، تصاویر ادغام شده با استفاده از روش Intensity-Hue-Saturation (IHS) کنتراست بهتری دارند و تجسم ویژگی های فضایی را نسبت به تصاویر غیر ترکیبی بهبود می بخشند. درک و استفاده از ترکیب تصویر می تواند تصمیم گیری و سیاست گذاری بهتر را تسهیل کند. ادغام تصویر یک خروجی با وضوح بالا ایجاد می کند که جزئیات زیادی را در چشم انداز برجسته می کند. این تکنیک می تواند انواع تغییرات را شناسایی کند و از تشخیص تغییر پوشش کاربری اراضی موجود موثرتر است [ 30]. تلفیق تصویر به برنامه ریزان شهری و کارشناسان کاربری اراضی اطلاعات مربوطه را در مورد مکان تأسیسات و منابع در شهرها ارائه می دهد. این تکنیک به تصمیم گیرندگان کمک می کند تا پیچیدگی های توسعه شهری را از طریق لنز سنجش از دور و GIS درک و درک کنند و آنها را راهنمایی می کند تا استراتژی هایی پیشنهاد کنند که اطمینان حاصل شود مناطق شهری در شرایط آب و هوایی در حال تغییر انعطاف پذیر هستند. به عبارت دیگر، محققان و ذینفعان مختلف می توانند جزئیات قابل اعتمادتری را برای ارزیابی تغییرات کاربری اراضی پوشش زمین برای دولت بهتر استخراج کنند.

تصمیم گیری حذف افزونگی

لوئیزیانا به دلیل بلایای طبیعی مختلف از جمله طوفان و سیل شناخته شده است. دقت این تصاویر ترکیبی می تواند به طور دقیق از واکنش اضطراری و مدیریت جنگل های شهری مانند حذف زباله های درختان پس از وقوع یک طوفان بزرگ پشتیبانی کند. در حالی که چنین اطلاعاتی می تواند به عنوان ابزار پشتیبانی تصمیم برای مدیران جنگل های شهری و کسانی که مسئول سیاست گذاری در سال های آینده هستند استفاده شود، همچنین می تواند به عنوان ابزار آموزشی برای هدایت ذینفعان در مدیریت پایدار درختان شهری عمل کند. توصیه سیاست در قالب اندازه‌گیری متوالی جنگل شهری در طول زمان می‌تواند به ردیابی تغییرات کمک کند و امکان اتخاذ سیاست‌ها و تصمیم‌گیری آگاهانه‌تر را با توجه به مدیریت جنگل‌های شهری فراهم می‌کند.

منابع

[ 1 ]	خدمات جنگل، وزارت کشاورزی ایالات متحده (2022) جنگل های شهری. https://www.fs.usda.gov/managing-land/urban-forests
[ 2 ]	Bolund، P. و Hunhammar، S. (1999) خدمات اکوسیستم در مناطق شهری. اقتصاد اکولوژیک، 29، 293-301. https://doi.org/10.1016/S0921-8009(99)00013-0
[ 3 ]	عبداللهی، ک.، نینگ، ز.، لژیاندنی، تی و خانال، AP (2012) ساختار، عملکرد و ارزش اکوسیستم جنگل شهری-باتون روژ، لوئیزیانا.
[ 4 ]	بوید، EC-K. (2011) تلفات ناشی از تأثیرات طوفان کاترینا در لوئیزیانا. پایان نامه های دکتری شماره 2734، دانشگاه ایالتی لوئیزیانا (LSU)، باتون روژ. https://digitalcommons.lsu.edu/gradschool_dissertations/2734
[ 5 ]	Watkins, C. (2021، 29 اوت) طوفان آیدا سیل شدید و بادهای شدید را به لوئیزیانا می آورد. NPR https://www.npr.org/2021/08/29/1032181486/hurricane-ida-gulf-coast-louisiana-new-orleans
[ 6 ]	Qian, YG, Zhou, WQ, Li, WF and Han, LJ (2015) درک پویایی فضای سبز در منطقه شهری پکن بر اساس تصاویر ماهواره ای با وضوح بالا. جنگلداری شهری و سبزسازی شهری، 14، 39-47. https://doi.org/10.1016/j.ufug.2014.11.006
[ 7 ]	Qian، YG، Zhou، WQ، Yu، WJ و Pickett، STA (2015) کمی سازی الگوی فضایی-زمانی فضای سبز شهری: بینش های جدید از داده های با وضوح بالا. بوم شناسی منظر، 30، 1165-1173. https://doi.org/10.1007/s10980-015-0195-3
[ 8 ]	Yang, J., Huang, CH, Zhang, ZY and Wang, L. (2014) روند موقت پوشش سبز شهری در شهرهای بزرگ چین بین سالهای 1990 و 2010. جنگلداری شهری و سبز شدن شهری، 13، 19-27. https://doi.org/10.1016/j.ufug.2013.10.002
[ 9 ]	نواک، دی جی (2010) ارزیابی اثرات و ارزش های جنگل شهری: جنگل شهری شیکاگو. وزارت کشاورزی ایالات متحده، خدمات جنگل، ایستگاه تحقیقاتی شمالی، میدان نیوتاون. https://doi.org/10.2737/NRS-RB-43
[ 10 ]	Fonseca, L., Namikawa, L., Castejon, E., Carvalho, L., Pinho, C. and Pagamisse, A. (2011) فصل 9. ترکیب تصویر برای کاربردهای سنجش از دور. در: Zheng, YF, Ed., Image Fusion and Its Applications, IntechOpen, London, p. 256. https://doi.org/10.5772/22899
[ 11 ]	کاپریولی، ام و تارانتینو، ای. (2003) روش‌های همجوشی تصاویر ماهواره‌ای برای بهبود شناسایی طبقه‌های پوشش زمین شهری. در: Camarda, D. and Grassini, L., Eds., Local Resources and Global Trades: Environments and Agriculture in the Mediterranean Region, CIHEAM, Bari, 421-428.
[ 12 ]	Münzinge, M., Prechtel, N. and Behnisch, M. (2022) نقشه برداری از جنگل شهری با جزئیات: از ابرهای نقطه ای LiDAR تا مدل های درختی سه بعدی. جنگلداری شهری و سبزسازی شهری 74 127637. https://doi.org/10.1016/j.ufug.2022.127637
[ 13 ]	Erdogan, M., Maras, HH, Yilmaz, A. and Ozerbil, OT (2008) ادغام عکس‌های هوایی در مقیاس 1:35.000 با تصاویر Landsat 7 ETM. آرشیو بین المللی فتوگرامتری، سنجش از دور و علوم اطلاعات فضایی، 37، 1281-1286.
[ 14 ]	آمارسایخان، دی.، باتسنگل، وی.، اگشیگلن، ای.، گانتویا، آر. و انخجارگال، دی. (2011) کاربردهای GIS و داده های RS با وضوح بسیار بالا برای مطالعات تغییر کاربری اراضی شهری در مغولستان. مجله بین المللی ناوبری و مشاهده، 2011، شناسه مقاله: 314507. https://doi.org/10.1155/2011/314507
[ 15 ]	Zhang، CY، Zhou، YH و Qiu، F. (2015) تقسیم بندی درختان از ابرهای نقطه ای LiDAR برای فهرست جنگل شهری. سنجش از دور، 7، 7892-7913. https://doi.org/10.3390/rs70607892
[ 16 ]	Singh، KK، Vogler، JB، Shoemaker، DA و Meentemeyer، RK (2012) LiDAR-Landsat ادغام داده ها برای ارزیابی مساحت وسیع پوشش زمین شهری: تعادل تفکیک فضایی، حجم داده و دقت نقشه برداری. ISPRS مجله فتوگرامتری و سنجش از دور، 74، 110-121. https://doi.org/10.1016/j.isprsjprs.2012.09.009
[ 17 ]	Parmehr, EG, Amati, M. and Fraser, CS (2016) نقشه برداری پوشش تاج درخت شهری با استفاده از داده های تصاویر ماهواره ای و Lidar هوابرد ذوب شده. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, III-7, 181-186. https://doi.org/10.5194/isprs-annals-III-7-181-2016
[ 18 ]	مرکز GIS گروه کیفیت محیطی (LDEQ) لوئیزیانا (2003) لوئیزیانا 2002 لندست 7 نگاشت موضوعی پیشرفته همجوشی پانکروماتیک چندطیفی. 8 آگوست 2003، شماره نقشه LDEQ: 2003Q1064.
[ 19 ]	دفتر، ایالات متحده (2022، 19 ژانویه) Quickfacts-Baton Rouge City، لوئیزیانا. اداره سرشماری ایالات متحده، Suitland. https://www.census.gov/quickfacts/fact/table/batonrougecitylouisiana,LA/BPS030221
[ 20 ]	نقشه‌ها، UT (2021) نقشه‌های توپوگرافی-باتون روژ. https://en-us.topographic-map.com
[ 21 ]	بررسی، WP (2021) باتون روژ، جمعیت لوئیزیانا 2021. بررسی جمعیت جهان. https://worldpopulationreview.com/us-cities/baton-rouge-la-population
[ 22 ]	داده، ایالات متحده (2022، 18 ژانویه) ژئو باتون روژ-لوئیزیانا. داده های آب و هوای ایالات متحده https://www.usclimatedata.com/map/USLA0033
[ 23 ]	پاول، جی دبلیو، باودن، جی ال، لاتیولا، LD و موریس، ال. (1982) بررسی خاک پوینت کوپه و وست باتون روژ، لوئیزیانا. ایستگاه آزمایش کشاورزی لوئیزیانا و حفاظت از خاک و آب ایالت لوئیزیانا، وزارت کشاورزی ایالات متحده، خدمات حفاظت از خاک.
[ 24 ]	سازمان زمین شناسی ایالات متحده (2020) صفحه اصلی کاوشگر زمین. داده های ماهواره ای https://earthexplorer.usgs.gov
[ 25 ]	مشخصات محصول Planet (2017) Planet Imagery. https://www.planet.com/docs/spec-sheets/sat-imagery
[ 26 ]	Dahiya، S.، Garg، PK و Jat، MK (2013) مطالعه مقایسه ای تکنیک های مختلف ترکیب تصویر مبتنی بر پیکسل به عنوان کاربرد در یک محیط شهری. مجله بین المللی تصویر و داده فیوژن، 4، 197-213. https://doi.org/10.1080/19479832.2013.778335
[ 27 ]	Leica Geosystems (2005) ERDAS Field Guide™. تصویربرداری جغرافیایی، نورکراس.
[ 28 ]	Kaur, H., Kundal, D. and Kadyan, V. (2021) تکنیک های ترکیب تصویر: یک بررسی. Archives of Computational Methods in Engineering, 28, 4425-4447. https://doi.org/10.1007/s11831-021-09540-7
[ 29 ]	کاپریولی، ام و تارانتینو، ای. (2003) روش‌های همجوشی تصاویر ماهواره‌ای برای بهبود شناسایی طبقه‌های پوشش زمین شهری. در: Camarda, D. and Grassini, L., Eds., Local Resources and Global Trades: Environments and Agriculture in the Mediterranean Region, CIHEAM, Bari, 421-428. https://om.ciheam.org/option.php?IDOM=358
[ 30 ]	Wang, B., Choi, J., Choi, S., Lee, S., Wu, P. and Gao, Y. (2017) تشخیص تغییر پوشش زمین مبتنی بر همجوشی تصویر با استفاده از تصاویر ماهواره‌ای با وضوح بالا چند زمانی. سنجش از دور 9 مقاله شماره 804 https://doi.org/10.3390/rs9080804