خلاصه

کسر سایه تاج یک عامل مهم در تابع توزیع بازتاب دوطرفه (BRDF) و در تخمین مقادیر فیزیکی مانند ارتفاع درخت و زیست توده است. سایه ها به عنوان یک نسبت محافظ برای تابش مستقیم خورشید استفاده می شود، اما، در طول موج های کوتاه تر، مقدار تابش خورشیدی منتشر بیشتر است، بنابراین نسبت محافظ را نمی توان نادیده گرفت. نسبت محافظتی تابش مستقیم و پراکنده خورشیدی به ترتیب Cast Shadow (CS) و Self Cast Shadow (SCS) نامیده می شود. با این حال، اشاره شده است که تأثیر این سایه‌ها در وضوح‌های بالاتر مانند Sentinel-2 بیشتر است. علاوه بر این، بازتاب پایین اتمسفر (BOA) تا حد زیادی تحت تأثیر سایه ها قرار می گیرد، زیرا برای اثرات جوی اصلاح می شود. از این رو، هدف اصلی این مطالعه بررسی تغییرپذیری فضایی CS و SCS و شبیه‌سازی بازتاب Sentinel-2BOA با این سایه‌ها است. جنگل هدف فصل سرسبزی یک جنگل پهن برگ در تایلند بود. ابتدا، هنگام استفاده از وسیله نقلیه هوایی بدون سرنشین، یک ابر نقطه ای از جنگل را توسط Structure from Motion به دست آوردیم. سپس یک مدل وکسل با ویژگی های CS و SCS ایجاد کردیم. CS به عنوان درصد مساحتی محاسبه شد که در آن صفحه ای که در هر وکسل در نظر گرفته می شود از تابش مستقیم خورشید توسط وکسل های دیگر محافظت می شود. SCS به عنوان درصد منطقه ای که محیط تابشی نیمکره توسط وکسل های دیگر محافظت می شود محاسبه شد. پس از آن، با استفاده از تابش خورشیدی و داده های بازتاب طیفی برگ، بازتاب هر باند از Sentinel-2 شبیه سازی شد. برای بررسی اثر گونه های برگ بر شبیه سازی از نه برگ استفاده شد. بازتاب به دست آمده توسط Sentinel-2 در سطح برگ نیست. با این حال، ما از این داده‌های بازتاب طیفی استفاده کردیم زیرا بازتاب با وضوح فضایی مشابه اندازه وکسل شبیه‌سازی شده بود. اندازه های وکسل 20 سانتی متر، 50 سانتی متر، 100 سانتی متر و 200 سانتی متر استفاده شد. نتیجه ما نشان داد که (1) تغییرپذیری فضایی SCS زمانی که موقعیت خورشید ثابت است و زاویه دید اوج تغییر می‌کند، کوچکتر از CS بود. SCS بیشتر در زوایای اوج مختلف 0.12 بود، در حالی که CS حداکثر مقدار 0.45 و حداقل مقدار 0.15 داشت. (2) دقت شبیه‌سازی‌ها با استفاده از ریشه میانگین مربعات خطا (RMSE) ارزیابی شد. بهترین RMSE 0.015 ± 0.020 و بدترین آن 0.044 ± 0.084 است. مشخص شد که خطا در باندهای مادون قرمز با طول موج کوتاه بزرگتر است. (3) در این جنگل، بازتاب نسبی تنها حدود 1.2 برابر تغییر کرد، زیرا اندازه وکسل از 20 سانتی متر به 200 سانتی متر افزایش یافت. در این مطالعه، ما یک تصویر Sentinel-2 را شبیه سازی کرده ایم. در آینده، ما تصاویر چند زمانی را شبیه سازی خواهیم کرد تا اثرات فنولوژی و تغییرات سایه بر روی بازتاب مشاهده شده توسط حسگرهای نوری را بررسی کنیم.

کلید واژه ها:

خورشید-هدف-سنسور-هندسه ; سایه ؛ ابر نقطه ; هواپیمای بدون سرنشین ; تنوع فضایی

 

چکیده گرافیکی

1. معرفی

داده های ماهواره ای که از حسگرهای نوری به دست آمده اند تحت تأثیر سایه های ایجاد شده توسط خورشید-هدف-سنسور-هندسه هستند. نادیده گرفتن اثر سایه‌ها بر درخشندگی منجر به تخمین‌های نادرست ویژگی‌های جسم، مانند بازتاب‌ها می‌شود [ 1 ، 2 ]. به طور خاص، تصاویر ماهواره‌ای با وضوح بالا در سال‌های اخیر مورد استفاده قرار گرفته‌اند، اما با پیچیده‌تر شدن صحنه‌ها، اثرات سایه‌ها نیز به طور تصاعدی افزایش می‌یابد [ 3 ]. بنابراین، اصلاح سایه هنوز یک موضوع مهم برای مناطق شهری و جنگل های کوهستانی است [ 4 ]. از سوی دیگر، برخی از مطالعات رابطه بین نسبت سایه ها در پیکسل ها و نوع پوشش گیاهی را بررسی کرده اند [ 56 ] ] یا عامل نمای آسمان در مناطق شهری را بررسی کرده اند. . اونو و همکاران [ 7 ] شاخص سایه (SI) را پیشنهاد کرده اند در حالی که از نسبت تشعشعی که توسط سایه ها کاهش می یابد و همبستگی محاسبه شده با ارتفاع درخت برای هر نوع پوشش گیاهی اصلی با استفاده از تصاویر طیف رادیومتر تصویربرداری با وضوح متوسط ​​(MODIS) استفاده می کنند. نتایج نشان داد که برای اکثر پوشش گیاهی، ضرایب همبستگی بین SI و ارتفاع درخت بالاتر از شاخص تفاوت نرمال شده گیاهی (NDVI) بود. برخی از مطالعات از محصول تابع توزیع بازتاب دو جهته (BRDF) MODIS به منظور تخمین ارتفاع درخت استفاده کرده اند [ 8 ، 9 ]. محصول BRDF Sentinel-2 و Landsat اخیراً با ترکیب با MODIS توسعه یافته است [ 10 ، 11 ،12 15]]؛ با این حال، تصحیح BRDF هنوز در حالی که فقط از آن تصاویر وضوح استفاده می‌کند، انجام نشده است، زیرا حداقل هفت تصویر معتبر از 16 روز داده‌های بازتاب از جهات مختلف مورد نیاز است [13 ] . از سوی دیگر، به دلیل اینکه تناسب سایه را می توان از روی یک تصویر محاسبه کرد، امکان اعمال آن در تصاویر ماهواره ای مختلف وجود دارد. به ویژه، در جنگل‌ها، سایه‌ها به ساختارهای سه‌بعدی پیچیده مربوط می‌شوند، بنابراین انتظار می‌رود که پارامترهای مختلفی مانند جمع شدن شاخ و برگ یا کارایی استفاده از نور [ 14 ] غیر از ارتفاع درخت، استخراج شوند. تناسب سایه نیز عامل مهمی در عملکرد اکوسیستم، مانند فتوسنتز و تبخیر و تعرق است.]. بنابراین، درک رابطه بین داده‌های سنسور سایه و ماهواره به منظور اصلاح سایه‌ها در پیکسل یا تخمین کمیت فیزیکی جنگل با استفاده از آن ضروری است.
شبیه‌سازهای مختلفی قبلاً برای تقلید تعامل بین درخشش و جنگل‌ها توسعه یافته‌اند (به عنوان مثال، مدل انتقال تشعشع ناهمسانگرد گسسته (DART) [16]، شبیه‌ساز محیطی نور جنگل (FLiES) [ 17 ]، و روش ترکیبی Radiosity-Graphics (RGM). ) [ 18 ] این شبیه سازها از پارامترهای پوشش گیاهی مانند شاخص سطح برگ و تراکم سطح برگ در مدل جنگل مجازی استفاده می کنند و تابش را با ردیابی پرتو محاسبه می کنند. بررسی شد، زیرا سایه به عنوان پارامتر استفاده نمی شود.
نمایش ساختار سه بعدی جنگل به منظور شبیه سازی سایه ها ضروری است. برای این منظور، ابرهای نقطه ای که می توان با تکنیک های عنصری مانند تشخیص نور و محدوده (LiDAR) و ساختار از حرکت (SfM) به دست آورد، مناسب هستند. مطالعات مختلف توزیع فضایی پارامترهای ساختاری را در حین استفاده از این تکنیک های عنصری بررسی کرده اند [ 19 ، 20]]. با این حال، ابرهای نقطه به دست آمده توسط LiDAR و SfM باید به سایر ساختارهای داده تبدیل شوند. مدل‌های مش و وکسل اغلب به‌عنوان ساختارهای داده جایگزین مدل‌های سه بعدی استفاده می‌شوند، زیرا داده‌های ابر نقطه‌ای از نظر فضایی ناهمگن هستند و حجم داده‌ها بسیار زیاد است. در مورد مدل های مش، شی باید با مثلث پوشانده شود و هر گونه داده از دست رفته باید به صورت دستی تکمیل شود [ 21 ]. از سوی دیگر، در مورد مدل‌های وکسل، انجام این کار ضروری نیست، زیرا یک دامنه شطرنجی سه بعدی، یک فضای سه بعدی گسسته حاوی عناصر است [ 22 ]. با استفاده از مدل وکسل، روش برآورد پارامترهای مختلف پوشش گیاهی مانند سطح برگ [ 23 ]، حجم مواد چوبی [ 24 ]، زاویه شیب برگ [ 25]]، و فلورسانس کلروفیل ناشی از خورشید [ 26 ] قبلا توسعه یافته است.
وانگ و همکاران [ 27 ] اخیراً یک رویکرد مبتنی بر نور خورشید و مولفه سایه مبتنی بر وکسل در حالی که از داده‌های اسکن لیزری هوایی (ALS) برای بررسی تغییرپذیری فضایی اجزای نور خورشید و سایه جنگل استفاده می‌کند، توسعه داده‌اند. معمولاً از سایه به عنوان یک نسبت محافظ برای تابش مستقیم خورشید استفاده می شود، اما در طول موج های کوتاه، میزان تابش خورشیدی منتشر افزایش می یابد، بنابراین نسبت محافظ آن را نمی توان نادیده گرفت. علاوه بر این، بازتاب پایین اتمسفر (BOA) تا حد زیادی تحت تأثیر سایه‌ها قرار می‌گیرد، زیرا برای اثرات جوی اصلاح می‌شود. آروالو و همکاران [ 28] سایه ها را به Cast Shadow (CS) دسته بندی کرده اند که در اثر پرتاب کردن سایه بر روی یک شی دیگر ایجاد می شود و Self Cast Shadow (SCS) که ناشی از خودفرضایی است. بنابراین، در این مطالعه، CS و SCS به ترتیب به عنوان نسبت محافظ تابش مستقیم و پراکنده خورشید در نظر گرفته شدند. علاوه بر این، CS و SCS با تفکیک فضایی چند ده سانتی متری با به دست آوردن یک ابر نقطه توسط SfM بازتولید شدند.
اهداف این مطالعه (1) بررسی تغییرات فضایی CS و SCS بود. (2) بازتاب مشاهده شده و شبیه سازی شده توسط ماهواره را مقایسه کنید. و (3) تأثیر اندازه وکسل بر نتیجه شبیه سازی را بررسی کنید. تصویر ماهواره هدف Sentinel-2 بود و از بازتاب BOA آن استفاده شد.

2. روش شناسی

2.1. نمودار جریان این مطالعه

شکل 1 نمودار جریان این مطالعه را نشان می دهد. ابتدا ابر نقطه ای جنگل مورد نظر توسط وسیله نقلیه هوایی بدون سرنشین (UAV)-SfM بدست آمد. دلیل استفاده از پهپاد-SfM این است که می تواند در مدت زمان کوتاهی منطقه وسیعی از جنگل را رصد کند. علاوه بر این، فرض بر این بود که اثر سایه روی تاج درخت تأثیر زیادی بر بازتاب خواهد داشت. در مرحله دوم، داده های ابر نقطه به مختصات voxel ثبت شد. ویژگی های مدل وکسل CS و SCS بود. CS و SCS به ترتیب به معنای نسبت محافظ تابش مستقیم و پراکنده خورشید هستند. روش‌های ایجاد مدل وکسل و محاسبه CS و SCS در بخش 2.4 توضیح داده شد. ثالثاً، پس از تعیین موقعیت مشاهده، مدل وکسل به تصویر تبدیل شد. چهارم، بازتاب Sentinel-2 BOA با استفاده از تابش خورشیدی، بازتاب برگ، و تابع پاسخ طیفی (SRF) آن حسگر شبیه‌سازی شد. در این مطالعه تمامی وکسل ها به عنوان وکسل برگ در نظر گرفته شدند. بخش 2.5 روش شبیه سازی بازتاب را با استفاده از CS و SCS توصیف می کند. محصول بازتابی Sentinel-2 Top Of Atmosphere (TOA) مورد استفاده در حین استفاده از ابزار Sentinel Application Platform (SNAP) به بازتاب BOA تبدیل شد.

2.2. سایت مطالعه

جنگل مطالعه ما در دانشگاه صنعتی Suranaree در Nakhon Ratchasima واقع شده است (14.88 ∘N, 102.01 ∘E)، تایلند ( شکل 2 ). محل مسطح است و کوهی در اطراف جنگل وجود ندارد. وسعت هدف 170 متر × 130 متر و ارتفاع حدود 230 متر است. توده در جنگل دیپتروکارپ خزان کننده است. برخی از مطالعات بر روی جنگل‌های استوایی [ 29 ، 30 ] انجام شده است ، اما طبق دانش ما، هیچ‌گونه مشاهدات پهپاد یا مدل‌سازی سه‌بعدی روی دیپتروکارپ برگ‌ریز در تایلند انجام نشده است. شکل 2 الف موقعیت محل مطالعه و کل جنگل مورد مطالعه را نشان می دهد. ارتفتو با مشاهده پهپاد به دست آمد. شکل 2 ب عکسی را نشان می دهد که در نزدیکی جنگل هدف گرفته شده است. از این عکس می توان دریافت که داخل جنگل نیز پر از برگ است.

2.3. جمع آوری داده ها

2.3.1. رصد پهپاد

رصد پهپاد در 19 سپتامبر 2019 در جنگل هدف انجام شد. وضعیت هوا ابری بود. پهپاد مورد استفاده محصول PHANTOM 4 توسط DJI است که مجهز به گیرنده ماهواره موقعیت یاب جهانی (GPS) است. هنگام عکسبرداری با استفاده از پهپاد، ارتفاع از زمین حدود 50 متر بود. در مجموع 816 عکس با ابعاد 4000 × 3000 پیکسل با نمای نادر مایل گرفته شده است (80 ∘) و میانگین فاصله نمونه برداری از زمین 26/2 سانتی متر بود. نرم افزار مورد استفاده برای تولید ابر نقطه Pix4D mapper Pro نسخه 4.1.22 (Pix4D، لوزان، سوئیس) بود. تصحیح هندسی با ارجاع داده های ثبت GPS بدون نقطه کنترل زمینی انجام شد، به طوری که دقت هندسی محاسبه نشد. به جای محاسبه آن، واریانس جغرافیایی مطلق [ 31 ] ارزیابی شد.
2.3.2. تصویر Sentinel-2 و تابع پاسخ طیفی آن
Sentinel-2 B، سطح 1 C (ID = L1C_T47PRS_A013386_20190929T03438) خریداری شده در 29 سپتامبر 2019، از Copernicus Open Access Hub بارگیری شد ( https://scihub.copernicus.eu/). از آنجایی که فاصله بین تاریخ ثبت این تصویر Sentinel-2 تا تاریخ رصد پهپاد 10 روز است، احتمالاً وضعیت جنگل نیز به همین صورت است. در این مطالعه، باندهای 2، 3، 4، 5، 6، 7، 8، 8A، 11 و 12 می باشد. طول موج مرکزی هر باند 490 نانومتر، 560 نانومتر، 665 نانومتر، 705 نانومتر، 740 نانومتر به ترتیب 783 نانومتر، 842 نانومتر، 865 نانومتر، 1610 و 2190 نانومتر. بنابراین، قابل مشاهده (VIS)، مادون قرمز نزدیک (NIR)، و مادون قرمز با طول موج کوتاه (SWIR) طول موج هدف شبیه سازی شده بودند. هنگام استفاده از ابزار Sen2Cor که در جعبه ابزار SNAP موجود است، تصاویر از نظر جوی تصحیح شدند. Sen2Cor پارامترها را در قالب جداول جستجو (LUTs) نشان داده شده در جدول 1 می خواند.و اصلاحات جوی را انجام می دهد. LUT ها از طریق libRadtran، کتابخانه ای برای محاسبه تابش خورشیدی و حرارتی در جو زمین تولید می شوند [ 32 ]. SRF از https://earth.esa.int/web/sentinel/user-guides/sentinel-2-msi/document-library/-/asset_publisher/Wk0TKajiISaR/content/sentinel-2a-spectral-responses (نسخه 3.0) به دست آمده است منتشر شده در 19 دسامبر 2017). فاصله طول موج یک نانومتر بود.
2.3.3. بازتاب طیفی برگها
تصاویر فراطیفی اغلب برای به دست آوردن داده های بازتاب طیفی برای یک منطقه مورد علاقه استفاده می شود [ 27 ]. با این حال، SRF سنسور مورد استفاده برای گرفتن تصاویر با SRF Sentinel-2 متفاوت است که می تواند باعث خطا شود. بنابراین، در این مطالعه، داده‌های بازتاب طیفی را برای شبیه‌سازی از کتابخانه طیفی ECOSTRESS (نسخه 1.0) ( https://speclib.jpl.nasa.gov ) انتخاب کردیم . با این حال، هیچ داده بازتاب طیفی برای برگ‌های گونه‌های درختی مشابه جنگل در منطقه مورد نظر در دسترس نبود. بنابراین، برگ‌هایی از سه جنس با گونه‌های برگ‌ریز ( Quercus ، Fagus و Betula)) انتخاب شدند. برای بررسی تغییرات نتایج شبیه‌سازی با گونه‌های مختلف برگ، نه نوع برگ انتخاب شد، همانطور که در شکل 3 نشان داده شده است . فاصله طول موج یک نانومتر است.

2.4. ایجاد مدل Voxel

ابرهای نقطه ای که توسط پهپاد-SfM به دست آمد با استفاده از معادلات زیر در مختصات وکسل ثبت شدند. در این مطالعه اندازه وکسل تعیین می شود، به طوری که. با در نظر گرفتن میانگین چگالی ابر نقطه به دست آمده، حداقل یک نقطه در داخل وکسل قرار دارد. پس از ثبت، CS و SCS با استفاده از میانگین و مختصات مرکزی ابرهای نقطه در همان آرایه وکسل محاسبه شدند. کاهش اندازه وکسل دقت محاسبات CS و SCS را بهبود می بخشد، اما تعداد ابرهای نقطه در وکسل کاهش می یابد.

من=fلoor(ایکس-ایکسمترمنnΔمن)
j=fلoor(Y-YمترمنnΔj)
ک=fلoor(ز-زمترمنnΔک)

جایی که i، j، k مختصات درون آرایه وکسل هستند، X، Y، Z مختصات ابر نقطه هستند، ایکسمترمنn، Yمترمنn، زمترمنnبه ترتیب حداقل مقدار X، Y و Z هستند و Δمن،Δj،Δکاندازه وکسل هستند.

2.4.1. محاسبات سایه خود بر اساس وکسل

SCS نشان دهنده نسبت محافظ تابش پراکنده خورشیدی هنگام ورود به وکسل است. بنابراین، این همان مفهوم ضریب نمای آسمان است، که نسبت تابشی است که توسط یک سطح مسطح از آسمان به آنچه از کل محیط تابشی نیمکره دریافت می شود [33 ] . این شاخص برای ارزیابی محیط نوری یک طبقه جنگلی [ 34 ] یا میکرو اقلیم یک شهر [ 35 ] استفاده شده است.

در این مطالعه روشی که توسط فوجیوارا و همکاران توسعه داده شد. [ 36 ] برای محاسبه SCS در هر وکسل استفاده شد. این روش وضعیت محافظت از یک تابش افقی پراکنده ( شکل 4 الف) را روی یک تصویر نشان می دهد ( شکل 4 ب). صفحه تصویر ( شکل 4 ب) مختصات قطبی بود، که فاصله از مرکز و انحراف با زاویه ارتفاع و زاویه بردار جهت مطابقت دارد ( شکل 4 a). دایره روی تصویر زاویه ارتفاع صفر درجه را نشان می دهد. پس از ایجاد یک استوانه، که در همان جهت بردار جهت تولید شد، با استفاده از معادله، آیا وکسل بین وکسل هدف و آسمان وجود دارد یا خیر ( 4)). اگر یک وکسل وجود داشته باشد، ویژگی پیکسل مربوط به آن جهت یک است. به عبارت دیگر، SCS به معنای درصد پیکسل هایی با ویژگی یک در داخل آن دایره است. شعاع استوانه همان شعاع کره محاطی وکسل بود.

|(پ→-پ→0)×v→|≤r

جایی که پ→بردار موقعیت مختصات متوسط ​​هر وکسل است، پ→0بردار موقعیت وکسل هدف است، v→بردار جهت از نظر و r شعاع استوانه است.

2.4.2. محاسبات مبتنی بر وکسل Cast Shadow
CS نشان می دهد که نسبت محافظ تابش مستقیم خورشیدی وارد وکسل می شود. در این مطالعه از روش پیشنهادی فوجیوارا و تاکاگی استفاده کردیم. [ 37] به منظور محاسبه CS با استفاده از مدل voxel. روش به شرح زیر است. اولاً، صفحه ای که به موازات صفحه XY، در موقعیت مختصات Z وکسل در نظر گرفته شد. بنابراین جهت بردار نرمال صفحه عمودی به سمت بالا است. ثانیاً هواپیما به طور مساوی به چهار قسمت تقسیم شد و از هر صفحه یک خط به سمت خورشید ایجاد می شود. ثالثاً یک نقطه از تلاقی خط با صفحه وکسل دیگر محاسبه شد. اگر نقطه در داخل وکسل بود، خط متقاطع بود. در نهایت، در بین چهار خط مستقیم، نسبت سایه با تعداد خطوطی که صفحه وکسل های دیگر را قطع می کنند، تعیین شد. بنابراین، مقدار CS یکی از 0.0، 0.25، 0.5، 0.75 یا 1.0 است. به عنوان مثال، در مورد شکل 5 ، مقدار CS 0.75 است.

2.5. شبیه سازی بازتاب با استفاده از پارامترهای سایه

مدل وکسل پس از محاسبه نمای نادر، با اندازه پیکسلی مشابه با اندازه وکسل بر روی تصویر نمایش داده شد زیرا محصول Sentinel-2 سطح 1 C به صورت عمودی تصحیح شده است. بازتاب معادلات زیر شبیه سازی شد. اولاً تابشی که از جنگل هدف منعکس شده بود از رابطه ( 5 ) به دست آمد. Voxel سطح Lambertian در نظر گرفته شد. ورودی تابش افقی مستقیم و پراکنده به معادله ( 5 ) با استفاده از مدل ساده انتقال تابشی اتمسفری آفتاب (SMARTS) کد [ 38 ]، نسخه 2.9.5 پیش‌بینی شد. SMARTS این تابش ها را بر روی زمین با وارد کردن چندین پارامتر جوی نشان داده شده در جدول 2 شبیه سازی می کند.. محدوده طول موج قابل شبیه سازی 280 تا 4000 نانومتر است. ثانیاً، تابشی که توسط ماهواره مشاهده شد، از معادله ( 6 )، که تابع پاسخ طیفی را در نظر می گیرد، به دست آمد. ثالثاً بازتاب از معادله ( 7 ) به دست آمد. در نهایت، اندازه پیکسل با استفاده از مقدار متوسط ​​به وضوح هر باند کاهش یافت. قدرت تفکیک مکانی باندهای 2، 3، 4 و 8 10 متر و سایر باندها 20 متر است.

منتیآr(λ)={مندمنr(λ)(1-سیاس)+مندمنf(λ)(1-اسسیاس)}ρ(λ)π
منoب=🔻منتیآr(λ)اسآراف(λ)دλ🔻اسآراف(λ)دλ
r=πمنoبمندمنr+مندمنf

جایی که λطول موج است، منتیآr( λ) درخشندگی منعکس شده از جنگل هدف است، مندمنr( λ) تابش مستقیم افقی است (W/m 2/ μm)، CS نسبت محافظ است مندمنr( λ) مندمنf( λ) تابش افقی منتشر است (W/m 2/ μمتر)، SCS نسبت محافظ است مندمنf( λ) ρ( λ) بازتاب طیفی هدف است، منoبتابش توسط سنسور مشاهده می شود (W/m 2/ μآقای( λ) بازتاب طیفی برگها است، SRF ( λ) تابع پاسخ طیفی است و rبازتاب است.

3. نتایج و بحث

3.1. نمایه ابر نقطه و تعیین اندازه وکسل

در مجموع، 3،153،374 نقطه توسط نقشه‌بردار Pix4D ایجاد شد و میانگین چگالی آن حدود 285.64 نقطه بر متر بود. 3. به عنوان خطاهای مکان یابی، میانگین، سیگما و خطای میانگین مربعات ریشه (RMSE) محاسبه شد. میانگین مقادیر X، Y و Z به ترتیب 0.00 متر بود. مقادیر سیگما و RMSE X، Y و Z به ترتیب 2.11، 2.18 و 8.28 متر بود. خطای موقعیت جغرافیایی به معنای تفاوت بین موقعیت تصویر اولیه و محاسبه شده است. خطاهای موقعیت جغرافیایی تصویر با دقت ابر نقطه مشاهده شده مطابقت ندارد.
همانطور که در بخش 2.4 ذکر شد ، باید حداقل یک نقطه در وکسل وجود داشته باشد. در مورد میانگین چگالی ابر نقطه به دست آمده، برای اندازه های وکسل 10 و 20 سانتی متر، میانگین تعداد نقاط به ترتیب 0.28 و 2.2 بود. بنابراین اندازه وکسل 20 سانتی متر تعیین شد.

3.2. تنوع فضایی بازیگران و سایه خودگردان

شکل 6 مدل وکسل را نشان می دهد (رنگ ها بر اساس RGB ابر نقطه ای بدست آمده توسط SfM هستند) و توزیع فضایی CS و SCS به عنوان ویژگی محاسبه شده است. اندازه وکسل 20 سانتی متر است. پارامتر موقعیت خورشید برای محاسبه CS بر اساس فایل فراداده تصویر Sentinel-2 (MTD_TL.xml) مورد استفاده تعیین شد. زاویه اوج و زاویه آزیموت خورشید 34.2 است ∘و 134.0 ∘، به ترتیب. شکل 6 همچنین رابطه موقعیتی بین مدل خورشید و وکسل را نشان می دهد. SCS فقط با زبری و چگالی متفاوت است. به عبارت دیگر، مقدار SCS با تغییر موقعیت خورشید تغییر نمی کند. مقادیر CS دارای پنج سطح هستند: 0.00، 0.25، 0.50، 0.75، و 1.00. مقادیر SCS یک عدد واقعی بین 0.00 و 1.00 هستند. از شکل 6 به صورت بصری مشاهده می شود که بیشتر مقدار CS 0.00 و به دنبال آن 1.00 و بیشتر مقدار CS حدود 0.5 است.
شکل 7 تغییرات فضایی CS و SCS را نشان می دهد که در شکل 6 در زوایای اوج دید محدود از 30- مشاهده می شود. ∘تا 30 ∘تحت زاویه آزیموت دید ثابت 290 ∘. تغییرات فضایی به معنای تغییر در مقدار میانگین CS و SCS وکسل های قابل مشاهده از موقعیت سنسور در هر زاویه اوج است. زاویه اوج هر 10 تغییر می کرد ∘. نتیجه نشان می دهد که روند تغییرپذیری فضایی CS و SCS یکسان است، اما میزان تغییرپذیری متفاوت است. بین 10- ∘و 10 ∘زاویه اوج، SCS تقریباً ثابت باقی می ماند، در 0.12، در حالی که CS از 0.17 به 0.23 افزایش یافته است. میانگین مقدار SCS در 0 کمترین مقدار بود ∘زاویه اوج و بالاترین در 20- ∘و 20 ∘. آنها به ترتیب 0.12 و 0.15 هستند. از سوی دیگر، مقدار میانگین CS کمترین مقدار 0.15 را در زاویه اوج 30- نشان داد. ∘و بالاترین مقدار 0.45 در 20 است ∘. علاوه بر این، مقدار میانگین CS حدود دو برابر بزرگتر از 20 است ∘نسبت به 20- ∘در زاویه اوج تغییرپذیری کمتر SCS در مقایسه با CS ممکن است به دلیل تراکم جنگل بیشتر و زبری کمتر باشد.

3.3. نتیجه شبیه سازی Sentinel-2 BOA Reflectance

مدل وکسل نشان داده شده در شکل 6 برای شبیه سازی تصویر Sentinel-2 استفاده شده است. به عنوان مثال، شکل 8 تصاویر شبیه سازی شده از باندهای 3، 8A و 11 را در حین استفاده از Quercus ilex نشان می دهد.بازتاب طیفی وضوح فضایی باند 3 10 متر است در حالی که باند 8A و 11 20 متر است. محدوده بازتاب برای باند 3 0.02 است، در حالی که آن یک برای باند 8A و 11 0.1 است. تصاویر باند 3 و 11 روشن تر از تصویر Sentinel-2 هستند که نشان می دهد بازتاب تصویر شبیه سازی شده بالاتر از Sentinel است. -2 یک. تصویر باند 8A از نظر روشنایی مشابه تصویر Sentinel-2 بود. مقایسه تصاویر شبیه‌سازی باند 8A و 11 نشان می‌دهد که مقادیر مطلق بازتاب متفاوت است، اما روند روشنایی ثابت می‌ماند. این به این دلیل است که CS و SCS مستقل از طول موج هستند. با این حال، در واقعیت، روند بازتاب در تصاویر Sentinel-2 بین باند 8A و 11 متفاوت است، زیرا عوامل دیگری به جز سایه ها، بازتاب را کاهش می دهند.
شکل 9 نمایه های بازتاب طیفی را برای نتایج شبیه سازی، Sentinel-2 TOA و Sentinel-2 BOA نشان می دهد. در این شبیه سازی، بازتاب طیفی نه برگ، همانطور که در بخش 2.3.3 ذکر شد، استفاده شد . همه پیکسل های نشان داده شده در شکل 8 در ایجاد نمایه بازتاب طیفی گنجانده نشده اند زیرا مناطقی از خاک در معرض دید در جنگل هدف وجود دارد. تعداد پیکسل های استفاده شده برای ایجاد آن نمایه 185 پیکسل برای باندهای 2، 3، 4 و 8 با وضوح مکانی 10 متر و 39 پیکسل برای باندهای دیگر استفاده شده است. هنگام مقایسه Sentinel-2 TOA با BOA، تصحیح اتمسفر درست به نظر می رسد. از شکل 9 مشخص استکه همه نتایج شبیه‌سازی برای بازتاب Sentinel-2 BOA در باندهای 11 و 12 SWIR بیش‌ازحد برآورد شده‌اند. در باندهای VIS و NIR بسته به نوع برگ یک مورد بیش از حد یا کم برآورد وجود دارد. همچنین مشخص شده است که روند بازتاب طیفی، حتی برای یک گونه متفاوت است. جدول 3 RMSE بازتاب شبیه سازی شده به بازتاب Sentinel-2 BOA در هر باند و میانگین و انحراف استاندارد آن (StD) را نشان می دهد. شبیه سازی با استفاده از بتولاپاپیرفراکوچکترین RMSE را داشت. به طور خاص، باندهای 2، 3 و 4 RMSE بسیار کوچکی را به ترتیب 0.06، 0.06 و 0.05 نشان می دهند. زمانی که Quercus virginana یا Quercus lobata برای شبیه سازی استفاده شد، RMSE دو برابر Betula papyrfera در 0.040 بود، اما StD تقریباً در 0.016 یکسان بود. از سوی دیگر، کوئرکوسداگلاسیبزرگترین RMSE را نشان داد. با این حال، روند کاهشی در بازتاب شبیه‌سازی شده با استفاده از این برگ از نوارهای NIR به SWIR شبیه‌تر از سایر برگ‌ها است.

3.4. تأثیر اندازه وکسل بر بازتاب شبیه سازی شده

تاثیر اندازه وکسل بر شبیه سازی مورد بررسی قرار گرفت. اندازه های وکسل استفاده شده 50 سانتی متر، 100 سانتی متر و 200 سانتی متر بودند. ابتدا بازتاب هر باند از مدل وکسل برای هر اندازه شبیه‌سازی شد. سپس، میانگین بازتاب با استفاده از پیکسل هایی که در بخش 3.3 ذکر شده است، محاسبه شد . در نهایت، بازتاب نسبی با تقسیم آن بازتاب بر بازتاب شبیه‌سازی شده از اندازه وکسل 20 سانتی‌متری محاسبه شد. جدول 4نشان می دهد که بازتاب نسبی با افزایش اندازه وکسل از 20 سانتی متر به 200 سانتی متر افزایش می یابد که کمتر از 1.05 در 50 سانتی متر، 1.1 در 100 سانتی متر و 1.2 در 200 سانتی متر است. این روند برای همه گروه ها یکسان بود. این نتیجه نشان می‌دهد که در این مطالعه، حتی زمانی که اندازه وکسل از 20 سانتی‌متر به 200 سانتی‌متر تغییر کرد، بازتاب تنها 1.2 بار تغییر کرد.

3.5. بحث

هنگامی که یک ابر نقطه از دست می رود، بر نتایج محاسبات CS و SCS تأثیر می گذارد. اشاره می شود که اگر ابر نقطه ناقص باشد، نقاطی که به جزء سایه تعلق دارند به عنوان مؤلفه نور خورشید شناسایی می شوند [ 27 ]. در UAV-SfM، دلایل اصلی از دست رفتن ابر نقطه، سایه ها و انسدادها هستند [ 40 ]. در این راستا، همانطور که در بخش 2.3.1 ذکر شد ، این مطالعه در زمان عکاسی ابری بوده است، بنابراین می توان استنباط کرد که هیچ سایه قابل توجهی در آن تصاویر وجود ندارد. تکان دادن برگ نیز بر الگوریتم SfM تأثیر می گذارد و باعث ایجاد نویز در ابرهای نقطه می شود [ 40]]؛ با این حال، ما کاهش نویز را برای ابر نقطه انجام ندادیم. از آنجایی که باد کم می آمد، تاب خوردن، در صورت وجود، احتمالاً چند سانتی متر بود. همچنین حداقل اندازه وکسل در این مطالعه 20 سانتی‌متر بود، بنابراین ضربه کم در نظر گرفته شد. در مورد پرت، انتظار می رفت که اثر با افزایش اندازه وکسل افزایش یابد. با این حال، اثر نقاط پرت نیز کوچک در نظر گرفته شد زیرا بازتاب نسبی بسیار کوچک تغییر کرد، همانطور که در جدول 4 نشان داده شده است.. علاوه بر این، به دلیل اینکه ژورفرنسینگ بر اساس داده های ثبت GPS نصب شده در پهپاد انجام شده است، خطای مطلق محاسبه نشده است. اگر خطا بزرگتر از اندازه وکسل باشد، ممکن است بر نتایج شبیه سازی تأثیر بگذارد. اگرچه این مطالعه تصاویر را از یک زاویه دوربین جمع‌آوری کرد، گزارش شده است که ترکیب چندین زاویه، کسب ابر نقطه‌ای جامع‌تر را فراهم می‌کند [ 41 ].
همانطور که در شکل 7 نشان داده شده است، تنوع فضایی CS و SCS به وضوح متفاوت بود . در مقایسه با CS، SCS دارای تنوع کمتری نسبت به زاویه مشاهده است. این به این دلیل است که موقعیت خورشید در محاسبه CS استفاده می شود، اما در محاسبه SCS استفاده نمی شود. این تفاوت ها در تغییرپذیری مکانی به پارامترهای ساختاری مانند تراکم جنگل و ناهمواری مربوط می شود. بنابراین، انتظار می رود یک ماهواره چند زاویه ای بتواند تنوع این سایه ها را تخمین بزند. همانطور که در معادله نشان داده شده است، CS و SCS به ترتیب نسبت های محافظ برای تابش مستقیم و پراکنده خورشید هستند.). بنابراین، تابش هر دو توسط CS و SCS در باندهای طول موج کوتاه تحت تاثیر قرار می گیرد. از سوی دیگر، تابش تنها تحت تأثیر CS در باندهای طول موج بلند قرار می گیرد، زیرا تابش پراکنده خورشید کاهش می یابد. یک محصول نسل دوم Global Imager (SGLI) شاخص سایه (SDI) را ارائه می دهد که محتوای سایه را در یک پیکسل به عنوان یک ویژگی جدید پوشش گیاهی نشان می دهد [ 42] .]. از آنجا که SDI از باند SWIR استفاده می کند، به این معنی است که مقدار CS است. از آنجا که SGLI همچنین قادر به مشاهدات چند زاویه ای است، انتظار می رود پارامترهای ساختاری را از SDI به دست آمده در هر زاویه مشاهده تخمین بزند. از سوی دیگر، از آنجایی که مشاهده چند جهته با Sentinel-2 و Landsat امکان پذیر نیست، تنها با استفاده از تغییرات سایه ناشی از تغییرات ارتفاع خورشیدی می توان پارامترهای ساختار جنگل را استخراج کرد. با این حال، با تصاویر چند زمانی، بازتاب نه تنها به دلیل سایه ها، بلکه به دلیل تغییرات در فنولوژی [ 43 ، 44 ] نیز تغییر می کند. بنابراین، چالش آینده درک تأثیر سایه ها و فنولوژی بر تغییر سالانه در نرخ بازتاب است.
بهترین RMSE زمانی که بازتاب با استفاده از Betula papyrfera شبیه سازی شد، 1.5 ± 2٪ بود ، همانطور که در جدول 3 نشان داده شده است . این نتیجه با دقت رنگاراجان و شات قابل مقایسه است. [ 45 ] زمانی که آنها از ابزار تولید تصویر دیجیتال و سنجش از دور برای شبیه سازی بازتاب باند NIR محصول بازتاب سطح Landsat-8 استفاده کردند. معمولاً در طول موج‌های کوتاه، خطای شبیه‌سازی به دلیل تأثیر تابش مسیر بزرگ‌تر است. از سوی دیگر، در طول موج‌های بلند، خطای شبیه‌سازی به دلیل تأثیر ناچیز آن کمتر است. با این حال، نتایج حاضر برعکس است، همانطور که در شکل 9 و جدول 3 نشان داده شده است. یعنی بازتاب شبیه سازی شده در باندهای 11 و 12 بیش از حد برآورد شد. روش شبیه سازی ارائه شده در این مطالعه دارای چهار عنصر وابسته به طول موج است. آنها SMARTS، Sen2Cor، بازتاب طیفی برگها و محتوای آب آن هستند. شرایط جوی در تاریخ استفاده از تصویر Sentinel-2 خوب بود، بنابراین پارامترهای مورد استفاده برای SMARTS و Sen2Cor نیز مقدار استاندارد بودند. علاوه بر این، شباهت اشکال بازتابی طیفی Sentinel-2TOA و BOA نشان داده شده در شکل 9 نشان می دهد که اثر اتمسفر کوچک است. گیمار. [ 38] تفاوت طیفی مطلق بین پیش‌بینی‌های تابش SMARTS و MODTRAN4 را تحت جرم هوا 1.5 و شرایط جوی استاندارد محاسبه کرده است. نتایج نشان داد که اختلاف طیفی مطلق برای تمام طول موج ها در 5 درصد است. علاوه بر این، لی و همکاران. [ 46 ] بازتاب Sentinel-2BOA ایجاد شده با استفاده از Sen2Cor را با استفاده از کد طیف بردار خورشیدی (6SV) تأیید کرد. نتایج نشان داد که بازتاب BOA بیش از 6SV در همه باندها بیش از حد برآورد شد. در شبیه‌سازی‌های این تحقیق از بازتاب‌های 9 نوع برگ مختلف استفاده شد، اما همه آنها در باندهای 11 و 12 بیش از حد برآورد شدند. بنابراین بازتاب طیفی استفاده‌شده نیز دلیل برآورد بیش‌ازحد در نظر گرفته نشد. Seelig و همکاران [ 47] کاهش زیادی در بازتاب در SWIR در مقایسه با VIS و NIR با افزایش محتوای نسبی آب برگها گزارش کرد. در برگهایی که آنها مطالعه کردند، حتی یک تفاوت 20 درصدی در محتوای نسبی آب، بازتاب را حدود 0.05 در باند SWIR تغییر داد. اگرچه قبل یا بعد از تاریخ بدست‌آمده توسط Sentinel-2 بارشی وجود نداشت، محتوای آب برگ‌های مورد استفاده در شبیه‌سازی کمتر از جنگل هدف بود، که ممکن است دلیل تخمین بیش از حد در باندهای SWIR باشد.
با افزایش اندازه وکسل از 20 سانتی‌متر به 200 سانتی‌متر، میانگین انعکاس نسبی با همان نسبت در همه باندها افزایش یافت ( جدول 4 ). دلیل آن افزایش اندازه وکسل است که زبری مدل سه بعدی (3D) را کاهش می دهد و اثر CS و CSC کاهش می یابد. انتظار می‌رفت این یافته خطاها را تخمین بزند، حتی زمانی که از اندازه وکسل بزرگ‌تر برای کاهش هزینه محاسباتی استفاده شود. با این حال، این روند ممکن است بسته به نوع جنگل تغییر کند. در آینده، ما باید جنگل‌هایی با تراکم و ناهمواری‌های مختلف ایجاد کنیم تا تأثیر اندازه وکسل بر شبیه‌سازی را بیشتر بررسی کنیم.
محدودیت مدل اصلی این شبیه‌سازی این بود که تمام جهت‌های برگ عمود بر صفحه XY فرض می‌شد، همانطور که در بخش 2.4.2 توضیح داده شد . انتظار می رود این فرض منجر به کاهش دقت شبیه سازی در مورد جنگل های خشن تر، مانند جنگل های مخروطی شود. توزیع زوایای شیب برگ نیز تأثیر مستقیمی بر کسری از تشعشعات خورشیدی محافظت شده دارد [ 48]]. بنابراین برای تخمین جهت گیری برگها باید از ابر نقطه در وکسل استفاده کرد. علاوه بر این، همه وکسل ها برگ فرض می شوند. با این حال، در واقعیت، وکسل ها شامل شاخه ها، کف جنگل و سایر اشیاء با بازتاب متفاوت هستند. برای حل این مشکل، وکسل ها باید بر اساس هر شی طبقه بندی شوند و هر بازتابی اختصاص داده شود.

4. نتیجه گیری

در این مطالعه، مدل‌های وکسل با ویژگی‌های CS و SCS توسعه یافته و تغییرات فضایی آن‌ها مورد بررسی قرار گرفت. علاوه بر این، یک روش شبیه‌سازی بازتاب توسعه داده شد و با بازتاب Sentinel-2 BOA مقایسه شد. یک مدل وکسل بر اساس ابرهای نقطه‌ای که توسط پهپاد-SfM در جنگل هدف به‌دست آمد، ایجاد شد. در بررسی تغییرپذیری فضایی، موقعیت خورشید را ثابت کردیم و زاویه دید اوج را از 30- تغییر دادیم. ∘تا 30 ∘. نتایج نشان داد که تنوع فضایی CS بیشتر از SCS بود. بهترین RMSE برای بازتاب شبیه سازی شده به بازتاب Sentinel-2 BOA 1.5 ± 2٪ بود. بازتاب طیفی نه برگ مختلف مورد استفاده قرار گرفت، اما همه شبیه‌سازی‌ها منجر به برآورد بیش از حد در باندهای SWIR شدند. اصلاحات جوی نیز خوب بود، بنابراین علت آن محتوای آب برگ در نظر گرفته شد. تاثیر اندازه وکسل بر شبیه سازی مورد بررسی قرار گرفت. اندازه های وکسل استفاده شده 50 سانتی متر، 100 سانتی متر و 200 سانتی متر بودند. نتایج نشان داد که میانگین انعکاس نسبی با همان سرعت در هر باند افزایش می‌یابد. هنگامی که اندازه وکسل برای کاهش هزینه محاسباتی افزایش می یابد، این نتیجه به تخمین خطا کمک می کند. روش توسعه‌یافته در این مطالعه برای مطالعه BRDF و تخمین مقادیر فیزیکی با استفاده از نسبت‌های سایه مفید است. برای مقایسه از نزدیکترین تصویر Sentinel-2 به تاریخ مشاهدات پهپاد استفاده شد. کار آینده شامل شبیه سازی بازتاب با در نظر گرفتن تمایل برگ ها و شبیه سازی تصاویر ماهواره ای چند زمانی به منظور بررسی اثرات فنولوژی و سایه بر تنوع بازتاب خواهد بود.

منابع

  1. لاشراد، اس. میش، سی. بولدو، دی. بریوتت، ایکس. والورژ، سی. Le Men, H. ICARE: مدلی مبتنی بر فیزیکی برای تصحیح اثرات جوی و هندسی از تصاویر سنجش از دور فضایی و طیفی بالا در مناطق شهری سه بعدی. هواشناسی اتمس. فیزیک 2008 ، 102 ، 209-222. [ Google Scholar ] [ CrossRef ]
  2. لبلون، بی. گالانت، ال. Granberg, H. اثرات انواع سایه بر روی بازتاب سایه های مرئی و نزدیک به فروسرخ اندازه گیری شده از زمین. سنسور از راه دور محیط. 1996 ، 58 ، 322-328. [ Google Scholar ] [ CrossRef ]
  3. کامرون، ام. Kumar, L. نورگیر پراکنده به عنوان جایگزینی برای تشخیص سایه در تصاویر با وضوح بالا به دست آمده در شرایط آسمان صاف. Remote Sens. 2018 , 10 , 1185. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  4. شاهتهماسبی، ع. یانگ، ن. وانگ، ک. مور، ن. Shen, Z. بررسی روش‌های تشخیص سایه و سایه‌زدایی در سنجش از دور. چانه. Geogr. علمی 2013 ، 23 ، 403-420. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  5. شیمابوکورو، YE; Haertel، VFA؛ اسمیت، JA Landsat برگرفته از سایه تصاویر مناطق جنگلی. Proc. ISPRS 1988 ، 27 ، 534-543. [ Google Scholar ]
  6. هودول، م. نادبی، ا. تخمین هو، HC فاکتور نمای پیوسته آسمان شهری از داده های Landsat با استفاده از تشخیص سایه. Remote Sens. 2016 ، 8 ، 568. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  7. اونو، آ. تاکوچی، دبلیو. Hayashida, S. برآورد ارتفاع تاج پوشش جنگل با استفاده از شاخص سایه MODIS. در مجموعه مقالات سی و ششمین کنفرانس آسیایی سنجش از دور (ACRS)، مانیل، فیلیپین، 20 اکتبر 2015. [ Google Scholar ]
  8. کوی، ال. جیائو، ز. دونگ، ی. ژانگ، ایکس. سان، م. یین، اس. چانگ، ی. او، دی. دینگ، A. ساختار عمودی جنگل از شاخص های شکل MODIS BRDF. در مجموعه مقالات سمپوزیوم بین المللی IEEE 2018 در زمینه علوم زمین و سنجش از دور IGARSS، والنسیا، اسپانیا، 22 تا 27 ژوئیه 2018؛ صص 5911-5914. [ Google Scholar ] [ CrossRef ]
  9. کوی، ال. جیائو، ز. دونگ، ی. سان، م. ژانگ، ایکس. یین، اس. دینگ، آ. چانگ، ی. گوا، جی. Xie, R. برآورد ارتفاع تاج پوشش جنگل با استفاده از داده های MODIS BRDF با تأکید بر بازتاب های زاویه معمولی. Remote Sens. 2019 , 11 , 2239. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  10. روی، DP; ژانگ، هنگ کنگ؛ جو، جی. گومز-دانز، جی ال. لوئیس، PE; Schaaf، CB; سان، س. لی، جی. هوانگ، اچ. Kovalskyy, V. یک روش کلی برای عادی سازی داده های بازتاب لندست به بازتاب تنظیم شده BRDF. سنسور از راه دور محیط. 2016 ، 176 ، 255-271. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  11. لی، اف. Jupp، DLB؛ پاجت، ام. بریگز، روابط عمومی؛ تشکراپان، ام. لوئیس، ا. برگزار شد، الف. بهبود عادی سازی BRDF برای داده های Landsat با استفاده از روابط آماری بین شکل MODIS BRDF و ساختار پوشش گیاهی در قاره استرالیا. سنسور از راه دور محیط. 2017 ، 195 ، 275-296. [ Google Scholar ] [ CrossRef ]
  12. فرانچ، بی. ورموت، ای. اسکاکون، س. راجر، J.-C. ماسک، جی. جو، جی. Villaescusa-Nadal، JL; سانتاماریا-آرتیگاس، A. روشی برای عادی سازی BRDF Landsat و Sentinel 2 (HLS). Remote Sens. 2019 , 11 , 632. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  13. لوچت، دبلیو. Schaaf، CB; Strahler، AH الگوریتمی برای بازیابی albedo از فضا با استفاده از مدل‌های BRDF نیمه تجربی. IEEE Trans. Geosci. Remote Sens. 2000 , 38 , 977-998. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  14. هال، FG; هیلکر، تی. Coops، NC; لیاپوستین، آ. Huemmrich، KF; میدلتون، ای. مارگولیس، اچ. درولت، جی. مشکی، TA سنجش از دور چند زاویه ای بهره وری استفاده از نور جنگل با مشاهده تغییرات PRI با کسر سایه تاج. سنسور از راه دور محیط. 2008 ، 112 ، 3201-3211. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  15. لی، اف. کوهن، اس. ناور، ا. شائوزونگ، ک. Erez, A. مطالعات ساختار تاج پوشش و مصرف آب درختان سیب در سه پایه. کشاورزی مدیریت آب. 2002 ، 55 ، 1-14. [ Google Scholar ] [ CrossRef ]
  16. Gastelu-Etchegorry، JP; دمارز، وی. پینل، وی. Zagolski، F. مدل‌سازی انتقال تابشی در سایبان‌های گیاهی سه بعدی ناهمگن. سنسور از راه دور محیط. 1996 ، 58 ، 131-156. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  17. کوبایاشی، ح. ایوابوچی، اچ. یک جو 1 بعدی و مدل انتقال تابشی تاج 3 بعدی برای انعکاس تاج پوشش، محیط نور، و شبیه سازی فتوسنتز در یک چشم انداز ناهمگن. سنسور از راه دور محیط. 2008 ، 112 ، 173-185. [ Google Scholar ] [ CrossRef ]
  18. Qin، WW; Gerstl، SW مدلسازی صحنه سه بعدی پوشش گیاهی نیمه بیابانی و رژیم تشعشع آن. سنسور از راه دور محیط. 2000 ، 74 ، 145-162. [ Google Scholar ] [ CrossRef ]
  19. لاو، ا. بنتلی، LP; مارتیوس، سی. شنکین، ا. بارتولومئوس، اچ. راومونن، پی. ملحی، ی. جکسون، تی. هرولد، ام. کمی سازی معماری شاخه ای درختان استوایی با استفاده از لیدار زمینی و مدل سازی سه بعدی. درختان 2018 ، 32 ، 1219-1231. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  20. Vicari، MB; پیسک، جی. Disney, M. برآوردهای جدید توزیع زاویه برگ از LiDAR زمینی: مقایسه با تخمین های اندازه گیری شده و مدل شده از نه گونه درخت پهن برگ. کشاورزی برای. هواشناسی 2019 ، 264 ، 322-333. [ Google Scholar ] [ CrossRef ]
  21. ایتاکورا، ک. Hosoi، F. برآورد سطح برگ مبتنی بر Voxel از تصاویر سه بعدی گیاه. جی. آگریک. هواشناسی 2019 ، 75 ، 211-216. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  22. گورته، بی. فایفر، ن. ساختار درختان اسکن لیزری با استفاده از مورفولوژی ریاضی سه بعدی. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2004 ، 35 ، 929-933. [ Google Scholar ]
  23. هوسوی، اف. Omasa، K. مدل‌سازی سه بعدی درختان منفرد مبتنی بر وکسل برای تخمین تراکم سطح برگ با استفاده از Lidar اسکن قابل حمل با وضوح بالا. IEEE Trans. Geosci. Remote Sens. 2006 , 44 , 3610–3618. [ Google Scholar ] [ CrossRef ]
  24. بینرت، آ. هس، سی. ماس، اچ.-جی. فون اوهایمب، جی. تکنیک مبتنی بر وکسل برای تخمین حجم درختان از داده‌های اسکنر لیزری زمینی. در مجموعه مقالات آرشیو بین المللی فتوگرامتری، سنجش از دور و علوم اطلاعات فضایی، سمپوزیوم پنجم کمیسیون فنی ISPRS، ریوا دل گاردا، ایتالیا، 23 تا 25 ژوئن 2014. جلد XL-5. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  25. ایتاکورا، ک. Hosoi, F. برآورد زاویه شیب برگ در تصاویر سه بعدی گیاهی به دست آمده از لیدار. Remote Sens. 2019 , 11 , 344. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  26. ساکائی، ی. کوبایاشی، ح. Kato، T. FLiES-SIF نسخه. 1.0: مدل انتقال تابشی سه بعدی برای تخمین فلورسانس ناشی از خورشید. Geosci. مدل Dev. بحث و گفتگو. 2020 ، 1-36. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  27. وانگ، ایکس. ژنگ، جی. یون، ز. خو، ز. مسکال، ال. Tian, ​​Q. مشخص کردن تغییرات فضایی اجزای نور خورشید و سایه دار جنگل با استفاده از لیدار هوایی گسسته. Remote Sens. 2020 , 12 , 1071. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  28. آروالو، وی. گونزاز، جی. Ambrosio، G. تشخیص سایه در تصاویر ماهواره ای رنگی با وضوح بالا. بین المللی J. Remote Sens. 2008 ، 29 ، 1945-1963. [ Google Scholar ] [ CrossRef ]
  29. کریشنا مورتی، اس ام. بائو، ی. کالدرز، ک. Schnitzer، SA; Verbeeck, H. استخراج نیمه خودکار لیانا از ابرهای نقطه ای LiDAR زمینی جنگل های بارانی استوایی سرچشمه می گیرد. ISPRS J. Photogramm. Remote Sens. 2019 ، 154 ، 114–126. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  30. Wassihun، AN; حسین، YA; Van Leeuwen، LM; لطیف، ZA اثر تراکم توده جنگلی بر تخمین ذخایر زیست توده/کربن بالای زمین با استفاده از پارامترهای درختی مشتق شده از LIDAR در هوا و زمین در جنگل های بارانی استوایی، مالزی. محیط زیست سیستم Res. 2019 ، 8 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  31. پشتیبانی از Pix4D در دسترس آنلاین: https://support.pix4d.com/hc/en-us (در 1 ژوئن 2020 قابل دسترسی است).
  32. Müller-Wilm، U. Sentinel-2 MSI–Level-2A Prototype Processor Installation and User Manual. در دسترس آنلاین: https://step.esa.int/thirdparties/sen2cor/2.2.1/S2PAD-VEGA-SUM-0001-2.2.pdf (در 1 ژوئیه 2020 قابل دسترسی است).
  33. واتسون، ID; جانسون، GT ارتباط کوتاه. برآورد گرافیکی فاکتورهای نمای آسمان در محیط های شهری. جی.کلیماتول. 1987 ، 7 ، 193-197. [ Google Scholar ] [ CrossRef ]
  34. هولمر، بی. Postgȧrd، U. اریکسون، ام. عوامل نمای آسمان در تاج پوشش جنگل محاسبه شده با IDRISI. نظریه. Appl. کلیماتول. 2001 ، 68 ، 33-40. [ Google Scholar ] [ CrossRef ]
  35. یوان، سی. چن، L. کاهش اثرات جزیره گرمایی شهری در شهرهای با تراکم بالا بر اساس عامل نمای آسمان و درک مورفولوژیکی شهری: مطالعه هنگ کنگ. قوس. علمی Rev. 2011 , 54 , 305-315. [ Google Scholar ] [ CrossRef ]
  36. فوجیوارا، تی. آکاتسوکا، اس. تاکاگی، م. برآورد PAR در یک طبقه جنگلی با استفاده از مدل وکسل. Jpn. Soc. فتوگرام Remote Sens. 2018 , 57 , 4–12. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  37. فوجیوارا، تی. تاکاگی، ام. شبیه سازی نور خورشید منعکس شده با استفاده از مدل وکسل در یک جنگل. Jpn. Soc. فتوگرام Remote Sens. 2019 , 58 , 184–195. [ Google Scholar ] [ CrossRef ]
  38. Gueymard، CA SMARTS Code، نسخه 2.9.5. راهنمای کاربر برای لینوکس. در دسترس آنلاین: https://www.solarconsultingservices.com/SMARTS295_Users_Manual_Linux.pdf (در 25 مارس 2020 قابل دسترسی است).
  39. Shettle، EP; مدل‌های Fenn، RW برای آئروسل‌های اتمسفر پایین‌تر و اثرات تغییرات رطوبت بر ویژگی‌های نوری آنها . گزارش AFGL-TR-79-0214؛ آزمایشگاه ژئوفیزیک نیروی هوایی: Hanscom، MA، ایالات متحده آمریکا، 1979. [ Google Scholar ]
  40. کائو، ال. لیو، اچ. فو، ایکس. ژانگ، ز. شن، ایکس. Ruan, H. مقایسه UAV LiDAR و ابرهای نقطه ای فتوگرامتری هوایی دیجیتال برای تخمین ویژگی های ساختاری جنگل در جنگل های نیمه گرمسیری کاشته شده. Forests 2019 ، 10 ، 145. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  41. Nesbit، PR; Hugenholtz، CH افزایش دقت مدل سه بعدی UAV-SfM در مناظر برجسته با ترکیب تصاویر مایل. Remote Sens. 2019 , 11 , 239. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  42. موریاما، م. هوندا، ی. Ono، A. GCOM?C1/SGLI الگوریتم شاخص سایه سند مبنای نظری. در دسترس آنلاین: https://suzaku.eorc.jaxa.jp/GCOM_C/data/ATBD/ver2/V2ATBD_T2A_SDI_Moriyama.pdf (دسترسی در 25 مه 2020).
  43. اولسیگ، ال. نیکول، سی جی; Huemmrich، KF; لندیس، DR; میدلتون، EM; لیاپوستین، هوش مصنوعی؛ مامرلا، آی. لوولا، جی. Porcar-Castell، A. تشخیص تغییرات بین سالیانه در فنولوژی درختان مخروطی همیشه سبز با استفاده از سری زمانی شاخص گیاهی مدیس بلند مدت. Remote Sens. 2017 , 9 , 49. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  44. لو، ایکس. لیو، ز. ژو، ی. لیو، ی. آن، اس. Tang, J. مقایسه فنولوژی برآورد شده از شاخص های مبتنی بر بازتاب و مشاهدات فلورسانس کلروفیل ناشی از خورشید (SIF) در یک جنگل معتدل با استفاده از فنولوژی مبتنی بر GPP به عنوان استاندارد. Remote Sens. 2018 , 10 , 932. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  45. رنگارجان، ر. مدل سازی Schott, JR و شبیه سازی تاج پوشش جنگلی برگریز و خواص بازتاب ناهمسانگرد آن با استفاده از ابزار تولید تصویر دیجیتال و سنجش از دور (DIRSIG). IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2017 , 10 , 4805–4817. [ Google Scholar ] [ CrossRef ]
  46. لی، ی. چن، جی. ما، س. ژانگ، اچ. لیو، جی. ارزیابی بازتاب سطح Sentinel-2A با استفاده از Sen2Cor در آمریکای شمالی. IEEE J. Sel. بالا. Appl. زمین Obs. 2018 ، 11 ، 1997–2021. [ Google Scholar ] [ CrossRef ]
  47. Seelig، HD; هوهن، ا. استودیک، ال. کلاوس، دی. Adams, W., III; Emery, W. ارزیابی محتوای آب برگ با استفاده از نسبت‌های بازتابی برگ در امواج مادون قرمز مرئی، نزدیک و موج کوتاه. بین المللی J. Remote Sens. 2008 , 29 , 3701-3713. [ Google Scholar ] [ CrossRef ]
  48. زو، ایکس. Mõttus، M. حساسیت شاخص های رایج پوشش گیاهی به ساختار تاج پوشش محصولات زراعی. Remote Sens. 2017 , 9 , 994. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Ijgi 09 00582 g001 550
شکل 1. نمودار جریان این مطالعه. مدل Voxel بر اساس ابر نقطه ایجاد شد و Cast Shadow (CS) و Self Cast Shadow (SCS) به عنوان داده‌های ویژگی محاسبه شدند. تغییرات فضایی این ویژگی ها با زاویه اوج دید محدود و زاویه زاویه دید ثابت محاسبه شد. بازتاب شبیه سازی شده با پارامترهای سایه با بازتاب Sentinel-2 BOA مقایسه شد. در نهایت، تأثیر اندازه وکسل بر نتیجه شبیه‌سازی مورد بررسی قرار گرفت.
Ijgi 09 00582 g002 550
شکل 2. ( الف ) موقعیت منطقه مورد مطالعه و به طور کلی جنگل مورد مطالعه. این منطقه در دانشگاه صنعتی Suranaree در Nakhon Ratchasima، تایلند واقع شده است. این سایت جنگلی انبوه است و در برخی از مناطق خاک در معرض دید قرار گرفته است. توده اصلی جنگل برگریز دیپتروکارپ است. ( ب ) عکسی که توسط جنگل نزدیک هدف گرفته شده است.
Ijgi 09 00582 g003 550
شکل 3. داده های بازتاب طیفی انتخاب شده از کتابخانه طیفی ECOSTRESS مورد استفاده برای شبیه سازی. جنسهای اصلی برگها Quercus، Fagus و Betula هستند. در مجموع از نه گونه برگ استفاده شد. فاصله طول موج یک نانومتر است.
Ijgi 09 00582 g004 550
شکل 4. نمودار مفهومی محاسبات SCS. SCS نسبت تابش خورشیدی منتشر را نشان می دهد که توسط وکسل های دیگر محافظت می شود. ( الف ) یک بردار جهت دار را از وکسل دیدگاه تعیین کنید و یک استوانه در آن جهت ایجاد کنید. ( ب ) با توجه به تمایز نشان داده شده در معادله ( 4 )، مشخص می شود که آیا آن جهت توسط وکسل های دیگر محافظت می شود یا خیر. نتیجه بر روی تصویر نمایش داده شد. مقدار پیکسل صفر یا یک بود که به ترتیب به معنای بدون محافظ یا محافظ باشد. فاصله از مرکز تصویر و زاویه انحراف با زاویه ارتفاع و زاویه افقی در ( a ) مطابقت دارد.
Ijgi 09 00582 g005 550
شکل 5. نمودار مفهومی محاسبات CS. CS کسری از تابش مستقیم خورشید را نشان می دهد که توسط وکسل های دیگر محافظت می شود. صفحه فرض شده در وکسل به چهار قسمت مساوی تقسیم می شود و از هر صفحه یک خط به سمت خورشید ایجاد می شود. درصد خطوط محافظت شده توسط وکسل های دیگر مقدار CS است. در این روش، CS یک مقدار گسسته، با یکی از 0.00، 0.25، 0.50، 0.75، یا 1.00 است. خطوط نقطه چین نشان دهنده تقاطع با سایر وکسل ها و خطوط پررنگ نشان دهنده عدم تقاطع با یک است. بنابراین مقدار CS این وکسل 0.75 است.
Ijgi 09 00582 g006 550
شکل 6. ایجاد مدل وکسل از جنگل مورد مطالعه و توزیع فضایی CS و SCS. CS بر اساس موقعیت خورشید در هنگام مشاهده Sentinel-2 محاسبه شد. زاویه آزیموت و اوج 134.0 است ∘و 34.2 ∘، به ترتیب. توزیع فضایی CS، بیشترین مقدار 1.0 است و پس از آن 0.0 است که به صورت بصری قابل مشاهده است. از سوی دیگر، SCS برای اکثر وکسل ها حدود 0.5 بود.
Ijgi 09 00582 g007 550
شکل 7. تغییرات فضایی مقادیر SCS (خط نقطه‌دار آبی) و CS (خط قرمز) با زوایای اوج دید در محدوده 30- ∘تا 30 ∘و زاویه آزیموت 290 ∘. محور x زاویه اوج دید و محور y میانگین CS و SCS است. در مقایسه با CS، تنوع فضایی SCS کوچکتر بود.
Ijgi 09 00582 g008 550
شکل 8. مقایسه بین تصاویر شبیه سازی شده و اکتسابی از جنگل. به عنوان مثال، تصاویر در باندهای 3، 8A و 11 شبیه سازی شده با استفاده از بازتاب طیفی Quercus ilex نشان داده شده است. تصاویر در باند 3 و 11 روشن تر از تصاویر Sentinel-2 هستند، که نشان می دهد این باندها بازتاب بالاتری را نسبت به Sentinel-2 شبیه سازی می کنند.
Ijgi 09 00582 g009 550
شکل 9. پروفایل های بازتاب طیفی برای شبیه سازی با استفاده از داده های بازتاب طیفی برگ همانطور که در بخش 2.3.3 ، Sentinel-2 TOA و Sentinel-2 BOA ذکر شد. میانگین و خطای استاندارد شبیه سازی ها نشان داده شده است. نتایج شبیه‌سازی همگی نسبت به بازتاب Sentinel-2 BOA در SWIR (باند 11 و 12) بیش از حد برآورد شده‌اند.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید