مناطق شهری دارای پوشش گیاهی به اشکال مختلف هستند که عملکردهای اکولوژیکی متعددی مانند تنظیم کننده حرارت، تنوع زیستی، کیفیت هوا و غیره را انجام می دهند. با این حال، وسعت آنها اغلب به خوبی شناخته شده نیست، به خصوص در شهرهای آفریقایی، که گاهی اوقات ارزیابی تأثیر واقعی آنها را دشوار می کند. عملکرد اکوسیستم شهری هدف این کار تجزیه و تحلیل ظرفیت حسگرهای ماهواره ای برای نقشه برداری از پوشش گیاهی و تالاب ها در مناطق شهری است. داده های تولید شده توسط حسگرهای MSI Sentinel 2 و OLI Landsat-8 برای شناسایی و نقشه برداری پوشش گیاهی در منطقه داکار از طریق طبقه بندی نظارت شده با الگوریتم ماشین بردار پشتیبانی (SVM) استفاده می شود. نتایج نشان می‌دهد که گاهی اوقات تجزیه و تحلیل پوشش گیاهی شهری با تصاویر با وضوح فضایی بالا (HRS) که از پیکربندی پوشش گیاهی در یک محیط شهری، گاهی اوقات با درختان منزوی یا فضاهای سبز کوچک مشخص می‌شود، آسان نیست. این توضیح می دهد که چرا داده های Sentinel-2 با وضوح فضایی 10 متر در مقایسه با داده های Landsat-8 که 30 متر است، نتیجه بهتری می دهد. با این حال، رندر خوبی برای پوشش گیاهی اطراف منطقه تالاب برای دو حسگر ناشی از تراکم بالا و اندازه محیط پوشش گیاهی در این بخش از پایتخت ذکر شده است. به طور کلی، پوشش گیاهی شهری، به ویژه برای Landsat-8، دست کم برآورد شده است.

کلید واژه ها

سنجش از دور ، منطقه شهری ، پوشش گیاهی ، منطقه تالاب ، داکار

اشتراک گذاری و استناد:

Tine, D., Faye, G., Marico, O., Mbaye, M., Biaye, L., Faye, M. and Faye, G. (2021) مشارکت تصاویر Sentinel-2/Landsat-8 OLI در استخراج پوشش گیاهی و منطقه تالاب در مناطق شهری: مورد منطقه داکار (سنگال). مجله نظام اطلاعات جغرافیایی , 13 , 523-537. doi: 10.4236/jgis.2021.134029 .

1. مقدمه

موضوع مدیریت منظر شهری همواره برای متولیان امر شهرها به ویژه تجمعات بزرگ دردسرساز بوده است. لازم به ذکر است که علیرغم اهمیت آنها، پوشش گیاهی درختی می تواند دمای یک خیابان را تا 2 درجه سانتی گراد کاهش دهد که می تواند با جزایر گرمایی شهری مبارزه کند [ 1 ]، نظارت و مدیریت فضاهای سبز در تراکم بیشتر هنوز آسان نبوده است. .

با ظهور سنجش از دور، مطالعه ویژگی‌های محیط‌های شهری به لطف امکانات فراوانی که توسط داده‌های مکانی ارائه می‌شود، به طرز چشمگیری رشد کرده است. دانش در مورد میزان و اجزای کاربری زمین برای نظارت و برنامه ریزی توسعه شهری، ارزیابی ریسک، مدیریت بلایا و مدیریت منابع طبیعی مهم است.

استفاده از سنجش از دور در مدیریت اولین بار در اوایل دهه 1970 با تصاویر ارائه شده توسط حسگر اسکنر چندطیفی (MSS) که بر روی ماهواره های سری لندست (1، 2 و 3) نصب شده بود، ظاهر شد. با این حال، وضوح فضایی 80 متری این تصاویر یک محدودیت است، زیرا اجازه نمی دهد اطلاعات در سطح مشخصی از جزئیات [ 2 ] [ 3 ] [ 4 ] داشته باشیم. در واقع، فضاهای شهری با ناهمگونی زیاد با عناصر با اندازه های کوچک مشخص می شوند، در حالی که مقدار رادیومتریک پیکسل نشان دهنده میانگین سیگنال های منعکس شده توسط اشیاء مختلف تشکیل دهنده آن است. این امر داشتن پیکسل‌های خالص در این مقیاس (80 متر) را دشوار می‌کند، اطلاعات ارائه شده توسط پیکسل ترکیبی است، پیکسل مخلوط یا میکس می‌شود [ 5] به عبارت دیگر. از دهه 1980، نسل دوم ماهواره ها با حسگرهای با وضوح فضایی بالا (HSR) (30 متر) مانند Landsat (TM, ETM+) و جدیدترین سنسور OLI در Landsat-8 که در سال 2013 پرتاب شد، پرتاب شد. در نهایت، Sentinel-2 حسگر MSI با وضوح فضایی بالا (10 متر) که ناهار سال 2015 بود، این مجموعه داده های HSR را غنی می کند. در حال حاضر تصاویری را با دسترسی آزاد ارائه می کند. پیشرفت سریع در سنجش از دور امکان داشتن انواع جدیدی از تصاویر با وضوح بسیار بالا (VHSR) مانند SPOT، Quickbird، IKONOS، Pleiades و غیره را فراهم کرده است. ، جزئیات بیشتری در مورد مناطق شهری ارائه دهید. با این حال، بر خلاف تصاویر با وضوح فضایی بالا (HRS) که اغلب دسترسی رایگان دارند، تصاویر VHSR داده های پولی هستند که دسترسی آنها را برای بسیاری از شهرها محدود می کند.

هدف از این مطالعه تجزیه و تحلیل ظرفیت داده های دسترسی باز (Landsat-8 و Sentinel-2) که در HSR هستند، برای نقشه برداری پوشش گیاهی در مناطق شهری با مطالعه موردی تراکم داکار است. در این شهرستان پوشش گیاهی به جز جنگل های طبقه بندی شده و حاشیه تالاب ها به ندرت مناطق وسیعی را اشغال می کند. توجه داشته باشید که ظرفیت تفکیک سنسورها تابعی از اندازه، سازماندهی و تراکم اشیاء شهری است، وضوح فضایی مورد استفاده برای تمایز ساختار شهری باید با هر نوع شهر تطبیق داده شود [ 4 ] [ 6 ].

1.1. توابع اکوسیستم پوشش گیاهی شهری

طبق گزارش هیئت بین دولتی تغییرات آب و هوایی (IPCC)، یازده سال از دوازده گرم ترین سال از سال 1995 به ثبت رسیده است و می تواند به افزایش حضور گازهای گلخانه ای در جو نسبت داده شود. گزارش های IPCC [ 7 ] [ 8 ] نشان دهنده افزایش میانگین دما در دهه های آینده است. این تغییر آب و هوا همراه با از بین رفتن تدریجی پوشش گیاهی در مناطق شهری، اثر جزیره گرمایی را در شهرها تشدید می کند [ 9 ]. با این حال، پوشش گیاهی شهری با توجه به بسیاری از خدمات اکوسیستمی که ارائه می دهد، یک راه حل جایگزین خواهد بود. با رهگیری تابش خورشیدی، کیفیت زندگی شهر را با کاهش دما بهبود می بخشد. حضور آن در محیط شهری باعث کاهش انتشار گازهای گلخانه ای مانند CO2 می شود، N 2 O ، CH 4 و غیره. پوشش گیاهی در پیکربندی های مختلف خود نقش خنک کننده را در دمای بالا و فیلتر آلودگی ایفا می کند ( شکل 1 ). همچنین می تواند در مدیریت آب طوفان در مناطق شهری بسیار مفید باشد. درختان برگی با بارش باران قبل از زمین، رواناب را کاهش می دهند. بام های سبز ذخیره موقت آب باران و تبخیر و تعرق را ترویج می کنند [ 10 ].

جذب کربن توسط پوشش گیاهی و خاک به کاهش محتوای CO 2 جو کمک می کند [ 12 ]. مناطق برگی مانند جنگل طبقه بندی شده امبائو و اطراف نقاط آبی در منطقه داکار، بر کیفیت هوا تأثیر می گذارد. در شرایط افزایش آلودگی به حدی است که داکار یکی از آلوده ترین شهرهای جهان است [ 13 ]]، پوشش گیاهی ذرات آلوده کننده را قطع می کند، مقداری را به شکل گاز جذب می کند و در عین حال اکسیژن تولید می کند. زبری آیرودینامیکی آن بادها را اصلاح می کند و بر پراکندگی و رسوب ذرات آلاینده تأثیر می گذارد. از دیدگاه ژئومورفولوژی، پوشش گیاهی قوی خاک را در برابر رواناب و کوبش آب باران محافظت می کند. خاک را ثابت می کند و فرسایش آبی را کاهش می دهد. وجود پوشش گیاهی در نمای ساختمان ها یا داخل خانه ها (شایع ترین مورد در داکار) بر مصرف انرژی ساختمان ها تأثیر دارد. این تابش خورشیدی را که طول موج‌های طولانی نزدیک مادون قرمز آن به شدت منعکس می‌شود را رهگیری می‌کند و سایه‌ای ایجاد می‌کند که دما را کاهش می‌دهد.

علیرغم نقش مهمی که پوشش گیاهی ایفا می کند، مصنوعی شدن شهرها

شکل 1 . سیستم ریزاقلیمی و نقش پوشش گیاهی در مناطق شهری [ 11 ].

محیط‌ها همچنان خاک‌ها را غیرقابل نفوذ می‌کنند و آسیب‌پذیری منطقه را در برابر سیل افزایش می‌دهند. پروژه Promoville سنگال بخشی از این پویایی است. مصنوعی سازی تسریع شده که باعث افزایش سرعت جریان، اوج جریان و خطر سیل می شود.

1.2. چارچوب کلی

منطقه شهری داکار بین 17˚28’30” و 17˚10’30” طول جغرافیایی W و 14˚33″ و 14˚51″ عرض جغرافیایی شمالی واقع شده است ( شکل 2 ). در انتهای غربی قاره آفریقا، در یک شبه جزیره باریک واقع شده است. از نقطه نظر اداری، منطقه داکار مرکب از چهار بخش (داکار، گودیاوی، پیکین و روفیسک) و پنجاه و دو (52) جامعه محلی است. دمای هوا بسته به فصل بین 17 تا 30 درجه سانتیگراد متغیر است. کمربند دریایی آن این واقعیت را توضیح می دهد که داکار در طول دوره اصلی سال با یک اقلیم کوچک مشخص شده توسط تأثیر بادهای تجارت دریایی مشخص می شود [ 14 ]]. با وجود اینکه این منطقه به قلمرو ساحلی تعلق دارد، آب و هوای داکار از نوع قناری است که به شدت تحت تأثیر عوامل جغرافیایی و جوی است. میزان بارندگی در سال 537 میلی متر است. تشکل های زمین شناسی منطقه داکار متعلق به حوضه رسوبی سنگال-موریتانی است و با تجمعات شنی کواترنر که یک صخره را جوش می دهد مشخص می شود.

شکل 2 . موقعیت جغرافیایی منطقه داکار.

سر با منشاء آتشفشانی و فلات های کم شکل به شکل مارن و سنگ آهک، و در مجاورت توده کشتی جنگی دیاس [ 15 ]. از نقطه نظر ژئومورفولوژی، این منطقه با وجود برخی تغییرات توپوگرافی جزئی که در قسمت شرقی و غرب شبه جزیره مشاهده شده است، با صافی نقش برجسته آن مشخص شده است.

پوشش گیاهی منطقه داکار ( شکل 2 ) به دلیل گستره وسیع مناظر مورفوفولوژیک و آب و هوای معتدل دریایی به صورت آزونی است. دو گروه بزرگ متمایز می شوند: پوشش گیاهی انسان زایی ناشی از فعالیت های انسانی و متشکل از باغ های درختی، چمنزارها، درختان جدا شده و غیره و پوشش گیاهی رطوبت دوست اطراف تالاب ها.

2. مواد و روشها

2.1. داده ها

تصاویر Landsat-8 و Sentinel 2A ( جدول 1 ) استفاده شده از پلتفرم Google Earth Engine (GEE) گرفته شده اند که زیرساختی برای آرشیو داده های مکانی در فضای ابری است. این امکان پردازش و تجزیه و تحلیل حجم زیادی از داده های ماهواره ای (Big Data) را به صورت آنلاین با استفاده از یک رابط برنامه نویسی کاربردی (API) بر اساس جاوا اسکریپت یا پایتون فراهم می کند. داده‌های Sentinel-2 و Landsat-8 در بازتاب ظاهری یا در بالای جو (TOA) ارائه می‌شوند، بنابراین نیازی به کالیبراسیون رادیومتری ندارند.

تصاویر انتخاب شده در فصل غیر بارانی، به ویژه بین آوریل و مه، به منظور جلوگیری از هرگونه تأثیر پوشش گیاهی علفی فصلی که در فصل بارانی ایجاد می شود، به دست می آیند. تفاوت بین دو نوع تصویر مورد استفاده در وضوح فضایی و تعداد باندهای طیفی نهفته است. رادیومتر OLI تصاویر را در 9 باند طیفی از مرئی بدست می آورد.

تا مادون قرمز میانی در حالی که سنسور Sentinel-2 MSI تصاویر را از مرئی تا مادون قرمز میانی با وضوح های فضایی متفاوت می گیرد ( جدول 1 ).

2.2. روش شناسایی و استخراج پوشش گیاهی شهری

محیط شهری ترکیبی از بخش‌هایی از جاده‌ها، ساختمان‌ها، مناطق چمن‌زار، جنگل‌ها و خاک برهنه است. بازتاب طیفی آن‌ها می‌تواند با توجه به رنگ، روشنایی، جهت یا تمایلشان دستخوش تغییرات قابل‌توجهی شود [ 16 ]. عوامل متعددی بر نشانه های طیفی اشیاء در محیط شهری تأثیر می گذارد. ماهیت سازه ها، سطوح صاف، آلودگی اتمسفر و غیره می توانند به طور قابل توجهی بازتاب سیگنال را تغییر دهند. تکنیک‌های سنجش از دور با قدرت تفکیک مکانی بالا، امکان استقرار بسیار دقیق، با حاشیه خطای کمی، پوشش گیاهی در مناطق شهری را فراهم می‌کند [ 17 ].

در این تحقیق، تشخیص و استخراج اطلاعات تصاویر ماهواره ای از یک سو با طبقه بندی پیکسل محور و از سوی دیگر توسط شاخص های طیفی انجام می شود ( شکل 3 ). در اولین رویکرد اتخاذ شده متکی بر روش نظارت شده از ماشین بردار پشتیبان (SVM) استفاده شده است. این الگوریتمی است که به دلیل کارایی آن در حل مسائل تبعیض و رگرسیون و طبقه بندی داده های پیچیده به منظور تولید نتایج خوب شناخته شده است. این پروتکل به مناطق آموزشی ارائه شده توسط کاربر متکی است که به الگوریتم اجازه می‌دهد بر اساس پاسخ‌های طیفی اشیا در آنجا آموزش ببیند و تصویر را طبقه‌بندی کند.

رویکرد دوم شامل استفاده از شاخص های طیفی پوشش گیاهی موثر در تشخیص پوشش گیاهی است. بنابراین، شاخص تفاوت نرمال شده گیاهی (NDVI) و شاخص گیاهی خاک تعدیل شده (SAVI)

شکل 3 . روش استخراج پوشش گیاهی در منطقه داکار.

برای هر دو تصویر اعمال می شود و به دنبال آن آستانه در مقادیر حداقل آنها اعمال می شود. آستانه گذاری یک عملیات مستقیم است که بر روی تصاویر ماهواره ای برای تصمیم گیری اعمال می شود. این روش یک مشکل مربوط به تخمین آستانه بهینه را ارائه می دهد که ممکن است بسته به تصاویر استفاده شده متفاوت باشد. برای تثبیت مقدار آستانه شاخص های پوشش گیاهی، از نمونه حقیقت زمینی استفاده شد. قرار دادن مختصات نمونه با تصویر چند طیفی، حفظ آستانه قابل قبولی را ممکن کرد. این روش مستلزم شناخت پیشینی از واقعیت روی زمین است.

بر اساس کنوانسیون رامسر که در سال 1971 به امضا رسید، محدوده تالاب‌ها شامل زیستگاه‌های متنوعی است: باتلاق‌ها، باتلاق‌های ذغال سنگ نارس، دشت‌های سیلابی، رودخانه‌ها و دریاچه‌ها، مناطق ساحلی مانند شوره‌زارها، حرا و بستر رودخانه‌ها. صخره های مرجانی و سایر مناطق دریایی با عمق بیش از شش متر در جزر و تالاب های مصنوعی مانند برکه های تصفیه فاضلاب و دریاچه های نگهدارنده نیز تالاب محسوب می شوند. تالاب ها محیط هایی هستند که به شدت به حفظ تنوع زیستی و کیفیت آب کمک می کنند [ 18 ]. آنها مناطق قابل توجه و متنوعی را تشکیل می دهند که بزرگترین آنها در بخش Pikine است ( شکل 4). آنها همچنین در شمال منطقه داکار و در Guediawaye و Rufisque یافت می شوند. آنها با علفزارهای دشت سیلابی که در لبه منطقه تالاب یافت می شوند مشخص می شوند، که با غرقابی دوره ای مشخص می شوند، تورب زمین هایی که عمدتاً از تجمع مواد آلی و مناطق دریایی تشکیل شده اند. تالاب های داکار به طور فزاینده ای توسط شهرنشینی تهدید می شوند در حالی که آنها یک منطقه مهم حفاظت از تنوع زیستی را تشکیل می دهند [ 19 ]. از چند سال پیش، ناحیه تالاب‌های منطقه داکار فشار جمعیتی شدیدی را تجربه کرده است که به شهرنشینی افسارگسیخته مرتبط است.

با توجه به ناهمگونی آن (علفی، درختچه ای و تشکیلات آبی)، مطالعه تالاب ها با رویکرد فضایی مستلزم پتانسیل داده های به دست آمده در مقیاس های مختلف است. هر مقیاس مطالعه مربوط به یک سطح از مشاهده و یک ابزار خاص [ 20 ] است. با این حال، تشخیص تالاب‌ها از داده‌های HSR به دلیل شباهت‌های بین گونه‌های مختلف گیاهی، وضوح فضایی پایین تصاویر و تکرارپذیری زمانی کم دشوار است [ 21 ]. این دیدگاه این مطالعه است که سهم تصاویر با وضوح فضایی بالا از Sentinel-2 و landsat-8 OLI را در مطالعه تالاب‌های شهری مقایسه می‌کند.

شکل 4 . نمونه ای از تالاب های منطقه داکار: تنوع و ویژگی ها.

3. نتایج

3.1. پیکربندی پوشش گیاهی شهری در منطقه داکار

برای مطالعه پوشش گیاهی در یک محیط شهری با سنجش از دور، داشتن ایده ای از گونه شناسی، شکل و ویژگی های آنها حائز اهمیت است. در واقع، منظر شهری بسیار پیچیده است و پیکربندی چند وجهی را ارائه می دهد. در منطقه داکار، پوشش گیاهی عمدتاً از نماهای سبز، سطوح چمن‌زار، درختان، باغ‌های درختی، قاب‌های سبز همراه جاده‌ها، جلوی پارک خودرو، گورستان‌ها، تالاب‌ها و آب اطراف تشکیل شده است ( شکل 5 ). درختان جدا شده، درختان در پایین ساختمان‌ها، لیاناهای اطراف حصار خانه‌ها را نمی‌توان به دلیل شرایط روشنایی برجسته کرد (ساختمان‌ها تمایل دارند زمانی که ساعت عبور ماهواره خورشید را در اوج پیدا نمی‌کند سایه ایجاد کنند). اشکال همگن نادر هستند، از این رو شناسایی سطوح گیاهی خاص از تصاویر ماهواره ای پیچیده است.

3.2. تجزیه و تحلیل امضای طیفی پوشش گیاهی

شناسایی و پایش پوشش گیاهی بر اساس بازتاب آنها با توجه به طول موج های مختلف به نام امضای طیفی است. تغییرات در امضای طیفی ذکر شده بین داده‌های دو حسگر مربوط به تفاوت در وضوح فضایی، شرایط روشنایی، تراکم و پیکربندی پوشش گیاهی شهری است. اندازه پیکسل و اشیاء مشخصه به شدت بر سیگنال دریافتی سنسور تأثیر می گذارد. یک پیکسل از تصویر Landsat-8 OLI 900 متر مربع را پوشش می دهد ، در حالی که یک پیکسل از تصویر Sentinel-2 تنها 100 متر مربع را پوشش می دهد ، در یک محیط شهری با تراکم ساختمان ها بالا،

شکل 5 . ویژگی های پوشش گیاهی در منطقه داکار.

در زمینی به مساحت 900 مترمربع ، امکان وجود مخلوطی از اشیا (ساختمان ها ، پوشش گیاهی، زمین خالی) زیاد است که ترکیب طیفی پیکسل ها را توضیح می دهد. این وضعیت ممکن است با داده های Sentinel-2 کمتر باشد. تجزیه و تحلیل شکل 6 بازتاب قوی پوشش گیاهی را در نوارهای 6، 7 و 8 Sentinel-2 نشان می دهد. مانند هر جای دیگر، پوشش گیاهی به شدت در مادون قرمز نزدیک منعکس می شود که به ترتیب با باند 8 و باند 5 Sentinel-2 و Landsat-8 OLI نشان داده می شود.

با این حال، متغیرهای خاصی می توانند بر امضای طیفی عناصر مشخصه محیط شهری تأثیر بگذارند [ 22 ]. نابرابری چشم انداز منجر به سردرگمی عناصر درون یک پیکسل و بین پیکسل ها می شود [ 6 ]. بنابراین، مقدار تشعشع ثبت شده برای این پیکسل مربوط به یک پاسخ شامل پوشش زمین مختلف [ 22 ] است. اگرچه پوشش گیاهی به شدت در مادون قرمز نزدیک منعکس می شود، اختلاط پیکسل می تواند به طور قابل توجهی سیگنال را کاهش دهد.

3.3. استخراج پوشش گیاهی بر اساس طبقه بندی

الگوریتم SVM برای ایجاد نقشه های پوشش زمین ( شکل 7 ) منطقه مورد مطالعه بر روی دو تصویر اعمال می شود. نتایج با نمونه‌های حقیقت زمین و اسناد برون‌زا مانند نقشه توپوگرافی منطقه برای تولید ماتریس سردرگمی که امکان ارزیابی کیفیت طبقه‌بندی‌ها را فراهم می‌کند، مقایسه شد. این جزئیات کلی را ارائه می دهد که اطلاعاتی را در مورد نسبت پیکسل های طبقه بندی شده به خوبی ارائه می دهد و شاخص کاپا که ارزیابی کلی از کیفیت استخراج اطلاعات را ارائه می دهد. ادبیات در نظر می گیرد که یک طبقه بندی زمانی قابل قبول است که دقت کلی بیشتر از 60٪ باشد و بین 70٪ و 80٪ خوب باشد. با این حال، هر دو طبقه بندی را می توان با دقت کلی 96% و 88% برای Sentinel 2A و Landsat-8 OLI قابل اعتماد در نظر گرفت.

تجزیه و تحلیل کیفی نتیجه طبقه بندی ( شکل 7 ) نشان می دهد که داده های Sentinel-2 نتایج بسیار دقیق تری به دست می دهد و پوشش گیاهی را در 7٪ از پوشش زمین تخمین می زند در حالی که با Landsat-8 OLI، پوشش گیاهی 5٪ را اشغال می کند. این را می توان با ظرافت قدرت تفکیک فضایی Sentinel-2 توضیح داد که به دلیل قدرت تفکیک فضایی درشت، امکان شناسایی مناطق کوچکتر برگ را در مناطق شهری در مقایسه با Landsat-8 OLI فراهم می کند. پیکسل‌های گیاهی Sentinel-2 در ساختار متراکم در پیکسل‌های ترکیبی با Landsat-8 OLI یافت می‌شود که منجر به دست کم‌گرفتن پوشش گیاهی شهری می‌شود. با این حال، این مطالعه نشان داد که حسگر OLI به بازتاب ساختمان‌های شهری بسیار حساس است و نتایج دقیق‌تری ارائه می‌کند.

شکل 6 . امضای طیفی پوشش گیاهی شهری به عنوان تابعی از سنسورهای OLI و MSI.

شکل 7 . استفاده از زمین توسط Sentinel 2A/MSI و Landsat-8/OLI بین مارس و آوریل 2020 در منطقه داکار.

3.4. استخراج با شاخص های گیاهی

مقدار آستانه پس از مقایسه داده های اعتبارسنجی و شاخص های پوشش گیاهی به دست می آید. آستانه گذاری بر اساس حداقل مقدار شاخص پوشش گیاهی است. نتایج ارائه شده توسط این روش ( شکل 8 ) نشان می دهد که رویکرد شاخص نسبت به طبقه بندی ها دقت کمتری دارد. با این حال، NDVI دارای محدودیت هایی در حوزه پیچیده است. به عنوان مثال، در مناطق شهری، فضاهای سبز با ترکیبی از نسبت های مختلف از مناطق جنگلی، خاک برهنه، فضاهای ساخته شده، مسیرهای ارتباطی و غیره مشخص می شوند. [ 23 ]]. امضای طیفی این اجسام با پوشش گیاهی ترکیب می‌شود و شناسایی دومی را دشوار می‌کند. این ترکیب پیکسل‌ها توسط شاخص گیاهی تفاوت نرمال شده (NDVI) که به خواص نوری خاک زیرین حساس است، در نظر گرفته نمی‌شود، که اگر پوشش گیاهی که می‌خواهیم مشخص شود به اندازه کافی متراکم نباشد، می‌تواند منجر به خطاهای قابل توجهی شود. 24]، مانند مناطق شهری. نتایج به‌دست‌آمده از آستانه‌سازی NDVI نشان می‌دهد که حسگر MSI برای استخراج پوشش گیاهی شهری مناسب‌تر است. با این حال، شاخص دوم، SAVI (شاخص گیاهی سازگار با خاک)، که تأثیر خاک را در نظر می گیرد، با در نظر گرفتن محدودیت های NDVI محاسبه شد. سیگنال منعکس شده توسط خاک از پوشش گیاهی جدا می شود تا سطوح برگ را با دقت بیشتری نشان دهد. این شاخص بر روی تصاویر استفاده شده اعمال شد و از نظر کیفی نتایج دقیق تری به دست داد

شکل 8 . استخراج پوشش گیاهی شهری با آستانه گذاری NDVI و SAVI در منطقه داکار.

و تحلیل کمی NDVI و SAVI Sentinel-2 MSI به ترتیب پوشش گیاهی شهری را 6.69% و 4.74% از کل فضای مورد مطالعه را برآورد می کنند در حالی که همان شاخص های محاسبه شده در تصویر Landsat-8 OLI پوشش گیاهی را 4.42% برآورد می کنند.

3.5. نقشه برداری تالاب

تجزیه و تحلیل طبقه بندی ها ( شکل 9 ) حساسیت سنسورها را به شناسایی تالاب ها نشان داد. با این حال، برخی از خطاها به دلیل ترکیب پیکسل ها (آب و پوشش گیاهی) در این وضوح فضایی ظاهر می شوند. پوشش گیاهی در جاهایی بسیار متراکم است به حدی که سطح آب توسط حسگر قابل تشخیص نیست. این سناریوها مربوط به فرورفتگی های کوچک (کم عمق و مناطق کوچک آب است که برای توسعه پوشش گیاهی مفید است). تخمین مساحت آنها نه تنها با ترکیب پیکسل ها بلکه به دلیل پویایی آنها نیز محدود می شود. تشخیص و شناسایی تالاب ها از تصاویر ماهواره ای، به دست آمده در فصل غیر بارانی، مربوط به دوره ای است که تبخیر شدید و کاهش آب مشاهده می شود. ترسیم مرزهای دقیق با تصاویر با وضوح فضایی بالا دشوار است.

4. بحث

برای ساخت شاخص های کیفیت محیط، تجزیه و تحلیل از

شکل 9 . نقشه برداری از تالاب های تکنوپل از طریق Landsat-8 OLI و Sentinel 2A.

مورفولوژی پوشش گیاهی شهری ضروری به نظر می رسد. سهم قطعنامه عمدتاً برای موضوعات پوشش گیاهی شهری [ 25 ] ظاهر می شود. پیکربندی پوشش گیاهی شهری، شناسایی و استخراج آن از تصاویر ماهواره ای با وضوح فضایی بالا را دشوار می کند. چگالی قاب باعث ترکیب واضحی از پیکسل ها و گاهی اوقات سایه می شود که مانعی برای پردازش خودکار می شود زیرا آنها مناطق خاصی را پوشانده و پاسخ طیفی نزدیک به آب راکد دارند [ 25 ]. این ویژگی ناهمگون پیکسل های روی زمین منجر به تخمین بیش از حد مکان قاب می شود. یک پیکسل OLI Landsat 900 متر مربع را پوشش می دهددر زمین، وضوح بسیار بالاتر از قطعات مسکونی. با توجه به این ویژگی های فضایی سنسور OLI، یافتن یک پیکسل خالص بسیار دشوار است. در مورد Sentinel-2 MSI، ظرافت وضوح فضایی جزئیات بیشتری را بر روی زمین ارائه می دهد که می تواند بر دقت طبقه بندی ها تأثیر بگذارد. در داخل یک پیکسل OLI Landsat-8، تصاویر HSR Sentienl-2A، به لطف وضوح فضایی خود، اطلاعات همگنی را در مورد ویژگی‌های کاربری زمین برمی‌گردانند. مشاهدات مشابه با شاخص های پوشش گیاهی (NDVI و SAVI) انجام شد. نتایج آستانه‌گذاری نشان‌دهنده دست کم‌گرفتن پوشش گیاهی بود. حداقل مقدار شاخص های پوشش گیاهی در نزدیکی تالاب هایی که رشد برگ قوی وجود دارد به دست می آید. آستانه گذاری بر اساس حداقل مقدار ممکن است پیکسل های مخلوطی را که در آنها پوشش گیاهی غالب است در نظر نگیرد. امضای طیفی آنها شبیه به پوشش گیاهی است اما با پیکسل های خالص متفاوت است. در واقعیت، تعیین یک حسگر به عنوان ایده آل برای نقشه برداری پوشش گیاهی شهری دشوار است. با این حال، این می تواند ویژگی های فضایی و طیفی مناسب برای تشخیص فضاهای برگ در مناطق شهری داشته باشد. طبقه‌بندی توسط SVM و همچنین آستانه‌گذاری بر روی حداقل مقدار شاخص‌های پوشش گیاهی مورد استفاده، علی‌رغم سردرگمی به دلیل ترکیب پیکسل‌ها و ویژگی‌های محیط شهری در داکار، نتایج رضایت‌بخشی را به همراه داشت. داده های سنسورهای Landsat-8 OLI و Sentinel-2 برای مطالعه پدیده های فضایی در مقیاس بزرگ و همچنین برای نقشه برداری از واحدهای فضایی تا حدودی خاص در محیط های بسیار ناهمگن مناسب هستند.

5. نتیجه گیری ها

هدف از این مطالعه ارزیابی سهم تصاویر با وضوح فضایی بالا Sentinel-2 و Landsat-8 OLI در نقشه برداری و استخراج پوشش گیاهی در مناطق شهری است. دو رویکرد اتخاذ شده است: یک رویکرد طبقه‌بندی نظارت شده با استفاده از الگوریتم ماشین بردار پشتیبان (SVM) و یک رویکرد آستانه‌گذاری بر اساس حداقل مقدار شاخص‌های پوشش گیاهی انتخاب شده (NDVI و SAVI).

نتایج حاصل از طبقه بندی ها با ضرایب کاپا مربوطه 95% برای Sentinel-2 و 84% برای Landsat-8 OLI رضایت بخش است. این نتایج، در مقایسه با واقعیت روی زمین، درک سهم تفکیک فضایی در استخراج پوشش گیاهی شهری را ممکن می‌سازد. با این حال، این نتایج نقص هایی را نشان می دهد که به سردرگمی بین طبقات خاصی مانند ساختمان ها و خاک لخت تبدیل می شود. با این حال، نتایج به‌دست‌آمده از آستانه‌گذاری شاخص با واقعیت موجود در این زمینه مقایسه شد و قابل قبول تلقی شد، اما نواقص باقی مانده است و با پیچیدگی محیط مورد مطالعه قابل توضیح است.

منابع

[ 1 ] Nabucet, J. (2020) مشارکت داده های سنجش از دور در وضوح فضایی بسیار بالا برای نقشه برداری از پوشش گیاهی در مناطق شهری. پایان نامه دکتری، دانشگاه بریتنی، بریتنی، 341 ص.
[ 2 ] Ballut, A. and Nguyen, JP (1984) نیازهای اطلاعاتی برای برنامه ریزی شهری و منطقه ای: مشارکت سنجش از دور فضایی در ارضای این نیازها. انجمن فتوگرامتری و سنجش از دور فرانسه، 93، 21-32.
[ 3 ] Forster، BC (1985) بررسی برخی از مشکلات و راه حل در نظارت بر بسترهای ماهواره ای مناطق شهری. مجله بین المللی سنجش از دور، 6، 139-151.
https://doi.org/10.1080/01431168508948430
[ 4 ] Welch, R. (1982) الزامات تفکیک فضایی برای مطالعات شهری. مجله بین المللی سنجش از دور، 3، 138-146.
https://doi.org/10.1080/01431168208948387
[ 5 ] Puissant، A. (2003) اطلاعات جغرافیایی و تصاویر با وضوح بسیار بالا: سودمندی و کاربرد در مناطق شهری. دکتری Thesis, Luis Pasteur University Strasbourg I, Strasbourg, 166 p.
[ 6 ] Forster، BC (1982) غلبه بر مشکلات نظارت شهری با سنسورهای ماهواره ای نسل جدید. مجموعه مقالات سمپوزیوم بین المللی کمیسیون هفتم انجمن بین المللی فتوگرامتری و سنجش از دور، تولوز، 13-17 سپتامبر 1982، 889-896.
[ 7 ] IPCC (2007) تغییرات آب و هوایی 2007: گزارش ترکیبی. هیئت بین دولتی تغییرات آب و هوایی، ژنو، 114 ص.
[ 8 ] IPCC (2014) تغییرات آب و هوایی 2014: تأثیرات، سازگاری و آسیب پذیری. هیئت بین دولتی تغییرات آب و هوایی، ژنو، 40 ص.
[ 9 ] Giguère, M. (2009) اقدامات کنترل جزیره گرمایی شهری، بررسی ادبیات. موسسه ملی بهداشت عمومی کبک، کبک، 95 ص.
[ 10 ] Pommier, G., Provendier, D., Gutleben, C. and Musy, M. (2014) تأثیر گیاهان در شهر. برنامه تحقیقاتی VegDUD، 61 ص.
[ 11 ] Brunet, Y. (2017) تأثیر پوشش گیاهی بر میکرو اقلیم شهری و کیفیت هوا. شیمی و شهرهای بزرگ، علوم EDP، 272 ص.
[ 12 ] Anquetil, V. (2010) گونه شناسی و عملکردهای اکوسیستمی پوشش گیاهی شهری: مشارکت های روش شناختی، پایان نامه. موسسه ملی باغبانی و منظر، خشم، 126 ص.
[ 13 ] آمار بهداشت جهانی (WHO) (2018) نظارت بر سلامت برای اهداف توسعه پایدار، اهداف توسعه پایدار.
https://apps.who.int/iris/bitstream/handle/10665/272596/9789241565585-eng.pdf
[ 14 ] Ndiaye, ML (2014) تشخیص تغییرات کاربری اراضی و مدلسازی ژئومانتیک با ارزیابی چند معیاره برای نقشه برداری از مناطق آسیب پذیر سیل در داکار. منطقه سنگال، پایان نامه پروژه سال آخر، UM5/CRASTE-LF، 139 ص.
[ 15 ] Michel, P. and Sall, M. (1984) دینامیک منظر و توسعه دره آبرفتی سنگال. در: Blanc-Pamard, C., Joel, B., Jean, B., Lassailly-Jacob, V., André, L., Eds., Le développement rural en question: Paysages, espaces ruraux, systems agraires: Maghreb- Afrique noire-Mélanésie. ORSTOM, Paris, 89-109 (Mémoires ORSTOM; 106).
[ 16 ] Iovan, C., Boldo, D. and Cord, M. (2011) مدل‌سازی پوشش گیاهی در مناطق شهری: تشخیص و مشخصه‌یابی از تصاویر هوایی رنگی و مادون قرمز با وضوح بالا. 10 ص.
[ 17 ] بسه، ام.-تی. و Rouet، P. (2009) پوشش گیاهی قلب تجمع پاریس: رویکردی با استفاده از سنجش از دور دقیق. CFC، 6 ص.
[ 18 ] Rapinel, S., Clément, B. and Hubert-Moy, L. (2019) نقشه برداری تالاب توسط سنجش از دور: یک رویکرد چند مقیاسی برای برنامه ریزی محیطی. 21 ص.
[ 19 ] Badiane, SD and Mbaye, E. (2018) تالاب های شهری با چهره ای دوگانه در داکار: فرصت یا تهدید؟ 5 ص
[ 20 ] Samaaly, M. (1999) مطالعه تالاب ها با رویکرد فضایی: کاربرد برای یک مرداب انسانی (مرداب Bourgneuf در Loire-Atlantique) و یک مرداب طبیعی (Kaw در گویان). 149 ص.
[ 21 ] Vacquié, L. and Thomas, H. (2012) نقشه برداری تالاب های کوهستانی با سنجش از دور: پتانسیل های تصاویر با وضوح فضایی بسیار بالا: کاربرد در دره Haut-Vicdessos (Pyrenees). 23 ص.
[ 22 ] Charbonneau, L., Morin, D. and Brochu, R. (1985) تشخیص کاربری اراضی شهری و واحدهای پوشش زمین با استفاده از شبیه سازی نقطه ای. دفترهای جغرافیای کبک، 29، 29-47.
https://doi.org/10.7202/021692ar
[ 23 ] Tidjani, A., Khorsi, A. and Ziani (1390) تشخیص پوشش گیاهی از تصویر ماهواره ای. پایان نامه پایان تحصیلات، دانشگاه عمار تلیدجی لاغوت، لغوات.
https://www.memoireonline.com
[ 24 ] Be, A. (2016) علایق و محدودیت های سنجش از دور برای تشخیص محصول.
https://beapi.coop/l-essentiel-de-l-agriculture/interets-et-limites-de-la-teledetection-pour-diagnostiquer-les-cultures/#:~:text=Int%C3%A9r% C3%AAts%20et%20limites%20de%20la%20t%C3%A9l%C3%A9d%C3%A9tection%20pour%20diagnostiquer%20les%20cultures,-Diagnostic%20sol&text=L’imagerieC3%quo%20rien
% %C3%A9e%20%C3%A0,l’%C3%A9chelle%20intra%2Dparcellaire
[ 25 ] Powerful, A. and Webber, C. (2001) استفاده از تصاویر با وضوح بالا برای ارزیابی مکان پوشش گیاهی در طراحی شهری. 10 ص.

بدون دیدگاه

دیدگاهتان را بنویسید