چکیده

:

در این مقاله، ما یک رویکرد برنامه‌نویسی پیشرفته با استفاده از پایتون و R برای پردازش تصاویر ماهواره‌ای و مدل‌سازی زمین در ساحل عاج، آفریقای غربی پیشنهاد می‌کنیم. داده ها شامل Landsat 9 OLI/TIRS C2 L1 و مدل ارتفاعی دیجیتال SRTM (DEM) است. کتابخانه EarthPy Python و بسته‌های ‘raster’ و ‘terra’ R به عنوان ابزاری برای پردازش داده‌ها استفاده می‌شوند. این روش شامل محاسبه شاخص‌های پوشش گیاهی برای استخراج اطلاعات در مورد پوشش گیاهی و مدل‌سازی زمین است. چهار شاخص پوشش گیاهی با استفاده از R محاسبه و تجسم شدند: شاخص گیاهی نرمال شده (NDVI)، شاخص گیاهی تقویت شده 2 (EVI2)، شاخص گیاهی تنظیم شده با خاک (SAVI) و شاخص گیاهی مقاوم در برابر جو 2 (ARVI2). نشان داده شده است که شاخص SAVI برای تجزیه و تحلیل پوشش گیاهی مناسب تر و بهتر تنظیم شده است. که برای نظارت بر کشاورزی در ساحل عاج مفید است. تحلیل زمین با استفاده از پایتون انجام می‌شود و شامل مدل‌سازی شیب، جنبه، سایه تپه و تپه با پارامترهای تغییر یافته برای زاویه و زاویه خورشید است. الگوی پوشش گیاهی در ساحل عاج ناهمگن است که نشان دهنده پیچیدگی ساختار زمین است. بنابراین، مدل‌سازی داده‌های زمین و پوشش گیاهی با هدف تحلیل رابطه بین توپوگرافی منطقه‌ای و محیط زیست در منطقه مورد مطالعه است. نقشه برداری ارتقا یافته به عنوان تجزیه و تحلیل محیطی منطقه ای از محیط اطراف Yamoussoukro و مدل سازی توپوگرافی محلی دریاچه Kossou انجام می شود. الگوریتم‌های پردازش داده‌ها شامل نمونه‌گیری مجدد تصویر، ترکیب باند، تجزیه و تحلیل آماری و جبر نقشه است که برای محاسبه شاخص‌های پوشش گیاهی در ساحل عاج استفاده می‌شود.
کلید واژه ها: 

پردازش تصویر ؛ سنجش از دور ؛ برنامه نویسی ; پایتون ؛ R ; تصویر ماهواره ای ; مدل زمین دیجیتال ; نقشه کشی ; نقشه برداری ؛ تحلیل فضایی

PACS: 

91.10.Da; 91.10.Jf; 91.10.Sp; 91.10.Xa; 96.25.Vt; 91.10.Fc; 95.40.+s; 95.75.Qr; 95.75. تومان; 42.68.Wt

MSC: 

86A30; 86-08; 86A99; 86A04

طبقه بندی JEL: 

Y91; Q20; Q24; Q23; Q3; Q01; R11; O44; O13; Q5; Q51; Q55; N57; C6; C61

 

1. مقدمه

1.1. زمینه

داده های سنجش از دور (RS) پتانسیل زیادی برای علوم زمین به عنوان منبع مهم اطلاعات مکانی دارد. داده های RS را می توان در کاربردهای مختلفی از جمله مطالعات زمین شناسی، نقشه برداری پوشش زمین، تشخیص تغییرات آب و هوا و پایش محیطی مورد استفاده قرار داد. اطلاعات معنایی به دست آمده از تصاویر ماهواره ای به طور گسترده در نقشه برداری موضوعی برای تجزیه و تحلیل پدیده ها و فرآیندهای مختلف روی زمین استفاده می شود. نمونه‌ها عبارتند از نقشه‌برداری بخش‌های پوشش زمین [ 1 ] و انواع پوشش گیاهی [ 2 ، 3 ، 4 ، 5 ، 6 ]، مدل‌سازی هیدرولوژیکی و ژئومورفیک [ 7 ]، گسترش شهری و اکتشاف زمین‌شناسی [ 8 ، 9 ]]. جدای از تصاویر ماهواره‌ای، منبع دیگری از داده‌های RS توسط تصاویر هوابرد [ 10 ، 11 ] و داده‌های تشخیص نور و محدوده (LiDAR) برای تجزیه و تحلیل سه‌بعدی (3D) زمین [ 12 ، 13 ، 14 ، 15 ، 16 ، 17 ] ارائه می‌شود. ، 18 ].
ایده کلی در پردازش تصویر این است که اطلاعات مکانی را می توان از داده های RS تفسیر شده به دست آورد. به عنوان مثال، ساختارهای مکرر که اجسام مشابه در سطح زمین را نشان می‌دهند معمولاً بر روی تصاویر ماهواره‌ای به تصویر کشیده می‌شوند که توسط پیکسل‌هایی که ماتریس صحنه تصویر را با محدوده‌ای از مقادیر قابل مقایسه تشکیل می‌دهند، نشان داده می‌شوند. این داده‌ها را می‌توان با استفاده از ویژگی‌های اعداد دیجیتال (DN) پیکسل‌ها، که به بافت، ترکیب و بافت اشیایی که چهره زمین را شکل می‌دهند، تجسم کرد [ 19 ]. انواع مختلف پوشش زمین که موزاییکی از مناظر متنوع را تشکیل می دهند را می توان بر روی تصاویر تشخیص داد. شناسایی و شناخت این ویژگی ها با استفاده از پارامترهای متضاد پیکسل ها در تصاویر ماهواره ای امکان پذیر است: روشنایی، وضوح [20 ، 21 ، 22 ]، شدت [ 23 ، 24 ] و بافت [ 25 ، 26 ، 27 ]. تکنیک‌های دقیق و قوی پردازش تصویر ماهواره‌ای برای تفسیر موثر تصویر در بسیاری از رویکردهای توسعه‌یافته اخیر ضروری است. اینها شامل الگوریتم های متنوع طبقه بندی و پردازش تصویر است.
هدف الگوریتم‌های موجود طبقه‌بندی تصویر، خواندن اطلاعات از پیکسل‌ها از طریق خواندن مقادیر سلول‌های شطرنجی است. تجزیه و تحلیل این اطلاعات نقشه برداری از پدیده ها، فرآیندها و اشیاء مختلف را بر اساس تفسیر داده های RS امکان پذیر می کند [ 28 ، 29 ، 30 ، 31 ، 32]. هدف اصلی پردازش تصویر بدست آوردن این اطلاعات از داده های RS است. در این زمینه، جستجو برای روش‌های موثر پردازش تصویر منجر به تنوع نرم‌افزارهای موجود سیستم اطلاعات جغرافیایی (GIS) طراحی شده برای پردازش داده‌های RS شد. با این حال، در بسیاری از موقعیت‌های عملی، GIS محدودیت‌هایی را ارائه می‌کند، چه به دلیل مجوز تجاری نرم‌افزار با هزینه بالا (ArcGIS، Erdas Imagine و eCognition) یا محدودیت‌های عملکردی (QGIS و سیستم تحلیل‌های زمین‌شناسی خودکار (SAGA) GIS). . علاوه بر این، روش‌های دستی سنتی پردازش تصویر زمان‌بر هستند که آن‌ها را برای پردازش کلان داده‌ها ناکارآمد می‌کند و نیاز به اتوماسیون دارد.

1.2. کار مرتبط

زبان های برنامه نویسی راه حل های موثری برای پردازش تصاویر ماهواره ای ارائه می دهند. این از طریق روش های پیشرفته یادگیری ماشین (ML) [ 33 ، 34 ، 35 ، 36 ] به دست می آید. در میان آنها، تکنیک های اسکریپت نویسی، مدیریت داده های RS را به طور موثر و دقیق امکان پذیر می کند [ 37 ، 38 ، 39 ، 40 ، 41 ، 42]. یک مزیت اساسی زبان های برنامه نویسی شامل اتوماسیون پردازش داده های RS است. مزیت دوم سازگاری فرمت های داده است. برخلاف نرم افزار GIS مستقل، کتابخانه های اسکریپت نویسی را می توان با سایر GIS ها از طریق ماژول ها، پلاگین ها و کیت های ابزار ادغام کرد [ 43 ، 44 ، 45 ]. انواع زبان های برنامه نویسی موجود می توانند به عنوان ابزاری بهینه و موثر برای پردازش تصویر و تجزیه و تحلیل داده های RS در مدل سازی محیطی مورد استفاده قرار گیرند که در این میان Python و R پیشرفته ترین و پرکاربردترین آنها هستند.
پایتون بدون شک یکی از موفق ترین زبان های برنامه نویسی سطح بالا است [ 46 ]. این به یکی از قدرتمندترین ابزارهایی تبدیل شده است که می تواند برای علم داده استفاده شود. پایتون انجام وظایف مختلف پردازش تصویر و تجزیه و تحلیل فضایی را از طریق ادغام کتابخانه ها امکان پذیر می کند [ 47 ، 48 ، 49 ]. نمونه‌های اخیر عبارتند از درونیابی تصویر، کالیبراسیون و همبستگی [ 50 ]، حس فشرده و بازسازی تصویر [ 51 ]، شناسایی و استخراج ویژگی‌های عمودی [ 52 ] و مدل‌سازی هواشناسی [ 53 ] با تصاویر حاصل در قالب‌های سازگار.
مجموعه‌ای از کتابخانه‌های پایتون [ 54 ، 55 ] اخیراً با EarthPy ساخته شده است که مخصوصاً برای پردازش اطلاعات جغرافیایی طراحی شده است [ 56 ]. گذشته از کاربردهای عمومی در شاخه‌های مختلف علم داده و ML [ 57 ، 58 ، 59 ، 60 ]، پایتون را می‌توان برای پردازش داده‌های RS با استفاده از کتابخانه‌های فضایی آن اعمال کرد [ 61 ]. پردازش تصویر و سیگنال توسط الگوریتم های شی گرا پایتون در علوم زمین فراگیر است و راه حل هایی را برای طیف گسترده ای از مسائل ارائه می دهد. نمونه‌هایی از استفاده از پایتون در حوزه‌های مختلفی از جمله مطالعات زمین‌شناسی [ 62 ]، تحلیل توپوگرافی [62] گزارش شده است.63 ، مدل‌سازی هیدروژئولوژیکی [ 64 ]، مدل‌سازی آلودگی هوا و کاربری زمین [ 65 ]، پردازش داده‌های مکانی دسته‌ای [ 66 ]، ایجاد تصاویر پانوراما [ 67 ] و میکروسکوپ تونل‌زنی [ 68 ]، برای ذکر چند مورد.
R یک ابزار برنامه نویسی اساسی برای پردازش داده های آماری و مکانی است [ 69 ]. این شامل بسته های متنوعی با عملکرد گرافیکی گسترده و اجزای آماری پیشرفته است [ 70 ]. بسته‌های R مدت‌هاست که برای بازیابی داده‌ها، تحلیل، مدل‌سازی و تجسم در صنایع مختلف از جمله رباتیک، مهندسی و GIS استفاده می‌شوند [ 71 ، 72 ، 73 ، 74 ، 75 ]. R برتری را در محاسبات آماری، نمودارهای گرافیکی و تجزیه و تحلیل داده ها در مقایسه با نرم افزار رابط کاربری گرافیکی (GUI) نشان می دهد. علاوه بر این، R در تجزیه و تحلیل کلان داده ها برتری دارد [ 76 ، 77 ، 78]، داده کاوی [ 79 ] و تجسم [ 80 ] مدل سازی، رسم و پردازش تصویر، که از طریق انواع بسته های داخلی آن پشتیبانی می شوند.
در مقایسه با پایتون، R به دلیل سابقه طولانی توسعه پایدار، مجموعه غنی تری از کتابخانه ها دارد. آنها شامل طیف گسترده ای از ابزارهای آماری ریاضی، از توابع بسیار اساسی تا الگوریتم های بسیار پیچیده تحلیل داده ها هستند [ 81 ]. پیشرفت‌های اخیر در پردازش داده‌های مکانی [ 82 ] و طبقه‌بندی تصویر [ 83 ، 84] R را برای پردازش داده های سنجش از دور، از جمله طبقه بندی و تقسیم بندی تصویر، موفق کرده اند. این روش جدیدی را برای پردازش و مدل‌سازی تصاویر ماهواره‌ای و استخراج اطلاعات ساختار یافته از صحنه‌های پیچیده ارائه می‌کند. در این راستا، کتابخانه های “terra” و “raster” R ابزارهای ضروری برای مدل سازی داده های مکانی را ارائه می دهند. عملکرد این کتابخانه ها شامل گزینه های ضروری برای طبقه بندی تصاویر مانند خواندن ابعاد فضایی از تصاویر شطرنجی، پشتیبانی از باندهای طیفی صحنه های Landsat، ارزیابی شباهت بین مقادیر پیکسل ها و استخراج ویژگی ها از متغیرهایی مانند انواع پوشش گیاهی و تغییرات در ساختار منظر است. و توپوگرافی

1.3. مشارکت

هدف این مقاله ارائه کاربرد الگوریتم های پایتون و R برای پردازش تصویر است. انگیزه این کار ایده استفاده از روش های برنامه نویسی پیشرفته برای تجسم ویژگی ها و کلاس های شی در سطح زمین است. اهداف خاص شامل وظایف زیر است: (1) رسم ترکیب رنگ یک تصویرگر زمین عملیاتی لندست و تصویر مادون قرمز حرارتی (OLI/TIRS) با ترکیبی از باندهای سنسور سه کانال برای نمایش تصویر. (2) محاسبه شاخص های پوشش گیاهی انتخاب شده با استفاده از اصول جبر نقشه بر اساس DN مقدار بازتاب پیکسل ها در باندهای طیفی منتخب مادون قرمز نزدیک (NIR) و قرمز. و (3) مدل‌سازی زمین با تجسم ژئومورفیک شیب، جنبه،
ما دو رویکرد برای پردازش تصاویر ماهواره‌ای توسط پایتون و R پیشنهاد می‌کنیم. در رویکرد اول، از بسته‌های R ‘terra’ و ‘raster’ برای محاسبه شاخص‌های پوشش گیاهی باندهای Landsat و ایجاد کامپوزیت‌های باند رنگی استفاده می‌کنیم. برای رویکرد دوم، ما یک برنامه کاربردی از کتابخانه Python EarthPy برای تجزیه و تحلیل زمین ارائه می‌کنیم که توسط کتابخانه‌های کمکی (Matplotlib، NumPy، Rasterio و Plotly) برای پردازش و تجسم داده‌ها پشتیبانی می‌شود. نشان داده شده است که ترکیب چندین کتابخانه در استفاده از خواص و عملکرد هر کدام برای دستیابی به پردازش تصویر موثر برای تجزیه و تحلیل مکانی با استفاده از نحو پایتون موثر است.
اهداف مطالعه ما استفاده از قابلیت های پیشرفته R و Python برای تجزیه و تحلیل تصاویر ماهواره ای با هدف ارزیابی محیطی و نقشه برداری ساحل عاج با استفاده از تصاویر چند طیفی پهنای باند است. در اینجا، اهداف شناسایی شرایط پوشش گیاهی با محاسبه چهار شاخص پوشش گیاهی – NDVI، SAVI، EVI2 و ARVI2 – و مدل‌سازی زمین در اطراف دریاچه Kossou در شمال Yamoussoukro است. چندین کتابخانه در اسکریپت‌ها برای مدل‌سازی زمین، محاسبه شاخص‌های پوشش گیاهی و ایجاد ترکیب‌های رنگی با استفاده از ترکیبی از باندهای Landsat استفاده می‌شوند. برخلاف رویکردهای موجود که از نرم افزار سنتی GIS با عملکرد محدود استفاده می کنند.
ما دریافتیم که کتابخانه های پیشرفته پایتون و R برای پردازش تصاویر ماهواره ای با وضوح بالا موثر هستند. این به ما انگیزه می دهد تا یک روش اسکریپت نویسی کارآمد را برای نظارت بر محیط زیست معرفی کنیم. تا جایی که ما می دانیم، هیچ تلاشی برای ادغام زبان های سطح بالا، مانند Python و R، برای نقشه برداری ساحل عاج، برای مدل سازی زمین یا برای تجزیه و تحلیل پوشش گیاهی توسط اسکریپت انجام نشده است. آثار مربوط به ما شامل برخی از مطالعات قبلی در مورد ساحل عاج [ 85 , 86 , 87 , 88 , 89 است.]، که در آن از روش های سنتی GIS برای پردازش اطلاعات مکانی-زمانی برای نقشه برداری محیطی استفاده شد. تفاوت اصلی بین کار ما و آنها این است که روش ما الگوریتم های برنامه نویسی را برای پردازش تصاویر ماهواره ای چندطیفی با استفاده از اسکریپت ها یکپارچه می کند.
مشارکت های اصلی ما را می توان به شرح زیر خلاصه کرد: (1) نقشه برداری زیست محیطی ساحل عاج بر اساس مدل سازی و تجسم چندین شاخص پوشش گیاهی با استفاده از بسته “terra”. (2) یک رویکرد مبتنی بر R برای پردازش تصاویر ماهواره‌ای برای پردازش خودکار داده‌های شطرنجی در باندهای طیفی و محاسبات مقادیر سلولی با هدف تحلیل فضایی مناظر ناهمگن ساحل عاج. (3) الگوریتم های مبتنی بر EarthPy برای استخراج اطلاعات توپوگرافی منطقه دریاچه Kossou برای مدل سازی پارامترهای زمین شیب، جنبه، دامنه ها و کانال های جریان سیستم شبکه هیدرولوژیکی. و (4) نگاشت داده های مکانی با کتابخانه های برنامه نویسی برای پردازش خودکار داده ها، که از روش های سنتی برای تجسم کارتوگرافی و تجزیه و تحلیل تصویر بهتر عمل می کند.

2. منطقه مطالعه

منطقه مورد مطالعه در بخش مرکزی ساحل عاج، غرب آفریقا متمرکز بود ( شکل 1 ). به طور خاص، ما منطقه دریاچه Kossou را به عنوان یک قطعه بزرگ از منطقه مورد مطالعه برای تجزیه و تحلیل زمین انتخاب کردیم. این دریاچه به طور مصنوعی توسط یک سد ساخته شده بر روی رودخانه باندما شکل گرفته است. دریاچه Kossou یکی از مهم ترین آب های داخلی ساحل عاج را تشکیل می دهد و نقش اساسی در محیط زیست جنوب صحرای آفریقا ایفا می کند [ 90 ]. جنبه های عملکردی به عنوان زیستگاه برای بیوتاهای غالب دارد و از زنجیره های غذایی در اکوسیستم ها پشتیبانی می کند.
ساحل عاج به دلیل ساختار زمینی متنوع که دارای دو بخش متمایز است، قابل توجه است: یک منطقه ساحلی که توسط آبرفت ها و ماسه های دریایی تشکیل شده است و یک منطقه قاره ای با تپه های برجسته [ 91 ]. انواع پوشش زمین با دو نوع اکوسیستم اصلی مرتبط است: جنگل‌های پراکنده در بخش جنوبی کشور و ساوانا در شمال بواکه [ 92 ]. انواع پوشش گیاهی تا حد زیادی توسط رژیم بارندگی استوایی یا زیر استوایی کنترل می شود. فصل خشک طولانی برای نیمه شمالی ساحل عاج با ساواناهای غالب معمول است، در حالی که یک رژیم گرمسیری بخش جنوبی کشور را با جنگل های غالب مشخص می کند [ 93 ]]. یک محیط اقلیمی و محیطی مطلوب، فعالیت های کشاورزی و کشاورزی جمعیت محلی را حفظ می کند. این امر ساحل عاج را به بزرگترین تولیدکننده کاکائو در جهان تبدیل می کند [ 94 ، 95 ، 96 ، 97 ] و صادرکننده فعال محصولات غذایی [ 98 ]، مانند قهوه، موز، آناناس و روغن نخل [ 99 ]. به غیر از کشاورزی، فعالیت های جمعیت شامل اکتشاف، استخراج معدن [ 100 ، 101 ، 102 ] و ماهیگیری محدود در امتداد فلات قاره باریک اقیانوس اطلس [ 103 ] است.
اخیراً ساحل عاج تغییرات محیطی معمولی برای سایر کشورهای مرطوب آفریقای غربی را تجربه کرده است. اینها شامل جنگل زدایی و تکه تکه شدن اکوسیستم ها [ 104 ]، کاهش غنای گونه ای در زیست بوم های ساوانا [ 105 ] و افزایش ناهمگونی زیستگاه است که بر تنوع زیستی و ساختار جامعه گونه ها تأثیر می گذارد [ 106 ]. محرک های تغییرات محیطی شامل اثرات آب و هوا و گسترش شهری است که از دهه 1950 برای ساحل عاج استثنایی بوده است، به دلیل رشد جمعیتی طبیعی و افزایش تجمعات صنعتی [ 107 ، 108 ، 109 ، 110 ].]. از نظر جغرافیایی، شتاب جمعیت منجر به افزایش نواحی شهر و اصلاح شبکه های حمل و نقل می شود [ 111 ]. سایر مشکلات زیست محیطی شامل مسائل تامین آب و آلودگی ناشی از مزارع کشاورزی و صنعتی [ 112 ] است.

3. مواد و روشها

3.1. داده ها

داده‌ها از مشاهده‌گر تجسم جهانی (GloVis) سازمان زمین‌شناسی ایالات متحده (USGS)، یک مخزن تصاویر ماهواره‌ای با دسترسی آزاد عمومی به داده‌های سنجش از راه دور جمع‌آوری شد ( شکل 2 ).
داده‌های مورد استفاده در این مطالعه شامل تصویربرداری ماهواره‌ای Landsat 9 OLI/TIRS C2 L1 و SRTM DEM برای مدل‌سازی زمین بود. تصویر ماهواره ای بخش مرکزی ساحل عاج را پوشش می دهد. دارای پارامترهای فنی زیر است: یک صحنه LC91970552022011LGN01 شناسایی شده است. شناسه محصول لندست از LC09_L1TP_197055_20220111_20220122_02_T1 و پوشش ابر زمینی 1.29، که در 11 ژانویه 2022 به دست آمد. تصویر از ماهواره رصدی Landsat 9 Earth، که دارای دو سنسور سنجنده از راه دور بر روی ابزار سنجش از راه دور است، گرفته شده است. 2) حسگر و حسگر حرارتی مادون قرمز (TIRS-2) به همراه نه باند طیفی [ 113 ، 114]. اطلاعات فنی بیشتر به صورت آنلاین از Landsat 9 در دسترس است. داده های مورد استفاده برای تجزیه و تحلیل زمین شامل DEM پر از فضای خالی SRTM، به دست آمده از SRTM3 NASA/NGA است. وضوح آن 3 ثانیه قوس (90 متر) و پارامترهای فنی زیر است: شناسه موجودیت SRTM3N07W006V2 و مختصات کاشی: 5-6 درجه غربی، 7-8 درجه شمالی، با تاریخ دریافت 11 فوریه 2000. نقشه کلی که منطقه مورد مطالعه را نشان می‌دهد بر اساس نمودار عمومی گرم‌سنجی اقیانوس‌ها (GEBCO) [ 115 ] با استفاده از برنامه‌نویسی GMT ​​[ 116 ] و با پیروی از روش‌شناسی موجود ترسیم شد [ 117 ، 118 ].

3.2. پردازش تصویر در R

بسته‌های R ‘terra’ [ 119 ] و ‘raster’ [ 120 ] برای محاسبه شاخص‌های پوشش گیاهی و پردازش تصویر استفاده شدند. منبع طرح رنگ بسته RColorBrewer برای تجسم و رسم استفاده شد [ 121 ].

3.2.1. بازیابی اطلاعات و آمار فضایی

برای مقابله با یک سری از باندهای Landsat و جستجوی فراداده، پارامترهای تصویر را با استفاده از عبارت منظم با ابزارهای خط فرمان یونیکس به عنوان ترکیبی از grep، کتابخانه انتزاع داده‌های مکانی (GDAL) و echo (فهرست 1) بررسی کردیم. در اینجا، grep متن را در یک فایل مطابق با الگوی مشخصی از کاراکترها جستجو می‌کند، GDAL اطلاعات مکانی را در مجموعه داده فیلتر می‌کند و echo رشته‌ها را با استفاده از آرگومان‌های تعریف‌شده خروجی می‌دهد.
فهرست 1: اسکریپت پوسته یونیکس توسط ابزارهای GDAL و echo-grep برای بررسی هندسه TIF های Landsat.
Jimaging 08 00317 i001
وضوح فضایی، مربوط به اندازه پیکسل، برای باندهای 1-7، 9 و 10 30 متر بود، در حالی که برای باند 8 (پانکروماتیک) 15 متر بود ( شکل 3 a). اطلاعات مکانی کانال‌های لندست (باندها) در ابرداده، همانطور که در شکل 3 ب نشان داده شده است، ارائه شده و توسط R بررسی شده است. ، بیضی و مبنا به دست آمده توسط سیستم موقعیت یابی جهانی (GPS) فضاپیما و وضوح فضایی و رادیومتری تصویر. هر تصویر مربوط به باند معینی از صحنه Landsat در کلاس شیء R SpatRaster خوانده شد که نشان دهنده برابری شده است. مساحت سلول های مستطیلی با توجه به واحدهای CRS (شکل 3 ب).

3.2.2. نوارهای طیفی برای کامپوزیت های رنگی

ویژگی های تصویر با استفاده از یک شی SpatRaster توسط دستورات R ارائه شده در لیست 2 مورد ارزیابی قرار گرفت. . کانال پانکروماتیک (باند 8) وضوح بالاتر (15 متر) در مقایسه با مجموعه باندهای چند طیفی در باندهای مرئی و حرارتی طیف (30 متر) داشت. برای نادیده گرفتن این تفاوت در ماتریس تصویر، شطرنجی در باند 8 (پانکروماتیک) به ساختار همان تعداد ردیف و ستون مانند باندهای دیگر (در اینجا، باند هدف 1 به رنگ آبی فوق‌العاده است) نمونه‌برداری شد. شی چند لایه RasterBrick همانطور که در لیست 2 نشان داده شد.
لیست 2: کد R مورد استفاده برای بازرسی اطلاعات و آمار باندهای OLI لندست 8-9.
Jimaging 08 00317 i002a
Jimaging 08 00317 i002b
پس از آن، لایه‌ها در کلاس شی «landsat» R خوانده شدند، جایی که آنها با نوارهای تصویر Landsat-9 OLI نشان داده شدند. شدت انعکاس دارای طول موج های زیر بود: آئروسل فوق العاده آبی یا ساحلی (باند 1)، آبی (باند 2)، سبز (باند 3)، قرمز (باند 4)، مادون قرمز نزدیک (NIR) (باند 5)، مادون قرمز موج کوتاه (SWIR) ) 1 (باند 6)، موج کوتاه مادون قرمز (SWIR) 2 (باند 7)، پانکروماتیک (باند 8)، سیروس (باند 9)، مادون قرمز حرارتی (TIRS) 1 (باند 10) و مادون قرمز حرارتی (TIRS) 2 (باند 11) ). تجسم باندهای منفرد با استفاده از فهرست 3 انجام شد و به عنوان یک طرح فرعی از صحنه های خاکستری در شکل 4 ارائه شده است.
فهرست 3: کد R برای رسم 11 لایه اصلی (باندهای خام) تصاویر چند طیفی Landsat-9 به عنوان تصاویر بیت مپ در مقیاس خاکستری.
Jimaging 08 00317 i003
تفاوت در تفاوت های ظریف بین متناظر خاکستری و مقادیر عددی و محدوده مقادیر پیکسل در کانال های مختلف لندست وجود داشت. این با بازتاب طیفی که در باندهای مختلف برای اجرام روی سطح زمین متفاوت است توضیح داده می شود. با توجه به بازتاب فردی تابش خورشیدی توسط این ویژگی ها، مقادیر بر این اساس متفاوت است. چنین اثراتی از بازتاب طیفی ما را قادر ساخت تا از ترکیب باندهای مختلف برای نمایش بهتر پدیده ها و اجرام مختلف روی زمین استفاده کنیم. به عنوان مثال، کاربردهای خاص نوارهای لندست برای زمین شناسی (SWIR (باند 7)، NIR (باند 5) و قرمز (باند 4)) [ 122 ] است.]، شناسایی کانی شناسی خاک و سنگ (SWIR (باند 7)، قرمز (باند 4) و سبز (باند 2)) و شناسایی تفاوت بین خاک و پوشش گیاهی (سبز در باند 3) [ 123 ، 124 ]. گذشته از آن، داده های بازتابی از باندهای انتخابی تصاویر Landsat در محاسبه چهار شاخص پوشش گیاهی برای منطقه مورد مطالعه با استفاده از برهمکنش پیکسل ها در شطرنجی استفاده شد.
زیرمجموعه فایل‌های بزرگ، مانند تصاویر چند طیفی Landsat، با استفاده از شی SpatRaster و تابع ‘subset’ انجام شد که پردازش باندهای ضروری تصویر Landsat را امکان‌پذیر کرد. از این نظر، نادیده گرفتن سیروس، TIRS و باندهای دیگر را که برای یک کار معین مرتبط نبودند و تنها طیف‌های مرئی باقی می‌ماند را فعال کرد. به این ترتیب، زیر مجموعه ای از لایه های هدف از شی SpatRaster انتخاب شد، در حالی که باندهای دیگر از مجموعه داده با استفاده از لیست 4 حذف شدند.
لیست 4: کد R برای زیر مجموعه فایل های بزرگ با استفاده از شی SpatRaster.
Jimaging 08 00317 i004
بازرسی بصری محصول تصویر ماهواره‌ای ساخته شده از داده‌های تصویر تک رنگ ( شکل 4 ) برای استخراج اطلاعات کلی در مورد ویژگی‌های مقیاس بزرگ، مانند سیستم‌های رودخانه، دریاچه‌ها، کوه‌ها، الگوهای شکستگی، خطوط زمین‌شناسی بزرگ یا وسعت مفید بود. شهری با اشیاء قابل توجه مانند بزرگراه ها. این اشیاء قابل مشاهده هستند و می توان آنها را با شکل و اندازه آنها شناسایی کرد و با استفاده از ویژگی های فضایی مربوط به مقادیر روشنایی پیکسل تفسیر کرد.
برای بررسی دقیق‌تر رابطه بین پاسخ‌های طیفی انواع مختلف پوشش زمین در دیاپازون‌های طول موج مختلف، همبستگی زوجی بین باندهای انتخاب شده از تصویر Landsat را بررسی کردیم. برای این منظور، باندها را در ترکیب‌های دوتایی (باند 1 در برابر باند 2 و باند 4 در برابر باند 5) در قسمت‌های انتخاب شده از طیف مقایسه کردیم. تصاویر با استفاده از فهرست 5 پیکسل به پیکسل در برابر تصاویر باندهای مربوطه رسم شدند. نمودار به دست آمده یک بیضی همبستگی باریک و یک هیستوگرام نشان دهنده یک همبستگی مثبت قوی بین دو باند سبز و آبی و همچنین قرمز به NIR بود ( شکل 5) ).
سلول‌های با بازتاب طیفی کم در یک باند هدف عموماً بازتاب کمی در باندهای باقی‌مانده داشتند که ناشی از آلبدوی سطح زمین بود. با این حال، یک همبستگی قابل مشاهده بین باندهای 1 و 2 شباهت بیشتری را بین این باندها نشان داد، زیرا تمام پیکسل ها تقریباً در امتداد یک خط قرار داشتند ( شکل 5 a). در مقابل، نوارهای NIR و قرمز تفاوت های بیشتری را در بازتاب طیفی برای اشیاء انتخاب شده نشان دادند که منجر به ابر پراکنده ای از نقاط نشان دهنده پیکسل های تصویر شد ( شکل 5).ب). روشنایی پیکسل ها در هر لایه، میزان تابش خورشیدی برخوردی را نشان می دهد که توسط سطح زمین در یک دیاپازون با طول موج معین منعکس می شود. در نتیجه این امر باعث تشابه یا تفاوت در باندهای طیفی صحنه لندست می شود.
فهرست 5: کد R برای بازرسی همبستگی بین باندهای انتخابی Landsat.
Jimaging 08 00317 i005
از آنجایی که اطلاعات زیادی در باندهای تک رنگ تصویر Landsat OLI/TIRS وجود نداشت، آنها در ترکیبات رنگی برای ایجاد تصاویر معرف بیشتر ترکیب شدند. ترسیم کامپوزیت های رنگی بر اساس ترکیب سه باند مورد استفاده به عنوان عناصر صحنه ماتریس بود. سه باند اختصاص داده شده به هر یک از سه رنگ اصلی (قرمز، سبز و آبی (RGB)) با تصاویر با استفاده از فهرست 6 نمایش داده شد.
فهرست 6: کد R مورد استفاده برای رسم ترکیبات رنگی برای نوارهای تصویر ماهواره ای.
Jimaging 08 00317 i006a
Jimaging 08 00317 i006b
شاخص های پوشش گیاهی بر اساس ترکیب محاسباتی تبدیل شده باندهای Landsat OLI/TIRS محاسبه شد. این نتیجه از فرمول های موجود برای محاسبات باند با استفاده از عملیات ریاضی با باند است. جبر نقشه شامل جمع، تفریق و تقسیم روشنایی در سلول های NIR و نوارهای قرمز تصویر Landsat بود. تفاوت در نوارها، مناطق پوشش گیاهی افزایش یافته و سالم تر را در منطقه هدف تصویر برجسته می کند، که اطلاعاتی را برای نظارت بر محیط زیست ارائه می دهد. تصویر حاصل مقادیر روشنایی پوشش گیاهی را نشان می‌دهد که توسط پالت‌های رنگی ساخته شده با استفاده از عملیات حسابی روی نوارهای ترکیبی اصلاح شده است.
پرکاربردترین و شناخته شده ترین شاخص گیاهی، شاخص گیاهی تفاوت نرمال شده (NDVI) است که نسبت تفاوت در مقادیر بین نوارهای قرمز و NIR و مجموع آنها را اعمال می کند. مشابه NDVI، شاخص گیاهی تقویت‌شده (EVI) میزان سبزی پوشش گیاهی را با اصلاحات اضافه شده برای شرایط جوی و نویز پس‌زمینه تاج اندازه‌گیری می‌کند. جدای از آن، EVI در مناطق جنگلی با سایبان های متراکم و پوشش گیاهی حساس تر است، که برای مناطق جنگلی ساحل عاج مفید است. شاخص گیاهی تنظیم شده با خاک (SAVI) با استفاده از NDVI و تصحیح اثرات روشنایی خاک در مناطقی که پوشش رویشی کم است، یعنی مناطق جنگل زدایی و دشت های تکه تکه شده ساحل عاج، ایجاد می شود. شاخص گیاهی مقاوم در برابر اتمسفر 2 (ARVI2) قابل استفاده ترین شاخص در مناطقی با محتوای آئروسل اتمسفر بالا است. نمونه‌هایی از سایر شاخص‌های زیست‌محیطی عبارتند از: شاخص تفاوت نرمال شده آب (NDWI)، شاخص تغییر نرمال شده آب (MNDWI) و شاخص نسبت آب (WRI) [125 ].
محاسبه شاخص‌های پوشش گیاهی یک ابزار محیطی مهم است که بر اساس اطلاعات حاصل از مقادیر DN پیکسل‌ها است و بازتاب طیفی باندهای قرمز و NIR را که توسط سنسور اندازه‌گیری می‌شود، نشان می‌دهد. معمولاً با آمار فضایی و جبر باندها با استفاده از مقادیر سلولی تصویر همانطور که در فهرست 7 نشان داده شده است، محاسبه می شود. انرژی بیشتری را در باندهای NIR و قرمز در مقایسه با سایر طول موج ها منعکس می کند. برعکس، آب بیشتر انرژی موجود در باند NIR را جذب می کند و بنابراین با رنگ های سیاه تا قهوه ای بسیار تیره نشان داده می شود. از طریق مجموعه ای از تعاملات بین عناصر یک تصویر،
فهرست 7: کد R مورد استفاده برای محاسبه شاخص های پوشش گیاهی از باندهای تصویر ماهواره ای.
Jimaging 08 00317 i007a
Jimaging 08 00317 i007b

3.3. تجزیه و تحلیل زمین در پایتون

برای مدل‌سازی رابطه بین متغیرهای توپوگرافی و ظاهر، از الگوریتم‌های پایتون برای پردازش داده‌های SRTM با رویکرد سه بعدی استفاده کردیم. دو نوع مختلف از ویژگی های محلی برای تصویر SRTM، یعنی DTM و سایه تپه، با نور مصنوعی تقلید از نور خورشید محاسبه شد. تجسم سه بعدی از سطح زمین توسط آزیموت و ارتفاع مختلف خورشید تغییر می کند. از نظر فنی، تجزیه و تحلیل زمین با استفاده از ادغام چندین کتابخانه پایتون انجام شده است: EarthPy [ 56 ] برای مدل‌سازی، Matplotlib برای تجسم داده [ 126 ]، Rasterio برای پردازش مجموعه داده‌های شطرنجی شبکه‌ای [ 127 ]. بسته های کمکی شامل NumPy [ 128] که با آرایه‌هایی از سلول‌های شطرنجی که عناصر ماتریس تصویر را ارائه می‌کنند، در ردیف‌ها و ستون‌های منظم مرتب شده‌اند و Plotly [ 129 ] که به‌عنوان یک کتابخانه گرافیکی و رسم اضافی استفاده می‌شود، عمل می‌کند.
TIFF مکانی برای مدل سازی DEM به عنوان GeoTIFF با استفاده از کتابخانه Rasterio، که مجموعه داده را به عنوان یک آرایه شطرنجی از سلول ها وارد می کند، فرمت GeoTIFF را می خواند و یک شطرنجی شبکه بندی شده را به عنوان یک مدل زمین دیجیتال (DTM) یا تصاویر ماهواره ای ذخیره می کند، تجسم شده است (فهرست 8). ). داده های ارتفاع توسط Rasterio به عنوان مقادیر ارتفاعی که در سلول های شطرنجی مربوطه موجود بود وارد شد. ساختار داده ها یک آرایه NumPy را در قالب یک ماتریس با DN پیکسل ها ارائه می کند. زمین به عنوان آرایه ای از سلول ها نشان دهنده سطح زمین با توجه به مقادیر ارتفاع، همانطور که در فهرست 8 نشان داده شده است، رسم شد. ترسیم نوارها با استفاده از تابع ep.plot_bands() با استفاده از ابعاد فضایی فایل شطرنجی انجام شد.
فهرست 8: کد پایتون (1) برای ترسیم DEM در شکل 2 استفاده می شود.
Jimaging 08 00317 i008
سایه تپه با استفاده از ارتفاع خورشید به عنوان منبع نور در نقطه اوج و آزیموت منبع روشنایی محاسبه شد (فهرست 9). توابع برای محاسبه تغییرات بین مکان‌های نمونه روشنایی مصنوعی زمین منجر به جزئیات تجسمی زمین در اطراف دریاچه کوسو شد. شیب و جنبه زمین به عنوان متغیرهای کمکی برای مدل‌سازی زمین استفاده شد. مدل‌سازی سایه تپه‌ها ذاتاً به نمایش‌های کارتوگرافی استاتیک توپوگرافی زمین مربوط می‌شد، و بنابراین سایه تپه برای نمایش ژئومورفومتریک زمین ساحل عاج مورد استفاده قرار گرفت.
لیست 9: کد پایتون (2) برای ترسیم سایه تپه در شکل 3 استفاده می شود.
Jimaging 08 00317 i009
Hillshade زمین را با مقدار روشنایی فرضی در مقیاس تک رنگ (0-255) با سلول‌هایی در صحنه شطرنجی نشان می‌دهد که سطح زمین را با یک منبع نور مشخص مشخص نشان می‌دهد. روشنایی به 10 درجه و 230 درجه (بر حسب رادیان) تغییر یافت تا مدل جغرافیایی نقش برجسته توپوگرافی ساحل عاج را بهتر نشان دهد (فهرست 10). فرض کنید که تفاوت جهت‌گیری بین زاویه و آزیموت روشنایی مصنوعی در مدل‌سازی توپوگرافی دریاچه کوسو مستقل است و با توجه به پارامترهای زمانی و فصلی به طور یکسان توزیع می‌شود. برای تجسم ویژگی های نقش برجسته در مدل توپوگرافی بر اساس DEM، داده های شطرنجی برای تخمین تغییرات در توزیع پارامترها نمونه برداری شد. در مورد ما، آزیموت های 10 درجه و 230 درجه را انتخاب کردیم.
فهرست 10: کد پایتون برای ترسیم سایه تپه با مقادیر تغییر یافته آزیموت و زاویه خورشید برای شکل 4 و شکل 5 استفاده می شود.
Jimaging 08 00317 i010a
Jimaging 08 00317 i010b
ما داده ها را با وضوح بالا در نظر گرفتیم، که ممکن است محدودیت های فعلی ما را نشان دهد. با این حال، دقت ممکن است مدل توپوگرافی حاصل را از طریق داده‌های تفکیک درشت‌تر تحت تأثیر قرار دهد (یعنی مترهای کمتر در یک پیکسل، نمایشی تقریبی از سطح زمین ارائه می‌دهد و شکل‌های زمین کوچک‌تر را در چشم‌انداز از دست می‌دهد). با توجه به این موضوع، به شدت توصیه می‌شود که داده‌های با وضوح بسیار بالا برای نمایش دقیق زمین اعمال شود. نکته قابل توجه دیگر انتخاب نما و آزیموت صحیح برای مدلسازی جهت، شیب و ارتفاع است که به ویژه برای مناطق کوهستانی و نقش برجسته های ناهموار صادق است. اگرچه روش مدل‌سازی زمین مبتنی بر پایتون به طور بالقوه می‌تواند مواد با وضوح درشت‌تر یا ناشناخته را برای داده‌های اصلی مدیریت کند. نتایج ممکن است ساختارهای انتخاب شده را در سطح زمین پنهان کند. همین موضوع مربوط به کاربردهای R برای پردازش تصویر است، که در آن دقت داده‌های خروجی با وضوح اصلی داده‌های ورودی مطابقت دارد. در کارهای آینده‌مان، ما بسیار علاقه‌مندیم که مطالعه‌مان را برای پردازش تصاویر با وضوح بالاتر، مانند Sentinel 2A با وضوح 10 متر یا ماهواره بر روی رصد زمین (SPOT) با وضوح فضایی تا 1.5 متر گسترش دهیم. کانال های پانکروماتیک و چند طیفی
در روش ارائه شده، ما از الگوریتم‌های پایتون و R استفاده کردیم که ویژگی‌های زمین زمین را با استفاده از پارامترهای فضایی داده‌های سنجش از دور پردازش و مدل‌سازی می‌کنند. با بهره‌برداری از ویژگی‌های بازتاب طیفی باندهای ماهواره‌ای، از اطلاعات کانال‌های Landsat از سلول‌های مربوطه استفاده کردیم که نشان‌دهنده اشیاء واقع در زمین است. تفسیر این مقادیر بر اساس بازتاب طیفی آنها در باند موج های مختلف است که اطلاعاتی در مورد ویژگی های انواع پوشش زمین معمولی ارائه می دهد. این امر از طریق تجزیه و تحلیل روشنایی متفاوت هر نوع پوشش زمین (به عنوان مثال، جنگل ها، رودخانه ها، دریاچه ها و سایر آب ها یا فضاهای شهری) امکان پذیر شد. به نوبه خود، مدل‌های ژئومورفومتری که با استفاده از اسکریپت‌های پایتون تشکیل شده‌اند، امکان پیش‌بینی توزیع خواص مختلف خاک و انواع پوشش گیاهی مرتبط با شیب شیب خاص و ویژگی‌های توپوگرافی منطقه‌ای را فراهم می‌کنند. نمونه هایی از کاربرد مدل های زمین شامل ارزیابی خطر خطر در زمین شناسی کاربردی برای فرسایش، رانش زمین و بهمن در مناطق کوهستانی است. مزیت اصلی استفاده از اسکریپت‌های پایتون و R برای مدل‌سازی محیطی این است که زمان پردازش داده‌ها را کاهش می‌دهد و دقت مدل‌ها را از طریق اتوماسیون پردازش داده‌ها افزایش می‌دهد، زیرا اسکریپت‌ها برای مناطق دیگر قابل تکرار هستند و می‌توانند در مطالعات مشابه به کار روند. نمونه هایی از کاربرد مدل های زمین شامل ارزیابی خطر خطر در زمین شناسی کاربردی برای فرسایش، رانش زمین و بهمن در مناطق کوهستانی است. مزیت اصلی استفاده از اسکریپت‌های پایتون و R برای مدل‌سازی محیطی این است که زمان پردازش داده‌ها را کاهش می‌دهد و دقت مدل‌ها را از طریق اتوماسیون پردازش داده‌ها افزایش می‌دهد، زیرا اسکریپت‌ها برای مناطق دیگر قابل تکرار هستند و می‌توانند در مطالعات مشابه به کار روند. نمونه هایی از کاربرد مدل های زمین شامل ارزیابی خطر خطر در زمین شناسی کاربردی برای فرسایش، رانش زمین و بهمن در مناطق کوهستانی است. مزیت اصلی استفاده از اسکریپت‌های پایتون و R برای مدل‌سازی محیطی این است که زمان پردازش داده‌ها را کاهش می‌دهد و دقت مدل‌ها را از طریق اتوماسیون پردازش داده‌ها افزایش می‌دهد، زیرا اسکریپت‌ها برای مناطق دیگر قابل تکرار هستند و می‌توانند در مطالعات مشابه به کار روند.

4. نتایج و بحث

4.1. کامپوزیت های رنگی

نقشه های تصویر رنگی توسط ترکیب های مختلف باندهای ثبت شده Landsat OLI/TIRS ایجاد شد. در ترتیب از بالا به پایین، به ترتیب به صورت کامپوزیت های طبیعی و کاذب نمایش داده می شوند ( شکل 6 ). استفاده از کامپوزیت های رنگی طبیعی (یا واقعی) به طور گسترده ای برای نظارت کلی محیطی به کار گرفته شد، زیرا ویژگی های مربوط به انواع منظره و پوشش زمین را در مقایسه با تصاویر تک رنگ نشان می داد. بنابراین، ترکیب نوارهای 4-3-2 (قرمز-سبز-آبی) و 2-3-4 (آبی-سبز-قرمز) ترکیبات رنگ طبیعی را به خوبی نشان می دهند. از آنجایی که ظاهر آن شبیه عکس هوایی معمولی است، این کامپوزیت برای نقشه برداری از پوشش گیاهی و کشاورزی و تمایز پوشش گیاهی از خاک برهنه و رشد محصولات مفید است ( شکل 6).الف، ب).
در شکل 6 ج، نوارهای 3، 4 و 5 به صورت معکوس گرفته شده اند، که در آن نوار 5 (NIR) قرمز، نوار 4 (قرمز) سبز و نوار 3 (سبز) آبی است. بهبود تصویر با استفاده از کشش خطی و هیستوگرام انجام شد که شامل تنظیم کنتراست در تن رنگی تصاویر بود. در این کامپوزیت نواری، پوشش گیاهی سالم پهن برگ رنگ مایل به قرمز عمیق‌تری داشت، در حالی که رنگ‌های روشن‌تر مربوط به علفزارها، ساواناها یا مناطق با پوشش گیاهی کم بود. خاک با رنگ های مختلفی بسته به نوع خاک، از تیره تا قهوه ای روشن نشان داده شد. مناطق شهری پرجمعیت با لکه های خاکستری روشن تا سفید نشان داده شده اند.
کامپوزیت رنگ کاذب با ترکیب باندهای 3، 4 و 5 نشان داده شد که در آن از نوارهای NIR، قرمز و سبز استفاده شد. این داده‌های نوری را چاپ می‌کرد، با پوشش گیاهی که از طریق رنگ‌های قرمز روشن به دلیل انعکاس کلروفیل غالب بود، در حالی که زمین‌های کشاورزی به رنگ فیروزه‌ای نشان داده می‌شدند. خاک های لخت در این ترکیب بسته به نوع محصول به صورت سایه هایی از سفید تا خاکستری روشن و مایل به آبی یا سبز در مناطق کشاورزی ظاهر می شوند. سایه‌های تیره‌تر هر رنگ عموماً خاک مرطوب‌تر و شهرهایی با رنگ‌های خاکستری فولادی را نشان می‌دهد ( شکل 6 ج). ترکیب باندهای 7،6 و 5 ترکیبی از SWIR 2، SWIR 1 و NIR را نشان داد. در اینجا، زمین های زراعی زرد رنگ شده اند، در حالی که مناطق پوشش گیاهی به رنگ آبی روشن اولترامارین نشان داده شده است ( شکل 6)د).
شکل 7 موارد مختلف کامپوزیت های رنگ کاذب را نشان می دهد که با استفاده از NIR، SWIR2 و سبز (a)، SWIR 2، قرمز و آبی (b)، NIR، قرمز و سبز (c) و SWIR 1، قرمز و سبز (d) مخلوط شده اند. از آنجایی که نور NIR از سطوح با سطوح بالاتر پوشش گیاهی منعکس می شود اما توسط آب جذب می شود، چنین ترکیبات نواری برای کاربردهای گیاهی و کشاورزی (به عنوان مثال، نقشه برداری از جنگل ها و محصولات کشاورزی) مفید هستند.

4.2. محاسبه شاخص های گیاهی

4.2.1. شاخص تفاوت نرمال شده گیاهی (NDVI)

هدف NDVI تعیین کمیت غلظت تاج برگ سبز است. با استفاده از محاسبات نوارهای قرمز و NIR همانطور که در معادله ( 1 ) نشان داده شده است، پوشش گیاهی سالم و پرنشاط را نشان می دهد :

در ابتدا در سال 1974 آزمایش شد [ 130 ]، NDVI در پردازش تصویر برای مدل سازی محیطی به رسمیت شناخته شد. امروزه شاخص NDVI معروف ترین و پرکاربردترین شاخص پوشش گیاهی است. انتخاب باندهای قرمز و NIR در NDVI با توانایی‌های خاص گیاهان برای جذب انتخابی، انعکاس یا انتقال فرکانس‌ها در باند موج توضیح داده می‌شود. گیاهان قرمز را جذب می کنند و به شدت امواج NIR را منعکس می کنند. عملاً، NDVI امکان نشان دادن تراکم پوشش گیاهی سبز را که سطح زمین را پوشش می‌دهد و شناسایی مکان‌هایی که گیاهان در حال رشد هستند و مکان‌هایی که تحت تنش هستند (یعنی به دلیل کمبود آب) را می‌دهد.
با توجه به این ویژگی اساسی، NDVI برای ارزیابی سلامت پوشش گیاهی و ارزیابی بنیه گیاهان در مناطق کشاورزی استفاده شد. NDVI عمومی در دیاپازون از -1 تا +1 قرار دارد، اما اکثر مقادیر با محدوده ای از -0.1 تا 0.5 محدود می شوند ( شکل 8 ). مقادیر منفی برای NDVI مطابق با آب یا مناطق بسیار مرطوب خاک است، همانطور که با رنگ های بژ تا سفید در شکل 8 نشان داده شده است ، در حالی که مقادیر بالاتر NDVI نشان دهنده یک تاج پوشش گیاهی متراکم است که با رنگ سبز روشن در شکل 8 نشان داده شده است.

4.2.2. شاخص گیاهی تعدیل شده با خاک (SAVI)

شاخص گیاهی تنظیم شده با خاک (SAVI) یک شاخص گیاهی مبتنی بر فاصله است که بر اساس NDVI است، اما شامل یک عامل تنظیم برای کاهش نویز از NDVI با حذف اثرات پس‌زمینه تاج پوشش و شرایط جوی است. بنابراین، NDVI را برای روشنایی خاک تنظیم می کند که در آن پوشش گیاهی در مناطق شهری، متراکم ساخته شده و خاک برهنه کم است با استفاده از بیان حسابی در معادله ( 2 )، پیشنهاد شده در [. 131 ] تنظیم می کند:

که در آن L یک ضریب تصحیح روشنایی خاک است که برای تطبیق با اکثر انواع پوشش زمین، 0.5 تعریف می شود. در مقایسه با NDVI، SAVI یک شاخص دقیق‌تر است، که آن را قادر می‌سازد برای ارزیابی اینکه آیا پوشش زمین دارای پوشش گیاهی سبز سالم با اصلاح روشنایی است، با اکثر مقادیر در دیاپازون از 0.1- تا 0.1 استفاده شود ( شکل 9 ). بنابراین، مزیت اصلی SAVI، رنگ تاکید شده تاج پوشش گیاهی است که برای روشنایی خاک تصحیح شده است، زیرا SAVI اثرات جوی یا هواشناسی و اثرات خاک را حذف می کند.

در مقایسه با NDVI و EVI که تحت تأثیر روشنایی خاک قرار گرفتند، SAVI نتایج بهتری در تمایز بین پوشش گیاهی و خاک نشان داد. بنابراین، شاخص SAVI مناسب‌تر بود و برای پایش کشاورزی بهتر تنظیم شد. در عین حال، از آنجایی که ساحل عاج یک منطقه کشاورزی بسیار پربازده است و مهمترین تولیدکننده کاکائو در جهان است، نظارت کشاورزی بر مناظر آن از اهمیت بالایی برخوردار است. بنابراین، تجزیه و تحلیل شاخص های پوشش گیاهی برای توسعه پایدار و برنامه ریزی زیست محیطی در ساحل عاج ارزشمند است.

4.2.3. شاخص گیاهی پیشرفته 2 (EVI2)

EVI ( شکل 10 ) یک تبدیل تصویربرداری طیفی بهینه شده از نوارهای تصویر NIR و قرمز است که با هدف افزایش سهم ویژگی‌های پوشش گیاهی انجام می‌شود. محاسبه این شاخص با استفاده از معادله ( 4 )، که در اصل توسط [ 132 ] پیشنهاد شده بود، انجام می شود.
EVI2 به عنوان یک فرمول به روز شده و تنظیم شده از EVI توسعه یافته است. در این شکل، به عنوان یک شاخص پوشش گیاهی ماهواره‌ای برای طیف‌سنج‌های تصویربرداری با وضوح متوسط ​​(MODIS) توسعه یافت و برای سری نقشه‌بردار موضوعی Landsat (TM) یا Landsat Enhanced Thematic Mapper Plus (ETM+) استفاده شد. این عبارت در معادله ( 3 ) که در [ 132 ] بهینه شده است به صورت زیر تعریف شده است:

این اجازه می دهد تا ارتباط مکانی و زمانی قوی کلروفیل زمینی و فعالیت فتوسنتزی وجود داشته باشد، که بر ساختار تاج پوشش در انواع مختلف پوشش گیاهی، از جمله دشت ها و جنگل ها تأثیر می گذارد. نسبت های NIR و باندهای طیفی قرمز در تصویر باعث کاهش اثرات توپوگرافی از برجستگی زمین می شود. بنابراین، EVI تجسم‌شده تفاوت‌های کوچک‌تری را در ویژگی‌های بازتاب طیفی بین پوشش گیاهی و سایر انواع پوشش زمین برجسته می‌کند. محدوده مقادیر معمولاً در دیاپازون بین 0.2- و 0.2 قرار دارد، همانطور که در شکل 10 نیز دیده می شود :

4.2.4. شاخص گیاهی مقاوم در برابر جو 2 (ARVI2)

ARVI2 به گونه ای تنظیم شده است که در برابر اثرات جوی مقاوم باشد. در عین حال به طیف وسیع تری از غلظت کلروفیل در برگ ها حساس تر است. به طور خاص، برای ساحل عاج، مقادیر ARVI از 0.28- تا 0.1- متغیر است ( شکل 11 )، اگرچه به طور کلی، دیاپازون مقادیر ARVI ممکن است از 1- تا 1 با پیروی از معادله ( 5 ) متفاوت باشد. در ابتدا در [ 133 ] توسعه یافت:

که در آن y ضریب حاصل از مولفه های بازتاب جو در کانال آبی و قرمز است. معادله ARVI تنظیم شده (ARVI2) که به کسر پوشش گیاهی حساس تر است، در معادله ( 6 ) ارائه شده است که در ابتدا در [ 133 ] توسعه داده شد:

این نشان می دهد که مناطق دارای محتوای آئروسل اتمسفر بالا با رطوبت بالاتر است. در مقایسه با NDVI، ARVI اثرات پراکندگی اتمسفر را به دلیل مقادیر بازتاب نور آبی تنظیم می‌کند و به حداقل می‌رساند، که بازتاب نور قرمز را نیز تحت تأثیر قرار می‌دهد [ 133 ].
مشابه NDVI، ARVI2 نیز به نسبت پوشش گیاهی در چشم انداز حساس است و در مطالعات آب و هوایی و محیطی مفید است. به طور خاص، می توان از آن برای ارزیابی جذب تابش خورشیدی استفاده کرد که در مناطق گرمسیری آفریقا مانند ساحل عاج بسیار قابل استفاده است.

4.3. تجزیه و تحلیل زمین

تجسم کارتوگرافی یک برنامه ضروری از تجزیه و تحلیل تصاویر ماهواره ای به عنوان یک مجموعه داده جغرافیایی است. در این راستا، نقشه برداری زمین با استفاده از داده های سنجش از دور و رویکرد یکپارچه پایتون و R انجام شد ( شکل 12 ).
داده‌ها با مدل رقومی ارتفاع (DEM) مرتبط شدند تا رویکرد مؤثر هر دو زبان برای مدل‌سازی داده‌های رصد زمین را نشان دهند. ما یک DEM با وضوح فضایی بالا برای مدل‌سازی زمین انتخاب کردیم زیرا یکی از مهم‌ترین عوامل لایه پایه برای مدل‌سازی محیطی است [ 134 ]. پیشرفت‌ها در مدل‌سازی نقشه‌برداری با استفاده از اسکریپت‌های برنامه‌نویسی در سال‌های اخیر، تجسم زمین را از نقشه‌برداری GIS مبتنی بر GUI به اسکریپت‌های پویا با نمایش خودکار تصاویر خروجی تغییر داده است. پردازش DEM از SRTM با استفاده از اسکریپت‌های پایتون مبتنی بر کتابخانه EarthPy، مزایا و انعطاف‌پذیری گردش کار را با هدف استخراج اطلاعات توپوگرافی برای تجزیه و تحلیل فضایی نشان داد ( شکل 13).). DEM توسعه یافته از SRTM زمین های ناهموار در ساحل عاج دارای قدرت تفکیک مکانی 3 ثانیه قوسی بود که مطابق با متر
تنوع توپوگرافی با کتابخانه Python EarthPy، بر اساس پردازش فیلدها (لایه های شطرنجی)، موجودیت های فضایی (اشیاء مرتفع با مختصات سه بعدی به عنوان ویژگی) و شبکه (توپولوژی پیوندهای فضایی بین اشیاء جغرافیایی) مدل شد. این رویکرد از مدل سازی داده های رابطه ای با ارتفاع به عنوان شناسه اصلی در مجموعه داده استفاده می کند. داده های DEM توسط EarthPy با استفاده از یک ساختار داده شطرنجی به عنوان یک ماتریس شبکه مربعی، با توپوگرافی تعریف شده توسط نقاط نمونه برداری شده و با ابعاد XYZ که میدان پیوسته ارتفاعات فضایی را نشان می دهد، مدل سازی می شوند.
مدلسازی فضایی نمایش توپوگرافی را با استفاده از مرزهای گسسته ادامه می دهد ( شکل 13). این بر اساس ویژگی های توپوگرافی مشتق شده از DEM است و هدف آن تعریف ویژگی های ژئومورفیک و هیدرولوژیکی به عنوان گرادیان های محیطی است. این مشتقات شامل ویژگی هایی مانند شیب، جهت، زهکشی و حوضه آبریز سربالایی، انحنای مماسی، پلان و پروفیل مقاطع، شیب و طول مسیر جریان و سایه تپه است. تعیین جهت زهکشی و اتصال نقاط شطرنجی از DEM بستگی به ویژگی های سطح دامنه های توپوگرافی و کانال های جریان دارد که سیستم شبکه هیدرولوژیکی را تشکیل می دهند. در این راستا، مدل‌سازی مورفومتریک از طریق نمایش بصری تغییرپذیری فضایی و اتصال ویژگی‌های زمین اولیه توزیع شده در سطح زمین به تجزیه و تحلیل منظر کمک می‌کند.
کاربردهای متعدد مدل‌سازی توپوگرافی در زمین و مطالعات زیست‌محیطی انگیزه توسعه رویکردهای برنامه‌نویسی پایتون با هدف محاسبه زمین است. این امر به ویژه برای مناظر متنوع از نظر توپوگرافی با مناطق جنگلی و ساوانا پراکنده که برای غرب آفریقا معمولی هستند مفید است. مزایای اصلی کتابخانه EarthPy شامل مدل‌سازی توپوگرافی ساده و قوی است که مجموعه‌ای از ویژگی‌های توپوگرافی مشتق شده از یک DEM شبکه مربعی را ارائه می‌دهد. اینها شامل شیب، جنبه و سایه‌های برجسته توپوگرافی با ویژگی‌هایشان (یعنی سایه تپه‌ای با زاویه‌های مختلف خورشید و ارتفاعات زاویه‌ای) است که در شکل 13 نشان داده شده است.
اثرات زیست محیطی از شکل زمین در ویژگی های خاک منعکس می شود، زیرا شکل گیری آن توسط عوامل مختلفی تنظیم می شود: بستر زمین شناسی، جهت جریان جریان و حساسیت دامنه های تپه به فرسایش خاک. به نوبه خود، این بستگی به شیب شیب و انحنای تسکین دارد. کاربرد مدل زمین شامل تجزیه و تحلیل انتقال رسوب است که توسط نوع زمین کنترل می شود و به فرسایش خاک کمک می کند. به غیر از این، جنبه های مورفومتریک، تفاوت در ارتفاعات توپوگرافی، وضعیت شیب و جنبه و افق توپوگرافی بر توزیع تابش خورشید تأثیر می گذارد. دومی سیستم پوشش گیاهی خاک را از طریق فرآیندهای بیوفیزیکی تبخیر و تعرق و فتوسنتز کنترل می کند. بنابراین، شیب تپه به سمت زاویه خورشید، به عنوان جنبه شیب به توزیع انواع پوشش گیاهی از طریق اثرات ریزاقلیم کمک می کند. به عنوان مثال، گیاهان حساس تری در جناح های جنوبی دامنه های تپه رشد می کنند تا از انرژی خورشیدی بهره مند شوند. بنابراین، تداوم فضایی فرآیندهای محیطی عمیقاً با ویژگی‌های توپوگرافی منطقه‌ای زمین مرتبط است. بنابراین، مدل‌سازی ویژگی‌های توپوگرافی محاسبه‌شده توسط کتابخانه Python EarthPy، اعمال شده بر روی یک DEM با وضوح بالا، تغییرپذیری زمین را به عنوان یک ساختار ناهمگن پیچیده نشان می‌دهد و به تجزیه و تحلیل محیطی ساحل عاج، غرب آفریقا کمک می‌کند. تداوم فضایی فرآیندهای محیطی عمیقاً با ویژگی‌های توپوگرافی منطقه‌ای زمین مرتبط است. بنابراین، مدل‌سازی ویژگی‌های توپوگرافی محاسبه‌شده توسط کتابخانه Python EarthPy، اعمال شده بر روی یک DEM با وضوح بالا، تغییرپذیری زمین را به عنوان یک ساختار ناهمگن پیچیده نشان می‌دهد و به تجزیه و تحلیل محیطی ساحل عاج، غرب آفریقا کمک می‌کند. تداوم فضایی فرآیندهای محیطی عمیقاً با ویژگی‌های توپوگرافی منطقه‌ای زمین مرتبط است. بنابراین، مدل‌سازی ویژگی‌های توپوگرافی محاسبه‌شده توسط کتابخانه Python EarthPy، اعمال شده بر روی یک DEM با وضوح بالا، تغییرپذیری زمین را به عنوان یک ساختار ناهمگن پیچیده نشان می‌دهد و به تجزیه و تحلیل محیطی ساحل عاج، غرب آفریقا کمک می‌کند.

5. نتیجه گیری ها

در این مقاله، ما دو رویکرد برنامه‌نویسی برای پردازش تصویر ماهواره‌ای برای محاسبه چندین شاخص پوشش گیاهی و انجام مدل‌سازی زمین پیشنهاد کردیم. تکنیک‌های برنامه‌نویسی بسته‌های «راستر» و «terra» R برای محاسبه شاخص‌های پوشش گیاهی، پتانسیل زیادی برای استفاده از جبر نقشه و تکنیک‌های محاسبه با Landsat OLI/TIRS برای نظارت بر سلامت پوشش گیاهی و نقشه‌برداری محیطی نشان دادند. علاوه بر این، این تکنیک برای کاربردهای کشاورزی که در آن مکان‌های خراب ممکن است نیاز به اصلاح یا نظارت دقیق داشته باشند نیز مفید است. برای مدل‌سازی متغیرهای زمین، یک رویکرد مبتنی بر پایتون را پیشنهاد کردیم که در آن داده‌های توپوگرافی از SRTM DEM با استفاده از کتابخانه EarthPy مشتق می‌شوند.
مشکل تجزیه و تحلیل زمین در پردازش تصویر را می توان به عنوان مدل سازی داده های فضایی با طبقه بندی سلول ها بر اساس مقادیر ارتفاع نام برد. متغیرهای مشتق شده برای تجسم شیب، جهت و سایه تپه با استفاده از پارامترهای زاویه و آزیموت خورشید ضروری هستند. نقشه برداری داده های توپوگرافی با استفاده از تجزیه و تحلیل زمین توسط پایتون اهمیت اساسی آنها را در مدل سازی زمین برجسته کرد. بنابراین، تسکین سطح زمین اثرات قابل توجهی بر اجزای مختلف اکوسیستم از جمله فرآیندهای زمین شناسی، اقلیمی، هیدرولوژیکی و همچنین پارامترهای پوشش گیاهی خاک دارد. علاوه بر این، توپوگرافی فرآیندهای آب و هوایی مانند بارش، جهت و قدرت باد را تنظیم و کنترل می کند. بنابراین، نقش مهمی در پویایی محیطی و عملکرد اکوسیستم ایفا می کند.
استفاده یکپارچه از منابع زیست محیطی منطقه ای پتانسیل توسعه پایدار ساحل عاج را نشان می دهد. این امر مستلزم نظارت منظم بر شرایط محیطی کشور با استفاده از تصاویر ماهواره ای است. در علم داده، پردازش تصاویر ماهواره‌ای با استفاده از روش‌های برنامه‌نویسی پیشرفته چالشی است که شامل انطباق و بهینه‌سازی الگوریتم‌های برنامه‌نویسی به سمت مدل‌سازی و تحلیل داده‌های مکانی است. در این مطالعه، ما راه‌حلی برای این مشکل با رویکردی ساده و در عین حال مؤثر ارائه کردیم که کتابخانه‌های پایتون و R را برای پردازش داده‌های RS در یک چارچوب برنامه‌نویسی ترکیب می‌کند. استفاده از هر دو زبان برنامه نویسی به ما این امکان را می دهد که از بهترین بسته ها برای مدل سازی توپوگرافی و محیطی به طور جداگانه هنگام دست زدن به تصاویر ماهواره ای استفاده کنیم.
تکنیک‌های R پردازش تصویر را با استفاده از اطلاعات به دست آمده از پیکسل‌ها در صحنه تصویر فعال می‌کند. داده‌های فضایی با رنگ‌های سه‌گانه RGB از طریق رسم ترکیب رنگی تصویر Landsat 8 OLI/TIRS با استفاده از «راستر» کتابخانه R، که نحو کلی R را برای پردازش داده‌های مکانی تطبیق می‌دهد، متمایز شدند. رنگ ها با ترکیب سیگنال های RGB پراکنده شده از محیط طبیعی و ساخته شده مطابقت دارند، که منجر به مقادیر مختلف DN برای سلول های پیکسل در ماتریس شطرنجی تصویر می شود. ترکیب سه کانال توسط کتابخانه R به عنوان نوارهای حسگر آزمایش شد که تصویر را نمایش می‌داد و ظاهر اجسام مختلف زمین را با استفاده از رنگ‌های متمایز تجسم می‌کرد. ما همبستگی بین باندهای انتخابی Landsat-8 OLI/TIRS C1 را در یک تصویر چندطیفی برای باندهای 1 و 2 (آبی و سبز) و 4 و 5 (قرمز و NIR) مقایسه کردیم. سپس چهار شاخص پوشش گیاهی انتخاب شده -NDVI، SAVI، EVI2 و ARVI2 را با استفاده از اصول جبر نقشه بر اساس DNهای مقادیر بازتاب پیکسل‌ها در باندهای طیفی انتخابی (NIR و قرمز) محاسبه کردیم. اثر اصلی بازتاب طیفی از پوشش گیاهی سبز سالم در ناحیه NIR طیف تصویر قابل مشاهده بود، با یک پاسخ NIR قوی که به شدت برای پوشش گیاهی سالم افزایش می‌یابد. در مقابل، مناطق با پوشش گیاهی ضعیف یا آسیب دیده با یک پاسخ NIR کم نشان داده شدند، که به طور قابل‌توجهی همانطور که توسط شاخص‌های پوشش گیاهی و با مقادیر پایین‌تر مربوط به NDVI نشان داده شده کاهش یافت. سپس چهار شاخص پوشش گیاهی انتخاب شده -NDVI، SAVI، EVI2 و ARVI2 را با استفاده از اصول جبر نقشه بر اساس DNهای مقادیر بازتاب پیکسل‌ها در باندهای طیفی انتخابی (NIR و قرمز) محاسبه کردیم. اثر اصلی بازتاب طیفی از پوشش گیاهی سبز سالم در ناحیه NIR طیف تصویر قابل مشاهده بود، با یک پاسخ NIR قوی که به شدت برای پوشش گیاهی سالم افزایش می‌یابد. در مقابل، مناطق با پوشش گیاهی ضعیف یا آسیب دیده با یک پاسخ NIR کم نشان داده شدند، که به طور قابل‌توجهی همانطور که توسط شاخص‌های پوشش گیاهی و با مقادیر پایین‌تر مربوط به NDVI نشان داده شده کاهش یافت. سپس چهار شاخص پوشش گیاهی انتخاب شده -NDVI، SAVI، EVI2 و ARVI2 را با استفاده از اصول جبر نقشه بر اساس DNهای مقادیر بازتاب پیکسل‌ها در باندهای طیفی انتخابی (NIR و قرمز) محاسبه کردیم. اثر اصلی بازتاب طیفی از پوشش گیاهی سبز سالم در ناحیه NIR طیف تصویر قابل مشاهده بود، با یک پاسخ NIR قوی که به شدت برای پوشش گیاهی سالم افزایش می‌یابد. در مقابل، مناطق با پوشش گیاهی ضعیف یا آسیب دیده با یک پاسخ NIR کم نشان داده شدند، که به طور قابل‌توجهی همانطور که توسط شاخص‌های پوشش گیاهی و با مقادیر پایین‌تر مربوط به NDVI نشان داده شده کاهش یافت. اثر اصلی بازتاب طیفی از پوشش گیاهی سبز سالم در ناحیه NIR طیف تصویر قابل مشاهده بود، با یک پاسخ NIR قوی که به شدت برای پوشش گیاهی سالم افزایش می‌یابد. در مقابل، مناطق با پوشش گیاهی ضعیف یا آسیب دیده با یک پاسخ NIR کم نشان داده شدند، که به طور قابل‌توجهی همانطور که توسط شاخص‌های پوشش گیاهی و با مقادیر پایین‌تر مربوط به NDVI نشان داده شده کاهش یافت. اثر اصلی بازتاب طیفی از پوشش گیاهی سبز سالم در ناحیه NIR طیف تصویر قابل مشاهده بود، با یک پاسخ NIR قوی که به شدت برای پوشش گیاهی سالم افزایش می‌یابد. در مقابل، مناطق با پوشش گیاهی ضعیف یا آسیب دیده با یک پاسخ NIR کم نشان داده شدند، که به طور قابل‌توجهی همانطور که توسط شاخص‌های پوشش گیاهی و با مقادیر پایین‌تر مربوط به NDVI نشان داده شده کاهش یافت.
الگوریتم های کتابخانه EarthPy پایتون برای مدل سازی زمین بر اساس SRTM DEM با وضوح بالا استفاده شد. نقشه برداری ارتقا یافته در دو سطح سلسله مراتبی نشان داده شد: تجزیه و تحلیل محیطی منطقه ای از محیط اطراف Yamoussoukro و مدل سازی توپوگرافی محلی دریاچه Kossou. پردازش داده های توپوگرافی برای تجسم شیب، جنبه، سایه تپه و ارتفاع بر اساس درون یابی مقادیر سلول در یک شبکه ماتریس شطرنجی به چندضلعی های فضایی بود که با ساختارهای مختلف زمین مطابقت داشت. ما این روش ها را در یک سری از اسکریپت ها با توضیحات مفصل در مورد عملکرد آنها و تأثیرات پارامترهای تغییر یافته بر روی تصویر نشان دادیم. مزیت اصلی پایتون برای مدل‌سازی فضایی، اتوماسیون پردازش داده‌های مبتنی بر ماشین است. به طور مشخص، این اطلاعات را از تصاویر ماهواره ای به روشی کارآمد و با استفاده از یک نحو ساده استخراج می کند که امکان مدیریت داده های پیچیده RS را فراهم می کند. پیوندهای محیطی و توپوگرافی غیرخطی در بین فرآیندهای نزدیک به سطح را می توان از ماتریس های شطرنجی تصاویر ماهواره ای با استفاده از الگوریتم های برنامه نویسی به تصویر کشید. این ما را قادر ساخت تا روابط پیچیده بین اجرام شکل زمین و مناظر متنوع روی زمین را برجسته کنیم.
طیف گسترده ای از ویژگی های زمین را می توان با استفاده از تصاویر ماهواره ای ترسیم کرد: تغییرات آب و هوا، گسترش شهری، تخریب پوشش گیاهی، جنگل زدایی، تغییرات توپوگرافی یا تغییر پوشش زمین. در عین حال، تجزیه و تحلیل پیچیدگی یک پدیده خاص به روش‌های پیشرفته پردازش داده‌ها برای آشکار کردن پیوندها و همبستگی‌ها بین اشیاء و ترسیم الگوهای فضایی نیاز دارد. به عنوان مثال، تغییرات توپوگرافی ممکن است ناشی از اثرات زمین شناسی و فعالیت های انسانی باشد، یا پویایی محیطی مناظر زمین ممکن است شامل تغییرات غیرخطی بلند مدت و کوتاه مدت باشد. تجزیه و تحلیل جامع چنین فرآیندهایی نیاز به پردازش خودکار پیشرفته مجموعه داده های بزرگ دارد، جایی که یک GIS معمولی به اندازه کافی موثر نیست. در عین حال، به دلیل سطح بالای جزئیات فضایی، تصاویر ماهواره ای با وضوح بالا به الگوریتم های کارآمد برای پردازش داده ها، از جمله نمونه برداری مجدد تصویر، ترکیب باند، پردازش آماری و جبر نقشه برای محاسبه شاخص های پوشش گیاهی نیاز دارند. این به روش های پیشرفته ای برای پردازش تصویر نیاز دارد که توسط زبان های برنامه نویسی امکان پذیر شده است.
همانطور که نشان دادیم، راه موثر برای رسیدگی به این موضوع شامل استفاده از زبان های برنامه نویسی سطح بالا مانند پایتون و R است. کتابخانه های اسکریپت برای پردازش خودکار تصویر و بازیابی اطلاعات مکانی از تصاویر ماهواره ای موثر هستند. الگوریتم های پیشرفته پایتون و R را می توان با موفقیت برای پردازش داده های مشاهده زمین و مدل سازی مکانی به روشی قوی، خودکار و موثر استفاده کرد. استفاده از رویکردهای برنامه‌نویسی برای تحلیل زمین و پایش محیطی در برخورد با داده‌های RS چندطیفی موفق است. مزایای Python و R در پردازش تصویر شامل الگوریتم های اسکریپت نویسی است که اتوماسیون پردازش داده های RS را تضمین می کند. در مقایسه با GIS،
در کارهای آینده، ما قصد داریم از ترکیبی از کتابخانه‌های دیگر پایتون و R برای تصاویر با وضوح بالاتر، مانند داده‌های Sentinel-2A یا SAR برای نقشه‌برداری محیطی مناطق جنگل‌های گرمسیری آفریقا استفاده کنیم. به طور خاص، ما قصد داریم بر روی تجزیه و تحلیل بلند مدت پویایی محیطی با استفاده از سری های زمانی تصاویر ماهواره ای تمرکز کنیم. مدل‌سازی فضایی سری بزرگ داده‌های RS شامل مشکلات چالش برانگیزی با توجه به پردازش آنها است. برای مثال، از نظر محاسباتی مقابله با کلان داده ها چالش برانگیز است و به روش های پیچیده ای برای مدیریت داده ها نیاز دارد. برای این منظور، ما قصد داریم رویکردهای موثری را برای پردازش مجموعه داده‌های مکانی-زمانی بزرگ با استفاده از زبان‌های برنامه‌نویسی توسعه دهیم. کار بعدی ما توسعه روش های نقشه برداری پیشرفته برای پردازش تصاویر ماهواره ای با زبان های برنامه نویسی را ادامه خواهد داد.

مشارکت های نویسنده

نظارت، مفهوم‌سازی، روش‌شناسی، نرم‌افزار، منابع، تأمین مالی و مدیریت پروژه، OD. نوشتن – آماده‌سازی پیش‌نویس اصلی، روش‌شناسی، نرم‌افزار، نگهداری داده‌ها، تجسم، تجزیه و تحلیل رسمی، اعتبارسنجی، نوشتن- بررسی و ویرایش و بررسی، PL همه نویسندگان نسخه منتشر شده نسخه خطی را خوانده‌اند و با آن موافقت کرده‌اند.

منابع مالی

این پروژه توسط سیاست علمی خدمات برنامه ریزی عمومی فدرال یا دفتر سیاست علمی بلژیک، سیاست علمی فدرال-BELSPO (B2/202/P2/SEISMOSTORM) پشتیبانی می شود.

بیانیه هیئت بررسی نهادی

قابل اجرا نیست.

بیانیه رضایت آگاهانه

قابل اجرا نیست.

بیانیه در دسترس بودن داده ها

مخزن باز GitHub با اسکریپت‌های Python و R که برای پردازش تصویر در این مطالعه استفاده می‌شود را می‌توانید در https://github.com/paulinelemenkova/Cote_d_Ivoire_R_Python_Listings (در 2 نوامبر 2022 دسترسی پیدا کنید).

قدردانی

نویسندگان از بازبینان ناشناس برای مطالعه دقیق، پیشنهادات انتقادی و نظرات سازنده آنها که به بهبود نسخه قبلی این دست نوشته کمک کردند، تشکر می کنند.

تضاد علاقه

نویسندگان هیچ تضاد منافع را اعلام نمی کنند.

اختصارات

در این نسخه از اختصارات زیر استفاده شده است:
ARVI شاخص گیاهی مقاوم در برابر جو
CPT جدول پالت رنگ
CRS سیستم مرجع مختصات
DCW نمودار دیجیتالی جهان
DEM مدل رقومی ارتفاع
DN شماره دیجیتال
DTM مدل دیجیتال زمین
EVI شاخص پوشش گیاهی پیشرفته
GEBCO نمودار کلی گرمای سنجی اقیانوس ها
GDAL کتابخانه انتزاع داده های جغرافیایی
GIS سیستم اطلاعات جغرافیایی
GloVis نمایشگر تجسم جهانی
GMT ابزارهای عمومی نقشه برداری
جی پی اس سیستم موقعیت یاب جهانی
رابط کاربری گرافیکی رابط کاربر گرافیکی
Landsat 8-9 OLI/TIRS تصویربردار عملیاتی زمین و سنسور حرارتی مادون قرمز لندست 8-9
لندست TM نقشه نگار موضوعی لندست
Landsat ETM+ نقشه‌بردار موضوعی پیشرفته لندست
LiDAR تشخیص نور و محدوده
ML فراگیری ماشین
MODIS طیف‌سنج‌های تصویربرداری با وضوح متوسط
MNDWI شاخص تغییر نرمال شده آب اصلاح شده
ناسا سازمان ملی هوانوردی و فضایی
NDVI شاخص گیاهی تفاوت عادی شده
NDWI شاخص تفاوت عادی آب
NGA آژانس ملی اطلاعات جغرافیایی
NIR نزدیک مادون قرمز
RGB قرمز سبز آبی
RS سنجش از دور
SAGA سیستم تجزیه و تحلیل خودکار زمین شناسی
SAVI شاخص گیاهی تعدیل شده با خاک
نقطه ماهواره pour l’Observation de la Terre
SRTM ماموریت توپوگرافی رادار شاتل
SWIR مادون قرمز موج کوتاه
سه بعدی سه بعدی
TIFF فرمت فایل تصویر برچسب شده
USGS سازمان زمین شناسی ایالات متحده
WRI شاخص نسبت آب

منابع

  1. کولیبالی، LK; گوان، کیو. آسوما، تلویزیون؛ فن، X. کولیبالی، N. جفت‌سازی طیفی خطی و RUSLE2 برای مدل‌سازی فرسایش خاک در حوضه آبخیز ساحلی Boubo، ساحل عاج. Ecol. اندیک. 2021 ، 130 ، 108092. [ Google Scholar ] [ CrossRef ]
  2. کونه، ام. کولیبالی، ال. Kouadio، YL; Neuba، DF; مالان، DF نظارت چندزمانی پوشش جنگلی در ساحل عاج از دهه 1960 تا 2000، با استفاده از تصاویر ماهواره ای لندست. در مجموعه مقالات سمپوزیوم بین المللی علوم زمین و سنجش از دور IEEE 2016 (IGARSS)، پکن، چین، 10 تا 15 ژوئیه 2016؛ ص 1325–1328. [ Google Scholar ] [ CrossRef ]
  3. Lemenkova، P. Sentinel-2 برای نقشه برداری با وضوح بالا شاخص های گیاهی مبتنی بر شیب با استفاده از یادگیری ماشین توسط SAGA GIS. ترانسیلو کشیش سیست. Ecol. Res. 2020 ، 22 ، 17-34. [ Google Scholar ] [ CrossRef ]
  4. وانگ، جی. وانگ، اچ. Li، X. کاهش کسر پوشش گیاهی با ادغام داده‌های MODIS و Landsat چند زمانی. در مجموعه مقالات سمپوزیوم IEEE Geoscience and Remote Sensing 2014، شهر کبک، QC، ایالات متحده، 13 تا 18 ژوئیه 2014. صص 757-760. [ Google Scholar ] [ CrossRef ]
  5. Lemenkova، P. شاخص های گیاهی فراطیفی محاسبه شده توسط Qgis با استفاده از تصویر Landsat Tm: مطالعه موردی ایسلند شمالی. Adv. Res. زندگی علمی. 2020 ، 4 ، 70-78. [ Google Scholar ] [ CrossRef ]
  6. وانگ، اچ. هاجنسک، آی. کینزلباخ، W. کالیبره شده Landsat TM LAI برای نظارت بر تغییر پوشش گیاهی پس از انتشار اکولوژیکی به رودخانه تاریم پایین. در مجموعه مقالات سمپوزیوم بین المللی زمین شناسی و سنجش از دور IEEE 2012، مونیخ، آلمان، 22 تا 27 ژوئیه 2012. صص 6279-6282. [ Google Scholar ] [ CrossRef ]
  7. Tagnon, BO; Assoma، VT; Mangoua، JMO; Douagui، AG; کوامه، FK; Savané، I. سهم تصاویر SAR/RADARSAT-1 و ASAR/ENVISAT در نقشه‌برداری ساختاری زمین‌شناسی و ارزیابی تراکم خطوط خطی در منطقه Divo-Oume (ساحل عاج). مصر. J. Remote Sens. Space Sci. 2020 ، 23 ، 231-241. [ Google Scholar ] [ CrossRef ]
  8. لیز، RD; Lettis، WR; برنشتاین، آر. ارزیابی تصاویر نقشه‌برداری موضوعی لندست برای کاربردهای زمین‌شناسی. Proc. IEEE 1985 ، 73 ، 1108-1117. [ Google Scholar ] [ CrossRef ]
  9. Ngom، NM; امبای، م. باراتوکس، دی. باراتوکس، ال. آهوسی، ک. کوامه، جی کی. فی، جی. Sow, EH گسترش اخیر استخراج طلای مصنوعی در امتداد رودخانه باندما (ساحل عاج). بین المللی J. Appl. زمین Obs. Geoinf. 2022 , 112 , 102873. [ Google Scholar ] [ CrossRef ]
  10. جسل، ام. سنتول، جی. باراتوکس، ال. یوبی، ن. ارنست، RE; متلکا، وی. میلر، جی. Perrouty, S. نقشه به روز شده از دایک های مافیک غرب آفریقا. جی افر. علوم زمین 2015 ، 112 ، 440-450. [ Google Scholar ] [ CrossRef ]
  11. سیگنه، ژ. عائفه، ت. کواملان، AN; Houssou، NN; دیگبیو، دبلیو. کاکو، BKF; Couderc، P. نقشه سنگی جدید از منطقه Doropo، شمال شرقی ساحل عاج: بینش از داده های ساختاری و هوا مغناطیسی. جی افر. علوم زمین 2022 ، 196 ، 104680. [ Google Scholar ] [ CrossRef ]
  12. شارما، م. Garg، RD; بادنکو، وی. فدوتوف، آ. Min، L. Yao، A. پتانسیل داده های LiDAR هوابرد برای استخراج پارامترهای زمین. کوات. بین المللی 2021 ، 575-576 ، 317-327. [ Google Scholar ] [ CrossRef ]
  13. کولکارنی، س. Chandrashekaraiah، MSR 3D Annotation Tool با استفاده از LiDAR. در مجموعه مقالات کنفرانس جهانی 2019 برای پیشرفت در فناوری (GCAT)، بنگالورو، هند، 18 تا 20 اکتبر 2019؛ صص 1-4. [ Google Scholar ] [ CrossRef ]
  14. موفات، ا. پلات، ای. موندراگون، بی. کواک، ا. اوریو، دی. Bhandari، S. سیستم تشخیص و اجتناب از موانع برای پهپادهای کوچک با استفاده از LiDAR. در مجموعه مقالات کنفرانس بین المللی 2020 در مورد سیستم های هواپیمای بدون سرنشین (ICUAS)، آتن، یونان، 1 تا 4 سپتامبر 2020؛ صص 633-640. [ Google Scholar ] [ CrossRef ]
  15. بله، CH; Lin، ML; چان، YC; چانگ، کی جی. نقشه‌برداری شیب شیب Hsieh، YC از زمین رسوبی با استفاده از ردیابی خودکار چندضلعی و داده‌های توپوگرافی LiDAR هوابرد. مهندس جئول 2017 ، 222 ، 236-249. [ Google Scholar ] [ CrossRef ]
  16. Montreuil, AL; چن، ام. مولانز، آر. Dierckx، W. هوثویس، ر. کلاین، AP; Bogaert، P. نظارت بر میله‌های جزر و مدی و نقشه‌برداری سه‌بعدی ساحلی با استفاده از یک الگوریتم خودکار روی مجموعه داده‌های Lidar. در مجموعه مقالات سمپوزیوم بین المللی علوم زمین و سنجش از دور IEEE 2021 IGARSS، بروکسل، بلژیک، 11 تا 16 ژوئیه 2021؛ صفحات 8604-8607. [ Google Scholar ] [ CrossRef ]
  17. لی، جی. خو، ی. مکراندر، اچ. اتکینسون، ال. توماس، تی. مجموعه ابزار پردازش موازی سبک مبتنی بر GPU Lopez، MA برای داده های LiDAR برای تجزیه و تحلیل زمین. محیط زیست مدل. نرم افزار 2019 ، 117 ، 55-68. [ Google Scholar ] [ CrossRef ]
  18. گوپتا، آر. Sharma، LK نقشه‌برداری ارتفاع تاج جنگل‌های استوایی مختلط از LiDAR GEDI و تصاویر چندحسگر فضایی با استفاده از مدل‌های یادگیری ماشین. Remote Sens. Appl. Soc. محیط زیست 2022 ، 27 ، 100817. [ Google Scholar ] [ CrossRef ]
  19. یوان، دبلیو. چوی، دی. Bolkas، D. ICP رنگی به کمک GNSS-IMU برای ثبت ابر نقطه ای پهپاد-LiDAR درختان هلو. محاسبه کنید. الکترون. کشاورزی 2022 ، 197 ، 106966. [ Google Scholar ] [ CrossRef ]
  20. سینگهای، جی. Rawat, P. روش افزایش تصویر برای تصاویر زیر آب، زمین و ماهواره با استفاده از یکسان سازی هیستوگرام حفظ روشنایی با حداکثر آنتروپی. در مجموعه مقالات کنفرانس بین المللی هوش محاسباتی و کاربردهای چند رسانه ای (ICCIMA 2007)، سیواکاسی، هند، 13 تا 15 دسامبر 2007. جلد 3، ص 507–512. [ Google Scholar ] [ CrossRef ]
  21. یاسودا، ا. یاماشیتا، ک. روآن، ز. Lu, Y. ارزیابی وضوح روشنایی تصاویر WEFAX ارسال شده از طریق GMS. در مجموعه مقالات IGARSS ’93—IEEE بین المللی زمین شناسی و سمپوزیوم سنجش از دور، توکیو، ژاپن، 18 تا 21 اوت 1993. جلد 4، ص 1969–1971. [ Google Scholar ] [ CrossRef ]
  22. پرودیوس، آی. لازکو، ال. Semenov, S. بهبود کیفیت تصاویر ماهواره ای برای پردازش داده های چندسطحی. در مجموعه مقالات کنفرانس بین المللی 2010 در مورد مسائل مدرن مهندسی رادیو، مخابرات و علوم کامپیوتر (TCSET)، Lviv، اوکراین، 23-27 فوریه 2010. ص 56-58. [ Google Scholar ]
  23. کیتا، ی. مطالعه تشخیص تغییر از تصاویر ماهواره ای با استفاده از هیستوگرام شدت مفصل. در مجموعه مقالات نوزدهمین کنفرانس بین المللی 2008 در مورد شناسایی الگوها، Piscataway، NJ، ایالات متحده، 8-11 دسامبر 2008. صص 1-4. [ Google Scholar ] [ CrossRef ]
  24. سورش، جی. Hovenbitzer، M. طبقه‌بندی پوشش زمین مبتنی بر بافت و شدت در آلمان از تصاویر چند مداری و چند زمانی Sentinel-1. در مجموعه مقالات IGARSS 2018-2018 IEEE بین المللی زمین شناسی و سمپوزیوم سنجش از دور، والنسیا، اسپانیا، 22 تا 27 ژوئیه 2018؛ صص 826-829. [ Google Scholar ] [ CrossRef ]
  25. یانگ، اس. آویزان، طبقه بندی بافت CC در تصاویر سنجش از راه دور. در مجموعه مقالات IEEE SoutheastCon 2002 (Cat. No.02CH37283)، والنسیا، اسپانیا، 5-7 آوریل 2002; صص 62-66. [ Google Scholar ] [ CrossRef ]
  26. لاکشمنان، وی. دبرونر، وی. Rabin, R. تقسیم بندی مبتنی بر بافت تصاویر آب و هوای ماهواره ای. در مجموعه مقالات کنفرانس بین المللی پردازش تصویر در سال 2000 (Cat. No.00CH37101)، ونکوور، BC، کانادا، 10-13 سپتامبر 2000; جلد 2، ص 732–735. [ Google Scholar ] [ CrossRef ]
  27. جون، ایکس. Tingting، S. مطالعه بر روی وضوح فوق العاده تصاویر به دست آمده توسط ریز ماهواره با سنسور CMOS. در مجموعه مقالات چهارمین کنفرانس بین المللی IEEE 2019 در مورد پردازش سیگنال و تصویر (ICSIP)، وکسی، چین، 19 تا 21 ژوئیه 2019؛ ص 907-910. [ Google Scholar ] [ CrossRef ]
  28. پرین، وی. Tulbure، MG; Gaines، MD; Reba, ML; Yaeger، MA نظارت بر مخزن در مزرعه با استفاده از مجموعه داده های غرقابی Landsat. کشاورزی مدیریت آب. 2021 ، 246 ، 106694. [ Google Scholar ] [ CrossRef ]
  29. پهلوان، ن. اسمیت، بی. علیکاس، ک. آنستی، جی. باربوسا، سی. صحافی، سی. برسیانی، م. کرملا، بی. جیاردینو، سی. گرلین، دی. و همکاران بازیابی همزمان نشانگرهای کیفیت آب نوری از Landsat-8، Sentinel-2 و Sentinel-3. سنسور از راه دور محیط. 2022 ، 270 ، 112860. [ Google Scholar ] [ CrossRef ]
  30. Lemenkova، P. تشخیص گیاهی قوی با استفاده از کامپوزیت های رنگی RGB و طبقه بندی ایزوکلاست تصویر Landsat TM. Geomat. Landmanag. Landsc. 2021 ، 4 ، 147-167. [ Google Scholar ] [ CrossRef ]
  31. ابو، آیو; Szantoi، Z. برینک، ا. روبوچون، م. Thiel، M. شناسایی مزارع کاکائو در ساحل عاج و غنا و پیامدهای آنها بر مناطق حفاظت شده. Ecol. اندیک. 2021 , 129 , 107863. [ Google Scholar ] [ CrossRef ]
  32. آتومان، ا. استفانی، دی.اس. کاکو، م. آندره، AD; Karamoko، AW; سگیس، ال. ظهیری، EP ادراکات فردی در مورد تغییرات بارندگی در مقابل روند بارش از داده های ماهواره ای: یک رویکرد بین رشته ای در دو منطقه متضاد اجتماعی-اقتصادی و توپوگرافی در ابیجان، ساحل عاج. بین المللی J. کاهش خطر بلایا. 2022 ، 81 ، 103285. [ Google Scholar ] [ CrossRef ]
  33. Masolele, RN; دی سی، وی. هرولد، ام. مارکوس، دی. وربسلت، ج. گیسکه، اف. Mullissa، AG; مارتیوس، سی. روش‌های یادگیری عمیق مکانی و زمانی برای استخراج استفاده از زمین پس از جنگل‌زدایی: مطالعه موردی پان گرمسیری با استفاده از سری‌های زمانی Landsat. سنسور از راه دور محیط. 2021 ، 264 ، 112600. [ Google Scholar ] [ CrossRef ]
  34. لو، ایکس. Xu, S. نقشه برداری جنگل از تصویر فراطیفی با استفاده از شبکه باور عمیق. در مجموعه مقالات پانزدهمین کنفرانس بین المللی 2019 در مورد شبکه های حسگر و Ad-Hoc موبایل (MSN)، شنژن، چین، 11 تا 13 دسامبر 2019؛ صص 395-398. [ Google Scholar ] [ CrossRef ]
  35. مارتینز، VS; روی، DP; هوانگ، اچ. بوشتی، ال. ژانگ، هنگ کنگ؛ Yan, L. یادگیری عمیق نقشه برداری منطقه سوخته با وضوح بالا با انتقال یادگیری از Landsat-8 به PlanetScope. سنسور از راه دور محیط. 2022 ، 280 ، 113203. [ Google Scholar ] [ CrossRef ]
  36. بالزتر، اچ. کول، بی. تیل، سی. Schmullius, C. نقشه برداری CORINE Cover Land از Sentinel-1A SAR و داده های مدل ارتفاعی دیجیتال SRTM با استفاده از جنگل های تصادفی. Remote Sens. 2015 ، 7 ، 14876–14898. [ Google Scholar ] [ CrossRef ]
  37. دوبسووا، ز. Dobes, P. مقایسه زبان های بصری در سیستم های اطلاعات جغرافیایی. در مجموعه مقالات سمپوزیوم IEEE در سال 2012 درباره زبان های بصری و محاسبات انسان محور (VL/HCC)، اینسبروک، اتریش، 30 سپتامبر تا 4 اکتبر 2012. ص 245-246. [ Google Scholar ] [ CrossRef ]
  38. الفسن، KL; قفل، JT; حل و فصل، بی. کارستن، کالیفرنیا؛ پارکر، I. کاربردهای FLIKA، یک پلت فرم پردازش و تجزیه و تحلیل تصویر مبتنی بر پایتون، برای مطالعه رویدادهای محلی سیگنال دهی کلسیم سلولی. بیوشیم. بیوفیز. Acta (BBA) Mol. Cell Res. 2019 ، 1866 ، 1171–1179. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  39. Lemenkova، P. مدیریت مجموعه داده با متغیرهای ژئوفیزیکی و زمین شناسی در آند بولیوی توسط اسکریپت های GMT. داده 2022 ، 7 ، 74. [ Google Scholar ] [ CrossRef ]
  40. ژانگ، ام. یو، پی. Guo, X. GIScript: به سمت یک زبان برنامه نویسی جغرافیایی قابل همکاری برای برنامه نویسی GIS. در مجموعه مقالات سومین کنفرانس بین المللی ژئوانفورماتیک 2014، پکن، چین، 11 تا 14 اوت 2014. صص 1-5. [ Google Scholar ] [ CrossRef ]
  41. Lemenkova، P. اسکریپت های کارتوگرافی برای نقشه برداری لرزه ای و ژئوفیزیکی اکوادور. Geografie 2022 ، 127 ، 1-24. [ Google Scholar ] [ CrossRef ]
  42. Shi, X. Python برای برنامه های GIS اینترنت. محاسبه کنید. علمی مهندس 2007 ، 9 ، 56-59. [ Google Scholar ] [ CrossRef ]
  43. دی سرکار، ا. بیهوت، ن. کریتیکا، س. Singh, N. یک رابط نظارت بر محیط با استفاده از GRASS GIS و Python. در مجموعه مقالات سومین کنفرانس بین المللی 2012 در مورد کاربردهای نوظهور فناوری اطلاعات، کلکته، هند، 16-18 آوریل 2012; صص 235-238. [ Google Scholar ] [ CrossRef ]
  44. پان، ز. یانگ، ایکس. Xie, Z. یک میان افزار: تبدیل افزونه پایتون در پلتفرم های مختلف GIS. در مجموعه مقالات بیست و سومین کنفرانس بین المللی ژئوانفورماتیک 2015، ووهان، چین، 19 تا 21 ژوئن 2015. صص 1-6. [ Google Scholar ] [ CrossRef ]
  45. ووس، ک. Splinter، KD; هارلی، MD؛ سیمونز، جی. Turner، IL CoastSat: یک ابزار پایتون با موتور Google Earth برای استخراج خطوط ساحلی از تصاویر ماهواره‌ای در دسترس عموم. محیط زیست مدل. نرم افزار 2019 ، 122 ، 104528. [ Google Scholar ] [ CrossRef ]
  46. ون روسوم، جی. کتابچه راهنمای مرجع پایتون Drake, FL , Jr. Centrum voor Wiskunde en Informatica: آمستردام، هلند، 1995. [ Google Scholar ]
  47. سیلوا، ا. لوتوفو، آر. ماچادو، ر. Saude, A. جعبه ابزار پردازش تصویر با استفاده از زبان پایتون. در مجموعه مقالات کنفرانس بین المللی پردازش تصویر 2003 (Cat. No.03CH37429)، سویل، اسپانیا، 14-17 سپتامبر 2003; جلد 3، ص. 1049. [ Google Scholar ] [ CrossRef ]
  48. ری، اس جی. Anselin, L. PySAL: A Python Library of Spatial Analytical Methods. Rev. Reg. گل میخ. 2010 ، 37 ، 5-27. [ Google Scholar ] [ CrossRef ]
  49. ری، اس جی. Anselin, L. PySAL: A Python Library of Spatial Analytical Methods. در کتابچه راهنمای تحلیل فضایی کاربردی: ابزارها، روش ها و کاربردهای نرم افزاری ; Springer: برلین/هایدلبرگ، آلمان، 2010; صص 175-193. [ Google Scholar ] [ CrossRef ]
  50. de Deus Filho، JCA; دا سیلوا نونس، ال سی. Xavier, JMC iCorrVision-2D: یک نرم‌افزار همبستگی تصویر دیجیتال منبع باز مبتنی بر پایتون برای اندازه‌گیری‌های درون صفحه (قسمت 1). SoftwareX 2022 , 19 , 101131. [ Google Scholar ] [ CrossRef ]
  51. فارنز، اس. گریگیس، ع. ال گودداری، ال. رمزی، ز. چایثیا، GR; استارک، اس. سارتو، بی. چرکاوی، اچ. سیوسیو، پی. Starck, JL PySAP: Python Sparse Analysis Package برای پردازش تصویر چند رشته ای. اختر. محاسبه کنید. 2020 ، 32 ، 100402. [ Google Scholar ] [ CrossRef ]
  52. گائو، اس. Bilskie، MV; Hagen, SC PyVF: یک برنامه پایتون برای استخراج ویژگی های عمودی از LiDAR-DEMs. محیط زیست مدل. نرم افزار 2022 ، 157 ، 105503. [ Google Scholar ] [ CrossRef ]
  53. دانیلا، MN; Cazacu، MM; ابزار Gurlui، S. Python: تعامل لیزر-اتمسفر به مدیریت داده های شبکه گسترش یافته است. در مجموعه مقالات پنجمین شبکه فدراسیون ردیف 2 رومانی، علوم محاسبات ابری و با کارایی بالا (RQLCG)، کلوژ-ناپوکا، رومانی، 25 اکتبر 2012، در سال 2012. صفحات 90–92، شماره دسترسی INSPEC: 13579885. [ Google Scholar ]
  54. رابرتز، جی اف. موانگی، ر. مکبی، ف. نجوی، جی. نزیوکا، ک. ندامبیری، ج.ک. Bispo، PC؛ اسپیریتو-سانتو، FDB؛ گو، ی. جانسون، SCM; و همکاران Pyeo: یک بسته پایتون برای تشخیص تغییر پوشش جنگلی در زمان واقعی از رصد زمین با استفاده از یادگیری ماشین. محاسبه کنید. Geosci. 2022 ، 167 ، 105192. [ Google Scholar ] [ CrossRef ]
  55. چن، سی. قاضی، ج. Hulse, D. PyLUSAT: یک ابزار منبع باز پایتون برای تجزیه و تحلیل مناسب کاربری زمین مبتنی بر GIS. محیط زیست مدل. نرم افزار 2022 , 151 , 105362. [ Google Scholar ] [ CrossRef ]
  56. واسر، ال. جوزف، MB; مک گلینچی، جی. پالومینو، جی. کورینک، ن. هولدگراف، سی. Head، TD EarthPy: یک بسته پایتون که کاوش و رسم داده های شطرنجی و برداری را با استفاده از ابزارهای منبع باز پایتون آسان تر می کند. J. نرم افزار منبع باز. 2019 ، 4 ، 1886. [ Google Scholar ] [ CrossRef ]
  57. استانچین، آی. Jović, A. بررسی اجمالی و مقایسه کتابخانه های پایتون رایگان برای داده کاوی و تجزیه و تحلیل داده های بزرگ. در مجموعه مقالات چهل و دومین کنوانسیون بین المللی 2019 در زمینه فناوری اطلاعات و ارتباطات، الکترونیک و میکروالکترونیک (MIPRO)، اپاتییا، کرواسی، 20 تا 24 مه 2019؛ ص 977-982. [ Google Scholar ] [ CrossRef ]
  58. دبیر، او. Decaestecker، C. افزایش داده برای آموزش رگرسیون عمیق برای تشخیص سلول در شرایط آزمایشگاهی. در مجموعه مقالات پنجمین کنفرانس بین المللی 2019 در زمینه پیشرفت در مهندسی پزشکی (ICABME)، طرابلس، لبنان، 17 تا 19 اکتبر 2019؛ صص 1-3. [ Google Scholar ] [ CrossRef ]
  59. دبیر، او. آدانجا، آی. وارزی، ن. ون هام، پی. Decaestecker، C. تقسیم‌بندی تصویر کنتراست فاز توسط مونتاژ تبدیل حوضه ضعیف. در مجموعه مقالات پنجمین سمپوزیوم بین المللی IEEE در سال 2008 در زمینه تصویربرداری زیست پزشکی: از نانو تا ماکرو، پاریس، فرانسه، 14-17 می 2008. صص 724-727. [ Google Scholar ] [ CrossRef ]
  60. Vangara، VKM؛ وودانتی، س. کاکانی، بی. یک ماژول محاسباتی دقیق و سریع مبتنی بر پایتون برای تحلیل رگرسیون خطی در کاربردهای علم داده. در مجموعه مقالات کنفرانس بین المللی IEEE 2021 در مورد سیستم های هوشمند، فناوری های هوشمند و سبز (ICISSGT)، ویساخاپاتنام، هند، 13 تا 14 نوامبر 2021؛ صص 167-170. [ Google Scholar ] [ CrossRef ]
  61. احمد، ر. محمود، خ. Tuya, JH یک رویکرد ریاضی مبتنی بر GIS برای تولید مدل زمین سه بعدی از تصاویر پهپاد با وضوح بالا. J. Geovisualization Spat. مقعدی 2021 ، 5 ، 24. [ Google Scholar ] [ CrossRef ]
  62. ژو، اس. لی، ی. چی، جی. یین، جی. Oravecz، Z. بودوفسکی، ی. فریدمن، NP; Vrieze، SI; Chow، SM GPS2space: یک کتابخانه منبع باز پایتون برای استخراج اندازه گیری فضایی از داده های GPS. J. Behav. اطلاعات علمی 2021 ، 1 ، 127-155. [ Google Scholar ] [ CrossRef ]
  63. جووانف، اس. Naumoski، A. نقشه برداری مبتنی بر GIS از قله های کوهستانی، آبشارها و اقامتگاه های کوهستانی در مقدونیه شمالی. در مجموعه مقالات چهارمین سمپوزیوم بین المللی 2020 در مطالعات چند رشته ای و فناوری های نوآورانه (ISMSIT)، آنکارا، ترکیه، 22 تا 24 اکتبر 2020؛ صص 1-5. [ Google Scholar ] [ CrossRef ]
  64. موگاجی، کالیفرنیا؛ آتنیدگبه، OF; Adeyemo، IA; Akinmulewo، KP کاربرد تکنیک داده کاوی PROMETHEE مبتنی بر GIS برای پارامترهای مشتق شده از ژئوالکتریک برای ارزیابی پتانسیل آبخوان در یک زمین معمولی سنگ سخت در جنوب غربی نیجریه. حفظ کنید. منبع آب مدیریت 2022 ، 8 ، 51. [ Google Scholar ] [ CrossRef ]
  65. ما، ایکس. لانگلی، آی. سالموند، جی. Gao, J. PyLUR: نرم افزار کارآمد برای مدل سازی رگرسیون کاربری زمین توزیع فضایی آلاینده های هوا با استفاده از کتابخانه GDAL/OGR در پایتون. جلو. محیط زیست علمی مهندس 2020 ، 14 ، 44. [ Google Scholar ] [ CrossRef ]
  66. Dobesova, Z. زبان برنامه نویسی پایتون برای پردازش داده ها. در مجموعه مقالات کنفرانس بین المللی 2011 مهندسی برق و کنترل، Yichang، چین، 16-18 سپتامبر 2011. صص 4866-4869. [ Google Scholar ] [ CrossRef ]
  67. جاسکولکا، ک. سیلر، جی. بیر، اف. Kaup، A. یک دوره آزمایشگاهی مبتنی بر پایتون برای پردازش سیگنال تصویر و ویدئو در سیستم‌های جاسازی شده. Heliyon 2019 , 5 , e02560. [ Google Scholar ] [ CrossRef ]
  68. باستیداس، JMP; هاله، SV; Juurlink، LBF یک اسکریپت پایتون برای خودکارسازی تجزیه و تحلیل تصویر STM برای سطوح پلکانی. Appl. موج سواری. علمی 2021 , 567 , 150821. [ Google Scholar ] [ CrossRef ]
  69. تیم اصلی R. R: زبان و محیطی برای محاسبات آماری . بنیاد R برای محاسبات آماری: وین، اتریش، 2022. [ Google Scholar ]
  70. Murrell, P. R Graphics , 1st ed.; چپمن و هال/CRC: نیویورک، نیویورک، ایالات متحده آمریکا، 2005. [ Google Scholar ] [ CrossRef ]
  71. چانگ، تی دی. ابراهیم، ​​ر. حسن، س.م. Rosli، رویکرد سریع NS برای بازیابی خودکار داده ها با استفاده از زبان برنامه نویسی R. در مجموعه مقالات دومین سمپوزیوم بین المللی IEEE در سال 2016 در مورد رباتیک و اتوماسیون تولید (ROMA)، Ipoh، مالزی، 25-27 سپتامبر 2016؛ صص 1-4. [ Google Scholar ] [ CrossRef ]
  72. Lemenkova، P. Tanzania Craton، Serengeti Plain و Eastern Rift Valley: نقشه برداری داده های مکانی با تکنیک های اسکریپت نویسی. برآورد J. Earth Sci. 2022 ، 71 ، 61-79. [ Google Scholar ] [ CrossRef ]
  73. الامین، س. عدی سمپریث چبولو، اس. Ordonez, C. گسترش زبان R با یک عملگر خلاصه‌سازی ماتریس مقیاس‌پذیر. در مجموعه مقالات کنفرانس بین‌المللی IEEE 2020 درباره کلان داده (داده‌های بزرگ)، آتلانتا، GA، ایالات متحده آمریکا، 10–13 دسامبر 2020؛ صص 399-405. [ Google Scholar ] [ CrossRef ]
  74. Lemenkova, P. رویکردی مبتنی بر اسکریپت برای نقشه‌برداری توپوگرافی و داده‌های گرانشی حاصل از ماهواره بر روی کمربند تاشو و رانش زاگرس، ایران. آرتیف. ماهواره. 2022 ، 57 ، 110-137. [ Google Scholar ] [ CrossRef ]
  75. وانگ، دی. وی، اچ. Bai, B. آموزش طراحی و پیاده سازی بر اساس زبان R در پس زمینه داده های بزرگ. در مجموعه مقالات دومین کنفرانس بین المللی IEEE 2021 در مورد داده های بزرگ، هوش مصنوعی و مهندسی اینترنت اشیا (ICBAIE)، نانچانگ، چین، 26 تا 28 مارس 2021؛ ص 49-52. [ Google Scholar ] [ CrossRef ]
  76. مالویا، ا. عودانی، ع. Soni, S. R-tool: چارچوب تحلیلی داده برای داده های بزرگ. در مجموعه مقالات سمپوزیوم 2016 در مورد تجزیه و تحلیل داده های عظیم و شبکه سازی (CDAN)، ایندور، هند، 18 تا 19 مارس 2016؛ صص 1-5. [ Google Scholar ] [ CrossRef ]
  77. وانگ، اس. طراحی بستر راهنمای خودکار انگلیسی پزشکی تحت محیط فناوری اطلاعات بر اساس زبان R. در مجموعه مقالات کنفرانس بین المللی 2022 در مورد الکترونیک و سیستم های تجدیدپذیر (ICEARS)، Tuticorin، هند، 16-18 مارس 2022؛ صفحات 1584-1587. [ Google Scholar ] [ CrossRef ]
  78. لین، اچ. یانگ، اس. Midkiff، SP RABID – یک چارچوب پردازش R توزیع شده عمومی که مشکلات مجموعه داده های بزرگ را هدف قرار می دهد. در مجموعه مقالات کنگره بین المللی IEEE در سال 2013 در مورد داده های بزرگ، سانتا کلارا، کالیفرنیا، ایالات متحده آمریکا، 27 ژوئن تا 2 ژوئیه 2013. صص 423-424. [ Google Scholar ] [ CrossRef ]
  79. وانگ، جی. خو، ی. دوان، کیو. ژانگ، ام. Xu, B. مدل پیش بینی تولید اسید گلوتامیک داده کاوی بر اساس زبان R. در مجموعه مقالات بیست و نهمین کنفرانس کنترل و تصمیم چین در سال 2017 (CCDC)، چونگ کینگ، چین، 28 تا 30 مه 2017؛ صفحات 6806-6810. [ Google Scholar ] [ CrossRef ]
  80. Lemenkova، P. تجزیه و تحلیل آماری ژئومورفولوژی سنگر ماریانا با استفاده از زبان برنامه نویسی R. Geod. کارتوگر. 2019 ، 45 ، 57–84. [ Google Scholar ] [ CrossRef ]
  81. Mao, A. ساخت سیستم اطلاعات مدیریت حرفه ای هوشمند با برنامه نویسی R. در مجموعه مقالات پنجمین کنفرانس بین المللی 2021 در زمینه الکترونیک، ارتباطات و فناوری هوافضا (ICECA)، کویمباتور، هند، 1 تا 3 دسامبر 2021؛ صص 1162–1165. [ Google Scholar ] [ CrossRef ]
  82. بیشوال، RM استفاده بالقوه از برنامه ریزی آماری R در زمینه علوم زمین. در مجموعه مقالات دومین کنفرانس بین المللی 2017 برای همگرایی در فناوری (I2CT)، پونا، هند، 8 تا 9 آوریل 2017؛ ص 979-982. [ Google Scholar ] [ CrossRef ]
  83. فری، AC؛ وو، جی. گومز، ال. عناصر تجزیه و تحلیل داده ها و پردازش تصویر با R. در تجزیه و تحلیل تصویر SAR-یک رویکرد آمار محاسباتی: با کد R، داده ها و برنامه های کاربردی . ویلی: هوبوکن، نیوجرسی، ایالات متحده آمریکا، 2022؛ صص 43-60. [ Google Scholar ] [ CrossRef ]
  84. رامالکشمی، ای. Kompala, N. پردازش تصویر چند رشته ای در CPU تک هسته ای و چند هسته ای با استفاده از زبان R. در مجموعه مقالات دومین کنفرانس بین المللی 2017 در زمینه برق، کامپیوتر و فناوری های ارتباطات (ICECCT)، Erode، هند، 22-24 فوریه 2017؛ صص 1-5. [ Google Scholar ] [ CrossRef ]
  85. شاتلین، سی. باکایوکو، آ. مارتین، پی. Gautier, L. نظارت بر تکه تکه شدن جنگل های استوایی در منطقه Zagné-Taï (غرب پارک ملی تای، ساحل عاج). تنوع زیستی حفظ کنید. 2010 ، 19 ، 2405-2420. [ Google Scholar ] [ CrossRef ]
  86. هننبرگ، کی جی. اورثمان، بی. استینکه، آی. Porembski، S. تجزیه و تحلیل ناحیه هسته در جزایر جنگلی نیمه برگریز در پارک ملی کومو، ساحل عاج شمال شرقی. تنوع زیستی حفظ کنید. جلد 2008 ، 17 ، 2787-2797. [ Google Scholar ] [ CrossRef ]
  87. الشحات، س. الزعفرانی، ع.م. ال سعود، TA; Ghoniem، SA ارزیابی آسیب‌پذیری سواحل آفریقا در برابر افزایش سطح دریا با استفاده از GIS و سنجش از دور. محیط زیست توسعه دهنده حفظ کنید. 2021 ، 23 ، 2827-2845. [ Google Scholar ] [ CrossRef ]
  88. تانگ، دبلیو. فنگ، دبلیو. جیا، م. شی، ج. زو، اچ. Trettin، CC ارزیابی زیست توده و کربن حرا در غرب آفریقا: یک چارچوب تحلیلی صریح فضایی. Wetl. Ecol. مدیریت 2016 ، 24 ، 153-171. [ Google Scholar ] [ CrossRef ]
  89. عفیان، ک. رابین، ام. معنان، م. دیگبهی، ب. Djagoua، EV; کوامه، F. فلزات سنگین و هیدروکربن های آروماتیک چند حلقه ای در رسوبات تالاب Ebrié، ساحل عاج. محیط زیست نظارت کنید. ارزیابی کنید. 2009 ، 159 ، 531. [ Google Scholar ] [ CrossRef ]
  90. Msiska، OV دریاچه ها و مخازن آفریقا: جنوب صحرا. در دایره المعارف آبهای داخلی ; Likens، GE، Ed. انتشارات دانشگاهی: آکسفورد، انگلستان، 2009; صص 487-500. [ Google Scholar ] [ CrossRef ]
  91. توماسست. ساحل عاج. ان GéOgraphie 1900 , 9 , 159-172. [ Google Scholar ] [ CrossRef ]
  92. Rougerie, G. Façonnement actuel des modèles en cote d’voire forestière. L’Inform. جغرافیا. 1959 ، 23 ، 135-136. [ Google Scholar ]
  93. Tricart، J. Le café en Côte d’Ivoire. Cah D’Outre-Mer 1957 ، 39 ، 209-233. [ Google Scholar ] [ CrossRef ]
  94. برونو، L. Coup de cacao en Côte d’Ivoire. کریت بین المللی 2000 ، 9 ، 6-14. [ Google Scholar ] [ CrossRef ]
  95. De Planhol, X. Le cacao en Côte d’Ivoire: Étude de géographie régionale. L’Inform. جغرافیا. 1947 ، 11 ، 50-57. [ Google Scholar ] [ CrossRef ]
  96. اسمیت دومونت، ای. Gnahoua، GM; اوهو، ال. سینکلر، فلوریدا؛ Vaast, P. کشاورزان در ساحل عاج به ادغام تنوع درختی در کاکائو برای ارائه خدمات اکوسیستمی اهمیت می دهند. آگروفور. سیستم 2014 ، 88 ، 1047-1066. [ Google Scholar ] [ CrossRef ]
  97. Läderach، P. مارتینز-واله، آ. شروت، جی. کاسترو، ن. پیش بینی مناسب بودن آب و هوای آینده برای کشاورزی کاکائو در کشورهای تولید کننده پیشرو در جهان، غنا و ساحل عاج. صعود چانگ. 2013 ، 119 ، 841-854. [ Google Scholar ] [ CrossRef ]
  98. Sawadogo، A. La Strategie du Développement de l’agriculture en Côte-d’Ivoire. گاو نر L’Assoc. جغرافیا. Français 1974 ، 415-416 ، 87-103. [ Google Scholar ] [ CrossRef ]
  99. Pélissier, P. Agriculture et Développement l’exemple de la Côte-d’Ivoire. گاو نر L’Assoc. جغرافیا. Français 1974 ، 415-416 ، 81-85. [ Google Scholar ] [ CrossRef ]
  100. ساکو، ع. سمده، س. Wenmenga، U. ارزیابی ژئوشیمیایی خاک، آب های سطحی و آب های زیرزمینی در اطراف منطقه معدن طلای Tongon، شمال ساحل عاج، غرب آفریقا. جی افر. علوم زمین 2018 ، 145 ، 297-316. [ Google Scholar ] [ CrossRef ]
  101. Sauerwein، T. استخراج و توسعه طلا در ساحل عاج: مسیرها، فرصت ها و نظارت ها. خط مشی استفاده از زمین 2020 , 91 , 104323. [ Google Scholar ] [ CrossRef ]
  102. موری، اس. تورولا، تی. Bills, H. یک رویکرد زمین آماری برای تجزیه و تحلیل توزیع طلا کنترل شده توسط سیستم های گسل در مقیاس بزرگ – نمونه ای از ساحل عاج. جی افر. علوم زمین 2019 ، 151 ، 351-370. [ Google Scholar ] [ CrossRef ]
  103. Sournia، G. Aménagement du Territoire et Strategie du Développement en Côte-d’Ivoire. L’information Géographique 2003 , 67 , 124-129. [ Google Scholar ] [ CrossRef ]
  104. شاتلین، سی. گوتیه، ال. Spichiger، R. تاریخ اخیر از تکه تکه شدن جنگل در جنوب غربی ساحل عاج. تنوع زیستی حفظ کنید. 1996 ، 5 ، 37-53. [ Google Scholar ] [ CrossRef ]
  105. Denguéadhé Kolongo، TS; دکوک، جی. یائو، CYA؛ بلوم، EC؛ Van Rompaey، تنوع گونه های گیاهی RSAR در بخش جنوبی پارک ملی تائی (ساحل عاج). تنوع زیستی حفظ کنید. 2006 ، 15 ، 2123-2142. [ Google Scholar ] [ CrossRef ]
  106. یو، ک. دلسین، تی. کوناته، اس. آلونسو، LL; آیدارا، دی. Peeters، C. تنوع و توزیع مجموعه‌های مورچه در بالا و زیر زمین در موزاییک جنگلی-ساوانای آفریقای غربی (Lamto، ساحل عاج). Insectes Sociaux 2017 ، 64 ، 155-168. [ Google Scholar ] [ CrossRef ]
  107. Dubresson، A. Industrialization et urbanization en Côte-d’Ivoire. Contribution geographique à l’étude de l’accumulation urbaine. L’Inform. جغرافیا. 2003 ، 67 ، 130-133. [ Google Scholar ] [ CrossRef ]
  108. Chaléard، JL Temps des villes، Temps des vivres. L’essor du vivrier marchand en Côte d’Ivoire. L’Inform. جغرافیا. 1995 ، 59 ، 42-43. [ Google Scholar ]
  109. Cotten، AM Un aspect de l’urbanisation en Côte-d’Ivoire. Cahiers D’outre-mer 1974 , 106 , 183-193. [ Google Scholar ] [ CrossRef ]
  110. Cotten، AM Le rôle des villes moyennes en Côte-d’Ivoire. گاو نر L’Inform. جغرافیا. Français 1973 ، 410 ، 619-625. [ Google Scholar ] [ CrossRef ]
  111. Cotten، AM Développement des transports en République de Côte d’Ivoire Ses conéquences géographiques. تراو l’Inst. جغرافیا. ریمز 1985 ، 63-64 ، 85-94. [ Google Scholar ] [ CrossRef ]
  112. دومویا، آی. دیبی، بی. کوامه، کی. سالی، بی. Jourda، JP; ساوان، آی. Biemi, J. مدلسازی مناطق مساعد برای ایجاد نقاط آبی توسط سیستم اطلاعات جغرافیایی (GIS) و تجزیه و تحلیل چند معیاره (MCA) در منطقه Aboisso (جنوب شرقی ساحل عاج). محیط زیست علوم زمین 2012 ، 67 ، 1763-1780. [ Google Scholar ] [ CrossRef ]
  113. سازمان زمین شناسی آمریکا لندست — ماهواره های رصد زمین ; گزارش فنی؛ USGS: اشویل، NC، ایالات متحده آمریکا، 2015. [ CrossRef ]
  114. وزارت کشور سازمان زمین شناسی ایالات متحده. راهنمای کاربران داده لندست 9 ; LSDS-2082 نسخه 1.0; EROS: Sioux Falls، SD، ایالات متحده آمریکا، 2022.
  115. گروه تالیف GEBCO. شبکه GEBCO 2020. 2020. در دسترس آنلاین: https://doi.org/10.5285/a29c5465-b138-234d-e053-6c86abc040b9 (در 13 اکتبر 2022 قابل دسترسی است).
  116. وسل، پی. لوئیس، جی اف. اویدا، ال. شررو، ر. ووب، اف. اسمیت، WHF; Tian, ​​D. The Generic Mapping Tools نسخه 6. Geochem. ژئوفیز. Geosyst. 2019 ، 20 ، 5556–5564. [ Google Scholar ] [ CrossRef ]
  117. Lemenkova، P. نگاشت مغولستان مبتنی بر کنسول با استفاده از مجموعه ابزار اسکریپت نقشه برداری GMT ​​برای پردازش داده های TerraClimate. Geosciences 2022 , 12 , 140. [ Google Scholar ] [ CrossRef ]
  118. Lemenkova، P. نقشه برداری پارامترهای آب و هوا در قلمرو بوتسوانا با استفاده از GMT و داده های سطح شبکه بندی شده از TerraClimate. ISPRS Int. جی. جئو. Inf. 2022 ، 11 ، 473. [ Google Scholar ] [ CrossRef ]
  119. Hijmans، RJ; بیوند، ر. فورنر، ک. اومز، جی. پبسما، ای. Sumner, MD Package ‘Terra’ ; نگهدارنده: وین، اتریش، 2022. [ Google Scholar ]
  120. Hijmans، RJ Raster: تجزیه و تحلیل داده های جغرافیایی و مدل سازی. بسته R نسخه 2.6-7. 2017. در دسترس آنلاین: https://CRAN.R-project.org/package=raster (در 13 اکتبر 2022 قابل دسترسی است).
  121. Neuwirth, E. RColorBrewer: ColorBrewer Palettes. بسته R نسخه 1.1-2. 2014. در دسترس آنلاین: https://CRAN.R-project.org/package=RColorBrewer (در 13 اکتبر 2022 قابل دسترسی است).
  122. ولسکی، جی سی. استرن، RJ; جانسون، روابط عمومی کنترل زمین‌شناسی کانی‌سازی سولفید عظیم در منطقه برشی نئوپروتروزوییک وادی بیده، جنوب غربی عربستان سعودی، استنتاج از سنجش از دور مداری و مطالعات میدانی. پرکامبرین رس. 2003 ، 123 ، 235-247. [ Google Scholar ] [ CrossRef ]
  123. ریچاردز، JA تحلیل تصویر دیجیتال سنجش از دور. یک مقدمه ، ویرایش پنجم. Springer: Dordrecht, The Netherlands, 2013. [ Google Scholar ] [ CrossRef ]
  124. کمپبل، جی بی. Wynne, RH Introduction to Remote Sensing , 5th ed.; Guilford Press: نیویورک، نیویورک، ایالات متحده آمریکا، 2011. [ Google Scholar ]
  125. دیولی، وی. کومار، دی. کوریقی، الف. تشخیص تغییرات منطقه پراکندگی آب در دریاچه اوتروفیک با استفاده از داده های لندست. Sensors 2022 , 22 , 6176. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  126. Hunter، JD Matplotlib: A 2D Graphics Environment. محاسبه کنید. علمی مهندس 2007 ، 9 ، 90-95. [ Google Scholar ] [ CrossRef ]
  127. Gillies، S. Rasterio: Geospatial Raster I/O برای برنامه نویسان پایتون. 2013. در دسترس آنلاین: https://rasterio.readthedocs.io/en/latest/ (در 13 اکتبر 2022 قابل دسترسی است).
  128. هریس، CR; میلمن، کی جی. ون در والت، اس جی; گومرز، آر. ویرتانن، پی. کورناپو، دی. ویزر، ای. تیلور، جی. برگ، اس. اسمیت، نیوجرسی؛ و همکاران برنامه نویسی آرایه با NumPy. طبیعت 2020 ، 585 ، 357–362. [ Google Scholar ] [ CrossRef ]
  129. Plotly Technologies Inc. Collaborative Data Science ; Plotly Technologies Inc.: مونترال، QC، ایالات متحده آمریکا، 2015. [ Google Scholar ]
  130. Rouse, JW, Jr. هاس، RH; شل، JA; Deering، DW سیستم های پوشش گیاهی را در دشت های بزرگ با Erts نظارت می کند. در نشریه ویژه ناسا ؛ ناسا: واشنگتن، دی سی، ایالات متحده آمریکا، 1974; جلد 351، ص. 309. [ Google Scholar ]
  131. Huete، AR یک شاخص پوشش گیاهی با خاک (SAVI). سنسور از راه دور محیط. 1988 ، 25 ، 295-309. [ Google Scholar ] [ CrossRef ]
  132. جیانگ، ز. Huete، AR؛ دیدان، ک. میورا، تی. توسعه یک شاخص پوشش گیاهی دو باندی بدون نوار آبی. سنسور از راه دور محیط. 2008 ، 112 ، 3833-3845. [ Google Scholar ] [ CrossRef ]
  133. کافمن، YJ; Tanre، D. شاخص گیاهی مقاوم در برابر جو (ARVI) برای EOS-MODIS. IEEE Trans. Geosci. Remote Sens. 1992 , 30 , 261-270. [ Google Scholar ] [ CrossRef ]
  134. آوند، م. کوریقی، ع. خزایی، م. قربانزاده، O. اثرات تفکیک DEM بر عملکرد یادگیری ماشین برای نگاشت احتمال سیل. جی هیدرول. محیط زیست Res. 2022 ، 40 ، 1-16. [ Google Scholar ] [ CrossRef ]
شکل 1. نقشه توپوگرافی ساحل عاج. نرم افزار نقشه برداری: مجموعه ابزارهای برنامه نویسی Generic Mapping Tools (GMT). منبع داده: GEBCO/SRTM. نقشه کشی: نویسندگان.
شکل 2. داده های گرفته شده از مخزن تصویر ماهواره ای USGS Global Visualization Viewer (GloVis) که به داده های سنجش از دور Landsat 9 OLI/TIRS C2 L1 و SRTM DEM برای تجزیه و تحلیل زمین دسترسی دارد. ( الف ) جمع آوری شده از Landsat 9 OLI/TIRS C2 L1. ( ب ) از DEM پر شده با SRTM جمع آوری شده است.
شکل 3. بررسی هندسه باندهای Landsat با ( a ) وضوح 30 پیکسل برای همه باندها، به جز باند 8 (پانکروماتیک) با وضوح 15 پیکسل، بررسی ویژگی های تصویر در بسته R ‘terra’ و ( b ) برای تک باند Landsat-8 OLI/TIRS C1 (1:11).
شکل 4. 11 لایه اصلی (باندهای خام) تصویر چند طیفی Landsat-9 OLI/TIRS C1 ‘LC09_L1TP_197055_20220111_20220122_02_T1’ در حالت خاکستری: فوق العاده آبی (باند 1)، آبی 2 (Band) قرمز (باند 4)، مادون قرمز نزدیک (NIR) (باند 5)، موج کوتاه مادون قرمز (SWIR) 1 (باند 6)، موج کوتاه مادون قرمز (SWIR) 2 (باند 7)، پانکروماتیک (باند 8)، سیروس (باند 9)، مادون قرمز حرارتی (TIRS) 1 (باند 10) و مادون قرمز حرارتی (TIRS) 2 (باند 11)، رسم شده با R.
شکل 5. همبستگی بین باندهای انتخابی Landsat-8 OLI/TIRS C1 در یک تصویر چند طیفی LC09_L1TP_197055_20220111_20220122_02_T1_B . ( الف ) باند 1 در برابر باند 2. ( ب ) باند 4 در برابر باند 5.
شکل 6. کامپوزیت های رنگ طبیعی ( a , b ). کامپوزیت های رنگ کاذب ( c ، d ). تصویر Landsat 9 OLI از منطقه دریاچه Kossou و Yamoussoukro، ساحل عاج. نقشه برداری: RStudio. منبع: نویسندگان
شکل 7. تجسم ترکیبی رنگ نادرست از تصویر Landsat 8 OLI از اطراف دریاچه Kossou در ساحل عاج. نقشه برداری: RStudio. منبع: نویسندگان ( الف ) باندهای 5، 7 و 3. ( ب ) باندهای 7، 4 و 2. ( ج ) باندهای 5، 4 و 3 (مادون قرمز رنگی). ( د ) باندهای 6، 5 و 4.
شکل 8. NDVI برای تصویر چندطیفی Landsat-9 OLI/TIRS محاسبه شده است. ( الف ) شاخص پوشش گیاهی مبتنی بر نسبت NDVI. ( ب ) توزیع داده در NDVI محاسبه شده.
شکل 9. SAVI برای تصویر چند طیفی LC09_L1TP_197055_20220111_20220122_02_T1_B محاسبه شده است. ( الف ) شاخص پوشش گیاهی مبتنی بر نسبت SAVI. ( ب ) توزیع داده در SAVI محاسبه شده.
شکل 10. EVI2، محاسبه شده برای تصویر چند طیفی LC09_L1TP_197055_20220111_20220122_02_T1_B . ( الف ) شاخص پوشش گیاهی مبتنی بر نسبت EVI2. ( ب ) توزیع داده در EVI2 محاسبه شده.
شکل 11. شاخص گیاهی مقاوم اتمسفر 2 (ARVI2) برای تصویر چند طیفی LC09_L1TP_197055_20220111_20220122_02_T1_B محاسبه شده است. ( الف ) شاخص پوشش گیاهی مبتنی بر نسبت ARVI2. ( ب ) توزیع داده در EVI2 محاسبه شده.
شکل 12. ( a ): تصویر Landsat OLI/TIRS با قطعه بزرگ شده دریاچه Kossou، با استفاده از تجسم مقیاس خاکستری نوار 6 (SWIR). نقشه برداری: R. ( ب ) قطعه بزرگ شده DEM پر از فضای خالی SRTM3 برش خورده که در بالای سایه تپه قرار گرفته است. Cmaps: ‘turbo’ و ‘gist_yarg’. نقشه برداری: پایتون.
شکل 13. مدل سازی زمین برای منطقه دریاچه Kossou، ساحل عاج. نقشه برداری: پایتون. منبع: نویسندگان ( الف ) DTM دریاچه Kossou، ساحل عاج. ( ب ) تپه از DTM دریاچه Kossou، ساحل عاج. ( ج ) آزیموت خورشید: 230 درجه. شید از DTM. ( د ) ارتفاع زاویه خورشید: 10 درجه. شید از DTM.
توجه ناشر: MDPI با توجه به ادعاهای قضایی در نقشه های منتشر شده و وابستگی های سازمانی بی طرف می ماند.

بدون دیدگاه

دیدگاهتان را بنویسید