چارچوبی از انتخاب الگوریتم فیوژن مکانی-زمانی برای ساخت سری زمانی Landsat NDVI

خلاصه

الگوریتم های همجوشی مکانی-زمانی به طور چشمگیری کاربرد سری های زمانی Landsat را افزایش می دهند. با این حال، هر الگوریتم همجوشی مکانی-زمانی دارای مزایا و معایب عملکرد پوشش زمین ناهمگن، حداقل تعداد جفت تصویر ورودی، و کارایی آن است. این مطالعه با هدف پاسخ به این موارد انجام شد: (1) چگونگی تعیین سازگاری الگوریتم همجوشی مکانی-زمانی برای پیش‌بینی تصاویر در تاریخ پیش‌بینی و (2) آیا سری زمانی شاخص تفاوت گیاهی نرمال شده لندست (NDVI) از درونیابی با تصاویر سود می‌برد. ترکیب شده از چندین الگوریتم همجوشی مکانی-زمانی.
دوره-آموزش-حرفه-ای-gis
بنابراین، ما فرض کردیم که یک رابطه خطی بین دقت همجوشی و واریانس مکانی و زمانی وجود داشته باشد. با در نظر گرفتن مدل ترکیبی بازتاب تطبیقی ​​مکانی و زمانی (STARFM) و STARFM پیشرفته (ESTARFM) به عنوان الگوریتم‌های پایه، چارچوبی برای غربالگری یک الگوریتم همجوشی مکانی-زمانی برای ساخت سری زمانی Landsat NDVI طراحی شد. قانون غربالگری با برازش رابطه خطی بین واریانس مکانی و زمانی و دقت الگوریتم همجوشی طراحی شد و سپس رابطه برازش با قانون انتخاب دقت درجه‌بندی شده ترکیب شد (R2) برای انتخاب الگوریتم فیوژن. نتایج نشان داد که سری زمانی Landsat NDVI ساخته شده توسط این چارچوب پیشنهادی مقاله بالاترین دقت کلی (88.18%) و کمترین حذف (1.82%) و خطای کمیسیون (10.00%) را در تشخیص تغییر پوشش زمین در مقایسه با تصویربرداری با وضوح متوسط ​​نشان می‌دهد. طیف سنج (MODIS) سری زمانی NDVI و سری زمانی NDVI که توسط یک STARFM یا ESTARFM ساخته شده است. تجزیه و تحلیل پایداری فنولوژیکی نشان داد که سری زمانی Landsat NDVI ایجاد شده توسط الگوریتم‌های زمانی- مکانی متعدد می‌تواند به طور موثر از نوسانات فنولوژیکی در سری‌های زمانی ساخته‌شده توسط یک الگوریتم همجوشی منفرد جلوگیری کند.

کلید واژه ها:

الگوریتم همجوشی فضایی و زمانی ; سری زمانی لندست ; طرح غربالگری

1. معرفی

تصاویر Landsat که وضعیت سطح زمین را از سال 1972 ثبت می‌کنند در پایش دینامیک اکوسیستم زمینی و مدل‌سازی فرآیندهای بیوسفر غیرقابل جایگزین هستند [ 1 , 2]]. شاخص تفاوت نرمال شده گیاهی لندست (NDVI) به نمایندگی از سرسبزی سطح زمین عمل می کند. سری زمانی Landsat NDVI به دلیل وضوح مکانی بالا (30 متر)، برتری آشکاری نسبت به سری زمانی NDVI طیف‌سنج تصویربرداری با وضوح متوسط ​​(MODIS)، پوشش گیاهی SPOT و مطالعات مدل‌سازی و نقشه‌برداری فهرست جهانی (GIMMS) دارد. وضوح فضایی به ترتیب 250 متر، 1 کیلومتر و 8 کیلومتر است. آرشیو تصاویر تاریخی طولانی‌تر Landsat آخرین مجموعه داده‌های Sentinel با وضوح بالا دوگانه (رزولوشن زمانی 5 روزه و وضوح مکانی 10 متر) را در برآورده کردن نیاز مطالعات طولانی‌مدت شکست می‌دهد. در نتیجه، سری زمانی Landsat NDVI نقش مهمی در بهبود دقت طبقه‌بندی، اندازه‌گیری فنولوژیک و پایش طولانی مدت تغییر پوشش زمین ایفا می‌کند 3].4 ، 5 ، 6 ]. با این حال، محدود به زمان بازدید مجدد 16 روزه، آلودگی مکرر ابری، و از دست دادن 22 درصدی داده حسگر پیشرفته Thematic Mapper Plus (ETM+) از سال 2003، کمبود وضوح بالا دوگانه (رزولوشن مکانی و زمانی) زمان Landsat NDVI وجود دارد. سری [ 7 ، 8 ، 9 ، 10 ]. این داده‌های مشاهده‌ای از دست رفته باعث شده است که سری زمانی Landsat در گرفتن رویدادهای تغییر پوشش زمین یا استخراج گره‌های مهم فنولوژیکی شکست بخورد [ 5 ، 11 ]. بنابراین، انتظار می رود که بازسازی تصویر گمشده مشکلات ذکر شده را حل کند [ 12 ، 13 ، 14].
فضا-زمانی اساساً بر کاهش مقیاس تصاویر درشت فضایی به تصاویر ظریف فضایی تمرکز دارد. هدف آن تولید تصاویر با وضوح زمانی و مکانی بالا برای هر داده از دست رفته با بهره گیری کامل از اطلاعات تکمیلی تصاویر با وضوح فضایی مکرر مشاهده شده اما درشت (به عنوان تصاویر درشت) و تصاویر با فضایی به ندرت مشاهده شده اما خوب است. وضوح (اشاره به تصاویر خوب). بر خلاف روش‌های تفسیری که به تعداد ورودی تصاویر مرجع همولوگ و موجود Landsat بستگی دارد، ترکیب مکانی-زمانی در تصاویر مرجع ورودی انعطاف‌پذیر است و حتی زمانی که فقط از یک تصویر مشاهده‌شده همسایه استفاده می‌کند، عملکرد خوبی دارد [15، 16 ] .]. علاوه بر این، معرفی اطلاعات زمانی از تصاویر درشت، تصویر پویای پوشش زمین را بیشتر افزایش می‌دهد. در حال حاضر، بیش از 50 الگوریتم همجوشی مکانی-زمانی پیشنهاد شده است. از نظر فنی، این الگوریتم‌ها به طور کلی به پنج گروه دسته‌بندی شدند: روش‌های ترکیبی مبتنی بر تابع وزن، مبتنی بر عدم اختلاط، مبتنی بر یادگیری، مبتنی بر بیزی و روش‌های ترکیبی. روش‌های مبتنی بر تابع وزن، بر اساس تابع وزن برای یکپارچه‌سازی سهم طیفی، زمانی و مکانی تصاویر مرجع، پرکاربردترین روش‌ها هستند [ 8 ، 17 ، 18 ، 19 ]. روش‌های مبتنی بر عدم اختلاط، تصویر درشت را به یک تصویر در مقیاس ریز بر اساس تئوری اختلاط طیفی خطی از ترکیب می‌کنند [ 12 ، 20]، 21 ]. روش‌های مبتنی بر یادگیری اخیرا توسعه یافته‌اند، اما امیدوارکننده هستند، که تصاویر خوب را با رابطه بین تصاویر درشت و تصاویر ظریفی که توسط یادگیری ماشین یا فناوری یادگیری عمیق آموخته می‌شوند، پیش‌بینی می‌کنند [ 22 ، 23 ، 24 ]. روش‌های مبتنی بر بیزی از نظریه بیز برای تخمین تصویر خوب استفاده می‌کنند [ 25 ]. روش های ترکیبی ترکیبی دو یا چند نظریه از روش های ذکر شده در بالا را برای تحقق آمیختگی تصویر ادغام می کنند [ 13 ].
اگرچه روش‌های همجوشی مکانی-زمانی پررونق بوده‌اند، روش‌هایی برای تولید مستقیم سری‌های زمانی Landsat NDVI بر اساس تمام تصاویر موجود Landsat و سری‌های زمانی تصویر درشت هنوز در کمبود هستند [ 13 ، 16 ، 26 ]. در حال حاضر، بیشتر سری‌های زمانی Landsat NDVI مبتنی بر همجوشی مکانی-زمانی برای پایش سطح زمین عمدتاً از استراتژی پر کردن داده‌های از دست رفته با روش همجوشی تک تصویری استفاده می‌کنند [ 11 ، 27]. با این حال، الگوریتم های فیوژن مختلف مزایا و معایب متفاوتی در ترکیب تصاویر دارند. به عنوان مثال، مدل ترکیبی بازتابی تطبیقی ​​مکانی و زمانی (STARFM) برای ادغام تصویر عملی و کارآمد است زیرا تنها به یک جفت تصویر مرجع درشت و ظریف نیاز دارد. اما عملکرد محدودی در ناحیه پوشش زمین ناهمگون دارد [ 17 ]. در حالی که STARFM پیشرفته (ESTARFM) در مناطق پوشش زمین ناهمگون عملکرد بهتری دارد، حداقل به دو جفت تصویر مرجع درشت و ظریف نیاز دارد و زمان‌بر است [ 8]]. بنابراین، تصمیمات زیر باید هنگام ترکیب یک تصویر گمشده برای ساخت سری زمانی Landsat NDVI واضح باشد: (1) کدام الگوریتم همجوشی باید برای ترکیب تصویر گمشده انتخاب شود. و (2) آیا عملکرد سری زمانی Landsat NDVI با استفاده از تصاویر ترکیبی تولید شده از الگوریتم‌های فیوژن چندگانه بهبود می‌یابد.
بنابراین، واریانس مکانی-زمانی، که تغییر مکانی و زمانی بین تاریخ های یک تصویر مرجع و تصویر گمشده را کمی می کند، برای پشتیبانی از انتخاب الگوریتم همجوشی مکانی-زمانی برای ساخت سری زمانی Landsat NDVI معرفی شد. فرض کردیم یک رابطه خطی بین دقت همجوشی و واریانس مکانی و زمانی وجود داشته باشد. سپس چارچوبی برای ساخت سری زمانی Landsat NDVI با الگوریتم‌های فیوژن مختلف با در نظر گرفتن الگوریتم‌های STARFM و ESTARFM به‌عنوان الگوریتم‌های پایه به دلیل کاربرد گسترده، عملکرد آنها در ترکیب تصاویر ناهمگن و حداقل تعداد مورد نیاز جفت تصویر ورودی پیشنهاد شد. پس از آن، اثربخشی قانون صفحه نمایش در چارچوب پیشنهادی تأیید شد. علاوه بر این، عملکرد سری زمانی Landsat NDVI مبتنی بر چند الگوریتم در پایش تغییر پوشش زمین و پایداری فنولوژیکی با مقایسه با سری زمانی Landsat NDVI مبتنی بر الگوریتم تک نشان داده شد. بقیه این مطالعه به شرح زیر سازماندهی شد:بخش 2 مبانی نظری و گردش کار ساخت سری زمانی Landsat NDVI را تشریح کرد. بخش 3 آزمایش و تحلیل اثربخشی را ارائه کرد. بخش 4 مزایا، عدم قطعیت ها و دیدگاه ها را مورد بحث قرار داد. و بخش 5 نتیجه گیری کرد.

2. روش شناسی

الگوریتم همجوشی مکانی-زمانی با هدف تولید تصاویر با وضوح مکانی و زمانی بالا، که تصاویر ظریف و تصاویر درشت را در تاریخ پایه و تصاویر درشت در تاریخ پیش‌بینی را به عنوان ورودی برای پیش‌بینی تصاویر خوب در تاریخ پیش‌بینی می‌گیرد (شکل 1 ) [ 8 ، 9 ، 28]. با این حال، هر الگوریتم فیوژن در موقعیت های مختلف همجوشی مزایا و معایب خود را دارد. از این رو، منطقی است که فرض کنیم عملکرد الگوریتم‌های مختلف همجوشی مکانی-زمانی تحت شرایط مکانی و زمانی متفاوت متفاوت است. بنابراین، واریانس مکانی و زمانی برای تعیین کمیت تفاوت مکانی و زمانی بین تصاویر درشت در تاریخ پایه و پیش‌بینی معرفی شد. قانون غربالگری ابتدا با برازش رابطه خطی بین واریانس مکانی و زمانی و دقت الگوریتم همجوشی ساخته شد و سپس رابطه برازش با قانون انتخاب دقت درجه‌بندی شده ترکیب شد تا الگوریتم همجوشی انتخاب شود. بنابراین، الگوریتم غربال‌شده برای یک تاریخ پیش‌بینی خاص برای پیش‌بینی تصویر گمشده Landsat تکمیل شد. سپس، آن تصاویر پیش بینی شده لندست برای محاسبه NDVI برای ساخت سری زمانی Landsat NDVI استفاده شد. علاوه بر این، عملکرد قانون غربالگری با اثربخشی انتخاب الگوریتم تأیید شد. سری زمانی Landsat NDVI مبتنی بر الگوریتم چندگانه با اثربخشی تشخیص تغییر پوشش زمین و استخراج فنولوژیکی ارزیابی شد. شایان ذکر است که STARFM و ESTARFM به دلیل ویژگی های مکمل عملکرد در پوشش زمین همگن یا ناهمگن، تصویر مرجع یک جفت یا دو جفت و کارایی به عنوان الگوریتم پایه برای آزمایش چارچوب پیشنهادی انتخاب شدند. سری زمانی Landsat NDVI مبتنی بر الگوریتم چندگانه با اثربخشی تشخیص تغییر پوشش زمین و استخراج فنولوژیکی ارزیابی شد. شایان ذکر است که STARFM و ESTARFM به دلیل ویژگی های مکمل عملکرد در پوشش زمین همگن یا ناهمگن، تصویر مرجع یک جفت یا دو جفت و کارایی به عنوان الگوریتم پایه برای آزمایش چارچوب پیشنهادی انتخاب شدند. سری زمانی Landsat NDVI مبتنی بر الگوریتم چندگانه با اثربخشی تشخیص تغییر پوشش زمین و استخراج فنولوژیکی ارزیابی شد. شایان ذکر است که STARFM و ESTARFM به دلیل ویژگی های مکمل عملکرد در پوشش زمین همگن یا ناهمگن، تصویر مرجع یک جفت یا دو جفت و کارایی به عنوان الگوریتم پایه برای آزمایش چارچوب پیشنهادی انتخاب شدند.
دوره-آموزش-حرفه-ای-gis

2.1. الگوریتم های همجوشی فضایی و زمانی پایه

2.1.1. مدل همجوشی بازتابی تطبیقی ​​مکانی و زمانی (STARFM)

STARFM می‌تواند نتایج همجوشی رضایت‌بخشی را در مرحله تغییر غیرخطی پوشش زمین و همچنین در مناطق همگن ارائه دهد [ 17 ]، که فرض می‌کند خطاهای باقیمانده بین تصویر درشت و تصویر ظریف تغییرناپذیر بوده و ناشی از تغییرات پوشش زمین و کاربری زمین است. ویژگی های طول موج بین دو سنسور و شرایط روشنایی. بنابراین، تفاوت بین تصویر ریز و تصویر درشت در تاریخ پایه و پیش‌بینی باید معادل باشد. با توجه به اینکه پیکسل های مشابه همسایه بازتاب مشابهی دارند، STARFM با ترکیب تابع وزن، که در آن تابع وزن، فاصله مکانی، اختلاف طیفی و اختلاف زمانی یکپارچه شده است، اصلاح شد [17] .]. اجرای STARFM را می‌توان به این صورت خلاصه کرد که ابتدا یک جفت تصویر ریز و درشت در تاریخ پایه و یک تصویر درشت در تاریخ پیش‌بینی تهیه می‌کنیم، سپس پیکسل‌های همسایه مشابه را در یک پنجره متحرک پیدا می‌کنیم و در نهایت تصویر ریز را پیش‌بینی می‌کنیم. تاریخ پیش بینی STARFM را می توان به صورت زیر تعریف کرد:

L(ایکس�/2،��/2،تیپ)=∑من=1�∑�=1�∑ک�دبلیومن�ک×(م(ایکسمن،��،تیپ)+�(ایکسمن،��،تیک)-م(ایکسمن،��،تیک))

که در آن x w /2 ، y w /2 مکان مرکزی پنجره متحرک است، جایی که پنجره متحرک ( w ) به عنوان عرض 31 پیکسل تنظیم شده است. تنظیمات پارامتر بیشتر می تواند به [ 12 ، 17 ] مراجعه کند. L و M به ترتیب بازتاب تصویر ظریف و تصویر درشت هستند. n تعداد تصاویر مرجع است، بنابراین k از 1 تا n است . t p و t k به ترتیب تاریخ ترکیب و تصاویر مرجع است. W ijkبه ضریب وزنی که با فاصله مکانی، شباهت طیفی و اختلاف زمانی تعیین می شود، اشاره دارد و به شرح زیر است:

دبلیومن�ک=(1/(اسمن�ک×تیمن�ک×Dمن�ک))/∑من=1�∑�=1�∑ک�(1/(اسمن�ک×تیمن�ک×Dمن�ک))

که در آن S ، T و D شباهت طیفی، اختلاف زمانی و فاصله فضایی بین تصاویر ظریف و درشت را نشان می‌دهند.

2.1.2. STARFM پیشرفته (ESTARFM)

بر خلاف STARFM، ESTARFM بر اساس حداقل دو جفت تصویر مرجع درشت و ریز است که یک تغییر خطی پوشش زمین بین این دو تاریخ مرجع را فرض می‌کند [ 8 ]. بنابراین، ضریب تبدیل خطی (V) بین تصاویر مرجع باید برای نشان دادن شیب تغییر طیفی محاسبه شود [ 8 ]. مانند STARFM، تابع وزن برای ادغام تفاوت طیفی، اختلاف زمانی و فاصله مکانی هر پیکسل مشابه همسایه استفاده می شود. اگر چه ESTARFM بهبود یافته است، دقت همجوشی آن تحت تأثیر کیفیت و کمیت تصویر مرجع و فرضیه خطی آن است [ 29 ، 30 ]. ESTARFM را می توان به صورت زیر تعریف کرد:

L(ایکس�/2،��/2،تیپ)=�(ایکس�/2،��/2،تیک)+∑من=1ندبلیومن×�من×(م(ایکسمن،��،تیپ)-م(ایکسمن،��،تیک))

که در آن L و M بازتاب تصویر ظریف و تصویر درشت هستند. t زمان است. t p و t k به ترتیب تاریخ ترکیب و تصاویر مرجع هستند. N تعداد پیکسل های مشابه در پنجره های متحرک است که در این مقاله اندازه پنجره متحرک به صورت عرض 31 پیکسل تعیین شده است . تنظیمات پارامتر بیشتر به [ 8 ] مراجعه کنید. W ضریب وزن است.

2.2. واریانس مکانی و زمانی

واریانس مکانی و زمانی واریانس را به فضا و زمان تقسیم می کند [ 31 ، 32 ]. این دو واریانس نشان دهنده تفاوت های مکانی و زمانی پوشش زمین ناشی از تغییرات فنولوژیکی یا فعالیت های انسانی است. میانگین واریانس فضایی بر درجه ناهمگونی فضایی سطح تأکید دارد، در حالی که واریانس زمانی متوسط ​​نشان دهنده پویایی زمانی اشیا است. بنابراین، واریانس مکانی و زمانی روش جدیدی برای تعیین تفاوت در تصاویر الگوریتم فیوژن فراهم می‌کند. تقسیم بندی فرمول زمان-اول و فضا-اول را می توان به ترتیب به صورت زیر تعریف کرد:

�س2¯=(متر×�)-1متر(�-1)×��2-�(متر-1)متر(�-1)×�تی2(تو)
�تی2¯=(متر×�)-1�(متر-1)×��2-متر(�-1)�(متر-1)×�س2(تو)

که در آن δg2 واریانس مکانی و زمانی در فضا و زمان است، در حالی که m و n به ترتیب نشان دهنده m صحنه در زمان و n پیکسل در فضا هستند ( m = 2 برای STARFM و m = 3 برای ESTARFM). �س2¯و �تی2¯به ترتیب واریانس مکانی و واریانس زمانی است. δt 2 ( μ ) و δ s 2 ( μ ) به ترتیب نشان دهنده واریانس زمانی میانگین های مکانی و واریانس مکانی میانگین های زمانی هستند .

در اینجا، ما فرض کردیم که دقت همجوشی تغییر خطی با واریانس زمانی و مکانی است. بنابراین، یک رابطه خطی بین دقت همجوشی و واریانس‌های زمانی و مکانی ایجاد شد. بنابراین، مقایسه کمی الگوریتم‌های همجوشی مکانی-زمانی مختلف با تاریخ متمایز و تصاویر مرجع می‌تواند انجام شود. برای ساده کردن مدل و قوی کردن قاعده صفحه نمایش، به جای مقایسه مستقیم مقدار دقت الگوریتم همجوشی مکانی-زمانی برای انتخاب الگوریتم، از دقت درجه بندی شده استفاده کردیم. علاوه بر این، ضریب تعیین (R2 ) از 0 تا 1 به عنوان شاخص ارزیابی دقت همجوشی استفاده شد. بنابراین، دقت فیوژن به درجات مختلف از جمله دقت بالا (1 ≥ R2) تقسیم شد .> 0.8)، دقت عمومی بالا (0.8 ≥ R2 > 0.7)، دقت متوسط ​​(0.7 ≥ R2 > 0.6)، و دقت پایین (0.6 ≥ R2 ) . در طی فرآیند غربالگری، الگوریتم فیوژن با درجه دقت همجوشی بالاتر به عنوان الگوریتم ترکیب تصویر مناسب برای تصویر تاریخ پیش‌بینی انتخاب شد. این قانون حتی در برخی موقعیت‌های غیرمنتظره مانند پیش‌بینی R2 بیش از یک کار می‌کرد . علاوه بر این، اگر STARFM و ESTARFM درجه دقت همجوشی یکسانی داشته باشند، هر دو الگوریتم برای پیش‌بینی تصویر مناسب هستند. قانون غربالگری را می توان به صورت زیر تعریف کرد:

آر2=آ�س2¯+ب�تی2¯+ج
آرمن،ل��ه�2<آ�س2¯+ب�تی2¯+ج≤آرمن،توپپه�2، �ساعته�ه �س2¯≥0 و �تی2¯≥0

که در آن R 2 ضریب تعیین است و a ، b و c ضرایب رگرسیون هستند. �س2¯و �تی2¯میانگین واریانس مکانی و میانگین واریانس زمانی هستند، در حالی که زیرنویس i درجه i دقت همجوشی است و زیرنویس‌های پایین‌تر و بالا به ترتیب محدودیت‌های پایین‌تر و بالایی R2 را نشان می‌دهند .

2.3. ارزیابی عملکرد

عملکرد چارچوب از سه جنبه شامل اثربخشی قانون غربالگری، اثربخشی سری زمانی Landsat NDVI در تشخیص تغییر پوشش زمین و اثربخشی استخراج فنولوژیکی مورد ارزیابی قرار گرفت. ابتدا، مقادیر R2 بین NDVI از تصویر مشاهده و تصویر همجوشی از STARFM یا ESTARFM به ترتیب برای ارزیابی اثربخشی قانون غربالگری محاسبه شد. هرچه سطح درجه بندی R2 بالاتر باشد، عدم قطعیت پیش بینی الگوریتم همجوشی مکانی-زمانی کمتر خواهد بود. دوم، مانیتور Breaks for Additive Seasonal and Trend (BFAST) که می تواند با بسته R انجام شود ( https://CRAN.R-project.org/package=bfast) برای تشخیص تغییر پوشش زمین، که شامل تغییر فصلی، تغییر تدریجی و تغییر ناگهانی است، استفاده شد [ 33 ]. از نظر فنی، تغییر ناگهانی، که به طور کلی تبدیل نوع پوشش زمین را در کوتاه مدت نشان می دهد، در این مقاله استفاده شد [ 34 ]. تنظیم پارامتر پیش‌فرض برای نمایشگر BFAST می‌تواند به [ 33 ، 35 مراجعه کند]. به عنوان یک شاخص دقت طبقه‌بندی معمولی، دقت کلی، خطای حذف و خطای تشخیص تغییر به عنوان شاخص‌های دقت نامیده می‌شوند. در این مقاله، دقت کلی نسبت نمونه‌های پیش‌بینی صحیح به کل نمونه‌ها بود که در آن کل نمونه‌ها شامل نمونه‌های تغییر پوشش زمین و نمونه‌های بدون تغییر است. خطای حذف مربوط به نسبت نمونه های حذف شده از پوشش زمین، نمونه ها را به کل نمونه ها تغییر داده است. خطای کمیسیون به عنوان نسبت نمونه های بدون تغییر نادرست به کل نمونه ها تعریف شد. سوم، میانگین اختلاف مطلق (MAD)، که به عنوان شاخص ارزیابی نامیده می شود، برای نشان دادن اثربخشی استخراج گره فنولوژیکی استفاده شد، که در آن گره های فنولوژیکی شامل شروع فصل رشد (SOS) و پایان فصل رشد ( EOS)،36 ]. در روش آستانه پویا، یک چرخه فصل رشد به طور معمول در منطقه نیمه خشک چین پیشنهاد شد. SOS و EOS از نظر فنی به عنوان تاریخی تعریف می شوند که NDVI به دامنه فصلی لبه چپ و راست در منحنی سالانه NDVI فیلتر شده Savitzky-Golay (S-G) افزایش و کاهش می یابد [37 ] . دامنه فصلی با آستانه نسبی 0.5 تعیین شد، همانطور که توسط مطالعات قبلی پیشنهاد شد [ 36 ، 38]. مانیتور BFAST را می توان به سادگی توصیف کرد که ابتدا دوره پایداری تاریخی سری های زمانی NDVI را با مدل روند فصلی برازش می کند و سپس تغییر پوشش زمین را بر اساس مبالغ متحرک (MOSUMs) باقیمانده ها در دوره رانندگی، جایی که فصل است، تشخیص می دهد. مدل روند را می توان به صورت زیر توصیف کرد:

�تی=�1+�2تی+∑�=1ک��سمن�(2��تی�+��)+�تی

جایی که �تیمقدار پیش بینی NDVI در زمان t است. و �1و �2نشان دهنده رهگیری و شیب است. ��و ��دامنه و مراحل چرخه فصل j را نشان می دهد.  �تیعبارت خطا در زمان t است. اگر MOSUM ها به طور قابل توجهی از صفر منحرف شوند، تبدیل پوشش زمین صورت می گیرد. MOSUM ها را می توان به صورت زیر توصیف کرد:

م�تی=1�^�∑س=تی-ساعت+1تی(�س-ایکسستی�^)

که در آن h پهنای باند MOSUM ها است. جزئیات بیشتر در مورد پارامترهای مانیتور BFAST را می توان در [ 33 ، 39 ] یافت.

3. آزمایش و تجزیه و تحلیل اثربخشی

این چارچوب در منطقه معدن زغال سنگ شندونگ اجرا شد ( شکل 2 ). برای ساخت سری زمانی دوگانه Landsat NDVI با وضوح بالا برای نظارت بر پوشش زمین، NDVI از تمام تصاویر موجود Landsat استخراج شد ( شکل 3)) توسط کامپوزیت های حداکثر ارزش با فاصله 16 روز تیمار شد. خرماها، بدون تصویر مصنوعی یا تصاویر مصنوعی منطقه آلوده (ابر، سایه ابر و برف) بالاتر از 50٪ به عنوان تاریخ های پیش بینی غربالگری شدند. این تصاویر خوب در تاریخ‌های پیش‌بینی توسط الگوریتم همجوشی مکانی-زمانی انتخاب شده بر اساس قانون غربالگری ترکیب شدند. قاعده غربالگری در چارچوب ابتدا با رابطه برازش خطی بین واریانس مکانی و زمانی و دقت الگوریتم همجوشی مکانی-زمانی تعیین شد (جدول 2) و سپس رابطه برازش با قانون انتخاب دقت درجه بندی شده (R2) ترکیب شد تا انتخاب شود. الگوریتم فیوژن به طور خاص، نمونه های برازش از نتایج همجوشی مکانی-زمانی در سال 2005 استفاده کردند ( شکل 4). یک سری زمانی با فاصله 16 روزه Landsat NDVI با تفسیر نتایج همجوشی به جای تصاویر در تاریخ های پیش بینی ساخته شد ( شکل 5 ). پس از ادغام تصاویر در تاریخ های پیش بینی، عملکرد چارچوب انجام شد (جدول 3، شکل 6 ، شکل 7 و شکل 8 ).

3.1. منطقه آزمایشی و مجموعه داده ها

3.1.1. منطقه آزمایشی

منطقه آزمایشی در مرز استان شانشی و مغولستان داخلی قرار داشت [ 40 ]. این منطقه در یک منطقه معمولی از نظر اکولوژیکی شکننده با شدت بالای اختلالات انسانی به دلیل بهره برداری از منطقه معدن زغال سنگ Shendong (بزرگترین میدان و یک منطقه معدنی زیرزمینی معمولی در چین) واقع شده است. این منطقه انتقال بین فلات لس و زمین شنی مو اوس [ 41 ] است. این منطقه از نظر تحلیل تخریب اکوسیستم [ 42 ]، تغییر پوشش زمین [ 34 ] و تغییر شکل زمین [ 43] مورد توجه بسیاری از بوم شناسان، جغرافیدانان و نقشه برداران قرار گرفته است.]. علاوه بر این، در مقایسه با سایر اکوسیستم‌ها، پوشش زمین در ناحیه استخراج زغال‌سنگ غالباً دارای تغییرات ناگهانی و تدریجی است و تغییر فصل آشکاری دارد، حتی در یک منطقه کوچک [34 ، 42 ] . تشخیص تغییر پوشش زمین همیشه الگوریتم همجوشی مکانی-زمانی بوده است که طراحان به آن اهمیت می‌دهند [ 24 ، 44 ]. بنابراین، این تحقیق یک منطقه 689 × 590 پیکسل (30×30 متر مربع ) در منطقه معدن شندونگ را به عنوان سایت آزمایشی انتخاب کرد ( شکل 2) .) که شامل چندین میدان معدنی (از جمله Majiata، Bulianta، Shangwan، Daliuta، Huojitu و Zhugaita) و بخشی از زمین های رزرو شده است. محدوده سایت آزمایشی از 39°13’57” تا 39°21’32” شمالی، و 110°12’33” شرقی تا 110°22’52” شرقی بود. این منطقه دارای آب و هوای قاره ای فلاتی با زمین های خشک و نیمه بیابانی است. میانگین دمای چند ساله حدود 8.6 درجه سانتی گراد، میانگین بارندگی سالانه حدود 380 میلی متر و توانایی تبخیر سالانه حدود 2113 میلی متر است. در مقایسه با مناطق مرطوب، پوشش گیاهی در منطقه مورد مطالعه کم و با یک فصل رشد تک آشکار است. در نتیجه فعالیت های شدید معدنی و انسانی، پراکندگی چشم انداز پوشش زمین زیاد است و اکثریت پوشش زمین شامل گودال معدن، منطقه اشغال زباله، ساختمان ها، جاده ها، آب، جنگل، زمین های جنگلی متروک است. جنگل های مختلط، بوته ها،

3.1.2. مجموعه داده ها و پیش پردازش

در مجموع 450 تصویر Landsat تصحیح شده سطح 1 با پوشش ابری کمتر از 70% (از سال 2000 تا 2016؛ شکل 3 ) از جمله محصولات نقشه برداری موضوعی (TM)، ETM+ و تصویرگر زمین عملیاتی (OLI) (مسیر WRS-2/ ردیف: 127/33) از سازمان زمین شناسی ایالات متحده (USGS) مرکز مشاهده و علم منابع زمین (EROS) دانلود شد. سیستم پردازش تطبیقی ​​اختلال اکوسیستم لندست (LEDAPS) [ 45 ] و بازتاب سطحی لندست 8 (L8SR) [ 46 ] برای تولید محصولات بازتابی سطحی TM، ETM+ و OLI استفاده شد. ابر، سایه ابر و برف از تصاویر Landsat با استفاده از الگوریتم Fmask [ 47] پوشانده شدند.]. با توجه به باندهای طیفی باریکتر و وضوح رادیومتری و نسبت سیگنال به نویز بهبود یافته، محصول بازتاب سطحی OLI در مقایسه با TM/ETM+ [ 48 ] به طور قابل توجهی بهبود یافته است. بنابراین، با در نظر گرفتن ETM+ به عنوان مرجع، نرمال سازی نسبی [ 49 ] برای کاهش تناقضات بازتاب سطحی بین ETM+ و OLI به کار گرفته شد. علاوه بر این، تصاویر سطح Landsat L1T به سطح زیر پیکسل رسیدند، بنابراین، Landsat نیازی به اصلاح هندسی بیشتر نداشت [ 50 ]. مجموعه داده‌های MODIS MCD43A4 نسخه 5 تابع توزیع بازتاب دو جهته نادر (BRDF) – بازتاب تنظیم‌شده (NBAR) در کاشی h26/v05 به‌عنوان تصویر درشت ورودی برای الگوریتم همجوشی مکانی-زمانی انتخاب شد [51 ] .https://ladsweb.modaps.eosdis.nasa.gov/ ). مجموعه داده‌های MCD43A4 محصولات ترکیبی روزانه طبق یک پنجره 16 روزه بودند، که در آن هر مقدار ترکیبی به نمایندگی از بهترین BRDF ممکن است [ 52 ]. بنابراین، مجموعه داده های MODIS MCD43A4 به طور گسترده به عنوان تصاویر درشت برای همجوشی مکانی-زمانی استفاده می شود [ 44 ، 52 ]. علاوه بر این، با توجه به وضوح مکانی متوسط ​​(250 متر) و وضوح زمانی بالا و همچنین عملکرد خوب اثبات شده آن در فنولوژی، طیف‌سنجی رادیومتر تصویربرداری با وضوح متوسط ​​زمین (MODIS) سری زمانی NDVI به عنوان مرجع در نظر گرفته شده است. پایش فنولوژی در بسیاری از مطالعات قبلی [ 53 ، 54]. بنابراین، پارامتر فنولوژیکی استخراج شده از سری زمانی MOD13Q1 NDVI از سال 2000 تا 2016 به عنوان مرجع پایه سری زمانی Landsat NDVI، که در آن پارامتر فنولوژیکی بر اساس روش آستانه دینامیکی استخراج شد، استفاده شد. برای کمی کردن رابطه تغییرات مکانی و زمانی سطح زمین با دقت همجوشی الگوریتم همجوشی مکانی-زمانی، از نتایج همجوشی در سال 2005 – با فواصل زمانی مختلف با تنظیم تصاویر مرجع در الگوریتم – استفاده شد و تصاویر دقیق تاریخی در شکل 4 نشان داده شده است. علاوه بر این، برای مقایسه دقت تشخیص تغییر تقریباً بی‌درنگ پوشش زمین بر اساس سری‌های زمانی NDVI ساخته‌شده توسط استراتژی‌های همجوشی مختلف، پنج تصویر با وضوح بالا به‌عنوان مرجع برای نمونه‌های اعتبارسنجی متقابل از سال ۲۰۱۲ تا ۲۰۱۶ انتخاب شدند. فصل رشد ( جدول 1 ). همه تصاویر با وضوح بالا با تصحیح قاعده، انباشته لایه، ثبت نسبی، ترکیب و برش پردازش شدند.
دوره-آموزش-حرفه-ای-gis

3.2. ساخت سری زمانی شاخص تفاوت نرمال شده گیاهی لندست (NDVI).

تاریخ پیش‌بینی MODIS و تاریخ پایه MODIS در سال 2005، به عنوان تصاویر ورودی واریانس مکانی و زمانی، برای بیان تغییر تصویر با واریانس مکانی و زمانی استفاده شد. آزمایش‌های اضافی برای افزایش نمونه‌های برازش با گسترش فاصله زمانی بین تصاویر همجوشی و مرجع انجام شد. علاوه بر این، نمونه‌ها به دلیل تفاوت معنی‌دار در دقت همجوشی به دو فصل رشد و غیررشد تقسیم شدند ( جدول 2).). نتایج برازش نشان داد که یک رابطه خطی بین دقت الگوریتم همجوشی و واریانس مکانی – زمانی وجود دارد. شایان ذکر است که برای بهبود استحکام دقت بالا، پیش‌بینی دقت بیش از حد برازش در تابع تبعیض در مطالعه حاضر مجاز شد. اگر دو الگوریتم مناسب وجود داشته باشد، STARFM به دلیل مزیت آن انتخاب می شود، در حالی که اگر الگوریتم مناسبی وجود نداشته باشد، تصویر پیش بینی نمی شود. زمانی که R2 پیش‌بینی‌شده کمتر از 0.6 بود، هیچ موقعیت الگوریتم مناسبی ظاهر نشد. در نتیجه، 126 صحنه در منطقه مورد مطالعه با هم ادغام شدند که در میان آنها ESTARFM 29 صحنه، STARFM 91 صحنه و شش صحنه با هم ترکیب نشدند ( شکل 5) .). علاوه بر این، ما فقط تصاویر را در تاریخ‌ها زمانی پیش‌بینی کردیم که فاقد تصویر مصنوعی یا تصاویر مصنوعی با ناحیه آلوده (ابر، سایه ابر و برف) بالاتر از 50 درصد بود. در نتیجه، منطقه آلودگی باقیمانده هنوز در سری زمانی Landsat NDVI تفسیر شده وجود دارد. بنابراین، فیلتر S-G برای کاهش نویز ناشی از آلودگی باقیمانده (ابر، سایه ابر و برف) در لندست خام [55] استفاده شد که توسط TIMESAT با یک پنجره فیلتر با عرض 5 پیکسل پیاده‌سازی شد. https://web.nateko.lu.se/TIMESAT/timesat.asp ).

3.3. تحلیل اثربخشی

در این بخش، عملکرد چارچوب پیشنهادی در انتخاب الگوریتم و اثربخشی سری زمانی Landsat NDVI برای تشخیص تغییر پوشش زمین و گره‌های فنولوژیکی بررسی شد.

3.3.1. اثربخشی غربالگری الگوریتم

برای آزمایش اثربخشی قانون غربالگری، در مجموع 14 صحنه لندست از سال 2008 به عنوان داده های اعتبار سنجی استفاده شد ( جدول 3 ). واریانس مکانی و زمانی بین داده های مرجع برای هر صحنه محاسبه شد و سپس طرح غربالگری برای انتخاب یک الگوریتم فیوژن اعمال شد. برای انتخاب توابع رگرسیون مختلف برای تصاویر همجوشی در مراحل مختلف فنولوژیکی، میانگین شروع و پایان فصول رشد استخراج شده از MODIS13Q1 برای تشخیص فصل رشد از فصل غیر رشد استفاده شد. میانگین SOS 154 روز سال بود، در حالی که میانگین EOS 278 روز سال بود. جدول 3نشان می دهد که، به جز دو تصویر پیش بینی (DOY 075 و 107)، قانون غربالگری می تواند به طور موثر یک الگوریتم همجوشی مناسب را برای تصویر همجوشی ویژه با توجه به درجه دقت R2 محاسبه شده از مشاهده Landsat NDVI و Landsat NDVI پیش بینی شده تعیین کند . دلیل انتخاب یک الگوریتم نامناسب برای پیش‌بینی تصویر در DOY 075 و 107 ممکن است ناشی از پوشش احتمالی برف یا یخ در تصاویر مرجع باشد. این مناطق بالقوه پوشش برف و یخ باعث ایجاد واریانس کم در بعد مکانی یا زمانی شدند. با این حال، شایان ذکر است که محدوده قانون غربالگری انتخاب یک الگوریتم درجه بالاتر R 2 از الگوریتم های پایه بود، بنابراین توانایی آن برای انتخاب مقدار بالاتر R 2 بود.زیر همان درجه ضعیف بود. از دیدگاه تجسم ( شکل 6)، تفاوت بین NDVI تصاویر پیش‌بینی از STARFM و ESTARFM با استفاده از NDVI تصاویر ترکیبی STARFM منهای NDVI تصاویر ترکیبی ESTRAFM محاسبه شد. نتایج نشان داد که تفاوت بین STARFM و ESTARFM در فصل رشد بیشتر از فصل بدون رشد بود. به عنوان مثال، AAD در DOY 179، 187، 235، 259 و 275 بیشتر از 0.03 بود، در حالی که AAD در DOY ها در فصل غیر رشد کمتر از 0.03 بود. علاوه بر این، در فصل رشد، تفاوت NDVI نشان داد که NDVI های محاسبه شده از تصاویر پیش بینی شده STARFM بیشتر از NDVI های محاسبه شده از تصاویر پیش بینی شده ESTARFM بود. مقایسه ای از ناحیه محلی بزرگ شده NDVI استخراج شده از تصاویر پیش بینی شده STARFM و ESTARFM در فصل رشد انجام شد ( شکل 7)). نتیجه نشان داد که ESTARFM نه تنها جزئیات مکانی را نشان می دهد ( شکل 7 منطقه 1، منطقه 2)، بلکه به خوبی در تغییر تدریجی پیش بینی می کند ( شکل 7 منطقه 4، منطقه 5). با این حال، STARFM در تبدیل پوشش زمین ناشی از تغییر ناگهانی پوشش زمین، ESTARFM را شکست داد ( شکل 7 ، منطقه 3). اگر فرض کنیم که پوشش زمین به تدریج در سال 2008 تغییر کرده است، اثربخشی قانون غربالگری توسط ESTARFM منتخب برای پیش‌بینی تصاویر در فصل رشد را تأیید کرد.

3.3.2. تشخیص تغییر پوشش زمین و تجزیه و تحلیل پایداری فنولوژیکی

اثربخشی یک روش اغلب با هدف کاربرد آن مرتبط است. بنابراین، گام‌های بعدی برای پایش تقریباً بی‌درنگ با مقایسه سری‌های زمانی هدف Landsat NDVI (TTS) تولید شده از چارچوبی که این مقاله پیشنهاد می‌کند با سری‌های زمانی MODIS NDVI (MTS) و سری‌های زمانی NDVI با استفاده از همجوشی الگوریتم منفرد انجام شد. STS: سری زمانی Landsat NDVI مبتنی بر STRAFM و ETS: سری زمانی Landsat NDVI مبتنی بر ESTRAFM). مانیتور BFAST [ 33 ] به عنوان الگوریتم تشخیص تغییر انتخاب شد و 110 نمونه تغییر از سال 2012 تا 2016 به عنوان نمونه های اعتبار سنجی با تفسیر بصری انتخاب شدند (با استفاده از تصاویر با وضوح بالا؛ جدول 1 ). دقت کلی، خطای حذف و خطای کمیسیون به عنوان شاخص های دقت محاسبه شد.شکل 6نتایج دقت سری های زمانی مختلف NDVI را نشان می دهد. نتایج نشان داد که TTS بالاترین دقت کلی (88.18 درصد) و همچنین کمترین خطای حذف (1.82 درصد) و خطای کمیسیون (10.00 درصد) را به دست آورد، در حالی که MTS به نوبه خود کمترین دقت کلی (10.00٪) اما بالاترین را به دست آورد. حذف (19.09%) و خطای کمیسیون (70.91%). در مقایسه با STS و ETS، به ترتیب، دقت کلی TTS 21.82٪ و 17.27٪ افزایش یافت، خطای حذف 1.82٪ و 4.54٪ کاهش یافت، و خطای کمیسیون 20٪ و 12.73٪ کاهش یافت. دقت نشان داد که ساخت سری زمانی Landsat NDVI با استفاده از الگوریتم‌های همجوشی چندگانه با چارچوب می‌تواند به طور موثر دقت برنامه را بهبود بخشد. از سوی دیگر، برای آزمایش توانایی TTS در تغییرات فنولوژیکی،56 ]. تحت این فرضیه که ویژگی‌های فنولوژیکی پایداری طولانی‌مدت را نشان می‌دهند، جایی که سال 2000 به عنوان سال مرجع نامیده می‌شود، MAD پایین‌تر نشان‌دهنده فنولوژی پایدارتر است. نتایج پایداری فنولوژیکی ( شکل 8 ب) نشان داد که پایداری SOS و پایداری EOS TTS کمتر از STS، اما بالاتر از ETS بود. STS بالاترین پایداری را در SOS و EOS با MAD به ترتیب معادل شش روز و چهار روز داشت، در حالی که ETS کمترین پایداری را با MAD به ترتیب برابر با هفت روز و نه روز به دست آورد. این نتایج نشان داد که ترکیب الگوریتم‌های همجوشی چندگانه برای ساخت یک سری زمانی تمایل به دستیابی به نتایج جامع‌تری دارد و به طور موثر از نوسانات فنولوژیکی ناشی از استفاده از یک الگوریتم همجوشی منفرد جلوگیری می‌کند.

4. بحث

در این بخش، مزایا و سازگاری چارچوب پیشنهادی در این مقاله مورد بحث قرار می گیرد. اگرچه این چارچوب در ساخت سری های زمانی Landsat NDVI به خوبی کار کرد، اما هنوز هم عدم قطعیت ها و چالش های زیادی از مجموعه داده ها و قوانین غربالگری وجود دارد. بنابراین، چارچوب را به طور مفصل مورد بحث قرار می دهیم تا بتوانیم با آن و پتانسیل ها و کمبودهای آن بیشتر آشنا شویم.

4.1. مزایا و سازگاری

به عنوان یکی از مؤثرترین رویکردها برای پیش‌بینی تصاویر با وضوح بالا از دست رفته برای ساخت سری‌های زمانی، الگوریتم‌های همجوشی مکانی-زمانی به طور گسترده برای اهداف مختلف توسعه یافته‌اند [ 30 ، 57 ]. با این حال، هنگام استفاده از الگوریتم همجوشی مکانی-زمانی برای تولید سری زمانی Landsat NDVI، تعادل بین حداقل تعداد مورد نیاز جفت تصویر ورودی، عملکرد پوشش زمین ناهمگن، و پیچیدگی محاسبات همیشه مورد نیاز است [44، 58 ] .]. املیانوا و همکاران (2013) پیشنهاد کرد که الگوریتم‌های مختلف مزایا و معایب خود را با مقایسه دقت الگوریتم‌های ترکیب پیشرفته (STARFM و ESTARFM) و الگوریتم‌های معیار ساده (شامل مدل درون‌یابی خطی (LIM) و مدل تلفیق تصویر تجربی جهانی) دارند (GEIFM) 50] با در نظر گرفتن واریانس مکانی و زمانی به عنوان معیارهای ارزیابی. بنابراین، این مقاله امکان استفاده از چندین الگوریتم همجوشی مکانی-زمانی را برای ساخت یک سری زمانی Landsat NDVI با وضوح بالا بررسی کرد. از این رو، تصاویر پیش‌بینی با یک الگوریتم سازگار پیش‌بینی می‌شوند. شایان ذکر است که الگوریتم های همجوشی مکانی-زمانی پایه در چارچوب باید مکمل یکدیگر باشند. به عنوان مثال، STARFM و ESTARFM در این مقاله به عنوان الگوریتم های پایه انتخاب شدند، زیرا STARFM کارآمد بود و در یک منطقه پوشش زمین همگن با یک جفت تصویر مرجع به خوبی عمل می کرد، و ESTARFM نسبتا وقت گیر بود، حداقل به دو تصویر درشت و ظریف نیاز داشت. جفت تصویر مرجع، اما در یک منطقه پوشش زمین ناهمگن عملکرد خوبی داشتند [ 7 ، 24]. عملکرد این چارچوب بدتر خواهد بود اگر الگوریتم پایه انتخاب شده نه تنها عملکرد خوبی در یک منطقه ناهمگن و انواع مختلف منطقه تغییر پوشش زمین داشته باشد، بلکه به طور موثر عمل کند و فقط به یک جفت تصویر مرجع نیاز داشته باشد که شامل الگوریتم هایی مانند مدل عدم اختلاط بازتاب مکانی و زمانی (STRUFM) در [ 59 ]، STRUFM بهبودیافته (ISTRUFM) در [ 60 ]، و روش Flexible Spatiotemporal DAta Fusion (FSDAF) در [ 12 ]. با بهترین دانش نویسندگان، هیچ مطالعه قبلی از الگوریتم های فیوژن چندگانه برای ساخت یک سری زمانی طولانی مدت استفاده نکرده است، و بیشتر کارهای تحقیقاتی تا به امروز تنها از یک الگوریتم استفاده کرده اند [7 ، 61 ]]. مولر و همکاران (2017) یک سری زمانی 30 متری و 16 روزه با استفاده از STARFM برای نظارت بر فرسایش خاک تولید کرد [ 4 ]. علاوه بر این، سایر سری‌های زمانی تولید شده توسط STARFM در مطالعه توسط Tian و همکارانش توضیح داده شد. (2013)، که روند پوشش زمین در فلات لس [ 5 ] و همچنین در مطالعات اشمیت و همکاران را تحلیل کرد. (2015) و بنداری و همکاران. (2012)، که به ترتیب اختلال و بازیابی جنگل را در کوئینزلند، استرالیا شناسایی کرد [ 6 ، 53]. از منظر کاربرد، سری زمانی Landsat NDVI ساخته شده بر اساس چارچوب پیشنهادی در این مقاله می‌تواند به طور گسترده برای نظارت بر تغییر پوشش زمین، استخراج فنولوژیک و طبقه‌بندی کاربری و پوشش زمین به کار رود. روش نظارت نزدیک به زمان واقعی یا نسخه بهبودیافته آن برای ثبت تغییرات سطح زمین از جمله تغییر ناگهانی، تغییر تدریجی و تغییرات فصلی عالی است، اگر تشخیص تغییر پوشش زمین تنها حوزه کاربردی باشد [33 ، 35 ، 39 ]]. بنابراین، یک چارچوب غربالگری برای انتخاب الگوریتم همجوشی چندگانه می‌تواند نظریه ساخت سری‌های زمانی Landsat NDVI را غنی کند و منجر به گنجاندن جزئیات بیشتر در سری‌های زمانی Landsat NDVI در مقایسه با سری‌های زمانی ساخته‌شده بر اساس یک الگوریتم واحد شود. از سوی دیگر، تغییرات زمانی و مکانی بین تصاویر در قانون غربالگری پیشنهادی با استفاده از واریانس مکانی و زمانی مورد تاکید قرار گرفت، که فرصتی برای بیان کمی همبستگی بین عملکرد همجوشی و تغییر سطح زمین فراهم می‌کند.

4.2. عدم قطعیت و چالش ها

اگرچه چارچوب در الگوریتم انتخاب شده به خوبی عمل کرد و سری زمانی Landsat NDVI ساخته شده در تشخیص پوشش زمین و استخراج فنولوژی معتبر ثابت شد، هنوز هم عدم قطعیت‌های زیادی وجود دارد که ممکن است بر نتایج تأثیر بگذارد. ابتدا، این مقاله ابتدا بازتاب تصاویر را ادغام کرد و سپس NDVI را محاسبه کرد. این فرآیند به عنوان پایین‌تر از فرآیند همجوشی مستقیم NDVI گزارش شده است. در نتیجه، خطاهای اضافی در سری زمانی Landsat NDVI معرفی می‌شوند [ 62 ، 63]. علاوه بر این، این مقاله فقط این تصاویر لندست را با ناحیه تحت پوشش پیکسل ظریف کمتر از 50 درصد ترکیب کرد. آن تصاویر با مناطق آلوده توسط ابر، کم عمق، یخ و شکاف های مشاهده شده توسط فیلتر S-G تفسیر شدند. فرآیند تفسیر ممکن است خطاهای اضافی را در ساخت سری زمانی Landsat NDVI وارد کند [ 64 ]. این نواحی درون یابی تفاوت آشکاری با مقدار واقعی (مناطق در مستطیل قرمز شکل 9 ) نشان دادند. علاوه بر این، الگوریتم غربال‌شده برای برآوردن دقت درجه‌بندی R2 تأیید شد ، اما برای انتخاب الگوریتم همجوشی مکانی-زمانی با بالاترین مقدار دقت رضایت‌بخش نبود ( جدول 4).). علاوه بر این، از آنجایی که این مقاله به سادگی یک رابطه خطی از دقت درجه بندی شده فیوژن و واریانس مکانی و زمانی را فرض می کند، رابطه بیش از حد یا غیرخطی بین دقت همجوشی و واریانس مکانی و زمانی نیز ممکن است خطاهایی را در انتخاب الگوریتم ایجاد کند [ 15 ، 39 ] . در حالت ایده‌آل، انتظار می‌رفت که ثبات قاعده غربالگری را هنگام استفاده از شاخص‌های دقت جامع یا سایر شاخص‌های ارزیابی دقت بهبود بخشد [ 14 ، 62 ]. سایر شاخص های ارزیابی دقت عبارتند از میانگین اختلاف مطلق (AAD)، ریشه میانگین مربعات خطا (RMSE)، شباهت ساختاری (SSIM) [ 65 ]، و شاخص جهانی کیفیت تصویر (UIQI) [ 66] .].
علاوه بر این، حتی اگر ساخت سری های زمانی Landsat NDVI با استفاده از چارچوب ثابت شده باشد که برای تشخیص تغییر پوشش زمین موثر است، برخی عدم قطعیت ها باید در نظر گرفته شود و مطالعات بیشتری باید انجام شود. علاوه بر این، نمونه های بیشتری از سال های مختلف باید تولید شود. این مطالعه نتیجه همجوشی سال با بیشترین تصاویر بدون ابر (2005) را به عنوان نمونه های برازش در نظر گرفت ( شکل 10 )، که ممکن است خطاهایی را در مدل کمی ایجاد کند. بنابراین، تجزیه و تحلیل بیشتر مدل برازش با استفاده از تمام تصاویر ترکیبی از همه تصاویر موجود و بدون ابر به عنوان نمونه باید انجام شود. علاوه بر این، به دلیل کارایی محاسباتی آن [ 8 ، 67]، زمانی که همان درجه R 2 STARFM و ESTARFM در فرآیند غربالگری الگوریتم ظاهر شد، STARFM بطور مصنوعی بیشتر از ESTARFM در سری زمانی Landsat NDVI انتخاب شد . علاوه بر این، تصاویر ترکیبی در اطراف گره های فنولوژیکی (SOS و EOS) باید توجه بیشتری را به خود جلب کنند. مقایسه الگوریتم‌های همجوشی نشان داد که اثربخشی هر الگوریتم همجوشی تفاوت‌های قابل‌توجهی بین فصل رشد و غیررشد دارد [ 50]]. بنابراین، تابع برازش برای هر الگوریتم همجوشی به فصل رشد و فصل غیر رشد تقسیم شد. در نتیجه، تعیین مرحله رشد باید قبل از ادغام تصویر انجام شود و عدم وجود مرجع فنولوژی برای سال‌های ناقص، عدم قطعیت در انتخاب الگوریتم فیوژن را افزایش می‌دهد. علاوه بر این، چارچوب پیشنهادی در این مقاله در ساخت سری‌های زمانی گام به گام با استفاده از الگوریتم‌های همجوشی متعدد اعمال شد، در حالی که مکانیسم‌های غربالگری خودکار مداوم و ساخت سری‌های زمانی باید در تحقیقات بیشتر پیاده‌سازی شوند. در نهایت، در مقایسه با همه پیکسل‌ها، استفاده از یک پنجره کشویی برای تعیین کمیت تفاوت‌های مکانی-زمانی بین تصاویر مرجع ممکن است یک نتیجه ترکیبی بهینه‌سازی محلی را به دست آورد زیرا STARFM و ESTARFM مزایای مربوط به خود را در انواع مختلف زمین دارند. آخرین موضوع ولی به همان اهمیت، چارچوب تنها نوعی اثبات مفهوم است. این الگوریتم‌ها که نه تنها تفاوت مکانی و زمانی را در نظر می‌گیرند، بلکه فرآیندهای چندگانه ساخت سری زمانی Landsat NDVI را ادغام می‌کنند، مطلوب خواهند بود [13 ، 16 ، 26 ].

4.3. دیدگاه ها

چارچوب ارائه شده در این مقاله را می توان به عنوان یک اثبات مفهوم در نظر گرفت و اجرای آن موفقیت آمیز بود. بزرگترین چشم انداز این چارچوب ایجاد سری های زمانی لندست درازمدت و به روز برای موسسات یا برنامه های بین المللی مانند برنامه کاربردی ماهواره عملیاتی یونیتار (UNOSAT) در نقشه برداری سریع بلایای طبیعی، برنامه همکاری سازمان ملل برای کاهش انتشار گازهای گلخانه ای ناشی از جنگل زدایی و تخریب جنگل (UN-REDD) در تشخیص جنگل زدایی، و برنامه محیط زیست سازمان ملل متحد (UNEP) در نقاط داغ محیطی، برای افزایش توانایی حفاظت و نظارت بر محیط زیست در زمان واقعی. علاوه بر این، انتظار می رود این چارچوب در یک پلت فرم مبتنی بر ابر مانند Google Earth Engine (GEE) استفاده شود.68 ]. با استفاده از رابط برنامه نویسی کاربردی قابل دسترسی به اینترنت (API) GEE، این چارچوب ممکن است اتوماسیون کامل را به عنوان پیش پردازش ساخت سری زمانی Landsat با وضوح بالا دوگانه تحقق بخشد. در واقع، کاربران می‌توانند مستقیماً از سری‌های زمانی Landsat، تصاویر ترکیب شده و غربالگری الگوریتمی که در یک پلت‌فرم محاسباتی ابری انجام می‌شوند، استفاده کنند و فقط باید ویژگی‌های داده مورد نیاز (مانند موقعیت، وضوح مکانی، وضوح زمانی، شاخص ویژگی و غیره) را تعیین کنند.
دوره-آموزش-حرفه-ای-gis

5. نتیجه گیری ها

هر مدلی مزایا و معایب خود را دارد. استفاده کامل از اطلاعات تکمیلی در بین مدل های مختلف یک راه موثر برای بهبود دقت برنامه است. این مطالعه فرض کرد که انتخاب یک الگوریتم مناسب از چندین الگوریتم همجوشی مکانی-زمانی مکمل با توجه به واریانس مکانی و زمانی برای هر تصویر پیش‌بینی در ساخت سری زمانی، عملکرد سری زمانی Landsat NDVI را بهبود می‌بخشد. علاوه بر این، ما فرض کردیم که یک رابطه خطی بین دقت همجوشی و واریانس مکانی و زمانی وجود دارد. بنابراین، چارچوبی برای ساخت سری زمانی Landsat NDVI با الگوریتم‌های همجوشی فضایی-زمانی متعدد ایجاد شد. این چارچوب در یک اکوسیستم معمولی شکننده و با ناهمگنی بالا برای ساخت یک سری زمانی Landsat NDVI با وضوح فضایی 30 متر با فاصله زمانی 16 روز استفاده شد. استفاده از نظارت نزدیک به زمان واقعی اثربخشی این چارچوب را ثابت کرد. این مقاله عمدتا شامل دو مشارکت است. ابتدا، یک چارچوب غربالگری الگوریتم همجوشی برای ساخت یک سری زمانی Landsat پیشنهاد شد که منجر به اطلاعات دقیق‌تری در سری‌های زمانی نسبت به مواردی شد که هنگام استفاده از یک الگوریتم منفرد گنجانده شد. دوم، تغییر سطح زمین با توجه به تصاویر ثبت شده به فضا و زمان تقسیم شد و مناسب بودن الگوریتم به صورت کمی بیان شد، که می تواند طرح غربالگری را سازگارتر و قوی تر کند. استفاده از نظارت نزدیک به زمان واقعی اثربخشی این چارچوب را ثابت کرد. این مقاله عمدتا شامل دو مشارکت است. ابتدا، یک چارچوب غربالگری الگوریتم همجوشی برای ساخت یک سری زمانی Landsat پیشنهاد شد که منجر به اطلاعات دقیق‌تری در سری‌های زمانی نسبت به مواردی شد که هنگام استفاده از یک الگوریتم منفرد گنجانده شد. دوم، تغییر سطح زمین با توجه به تصاویر ثبت شده به فضا و زمان تقسیم شد و مناسب بودن الگوریتم به صورت کمی بیان شد، که می تواند طرح غربالگری را سازگارتر و قوی تر کند. استفاده از نظارت نزدیک به زمان واقعی اثربخشی این چارچوب را ثابت کرد. این مقاله عمدتا شامل دو مشارکت است. ابتدا، یک چارچوب غربالگری الگوریتم همجوشی برای ساخت یک سری زمانی Landsat پیشنهاد شد که منجر به اطلاعات دقیق‌تری در سری‌های زمانی نسبت به مواردی شد که هنگام استفاده از یک الگوریتم منفرد گنجانده شد. دوم، تغییر سطح زمین با توجه به تصاویر ثبت شده به فضا و زمان تقسیم شد و مناسب بودن الگوریتم به صورت کمی بیان شد، که می تواند طرح غربالگری را سازگارتر و قوی تر کند.

اختصارات

STARFM مدل همجوشی بازتابی تطبیقی ​​مکانی و زمانی
ESTARFM STARFM پیشرفته
NDVI شاخص گیاهی تفاوت عادی شده
MODIS طیف رادیومتر تصویربرداری با وضوح متوسط
GIMMS مطالعات مدلسازی و نقشه برداری موجودی جهانی
ETM+ توسعه یافته موضوعی Mapper Plus
R 2 ضریب تعیین
BFAST Breaks برای افزایش فصلی و روند
دیوانه میانگین تفاوت مطلق
SOS شروع فصل رشد
EOS پایان فصل رشد
S–G فیلتر Savitzky–Golay
MOSUMs مبالغ متحرک
TM نقشه‌بردار موضوعی
OLI تصویرساز زمین عملیاتی
LEDAPS سیستم پردازش تطبیقی ​​اختلال اکوسیستم لندست
USGS EROS سازمان زمین شناسی ایالات متحده مرکز مشاهده و علم منابع زمین
L8SR انعکاس سطح لندست 8
BRDF-NBAR نادیر بازتاب دو جهته توزیع تابع تنظیم شده
DOY روز سال
TTS سری زمانی Landsat NDVI را هدف قرار دهید
MTS سری زمانی MODIS NDVI
STS سری زمانی Landsat NDVI مبتنی بر STRAFM
ETS سری زمانی Landsat NDVI مبتنی بر ESTRAFM
LIM مدل درونیابی خطی
STRUFM مدل عدم اختلاط بازتاب مکانی و زمانی
ISTRUFM STRUFM بهبود یافته
FSDAF ادغام داده های مکانی-زمانی انعطاف پذیر
SSIM شباهت ساختاری
RMSE ریشه میانگین مربعات خطا
UIQI شاخص جهانی کیفیت تصویر
UNOSAT برنامه کاربردی ماهواره عملیاتی UNITAR
UN-REDD برنامه همکاری سازمان ملل متحد برای کاهش انتشارات ناشی از جنگل زدایی و تخریب جنگل
GEE موتور Google Earth
API رابط برنامه نویسی کاربردی

منابع

  1. گومز، سی. سفید، JC; Wulder، MA داده های سری زمانی سنجش از دور نوری برای طبقه بندی پوشش زمین: یک بررسی. ISPRS J. Photogramm. Remote Sens. 2016 , 116 , 55–72. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  2. چن، جی. زو، ایکس. Vogelmann، JE; گائو، اف. Jin, S. یک روش ساده و موثر برای پر کردن شکاف در تصاویر Landsat ETM+ SLC-off. سنسور از راه دور محیط. 2011 ، 115 ، 1053-1064. [ Google Scholar ] [ CrossRef ]
  3. مولر، ام. گرستمن، اچ. تورکو، دی. Gao, F. جفت کردن اطلاعات فنولوژیکی و سری های زمانی تولید شده مصنوعی برای انواع محصولات به عنوان شاخص برای اطلاعات پوشش گیاهی. در مجموعه مقالات تحلیل تصاویر سنجش از دور چند زمانی، انسی، فرانسه، 22 تا 24 ژوئیه 2015. صص 1-4. [ Google Scholar ]
  4. مولر، ام. گرستمن، اچ. گائو، اف. Dahms، TC; فورستر، ام. جفت کردن اطلاعات فنولوژیکی و سری های زمانی شاخص پوشش گیاهی شبیه سازی شده: محدودیت ها و پتانسیل ها برای ارزیابی و نظارت بر خطر فرسایش خاک. CATENA 2017 ، 150 ، 192-205. [ Google Scholar ] [ CrossRef ]
  5. تیان، اف. وانگ، ی. فنشولت، آر. وانگ، ک. ژانگ، ال. Huang, Y. نقشه برداری و ارزیابی روندهای NDVI از سری های زمانی مصنوعی به دست آمده با ترکیب داده های Landsat و MODIS در اطراف یک میدان زغال سنگ در فلات لس. Remote Sens. 2013 , 5 , 4255–4279. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  6. اشمیت، ام. لوکاس، آر. بانتینگ، پ. وربسلت، ج. Armston, J. تصاویر سری زمانی با وضوح چندگانه برای نظارت بر اختلال در جنگل و رشد مجدد در کوئینزلند، استرالیا. سنسور از راه دور محیط. 2015 ، 158 ، 156-168. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  7. چن، بی. هوانگ، بی. Xu، B. مقایسه مدل های همجوشی فضایی-زمانی: مروری. Remote Sens. 2015 ، 7 ، 1798-1835. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  8. زو، ایکس. چن، جی. گائو، اف. چن، ایکس. Masek، JG یک مدل همجوشی بازتابی تطبیقی ​​فضایی و زمانی برای مناطق پیچیده ناهمگن. سنسور از راه دور محیط. 2010 ، 114 ، 2610-2623. [ Google Scholar ] [ CrossRef ]
  9. گائو، اف. هیلکر، تی. زو، ایکس. اندرسون، ام. ماسک، جی. وانگ، پی. Yang, Y. Fusing Landsat و MODIS Data for Vegetation Monitoring. IEEE Geosci. سنسور از راه دور Mag. 2015 ، 3 ، 47-60. [ Google Scholar ] [ CrossRef ]
  10. هوانگ، بی. ژانگ، H. همجوشی بازتاب فضایی-زمانی از طریق عدم اختلاط: حسابداری برای تغییرات فنولوژیکی و پوشش زمین. بین المللی J. Remote Sens. 2014 ، 35 ، 6213-6233. [ Google Scholar ] [ CrossRef ]
  11. جیا، دی. گائو، پی. چنگ، سی. بله، S. روش آموزش مشترک مبتنی بر ویژگی های چندگانه برای نقشه برداری محصول بر اساس تصاویر سری زمانی سنجش از دور. بین المللی J. Remote Sens. 2020 , 41 , 8096–8120. [ Google Scholar ] [ CrossRef ]
  12. زو، ایکس. هلمر، EH; گائو، اف. لیو، دی. چن، جی. Lefsky, MA یک روش مکانی-زمانی انعطاف‌پذیر برای ادغام تصاویر ماهواره‌ای با وضوح‌های مختلف. سنسور از راه دور محیط. 2016 ، 172 ، 165-177. [ Google Scholar ] [ CrossRef ]
  13. رائو، ی. زو، ایکس. چن، جی. Wang, J. یک روش بهبودیافته برای تولید مجموعه داده‌های سری زمانی NDVI با وضوح فضایی بالا با داده‌های چند زمانی MODIS NDVI و تصاویر Landsat TM/ETM+. Remote Sens. 2015 ، 7 ، 7865–7891. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  14. زو، ز. Woodcock، CE; هولدن، سی. یانگ، زی. تولید تصاویر مصنوعی Landsat بر اساس تمام داده های Landsat موجود: پیش بینی بازتاب سطح Landsat در هر زمان معین. سنسور از راه دور محیط. 2015 ، 162 ، 67-83. [ Google Scholar ] [ CrossRef ]
  15. سامانتا، ا. کاستا، MH; Nunes، EL; ویرا، SA; خو، ال. Myneni، RB در مورد “کاهش ناشی از خشکسالی در تولید اولیه خالص زمینی جهانی از سال 2000 تا 2009” نظر داد. Science 2011 ، 329 ، 940-943. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  16. لو، ی. گوان، ک. Peng, J. STAIR: یک روش عمومی و کاملاً خودکار برای ترکیب چندین منبع داده های ماهواره ای نوری برای تولید یک محصول بازتاب سطحی با وضوح بالا، روزانه و بدون ابر/شکاف. سنسور از راه دور محیط. 2018 ، 214 ، 87-99. [ Google Scholar ] [ CrossRef ]
  17. گائو، اف. ماسک، جی. شوالر، ام. هال، F. در مورد ترکیب بازتاب سطح لندست و MODIS: پیش‌بینی بازتاب روزانه سطح لندست. IEEE Trans. Geosci. Remote Sens. 2006 , 44 , 2207–2218. [ Google Scholar ]
  18. هیلکر، تی. Wulder، MA; Coops، NC; لینکه، جی. مکدرمید، جی. ماسک، جی جی. گائو، اف. White, JC یک مدل ترکیبی داده جدید برای نقشه برداری با وضوح مکانی و زمانی بالا آشفتگی جنگل بر اساس Landsat و MODIS. سنسور از راه دور محیط. 2009 ، 113 ، 1613-1627. [ Google Scholar ] [ CrossRef ]
  19. وو، بی. هوانگ، بی. کائو، ک. Zhuo, G. بهبود همجوشی بازتابی فضایی-زمانی با استفاده از تکنیک‌های نقاشی درون تصویر و رگرسیون هسته هدایت. بین المللی J. Remote Sens. 2017 ، 38 ، 706-727. [ Google Scholar ] [ CrossRef ]
  20. ژانگ، دبلیو. لی، ا. جین، اچ. بیان، جی. ژانگ، ز. لی، جی. Qin، Z. Huang, C. یک مدل ترکیبی داده‌های مکانی و زمانی پیشرفته برای ترکیب لندست و بازتاب سطحی MODIS برای تولید داده‌های لندست مانند زمانی بالا. Remote Sens. 2013 , 5 , 5346–5368. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  21. وو، ام. نیو، ز. وانگ، سی. وو، سی. Wang, L. استفاده از داده های سری زمانی MODIS و Landsat برای تولید داده های مصنوعی لندست با وضوح بالا با استفاده از یک مدل همجوشی بازتابی مکانی و زمانی. J. Appl. از راه دور. Sens. 2012 , 6 , 063507. [ Google Scholar ]
  22. آهنگ، اچ. Huang، B. ادغام تصاویر ماهواره ای فضایی-زمانی از طریق یادگیری تصویر یک جفت. IEEE Geosci. از راه دور. سنس لت. 2012 ، 51 ، 1883-1896. [ Google Scholar ] [ CrossRef ]
  23. آهنگ، اچ. لیو، کیو. وانگ، جی. هنگ، آر. Huang، B. ادغام تصاویر ماهواره ای فضایی-زمانی با استفاده از شبکه های عصبی کانولوشنال عمیق. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2018 , 11 , 821–829. [ Google Scholar ] [ CrossRef ]
  24. جیا، دی. آهنگ، سی. چنگ، سی. شن، اس. نینگ، ال. Hui, C. یک روش جدید همجوشی فضایی-زمانی مبتنی بر یادگیری عمیق برای ترکیب تصاویر ماهواره‌ای با وضوح‌های مختلف با استفاده از یک شبکه عصبی کانولوشنال دو جریانی. Remote Sens. 2020 , 12 , 698. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  25. ژو، جی. لئونگ، ی. Fung, T. رویکرد ادغام داده بیزی برای ادغام مکانی-زمانی تصاویر سنجش از راه دور. Remote Sens. 2017 ، 9 ، 1310. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  26. Moreno-Martínez، Á. Izquierdo-Verdiguier، E. مانه، نماینده مجلس؛ کمپز-والز، جی. رابینسون، ن. مونوز ماری، جی. سدانو، اف. کلینتون، ن. در حال اجرا، ترکیب سنسور با وضوح بالا چندطیفی SW برای صاف کردن و پر کردن شکاف در ابر. سنسور از راه دور محیط. 2020 , 247 , 111901. [ Google Scholar ] [ CrossRef ]
  27. واکر، جی. De Beurs، K. وین، آر. گائو، F. ارزیابی محصولات همجوشی داده های Landsat و MODIS برای تجزیه و تحلیل فنولوژی جنگل های خشک. سنسور از راه دور محیط. 2012 ، 117 ، 381-393. [ Google Scholar ] [ CrossRef ]
  28. Hobyb، AIE; رادگی، ا. تمتایی، ع. ار-راجی، ع. هادانی، DE; مرداس، م. Smiej، FM ارزیابی روش‌های همجوشی فضایی-زمانی برای پیش‌بینی روزانه NDVI با وضوح بالا. در مجموعه مقالات پنجمین کنفرانس بین المللی محاسبات و سیستم های چند رسانه ای (ICMCS)، مراکش، مراکش، 29 سپتامبر تا 1 اکتبر 2016؛ صص 121-126. [ Google Scholar ]
  29. Knauer، K. گسنر، یو. فنشولت، آر. Kuenzer, C. چارچوب ترکیبی ESTARFM برای تولید سری‌های زمانی در مقیاس بزرگ در مناظر مستعد ابر و ناهمگن. Remote Sens. 2016 , 8 , 425. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  30. لی، کیو. دینگ، اف. وو، دبلیو. Chen, J. بهبود ESTARFM و کاربرد آن برای ادغام تصاویر لندست-8 و دمای سطح زمین MODIS. در مجموعه مقالات چهارمین کارگاه بین المللی در مورد کاربردهای رصد زمین و سنجش از دور، گوانگژو، چین، 4 تا 6 ژوئیه 2016. صص 33-37. [ Google Scholar ]
  31. سان، اف. رودریک، ام ال. Farquhar, GD; لیم، WH; ژانگ، ی. بنت، ن. Roxburgh, SH تقسیم بندی واریانس بین فضا و زمان. ژئوفیز. Res. Lett. 2010 ، 37 ، 107. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  32. لی، بی. چن، ی. شی، ایکس. چن، ز. لی، دبلیو. تغییرات دما و بارندگی در محیط های مختلف در منطقه خشک شمال غربی چین. نظریه. Appl. کلیماتول. 2013 ، 112 ، 589-596. [ Google Scholar ] [ CrossRef ]
  33. وربسلت، ج. زیلیس، ع. هرولد، ام. تشخیص اغتشاش در زمان واقعی با استفاده از سری های زمانی تصویر ماهواره ای. سنسور از راه دور محیط. 2012 ، 123 ، 98-108. [ Google Scholar ] [ CrossRef ]
  34. وانگ، سی. لی، اس. المور، ای جی؛ جیا، دی. Mu, S. ادغام تکامل زمانی با اتوماتای ​​سلولی برای شبیه سازی تغییر پوشش زمین. Remote Sens. 2019 , 11 , 301. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  35. وربسلت، ج. هیندمن، آر. نیونهام، جی. Culvenor، D. تشخیص روند و تغییرات فصلی در سری های زمانی تصاویر ماهواره ای. سنسور از راه دور محیط. 2010 ، 114 ، 106-115. [ Google Scholar ] [ CrossRef ]
  36. او، ز. دو، ج. ژائو، دبلیو. یانگ، جی. چن، ال. زو، ایکس. چانگ، ایکس. لیو، اچ. ارزیابی حساسیت دمایی فنولوژی بوته های زیر آلپ در مناطق کوهستانی نیمه خشک چین. کشاورزی برای. هواشناسی 2015 ، 213 ، 42-52. [ Google Scholar ] [ CrossRef ]
  37. چن، جی. جانسون، پی. تامورا، م. گو، ز. ماتسوشیتا، بی. یک روش ساده برای بازسازی مجموعه داده های سری زمانی NDVI با کیفیت بالا بر اساس فیلتر Savitzky-Golay. سنسور از راه دور محیط. 2004 ، 91 ، 332-344. [ Google Scholar ] [ CrossRef ]
  38. ژو، جی. کای، دبلیو. Qin، Y. لای، ال. گوان، تی. ژانگ، ایکس. جیانگ، ال. دو، اچ. یانگ، دی. پویایی فنولوژی پوشش گیاهی Cong، Z. آلپاین در طی 16 سال و تغییر آن با آب و هوا در منطقه نیمه خشک چین. علمی کل محیط. 2016 ، 572 ، 119-128. [ Google Scholar ] [ CrossRef ]
  39. قادرپور، ا. Vujadinovic، T. پتانسیل تحلیل‌های طیفی حداقل مربعات و متقاطع موجک برای تشخیص اغتشاش در زمان واقعی در سری زمانی تصاویر ماهواره‌ای با فاصله نابرابر. Remote Sens. 2020 , 12 , 2446. [ Google Scholar ] [ CrossRef ]
  40. چن، جی. وانگ، ی. تغییرات کاربری زمین در منطقه استخراج زغال سنگ شندونگ. در مجموعه مقالات کنفرانس بین المللی فناوری چند رسانه ای، نینگبو، چین، 29 تا 31 اکتبر 2010. صص 1-4. [ Google Scholar ]
  41. لی، اس. رن، ال. Bian، Z. خصوصیات زمانی-مکانی پوشش گیاهی در یک منطقه معدنی نیمه خشک با استفاده از تجزیه تابع متعامد تجربی سری های زمانی MODIS NDVI. محیط زیست علوم زمین 2016 ، 75 ، 516. [ Google Scholar ] [ CrossRef ]
  42. لیو، ی. لی، اس. چنگ، ال. چنگ، دبلیو. شیونگ، جی. Bian، Z. فتوسنتز برگ سه گونه گیاهی معمولی تحت تأثیر ترک‌های فرونشست معدن زغال سنگ: مطالعه موردی در منطقه نیمه خشک غرب چین. Photosynthetica 2019 ، 57 ، 75-85. [ Google Scholar ] [ CrossRef ]
  43. مک.؛ چنگ، ایکس. یانگ، ی. ژانگ، ایکس. گوا، ز. Zou، Y. بررسی فرونشست معدن بر اساس InSAR چند زمانی و تجزیه و تحلیل سری‌های زمانی زیر مجموعه کوچک پایه – مطالعه موردی چهره‌های کاری 22201-1/2 در معدن Bu’ertai، میدان زغال‌سنگ شندونگ، چین. Remote Sens. 2016 , 8 , 951. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  44. هوانگ، بی. آهنگ، H. همجوشی بازتاب فضایی و زمانی از طریق نمایش پراکنده. IEEE Trans. Geosci. Remote Sens. 2012 , 50 , 3707–3716. [ Google Scholar ] [ CrossRef ]
  45. ماسک، جی جی. Vermote، EF; سالئوس، NE; وولف، آر. هال، FG; Huemmrich، KF; گائو، اف. کاتلر، جی. Lim، TK A مجموعه داده بازتاب سطح لندست برای آمریکای شمالی، 1990-2000. IEEE Geosci. سنسور از راه دور Lett. 2006 ، 3 ، 68-72. [ Google Scholar ] [ CrossRef ]
  46. ورموت، ای. عدالت، سی. کلاوری، ام. فرانک، بی. تجزیه و تحلیل اولیه عملکرد محصول بازتاب سطح زمین Landsat 8/OLI. سنسور از راه دور محیط. 2016 ، 185 ، 46-56. [ Google Scholar ] [ CrossRef ]
  47. زو، ز. Woodcock، CE مبتنی بر اشیاء ابر و تشخیص سایه ابر در تصاویر Landsat. سنسور از راه دور محیط. 2012 ، 118 ، 83-94. [ Google Scholar ] [ CrossRef ]
  48. لی، پی. جیانگ، ال. Feng, Z. مقایسه متقابل شاخص‌های پوشش گیاهی برگرفته از حسگرهای Landsat-7 Enhanced Thematic Mapper Plus (ETM+) و Landsat-8 Operational Land Imager (OLI). Remote Sens. 2013 , 6 , 310-329. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  49. Canty، MJ; نیلسن، AA نرمال‌سازی رادیومتری خودکار تصاویر ماهواره‌ای چندزمانی با تبدیل MAD با وزن مجدد مکرر. سنسور از راه دور محیط. 2008 ، 112 ، 1025-1036. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  50. املیانوا، IV; Mcvicar، TR; نیل، TGV; Li، LT; Dijk، AIJMV ارزیابی دقت ترکیب بازتاب‌های سطح Landsat-MODIS در دو منظره با دینامیک مکانی و زمانی متضاد: چارچوبی برای انتخاب الگوریتم. سنسور از راه دور محیط. 2013 ، 133 ، 193-209. [ Google Scholar ] [ CrossRef ]
  51. وانگ، ز. Schaaf، CB; سان، س. کیم، جی اچ. ارب، AM؛ گائو، اف. رومان، MO; یانگ، ی. پتروی، اس. Taylor، JR نظارت بر دینامیک سطح زمین و پوشش گیاهی با استفاده از سری های زمانی مصنوعی با وضوح مکانی و زمانی بالا از Landsat و محصول MODIS BRDF/NBAR/albedo. بین المللی J. Appl. زمین. Obs. Geoinf. 2017 ، 59 ، 104-117. [ Google Scholar ] [ CrossRef ]
  52. چن، بی. هوانگ، بی. Xu, B. ساخت یک چارچوب یکپارچه برای ادغام داده های سنجش از راه دور چند منبعی. در مجموعه مقالات سمپوزیوم بین المللی علوم زمین و سنجش از دور IEEE 2016 (IGARSS)، پکن، چین، 10 تا 15 ژوئیه 2016؛ صص 2574-2577. [ Google Scholar ]
  53. بنداری، س. فین، اس. گیل، تی. آماده کردن سری زمانی تصویر Landsat (LITS) برای نظارت بر تغییرات در فنولوژی گیاهی در کوئینزلند، استرالیا. Remote Sens. 2012 ، 4 ، 1856-1886. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  54. همینا، جی. دوفرنه، ای. پونتیلر، جی.-ای. دلپیر، ن. اوبینت، ام. کاکه، بی. د گراندکورت، آ. بوربن، بی. فلچارد، سی. Granier، A. ارزیابی پتانسیل داده های ماهواره ای MODIS برای پیش بینی فنولوژی گیاهی در بیوم های مختلف: بررسی با استفاده از اندازه گیری های NDVI زمینی. سنسور از راه دور محیط. 2013 ، 132 ، 145-158. [ Google Scholar ] [ CrossRef ]
  55. اکلوند، ال. Jönsson، P. TIMESAT: بسته نرم افزاری برای پردازش سری زمانی و ارزیابی پویایی پوشش گیاهی. در سری زمانی سنجش از دور ; Springer: Cham, Switzerland, 2015; صص 141-158. [ Google Scholar ]
  56. جانسون، پی. Eklundh, L. استخراج فصلی با برازش تابع به سری های زمانی داده های سنسور ماهواره ای. IEEE Trans. Geosci. Remote Sens. 2002 , 40 , 1824-1832. [ Google Scholar ] [ CrossRef ]
  57. آموروس-لوپز، جی. گومز-چوا، ال. آلونسو، ال. گوانتر، ال. زوریتا میلا، ر. مورنو، جی. Camps-Valls، G. ادغام چند زمانی Landsat/TM و ENVISAT/MERIS برای نظارت بر محصول. بین المللی J. Appl. زمین Obs. Geoinf. 2013 ، 23 ، 132-141. [ Google Scholar ] [ CrossRef ]
  58. لیائو، ال. آهنگ، جی. وانگ، جی. شیائو، ز. روش Wang, J. Bayesian برای ساخت مجموعه داده های NDVI مکرر مشابه Landsat با ادغام MODIS و Landsat NDVI. Remote Sens. 2016 ، 8 ، 452. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  59. Gevaert، CM; García-Haro، FJ مقایسه STARFM و الگوریتم مبتنی بر عدم اختلاط برای ترکیب داده های Landsat و MODIS. سنسور از راه دور محیط. 2015 ، 156 ، 34-44. [ Google Scholar ] [ CrossRef ]
  60. ما، جی. ژانگ، دبلیو. مارینونی، ا. گائو، ال. Zhang، B. یک مدل بهبود یافته بازتاب فضایی و زمانی برای سنتز سری های زمانی تصاویر مشابه landsat. Remote Sens. 2018 , 10 , 1388. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  61. Qu، Y. ژانگ، ی. وانگ، جی. یک الگوریتم ترکیبی داده‌های شبکه بیزی پویا برای تخمین شاخص سطح برگ با استفاده از داده‌های سری زمانی از اندازه‌گیری درجا تا مشاهدات سنجش از دور. بین المللی J. Remote Sens. 2012 ، 33 ، 1106-1125. [ Google Scholar ] [ CrossRef ]
  62. چن، ی. کائو، آر. چن، جی. زو، ایکس. ژو، جی. وانگ، جی. شن، ام. چن، ایکس. Yang, W. یک روش جدید متقابل فیوژن برای تعیین خودکار جفت‌های تصویر ورودی بهینه برای NDVI Fusion داده‌های مکانی و زمانی. IEEE Geosci. از راه دور. سنس لت. 2020 . [ Google Scholar ] [ CrossRef ]
  63. جاریانی، ع.ع. مک ویکار، TR; ون نیل، تی جی; املیانوا، IV; کالو، JN; Johansen، K. ترکیب داده‌های Landsat و MODIS برای تولید شاخص‌های چندطیفی: مقایسه رویکردهای «شاخص-سپس-ترکیب» و «مخلوط-سپس-شاخص». Remote Sens. 2014 , 6 , 9213–9238. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  64. ژائو، ام. در حال اجرا، کاهش ناشی از خشکسالی SW در تولید اولیه خالص زمینی جهانی از سال 2000 تا 2009. Science 2010 ، 329 ، 940-943. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  65. وانگ، ز. بوویک، AC; شیخ، HR; Simoncelli، EP ارزیابی کیفیت تصویر: از دید خطا تا شباهت ساختاری. IEEE Trans. فرآیند تصویر 2004 ، 13 ، 600-612. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  66. وانگ، ز. Bovik, AC یک شاخص جهانی کیفیت تصویر. فرآیند سیگنال IEEE Lett. 2002 ، 9 ، 81-84. [ Google Scholar ] [ CrossRef ]
  67. لیو، ایکس. دنگ، سی. چانوسوت، جی. هونگ، دی. Zhao، B. Stfnet: یک شبکه عصبی کانولوشنال دو جریانی برای ادغام تصویر فضایی و زمانی. IEEE Geosci. از راه دور. سنس لت. 2019 ، 57 ، 6552–6564. [ Google Scholar ] [ CrossRef ]
  68. گولیک، ن. هنچر، م. دیکسون، ام. ایلیوشچنکو، اس. تاو، دی. Moore, R. Google Earth Engine: تجزیه و تحلیل جغرافیایی در مقیاس سیاره ای برای همه. سنسور از راه دور محیط. 2017 ، 202 ، 18-27. [ Google Scholar ] [ CrossRef ]
Ijgi 09 00665 g001 550
شکل 1. چارچوبی برای ساخت سری زمانی شاخص تفاوت نرمال شده گیاهی (NDVI) Landsat با استفاده از طرح غربالگری الگوریتم همجوشی فضایی-زمانی.
Ijgi 09 00665 g002 550
شکل 2. موقعیت منطقه آزمایشی در منطقه معدن شندونگ. شاخص تفاوت نرمال شده گیاهی (NDVI) با استفاده از تصویر Landsat (شناسه صحنه: LE07_L1TP_127033_20170730_20170825_01_T1_ANG) محاسبه شد. منحنی فنولوژی از سری زمانی NDVI طیف‌سنجی تصویربرداری با وضوح متوسط ​​Terra (MODIS) (MOD13Q1) در نقطه 1 استخراج شد، جایی که SOS و EOS به ترتیب شروع فصل رشد و پایان فصل رشد را نشان می‌دهند.
Ijgi 09 00665 g003 550
شکل 3. تمام تصاویر موجود لندست با پوشش ابری کمتر از 70 درصد از سال 2000 تا 2016، که در آن LT5، LE7، و LC8 به ترتیب نشان دهنده لندست 5 TM، سنسور لندست 7 ETM+ و سنسور لندست 8 OLI هستند. ( الف ) توزیع روز سال (DOY) تصاویر لندست، و ( ب ) آمار کمیت تصاویر لندست در هر سال.
Ijgi 09 00665 g004 550
شکل 4. Landsat و MODIS در سال 2005 در استقرار طرح غربالگری الگوریتم همجوشی فضایی-زمانی استفاده شدند، جایی که V5 نشان دهنده نسخه 5 مجموعه داده های MCD43A4 است. تاریخ تاریخ مشاهده تصویر Landsat را نشان می دهد، در حالی که DOY ها اولین روز سال از تصاویر ترکیبی 16 روزه MCD43A4 را نشان می دهند.
Ijgi 09 00665 g005 550
شکل 5. تمام تصاویر پیش بینی شده از سال 2000 تا 2016 که در آن الگوریتم های همجوشی مکانی-زمانی بر اساس قانون غربالگری انتخاب شدند. غیر همجوشی نشان دهنده هیچ الگوریتم مکانی-زمانی مناسبی نیست.
Ijgi 09 00665 g006 550
شکل 6. تفاوت بین تصاویر NDVI با استفاده از NDVI محاسبه شده از تصاویر ترکیبی مدل انعکاسی مکانی و زمانی (STARFM) منهای NDVI محاسبه شده از تصاویر ترکیبی STARFM پیشرفته (ESTRAFM).
Ijgi 09 00665 g007 550
شکل 7. مقایسه منطقه بزرگ شده محلی NDVI استخراج شده از تصاویر پیش بینی STARFM و ESTARFM در فصل رشد.
Ijgi 09 00665 g008 550
شکل 8. عملکرد Landsat NDVI در تشخیص تغییر پوشش زمین و تجزیه و تحلیل پایداری فنولوژیکی، که در آن SOS و EOS شروع فصل رشد و پایان فصل رشد و دقت کلی را نشان می‌دهند. ( الف ، ب ) به ترتیب آمار تشخیص تغییر پوشش زمین و پایداری فنولوژیکی را نشان می دهد.
Ijgi 09 00665 g009 550
شکل 9. اثر ابر، سایه ابر یا یخ بر یکی از NDVI در سال 2000، که توسط فیلتر Savitzky-Golay (S-G) درون یابی شد.
Ijgi 09 00665 g010 550
شکل 10. سطح اتصالات و نمونه های آن. ( a ، c ) به ترتیب نشان دهنده نتیجه برازش STARFM و ESTARFM در فصل رشد است، در حالی که ( b ، d ) به ترتیب نتایج برازش فصل رشد STARFM و ESTARFM را نشان می دهد.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید