چرا فیلتر درصد ابرناکی کافی نیست؟

حذف ابر Sentinel-2 در گوگل ارث انجین یکی از پیش‌نیازهای تحلیل معتبر تصاویر نوری است. درصد ابرناکی صحنه یک خلاصه از تصویر است؛ منطقه کوچک شما ممکن است زیر ابر باشد، حتی وقتی درصد کلی پایین به نظر می‌رسد. در مقابل، یک صحنه با ابرناکی کلی زیاد شاید در محدوده مطالعه مشاهده مناسب داشته باشد.

برای تحلیل پوشش گیاهی، آب یا کاربری زمین، باید کیفیت مشاهده در سطح پیکسل بررسی شود. ابر، سایه ابر، مه و سطوح روشن می‌توانند تفسیر شاخص‌ها را تغییر دهند. این آموزش مسیر تصمیم‌گیری و کنترل کیفیت را توضیح می‌دهد. هدف، معرفی یک آستانه جادویی برای همه مناطق نیست؛ باید ماسک را با شرایط فصل، سطح زمین و هدف پروژه ارزیابی کنید. نقشه بدون ابر ظاهری نیز به تنهایی اثبات نمی‌کند همه مشاهده‌های نامعتبر حذف شده‌اند.

محصول ورودی را دقیق بشناسید

پیش از پردازش، نام مجموعه، سطح محصول و مشخصات باندها را بخوانید. بازتاب بالای جو با بازتاب سطح یکسان نیست و نباید بدون توضیح در یک سری زمانی مخلوط شوند. همچنین اندازه مکانی باندها می‌تواند متفاوت باشد؛ انتخاب باند و اندازه تحلیل باید آگاهانه انجام شود.

در فهرست داده گوگل ارث انجین، توضیح محصول و بازه زمانی را بررسی کنید. نام مجموعه را در کد ثبت کنید تا بعداً معلوم باشد کدام داده استفاده شده است. اگر محصول یا نسخه تغییر کرده، سازگاری سری زمانی را بسنجید. برای تحلیل پژوهشی، فقط نام ماهواره کافی نیست؛ سطح محصول، روش کنترل کیفیت و تاریخ‌ها نیز باید گزارش شوند. این اطلاعات تعیین می‌کنند اعداد خروجی دقیقاً چه کمیتی را بیان می‌کنند.

ماسک پیکسل چه کاری انجام می‌دهد؟

ماسک مشخص می‌کند کدام پیکسل برای محاسبه معتبر تلقی شود. پیکسل ماسک‌شده معمولاً از بسیاری از محاسبات کنار گذاشته می‌شود، اما رفتار هر عملیات را باید بررسی کنید. ماسک، ابر را به مشاهده سطح زمین تبدیل نمی‌کند؛ داده پوشیده‌شده همچنان مشاهده معتبر ندارد.

این تفاوت مهم است. اگر بعد از ماسک شکاف ایجاد شد، آن شکاف را نباید خودکار صفر فرض کنید. صفر ممکن است مقدار واقعی شاخص باشد. اگر برای پرکردن خلأ از تصاویر دیگر استفاده می‌کنید، این کار یک مرحله جداگانه است و زمان مشاهده را تغییر می‌دهد. نقشه پوشش معتبر را همراه نتیجه نگه دارید تا مشخص باشد هر بخش بر چند مشاهده تکیه دارد و کدام منطقه بدون داده مانده است.

ابر و سایه را جداگانه بررسی کنید

ابر روشن و سایه تاریک اثر متفاوتی روی باندها دارند. یک روش که فقط پیکسل‌های روشن را حذف می‌کند، ممکن است سایه را باقی بگذارد. سایه نیز می‌تواند با آب، سطح تیره یا پوشش متراکم اشتباه شود. بنابراین کنترل سایه باید با شناخت منطقه و مشاهده ترکیب رنگی همراه باشد.

در مناطق کوهستانی، سایه توپوگرافی را از سایه ابر جدا کنید. همه نواحی تاریک نامعتبر نیستند. اگر روش شما از هندسه تابش و موقعیت ابر برای شناسایی سایه استفاده می‌کند، پارامترهای آن را ثبت کنید. چند نمونه در دامنه، دشت و کنار آب انتخاب کنید. ارزیابی تنها روی یک سطح یکنواخت، رفتار ماسک در مناطق پیچیده را نشان نمی‌دهد و می‌تواند اعتماد بیش از حد ایجاد کند.

آستانه احتمال ابر چگونه انتخاب شود؟

محصول احتمال ابر می‌تواند برای ساخت ماسک استفاده شود، اما آستانه انتخابی باید آزمایش شود. آستانه محافظه‌کارانه‌تر ممکن است ابر بیشتری حذف کند و در عین حال بخش‌های روشن معتبر را نیز از دست بدهد. آستانه آزادتر ممکن است مشاهده بیشتری نگه دارد ولی آلودگی باقی بگذارد.

چند آستانه منطقی را روی نمونه‌های نماینده مقایسه کنید. برای هرکدام، مقدار پوشش معتبر و نمونه خطا را ثبت کنید. انتخاب فقط براساس تعداد پیکسل باقی‌مانده مناسب نیست؛ کیفیت مشاهده مهم‌تر از پر بودن نقشه است. از انتخاب آستانه پس از دیدن نتیجه مطلوب شاخص پرهیز کنید. معیار انتخاب باید به تشخیص ابر و حفظ سطح معتبر مربوط باشد، نه به تقویت یک نتیجه پژوهشی از پیش انتظاررفته.

سطوح روشن؛ برف، سقف و خاک

سطوح روشن می‌توانند برای روش شناسایی ابر چالش ایجاد کنند. برف، نمکزار، سقف روشن یا خاک خشک ممکن است از نظر برخی ویژگی‌ها شبیه ابر باشند. اگر این نواحی بی‌دلیل حذف شوند، پوشش مکانی داده کاهش می‌یابد و نتیجه ممکن است نسبت به نوع سطح سوگیری پیدا کند.

در منطقه شهری، چند سقف روشن و سطح آسفالتی را کنترل کنید. در منطقه طبیعی، برف و خاک روشن را بررسی کنید. یک ماسک که در دشت کشاورزی خوب کار می‌کند، لزوماً در ارتفاعات همان عملکرد را ندارد. نمونه‌های کنترل را با تنوع موضوعی انتخاب کنید. اگر خطای ماسک در یک کلاس زیاد است، آن را در محدودیت تحلیل بنویسید و برای مقایسه میان کلاس‌ها با احتیاط عمل کنید.

فیلتر تاریخ باید با پدیده هماهنگ باشد

بازه زمانی کوتاه، اختلاف فصل را کاهش می‌دهد ولی شاید مشاهده بدون ابر کافی نداشته باشد. بازه بلندتر احتمال مشاهده معتبر را افزایش می‌دهد، اما تغییر واقعی سطح را نیز وارد تصویر ترکیبی می‌کند. انتخاب بازه به سرعت تغییر پدیده وابسته است.

برای محصولی با رشد سریع، ترکیب چند ماه ممکن است مراحل متفاوت رشد را مخلوط کند. برای نقشه‌ای از عوارض پایدار، بازه بلندتر شاید قابل توجیه باشد. تاریخ هر مشاهده را نگه دارید و در تفسیر نتیجه به آن توجه کنید. اگر هدف مقایسه سال‌هاست، دوره‌های فصلی مشابه را بررسی کنید. کاهش ابر به قیمت مخلوط کردن فصل‌ها می‌تواند خطای تازه‌ای ایجاد کند که در تصویر نهایی آشکار نیست.

تصویر ترکیبی میانه چه معنایی دارد؟

تصویر ترکیبی میانه می‌تواند اثر بعضی مقدارهای نامعمول را کاهش دهد، اما جای ماسک کیفیت را نمی‌گیرد. اگر ابر در بسیاری از مشاهده‌ها باقی مانده باشد، مقدار میانه نیز ممکن است آلوده باشد. همچنین تصویر ترکیبی، الزاماً یک صحنه واقعی از یک زمان مشخص نیست.

برای هر پیکسل، مجموعه مشاهده‌های معتبر ممکن است متفاوت باشد. بنابراین زمان نمایندگی تصویر در سراسر منطقه یکسان نیست. در گزارش بنویسید ترکیب چگونه ساخته شده و چرا برای هدف مناسب بوده است. اگر پژوهش به رخداد کوتاه‌مدت وابسته است، استفاده از ترکیب بلندمدت می‌تواند نشانه رخداد را محو کند. تصویر ترکیبی ابزار خلاصه‌سازی است و باید با سؤال پژوهش تناسب داشته باشد، نه صرفاً با ظاهر مطلوب نقشه.

نقشه تعداد مشاهده معتبر

برای ارزیابی کیفیت نتیجه، تعداد مشاهده معتبر هر پیکسل را محاسبه و نمایش دهید. منطقه‌ای که از یک مشاهده ساخته شده با منطقه‌ای که مشاهده‌های متعدد دارد، پشتوانه زمانی یکسانی ندارد. این اختلاف می‌تواند در اعتماد به شاخص یا مقایسه تغییرات اهمیت داشته باشد.

آستانه حداقل مشاهده را متناسب با هدف تعیین کنید و مناطق کم‌پوشش را علامت بزنید. نباید آن‌ها را بی‌توضیح در آمار کلی وارد کنید. اگر یک شهرستان پوشش کمتری دارد، میانگین آن ممکن است نماینده بخش محدودی از سطح باشد. نقشه تعداد مشاهده به طراحی بازه زمانی و انتخاب داده مکمل کمک می‌کند. این لایه باید همراه خروجی علمی نگهداری شود، حتی اگر در نقشه تبلیغاتی نمایش داده نشود.

کنترل شاخص بعد از ماسک

پس از ساخت ماسک، چند شاخص یا ترکیب رنگی را بررسی کنید. مقدارهای غیرعادی در لبه ابر، اطراف سایه یا مناطق روشن می‌توانند نشان دهند پردازش کامل نشده است. دامنه عددها را با انتظار علمی تطبیق دهید و ضریب مقیاس باندها را فراموش نکنید.

اگر شاخصی از باندهای با اندازه متفاوت استفاده می‌کند، هم‌ترازی و بازنمونه‌برداری رستر را نیز بررسی کنید. اختلاف شبکه می‌تواند در مرز عوارض اثر ایجاد کند و با خطای ماسک اشتباه شود. چند پیکسل نمونه را در تاریخ‌های مختلف دنبال کنید. دیدن یک تصویر نهایی کافی نیست؛ مسیر زمانی مقدارها می‌تواند آلودگی باقی‌مانده را بهتر آشکار کند.

مثال آموزشی پایش مزرعه

فرض کنید می‌خواهید وضعیت پوشش گیاهی چند مزرعه را در یک دوره رشد بررسی کنید. ابتدا مرز مزارع را کنترل و بازه زمانی را براساس تقویم کشت انتخاب کنید. سپس مشاهده‌های معتبر را در هر مزرعه بسنجید. یک میانگین بدون اطلاع از پوشش معتبر می‌تواند گمراه‌کننده باشد.

برای هر تاریخ، درصد سطح معتبر مزرعه را گزارش کنید. اگر فقط بخشی از مزرعه بدون ابر است، آمار آن را با مشاهده کامل برابر ندانید. در قطعات کوچک، پیکسل‌های مرزی می‌توانند سطح خارج مزرعه را نیز دربر بگیرند. این اثر را در انتخاب نمونه و تفسیر شاخص لحاظ کنید. کاهش یک شاخص در روز ابری، بدون کنترل کیفیت، نباید به تنش واقعی گیاه نسبت داده شود.

مثال آموزشی پایش آب

در بررسی پهنه آب، ابر و سایه می‌توانند مرز آب را تغییر دهند. سایه ممکن است به اشتباه آب تشخیص داده شود و ابر روشن می‌تواند بخشی از سطح آب را پنهان کند. ابتدا کیفیت مشاهده را بررسی کنید و سپس روش استخراج آب را اعمال کنید.

برای مقایسه دو تاریخ، محدوده مشترک معتبر را مشخص کنید. اگر یک بخش در تاریخ دوم پوشیده است، تغییر آن بخش قابل مشاهده نیست. نتیجه باید میان تغییر واقعی، نبود مشاهده و ابهام طبقه‌بندی تفاوت بگذارد. برای کنترل هندسه محدوده و خروجی برداری، راهنمای توپولوژی QGIS مفید است. تبدیل نقشه آب به چندضلعی، کیفیت مشاهده اولیه را افزایش نمی‌دهد و محدودیت آن باید همراه خروجی بماند.

مقیاس محاسبه و خروجی

اندازه تحلیل، سیستم مختصات و محدوده خروجی را روشن تعیین کنید. تغییر اندازه در مرحله خروجی می‌تواند ظاهر و حجم فایل را تغییر دهد. انتخاب سلول کوچک‌تر از اطلاعات مؤثر داده، جزئیات واقعی جدید ایجاد نمی‌کند.

یک نمونه خروجی بگیرید و مشخصات آن را بررسی کنید. راهنمای سیستم مختصات برای کنترل فایل پس از انتقال به نرم‌افزار دسکتاپ مرتبط است. اگر خروجی برای محاسبه مساحت استفاده می‌شود، روش اندازه‌گیری و واحد را ثبت کنید. مقایسه آمار درون سامانه با فایل خروجی باید بر تنظیمات سازگار انجام شود. اختلاف ممکن است از شبکه، محدوده یا رفتار NoData ناشی شود، نه از خطا در شاخص.

ارزیابی ماسک با نمونه مستقل

نمونه‌هایی از ابر، سایه و سطح معتبر انتخاب کنید و نتیجه ماسک را با آن‌ها بسنجید. نمونه‌ها باید از مناطق و شرایط متنوع باشند. اگر فقط پیکسل‌های آشکار را انتخاب کنید، ارزیابی آسان‌تر از مسئله واقعی خواهد شد.

خطای حذف سطح معتبر و خطای نگهداشت مشاهده نامعتبر را جداگانه گزارش کنید. این دو هزینه متفاوتی دارند. برای یک سری زمانی کوتاه، حذف زیاد می‌تواند تحلیل را بدون داده کند؛ برای استخراج تغییر ظریف، باقی‌ماندن ابر ممکن است اثر بزرگ‌تری داشته باشد. انتخاب روش باید به این هزینه‌ها توجه کند. نمونه ارزیابی را برای تنظیم مکرر آستانه مصرف نکنید؛ در صورت نیاز، مجموعه تنظیم و مجموعه آزمون را جدا نگه دارید.

ثبت کد و تنظیمات

نام مجموعه‌ها، بازه زمانی، محدوده، آستانه‌ها و مراحل ماسک را در کد واضح نگه دارید. نسخه کد و تاریخ اجرا را ثبت کنید. اگر مجموعه داده یا پردازش تغییر کرده است، باید بتوانید تفاوت نتیجه را به آن تغییر مرتبط کنید.

برای مقاله یا گزارش سازمانی، راهنمای مقاله نویسی GIS کمک می‌کند روش را به زبان قابل بازتولید بنویسید. عبارت «ابرها حذف شدند» توضیح کافی نیست؛ باید منبع کیفیت، منطق ماسک، روش ترکیب و معیار کنترل ذکر شوند. محدودیت‌های پوشش نیز در نتیجه‌گیری مهم‌اند. یک تحلیل دقیق، میزان داده معتبر را به اندازه خود شاخص جدی می‌گیرد و فرض نمی‌کند همه منطقه با کیفیت یکسان مشاهده شده است.

تمرین پیشنهادی برای انتخاب روش

یک منطقه کوچک با چند نوع سطح انتخاب کنید و سه تصویر از شرایط مختلف را بررسی کنید. نخست فقط فیلتر ابرناکی صحنه را اعمال کنید؛ سپس ماسک پیکسل را اضافه کنید. تفاوت پوشش و مقدار شاخص را در چند نقطه ثبت کنید. هدف تمرین، دیدن اثر هر مرحله است.

در مرحله بعد، دو آستانه متفاوت را مقایسه کنید و نمونه‌های حذف ناموجه یا ابر باقی‌مانده را یادداشت کنید. سپس تصویر ترکیبی بسازید و نقشه تعداد مشاهده معتبر را کنار آن قرار دهید. نتیجه را در یک گزارش کوتاه توضیح دهید. بهترین روش برای این تمرین، روشی است که کیفیت آن با شواهد قابل توضیح باشد، نه روشی که فقط نقشه را پرتر یا زیباتر می‌کند.

پرسش‌های متداول و مسیر ادامه

آیا درصد ابرناکی پایین یعنی منطقه من بدون ابر است؟ خیر؛ این درصد خلاصه صحنه است. آیا تصویر میانه ابر را کامل حذف می‌کند؟ نباید چنین فرضی کنید. آیا ماسک پیکسل، اطلاعات زیر ابر را بازسازی می‌کند؟ خیر؛ مشاهده نامعتبر را کنار می‌گذارد. آیا یک آستانه ثابت برای همه مناطق مناسب است؟ باید با شرایط سطح و فصل آزمون شود.

برای طراحی پروژه پایش، نیازسنجی GIS هدف، بازه و خروجی را روشن می‌کند. برای آموزش و بررسی روش، مشاوره GIS و سنجش از دور را ببینید. مسیر معتبر از شناخت محصول، کنترل مشاهده و ارزیابی مستقل می‌گذرد؛ هیچ تصویر ترکیبی زیبا جای این سه مرحله را نمی‌گیرد.