چکیده

داده‌های مشاهده زمین (EO) نقش مهمی در نظارت بر اکوسیستم‌ها و فرآیندهای محیطی ایفا می‌کنند. سری زمانی داده های ماهواره ای برای مطالعات بلندمدت در این زمینه ضروری است. با این حال، کار با حجم زیادی از داده های ماهواره ای همچنان می تواند یک چالش باشد، زیرا محیط محاسباتی با توجه به ذخیره سازی، پردازش و مدیریت داده ها می تواند سخت باشد، که گاهی اوقات می تواند به عنوان یک مانع در هنگام استفاده از داده های EO برای اهداف علمی تلقی شود. به طور خاص، توسعه‌های منبع باز که شامل تمام اجزای مدیریت و تجزیه و تحلیل داده‌های EO می‌شوند، هنوز کمیاب هستند. برای غلبه بر این مشکل، ابزارهایی برای تجزیه و تحلیل سری های زمانی تصاویر ماهواره ای (TATSSI) ارائه می کنیم، یک پلت فرم منبع باز نوشته شده در پایتون که روال هایی را برای دانلود، تولید، پر کردن شکاف، صاف کردن، ارائه می دهد. تجزیه و تحلیل و صادرات سری های زمانی EO. از آنجایی که TATSSI هنگام تولید سری های زمانی، پرچم های ارزیابی کیفیت و کنترل کیفیت را ادغام می کند، تجزیه و تحلیل کیفیت داده ها ستون فقرات هر تحلیلی است که با پلتفرم انجام می شود. ما در مورد معماری 3 لایه TATSSI (مدیریت داده ها، موتور و سه رابط برنامه نویسی برنامه (API)) بحث می کنیم. با اجازه دادن به سه API (یک رابط کاربر گرافیکی بومی، برخی از نوت بوک های Jupyter و خط فرمان پایتون) این توسعه فوق العاده کاربرپسند است. علاوه بر این، برای نشان دادن پتانسیل کاربرد TATSSI، داده‌های سری زمانی MODIS را برای سه مطالعه موردی (تغییرات منطقه آبیاری، ارزیابی دینامیک رطوبت در یک اکوسیستم تالاب و نظارت بر پوشش گیاهی در یک منطقه سوخته) در مناطق مختلف جغرافیایی مکزیک ارزیابی کردیم. تحلیل‌های ما بر اساس روش‌هایی مانند توزیع مکانی-زمانی حداکثر در طول زمان، تحلیل روند آماری و تجزیه نقطه تغییر بود که همه آنها در TATSSI پیاده‌سازی شدند. نتایج ما با سایر مطالعات و نتایج علمی در این زمینه ها و با داده های درجا مرتبط است.

کلید واژه ها:

لندست ; MODIS ; نرم افزار پایتون ؛ ارزیابی کیفیت داده ها ; تصاویر ماهواره ای ; سری زمانی ؛ VIIRS

1. مقدمه

هنگامی که سازمان ملی هوانوردی و فضایی (ناسا) در دسامبر 1999 سنسور طیف‌سنجی تصویربرداری با وضوح متوسط ​​(MODIS) را روی ماهواره Terra در دسامبر 1999 پرتاب کرد، تصور می‌شد که محصولات آن به نظارت بلندمدت و تحقیقات در مقیاس جهانی زمین و اقیانوس‌ها کمک کنند. [ 1 ، 2 ]، مأموریتی که ناسا در سال 2002 با چرخش به دور سنسور Aqua تکمیل شد. از آن زمان، 36 باند طیفی MODIS که در تفکیک‌پذیری‌های فضایی 250، 500 و 1000 متر توزیع شده‌اند در پروژه‌های متعددی به کار گرفته شده‌اند. به عنوان مثال، در سطح منطقه ای، محصول MODIS LST برای ایجاد سیستم های پایش خشکسالی استفاده شده است [ 3 ، 4 ]]، و محصولات MODIS نیز برای نظارت ساحلی نشت نفت که بر اساس اندازه‌گیری‌های تشعشع کل ارزیابی می‌شوند، مفید هستند [ 5 ]. همانطور که جین و همکارانش استدلال کردند. [ 6 ]، آلبدو طیفی سطحی و گسیل به دست آمده از MODIS نیز به ارزیابی اثرات شهرنشینی بر اقلیم کمک کرده است. ترکیب محصولات MODIS با سایر حسگرهای نوظهور با وضوح بالاتر، تولید سری‌های زمانی طولانی‌مدت سازگار با اطلاعات مربوط به ناحیه سوخته‌شده با کمی‌سازی کافی از خطا و عدم قطعیت را ممکن کرد [ 7 ، 8 ، 9 ]. برخی از این محصولات برای تعیین کاهش غیرمنتظره جهانی منطقه سوخته مفید هستند [ 10 ]].
حسگر مجموعه رادیومتر تصویربرداری مادون قرمز مرئی اداره ملی اقیانوسی و جوی (NOAA) (VIIRS)، جانشین MODIS، تحت یک فرآیند جالب کالیبراسیون حسگر و بهبود دقت قرار گرفته است تا استانداردهای مجموعه داده‌های MODIS را برآورده کند [ 11 ]. برای مثال، این کالیبراسیون مناسب اجازه می‌دهد که برخی از مطالعات فنولوژیکی که با VIIRS یا MODIS انجام شده‌اند، از نظر کمی نتایج مشابهی تولید کنند [ 12 ]. سایر محصولات VIIRS، مانند داده های نور شبانه NPP، به طور بالقوه به عنوان نماینده اقتصادی تولید ناخالص داخلی مفید هستند [ 13 ]، و انتظار می رود بیش از 20 رکورد داده های زیست محیطی ارائه شده توسط VIIRS پشتیبانی مستمری را از طیف گسترده ای از پروژه هایی که در حال حاضر از MODIS استفاده می کنند، ارائه دهند. داده های رصد زمین [14 ، 15 ، 16 ].
مانند MODIS و VIIRS، ماموریت‌های Landsat و Sentinel منابع تصاویر سری زمانی رایگان رصد زمین (EO) هستند که اگرچه داده‌های روزانه ارائه نمی‌دهند، اما وضوح فضایی متوسطی بین 10 تا 60 متر ارائه می‌دهند و به نمایش دقیق‌تری از زمین اجازه می‌دهند. شرایط زمین و آب این مجموعه داده ها از طریق چندین پلتفرم در دسترس کارشناسان سنجش از دور هستند. با این حال، کشف و دانلود داده، یا دسترسی به این پلتفرم‌ها همیشه ساده نیست، که به داده‌های EO می‌افزاید که در طیف گسترده‌ای از قالب‌های داده (NetCDF، HDF، GeoTiff و غیره) ارائه می‌شوند. برخلاف جمع‌آوری داده‌ها، پیش پردازش، از جمله تشخیص ابر، تشخیص سایه‌های ابری و تشخیص هرگونه مصنوع با استفاده از پرچم‌های ارزیابی کیفیت (QA)، اغلب به تجربه کدگذاری نیاز دارد. و ممکن است یک روش پر کردن شکاف برای بهبود فقدان اطلاعات ناشی از پیش پردازش مورد نیاز باشد. با تمرکز تنها بر روی رویکردهای ساده پر کردن شکاف، برخی تکنیک‌های درونیابی یا هموارسازی برای در نظر گرفتن تنوع داده‌ها به دلیل هندسه‌های مختلف اکتساب (شرایط مشاهده و روشنایی) مورد نیاز است. تنها پس از این مراحل، می توان سری های زمانی EO را به عنوان منابع داده قابل اعتماد برای تحقیقات علمی تلقی کرد.
مانند پروژه موفق سیستم پردازش تطبیقی ​​اختلال اکوسیستم لندست (LEDAPS) [ 17 ]، در 40 سال گذشته، و با اهداف مختلف در ذهن، چندین سری زمانی EO تولید شده است – به عنوان مثال، داده های نور شبانه NPP-VIIRS و گوپتا و همکاران [ 18 ] داده های نوری آئروسل با وضوح بالا. به موازات ارائه داده های علمی از حسگرهای مداری، توسعه دهندگان نرم افزار رایگان و بسیار تخصصی را برای امکان تجزیه و تحلیل این داده ها در رایانه های شخصی منتشر کرده اند [ 19 , 20 , 21 , 22]. یکی دیگر از ابزارهای مؤثر برای انجام تحقیقات علمی مبتنی بر تصاویر ماهواره‌ای از طریق برنامه‌های کاربردی مبتنی بر وب کاربرپسند قدرتمند، مانند برنامه کاربردی Ferrán و همکاران [ 23 ]، ابزار بازپروری MODIS (MRT)، مکعب OpenData، GeoNode و Google است. موتور زمین (GEE) [ 24 ]، در میان بسیاری دیگر.
اگرچه برخی از محققان اهمیت ارزیابی‌های مناسب کیفیت داده را تصدیق کرده‌اند [ 25 ]، تنها تعداد کمی از پلت‌فرم‌های منبع باز آزادانه تجزیه و تحلیل پرچم‌های کیفیت را در طول تولید و تجزیه و تحلیل بعدی سری‌های زمانی EO در جریان کاری خود گنجانده‌اند. کولدیتز و همکاران [ 26 ]، و ارجاعات موجود در آن، بررسی کاملی از پرچم های کیفیت MODIS ارائه می دهند. این مقاله همچنین شامل خلاصه ای از مطالعات مشابه برای پروژه قبلی MODIS، پروژه رادیومتر با وضوح بسیار بالا (AVHRR) می باشد. Busetto و Ranghetti [ 27 ] خلاصه ای قانع کننده از پیشرفت های انجام شده توسط پروژه R برای جامعه محاسبات آماری ارائه کردند [ 28 ]] برای پردازش، و در برخی موارد، همچنین تولید سری های زمانی مبتنی بر QA برای تصاویر MODIS. میلیتینو و همکاران [ 29 ] RGISTools را معرفی کرد، یک بسته R با قابلیت QA برای مدیریت انواع مختلف تصاویر ماهواره ای.
برای رفع این نقص برای تولید سری‌های زمانی EO و تجزیه و تحلیل توسط نرم‌افزارهای آزادانه، ما در این مقاله ابزارهایی برای تجزیه و تحلیل سری‌های زمانی تصاویر ماهواره‌ای (TATSSI)، یک پلتفرم منبع باز نوشته شده در پایتون ارائه می‌کنیم که روال‌هایی را برای دانلود، تولید، ارائه می‌کند. پر کردن شکاف، هموارسازی، تجزیه و تحلیل و صادرات سری های زمانی EO. ما به طور گسترده پلت فرم TATSSI را در لینوکس آزمایش کردیم (اوبونتو 18.04 و 20.04)، اما همچنین می توان آن را بر روی هر ماشین ویندوزی از طریق مفسر WSL-Ubuntu اجرا کرد. دستورالعمل‌های نصب TATSSI را می‌توانید در این GitHub پیدا کنیدمخزن (دسترسی در 16 آوریل 2021) به همراه یک کتابچه راهنمای کاربر و مطالب مرتبط ارائه شده در چندین نشست علمی. از آنجایی که TATSSI هنگام تولید سری‌های زمانی، پرچم‌های کیفیت محصولات ورودی را ادغام می‌کند، تحلیل کیفیت داده‌ها ستون فقرات هر تحلیلی است که با پلتفرم انجام می‌شود. TATSSI به کاربران اجازه می دهد تا سری های زمانی MODIS و VIIRS را از طریق دسترسی مستقیم به این مجموعه داده های علمی (SDS) به راحتی تولید کنند. برای کارکرد کامل با محصولات TATSSI دارای SDS های مختلف، مانند آنهایی که از ماموریت های Landsat و Sentinel هستند، کاربران باید برخی از متادیتا را اضافه کنند، که ما دستورالعمل های مفصلی را در  بخش 2.5 ارائه می دهیم.. به طور پیش‌فرض، TATSSI داده‌ها را در قالب Cloud Optimized GeoTiff (COG) تولید می‌کند، اما یکی از زیرماژول‌های آن کاربران را قادر می‌سازد تا فایل‌های خروجی را در اکثر فرمت‌های پشتیبانی شده توسط کتابخانه GDAL [ 30 ]، از جمله GeoTiff استاندارد، NetCDF و باینری عمومی تولید کنند. با توسعه TATSSI در پایتون – یک زبان محاسباتی کامل، که بر اساس  شاخص TIOBE (دسترسی در 16 آوریل 2021) در سراسر علوم محبوبیت زیادی پیدا کرده است – و با توزیع آن تحت مجوز عمومی عمومی GNU Affero، انتظار داریم که توسعه دهندگان نرم افزار عملکردهای خود را در آینده نزدیک گسترش دهد، همانطور که برای Zambelli و همکاران [ 31 ] PyGRASS و کتابخانه PySAL منبع باز Python [ 32 ] اتفاق افتاده است.
TATSSI را می توان به عنوان مجموعه ای از ابزارها برای مدیریت زیرساخت های داده های مکانی (SDI) [ 33 ] تعبیر کرد. همانطور که توسط گومز و همکاران استدلال شده است. [ 34 ]، محاسبات ابری و سیستم های توزیع شده نشان داده اند که بلوک های سازنده مناسبی برای توسعه نسل بعدی SDI ها هستند. در TATSSI، ما به کتابخانه DASK [ 35] برای مدیریت کارآمد محاسبات موازی، یک منبع حیاتی در هنگام برخورد با سری های زمانی در یک مکعب داده بزرگ. TATSSI را می توان به یک ماشین مجازی (VM) در یک مرکز محاسبات ابری متصل کرد، که در اصل به فرد اجازه می دهد هر یک از ماژول های TATSSI و همچنین هر اسکریپت پایتون توسعه یافته توسط کاربران را اجرا کند. بنابراین، تقریباً بدون هیچ تلاشی یا مهارت های فنی پیشرفته، کاربر علاقه مند می تواند از برنامه های TATSSI استفاده کند و منابع ارائه شده توسط یک سرور را منفجر کند. جزئیات این ادعاها را می توان در  بخش 2.6 یافت . بنابراین، اگرچه TATSSI مبتنی بر محاسبات ابری نیست، اما به نوعی با اصول مورد نیاز در توسعه نسل بعدی SDI ها، مانند جابجایی کد و رویکرد پردازش داده ها در سایتی که داده ها در آن ذخیره می شوند، سازگار است.
هدف اصلی این مقاله ارائه TATSSI و قابلیت‌های آن است تا به کاربران امکان غلبه بر موانع رایج هنگام استفاده از داده‌های EO برای مقاصد علمی، تمرکز عمده بر دسترسی به مجموعه‌های داده مختلف، استفاده از اطلاعات کیفی مرتبط با هر مجموعه داده و انجام تجزیه و تحلیل آماری داده شود. سری زمانی. در بخش 2 ، ما TATSSI را معرفی می کنیم و معماری آن، فرمت های داده های ورودی/خروجی، مدیریت داده ها و ارزیابی کیفیت، و همچنین سه رابط برنامه نویسی کاربردی آن – یک رابط کاربر گرافیکی (GUI)، یک برنامه کاربردی از طریق  نوت بوک های Jupyter (دسترسی در 16 آوریل 2021) و خط فرمان پایتون. در بخش 3ما سه مثال گویا از استفاده از TATSSI با داده‌های MODIS ارائه می‌کنیم: (1) ارزیابی تغییرات مکانی-زمانی در یک منطقه آبیاری، (2) انجام تجزیه و تحلیل روند شاخص رطوبت در یک اکوسیستم تالاب و (3) نظارت بر پوشش گیاهی در یک منطقه آبیاری منطقه سوخته بخش 4 خلاصه ای از برخی از روش های TATSSI برای مدیریت و تجزیه و تحلیل سری های زمانی EO را ارائه می دهد، بخش 5 نتایج برنامه های ما را مورد بحث قرار می دهد و در نهایت، بخش 6 یک نتیجه گیری و یک چشم انداز برای تحقیقات آینده ارائه می دهد.

2. TATSSI: ابزاری برای تجزیه و تحلیل سری های زمانی تصاویر ماهواره ای

  در این بخش، معماری، طراحی و فرمت‌های فایل مجاز TATSSI، و همچنین نحوه ارزیابی کیفیت را می‌توان مورد بحث قرار داد، و چرا با اجازه دادن به سه رابط برنامه‌ریزی شده برنامه (API)، این پلت فرم داده EO بسیار کاربرپسند است.

2.1. معماری و طراحی

مرحله اول هر پروژه توسعه نرم افزار علمی باید شامل جمع آوری نیازهای کاربر باشد. هدف اصلی پروژه “تحلیل آماری سری های زمانی تصاویر ماهواره ای با توجه به فرآیندهای بیابان زایی در مکزیک” با بودجه شورای ملی علم و فناوری (CONACYT، به زبان اسپانیایی) ارائه یک ابزار نرم افزاری بود که امکان نظارت بر فرآیندهای بیابان زایی توسط تجزیه و تحلیل سری های زمانی تصاویر ماهواره ای با این حال، ارائه این نوع قابلیت ها می تواند به عنوان یک نیاز برای یک جعبه ابزار عمومی دیده شود. جعبه ابزار باید عملکردهایی را برای ایجاد و تجزیه و تحلیل محصولات EO با بینش هایی در مورد سنجش از دور و تجزیه و تحلیل آماری در اختیار کاربران قرار دهد. الزامات اولیه کاربر بینش مفیدی را در مورد اهداف اصلی ارائه می دهد که باید در محدوده پروژه مورد توجه قرار گیرند. پنج عنصر کلیدی شناسایی شد: (1) کشف داده ها و دانلود داده های درشت و با وضوح بالا. (2) تولید سری های زمانی، که در آن ارزیابی کیفیت و کنترل کیفیت در نظر گرفته می شود. (iii) درونیابی و هموارسازی سری های زمانی. (IV) تجزیه و تحلیل سری های زمانی برای شناسایی و تعیین کمیت روندها و تغییرات در طول زمان. و (v) استفاده از رابط های مختلف. هدف طراحی TATSSI یک ساختار مدولار است که در آن هر جزء دارای اهداف خاصی است. و (v) استفاده از رابط های مختلف. هدف طراحی TATSSI یک ساختار مدولار است که در آن هر جزء دارای اهداف خاصی است. و (v) استفاده از رابط های مختلف. هدف طراحی TATSSI یک ساختار مدولار است که در آن هر جزء دارای اهداف خاصی است.شکل 1 به صورت گرافیکی سه جزء اصلی را که برای ایجاد یک معماری سه لایه ساده شناسایی کردیم، نشان می دهد. تمام اجزاء در زیر بخش های زیر توضیح داده خواهد شد.

2.2. داده گردانی

  هدف TATSSI ارائه کشف داده‌ها و توانایی دانلود داده‌های با وضوح درشت از چندین پورتال کشف داده‌های آنلاین رصد زمین (EO) است، که برای آن برنامه کاربردی برای استخراج و کاوش نمونه‌های آماده تجزیه و تحلیل (A) را انتخاب کردیم. ρρEEARS) [ 36 ] رابط برنامه نویسی کاربردی (API)، که اجازه ارسال و دانلود A را می دهد ρρEEARS با استفاده از خط فرمان یا در زبان های برنامه نویسی مانند Python و R. The A درخواست می کند ρρEEARS API با اصول انتقال حالت نمایشی (REST) ​​مطابقت دارد و بنابراین دارای URL های منبع محور قابل پیش بینی است و از کدهای پاسخ HTTP استفاده می کند که وضعیت تماس API مربوطه را نشان می دهد. TATSSI از قابلیت جستجوی محصول در A استفاده می کند ρρEEARS API; این نیاز به احراز هویت کاربر دارد که به عنوان یک فایل پیکربندی TATSSI ذخیره می شود. هنگامی که TATSSI برای اولین بار شروع می شود، A ρρEEARS API برای ایجاد یک کاتالوگ داده حاوی تمام محصولات داده MODIS و VIIRS در دسترس برای دانلود از مرکز بایگانی فعال توزیع‌شده فرآیندهای زمینی ناسا EOSDIS (LP DAAC) استفاده می‌شود. کاتالوگ برای استفاده بیشتر در ترشی پایتون ذخیره می شود. اگر تغییراتی در در دسترس بودن محصول، فراداده یا نسخه‌ها وجود داشته باشد، کاتالوگ را می‌توان در هر زمان بازسازی کرد. TATSSI از شبکه سینوسی پیش‌فرض MODIS برای دریافت داده‌ها توسط کاشی‌ها استفاده می‌کند. علاوه بر LP DAAC، TATSSI اجازه می دهد تا داده ها را از GEE بدست آورید، در این صورت می توان داده ها را برای یک منطقه مورد علاقه تعریف شده توسط کاربر به دست آورد. برای به دست آوردن داده ها، کاربر باید اعتبارنامه معتبر Google را داشته باشد. در بخش 2.4 مثالی از نحوه انجام این کار ارائه می دهیم.
در ابتدا، TATSSI بر روی یک رویکرد پردازش داده از طریق داده های بارگیری شده ذخیره شده در منابع محلی، مانند ذخیره سازی منطقه شبکه (NAS)، هارد دیسک های محلی یا فضای ذخیره سازی متصل به یک ماشین مجازی متکی است. این رویکرد به سفارشی سازی کامل جریان پردازش اجازه می دهد تا سری های زمانی ایجاد کند که از نظر کاربردهای علمی برای هدف مناسب هستند. پس از بارگیری داده ها، می توان سری های زمانی ایجاد کرد. TATSSI می تواند یک سری زمانی برای هر مجموعه داده MODIS و VIIRS به دست آمده از LP DAAC ایجاد کند، اما می توان از برخی از عملکردهای TATSSI برای سری های زمانی که با TATSSI ایجاد نشده اند استفاده کرد. به عنوان مثال، در  بخش 2.5ما نشان دادیم که چگونه می توان برخی از داده های Landsat را در گردش کار TATSSI ادغام کرد. فراداده در آن فایل‌ها امکان دسترسی به هر مجموعه داده علمی (SDS) و ارزیابی کیفیت مربوطه (QA) و کنترل کیفیت (QC) را فراهم می‌کند. پرچم‌های QA/QC فقط در طول فرآیند تولید سری‌های زمانی رمزگشایی می‌شوند، پردازش بیشتر آنها در  بخش 3 به تفصیل آمده است. TATSSI از Cloud Optimized GeoTIFF (COG) به عنوان فرمت داده داخلی خود استفاده می کند. COG یک فایل GeoTIFF معمولی است که می‌تواند بر روی یک سرور فایل HTTP میزبانی شود و دارای یک سازماندهی داخلی توسط تکه‌ها است که اجازه می‌دهد گردش کار کارآمدی داشته باشد زیرا یک درخواست فقط بخش‌هایی از فایل مورد نیاز را درخواست می‌کند. رفتار پیش فرض هنگام تولید یک سری زمانی به صورت زیر است:
  • برای هر فایل موجود در فهرست داده که با محصول و نسخه انتخاب شده توسط کاربر مطابقت دارد:
    ‒
    هر باند یا SDS در قالب داخلی TATSSI (COG) وارد می شود.
  • برای هر لایه QA مرتبط با محصول:
    ‒
    داده ها را به فرمت TATSSI داخلی وارد کنید و رمزگشایی QA را برای هر پرچم انجام دهید.
  • برای هر SDS و QA/QC مرتبط:
    ‒
    پشته های لایه GDAL VRT را ایجاد کنید
داده‌های MODIS و VIIRS به‌دست‌آمده در LP DAAC در دو قالب مختلف داده سلسله مراتبی (HDF) توزیع می‌شوند: HDF4 (4. x و نسخه‌های قبلی) و HDF5. این فرمت ها به دلیل تفاوت های ذاتی با یکدیگر سازگار نیستند. TATSSI از کتابخانه انتزاع داده های جغرافیایی (GDAL) استفاده می کند [ 30] برای پردازش داده های هر دو سنسور. سیستم رصد زمین ناسا (EOS) اصلاح HDF خود را با نام HDF-EOS حفظ می کند. این اصلاح برای استفاده با داده های سنجش از راه دور کافی است و کاملاً با HDF زیرین سازگار است. TATSSI از درایور GDAL HDF برای مدیریت تمام داده های MODIS استفاده می کند. برای مدیریت داده های VIIRS توزیع شده در HDF5، TATSSI از درایور GDAL HDF5 استفاده می کند. با این حال، اطلاعات مکان جغرافیایی به طور پیش‌فرض توسط GDAL (نسخه 2.03.030) خوانده نمی‌شود، که برای به دست آوردن سیستم مرجع مکانی و گستره جغرافیایی، عملکرد بیشتری لازم بود. از نظر محصولات داده تولید شده توسط TATSSI، فرمت پیش فرض COG است، اما امکان تولید فایل های خروجی در چندین فرمت پشتیبانی شده توسط GDAL، از جمله GeoTiff استاندارد، NetCDF و باینری عمومی وجود دارد.

2.3. موتور

  جزء موتور TATSSI همانطور که در  شکل 1 نشان داده شده است، شامل چندین مؤلفه فرعی است که به ما امکان می دهد: (1) یک تجزیه و تحلیل جامع از اطلاعات کیفی و ایجاد یک سری زمانی درونیابی شده انجام دهیم که دانش QA/QC را در بر می گیرد، (2) سری های زمانی صاف و (iii) استفاده از روش های مختلف برای تجزیه و تحلیل سری های زمانی. تجزیه و تحلیل کامل از ویژگی های هر محصول داده EO برای ایجاد یک تفسیر سازگار از داده ها مورد نیاز است. این تجزیه و تحلیل می تواند با نوع داده و عمق بیتی که می تواند با وضوح رادیومتریک مرتبط باشد شروع شود. تجزیه و تحلیل می تواند با مقیاس گذاری و عوامل افست مربوطه ادامه یابد و به دنبال آن پرچم های QA/QC در هر پیکسل شناسایی شوند. برخی از مجموعه‌های داده، داده‌های کمی را در بالای اطلاعات QA/QC به شکل عدم قطعیت‌های هر پیکسل، یا حتی ماتریس‌های کوواریانس واریانس کامل، مانند مجموعه داده GlobAlbedo، ارائه می‌کنند.37 ]. مجموعه داده های زمین MODIS و VIIRS از یک چارچوب QA سازگار توسعه یافته توسط تیم علمی MODIS Land (MODLAND) [ 38 ] استفاده می کنند.]. محصولات MODLAND QA پرچم های QA مخصوص محصول را همراه با ابرداده ارائه می کنند که امکان ردیابی را در طول زنجیره پردازش فراهم می کند. داده‌های QA در هر پیکسل می‌توانند به طور قابل توجهی در بین محصولات، سطوح پردازش و مجموعه‌ها متفاوت باشند. علاوه بر این، برخی از محصولات مجموعه داده‌های جانبی مختلفی را ارائه می‌دهند که در طول تولید QA مورد استفاده قرار می‌گیرند، که ممکن است شامل حالت جوی، نوع سطح، هندسه‌های اکتسابی و اینکه آیا تخمین‌های جوی پیشینی یا دینامیکی در طول بازیابی بیوفیزیکی استفاده شده است. در این راستا، چالش اصلی TATSSI این بود که بتواند به تمام اطلاعات مربوط به QA برای هر محصول توزیع شده توسط LP DAAC دسترسی داشته باشد. TATSSI از اطلاعات کیفیت هر محصول توزیع شده در A استفاده می کند ρρEEARS API ( https://lpdaacsvc.cr.usgs.gov/services/appeears-api/ ) (دسترسی در 16 آوریل 2021) برای ایجاد کاتالوگ با همه محصولات و تعاریف QA/QC مرتبط (پارامترها، توضیحات، فیلدهای بیت و ارزش های). اطلاعات MODIS و VIIRS QA به عنوان یک مقدار صحیح ذخیره می شود که باید در رشته های باینری رمزگشایی شود. رمزگشایی QA/QC با تفسیر رشته باینری، استخراج کلمات بیت برای فیلدهای بیت مختلف و نگاشت آن ترکیب منحصر به فرد به ویژگی های کیفیت مرتبط با هر فیلد صورت می گیرد. میز 1نمونه‌ای از اولین فیلدهای دو بیتی [0–1] از محصول MOD13A2 “1_km_16_days_VI_Quality” را نشان می‌دهد. مقدار صحیح به باینری تبدیل می‌شود و سپس فیلدهای بیت 0 و 1 استخراج می‌شوند تا یک کلمه بیت ایجاد شود که پس از آن به تبدیل می‌شود. اعشاری TATSSI یک لایه برای هر پارامتر QA مرتبط با آن QA SDS ایجاد می کند به گونه ای که کاربر می تواند به سادگی انتخاب کند که کدام پارامترها و مقادیر QA انتخاب شده و برای پردازش بیشتر به عنوان معتبر علامت گذاری شوند.
هنگامی که کاربر پارامترها و مقادیر QA بالقوه را برای یک SDS خاص انتخاب کرد، TATSSI آن انتخاب را برای کل سری زمانی اعمال می کند تا ماسکی از پیکسل های معتبر ایجاد کند. تأثیر انتخاب بر حسب (i) درصد داده های نگهداری شده برای پردازش بیشتر و (ب) حداکثر طول شکاف را می توان به عنوان تعداد مشاهدات گمشده محاسبه کرد. از این معیارها می توان برای ارزیابی تأثیرات استفاده از تنظیمات مختلف QA استفاده کرد. شکل 2 نمونه ای از استفاده از بهترین داده ها با اطمینان بالا یا برخی مقادیر ملایم تر QA را نشان می دهد. معیارها برای پارامترهای MODLAND در لایه “1_km_16_days_pixel_reliability” از محصول MOD13A2 ایجاد شد. معیارهای مربوط به مقادیر QA “داده های خوب، استفاده با اطمینان” در ردیف پایین در  شکل 2نشان می دهد که نسبت داده های موجود برای منطقه شرقی دریاچه نیکاراگوئه کمتر از 20٪ بوده و حداکثر طول شکاف بیشتر از 20 بوده است. از آنجایی که MOD13A2 مشاهداتی را هر 16 روز ارائه می دهد، 23 مشاهده در یک سال تقویمی انجام می شود، به این معنی که وجود داشته است. تقریباً هیچ مشاهده ای پس از اعمال دقیق ترین مقدار QA باقی نمانده است. هنگام استفاده از “داده های حاشیه ای. مفید است اما به سایر اطلاعات QA نگاه کنید» مقدار QA، افزایش درصد داده های موجود و حداکثر طول شکاف آشکار شد. تجزیه و تحلیل TATSSI QAماژول به ما امکان می دهد تنظیمات مختلف QA را به روشی سیستماتیک ارزیابی کنیم، بنابراین کاربران می توانند مناسب ترین مجموعه را با توجه به نیازهای خاص خود انتخاب کنند. مبادله همیشه حفظ بهترین کیفیت داده ها و در عین حال مشخص کردن کامل فرآیندهای محیطی مورد علاقه خواهد بود. انتخاب دقیق QA منجر به در دسترس بودن کمتر می شود. اگر شکاف داده‌ای که به دلیل این انتخاب سخت‌گیرانه ایجاد می‌شود، در یک لحظه کلیدی در طول فصلی بودن متغیر مورد مطالعه رخ دهد، ممکن است منجر به سوء تفاهم‌های بالقوه یا یافته‌های جعلی، به عنوان مثال، شروع و اوج فصل پوشش گیاهی شود. همانطور که در شکل 2 نشان داده شده است، یک انتخاب ملایم تر QA می تواند به راحتی منجر به کمبود داده شود تا جایی که درک متغیر محیطی مورد علاقه غیرممکن شود  .برای جنوب نیکاراگوئه همانطور که Schaaf و همکاران نشان داده اند، بدترین سناریو عدم استفاده از QA و نتیجه گیری بر اساس بازیابی یا مشاهدات با کیفیت پایین است. [ 25 ].
ماسک تولید شده در طی  فرآیند QA Analytics در مرحله بعدی مورد استفاده قرار می گیرد، جایی که می توان از روش های درون یابی مختلف برای تولید یک سری زمانی بدون شکاف استفاده کرد و در نهایت، در صورت نیاز، کاربر می تواند یک تابع هموارسازی را برای سری های زمانی اعمال کند. روشهای درونیابی و هموارسازی در  بخش 4 به تفصیل آمده است. البته ذکر این نکته مهم است که فرآیند هموارسازی TATSSI یک تشخیص بیرونی قوی را انجام می دهد که می تواند استفاده از تنظیمات QA ملایم تر را به حداقل برساند و اجازه می دهد مشاهدات با کیفیت پایین بیشتری در سری های زمانی گنجانده شود، اما آنها را در طول فرآیند حذف می کند. با داشتن یک سری زمانی بدون شکاف، که از طریق درون یابی یا هموارسازی به دست می آید، می توان متعاقباً از سری زمانی TATSSI استفاده کرد.ماژول برای اعمال طیف گسترده ای از تکنیک های آماری و عملیات سری زمانی برای استخراج اطلاعات و معیارها از سری های زمانی. این عملیات و تجزیه و تحلیل از استخراج به اصطلاح منحنی اقلیم شناسی و محاسبه ناهنجاری های هر مرحله، تا انجام تحلیل روند آماری، تجزیه سری های زمانی و تشخیص نقطه تغییر متفاوت است. محصولات برای هر تجزیه و تحلیل در قالب COG ذخیره می شوند. جزئیات در مورد الگوریتم ها و تکنیک های مورد استفاده در  بخش 4 توضیح داده شده است. اگر کاربر نیاز به جذب سری زمانی داشته باشد که با استفاده از زنجیره پردازش TATSSI تولید نشده است، ابرداده های اضافی لازم است تا به  ماژول تجزیه و تحلیل اجازه دهد تا تاریخ ها و مقادیر را پر کند. در بخش بعدی چنین مثالی را ارائه می کنیم.

2.4. رابط ها

  دسترسی به عملکردهای TATSSI را می توان بسته به پیچیدگی کار، میزان داده برای پردازش و تخصص توسعه نرم افزار انتخاب کرد. TATSSI سه API ارائه می دهد: (i) رابط کاربری گرافیکی بومی، (ii) نوت بوک های Jupyter و (iii) خط فرمان و برنامه نویسی پایتون. رابط کاربری گرافیکی با استفاده از PyQT5 توسعه داده شد، که امکان استفاده یکپارچه از Python و Matplotlib [ 39 ] را برای تولید نمودارهای تعاملی، یک عملکرد کلیدی در رابط کاربری گرافیکی TATSSI، فراهم می‌کند. شکل 3 نمونه ای از ماژول TATSSI GUI QA Analytics را نشان می دهد. گفتگو به ما امکان می دهد تا تجزیه و تحلیل QA را همانطور که در  بخش 2.3 توضیح داده شد انجام دهیم. ما از ترکیبی از چندین عنصر PyQT5 استفاده کردیم تا به کاربر اجازه دهیم یک گفتگوی فرمان را برای انتخاب مکان یک سری زمانی باز کند. نوشتن متن برای محصولات و نسخه. و تاریخ ها و تعاریف QA را انتخاب کنید. علاوه بر این، برای هر پارامتر QA، استفاده از عناصر PyQT5 به ما اجازه می دهد تا مقادیر QA مورد نظر را انتخاب و از حالت انتخاب خارج کنیم. ما همچنین دکمه‌های فشاری PyQT5 را برای دسترسی کاربر به جعبه‌های گفتگوی مختلف ارائه کردیم.
نوت بوک ژوپیتر [ 40] یک برنامه وب منبع باز است که امکان ایجاد اسناد تعاملی حاوی کد زنده، تجسم و متن روایت را فراهم می کند. TATSSI چندین نوت بوک را به عنوان یک راهنمای گام به گام برای درک عملکردهای مختلف TATSSI به روشی مشابه با استفاده از رابط کاربری گرافیکی، اما از طریق مرورگر وب، ارائه می دهد. TATSSI از JupyterLab، نسخه نسل بعدی رابط مبتنی بر وب پشتیبانی می کند. مزیت اصلی این رابط این است که نیازی به نصب نرم افزار در سمت مشتری نیست. نوت بوک های Jupyter را می توان به صورت محلی، به عنوان مثال، در یک ایستگاه کاری محلی، یا از راه دور، برای مثال، بر روی یک ماشین مجازی رایانش ابری اجرا کرد. هنگامی که نوت بوک های Jupyter از راه دور اجرا می شوند، مانند یک محیط ابری، پردازش داده ها می تواند به عنوان یک فرآیند پس زمینه اجرا شود. این بدان معناست که کاربر نیازی به اتصال فعال به محیط ابری ندارد. این ویژگی جایگزینی برای راه اندازی مشاغل و بازیابی نتایج پس از آن فراهم می کند.
شکل 4 نمونه ای از استفاده از یک نوت بوک Jupyter در TATSSI را نشان می دهد، یک ویژگی بسیار مفید زمانی که ناحیه مورد نظر (AOI) بین دو یا چند کاشی MODIS تقسیم می شود. اولین مرحله تنظیم احراز هویت Google Earth Engine (GEE) و وارد کردن کتابخانه های TATSSI مورد نیاز است، مانند شکل 4 a، پس از آن کاربر باید AOI را به عنوان یک کادر محدود تعریف کند که متعاقباً در یک فایل GeoJSON ذخیره می شود. شکل 4 ب AOI تعریف شده برای یکی از سایت های مطالعه ما در شمال مکزیک را نشان می دهد (به بخش 3.3 مراجعه کنید.برای جزئیات بیشتر). یک گام مهم تطبیق نام های SDS از GEE و نام های مجموعه داده های MODIS است. نام لایه‌های محصول برای برخی از محصولات موجود در GEE باید برای اعمال پرچم‌های QA مربوطه با استفاده از ابرداده موجود در کاتالوگ TATSSI، همانطور که در شکل 4 ج نشان می‌دهیم، اصلاح شود. مرحله آخر دانلود داده ها و تولید سری های زمانی است ( شکل 4 د). سری‌های زمانی تولید شده را می‌توان برای پردازش بیشتر در ماژول‌های TATSSI مورد استفاده قرار داد.
برای کاربرانی که با پایتون آشنا هستند، TATSSI ماژول هایی را ارائه می دهد که می توانند از یک اسکریپت فراخوانی شوند، همانطور که در مثال زیر برای تولید یک سری زمانی نشان داده شده است. کاربر باید ماژول TATSSI مربوطه را در پایتون وارد کند (به عنوان مثال، Generator ). تنظیم پارامترهای ورودی مانند فهرست منبع، محصول و نسخه و فرمت داده ورودی. ساخت سری زمانی شی Generator. و در نهایت،  متد () gene_time_series را فراخوانی کنید، لیست 1 را ببینید.
فهرست  1. اسکریپت پایتون که توسط TATSSI برای تولید سری های زمانی استفاده می شود. 
# ماژول های TATSSI    
را از TATSSI.time_series.generator import Generator وارد کنید
             
# تنظیم پارامترهای دانلود 
source_dir = '/data/MCD43A4_h08v06' 
product = 'MCD43A4' 
نسخه = '006' 
data_format = 'hdf'
             
# TATSSI ~ شی مولد سری زمانی را ایجاد کنید
tsg = Generator(source_dir=source_dir,
                محصول=محصول، نسخه=نسخه،
                data_format=data_format)
             
# سری های زمانی را ایجاد کنید
tsg.generate_time_series()
همانطور که در بالا ذکر شد، TATSSI تمام داده های شطرنجی جغرافیایی را به عنوان COG ذخیره می کند. برای انجام هر عملیات سری زمانی و تجزیه و تحلیل، TATSSI سری های زمانی را به صورت xarray بارگذاری می کند [ 41 ]. xarray یک بسته پایتون است که با دسترسی به آرایه‌های چند بعدی به روشی بسیار کارآمد با معرفی برچسب‌ها در بالای آرایه‌های NumPy [ 42 ] خام در قالب ابعاد، مختصات و ویژگی‌ها کار می‌کند. علاوه بر این، xarray یکپارچگی کامل با DASK را برای محاسبات موازی فراهم می کند. با اعمال کد بالا به سری زمانی MCD43A4 تولید شده از کاشی MODIS h08v06، می‌توانید شی سری زمانی TATSSI را به عنوان یک xarray برای پردازش بیشتر بارگذاری کنید. لیست 2 نمونه ای از محاسبه و ذخیره شاخص رطوبت تفاوت نرمال شده (NDMI) را ارائه می دهد که در بخش 3.2 :
فهرست  2. محاسبه شاخص رطوبت تفاوت نرمال شده بر اساس محصول MCD43A4 که روی کاشی h08v06 گرفته شده است. 
import os
 import sys
             
# ماژول های TATSSI    
از TATSSI.time_series.analysis import Analysis
 from TATSSI.input_output.utils import save_dask_array
             
# شی سری زمانی TATSSI برای باند 2 
fname = (f '/data/MCD43A4_h08v06/Nadir_Reflectance_Band2/'    
         f 'interpolated/MCD43A4.006._Nadir_Reflectance_Band2.linear.tif' )
ts_b2 = تجزیه و تحلیل (fname=fname)
# DataArray را از شی سری زمانی {\tatssi} دریافت کنید
b2 = ts_b2.data._Nadir_Reflectance_Band2
             
# شی سری زمانی TATSSI برای باند 6 
fname = (f '/data/MCD43A4_h08v06/Nadir_Reflectance_Band6/' 
         f 'interpolated/MCD43A4.006._Nadir_Reflectance_Band6.linear.tif' )
ts_b6 = تجزیه و تحلیل (fname=fname)
# DataArray را از شی سری زمانی {\tatssi} دریافت کنید
b6 = ts_b6.data._Nadir_Reflectance_Band6
             
# محاسبه شاخص رطوبت تفاوت نرمال شده (NDMI)
ndmi = ((b2-b6) / (b2+b6)).atype(np.float32)
             
# ویژگی های ابرداده را از باند 2 کپی کنید
ndmi.attrs = b2.attrs
# مقدار fill را به 0 تغییر دهید 
ndmi.attrs[ 'nodatavals' ] = tuple(np.zeros(len(ndmi.time)))
             
# ذخیره داده fname 
= '/data/marismas_NDMI.tif' 
data_var= 'NDMI'
             
save_dask_array (fname=fname, data=ndmi, data_var=data_var)

2.5. افزودن متادیتا به سری زمانی EO که توسط TATSSI تولید نشده است

یکی از اهداف اصلی استفاده از TATSSI ایجاد یک سری زمانی با استفاده از اطلاعات QA/QC مرتبط ارائه شده است. با این حال، اگر کاربر قبلاً یک سری زمانی دارد که با استفاده از ابزارهای سری زمانی دیگر تولید شده است، اما همچنان می‌خواهد از TATSSI برای تجزیه و تحلیل بیشتر استفاده کند، تاریخ، توصیف متغیر و ابرداده‌های ارزش پر باید به هر باند در سری‌های زمانی اضافه شود، که این امکان را به شما می‌دهد. رابط های TATSSI برای خواندن سری های زمانی، و به عنوان مثال، انجام هموارسازی یا استفاده از  ماژول Analysis . فهرست 3 نحوه افزودن ابرداده به بازتاب سطح لندست 7 را نشان می دهد:
فهرست  3. اسکریپت پایتون برای افزودن ابرداده به تصاویر Landsat 7. 
import os
 import sys
 import gdal
 from glob import import glob datetime
 به عنوان dt
              
DataDir = '/data/Landsat7'
              
def add_metadata(fname، str_date، data_var، fill_value):
     """
    تاریخ را به صورت زیر به ابرداده اضافه می کند:
        RANGEBEGINNINGDATE=YYYY-MM-DD
    :param fname: مسیر کامل فایل ها برای افزودن تاریخ به ابرداده آن
    :param str_date: تاریخ در قالب رشته، طرح بندی: YYYY-MM-DD
    :param data_var: نام متغیر، به عنوان مثال surface_reflectance
    :param fill_value: مقدار پر کنید
    """
             
    # فایل را برای به روز رسانی باز کنید
             
    d = gdal.Open(fname، gdal.GA_Update)
             
    # باند را باز کنید و ابرداده های موجود را دریافت کنید
    md = d.GetMetadata()
             
    # افزودن تاریخ 
    md[ 'RANGEBEGINNINGDATE' ] = str_date
     # افزودن توضیحات متغیر 
    md[ 'data_var' ] = data_var
     # افزودن مقدار پر 
    md[ '_FillValue' ] = fill_value
             
    # متادیتا را تنظیم کنید
    d.SetMetadata(md)
             
    d = هیچ
             
اگر __name__ == "__اصلی__" :
             
    # تمام فایل ها را از فهرست داده های باند 4 Landsat دریافت کنید، به عنوان مثال 
	# /data/Landsat7/LE70290462004017EDC01/LE70290462004017EDC01_sr_band4.tif fnames = 
    glob( os.path.join_Data . *
    fnames.sort()
             
    برای fname در fnames:
         # تاریخ را از نام فایل استخراج کنید
        # LE7PPPRRRYYYYDDDEDC01_sr_band4.tif
        # YYYY = سال
        # DDD = روز جولیان
        year_julian_day = os.path.basename(fname)[9:16]
             
        # تبدیل رشته YYYYDDD به یک شی datetime 
        _date = dt.datetime.strptime(year_julian_day, '%Y%j' )
         # تبدیل شی datetime به رشته YYYY-MM-DD 
        str_date = _date.strftime( '%Y-%m-% د' )
             
        # متغیر داده را روی یک توصیفی 'L7_SurfaceReflecance_B4' 
        data_var = 'L7_SurfaceReflecance_B4' تنظیم کنید
             
        # متادیتا اضافه کنید
        add_metadata(fname=fname, str_date=str_date,
                data_var=data_var، fill_value= '-9999' )
هنگامی که فراداده در هر فایل و باند ذخیره شد، می توان یک شطرنجی مجازی GDAL ایجاد کرد که TATSSI بتواند آن را بخواند، به فهرست 4 مراجعه کنید.
فهرست  4. ایجاد یک رستر مجازی GDAL از فایل های اصلاح شده از طریق کد لیست 3. 
gdalbuildvrt -separate LE70290462004.vrt /data/Landsat7/*/*_sr_band4.tif
0...10...20...30...40...50...60...70...80...90...100 - انجام شده .
پس از آن، می‌توان Landsat 7 VRT را با هر رابط TATSSI باز کرد، همانطور که  شکل 5 برای  ماژول Smoothing برای سری زمانی باند مادون قرمز نزدیک (NIR) Landsat 7 در سال 2004 نشان می‌دهد.

2.6. محیط های رایانش ابری

  بخش قبلی قابلیت‌های TATSSI را در مورد داده‌هایی که دانلود می‌شوند و متعاقباً برای تولید یک سری زمانی استفاده می‌شوند، ارائه می‌کند. با این وجود، الگوی پردازش داده‌های EO با استفاده از منابع محلی ممکن است از نظر محاسباتی برای همه موارد استفاده کارآمد نباشد، به عنوان مثال، یک سرور داده با ذخیره‌سازی متصل یا ایستگاه‌های کاری پیشرفته که در آن مقادیر زیادی داده باید از یک ارائه‌دهنده داده منتقل شود. گومز و همکاران [ 34 ] «پلتفرم‌ها برای مدیریت و تجزیه و تحلیل داده‌های EO بزرگ» را به عنوان راه‌حل‌های محاسباتی که عملکردهایی را برای مدیریت داده‌های EO بزرگ، ذخیره‌سازی و دسترسی فراهم می‌کند که سطح معینی از داده‌ها و انتزاع‌های پردازشی را فراهم می‌کند. در این زمینه، TATSSI برخی از ویژگی‌هایی را ارائه می‌کند که می‌تواند در محاسبات ابری و محیط های محاسباتی با عملکرد بالا مورد بهره برداری قرار می گیرد.
TATSSI را می توان در یک محیط ابری استفاده کرد که در آن می توان یک یا چند VM ایجاد کرد و چندین کاربر می توانند به منابع دسترسی داشته باشند. این را می توان به عنوان یک پارادایم ترکیبی در نظر گرفت زیرا داده های EO باید در فضای ذخیره سازی محلی در VM بارگیری شوند و به کاربران مختلف اجازه می دهد بدون استفاده از منابع محلی سری های زمانی ایجاد کنند. بنابراین، داده ها در سمت سرور پردازش و ذخیره می شوند.
رویکرد TATSSI کاربران را تشویق می‌کند تا به طور کامل محدودیت‌ها و محدودیت‌های هر مجموعه داده، از جمله پرچم‌های QA و QC مرتبط را درک کنند. این درک ممکن است نیاز به دانلود و تجزیه و تحلیل داده ها داشته باشد. انتظار می رود که مقداری انتزاع برای به حداکثر رساندن استفاده و بهره برداری از داده های EO مورد نیاز باشد. این رویکرد رایانش ابری ترکیبی می‌تواند برای کاربرانی که دانش موجود در مورد داده‌های EO دارند جذاب باشد، اما نیازمند انتزاع داده‌ها است. به عنوان مثال، جزئیات در مورد نحوه ذخیره داده های خام، الگوریتم های فشرده سازی و ابرداده لزوما مرتبط نیستند.
وقتی مقداری انتزاع پردازشی مورد نیاز است و یک زنجیره پردازش به خوبی تعریف شده است، دانلود داده ها، حتی در فضای ذخیره سازی ابری، قابل اجرا نیست. TATSSI از سیستم‌های فایل مجازی GDAL استفاده می‌کند که در آن می‌توان به فایل‌های ذخیره‌شده در یک شبکه (چه در دسترس عموم یا در سطل‌های خصوصی سرویس‌های ذخیره‌سازی ابری تجاری) دسترسی داشت. برای مثال، محصول MODIS MCD43A4 v006 Nadir Reflectance Distribution Function (BRDF)-Adjusted Reflectance (NBAR) برای 3 مارس 2021 در قالب COG ذخیره شده در یک فضای ذخیره سازی ابری تجاری که نیازی به احراز هویت امضا شده ندارد، از خط فرمان قابل دسترسی است، به فهرست ها مراجعه کنید. 5.
فهرست  5. دسترسی به محصولات MCD43A4 ذخیره شده در یک مرکز ابری. 
gdalinfo-nomd/vsicurl/https://modis-pds.s3.amazonaws.com/MCD43A4.006/18/17/2021062/MCD43A4.A2021062.h18v17.006.20210710702416_
درایور: GTiff/GeoTIFF
فایل ها: /vsicurl/https://modis-pds.s3.amazonaws.com/MCD43A4.006/18/17/2021062/MCD43A4.A2021062.h18v17.006.2021071072416_B0
       /vsicurl/https://modis-pds.s3.amazonaws.com/MCD43A4.006/18/17/2021062/MCD43A4.A2021062.h18v17.006.2021071072416_B02.TIF
سایز 2400 2400
سیستم مختصات عبارت است از:
PROJCS[ "بی نام" ،
    GEOGCS[ "مقصد ناشناخته بر اساس ~ the~ spheroid سفارشی" ,
        DATUM[ "Not_specified_based_on_custom_spheroid" ,
            SPHEROID[ "کروی سفارشی" ,6371007.181,0]]،
        PRIMEM [ "گرینویچ" ,0]،
        UNIT[ "درجه" ،0.0174532925199433]]،
    PROJECTION [ "سینوسی" ]،
    PARAMETER[ "Litude_of_center" ,0]،
    PARAMETER[ "false_easting" ,0]،
    PARAMETER[ "false_northing" ,0]،
    واحد[ "متر" ،1،
        AUTHORITY[ "EPSG" ، "9001" ]]]
مبدا = (0.000000000000000,-8895604.157332999631763)
اندازه پیکسل = (463.312716527916677,-463.312716527916507)
مختصات گوشه:
بالا سمت چپ ( 0.000،-8895604.157) ( 0d 0 ' 0.01"E، 80d 0' 0.00 " S)    
سمت چپ پایین ( 0.000، -10007554.677) ( 0d 0' 0.01 0.01 R 0.01" 0.01 " E, 0.01 R ,-8895604.157) ( 57d35' 15.74 "E, 80d 0' 0.00" S)   

پایین سمت راست ( 1111950.520,-10007554.677) ( 46d55 '34.78"E, 90d 0' 0.00 "S)    
Center ( 555975.260,-9451579.417) ( 56d55 '34.78" E, 56d55 '34.78 ")    
= 56d85. Int16، ColorInterp = خاکستری
  توضیحات = Nadir_Reflectance_Band2
  NoData Value=32767
  نمای کلی: 1200x1200، 600x600، 300x300
  افست: 0، مقیاس: 0.0001
این به TATSSI اجازه می دهد تا به فایل های ذخیره شده در فضای ذخیره سازی ابری دسترسی داشته باشد و سری های زمانی را با استفاده از رویکردها و رابط های ذکر شده در این بخش تولید کند.

3. مکان های مطالعه و مواد

  TATSSI می تواند به عنوان یک ابزار موثر برای تولید سری های زمانی EO مبتنی بر QA و انجام تحلیل های آماری پایه استفاده شود. در بخش 5 ، ما برنامه های کاربردی را برای سه مطالعه موردی نشان خواهیم داد: تغییرات منطقه آبیاری (IA) در سانتو دومینگو، جنوب مکزیک. ارزیابی دینامیک رطوبت (EMD) در اکوسیستم تالاب Marismas Nacionales، مکزیک اقیانوس آرام. و نظارت بر منطقه سوخته (BAM) در ال بونیتو و لا سابینا، شمال شرقی مکزیک. در بخش بعدی، مکان‌های مطالعه را شرح می‌دهیم، درباره محصولات MODIS به کار رفته در هر مطالعه نظر می‌دهیم و برخی از مواد مورد استفاده برای تکمیل تحلیل خود را مورد بحث قرار می‌دهیم. پس از آن، پیش پردازش داده ها را در  بخش 3.4 شرح خواهیم داد.

3.1. تغییرات منطقه آبیاری در سانتو دومینگو

شاخص های پوشش گیاهی برای نظارت بر پوشش گیاهی، تولید محصول و سایر فرآیندها استفاده می شود [ 43 ]. یک سری زمانی از شاخص پوشش گیاهی اطلاعاتی را برای شناسایی تغییرات پوشش زمین یا کاربری زمین فراهم می کند [ 20 ]. تغییر در رفتار شاخص پوشش گیاهی می تواند نشانگر تغییر پوشش زمین از پوشش طبیعی به پوشش انسانی باشد یا همچنین می تواند نشان دهنده تغییر در شیوه های کشاورزی باشد. این مورد برای منطقه سانتو دومینگو – در ایالت چیاپاس، در جنوب مکزیک – واقع بین سد لا آنگوستورا و مرز با گواتمالا با وسعت 15147 هکتار است ( شکل 6).). این منطقه توسط رودخانه های سانتو دومینگو و سن گرگوریو که هر دو شاخه های سیستم رودخانه گریجالوا هستند، می گذرد. در اصل، پوشش زمین جنگل های خشک استوایی بود. سپس به کشاورزی دیم تبدیل شد. و در حال حاضر کشاورزی آبی است که توسط چند تکه جنگل خشک استوایی احاطه شده است.
ما این تغییرات پوشش زمین در منطقه سانتو دومینگو را از طریق تجزیه و تحلیل فراوانی‌های ماکزیمم (اوج در سال) و حداقل (دره‌ها در طول سال) شاخص پوشش گیاهی افزایش‌یافته (EVI) از محصول MOD13A2.006 در طول دوره 2001-2019 مورد مطالعه قرار دادیم. ما از نقشه کشی موضوعی برای تأیید پوشش زمین در منطقه استفاده کردیم. علاوه بر این، ما شش نقشه کاربری زمین و پوشش گیاهی (با مقیاس نقشه برداری 1:250000) را که توسط Instituto Nacional de Estadística y Geografía (INEGI) شرح داده شده و در سال های 1980، 1993، 2002، 2007، و 2011 منتشر شده است، بررسی کردیم.

3.2. ارزیابی دینامیک رطوبت Marismas Nacionales

  تالاب ها از نظر تنوع زیستی غنی هستند و خدمات اکوسیستمی مانند تولید ماهی و ترسیب کربن را ارائه می دهند [ 44 ، 45 ، 46 ، 47 ]. حفظ آنها برای کنترل بسیاری از فرآیندهای طبیعی مانند سیل ضروری است [ 48 ]. تالاب ها بسیار پویا هستند [ 49] و نظارت بر رطوبت ابزار موثری برای ارزیابی این دینامیک است. ما منطقه حفاظت شده طبیعی (NPA) Reserva de la Biosfera Marismas Nacionales را برای تجزیه و تحلیل دینامیک رطوبت انتخاب کردیم. Marismas Nacionales یکی از مرتبط ترین سیستم های تالاب در سواحل مکزیک اقیانوس آرام است. در این منطقه، اکوسیستم های متنوعی مانند پوشش گیاهی هالوفیل، جنگل های خشک استوایی، بوته های خار، پوشش گیاهی تپه های ساحلی، مصب ها، تالاب ها، باتلاق ها و حرا نشان داده شده است [ 50 ]. Marismas Nacionales در پنج شهرستان در ایالت نایاریت، مکزیک غربی واقع شده است ( شکل 6 )، و مساحت آن 133854 هکتار است [ 51 ].
ما دینامیک رطوبت Marismas Nacionales را از طریق تجزیه و تحلیل روند یک سری زمانی از شاخص رطوبت تفاوت نرمال شده (NDMI) مورد مطالعه قرار دادیم، که طبق ویلسون و سادر [ 52 ] یک متغیر مناسب برای هدف ما است. ما سری زمانی NDMI خود را از محصول روزانه MCD43A4 برای دوره 2015-2018 استخراج کردیم. پس از پیش پردازش، ما یک سری زمانی درونیابی از 1461 تصویر MCD43A4 به دست آوردیم. ما از باندهای مادون قرمز نزدیک (NIR) و مادون قرمز میانی (MIR) MCD43A4 برای محاسبه NDMI به شرح زیر استفاده کردیم: نDممن=(نمنآر-ممنآر)/(نمنآر+ممنآر). به عنوان یک روش تجمع زمانی موثر که ویژگی‌های اصلی دینامیک رطوبت را حفظ می‌کند، ما میانگین حسابی مقادیر NDMI را در یک دوره 10 روزه محاسبه کردیم. برای دو مرحله آخر، یک اسکریپت پایتون توسعه دادیم. سری زمانی ترکیبی NDMI 10 روزه نهایی که ما تجزیه و تحلیل کردیم شامل 37 مشاهده در سال بود. علاوه بر این، ما از رکوردهای ایستگاه های هواشناسی Mexcaltitan (واقع در قسمت جنوبی NPA Marismas Nacionales) و Tecuala (در مرز شمالی NPA) برای بدست آوردن سری زمانی بارش روزانه و حداکثر و حداقل دما از سال 2015 تا 2018 استفاده کردیم. از آنجایی که این داده‌های کمکی برای مقایسه یافته‌های تحلیل روند سری‌های زمانی NDMI مورد استفاده قرار گرفتند، ما رکوردها را برای مطابقت با مقیاس زمانی مشابه سری زمانی NDMI تنظیم کردیم. برای مثال،

3.3. نظارت بر منطقه سوخته در ال بونیتو و لا سابینا

  سال 2011 سال خشکی در مکزیک بود که در آن دو آتش سوزی بزرگ در ال بونیتو و لا سابینا در رشته کوه سرانیاس دل بورو واقع در ایالت کوآهویلا در شمال مکزیک ثبت شد که هر دو بر 355425 هکتار از جنگل بلوط، جنگل بلوط کاج، چاپارال تأثیر گذاشتند. و بوته زار پیمونت، بوته زارهای بیابانی روزتوفیل و مرتع طبیعی [ 53 ]. این آتش سوزی ها از مارس تا مه 2011 ادامه داشتند. خشکسالی آشکار در این منطقه که از نیمه دوم سال 2010 به ثبت رسیده است، ممکن است باعث این آتش سوزی ها شده و به رفتار شدید آن دامن زده باشد [ 54 ]. خشکسالی کل منطقه را تحت تاثیر قرار داد. به همین دلیل است که ما این مورد را برای تجزیه و تحلیل رفتار شاخص پوشش گیاهی در داخل و خارج از منطقه سوخته مطالعه کردیم.
ما تغییرات پوشش گیاهی را با تجزیه و تحلیل لایه EVI محصول MOD13A2.006 از اول ژانویه 2008 تا 16 اکتبر 2020 مورد مطالعه قرار دادیم. آغاز و پایان این دوره‌ها با سال‌هایی مشخص می‌شوند که در آن نقاط تغییر از نظر فضایی بیشتر گسترش می‌یابد. ما همچنین خشکسالی را در منطقه از طریق ناهنجاری های استاندارد شده یک سری زمانی بارش روزانه از سال 2008 تا 2020 که در ایستگاه هواشناسی Ejido San Miguel واقع در نزدیکی ال بونیتو و لا سابینا ثبت شده است، مطالعه کردیم.

3.4. پیش پردازش

شکل 7 گردش کار TATSSI GUI را نشان می دهد که شامل خلاصه ای از تمام برنامه های کاربردی آن و پارامترهای مورد نیاز در هر مرحله است. برای پیش پردازش برخی از سری های زمانی EO مورد استفاده در برنامه های ما، ما از ماژول های Downloaders ، Generator ، Analytics ، QA Analytics و Interpolation استفاده کردیم .
  • دانلود و تولید سری زمانی. برای تجزیه و تحلیل تغییرات در منطقه آبیاری (IA) سانتو دومینگو با TATSSI، ما بر روی EVI MOD13A2.006 تمرکز کردیم. دانلودکنندگان رابط کاربری گرافیکی TATSSI به ما این امکان را دادند که تصاویر کاشی h09v07 را از 1 ژانویه 2001 تا 31 دسامبر 2019 به دست آوریم. استفاده بیشتر از  زیر مجموعه فضایی انتخاب شده در  ماژول Generator به ما این امکان را می دهد که زیر مجموعه ای را که منطقه مورد نظر را پوشش می دهد (AOI) تعریف کنیم. ). به عنوان مرجعی برای زیرمجموعه خود، یک شکل فایل از AOI را از طریق برنامه Geometry Overlay در  Generator آپلود کردیم.مدول. برای تولید سری زمانی نهایی، بسیار مهم است که محصول اصلی و فایل شکل دارای سیستم مرجع مختصات و طرح ریزی یکسانی باشند. برای مطالعه موردی EMD، NDMI مشتق شده از محصول MCD43A4 را در نظر گرفتیم که در ابتدا 1461 تصویر روزانه از کاشی h08v06 را با استفاده از بارگیری‌کننده‌های GUI TATSSI به دست آوردیم . سپس، همانطور که برای IA، ما یک سری زمانی ایجاد کردیم که AOI را با استفاده از ماژول‌های Select Spatial Subset و TATSSI GUI Generator پوشش می‌دهد . بر اساس این سری زمانی، NDMI را با استفاده از اسکریپت پایتون ارائه شده در  بخش 2.4 و جزئیات ارائه شده در  بخش 3.2 محاسبه کردیم.. برای مطالعه موردی BAM، ما از لایه EVI MOD13A2.006 استفاده کردیم. AOI در لبه بین کاشی های MODIS h08v06 و h09v06 قرار دارد. برای دانلود کارآمد و تولید سری های زمانی برای تجزیه و تحلیل، API نوت بوک TATSSI Jupyter و GEE را ترکیب کردیم ( برای جزئیات بیشتر به بخش 2.4 مراجعه کنید)، و زیر مجموعه هایی از تصاویر MOD13A2.006 را که AOI را از سال 2008 تا 2020 پوشش می دهند، به دست آوردیم.
  • ارزیابی کیفیت و پر کردن شکاف ما همان روش تجزیه و تحلیل QA/QC را برای IA و BAM با استفاده از لایه MOD13A2.006 «1_km_16_days_pixel_reliability» با پرچم‌های «داده‌های خوب، استفاده با اطمینان» و «داده‌های حاشیه‌ای، مفید، اما نگاهی به اطلاعات QA دیگر» با هم دنبال کردیم. استفاده از این پرچم ها و لایه ها در  بخش 2.3 مورد بحث قرار گرفت . برای EMD، لایه کیفیت MCD43A4 دارای دو پرچم است. ما لایه «پردازش شده، با کیفیت خوب (وارون‌های کامل BRDF)» را با ماژول TATSSI GUI Analytics اعمال کردیم . پس از آن، درصد داده‌های موجود در سری‌های زمانی (در هر پیکسل) از 37 تا 98 درصد و حداکثر شکاف متغیر بود. طول بین 5 تا 153 مشاهده بود. زیر ماژول درون یابی (در Analytics ).

4. روش ها

TATSSI علاوه بر دانلود و تولید سری‌های زمانی شامل مجموعه داده‌های علمی با ارزیابی کیفیت، امکان درونیابی، هموارسازی و انجام تحلیل‌های آماری پایه با سری‌های زمانی EO را فراهم می‌کند. در این بخش به طور مختصر به شرح این روش ها می پردازیم.

4.1. درون یابی

TATSSI اجازه می دهد تا به استفاده مستقیم از درون یابی زمانی. هیچ روش مکانی-زمانی ارائه نشده است. ما معتقدیم که درونیابی زمانی خطی، نزدیک‌ترین و اسپلاین مطابق با روحیه ارائه ابزارهای اساسی برای تجزیه و تحلیل داده‌ها، در این مورد برای داده‌های پرکننده شکاف است. رابط کاربری گرافیکی TATSSI همچنین مجموعه ای از پنل های گرافیکی (دو نقشه و یک منطقه نمودار) را ارائه می دهد که کاربر می تواند هر یک از روش های درون یابی را انتخاب کرده و در یک سری زمانی اعمال کند و با کلیک بر روی هر یک از نقشه ها، کاربر می تواند انتخاب کند. یک سری زمانی متفاوت (پیکسل). از آنجایی که امکان اعمال سه روش درونیابی همزمان وجود دارد، این ابزار ممکن است به کاربران کمک کند تا در مورد روش های درونیابی متناسب با اهداف خود تصمیم بگیرند. در برنامه های ما (IA، EMD و BAM) ما درون یابی خطی زمانی را به عنوان یک روش پر کردن شکاف انتخاب کردیم. خطی،

4.2. ناهنجاری های استاندارد

TATSSI ناهنجاری های استاندارد را به صورت زیر محاسبه می کند. برای یک سری زمانی (ایکسمن)من=1،…،(پ×تی)با دوره های P (سال) و T- نقاط زمانی (مشاهدات) در هر دوره، اجازه دهید μتیو σتیبه ترتیب، میانگین کلی و انحراف استاندارد در سراسر  دوره های P سری زمانی در یک نقطه زمانی معین t باشد :

μتی=1پ∑ک=0پ-1ایکستی+ک×تی،σتی=1پ∑ک=0پ-1(ایکستی+ک×تی-μتی)2،تی=1،…،تی.

برای هر نقطه زمانی t در دوره k ، نسخه استاندارد شده ایکستی+ک×تیطبق تعریف است:

آتی،ک=(ایکستی+ک×تی-μتی)/σتی،تی=1،…،تی،ک=0،…،پ-1.
TATSSI به اصطلاح ناهنجاری های استاندارد شده را بر اساس معادله ( 1 ) محاسبه می کند و آنها را در یک سری نقشه (نقشه ای برای هر نقطه زمانی در سری زمانی) نمایش می دهد. پالت رنگ تلفیقی همراه به کاربران کمک می کند تا فاصله هر پیکسل (ضرب در انحراف استاندارد کلی مربوطه) را نسبت به میانگین کلی پیدا کنند. نقشه های استاندارد شده ناهنجاری را می توان به راحتی در چندین فرمت صادر کرد. بخش 2.2 را ببینید .

4.3. تجزیه فصلی و روند سری های زمانی

در سطح پیکسل، TATSSI یک سری زمانی EO را به سه جزء مستقل (روند، فصلی و باقیمانده) به دنبال مدل تجزیه کلاسیک تجزیه می‌کند:

ایکستی=تیتی+استی+هتی،تی=1،…،پ×تی،

که در آن P و T به ترتیب تعداد دوره ها (سال) و مشاهدات در هر دوره را نشان می دهند.

اجازه دهید جزء روند را در نظر بگیریم ( تیتیدر بیان بالا). در این حالت، تخمین روند از طریق میانگین متحرک با پهنای باند ثابت انجام می شود. اگرچه به طور پیش فرض TATSSI از حداکثر تعداد مشاهدات در هر دوره به عنوان مقدار پهنای باند استفاده می کند، کاربران مجاز به ارائه یک مقدار پهنای باند هستند. اگر جزء فصلی را در نظر بگیریم ( استیدر بیان بالا)، هنگامی که روند برآورد شد، توسط تیتی^، ما می توانیم این روند تخمینی را از مشاهدات اصلی حذف کنیم که سری های زمانی به اصطلاح detrended را تشکیل می دهند.ایکستی-تیتی^. این سری برای تخمین مولفه فصلی استفاده می شود. یعنی، برای یک سری زمانی با دوره P (سال) و T نقاط زمانی (مشاهدات) در هر دوره، TATSSI از عبارت زیر برای تخمین مولفه فصلی استفاده می‌کند:

اس^تی=1پ∑ک=0پ-1(ایکستی+ک×تی-تی^تی+ک×تی)،تی=1،…،تی.
هنگامی که مولفه های روند و فصلی توسط تی^تیو اس^تی، به ترتیب، جزء باقی مانده به سادگی است ه^تی=ایکستی-تی^تی-اس^تی.
ما وجود روش‌های پیچیده‌تر برای تخمین روند و مؤلفه‌های فصلی را تصدیق می‌کنیم. به عنوان مثال، برآورد مؤلفه های فصلی خاص مسئله را می توان در [ 20 ، 55 ] و بسیاری دیگر یافت. برای یک تحلیل اکتشافی، ممکن است منطقی باشد که فرض کنیم روند یک ساختار خطی را توصیف می کند که می تواند به طور مناسب از طریق میانگین متحرک تخمین زده شود. علاوه بر این، یک روش ساده و موثر برای تقریب مولفه فصلی مدل (2) از طریق رابطه (3) است. این دو روش اساسی معمولاً در کتاب های درسی تحلیل سری های زمانی مقدماتی پوشش داده می شوند. به عنوان مثال، بخش 1.5.1 براکول و دیویس [ 56]. بنابراین، ما معتقدیم که روش هایی که توضیح داده شد با فلسفه TATSSI مطابقت دارند. برای مطالعه موردی پایش منطقه سوخته خود – به بخش 3.3 مراجعه کنید – ما از روش تخمین نقطه تغییر (که در زیر توضیح داده شده است) را برای سری های زمانی بدون روند استفاده کردیم. {ایکستی-تی^تی}.

4.4. تحلیل روند آماری

  TATSSI از آزمون Mann-Kendall برای انجام تحلیل روند در سری های زمانی EO استفاده می کند. به طور خلاصه، و در ادامه [ 57 ] و فصل 4 و 5 در [ 58 ]، برای سری زمانی ایکس1،…،ایکسnآمار

اسn=∑من=1n-1∑j=من+1nامضا کردن(ایکسj-ایکسمن)،

جایی که

امضا کردن(ایکسj-ایکسمن)=+1برای ایکسj-ایکسمن>0-1برای ایکسj-ایکسمن<0

می توان برای تعیین اینکه آیا روندی در سری زمانی وجود دارد یا خیر استفاده کرد. مقادیر بزرگ از |اسn|شواهدی را علیه فرضیه صفر عدم وجود روند ارائه کنید. برای محاسبه مقدار  p این فرضیه صفر، استفاده از تقریب نرمال آمار زیر راحت است:

تیn=اسn-1σnبرای اسn>0اسn+1σnبرای اسn<0،

جایی که

σn2=n(n-1)(2n+5)/18.

اجازه دهید تی^nهمتای تجربی باشد تیn. از آنجایی که ما علاقه مند به آزمایش هیچ روندی هستیم، استفاده از فرضیه صفر دو دنباله مناسب است. اچ0:|تیn|>|تی^n|; مقدار p مربوطه برابر است با 2پ{تیn>|تی^n|}. چه زمانی پ-ارزش<α، برای برخی از سطوح اهمیت α، سپس فرضیه صفر رد می شود. در تاتسی، α=0.05سطح معناداری پیش فرض برای این آزمون است. برای سهولت در تفسیر، روند متغیر به صورت زیر تعریف می شود:

روند=-1منfاچ0است رد شد و تیn<00منfاچ0است نه رد شد +1منfاچ0است رد شد و تیn>0.
به عنوان بخشی از تجزیه و تحلیل روند TATSSI، لایه ها (در قالب GeoTiff) برای تیn، p -value و  trend برگردانده می شوند. این روش برای مطالعه دینامیک رطوبت NPA Marismas Nacionales استفاده شد. بخش 3.2 و بخش 5.2 را ببینید .

4.5. تجزیه و تحلیل نقطه تغییر

امروزه روش ها و نرم افزارهای مختلفی برای انجام تحلیل نقطه تغییر وجود دارد. به طور خلاصه، مشکل نقطه تغییر شامل شناسایی آماری آن نقاط زمانی است که در آن ویژگی های اصلی (به عنوان مثال، میانگین و انحراف معیار) دنباله ای از مشاهدات دچار تغییر ناگهانی می شوند. صرف نظر از روش برآورد این نقاط تغییر، تقریباً اجباری است که برای اجرای محاسباتی کارآمد روش در نظر گرفته شود.
در TATSSI (در ماژول تجزیه و تحلیل )، ما برنامه تغییر نقطه تجزیه ( CPD ) را توسعه دادیم. این برنامه مبتنی بر ادغام نقطه تغییر بسته R توسط Killick و Eckley [ 59 ] در موتور TATSSI است. یعنی، TATSSI با اجرای روتین‌های تغییر نقطه بسته R شروع می‌شود و سپس تابع numpy2ri پایتون را برای وارد کردن خروجی تغییر پوینت از R به پایتون اعمال می‌کند. یک برنامه تا حدودی مشابه به اصطلاح BFAST Explorer of Menini و همکاران است. [ 60 ].
بسته changepoint روش هایی را برای شناسایی تغییرات در میانگین (cpt.mean)، در واریانس (cpt.var) و در هر دو میانگین و واریانس (cpt.meanvar) ارائه می دهد. سهم بسته تغییر نقطه این است که، در میان چیزهای دیگر، به کاربر اجازه می دهد تا از بین سه روش جستجوی نقطه تغییر انتخاب کند: همسایگی بخش، تقسیم بندی باینری و Killick و همکاران [ 61 ] PELT. Killick و Eckley [ 59 ] برخی از تفاوت ها را بین این روش ها توصیف و نشان داده اند. ما معتقدیم که در زمینه تجزیه و تحلیل سری های زمانی EO، سهم ما، CPD ، شامل ارائه یک رابط است که در آن کاربر می تواند از بین سه روش جستجوی مختلف برای تخمین تغییرات ناگهانی انتخاب کند.
برای مطالعه موردی خود در مورد پایش ناحیه سوخته (به بخش 3.3 مراجعه کنید )، ما از cpt.meanvar در سطح معنی داری 5% برای تخمین تغییرات در میانگین و واریانس سری زمانی کاهش یافته لایه EVI MOD13A2.006 استفاده کردیم. برای این برنامه، ما متوجه شدیم که تقسیم بندی باینری روش جستجو با بهترین عملکرد است.

4.6. روش های اضافی برای هر گونه تحلیل اکتشافی سری های زمانی EO

  • قله ها و دره ها. ماژول تجزیه و تحلیل TATSSI سری زمانی انتخابی اصلی را همراه با ماکزیمم و حداقل آن ترسیم می کند. ماکزیمم و کمینه را نیز به ترتیب قله و دره می نامیم. این قله ها و دره ها را می توان به صورت پشته چند لایه صادر کرد. ما توزیع این قله ها و دره ها را برای اعمال تغییرات سطح آبیاری مورد تجزیه و تحلیل قرار دادیم.
  • صاف کردن. هنگامی که به روشی برای حذف نویز اضافی و استخراج سیگنال رگرسیون ظاهری نیاز دارید، می توان از ماژول Smoothing TATSSI استفاده کرد. همانطور که در شکل 7 نشان داده شده است ، این ماژول در منوی Time Series قرار دارد. این ابزار اقتباسی از روش هموارسازی قوی گارسیا [ 62 ] برای پردازش عظیم است. برای کاربرد منطقه آبیاری، قبل از تجزیه و تحلیل توزیع قله‌ها و دره‌ها، سری زمانی EVI را با ضریب همواری هموار کردیم . 0.75.
  • منحنی اقلیم شناسی این منحنی را می توان در پانل گرافیکی ماژول تحلیل رابط کاربری گرافیکی TATSSI یافت. کاربر به راحتی می تواند یک سری از نمودارهای جعبه (یکی برای هر نقطه زمانی در سری زمانی) را ارزیابی کند که حداقل، 25٪ کمیت، 50٪ کمیت (همچنین به عنوان میانه شناخته می شود)، 75٪ کمیت و حداکثر توزیع را برجسته می کند. مشاهدات (در طول دوره ها برای هر نقطه زمانی). لایه‌های این آمار به همراه لایه‌های میانگین و انحراف استاندارد، می‌توانند به صورت پشته‌های چندلایه صادر شوند.

5. نتایج

5.1. توزیع حداکثر در سال به تغییرات مناطق آبیاری مورد مطالعه

از ماژول تجزیه و تحلیل رابط کاربری گرافیکی TATSSI ، ما یک پشته شطرنجی با حداکثر مقادیر (پیک) در سال در سری زمانی EVI MOD13A2 از سال 2001 تا 2019 به دست آوردیم. در سطح پیکسل، در هر دوره/سال معین، سری زمانی EVI می‌تواند بیشتر داشته باشد. بیش از یک به عنوان مثال، دو مقدار حداکثر (پیک) در یک سال را می توان به دو فصل رشد مرتبط کرد. این ویژگی را می توان در مناطق تحت کشاورزی آبی یافت. بنابراین، انتظار می‌رود نسبت تعداد سال‌های دارای دو پیک در سال به کل سال‌های مورد نظر در پیکسل‌های مرتبط با کشاورزی آبی بزرگ باشد. شکل 8توزیع فضایی نسبت را که برای منطقه سانتو دومینگو شرح داده شد نشان می دهد. این نقشه به ما اجازه می‌دهد پیکسل‌هایی را که در آن EVI دو پیک در سال گزارش می‌کند (پیکسل‌هایی با درصد نزدیک به 95٪) از پیکسل‌هایی که احتمالاً در آنها حداکثر یک پیک در هر فصل وجود دارد (پیکسل‌هایی با درصد کمتر از 50٪) متمایز کنیم. قابل توجه است که توزیع فضایی پیکسل‌های یک و دو قله با توزیع رودخانه‌های منطقه منطبق است. در واقع، با توجه به نقشه پوشش گیاهی و کاربری اراضی موجود در شکل 8 ، آن پیکسل‌هایی با فرکانس پایین دو قله در سال می‌توانند با کشاورزی دیم و جنگل‌های استوایی مرتبط باشند.
با توجه به نقشه برداری پوشش گیاهی و کاربری زمین در مقیاس 1:250000 از موسسه ملی د Estadística y Geografía (INEGI) در سال 1993، این منطقه به عنوان کشاورزی آبی شناخته شد. برای هر نسخه از نقشه، که تقریباً هر پنج سال یک بار تهیه می‌شود، این توصیف منطقه با تغییرات کوچک تا آخرین نسخه آن در سال 2014 ادامه داشت. این با تجزیه و تحلیل ما از توزیع حداکثر در سال تأیید شد. شکل 9 توزیع مکانی- زمانی تعداد پیک ها در سال را در AOI نشان می دهد. اگرچه در بیشتر دوره ما به طور مداوم حداکثر دو پیک در هر فصل را یافتیم که مربوط به یک منطقه کشاورزی آبی است، به نظر می رسد سال های 2006، 2007، 2014 و 2019 فعالیت کشاورزی بیشتری را تجربه کرده اند.

5.2. روندهای NDMI در Marismas Nacionales

ما آزمون Mann-Kendall شرح داده شده در بخش 4.4 را برای 10 روز مرکب NDMI که در بخش 3.2 در 5%سطح اهمیت GeoTiff حاصل (_mann-kendall_test_trend.tif) شامل سه مقدار است: (-1) برای پیکسل هایی با روند خطی به طور قابل توجهی کاهش. (0) برای پیکسل هایی که در آنها شواهد قابل توجهی از روند شناسایی نشده است. و (+1) برای پیکسل هایی با روند خطی به طور قابل توجهی افزایش می یابد. شکل 10 این طبقه بندی را به ترتیب تحت برچسب های کاهش، پایدار و افزایش نشان می دهد. بر اساس تجزیه و تحلیل ما، 39.73٪ از قلمرو Marismas Nacionales افزایش قابل توجهی در سطح رطوبت خود داشتند. 0.65% کاهش معنی داری را نشان داد. و در 62/59 درصد باقیمانده به نظر می‌رسد رطوبت رفتار نسبتاً پایداری در طول چهار سال مشاهده شده داشته است.
از آنجایی که رفتار رطوبت به متغیرهای آب و هوایی مانند بارش و دما بستگی دارد، کاهش ظاهری رطوبت در تقریباً 40 درصد از قلمرو Marismas Nacionales ممکن است با ترکیبی از کاهش بارندگی و افزایش دما توضیح داده شود. نتایج آزمون Mann-Kendall برای روند انجام شده بر روی مجموعه داده های کمکی ما (به بخش 3.2 مراجعه کنید ) تأیید کرد که در طول فصل بارانی، روند بارش در Mexcaltitan ( p -value <0.025) <0.025) و Tecuala ( p -value < کاهش یافت. 0.045) و همچنین، روند افزایشی در دمای حداکثر ( p -value <0.003) و روند کاهشی در دمای حداقل ( p) وجود دارد.مقدار < 0.026). بنابراین، نتایج تجزیه و تحلیل روند اساسی برای Marismas Nacionales که ما با TATSSI ایجاد کردیم، به نظر می رسد با پویایی متغیرهای ثبت شده در محل مطابقت داشته باشد.

5.3. پایش پوشش گیاهی در منطقه سوخته کوآهویلا

استفاده از TATSSI GUI CPD در سری زمانی EVI MOD13A2.006 حذف شده، یک پشته چندلایه را با ابعاد مشابه محصول اصلی ارائه کرد. آن نقاط زمانی/لایه‌ها/تاریخ‌هایی که در آن نقطه تغییر Killick و Eckley [ 59 ] تغییر ناگهانی قابل‌توجهی (در سطح 5٪) را شناسایی کردند، به عنوان 1 پرچم‌گذاری شدند و نقاط زمانی/لایه‌ها/تاریخ‌های باقی‌مانده به عنوان 0 پرچم‌گذاری شدند.
ما از این پشته چند لایه با مقادیر 0 و 1 برای گروه بندی تغییرات ناگهانی در سطح سالانه استفاده کردیم. به عنوان مثال، تمام آن نقاط تغییر که بین مشاهدات 1 و 37 رخ می دهد به عنوان یک تغییر ناگهانی ثبت شده در سال 2008 در نظر گرفته شد. و تمام آن نقاط تغییری که بین مشاهدات 38 و 75 رخ می دهد به عنوان یک تغییر ناگهانی ثبت شده در سال 2009 در نظر گرفته شد . مقایسه را تسهیل می کند.
از این نقاط تغییر انباشته شده سالانه، متوجه شدیم که 38٪ از پیکسل ها در AOI حداقل یک تغییر ناگهانی را در سال 2008 ثبت کردند. به طور مشابه، سال های 2011، 2013 و 2020 حداقل یک نقطه تغییر در ساختار EVI خود در سال 62 ثبت کردند. ، 83 و 39 درصد از پیکسل های خود را به ترتیب. از آنجایی که همه این تغییرات ناگهانی از نظر آماری معنی‌دار بودند، تصمیم گرفتیم پویایی EVI را از سال‌های 2008-2011، 2011-2013 و 2013-2020 بیشتر مطالعه کنیم، که برای آن آزمون Mann-Kendall را برای روندها در سطح معنی‌داری 5 درصد در نسخه اصلی انجام دادیم. سری زمانی EVI برای هر یک از دوره های فوق الذکر. شکل 11 یافته های ما را خلاصه می کند.
از سال 2008 تا 2011، روند EVI بیشتر در AOI و اطراف آن رو به کاهش بود ( شکل 11 a). مسلماً، آسیب‌های ناشی از آتش‌سوزی‌های مگافایر ثبت‌شده در ال بونیتو و لا سابینا از مارس تا می 2011 تأثیر قابل‌توجهی بر از بین رفتن پوشش گیاهی داشته است. با توجه به ناهنجاری های استاندارد بارندگی در ایستگاه هواشناسی Ejido San Miguel ( شکل 11d)، AOI تحت یک فرآیند خشکسالی قرار گرفت که از نیمه دوم سال 2010 شروع شد و در طول سال 2011 ادامه داشت، که ممکن است در طول مدت و شدت آتش سوزی های بزرگ نقش داشته باشد. در سال 2011. تأثیر خشکسالی بر این منطقه توسط [ 54 ] با نتایج مشابه مورد مطالعه قرار گرفته است. همچنین ببینید [ 53]. تجزیه و تحلیل فعلی یک سری زمانی طولانی تر از آنچه در [ 54 ] استفاده شد در نظر گرفت و به ما اجازه داد تا تغییرات دیگر را در طول زمان شناسایی کنیم.
ظاهراً تا نیمه دوم سال 2012 بود که بارندگی در AOI به سطح نرمال خود بازگشت ( شکل 11d )، رفتاری که در سراسر سال 2013 غالب بود. در دوره، حداقل 90 درصد از منطقه سوخته روند افزایشی نشان داد. علاوه بر این، همانطور که در شکل 11 ب نشان داده شده است، این روند افزایشی را می توان در برخی از مناطق نسوخته در داخل و خارج از چند ضلعی مگافایرها مشاهده کرد . در غرب AOI، به نظر می‌رسید تعداد نسبتاً زیادی پیکسل وجود دارد که روند کاهشی را نشان می‌دهند.
با مطالعه روندها برای دوره 2013-2020، ما قصد داشتیم ویژگی های بلندمدت در رفتار EVI را ارزیابی کنیم. اگرچه ناهنجاری های استاندارد بارندگی سطوح پایینی را برای سال های 2015 و 2016 گزارش کردند، 63 درصد از منطقه سوخته همچنان روند افزایشی EVI را نشان می دهد. برخلاف دوره 2011-2013، در غرب AOI، به نظر می رسید EVI روند افزایشی پایداری را نشان می دهد.
این نتایج یک نگاه اول به فرآیندهای بازیابی قابل قبولی است که در AOI پس از انفجارهای بزرگ سال 2011 رخ می دهد. از آنجایی که برای تحقیق ما جالب است، تجزیه و تحلیل دقیق تری را با استفاده از تکنیک های نقشه برداری منطقه سوخته انجام خواهیم داد تا ارزیابی کنیم که آیا EVI به دوباره بازگشته است یا خیر. مقادیر مشابه قبل از آتش سوزی های جنگلی.

6. نتیجه گیری

فراتر از بسته‌های نرم‌افزاری بزرگ تجاری GIS و سنجش از دور، تا کنون توسعه‌های نرم‌افزاری کمی که شامل همه مؤلفه‌ها (به‌ویژه، ارزیابی داده‌های کیفیت) برای تجزیه و تحلیل سری‌های زمانی EO در یک محیط نرم‌افزاری همگن باشد، وجود داشته است. معماری 3 لایه TATSSI امکان واردات داده ها و محصولات ماهواره ای استاندارد، پردازش بیشتر آنها به سری های زمانی و تجزیه و تحلیل سری های زمانی تولید شده را فراهم می کند.
به طور خاص، TATSSI از A استفاده می کند ρρEEARS API برای ساده‌سازی دانلود اکثر محصولات MODIS و VIIRS (از جمله تعاریف QA/QC) موجود در LP DAAC ناسا. ماژول تجزیه و تحلیل QA TATSSI به فرد اجازه می دهد تا تأثیر انتخاب تعاریف QA/QC را بر تعداد مشاهدات گمشده به صورت سیستماتیک تعیین کند. بنابراین، کاربران می توانند با توجه به نیازهای علمی خود، مناسب ترین مجموعه ها را انتخاب کنند. با داشتن یک سری زمانی بدون شکاف، که از طریق درون یابی یا هموارسازی از ماژول TATSSI مربوطه به دست می آید، می توان طیف گسترده ای از روش های آماری را برای تجزیه و تحلیل سری های زمانی در سطح پیکسل اعمال کرد. از آنجایی که TATSSI سری های زمانی را به صورت xarray مدیریت می کند، همه این روش ها به دلیل ادغام کتابخانه DASK به طور موثر از طریق محاسبات موازی اعمال می شوند. TATSSI این قابلیت را دارد که پردازش های مبتنی بر ابر را در محیط های محاسباتی با کارایی بالا با استفاده از رسترهای مجازی DASK و GDAL انجام دهد. یعنی، TATSSI دارای زیرساخت های اساسی برای مقابله با خواسته های الگوی مدرن رایانش ابری است، علاوه بر این امکان دانلود داده ها در ذخیره سازی محلی را فراهم می کند. علیرغم اینکه محصولات MODIS و VIIRS در قالب‌های ذاتا متفاوت توزیع می‌شوند، TATSSI از GDAL برای پردازش داده‌های هر دو سنسور استفاده می‌کند. کاربرد بیشتر GDAL به TATSSI اجازه می‌دهد تا فایل‌های خروجی را در قالب‌های محبوب مانند GeoTiff، NetCDF، باینری عمومی و COG (فرمت پیش‌فرض TATSSI) در میان بسیاری دیگر تولید کند. TATSSI همچنین به فرد اجازه می‌دهد تا سری‌های زمانی داده‌های ماهواره‌ای تولید شده توسط منابع و پلتفرم‌های خارجی، مانند داده‌های Landsat و GEE را در جریان کار اصلی خود ادغام کند. دسترسی به عملکردهای TATSSI را می توان بسته به پیچیدگی کار، میزان داده برای پردازش و تخصص توسعه نرم افزار انتخاب کرد. رابط کاربری گرافیکی TATSSI با استفاده از PyQT5 توسعه داده شد که دکمه‌های فشاری و عناصر یکپارچه آن همه روال‌های TATSSI را در دسترس کاربران غیرمتخصص قرار می‌دهند، در حالی که برای کاربرانی که با Python آشنا هستند، TATSSI ماژول‌هایی را ارائه می‌دهد که می‌توانند از طریق یک اسکریپت فراخوانی شوند. با پشتیبانی از JupyterLab (و چندین نوت بوک Jupyter)، توابع TATSSI می توانند از راه دور و به عنوان فرآیندهای پس زمینه اجرا شوند. TATSSI ماژول هایی را ارائه می دهد که می توانند از طریق یک اسکریپت فراخوانی شوند. با پشتیبانی از JupyterLab (و چندین نوت بوک Jupyter)، توابع TATSSI می توانند از راه دور و به عنوان فرآیندهای پس زمینه اجرا شوند. TATSSI ماژول هایی را ارائه می دهد که می توانند از طریق یک اسکریپت فراخوانی شوند. با پشتیبانی از JupyterLab (و چندین نوت بوک Jupyter)، توابع TATSSI می توانند از راه دور و به عنوان فرآیندهای پس زمینه اجرا شوند.
بنابراین TATSSI دارای پتانسیل بالایی برای برنامه های کاربردی همه کاره است که نیاز به نظارت بر سری های زمانی دارند. TATSSI آزادانه مقیاس پذیر است و به طور بالقوه می تواند مقادیر زیادی از داده ها را برای پوشش مناطق بزرگ، به عنوان مثال، برای نظارت بر مناطق بوم گردی بزرگ یا کل کشور، مدیریت کند. این امر TATSSI را برای استفاده در انواع برنامه ها و فرآیندهای زمینی و دریایی مانند نظارت بر جنگل زدایی جذاب می کند. و نظارت بر فرآیندهای هجوم حشرات و برگ‌زدایی، تخریب و بازسازی پوشش گیاهی، روند شهرنشینی، تغییرات طولانی‌مدت ژئوفیزیکی (مثلاً تغییرات یا روند دمای زمینی یا دریایی)، تأثیرات منطقه سوخته، تغییرات انسانی و هیدرولوژی، فقط چند مورد را نام می‌برند.
در این مقاله ما پتانسیل کاربرد TATSSI را برای سه مثال نشان دادیم که کاربردهای بسیار متفاوتی را پوشش می‌دهند – پایش پوشش گیاهی (دینامیک پوشش گیاهی و منطقه سوخته در ال بونیتو)، نظارت کشاورزی (تغییرات آبیاری در سانتو دومینگو)، و نظارت بر هیدرولوژی (تغییرات رطوبت در Marismas Nacionales). ). پیشرفت‌ها و پیشرفت‌های آتی می‌تواند شامل اجزای اضافی باشد، مانند سازگاری توابع واردات برای طیف وسیع‌تری از پلت‌فرم‌های EO موجود و آینده علاوه بر ماهواره‌های موجود، و جالب‌تر، توسعه‌ای برای تجزیه و تحلیل مکانی-زمانی داده‌ها و محصولات EO. شامل گنجاندن آماری اطلاعات شی و بافت داده ها است.
در نتیجه، ما پتانسیل بالایی از TATSSI را برای جامعه کاربران EO متصور هستیم، از یک طرف، از طریق استفاده مستقیم از نسخه توسعه یافته فعلی، و از سوی دیگر، از طریق توسعه بیشتر کد منبع باز آن.

منابع

  1. Esaias، WE; ابوت، ام آر؛ بارتون، آی. براون، OB; کمپبل، جی دبلیو. Carder، KL; کلارک، DK; ایوانز، RH; Hoge، FE; گوردون، منابع انسانی؛ و همکاران مروری بر قابلیت‌های MODIS برای مشاهدات علمی اقیانوس. IEEE Trans. Geosci. Remote Sens. 1998 , 36 , 1250-1265. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  2. عدالت، CO; ورموت، ای. تاونشند، جی آر. دفریز، ر. روی، DP; هال، DK; سالومونسون، وی وی. Privette، JL; ریگز، جی. Strahler، A. و همکاران طیف رادیومتر تصویربرداری با وضوح متوسط ​​(MODIS): سنجش از دور زمین برای تحقیقات تغییرات جهانی. IEEE Trans. Geosci. Remote Sens. 1998 , 36 , 1228-1249. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  3. وان، ز. وانگ، پی. Li، X. استفاده از دمای سطح زمین MODIS و محصولات شاخص گیاهی تفاوت نرمال شده برای نظارت بر خشکسالی در دشت های بزرگ جنوبی، ایالات متحده. بین المللی J. Remote Sens. 2004 ، 25 ، 61-72. [ Google Scholar ] [ CrossRef ]
  4. دو، ال. تیان، کیو. یو، تی. منگ، کیو. یانچسو، تی. اودواردی، پ. Huang, Y. روش جامع پایش خشکسالی که داده های MODIS و TRMM را یکپارچه می کند. بین المللی J. Appl. زمین Obs. Geoinf. 2013 ، 23 ، 245-253. [ Google Scholar ] [ CrossRef ]
  5. هو، سی. مولر-کارگر، FE; تیلور، سی. مایهر، دی. مورچ، بی. اودریوزولا، آل. Godoy، G. MODIS نشت نفت را در دریاچه ماراکایبو، ونزوئلا شناسایی می کند. Eos Trans. صبح. ژئوفیز. اتحادیه 2003 ، 84 ، 313-319. [ Google Scholar ] [ CrossRef ]
  6. جین، م. دیکینسون، RE; ژانگ، دی. ردپای مناطق شهری بر اقلیم جهانی که توسط MODIS مشخص می شود. جی. کلیم. 2005 ، 18 ، 1551-1565. [ Google Scholar ] [ CrossRef ]
  7. چویکو، ای. اوپازو، اس. سیونه، دبلیو. Valle، HD; آنایا، ج. بلا، سی دی; کروز، آی. مانزو، ال. لوپز، جی. ماری، ن. و همکاران برآورد جهانی زمین سوخته در آمریکای لاتین با استفاده از داده های ترکیبی MODIS Ecol. Appl. 2008 ، 18 ، 64-79. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  8. آلونسو-کاناس، آی. Chuvieco، E. نقشه برداری جهانی منطقه سوخته از داده های آتش فعال ENVISAT-MERIS و MODIS. سنسور از راه دور محیط. 2015 ، 163 ، 140-152. [ Google Scholar ] [ CrossRef ]
  9. رامو، آر. Chuvieco، E. توسعه یک الگوریتم جنگل تصادفی برای طبقه‌بندی منطقه سوخته جهانی MODIS. Remote Sens. 2017 , 9 , 1193. [ Google Scholar ] [ CrossRef ][ Green Version ]
  10. آندلا، ن. مورتون، دی. گیگلیو، ال. چن، ی. ون در ورف، جی. کاسیبهاتلا، پ. دفریس، آر. کولاتز، جی. هانتسون، اس. کلستر، اس. و همکاران کاهش ناشی از انسان در منطقه سوخته جهانی. علوم 2017 ، 356 ، 1356–1362. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  11. Xiong، X. باتلر، JJ MODIS و VIIRS کالیبراسیون تاریخچه و آینده چشم انداز. Remote Sens. 2020 , 12 , 2523. [ Google Scholar ] [ CrossRef ]
  12. ژانگ، ایکس. جایاولو، اس. لیو، ال. فریدل، MA; Henebry، جنرال موتورز; لیو، ی. Schaaf، CB; ریچاردسون، AD; Gray, J. ارزیابی فنولوژی سطح زمین از داده های VIIRS با استفاده از سری های زمانی تصاویر PhenoCam. کشاورزی برای. هواشناسی 2018 ، 256 ، 137-149. [ Google Scholar ] [ CrossRef ]
  13. شی، ک. یو، بی. هوانگ، ی. هو، ی. یین، بی. چن، ز. چن، ال. وو، جی. ارزیابی توانایی داده‌های نور شبانه NPP-VIIRS برای تخمین تولید ناخالص داخلی و مصرف برق چین در مقیاس‌های چندگانه: مقایسه با داده‌های DMSP-OLS. Remote Sens. 2014 ، 6 ، 1705-1724. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  14. آردانوی، PE; شولر، سی اف. میلر، SW; کیلی، PM؛ کوتا، SA; هاس، ام. فرآیند طراحی Welsch, C. NPOESS VIIRS. در مجموعه مقالات سیستم های رصد زمین VI، انجمن بین المللی اپتیک و فوتونیک، سن دیگو، کالیفرنیا، ایالات متحده آمریکا، 29 ژوئیه تا 3 اوت 2001. جلد 4483، ص 24–34. [ Google Scholar ]
  15. شولر، سی اف. کلمنت، جی. آردانوی، PE; ولش، سی. دلوچیا، اف. نمای کلی طراحی حسگر Swenson، H. NPOESS VIIRS. در مجموعه مقالات سیستم های رصد زمین VI، انجمن بین المللی اپتیک و فوتونیک، سن دیگو، کالیفرنیا، ایالات متحده آمریکا، 29 ژوئیه تا 3 اوت 2001. جلد 4483، ص 11-23. [ Google Scholar ]
  16. لی، TF; میلر، SD; شولر، سی. Miller, S. NASA MODIS قابلیت‌های NPOESS VIIRS را پیش‌نمایش می‌کند. پیش بینی آب و هوا. 2006 ، 21 ، 649-655. [ Google Scholar ] [ CrossRef ]
  17. 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 ]
  18. گوپتا، پ. ریمر، لس آنجلس; پاتادیا، ف. لوی، RC; کریستوفر، SA داده‌های عمق نوری آئروسل با وضوح بالا شبکه‌بندی شده سطح 3 از MODIS. Remote Sens. 2020 , 12 , 2847. [ Google Scholar ] [ CrossRef ]
  19. Udelhoven, T. TimeStats: ابزار نرم افزاری برای بازیابی الگوهای زمانی از آرشیوهای ماهواره ای جهانی. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2010 , 4 , 310-317. [ Google Scholar ] [ CrossRef ]
  20. جانسون، پی. Eklundh, L. TIMESAT – برنامه ای برای تجزیه و تحلیل سری های زمانی داده های سنسور ماهواره ای. محاسبه کنید. Geosci. 2004 ، 30 ، 833-845. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  21. لوتنر، بی. هورنینگ، ن. Schwalb-Willmann, J. RStoolbox: Tools for Remote Sensing Data Analysis ; پکیج R نسخه 0.2.6; 2019; در دسترس آنلاین: https://cran.r-project.org/web/packages/RStoolbox/index.html (در 16 آوریل 2021 قابل دسترسی است).
  22. راسل، جی آر. اوتی، دی. Coops، NC; تومپالسکی، پ. Goodbody, TR; Meador, AS; بوردون، جی اف. دو بویسیو، اف. Achim، A. lidR: یک بسته R برای تجزیه و تحلیل داده های اسکن لیزری هوابرد (ALS). سنسور از راه دور محیط. 2020 , 251 , 112061. [ Google Scholar ] [ CrossRef ]
  23. Ferrán، Á. برنابه، اس. رودریگز، پی.جی. پلازا، A. یک سیستم مبتنی بر وب برای طبقه بندی داده های سنجش از دور. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2012 ، 6 ، 1934-1948. [ Google Scholar ] [ CrossRef ]
  24. 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 . [ Google Scholar ] [ CrossRef ]
  25. Schaaf، CB; وانگ، ز. Strahler، AH Commentary on Wang and Zender – تعصب albedo برف MODIS در زوایای اوج خورشیدی بالا نسبت به نظریه و مشاهدات درجا در گرینلند. سنسور از راه دور محیط. 2011 ، 115 ، 1296-1300. [ Google Scholar ] [ CrossRef ]
  26. Colditz، RR; کنراد، سی. ورمن، تی. اشمیت، ام. Dech, S. TiSeG: یک ابزار نرم افزاری انعطاف پذیر برای تولید سری زمانی داده های MODIS با استفاده از مجموعه داده های علمی ارزیابی کیفیت. IEEE Trans. Geosci. Remote Sens. 2008 , 46 , 3296–3308. [ Google Scholar ] [ CrossRef ]
  27. بوستتو، ال. Ranghetti، L. MODItsp: یک بسته R برای پیش پردازش خودکار سری های زمانی MODIS Land Products. محاسبه کنید. Geosci. 2016 ، 97 ، 40-48. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  28. تیم اصلی R. R: زبان و محیطی برای محاسبات آماری . بنیاد R برای محاسبات آماری: وین، اتریش، 2020. [ Google Scholar ]
  29. میلیتینو، AF; Montesino-SanMartin، M. پرز-گویا، یو. Ugarte، MD با استفاده از ابزار RGIS برای تخمین سطح آب در مخازن و دریاچه ها. Remote Sens. 2020 ، 12 ، 1934. [ Google Scholar ] [ CrossRef ]
  30. مشارکت کنندگان GDAL/OGR. کتابخانه نرم افزار انتزاع داده های جغرافیایی GDAL/OGR ; بنیاد زمین فضایی منبع باز: شیکاگو، IL، ایالات متحده آمریکا، 2020. [ Google Scholar ]
  31. زامبلی، پ. گبرت، اس. Ciolli، M. Pygrass: یک رابط برنامه نویسی برنامه کاربردی پایتون شی گرا (API) برای سیستم پشتیبانی تجزیه و تحلیل منابع جغرافیایی (GRASS) سیستم اطلاعات جغرافیایی (GIS). ISPRS Int. J. Geo Inf. 2013 ، 2 ، 201-219. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  32. ری، اس جی. آنسلین، ال. لی، ایکس. پهله، ر. لورا، جی. لی، دبلیو. Koschinsky، J. تجزیه و تحلیل جغرافیایی فضایی باز با PySAL. ISPRS Int. J. Geo Inf. 2015 ، 4 ، 815-836. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  33. رجبی فرد، ع. ویلیامسون، زیرساخت های داده فضایی IP: مفهوم، سلسله مراتب SDI و جهت گیری های آینده. در مجموعه مقالات کنفرانس GEOMATICS’80، مجموعه مقالات ژئوماتیک، تهران، ایران، 29 مه تا 2 آوریل 2001. [ Google Scholar ]
  34. گومز، وی سی. کی روش، GR; Ferreira، KR مروری بر پلتفرم‌ها برای مدیریت و تجزیه و تحلیل داده‌های رصد زمین بزرگ. Remote Sens. 2020 , 12 , 1253. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  35. تیم توسعه Dask. Dask: کتابخانه ای برای زمان بندی وظایف پویا. 2016. در دسترس آنلاین: https://docs.dask.org/en/latest/cite.html (دسترسی در 15 ژانویه 2021).
  36. Team, A. Application for Extracting and Exploring Analysis Ready Samples (ARREEARS) ; NASA EOSDIS LP DAAC، USGS/Earth Resources Observation and Science (EROS): Sioux Falls، SD، USA، 2020. [ Google Scholar ]
  37. لوئیس، پی. گوانتر، ال. لوپز سالدانا، جی. مولر، جی. واتسون، جی. شین، ن. کندی، تی. فیشر، جی. دومنک، سی. پریوسکر، آر. و همکاران پروژه ESA globAlbedo: الگوریتم. در مجموعه مقالات سمپوزیوم بین المللی زمین شناسی و سنجش از دور IEEE 2012، مونیخ، آلمان، 22 تا 27 ژوئیه 2012. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  38. روی، DP; بوراک، جی اس؛ دوادیگا، اس. Wolfe, RE; ژنگ، م. Descloitres, J. رویکرد ارزیابی کیفیت محصول MODIS Land. سنسور از راه دور محیط. 2002 ، 83 ، 62-76. [ Google Scholar ] [ CrossRef ]
  39. Hunter، JD Matplotlib: یک محیط گرافیکی دو بعدی. محاسبه کنید. علمی مهندس 2007 ، 9 ، 90-95. [ Google Scholar ] [ CrossRef ]
  40. کلایور، تی. راگان-کلی، بی. پرز، اف. گرنجر، بی. بوسونیر، ام. فردریک، جی. کلی، ک. همریک، جی. گروت، جی. کورلی، اس. و همکاران نوت‌بوک‌های Jupyter – فرمت انتشار برای گردش‌های کاری محاسباتی قابل تکرار. در جایگاه و قدرت در انتشارات آکادمیک: بازیکنان، نمایندگان و دستور کارها ; Loizides, F., Schmidt, B., Eds. IOS Press: آمستردام، هلند، 2016؛ صص 87-90. [ Google Scholar ]
  41. هویر، اس. فیتزجرالد، سی. هامان، ج. آکلیمن; کلایور، تی. روس، ام. هلموس، جی جی. کابل، MP; Maussion، F. مایلز، ای. و همکاران xarray: v0.8.0. 2016. در دسترس آنلاین: https://zenodo.org/record/59499#.YHlZlj8RVPY (در 16 آوریل 2021 قابل دسترسی است). [ CrossRef ]
  42. 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 ]
  43. هیوت، ا. عدالت، سی. لیو، H. توسعه پوشش گیاهی و شاخص های خاک برای MODIS-EOS. سنسور از راه دور محیط. 1994 ، 49 ، 224-234. [ Google Scholar ] [ CrossRef ]
  44. میچ، WJ; برنال، بی. هرناندز، ME خدمات اکوسیستم تالاب ها. بین المللی J. Biodivers. علمی اکوسیست. خدمت مدیریت 2015 ، 11 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  45. Keddy، PA; فریزر، LH; سولومشچ، هوش مصنوعی؛ آشغال، WJ; کمپبل، DR; Arroyo، MT; Alho، CJ مرطوب و شگفت انگیز: بزرگترین تالاب های جهان اولویت های حفاظتی هستند. BioScience 2009 ، 59 ، 39-51. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  46. آشغال، WJ; آن، اس. فینلیسون، سی. گوپال، بی. کوئت، جی. میچل، SA; میچ، WJ; Robarts، RD وضعیت فعلی دانش در مورد تالاب های جهان و آینده آنها تحت تغییرات آب و هوایی جهانی: یک ترکیب. آکوات. علمی 2013 ، 75 ، 151-167. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  47. ویز، ک. هوفر، آر. فرانکه، جی. گلمامی، ع. سیمونسون، دبلیو. مورو، جی. اوکانر، بی. Strauch، A. فلینک، اس. ابرل، جی. و همکاران ابزار گسترش تالاب برای SDG 6.6. 1 گزارش از سرویس رصد تالاب مبتنی بر ماهواره (SWOS). سنسور از راه دور محیط. 2020 , 247 , 111892. [ Google Scholar ] [ CrossRef ]
  48. آکرمن، م. هولدن، جی. چگونه تالاب ها بر سیل تاثیر می گذارند. Wetlands 2013 , 33 , 773-786. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  49. والدراما-لاندروس، ال. رودریگز-زونیگا، م. تروش سوزا، سی. ولاسکز-سالازار، اس. ویلدا چاوز، ای. آلکانترا-مایا، جی. وازکز-بالدراس، بی. کروز-لوپز، م. Ressl, R. Manglares de México: Actualización y Exploración de los Datos del Sistema de Monitoreo 1970/1980–2015 ; Comisión Nacional para el Conocimiento y Uso de la Biodiversidad: Ciudad de México, Mexico, 2017. [ Google Scholar ]
  50. بلانکو، ام. فلورس-وردوگو، اف. اورتیز پرز، ام. د لا لانزا، جی. لوپز-پورتیلو، جی. والدز-هرناندز، آی. آگراز-هرناندز، سی. سیتروم، اس. ریورا-آریاگا، ای. Orozco، A.; و همکاران Diagnóstico Funcional de Marismas Nacionales (اطلاعات نهایی) ; Universidad Autónoma de Nayarit-Comisión Nacional Forestal-DEFRA UK: Nayarit، مکزیک، 2011. [ Google Scholar ]
  51. کروز-لوپز، م. López-Saldaña، G. Evaluación de áreas afectadas por incendios forestales. در XIX Reunión Nacional SELPER-México ; Mas, JF, Cuevas-García, G., Eds. UNAM—CIGA: Morelia, Michoacán, 2011; صص 149-153. [ Google Scholar ]
  52. ویلسون، EH; Sader, SA تشخیص نوع برداشت جنگلی با استفاده از چندین تاریخ از تصاویر Landsat TM. سنسور از راه دور محیط. 2002 ، 80 ، 385-396. [ Google Scholar ] [ CrossRef ]
  53. کروز-لوپز، م. López-Saldaña، G. ارزیابی مناطق آسیب دیده توسط آتش سوزی جنگل در مکزیک. در پیشرفت در سنجش از دور و کاربردهای GIS در مدیریت آتش سوزی جنگل ها از ارزیابی های محلی تا جهانی . San Miguel, J., Camia, A., Santos de, OS, Gitas, I., Eds.; دفتر انتشارات اتحادیه اروپا: لوکزامبورگ، 2011; پ. 81. [ Google Scholar ]
  54. Cruz-López, MI نظارت بر مناطق تحت تأثیر آتش سوزی های جنگلی. در مجموعه مقالات نهمین کارگاه آموزشی گروه علاقه ویژه آتش سوزی جنگل. انجمن اروپایی آزمایشگاه های سنجش از دور، وارویک شایر، انگلستان، 15 تا 17 اکتبر 2013. جلد 4483، ص 2-5. [ Google Scholar ]
  55. کندی، RE; یانگ، ز. کوهن، WB تشخیص روند در آشفتگی و بازیابی جنگل با استفاده از سری های زمانی سالانه Landsat: 1. LandTrendr-الگوریتم های تقسیم بندی زمانی. سنسور از راه دور محیط. 2010 ، 114 ، 2897-2910. [ Google Scholar ] [ CrossRef ]
  56. براکول، پی جی. دیویس، RA مقدمه ای بر سری های زمانی و پیش بینی ; Springer: برلین/هایدلبرگ، آلمان، 2016. [ Google Scholar ]
  57. آزمون‌های ناپارامتری Mann، HB در برابر روند. اقتصاد. جی. اکونوم. Soc. 1945 ، 13 ، 245-259. [ Google Scholar ] [ CrossRef ]
  58. کندال، MG Rank Correlation Methods ، ویرایش چهارم. Griffin: Lewiston, ID, USA, 1962. [ Google Scholar ]
  59. کیلیک، آر. Eckley, I. changepoint: یک بسته R برای تجزیه و تحلیل نقطه تغییر. J. Stat. نرم افزار 2014 ، 58 ، 1-19. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  60. منینی، ن. Almeida، AE; لامپارلی، آر. لومر، جی. اولیویرا، آر اس؛ وربسلت، ج. هیروتا، م. تورس، RDS Tucumã: جعبه ابزاری برای تجزیه و تحلیل تصویر سنجش از راه دور مکانی-زمانی [نرم افزار و مجموعه داده ها]. IEEE Geosci. سنسور از راه دور Mag. 2019 ، 7 ، 110–122. [ Google Scholar ] [ CrossRef ]
  61. کیلیک، آر. Fearnhead، P. Eckley، IA تشخیص بهینه نقاط تغییر با هزینه محاسباتی خطی. مربا. آمار دانشیار 2012 ، 107 ، 1590-1598. [ Google Scholar ] [ CrossRef ]
  62. گارسیا، دی. هموارسازی قوی داده های شبکه بندی شده در ابعاد یک و بالاتر با مقادیر از دست رفته. محاسبه کنید. آمار داده آنال. 2010 ، 54 ، 1167-1178. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  63. 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 ]
Ijgi 10 00267 g001 550
شکل 1. یک نمایش گرافیکی از ابزارهای تجزیه و تحلیل سری های زمانی تصاویر ماهواره ای (TATSSI) معماری و طراحی.
Ijgi 10 00267 g002 550
شکل 2. معیارها پس از اعمال دو ارزش ارزیابی کیفیت مختلف (QA) برای پارامترهای MODLAND در لایه “1_km_16_days_pixel_reliability” از محصول MOD13A2. پانل پایین معیارها را برای مقادیر QA «داده‌های خوب، استفاده با اطمینان» نشان می‌دهد و پانل بالا معیارهای مجازتر «داده‌های حاشیه‌ای» را نشان می‌دهد. مفید است اما به سایر اطلاعات QA” مقادیر QA نگاه کنید. ستون سمت چپ درصد داده های موجود و ستون سمت راست حداکثر طول شکاف را نشان می دهد.
Ijgi 10 00267 g003 550
شکل 3. گفتگوی TATSSI QA Analytics که چندین شی PyQT5 را از دکمه های فشاری، لیست ها، متن و کادرهای تقویم نشان می دهد. این گفتگوی خاص امکان انتخاب پارامترهای QA مرتبط با یک سری زمانی برای یک محصول خاص و تنظیم پرچم های QA تعریف شده توسط کاربر را فراهم می کند.
Ijgi 10 00267 g004 550
شکل 4. رابط TATSSI Jupyter Notebook برای دانلود و تولید یک سری زمانی برای منطقه مورد علاقه (AOI) از محصول MOD13A2 استفاده می شود. ( الف ) وارد کردن کتابخانه‌ها و راه‌اندازی موتور Google Earth (GEE). ( ب ) تعریف AOI از ویژگی GeoJSON. ( ج ) تطبیق نام های مجموعه داده های علمی (SDS). ( د ) دانلود و تولید سری های زمانی.
Ijgi 10 00267 g005 550
شکل 5. هموارسازی رابط کاربری گرافیکی TATSSI که یک سری زمانی سالانه از بازتاب سطح نزدیک مادون قرمز (NIR) Landsat 7 را در طول سال 2004 نشان می‌دهد. سری‌های زمانی با استفاده از TATSSI تولید نشدند، اما ابرداده‌های مورد نیاز اضافه شدند تا امکان ورود آن به TATSSI فراهم شود.
Ijgi 10 00267 g006 550
شکل 6. مکان های مطالعه در نظر گرفته شده در این مقاله: ال بونیتو و لا سابینا، ماریسماس ناسیونالس و سانتو دومینگو.
Ijgi 10 00267 g007 550
شکل 7. فلوچارت رابط کاربری گرافیکی (GUI) TATSSI.
Ijgi 10 00267 g008 550
شکل 8. توزیع فضایی نسبت (درصد) مقدار سال با دو پیک در سال به کل سال های مورد مطالعه در سانتو دومینگو، چیاپاس.
Ijgi 10 00267 g009 550
شکل 9. توزیع مکانی-زمانی تعداد قله ها در سال در سانتو دومینگو، چیاپاس.
Ijgi 10 00267 g010 550
شکل 10. روند برای کامپوزیت شاخص رطوبت تفاوت نرمال شده 10 روزه (NDMI) در طول سال های 2015-2018.
Ijgi 10 00267 g011 550
شکل 11. ( الف – ج ) تجزیه و تحلیل روند که منطقه سوخته و بهبود احتمالی در ال بونیتو و لا سابینا در ایالت کوآهویلا را توصیف می کند. ( د ) ناهنجاری های استاندارد بارش در ایستگاه هواشناسی Ejido San Miguel: (A) 2010-2014; (B) 2015–2019. ( الف ) روند EVI 2008-2011. ( ب ) روند EVI 2011-2013. ( ج ) روند EVI 2013-2020. ( د ) ناهنجاری های استاندارد بارش در Ejido San Miguel.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید