ارزیابی الگوریتمهای ریزمقیاسنمایی مکانیـ زمانی دادههای مادیس به دادههای سنتینلـ 2 در کلاسهای متفاوت پوشش زمین | ||
| نشریه سنجش از دور و GIS ایران | ||
| مقاله 6، دوره 15، شماره 4 - شماره پیاپی 60، 1402، صفحه 100-83 اصل مقاله (2.03 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.48308/gisj.2023.103096 | ||
| نویسندگان | ||
| ناهید حق شناس1؛ علی شمس الدینی* 2 | ||
| 1دانشجوی دکتری گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشگاه تربیت مدرس، تهران، ایران | ||
| 2دانشیار گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشگاه تربیت مدرس، تهران، ایران | ||
| چکیده | ||
| دادههای سنجش از دوری، با قدرت تفکیک مکانی بالا، اغلب دارای قدرت تفکیک زمانی و طیفی پایین و دادههای با قدرت تفکیک مکانی پایین دارای قدرت تفکیک طیفی و زمانی بالا هستند. باوجوداین، درحالحاضر، سنجندههای ماهوارهای بهتنهایی نمیتوانند دادههایی با قدرت تفکیک زمانی و قدرت تفکیک مکانی بالا را همزمان ارائه کنند. این درحالی است که در برخی کاربردها دسترسی همزمان به دادههایی با قدرت تفکیک مکانی و زمانی بالا ضروری است؛ ازاینرو در این مطالعه، با هدف دستیابی به دادههای دارای قدرت تفکیک مکانی و زمانی بالا، تصاویر مادیس در کلاسهای کاربری شهری، باغ، مرتع، کشاورزی و آب ازطریق الگوریتمهای STARFM ، ESTARFM وFSDAF به قدرت تفکیک مکانی سنتینل ـ 2، ریزمقیاس شد. منطقة مطالعاتی با تنوع پوششهای زمین گوناگون در اطراف شهر مهاباد انتخاب شد. در این مطالعه، باندهای مرئی و مادونقرمز نزدیک در سنتینلـ 2 و مادیس انتخاب و پیشپردازشهای لازم، ازجمله تصحیح هندسی، روی آنها انجام شد. سپس با استفاده از الگوریتمهای ریزمقیاسنمایی، تصاویر مادیس به تصاویر سنتینل ـ 2 ریزمقیاس شد. نتایج نشاندهندة صحت بالای کلاسهای شهری، باغ و مرتع در قیاس با کلاسهای کشاورزی و آب است؛ بهگونهای که الگوریتمهای ESTARFM، FSDAF و STARFM بهصورت میانگین در همة باندها، بهترتیب برای کلاس شهری، ضریب تعیین 25/88، 25/87 و 5/86، درمورد کلاس باغ ضریب تعیین 75/83، 25/83 و 5/80 و درمورد کلاس مرتع، ضریب تعیین 75/90، 5/70 و 5/87 را نشان دادند. درمجموع، الگوریتم ESTARFM در مقایسه با دیگر الگوریتمها در این تحقیق، نتیجهای بهتر دربرداشت. | ||
| کلیدواژهها | ||
| ریزمقیاسنمایی مکانیـ زمانی؛ کلاسهای پوشش زمین؛ مادیس؛ سنتینلـ 2 | ||
| عنوان مقاله [English] | ||
| Evaluation of Spatio-Temporal Downscaling Algorithms of MODIS Data to Sentinel- 2 Data in Different Land Cover Classes | ||
| نویسندگان [English] | ||
| Nahid Haghshenas1؛ Ali Shamsoddini2 | ||
| 1Ph.D. Student, Dep. of Remote Sensing and GIS, Tarbiat Modarres University, Tehran, Iran | ||
| 2Associate Prof., Dep. of Remote Sensing and GIS, Tarbiat Modarres University, Tehran, Irzn | ||
| چکیده [English] | ||
| Normally, images with a high resolution (temporal or spatial) are available, while there is a limitation in accessing images which are simultaneously high spatial and temporal resolution. While, in some applications, access to images with high spatial and temporal resolution is necessary. Therefore, this study was conducted to downscaling MODIS images to Sentinel- 2 spatial resolution by STARFM, ESTARFM and FSDAF spatio-temporal downscaling algorithms in different land cover classes including urban, garden, pasture, agricultural and water classes. The study area was selected with a variety of land covers around the city of Mahabad, Iran. First, the corresponding visible and near-infrared bands in Sentinel- 2 and MODIS were selected and necessary pre-processes such as geometric correction were done on these images. Then, Sentinel- 2 images were simulated using downscaling algorithms. The results indicated the accuracy of downscaling in the urban, garden and pasture classes compared to the agricultural and water classes. So that the ESTARFM, FSDAF and STARFM algorithms averagely showed the coefficient of determination of 88.25, 87.25 and 86.5 for the urban class, the coefficient of determination of 83.75, 83.25 and 80.5 for the garden class and the coefficient of determination of 90.75, 70.5 and 87.5 for the pasture class in all bands | ||
| کلیدواژهها [English] | ||
| Spatio-temporal downscaling, Land cover, MODIS, Sentinel- 2 | ||
| مراجع | ||
|
Belgiu, M. & Stein, A., 2019, Spatiotemporal Image Fusion in Remote Sensing, Remote Sensing, 11(7), P. 818. https://doi.org/10.3390/rs11070818 Gao, F., Masek, J., Schwaller, M. & Hall, F., 2006, On the Blending of the Landsat and MODIS Surface Reflectance: Predicting Daily Landsat Surface Reflectance, IEEE Transactions on Geoscience and Remote Sensing, 44(8), PP. 2207-2218. https://doi.org/10.1109/TGRS.2006.872081
Gevaert, C.M. & García-Haro, F.J., 2015, A Comparison of STARFM and an Unmixing-Based Algorithm for Landsat and MODIS Data Fusion, Remote Sensing of Environment, 156, PP. 34-44. https://doi.org/10.1016/j.rse.2014.09.012 He, S., Shao, H., Xian, W., Zhang, S., Zhong, J. & Qi, J., 2021, Extraction of Abandoned Land in Hilly Areas Based on the Spatio-Temporal Fusion of Multi-Source Remote Sensing Images, Remote Sensing, 13(19), P. 3956. https://doi.org/10.3390/rs13193956 Hilker, T., Wulder, M.A., Coops, N.C., Seitz, N., White, J.C., Gao, F., ... Stenhouse, G., 2009, Generation of Dense Time Series Synthetic Landsat Data through Data Blending with MODIS Using a Spatial and Temporal Adaptive Reflectance Fusion Model, Remote Sensing of Environment, 113(9), PP. 1988-1999. https://doi.org/10.1016/j.rse.2009.05.011
Houborg, R., McCabe, M.F. & Gao, F., 2016, A Spatio-Temporal Enhancement Method for Medium Resolution LAI (STEM-LAI), International Journal of Applied Earth Observa-tion and Geoinformation, 47, PP. 15-29. https://doi.org/10.1016/j.jag.2015.11.013 Li, J., Li, Y., He, L., Chen, J. & Plaza, A., 2020, Spatio-Temporal Fusion for Remote Sensing Data: An Overview and New Benchmark, Science China Information Sciences, 63(4), P. 140301. https://doi.org/10.1007/s11432-019-2785-Y Liao, L., Song, J., Wang, J., Xiao, Z. & Wang, J., 2016, Bayesian Method for Building Frequent Landsat-Like NDVI Datasets by Integrating MODIS and Landsat NDVI, Remote Sensing, 8(6), P. 452. https://doi.org/10.3390/rs8060452 Mancino, G., Ferrara, A., Padula, A. & Nolè, A., 2020, Cross-Comparison between Landsat 8 (OLI) and Landsat 7 (ETM+) Derived Vegetation Indices in a Mediterranean Environment, Remote Sensing, 12(2), P. 291. https://doi.org/10.3390/rs12020291 Mileva, N., Mecklenburg, S. & Gascon, F., 2018, New Tool for Spatio-Temporal Image Fusion in Remote Sensing: A Case Study Approach Using Sentinel-2 and Sentinel-3 Data, Paper Presented at the Image and Signal Processing for Remote Sensing XXIV. http://dx.doi.org/10.1117/12.2327091 Oldoni, L.V., Mercante, E., Antunes, J.F.G., Cattani, C.E.V., Silva Junior, C.A.d., Caon, I.L. & Prudente, V.H.R., 2021, Extraction of Crop Information through the Spatiotemporal Fusion of OLI and MODIS Images. Geocarto International, 37(25), PP. 1-25. https://doi.org/10.1080/10106049.2021.2000648 Salehi, H. & Shamsoddini, A., 2021, MODIS and Sentinel-2 Data Fusion For 10-m Daily Evapotranspiration Mapping, Iranian Journal of Irrigation and Drainage, 14(6), Feb.-Mar. 2021, PP. 1881-1892. 20.1001.1.20087942.2021.14.6.20.1 Salehi, H., Shamsoddini, A. & Mirlatifi, S.M., 2018, MODIS Image Downscaling Using STARFM and SADFAT Algorithms for Daily Landsat-Like Spatial Resolution Evapotranspiration Mapping, Iranian Journal of Remote Sensing and GIS, 10(3), PP. 123-140. Shamsoddini, A. & Nahvi, S., 2021, Comparison of MODIS to Landsat-8 Data Downscaling Algorithms for Evapotranspiration Estimation, MJSP, 25(4), PP. 141-173. URL: http://hsmsp.modares.ac.ir/article-21-53900-fa.html. 20.1001.1.16059689.1400.25.4.1.2 Shen, H., Huang, L., Zhang, L., Wu, P. & Zeng, C., 2016, Long-Term and Fine-Scale Satellite Monitoring of the Urban Heat Island Effect by the Fusion of Multi-Temporal and Multi-Sensor Remote Sensed Data: A 26-Year Case Study of the City of Wuhan in China, Remote Sensing of Environment, 172, PP. 109-125. https://doi.org/10.1016/j.rse.2015.11.005 Tewes, A., Thonfeld, F., Schmidt, M., Oomen, R.J., Zhu, X., Dubovyk, O., ... Schellberg, J., 2015, Using RapidEye and MODIS Data Fusion to Monitor Vegetation Dynamics in Semi-Arid Rangelands in South Africa, Remote Sensing, 7(6), PP. 6510-6534. https://doi.org/10.3390/rs70606510 Wang, Q. & Atkinson, P.M., 2018, Spatio-Temporal Fusion for Daily Sentinel-2 Images, Remote Sensing of Environment, 204, PP. 31-42. https://doi.org/10.1016/j.rse.2017.10.046 Wu, M., Wu, C., Huang, W., Niu, Z., Wang, C., Li, W. & Hao, P., 2016, An Improved High Spatial and Temporal Data Fusion Approach for Combining Landsat and MODIS Data to Generate Daily Synthetic Landsat Imagery, Information Fusion, 31, PP. 14-25. https://doi.org/10.1016/j.inffus.2015.12.005 Zhu, X., Chen, J., Gao, F., Chen, X. & Masek, J.G., 2010, An Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model for Complex Heterogeneous Regions, Remote Sensing of Environment, 114(11), PP. 2610-2623. https://doi.org/10.1016/j.rse.2010.05.032 Zhu, X., Helmer, E.H., Gao, F., Liu, D., Chen, J. & Lefsky, M.A., 2016, A flexible Spatiotemporal Method for Fusing Satellite Images with Different Resolutions, Remote Sensing of Environment, 172, PP. 165-177. https://doi.org/10.1016/j.rse.2015.11.016 Zhukov, B., Oertel, D., Lanzl, F. & Reinhackel, G., 1999, Unmixing-Based Multisensor Multiresolution Image Fusion, IEEE Transactions on Geoscience and Remote Sensing, 37(3), PP. 1212-1226. https://doi.org/10.1109/36.763276 | ||
|
آمار تعداد مشاهده مقاله: 6,072 تعداد دریافت فایل اصل مقاله: 2,979 |
||