ارزیابی روش های هموارسازی برای بازسازی سری زمانی نمایه گیاهی Greenness و برآورد فنولوژی کلزا از داده های ماهواره لندست۸ مطالعه موردی: منطقه فرخشهر
سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 139
فایل این مقاله در 18 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JPHGR-54-1_004
تاریخ نمایه سازی: 23 مرداد 1401
چکیده مقاله:
سریهای زمانی شاخصهای گیاهی سنجش از دور امکان بازیابی فنولوژی گیاهان را در سطح زمین فراهم کرده است. ابرها، رطوبت، و هواویزها باعث ایجاد نوفه در سیگنالهای دریافتی سنجندههای ماهوارهای میشوند و در نتیجه کیفیت سریهای زمانی کاهش مییابد. برای رفع این مشکل و بازسازی سریهای زمانی، چندین تابع هموارسازی دادهها برای حذف نوفه استفاده میشود که، به دلیل اختلاف نظر درمورد عملکرد آنها، مقایسه بین آنها لازم است. اهداف این تحقیق ارزیابی عملکرد توابع مختلف هموارسازی در نرمافزار TIMESAT و تاثیرات آنها در بازسازی سریهای زمانی و برآورد پارامترهای فنولوژیکی آغاز فصل رشد (SOS) و پایان فصل رشد (EOS) با استفاده از دادههای نمایه Greenness (سبزینگی) ماهواره لندست ۸ است. پالایشگر ساویتزکی- گولی (S-G)، تابع نامتقارن گوسی (AG)، و لجستیک دوگانه (DL) برای برازش دادههای Greenness استفاده شد و عملکرد آنها با استفاده از اندازهگیری خطای مجذور میانگین مربع (RMSE) و ضریب همبستگی پیرسون (r) ارزیابی شد. نتایج نشان داد که روش هموارسازی S-G در بازسازی سریهای زمانی از دقت بیشتری (۹۳۵/۰ = r) برخوردار است. در برآورد پارامترهای فنولوژی، تابع هموارساز DL در برآورد آغاز فصل و تابع هموارساز AG در برآورد پایان فصل بهترتیب با ۸ و ۱۴ روز اختلاف با دادههای مشاهداتی بهترین عملکرد را داشتند. این مطالعه نشان داد که روشهای هموارسازی نرمافزار TIMESAT عملکرد مناسبی دارند
کلیدواژه ها:
نویسندگان
اکبر میراحمدی
دانشجوی دکتری گروه جغرافیای طبیعی، دانشگاه اصفهان، اصفهان، ایران
حجت اله یزدان پناه
دانشیار گروه جغرافیای طبیعی، دانشگاه اصفهان، اصفهان، ایران
مهدی مومنی شهرکی
دانشیار گروه مهندسی نقشهبرداری، دانشگاه اصفهان، اصفهان، ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :