سید باقر فاطمی

یکی از موضوعات مهم در محاسبة شاخص های گیاهی کمیتی است که شاخص براساس آن محاسبه می شود. نوع کمیت انتخابی می تواند مقدار پیکسل، بازتابش و بازتابندگی باشد. بررسی تفاوت مقادیر شاخص های گیاهی محاسبه شده از این کمیت ها چه بسا راهگشای ساده ترکردن محاسبات مربوط به شاخص ها و نیز وضوح بخشیدن به نتایج حاصل از انتخاب هریک از کمیت ها شود. در تحقیقات گذشته، معمولاً یک شاخص گیاهی خاص بررسی شده است و اثر پوشش زمین در محاسبة مقدار آن شاخص براساس سه کمیت مقدار پیکسل، بازتابش و بازتابندگی در نظر گرفته نشده است. در تحقیق حاضر، شاخص های گیاهی تولیدشده از سه دادة یادشده مقایسه می شوند. برای این منظور، 10 شاخص PD43، GVI، RVI، SAVI، EVI، NDVI، DVI، NDWI، GRVI و VARI از روی تصویر LANDSAT 8تولید شد. این شاخص ها برای کل تصویر و همچنین برای پوشش های گوناگون آب، خاک، گیاه و منطقة شهری به طور جداگانه محاسبه شده اند. پس از محاسبة شاخص های گیاهی مورد نظر براساس سه کمیت تابشی، ضریب همبستگی خطی میان این مقادیر برای هر شاخص گیاهی محاسبه شد. مقایسه ها براساس پارامتر همبستگی انجام شده است که نتایج حاصل همبستگیِ بالا بین شاخص های هر سه کمیت تابشی را نشان می دهد. بیشترین ضریب همبستگی به دست آمده برابر با 1 است که در همة کلاس های پوششی برای بسیاری از شاخص ها تکرار شده است. کمترین میزان همبستگی برای کلاس منطقة مسکونی برابر با 0.8339 مربوط به شاخص PD43، برای کلاس گیاه برابر با 0.9489 مربوط به شاخص NDWI، برای کلاس آب برابر با 0.8696 مربوط به شاخص DVI، برای کلاس خاک برابر با 0.916 مربوط به شاخص GVI و برای کل تصویر برابر با 0.9257 مربوط به شاخص DVI است. با توجه به نتایج، در جایی که مقدار دقیق این شاخص ها مهم نباشد این شاخص ها را می توان با کنارگذاردن چند استثنای معدود، بدون نیاز به محاسبة مقدار شاخص براساس کمیته ای رادیانس و بازتابندگی فقط با استفاده از مقادیر پیکسل محاسبه کرد

سطوح برفی در طول زمان تغییرات زیادی می یابند و در نتیجه برای پایش آنها به استفاده از تصاویری با قدرت تفکیک زمانی نسبتاً بالا نیاز است. برای این منظور، سنجندة MODIS مستقر روی ماهواره های Terra/Aqua مناسب به نظر می رسد. پارامترهای گوناگونی بر دقت برآورد سطح پوشش برف (SCS) تأثیر می گذارند که توپوگرافی سطح (شیب و جهت شیب) یکی از آنهاست. قدرت تفکیک مکانی پایین تصاویر MODIS و وجود پیکسل های مختلط، دقت برآورد SCS با استفاده از این تصاویر را کم می کند. در پژوهش حاضر، نتایج SCS حاصل از تصاویر MODIS، از طریق مقایسه با تصاویر دارای قدرت تفکیک مکانی متوسط مانند ASTER واقع بر سکوهای مشابه MODIS، ارزیابی می شود. در این پژوهش شاخص NDSI برگرفته از MODIS و ASTER در مناطقی با شیب 20 تا 50 درصد مقایسه گردید و دو مدل MODMASTER و MODFASTER برای بهبود دقت تخمین SCS به وسیلة MODIS ایجاد شد. نتایج به دست آمده از MODMASTER، نشانگر پارامتر همبستگی (R2) با شاخص برف مشابه MODIS به میزان تقریباً 76 درصد و RMSE در حدود 047/0 است. در مدل MODFASTER، که برای تخمین کسر پوشش برف در هر پیکسل ایجاد شده، پارامتر همبستگی (R2) درحدود 75 درصد و RMSE درحدود 09/0 در مقایسه با کسر پوشش برف محاسبه شده به وسیلة ASTER است. مقایسة نتایج حاصل از این پژوهش با مقادیر به دست آمده از سایر پژوهش ها نشان دهندة بهبود در برآورد سطح پوشیده شده از برف است.

مدیریت فضای سبز شهری از مهم ترین کاربردهای تصاویر ماهواره ای با قدرت تفکیک مکانی بالاست. در مدیریت فضای شهری تعداد درختان و خصوصیات آنها معمولاً در زمرة اطلاعات پایه به شمار می روند. شمارش دستیِ تعداد درختان علاوه بر نیاز به نیرو و هزینه و زمان بالا، احتمال خطای زیادی را نیز به خاطر اشتباه های انسانی به همراه دارد. علاوه بر این، بسیاری از اوقات هیچ گونه اطلاعات مکان مند نظیر نقشة پراکندگی درختان در اختیار تصمیم گیرندگان قرار نمی گیرد و یا در صورت امکان، هزینه های زیادی را برای نقشه برداری زمین و برداشت تک تک درختان می طلبد. در مقالة حاضر فرایندی برای شمارش خودکار درختان طراحی شده است که در آن از تصاویر ماهواره ای با قدرت تفکیک بالا استفاده می شود. تصویر مورد نظر از منطقه ای در شهر بندرعباس انتخاب شد که در آن انواع درختان مناطق شهری که به صورت مجزا و گروهی و ردیفی در کنار یکدیگر استقرار یافته اند، به چشم می خورند. از زمان کاشت اکثر درختان موجود در منطقه بیش از ده سال می گذرد. در این روش در مرحلة نخست تصویری چندطیفی با تصویری پانکروماتیک از سنجنده Quickbird ادغام شدند. سپس از تصویر به دست آمده، نقشة NDVI تهیه گردید. آن گاه با اعمال دو عملگر مورفولوژیک (Erosion, RegionalMax) هسته های اولیه درختان به دست آمد. نتایج با حذف نقاط اضافه در مناطق غیرپوشش گیاهی، نقاط تکراری و پوشش های گیاهی غیردرخت اصلاح شدند. نتایج الگوریتم در مقایسه با داده های زمینی دقت خوب و مناسبی، که در حدود 90 درصد به دست آمده است، دارند.