زیرپیکسل

در چند سال اخیر علاوه بر تکنیک های پیکسل مبنا از تکنیک های زیرپیکسل نیز جهت تهیه نقشه پوشش برف استفاده شده است زیرا در اکثر مدل های هیدرولوژیکی نیاز به تهیه نقشه پوشش برف به صورت مکرر و با فاصله زمانی کوتاه می باشد که تهیه این نقشه ها تنها با بکارگیری تصاویری با قدرت تفکیک زمانی بالا امکان پذیر است. تصاویری که دارای قدرت تفکیک زمانی بالا هستند، از نظر قدرت تفکیک مکانی پایین و یا متوسط می باشند که در چنین تصاویری امکان وجود پیکسل های مخلوط افزایش می یابد. استخراج اطلاعات از پیکسل های مخلوط، تنها با بکارگیری تکنیک های زیرپیکسل امکان پذیر می باشد. در این مطالعه از تصاویر ماهواره ترا سنجنده مودیس (سایت ناسا) و ماهواره لندست سنجنده OLI (سایت سازمان زمین شناسی ایالات متحده USGS ) استفاده گردید. برای انجام مراحل مختلف این تحقیق از نرم افزارهای Envi 4.8 و ArcGIS 10.3 استفاده گردیده است. در این روش سطوح برفی تصویر مودیس 1850 کیلومتر مربع و سطوح برفی لندست 1926 کیلومتر مربع برآورد گردید و دقت این روش برای دقت کلی برابر با 90 % و برای ضریب کاپا 86/0 محاسبه شد. همچنین مقدار ضریب همبستگی برای این تکنیک 93/0 محاسبه گردید. لذا با توجه به مقادیر ارائه شده میتوان به صحت و دقت برآورد اعتماد نمود.

هدف از این مقاله تعیین سهم پوشش برف حوزه های کرج و لتیان با استفاده از تصاویر MODIS، به روش سالومونسون و همکاران و شناسایی منابع خطای این روش است. اهمیت سطح پوشش برف به دلیل تأثیرگذاری بر بیلان تابش، بیلان آب و مدل سازی انجام تحقیقات گوناگون را ضروری ساخته است. در این تحقیق برای بررسی سطح برف از داده های MODIS و برای ارزیابی دقت، از تصاویر LISIII-IRS استفاده شده است. تا کنون روش های متفاوتی برای استخراج سهم برف پیکسل ها به کار گرفته شده که در تحقیق حاضر از روش سالومونسون و همکاران به دلیل دقت مناسب و نیاز نداشتن به اطلاعات اولیه از منطقه استفاده شده و عوامل ایجاد خطا در آن شناسایی شده است. افزون بر این، ضرایب معادلة سالومونسون و همکاران با استفاده از داده های منطقه ای ایران بهینه سازی شده و دقت حاصل از مدل با ضرایب بهینه، در منطقه ای جدید ارزیابی شده است. نتایج ارزیابی دقت نشان داده اند که روش سالومونسون و همکاران می تواند سهم برف پیکسل های MODIS را با خطای RMS 20/0 پیکسل برآورد کند. ضرایب کاپا و دقت کلی این روش به ترتیب 84/0، 12/92 است، که دقت مناسب آن را نشان می دهد. نتایج تحقیق نشان می دهند که به دلیل خطای بالاتر روش سالومونسون و همکاران، باید در نواحی حاشیة رودهای ایران که عموماً دارای پوشش درختی کم تراکم و باغ های پراکنده اند، از این روش صرف نظر شود. لازم است برای حذف مناطق آبی از ماسک های مناسب استفاده شود. بهینه سازی ضرایب مدل توانسته است دقت برآورد مدل را بهبود بخشد، به طوری که مقدار خطای RMS مدل با ضرایب اصلاح شده در منطقه ای جدید 258/0 پیکسل به دست آمده، درحالی که معادلة سالومونسون و همکاران در همین منطقه خطای RMS عدد 266/0 پیکسل را نشان داده است. کلید واژه ها : روش سالومونسون و همکاران، زیرپیکسل، سطح پوشش برف، شاخص تفاضلی نرمال شدة برف.

یکی از چالش های بسیار مهم در تهیه نقشه پوشش اراضی با استفاده از تصاویر سنجش از دور، مشکل مربوط به پیکسل های مخلوط است. با توسعه روش های تجزیه اختلاط طیفی و طبقه بندی کننده های نرم، امکان برآورد سهم کلاس ها در سطح زیرپیکسل فراهم می آید و برچسب های چندگانه به پیکسل ها اختصاص داده می شود. با وجود این، تولید نقشه پوششی در سطح زیرپیکسل نیازمند جانمایی مکانی زیرپیکسل ها است. در سال های اخیر، روش های تهیه نقشه در سطح زیرپیکسل توسعه یافته اند و با استفاده از نتایج طبقه بندی کننده های نرم و بهره گیری از مفاهیم وابستگی مکانی، آرایش مکانی زیرپیکسل ها را بهینه سازی می کنند. در این تحقیق، دقت کلی الگوریتم شبیه سازی تبرید برای تهیه نقشه پوششی در سطح زیرپیکسل مورد ارزیابی قرار گرفته و همچنین، مکانیزم جدیدی در این روش، برای تولید پاسخ های جدید در هر مرحله از الگوریتم پیشنهاد شده و با نتایج روش موجود مقایسه شده است. از دیگرسو، پارامترهای مؤثر بر عملکرد الگوریتم مانند ضریب بزرگنمایی، نوع تابع خنک سازی و تکرارهای ایستا و پویا در عملکرد الگوریتم بررسی شده اند. در فرایند ارزیابی دقت کلی الگوریتم، دو روش مستقل از خطای طبقه بندی نرم و وابسته به این خطا لحاظ شده است. براساس نتایج، افزایش ضریب بزرگنمایی موجب کاهش دقت الگوریتم شبیه سازی تبرید شده و همچنین، تابع خنک سازی هندسی به لحاظ دقت و زمان اجرای الگوریتم، به منزله تابع بهینه انتخاب شده است. از طرف دیگر، تکرارهای پویا نیز، در مقایسه با حالت ایستا دقت بیشتری داشته است. روش پیشنهادی برای تولید پاسخ های جدید در الگوریتم شبیه سازی تبرید دستاورد مهم تحقیق به شمار می آید که دقت کلی را به نسبت روش موجود، افزایش داده و همچنین، زمان اجرای الگوریتم را تا 50% کاهش داده است. بیشترین دقت کلی الگوریتم براساس روش پیشنهادی و مستقل از خطای طبقه بندی نرم 97/94% برآورد شد.