تبدیل تسلدکپ

گرد و غبار یکی از فرآیندهای مهم مناطق خشک و نیمه خشک است که وقوع آن در سال های اخیر در ایران افزایش پیدا کرده است. شناسایی کانون های تولیدکننده این پدیده اولین گام در مدیریت و کنترل آن به شمار می رود. به دلیل خشک و نیمه خشک بودن اقلیم هایی که پدیده گرد و غبار در آنها به وقوع می پیوندد، همواره مناطق وسیعی برای پایش و کنترل وجود دارند که عملاً مدیریت آنها را ناممکن می سازد. از اینرو کاهش مناطق کاندید به سطوح واقعی تولیدکننده یکی از دغدغه های اصلی پژوهشگران به شمار می رود. در این مقاله، با استفاده از داده های دورسنجی، به شناسایی کانون های بالقوه تولید گرد و غبار در استان البرز پرداخته شده است. شاخص های طیفی رطوبت و پوشش گیاهی مختلفی بر روی داده های سنجنده OLI اعمال شد و بر اساس میزان تغییرات در منطقه مطالعاتی شاخص های رطوبت مربوط به تبدیل تسلد کپ و پوشش گیاهی DVI انتخاب و بر روی تصاویر سال های 2013، 2014 و 2015 اعمال گردید و نقشه پتانسیل فرسایش پذیری رطوبت و پوشش گیاهی تولید شد. شاخص طیفی زبری بر داده مدل رقومی ارتفاع سنجنده ASTER اعمال و نقشه پتانسیل فرسایش پذیری زبری تهیه گردید. با استفاده از اطلاعات زمین شناسی، نقشه حساسیت فرسایش پذیری سنگ ها تولید شد. با تلفیق نقشه های پتانسیل فرسایش پذیری در مدل ارزیابی چند معیاره و انجام عملیات میدانی نقشه کانون های بالقوه ریزگرد تهیه گردید و بر اساس یک طرح نمونه برداری مورد بازدید قرار گرفتند. نتایج نشان داد که با استفاده از تصاویر ماهواره ای و اعمال شاخص های طیفی، به خوبی می توان کانون های بالقوه تولید گرد و غبار را شناسایی نمود.

سری های زمانی شاخص های گیاهی سنجش از دور امکان بازیابی فنولوژی گیاهان را در سطح زمین فراهم کرده است. ابرها، رطوبت، و هواویزها باعث ایجاد نوفه در سیگنال های دریافتی سنجنده های ماهواره ای می شوند و در نتیجه کیفیت سری های زمانی کاهش می یابد. برای رفع این مشکل و بازسازی سری های زمانی، چندین تابع هموارسازی داده ها برای حذف نوفه استفاده می شود که، به دلیل اختلاف نظر درمورد عملکرد آن ها، مقایسه بین آن ها لازم است. اهداف این تحقیق ارزیابی عملکرد توابع مختلف هموارسازی در نرم افزار TIMESAT و تأثیرات آن ها در بازسازی سری های زمانی و برآورد پارامترهای فنولوژیکی آغاز فصل رشد (SOS) و پایان فصل رشد (EOS) با استفاده از داده های نمایه Greenness (سبزینگی) ماهواره لندست 8 است. پالایشگر ساویتزکی- گولی (S-G)، تابع نامتقارن گوسی (AG)، و لجستیک دوگانه (DL) برای برازش داده های Greenness   استفاده شد و عملکرد آن ها با استفاده از اندازه گیری خطای مجذور میانگین مربع (RMSE) و ضریب همبستگی پیرسون (r) ارزیابی شد. نتایج نشان داد که روش هموارسازی S-G در بازسازی سری های زمانی از دقت بیشتری (935/0 = r) برخوردار است. در برآورد پارامترهای فنولوژی، تابع هموارساز DL در برآورد آغاز فصل و تابع هموارساز AG در برآورد پایان فصل به ترتیب با 8 و 14 روز اختلاف با داده های مشاهداتی بهترین عملکرد را داشتند. این مطالعه نشان داد که روش های هموارسازی نرم افزار TIMESAT عملکرد مناسبی دارند