سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات161
تعداد شماره‌ها6,532
تعداد مقالات70,501
تعداد مشاهده مقاله124,111,193
تعداد دریافت فایل اصل مقاله97,214,736
میراحمدی, اکبر, یزدان پناه, حجت اله, مومنی شهرکی, مهدی. (1401). ارزیابی روش‌های هموارسازی برای بازسازی سری‌زمانی نمایه‌ گیاهی Greenness و برآورد فنولوژی کلزا از داده‌های ماهواره لندست8 مطالعه موردی: منطقه فرخشهر. , 54(1), 55-70. doi: 10.22059/jphgr.2022.327272.1007633
اکبر میراحمدی; حجت اله یزدان پناه; مهدی مومنی شهرکی. "ارزیابی روش‌های هموارسازی برای بازسازی سری‌زمانی نمایه‌ گیاهی Greenness و برآورد فنولوژی کلزا از داده‌های ماهواره لندست8 مطالعه موردی: منطقه فرخشهر". , 54, 1, 1401, 55-70. doi: 10.22059/jphgr.2022.327272.1007633
میراحمدی, اکبر, یزدان پناه, حجت اله, مومنی شهرکی, مهدی. (1401). 'ارزیابی روش‌های هموارسازی برای بازسازی سری‌زمانی نمایه‌ گیاهی Greenness و برآورد فنولوژی کلزا از داده‌های ماهواره لندست8 مطالعه موردی: منطقه فرخشهر', , 54(1), pp. 55-70. doi: 10.22059/jphgr.2022.327272.1007633
میراحمدی, اکبر, یزدان پناه, حجت اله, مومنی شهرکی, مهدی. ارزیابی روش‌های هموارسازی برای بازسازی سری‌زمانی نمایه‌ گیاهی Greenness و برآورد فنولوژی کلزا از داده‌های ماهواره لندست8 مطالعه موردی: منطقه فرخشهر. , 1401; 54(1): 55-70. doi: 10.22059/jphgr.2022.327272.1007633

ارزیابی روش‌های هموارسازی برای بازسازی سری‌زمانی نمایه‌ گیاهی Greenness و برآورد فنولوژی کلزا از داده‌های ماهواره لندست8 مطالعه موردی: منطقه فرخشهر

پژوهش های جغرافیای طبیعی
دوره 54، شماره 1، اردیبهشت 1401، صفحه 55-70    اصل مقاله (1.05 M)
نوع مقاله: مقاله کامل
شناسه دیجیتال (DOI): 10.22059/jphgr.2022.327272.1007633
نویسندگان
اکبر میراحمدی1؛ حجت اله یزدان پناه* 2؛ مهدی مومنی شهرکی3
1دانشجوی دکتری گروه جغرافیای طبیعی، دانشگاه اصفهان، اصفهان، ایران
2دانشیار گروه جغرافیای طبیعی، دانشگاه اصفهان، اصفهان، ایران
3دانشیار گروه مهندسی نقشه‏برداری، دانشگاه اصفهان، اصفهان، ایران
چکیده
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، مقایسة بین آن‏ها لازم است. اهداف این تحقیق ارزیابی عملکرد توابع مختلف هموارسازی در نرم‏افزار TIMESAT و تأثیرات 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) ماهوارة لندست 8 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 (935/0 = r) برخوردار است. در برآورد پارامترهای فنولوژی، تابع هموارساز DL در برآورد آغاز فصل و تابع هموارساز AG در برآورد پایان فصل به‏ترتیب با 8 و 14 روز اختلاف با داده‏های مشاهداتی بهترین عملکرد را داشتند. این مطالعه نشان داد که روش‏های هموارسازی نرم‏افزار TIMESAT عملکرد مناسبی دارند
کلیدواژه‌ها
آغاز فصل (SOS)؛ پایان فصل (EOS)؛ تبدیل تسلدکپ؛ توابع هموارسازی نرم‏افزار TIMESAT
مراجع
  1. آقابابایی، م.؛ ابراهیمی، ع. و طهماسبی، پ. (1397). مقایسة شاخص‏های گیاهی و تبدیل تسلدکپ در برآورد میزان کربن آلی خاک با استفاده از تصاویر سنجندة لندست 8 -OLI در مراتع نیمه‏استپی، سنجش‏ از دور و سامانة اطلاعات جغرافیایی در منابع طبیعی، 9(3): 85-99.
  2. پورغلام آمیجی، م.؛ انصاری قوجقار، م.؛ بذرافشان، ج.؛ لیاقت، ع. و عراقی‏نژاد، ش. (1399). مقایسة عملکرد مدل‏های سری زمانی SARIMA و Holt-Winters با روش‏های هوش مصنوعی در پیش‏ بینی طوفان‏های گردوغبار (مطالعة موردی: استان سیستان و بلوچستان)، پژوهش‏های جغرافیای طبیعی، 52(4): 567-587.
  3. حیدری بنی، م.؛ یزدان‏پناه، ح. و محنت‏کش، ع. (1397). بررسی اثرات تغییر اقلیم بر عملکرد و مراحل فنولوژیکی کلزا (مطالعۀ موردی: استان چهارمحال و بختیاری)، پژوهش‏های جغرافیای طبیعی، 50(2): 373-389.
  4. رایگانی، ب.؛ ارزانی، ح.؛ حیدری علمدارلو، ا. و مقدمی، م. م. (1398). کاربرد سنجش از دور به‏منظور ارزیابی تغییر اقلیم بر تولید و فنولوژی گیاهان (منطقة مورد مطالعه: استان تهران)، مرتع، 13(3): 450-460.
  5. رایگانی، ب. (1398). شناسایی کانون‏های بالقوة تولید گرد و غبار با استفاده از داده‏های سنجش از دور (مطالعة موردی: استان البرز)، مخاطرات محیط طبیعی، 8(20): 1-20.
  6. ریگی، م.؛ پیری ‏صحراگرد، ح.؛ دهمرده قلعه‏نو، م. و شهرکی، ا. (1397). ارزیابی تغییرات کاربری اراضی با استفاده از داده‏های سنجش از دور (مطالعة موردی: حوضة آبخیز نوک‏آباد، شهرستان خاش)، جغرافیا، 16(59): 191-204.
  7. زنگنه، م.؛ صفایی، م. ج. و سمیعی، م. (1398). کنکاشی بر رویکرد توانمندسازی جهت سامان‏دهی سکونتگاه‏های غیررسمی (نمونة موردی: شهر تربت حیدریه)، جغرافیا، 17(62): 191-205.
  8. فاطمی م ، رضائی ع؛ 1393 ،مبانی سنجش از دور، انتشارات آزاده، تهران، چاپ چهارم، ص296.
  9. قائمی، م.؛ ثنایی‏نژاد، س. ح.؛ آستارایی، ع. و میرحسینی، پ. (1389). بررسی و مقایسة شاخص‏های مختلف گیاهی با استفاده از تصاویر ماهواره‏ای ETM برای مطالعات پوشش گیاهی دشت نیشابور، خراسان رضوی، نشریة پژوهش‏های زراعی ایران، 8(1): 128-137.
  10. قمقامی، م.؛ قهرمان، ن.؛ قربانی، خ. و ایران‏نژاد، پ. (1396). کاربرد تصاویر ماهواره‏ای چندزمانه در بهبود دقت مدل‏های پیش‏یابی فنولوژی ذرت، تحقیقات آب و خاک ایران، 48(1): 11-24.
  11. Atkinson, P. M.; Jeganathan, C.; Dash, J. and Atzberger, C. (2012). Inter-comparison of four models for smoothing satellite sensor time-series data to estimate vegetation phenology, Remote sensing of environment, 123, 400-417.‏
  12. Baig, M. H. A.; Zhang, L.; Shuai, T. and Tong, Q. (2014). Derivation of a tasseled cap transformation based on Landsat 8 at-satellite reflectance, Remote Sensing Letters, 5(5): 423-431.
  13. Beck, P. S.; Atzberger, C.; Høgda, K. A.; Johansen, B. and Skidmore, A. K. (2006). Improved monitoring of vegetation dynamics at very high latitudes: A new method using MODIS NDVI, Remote sensing of Environment, 100(3): 321-334.‏
  14. Bradley, B. A.; Jacob, R. W.; Hermance, J. F. and Mustard, J. F. (2007). A curve fitting procedure to derive inter-annual phenologies from time series of noisy satellite NDVI data, Remote sensing of environment, 106(2): 137-145.‏
  15. Cai, Z.; Jönsson, P.; Jin, H. and Eklundh, L. (2017). Performance of smoothing methods for reconstructing NDVI time-series and estimating vegetation phenology from MODIS data, Remote Sensing, 9(12): 1-17.‏
  16. Chen, J.; Jönsson, P.; Tamura, M.; Gu, Z.; Matsushita, B. and Eklundh, L. (2004). A simple method for reconstructing a high-quality NDVI time-series data set based on the Savitzky–Golay filter, Remote sensing of Environment, 91(3-4): 332-344.‏
  17. Chen, W.; Foy, N.; Olthof, I.; Latifovic, R.; Zhang, Y.; Li, J. ... and Stewart, H. M. (2013). Evaluating and reducing errors in seasonal profiles of AVHRR vegetation indices over a Canadian northern national park using a cloudiness index, International Journal of Remote Sensing, 34(12): 4320-4343.‏
  18. Cheng, J., and Liang, S. (2014), Estimating the broadband longwave emissivity of global bare soil from the MODIS shortwave albedo product, J. Geophys. Res. Atmos., 119, 614– 634,
  19. Cong, N.; Wang, T.; Nan, H.; Ma, Y.; Wang, X.; Myneni, R. B. and Piao, S. (2013). Changes in satellite‐derived spring vegetation green‐up date and its linkage to climate in China from 1982 to 2010: a multimethod analysis, Global change biology, 19(3): 881-891.‏
  20. Crist, E. P. and Cicone, R. C. (1984). Application of the tasseled cap concept to simulated thematic mapper data, Photogrammetric engineering and Remote sensing, 50(3): 343-352.‏
  21. Dymond, C. C.; Mladenoff, D. J. and Radeloff, V. C. (2002). Phenological differences in Tasseled Cap indices improve deciduous forest classification, Remote sensing of environment, 80(3): 460-472.‏
  22. Eklundha, L. and Jönsson, P. (2017). TIMESAT 3.3 with seasonal trend decomposition and parallel processing Software Manual, Lund and Malmo University, Sweden. Retrieved from http://www.nateko.lu.se/TIMESAT/ 2017- 05-29.
  23. Gao, F.; Morisette, J. T.; Wolfe, R. E.; Ederer, G.; Pedelty, J.; Masuoka, E. ... and Nightingale, J. (2008). An algorithm to produce temporally and spatially continuous MODIS-LAI time series, IEEE Geoscience and Remote Sensing Letters, 5(1): 60-64.‏
  24. Geng, L.; Ma, M.; Wang, X.; Yu, W.; Jia, S. and Wang, H. (2014). Comparison of eight techniques for reconstructing multi-satellite sensor time-series NDVI data sets in the Heihe river basin, China, Remote Sensing, 6(3): 2024-2049.‏
  25. Gómez, C.; Wulder, M. A.; White, J. C.; Montes, F. and Delgado, J. A. (2012). Characterizing 25 years of change in the area, distribution, and carbon stock of Mediterranean pines in Central Spain, International Journal of Remote Sensing, 33(17): 5546-5573.‏
  26. Goward, S. N.; Markham, B.; Dye, D. G.; Dulaney, W. and Yang, J. (1991). Normalized difference vegetation index measurements from the Advanced Very High Resolution Radiometer, Remote sensing of environment, 35(2-3): 257-277.‏
  27. Guo, L.; An, N. and Wang, K. (2016). Reconciling the discrepancy in ground‐and satellite‐observed trends in the spring phenology of winter wheat in China from 1993 to 2008, Journal of Geophysical Research: Atmospheres, 121(3): 1027-1042.
  28. Han, H.; Bai, J.; Ma, G. and Yan, J. (2020). Vegetation Phenological Changes in Multiple Landforms and Responses to Climate Change, ISPRS International Journal of Geo-Information, 9(2) 111.
  29. Hanes, J. M.; Liang, L. and Morisette, J. T. (2013). Land surface phenology, In Biophysical applications of satellite remote sensing, Springer, Berlin, Heidelberg.‏
  30. Hird, J. N. and McDermid, G. J. (2009). Noise reduction of NDVI time series: An empirical comparison of selected techniques, Remote Sensing of Environment, 113(1): 248-258.‏
  31. Jonsson, P. and Eklundh, L. (2002). Seasonality extraction by function fitting to time-series of satellite sensor data, IEEE transactions on Geoscience and Remote Sensing, 40(8): 1824-1832.‏
  32. Jönsson, P. and Eklundh, L. (2004). TIMESAT—a program for analyzing time-series of satellite sensor data, Computers & geosciences, 30(8): 833-845.‏
  33. Kandasamy, S. and Fernandes, R. (2015). An approach for evaluating the impact of gaps and measurement errors on satellite land surface phenology algorithms: Application to 20 years NOAA AVHRR data over Canada, Remote Sensing of Environment, 164: 114-129.‏
  34. Karkauskaite, P.; Tagesson, T. and Fensholt, R. (2017). Evaluation of the plant phenology index (PPI), NDVI and EVI for start-of-season trend analysis of the Northern Hemisphere boreal zone, Remote Sensing, 9(5): 1:21‏
  35. Kowalski, K.; Senf, C.; Hostert, P. and Pflugmacher, D. (2020). Characterizing spring phenology of temperate broadleaf forests using Landsat and Sentinel-2 time series, International Journal of Applied Earth Observation and Geoinformation, 92: :118.
  36. Lara, B. and Gandini, M. (2016). Assessing the performance of smoothing functions to estimate land surface phenology on temperate grassland, International Journal of Remote Sensing, 37(8): 1801-1813.‏
  37. Ma, X.; Huete, A.; Yu, Q.; Coupe, N. R.; Davies, K.; Broich, M. ... and Eamus, D. (2013). Spatial patterns and temporal dynamics in savanna vegetation phenology across the North Australian Tropical Transect, Remote sensing of Environment, 139: 97-115.‏
  38. Melaas, E. K.; Friedl, M. A. and Zhu, Z. (2013). Detecting interannual variation in deciduous broadleaf forest phenology using Landsat TM/ETM+ data, Remote Sensing of Environment, 132: 176-185.‏
  39. Richardson, A. D.; Anderson, R. S.; Arain, M. A.; Barr, A. G.; Bohrer, G.; Chen, G. ... and Xue, Y. (2012). Terrestrial biosphere models need better representation of vegetation phenology: results from the North American Carbon Program Site Synthesis, Global Change Biology, 18(2): 566-584.‏
  40. Sakamoto, T.; Yokozawa, M.; Toritani, H.; Shibayama, M.; Ishitsuka, N. and Ohno, H. (2005). A crop phenology detection method using time-series MODIS data, Remote sensing of environment, 96(3-4): 366-374.‏
  41. Samarawickrama, U.; Piyaratne, D. and Ranagalage, M. (2017). Relationship between NDVI with Tasseled cap Indices: A Remote Sensing based Analysis, IJIRT, 3(12): 13-19.
  42. Shao, Y.; Lunetta, R. S.; Wheeler, B.; Iiames, J. S. and Campbell, J. B. (2016). An evaluation of time-series smoothing algorithms for land-cover classifications using MODIS-NDVI multi-temporal data, Remote Sensing of Environment, 174: 258-265.‏
  43. St Peter, J.; Hogland, J.; Hebblewhite, M.; Hurley, M. A.; Hupp, N. and Proffitt, K. (2018). Linking phenological indices from digital cameras in Idaho and Montana to MODIS NDVI, Remote Sensing, 10(10) 1601:1612.‏
  44. Tucker, C. J. (1979). Red and photographic infrared linear combinations for monitoring vegetation, Remote sensing of Environment, 8(2): 127-150.‏
  45. White, M. A.; de Beurs, K. M.; Didan, K.; Inouye, D. W.; Richardson, A. D.; Jensen, O. P. ... and Lauenroth, W. K. (2009). Intercomparison, interpretation, and assessment of spring phenology in North America estimated from remote sensing for 1982–2006, Global Change Biology, 15(10): 2335-2359.‏
  46. You, X.; Meng, J.; Zhang, M. and Dong, T. (2013). Remote sensing-based detection of crop phenology for agricultural zones in China using a new threshold method, Remote Sensing, 5(7): 3190-3211.‏
  47. Zhang, X.; Schaaf, C. B.; Friedl, M. A.; Strahler, A. H.; Gao, F. and Hodges, J. C. (2002). MODIS tasseled cap transformation and its utility, In IEEE International Geoscience and Remote Sensing Symposium, Vol. 2, PP. 1063-1065.
  48. Zhu, L. and Meng, J. (2015). Determining the relative importance of climatic drivers on spring phenology in grassland ecosystems of semi-arid areas, International journal of biometeorology, 59(2): 237-248.
  49. Aghababaei, M.; Ebrahimi, A.; Tahmasebi, P. (2018). Comparison of vegetation indices and Tassled cap Transformation in estimating soil organic carbon content using Landsat 8 -OLI sensor images in semi-steppe rangelands, Remote Sensing and Geographic Information System in Natural Resources, 9(3): 85-99.
  50. Ghamghami, M.; Ghahreman, N.; Ghorbani, K. and Irannejad, P. (2017). Application of Multi-Time Satellite Images in Improving the Accuracy of Corn Phenology Prediction Models, Iranian Soil and Water Research, 48 (1): 11-24.
  51. Heydari Beni, M.; Yazdanpanah, H. and Mehnatkesh, A. (2018). Investigating the effects of climate change on canola yield and phenological stages (Case study: Chaharmahal and Bakhtiari province), Natural Geography Research, 50 (2): 373-389.
  52. Pourghlam Amiji, M.; Ansari Qujqar, M.; Bazrafshan, J.; Liaqat, A. and Iraqi Nejad, Sh. (2020). Comparison of the performance of SARIMA and Holt-Winters time series models with artificial intelligence methods in predicting dust storms (Case study: Sistan and Baluchestan province), Natural Geography Research, 52 (4): 567-587.
  53. Qaemi, M.; Sanaei Nejad, S. H.; Astarai, A. and Mir Hosseini, P. (2010). Study and comparison of different vegetation indices using ETM satellite images for vegetation studies in Neishabour plain, Khorasan Razavi, Iranian Journal of Crop Research, 8 (1): 128-137.
  54. Raiegani, B.; Arzani, H.; Heidari Alamdarloo, A. and Moghaddami, M. M. (2019). Application of remote sensing to evaluate climate change on plant production and phenology (study area: Tehran province), Range, 13(3): 450-460.
  55. Raiegani, B. (2019). Identification of potential centers of dust production using remote sensing data (Case study: Alborz province), Natural hazards, 8 (20): 1-20.
  56. Rigi, M.; Piri Sahragard, H., Dehmardeh Qaleh, M. and Shahraki, A. (2018). Evaluation of Land Use Changes Using Remote Sensing Data (Case Study: Nokabad Watershed, Khash County), Geography, 16(59): 191-204.
  57. Zanganeh, M.; Safaei, M. J. and Samiei, M. (2019). Research on the empowerment approach for organizing informal settlements (Case study: Torbat-e Heydariyeh), Geography, 17(62): 191-205.
آمار
تعداد مشاهده مقاله: 425
تعداد دریافت فایل اصل مقاله: 240


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب