23923

MAP2 115

كارشناسي ارشد

مهندسي عمران نقشه برداري - سنجش از دور

مهندسي عمران و حمل و نقل

1403/06/20

101 ص.

سيدباقر فاطمي نصرآبادي

شاخص‌هاي گياهي , شاخص گياهي EVI , بهينه‌سازي توده ذرات , آناليز حساسيت

شاخص‌هاي گياهي معيارهايي هستند كه براي اندازه‌گيري و ارزيابي وضعيت گياهان استفاده مي‌شوند. يكي از اين شاخص‌ها، شاخص گياهي EVI مي‌باشد كه به عنوان نسخه بهبود يافته شاخص NDVI در كاهش اثرات ناشي از جو و خاك پس‌زمينه پيشنهاد شد. شاخص گياهي EVI2 نيز براي سنجنده‌هاي فاقد باند آبي مورد استفاده قرار مي‌گيرد. يكي از چالش‌هاي پيش رو، آناليز حساسيت اين شاخص‌ها به پارامترهاي موثر شامل قدرت تفكيك مكاني، ميزان پوشش گياهي، نوع توپوگرافي و تغيير فصل مي‌باشد. هدف اصلي در اين پايان‌نامه بررسي تاثير پارامترهاي موثر روي دو شاخص گياهي EVI و EVI2 مي‌باشد تا معلوم گردد آيا در همه شرايط مي‌توان از ضرايب ثابت استفاده كرد يا بهتر است براي هر تصوير متناسب با شرايط آن ضرايب بهينه محاسبه شوند. در اين پژوهش از تصاوير Landsat8، Sentinel2 و MODIS استفاده شده و با توجه به اينكه يكي از پارامترهاي محيطي مورد بررسي، تغيير فصل مي‌باشد براي هر كدام از سنجنده‌ها تصاوير مشابه در 4 فصل دريافت شدند و بعد از انجام تصحيحات متناسب با هر تصوير، سه محدوده از تصوير تصحيح شده براي پوشش گياهي با استفاده از شاخص گياهي NDVI شامل پوشش گياهي كمتر از 10 درصد(تنك)، بين 10 تا 20 درصد(متوسط) و بيشتر از 20 درصد(بالا) و 3 محدوده براي توپوگرافي كمتر از 3 درصد(كلاس 1)، بين 3 تا 7 درصد(كلاس 2) و بيشتر از 7 درصد(كلاس 3) جدا شدند. در نهايت 72 تصوير با خصوصيات مختلف از سه سنجنده مورد آزمايش قرار گرفته و نقشه‌هاي مرجع پوشش گياهي با استفاده از طبقه‌بندي SVM تهيه شدند. جهت محاسبه ضرايب بهينه دو شاخص EVI و EVI2 نيز از الگوريتم PSO به دليل سادگي، سرعت همگرايي بالا و همچنين محاسبات كمتر استفاده شده است. در نهايت در 72 تصويري كه بررسي‌ روي آن‌ها انجام گرفت، در شاخص گياهي EVI ضرايب استاندارد فقط براي 33٪ تصاوير عملكرد مناسبي از خود نشان داده و در 67٪ تصاوير ديگر الگوريتم PSO توانست ضرايبي را محاسبه كند كه نتايج بهتري نسبت به ضرايب استاندارد به دنبال داشتند. در شاخص EVI2 نيز 35٪ تصاوير با استفاده از ضرايب استاندارد و 65٪ تصاوير با استفاده از ضرايب بهينه عملكرد مناسبي از خود نشان دادند كه تعداد تصاوير در هر دو شاخص نشان مي‌دهد استفاده از ضرايب استاندارد در هر شرايطي مناسب نبوده و بهتر است متناسب با شرايط محيطي هر تصوير ضرايب محاسبه و سپس در شاخص موردنظر استفاده شوند.

Vegetation indices , Enhanced Vegetation Index , Particle swarm optimization , Sensitivity analysis

The sensitivity analysis of the coefficients of the Enhanced Vegetation Index (EVI) and EVI2 to changes in related environmental parameters and sensor type, and the estimation of their values using the PSO algorithm

مهندسي نقشه برداري

Vegetation indices are criteria used to measure and assess the condition of vegetation. These indices have also been developed to differentiate and extract vegetation cover on the Earthʹs surface using satellite images. Accordingly, many indices have been proposed, one of which is the Enhanced Vegetation Index (EVI), suggested as an improved version of the Normalized Difference Vegetation Index (NDVI) to reduce the effects caused by the atmosphere and background soil. The EVI2 is also used for sensors that do not have a blue band. One of the challenges ahead is the sensitivity analysis of the EVI and EVI2 vegetation indices to effective parameters, including spatial resolution, vegetation cover, topography type, and seasonal changes. As known from previous studies, fixed coefficients calculated from MODIS sensor images are used to compute the EVI and EVI2 vegetation indices. The main objective of this thesis is to examine the impact of effective parameters on the two vegetation indices, EVI and EVI2, to determine whether fixed coefficients can be used under all conditions or if it is better to calculate optimal coefficients for each image based on its conditions. In this research, Landsat 8, Sentinel 2, and MODIS images were used due to their availability and accessibility. Considering that one of the environmental parameters under investigation is seasonal change, similar images were obtained for each season, and after performing corrections suitable for each image, three ranges of the corrected image for vegetation cover were extracted using the NDVI, including less than 10% cover, between 10% and 20%, and more than 20%, along with three ranges for topography classes 1, 2, and 3. Therefore, in the end, for each of these, 24 images and a total of 72 images with different spatial resolutions, vegetation cover, and topography were tested across four seasons. Then, for each of the images, a reference map including two classes of vegetation cover and non-vegetation cover was prepared using the SVM classifier method in ENVI 5.3 software. To calculate the optimal coefficients, the PSO algorithm was used due to its simplicity, high convergence speed, and fewer computations. Ultimately, in the 72 images examined, the standard coefficients in the EVI vegetation index showed satisfactory performance for only 33% images, while in the other 67% images, the PSO algorithm was able to calculate coefficients that yielded better results than the standard coefficients. In the EVI2 index, 35% images using standard coefficients and 65% images using optimal coefficients showed satisfactory performance, indicating that the number of images in both indices suggests that the use of standard coefficients is not suitable under all conditions, and it is better to calculate coefficients according to the conditions of each image and then use them in the relevant index.

5

75828