ارزيابي تغييرات فنولوژيكي پوشش گياهي شهري اصفهان با سريزماني شاخص گياهي سنجش از دوري در سال‌هاي 1370 تا 1402 به‌وسيله تنظيم داده‌هاي چند سنجنده‌اي

Abstract This study investigates vegetation cover changes over a 30-year period using satellite remote sensing data an‎d various vegetation indices derived from them. Lan‎dsat (5 to 9) an‎d Sentinel-2 satellite imagery served as the primary data sources. The main objectives include analyzing phenological changes in vegetation, eva‎luating different vegetation indices, an‎d assessing how the choice of indices an‎d sensors influences the final time series. Key vegetation indices employed were NDVI (Normalized Difference Vegetation Index), EVI (Enhanced Vegetation Index), an‎d AFRI (Aerosol-Free Vegetation Index). Data processing methods encompassed preprocessing an‎d corrections, time series smoothing using moving average algorithms, an‎d multi-sensor data harmonization through regression models. Additionally, data simulation techniques were applied to integrate information from different sensors an‎d mitigate discrepancies arising from sensor variations. Time series analysis revealed that variations in vegetation indices depend on climatic conditions, vegetation type, an‎d density. NDVI exhibited higher values in agricultural areas compared to grasslan‎ds an‎d forests, demonstrating greater temporal stability than AFRI an‎d EVI. Comparative analysis of multi-sensor data highlighted spectral ban‎d differences, particularly in near-infrared (NIR) resolution between Lan‎dsat an‎d Sentinel-2, leading to variations in computed vegetation indices. Linear regression models proved more effective for Lan‎dsat data, whereas quadratic nonlinear regression was better suited for Sentinel-2 data. Stationarity tests indicated that Sentinel-2 time series exhibited weaker stability an‎d more structural breaks than Lan‎dsat, underscoring its higher sensitivity to environmental changes. To detect change points in vegetation index time series, the Dynamic Time Warping (DTW) algorithm was applied, identifying significant shifts often coinciding with sensor calibration changes. Multi-sensor data integration enhanced time series accuracy, while statistical models an‎d time series analysis algorithms improved change-point detection an‎d vegetation stability assessment. This study underscores the importance of harmonizing multi-sensor datasets for robust long-term vegetation monitoring. Keywords: Time series, Phenology, Vegetation Index, Lan‎dsat 5 to 9, Sentinel 2

Time series , Phenology , Vegetation Index , Landsat 5 to 9 , Sentinel 2

eva‎luation of area phenological change of Isfahan’s vegetation covers based on remote sensing VI time series during 1990 till 2023 using a multi-sensor calibration approach

مهندسي نقشه برداري

چكيده در اين تحقيق با هدف بررسي تغييرات پوشش گياهي در يك بازه زماني 30 ساله با استفاده از داده‌هاي سنجنده‌هاي ماهواره‌اي و شاخص‌هاي مختلف پوشش گياهي حاصل از آن‌ها انجام شده است. تصاوير ماهواره‌اي لندست (5 تا 9) و سنتينل 2 به عنوان منابع اصلي داده مورد استفاده قرار گرفته‌اند. هدف اصلي، تحليل تغييرات فنولوژيكي در پوشش گياهي، بررسي شاخص‌هاي مختلف و چگونگي تأثير انتخاب شاخص و سنجنده‌هاي مختلف بر سري زماني نهايي است. براي بررسي تغييرات فنولوژيكي، از شاخص‌هاي NDVI (شاخص نرمال‌شده تفاضلي پوشش گياهي)، EVI (شاخص بهبوديافته پوشش گياهي) و AFRI (شاخص پوشش گياهي بدون اثر آئروسل) استفاده شده است. روش‌هاي پردازش داده‌ها شامل پيش‌پردازش‌ها و تصحيحات‌، نرم ‌سازي سري‌هاي زماني با استفاده از الگوريتم ميانگين متحرك، و تنظيم داده‌هاي چند سنجنده‌اي با استفاده از مدل‌هاي رگرسيوني بوده است. علاوه بر اين، از روش شبيه‌سازي داده‌ها براي يكپارچه‌سازي اطلاعات سنجنده‌هاي مختلف و كاهش اختلافات ناشي از تفاوت‌هاي سنجنده‌ها استفاده شده است. تحليل سري‌هاي زماني نشان داد كه تغييرات در مقادير شاخص‌هاي گياهي به شرايط اقليمي، نوع پوشش گياهي و تراكم آن وابسته است. شاخص NDVI در مناطق كشاورزي، مقادير بالاتري نسبت به مراتع و درختان نشان داد. همچنين، مشخص شد كه شاخص NDVI نسبت به AFRI و EVI پايداري بيشتري در طول زمان دارد. بررسي داده‌هاي حاصل از سنجنده‌هاي مختلف نشان داد كه تفاوت در باندهاي طيفي و ويژگي‌هاي طيفي سنجنده‌ها باعث ايجاد اختلاف در مقادير شاخص‌هاي گياهي مي‌شود. به‌طور خاص، سنجنده‌هاي لندست داراي باند مادون‌قرمز نزديك (NIR) با تفكيك طيفي متفاوتي نسبت به سنتينل 2 هستند كه اين موضوع منجر به اختلاف در مقادير شاخص‌هاي گياهي محاسبه‌شده از اين دو منبع داده شده است. براي كاهش اين اختلافات، از مدل‌هاي رگرسيوني خطي و غيرخطي استفاده شد كه نتايج نشان داد مدل رگرسيون خطي براي داده‌هاي لندست و مدل رگرسيون غيرخطي درجه دو براي داده‌هاي سنتينل مناسب‌تر است. براي بررسي بيشتر سري‌هاي زماني، از تست‌هاي ايستايي استفاده شد. نتايج نشان داد كه سري‌هاي زماني داده‌هاي سنتينل داراي ايستايي ضعيف‌تر و شكست ساختاري بيشتري نسبت به داده‌هاي لندست هستند، كه نشان‌دهنده حساسيت بالاتر سنتينل به تغييرات محيطي است. اين موضوع اهميت يكپارچه‌سازي و تنظيم داده‌هاي چند سنجنده‌اي را برجسته مي‌كند. براي شناسايي نقاط تغيير در سري‌هاي زماني شاخص‌هاي پوشش گياهي، از الگوريتم Dynamic Time Warping (DTW) استفاده شد كه قادر به تشخيص پله در سري‌هاي زماني است. اين روش نشان داد كه تغييرات عمده در پوشش گياهي بيشتر در نقاطي رخ مي‌دهد كه تغييرات كاليبراسيون سنجنده‌ها اتفاق افتاده است. تركيب داده‌هاي چند سنجنده‌اي باعث افزايش دقت سري‌هاي زماني شده و استفاده از مدل‌هاي آماري و الگوريتم‌هاي تحليل سري‌هاي زماني به شناسايي بهتر نقاط تغيير و ارزيابي پايداري پوشش گياهي كمك مي‌كند. كليد واژه‌ها: سري زماني، فنولوژي (رشدشناسي)، شاخص گياهي، سنتينل2، لندست 5 تا 9

6 فصل