Skip to main content
SUPERVISOR
Reza Jafari
رضا جعفری (استاد راهنما)
 
STUDENT
LALE DAVOUDI
لاله داودی

FACULTY - DEPARTMENT

دانشکده منابع طبیعی
DEGREE
Master of Science (MSc)
YEAR
1393
In recent years hyperspectral sensors have been developed with the ability to image hundreds of bands and are used in remote sensing. Hyperspectral data with the ability of spectral differentiation has the ability of recognition of arid land plants with low percentage of vegetation. Hyperion is a hyperspectral sensor which is a powerful tool for the identification of land coverage and has 240 bands on 400 nm to 2500 nm wavelength with the band width of 10 nm. Hyperion image is an unprocessed picture which is influenced by atmospheric effects and has noisy bands. The aim of this study is iection the potential of hyperspectral data level 1, Hyperion sensor in identifying endmembers of an entire Hyperion hyperspectral data. For this purpose subpixel SMA method is used for spectral differentiation of hyperspectral data and finally identifying endmembers. In this research, first bad pixels were omitted from hyperspectral image of Hyperion. Noisy and uncalibrated bands including bands (1-7, 58-76, 121-127, 129, 132, 165- 181, 183, 185- 187, 191, 205, 207- 210, 218- 223 and 225- 242) were omitted from the image and atmospheric correction of the image was done using FLAASH model in ENVI. The results showed specters of the image were improved after the atmospheric correction and absorbed bands of water were identified. After the atmospheric correction to extract the endmembers; MNF, PPI, multispectral space and SMA transformation methods were used. Spectral mixture analysis (SMA) is the partial coverage of different type of land coverage (for example green plant vegetation, litter, soil and shadow) that is simulated in a picture pixel. Finally, best bands for vegetation index were extracted using band ratio of hyperspectral Hyperion image and NDVI. The results of implementation of the mentioned methods on hyperspectral Hyperion image showed most data exists in the primary MNF images and in least data exists in the final images. PPI implementation with the threshold of 50000 led to separation of pure pixels of the image. In multi-dimensional space pixels were dir=ltr Key Words: Hyperxpectral, Endmember, SMA, MNF, PPI
در سال های اخیر با پیشرفت تکنولوژی در زمینه ساخت و نصب سنجنده های سنجش از دور نوری، سنجنده های ابرطیفی با افزایش قابلیت تصویربرداری در صدها باند، گسترش و در عرصه سنجش از دور مورد استفاده قرارگرفته اند. داده های فراطیفی با داشتن قدرت تفکیک طیفی بسیار بالا، قابلیت خوبی را در تشخیص گیاهان مناطق خشک با درصد کم پوشش گیاهی دارند. هایپریون یک سنجنده فراطیفی است که ابزار قدرتمندی برای شناسایی پوشش زمین می باشد، در 242 باند در طول موج 400نانومتر تا 2500 نانومتر با پهنای باند 10 نانومتر هستند. تصویر هایپریون یک تصویر خام است که تحت تاثیر اثرات جوی بوده و دارای باندهای نویز دار می باشد. هدف این مطالعه بررسی پتانسیل داده های فراطیفی سطح یک سنجنده هایپریون در شناسایی عضوهای پایانی شهرستان اصفهان می باشد.برای این منظور روش تحت پیکسلSMA برای جداسازی طیفی داده‌های فراطیفی و در نهایت شناسایی عضوهای پایانی استفاده شد. در این پژوهش، ابتدا از تصویر فراطیفی هایپریون پیکسل های بد حذف گردید. باندهای نویز دار و غیر کالیبره شامل باندهای(1تا 7، 58تا 76، 121 تا 127، 129، 132، 165تا 181، 183، 185تا 187، 191، 205، 207 تا 210، 218 تا 223و 225 تا 242) ازتصویر حذف شده و تصحیح اتمسفری تصویر با استفاده از مدل FLAASH در ENVI انجام شد. پس از تصحیح اتمسفری برای استخراج عضوهای پایانی، از روش های تبدیل MNF، PPI، فضای چند بعدی و SMA بهره گرفته شد. آنالیز ترکیب طیفی (SMA) پوشش جزئی انواع عمده پوشش زمین( به عنوان مثال، پوشش گیاهی سبز، پوشش گیاهی غیر فتوسنتزی، خاک، و سایه) را درون یک پیکسل تصویر مدل سازی می کند. در نهایت با استفاده از هبستگی بین باندهای تصویر فراطیفی هایپریون و NDVI بهترین باندها برای شاخص گیاهی استخراج شد. نتایج حاصل از اعمال روش‌های مذکور بر روی تصویرفراطیفی هایپریون نشان داد که شش عضو پایانی قابل استخراج است و در نهایت نتایج حاصل از ورش کار مذکور بررسی و صحت سنجی گردید. عضوهای پایانی استخراج شده از تصویر هایپریون بیش از70 درصد با داده های زمینی هم خوانی داشتند که این امر بیانگر پتانسیل بالای داده های فر اطیفی در شناسایی انواع پوشش مناطق خشک می باشد. به طور کلی، نتایج حاکی از آن است که در مناطق با درصد پوشش گیاهی اندک روش تحت پیکسل SMA کارآمد است. نتایج بررسی نسبتهای باندی هایپریون نشان داد برخی نسبتهای باندی ابزار مناسبی برای ارزیابی پوشش گیاهی هستند و در مناطق با پوشش گیاهی کم می توانند موفق عمل کنند. کلمات کلیدی: SMA ,PPI, MNF, ، تحت پیکسل, عضو پایانی, فراطیفی

تحت نظارت وف ایرانی