ارزیابی الگوریتم‌های ریزمقیاس‌نمایی مکانی‌ ‌زمانی داده‌های مادیس به داده‌های سنتینل‌ 2 در کلاس‌های متفاوت پوشش زمین

داده‌های سنجش از دوری، با قدرت تفکیک مکانی بالا، اغلب دارای قدرت تفکیک زمانی و طیفی پایین و داده‌های با قدرت تفکیک مکانی پایین دارای قدرت تفکیک طیفی و زمانی بالا هستند. باوجوداین‌، درحال‌حاضر، سنجنده‌های ماهواره‌ای به‌تنهایی نمی‌توانند داده‌هایی با قدرت تفکیک زمانی و قدرت تفکیک مکانی بالا را هم‌زمان ارائه ‌کنند. این درحالی است که در برخی کاربردها دسترسی هم‌زمان به داده‌هایی با قدرت تفکیک مکانی و زمانی بالا ضروری است؛ ازاین‌رو در این مطالعه، با هدف دستیابی به داده‌های دارای قدرت تفکیک مکانی و زمانی بالا، تصاویر مادیس در کلاس‌های کاربری شهری، باغ، مرتع، کشاورزی و آب ازطریق الگوریتم‌های starfm ، estarfm وfsdaf به قدرت تفکیک مکانی سنتینل ‌ 2، ریز‌مقیاس شد. منطقه مطالعاتی با تنوع پوشش‌های زمین گوناگون در اطراف شهر مهاباد انتخاب شد. در این مطالعه، باندهای مرئی و مادون‌قرمز‌ نزدیک در سنتینل‌ 2 و مادیس انتخاب و پیش‌پردازش‌های لازم، ازجمله تصحیح هندسی، روی آنها انجام شد. سپس با استفاده از الگوریتم‌های ریزمقیاس‌نمایی، تصاویر مادیس به تصاویر سنتینل ‌ 2 ریزمقیاس شد. نتایج نشان‌دهنده صحت بالای کلاس‌های شهری، باغ و مرتع در قیاس با کلاس‌های کشاورزی و آب است؛‌ به‌گونه‌ای که الگوریتم‌های estarfm، fsdaf و starfm به‌صورت میانگین در همه باندها، به‌ترتیب برای کلاس شهری، ضریب تعیین 25/88، 25/87 و 5/86، درمورد کلاس باغ ضریب تعیین 75/83، 25/83 و 5/80 و درمورد کلاس مرتع، ضریب تعیین 75/90، 5/70 و 5/87 را نشان دادند. درمجموع، الگوریتم estarfm در مقایسه با دیگر الگوریتم‌ها در این تحقیق، نتیجه‌ای بهتر دربرداشت.

evaluation of spatio-temporal downscaling algorithms of modis data to sentinel- 2 data in different land cover classes

normally, images with a high resolution (temporal or spatial) are available, while there is a limitation in accessing images which are simultaneously high spatial and temporal resolution. while, in some applications, access to images with high spatial and temporal resolution is necessary. therefore, this study was conducted to downscaling modis images to sentinel- 2 spatial resolution by starfm, estarfm and fsdaf spatio-temporal downscaling algorithms in different land cover classes including urban, garden, pasture, agricultural and water classes. the study area was selected with a variety of land covers around the city of mahabad, iran. first, the corresponding visible and near-infrared bands in sentinel- 2 and modis were selected and necessary pre-processes such as geometric correction were done on these images. then, sentinel- 2 images were simulated using downscaling algorithms. the results indicated the accuracy of downscaling in the urban, garden and pasture classes compared to the agricultural and water classes. so that the estarfm, fsdaf and starfm algorithms averagely showed the coefficient of determination of 88.25, 87.25 and 86.5 for the urban class, the coefficient of determination of 83.75, 83.25 and 80.5 for the garden class and the coefficient of determination of 90.75, 70.5 and 87.5 for the pasture class in all bands