برآورد سطح پوشش برف از طریق تکنیک های شیءگرا با استفاده از تصاویر سنجنده های oli و tirs (مطالعه موردی: کوهستان سبلان)

مطالعه و اندازه گیری سطوح برف به عنوان یکی از منابع مهم تامین آب، بسیار حائز اهمیت است. با توجه به شرایط سخت فیزیکی محیط های کوهستانی، امکان اندازه گیری برف وجود ندارد. استفاده از سنجش ازدور با توجه به هزینه کم، به روز بودن و پوشش وسیع می تواند در شناسایی مناطق برف گیر روش مناسبی باشد. هدف اصلی این پژوهش تخمین سطح پوشش برف کوهستان سبلان با استفاده از تصاویر ماهواره ای سنجنده های oli و tirs و به وسیله روش طبقه بندی شیءگرا می باشد. طبقه بندی تصاویر رقومی ماهواره ای یکی از مهم ترین روش ها برای استخراج اطلاعات کاربردی محسوب می شود که در حال حاضر با دو روش پردازش پیکسل پایه و شیءگرا انجام می گیرد. روش پیکسل پایه که مبتنی بر طبقه بندی ارزش های عددی تصاویر است، و روش جدید شیءگرا که علاوه بر ارزش های عددی، اطلاعات مربوط به محتوا، بافت و زمینه را نیز در فرآیند طبقه بندی تصاویر به کار می گیرد. لذا در تحقیق حاضر بنا به دقت بالای طبقه بندی شیءگرا، برای استخراج سطح پوشش برفی از روش های شیءگرا استفاده شد. در این پژوهش، به دلیل استفاده از داده های با قدرت تفکیک مکانی بالا (30 متر) و روش نوین طبقه بندی تصاویر، سطح برف به وسیله شاخص نرمال شده تفاوت برفی (ndsi)، شاخص نرمال شده تفاوت پوشش گیاهی (ndvi)، دمای سطح زمین (lst) و ضریب روشنایی (brightness) با دقت کلی 91 درصد، به میزان 2142.62 کیلومترمربع برای محدوده کوهستانی سبلان استخراج گردید که از نتایج آن می توان به عنوان جایگزین ایستگاه های برف سنجی استفاده کرد.

Estimation of snow cover through object-oriented techniques using image sensors OLI and TIRS (Case Study: Sabalan Mountain)

It is very matter to study and measure snow covers as one of the important sources of water supply. Due to the hard physical conditions of mountainous environments, there is no possibility of snow measurement. the use of remote sensing with regard to low costs, uptodate and extensive coverage in this field can be proven to be a good way to identify in snowflake areas. the main objective of this research is to estimate the surface coverage of Sabalan mountains using satellite images of OLI and TIRS sensors and using the objectoriented classification method. The classification of satellite digital images is one of the most important methods for extracting information, which is currently done with two pixelbased and objectoriented processing methods. The base pixel method is based on the classification of numerical values of images, and the new objectoriented method, which, in addition to numerical values, uses content, Texture, and Background information also in the image classification process. Therefore, in the present study based on the precision of the objectoriented classification, the objectoriented techniques were used to extract the surface of snow cover. In this study, due to the use of high resolution spatial resolution (Landsat 8) and the new method of classification of images, the snow surface was characterized by Normalized Difference Snow Index (NDSI), Normalized Difference Vegetation Index (NDVI), Land Surface Temperature (LST), Brightness with a total accuracy of 91 percent, to 2142.62 square kilometers for the range Sabalan mountains have been extracted and the results can be used as alternatives to snowflake stations.