ارزیابی عملکرد مکانی و زمانی الگوریتم ریزمقیاس‌ سازی estarfm در تولید تصاویر لندست-مانند از تصاویر مادیس

سری های زمانی داده های سنجش از دوری نقش مهمی در مدلسازی و پایش تغییرات عوارض و پدیده های سطح زمین در گذر زمان دارند. با این وجود، در حالی که سری زمانی تصاویر سنجنده‌های با قدرت تفکیک مکانی پایین (بیش از 100 متر از قبیل مادیس) در دسترس می باشند امکان تهیه سری زمانی منظم از داده های ماهواره های اپتیک با قدرت تفکیک مکانی مناسب (بهتر از 30 متر از جمله لندست) با توجه به پیکربندی مداری ماهواره ها و همچنین ابرناکی، بخصوص در مناطق مرطوب و مرتفع، چالشی اساسی در استفاده از این داده ها می باشد. یکی از روش‌های مرسوم برای برطرف ساختن این چالش، تولید تصاویر لندستمانند با استفاده از ریزمقیاس نمایی تصاویر مادیس با استفاده از مدلهایی نظیر، مدل estarfm است. این تحقیق به ارزیابی کمی مدل estarfm به منظور ریزمقیاس نمایی تصاویر مادیس جهت تولید تصاویر لندستمانند در مناطق غیرهمگن با استفاده از سه روش بازنمونه‌گیری تصویر، پوشش‌های زمینی مختلف و اختلاف زمانی بین تصاویر ورودی و شبیه سازی شده پرداخته است. نتایج نشان داد که استفاده از مدل با روش بازنمونه گیری خطی دوسویه با اختلاف جزیی عملکرد بهتری نسبت به سایر روش‌های بازنمونه گیری دارد. همچنین مدل estarfm قادر به تولید تصاویر لندستمانند با rmse بهتر از 0.02 بازتابندگی سطحی و ضریب تعیین بالاتر از 90 درصد در پوشش‌های مختلف زمینی می‌باشد. علاوه بر این، با افزایش اختلاف زمانی بین تصاویر ورودی و تصویر شبیه‌سازی شده دقت مدل به صورت معنی‌داری کاهش پیدا می‌کند.

On the spatial and temporal perfomance of ESTARFM downscaling method for generating Landsat-like imagery

AbstractSatellite time series data play a key role in characterizing land surface change and monitoring of short and longterm land cover change processes over time. While coarse spatial resolution optical sensors (e.g. MODIS) can provide appropriate time series data, the temporal resolution of high to intermediate spatial resolutions sensors (1100 m e.g. Landsat) does not allow for having temporally frequent measurements because of the orbital configuration of such sensors and cloud contamination. A promising approach for addressing this challenge and producing Landsatlike imageries is the blending of data from coarse spatial resolution sensors like MODIS. Among different approaches proposed in the literature, the ESTARFM model has been reported to outperform other models in generating Landsatlike imageries with reasonable accuracy over heterogeneous areas. Despite the large body of studies implementing ESTRAFM for downscaling MODIS data, quantitative evaluation of the model under different conditions has not yet been investigated. This study quantitatively evaluates model performance over different land cover types, resampling methods and timedifference analysis between input and synthetic images. The results demonstrated that employing bilinear resampling in the ESTARFM produces results slightly better than nearest neighbor and cubic resampling methods. Moreover, the ESTARFM model accurately predicts Landsatlike surface reflectance images with RMSE better than 0.02 and correlation more than 90% over different land cover types. However, the model performance significantly degrades as the time difference between the input and synthetic images increases.