ارزیابی الگوریتم های مختلف ادغام تصاویر در تهیه نقشه شاخص های گیاهی

استفاده از تصاویر با قدرت تفکیک مکانی بیش‌تر در مناطق وسیع همچون استان خراسان جنوبی، به دلیل پهنای کوچک ‌تر هر فریم تصویر لندست به همراه تفکیک زمانی بیش‌تر، امکان دسترسی به تصاویر همزمان جهت بررسی تغییرات کوتاه مدت همچون تغییرات پوشش گیاهی را با چالش همراه می‌کند. در پژوهش حاضر، به منظور دسترسی به اطلاعات طیفی همزمان پوشش گیاهی در استان خراسان جنوبی، از تکنیک ادغام تصاویر ماهواره‌ای لندست 8 و مادیس استفاده گردید. برایاین منظور ابتدا نتایج حاصل از شش الگوریتم ادغام، شامل nndiffuse، hpf، brovey، gramschmidt، pc وcn در یک محدوده آزمایشی در استان خراسان جنوبی با استفاده از معیارهای آماری مورد بررسی و ارزیابی قرار گرفت. در ادامه با کاربرد مناسب ‌ترین الگوریتم ادغام، اطلاعات طیفی و مکانی بازتاب باند قرمز (red)ومادون قرمزنزدیک (nir)یازده تصویر موزائیک شده لندست 8 (30 متر) با باند redوnirیک تصویرمادیس (250 متر) ادغام گردید. سپس جهت بررسی پوشش گیاهی، با تصویر ماهواره‌ای ادغام ‌شده، شاخص ndviوhvci همزمان، در سطح استان خراسان جنوبی تهیه گردید. نتایج به دست آمده نشان داد که الگوریتم nndiffuse از دقت مطلوب ‌تری جهت ادغام باندهای قرمز و مادون قرمز نزدیک لندست 8 و مادیس برخوردار است، به طوری ‌که شاخص گیاهیndvi به دست آمده از این الگوریتم در مقایسه با تصویر لندست 8 اصلی، از کم‌ترین خطای آمای rmse(0/0311) و mae(0/0181) برخوردار است. همچنین بررسی مقادیر شاخص ndvi به دست آمده از الگوریتم‌های ادغام، در طول خط ترانسکت طولی سیستماتیک  تصادفی در سه کاربری اراضی کشاورزی، شهری و مرتعی نیز نشان داد که شاخص به دست آمده از الگوریتم nndiffuse انطباق بهتری با شاخص ndvi به دست آمده از تصویر لندست 8 اصلی دارد.

Evaluating the use of different image fusion algorithms for vegetation indices mapping

Extended Abstract Introduction Among all Earth’s ecosystems, arid and semiarid regions (about 30% of the Earth’s land) have experienced significant degradation over the past century due to the intensive land use practices and the increasing effects of droughts and climate changes (Maynard et al., 2016). Remote sensing is capable of detecting several groups of disturbances and changes, and has been widely used as a toolto identify longterm changes. Recent technological advancements in the methodology of mapping and monitoring land cover changesprovide new opportunities for the utilization of satellite imageries with high temporal frequency. Image fusion technique has been applied in different fields of environmental science, such asmapping crop growth, studying daily pollution of water resources, studying patterns of shorttime ecological changes, determining regions with shortterm erosion risk, etc. Image fusion algorithms include color combinations in three bands ofRGBimages, statistical and multiscale methods. The present study seeks toevaluate the efficiency of image fusion algorithms and select the best algorithm for mapping vegetation in SouthKhorasan Province.  Materials and Methods Following the preprocessing ofLandsat 8 and MODIS images, six image fusion algorithms, including NNDiffuse, HPF, Brovey, GramSchmidt, PC and CN, were studied and evaluated usingdifferent statistical criteria. Three statistical indices, including Root MeanSquare Error(RMSE), Mean Absolute Error(MAE) and Mean Error (MEB)were usedto evaluate the aforementioned algorithms.Then, the best image fusion algorithm was used to merge two different images received from Landsat8 (30m) and MODIS (250m). Finally, two vegetation indices, including NDVI and HVCI, were usedto map vegetation in SouthKhorasan Province.   Results and Discussion Results indicate that all six algorithms used in the present research can improvespatial resolution of the merged images. Compared to other 5 algorithms, NNDiffusecan merge thered and NIR bands of Landsat 8 and MODISwith a relatively higher accuracy. Therefore,NDVI extracted from this algorithm has the lowest RMSE and MAE compared to the original Landsat 8images. NDVI obtained from thefusion algorithms used in systematicrandom transects of three land uses (including agricultural, urban and pastures) indicate that the index obtained from NNDiffuse algorithm has a better conformitywith the NDVI obtained from the original Landsat 8image. Then,redand NIR bands of Landsat8 and MODIS were combined forsimultaneous mapping of NDVI and HVCI in the case study area. Overall, a great part of SouthKhorasan Province has a vegetation cover of less than 10% and 4050%, vegetation cover is only limited to small parts of the study area (agricultural land use and gardens).   Conclusions Generally, accessing simultaneous satellite images with high spatial resolutions, such as the Landsat series, is considered to be a challenge in vast area. The present study took advantage of different algorithms for image fusion and vegetation mapping in South Khorasan Province. Image fusion techniques, such as integration of Landsat and MODIS images, can be very useful for mapping purposes. Evaluation of 6image fusion techniques indicated thatNNDiffuse algorithm is the most suitable method for mapping vegetation in the study area.