ارزيابي عملكرد مكاني و زماني الگوريتم ريزمقياس‌ سازي ESTARFM در توليد تصاوير لندست-مانند از تصاوير ماديس

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

سريهاي زماني دادههاي سنجش از دوري نقش مهمي در مدلسازي و پايش تغييرات عوارض و پديده هاي سطح زمين در گذر زمان دارند. با اين وجود، در حالي كه سري زماني تصاوير سنجنده‌هاي با قدرت تفكيك مكاني پايين (بيش از 100 متر از قبيل ماديس) در دسترس ميباشند امكان تهيه سري زماني منظم از داده هاي ماهواره هاي اپتيك با قدرت تفكيك مكاني مناسب (بهتر از 30 متر از جمله لندست) با توجه به پيكربندي مداري ماهواره ها و همچنين ابرناكي، بخصوص در مناطق مرطوب و مرتفع، چالشي اساسي در استفاده از اين دادهها ميباشد. يكي از روش‌هاي مرسوم براي برطرف ساختن اين چالش، توليد تصاوير لندست-مانند با استفاده از ريزمقياسنمايي تصاوير ماديس با استفاده از مدلهايي نظير، مدل ESTARFM است. اين تحقيق به ارزيابي كمي مدل ESTARFM به منظور ريزمقياس نمايي تصاوير ماديس جهت توليد تصاوير لندست -مانند در مناطق غيرهمگن با استفاده از سه روش بازنمونه‌گيري تصوير، پوشش‌هاي زميني مختلف و اختلاف زماني بين تصاوير ورودي و شبيه سازي شده پرداخته است. نتايج نشان داد كه استفاده از مدل با روش بازنمونه گيري خطي دوسويه با اختلاف جزيي عملكرد بهتري نسبت به ساير روش‌هاي بازنمونه گيري دارد. همچنين مدل ESTARFM قادر به توليد تصاوير لندست-مانند با RMSE بهتر از 0.02 بازتابندگي سطحي و ضريب تعيين بالاتر از 90 درصد در پوشش‌هاي مختلف زميني مي‌باشد. علاوه بر اين، با افزايش اختلاف زماني بين تصاوير ورودي و تصوير شبيه‌سازي شده دقت مدل به صورت معني‌داري كاهش پيدا مي‌كند.

Satellite time series data play a key role in characterizing land surface change and monitoring of short and long-term 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 (1-100 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 Landsat-like 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 Landsat-like 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 time-difference 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 Landsat-like 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.