استفاده از روش دانش مبنا به‌منظور بهبود تشخيص و طبقه‌بندي پوشش گياهي در نواحي شهري بر اساس ادغام تصاوير لندست8 و WorldView-2

Feature Level Fusion of Landsat8 and Wordview2 Images for Improving Vegetation Detection in Urban Areas Based on Knowledge Based Method

با توجه به تنوع عوارض شهري و حساسيت هريك نسبت به محدوده طيفي مشخص در طيف الكترومغناطيس، سنجنده هاي مختلف تصويربرداري رفتارهاي متفاوتي را در رابطه با برخي از عوارض ثبت مي­كنند. همچنين اعوجاجات رنگي و پاسخ غيرطبيعي سنجنده به محدوده طيفي مشخص، به‌عنوان يكي از مهم‌ترين چالش­هاي تشخيص صحيح عوارض در دوركاوي، مطرح است. ادغام داده‌ها به‌منظور بهره­گيري از اطلاعات طيفي ثبت‌شده توسط سنجنده هاي مختلف در تشخيص بهتر پوشش گياهي نيز داراي مزاياي چشمگيري مي­باشد. لذا در اين تحقيق، نتايج ادغام تصاوير دو ماهواره لندست8 و WorldView-2 به‌منظور تشخيص بهتر نواحي پوشش گياهي در منطقه شهري، با استفاده از روش انتقال آماري PCA[1] مورداستفاده قرارگرفته است. ازجمله مزايايي كه انجام اين ادغام به همراه دارد مي­توان به ايجاد يكپارچگي و پيوستگي طيفي داده­ هاي دو سنجنده اشاره نمود. استفاده از باند [2]SWIR در تصوير لندست8، افزايش شفافيت تصوير و در نتيجه بهبود تشخيص پوشش گياهي را به همراه دارد. در اين مقاله، پس از ادغام دو تصوير برداشت‌شده از يك منطقه شهري در تهران در سطح ويژگي‌هاي طيفي، فرآيندي دانش مبنا به‌منظور تشخيص و طبقه‌بندي نواحي پوشش گياهي اجرا گرديد كه منجر به استخراج نواحي پوشش گياهي با دقت 81/3% شد.

Given the diversity of urban problems and the sensitivity of each of the specified spectral range of the electromagnetic spectrum, various imaging sensors exhibit different behaviors in relation to some of the toll record. The color distortion and respond to abnormal sensor spectral range identified as one of the most important challenges the correct diagnosis in Remote sensing, effects, and advocacy. Data integration in order to take advantage of spectral data recorded by the various sensors in better detection vegetation is also significant benefits. In this study, the results of two Landsat 8 and WorldView-2 images merge in order to better identify areas of vegetation in the urban area, using statistical transfer PCA is used. Among the benefits that this integration as well as integration and coherence spectral data cited two sensors. Using Landsat 8-band SWIR image, increase transparency and thus improve detection and associated vegetation. In this paper, after the merger of two images taken from an urban area in Tehran at the level of spectral characteristics, process knowledge base to identify and classify areas of vegetation was carried out which resulted in the mining areas of vegetation with an accuracy of 81.3% was achieved.