[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
بخش‌های اصلی
صفحه اصلی::
اطلاعات نشریه::
آرشیو مجله و مقالات::
برای نویسندگان::
داوران::
ثبت نام و اشتراک::
تماس با ما::
تسهیلات پایگاه::
بایگانی مقالات زیر چاپ::
آمار نشریه::
::
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
آمار سایت
مقالات منتشر شده: 317
نرخ پذیرش: 63
نرخ رد: 37
میانگین داوری: 209 روز
میانگین انتشار: 347 روز
..
:: دوره 11، شماره 4 - ( 12-1402 ) ::
جلد 11 شماره 4 صفحات 53-37 برگشت به فهرست نسخه ها
کاهش اثر دودهای رقیق و گسترده در تصاویر چندطیفی از طریق اعمال تکراری باقیمانده‌های تخمین‌ رگرسیونی به باندهای طیفی
رضا قلاوند ، علیرضا صفدری نژاد* ، بهزاد به نبیان
دانشگاه تفرش
چکیده:   (943 مشاهده)
 وقوع آتش‌سوزی‌های گسترده و برخاستن دودهای رقیق ناشی از آن یکی از اتفاقات پر تکرار در مناطق مختلف از سطح زمین محسوب می‌شود. پهنه‌بندی نواحی واقع در دود می‌تواند در شناسایی مناطق آلوده و مدیریت بحران مورد استفاده قرار گیرد. از سوی دیگر، باندهای طیفی مرئی در تصاویر ماهواره‌ای تحت تاثیر چنین پدیده‌هایی قرار داشته که وضوح این تصاویر را مخدوش می‌سازد. حذف اثر دود از تصاویر چندطیفی راهکاری مرسوم در افزایش وضوح تصاویر در این مناطق تلقی می‌شود. در این مقاله راهکاری تکراری مبتنی بر مدل‌های رگرسیونی بمنظور کاهش اثر دودهای رقیق از تصاویر چندطیفی پیشنهاد شده است. ایده این روش از بروز باقیماندههای بزرگ در بازسازی باندهای طیفی متاثر از دودهای رقیق، هنگام بکارگیری سایر باندهای طیفی در مدلهای رگرسیونی بوجود آمده است. در روش پیشنهادی باقیمانده‌های مربوط به مدل‌های رگرسیونی پس از پالایش و محلی‌سازی به نواحی آلوده به دود اعمال شده و مشاهدات طیفی این نواحی در باندهای متاثر از دود اصلاح می‌شوند. این روش ماهیتی تکراری داشته و در هر تکرار سهمی از اثرات دود در نواحی آلوده حذف میگردد. این راهکار ضمن حفظ محتوای رادیومتریکی در مناطق پاک تصویر، افزایش محسوس وضوح در مناطق آلوده به دود را بهمراه داشته است. نتایج بکارگیری این روش در تاثیرپذیرترین باندهای طیفی حاکی از افزایش ضرایب همبستگی میان تصاویر اصلاح شده و تصاویر عاری از دود بوده که مقدار عددی آن بطور متوسط 14/2 درصد براورد شده است. این روش صرفاً در مورد دودهای رقیق با زمینه قابل رؤیت قابل استفاده است.
واژه‌های کلیدی: رگرسیون خطی، دود رقیق، تصاویر چندطیفی، پخش نور، اتمسفر، بردار باقیمانده‌ها
متن کامل [PDF 2117 kb]   (298 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: سنجش از دور
دریافت: 1402/3/23 | پذیرش: 1402/6/29 | انتشار الکترونیک پیش از انتشار نهایی: 1402/11/29 | انتشار: 1402/12/14
فهرست منابع
1. [1] L. Zhao, J. Liu, S. Peters, J. Li, S. Oliver and N. Mueller, "Investigating the Impact of Using IR Bands on Early Fire Smoke Detection from Landsat Imagery with a Lightweight CNN Model", Remote Sensing, Vol. 14(3047), 2022. DOI: [DOI:10.3390/rs14133047]
2. [2] S. Miao, H. Lin, H. Gao and L. Dong, "Strip Smoke and Cloud Recognition in Satellite Image", 2016 9th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics (CISP-BMEI), Datong, China, 2016, pp. 303-307, DOI: 10.1109/CISP-BMEI.2016.7852726.
3. [3] X. Li, J. Wang, W. Song, J. Ma, L. Telesca, and Y. Zhang, "Automatic smoke detection in MODIS satellite data based on K-means clustering and fisher linear discrimination". PE&RS, Photogrammetric Engineering & Remote Sensing, Vol. 80(10), pp. 971-982, 2014, DOI: [DOI:10.14358/PERS.80.10.971]
4. [4] N. Pahlevan, A. Mangin, S. V. Balasubramanian, B. Smith, K. Alikas, K. Arai, C. Barbosa, S. Bélanger, C. Binding, M. Bresciani, C. Giardino, D. Gurlin, Y. Fan, T. Harmel, P. Hunter, J. Ishikaza, S. Kratzer, M. K. Lehmann, M. Ligi, R. Ma, F. R. Martin-Lauzer, L. Olmanson, N. Oppelt, Y. Pan, S. Peters, N. Reynaud, L. A. de Carvalho, S. Simis, E. Spyrakos, F. Steinmetz, K. Stelzer, S. Sterckx, Th. Tormos, A. Tyler, Q. Vanhellemont and M. Warren, "ACIX-Aqua: A global assessment of atmospheric correction methods for Landsat-8 and Sentinel-2 over lakes, rivers, and coastal waters." Remote Sensing of Environment, 258, 112366, 2021, DOI; [DOI:10.1016/j.rse.2021.112366]
5. [5] A. S., Mahiny and B. J., Turner, "A comparison of four common atmospheric correction methods," Photogrammetric Engineering & Remote Sensing, Vol. 73(4), pp. 361-368, 2007.‏ DOI: [DOI:10.14358/PERS.73.4.361]
6. [6] M. Xu, X. Jia, M. Pickering and D. Roberts, "Spectral unmixing for fire smoke detection and removal," 2016 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Beijing, China, 2016, pp. 806-808, DOI: 10.1109/IGARSS.2016.7729203.
7. [7] S. Khetkeeree, B. Petchthaweetham, S. Liangrocapart and S. Srisuk, "Sentinel-2 Image Dehazing using Correlation between Visible and Infrared Bands," 2020 8th International Electrical Engineering Congress (iEECON), Chiang Mai, Thailand, 2020, pp. 1-4, DOI: 10.1109/iEECON48109.2020.229585.
8. [8] A. Makarau, R. Richter, R. Müller and P. Reinartz, "Haze Detection and Removal in Remotely Sensed Multispectral Imagery," in IEEE Transactions on Geoscience and Remote Sensing, vol. 52, no. 9, pp. 5895-5905, Sept. 2014, DOI: 10.1109/TGRS.2013.2293662.
9. [9] T.-P, Zhao, S. Ackerman, and W. Guo. "Dust and Smoke Detection for Multi-Channel Imagers," Remote Sensing, vol. 2, no. 10, pp. 2347-2368, 2010, DOI: 10.3390/rs2102347.
10. [10] J. Li, B.E. Carlson, Y.L. Yung, D. Lv, J. Hansen, J. E. Penner, H. Liao, V. Ramaswamy, R. A. Kahn, P. Zhang, O. Dubovik, A. Ding, A. A. Lacis, L. Zhang and Y. Dong, "Scattering and absorbing aerosols in the climate system," Nature Reviews Earth & Environment, Vol. 3, pp. 363-379, 2022, DOI: [DOI:10.1038/s43017-022-00296-7]
11. [11] K. N. Liou and Y. Takano, "Light scattering by nonspherical particles: remote sensing and climatic implications". Atmospheric Research, Vol. 31(4), pp. 271-298, 1994, DOI: [DOI:10.1016/0169-8095(94)90004-3]
12. [12] R. Richter, "Atmospheric correction of satellite data with haze removal including a haze/clear transition region," Computers & Geosciences, vol. 22, no. 6, pp. 675-681, 1996,DOI: 10.1016/0098-3004(96)00010-6
13. [13] S. Liang, H. Fang and M. Chen, "Atmospheric correction of Landsat ETM+ land surface imagery. I. Methods," in IEEE Transactions on Geoscience and Remote Sensing, vol. 39, no. 11, pp. 2490-2498, Nov. 2001, DOI: 10.1109/36.964986.
14. [14] C. -L. C. Huang and T. Munasinghe, "Exploring Various Applicable Techniques to Detect Smoke on the Satellite Images," 2020 IEEE International Conference on Big Data (Big Data), Atlanta, GA, USA, 2020, pp. 5703-5705, DOI: 10.1109/BigData50022.2020.9378466.
15. [15] AAA. Alkhatib, "A Review on Forest Fire Detection Techniques," International Journal of Distributed Sensor Networks, vol. 10, no. 3, 2014, DOI:10.1155/2014/597368.
16. [16] M. Xu, X. Jia and M. Pickering, "Cloud effects removal via sparse representation," IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Milan, Italy, 2015, pp. 605-608, 2015, DOI: 10.1109/IGARSS.2015.7325836.
17. [17] M. Fathi, M. Mokhtar Zade, A.R. Safdarinezhad, "An Automatic Detection of the Fire Smoke Through Multispectral Images," JGST, vol. 10, no. 1, pp. 145-157, 2020, URL: http://jgst.issge.ir/article-1-892-fa.html.
18. [18] I. C. Neagoe, C. Vaduva, C. and Datcu, M., "Haze and Smoke Removal for Visualization of Multispectral Images: A DNN Physics Aware Architecture," In 2021 IEEE International Geoscience and Remote Sensing Symposium IGARSS, pp. 2102-2105, July, 2021, DOI: ‏10.1109/IGARSS47720.2021.9553735.
19. [19] H. Liu, J. Li, J. Du, B. Zhao, Y. Hu, D. Li, and Yu, W., "Identification of Smoke from Straw Burning in Remote Sensing Images with the Improved YOLOv5s Algorithm," Atmosphere, Vol. 13(6), 925, 2022, DOI: [DOI:10.3390/atmos13060925]
20. [20] A. Dewangan, Y. Pande, H. W. Braun, F. Vernon, I. Perez, I. Altintas, G. W. Cottrell and M.H. Nguyen, "FIgLib & SmokeyNet: Dataset and deep learning model for real-time wildland fire smoke detection. Remote Sensing, 14(4), 1007, 2022, DOI: [DOI:10.3390/rs14041007]
21. [21] B. Rasti, P. Scheunders, P. Ghamisi, G. Licciardi, and J. Chanussot, "Noise Reduction in Hyperspectral Imagery: Overview and Application," Remote Sensing, vol. 10, no. 3( 482), 2018, DOI: 10.3390/rs10030482
22. [22] L. Gao, Q. Du, B. Zhang, W. Yang and Y. Wu, "A Comparative Study on Linear Regression-Based Noise Estimation for Hyperspectral Imagery," in IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 6, no. 2, pp. 488-498, April 2013, DOI: 10.1109/JSTARS.2012.2227245.
ارسال پیام به نویسنده مسئول



XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Qalavand R, Safdarinezhad A, Behnabian B. Widespread Dilute Smoke Correction in the Multispectral Images through Iteratively Applying the Regression Estimated Residuals to Spectral Bands. jgit 2024; 11 (4) :37-53
URL: http://jgit.kntu.ac.ir/article-1-920-fa.html

قلاوند رضا، صفدری نژاد علیرضا، به نبیان بهزاد. کاهش اثر دودهای رقیق و گسترده در تصاویر چندطیفی از طریق اعمال تکراری باقیمانده‌های تخمین‌ رگرسیونی به باندهای طیفی. مهندسی فناوری اطلاعات مکانی. 1402; 11 (4) :37-53

URL: http://jgit.kntu.ac.ir/article-1-920-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 11، شماره 4 - ( 12-1402 ) برگشت به فهرست نسخه ها
نشریه علمی-پژوهشی مهندسی فناوری اطلاعات مکانی Engineering Journal of Geospatial Information Technology
Persian site map - English site map - Created in 0.06 seconds with 37 queries by YEKTAWEB 4660