[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: 326
نرخ پذیرش: 63.2
نرخ رد: 36.8
میانگین داوری: 208 روز
میانگین انتشار: 344 روز
..
:: دوره 7، شماره 4 - ( 12-1398 ) ::
جلد 7 شماره 4 صفحات 214-193 برگشت به فهرست نسخه ها
به‌کارگیری الگوریتم‌های آشکارسازی هدف در سری زمانی مستخرج از تصاویر چندطیفی Sentinel-2 به‌ منظور پهنه‌بندی گیاهان دارویی (مطالعه موردی: گیاه بادام کوهی)
ایمان شاکری ، علیرضا صفدری نژاد* ، مرضیه جعفری
دانشگاه تفرش
چکیده:   (3205 مشاهده)
امروزه گیاهان دارویی از جایگاه ویژه‌ای در اقتصاد و سلامت جامعه برخوردارند و به دلیل آنکه بخش زیادی از این گیاهان به صورت خودرو می‌باشند، بنابراین پهنه‌بندی این گیاهان با هدف بهره‌برداری بهینه از آنها، ضروری می­باشد. راهکارهای سنتی پهنه­بندی به دلیل دقت و سرعت کم، از کارایی لازم برخوردار نبوده و لزوم ایجاد یک روش جدید احساس می‌شود. داده‌های سنجش از دوری به دلیل در برداشتن اطلاعات طیفی، مکانی و زمانی از پدید‌ه‌های سطح زمین، کاربردهای فراوانی در زمینه‌های مختلف از جمله آشکارسازی اهداف برخوردارند. در این مقاله از روش‌های آشکارسازی هدف شامل کمینه‌سازی مقید انرژی (CEM)، فیلتر انطباقی (MF)، فیلتر انطباقی تنظیم‌شده‌ طیفی (ASMF) و تخمین‌زننده‌ انطباق همدوسی (ACE) به‌ منظور آشکارسازی گیاه بادام کوهی در سری زمانی تصاویر ماهواره سنتینل-2 استفاده شده است. در این روند ابتدا به کمک یک فیلترگذاری اولیه، عوارض نامطلوب (مناطق غیرمحتمل رویش گیاه) از سری زمانی تصاویر حذف می­شود. سپس به کمک بهینه‌سازی فراابتکاری، ویژگی‌های بهینه از سری زمانی به منظور کاهش بعد و افزایش دقت آشکارسازی، شناسایی می­شود. نقشه­ آشکارسازی نهایی از طریق تلفیق وزندار نتایج کسب شده از هر نمونه­ آموزشی با سهم تعلق متفاوت از هدف تولید می­گردد. ارزیابی تعمیم‌پذیری راهکار پیشنهادی به کمک ویژگی‌های بهینه­ انتخاب شده، در منطقه‌ای دیگر و به کمک نقشه واقعیت زمینی صورت پذیرفت. در این بررسی از منحنی مشخصه عملکرد سیستم  (ROC) و مساحت زیر منحنی (AUC) جهت ارزیابی نتایج استفاده شد. در مرحله بهینه‌سازی به منظور انتخاب ویژگی، شاخص AUC برای تمام روش‌های آشکارسازی مورد استفاده بیشتر از 99/0  بدست آمد. بهترین نتایج کسب شده در این فرایند به روش آشکارسازی CEM اختصاص داشت که توانست دقت‌های 993/0  و 846/0 را به ترتیب در روند بهینه‌سازی و ارزیابی مستقل کسب کند. نتایج این تحقیق از قابلیت سری زمانی تصاویر چندطیفی سنتینل-2 به منظور آشکارسازی اهدافی همچون گیاهان دارویی حکایت دارد.
واژه‌های کلیدی: آَشکارسازی هدف، سنجنده فضایی سنتینل-2، سری زمانی، پهنه بندی، بادام کوهی.
متن کامل [PDF 2377 kb]   (1204 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: سنجش از دور
دریافت: 1398/3/25 | پذیرش: 1398/9/10 | انتشار: 1398/12/29
فهرست منابع
1. [1] S. Hosseinzadeh, A. Jafarikukhdan, A. Hosseini and R. Armand, "The Application of Medicinal Plants in Traditional and Modern Medicine: A Review of Thymus vulgaris," International Journal of Clinical Medicine, vol. 6, pp. 635-642, 2015. [DOI:10.4236/ijcm.2015.69084]
2. [2] R. Singh, "Medicinal plants: A review," Journal of Plant Sciences, vol. 3, no. 1-1, pp. 50-55, 2015.
3. [3] A. Ganjali and A. Khaksefidi, "Identification of some species of medicinal plants in Zabol (Sistan and Baluchestan province) and their application in traditional medicine," Journal of Traditional Islamic Medicine and Iran, 2015.
4. [4] R. Heydari, M. Khodagholi and M. Zarean, "The zoning of plant biomass of Oriental peas (Teucrium orientale) in Isfahan province using multivariate statistics and geographic information system (GIS)," Research of medicinal plants and aromatic plants of Iran, vol. 31, no. 4, pp. 637-650, 2015.
5. [5] D. Naseri, S. Hedayat and S. Shenavayi, "The zoning of medicinal plants cultivation in Arasbaran region using GIS," The first National Conference on the Protection and Conservation of Arasbaran forests, 2017.
6. [6] S. Mubako, O. Belhaj, J. Heyman, W. Hargrove and C. Reyes, "Monitoring of Land Use/Land-Cover Changes in the Arid Transboundary Middle Rio Grande Basin Using Remote Sensing," Remote Sensing of Water Resources in Semi-Arid Regions/Drought Areas, vol. 10, no. 12, p. 2005, 2018. [DOI:10.3390/rs10122005]
7. [7] N. Lu, "Biases and Abrupt Shifts of Monthly Precipitable Water from Terra MODIS," Atmosphere Remote Sensing, vol. 11, no. 11, p. 1315, 2019. [DOI:10.3390/rs11111315]
8. [8] P. Liu, Y. Li, B. Liu, P. Chen and J. Xu, "Semi-Automatic Oil Spill Detection on X-Band Marine Radar Images Using Texture Analysis, Machine Learning, and Adaptive Thresholding," Oil Spill Remote Sensing, vol. 11, no. 7, p. 756, 2019. [DOI:10.3390/rs11070756]
9. [9] T. Bai, N. Zhang, B. Mercatoris and Y. Chen, "Improving Jujube Fruit Tree Yield Estimation at the Field Scale by Assimilating a Single Landsat Remotely-Sensed LAI into the WOFOST Model," Earth Observations and Crop Models for Sustainable Agricultural Management, vol. 11, no. 9, p. 1119, 2019. [DOI:10.3390/rs11091119]
10. [10] C. Xu, J. Fang , Y. Wen, h. Wang, G. Xu, Y. Zhao and L. Yi, "The 2018 Mw 7.5 Palu Earthquake: A Supershear Rupture Event Constrained by InSAR and Broadband Regional Seismograms," Applications of Sentinel Satellite for Geohazards Prevention, vol. 11, no. 11, p. 1330, 2019. [DOI:10.3390/rs11111330]
11. [11] R. Mania, T. R. Walter , M. Belousova, A. Belousov and S. L. Senyukov, "Deformations and Morphology Changes Associated with the 2016-2017 Eruption Sequence at Bezymianny Volcano, Kamchatka," Satellite Remote Sensing for Water Resources in a Changing Climate, vol. 11, no. 11, p. 1278, 2019. [DOI:10.3390/rs11111278]
12. [12] B. H. P. Maathuis, "Remote Sensing Based Detection of Minefields," Geocarto International, vol. 18, no. 1, pp. 51-60, 2003. [DOI:10.1080/10106040308542263]
13. [13] V. Markogianni , D. Kalivas, G. P. Petropoulos and E. Dimitriou, "An Appraisal of the Potential of Landsat 8 in Estimating Chlorophyll-a, Ammonium Concentrations and Other Water Quality Indicators," Satellite Remote Sensing for Water Resources in a Changing Climate, vol. 10, no. 7, p. 1018, 2018. [DOI:10.3390/rs10071018]
14. [14] S. Dehnavi, Y. Maghsoudi and M. Valadanzoej, "Using spectrum differentiation and combination for target detection of minerals," International Journal of Applied Earth Observation and Geoinformation, vol. 55, pp. 9-20, 2017. [DOI:10.1016/j.jag.2016.10.005]
15. [15] S. A. Sayedain, M. J. Valadan zouj and Y. Maghsoudi, "Exploration of oil seepages using target detection algorithms in hyperspectral images," International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Vols. XL-1/W3, 2013. [DOI:10.5194/isprsarchives-XL-1-W3-361-2013]
16. [16] M. Rahimzadegan, B. Sadeghi, M. Masoumi and S. Taghizadeh Ghalehjoghi, "Application of target detection algorithms to identification of iron oxides using ASTER images: a case study in the North of Semnan province, Iran," Arab J Geosci, 2014. [DOI:10.1007/s12517-014-1757-4]
17. [17] L. Ji, X. Geng, K. Sun, Y. Zhao and P. Gong, "Target Detection Method for Water Mapping Using Landsat 8 OLI/TIRS Imagery," Water, vol. 7, pp. 794-817, 2015. [DOI:10.3390/w7020794]
18. [18] A. Camacho Velasco, C. Augusto Vargas García and H. Arguello Fuentes, "A comparative study of target detection algorithms in hyperspectral imagery applied to agricultural crops in Colombia," Tecnura, vol. 20, pp. 86-99, 2016. [DOI:10.14483/udistrital.jour.tecnura.2016.3.a06]
19. [19] X. Yang, Q. Qin, P. Grussenmeyer and M. Koehl, "Urban surface water body detection with suppressed built-up noise based on water indices from Sentinel-2 MSI imagery," Remote Sensing of Environment, vol. 219, pp. 259-270, 2018. [DOI:10.1016/j.rse.2018.09.016]
20. [20] X. Genga, L. Jia and Y. Zhaoa, "Filter tensor analysis: A tool for multi-temporal remote sensing target," ISPRS Journal of Photogrammetry and Remote Sensing, vol. 151, pp. 290-301, 2019. [DOI:10.1016/j.isprsjprs.2019.03.008]
21. [21] Z. Sayadi and Thesis, "The evaluation of topography and soil characteristics on quantitative and qualitative traits (case study: Rahmat abad Abyek resrve, Ghazvin)," 2012.
22. [22] C. Chein-I, Hyperspectral Imaging: Techniques for Spectral Detection and Classification, (Vol. 1). Springer Science & Business Media, 2003.
23. [23] D. Manolakis and G. Shaw, "Detection algorithms for hyperspectral Imaging applications," IEEE Signal Processing Magazine, vol. 19, no. 1, pp. 29-43, 2002. [DOI:10.1109/79.974724]
24. [24] S. M. Kay, Fundamentals of Statistical Signal Processing: Detection theory, Upper Saddle River, NJ, 1998.
25. [25] L. Gao, B. Yang, Q. Du and B. Zhang, "Adjusted Spectral Matched Filter for Target Detection in Hyperspectral Imagery," remote sensing, vol. 7, pp. 6611-6634, 2015. [DOI:10.3390/rs70606611]
26. [26] P. Ganapathy and J. A. Skipper, "A novel ROC approach for performance evaluation of target detection algorithms," in Defense and Security Symposium, SPIE 6566, Automatic Target Recognition XVII, 656610 (7 May 2007), Orlando, Florida, United States, 2007. [DOI:10.1117/12.719063]
27. [27] F. Gascon, C. Bouzinac, O. Thépaut and a. E. al., "Copernicus Sentinel-2A Calibration and Products Validation Status," Remote Sensing, vol. 9, no. 6, 2017. [DOI:10.3390/rs9060584]
28. [28] M. Pal and G. Foody, "Feature Selection for Classification of Hyperspectral Data by SVM," IEEE Transactions on Geoscience and Remote Sensing, pp. 2297-2307, 2010. [DOI:10.1109/TGRS.2009.2039484]
29. [29] J. R. Jensen, Remote Sensing of the Environment : An Earth Resource Perspective, Upper Saddle River, NJ, United : Pearson Education (US), 2006.
30. [30] S. R. Soofbaf, M. R. Sahebi and B. Mojaradi, "A Sliding Window-Based Joint Sparse Representation (SWJSR) Method for Hyperspectral Anomaly Detection," Remote sensing, vol. 10, no. 3, p. 24, 2018. [DOI:10.3390/rs10030434]
31. [31] S. Sharifi hashjin, A. Darvishi, S. khazai, F. Hatami and M. Jafari houtki, "A band selection method for sub-pixel target detection in hyperspectral images based on laboratory and field reflectance spectral comparison," The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, pp. 12-19, 2016. [DOI:10.5194/isprs-archives-XLI-B7-117-2016]
32. [32] V. Sadeghi, H. Enayati and H. Ebadi, "Improved identification of changes in urban areas by selecting the optimal spectral and spatial characteristics based on the genetic algorithm.," Scientific - Research Quarterly of Geographical Data (SEPEHR), vol. 24, pp. 135-152, 2016.
33. [33] D. Akbari, A. Safari and S. Khazai, "The effect of feature selection using genetic algorithms on spectral-spatial classification of hyperspectral imagery," Journal of Geospatial Information Technology, vol. 3, 2015. [DOI:10.29252/jgit.3.1.45]
34. [34] A. Salinmi, M. Ziyai, A. Amiri و M. Hosseynjani zadeh, "Evaluation of Feature Selection Method for Identifying the Best Hyperion Hyperspectral Spectrum Bands (Case Study: Identification of Porphyry Copper Mine Replacements in Dareh Zar-Kerman)," Journal of Economic Geology, pp. 77-93, 2018.
35. [35] A. Masjedi and S. Khazai, "Improving the Effectiveness of Subpixel Target Detection in Hyperspectral Images Based on Selection of Proper Attributes," Scientific and Research Journal of Surveying Science and Technology, vol. 3, pp. 203-215, 2016.
36. [36] M. Melanie, An Introduction to Genetic Algorithms, Cambridge: MIT Press, 1996.
37. [37] I. C. Chein, C. Shao-Shan, D. Qian, R. Hsuan, and A. Ifarragaerri, "An ROC analysis for subpixel detection," in IGARSS 2001. Scanning the Present and Resolving the Future. Proceedings. IEEE 2001 International Geoscience and Remote Sensing Symposium (Cat. No.01CH37217), 9-13 July 2001 2001, vol. 5, pp. 2355-2357 vol.5, doi: 10.1109/IGARSS.2001.978000. [DOI:10.1109/IGARSS.2001.978000]
ارسال پیام به نویسنده مسئول



XML   English Abstract   Print


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

Shakeri I, Safdarinezhad A, Jafari M. Herbal plants zoning using target detection algorithms on time-series of Sentinel-2 multispectral images (Amygdalus Scoparia). jgit 2020; 7 (4) :193-214
URL: http://jgit.kntu.ac.ir/article-1-770-fa.html

شاکری ایمان، صفدری نژاد علیرضا، جعفری مرضیه. به‌کارگیری الگوریتم‌های آشکارسازی هدف در سری زمانی مستخرج از تصاویر چندطیفی Sentinel-2 به‌ منظور پهنه‌بندی گیاهان دارویی (مطالعه موردی: گیاه بادام کوهی). مهندسی فناوری اطلاعات مکانی. 1398; 7 (4) :193-214

URL: http://jgit.kntu.ac.ir/article-1-770-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 7، شماره 4 - ( 12-1398 ) 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 0.05 seconds with 38 queries by YEKTAWEB 4660