دانشگاه تربیت دبیر شهید رجائی
انتشارات دانشگاه تربیت دبیر شهید رجائی

  اخبار و اعلانات

 آمار

تعداد نشریات11
تعداد شماره‌ها213
تعداد مقالات2,137
تعداد مشاهده مقاله2,936,155
تعداد دریافت فایل اصل مقاله2,148,465
افضلی کردمحله, پارسا, بهزادی, سعید. (1403). ارائه مدل امضای طیفی زمانی به‌منظور شناسایی و تفکیک گونه‌های مختلف گیاهی با استفاده از تصاویر ماهواره‌ای. فناوری آموزش, 2(2), 293-306. doi: 10.22061/jrsgr.2024.10992.1068
پارسا افضلی کردمحله; سعید بهزادی. "ارائه مدل امضای طیفی زمانی به‌منظور شناسایی و تفکیک گونه‌های مختلف گیاهی با استفاده از تصاویر ماهواره‌ای". فناوری آموزش, 2, 2, 1403, 293-306. doi: 10.22061/jrsgr.2024.10992.1068
افضلی کردمحله, پارسا, بهزادی, سعید. (1403). 'ارائه مدل امضای طیفی زمانی به‌منظور شناسایی و تفکیک گونه‌های مختلف گیاهی با استفاده از تصاویر ماهواره‌ای', فناوری آموزش, 2(2), pp. 293-306. doi: 10.22061/jrsgr.2024.10992.1068
افضلی کردمحله, پارسا, بهزادی, سعید. ارائه مدل امضای طیفی زمانی به‌منظور شناسایی و تفکیک گونه‌های مختلف گیاهی با استفاده از تصاویر ماهواره‌ای. فناوری آموزش, 1403; 2(2): 293-306. doi: 10.22061/jrsgr.2024.10992.1068

ارائه مدل امضای طیفی زمانی به‌منظور شناسایی و تفکیک گونه‌های مختلف گیاهی با استفاده از تصاویر ماهواره‌ای

پژوهش های سنجش از دور و اطلاعات مکانی
دوره 2، شماره 2 - شماره پیاپی 4، تیر 1403، صفحه 293-306    اصل مقاله (1.28 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22061/jrsgr.2024.10992.1068
نویسندگان
پارسا افضلی کردمحله1؛ سعید بهزادی* 2
1گروه مهندسی نقشه‌برداری، دانشکده عمران، دانشگاه تربیت دبیر شهید رجائی، تهران، ایران
2گروه مهندسی نقشه برداری، دانشکده مهندسی عمران، آب و محیط زیست، دانشگاه شهید بهشتی، تهران، ایران
تاریخ دریافت: 23 خرداد 1403،  تاریخ بازنگری: 03 شهریور 1403،  تاریخ پذیرش: 11 آبان 1403 
چکیده
پیشینه و اهداف: تشخیص اشیا یکی از موضوعات پرکاربرد در بسیاری از رشته‌ها است. با این حال، شناسایی گونه‌های درختی در جنگل‌ها به دلیل شباهت‌های ظاهری و رفتاری، چالشی اساسی محسوب می‌شود. این پژوهش با هدف شناسایی عوارض و تفکیک گونه‌های گیاهی در جنگل‌ها به روش مدل امضای طیفی زمانی در سامانه گوگل ارث انجین انجام شده است. نوآوری این پژوهش در تعیین رفتار طیفی زمانی گونه‌های درختی نهفته است؛ به این صورت که روشنایی باندهای تصاویر ماهواره‌ای در ماه‌های مختلف سال برای هر گونه محاسبه شده و ماتریسی منحصربه‌فرد ایجاد می‌شود.
روش‌ها‌: داده‌های اصلی این مطالعه شامل تصاویر ماهواره‌ای لندست 8 و 9 در بازه زمانی 2016 تا 2022 است و منطقه مورد مطالعه بخشی از جنگل‌های جنوب استان گیلان می‌باشد. در مرحله اول، نمودار رفتار طیفی گیاه، خشکی و آب ترسیم شد. میانگین مقادیر هر باند برای این سه عارضه در طول یک سال محاسبه شده و نمودارهای ترکیبی میله‌ای و خطی ایجاد شدند. در مرحله دوم، با استفاده از نقشه‌های تیپولوژی و برداشت‌های زمینی، 200 نقطه داده برای گونه‌های بلوط، ممرز، راش، توسکا و سوزنی‌برگ جمع‌آوری شد. با ایجاد مدلی، میانگین مقادیر هر باند در ماه‌های مختلف محاسبه شد و ماتریس 1×84 به عنوان امضای طیفی زمانی هر گونه ایجاد گردید. این ماتریس‌ها با استفاده از نرم‌افزار متلب نمایش داده شدند.
یافته‌ها: نتایج نشان داد که روشنایی باندها در ماه‌های مشخص برای هر گونه متفاوت است. به عنوان مثال، در باند اول ماه دوم، روشنایی گونه‌های بلوط، ممرز، راش، سوزنی‌برگ و توسکا به ترتیب 0.38، 0.31، 0.27، 0.46 و 0.25 بود. بیشترین میزان روشنایی برای چهار گونه درختی در باند پنجم ماه دهم و کمترین میزان در باند هفتم ماه دوازدهم مشاهده شد. طبقه‌بندی با روش جنگل تصادفی و با استفاده از 7 باند و 84 باند انجام شد که ضریب کاپا در روش پیشنهادی به حدود 0.4 افزایش یافت.
نتیجه‌گیری:  امضای طیفی زمانی به عنوان یک روش منحصربه‌فرد، امکان شناسایی و تفکیک گونه‌های جنگلی را فراهم می‌کند. این پژوهش با استفاده از برداشت‌های زمینی دقت مناسبی را نشان داده است. پیشنهاد می‌شود این روش برای گونه‌های دیگر نیز به کار گرفته شود تا طبقه‌بندی جنگل‌ها بهبود یابد. این اقدامات می‌تواند مدیریت و نظارت بر جنگل‌ها را برای سازمان‌هایی نظیر منابع طبیعی و محیط زیست تسهیل کند
کلیدواژه‌ها
تشخیص اشیا؛ امضای طیفی-زمانی؛ تصاویر ماهواره‌ای؛ طبقه‌بندی گونه‌های جنگلی
عنوان مقاله [English]
Presenting a temporal-spectral signature model to identify and distinguish different plant species by using satellite images
نویسندگان [English]
P. Afzali-Kordmahalleh1؛ S. Behzad2
1Department of Surveying Engineering, Faculty of Civil Engineering, Shahid Rajaei Teacher Training University. Tehran, Iran
2Department of Surveying Engineering, Faculty of Civil, Water and Environmental Engineering, Shahid Beheshti University, Tehran, Iran
چکیده [English]
Background and Objectives: Object recognition is a widely discussed topic across various disciplines. However, identifying tree species in forests remains challenging due to their similar appearances and behaviors. This study aims to address this issue by leveraging the temporal-spectral signature model in Google Earth Engine (GEE) to differentiate forest plant species. The innovation of this research lies in determining the temporal-spectral behavior of tree species by calculating the brightness of satellite image bands across different months of the year, creating a unique matrix for each species.
Methods: The study utilized Landsat 8 and 9 satellite imagery from 2016 to 2022, focusing on a section of the southern forests of Gilan province. Initially, spectral behavior curves for vegetation, land, and water were plotted. By coding in GEE, the average brightness values for each band were calculated, producing combined bar and line graphs for the three categories. Temporal-spectral signatures for tree species were then developed using typology maps and field surveys, with 200 data points collected for oak, hornbeam, beech, alder, and Bergan needle species. A matrix of 84×1 was formed, representing the temporal-spectral signature for each species, using Bands 1 to 7 of Landsat 8 across 12 months. MATLAB was employed to visualize the generated matrices.
Findings: The results revealed distinct brightness levels in specific bands and months for different species. For instance, in the first band during the second month, brightness values for oak, hornbeam, beech, Bergan needle, and alder were 0.38, 0.31, 0.27, 0.46, and 0.25, respectively. The highest brightness levels for most species occurred in the fifth band during the tenth month. Classification using the random forest method with both 7-band and 84-band inputs showed that the innovative temporal-spectral signature approach improved the Kappa coefficient to approximately 0.4. This unique signature enables the accurate identification and differentiation of tree species, supported by field observations.
Conclusion: The study demonstrates that temporal-spectral signatures can effectively differentiate tree species in forests, facilitating improved classification and monitoring. This approach holds potential for broader application to other species, paving the way for advanced forest management and monitoring by organizations such as natural resources and environmental agencies. Future research should extend this method to additional species to further enhance forest classification systems.
کلیدواژه‌ها [English]
Object Recognition, Temporal-Spectral Signature, Satellite Imagery, Forest Species Classification
مراجع
[1] Darvish Sefat Ali Asghar, Babaei Kafaki Sasan, Rafiian Omid, Metaji Asadolle. Investigating the capability of UltraCam-D images in identifying tree species using object-based method in mixed-age forestry. Iranian Forest Journal. 2010;2(2):165-176. [In Persian].

[2] Mirakhorloo Khosrow. Preparation of land use and cover map in the forests of the north of the country using Landsat7 ETM+ satellite data. Iranian Forest and Poplar Research. 2003;11(3):325-358. [In Persian].

[3] Rafiian, Omid, Darvish Sefat, Ali Asghar. The role of spatial and radiometric resolution of aerial images in tree species identification using object-based classification. Iranian Forest and Poplar Research, 2014; 22(1): 121-132. [In Persian].

[4] Hashemi Ahmadi Seyed Masoud. Remote sensing studies to highlight iron ore potentials in the Sargdar region (Fars province). Land and Resources. 2011;4(1 (10th issue):63-67 [In Persian].

[5] Abbasi Mojgan, Mousai Leila, Seifi Zahra. Study of tree pollution in urban green space based on their spectral behavior. 2015. [In Persian].

[6] Imani Far Sadra, Hassanloo Mehdi. Studying the effect of spectral sensitivity function in preparing time series of vegetation indices between Landsat and Sentinel-2 satellite sensors. 2016. [In Persian].

[7] Ranjbareslamlou Soghari, Mirzaei Saham, Darvishi Balurani Ali, Mirzapour Fardin, Bahrami Hosseinali, Abbaszadeh Tehrani Nadia. Investigation of spectral reflectance behavior of Iranian oak seedlings under dust stress. 2016. [In Persian].

[8] Moussaei, L., M. Abbasi, and A. Jafari, Spectral behavior response of ash tree in the traffic area of ​​Imam Khomeini Highway, Isfahan, in First National Conference on Natural Resources and Sustainable Development in Central Zagros. 2016. [In Persian].

[9] Mardaneh, Adel, Amir Aslani, Farshad, Alavi Panah, Seyed Kazem. Wheat stress detection and assessment using satellite images (case study: Moghan Plain). Application of geographic information system and remote sensing in planning. 2020 Aug 22;11(2):7-25.‎  [In Persian].

[10] Rohani N, Moradi Faraj A, Mojaradi B, Rajaee T, Jabbari E. Investigation of land use change in Qom province along with climatic parameters using satellite remote sensing technology. Journal of RS and GIS for Natural Resources. 2021 Dec 22;12(4):28-46.

[11] Khodami, Gina, Pir Bavaqar, Mahtab, Ghazanfari, Hedayat. The effect of sanitary cutting treatment on the change of spectral behavior pattern of oak forests undergoing desiccation. Iranian Forest Journal, 1400; 13(1): 31-42. [In Persian].

[12] Esmizadeh, Landi, Matinfar. Using satellite images and spectral data to estimate soil organic carbon content in the forests of the Middle Zagros in Khuzestan. Environmental Science and Technology. 2023 Mar 21;25(1):95-106.  [In Persian].

[13] Rezaei, Aghamohammadi Zanjerabad, Azizi, Vafainejad, Behzadi. Identification of agricultural land types in the Abbas Plain using time series analysis of Sentinel 2 satellite images. Sustainability, Development and Environment. 2023 Dec 22;4(4):1-3.‎ [In Persian].

[14]  Jalili Shaida, Murid Saeed, Banakar Ahmad, Namdar Ghanbari Reza. Spectral analysis of the periodic behavior of the time series of water level of Lake Urmia. Soil and Water Conservation Research (Agricultural Sciences and Natural Resources). 2012;19(4):25-46. [In Persian].

[15] Kokabi Fatemeh, Ghasemian Hassan, Keshavarz Ahmad. Presenting a new spatial spectral preprocessor to improve spectral analysis of hyperspectral images. Computational Intelligence in Electrical Engineering (Intelligent Systems in Electrical Engineering). 2016;7(3):97-113. [In Persian].

[16] Mousai Kordshami, Abbasi, Jafari. Study of tree pollution in urban green space based on their spectral behavior using field spectroscopy. Scientific-Research Journal of Spatial Information Technology Engineering. 2018 Sep 10;6(2):125-41.‎ [In Persian].

[17] Ghadimi Mehrnoush, Zare Amin, Moqbel Masoumeh, Sahebi Mahmoud Reza. Evaluation of dust effects on the spectral behavior of plants using remote sensing data. Surveying Sciences and Techniques. 2019;8(4):163-176. [In Persian].

[18] Hashemi Tangestani, Majid, Shayganpour, Samira. Spectral analysis and detection of rock units of the Surian complex, northeastern Fars using data from Aster and Sentinel 2 satellite images. Iranian Journal of Remote Sensing and GIS, 2019; 11(2): 63-78. [In Persian].

[19] Rasoulian, Masoumeh, Safarrad, Taher, Akbari-Nasab, Mohammad, Talebpour, Nadia. Experimental detection of turbid and clear waters using Sentinel-2 satellite images (case study of Sefid Rood Dam catchment). Quarterly Journal of Water Resources Engineering, 2019; 12(43): 87-99. [In Persian].

[20] Kumar S, Shwetank S, Jain K. Development of spectral signature of land cover and feature extraction using artificial neural network model. In2021 International Conference on Computing, Communication, and Intelligent Systems (ICCCIS) 2021 Feb 19 (pp. 113-118). IEEE.

https://doi.org/10.1109/ICCCIS51004.2021.9397172

[21] Sharifi O, Asghari Beirami B, Mokhtarzade M. Classification of hyperspectral images by fusion of spectral and spatial features in convolutional neural networks. Engineering Journal of Geospatial Information Technology. 2021 Oct 10;9(2):1-27.

http://dx.doi.org/10.52547/jgit.9.2.1

[22] Vermeulen LM, Munch Z, Palmer A. Fractional vegetation cover estimation in southern African rangelands using spectral mixture analysis and Google Earth Engine. Computers and Electronics in Agriculture. 2021 Mar 1;182:105980.

https://doi.org/10.1016/j.compag.2020.105980

[23] Fassnacht FE, Müllerová J, Conti L, Malavasi M, Schmidtlein S. About the link between biodiversity and spectral variation. Applied Vegetation Science. 2022 Jan;25(1):e12643.

https://onlinelibrary.wiley.com/doi/full/10.1111/avsc.12643

[24] Yu R, Huo L, Huang H, Yuan Y, Gao B, Liu Y, Yu L, Li H, Yang L, Ren L, Luo Y. Early detection of pine wilt disease tree candidates using time-series of spectral signatures. Frontiers in Plant Science. 2022 Oct 13;13:1000093.

https://doi.org/10.3389/fpls.2022.1000093

[25] Zhang L, Gao L, Huang C, Wang N, Wang S, Peng M, Zhang X, Tong Q. Crop classification based on the spectrotemporal signature derived from vegetation indices and accumulated temperature. International Journal of Digital Earth. 2022 Dec 31;15(1):626-52.

https://www.tandfonline.com/doi/full/10.1080/17538947.2022.2036832

[26] Jalilzadeh A, Behzadi S. Machine learning method for predicting the depth of shallow lakes using multi-band remote sensing images. Journal of Soft Computing in Civil Engineering. 2019 Apr 1;3(2):54-64.

[27] Norouzi E, Behzadi S. Evaluating machine learning methods and satellite images to estimate combined climatic indices. Numerical Methods in Civil Engineering. 2019 Aug 15;4(1):30-8.

[28] Khaledi S, Behzadi S. Monitoring and assessing the changes in the coverage and decline of oak forests in Lorestan province using satellite images and BFAST model. Applied researches in Geographical Sciences. 2020 Jun 10;20(57):265-80.

[29] Mousavi Z, Behzadi S. Geo-Portal Implementation with a Combined Approach of AHP and SWOT. International Journal of Natural Sciences Research. 2019;7(1):22-31.

https://doi.org/10.18488/journal.63.2019.71.22.31

[30] Mousavi Z, Behzadi S. Introducing an Appropriate Geoportal Structure for Managing Wildlife Location Data. International Journal of Natural Sciences Research. 2019;7(1):32-48.

https://doi.org/10.18488/journal.63.2019.71.32.48

[31] Norouzi E, Behzadi S. The Feasibility of Machine-learning Methods to Extract the Surface Evaporation Quantity using Satellite Imagery. Journal of Electrical and Computer Engineering Innovations (JECEI). 2021 Mar 21;9(2):229-38.

https://doi.org/10.22061/jecei.2021.7563.406

[32] Behzadi S, Jalilzadeh A. Introducing a novel digital elevation model using artificial neural network algorithm. Civil Engineering Dimension. 2020 Oct 6;22(2):47-51.

https://doi.org/10.9744/ced.22.2.47-51

آمار
تعداد مشاهده مقاله: 79
تعداد دریافت فایل اصل مقاله: 39


سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب