ماسک کردن عوارض در تصاویر ماهوارهای در بستر GIS یکی از مراحل کلیدی پردازش دادههای سنجش از دور است و کمک میکند بخشهای غیرضروری تصویر حذف شوند و فقط محدوده مورد مطالعه باقی بماند. نرمافزارهای GIS، مخصوصاً ArcGIS Pro، در سالهای اخیر سازگاری بسیار خوبی با دادههای رستری پیدا کردهاند و ابزارهای قدرتمندی برای مدیریت و ماسک کردن عوارض در اختیار تحلیلگران قرار میدهند.
در این مقاله تلاش میکنیم بهصورت کامل و کاربردی دو روش پرکاربرد ماسک کردن را آموزش دهیم. در روش اول از شیپفایل آماده و ابزارهایی مثل Extract by Mask برای حذف یا جداسازی بخشهای مشخص استفاده میکنیم. در روش دوم با تکیه بر ویژگیهای طیفی تصاویر و تکنیکهایی مانند آستانهگذاری یا محاسبه شاخصهای طیفی، ماسک مناسب تولید میکنیم. هدف این است که پس از مطالعه، بتوانید این دو تکنیک را مستقیماً روی پروژههای ماهوارهای خود اجرا کنید.
ماسک کردن و کاربرد آن در سنجش از دور
ماسک کردن یکی از بنیادیترین و درعینحال کاربردیترین فرآیندها در سنجش از دور است که نقش مهمی در بهبود کیفیت تحلیلهای مکانی و استخراج اطلاعات دقیق از تصاویر ماهوارهای دارد. در سادهترین تعریف، ماسک کردن یعنی جداسازی بخشهای موردنیاز تصویر از بخشهای غیرضروری. با این کار، تحلیلگر بهجای کار کردن روی کل تصویر، فقط روی محدوده یا پدیده هدف تمرکز میکند؛ موضوعی که هم دقت نتایج را افزایش میدهد و هم زمان پردازش را بهطور قابلتوجهی کاهش میدهد.
در سنجش از دور، دادهها اغلب شامل نواحی متنوعی هستند که همه آنها برای تحلیل لازم نیستند؛ مثل مناطق خارج از محدوده مطالعه، کوهستانها، ابر و سایه ابر، یا حتی آب در پروژههایی که هدف آن خشکی است. ماسک کردن کمک میکند این نواحی نامرتبط حذف شوند و تصویر فقط شامل اطلاعات ضروری باشد. این موضوع بهویژه در مدلسازی، طبقهبندی، تصحیحات طیفی و مکانی، و حتی استخراج ویژگیها اهمیت زیادی دارد.
یکی از کاربردهای مهم ماسک کردن، استخراج محدوده مطالعاتی است. در بسیاری از پروژهها نیاز داریم فقط روی یک استان، شهرستان، حوضه آبریز یا هر مرز دلخواه دیگر کار کنیم. با استفاده از یک شیپفایل مرز، میتوان بخشهای خارج از محدوده را حذف کرد و یک رستر جدید و تمیز بهدست آورد. علاوهبر این، ماسک کردن در پردازشهای پیشرفتهتر مثل حذف ابر از تصاویر اپتیکی، جداسازی پهنه آبی با استفاده از شاخصهایی مثل NDWI، یا انتخاب پیکسلهایی با آستانه طیفی خاص نیز کاربرد فراوان دارد.
همچنین ماسک کردن در بهبود عملکرد الگوریتمهای طبقهبندی بسیار مؤثر است. وقتی بخشهای غیرمرتبط از تصویر حذف شوند، الگوریتم فقط بر روی اطلاعات مرتبط آموزش میبیند و این باعث کاهش خطا، جلوگیری از اختلاط طیفی و افزایش دقت نقشههای خروجی میشود. به همین دلیل، ماسک کردن را میتوان یک مرحله ضروری قبل از هر نوع تحلیل جدی در سنجش از دور دانست.
در مجموع، ماسک کردن نهتنها یک ابزار ساده برای حذف بخشهای ناخواسته تصویر است، بلکه یک مهارت اساسی در ترکیب با GIS و نرمافزارهایی مانند ArcGIS Pro، QGIS و ENVI محسوب میشود. هرچه نوع و روش ماسکسازی دقیقتر انتخاب شود، نتیجه تحلیلها واقعبینانهتر، قابل اعتمادتر و علمیتر خواهد بود.
ماسک کردن عوارض در تصاویر ماهواره ای در بستر GIS
ماسک کردن عوارض یکی از مهمترین فرآیندهای مقدماتی در تحلیل تصاویر ماهوارهای است و نقشی اساسی در حذف عناصر ناخواسته، افزایش دقت مدلسازی و تمرکز تحلیل روی محدوده واقعی مطالعه دارد. در پروژههای سنجش از دور، معمولاً نیاز داریم برخی پدیدهها مثل پهنههای آبی، بافتهای شهری، ابر و سایه ابر، مناطق برفگیر یا هر نوع عارضه غیرمرتبط را از تصویر حذف کنیم تا ارزش تحلیلی داده بهحداکثر برسد. نرمافزارهای GIS، بهویژه ArcGIS Pro، ابزارهای قدرتمند و انعطافپذیری برای پیادهسازی ماسک کردن به دو روش اصلی فراهم میکنند:
۱) ماسک کردن مبتنی بر دادههای برداری
۲) ماسک کردن مبتنی بر تحلیل شاخصهای طیفی و دادههای رستری
۱. روش ماسک کردن مبتنی بر دادههای برداری
این روش زمانی به کار میرود که شیپفایل عارضه ناخواسته از قبل موجود باشد؛ برای مثال لایه مرز پهنه آبی، محدوده شهری، جادهها، ابرها یا هر نوع عارضه تعریفشده دیگری. در این رویکرد، حذف عارضه ناخواسته با عملیات هندسی روی لایهها انجام میشود و سپس تصویر بر اساس مرز اصلاحشده برش داده میشود.
الف) حذف هندسی عارضه ناخواسته از مرز اصلی
در گام نخست، مرز اصلی منطقه مطالعه (مثل یک Basin یا حوضه آبریز) باید اصلاح شود تا عوارض ناخواسته درون آن حذف شوند.
هدف:
تولید یک لایه مرزی جدید که عارضه مزاحم از آن حذف شده باشد.
یک تصویر ماهوارهای دقیقاً پالایششده و بدون عوارض ناخواسته که آماده تحلیلهای بعدی مانند طبقهبندی، مدلسازی و استخراج ویژگی است.
۲. روش ماسک کردن مبتنی بر شاخصهای طیفی و دادههای رستری
این روش زمانی استفاده میشود که شیپفایل عارضه موردنظر وجود ندارد و باید آن را بر اساس ویژگیهای طیفی پدیده از تصویر استخراج کرد. مثال رایج، استخراج پهنههای آبی، پوشش گیاهی متراکم یا برف است.
الف) تولید شاخص طیفی تشخیص عارضه (Index Generation)
هر عارضه بسته به جنس و ساختار خود، در باندهای مختلف طیف الکترومغناطیس بازتاب متفاوتی دارد. این تفاوت در بازتاب مبنای تولید شاخصهای طیفی است.
نمونه: استخراج پهنههای آبی با MNDWI
این شاخص از باند سبز و مادون قرم ز استفاده خواهد کرد.
تحلیل:
مقادیر مثبت → معمولاً آب
مقادیر منفی → سایر عوارض (گیاه، خاک، سازه…)
این شاخص یکی از معتبرترین روشها برای شناسایی پهنههای آبی در تصاویر اپتیکی است.
ب) آستانهگذاری و تولید رستر دودویی (Thresholding)
برای تبدیل خروجی شاخص به یک ماسک، باید آستانه دقیق تعیین شود.
ابزار مورد استفاده:
Raster Calculator
خروجی یک لایه Binary شامل مقادیر:
“1” → عارضه موردنظر (مثلاً آب)
“0” → سایر پیکسلها
این مرحله اهمیت زیادی در حذف پیکسلهای مختلط (Mixed Pixels) دارد.
ج) تبدیل رستر به بردار و یکپارچهسازی ساختار داده (Raster to Polygon + Dissolve)
برای اینکه لایه استخراجشده قابل استفاده در عملیات ماسک برداری باشد، باید به شکل برداری تبدیل شود.
مراحل:
Raster to Polygon:
تولید شیپفایلی شامل Gridcode = 0 و 1
حذف نواحی غیرضروری:
انتخاب پیکسلهای دارای Gridcode = 1
Dissolve:
تجمیع همه پلیگونهای کوچک به یک عارضه واحد
نتیجه مهم:
به یک Shapefile تمیز و یکپارچه از عارضه هدف میرسیم که میتواند دقیقاً مانند روش اول برای ماسک کردن استفاده شود.
نتیجه نهایی رویکرد دوم
خروجی این فرآیند، یک شیپفایل برداری کاملاً دقیق از عارضه استخراجشده است که میتواند:
در ابزار Erase برای حذف عوارض ناخواسته استفاده شود،
یا
بهطور مستقیم در Extract by Mask بهعنوان لایه ماسک به کار رود.
این رویکرد انعطافپذیری بسیار بالایی دارد، چون بدون نیاز به دادههای جانبی، فقط با تکیه بر دادههای طیفی تصویر، عوارض را استخراج و ماسک میکند.
جمعبندی نهایی
در ماسک کردن عوارض در تصاویر ماهوارهای در بستر GIS، دو رویکرد اصلی وجود دارد:
۱. ماسک کردن برداری
وقتی شیپفایل عارضه موجود باشد → سریع، دقیق، قابل اتکا.
۲. ماسک کردن طیفی (رستری)
وقتی شیپفایل موجود نباشد → استخراج عوارض از طریق شاخصها و آستانهگذاری.
هر دو روش مکمل یکدیگر هستند و تحلیلگر حرفهای سنجش از دور باید بتواند بسته به نوع پروژه، کیفیت دادهها و هدف نهایی، بهترین روش را انتخاب و اجرا کند.
