یکی از متداولترین روشهای استخراج اطلاعات از تصاویر ماهوارهای، استفاده از شاخصهای طیفی است. این شاخصها، اطلاعات طیفی که توسط سنسورهای ماهوارهای جمعآوری میشود را تحلیل و تفسیر میکنند. با استفاده از ترکیبات ریاضی از باندهای طیفی مختلف، این شاخصها به دقت بیشتری در مورد ویژگیهای مختلف سطح زمین اطلاعات فراهم میکنند.
تصاویر ماهوارهای از امواج الکترومغناطیسی در چندین باند از مادون قرمز تا فرا بنفش در طول موج مختلف اطلاعات جمعآوری میکنند (میزان بازتاب یا بازپخش را ثبت می کند). هر باند طیفی اطلاعات خاصی را از سطح زمین و ویژگیهای آن ارائه میدهد. اما با ترکیب این باندها و اعمال ترکیبات ریاضی، شاخصهای طیفی تولید میشوند که میتوانند ویژگیهای خاصی از سطح زمین از جمله ترکیبات شیمیایی خاک، رشد گیاهان، و شرایط محیطی، را مورد بررسی قرار دهند.
استفاده از شاخصهای طیفی در سنجش از دور در حوزههای مختلفی از جمله کشاورزی، محیط زیست، زمینشناسی، و منابع آب بسیار رایج است. این شاخصها میتوانند به ما کمک کنند تا تغییرات در پوشش گیاهی، ترکیبات شیمیایی خاک، و حتی میزان آلودگی هوا و آب را بررسی کنیم. از طریق تحلیل دقیق این اطلاعات طیفی، ما میتوانیم به روشهای بهبود مدیریت منابع طبیعی، پایش تغییرات محیطی، و حتی پیشبینی برخی پدیدههای طبیعی بپردازیم.
شاخص طیفی چیست؟
شاخصهای طیفی در سنجش از دور به ترکیبات ریاضی از باندهای طیفی یا طول موجهای مشتق شده از دادههای سنجش از دور اشاره دارند، که به طور معمول از سنسورهای ماهوارهای یا پهپادها به دست میآیند. این شاخصها برای برجسته کردن ویژگیها یا ویژگیهای خاص سطح زمین یا جو طراحی شدهاند.
اگر بخواهیم یک تعریف ساده تر از شاخص های طیفی عنوان کنیم میتوانیم به ترکیب دو یا چند باند از تصاویر ماهواره ای اشاره کرد که موجب بارزسازی یک عامل ( پدیده خاص مانند آب) در سطح زمین می شود. شاخصها، یکی از اصلیترین روشهای استخراج اطلاعات از تصاویر ماهوارهای هستند و در تحلیل و تفسیر دادههای سنجش از دور نقش بسیار مهمی ایفا میکنند.
چگونگی تولید شاخص های طیفی
برای اینکه بتوان یک شاخص طیفی را تولید کرد ، ابتدا باید بررسی کنید که هدف بررسی کدام پدیده یا عامل می باشد. هر شاخصی با یک هدف خاص طراحی می شود. برای نمونه شاخص های مختلفی در زمینه آب، خاک و گیاه وجود دارد. نمیتوان یک شاخص پیدا کرد که در زمینه تمامی عوامل یا عوارض سطح زمین مورد بررسی قرار گیرد.
بعد از آنکه پدیده مورد نظر را مشخص شد نوبت به رفتار طیفی پدیده می رسد. رفتار طیفی (spectral behavior) در سنجش از دور اشاره به این دارد که در طول موج های مختلف و در شرایط آزمایشگاهی پدیده مورد نظر چه رفتاری از خود ثبت می کند. خیلی مهم است که درک بالایی از رفتارطیفی داشته باشید.
در سنجش از دور، رفتار طیفی به این اشاره دارد که مواد و سطوح مختلف در سطح زمین چگونه با امواج الکترومغناطیسی تعامل میکنند. هر ماده دارای امضای طیفی منحصر به فردی است، که الگوی مشخصی از بازتاب یا جذب در طول طولموجهای مختلف دارا می باشد.
درک رفتار طیفی اشیاء و سطوح در سنجش از دور بسیار حیاتی است، زیرا به ما امکان میدهد بین ویژگیهای مختلف روی سطح زمین تشخیص و تفکیک انجام دهیم. با تحلیل نحوه بازتاب یا جذب نور در طول طولموجهای مختلف، ابزارهای سنجش از دور میتوانند انواع مختلفی از پوشش زمین، سلامتی گیاهان، رطوبت خاک، ویژگیهای زمینشناسی، و شرایط جوی را تشخیص دهند و نقشهبرداری کنند.
به عنوان مثال، گیاهان سالم معمولاً بسیاری از نور نزدیک به مادون قرمز (NIR) را بازتاب میدهند و نور قرمز را جذب میکنند، که منجر به یک امضای طیفی مشخص میشود که توسط سنسورهای ماهوارهای قابل تشخیص است. با اندازهگیری این پاسخهای طیفی، تکنیکهای سنجش از دور میتوانند اطلاعات مفیدی برای کاربردهایی مانند کشاورزی، جنگلداری، پایش محیط زیست، و برنامهریزی استفاده از زمین فراهم کنند.
بعد از درک رفتار طیفی نوبت به بررسی بیشترین و کمترین مقادیر بازتاب و بررسی مقادیر جذب می باشد. برای یک نمونه ساده در پوشش گیاهی میزان بازتاب در محدوده NIR بیشترین مقدار و در محدوده باند قرمز کمترین مقدار را دارا است. اگر از ترکیب این دو باند استفاده کرد به سادگی میتوان شاخص تولید که پوشش گیاهی را شناسایی کند.
برای خاک اما بحث یکم متفاوت است. در خاک های مختلف با افزایش میزان طول موج میزان بازتاب نیز افزایش می باشد. این موضوع باعث شده که بر اساس بازتاب نتوان کانی ها یا عوامل خاک را شناسایی کرد. از این رو شاخص های مختلف خاک بر روی نقاط جذب در محدوده SWIR تمرکز ویژه داشتند.
در نتیجه اگر بخواهیم یک روال کلی برای تولید شاخص ارائه بدیم در زیر ارائه شده است:
- 1-بررسی نوع پدیده ( آب، خاک یا گیاه)
- 2-بررسی رفتار طیفی پدیده در طول موج های مختلف
- 3-بررسی نوسانات رفتار طیفی
- 4-شاخص شاخص بر اساس بیشترین و کمترین میزان بازتاب و نقاط جذب
- 5- اعتبار سنجی شاخص و ارائه گزارشات
شاخص طیفی در سنجش از دور (انواع آن)
دسته بندی های مختلف برای طبقه بندی انواع شاخص ها در دنیا وجود دارد. معروف ترین دسته بندی بر اساس هدف شاخص یا نوع کاربرد آن می باشد. در سنجش از دور، انواع مختلفی از شاخصهای طیفی وجود دارند که برای اندازهگیری و تحلیل ویژگیهای مختلف زمین و محیط زیست استفاده میشوند. این شاخصها بر اساس ویژگیهای مختلفی از زمین و مواد موجود در آن، مانند آب، خاک و گیاهان، طراحی شدهاند. در زیر به دستهبندی و توضیحاتی از هر یک از این انواع شاخصها میپردازم:
شاخص های آب در سنجش از دور
هدف اصلی این شاخص های شناسیی پهنه های آبی یا آب های روی سطح زمین می باشد. این شاخص ها برای شناسایی بیشتر روی باند های مادون قرمز و مادون قرمز طول موج کوتاه تمرکز می کند. البته این شاهص کاربردهای دیگری نیز دارد. برای مثال این نوع از شاخصها برای اندازهگیری و پایش وضعیت آبیاری، تشخیص و تعیین میزان رطوبت خاک، تحلیل منابع آب زیرزمینی و سطحی، و شناسایی مناطق با خطر خشکسالی استفاده میشود.
شاخص های خاک در سنجش از دور
این شاخصها برای تشخیص و تحلیل ویژگیهای خاکی مانند ترکیبات شیمیایی، کیفیت و بهرهوری خاک، تغییرات زمینشناسی، و ارزیابی آلودگی خاک استفاده میشود. از این شاخص حتی برای شناسایی عوارض انسان ساخت نیز استفاده می شود. برای نمونه با استفاده از شاخص NBR برای شناسی مناطق شهری استفاده می شود. با توجه به وجود نقاط جذب در محدوده SWIR محدود در این شاخص های باند هایی از این محدوده قرار دارد.
شاخص گیاهی در سنجش از دور
این نوع از شاخصها برای تشخیص و پایش سلامت و رشد گیاهان، ارزیابی پوشش گیاهی، تحلیل نیاز آبی گیاهان، و تشخیص بیماریها و آفات در مزارع و جنگلها مورد استفاده قرار میگیرد. شاخص های گیاهی از لبه قرمز برای موارد عنوان شده استفاده می کند. هر چقدر یک سنجنده در این زمینه ها قدرت مند تر باشد ( منظور تعداد باند در محدوده لبه قرمز) توانایی تولید شاخص های بیشتر وجود دارد.
در این محدوده لبه قرمز هم برای شناسایی گیاهان استفاده می شود و هم برای بررسی بیماری و سلامت گیاهان مهم است. برای شناسایی گیاهان از میزان بازتاب بیشتر دراین محدوده استفاده می شود و از روی میزان و مقدار بازتاب سلامت گیاهی مورد ارزیابی واقع خواهد شد. سنجنده های ابرطیفی بیشترین کاربرد را دراین زمینه دارا است.
آشنایی با شاخص های طیفی خاک در سنجش از دور
در این بخش ، به معرفی انواع شاخصهای طیفی خاک پرداخته خواهد شد. این شاخصها از ارتباط بین ویژگیهای طیفی خاک و ویژگیهای آن اطلاعات مفیدی را استخراج میکنند که به تحلیل خصوصیات فیزیکی، شیمیایی و بیولوژیکی خاک و همچنین بررسی تغییرات آنها در طول زمان کمک میکنند.
در ادامه چندین تا از شاخص های خاک ارائه خواهد شد:
شاخص Brightness Index
شاخص روشنایی (BI) در سنجش از دور، یک شاخص طیفی است که برای نمایش روشنایی میانگین تصویر ماهواره ای استفاده می شود. این شاخص برای برجسته کردن ویژگی ها بر اساس سطوح روشنایی آنها طراحی شده است، به ویژه برای تفاوت هایی که در بازتاب سطح وجود دارد. BI با ترکیب ارزش های پیکسل از باندهای طیفی انتخاب شده محاسبه می شود، معمولا با استفاده از یک فرمول ریاضی که تغییرات روشنایی را در تصویر تاکید می کند.
BI ممکن است حساس به عواملی مانند رطوبت خاک و حضور نمک ها روی سطح باشد، زیرا این عوامل می توانند سطوح روشنایی کلی که توسط سنسور ماهواره ثبت شده است را تحت تأثیر قرار دهند. بنابراین، این شاخص اغلب در کاربردهایی که تفاوت های در سطح روشنایی مورد علاقه هستند، مانند پایش محیط زیست، طبقه بندی پوشش زمین و مطالعات شهری استفاده می شود.
BI = sqrt( ( (red_factor * red * red_factor * red) + (green_factor * green * green_factor * green) ) / 2 )
البته در این زمینه ما شاخص دیگری نیز داریم تحت عنوان second Brightness Index که همانند فرمول بالا می باشد که حساسیت بیشتری به روشنایی دارد.
BI2 = sqrt( ( (red_factor * red * red_factor * red) + (green_factor * green * green_factor * green) + (IR_factor * near_IR * IR_factor * near_IR) ) / 3 )
شاخص Redness Index
از این شاخص بیشتر به منظور بررسی تغییرات رنگ خاک استفاده خواهد شد. شاخص Redness (RI) در سنجش از دور، یک شاخص طیفی است که برای اندازهگیری قرمزی یا صفات قرمزی ویژگیها در تصاویر ماهوارهای استفاده میشود. این شاخص طراحی شده است تا مناطقی را که دارای غلظت بالایی از رنگ قرمز هستند، برجسته کند که ممکن است نشانگر ویژگیها یا پدیدههای خاص سطح باشد.
معمولاً شاخص قرمزی با مقایسه ارزش بازتاب پیکسلها در باندهای طیفی خاص محاسبه میشود، مانند باندهای قرمز و نزدیک به مادون قرمز (NIR). با تحلیل نسبت یا تفاوت بین این باندها، این شاخص مناطقی را که دارای فراوانی بیشتری از نور قرمز نسبت به سایر طولموجها هستند، تأکید میکند.
در کاربردهای سنجش از دور، شاخص قرمزی میتواند برای اهداف مختلفی مفید باشد، از جمله طبقهبندی پوشش زمین، تهیه نقشه گیاهان، و پایش محیط زیست. این اطلاعات ارزشمندی را در مورد توزیع و شدت ویژگیهای قرمز در یک تصویر فراهم میکند و در تفسیر و تحلیل شرایط سطح و تغییرات زمانی کمک میکند.
RI = (red_factor * red * red_factor * red) / (green_factor * green * green_factor * green * green_factor * green)
شاخص Colour Index
یکی دیگر از شاخص هایی که همراه با شاخص BI و NDVI برای بررسی منطقه از نظر خاک و کانی شناسی استفاده می شود شاخص CI می باشد. مقادیر بالای این شاخص در داخل منطقه نشان دهنده مقادیر بالای کربنات یا سولفات می باشد. این شاخص همبستگی بالا با crusted soils and sands در مناطق خشک و نیمه خشک دارید.
CI = (red_factor * red – green_factor * green) / (red_factor * red + green_factor * green)
آشنایی با شاخص های طیفی آب در سنجش از دور
شاخصهای طیفی آب در سنجش از دور نقش بسیار مهمی در تجزیه و تحلیل محیطهای آبی ایفا میکنند. این شاخصها، مبتنی بر خصوصیات طیفی امواج lectromagnetic (EM)، به ما اجازه میدهند تا اطلاعات مهمی را در مورد ویژگیهای مختلف آبیابی مانند آلودگی، دما، شفافیت، غلظت مواد محلول و سایر ویژگیهای فیزیکی و شیمیایی آب به دست آوریم.
در ادامه چندتا از معروف ترین شاخص های آب مورد بررسی قرار خواهد گرفت.
شاخص Normalized Difference Water Index
شاخص تفاوت نرمالشده آب (NDWI) یک شاخص طیفی است که به طور متداول در سنجش از دور برای شناسایی حضور و توزیع آب در تصاویر ماهوارهای استفاده میشود. این شاخص بر اصل این مبنا استوار است که آب نور را در باندهای طیفی خاصی جذب یا پراکنده میکند که منجر به امضای طیفی ممتاز میشود.
باند نزدیک به مادون قرمز (NIR) حساس به جذب آب است، در حالی که باند مادون قرمز کوتاه (SWIR) کمتر تحت تأثیر آب قرار میگیرد و حساسیت بیشتری به گیاهان و خاک دارد. با گرفتن تفاوت بین ارزشهای بازتاب در این باندها و نرمالسازی آن توسط جمع آنها، NDWI تفاوت را بین آب و سایر ویژگیهای زمینی تقویت میکند.
به طور معمول، بدنههای آبی با بازتاب پایینتر در باند NIR و بازتاب بالاتر در باند SWIR نسبت به سایر انواع پوشش زمین نمایان میشوند. بنابراین، مناطق دارای آب ارزشهای NDWI بالاتری را خواهند داشت، در حالی که ویژگیهای غیر آبی ارزشهای NDWI پایینتری را خواهند داشت.
این شاخص از باندهای middle_IR و NIR برای شناسایی پهنه های آبی استفاده میکند. این شاخص حساسیت بالایی به ملکول آب در پوشش گیاهی دارد. همچنین لازم به ذکر است این شاخص تاثیرات یا اثرات خاک را در نظر نمی گیرد.
NDWI = (IR_factor * near_IR – mir_factor * middle_IR) / (IR_factor * near_IR + mir_factor * middle_IR)
شاخص second Normalized Difference Water Index
شاخص second Normalized Difference Water Index توسط مکفیترز (1996) توسعه داده شد تا آبهای سطحی در محیطهای مرطوب شناسایی شود و امکان اندازهگیری محدوده آب سطحی فراهم شود. از این شاخص بیشتر برای شناسایی آب های آزاد و تلاب های استفاده می شود. در این شاخص از باندهای سبز و مادون قرمز نزدیک استفاده خواهد شد.
NDWI2 = (green_factor * green – IR_factor * near_IR) / (green_factor * green + IR_factor * near_IR)
شاخص Modified Normalized Difference Water Index
شاخص Modified Normalized Difference Water Index یکی دیگر از شاخص های پرکاربرد در زمینه پهنه های آبی است که از باندهای سبز و مادون قرمز میانی استفاده می کند. این ویژگی های باعث شده است که برای شناسایی پهنه های آبی آزاد و شناسایی عوارض انسان ساخت ( سدها) مورد استفاده قرار بگیرید. این شاخص نویز کمتری به نسبت سایر شاخص های آبی دارد.
الگوریتم شاخص تفاوت نرمالشده آب اصلاحشده توسط شیو در سال 2006 توسعه یافت . این شاخص نویز ساختمانهای ساختهشده را کاهش می دهد. همچنین این شاخص اثرات پوشش گیاهی و خاک را نیز تقلیل میدهد. شاخص MNDWI منجر به استخراج دقیقتر ویژگیهای آب باز میشود زیرا ساختمانهای ساختهشده، خاک و گیاهان همه مقادیر منفی داشته و از این رو به طور قابل توجهی میتوان به سادگی پهنه های آبی را شناسایی کرد.
MNDWI = (green_factor * green – mir_factor * middle_IR) / (green_factor * green + mir_factor * middle_IR)
شاخص Normalized Difference Pond Index
شاخص تفاوت نرمالشده مخزن (NDPI)، یک شاخص طیفی است که در سنجش از دور برای شناسایی و توصیف مخازن یا بدنههای آب کوچک در تصاویر ماهوارهای استفاده میشود. این شاخص به طور خاص برای افزایش تفاوت بین مخازن و ویژگیهای زمینی اطراف آنها طراحی شده است، که باعث میشود شناسایی و تحلیل این بدنههای آب آسانتر شود.
NDPI با استفاده از فرمولی مشابه با سایر شاخصهای تفاوت نرمالشده محاسبه میشود، که معمولاً شامل ارزشهای بازتاب از باندهای طیفی خاصی است. با مقایسه ارزشهای بازتاب در این باندها، NDPI تفاوتهای محتوای آب بین مخازن و مناطق زمینی مجاور را برجسته میکند.
NDPI به ویژه برای کاربردهایی مانند نقشهبرداری مرطوبات، مطالعات هیدرولوژی، و پایش محیطزیست، که تعیین دقیق و توصیف بدنههای آب کوچک ضروری است، بسیار مفید است. این به پژوهشگران امکان شناسایی و پایش تغییرات در توزیع، اندازه و محتوای آب مخازن در طول زمان را میدهد، که در ارزیابی سلامتی اکوسیستم و مدیریت منابع آب کمک میکند.
NDPI = (mir_factor * middle_IR – green_factor * green) / (mir_factor * middle_IR + green_factor * green)
شاخص Normalized Difference Turbidity Index
شاخص Normalized Difference Turbidity Index (NDTI)، یک شاخص طیفی است که در سنجش از دور برای ارزیابی روشنایی بدنههای آب در تصاویر ماهوارهای استفاده میشود. این شاخص گل آلودگی را ناشی از ذرات معلق اشاره دارد، که میتواند کیفیت و دید رویایی آب را تحت تأثیر قرار دهد.
در کاربردهای سنجش از دور، NDTI به ویژه برای پایش کیفیت آب، ارزیابی انتقال رسوبات و مطالعه تغییرات محیطزیستی در اکوسیستمهای آبی مفید است. این اطلاعات ارزشمندی را درباره غلظت ذرات معلق در آب فراهم میکند که میتواند بر اثرات زیستمحیطی، منابع آب آشامیدنی و فعالیتهای تفریحی در محیطهای آبی تأثیرگذار باشد.
NDTI = (red_factor * red – green_factor * green) / (red_factor * red + green_factor * green)
آشنایی با شاخص های طیفی گیاهی در سنجش از دور
آشنایی با شاخصهای طیفی گیاهی در سنجش از دور یک موضوع کلیدی و پرکاربرد در علم سنجش از دور است که توجه گستردهای از سوی پژوهشگران و متخصصان در حوزههای مختلف را موجب شده است. این شاخصها، الگوهای مختلفی از بازتاب نور از سطح زمین و مواد گیاهی را ارزیابی میکنند و اطلاعات ارزشمندی را درباره وضعیت و سلامت گیاهان، تغییرات در پوشش گیاهی، وضعیت رشد و توسعه گیاهان، و متغیرهای محیطی ارائه میدهند.
مطالعه و استفاده از شاخصهای طیفی گیاهی در سنجش از دور به عنوان یک ابزار مهم در اکتشاف منابع طبیعی، کنترل و پایش محیط زیست، کشاورزی دقیق، مدیریت منابع آب، پایش تغییرات اقلیمی و غیره بسیار مفید است. این شاخصها با تحلیل و پردازش تصاویر ماهوارهای و دادههای سنجندههای هوایی، به تفکیک و تجزیه و تحلیل مختلفی از محیط زیست و سطح زمین میپردازند که از جمله آنها میتوان به کلاسبندی پوشش گیاهی، مانیتورینگ سلامت گیاهان، تشخیص بیماریها و تنشهای گیاهی، اندازهگیری و تخمین از ویژگیهای گیاهانی اشاره کرد.
شاخص Normalized Difference Vegetation Index
معروفترین شاخص سنجش از دوری شاخص NDVI می باشد. از این شاخص برای بررسی سلامت گیاهی، نشاط و تراکم استفاده می شود. این شاخص مقادیر بین منفی 1 تا مثبت یک را دار می باشد که مقادیر منفی ان پهنه های آبی را نمایش می دهد.
شاخص تفاوت نرمالشده گیاهی (NDVI) یکی از شاخصهای طیفی پرکاربرد در سنجش از دور است که برای ارزیابی سلامت، چگالی و توزیع گیاهان در مناظر استفاده میشود. این شاخص با استفاده از مقادیر بازتاب از دو باند طیفی، معمولاً باندهای فروسرخ نزدیک (NIR) و قرمز، که توسط سنسورهای ماهوارهای ثبت میشوند، محاسبه میشود.
مقادیر NDVI از -1 تا +1 متغیرند، که مقادیر بالاتر به معنای گیاهان با تراکم و سلامت بالاتر هستند. گیاهان سالم بیشترین قسمتی از نور قابل مشاهده (شامل قرمز) را برای فتوسنتز جذب میکنند و یک قسمت بزرگ از نور نزدیک فروسرخ را بازتاب میدهند. بنابراین، مناطق با گیاهان فراوان معمولاً با بازتاب بالای NIR و بازتاب پایین قرمز روبرو میشوند که منجر به مقادیر NDVI بالا میشود.
NDVI = (IR_factor * near_IR – red_factor * red) / (IR_factor * near_IR + red_factor * red)
شاخص Soil Adjusted Vegetation Index
شاخص تنظیم شده گیاهی خاک (SAVI) یک شاخص گیاهی طیفی است که در سنجش از دور برای ارزیابی سلامت گیاهان با کاهش تأثیرات متغیرهای روشنایی خاک استفاده میشود. این شاخص به ویژه در مناطقی با روشنایی خاک بالا کاربرد دارد، جایی که شاخصهای سنجش گیاهی ساده مانند NDVI ممکن است به دلیل اثرات خاک نتایج گمراهکنندهای ارائه دهند.
عامل خاک در این روش پارامتر L است. با جایگذاری عامل تنظیم خاک (L) در فرمول، SAVI اثرات پسزمینه خاک را بر روی شاخصهای گیاهی کاهش میدهد و مناسبتر برای ارزیابی دقیق سلامت گیاهان در محیطهای متنوع میشود. مقادیر SAVI از -1 تا +1 متغیرند که مقادیر بالاتر به معنای پوشش گیاهی سالمتر هستند.
در کاربردهای سنجش از دور، SAVI به طور گسترده برای پایش گیاهان، طبقهبندی پوشش اراضی و مطالعات محیطی استفاده میشود، به خصوص در مناطق کشاورزی و نیمهخشک که تغییرات روشنایی خاک مهم هستند. این به محققین و مدیران اراضی کمک میکند تا تصمیمات اطلاعرسانی شده درباره سلامت محصولات کشاورزی، روشهای مدیریت اراضی و حفاظت از بومشناختی را اتخاذ کنند.
SAVI = (1 + L) * (IR_factor * near_IR – red_factor * red) / (IR_factor * near_IR + red_factor * red + L)
شاخص Transformed Soil Adjusted Vegetation Index
شاخص تنظیم شده تبدیل شده گیاهی خاک (TSAVI) نسخه اصلاحشدهای از شاخص گیاهی خاک (SAVI) است که برای کاهش بیشتر تأثیرات متغیرهای روشنایی خاک در برنامههای سنجش از دور طراحی شده است. TSAVI به ویژه در مناطقی که شاخصهای سنجش گیاهی سنتی مانند NDVI و SAVI هنوز هم تحت تأثیرات پسزمینه خاک قرار میگیرند، بسیار مفید است.
TSAVI حساسیت شاخص را نسبت به گیاهان افزایش میدهد در حالی که تأثیرات روشنایی خاک را به حداقل میرساند. این باعث میشود که TSAVI برای ارزیابی دقیقتر سلامت و چگالی گیاهان در محیطهای متنوع، از جمله مناطق با روشنایی خاک بالا، بسیار مؤثر باشد.
در کاربردهای سنجش از دور، TSAVI برای پایش گیاهان، طبقهبندی پوشش اراضی و مطالعات محیطی استفاده میشود، جایی که مشخص کردن دقیق پوشش گیاهی امری ضروری است. این به محققین و مدیران اراضی کمک میکند تا تصمیمات اطلاعرسانی شده درباره سلامت اکوسیستم، روشهای مدیریت اراضی و حفاظت از تنوع زیستی را اتخاذ کنند.
TSAVI = s * (IR_factor * near_IR – s * red_factor * red – a) / (s * IR_factor * near_IR + red_factor * red – a * s + X * ( 1 + s * s ))
شاخص Modified Soil Adjusted Vegetation Index
Modified Soil Adjusted Vegetation Index (MSAVI) یک شاخص طیفی گیاهی است که در سنجش از دور برای ارزیابی سلامت گیاهان استفاده میشود در حالی که تأثیرات روشنایی خاک را به حداقل میرساند. این شاخص یک اقتباس از شاخص تنظیم شده گیاهی خاک (SAVI) است و هدف ارائه یک نمایش دقیقتر از قدرت گیاهان در مناطقی با اثرات زمینه روشنایی خاک چشمگیر است.
در کاربردهای سنجش از دور، MSAVI برای نظارت بر گیاهان، طبقهبندی پوشش زمین و مطالعات محیطی که شناسایی دقیق سلامتی گیاهان در آنها اساسی است، مورد استفاده قرار میگیرد. این امکان را به محققان و مدیران زمین کمک میکند تا تصمیمگیریهای اطلاعاتی در مورد مدیریت اکوسیستم، برنامهریزی استفاده از زمین و تلاشهای حفاظتی اتخاذ کنند.
MSAVI = (1 + L) * (IR_factor * near_IR – red_factor * red) / (IR_factor * near_IR + red_factor * red + L)
این شاخص نسخه دیگری تحت عنوان second Modified Soil Adjusted Vegetation Index دارد که تعدیل شده شاخص MSAVI می باشد که در زیر فرمول آن ارائه شده است.
MSAVI2 = (1/2) * ( 2 * IR_factor * near_IR + 1 – sqrt( ( 2 * IR_factor * near_IR + 1) * ( 2 * IR_factor * near_IR + 1) – 8 * (IR_factor * near_IR – red_factor * red) ) )
شاخص Difference Vegetation Index
یکی از ساده ترین شاخص های گیاهی سنجی از دوری که به مقدار پوشش گیاهی حساسیت بالایی دارد شاخص DVI می باشد. DVI به طور مستقیم یک مقدار بازتاب را از مقدار دیگر کم میکند تا تغییرات در ویژگیهای گیاهی را برجسته کند. این شاخص حساس به پیش پردازش ها نمی باشد.
مقادیر مثبت DVI به افزایش چگالی یا سلامت گیاهان اشاره دارند، در حالی که مقادیر منفی نشان دهنده کاهش میزان گیاهان هستند. DVI به ویژه برای تشخیص تغییرات در پوشش گیاهی، سطح تنش و تجمع بیومس در طول زمان مفید است.
در برنامه های حسگری از دور، DVI در مطالعات مختلفی مانند نظارت بر تغییرات پوشش ارضی، ارزیابی پاسخ گیاهان به عوامل محیطی، و شناسایی اختلالات نظیر نابودی جنگلها یا گسترش کشاورزی استفاده میشود. این شاخص به دانشمندان و مدیران زمین کمک میکند تا تصمیمات آگاهانهتری در مورد مدیریت و حفاظت از اکوسیستمها بگیرند.
DVI = (IR_factor * near_IR – red_factor * red)
شاخص Ratio Vegetation Index
شاخص گیاهی نسبت (RVI) یک شاخص طیفی گیاهی است که در سنجش از دور برای ارزیابی فراوانی و سلامت گیاهان بر اساس نسبت بازتاب نور در باندهای طیفی مختلف استفاده میشود. بهخلاف شاخصهای نرمالشده مختلف مانند NDVI که از تفاضل استفاده میکنند، RVI از یک محاسبه نسبت ساده استفاده میکند.
مقادیر RVI از ۰ تا مثبت بینهایت متغیر است. مقادیر بالاتر از RVI معمولاً نشاندهنده پوشش گیاهی فشردهتر است، در حالیکه مقادیر کمتر به مقدار کمتری از گیاهان اشاره دارد. RVI حساس به تغییرات در ساختار، فراوانی و سلامت گیاهان است، که این امر آن را برای کاربردهای مختلف سنجش از دور از جمله طبقهبندی پوشش زمین، مانیتورینگ گیاهان و ارزیابیهای کشاورزی مفید میکند.مقادیر پایین این شاخص برای خاک، یخ، آب می باشد.
RVI = (IR_factor * near_IR) / (red_factor * red)
شاخص Perpendicular Vegetation Index
شاخص گیاهی عمودی (PVI) یک شاخص طیفی استفاده شده در سنجش از دور است که برای ارزیابی سلامت و فراوانی گیاهان بر اساس تفاوت عمودی در انعکاس نور در دو باند طیفی استفاده میشود. بر خلاف سایر شاخصهای گیاهی که از نسبتها یا اختلافها استفاده میکنند، PVI بر روی طبیعت عمودی انعکاس گیاهان تمرکز دارد.
این شاخص حساسیت بسیار بالایی به اتمسفر دارد و برای محاسبه آب حتما باید تصحیحات اتمسفری صورت بگیرید. PVI به ویژه در مناطق با شرایط گیاهی پیچیده مانند جنگلها مفید است، جایی که طبیعت عمودی انعکاس گیاهان نقش مهمی ایفا میکند. این شاخص به محققان و مدیران اراضی کمک میکند تا پویاییهای گیاهی را نظارت کنند، تغییرات پوشش اراضی را ارزیابی کنند و تصمیمات آگاهانهتری در مورد مدیریت و حفاظت از بومشناسی بگیرند.
سایر شاخص طیفی در سنجش از دور
Infrared Percentage Vegetation Index
Weighted Difference Vegetation Index
Transformed Normalized Difference Vegetation Index
Green Normalized Difference Vegetation Index
Global Environmental Monitoring Index
Atmospherically Resistant Vegetation Index
Normalized Difference Index
Meris Terrestrial Chlorophyll Index
Modified Chlorophyll Absorption Ratio Index
Red-Edge Inflection Point Index
Sentinel-2 Red-Edge Position Index
Inverted Red-Edge Chlorophyll Index
Pigment Specific Simple Ratio
جمع بندی
سنجش از دور به عنوان یک روش قدرتمند در مطالعه و مدیریت محیط زیست و منابع طبیعی شناخته شده است. یکی از مباحث کلیدی در این زمینه بحث درباره شاخصهای طیفی است که میتواند به ما در درک بهتر از ویژگیهای سطح زمین و تغییرات آن کمک کند. در این مقاله، ما به بررسی انواع شاخصهای طیفی میپردازیم که در سنجش از دور مورد استفاده قرار میگیرند و نقش آنها در مطالعه و نظارت بر منابع طبیعی را بررسی میکنیم.
شاخصهای طیفی در سنجش از دور به عنوان ابزارهای مهمی در تحلیل و بررسی تصاویر ماهوارهای و دادههای ارسالی از سنسورهای دیگر مورد استفاده قرار میگیرند. این شاخصها بر اساس ویژگیهای طیفی سطح زمین، مانند بازتاب و جذب نور در باندهای مختلف، تولید شده و معمولاً برای بررسی ویژگیهای زیستی، آبی، خاکی و زمینشناسی استفاده میشوند.
انواع شاخص طیفی در سنجش از دور
شاخصهای آب: این شاخصها برای تشخیص و ارزیابی منابع آبی، مانند رودخانهها، دریاچهها و حوضچهها، مورد استفاده قرار میگیرند. برخی از این شاخصها شامل Normalized Difference Water Index (NDWI) و Modified Normalized Difference Water Index (MNDWI) میشوند.
شاخصهای خاک: این شاخصها به بررسی ویژگیهای خاکی سطح زمین مانند نوع خاک، رطوبت و بازتاب نور از خاک میپردازند. مثالهایی از این شاخصها عبارتند از Soil Adjusted Vegetation Index (SAVI) و Soil Brightness Index (SBI).
شاخصهای گیاهی: این شاخصها به بررسی وضعیت و سلامت گیاهان و پوشش گیاهی سطح زمین میپردازند. برخی از معروفترین شاخصهای گیاهی شامل Normalized Difference Vegetation Index (NDVI)، Enhanced Vegetation Index (EVI) و Perpendicular Vegetation Index (PVI) هستند.
شاخصهای طیفی در سنجش از دور در مطالعات محیط زیست، کشاورزی، زمینشناسی، منابع آبی و زمینشناسی مورد استفاده قرار میگیرند. این شاخصها به ما امکان میدهند تا تغییرات در منابع طبیعی را در طول زمان مانیتور کنیم، مسائل محیط زیستی را تحلیل کنیم و تصمیماتی مبتنی بر شواهد دقیقتر اتخاذ کنیم.
شاخصهای طیفی در سنجش از دور به عنوان ابزارهای کلیدی در تحلیل و بررسی وضعیت و تغییرات سطح زمین شناخته شدهاند. این شاخصها، به دلیل قابلیت بالقوه برای ارائه اطلاعات دقیق و منطقی در مورد منابع طبیعی، ابزارهای مهمی برای مطالعات محیط زیستی و منابع طبیعی به شمار میروند.