مقایسه روش های ادغام داده های تصاویر سنجنده MODIS و OLIدر بهبود بارزسازی گردو غبار نواحی صنعتی

از عمده مشکلات سنجنده های مستقر بر سکوهای هوایی و فضایی  نبود قدرت تفکیک مکانی، رادیومتریک طیفی و زمانی بالا بصورت همزمان است زیرا  طراحی چنین سنجنده هایی علاوه بر هزینه بری بالا دارای مشکلاتی در طراحی سنجنده می باشند. از طرف دیگر شناسایی و پایش بسیاری از پدیده های محیطی نیازمند به بکارگیری سنجنده هایی با قدرت تفکیک مکانی، طیفی و زمانی بالا بصورت همزمان است. بنابراین جهت پایش بسیاری از عوامل موجود در اکوسیستم‌های طبیعی از جمله آب، خاک و اتمسفر بکارگیری روشهای ریزمقیاس سازی در ادغام تصاویر دو یا چند سنجنده با قدرت تفکیک مکانی، رادیومتری و زمانی متفاوت راهگشا است. ریزگرد ها به خصوص ریزگردهای حاصل از فعالیت صنایع و معادن، جزء ذرات معلق اتمسفر هستند که شناسایی آنها از اهمیت بسیاری برخوردار است. پایش ریزگرد نیازمند به سنجنده ای است که همزمان دارای قدرت تفکیک رادیومتری، مکانی و زمانی بالا باشد که این امر در یک سنجنده عملا غیر ممکن است. بدین منظور می‌توان از تلفیق تصاویر سنجنده مودیس با قدرت تفکیک رادیومتری و زمانی بالا با تصاویر لندست با قدرت تفکیک مکانی بالا استفاده نمود. از جمله شاخص های معروف برای بارزسازی ریزگرد، شاخص NDDI است که با استفاده از طول موج های مادون قرمز میانی (2.1μm) و آبی (0.47 μm) بدست می آید. در این تحقیق سعی بر آن شد تا از چندین الگوریتم ریزمقیاس سازی از جمله Bovery، Gram-Shcmidt، STARFM، ESTARFM، wavelet، PBIM، SIFM و HPF برای ادغام تصاویر سنجنده های مودیس و لندست مربوط به تاریخ 8 ژولای 2016 استفاده شود و با نتایج حاصل نقشه های پهنه بندی شاخص NDDI تهیه گردد. نتایج ارزیابی نشان داد بهترین روش ادغام روش های STARFM و ESTARFM و PBIM است که با تصاویر سنجنده لندست دارای ضریب تبین( R2) به ترتیب 88/0، 91/0، 99/0 و با تصاویر مودیس 51/0، 5/0 و 57/0 می باشد. مجذور میانگین مربعات خطا (RMSE) برای هر سه روش بسیار ناچیز و به ترتیب 02/0، 004/0 و 055/0 برای تصاویراصلی لندست و 004/0، 06/0 و 1/0 برای تصاویر اصلی مودیس می باشد. بنابراین میتوان از روشهای STARFM و ESTARFM و PBIM جهت ترکیب تصاویر سنجنده مودیس و لندست به قصد افزایش قدرت تفکیک مکانی، طیفی و زمانی با دقت بالا استفاده نمود.