A study of the performance of the MSR vegetation index, using probabilistic and geostatistical methods

PDF (English)
Δημοσιευμένα: Jan 1, 2007
DOI: https://doi.org/10.12681/bgsg.17297
Λέξεις-κλειδιά:
κατανομή ιστόγραμμα λόγος σήματος προς θόρυβο διάγραμμα αυτοσυσχέτισης NDVI
Aim. G. Skianis
National and Kapodistrian University of Athens, Faculty of Geology and Geoenvironment, Remote Sensing Laboratory
D. Vaiopoulos
National and Kapodistrian University of Athens, Faculty of Geology and Geoenvironment, Remote Sensing Laboratory
K. Nikolakopoulos
I.G.M.E.
Περίληψη

Στην παρούσα εργασία εξετάζεται η επίδραση του δείκτη βλάστησης MSR σε πολυφασματικές εικόνες, αξιοποιώντας τη θεωρία πιθανοτήτων και τη γεωστατιστική. Χρησιμοποιώντας κατάλΛηλες κατανομές για την περιγραφή των ιστογραμμάτων της εικόνας στο ερυθρό και στο υπέρυθρο κανάλι, συνάγεται η αναλυτική έκφραση για την κατανομή g των τιμών MSR. Από τη μελέτη της συμπεριφοράς του g διαπιστώνεται ότι ο λόγος τυπικής απόκλισης προς μέση τιμή της εικόνας MSR είναι μεγαλύτερος από αυτόν του συχνά χρησιμοποιούμενου δείκτη βλάστησης NDVI. Επομένως ο δείκτης MSR παράγει εικόνες με καλύτερη αντίθεση φωτεινότητας. Επίσης, παρατηρείται ότι η εικόνα MSR έχει καλύτερο λόγο σήματος προς θόρυβο από την εικόνα NDVI. Τέλος, τα διαγράμματα αυτοσυσχέτισης των εικόνων MSR και NDVI δείχνουν ότι στην εικόνα MSR, οι διαφορές τονικότητας μεταξύ γειτονικών εικονοστοιχείων είναι ελαφρά εντονότερες από όσο στην εικόνα NDVI. Το γενικό συμπέρασμα είναι ότι ο δείκτης βλάστησης MSR παράγει εικόνες με καλή αντίθεση φωτεινότητας και καλό λόγο σήματος προς θόρυβο. Τα πορίσματα αυτής της εργασίας μπορούν να αξιοποιηθούν στη χαρτογράφηση της φυτοκάλυψης της περιοχής ενδιαφέροντος

Λεπτομέρειες άρθρου
  • Ενότητα
  • New Technologies in Geophysical and Geological Research
Creative Commons License

Αυτή η εργασία είναι αδειοδοτημένη υπό το CC Αναφορά Δημιουργού – Μη Εμπορική Χρήση 4.0.

Οι συγγραφείς θα πρέπει να είναι σύμφωνοι με τα παρακάτω: Οι συγγραφείς των άρθρων που δημοσιεύονται στο περιοδικό διατηρούν τα δικαιώματα πνευματικής ιδιοκτησίας επί των άρθρων τους, δίνοντας στο περιοδικό το δικαίωμα της πρώτης δημοσίευσης. Άρθρα που δημοσιεύονται στο περιοδικό διατίθενται με άδεια Creative Commons 4.0 Non Commercial και σύμφωνα με την οποία μπορούν να χρησιμοποιούνται ελεύθερα, με αναφορά στο/στη συγγραφέα και στην πρώτη δημοσίευση για μη κερδοσκοπικούς σκοπούς. Οι συγγραφείς μπορούν να: Μοιραστούν — αντιγράψουν και αναδιανέμουν το υλικό με κάθε μέσο και τρόπο, Προσαρμόσουν — αναμείξουν, τροποποιήσουν και δημιουργήσουν πάνω στο υλικό.

Λήψεις
Τα δεδομένα λήψης δεν είναι ακόμη διαθέσιμα.
Αναφορές
Baret, F., and Guyot, G., 1991. Potentials and limits of vegetation indices for LAI and APAR assessment, Remote Sensing of Environment 35, 161-173.
Baret, F., Guyot, G., and Major, D.J., 1989. TSAVI: a vegetation index which minimizes soil brightness effects on LAI and APAR estimation, Proc. IGARSS'89 and 12th Canadian Symposium on Remote Sensing. Vancouver, Canada, 1355-1358.
Brown, L., Jin, M.C., Lablanc, S.G., and Cihlar, J., 2000. A shortwave infrared modification to the simple ratio for LAI retrieval in boreal forests: An image and model analysis, Remote Sensing of Environment, 71, 16-25.
Burgan, R.E., 1996. Use of Remotely Sensed Data for Fire Danger Estimation, Earsei Advances in Remote Sensing. Remote Sensing and GIS applications for Forest Fire Management, 4(4), 1-8.
Chen, J., 1996. Evaluation of vegetation indices and modified simple ratio for boreal applications, Canadian. Journalof Remote Sensing, 22, 229-242.
Chen, J., and Cihlar, J., 1996. Retrieving leaf area index of boreal conifer forests using Landsat Thematic Mapper, Remote Sening of Environment, 55, 153-162.
Coulibaly, L., and Goita, K., 2006. Evaluation of the potential of various spectral indices and textural features derived from satellite images for surficial deposits mapping, International Journal of Remote Sensing 27(20), 4567-4584.
Deering, D.W., Rouse, J.W., Haas, R.H., and Schell, J.A., 1975. Measuring Forage Production of Grazing Units from Landsat MS S Data, lCfh Internatonal Symposium on Remote Sensing of Environment 2, 1169-1178.
Fassnacht, K.S., Gower, S.T., Mackenzie, M.D., Nordheim, E.V., and Lillesand, T.M., 1997. Estimating the leaf area index of north central Wisconsin forest using Landsat Thematic Mapper. Remote Sening of Environment, 61, 229-245.
Faust, N.L., 1989. Image Enhancement. In Allen Kent and James G. Williams (eds), Encyclopedia of Computer Science and Technology, vol. 20, Supplement 5. Marcel Dekker Inc.
Fernandes, R.A., Miller, J.R., Chen, J.M., and Rubinstein, LG., 2004. Evaluating image-based estimates of leaf area index in boreal conifer stands over a range of scales using highresolution CASI imagery, Remote Sensing of Environment 89, 200-216.
Goel, N.S., 1988. Models of vegetation canopy reflectance and their use in estimation of biophysical parameters from reflectance data, Remote Sens. Rev., 4, 1-212.
Goel, N.S., 1989. Inversion of canopy reflectance models for estimation of biophysical parameters from reflectance data. In G. Asrar (ed.), Theory and applications of optical remote sensing (205-251).
Haboudane, D., Miller, J.R., Pattey, E., Zarco-Tejada, P.J., Strachan, I.B., 2004. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modeling and validation in the context of precision agriculture, Remote Sensing of Environment 90, 337-352.
Huete, A.R., 1988. A soil-adjusted vegetation index (SAVI), Remote Sensing of Environment 25, 295-309.
Jensen, R.J., 1996. Introductory Digital Image Processing: A Remote Sensing Perspective, Prentice Hall. 316pp.
Liang, S., 2004. Quantitative Remote Sensing, Wiley. 534pp.
Nemani, R., Pierce, L., Running, S., and Band, L., 1993. Forest ecosystem processes at the watershed scale: Sensitivity to remotely-sensed leaf area index estimates, International Journal of Remote Sensing, 14, 2519-2534.
Qi, J., Chehbouni, Α., Huete, A.R., Kerr, Y.H., and Sorooshian, S., 1994. A modified soil adjusted vegetation index, Remote Sensing of Environment 48(2), 119-126.
Rahman, M.M., Csaplovics, E., and Koch, B., 2005. An efficient regression strategy for extracting forest biomass information from satellite sensor data, International Journal of Remote Sensing, 26(7), 1511-1519.
Rondeaux, G., Steven, M., and Baret, F., 1996. Optimization of soil-adjusted vegetation indices, Remote Sensing of Environment, 55, 95-107.
Rouse, J.W., Haas, R.H., Schell, J.Α., and Deering, D.W., 1973. Monitoring vegetation systems in the Great Plains with ERTS, 3rd ERTS Symposium, vol. 1, 48-62.
Skianis, G. Aim., Vaiopoulos, D., and Nikolakopoulos, K., 2004a. Assesment of the TVI vegetation index with the aid of probability theory, Proceedings of the l(f International Congress of the Geological Society of Greece, Thessaloniki, vol. 3, 1338-1346.
Skianis, G. Aim., Vaiopoulos, D., and Nikolakopoulos, K, 2004b. A study of the behavior of vegetation index SAVI, based on probability theory, Proceedings of the 7th Panhellenic Congress of the Hellenic Geographical Society, Mytilini, Greece, vol. 1, 41-48.
Spanner, M.A., Pierce, L.L., Peterson, D.L., and Running, S.W., 1990. Remote sensing of temperate coniferous forest leaf area index. The influence of canopy closure understory vegetation and background reflectance, Inernational Journal of Remote Sensing, 11, 95-111.
Spiegel, M.R., 1977. Probability and Statistics, McGraw-Hill New York, ESPI Athens, 384pp.
Vaiopoulos, D., Skianis, G. Aim., and Nikolakopoulos, K, 2004. The contribution of probability theory in assessing the efficiency of two frequently used vegetation indices, International Journal of Remote Sensing 25(20), 4219-4236.
Verhoef, W., 1998. Theory of radiative transfer models applied in optical remote sensing of vegetation canopies, Wageningen: Grafish Service Centrum Van Gils.
Τα περισσότερο διαβασμένα άρθρα του ίδιου συγγραφέα(s)