ارزيابي پهنه بندي سطح برف ، با استفاده از داده هاي سنجش از دور و سيستم اطلاعات جغرافيايي

Evaluation of snow surface zoning using remote sensing data and GIS

تعيين سطح پوشش برف در حوضه هاي آبريز به عنوان يكي از پارامترهاي مهم برفسنجي، نقش مهمي در مطالعات سنجش از دور و سامانه اطلاعات جغرافيايي دارد . تصاوير ماهواره اي با توان بسيار بالايي قدرت تعيين اين سطوح برفگير را با كمترين هزينه و در كوتاه ترين زمان دارند. در طي 4 دهه گذشته تكنيك ها و الگوريتم هاي مختلفي براي بررسي هرچه دقيق تر سطح پوشش برف مورد ارزيابي قرار گرفته است كه در اين بين استفاده از داده هاي ماهواره MODIS به دليل تعداد دفعات گردش ماهواره به گرد زمين و تعداد برداشت هاي زياد تصاوير مطلوب بشمار مي رود. در اين تحقيق تصاوير سنجنده MODIS به دليل قابليت بالا در مطالعات برفسنجي مورد استفاده قرار گرفت. در ابتدا اين تصاوير كه به صورت خام مي باشند تا سطح LIB تصحيح گرديد. سپس ميزان انعكاس طيفي و انعكاس تابشي باندها تعيين و جداسازي طيفي خطي صورت پذيرفت كه براي اين منظور باندهاي مناسب انتخاب و با استفاده از الگوريتم MNF، ميزان نويز در باندها كاهش يافت. سپس به تعيين EM پرداخته شد. سپس بر اساس منحني طيفي پديده هاي موجود در منطقه، كتابخانه طيفي تهيه و در نهايت با بكارگيري الگوريتم Linear Spectral Unmixing به جداسازي طيفي پرداخته شد.

Determining the level of snow cover in catchment areas as one of the important parameters of snow flooding plays an important role in the field studies and geographic information systems. Satellite images with extremely high power can determine these snow levels at the lowest cost and in the shortest time. Over the past four decades, various techniques and algorithms have been evaluated to examine the level of snow cover more precisely, including the use of MODIS satellite data due to the frequency of satellite rotation around the earth and the number of high-resolution images of the desired images. Considered. In this study, MODIS images were used for flood meter studies due to their high capability. Initially, these raw images are corrected to L1B level. Then, the spectral reflection and reflection of the bands were determined and a linear spectral separation was made, for which purpose suitable bands were selected and the MNF algorithm reduced the noise in the bands. Then, we determined the EM. Then, based on the spectral curve of the existing phenomena in the region, a spectral library was prepared and, finally, by applying the linear spectral unmixing algorithm, spectral separation was studied.