پديد آورندگان :
بابائي، حديثه وزارت علوم تحقيقات و فناوري - پژوهشگاه هوافضا , جانعلي پور، ميلاد وزارت علوم تحقيقات و فناوري - پژوهشگاه هوافضا , عباس زاده طهراني، ناديا وزارت علوم تحقيقات و فناوري - پژوهشگاه هوافضا
كليدواژه :
تشخيص ابر و سايه ابر , حد آستانه گذاري , سنجش از دور , تصاوير ماهواره اي , لندست 8
چكيده فارسي :
وجود پوشش ابر و سايه آن، مسئله‌اي فراگير و غيرقابل اجتناب در تصاوير اپتيكي ماهواره‌هاي مختلف است كه سبب عدم مشاهده درست مناطق زميني مي‌شود. ايجاد الگوريتم‌هاي دقيق و خودكار براي تشخيص ابر و سايه آن در اين نوع تصاوير، كه طيف بسيار وسيعي از داده‌هاي سنجش از دوري را تشكيل مي‌دهند، امري بسيار ضروري است. از جمله تصاوير ماهواره‌اي كه به دليل دسترسي راحت و رايگان، قدرت تفكيك مناسب، تنوع باندي و ديد وسيع تصاوير آن، در مطالعات مختلف به طور گسترده مورداستفاده قرار مي‌گيرد تصاوير لندست8 است. شناسايي ابر در تصاوير ماهواره‌اي لندست8 قبل از انجام هر پردازشي اولويت دارد. از اين رو، در اين تحقيق با استفاده از روش حد آستانه گذاري و با استفاده از دو باند جديدي كه اين ماهواره نسبت به ماهواره‌هاي قبلي لندست در اختيار كاربران قرار داده است، ابر و سايه آن شناسايي شد. روش پيشنهادي بر روي 5 تصوير از سه منطقه مختلف با درصد ابر كم تا زياد پياده سازي شد. براساس نتايج بدست آمده، روش پيشنهادي عل يرغم سادگي با صحت كلي بالاتر از 98 درصد توانايي شناسايي ابر و سايه آن را دارد.
چكيده لاتين :
Cloud cover and its shadow are a common and unavoidable issue in various optical satellite images
that cause limitations in observing Earth’s objects. In other words, they are noise for observing ground objects. Therefore, providing precise and suitable algorithms for detecting cloud and its shadow in various types of satellite optical images is an important task. Landsat 8 sensors provide free and easy
accessibility, suitable resolutions, band variation and archived images to users in order to do various
applications. Detecting cloud and its shadow in Landsat 8 images is an important mission before any
other processing, since ground targets cannot be observed in cloudy days. Here we suggest a decision
tree method based on thresholding approach and using two new bands of Landsat 8 i.e., Band 1 and
Band 9 to obtain cloud and its shadow from Landsat 8 images. In the proposed method, at first, digital
numbers are converted into reflectance values. Then cloud and its shadow are detected using (band 1
and band 9) and (band 1, band 5, band 6, and band 9), respectively. Afterwards, morphologic operators
are employed to improve the quality of the cloud and its shadow mask. Finally, accuracy assessment
is done. The proposed approach was applied to five images over three regions with low to high cloud
cover percentage. Based on the obtained results, our simple proposed approach can detect cloud and
its shadow with an overall accuracy higher than 98%. According to accuracy assessment results, pixelqa
product of Landsat 8 is not proper to extract cloud and its shadow, since it has errors. Moreover,
the accuracy of the proposed method was compared to Kang et al.,(2013) cloud detection approaches.
Based on outcomes, our proposed method outperforms Kang et al., (2013) cloud detection approaches.
In order to improve the robustness of the proposed method, it is recommended to apply it over other
case studies and data sets.
