مقايسه روش‌هاي پركردن پيكسل‌هاي فاقد داده در تصاوير ماهواره لندست 7 ETM+ در برآورد نقشه ضريب گياهي

Comparison of gap filling methods in Landsat 7 ETM+ images to estimate crop coefficient

داده هاي ماهواره اي لندست 7 ETM+ به طور گسترده اي در مطالعات پوشش گياهي و توزيع مكاني ضريب گياه در مقياس منطقه اي و جهاني استفاده مي شوند اما شكست تصحيح كننده خط اسكن (SLC) در سال 2003 تا حد زيادي سودمندي آن را كاهش داده است. علاوه بر اين، شكست مذكور دائمي است و تلاش هاي متعاقب آن براي بازيابي تصحيح كننده خط اسكن ناموفق بوده، بنابراين راه لازم و عملي براي رسيدگي به اين مشكل پر كردن پيكسل هاي فاقد داده در تصاير SLCoff است. اگرچه روش هاي پيشنهادي مختلفي براي پر كردن شكاف ها وجود دارد اما كيفيت تصاوير پر شده در مناطق ناهمگن هنوز هم براي بيشتر برنامه هاي كاربردي رضايت بخش نيست. اين پژوهش به مقايسه دو روش زمين آماري و استفاده از داده هاي كمكي موديس براي پر كردن شكاف ها در تصاوير SLCoff در تصوير لندست 7 ETM+ و با هدف برآورد مقادير ضريب گياهي گياه برنج در بخش شرقي واحد عمراني F1 از شبكه آبياري و زهكشي سفيدرود پرداخته است. نتايج نشان داد كه برآوردها در روش IDW با مقدار NRMSE برابر 09/6 درصد داراي بيشترين دقت بوده و روش هاي FGMAD و FAD به ترتيب با مقدار NRMSE برابر 75/14 و 97/14 در رتبه هاي بعدي از نظر دقت برآورد قرار مي گيرند. روش FDCAD، كم ترين دقت را در برآوردها داشت.

Landsat 7 ETM+ data is widely used in studies of the spatial distribution Kc and vegetation cover parameters in regional and global scales but SLC failure has greatly reduces its usefulness. Additionally, the failure is permanent and has failed subsequent attempts to recover the SLC, so required and practical way to address this problem is filling the pixels of missed data in the SLCoff images. Although, there are several proposed methods to fill the gap, but still have filled images quality in heterogeneous area is not satisfactory for more applications. This study was conducted to compare the geostatistics and MODIS auxiliary data methods to fill the pixels of missed data in the SLCoff images. The results showed that the IDW method with NRMSE 6.09% was the best method. The fusion with auxiliary images (MODIS) and ordinary Kriging methods resulted in NRMSE 14.75 and 16.9, respectively. The method of fusion with classified auxiliary images (MODIS) presented the lowest accuracy in estimating missed data.