چکیده:
بیشتر روش های سنجش از دور بر این حقیقت استوار است که تصاویر سنجش از دور در باندهای طیفی متعدد و پهنای باندی کوچک تصویربرداری شده باشند و بتوان طیف پیکسل را استخراج کرد. برای مشخص کردن، شناسایی و دسته بندی خالص ترین پیکسل ها و منحنی های طیفی بعد از انجام کسر کمترین نوفه (MNF) و اجرای تبدیل شاخص خلوص پیکسل (PPI) از مجسم کننده n- بعدی استفاده می شود. گروه پیکسل هایی که در گوشه های نمودار پراکندگی قرار دارند می توانند از دیگر داده های ابری جدا شده و به عنوان عضو انتهایی که با نوع خاصی از کانی ها و سنگ ها یا هر پدیده مشخصی مطابقت دارد انتخاب شوند. با مراجعه به محل واقعی این پیکسل ها در تصویر، طیف عضوهای انتهایی استخراج می شود. بدین منظور این فرایند بعد از کالیبراسیون میانگین بازتاب نسبی درونی (IARR) بر روی دسته داده های استر در منطقه جنوب غرب اردستان، اصفهان اجرا شد. واحدهای زمین شناختی منطقه مورد مطالعه اساساً شامل واحدهای رسی (مانند شیل)، سنگ های کربناته (کلسیت) و پوشش گیاهی می باشد. نتایج این فرایند منجر به استخراج سه عضو انتهایی شامل ایلیت، کلسیت و گیاه سبزینه دار از تصویر مورد نظر گردید.
Many commonly used spectral image analysis techniques are based on the fact that remotely sensed imagery is sampled with numerous spectral bands at narrow bandwidths, making it possible to construct a spectrum for each pixel in the image. For identify and classify the most pure pixels and spectral curves, the n-dimensional visualizer is used after performing the Minimum Noise Fraction (MNF) and Pixel Purity Index (PPI). The group of pixels in the corners of the scatter plot can be separated from other cloud data and selected as end-members corresponding to a particular type of minerals, rocks, or any individual phenomenon. Referring to the actual location of these pixels in the image, the end-member spectrum is extracted. Therefore, this process was performed after calibration of Internal Average Relative Reflection (IARR) on the ASTER dataset in southwest Ardestan, Isfahan. The geological units of the study area mainly consist of clay units (such as shale), carbonate rocks (calcite) and vegetation. This process resulted in the extraction of three end-member including illite, calcite and the green vegetation from the image.
خلاصه ماشینی:
استفاده از PPI و مجسم کننده n- بعدي در شناسايي و دسته بندي خالص ترين پيکسل ها و منحني هاي طيفي با کمک داده هاي استر (مطالعه موردي: جنوب غرب اردستان ، اصفهان ) حميد توکلي موسسه آموزش عالي امين ، دانشکده علوم انساني اداري، گروه جغرافيا، فولادشهر، اصفهان ، ايران hamidt2020@iran.
براي مشخص کردن ، شناسايي و دسته بندي خالص ترين پيکسل ها و منحني هاي طيفي بعد از انجام کسر کمترين نوفه (MNF) و اجراي تبديل شاخص خلوص پيکسل (PPI) از مجسم کننده n- بعدي استفاده مي شود.
گروه پيکسل هايي که در گوشه هاي نمودار پراکندگي قرار دارند مي توانند از ديگر داده هاي ابري جدا شده و به عنوان عضو انتهايي که با نوع خاصي از کاني ها و سنگ ها يا هر پديده مشخصي مطابقت دارد انتخاب شوند.
A"utomated sSectral unmi[ing oI AVIRIS data using conve[ geometry conceSts: in Summaries, Fourth JPL Airborne Geoscience WorkshoS".