پیام خود را بنویسید
دوره 19، شماره 40 - ( 8-1402 )                   جلد 19 شماره 40 صفحات 8-1 | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Hasani Moghaddam H, Ardini M, Bashiri A, Tabarsi H. Evaluation of hyper spectral imagery capabilities in seabed mapping. Marine Engineering 2023; 19 (40) :1-8
URL: http://marine-eng.ir/article-1-1027-fa.html
حسنی مقدم حسن، اردینی مسعود، بشیری عباس، طبرسی حسن. ارزیابی قابلیت سامانه‌های تصویربردار ابرطیفی در تهیه نقشه جنس بستر دریا. مهندسی دریا. 1402; 19 (40) :1-8

URL: http://marine-eng.ir/article-1-1027-fa.html


1- پژوهشگر ارشد سنجش از دور دانشگاه امام حسین(ع)
2- کارشناسی ارشد مخابرات دانشگاه شاهد
3- مربی گروه الکترونیک دانشگاه جامع امام حسین(ع)
4- کارشناسی ارشد مهندسی برق الکترونیک دانشگاه جامع امام حسین(ع)
چکیده:   (1778 مشاهده)
منابع آبی به دلیل اهمیتی که به لحاظ محیط­زیستی و اقتصادی دارند، همواره موردتوجه محققان مختلفی به‌منظور بررسی آن‌ها بوده‌اند. یکی از مشکلات مهم در مطالعات مربوط به منابع آبی، مربوط به مناطق عمیق‌تر و بستر آن‌ها است که به‌آسانی قابل‌دسترسی نیست. در این تحقیق، از تصاویر ابرطیفی زیردریایی دوربین UHI مربوط به عمق 3000 متری اقیانوس آرام به‌منظور تهیه نقشه جنس بستر دریا استفاده گردید. بعد از اعمال پیش‌پردازش‌های لازم، عملیات بازنمونه برداری طیف‌ها  به حالت درون آب انجام گرفت. طیف‌های مربوط به 5 کانی معدنی و یک شی مصنوعی به‌منظور طبقه‌بندی، وارد الگوریتم SAM شد. نتایج این تحقیق به‌صورت یک نقشه از جنس بستر اقیانوس ارائه گردید که بر اساس استاندارد زاویه طیفی و عدد 0.0525، 0.0374، 0.0383، 0.0409، 0.0408 و 0.0550 به‌دست‌آمده به ترتیب برای اکتینوا، پیریت، الیوین، آنتیگور، هومبل و ورق فلزی نشان‌دهنده قابلیت بالای داده‌های ابرطیفی در شناسایی جزئیات مربوط به جنس بستر منابع آبی است.
متن کامل [PDF 739 kb]   (446 دریافت)    
نوع مطالعه: مقاله پژوهشي | موضوع مقاله: شرايط محيطي و زيست محيطي
دریافت: 1401/11/12 | پذیرش: 1402/7/20

فهرست منابع
1. 1- Yahya, N. N., Hashim, M., & Ahmad, S., (2014), Remote Sensing of shallow sea floor for digital earth environment, IOP Conference Series: Earth and Environmental Science, 18, 012110 [DOI:10.1088/1755-1315/18/1/012110]
2. Ji, F., Pawlowicz, R., & Xiong, X., (2021), Estimating the Absolute Salinity of Chinese offshore waters using nutrients and inorganic carbon data, Ocean Science, Vol.17, p. 909-918 [DOI:10.5194/os-17-909-2021]
3. Daniel, A., Laës-Huon, A., Barus, C., Beaton, A. D., Blandfort, D., Guigues, N., … Achterberg, E. P., (2020), Toward a Harmonization for Using in situ Nutrient Sensors in the Marine Environment. Frontiers in Marine Science, Vol.6, p.1-22 [DOI:10.3389/fmars.2019.00773]
4. Mullen, L., O'Connor, S., Cochenour, B., & Dalgleish, F., (2013), State-of-the-art tools for next-generation underwater optical imaging systems, Ocean Sensing and Monitoring, Vol.5, p.661-684 [DOI:10.1117/12.2018489]
5. Raizer, V., (2019), Optical Remote Sensing Technologies. Optical Remote Sensing of Ocean Hydrodynamics, p.133-150. [DOI:10.1201/9781351119184-4]
6. Mikelsons, K., Wang, M., & Jiang, L., (2020), Statistical evaluation of satellite ocean color data retrievals, Remote Sensing of Environment, Vol. 237 [DOI:10.1016/j.rse.2019.111601]
7. Yan, Q., (2020), Advantage and Application of Unmanned Aerial Vehicle Remote Sensing in Engineering Survey, Remote Sensing, Vol.9, p.1-22 [DOI:10.18282/rs.v9i1.1098]
8. Sture, O., Ludvigsen, M., Soreide, F., & Aas, L. M. S., (2017), Autonomous underwater vehicles as a platform for underwater hyperspectral imaging, OCEANS, Vol.2017, p.1-8 [DOI:10.1109/OCEANSE.2017.8084995]
9. Cunningham, A., & Mckee, D., (2013), Measurement of hyperspectral underwater light fields, Subsea Optics and Imaging, Vol.2013, p.83-97 [DOI:10.1533/9780857093523.2.83]
10. Liu, B., Liu, Z., Men, S., Li, Y., Ding, Z., He, J., & Zhao, Z., (2020), Underwater Hyperspectral Imaging Technology and Its Applications for Detecting and Mapping the Seafloor: A Review, Sensors, Vol.20, p.1-21 [DOI:10.3390/s20174962] [PMID] []
11. Jin, X., Li, Z., Feng, H., Ren, Z., & Li, S., (2020), Estimation of maize yield by assimilating biomass and canopy cover derived from hyperspectral data into the AquaCrop model. Agricultural Water Management, Vol.227 [DOI:10.1016/j.agwat.2019.105846]
12. Wei, H., Guo, Y., Yang, P., Song, H., Liu, H., & Zhang, Y., (2017), Underwater multispectral imaging: The influences of color filters on the estimation of underwater light attenuation, OCEANS, Vol.2017 [DOI:10.1109/OCEANSE.2017.8084894]
13. Wang, S., Chi, C., Wang, P., Liu, J., & Huang, H., (2020), Design of a low-complexity miniature underwater three-dimensional acoustical imaging system, International Conference on Underwater Acoustics [DOI:10.1121/2.0001317]
14. Yamamoto, S., Kato, K., & Abe, S., (2020), Optical imaging of produced light in water during irradiation of gamma photons lower energy than the Cerenkov-light threshold, Applied Radiation and Isotopes, Vol.15 [DOI:10.1016/j.apradiso.2020.109037] [PMID]
15. Kralikova, R., Badida, M., & Konkoly, T., (2015), Lighting Quality and Visual Comfort Assesment in Working Environment, Proceedings of the 21st International Conference LIGHT SVĚTLO 2015 [DOI:10.13164/conf.light.2015.109]
16. Salisbury, A., & Matthews, A, (2020), Using airborne hyperspectral imaging to aid prospectivity analysis for lithium in geothermal waters, Hyperspectral Imaging and Applications, Vol.11576 [DOI:10.1117/12.2583968] [PMID] []
17. Johnsen, G., Ludvigsen, M., Sørensen, A., & Sandvik Aas, L. M., (2016), The use of underwater hyperspectral imaging deployed on remotely operated vehicles - methods and applications, IFAC-PapersOnLine, Vol.49, p.476-481 [DOI:10.1016/j.ifacol.2016.10.451]
18. Kjerstad.I., (2014), Underwater imaging and the effect of inherent optical properties on image quality, MSc thesis of NTNU University of Norway
19. FORESTI, G. L., & GENTILI, S., (2000), A VISION BASED SYSTEM FOR OBJECT DETECTION IN UNDERWATER IMAGES, International Journal of Pattern Recognition and Artificial Intelligence, Vol.14 p.167-188 [DOI:10.1142/S021800140000012X]
20. Deva Krupa. A.J, Samiappan.D, Hemalatha.V., (2018), Techniques for seabed mapping usin underwater hyperspectral imaging: A survey, Pure and applied mathematics. Vol.118, p.11-30
21. Naik, M., (2017), Evolution of Sonar Survey Systems for Sea Floor Studies, Engineering and Technology Journal, Vol.2, p.185-195. [DOI:10.18535/etj/v2i6.01]
22. Wilson, S., Potgieter, J., & Arif, K. M., (2019), Robot-Assisted Floor Surface Profiling Using Low-Cost Sensors. Remote Sensing, Vol.11, p.1-25 [DOI:10.3390/rs11222626]
23. Xiong, F., Zhou, J., Chanussot, J., & Qian, Y., (2019), Dynamic Material-Aware Object Tracking in Hyperspectral Videos, 2019 10th Workshop on Hyperspectral Imaging and Signal Processing: Evolution in Remote Sensing (WHISPERS) [DOI:10.1109/WHISPERS.2019.8921176]
24. Matouskova, E., (2014), INFLUENCE OF ILLUMINATION AND WHITE REFERENCE MATERIAL FOR HYPERSPECTRAL IMAGING OF CULTURAL HERITAGE OBJECTS, 14th SGEM Geo Conference on INFORMATICS, GEOINFORMATICS AND REMOTE SENSING [DOI:10.5593/SGEM2014/B23/S10.025]
25. Rafert, J., (2015), Advances in hyperspectral remote sensing I: The visible Fourier transform hyperspectral imager, Journal of Spectral Imaging, Vol.4, p.1-5 [DOI:10.1255/jsi.2015.a1]
26. Buscombe, D., (2017), Shallow water benthic imaging and substrate characterization using recreational-grade sidescan-sonar, Environmental Modelling & Software, Vol.89, p.1-18 [DOI:10.1016/j.envsoft.2016.12.003]
27. Liu, X., Sun, C., Yang, Y., & Zhuo, J., (2017), Hybrid phase shift and shifted sideband beamforming for large‐aperture MIMO sonar imaging, IET Radar, Sonar & Navigation, Vol.11, p.1782-1789 [DOI:10.1049/iet-rsn.2016.0557]
28. Prokhorov, I. V., & Sushchenko, A. A., (2015), Imaging Based on Signal from Side-Scan Sonar, Applied Mechanics and Materials, Vol.756, p.678-682 [DOI:10.4028/www.scientific.net/AMM.756.678]
29. Chowdhury, S., Zhang, J., Staenz, K., & Peddle, D., (2012), Spectral mixture analysis of hyperspectral data using Genetic Algorithm and Spectral Angle Constraint (GA-SAC), 2012 4th Workshop on Hyperspectral Image and Signal Processing (WHISPERS [DOI:10.1109/WHISPERS.2012.6874227] []
30. Hasani Moghaddam, H., Torahi, Ali Asghar., & Zeaiean Firooz Abadi, P., (2019), Using discrete wavelet transform to increase the accuracy of hyper spectral and high resolution images fusion, JRORS, Vol.1(2019), p.22-30
31. Kala, S., & Vasuki, S., (2014), Feature correlation based parallel hyper spectral image compression using a hybridization of FCM and subtractive clustering, Journal of Communications Technology and Electronics, Vol.59, p.1378-1389 [DOI:10.1134/S1064226914120195]
32. Schaefli, B., & Kavetski, D., (2017), Bayesian spectral likelihood for hydrological parameter inference, Water Resources Research, Vol.53, p.6857-6884 [DOI:10.1002/2016WR019465]

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

Creative Commons License
International Journal of Maritime Technology is licensed under a

Creative Commons Attribution-NonCommercial 4.0 International License.