Spectral Intelligence

شاخص‌ها و روش‌های تشخیص تغییر

هسته علمی پروژه ترکیبی از شاخص‌های طیفی کلاسیک سنجش از دور و دو روش تشخیص تغییر است تا هم پوشش گیاهی و هم سیگنال ساخته‌شده قابل تفسیر باشند.

باندهای Sentinel-2 مورد استفاده

باند نام کاربرد در پروژه
B02 Blue ترکیب رنگ واقعی (RGB)
B03 Green RGB و NDWI
B04 Red NDVI / SAVI و تشخیص تغییر
B08 NIR پوشش گیاهی و تغییر طیفی
B11 SWIR NDBI (پروکسی ساخته‌شده)

شاخص‌های طیفی

NDVI — پوشش گیاهی

NDVI = (NIR − Red) / (NIR + Red)

مقادیر بالاتر یعنی پوشش سبزتر. اختلاف زمانی NDVI برای برآورد افت/رشد گیاهی استفاده می‌شود.

NDBI — ساخته‌شده

NDBI = (SWIR − NIR) / (SWIR + NIR)

پروکسی رشد شهری. افزایش میانگین NDBI می‌تواند نشان‌دهنده گسترش سطوح ساخته‌شده باشد.

SAVI — گیاهی با اصلاح خاک

SAVI = ((NIR − Red) / (NIR + Red + L)) × (1 + L)

در مناطق خشک با خاک نمایان (مثل عمان) حساسیت به خاک پس‌زمینه را کاهش می‌دهد.

NDWI — آب / رطوبت

NDWI = (Green − NIR) / (Green + NIR)

برای پایش پهنه‌های آبی یا تغییرات مرتبط با رطوبت سطح مفید است.

روش‌های Change Detection

default

Baseline

اختلاف طیفی روی باندهای کلیدی + آستانه‌گذاری مبتنی بر شدت تغییر (sigma threshold) برای ساخت ماسک باینری و نقشه شدت.

  • سریع و قابل‌توضیح
  • مناسب پروتوتایپ و دمو
  • حساس به کالیبراسیون آستانه
advanced

Change Vector Analysis (CVA)

در فضای ویژگی (مثلاً NIR–Red)، بردار تغییر بین T1 و T2 ساخته می‌شود و با فاصله ماهالانوبیس و آستانه χ² پیکسل‌های تغییر جدا می‌شوند.

  • حساس‌تر به الگوی طیفی چندباندی
  • انتخاب از API با method=cva

متریک‌هایی که داشبورد نشان می‌دهد

Changed area km²
Change percentage %
Vegetation Δ NDVI-based
Urban growth NDBI-based
Regions count + area
Intensity mean / max

محدودیت‌ها

ابر، سایه، تفاوت زاویه دید، و تغییرات فنولوژیک می‌توانند مثبت/منفی کاذب بسازند. نتایج باید با تفسیر کارشناس و در صورت امکان داده میدانی تکمیل شوند.