فهرست مطالب

فصلنامه سنجش از دور و GIS ایران
سال هشتم شماره 3 (پیاپی 31، پاییز 1395)

  • تاریخ انتشار: 1395/09/23
  • تعداد عناوین: 7
|
  • سمیه یاوری، محمد جواد ولدان زوج، محمودرضا صاحبی، مهدی مختارزاده صفحات 1-10
    زمین مرجع سازی تصاویر ماهواره ای با توان تفکیک بالا، با استفاده از معادلات ریاضی مناسب یکی از مهم ترین مراحل استخراج اطلاعات مکانی سه بعدی دقیق است. به منظور زمین مرجع سازی تصاویر ماهواره ای، ابتدا باید مجموعه ای عوارض کنترلی مانند نقاط، خطوط و یا سطوح در دو فضا استخراج شوند. سپس عوارض متناظر از بین کل عوارض استخراج شده تعیین و به طور مستقیم برای حل تابع انتقال بین دو فضا مشخص شوند. ازآنجاکه دقت تصحیح هندسی تصاویر دقت زمین مرجع سازی را تحت تاثیر مستقیم قرار می دهد، در این مقاله این مسئله براساس استفاده از عوارض کنترلی خطی و نیز تلفیق آن با نقاط کنترلی در حل معادله رشنال بررسی شده است. همچنین اثر آنها در حذف خطاهای سیستماتیک بررسی شده است. نتایج به دست آمده نشان می دهد که دقت حل معادله رشنال با استفاده از خطوط کنترلی پایین و درحدود 3 پیکسل است. همچنین دیاگرام بردار باقی مانده ها نیز وجود میزان چشمگیر خطاهای سیستماتیک در نتایج نهایی را نشان می دهد. دلیل این امر، افزون بر دقت و توزیع خطوط کنترلی، ماهیت خطوط به منزله اطلاعات کنترلی نیز محسوب می شود. از سوی دیگر تلفیق خطوط و نقاط کنترلی به منظور حل معادله سبب ارتقای دقت تا 1 پیکسل و حذف بسیاری از خطاهای سیستماتیک می شود. ازاین رو، نتایج قابلیت بالای تلفیق خطوط و نقاط کنترلی در ارتقای دقت و نیز کاهش خطاهای سیستماتیک را نشان می دهد .
    کلیدواژگان: تصاویر ماهواره ای با توان تفکیک بالا، تصحیح هندسی، عوارض خطی، خطاهای سیستماتیک، معادلات رشنال
  • یاسر انصاری، علی محمدزاده، محمودرضا صاحبی صاحبی، کوروش خوش الهام صفحات 11-24
    روش های اتوماتیک شناسایی و استخراج عارضه ساختمان از منابع گوناگون اطلاعاتی همچون تصاویر هوایی و ماهواره ای و داده های لیدار دارای کاربردهای بسیار وسیع و مهم مانند به روزرسانی نقشه ها، مدلسازی و آنالیز رشد و پیشرفت در مناطق شهری و نیمه شهری به دست می آید. هدف اصلی مقاله طرح روش جدید اتوماتیک استخراج ساختمان با تلفیق داده های لیدار و تصویر هوایی است. برا ی این منظور در مرحله اول، انواع روش های شناسایی ساختمان (SVM 1، MD2 و ANN3) در دو سطح پیکسل پایه و شیء مبنا بررسی و ارزیابی شد. نتایج حاصل از شناسایی حاکی از توانایی بالای روش SVM، در مقایسه با دیگر روش ها، در دو سطح پیکسل پایه و شیء مبناست که دقت کلی 95.9٪ و خطای نوع اول 6.2٪ و خطای نوع دوم 3.2٪ را نشان می دهد که در حالت پیکسل مبنا به منزله روش منتخب شناسایی است. در مرحله دوم، براساس روش منتخب شناسایی مرز دقیق ساختمان بازسازی می شود. بنابراین با استفاده از قطعه بندی برمبنای طیفی و هندسی، لبه هر ساختمان به صورت قطعات مجزا تفکیک شد. سپس لبه های هر ساختمان براساس معادلات کمترین مربعات بازسازی می شود. نتایج روش پیشنهادی استخراج ساختمان با دقت کلی 96.85٪ ، خطای نوع اول 5.9٪ و خطای نوع دوم 2.5٪ برای الگوریتم پیشنهادی استخراج است.
    کلیدواژگان: شناسایی ساختمان، استخراج ساختمان، لیدار، طبقه بندی، قطعه بندی
  • سیده سمیرا حسینی، حمید عبادی، یاسر مقصودی صفحات 25-38
    ازآنجاکه درختان نقش اساسی در تغییرات دی اکسید کربن و شرایط آب وهوایی دارند، تخمین زیست توده موجود در درختان بسیار اهمیت دارد. روش های راداری که پارامترهای ساختاری را در تخمین زیست توده در نظر نمی گیرند منجر به نتایجی با سطح اشباع پایین می شوند. ارتفاع از پارامترهای ساختاری است و یکی از عوامل مهم تاثیرگذار در بهبود تخمین ارتفاع استفاده از کوهرنس بهینه است. در این مقاله، از داده های شبیه سازی شده در باندهای P و L برای تخمین ارتفاع به روش های تفاضلی، اندازه همدوسی، ترکیبی و Polarization Coherence Tomography (PCT) استفاده شده است. روش تفاضلی باعث تخمین ارتفاع کمتر از مقدار واقعی به اندازه 14 متر در باند P و 11 متر در باند L شده است؛ درحالی که روش اندازه همدوسی، به نسبت روش تفاضلی، نتایج بهتری به دست می آورد و اختلاف مقادیر میانگین ارتفاعات در این روش با مقادیر واقعی در باند P، 8 متر و در باند L، 2 متر است. روش های ترکیبی و PCT نتایجی نزدیک به هم دارند و اختلاف میانگین مقادیر ارتفاعات به دست آمده با مقدار واقعی کمتر از 2 متر است اما نتایج حاصل از روش PCT به دلیل استفاده از کوهرنس بهینه، از روش ترکیبی بهتر است. روش بهینه سازی کوهرنس به روش PSO که در این مقاله پیشنهاد شده است نتایجی بهتر از روش های دیگر حاصل کرده است و اختلاف میانگین مقادیر ارتفاعات به دست آمده با مقدار واقعی به کمتر از 5/0 متر می رسد.
    کلیدواژگان: بهینه سازی کوهرنس، PSO، تداخل سنجی پلاریمتری، PCT، تخمین ارتفاع
  • محمود احمدی، عباسعلی داداشی رودباری صفحات 39-58
    پدیده جزیره حرارتی شهری، با توجه به دگرگونی های هواسپهری همراه با افزایش شهرنشینی، طی سال های واپسین شدت یافته است. الگوهای فضایی- زمانی ترکیبات بیوفیزیکی که دربرگیرنده پوشش گیاهی، سطح نفوذناپذیر و نوع خاک در شهرند جزایر حرارتی شهری را تحت تاثیر چشمگیری قرار می دهند. هدف از این پژوهش مطالعه نقش پارامترهای بیوفیزیکی شهری در شکل گیری و خوشه ایشدن جزایر حرارتی شهری مشهد مقدس است. به منظور دستیابی به هدف مطرح شده، تصاویر حسگرهای OLI و TIRS ماهواره لندست 8 برای اوت سه سال 2013، 2014 و 2015 استفاده شد. برای استخراج مقادیر UHI از LST، از یک رویکرد نوآورانه شیء گرا استفاده شد؛ به طوری که پس از محاسبه دمای سطح زمین (LST) با استفاده از شاخص محلی همبستگی مکانی (LISA) خوشه های گرم و سرد جزایر حرارتی مشهد استخراج شدند. برای ارزیابی ترکیبات بیوفیزیکی شهر مشهد نیز سه شاخص NDVI، NDBI و NDBal به کار برده شد. نتایج نشان داد در تحلیل همبستگی دوبه دو پارامترهای بیوفیزیکی با دمای سطح زمین، با شدت مقدار LST، ناهمگنی فضایی خوشه ها به شکل غیرخطی افزایش می یابد. تحلیل های مکانی سه نوع جزیره حرارتی شهری را آشکار کرده است: جزایر حرارتی پیرامونی، جزایر حرارتی کانونی و جزایر حرارتی خطی. تحلیل خودهمبستگی فضایی با شاخص های موران و گری نشان از مقداری کاهشی دارد که مبین ازبین رفتن نظم فضایی دمای سطح زمین شهر مشهد است. همبستگی مکانی با شاخص موران محلی بر افزایش وسعت جزایر حرارتی گرم در طول دوره های مورد مطالعه تاکید داشته است.
    کلیدواژگان: جزایر حرارتی شهری، ترکیبات بیوفیزیکی، شاخص محلی همبستگی مکانی (LISA)، شهر مشهد
  • بهروز ابراهیمی هروی، کاظم رنگزن، حمیدرضا ریاحی بختیاری، ایوب تقی زاده صفحات 59-76
    دما یکی از شاخص ترین پارامتر های اقلیمی و از اصلی ترین عوامل اثرگذار در برنامه ریزی شهر ها محسوب می شود زیرا هدایت کننده نوع تسهیلات اختصاص یافته در شهر ها و حتی تعیین کننده ساختار، شکل و بافت شهری است. دمای سطح فاکتور اصلی در تعادل انرژی کره زمین بوده و به عنوان ورودی مدل های تغییرات آب وهوایی و جزایر حرارتی شهری به کار می رود. دمای کلان شهرها در مقایسه با مناطق شهری و روستایی اطراف بیش تر و مشهودتر است که به این پدیده «جزیره حرارتی شهری» گفته می شود. کلان شهر کرج سومین کلان شهر بزرگ و دومین شهر مهاجرپذیر ایران (پس از کلان شهر تهران) است و به علت داشتن چنین جایگاهی، بررسی حرارتی آن بیش از پیش احساس می شود. در این تحقیق دمای سطح زمین در کلان شهرکرج با استفاده از تصاویر ماهواره لندست8 (چهار تصویر) در سال های 2013 و 2014، به کمک روش های گوناگون استخراج شد. روش های مورد استفاده شامل پنجره تکی، سبال، استفان- بولتزمن، تک کانالی (توسعه داده شده توسط مونیوس و سوبرینو[1]، 2003)، تک کانالی (توسعه داده شده توسط مونوس و همکاران، 2014)، پنجره مجزا و دفتر علوم لندست است. در نهایت، با استفاده از شاخص آماری میانگین خطای مطلق روش های گوناگون مقایسه شد و بهترین روش، به واسطه نزدیکی به داده زمینی انتخاب شد. نتایج نشان داد بهترین روش مورد استفاده روش سبال باند 11 با مقدار میانگین خطای مطلق 98/7 است؛ ضمن آن که در حالت کلی، باند 11 ماهواره لندست 8، به منظور استخراج دمای سطح زمین نتایج قابل اعتمادتری نسبت به باند 10 تولید می کند. همچنین بررسی نتایج در تاریخ های مختلف مشخص کرد تصاویر نیمه دوم سال در مقایسه با نیمه اول سال، تخمین دقیق تر و نتایج نزدیک تری به واقعیت تولید می کنند.
    کلیدواژگان: دمای سطح، تصاویر حرارتی، ماهواره لندست، سنجش از دور، کلان شهر کرج، میانگین خطای مطلق
  • الهام سلیمانی ساردو، فاطمه مقصود، علی اکبر دماوندی صفحات 77-90
    انتخاب مناسب ترین روش درون یابی به منظور تخمین ویژگی های خاک منطقه نقش مهمی در استراتژی های آب و مدیریت کشاورزی ایفا می کند. همچنین ازآنجاکه ویژگی های خاک در زمان و مکان تغییر می کند، تحلیل متغیرهای فضایی خصوصیات خاک برای نشان دادن اکوسیستم های خاص اهمیت دارد. هدف از این تحقیق بررسی دقت پنج روش درون یابی فاصله وزنی معکوس، چندجمله ای عام، چندجمله ای موضعی، تابع شعاع محور و کریجینگ برای تخمین پارامترهای EC و PH خاک است. بدین منظور، 48 پروفیل در 15 دهستان موجود در بخش درودزن، واقع در استان فارس حفر شد. تمامی مقادیر EC و PH مربوط به عمق 30-0 سانتیمتر اول خاک است. برای بالابردن دقت مطالعه، روش های درون یابی در مدل ها و توان های گوناگون مقایسه شد. ترسیم نیم تغییرنما در GS+ نشان داد داده های PH و EC بهترین برازش را به ترتیب در مدل گوسن و کروی دارند. همچنین براساس مقادیر به دست آمده از معیارهای ارزیابی خطا شامل RMSE، MSE، MAE، R2 و MBE بهترین روش درون یابی با کمترین خطا به منظور تهیه نقشه های پراکنش مکانی پارامترهای EC و PH خاک انتخاب شد. نتایج برتری روش LPI با توان دو و روش IDW با توان یک برای فاکتور PH را نشان می دهد. همچنین روش کریجینگ در مدل گوسن و IDW با توان یک به ترتیب بیشترین دقت را برای پارامتر EC در منطقه مورد مطالعه نشان دادند. افزون بر این، نتایج نشان داد دقت روش RBF و GPI به نسبت سایر روش ها پایین تر است.
    کلیدواژگان: زمین آمار، هدایت الکتریکی، PH، درون یابی
  • سید باقر فاطمی، فاطمه صدقی صفحات 91-104
    یکی از موضوعات مهم در محاسبه شاخص های گیاهی کمیتی است که شاخص براساس آن محاسبه می شود. نوع کمیت انتخابی می تواند مقدار پیکسل، بازتابش و بازتابندگی باشد. بررسی تفاوت مقادیر شاخص های گیاهی محاسبه شده از این کمیت ها چه بسا راهگشای ساده ترکردن محاسبات مربوط به شاخص ها و نیز وضوح بخشیدن به نتایج حاصل از انتخاب هریک از کمیت ها شود. در تحقیقات گذشته، معمولا یک شاخص گیاهی خاص بررسی شده است و اثر پوشش زمین در محاسبه مقدار آن شاخص براساس سه کمیت مقدار پیکسل، بازتابش و بازتابندگی در نظر گرفته نشده است. در تحقیق حاضر، شاخص های گیاهی تولیدشده از سه داده یادشده مقایسه می شوند. برای این منظور، 10 شاخص PD43، GVI، RVI، SAVI، EVI، NDVI، DVI، NDWI، GRVI و VARI از روی تصویر LANDSAT 8تولید شد. این شاخص ها برای کل تصویر و همچنین برای پوشش های گوناگون آب، خاک، گیاه و منطقه شهری به طور جداگانه محاسبه شده اند. پس از محاسبه شاخص های گیاهی مورد نظر براساس سه کمیت تابشی، ضریب همبستگی خطی میان این مقادیر برای هر شاخص گیاهی محاسبه شد. مقایسه ها براساس پارامتر همبستگی انجام شده است که نتایج حاصل همبستگی بالا بین شاخص های هر سه کمیت تابشی را نشان می دهد. بیشترین ضریب همبستگی به دست آمده برابر با 1 است که در همه کلاس های پوششی برای بسیاری از شاخص ها تکرار شده است. کمترین میزان همبستگی برای کلاس منطقه مسکونی برابر با 0.8339 مربوط به شاخص PD43، برای کلاس گیاه برابر با 0.9489 مربوط به شاخص NDWI، برای کلاس آب برابر با 0.8696 مربوط به شاخص DVI، برای کلاس خاک برابر با 0.916 مربوط به شاخص GVI و برای کل تصویر برابر با 0.9257 مربوط به شاخص DVI است. با توجه به نتایج، در جایی که مقدار دقیق این شاخص ها مهم نباشد این شاخص ها را می توان با کنارگذاردن چند استثنای معدود، بدون نیاز به محاسبه مقدار شاخص براساس کمیته ای رادیانس و بازتابندگی فقط با استفاده از مقادیر پیکسل محاسبه کرد.
    کلیدواژگان: بازتابش، بازتابندگی، تصحیح اتمسفری، شاخص گیاهی، ضریب همبستگی، LANDSAT 8
|
  • Yavari S., Valadan Zoej M.J., Sahebi M.R., Mokhtarzade M Pages 1-10
    The geometric correction of high resolution satellite images (HRSIs) using proper mathematical models is an important step in 3D spatial information extraction process. To do it, some control information such as points, lines or areas should be extracted at first. Then, the correspondence features are determined and used directly to estimate the unknown parameters of a mathematical model. Since, the accuracy of geometric correction of satellite images directly influence the accuracy of georeferencing procedure, in this paper, the issue of solving the unknown parameters of a rational function model (RFM) based on linear features as well as their combination with point features as control information is studied. In addition, the impact of each control information to reduce or omit the systematic errors are also studied. The obtained results show that the accuracy of rational models based on control lines is very low and about 3 pixels. Additionally, the residual vector diagrams demonstrate the existence of enormous amounts of systematic errors. The reason in addition to the accuracy and distribution of control lines could be due to the characteristics of linear features used as control lines. In other hand, the integration of control lines and points to estimate the unknown parameters of the model increases the accuracy as well as reduces the systematic errors significantly. Therefore, the results show the high potential of the integration of point and linear features to improve the accuracy as well as reducing the systematic errors.
    Keywords: High Resolution Satellite Images (HRSIs), Geometric Correction, Linear Features, Systematic Errors, Rational Function Model (RFM)
  • Ansari Y., Mohammadzadeh A., Sahebi M.R., Khoshelham K Pages 11-24
    Automatic Building Detection and Extraction in multi-source aerial data are important in many applications, including map updating, city modeling, and urban growth analysis and monitoring of informal settlements. The main purpose of this paper presents a new automated method for building extraction from fusion of Lidar data and aerial images. For this purpose, at first part, we reviewed and evaluated building detection methods (ANN, SVM, MD) in Pixel-base and Object-base levels. The result for study area show a better performance of SVM with an overall accuracy of 95.9% and Omission error of “Building” class equal to 6.2% and Commission error of “Building” class equal to 3.2% which Errors of commission represent pixels that belong to another class that are labeled as belonging to the class of interest. Errors of omission represent pixels that belong to the ground truth class but the classification Technique has failed to classify them into the proper class. The second part of this paper is to extract and reconstruct the building edges based on the proposed method of building detection. For this purpose, building the edges are segmented based on spectral and geometric segmentation. In continue, based on least squares equation, the edge segments of each building are reconstructed. The results extraction show has proved an overall accuracy of 96.¬8% and an Omission error of “Building” class equal to 5.9% and commission error of “Building” class equal to 2.5%.
    Keywords: Building Detection, Building Extraction, LIDAR, Classification, Segmentation.
  • Hosseini S., Ebadi H., Maghsoudi Y Pages 25-38
    Since natural forests store a large quantity of carbon, it is essential to estimate biomass in assessing carbon dioxide in the atmosphere and climate changes. The significant problem with interferometric radar techniques is the saturation level of different wavelengths and relevant polarizations due to the fact that structural parameters are not considered. Height is one of the structural parameters that can be estimated using interferometric techniques. Height estimation can be improved using coherence optimization. In this paper, DEM differencing, coherence amplitude, combined and polarization coherence tomography methods are applied to estimate the height using simulated data in L and P bands. DEM differencing method underestimates results up to 14m in P band and 11m in L band respectively. Coherence amplitude method in comparison with DEM differencing method reaches to better results and the differences reduce to 8m in P band and 2m in L band respectively. Results of combined and PCT method are approximately the same and the differences reduce to 2m but using coherence optimization in PCT method offers better results. Better results in comparison with previous methods were obtained using coherence optimization and particle swarm optimization proposed in this paper. The differences results were reduced to 0.5m.
    Keywords: Coherence optimization, PSO, Polarimetric interferometry, PCT, Height estimation
  • Ahmadi M., Dadashi Roudbari A.A Pages 39-58
    Urban heat island (UHI) phenomenon has been intensified due to the effects of climate change and urbanization in recent years. Spatial-temporal patterns of biophysical composition consisting of vegetation, impervious surface, and soil type affect the UHI significantly. The main aim of this study is to investigate the effects of biophysical parameters on formation and clustering of heat island in the city of Mashhad. In order to achieve the aim, images of OLI and TIRS sensors of Landsat 8 were used for the month of August in years 2013, 2014, and 2015. An object-oriented innovative approach was used to extract UHI values using land surface temperature (LST) data. Clusters of hot and cold heat islands were extracted by local index spatial autocorrelation (LISA) method. Moreover, to evaluate composition of biophysical in Mashhad, three indices including NDVI, NDBI of NDBal were used. Correlation analysis between biophysical parameters showed that by increasing the value of LST, spatial heterogeneity of the cluster increased due to non-linear pattern. The results also detected three types of UHI: peripheral heat islands, focal heat islands, and the linear heat islands. Spatial autocorrelation analysis using Gary and Moran indices show a decrease value indicating loss of spatial order in LST. According to spatial correlation analysis of Moran's local, the size of hot heat islands has been increased during the study period in the city of Mashhad.
    Keywords: Urban heat islands, Biophysical composite, Local index spatial autocorrelation (LISA), Mashhad
  • Ebrahimi Heravi B., Rangzan K., Riahi Bakhtiari H.R., Taghi Zadeh A Pages 59-76
    Temperature is one of the most significant climatic parameters and is among the main factors affecting urban planning. It is a significant determinant of the dedicated facility in the cities and can even determine the urban structure, shape and texture. Land Surface Temperature is a key indicator for energy balance at the Earth and can be used as an input for models of climate change, Urban Heat Islands, etc. The Land Surface Temperature in Metropolitan is higher than the surrounding area and this phenomenon called the Urban Heat Island. Karaj metropolitan is the third largest city and the second host city of Iran. Given this position, it is necessary to require to check the temperature in this metropolitan more than ever. In this study, the Land Surface Temperature of the Karaj Metropolitan was extracted by using Landsat8 images (4 images) in years of 2013 and 2014. Methods used to extract the Land Surface Temperature include: Mono Window, SEBAL (Surface Energy Balance Algorithm for Land), Stephan-Boltzmann, Single-Channel (developed by Munoz and Sobrino, 2003), Single-Channel (developed by Munoz et al, 2014), Split Window and Landsat Project Science Office. All used methods were compared by using Mean Absolute Error (MAE) indices and finally, the best method was chosen by its proximity to ground data. Results showed that the best method is SEBAL (Band 11) with the MAE equal to 7.98. In general, band 11 of Landsat 8 compared to band 10 has produced more reliable results for extracting Land Surface Temperature. Further analysis of the different dates indicated that the images of the second half of the year produced more accurate and reliable results compared to the first half of the year.
    Keywords: Surface Temperature, Thermal Images, Landsat Satellite, Remote Sensing, Karaj Metropolitan, Mean Absolute Error
  • Soleimani Sardoo E., Maghsoud F., Damavandi A.A Pages 77-90
    Evaluation and selection of most appropriate interpolation method to estimate soil characteristics, play an important role in water strategies and agriculture management. Also due to changes in soil properties in space and time, analysis of the spatial variations of soil properties is important to show the specific ecosystem. The aim of this study, determination of the accuracy of the five interpolation method Inverse Distance Weighting, Global polynomial interpolation, Local polynomial interpolation, Radial Basis Functions and kriging with determine the EC and PH parameters. For this purpose, we attempted to dig to 48 soil profiles in 15 districts of the Doroudzan, Fars Province. The samples of EC and PH were collected from the depths of 0 to 30 cm on the crossing lines. For increasing accuracy of this research, all powers and models of interpolation methods were compared. Semivariograms analysis in GS software indicated that PH and EC were best fitted to Guassian and spherical models. The best interpolation method for mapping the spatial distribution of the parameters were chosen based on values obtained from the error evaluation criteria include the RMSE, MSE, MAE, R2 and MBE. The results showed that LPI in power 2 is the best method to calculate PH and IDW in power 1 has the next place. Also Kriging in Guassian model and IDW in power 1 have the highest accuracy for EC parameter in the study area. Moreover, results showed that the accuracy of RBF and GPI method were less than other methods.
    Keywords: Geo-Statistics, EC, PH, Interpolation
  • Fatemi Nasrabadi S.B., Sedghi F Pages 91-104
    Satellite based vegetation indices have a major rule in the study of earth vegetation cover. These indices could be computed using different quantities, including digital number, radiance or reflectance of the pixels. Study of quantities which the vegetation index based on is calculated could help the simplifying the earth vegetation assessment. In this research 10 vegetation indices are generated using 3 image quantities (digital number, radiance and top of atmosphere reflectance) of a LANDSAT 8 OLI multispectral image. The vegetation indices are: NDVI, EVI, SAVI, RVI, GVI, PD43, VARI, GRVI, NDWI, DVI. The vegetation indices also were generated for soil, water, urban, and vegetation land cover separately as well as for the entire image. The correlation coefficient of the calculated indices have been computed. The results show a strong linear regression among the vegetation indices have been calculated from the three different quantities. A maximum correlation coefficient one have been reached for the most indices. The class of water showed the minimum correlation coefficient 0.8696 for the NDWI. The results show there is no significant difference between the indices calculated from different three quantities when there is no need to the original values of the vegetation indices.
    Keywords: Correlation Coefficient, Digital Number, Radiance, Reflectance, Vegetation Index, LANDSAT 8