سامانه اطلاعات مکانی
پارسا افضلی کردمحله؛ سعید بهزادی
چکیده
پیشینه و اهداف: تشخیص اشیا یکی از موضوعات پرکاربرد در بسیاری از رشته‌ها است. با این حال، شناسایی گونه‌های درختی در جنگل‌ها به دلیل شباهت‌های ظاهری و رفتاری، چالشی اساسی محسوب میشود. این پژوهش با هدف شناسایی عوارض و تفکیک گونه‌های گیاهی در جنگل‌ها به روش مدل امضای طیفی زمانی در سامانه گوگل ارث انجین انجام شده است. نوآوری این پژوهش ...
بیشتر
پیشینه و اهداف: تشخیص اشیا یکی از موضوعات پرکاربرد در بسیاری از رشته‌ها است. با این حال، شناسایی گونه‌های درختی در جنگل‌ها به دلیل شباهت‌های ظاهری و رفتاری، چالشی اساسی محسوب میشود. این پژوهش با هدف شناسایی عوارض و تفکیک گونه‌های گیاهی در جنگل‌ها به روش مدل امضای طیفی زمانی در سامانه گوگل ارث انجین انجام شده است. نوآوری این پژوهش در تعیین رفتار طیفی زمانی گونه‌های درختی نهفته است؛ به این صورت که روشنایی باندهای تصاویر ماهواره‌ای در ماه‌های مختلف سال برای هر گونه محاسبه شده و ماتریسی منحصربه‌فرد ایجاد میشود.روش‌ها: داده‌های اصلی این مطالعه شامل تصاویر ماهواره‌ای لندست 8 و 9 در بازه زمانی 2016 تا 2022 است و منطقه مورد مطالعه بخشی از جنگل‌های جنوب استان گیلان میباشد. در مرحله اول، نمودار رفتار طیفی گیاه، خشکی و آب ترسیم شد. میانگین مقادیر هر باند برای این سه عارضه در طول یک سال محاسبه شده و نمودارهای ترکیبی میله‌ای و خطی ایجاد شدند. در مرحله دوم، با استفاده از نقشه‌های تیپولوژی و برداشت‌های زمینی، 200 نقطه داده برای گونه‌های بلوط، ممرز، راش، توسکا و سوزنی‌برگ جمع‌آوری شد. با ایجاد مدلی، میانگین مقادیر هر باند در ماه‌های مختلف محاسبه شد و ماتریس 1×84 به عنوان امضای طیفی زمانی هر گونه ایجاد گردید. این ماتریس‌ها با استفاده از نرم‌افزار متلب نمایش داده شدند.یافته‌ها: نتایج نشان داد که روشنایی باندها در ماه‌های مشخص برای هر گونه متفاوت است. به عنوان مثال، در باند اول ماه دوم، روشنایی گونه‌های بلوط، ممرز، راش، سوزنی‌برگ و توسکا به ترتیب 0.38، 0.31، 0.27، 0.46 و 0.25 بود. بیشترین میزان روشنایی برای چهار گونه درختی در باند پنجم ماه دهم و کمترین میزان در باند هفتم ماه دوازدهم مشاهده شد. طبقه‌بندی با روش جنگل تصادفی و با استفاده از 7 باند و 84 باند انجام شد که ضریب کاپا در روش پیشنهادی به حدود 0.4 افزایش یافت.نتیجه‌گیری: امضای طیفی زمانی به عنوان یک روش منحصربه‌فرد، امکان شناسایی و تفکیک گونه‌های جنگلی را فراهم میکند. این پژوهش با استفاده از برداشت‌های زمینی دقت مناسبی را نشان داده است. پیشنهاد میشود این روش برای گونه‌های دیگر نیز به کار گرفته شود تا طبقه‌بندی جنگل‌ها بهبود یابد. این اقدامات می‌تواند مدیریت و نظارت بر جنگل‌ها را برای سازمان‌هایی نظیر منابع طبیعی و محیط زیست تسهیل کند
سامانه اطلاعات مکانی
مهدی ناگهی؛ سعید بهزادی
چکیده
پیشینه و اهداف: خشکسالی به عنوان یکی از چالش‌های حیاتی و پایدار در ایران و بسیاری از کشورهای جهان، همواره توجه بسیاری از محققان و تصمیم‌گیران را به خود جلب کرده است. این پدیده طبیعی می‌تواند تأثیرات گسترده‌ای بر اقتصاد، جامعه و محیط زیست داشته باشد و از این رو، شناسایی و پیش‌بینی دقیق آن از اهمیت بالایی برخوردار است. ایران به دلیل ...
بیشتر
پیشینه و اهداف: خشکسالی به عنوان یکی از چالش‌های حیاتی و پایدار در ایران و بسیاری از کشورهای جهان، همواره توجه بسیاری از محققان و تصمیم‌گیران را به خود جلب کرده است. این پدیده طبیعی می‌تواند تأثیرات گسترده‌ای بر اقتصاد، جامعه و محیط زیست داشته باشد و از این رو، شناسایی و پیش‌بینی دقیق آن از اهمیت بالایی برخوردار است. ایران به دلیل شرایط جغرافیایی و اقلیمی خاص خود، بیش از دیگر کشورها در معرض خطر خشکسالی قرار دارد و این موضوع لزوم استفاده از فناوری‌های نوین برای مدیریت بهتر منابع آب و مقابله با خشکسالی را برجسته‌تر می‌سازد. هدف اصلی این مقاله، پیش‌بینی خشکسالی با استفاده از سیستم خبره و هوش مصنوعی و توسعه مدل‌های رفتاری مناسب برای این پدیده در تمامی استان‌های ایران است.روش‌ها: برای دستیابی به هدف مذکور، داده‌های مربوط به خشکسالی در تمامی استان‌های ایران از سال ۱۳۸۸ تا ۱۴۰۰ مورد بررسی قرار گرفت. این داده‌ها شامل مجموعه‌ای گسترده از شاخص‌های مختلف خشکسالی نظیر بارش، دما، رطوبت نسبی و شاخص‌های تغییرات اقلیمی میباشند. با استفاده از این داده‌ها، مدل‌های رفتاری ماهانه خشکسالی برای هر استان توسعه داده شده است. در این راستا، سیستم خبره و الگوریتمهای هوش مصنوعی برای شناسایی الگوها و روندهای خشکسالی در هر استان به کار گرفته شده‌اند. به کمک این روش‌ها، مدلی خطی به عنوان بهترین مدل انتخاب شد که توانست به صورت ماهانه احتمال وقوع خشکسالی را پیش‌بینی کند. در نهایت، یک نقشه آنلاین و تحت وب توسعه داده شده است که نتایج پیش‌بینی‌ها را به صورت ماهانه برای هر استان نمایش میدهد.یافته‌ها: نتایج این تحقیق نشان داد که با استفاده از داده‌های گسترده خشکسالی و توسعه مدل‌های رفتاری ماهانه، می‌توان به پیش‌بینی دقیق و به موقع خشکسالی در هر استان دست یافت. دوازده مدل رفتاری برای هر استان تولید شده که احتمال وقوع خشکسالی را در ماه‌های مختلف سال نشان می‌دهند. این مدل‌ها قادرند به عنوان ابزاری قدرتمند در مدیریت و برنامه‌ریزی مقابله با خشکسالی در سطح استانی و ملی مورد استفاده قرار گیرند. با ارائه نتایج به صورت نقشه‌های آنلاین و تحت وب، دسترسی به اطلاعات و نتایج پیش‌بینی‌ها برای تصمیم‌گیران و مدیران مربوطه ساده‌تر و سریع‌تر میشود.نتیجه‌گیری: مطالعه حاضر نشان داد که استفاده از سیستم خبره و مدل‌سازی رفتاری خشکسالی در تمامی استان‌های ایران، منجر به پیش‌بینی دقیق‌تر و به‌موقع‌تر این پدیده میشود. انتخاب مدل خطی به عنوان بهترین مدل، این امکان را فراهم میکند که نتایج پیش‌بینی‌ها با دقت بالاتری ارائه شوند. نقشه آنلاین و تحت وبی که توسعه داده شده است، ابزاری مفید برای مدیران و تصمیم‌گیران در زمینه مدیریت منابع آب و مقابله با خشکسالی محسوب میشود. این ابزار می‌تواند در تصمیم‌گیری‌های مرتبط با خشکسالی در سطوح مختلف کمک شایانی کند و به کاهش آثار و پیامدهای منفی این پدیده طبیعی منجر شود. با توجه به یافته‌های این تحقیق، می‌توان نتیجه گرفت که بهره‌گیری از فناوری‌های نوین مانند سیستم‌های خبره و هوش مصنوعی در پیش‌بینی و مدیریت خشکسالی، نه تنها امکان‌پذیر بلکه بسیار مؤثر است. این رویکرد می‌تواند الگویی برای دیگر کشورهایی باشد که با مشکل خشکسالی مواجه‌اند و نیازمند راهکارهای دقیق و عملی برای مدیریت بهتر منابع آب خود هستند.
سنجش از دور
کیارش بروشان؛ سعید بهزادی
چکیده
پیشینه و اهداف: برنج به عنوان یک محصول استراتژیک در زمینه امنیت غذایی نه تنها در اقتصاد کلان جوامع بلکه در جایگاه جهانی نیز جایگاه ویژه‌ای دارد. اهمیت این محصول در تأمین نیازهای غذایی جمعیت و نقش آن در تحقق امنیت غذایی، اهمیت جدی و چشم‌گیری به آن اختصاص داده است. در این راستا، جمع‌آوری دقیق و به‌روز اطلاعات از وضعیت مزارع برنج، به ...
بیشتر
پیشینه و اهداف: برنج به عنوان یک محصول استراتژیک در زمینه امنیت غذایی نه تنها در اقتصاد کلان جوامع بلکه در جایگاه جهانی نیز جایگاه ویژه‌ای دارد. اهمیت این محصول در تأمین نیازهای غذایی جمعیت و نقش آن در تحقق امنیت غذایی، اهمیت جدی و چشم‌گیری به آن اختصاص داده است. در این راستا، جمع‌آوری دقیق و به‌روز اطلاعات از وضعیت مزارع برنج، به ویژه اطلاعات مرتبط با کمیت و کیفیت محصولات، امری بسیار حیاتی و اساسی است. استفاده از تکنولوژی‌های سنجش از دور در این زمینه به‌عنوان یک راهکار کارآمد و موثر مطرح شده است. این تکنولوژی‌ها امکان جمع‌آوری اطلاعات پایشی از مزارع را با کمترین هزینه و در مناطق گسترده‌تر فراهم می‌آورند. از جمله این تکنولوژی‌ها، پهپادها به‌خاطر توانایی بهتر در تفکیک مکانی و دقت بالاتر در انجام پایش‌های مختلف نسبت به ماهواره‌ها، از مزایای نسبی برخوردارند. تحقیق حاضر از یک رویکرد پیشرفته به نام یادگیری عمیق استفاده می‌نماید تا به منظور تخمین سطح زیر کشت برنج نشاء یا نهال از تصاویر RGB گرفته شده از پهپادها در منطقه ووفنگ استان تایچانگ کشور تایوان، اقدام نماید. این روش از توانمندی‌های شبکههای عصبی عمیق به‌عنوان یک ابزار موثر برای تحلیل داده‌های پیچیده بهره‌مند شده و به دقت بالایی در تفکیک انواع مختلف سطح زیر کشت نشاء یا نهال برنج دست یافته است.روش‌ها: در این تحقیق، از یکی از روش‌های پیشرفته یادگیری عمیق به نام DenseNet برای مدل‌سازی و پیش‌بینی سطح زیر کشت برنج نشاء یا نهال در تصاویر RGB گرفته شده از پهپادها استفاده شده است. این روش به وسیله الگوریتمهای پیچیده و مجموعه‌ای از لایه‌های پردازشی، قابلیت استخراج مفاهیم انتزاعی سطح بالا را از داده‌ها دارد. یکی از ویژگی‌های منحصر به فرد DenseNet این است که از الگوریتم لایه به لایه (Layer-to-Layer) به جای رویکردهای سنتی که از ادغام لایه‌ها (layer concatenation) استفاده می‌کنند، بهره‌می‌برد. در این الگوریتم، هر لایه مستقل از سایر لایه‌ها کار میکند و به لایه‌های قبلی متصل میشود، که باعث کاهش تعداد وزن‌ها و پارامترها و همچنین افزایش کارایی شبکه میشود. استفاده از قابلیت یادگیری عمیق برای پردازش به‌هنگام داده‌ها به صورت فوری پس از اخذ تصاویر نشان‌دهنده‌ی قابلیت پویای DenseNet در پردازش اطلاعات به‌سرعت و با دقت بالا است. این امکان به ما این اجازه را میدهد که در زمان واقعی به تحلیل و پیش‌بینی سطح زیر کشت برنج نشاء یا نهال پرداخته و اطلاعات مورد نیاز برای اداره بهینه مزارع را بدست آوریم.یافته‌ها: نتایج به‌دست‌آمده از این تحقیق، تأییدگر دقت بسیار بالای 99.8 درصد را بر روی داده‌های اعتبارسنجی نشان میدهد. این درصد بسیار بالا نشان‌دهنده‌ی توانایی فوق‌العاده روش یادگیری عمیق DenseNet در تخمین دقیق سطح زیرکشت برنج نشاء یا نهال میباشد. این دقت بالا نه تنها نشان‌دهنده‌ی عملکرد بسیار خوب مدل در شناسایی و پیش‌بینی میزان کاشت برنج، بلکه اطمینان بخش بوده و به کاربران اعتماد می‌بخشد. مدل ارائه‌شده توانسته است با دقت بسیار بالا به تشخیص و ارزیابی سطح زیر کشت برنج نشاء یا نهال بپردازد. این امر در عمل به کشاورزان و مدیران مزارع ابزاری ارزشمند ارائه میدهد تا به‌صورت دقیق‌تر و سریع‌تر از وضعیت مزرعه خود آگاه شوند و تصمیم‌گیری‌های بهتری در مدیریت کشت و بهره‌وری انجام دهند.نتیجه‌گیری: در مجموع، این تحقیق نشان میدهد که استفاده از پهپادها به همراه روش‌های یادگیری عمیق، به منظور تخمین سطح زیرکشت برنج نشاء یا نهال با دقت بالا، در مناطقی چون ووفنگ استان تایچانگ تایوان، امکان‌پذیر است. این ارتقاء در تکنولوژی پایش می‌تواند به مدیران ذی‌ربط در امور کشاورزی و امنیت غذایی کمک زیادی کند.
سامانه اطلاعات مکانی
سعید بهزادی؛ مصطفی آدرسی؛ مسعود شیرازیان
چکیده
پیشینه و اهداف: امروزه، مدیریت شهری به عنوان یکی از مهم‌ترین مسائل تصمیم‌گیران و مدیران در حوزههای شهری است. مسئله‌ی یافتن کوتاهترین مسیر، به عنوان یکی از مسائل مهم در حوزه‌ی مدیریت شهری به منظور کاهش زمان سفر بین دو نقطه‌ی حیاتی، همواره مورد توجه بسیاری از حوزههای تحقیقاتی از قبیل مدیریت شهری، حمل و نقل، ارتباطات و غیره ...
بیشتر
پیشینه و اهداف: امروزه، مدیریت شهری به عنوان یکی از مهم‌ترین مسائل تصمیم‌گیران و مدیران در حوزههای شهری است. مسئله‌ی یافتن کوتاهترین مسیر، به عنوان یکی از مسائل مهم در حوزه‌ی مدیریت شهری به منظور کاهش زمان سفر بین دو نقطه‌ی حیاتی، همواره مورد توجه بسیاری از حوزههای تحقیقاتی از قبیل مدیریت شهری، حمل و نقل، ارتباطات و غیره بوده است. در طول دهه‌های گذشته، الگوریتم ژنتیک در حل مسائل پیچیده‌ی بهینه‌سازی چند هدفه، به خوبی عمل کرده است، اما بسیاری از الگوریتمهای ژنتیک، تنها برای یافتن مسیر بهینه در شبکههای محلی، مناسب هستند. در این شبکهها، در صورتی که تعداد نقاط افزایش یابد، الگوریتمهای ارائه شده کارآیی خود را نخواهند داشت. هدف از این تحقیق، یافتن مسیری در شبکه‌ی خیابانهای شهر تهران میباشد که کمترین زمان، مسافت و هزینه را داشته باشد. بنابراین، یک روش جدید برای حل مسئله‌ی مسیریابی بر مبنای الگوریتم ژنتیک، با این فرض که تمام خطوط موجود در شبکه دارای وزنهای مثبت میباشند، پیشنهاد میگردد.روش‌ها: ویژگی الگوریتم پیشنهادی، متغیر بودن عملگرهای الگوریتم ژنتیک میباشد که متناسب با ساختار شبکه، تعریف میگردد. بر همین اساس، عملگر جهش در الگوریتم ژنتیک بر اساس فضای مورد مطالعه و فاصله‌ی بین نقاط شروع و پایان، تعریف میگردد. برای حل مسئله، از کدگذاری اعداد صحیح استفاده میشود و لذا، نقاط موجود در این گراف با استفاده از اعداد صحیح، نام‌گذاری شده و هر فرد در جمعیت به عنوان یک جواب برای حل مسئله، در نظر گرفته میشود. اندازه‌ی جمعیت، بسته به تعداد گرههای موجود در گراف و طول هرکروموزوم دارد. طول رشتههای انتخاب شده، حداکثر برابر با تعداد گرههای موجود در شبکه، در نظر گرفته میشود، زیرا این احتمال وجود دارد که بهترین مسیر، مسیری باشد که از تمام گرهها عبور میکند. در پایان، این الگوریتم بر روی شبکه‌ی مورد مطالعه که یک گراف مسطح میباشد، پیادهسازی میشود. دقت روش پیشنهادی نسبت به روش متداول، در سه جفت نقطه، مورد ارزیابی قرار گرفته است.یافته‌ها: با توجه به این‌که هدف از حل مسئله، یافتن مسیری بود که کمترین وزن را داشته باشد، در الگوریتم پیشنهادی یک عملگر ترکیب و سه عملگر جهش، ارائه گردید. این، در حالی است که در الگوریتمهای ژنتیک رایج، تنها از یک عملگر جهش و ترکیب، استفاده شده است. در این الگوریتم، نحوه‌ی استفاده از عملگرهای جهش، به ساختار شبکه و فاصله‌ی بین نقطه‌ی شروع و پایان، بستگی دارد. استفاده از الگوریتم ژنتیک پیشنهادی، نسبت به الگوریتم ژنتیک رایج، با 16% بهبود عملکرد همراه بوده است که نشان میدهد الگوریتم ژنتیک پیشنهادی، سریع‌تر به جواب مسئله میرسد. همان‌طور که در شکل 4 نشان داده شده است بهترین مسیر، مسیری است که مقدار تابع برازندگی آن به یک، نزدیکتر باشد. نتایج حاصل از مقایسه‌ی روش پیشنهادی با روش‌های متداول، 16 درصد سرعت بالاتر را نشان میدهد.نتیجه‌گیری: با توجه به این‌که فرض اولیه‌ی این تحقیق، مثبت بودن وزن تمام خطوط موجود در شبکه بوده است، عملگر جهش در الگوریتم ژنتیک، بر اساس فضای مورد مطالعه و فاصله‌ی بین نقاط شروع و پایان، تعریف شد. نتایج نشان داد که در صورت وجود فضای جستجوی کوچک، نقاط کمتری مورد نیاز است و به منظور تولید جمعیت اولیه، گرههایی که در کنار هم قرار دارند و به هم نزدیکتر هستند، باید انتخاب شوند. بدین ترتیب، مقدار تابع برازندگی افراد موجود در جمعیت اولیه، افزایش یافته و جوابها به واقعیت، نزدیکتر میشود. برای تحقیقات آتی، پیشنهاد میگردد که به منظور تولید جمعیت اولیه، نقاط بین نقطه‌ی شروع و پایان انتخاب گردد و همچنین، نقاط انتخاب شده در نزدیکی خط واصل بین نقطه‌ی شروع و پایان باشد، زیرا هنگامی که وزن یالهای شبکه، فاصله‌ی بین نقاط باشد، بهترین مسیر در فضای بین نقطه‌ی شروع و پایان قرار دارد. همچنین، پیشنهاد میشود که عملکرد شبکه با چندین عملگر ترکیب نیز، مورد ارزیابی قرار گیرد.
