سنجش از دور
داود اکبری؛ محمد اکبری
چکیده
پیشینه و اهداف: یکی از آنالیزهایی که بر روی تصاویر فراطیفی انجام میشود، آشکارسازی هدف است. معمولترین روش جهت آشکارسازی هدف در تصاویر ماهوارهای، آشکارسازی مبتنی بر پیکسل بوده که در آن هر پیکسل فقط با اطلاعات طیفی خود و بدون در نظر گرفتن پیکسلهای همسایگی به کلاس مشخص اختصاص مییابد. با پیشرفتهای اخیر و ایجاد تصاویری باقدرت ...
بیشتر
پیشینه و اهداف: یکی از آنالیزهایی که بر روی تصاویر فراطیفی انجام میشود، آشکارسازی هدف است. معمولترین روش جهت آشکارسازی هدف در تصاویر ماهوارهای، آشکارسازی مبتنی بر پیکسل بوده که در آن هر پیکسل فقط با اطلاعات طیفی خود و بدون در نظر گرفتن پیکسلهای همسایگی به کلاس مشخص اختصاص مییابد. با پیشرفتهای اخیر و ایجاد تصاویری باقدرت تفکیک مکانی بالا، لزوم استفاده توأم از اطلاعات طیفی و مکانی را در آشکارسازی تصاویر فراطیفی ایجاب میکند. در این پژوهش به آشکارسازی بامهای دارای پوشش خاص بهعنوان هدف، در یک محیط شهری از طریق یک سری تصویر فراطیفی پرداخته میشود. از آنجائی که یک محیط شهری دارای ویژگیهای پیچیدهای از نظر فیزیکی، هندسی و عناصر به کار گرفته شده در ساختمانهاست، دادههای فراطیفی کمک مؤثری به شناسایی، استخراج و تولید نقشه از عناصر سازنده یک محیط شهری میکنند. شناسایی جنس بام ساختمانها در محیطهای شهری، اهمیت زیادی در کاربردهای گوناگون، چون ارتباطات تلفنهای همراه، واقعیت مجازی، معماری و مدلسازی شهری، برنامهریزی و مدیریت شهرها دارد.روشها: در این تحقیق استراتژی اطلاعات مکانی در کنار اطلاعات طیفی جهت بهبود آشکارسازی هدف در آنالیز تصاویر فراطیفی مورد بررسی قرار میگیرد. برای این منظور از الگوریتم طیفی-مکانی جنگل پوشای مینیمم مبتنی بر نشانه که در فرآیند طبقهبندی تصاویر استفاده شده است، جهت آشکارسازی بام ساختمانهای با پوشش خاص استفاده میگردد. در روش پیشنهادی نشانهها از روی نقشه طبقهبندی ماشین بردار پشتیبان انتخاب شدند. برای این منظور آنالیز برچسبگذاری مولفههای متصل بر اساس 8 پیکسل همسایگی انجام گرفت. بعد از ایجاد درخت پوشای مینیمم و حذف یالهای مربوط به رأس اضافه شده در مرحله آخر، جنگل پوشای مینیمم حاصل میشود. در الگوریتم جنگل پوشای مینیمم هر درخت روی یکی از رئوس تصویر رشد مینماید و با اختصاص دادن کلاس هر نشانه به همه پیکسلهای رشد یافته از آن، نقشه آشکارسازی طیفی-مکانی حاصل میگردد.یافتهها: تکنیکهای فوق بر روی یک سری از دادههای تصویری سنجنده CASI که از منطقه شهری تولوز واقع در جنوب فرانسه برداشت شده است، اعمال شدند. نتایج ارزیابیهای کمی و کیفی نشان میدهد که روش پیشنهادی مقدار ضریب کاپا را به میزان 38 درصد در مقایسه با الگوریتم آشکارسازی اندازهگیری زاویه طیفی بهبود داده است. این موضوع اهمیت به کارگیری اطلاعات مکانی در فرآیند آشکارسازی را نشان میدهد، درحالیکه الگوریتم اندازهگیری زاویه طیفی جهت آشکارسازی فقط نیاز به اطلاعات طیفی هدف موردنظر دارد.نتیجهگیری: همزمان با رشد شهرنشینی و توسعه مناطق شهری نیاز مدیران و برنامهریزان به نقشههای بسیار دقیق از مناطق شهری به طور چشمگیری افزایش یافته است. استفاده از اطلاعات مکانی به خصوص در مورد تصاویر اخذ شده از مناطق شهری که در آنها چندین پیکسل مجاور به یک کلاس یا عارضه یکسان تعلق دارند، میتواند باعث بهبود دقت در آشکارسازی شود. در نظر است در تحقیقات آتی از میزان خطای موجود در آشکارسازی طیفی-مکانی هدف کاسته شود. شرایط ایجاد پیکسلهای مختلط مانند همپوشانی پدیدههای زمینی و ناهمگن بودن اکثر پدیدهها، و درنتیجه افزایش واریانس داخلی هدف موجب افزایش خطای آشکارسازی در تصاویر فراطیفی میشود. ازاینرو سعی بر این است که بتوان با استفاده از روشهای مختلف خطاهای فوق را کم نمود.
سامانه اطلاعات مکانی
داود اکبری
چکیده
پیشینه و اهداف: ارزیابی اراضی، حلقهای بسیار مهم در زنجیرهای است که منجر به مدیریت پایدار منابع اراضی و خاک میگردد. بهرهبرداری از اراضی مطابق با قابلیت آنها، افزون بر تأمین احتیاجات نسل حاضر و آینده، تعادل اکولوژیک کره زمین را نیز، حفظ میکند. تحلیل تناسب اراضی با استفاده از مجموعه متنوعی از عوامل مؤثر بر تولید کمی و کیفی محصولات ...
بیشتر
پیشینه و اهداف: ارزیابی اراضی، حلقهای بسیار مهم در زنجیرهای است که منجر به مدیریت پایدار منابع اراضی و خاک میگردد. بهرهبرداری از اراضی مطابق با قابلیت آنها، افزون بر تأمین احتیاجات نسل حاضر و آینده، تعادل اکولوژیک کره زمین را نیز، حفظ میکند. تحلیل تناسب اراضی با استفاده از مجموعه متنوعی از عوامل مؤثر بر تولید کمی و کیفی محصولات و بررسی پیچیدگیهای روابط آنها باهم و همچنین، همگام با تحلیل کاربری اراضی، از مفیدترین کاربردهای سامانه اطلاعات مکانی در مدیریت اراضی کشاورزی است. روشهای بسیاری از زمان ارائه چارچوب FAO برای ارزیابی تناسب اراضی توسعه یافتهاند و برخی از آنها هنوز بهصورت گسترده استفاده میشوند. در پژوهش حاضر، ارزیابی کیفی تناسب اراضی با استفاده از سامانه اطلاعات مکانی (GIS) و ارزیابی چند معیاره (MCE) برای سه محصول راهبردی گندم، جو و برنج در چهار منطقه مطالعاتی در شمال ایران، مورد بررسی قرار گرفت.روشها: جهت پیادهسازی مدل پیشنهادی، دادههای مرتبط با ویژگیهای خاک، دادههای اقلیمی، دادههای توپوگرافی، نقشه زمینشناسی و نقشه پوشش اراضی جمعآوری شد. در میان دادههای جمعآوری شده، دما نقش مهمی در تعیین تناسب اراضی برای محصولات کشاورزی دارد، الگوهای مکانی بارش برای ارزیابی دسترسی به آب اهمیت دارند و شیب زمین تأثیر زیادی در زهکشی، میزان نور دریافتی از خورشید و بالطبع آن، انرژی مورد نیاز برای رشد گیاه دارد. سپس، با توجه به تنوع اقلیمی در شمال ایران و مجموعه متنوع از محصولات زراعی که در این منطقه کشت میشوند، معیارهای مناسب انتخاب شدند. معیارهای انتخاب شده عبارتند از: نوع خاک، دما، بارش، شیب و پارامترهای زمینشناسی. جهت تخصیص وزن به هر یک از معیارها و تشدید تأثیر آنها در مرحله ارزیابی تناسب اراضی، یک فرآیند تخصیص وزن انجام شد. این تخصیص وزن، توسط متخصصین امر انجام گرفت. هر معیار بر اساس تأثیر آن بر کشت محصولات مختلف در این منطقه مورد ارزیابی قرار گرفت و وزن هر لایه مشخص گردید. در نهایت، بررسی دقیق نتایج و تحلیل تناسب اراضی برای کشاورزی در مناطق مورد مطالعه انجام شد.یافتهها: نتایج این تحقیق، نشان داد که غرب استان گیلان مکانی ایدهآل برای کشت برنج اما این منطقه چالشهایی برای کشت جو و گندم دارد. امتیازات نسبتاً مناسب برای هر سه محصول، گندم، جو و برنج شرق استان گیلان نشان داد که این منطقه مستعد کشت محصولات متنوع است. مرکز استان مازندران برای کشت محصولات گندم، جو و برنج امتیاز مناسبی کسب نکرد. همچنین، مرکز استان گلستان به عنوان یک مکان بسیار مناسب برای کشت گندم و جو تعیین گردید.نتیجهگیری: در مجموع، مناطق با امتیاز نسبتاً مناسب امکاناتی برای متنوع کردن شیوههای کشت ارائه میدهند که باعث افزایش انعطافپذیری و کاهش خطرات مرتبط با نوسانات بازار و تغییرات اقلیمی میشود. همچنین، در مناطق با امتیاز تناسب پایین نقش حفاظت از محیط زیست و شیوههای مدیریت پایدار اراضی حائز اهمیت است. از یک بعد دیگر، دستهبندی تناسب اراضی به سیاستگذاران و مدیران بخش کشاورزی این امکان را میدهد تا منابع بهصورت صحیح و بهصورت بهینه تخصیص یابند. برای تحقیقات آتی پیشنهاد میشود تحلیل سری زمانی دادههای ماهوارهای با استفاده از مدلهای یادگیری عمیق صورت پذیرد.
