سنجش از دور
مهدی حسنلو؛ زهره رودسرابی؛ پروین حسن تیموری
چکیده
پیشینه و اهداف: آتشسوزیهای گسترده جنگلی با تخریب پوشش گیاهی، تشدید ناپایداری خاک و تغییر کارکرد زیستبومها، به یکی از جدیترین چالشهای محیطی عصر حاضر تبدیل شدهاند و شناسایی دقیق نواحی سوخته پس از حریق، پیشنیاز ارزیابی خسارت، برنامهریزی احیا و مدیریت خطر است. دادههای اپتیکی ماهوارهای، بهویژه تصاویر سنتینل-۲، همراه ...
بیشتر
پیشینه و اهداف: آتشسوزیهای گسترده جنگلی با تخریب پوشش گیاهی، تشدید ناپایداری خاک و تغییر کارکرد زیستبومها، به یکی از جدیترین چالشهای محیطی عصر حاضر تبدیل شدهاند و شناسایی دقیق نواحی سوخته پس از حریق، پیشنیاز ارزیابی خسارت، برنامهریزی احیا و مدیریت خطر است. دادههای اپتیکی ماهوارهای، بهویژه تصاویر سنتینل-۲، همراه با شاخصهای طیفی پرکاربرد، ابزار قدرتمندی برای نقشهبرداری مناطق سوخته فراهم میکنند، اما کارایی آنها به انتخاب مناسب شاخصها و مدلهای طبقهبندی وابسته است. هدف این پژوهش، ارزیابی و مقایسه کارایى یک روش آماری کلاسیک، سه الگوریتم یادگیری ماشین و دو معماری یادگیری عمیق در تشخیص نواحی سوخته، بر پایه ترکیب باندهای سنتینل-۲ و شاخصهای طیفی، در آتشسوزی جنگلی Kenneth در لسآنجلس است.روشها: در این پژوهش، پس از انتخاب تصویر پساحریق سنتینل-۲ و اعمال ماسک ابر، هشت باند طیفی اصلی (شامل باندهای مرئی، فروسرخ نزدیک، لبه قرمز و فروسرخ موج کوتاه) بههمراه پنج شاخص طیفی پرکاربرد مرتبط با سوختگی، پوشش گیاهی و رطوبت استخراج شد و یک تصویر ۱۵ متغیره بهعنوان ورودی مدلها تشکیل گردید. دادههای مرجع دودویی سوخته و نسوخته از پایگاه رسمی ثبت آتشسوزیها برداشت شد و نمونهها بهصورت تصادفی انتخاب و به دو زیرمجموعه آموزشی (۷۰ درصد) و آزمایشی (۳۰ درصد) تفکیک شدند. تمامی ویژگیها با روش نرمالسازی خطی مقیاسبندی شدند. در ادامه، یک روش آماری مبتنی بر بیشینه شباهت (MLE)، سه الگوریتم یادگیری ماشین شامل تقویت تطبیقی (Adaboost)، جنگل تصادفی (RF) و ماشین بردار پشتیبان (SVM) و دو مدل یادگیری عمیق شامل شبکه عصبی کانولوشنی (CNN) و شبکه پرسپترون چندلایه (MLP) آموزش داده شد. ارزیابی مدلها بر اساس ماتریس درهمریختگی و شاخصهایی نظیر Accuracy، Precision، Recall، F1-score و IoU انجام گرفت و اهمیت نسبی باندها و شاخصها در هر مدل نیز محاسبه شد.یافتهها: نتایج این پژوهش نشان داد تمامی مدلها قادر به تفکیک الگوی کلی سوختگی از پسزمینه نسوخته بودند، اما در دقت عددی و نویز مکانی اختلاف قابل توجهی داشتند. روش آماری مبتنی بر MLE، اگرچه دقتی نزدیک به ۹۸ درصد را بهدست آورد، بهدلیل مقدار بالای طبقهبندی نادرست پیکسلهای نسوخته بهعنوان سوخته و تولید لکههای پراکنده در حاشیه ناحیه سوخته، کمترین قابلیت اعتماد را ارائه نمود. در میان الگوریتمهای یادگیری ماشین، RF بهترین عملکرد را داشت؛ بهگونهای که با Accuracy حدود ۹۹٫۶۷ درصد، F1-score نزدیک به ۹۷ درصد و بیشترین IoU، کمترین میزان خطا در تشخیص پیکسلهای سوخته و نسوخته (FP و FN) را ثبت نمود. SVM نیز با F1-score بیش از ۹۶ درصد عملکردی پایدار نشان داد، هرچند نسبت به RF تا حدی خطای بیشتری در مرزهای لکه سوختگی داشت. الگوریتم Adaboost، با وجود بهبود محسوس نسبت به روش آماری، بهسبب حساسیت به نمونههای دشوار، میزان بالاتری از عدم شناسایی پیکسلهای سوخته را ایجاد کرد. دو مدل یادگیری عمیق، یعنی CNN و MLP، نقشههایی پیوسته و کمنویز تولید نمودند و از نظر Accuracy ، F1-score و IoU نتایجی بسیار نزدیک به RF بهدست آوردند. تحلیل اهمیت ویژگیها نشان داد باندهای فروسرخ موج کوتاه (SWIR-1,2) و شاخصهای مرتبط با سوختگی و پوشش گیاهی، بهویژه شاخصهای NBR، NDVI و SAVI، بیشترین سهم را در تصمیمگیری مدلها داشتهاند و باندهای ناحیه مرئی نقش فرعیتری ایفا کردهاند.نتیجهگیری: برآیند نتایج نشان میدهد که ادغام باندهای فروسرخ سنتینل-۲ با شاخصهای پوشش گیاهی و رطوبتی، در ترکیب با مدلهای یادگیری ماشین و یادگیری عمیق، چارچوبی دقیق و قابل اتکا برای پایش پساحریق و نقشهبرداری نواحی سوخته در چشماندازهای ناهمگن فراهم میکند. در این میان، RF و سپس مدلهای CNN و MLP، بهعنوان گزینههای بهینه برای پیادهسازی عملی پیشنهاد میشوند، در حالی که روش آماری MLE و الگوریتم Adaboost بیشتر بهعنوان خطوط پایه مقایسه قابل استفادهاند. از مهمترین محدودیتهای مطالعه حاضر میتوان به تکیه بر یک رویداد آتشسوزی و استفاده از داده تکزمانه پساحریق اشاره کرد؛ بنابراین، تعمیم مدل به آتشسوزیها، تیپهای پوشش گیاهی و شرایط توپوگرافی متنوعتر، همراه با بهرهگیری از دادههای چندزمانه و ادغام سنجندههای راداری و ارتفاعی، بهعنوان مسیرهای اصلی پژوهشهای آینده پیشنهاد میشود. نتایج این تحقیق میتواند در طراحی سامانههای عملیاتی پایش آتشسوزی، اولویتبندی مناطق احیا و برنامهریزی پایدار منابع طبیعی در مناطق مستعد حریق مورد استفاده قرار گیرد.
سامانه اطلاعات مکانی
علی رضایی؛ محمد قاسمی؛ سیدمحمد تفرشی
چکیده
پیشینه و اهداف: تحول دیجیتال در نظام بانکی و گسترش بانکداری الکترونیکی، حجم گستردهای از دادههای تراکنشی، مکانی و اقتصادی-اجتماعی را تولید کرده است که میتوانند بهعنوان منبعی ارزشمند برای تحلیل رفتار مشتریان، پیشبینی تقاضای خدمات و پشتیبانی از تصمیمگیریهای راهبردی مورد استفاده قرار گیرند. با این حال، بهرهگیری نظاممند ...
بیشتر
پیشینه و اهداف: تحول دیجیتال در نظام بانکی و گسترش بانکداری الکترونیکی، حجم گستردهای از دادههای تراکنشی، مکانی و اقتصادی-اجتماعی را تولید کرده است که میتوانند بهعنوان منبعی ارزشمند برای تحلیل رفتار مشتریان، پیشبینی تقاضای خدمات و پشتیبانی از تصمیمگیریهای راهبردی مورد استفاده قرار گیرند. با این حال، بهرهگیری نظاممند از این دادهها در برنامهریزی مکانی خدمات بانکی، مکانیابی شعب و تخصیص بهینه منابع در بسیاری از بانکها همچنان محدود است. از سوی دیگر، توزیع تقاضای خدمات بانکی ماهیتی فضایی داشته و تحت تأثیر عوامل جمعیتی، اقتصادی و مکانی قرار میگیرد؛ ازاینرو، تحلیل این الگوها نیازمند رویکردهایی است که بتوانند اطلاعات مکانی را در کنار دادههای تراکنشی و رفتاری پردازش کنند. هدف پژوهش حاضر، توسعه و ارزیابی یک چارچوب یکپارچه مبتنی بر تحلیل مکانی، یادگیری ماشین و روشهای تبیینپذیر بهمنظور پیشبینی تقاضای خدمات بانکی و پشتیبانی از تصمیمگیریهای مرتبط با توسعه و بهینهسازی شبکه شعب است.
روشها: پژوهش حاضر بهصورت مطالعه موردی بر دادههای مشتریان و شعب بانک سپه در استان مرکزی طی سالهای ۱۴۰۰ تا ۱۴۰۲ انجام شد. استان مرکزی به دلیل برخورداری از ساختار متنوع شهری، صنعتی، روستایی و خدماتی بهعنوان منطقه مطالعه انتخاب گردید. چارچوب پیشنهادی شامل مراحل گردآوری و یکپارچهسازی دادهها، پیشپردازش و مهندسی ویژگیها، تحلیل و خوشهبندی مکانی تقاضا، مدلسازی پیشبینانه و تبیین نتایج است. در بخش تحلیل فضایی از شاخص مورانآی (Moran’s I)، تحلیل نقاط داغ، خوشهبندی DBSCAN و شاخصهای خودهمبستگی محلی استفاده شد. در بخش پیشبینی، عملکرد الگوریتمهای Random Forest، XGBoost، LSTM و شبکه عصبی گراف مکانی-زمانی (ST-GNN) برای پیشبینی تعداد مراجعات ماهانه مشتریان ارزیابی گردید. همچنین بهمنظور تفسیر نتایج و شناسایی عوامل مؤثر بر تقاضا، از روش SHAP و تحلیل اهمیت متغیرها بهره گرفته شد.
یافتهها: نتایج تحلیل فضایی نشان داد که تقاضای خدمات بانکی دارای ساختار فضایی معنادار بوده و مقدار شاخص مورانآی برابر با 0.71 وجود خودهمبستگی مکانی قوی و تمرکز فضایی تقاضا را تأیید میکند. تحلیل خوشههای مکانی نیز تمرکز تقاضا را در برخی شهرستانهای استان نشان داد. نتایج مدلسازی بیانگر آن بود که مدلهای مبتنی بر درخت بهترین عملکرد را در پیشبینی تعداد مراجعات ماهانه مشتریان ارائه میکنند؛ بهگونهای که مدل Random Forest با ضریب تعیین (R²) برابر با 0.95 و مدل XGBoost با مقدار 0.94 دقیقترین نتایج را تولید کردند. در مقابل، مدل ST-GNN با وجود توانایی مدلسازی روابط مکانی، عملکرد ضعیفتری (R²≈0.51) نشان داد که میتواند ناشی از محدودیت طول سری زمانی و کمبود دادههای زمانی پیوسته باشد. نتایج تحلیلهای تبیینپذیر نیز نشان داد که ویژگیهای مکانی، اقتصادی–اجتماعی و تراکنشی نقش تعیینکنندهای در شکلگیری الگوهای تقاضای خدمات بانکی دارند.
نتیجهگیری: یافتههای پژوهش نشان میدهد که ادغام تحلیل مکانی، یادگیری ماشین و روشهای تبیینپذیر میتواند چارچوبی مؤثر برای توسعه سامانههای تصمیمیار در بانکداری هوشمند فراهم کند. چارچوب پیشنهادی علاوه بر بهبود دقت پیشبینی تقاضای خدمات بانکی، امکان شناسایی الگوهای فضایی تقاضا و پشتیبانی از تصمیمات مرتبط با توسعه خدمات دیجیتال، مکانیابی شعب و تخصیص بهینه منابع را فراهم میسازد. محدودیت اصلی پژوهش، کوتاه بودن دوره زمانی دادهها و نبود سریهای زمانی بلندمدت بود که امکان ارزیابی کامل مدلهای زمانی را محدود کرد. پیشنهاد میشود در پژوهشهای آینده از دادههای زمانی بلندمدت، دادههای بلادرنگ و مدلهای پیشرفته مکانی–زمانی برای توسعه سامانههای تصمیمیار بانکداری هوشمند استفاده شود.
سنجش از دور
حسین جولایی؛ علیرضا وفایی نژاد
چکیده
پیشینه و اهداف: موضوع شهرنشینی و نظارت بر گسترش شهری و تغییرات کاربری زمین با استفاده از تصاویر ماهوارهای، به یک مرکزیت اساسی در جامعه تبدیل شده است. دسترسی آسان و پایدار به دادههای ماهوارهای، این امکان را فراهم کرده که تغییرات زمینی را با دقت بیشتری رصد و نظارت کرد؛ اما برای بهرهبرداری بهینه از این تصاویر، لازم است نمونههایی ...
بیشتر
پیشینه و اهداف: موضوع شهرنشینی و نظارت بر گسترش شهری و تغییرات کاربری زمین با استفاده از تصاویر ماهوارهای، به یک مرکزیت اساسی در جامعه تبدیل شده است. دسترسی آسان و پایدار به دادههای ماهوارهای، این امکان را فراهم کرده که تغییرات زمینی را با دقت بیشتری رصد و نظارت کرد؛ اما برای بهرهبرداری بهینه از این تصاویر، لازم است نمونههایی از تصاویر جمعآوری شده و سپس پیکسلهای آنها بر اساس ویژگیها و مشخصههای منطقهای طبقهبندی شوند. این فرآیند، با چالشهایی همچون پراکندگی دادهها مواجه است که با استفاده از روشهای طبقهبندی مناسب قابل حل است. در این مطالعه، بهمنظور ارزیابی مساحت کاربریهای زمین در شهرها، روشهای متنوعی از یادگیری ماشین مورد استفاده قرارگرفته است. بهجای استفاده از یک روش ثابت و مطلق برای طبقهبندی پیکسلها، چهار روش مختلف یادگیری ماشین جداگانه برای هر تصویر مورد بررسی قرارگرفته است. این روشهای متنوع از یادگیری ماشین امکان انتخاب بهترین و پرکاراییترین روش برای هر تصویر را فراهم میکنند، بهگونهای که توانایی تشخیص و طبقهبندی پیکسلها برای مساحتهای کاربری زمین در شهرها را بهبود میبخشند و دقت و کارایی را افزایش میدهند.روشها: در این تحقیق، از تصویر ماهوارهای لندست 9 برای مطالعه و تحلیل منطقههای مختلف تهران در سال 2023 استفاده شده است. ابتدا، تصویر مورد نظر تحت تصحیحات لازم قرارگرفته و سپس، چهار الگوریتم یادگیری ماشین متناسب (که شامل K- نزدیکترین همسایه، ماشین بردار پشتیبان، جنگل تصادفی و حداکثر احتمال بودند) برای طبقهبندی تصاویر ماهوارهای لندست 9 مرتبط با چهار منطقه مختلف تهران (شامل 2، 5، 21، 22) بهکار گرفته شدند. برای ارزیابی دقت نتایج، بیش از ۲۰۰ نقطه چک با استفاده از روش Stratified Random بر روی تصویر ایجاد شدند و سپس از Google Earth Pro برای بررسی دقیق نقاط چک استفاده شد. دقت طبقهبندی کلی و ضریب کاپا بهعنوان معیارهای ارزیابی بهترین روش طبقهبندی پیکسلهای تصویر مورد بررسی قرار گرفتند. در مرحله بعد، منطقه مورد مطالعه بهمنظور درک بهتر مساحت کاربریهای زمین در آن ناحیه به بلوکهای مساوی تقسیم شد. سپس با استفاده از روابط آماری رستری (Zonal Statistic)، میزان مساحت کاربریهای زمین در هر بلوک مورد بررسی قرار گرفت.یافتهها: بر اساس روشهای مورد استفاده، عملکرد روش SVM در این مطالعه بهدقت بیشترین مقدار ممکن، که معادل 95 درصد است، و ضریب کاپا، که به نسبت 89 درصد است، دستیافت. این نتایج ممکن است به دلیل عدم یکنواختی پهنههای پیکسل در محیطهای شهری پرتراکم توجیه شود. علاوه بر این، مساحتهای مختلفی از زمین از جمله مناطق سبز با مساحت 12 کیلومترمربع، زمینهای بایر با مساحت 64 کیلومترمربع و مناطق ساخته شده با مساحت 137 کیلومترمربع نیز در این تحلیل مورد بررسی قرار گرفتند.نتیجهگیری: از طریق این رویکرد، ما یک روش طبقهبندی بسیار دقیق را برای تحلیل تصاویر ماهوارهای مربوط به ماهواره لندست 9 ارائه دادهایم. این روش، امکان ارزیابی دقیقتری از مساحت کاربریهای زمین را فراهم میکند و به تصمیمگیریان شهری و سیاستگذاران ارتباط مستقیمی با بینشهای ارزشمندی برای توسعه پایدار در شهرها ارائه میدهد. این امر، میتواند در فرآیند تسهیل طرحهای توسعهای برای بهبود شهرها و زندگی شهروندان نقش مؤثری ایفا کند، زیرا اطلاعات دقیق و معتبری را ارائه میدهد که به تصمیمگیریهای استراتژیک در حوزه توسعه شهری کمک میکند و امکان اعمال تغییرات مؤثرتر و هدفمندتر در سیاستها و برنامههای شهری را فراهم میسازد.
