سنجش از دور
محمدرضا زرگر؛ امیر آقابالائی؛ صفا خزائی؛ علی مهتدی
چکیده
پیشینه و اهداف: با گسترش دادههای سنجش از دور راداری و افزایش دسترسی به تصاویر باکیفیت از طریق سنجندههایی مانند سنتینل-۱، تحلیل تغییرات در سطح زمین از طریق یادگیری عمیق به یکی از حوزههای راهبردی و نوظهور در علوم مکانی تبدیل شده است. تصاویر راداری با قابلیت تصویربرداری شبانهروزی، نفوذ در ابر، و حساسیت به ویژگیهای ساختاری زمین، ...
بیشتر
پیشینه و اهداف: با گسترش دادههای سنجش از دور راداری و افزایش دسترسی به تصاویر باکیفیت از طریق سنجندههایی مانند سنتینل-۱، تحلیل تغییرات در سطح زمین از طریق یادگیری عمیق به یکی از حوزههای راهبردی و نوظهور در علوم مکانی تبدیل شده است. تصاویر راداری با قابلیت تصویربرداری شبانهروزی، نفوذ در ابر، و حساسیت به ویژگیهای ساختاری زمین، اطلاعات غنی اما پیچیدهای فراهم میکنند که تحلیل آنها نیازمند بهرهگیری از معماریهای هوشمند یادگیری ماشین است. در این راستا، مقاله حاضر با هدف مرور نظاممند روشهای مبتنی بر یادگیری عمیق در شناسایی تغییرات در تصاویر راداری، با تمرکز بر تحلیل تطبیقی معماریها، نقاط قوت و ضعف آنها و چشماندازهای آینده طراحی شده است.روشها: این مرور بر اساس رویکرد مرور نظاممند در بازه زمانی ۲۰۱۴ تا ۲۰۲۵، شامل ۴۴ مقاله منتخب از پایگاههای معتبر مانند IEEE، Elsevier و MDPI است. معیارهای انتخاب شامل استفاده از دادههای SAR، بهرهگیری از الگوریتمهای یادگیری عمیق، گزارش معیارهای کمی مانند دقت و F1-score و کاربردهای عملیاتی در حوزههایی چون پایش شهری، منابع طبیعی و بلایای طبیعی بوده است. مقالات بر اساس نوع یادگیری (نظارتی، بدوننظارت، خودنظارتی، چندمنبعی) و نوع معماری (MLP، CNN، U-Net، Autoencoder، LSTM، GAN و MSCDUNet) طبقهبندی شدهاند و در قالب جداول مقایسهای تحلیل شدهاند.یافتهها: نتایج نشان میدهد معماریهای نظارتشده نظیر U-Net با دقت تا 95% و F1 در بازه 85/0 تا 93/0، بهویژه در کاربردهای شهری و ارزیابی خسارات بلایای طبیعی، بهترین عملکرد را داشتهاند. در حوزه بدوننظارت، ترکیب CNN با خوشهبندی فازی (FCM) به دقتی تا 6/99% دست یافته است. مدلهای مبتنی بر Autoencoder در کاهش نویز و فشردهسازی اطلاعات موفق عمل کردهاند و معماریهای GAN با دادهافزایی، عملکرد شبکهها را بهبود بخشیدهاند. مدلهای چندمنبعی مانند MSCDUNet که دادههای راداری و نوری را تلفیق میکنند، F1 معادل 93/0 را گزارش کردهاند. با این حال، کمبود گزارشهای کمی استاندارد مانند F1، ضعف تعمیمپذیری مدلها، و پیچیدگی پردازش دادههای ناهمگن، از چالشهای موجود محسوب میشود.نتیجهگیری: با وجود پیشرفتهای چشمگیر در کاربرد یادگیری عمیق در شناسایی تغییرات، چالشهایی مانند کمبود دادههای برچسبخورده، عدم دسترسی به مجموعهدادههای مرجع چندمنبعی، و ضعف الگوریتمهای سبک برای کاربردهای بلادرنگ همچنان پابرجاست. توسعه الگوریتمهای خودنظارتی مانند یادگیری تضادمحور، طراحی معماریهای مقاوم به نویز و سبک برای UAVها و سامانههای لبهای، و تدوین پایگاههای داده باز و معیارمحور از جمله اولویتهای آتی این حوزه است. مطالعه حاضر با ارائه طبقهبندی ساختاریافته و تحلیل تطبیقی عملکرد الگوریتمها، تلاش دارد زمینه تصمیمسازی هوشمند در طراحی سامانههای تحلیل تغییرات را برای پژوهشگران و توسعهدهندگان مهیا سازد.
سنجش از دور
بهناز بابائی؛ رضا دوستی؛ اسلام جوادنیا؛ سینا کیایی؛ حشمت کرمی؛ امیرحسین عبدی
چکیده
پیشینه و اهداف: متان بهعنوان دومین گاز گلخانهای مهم پس از دیاکسید کربن، نقش چشمگیری در تشدید پدیده گرمایش جهانی دارد. پتانسیل گرمایش جهانی این گاز در بازه زمانی صدساله، حدود ۲۸ برابر بیشتر از دیاکسید کربن برآورد شده است. بر اساس گزارشهای هیئت بیندولتی تغییرات اقلیمی (IPCC)، حدود ۴۰ درصد از انتشار متان با منشأ انسانی به بخش انرژی، ...
بیشتر
پیشینه و اهداف: متان بهعنوان دومین گاز گلخانهای مهم پس از دیاکسید کربن، نقش چشمگیری در تشدید پدیده گرمایش جهانی دارد. پتانسیل گرمایش جهانی این گاز در بازه زمانی صدساله، حدود ۲۸ برابر بیشتر از دیاکسید کربن برآورد شده است. بر اساس گزارشهای هیئت بیندولتی تغییرات اقلیمی (IPCC)، حدود ۴۰ درصد از انتشار متان با منشأ انسانی به بخش انرژی، بهویژه صنایع نفت و گاز، مربوط میشود. ایران بهعنوان یکی از تولیدکنندگان عمده نفت و گاز جهان، با چالشی جدی در زمینه کنترل و پایش انتشار این گاز گلخانهای مواجه است؛ موضوعی که در چارچوب تعهدات بینالمللی همچون توافقنامه پاریس از اهمیت ویژهای برخوردار است. ماهواره Sentinel-5P مجهز به حسگر TROPOMI با قابلیت تفکیک مکانی بالا و پوشش روزانه، امکان پایش مستمر و کمیسازی انتشار متان را در مقیاس جهانی فراهم کرده است. هدف این پژوهش، بررسی روند تغییرات انتشار متان در ایران طی دوره پنجساله (۲۰۱۹ تا ۲۰۲۳) و شناسایی مناطق بحرانی از نظر میزان انتشار است.روشها: این پژوهش با رویکرد توصیفی–تحلیلی و بر پایه سریهای زمانی دادههای روزانه سنجنده TROPOMI ماهواره Sentinel-5P در پلتفرم Google Earth Engine انجام شد. دادههای غلظت متان با تفکیک مکانی ۵/۵×۷ کیلومتر برای کل محدوده جغرافیایی ایران استخراج و بهصورت میانگینهای سالانه، فصلی و ماهانه پردازش گردید. بهمنظور تحلیل روندهای زمانی و الگوهای مکانی، نقشهها و نمودارهای تغییرات پنجساله تولید و بررسی شدند تا روندهای غالب و نواحی با انتشار بالا شناسایی شوند.یافتهها: نتایج نشان داد که میانگین سالانه غلظت متان در ایران طی دوره مورد مطالعه روندی افزایشی داشته و نرخ رشد سالانه آن حدود ۰۳/۰ درصد برآورد شده است. مقدار میانگین ثبتشده، بهطور متوسط 21/101 ppb بالاتر از آستانه ۱۸۰۰ ppb تعیینشده توسط IPCC بودهاند. بررسی تغییرات فصلی نشان داد بیشترین میزان انتشار در فصلهای پاییز و زمستان رخ میدهد که احتمالاً ناشی از افزایش فعالیتهای استخراج گاز و کاهش کارایی سامانههای کنترل نشت در دورههای سرد سال است. مجموع کل انتشار متان از تمامی منابع طی پنج سال، به رقم قابلتوجه ۱٬۴۸۷٬۱۳۴٬۷۰۵ ppb رسید.نتیجهگیری: یافتههای این پژوهش بیانگر چالش جدی ایران در زمینه مدیریت و کنترل انتشار متان است. روند افزایشی این گاز گلخانهای، ضرورت تدوین و اجرای سیاستهای مؤثر کاهش انتشار را برجسته میسازد. در این راستا، بهرهگیری از سامانههای پیشرفته تشخیص نشت و سرمایهگذاری در فناوریهای نوین کنترل انتشار میتواند نقش بسزایی در کاهش اثرات زیستمحیطی ایفا کند.
سنجش از دور
مهدی حسنلو؛ علیرضا ابراهیمی
چکیده
پیشینه و اهداف: امروزه با توسعه شهر نشینی، ضرورت به روزرسانی خودکار نقشههای تغییرات بیش از پیش اهمیت یافته است. به روزرسانی نقشههای مکانی، نظارت بر ساخت و ساز و پایش مناطق توسعه یافته نیازمند اطلاعات دقیق از بافت شهری و نقشههای جدید تغییرات میباشد. از آنجا که روشهای سنتی پایش اغلب به تحلیل دو بعدی تغییرات پرداخته و حساسیت ...
بیشتر
پیشینه و اهداف: امروزه با توسعه شهر نشینی، ضرورت به روزرسانی خودکار نقشههای تغییرات بیش از پیش اهمیت یافته است. به روزرسانی نقشههای مکانی، نظارت بر ساخت و ساز و پایش مناطق توسعه یافته نیازمند اطلاعات دقیق از بافت شهری و نقشههای جدید تغییرات میباشد. از آنجا که روشهای سنتی پایش اغلب به تحلیل دو بعدی تغییرات پرداخته و حساسیت کافی در ثبت تغییرات بعد سوم یا ارتفاع را ندارند، لذا این محدودیت موجب عدم تشخیص ساخت و سازهای طبقهای شده که در نتیجه آن، نقص اطلاعات در پایش را به همراه خواهد داشت. با پیشرفت در سنجش ازدور و روشهای نوین یادگیری عمیق، آشکارسازی تغییرات سه بعدی شهری امکان پذیر شده است که تاکنون نتایج برتری را نسبت به روشهای کلاسیک ارائه دادهاند. این پژوهش با هدف بهبود عملکرد در آشکارسازی تغییرات سه بعدی شهری، رویکردی بر مبنای یادگیری عمیق با استفاده از دادههایی با منابع مختلف ارائه میدهد تا انواع تغییرات ساختمانی به طور خودکار شناسایی و تفکیک نماید. هدف اصلی تفکیک چهار نوع تغییر ساختمانی از جمله ساخت جدید، تخریب کامل، افزایش ارتفاع و کاهش ارتفاع در کنار نواحی بدون تغییر میباشد تا نقشه جامعی از تغییرات سه بعدی شهری ارائه گردد.روشها: مجموعه داده مورد استفاده در این پژوهش شامل تصاویر هوایی رنگی (RGB) با وضوح مکانی بالا به همراه دادههای مدل رقومی سطح (DSM) مربوط به دو بازهی زمانی مختلف از محدوده شهری والادولید اسپانیا میباشد. داده ورودی شامل تصاویر رنگی قبل و بعد از تغییر به همراه مدل ارتفاعی متناظر آن به صورت یک ورودی هشت بانده با یکدیگر ترکیب شده تا شبکه به طور همزمان اطلاعات طیفی و ارتفاعی را مشاهده کند و جهت ورود به فرآیند آموزش مدل، دادهها به نسبت 90 به 10درصد به دو دسته آموزش و آزمایش تقسیمبندی میشوند. جهت افزایش تنوع دادههای آموزش و جلوگیری از برازش بیش از حد از روشهایی چون وارونسازی افقی و عمودی، چرخش تصادفی و تاری گاوسی بهره گرفته شده است. معماری مدل متشکل از یک شبکهی عمیق ResNet-34به عنوان بخش ویژگی یاب و از شبکه UNet++ جهت بازسازی پیکسل به پیکسل تغییرات میباشد. همچنین برای به روزرسانی پارامترهای مدل از الگوریتم Adam بهره گرفته شده است. در مرحله نخست مدل شبکه عمیق به صورت دودویی (تغییر/عدم تغییر) آموزش داده شده و عملکرد آن در مقایسه با روش کلاسیک جنگل تصادفی، تفاضل یا نسبت گیری و روش ترکیبی تحلیل مولفههای اصلی (PCA) و خوشه بندی K-Means مقایسه میشود. پس از آن شبکه با برچسبهای پنج کلاسه شامل چهار نوع تغییر گفته شده و برچسب عدم تغییر مجددا آموزش داده و جهت بهبود فرآیند یادگیری از یک تابع هزینه ساز بر مبنای بهینه سازی مستقیم معیار (IoU) استفاده شده است. جهت مقایسه عملکرد مدلها از معیارهایی نظیر Accuracy، Recall، F1-score و Precision استفاده شده است.یافتهها: در مرحله نخست این شبکه پس از 50 اپک آموزش اغلب تغییرات واقعی را شناسایی کرده و در عین حال نرخ هشدار غلط را پایین نگه داشته است که معیارهای ارزیابی Recall، Accuracy و F1-score با مقادیر 98.5% و 98.5% و 0.92 این نتایج را تأکید میکنند و این ارقام به طور محسوسی بهتر از روشهای کلاسیک بوده. همچنین در مدل یادگیری عمیق بر خلاف دیگر روشها تقریبا تمامی موارد ساخت و ساز یا تخریب در مقیاسهای کوچک تشخیص داده شده است. در مرحله پنج کلاسه، تغییرات به خوبی توسط مدل شناسایی و طبقه بندی شدهاند و معیارهای Recall، Accuracy و F1-score به ترتیب برابر با 96.32% و 96% و 0.95 میباشد. تمامی سازههای جدید احداث شده و ساختمانهای کاملا تخریب شده در نقشه خروجی مدل با برچسب درست تشخیص داده شده اند و بخش وسیعی از مناطق بدون تغییر هیچ برچسب اشتباهی دریافت نکردهاند.نتیجهگیری: نتایج نشاندهنده آن است که ترکیب دادههای ارتفاعی با تصاویر دو بعدی و به کارگیری مدلهای یادگیری عمیق به طرز چشمگیری کاستیهای روش سنتی تشخیص تغییرات را برطرف کرده و افزایش دقت را به همراه خواهد داشت. این مدل توسعه یافته قادر است که نه تنها مکان تغییر بلکه نوع تغییر را شناسایی کند. لازم به ذکر است که از این شیوه نوین میتوان جهت پایش ساخت و سازهای غیر مجاز، به روز رسانی پایگاههای داده مکانی و ارزیابی تغییرات شهری استفاده شود. مهمترین محدودیت این پژوهش وابستگی به دادههای ارتفاعی دقیق میباشد که تهیه منظم آن در تمامی شهرها امکان پذیر نمیباشد. به علاوه آموزش مدلهای عمیق نیازمند دادههای برچسب دار گسترده و توان پردازشی بالا میباشد که ممکن است در کاربردهای عملی محدودیت ایجاد کند.
سنجش از دور
پویا حیدری؛ اصغر میلان؛ علیرضا قراگوزلو
چکیده
پیشینه و اهداف: امروزه با توجه به استفاده روز افزون از اطلاعات پوشش و کاربری اراضی در کاربردهای مختلف، کسب این اطلاعات امری ضروری میباشد. استفاده از تصاویر سنجش از دوری به عنوان راهکار اصلی کسب این اطلاعات محسوب میشود. برای استخراج پوشش و کاربری اراضی از این تصاویر، میتوان از تکنیکهای طبقهبندی تصاویر بهره برد. با توجه به پتانسیل ...
بیشتر
پیشینه و اهداف: امروزه با توجه به استفاده روز افزون از اطلاعات پوشش و کاربری اراضی در کاربردهای مختلف، کسب این اطلاعات امری ضروری میباشد. استفاده از تصاویر سنجش از دوری به عنوان راهکار اصلی کسب این اطلاعات محسوب میشود. برای استخراج پوشش و کاربری اراضی از این تصاویر، میتوان از تکنیکهای طبقهبندی تصاویر بهره برد. با توجه به پتانسیل بالای روشهای یادگیری عمیق در طبقه بندی تصاویر، این روشها میتوانند به طور موثری در طبقهبندی پوشش و کاربری اراضی استفاده شوند. با این حال، استفاده از این روشها همراه با چالشهایی نیز میباشد. یکی از مشکلات اصلی استفاده از روشهای یادگیری عمیق، بیش برازش مدل میباشد. از دیگر معضلات اصلی این روشها میتوان به نیازمند بودن این روشها به تعداد بسیار زیاد داده در مرحله آموزش اشاره نمود. همچنین ناپدید شدن و انفجار گرادیان و انتخاب معماری مناسب از دیگر مشکلات و چالشهای این روشها برای استخراج پوشش و کاربری اراضی از تصاویر سنجش از دور میباشند .روشها: هدف اصلی این پژوهش استفاده از تکنیکهای مختلف برای رفع این چالشها و رسیدن به دقتهای بالا در انجام طبقهبندی پوشش و کاربری اراضی میباشد. برای مرتفع نمودن چالش بیش برازش مدل، از تکنیکهای حذف تصادفی و توقف زودهنگام استفاده شد تا دقت در دادههای آموزشی و تست نزدیک به یکدیگر باشند. استفاده از روش داده افزایی میتواند کمبود دادههای آموزشی را برطرف نماید و از بیش برازش مدل نیز جلوگیری کند. به همین علت از این روش برای افزایش داده های آموزشی مدل استفاده شد. تکنیک برش گرادیان نیز در این پژوهش استفاده شد تا از انفجار و ناپدید شدن گرادیان در مدلهای یادگیری عمیق جلوگیری کند. معماری استفاده شده در این پژوهش برای طبقه بندی مجموعه داده EuroSat، مدل ResNet18 بوده است.یافتهها: در ابتدا از این معماری به همراه تکنیک توقف زودهنگام برای انجام طبقه بندی استفاده شد و مدل به دقت کلی 19/91 درصد و ضریب کاپای 9018/0 رسید. سپس به همین مدل تکنیک داده افزایی اضافه شد و مدل به دقت کلی 78/91 درصد و ضریب کاپای 9085/0 دست یافت که نشان میدهد نسبت به مرحله قبلی دقتهای بهتری حاصل شده است. در مرحله آخر تکنیک حذف تصادفی با نرخ 5/0، برش گرادیان با حدآستانه 1/0 نیز به مدل قبلی اضافه شد و مدل به دقت کلی 11/93 درصد و ضریب کاپای 9233/0 رسید که نسبت به دو مرحله قبلی به دقت های بهتری رسیده است.نتیجهگیری: این نتایج نشان میدهد که دقت طبقهبندی پوشش و کاربری اراضی مجموعه داده EuroSat در مرحله آخر نسبت به مراحل قبلی به دقت بهتری دست یافته است.
سنجش از دور
مجید حیدری قولانلو؛ رضا جوانمرد علی تپه؛ عبادت قنبری پرمهر
چکیده
پیشینه و اهداف: با پیشرفت تکنولوژی و پیدایش ماهوارههای چندمنظوره، اطلاعات لحظهای زیادی از سطح زمین مخابره میشود. ماهواره ها به سنجنده هایی مجهز هستند که می توانند با ارسال سیگنالهایی در فرکانسهای مختلف به سطح زمین به اطلاعات مهمی دست یابند. دادههای دریافتی از این ماهوارهها در کاربردهای مختلف علمی و نظامی از جمله: هوانوردی، ...
بیشتر
پیشینه و اهداف: با پیشرفت تکنولوژی و پیدایش ماهوارههای چندمنظوره، اطلاعات لحظهای زیادی از سطح زمین مخابره میشود. ماهواره ها به سنجنده هایی مجهز هستند که می توانند با ارسال سیگنالهایی در فرکانسهای مختلف به سطح زمین به اطلاعات مهمی دست یابند. دادههای دریافتی از این ماهوارهها در کاربردهای مختلف علمی و نظامی از جمله: هوانوردی، مطالعات جغرافیایی، هواشناسی، کشاورزی و دیگر حوزههای تحقیقاتی قابل استفاده است. حوزهی کشاورزی و پایش سطوح کشت نیز یکی از حوزههایی است که با توجه به مزیتهای روشهای سنجشازدور در مقایسه با روشهای سنتی، بهعنوان یکی از ابزارهای اصلی در جمعآوری اطلاعات محیطی برای کاربردهای پایش نواحی، مورد توجه پژوهشگران قرار گرفته است. یکی از این موضوعات، پایش منطقهای برای بررسی محصولات کشاورزی در مساحت سطح زیرکشت است که استفاده از ابزارهای سنجشازدور و تصاویر ماهوارهای به جهت پوشش منطقهای وسیع بسیار کارا است. جهت بررسی خودکار این تصاویر، طبقهبندی و بخشبندی نواحی سطح زیرکشت، امروزه از روشهای یادگیری ماشین استفاده میشود. در میان این روشها، یادگیری عمیق در مقایسه با دیگر روشهای یادگیری مانند روشهای دستی و یا روشهای نیمهخودکار، عملکرد بهتر و سرعت بالاتری دارد.روشها: در این مقاله مدلهای یادگیری عمیق که برای بخشبندی نواحی مناسب هستند مورد استفاده قرار گرفته است. عموما این مدلها بازای هر ورودی، خروجی معادل آن را با همان ابعاد تولید می کنند. لذا جهت کار بر روی تصاویر ماهوارهای، در این پژوهش مدل U-Net بهبود یافتهای ارائه شده است. مدل پیشنهادی با استفاده از ViT در گلوگاه مدل برای طبقهبندی و بخشبندی چهار نوع محصول کشاورزی شامل برنج، گندم، کلزا و ذرت توسعه داده شده است. استفاده از ViT در مقایسه با لایههای کانولوشن از لحاظ ایده و پیادهسازی الگوریتمی کاراتر است و حجم محاسباتی کمتری دارد. این مدل مشکلات و نقاط ضعف مدل پایه U-Net را که برای مجموعه دادههای پیچیده، متنوع در شکل، اندازه و بافت به وجود میآید، برطرف مینماید.یافتهها: در نتایج آزمایشات انجام شده روش پیشنهادی توانسته است با رسیدن به دقت 83.84 و صحت 70.69، بهتر از دیگر روشها دستهبندی درستی از 5 محصول مورد نظر را ارائه دهد. همچنین خروجیهای کیفی نیز نشاندهندهی بخشبندی بهتر تصاویر ورودی با اعمال روش پیشنهادی میباشد. در کنار معیار دقت، دیگر معیارها مانند افت کانونی، بازیابی و MIoU نیز مورد بررسی قرار گرفت که در اکثر موارد روش پیشنهادی به مقدار قابل قبولی رسیده است. لازم به ذکر است که با توجه به اینکه منطقه ی مورد نظر در ایران در نظر گرفته شد، جمع آوری و برچسب گذاری داده ها نیز در این پژوهش انجام شده است که میتواند بعنوان مجموعه داده ی مناسبی برای آموزش دیگر مدلها استفاده شود.نتیجهگیری: این تحقیق یک مدل سرتاسری برای یادگیری ویژگیهای مرتبط با بخش بندی تصاویر ماهوارهای ارائه داده است. نتایج این تحقیق نشان میدهد که روش ارائه شده میتواند برای بخش بندی تصاویر ماهواره ای دریافتی از سنتینل-2 برای محصولات مورد نظر مورد استفاده قرار گیرد. لذا نتایج حاصل می تواند در مدیریت مصرف آب، تنظیم ساختار کاشت، تخمین تلفات و ارزیابی عملکردهای زراعی نقش مهمی را ایفا نماید. با بهرهگیری از این روشها، میتوان به بهبود کارایی و دقت در مدیریت کشاورزی دست یافت و از منابع این حوزه بهینهتراستفاده کرد.
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.
سنجش از دور
امیرحسین غلامیان؛ فاطمه طبیب محمودی
چکیده
پیشینه و اهداف: جادهها به عنوان عناصر حیاتی و اساسی در توسعه و پیشرفت شهرها شناخته میشوند، زیرا نقش بسیار مهمی در ارتباطات و حمل و نقل دارند و نمایانگر میزان توسعه و رشد شهری میباشند. به منظور افزایش دقت و کارایی در تشخیص و طبقهبندی جادهها، محققان به طراحی و استفاده از روشهای خودکار مبتنی بر پردازش تصویر و یادگیری عمیق پرداختهاند. ...
بیشتر
پیشینه و اهداف: جادهها به عنوان عناصر حیاتی و اساسی در توسعه و پیشرفت شهرها شناخته میشوند، زیرا نقش بسیار مهمی در ارتباطات و حمل و نقل دارند و نمایانگر میزان توسعه و رشد شهری میباشند. به منظور افزایش دقت و کارایی در تشخیص و طبقهبندی جادهها، محققان به طراحی و استفاده از روشهای خودکار مبتنی بر پردازش تصویر و یادگیری عمیق پرداختهاند. این رویکردها، به دلیل قابلیتهای برترشان در تشخیص الگوها و ویژگیهای پیچیده تصاویر، به طور موثری جایگزین روشهای سنتی شدهاند و بهبود چشمگیری در دقت و سرعت تشخیص جادهها ایجاد کردهاند.روشها: در این تحقیق از یک مدل بهبودیافته رمزگذار-رمزگشای UNet3+ برای تشخیص جاده از تصاویر سنجش از دور استفاده شده است. در این مدل پیشنهادی از ماژول های تجمیع هرمی، توجه مکانی و توجه کانال برای بهبود نتایج تشخیصی استفاده شده است. ماژول توجه مکانی در معماری شبکه پیشنهادی برای بهبود تمرکز شبکه بر روی مکانهای مهم در نقشههای ویژگی استفاده میشود. ماژول توجه کانال نیز به شبکه اجازه می دهد تا روی اطلاعات مهم تمرکز بیشتری داشته باشد و در کارهایی مانند تشخیص ویژگی و طبقه بندی بهتر عمل کند. ماژول تجمیع هرمی برای دریافت اطلاعات چند مقیاسی طراحی شده است. این ماژول به شبکه کمک میکند تا مقیاسهای مکانی مختلف را با اعمال میانگینگیری در سطوح مختلف و سپس تغییر اندازه ویژگیهای متوسط به اندازه نقشه ویژگی اصلی، درک کند.یافتهها: ارزیابی قابلیت اجرایی شبکه پیشنهادی در تشخیص جاده های فرعی در مناطقی که تراکم مسکونی کمتری دارند و دارای پوشش خاکی و گیاهی هستند، نشان دهنده برتری این شبکه نسبت به نسخه اصلی UNet3+ است. شبکه بهبود یافته پیشنهادی در این مقاله توانست جاده ها را با دقت بیشتری تشخیص دهد. این امر نشان دهنده قدرت شبکه در تشخیص جاده ها در شرایطی است که تداخلات محیطی کمتری وجود دارد. نتایج کمی بهدستآمده از این شبکه نمایانگر این واقعیت است که استفاده از ماژولهای توجه مکانی و کانال و ماژول تجمیع هرمی توانسته است معیارهای دقت، بازخوانی، امتیاز F1 و IOU را به ترتیب 6، 15.6، 8.3 و 17.4 نسبت به نسخه اصلی شبکه UNet3+ افزایش دهد.نتیجهگیری: چالشهای مطرح در تشخیص خودکار جاده ها از تصاویر سنجش از دور اعم از تاثیر سایه و انسداد جاده با ساختمانها و پوشش گیاهی و شباهت جاده با پسزمینه میتواند منجر به کاهش دقت تشخیص جاده ها از تصاویر سنجش از دور گردد. استفاده از قابلیت های معماری رمزگذار-رمزگشای بهبودیافته UNet3+ در این تحقیق توانست بخشی از این چالش ها را کاهش داده و دقت نتایج تشخیص جاده های فرعی در مناطق دارای زمینه خاکی و پوشش گیاهی را افزایش دهد.
سنجش از دور
حمیدرضا بابایی فرد؛ سعید صادقیان
چکیده
پیشینه و اهداف: این تحقیق، به دنبال ارائه رویکردی نوین برای بازیابی پارامترهای خاک از ترکیب دادههای ماهوارهای سنتینل-1 و مدل OH است. این اطلاعات، میتواند به بهبود مدیریت زمین و افزایش بهرهوری کشاورزی کمک کند. تعیین دقیق پارامترهای خاک، مانند زبری و رطوبت، برای مدیریت کارآمد زمین کشاورزی و تصمیمگیری اهمیت قابل توجهی دارد. روشهای ...
بیشتر
پیشینه و اهداف: این تحقیق، به دنبال ارائه رویکردی نوین برای بازیابی پارامترهای خاک از ترکیب دادههای ماهوارهای سنتینل-1 و مدل OH است. این اطلاعات، میتواند به بهبود مدیریت زمین و افزایش بهرهوری کشاورزی کمک کند. تعیین دقیق پارامترهای خاک، مانند زبری و رطوبت، برای مدیریت کارآمد زمین کشاورزی و تصمیمگیری اهمیت قابل توجهی دارد. روشهای زمینی مرسوم برای دستیابی به این پارامترها از نظر پوشش مکانی، محدود و اغلب زمانبر و پرهزینه هستند. در مقابل، تکنیکهای سنجش از دور، بهویژه آنهایی که از دادههای ماهوارهای SAR استفاده میکنند، پتانسیل راهحل مؤثرتر و جامعتری را برای پایش شرایط خاک در مناطق وسیع ارائه میدهند. در این تحقیق، سه سؤال اصلی مورد توجه قرار گرفته است که بر تعیین پارامترهای زبری و رطوبت خاک، اهمیت آنها برای کشاورزی و تأثیر آنها بر خاک تمرکز دارد. همچنین، بر پتانسیل تکنیکهای سنجش از دور، به ویژه، کسب دادههای ماهوارهای، برای ارائه راهکارهای موثر و جامع برای نظارت بر شرایط خاک در مناطق گسترده تأکید دارد. زبری و رطوبت خاک اهمیت بسیاری برای کشاورزی دارند و میتوانند تأثیرات زیادی بر رشد محصولات داشته باشند.روشها: این پژوهش، به بررسی و تحلیل پارامترهای رطوبت و زبری خاک یکی از اراضی کشاورزی شهرستان نظرآباد پرداخته است. این فرآیند شامل جمعآوری دادهها، پیشپردازش، کالیبراسیون و اعتبارسنجی دادههای رادار است. دادههای راداری این تحقیق از ماهواره Sentinel-1 بهدست آمده است. استفاده از دادههای راداری از این ماهواره برای نظارت شبانهروزی بر زمینهای کشاورزی و تحقیق جامعی بر روی موضوع فوق بسیار ارزشمند است. دادههای ورودی، مورد پیشپردازش در نرمافزار اسنپ قرار گرفت بهطوریکه پیشپردازش شامل استفاده از فیلترها برای حذف نویز لکهها و اصلاحات هندسی بود. ورودیهای لازم برای حل معادلات مدل OH از تصاویر پلاریزه بهویژه HH و VV پس از انجام تنظیمات فوق با استفاده از نرمافزار اسنپ بهدست آمد. تجزیه و تحلیل آماری شامل استخراج اطلاعات حیاتی مانند Sigma Naught (σ) و زاویه فرود (θ) برای هر پیکسل است که برای مدل OH بسیار مهم هستند. تصاویر پلاریزه، پس از تنظیمات، برای تجزیه و تحلیل بیشتر مورد استفاده قرار گرفتند. در مرحله بعد، معادلات نوشته شده برای هر پیکسل بهطور جداگانه در نرمافزار برنامهنویسی MATLAB حل شد و مقادیر ریشه میانگین ارتفاع مربع (s) برای بهدست آوردن زبری و ثابت دیالکتریک (ε)پارامتر مورد علاقه برای تخمین رطوبت خاک یعنی میزان رطوبت (mv) برای تمام پیکسلها بهدست آمد. در نهایت، ماتریسهای مربوط به این مقادیر به تصویر خروجی تبدیل شد و یک نقشه تولید شد که اطلاعات مربوط به رطوبت و زبری خاک را نمایش میدهد.یافتهها: با توجه به نتایج حاصل، نشان داده شده است که مقادیر ثابت دی الکتریک، زبری و رطوبت به پارامترهای اولیه حلکننده بسیار حساس میباشند. به ویژه، ثابت دی الکتریک دارای حساسیت قابل توجهی است که ممکن است با بهبود روش حل، این حساسیت کاهش یابد. تحلیل نمایه زبری نشان میدهد که ارتفاع rms در مناطق مختلف متفاوت است و با افزایش زبری، پراکندگی افزایش مییابد. همچنین، تحلیل محتوای رطوبت نشان میدهد که رطوبت در سراسر منطقه نسبتاً یکنواخت است.نتیجهگیری: این مطالعه، نشان میدهد که استفاده از دادههای ماهواره Sentinel-1 و بهرهگیری از مدلOH، منجر به بهبود قابل توجهی در دسترسی به اطلاعات قابل اعتماد جهت بهبود مدیریت زراعت میشود. این روش توانایی تجزیه و تحلیل نوسانات مکانی و زمانی در زبری و رطوبت خاک را داراست و اطلاعات حیاتی جهت بهینهسازی روشهای کشاورزی را فراهم میسازد. اصلاح شرایط خاک، بهطور قابلتوجهی به نظارت دقیقتر بر شرایط خاک و بهرهوری بهتر در حوزه کشاورزی منجر میشود و این رویکرد امکان نظارت دقیقتر بر شرایط خاک و بهرهوری بهتر در زمینه کشاورزی را فراهم میکند. این بررسیها، میتواند اطلاعات ارزشمندی را برای مدیریت زمین کشاورزی و فرآیندهای تصمیمگیری فراهم کرده و به افزایش بهرهوری و حفاظت از محیط زیست کمک کند.
فناوری ماهواره
مجتبی ابوالقاسمی
چکیده
پیشینه و اهداف: زمین دارای یک اکوسیستم پیچیده است که تحت تأثیر فرآیندهای طبیعی و فعالیتهای انسانی قرار دارد و درک این فرآیندها یک ضرورت واقعی است. تغییرات محیطی از تغییرات اقلیمی تا کاهش منابع طبیعی، بر زندگی بشر، اقتصادها و رفاه نسلهای آینده تأثیر میگذارد. بنابراین، نیاز به رصد جامع زمین هرگز تا این اندازه حیاتی نبوده است. ...
بیشتر
پیشینه و اهداف: زمین دارای یک اکوسیستم پیچیده است که تحت تأثیر فرآیندهای طبیعی و فعالیتهای انسانی قرار دارد و درک این فرآیندها یک ضرورت واقعی است. تغییرات محیطی از تغییرات اقلیمی تا کاهش منابع طبیعی، بر زندگی بشر، اقتصادها و رفاه نسلهای آینده تأثیر میگذارد. بنابراین، نیاز به رصد جامع زمین هرگز تا این اندازه حیاتی نبوده است. برای توجه به این ضرورت، برنامه کوپرنیکوس در اوایل دهه 2000 توسط سازمان فضایی اروپا ایجاد شد. هدف این برنامه، ایجاد یک سامانه عملیاتی برای نظارت بر زمین با دسترسی رایگان و آزاد به دادههای ماهوارهای با کیفیت بالا بود. ماهوارهای سنتینل، بعنوان هسته اصلی برنامه کوپرنیکوس، یکی از نمادهای پیشرفت بشریت در رصد زمین و پایش محیط زیست است. این مقاله به بررسی ماهوارهای سنتینل میپردازد و اهمیت، اصول اولیه و ویژگیهای منحصر به فرد هر یک از ماهوارههای سنتینل را نشان میدهد. ماهوارههای سنتینل نسبت به ماهوارههای نسل قبل از خود، به عنوان پلتفرمهای عملیاتی منحصر به فرد محسوب میشوند.روشها: در این مقاله چارچوب اصلی برنامه کوپرنیکوس، مانند دسترسی آزاد به دادههای ماهوارهای، پوشش جهانی، پایداری عملیاتی، حسگرهای متنوع و چارچوب همکاری جهانی که کمک شایانی به پژوهشگران، سیاست گذاران و سایر بهره برداران دادههای ماهوارهای کرده، مورد ارزیابی قرار گرفته است. مجموعه ماهوارهای سنتینل شامل ماهوارههای متعددی است که تصاویری در محدودههای طیفی مختلف، با پوشش جهانی و زمان دید مجددهای مختلف از زمین اخذ میکنند. این ماهوارهها پایداری عملیاتی دارند و نسلهای جدیدی از ماهوارهها برای جایگزینی ماهوارههای قدیمیتر توسعه مییابند و به فضا پرتاب میشوند. هر ماهواره با حسگرهای خاص منطبق بر اهداف مأموریتی خود تجهیز شده است و این امکان را فراهم میکند که پایش خشکیها، اقیانوسها و جو کره زمین با بهترین ابزارهای ممکن از فضا صورت پذیرد.یافتهها: ماهواره سنتینل-1 که به حسگر راداری مجهز شده است میتواند در باند فرکانسی C و توانهای مکانی مختلف از 5 تا 40 متر تصویربرداری کند. همچنین، این ماهواره قادر است در هر شرایط آب و هوایی و در هر ساعت از شبانه و روز تصویربرداری میکند که برای بسیاری از کاربردها ارزشمند است. دقت دادههای سنتینل-1 در پایش تغییرات شکل سطح زمین، مدیریت بحران، مشاهدات یخهای قطبی و پایش اقیانوسها بسیار بالاست. این نقش حیاتی در آشکارسازی و پایش فرونشست زمین در مناطق شهری موجب میشود که در برنامهریزی شهری و کمک به پیشگیری از بحران تاثیرگذار باشد. از سوی دیگر، ماهواره سنتینل-2 با حسگر چندطیفی، ابزار قدرتمندی برای مشاهدات زمین ارائه میدهد. با ثبت دادهها در یک محدوده طیفی گسترده در 13 باند طیفی از مرئی تا مادون قرمز موج کوتاه، این ماهواره توانسته است درک ما از ویژگیهای سطح زمین را عمیق تر کند. زمان دید مجدد این ماهواره امکان پایش محصولات زراعی و ارزیابی سلامت پوششهای گیاهی را فراهم کرده است. همچنین، توان تفکیک مکانی تصاویر ماهواره سنتینل-2 در برنامهریزی شهری، پایش سلامت درختان و پایش سوانح طبیعی از جمله مانند آتشسوزی و سیل عامل مؤثری است. علاوه بر این، عرض گذر بالای این ماهواره به پوشش کارآمد مناطق وسیع کمک میکند و بهرهوری آن در پایش محیط زیست را افزایش میدهد .نتیجهگیری: برنامه کوپرنیکوس به چندین اصل کلیدی مشخص شناخته میشود که موفقیت آنها را تضمین کرده است. این اصول شامل دسترسی آزاد به دادهها، پوشش جهانی، پیوستگی عملیاتی، حسگرهای متنوع و چارچوب همکاری جهانی است. اصل دسترسی آزاد این اطمینان را به عموم کاربران اعم از پژوهشگران، سیاستگذاران و شرکتهای تجاری داده است که یک جریان پیوسته از تصاویر ماهوارهای پشتیبان فعالیتهای آنها خواهد بود. برنامه کوپرنیکوس با منظومهای از ماهوارهها پوشش جهانی با زمان دید مجدد مطلوب را تضمین میکند. پیوستگی عملیاتی این برنامه موجب شده است تا نسلهای جدید از ماهوارهها برای جایگزینی نسلهای قدیمی توسعه داده و پرتاب شوند، تا جریان مستمر دادهها به طور مداوم تضمین شود. هر ماهواره سنتینل با حسگرهای خاصی که به منظور اهداف مأموریتی خود طراحی شده، تجهیز شده است و این امکان را فراهم میکند که زمین، اقیانوسها، جو و موارد دیگر را نظارت کند. باتوجه به ویژگیهای برنامه کوپرنیکوس، ماهوارههای سنتینل دورهای جدید از مشاهدات زمین را آغاز کردهاند و یک ابزار قدرتمند و چندمنظوره برای پایش و درک اکوسیستم کرهزمین فراهم آوردهاند.
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.
سنجش از دور
سمیه بیات؛ فاطمه طبیب محمودی
چکیده
پیشینه و اهداف: همزمان با توسعهی شهرنشینی، افزایش جمعیت ساکن در شهرها و به تبع آن رشد و گسترش شهری، پوشش زیست محیطی و طبیعی نواحی پیرامون کلانشهرهایی نظیر تهران، دستخوش تغییراتی گردید تا به واسطهی آن برای سکونت سرریز جمعیت شهری، آماده گردد. اینگونه تغییرات در پوشش طبیعی اراضی، نه تنها تعادل گرمایی را بر هم میزند، بلکه تأثیرات ...
بیشتر
پیشینه و اهداف: همزمان با توسعهی شهرنشینی، افزایش جمعیت ساکن در شهرها و به تبع آن رشد و گسترش شهری، پوشش زیست محیطی و طبیعی نواحی پیرامون کلانشهرهایی نظیر تهران، دستخوش تغییراتی گردید تا به واسطهی آن برای سکونت سرریز جمعیت شهری، آماده گردد. اینگونه تغییرات در پوشش طبیعی اراضی، نه تنها تعادل گرمایی را بر هم میزند، بلکه تأثیرات منفی بر چشمانداز، بهره وری انرژی، سلامت و کیفیت زندگی انسان نیز دارد. بنابراین، آگاهی از روند تغییرات پوشش و کاربری اراضی خصوصاٌ در محدودهی کلانشهرها، طی دوره های زمانی بلندمدت برای برنامه ریزان و مدیران شهری، به منظور ارزیابی و پیشبینی مشکلات ناشی از این تغییرات، حائز اهمیت است. داده های سنجش از دور چندزمانه یکی از ابزارهای قدرتمند برای تشخیص تغییرات کاربری و پوشش زمین به دلیل رشد روزافزون شهری و به روزرسانی مدلهای سه بعدی شهر است.روشها: در این تحقیق، از تصاویر ماهواره ای لندست 7 و لندست 8 در دو بازهی زمانی با فاصله 17 سال، بین سالهای 1381 تا 1398 به منظور بررسی تغییرات پوشش و کاربری اراضی در منطقهی پردیس استفاده شده است. پس از اعمال پردازش های اولیه بر روی تصاویر و انجام قطعهبندی، سه کلاس عارضهی سازههای مسکونی، پوشش گیاهی و خاک به روش شیء مبنا، تشخیص داده شدند. سپس، تغییرات صورت گرفته در هر کلاس عارضه به روش پس طبقهبندی، تخمین زده شد. به منظور آشکارسازی تغییرات در این تحقیق، ضمن مقایسه و تفاضل کلاس های عارضه تشخیص داده شده در نقشه های طبقه بندی، نتایج آشکارسازی تغییرات محیط از جمله، تعیین میزان افزایش ساخت و سازها، تغییرات مساحت زمینهای خاکی و پوشش گیاهی بهدست میآید.یافتهها: نقشهی تغییرات کاربری/ پوشش اراضی تولید شده بین سالهای 1381 تا 1398 نشان داد که ساخت و سازها در منطقهی پردیس، به سرعت در حال افزایش است و این امر، اثرات جدی بر محیط زیست دارد. با توجه به نتایج تشخیص تغییر پس طبقهبندی بهدست آمده، کلاس عارضهی خاک حدود 17% کاهش و کلاس عارضهی سازهها حدود 184% افزایش یافته است. در منطقهی مورد مطالعه در این تحقیق، زمینهای کشاورزی نیز عمدتاً نابود و به جای آنها سازهها و ساختمانها، بنا شدهاند. افزایش تقریبی 104درصدی پوشش گیاهی این منطقه، به دلیل کاشت درختان و ایجاد فضای سبز در اطراف نواحی مسکونی میباشد. برای ارزیابی نتایج آشکارسازی تغییرات در این تحقیق، از ارزیابی نقشه های طبقه بندی استفاده شد. در این راستا، مقادیر صحت کلی و ضریب کاپای نقشهی طبقهبندی پوشش/ کاربری اراضی سال 1381 به ترتیب 41/98% و 86/0 و برای سال 1398 به ترتیب 01/97% و 87/0 بهدست آمده است. استفاده از قابلیتهای روش آنالیز شئ مبنا در این تحقیق، در کنار دقت مکانی 15 متری تصاویر لندست، موجب شد که نقشههای طبقهبندی دقت قابل قبولی داشته باشند.نتیجهگیری: با توجه به اینکه ساخت و ساز با تغییر اکوسیستم همراه است، ساخت واحدهای مسکن مهر پردیس نیز در مناطقی منجر به تخریب محیط زیست کوهستانی و در مناطقی نیز منجر به از دست رفتن پوشش گیاهی شده است. بر این اساس، رشد 184 درصدی ساخت و سازها بدون در نظر گرفتن زیرساختهای مناسب و رعایت نکردن استانداردهای زیست محیطی، مشکلات فراوانی را برای منطقهی پردیس ایجاد کرده است. استفاده از پیشرفتهای مطرح در فناوریهای برداشت دادههای سنجش از دور در قالب ادغام دادهها و همچنین، استفاده از روشهای نوین پردازش تصاویر و تشخیص الگو نظیر یادگیری عمیق، میتواند به عنوان راه حل مناسبی برای کنترل نرخ ساخت و ساز و تغییرات محیطی در نظر گرفته شود.
سنجش از دور
داریوش عباسی مقدم؛ علی محمدی
چکیده
پیشینه و اهداف: همزمان با توسعه شهرنشینی، افزایش جمعیت ساکن در شهرها و به تبع آن رشد و گسترش شهری، پوشش زیست محیطی و طبیعی نواحی پیرامون کلانشهرهایی نظیر تهران، دستخوش تغییراتی گردید تا به واسطه آن برای سکونت سرریز جمعیت شهری، آماده گردد. اینگونه تغییرات در پوشش طبیعی اراضی، نه تنها تعادل گرمایی را بر هم میزند، بلکه تأثیرات ...
بیشتر
پیشینه و اهداف: همزمان با توسعه شهرنشینی، افزایش جمعیت ساکن در شهرها و به تبع آن رشد و گسترش شهری، پوشش زیست محیطی و طبیعی نواحی پیرامون کلانشهرهایی نظیر تهران، دستخوش تغییراتی گردید تا به واسطه آن برای سکونت سرریز جمعیت شهری، آماده گردد. اینگونه تغییرات در پوشش طبیعی اراضی، نه تنها تعادل گرمایی را بر هم میزند، بلکه تأثیرات منفی بر چشمانداز، بهره وری انرژی، سلامت و کیفیت زندگی انسان نیز دارد. بنابراین، آگاهی از روند تغییرات پوشش و کاربری اراضی، خصوصاٌ در محدوده کلانشهرها، طی دورههای زمانی بلندمدت برای برنامهریزان و مدیران شهری، به منظور ارزیابی و پیشبینی مشکلات ناشی از این تغییرات، حائز اهمیت است. دادههای سنجش از دور چندزمانه، یکی از ابزارهای قدرتمند برای تشخیص تغییرات کاربری و پوشش زمین به دلیل رشد روزافزون شهری و به روزرسانی مدلهای سهبعدی شهر است.روشها: در این تحقیق، از تصاویر ماهوارهای لندست 7 و لندست 8 در دو بازه زمانی با فاصله 17 سال، بین سالهای 1381 تا 1398 به منظور بررسی تغییرات پوشش و کاربری اراضی در منطقه پردیس استفاده شده است. پس از اعمال پردازشهای اولیه بر روی تصاویر و انجام قطعهبندی، سه کلاس عارضه سازههای مسکونی، پوشش گیاهی و خاک به روش شیء مبنا، تشخیص داده شدند. سپس، تغییرات صورت گرفته در هر کلاس عارضه به روش پس طبقهبندی، تخمین زده شد. به منظور آشکارسازی تغییرات در این تحقیق، ضمن مقایسه و تفاضل کلاسهای عارضه تشخیص داده شده در نقشههای طبقهبندی، نتایج آشکارسازی تغییرات محیط از جمله، تعیین میزان افزایش ساخت و سازها، تغییرات مساحت زمینهای خاکی و پوشش گیاهی بهدست میآید.یافتهها: نقشه تغییرات کاربری/ پوشش اراضی تولید شده بین سالهای 1381 تا 1398 نشان داد که ساخت و سازها در منطقه پردیس، به سرعت در حال افزایش است و این امر، اثرات جدی بر محیط زیست دارد. با توجه به نتایج تشخیص تغییر پس طبقهبندی بهدست آمده، کلاس عارضه خاک حدود 17% کاهش و کلاس عارضه سازهها حدود 184% افزایش یافته است. در منطقه مورد مطالعه در این تحقیق، زمینهای کشاورزی نیز عمدتاً نابود و به جای آنها، سازهها و ساختمانها، بنا شدهاند. افزایش تقریبی 104درصدی پوشش گیاهی این منطقه، به دلیل کاشت درختان و ایجاد فضای سبز در اطراف نواحی مسکونی میباشد. برای ارزیابی نتایج آشکارسازی تغییرات در این تحقیق، از ارزیابی نقشههای طبقهبندی استفاده شد. در این راستا، مقادیر صحت کلی و ضریب کاپای نقشه طبقهبندی پوشش/ کاربری اراضی سال 1381 به ترتیب 41/98% و 86/0 و برای سال 1398 به ترتیب 01/97% و 87/0 بهدست آمده است. استفاده از قابلیتهای روش آنالیز شئ مبنا در این تحقیق، در کنار دقت مکانی 15 متری تصاویر لندست، موجب شد که نقشههای طبقهبندی، دقت قابل قبولی داشته باشند.نتیجهگیری: با توجه به اینکه ساخت و ساز با تغییر اکوسیستم همراه است، ساخت واحدهای مسکن مهر پردیس نیز در مناطقی منجر به تخریب محیط زیست کوهستانی و در مناطقی نیز، منجر به از دست رفتن پوشش گیاهی شده است. بر این اساس، رشد 184 درصدی ساخت و سازها بدون در نظر گرفتن زیرساختهای مناسب و رعایت نکردن استانداردهای زیست محیطی، مشکلات فراوانی را برای منطقه پردیس ایجاد کرده است. استفاده از پیشرفتهای مطرح در فناوریهای برداشت دادههای سنجش از دور در قالب ادغام دادهها و همچنین، استفاده از روشهای نوین پردازش تصاویر و تشخیص الگو نظیر یادگیری عمیق، میتواند به عنوان راه حل مناسبی برای کنترل نرخ ساخت و ساز و تغییرات محیطی در نظر گرفته شود.
فناوری ماهواره
امیررضا کوثری؛ محمدرضا سقامنش؛ علیرضا احمدی
چکیده
پیشینه و اهداف: در زمان حاضر صنعت طراحی و ساخت و پرتاب ماهواره از انحصار دولتها خارج شده و نمایندگان متعدد بخش خصوصی در سراسر دنیا در حال رقابت با یکدیگر برای تصاحب سهم بیشتر در این فضای کسب و کار پر رونق میباشند. گرایش از تک-ماهوارههای بزرگ، با دورة عمر عملکردی زیاد در مدارهای با ارتفاع بالا به سمت منظومههای پر تعداد متشکل از ...
بیشتر
پیشینه و اهداف: در زمان حاضر صنعت طراحی و ساخت و پرتاب ماهواره از انحصار دولتها خارج شده و نمایندگان متعدد بخش خصوصی در سراسر دنیا در حال رقابت با یکدیگر برای تصاحب سهم بیشتر در این فضای کسب و کار پر رونق میباشند. گرایش از تک-ماهوارههای بزرگ، با دورة عمر عملکردی زیاد در مدارهای با ارتفاع بالا به سمت منظومههای پر تعداد متشکل از ماهوارههای کوچک با دورة عمر عملکردی کم و در مدارهای با ارتفاع پایین یکی از پیامدهای این تغییر است. امروزه صنایع فضایی به صورت فزایندهای تمایل به ساخت ماهواره در کلاس وزنی کوچک و هزینههای دورة عمر پایین دارند و پیشرفت فناوری در طراحی و ساخت هر یک از زیرسیستمهای ماهواره این روند را سرعت بخشیده و باعث شده ماهوارههای نسل جدید نه تنها از لحاظ سایز بلکه از لحاظ کارکرد نیز نسبت به ماهوارههای نسل قبل برتر باشند. یکی از نیازمندیهای طراحی، ساخت و پرتاب ماهوارههای ارزان قیمت به فضا، کاهش هزینههای دورة طراحی ماهواره میباشد. کاهش یا حذف سیکلهای متعدد در فرآیند طراحی و جایگزین کردن روشهای بهینهسازی سیکلیک با روشهای مستقیم میتواند در بهبود این روند مؤثر باشد.روشها: تکنیکهای سایزینگ سریع که تا حد زیادی در صنایع هوایی شناخته شده هستند به طراحان کمک میکنند که بتوانند در مدت زمانی کوتاه طرحی نزدیک به محصول نهایی ارائه نمایند. در این تحقیق ما روشی مشابه را برای VHR PS-AEOSs پیشنهاد میکنیم که به طراحان کمک میکند از تمامی انواع مرزبندیهای داخل فضای طراحی آگاهی یابند. مشابه آنچه که در طراحی هواپیما وجود دارد، در اینجا هدف نهایی، ایجاد یک فضای دو بعدی است که بتواند توصیفی از تمامی مراحل مأموریت را با استفاده از پارامترهای کلیدی پیکربندی ماهواره ارائه نماید. این ابزار طراحی فازهای بحرانی مأموریت به همراه فاکتورهای مربوط به فناوریهای کلیدی در هر یک را نمایش میدهد. در این روش، طراح قادر خواهد بود به سرعت در خصوص موانع فناورانهای که ممکن است در فازهای تحقیق، توسعه، تست و ارزیابی (RDT&E) طرح تأثیرگزار باشد تصمیمگیری نماید و/یا حتی نسبت به اعمال تغییراتی در مأموریت ماهواره با ذینفعان وارد مذاکره شود. از آنجا که معمولاً هزینههای دورة عمر ماهواره تحت تأثیر تصمیماتی هستند که در فازهای RDT&E گرفته میشوند بنابراین انتظار میرود این ابزار طراحی نقشی اساسی در پایین نگاه داشتن کل هزینههای دورة عمر ایفا نماید. اینگونه تکنیکهای سایزینگ سریع امکان بررسیهای مصالحهای بیشتری را در اختیار طراحان قرار میدهند.یافتهها: این تحقیق بر دو محور اصلی متمرکز بوده است: (1) امکان ایجاد یک فضای طراحی با ویژگیهای بالا برای سایزینگ سریع ماهواره، (2) مشخصات پارامتریک این فضای طراحی و شناسایی پارامترهای تأثیرگزار که این فضای طراحی را تشکیل میدهند. به عنوان مطالعة موردی نیز یک VHR PS-AEOS عملیاتی مورد بحث و بررسی قرار گرفته و با استفاده از ابزار ایجاد شده، سایز گردیده است.نتیجهگیری: حداکثر جرم VHR-PS-AEOS تا حد زیادی تحت تأثیر پیکربندی کلی آن میباشد و حداقل جرم آن نیز تحت تأثیر نرخ افت ارتفاع مداری در طی دورة عمر عملکردی ماهواره است. ابعاد محموله و جانمایی محموله در داخل سازه به منظور تأمین چابکی مورد نیاز، الزامات بحرانی برای تعیین ابعاد کلی ماهواره و در نتیجه سطح و حجم آن میباشند.
