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.
سنجش از دور
امیررضا قندیان؛ نیکروز مستوفی؛ عباس مجیدی زاده؛ حمید مطیعیان
چکیده
پیشینه و اهداف: امروزه، توسعه شهرنشینی و افزایش جمعیت شهری، بیش از گذشته باعث گرم‌شدن هوا و ایجاد جزایر حرارتی شهری شده است. جزایر حرارتی شهری، پدیدهای ناشی از آثار شهرنشینی است که به واسطه آن، درجه حرارت در محیط شهری از مناطق حومهای بالاتر میرود. این پدیده، به سبب افزایش دما جوی و محیطی میتواند صدمات جبران ناپذیری از قبیل ...
بیشتر
پیشینه و اهداف: امروزه، توسعه شهرنشینی و افزایش جمعیت شهری، بیش از گذشته باعث گرم‌شدن هوا و ایجاد جزایر حرارتی شهری شده است. جزایر حرارتی شهری، پدیدهای ناشی از آثار شهرنشینی است که به واسطه آن، درجه حرارت در محیط شهری از مناطق حومهای بالاتر میرود. این پدیده، به سبب افزایش دما جوی و محیطی میتواند صدمات جبران ناپذیری از قبیل آلودگیهای زیستی، انتشار گازهای گلخانهای، بیماریهای ناشی از گرما و تأثیر در کیفیت آب را برای جوامع و محیط زیست به بار آورد. این پژوهش، به‌منظور کاهش دما و تلاش برای از بین‌بردن پدیده جزیره حرارتی، رویکرد مؤثر و کارآمدی را به‌کمک علم سنجش از دور و الگوریتمهای بهینهسازی براساس جایگزینی پوشش بام‌های یک منطقه با پوششهای با جذب گرمای کمتر پیشنهاد میکند. در این پژوهش، سعی بر آن است تا اثر جزیره حرارتی شهری را بر مبنای الگوریتمها و پارامترهای آماری تأثیرگذار بر دمای محیط که در تحقیقات گذشته کمتر مورد مطالعه قرار گرفتهاند، کاهش دهیم. همچنین، استفاده از روش بهینهسازی هوشمند در این زمینه میتواند باعث نوآوری و ایجاد نتایج بهتر و دقیقتری شود. مسیر جدیدی که این مطالعه بررسی میکند، تغییر پوشش سقف یک منطقه با پوششهای کاربردی دیگر است که باعث کاهش دمای هوا در آن منطقه میشود. پوشش‌هایی که جهت جایگزینی پوشش بام‌ها برای تعدیل و خنک‌سازی دمای منطقه مورد مطالعه در نظر گرفته شدند، دو نوع پوشش خاک و گیاهی می‌باشند.روش‌ها: رویکرد پیشنهادی این پژوهش، استفاده از دو الگوریتم بهینهسازی ژنتیک و ازدحام ذرات است و پارامترهایی که تابع هدف این دو الگوریتم را تشکیل میدهند، دو پارامتر انحراف معیار دما و میانگین هزینه مالی تغییر پوشش سقف هر قطعه ساختمانی است. مجموعه داده تحقیق، تصاویر ماهوارهای لندست 8 از محله اندیشه شهر تهران است. در این تحقیق، از تصاویر ماهوارهای برای اهدافی همچون تهیه تصاویر رنگی، نگاشت شاخص‌های گیاهی و غیرگیاهی منطقه مورد مطالعه، محاسبه دمای سطح زمین و جزایر حرارتی شهری استفاده شده است.یافته‌ها: نتایج به‌دست آمده بیانگر این موضوع میباشد که هر دو الگوریتم بهینهسازی عملکرد خوبی را ارائه داده و پارامترهای مسأله را بهبود بخشیدهاند، اما الگوریتم بهینهسازی ژنتیک، نتیجه بهتری را در زمان و تکرار کمتری کسب کرده است. در مقایسه این دو الگوریتم، الگوریتم بهینهسازی ژنتیک انحراف معیار را 19 درصد کاهش داد و مقدار آن را به 42/0 رساند. از سوی دیگر، الگوریتم بهینهسازی ازدحام ذرات در مدت زمانی طولانیتر، انحراف معیار را 14 درصد کاهش داد و مقدار آن را به 44/0 رساند.نتیجهگیری: الگوریتم ژنتیک در بهینهسازی پوشش بام ساختمانها، نتایج بسیار خوبی را با هزینه کل 4678 و انحراف معیار 4177/0 کسب کرد. با تعداد 12100 بار ارزیابی تابع هدف به سرعت همگرا شد و هر دو پارامتر تابع هزینه را به میزان قابل توجهی کاهش داد (الگوریتم ژنتیک تا حد ممکن به بهترین جواب رسیده است). الگوریتم بهینهسازی ازدحام ذرات نیز با کسب هزینه کل 4965، انحراف معیار 4430/0 و با تعداد 20100 بار ارزیابی تابع هدف نتوانست جوابی به‌خوبی الگوریتم ژنتیک برسد. در خصوص مقایسه بین این دو الگوریتم، ژنتیک با کمتر از 3000 بار ارزیابی تابع هدف، توانست بهینه‌ترین جوابی را که الگوریتم ازدحام ذرات در 20100 بار ارزیابی به آن رسیده، تجربه کند. استفاده از الگوریتمهای فراابتکاری در بهینهسازی مسائل عملی، که امروزه در صنایع متنوع به دفعات با آنها مواجه می شویم، میتواند بسیار کارآمد باشد. نتایج این الگوریتمها، با وجود اختلافات در خروجی‌ها بسیار مناسب و رسیدن به چنین جواب‌هایی برای مسائل مختلف بدون استفاده از این‌گونه الگوریتمها غیرممکن خواهد بود. به عنوان کارهای آتی براساس آن‌چه که در این پژوهش حاصل شده، پیشنهاد میشود از سایر الگوریتمهای بهینهسازی و یا حتی الگوریتمهای قدرتمند مدل‌سازی همچون شبکههای عصبی مصنوعی استفاده شود. همچنین، می‌توان تغییر پوشش بام ساختمانها و استفاده از پوشش های جدیدتر را در تعدیل دما با اتخاذ پارامترهای جدید از تابع هزینه در الگوریتمهای بهینهسازی و یادگیری عمیق مورد بررسی قرار داد.
سنجش از دور
سید تاج الدین منصوری؛ اسماعیل ضرغامی
چکیده
پیشینه و اهداف: امروزه شهرنشینی در حال گسترش است و پیش‌بینی شده است که تا سال 2030 بیش از دو سوم جمعیت جهان در شهرها زندگی خواهند کرد. این جمعیت، برای زندگی کردن نیازمند فضاهایی مانند مسکونی، کسب‌وکار، گذران اوقات فراغت و غیره هستند. این امر، منجر به تغییرات محیط طبیعی برای ایجاد کاربری‌های گفته شده است. این تغییرات، پیامدهای گوناگونی ...
بیشتر
پیشینه و اهداف: امروزه شهرنشینی در حال گسترش است و پیش‌بینی شده است که تا سال 2030 بیش از دو سوم جمعیت جهان در شهرها زندگی خواهند کرد. این جمعیت، برای زندگی کردن نیازمند فضاهایی مانند مسکونی، کسب‌وکار، گذران اوقات فراغت و غیره هستند. این امر، منجر به تغییرات محیط طبیعی برای ایجاد کاربری‌های گفته شده است. این تغییرات، پیامدهای گوناگونی بر محیط زیست و زندگی انسان‌ها دارند که می‌توان به افزایش سطوح نفوذناپذیر در سطح شهر و کاهش فضای سبز اشاره نمود. بر این اساس، محیط شهر به‌علت تولید حرارت بیشتر ناشی از مصرف سوخت‌های فسیلی و همچنین، وجود سطوح نفوذناپذیر و ساختمان‌های بلند، بهعنوان جمع کننده حرارت عمل کرده و جزایر حرارتی را به‌وجود می‌آورد. علت اصلی تشکیل و تشدید جزایر حرارتی شهری، تغییر سطح زمین در اثر توسعه ناموزون شهر است. امروزه، بررسی دقیق و جامع جزایر حرارتی شهری که با رشد شهر در ارتباط است، مورد توجه مدیران شهری قرار گرفته است. علم سنجش از دور یکی از بهترین ابزارهای تشخیص این پدیده است. این مقاله، به بررسی تأثیر ساختار محیط شهری بر تغییرات حرارتی در شهر تهران می‌پردازد.روش‌ها: برای رسیدن به این هدف پژوهش برای مشخص کردن روند تغییرات دمایی در مناطق 22 گانه شهر تهران در بازه زمانی اول ژانویه 2013 تا اول ژانویه 2023، ابتدا کد نویسی در Google Earth Engine انجام شد. برای این کار، شیپ فایل شهر تهران تهیه گردید و پس از فراخوانی شیپ فایل در Google Earth Engine، تصاویر سنجش از دور ماهوارهMODIS 11A2 006 Terra استخراج گردید. این تصاویر، 460 عدد بودند که به‌وسیله کاهنده سامانه Google Earth Engine به تصاویری بسیار کمتر و با وضوح بیشتر، تبدیل گردیدند. سپس، با توجه به دادههای مورد نیاز و دریافتی از ماهوارهMODIS 11A2 006 Terra میانگین روند دمای سطح زمین در شب، روند تغییرات دمای سطح زمین، روند برش عرضی دمای سطح زمین و میانگین روند تغییرات دمای سطح زمین در شب برای مناطق 22 گانه شهر تهران در بازه زمانی اول ژانویه 2013 تا اول ژانویه 2023 مورد بررسی قرار گرفت.یافته‌ها: پس از اندازه‌گیری دادهها، مناطق 10، 11 و 12 در مرکز تهران، کمترین و مناطق 1، 3 و 4 در شمال شرق تهران و مناطق 21 و 22 در شمال غرب تهران بیشترین تغییرات حرارتی را در زمان، در نظر داشتند. دمای سطح زمین در مناطق 1، 3، 4، 21 و 22 با میانگین 6/288 کلوین، گرم‌ترین مناطق در شهر تهران بودند.نتیجهگیری: نتایج، نشان داد که جزایر حرارتی شهری ایجاد شده در شهر تهران بر اساس عواملی که باعث تغییرات دمایی می‌شوند، متفاوت هستند. این تفاوت در درجه اول به دلیل کاربری و پوشش اراضی در توسعه نامتناسب و نامتوازن شهر است و نشان دهنده رابطه نزدیک بین پوشش زمین و دمای سطح زمین میباشد. همچنین، مطالعه همبستگی بین پوشش زمین و دمای سطح زمین نشان داد که بین این دو پارامتر رابطه‌ای معکوس وجود دارد و بین تراکم جمعیت و دمای سطح زمین در برخی مناطق رابطه مستقیمی وجود ندارد. با توجه به ماهیت تحقیق، این پژوهش میتواند با برنامه‌ریزی صحیح برای استفاده بهتر و بیشتر از آب و فضای سبز در کاهش شدت و گسترش جزایر حرارتی شهری مؤثر باشد.
سنجش از دور
جلیل پیری؛ اسلام جوادنیا
چکیده
پیشینه و اهداف: یکی از خطرناک‌ترین رخداد‌های طبیعی، فرونشست سطح زمین است و اغلب به‌جهت سهل انگاری بشر در استخراج آب‌ها و معادن زیرزمینی و عوامل دیگر حادث میشود. این پدیده، به‌خصوص در مناطق حساس مانند خطوط ریلی، میتواند منجر به حوادث جبران ناپذیری شود. شکاف‌های ناشی از فرونشست در برخی از مسیر‌های ریلی همچون مسیر تهران- مشهد، ...
بیشتر
پیشینه و اهداف: یکی از خطرناک‌ترین رخداد‌های طبیعی، فرونشست سطح زمین است و اغلب به‌جهت سهل انگاری بشر در استخراج آب‌ها و معادن زیرزمینی و عوامل دیگر حادث میشود. این پدیده، به‌خصوص در مناطق حساس مانند خطوط ریلی، میتواند منجر به حوادث جبران ناپذیری شود. شکاف‌های ناشی از فرونشست در برخی از مسیر‌های ریلی همچون مسیر تهران- مشهد، تهران- ورامین، اصفهان به شیراز و ... تا نزدیکی این خطوط پیشروی داشته و تهدیدی برای این خطوط به‌شمار میآید. بنابراین، پایش فرونشست و بررسی تغییر شکل در بعد زمان و مکان به‌منظور مدیریت حادثه ضروری میباشد. برای رفتار سنجی تغییر شکل پدیده‌ها نیازمند بررسی سری زمانی آنی پدیده در منطقه مورد مطالعه هستیم. امروزه، تکنیک تداخل سنجی راداری (InSAR) به‌دلیل پیوستگی مکانی و زمانی یک تکنیک متداول برای اندازه‌گیری تغییر شکل پوسته زمین شده است.روش‌ها: در این تحقیق، نرخ فرونشست زمین در طول خطوط ریلی در شاخه‌های خروجی خط آهن تهران با استفاده از تکنیک تداخل سنجی راداری و با استفاده از تصاویر ماهواره سنتینل-1 در بازه زمانی 2017-2020 مورد بررسی قرار گرفته است. میزان جابه‌جایی سطح زمین از طریق پردازش 46 تصویر و ایجاد 158 تداخل نگار به کمک آنالیز سری زمانی و با استفاده از روش خط مبنای کوتاه (SBAS) به‌دست آمد. برای اعتبار سنجی و تفسیر نتایج پژوهش از دادههای شبکه ژئودینامیک کشور، شبکه شمیم سازمان ثبت اسناد و املاک، دادههای چاه‌های پیزومتری و همچنین مشخصات خاک گمانه‌های حفاری استفاده گردید.یافته‌ها: نتایج حاصل از تحلیل سری زمانی تداخل سنجی، نشان از وقوع فرونشست قابل ملاحظهای در مناطقی از محدوده مورد مطالعه دارد که بیشینه آن مربوط به مسیر‌های کرج-کردان و ملکی-آپرین با نرخ جابه‌جایی 139 میلی‌متر در سال در راستای خط دید ماهواره (LOS) میباشد. اعتبارسنجی نتایج به‌دست آمده با در نظر گرفتن خطاهای مربوط به هرکدام از روش‌ها نسبتاً خوب بود. همچنین ارتباط بین پدیده فرونشست و افت سطح آب زیرزمینی و نوع خاک منطقه به کمک دادههای 12 چاه پیزومتری دشت‌های تهران و کرج و اطلاعات گمانه‌های حفاری تعدادی از چاه‌های پیزومتری منطقه مورد بررسی قرار گرفت. نتایج کلی نشان دهنده این بود که علت اصلی نشست در منطقه، افت سطح آب‌های زیرزمینی میباشد.نتیجهگیری: به‌طورکلی، با بررسی رابطه افت سالانه آب و فرونشست و همچنین نوع، جنس و ضخامت خاک منطقه، مشخص گردید که علت اصلی نشست در منطقه، افت سطح آب‌های زیر زمینی در مناطق با ضخامت بالای رسوبات ریز دانه میباشد. رویکرد پیشنهادی در این تحقیق نشان داد که به‌منظور پایش فرونشست در امتداد تأسیسات خطی از قیبل خطوط راه آهن، به‌کارگیری تکنیک InSAR میتواند در ارزیابی های اولیه و به دنبال آن، استفاده از روشهای دقیقتر در مناطق درگیر فرونشست، مؤثر واقع گردد. به‌دلیل قدرت تفکیک نسبتاً پایین سنتینل-1، پیشنهاد میشود در کاربردهای مرتبط با ساختارهای خطی از قبیل جاده یا راه آهن از تصاویر با اندازه پیکسل کوچک‌تر استفاده گردد. علاوه بر این، برای ارزیابی و شناسایی دقیقتر مناطق تحت فرونشست می توان از ترازیابی دقیق نیز بهره برد.
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.
سنجش از دور
شیلان فعله گری؛ کامران مروج؛ علیرضا شریفی؛ احمد گلچین؛ پرویز کرمی
چکیده
پیشینه و اهداف: هر کشوری به خاک بهعنوان یک منبع طبیعی حیاتی، متکی است که به‌طور قابل توجهی در حفظ محیط زیست و تولید مواد غذایی کمک میکند. تهیه نقشه توزیع عناصر غذایی خاک بهعنوان یک ابزار ارزشمند برای تصمیم‌گیری مدیران عمل میکند. با توجه به ماهیت زمان‌بر و پرهزینه آنالیز آزمایشگاهی برای این متغیرها در مقیاس بزرگ، تلاش‌هایی ...
بیشتر
پیشینه و اهداف: هر کشوری به خاک بهعنوان یک منبع طبیعی حیاتی، متکی است که به‌طور قابل توجهی در حفظ محیط زیست و تولید مواد غذایی کمک میکند. تهیه نقشه توزیع عناصر غذایی خاک بهعنوان یک ابزار ارزشمند برای تصمیم‌گیری مدیران عمل میکند. با توجه به ماهیت زمان‌بر و پرهزینه آنالیز آزمایشگاهی برای این متغیرها در مقیاس بزرگ، تلاش‌هایی برای کاوش نیتروژن خاک از طریق سنجش از دور انجام شده است. پژوهش حاضر، به کاربرد روشهای سنجش از دور همراه با مدلهای رگرسیون و تصادفی جنگل برای پیش‌بینی نیتروژن کل خاک در استان گیلان می‌پردازد. این مطالعه، با هدف پاسخ به دو سوال اصلی انجام شد: (1) آیا می‌توان از دادههای SAR برای تعیین مقدار نیتروژن کل خاک استفاده کرد؟ (ب) الگوریتمهای ماشین بردار پشتیبانی (SVM)، درخت رگرسیون تقویت‌شده (BRT) و جنگل تصادفی (RF) در پیش‌بینی محتوای نیتروژن خاک چگونه عمل می‌کنند؟روش‌ها: این مطالعه بر ارزیابی قابلیت‌های داده‌ای ماهواره‌های Landsat-9 و Sentinel-1 به‌صورت جداگانه و ترکیبی، با استفاده از الگوریتمهای پیشرفته مانند SVM، RF و BRT متمرکز شد.. نمونه‌برداری هدفمند به‌صورت استراتژیک انجام شد تا شرایط متنوع منطقه مورد مطالعه را بر اساس پوشش زمین/ کاربری زمین، پارامترهای اقلیمی و توپوگرافیکی نشان دهد. متغیرهای مختلف، از جمله پارامترهای آب‌وهوایی، اجزای توپوگرافی، و شاخص‌های زیرگروه سنجش از دور، در ارتباط با دادههای SAR و تصاویر نوری مورد بررسی قرار گرفتند. الگوریتمهای یادگیری ماشین غیرخطی، به‌ویژه SVM، RF و BRT برای پیش‌بینی وضعیت نیتروژن کل خاک با مدل‌سازی روابط پیچیده بین خواص خاک و متغیرهای محیطی مورد استفاده قرار گرفتند. نرم افزار R، با استفاده از بسته CARET برای ورودی پارامتر، برای پیاده‌سازی الگوریتم استفاده شد.یافته‌ها: نتایج، حاکی از موارد زیر بود: عملکرد الگوریتمهای RF و BRT از SVM پیشی گرفت و در پایش مقادیر نیتروژن کل خاک مؤثر بود، تصاویر SAR چند زمانی دقت بالاتری را در نظارت بر محتوای نیتروژن کل خاک در مقایسه با دادههای سنجش از دور نوری نشان دادند و پیش‌بینی‌های واقعی‌تر را در خاک‌های شالیزاری تسهیل کردند، ادغام متغیرهای محیطی منجر به افزایش دقت الگوریتمها شد. متغیرهای سنجش از دور، نقش مهمی را در این پژوهش ایفا کردند و به ترتیب، تأثیر 61 و 51 درصدی در الگوریتمهای RF و BRT گزارش شد. مقایسه الگوریتمهای SVM و RF نشان داد که RF پس از اجرای الگوریتم BRT در رتبه دوم قرار دارد و دقت برآورد نیتروژن کل خاک با الگوریتم SVM به‌دست نیامد. با این حال، الگوریتمهای BRT و RF قادر به نظارت بر تغییرات نیتروژن کل خاک بودند و BRT با ثبت دقیق 58٪ تغییرات به‌دلیل مقدار R2 بالاتر (58/0) و مقادیر RMSE (25/0 میلیگرم بر کیلوگرم) و MAE (19/0 میلیگرم بر کیلوگرم) کمتر، عملکرد بهتری داشت.نتیجهگیری: در انتها، موارد کلیدی زیر بهعنوان نتیجهگیری کلی از این پژوهش استخراج شد: 1) الگوریتمهای RF و BRT در نظارت بر سطوح نیتروژن کل خاک به‌طور مؤثر بهتر از SVM عمل کردند، 2) تصاویر SAR چند زمانی دقت بالایی در ردیابی نیتروژن کل خاک در مقایسه با سنجش از دور نوری ارائه میدهند و پیش‌بینی دقیق را در خاک‌های شالیزاری تسهیل می‌کنند، 3) ترکیب متغیرهای محیطی باعث افزایش دقت الگوریتمی شد و 4) متغیرهای سنجش از دور به ترتیب 61 و 51 درصد به الگوریتم های RF و BRT کمک کردند.
سنجش از دور
حامد عاشوری
چکیده
پیشینه و اهداف: بافت تصویر، بهعنوان داده‌ای ارزشمند توسط ذهن انسان برای تفسیر تصویر استفاده میشود. کمی‌سازی بافت تصویر روشی کاربردی برای استخراج روابط مکانی بین پیکسل‌های تصویر است. از ویژگی‌های بافتی تولید شده از تصویر در کنار ویژگی‌های طیفی تصویر می‌توان برای بهبود کیفیت طبقهبندی استفاده کرد. با توجه به تنوع روشهای کمی‌سازی ...
بیشتر
پیشینه و اهداف: بافت تصویر، بهعنوان داده‌ای ارزشمند توسط ذهن انسان برای تفسیر تصویر استفاده میشود. کمی‌سازی بافت تصویر روشی کاربردی برای استخراج روابط مکانی بین پیکسل‌های تصویر است. از ویژگی‌های بافتی تولید شده از تصویر در کنار ویژگی‌های طیفی تصویر می‌توان برای بهبود کیفیت طبقهبندی استفاده کرد. با توجه به تنوع روشهای کمی‌سازی بافت تصویر، انتخاب ویژگی‌های بهینه برای هر تصویر به‌صورت مستقیم روی دقت استخراج اطلاعات موثر است. الگوریتم ژنتیک بهعنوان یکی از روشهای بهینهسازی در کاربردهای مختلف استفاده میشود.روش‌ها: در این مقاله دو روش انتخاب ویژگی بر پایه الگوریتم ژنتیک برای انتخاب ویژگی‌های بافتی تصویر ارائه شده است. در روش نخست، الگوریتم ژنتیک برای انتخاب بهترین ترکیب با طول متغییر از ویژگی‌های بافتی در دو حالت ورودی از کل فضای ویژگی و ورودی از فضای پالایش شده، تعریف شده است. در روش دوم الگورتیم ژنتیک برای انتخاب عداد متغییر ویژگی‌های طیفی در دو حالت انتخاب از بین کل ویژگی‌ها و انتخاب از بین ویژگی‌های گزینش شده به‌کار رفته شده است.یافته‌ها: نتایج، نشان می‌دهد که ترکیب بهینه الزاما شامل ویژگی‌هایی که به تنهایی توانمندی بهتری در بهبود دقت طبقهبندی دارند، نمی‌شود. الگوریتمهای پیشنهادی منجر به دقت بهتر، تعداد ویژگی منتخب کمتر و زمان محاسباتی کمتری نسبت به الگوریتم ساده ژنتیک است. از روشهای پیشنهادی بسته به ابعاد تصویر، تعداد ویژگی‌های بافتی تولید شده و تعداد دادههای آموزشی و چک می‌توان استفاده کرد. روش دوم زمان آماده‌سازی اولیه بیشتری داشته و به‌دلیل افزایش تصاعدی زمان محاسباتی برای تصاویری با تعداد باند طیفی و تعداد پیکسل‌های کنترل و چک و تعداد ویژگی بافتی کمتر قابل به‌کارگیری است. روش نخست برای تصاویری با ابعاد بزرگ و تعداد دادههای آموزشی و چک بیشتر قابل استفاده است ولی برای رسیدن به دقت بهینه، تعداد ویژگی منتخب بیشتری را ارائه می‌دهد.نتیجهگیری: اجرای روشهای پیشنهادی بر روی سه مجموعه داده ورودی، منجر به افزایش دقت میانگین طبقهبندی بین 7/7 تا 48/50 درصد نسبت به طبقهبندی طیفی و حفظ دقت تا افزایش 6/5 درصدی نسبت به ژنتیک ساده ولی با تعداد نصف تا یک سوم ویژگی‌های منتخب و کاهش 50 درصدی زمان بهینهسازی گردید.
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
مینا محمدی؛ مهدی آخوندزاده هنزائی
چکیده
پیشینه و اهداف: مطالعه انتشار گاز متان، بهعنوان دومین گاز گلخانهای مهم، به دلیل ایجاد تغییرات آب و هوایی، حائز اهمیت است. این مطالعه، با هدف بررسی درستی خبر منتشرشده توسط ناسا، در خصوص وجود یک ابر متان در جنوب تهران، انجام شده است. با توجه به اهمیت موضوع، تاکنون ماهواره‌های سنجش از دور زیادی نظیر sentinel-5، MethanSAT، SCIAMACHY و GOSAT برای ...
بیشتر
پیشینه و اهداف: مطالعه انتشار گاز متان، بهعنوان دومین گاز گلخانهای مهم، به دلیل ایجاد تغییرات آب و هوایی، حائز اهمیت است. این مطالعه، با هدف بررسی درستی خبر منتشرشده توسط ناسا، در خصوص وجود یک ابر متان در جنوب تهران، انجام شده است. با توجه به اهمیت موضوع، تاکنون ماهواره‌های سنجش از دور زیادی نظیر sentinel-5، MethanSAT، SCIAMACHY و GOSAT برای پایش آلاینده‌ها به‌خصوص گاز متان، ارائه شده است. همچنین، تحقیقات بسیاری در زمینه ارزیابی این سنجنده و پایش مناطق آلوده، صورت گرفته است. بهعنوان نمونه، چرپانوا و همکاران به تجزیه و تحلیل مکانی- زمانی غلظت متان و ارتباط آن با مناطق سوخته، پرداختند. آنها، با استفاده از دادههای روزانه سنجنده TROPOMI به این نتیجه رسیدند که غلظت متان در مناطق تازه سوخته شده نسبت به سوختگی‌های سال گذشته، بیشتر است. نیراج مایریا و همکاران، به بررسی غلظت آلاینده‌های SO2، CO، SOX و CH4 با استفاده از دادههای Sentinel-5P TROPOMI در دورههای پس از برداشت گندم و برنج و سوزاندن زمین‌ها پرداختند. نتایج، نشان داد که غلظت CH4، SO2، SOX، CO و آئروسل، در طی دوره سوزاندن زمینهای کشاورزی پس از برداشت برنج و گندم، هرسال افزایش معنی‌داری داشت.روش‌ها: در این تحقیق، سری‌های زمانی دادههای روزانه سنجنده TROPOMI در ماهواره سنتینل-۵ در پلتفرم گوگل ارث انجین، مورد استفاده قرار گرفت. ابتدا، به تجزیه و تحلیل مکانی-زمانی دینامیک غلظت متان در تهران پرداخته شده است. بدین منظور، نمودارهای تغییرات زمانی از مرداد تا آبان ۱۴۰۱ و همچنین، به جهت تحلیل مکانی غلظت آلاینده‌ها، نقشه میانگین ماهیانه، تولید شده است. سپس، با توجه به تاریخ به‌دست آمده به بررسی درستی یا نادرستی نقشه ارائه شده، پرداخته شده است. در نهایت، به‌منظور ارزیابی نتایج طول ابر متان مشاهده شده توسط ناسا با ابر متان استخراج شده توسط سنجنده TROPOMI مقایسه شد.یافته‌ها: نتایج به‌دست آمده، نشان داد که در تاریخ ۱۰ شهریور ۱۴۰۱ غلظت متان بالا و در حدود ۱۹۷۰ ppm بوده است و گازهای دیگر در این تاریخ، مقدار بالایی نداشته‌اند که این، نشان‌دهنده عدم تأثیر دیگر گازها، بر افزایش غلظت متان و عدم تشخیص نادرست میباشد و طبق نقشه، میانگین در جنوب تهران این گاز بیشتر بوده است.همچنین، ابر متان مشاهده شده توسط ناسا در جاده قدیم تهران – قم، در نزدیکی محله قاسم‌آباد – شورآباد با استفاده از دادههای ماهواره سنتینل-۵ در پلت فرم گوگل ارث انجین، به رنگ قرمز به معنای غلظت بالا تأیید شد که باعث انتشار و میزان غلظت گاز متان بیشتر، در جنوب تهران شده و منشأ اصلی آن، دفن زباله در این منطقه بوده است. علاوه بر این، طول گزارش شده توسط ناسا با طول ابر متان استخراج‌شده از سنجنده TROPOMI با یکدیگر مقایسه شد که به ترتیب، برابر با ۴.۸ کیلومتر و ۴.۴۱ کیلومتر بوده‌اند.نتیجهگیری: امروزه، آلودگی هوا به علت مشکلات زیست‌محیطی و اثرات نامطلوب بر سلامت انسان‌ها، به‌خصوص در شهرهای پرجمعیت، به یک مشکل اساسی تبدیل شده است. بر اساس نتایج به‌دست آمده و تصویر گاز متان در تاریخ ۱۰ شهریور در جنوب تهران، مشخص شد خبر منتشرشده توسط ناسا، صحت داشته و عامل اصلی آن، این بوده است که این منطقه، محل دفن زباله میباشد. بدین ترتیب، پلت فرم گوگل ارث انجین میتواند بهعنوان یک ابزار مناسب برای پایش روزانه، ماهانه و تغییرات سالانه، مورداستفاده قرار بگیرد.
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.
