سنجش از دور
پرستو برزابادی؛ افسانه رزاقپور؛ مهدی اصلانی؛ علیرضا شریفی
چکیده
پیشینه و اهداف: در ایران، گسترش ناپایدار شهری و برداشت بیرویه از منابع آب زیرزمینی موجب تشدید و گسترش پدیده فرونشست در کلانشهرهایی مانند تهران، مشهد، اصفهان و شیراز شده است. بهویژه نواحی شهری شیراز که دارای خاکهای آبرفتی، تراکم بالای ساختوساز و کاهش شدید سطح آبهای زیرزمینی هستند، به یکی از کانونهای اصلی فرونشست در جنوب ...
بیشتر
پیشینه و اهداف: در ایران، گسترش ناپایدار شهری و برداشت بیرویه از منابع آب زیرزمینی موجب تشدید و گسترش پدیده فرونشست در کلانشهرهایی مانند تهران، مشهد، اصفهان و شیراز شده است. بهویژه نواحی شهری شیراز که دارای خاکهای آبرفتی، تراکم بالای ساختوساز و کاهش شدید سطح آبهای زیرزمینی هستند، به یکی از کانونهای اصلی فرونشست در جنوب کشور تبدیل شدهاند. با توجه به قابلیت بالای دادههای راداری ماهواره Sentinel-1 در تحلیل تغییرات زمین و نقش مؤثر روش DInSAR در پایش سریع این پدیده، هدف این پژوهش، تحلیل الگوهای مکانی-زمانی فرونشست در نواحی شهری شیراز، بررسی عوامل طبیعی و انسانی موثر و ارائه راهکارهایی برای کاهش مخاطرات و حمایت از توسعه پایدار شهری است.روشها: در این پژوهش از ۲۴ تصویر راداری Sentinel-1A در مد IW با پلاریزاسیون VV در سالهای ۲۰۱۵ تا ۲۰۲۵ استفاده شد. تمامی پردازشها در نرمافزار SNAP انجام گرفت. ابتدا دادهها با استفاده از فایلهای POD تصحیح مداری و سپس کالیبراسیون رادیومتریکی برای استخراج Sigma0 انجام شد. برای کاهش نویز اسپکل از فیلتر Lee با پنجره ۷×۷ استفاده شد. سپس با انتخاب ۱۵ جفت تصویر با خطای زمانی کمتر از ۳۶۵ روز و خطای مکانی عمودی زیر ۱۵۰ متر، اینترفروگرامها تولید و فرآیند Unwrapping با الگوریتم MCF-SNAPHU اجرا گردید. برای کاهش خطاهای اتمسفری، تصاویر با شرایط رطوبتی مشابه انتخاب، فیلتر Goldstein اعمال، ماسک توپوگرافی استفاده و تحلیل واریوگرام اجرا شد. تحلیلهای آماری) میانگین، چولگی، کشیدگی، تحلیل مکانی Moran’s I و تحلیل رگرسیون چندمتغیره (برای بررسی اثر متغیرهای برداشت آب، نوع خاک، تراکم ساختوساز و شیب زمین) بر نرخ فرونشست انجام شد.یافتهها: یافتهها نشان داد میانگین نرخ فرونشست ۱۸.۴ میلیمتر در سال با انحراف معیار ۸.۲ میلیمتر است. سه کانون اصلی فرونشست با نرخهای ۲۵ تا ۴۵ میلیمتر در سال در شمال، مرکز و جنوب محدوده مورد مطالعه شناسایی شد. تحلیل آماری نیز توزیع چولگی مثبت (۱.۲۳) و کشیدگی (۲.۸۷) را تأیید کرد. بررسی آماری چندمتغیره نشان داد برداشت آب زیرزمینی با ضریب β=۰.۷۸ و سطح معناداری کمتر از ۰.۰۰۱، قویترین عامل فرونشست است.نتیجهگیری: روش DInSAR بهعنوان ابزاری سریع و نسبتاً دقیق در پایش فرونشست اثربخش است، بهویژه در مناطقی که دادههای زمینی محدود هستند. این مطالعه ضمن تأکید بر نقش مؤثر عوامل انسانی در تشدید فرونشست، بر ضرورت نظارت پیوسته، بهرهگیری از سامانههای هوشمند نظارتی، و بازنگری در الگوهای توسعه شهری تأکید میکند. از جمله پیشنهادهای پژوهش میتوان به توسعه مدلهای یادگیری ماشین با دادههای Sentinel-1، تلفیق دادههای GNSS برای افزایش دقت تحلیل، و تهیه تغییرات کاربری اراضی با تصاویر Landsat و Sentinel-2 اشاره کرد. محدودیت پژوهش شامل نبود دادههای میدانی بهروز از سطح آب زیرزمینی و پراکندگی زمانی برخی تصاویر بود.
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
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.
سامانه اطلاعات مکانی
علی اصغر آل شیخ؛ امیر پروینی
چکیده
اهداف: مدیریت بهینه زنجیره تأمین بشردوستانه و توزیع اقلام امدادی پس از بلایای طبیعی از چالشهای مهم در حوزه مدیریت بحران است. باوجود اهمیت تخصیص بهینه مراکز توزیع محلی در شرایط پس از بحران، ازجمله زلزله، بسیاری از ابزارهای تصمیمگیری موجود فاقد قابلیتهای مکانی، انعطافپذیری در سناریوسازی و سهولت دسترسی هستند. این مقاله باهدف ...
بیشتر
اهداف: مدیریت بهینه زنجیره تأمین بشردوستانه و توزیع اقلام امدادی پس از بلایای طبیعی از چالشهای مهم در حوزه مدیریت بحران است. باوجود اهمیت تخصیص بهینه مراکز توزیع محلی در شرایط پس از بحران، ازجمله زلزله، بسیاری از ابزارهای تصمیمگیری موجود فاقد قابلیتهای مکانی، انعطافپذیری در سناریوسازی و سهولت دسترسی هستند. این مقاله باهدف پر کردن خلأ موجود در مطالعات پیشین، سامانهای مبتنی بر وب طراحی کرده است که با بهرهگیری از قابلیتهای سیستم اطلاعات مکانی (GIS) و الگوریتمهای فرا ابتکاری، امکان تخصیص بهینه مراکز توزیع و مدیریت اقلام امدادی را فراهم میآورد.روش: در این مطالعه، یک سامانه هوشمند پشتیبانی تصمیمگیری مکانی مبتنی بر وب توسعه دادهشده است که به تصمیمگیرندگان کمک میکند تا مراکز توزیع کمکهای امدادی را بهصورت کارآمدتری در سناریوهای مختلف پس از بحران تخصیص دهند. این سامانه از سه بخش اصلی شامل پایگاه داده، موتور تصمیمگیری و رابط کاربری تحت وب تشکیلشده و امکان اجرای کامل آن در مرورگر، بدون نیاز به نصب نرمافزار اضافی، فراهمشده است. همچنین از ترکیب الگوریتمهای ژنتیک و جستجوی ممنوعه برای بهینهسازی تخصیص منابع و توزیع اقلام امدادی در این سامانه استفادهشده است. در این سامانه کاربران میتوانند دادههای ورودی را ویرایش کرده، سناریوهای مختلف را تعریف کرده و نتایج را بهصورت بصری بر روی نقشه مشاهده کنند. در این سامانه، عدم قطعیتهای رایج پس از وقوع بلایای طبیعی، ازجمله نرخهای متفاوت جمعیت آسیبدیده و همچنین پنج دوره زمانی برنامهریزی مختلف در بازه ۸ تا ۷۲ ساعت (۸، ۱۶، ۲۴، ۴۸ و ۷۲ ساعت) در نظر گرفتهشدهاند. انعطافپذیری بالای سامانه در تعریف و تحلیل سناریوهای متنوع، آن را به ابزاری مؤثر برای بهبود تصمیمگیری در برنامهریزی عملیات توزیع کمکهای امدادی تبدیل میکند.یافتهها: نتایج نشان میدهد که الگوریتم ترکیبی پیشنهادی توانسته است تخصیص بهینه مراکز توزیع اقلام را بهبود بخشد و میزان تقاضای برآورده نشده را کاهش دهد. هرچند، بسته به تعداد تکرار الگوریتم در سناریوهای مختلف و تغییر پارامترهای ورودی، نتایج گاهی ناپایدارند که میتوانند در مطالعات آتی موردبررسی و تحلیل دقیقتری قرار گیرند.نتیجهگیری: این مطالعه سامانهای جامع و مبتنی بر وب برای پشتیبانی تصمیمگیری در مدیریت بهینه توزیع اقلام امدادی ارائه داده است که میتواند کارایی عملیات بحران را بهطور قابلتوجهی افزایش دهد. استفاده ترکیبی از الگوریتمهای فرا ابتکاری و دادههای مکانی در این سامانه، امکان پاسخگویی سریع و تصمیمگیری دقیق را فراهم میسازد. توسعه و بهبودهای آتی این سامانه میتواند شامل پشتیبانی از انواع مختلف اقلام و شرایط بحرانی متنوع باشد تا نقش مؤثرتری در کاهش خسارات انسانی و مالی 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.
