سنجش از دور و GIS ایران

کربن آلی نقشی حیاتی در پایداری زیست محیطی, شاخص کیفیت و سلامت خاک دارد؛ بنابراین شناسایی توزیع مکانی ترسیب کربن از الزامات برنامه ریزی محیطی و مدیریت خاک است. پژوهش حاضر به منظور بررسی میزان ترسیب کربن در کاربری های کشت و صنعت نیشکر، کشاورزی سنتی و بایر انجام شد. در هر کاربری، شصت نمونه خاک برداشت و کربن آلی، شوری، آهک، واکنش خاک و سدیم محلول خاک اندازه گیری شد. با استفاده از داده های طیفی سنجنده OLI و TIRS ماهواره لندست 8، مقادیر باندها و شاخص های خاکی و پوشش گیاهی شامل NDVI، SAVI، TSAVI، OSAVI، MSAVI، SOCI، WDVI، PVI، RVI و BI در نقاط نمونه برداری به دست آمد و رابطه بین آنها و مقدار ماده آلی خاک محاسبه شد. نتایج نشان می دهد، بیشترین همبستگی را با مقدار ماده آلی خاک به خود اختصاص داده اند: در کاربری کشت و صنعت، شاخص SOCI با 30/50% و باند 3 با 82/53%؛ در کشاورزی سنتی، شاخص PVI با همبستگی 35/60% و باند 7 با 63/60%؛ در اراضی بایر، شاخص RVI با همبستگی 27/34% و باند 2 با 67/36%. نتایج تحلیل آماری به روش برازش حداقل مربعات جزئی نشان داد میانگین نتایج واسنجی و اعتبارسنجی به ترتیب 48/43 و 08/39% است. نتایج برآورد ماده آلی خاک به روش کریجینگ و مدل درخت M5 نشان می دهد که همبستگی مقادیر ماده آلی اندازه گیری و پیش بینی شده به ترتیب 20/66 و 00/82% بود. طبق این نتایج، بین مقادیر ماده آلی خاک و شاخص ها و باندهای ماهواره لندست 8 همبستگی معنی داری وجود دارد و می توان مقادیر ماده آلی خاک منطقه مورد مطالعه و سایر مناطق دارای شرایط مشابه را با احتمال مورد قبولی تخمین زد.

با بهبود حد تفکیک مکانی تصاویر سنجش از دور، اطلاعات دقیق تری از صحنه تصویر همچون ساختارهای بافت، فراهم شده است. این منابع داده، به دلیل جزئیات بسیار، دارای واریانس درون کلاسی زیاد و واریانس بین کلاسی اندک اند؛ ازاین رو استخراج اطلاعات پوشش زمین از آنها به فرایندی چالش برانگیز تبدیل شده است. در این تصاویر، تفسیر بصری زمان بر و پرهزینه است و تفسیر اتوماتیک آنها لزوماً به دقت بالا منجر نمی شود و رسیدن به دقت تفسیر مطلوب نیازمند طراحی الگوریتم های اتوماتیک است؛ به صورتی که توانایی مقابله با مشکلات ناشی از پیچیدگی صحنه تصویر را داشته باشند. برای غلبه بر این مشکل، روش آنالیز عارضه مبنای تصویر که به مورفولوژی صحنه تصویر حساس است، به ویژه در مطالعه ای شهری که تراکم ساختارهای شکل گرفته به دست انسان بالاست، ممکن است کارآمد باشد. در طبقه بندی عارضه مبنا، پیکسل های بیانگر یک عارضه در ترکیب با یکدیگر، تجزیه و تحلیل می شوند؛ در نتیجه، فضای مسئله به نسبت طبقه بندی پیکسل مبنا کاهش می یابد و مزیت این امر افزایش سرعت محاسبات است. درعین حال به دلیل اندازه متنوع اشیای تصویری، طبقه بندی نظارت شده عارضه مبنا در ایجاد مجموعه آموزشی بهینه با چالش هایی مواجه است. در تحقیق حاضر، به منظور طبقه بندی عارضه مبنا، از الگوریتم آدابوست استفاده شده است. برای غلبه بر مشکل فقدان تناسب فضای ویژگی ناشی از تعداد اندک نمونه های آموزشی و توزیع نامتناسب آنها در مقایسه با ابعاد بالای فضای ویژگی (شامل ویژگی های طیفی، مکانی و هندسی)، دو راهبرد دنبال شده است. در یک رویکرد برای تولید مجموعه آموزشی بهینه، مکانیسم یادگیری فعال با الگوریتم آدابوست ادغام شده و در رویکردی دیگر به منظور کاهش ابعاد فضای ویژگی، براساس همبستگی بین ویژگی ها (افزونگی) و همبستگی بین ویژگی ها و کلاس ها (مطابقت)، زیرمجموعه ویژگی منتخب استخراج شده است. روش پیشنهادی روی مجموعه داده استاندارد وهینگن کشور آلمان اجرا و نتایج حاصل از آن با طبقه بندی پیکسل مبنا مقایسه شده است. به منظور بررسی معنی داری اختلاف های حاصل شده در نتایج ارزیابی ها نیز، آزمون آماری مک نمار به کار رفته است. نتایج تجربی نشان دادند که رویکرد عارضه مبنای پیشنهادی، در قیاس با رویکرد پیکسل مبنا، به طور متوسط 6% دقت کلی و 7% ضریب کاپا را بهبود داده است. همچنین سرعت محاسبات در روش آدابوست عارضه مبنای پیشنهادی، در مقایسه با رویکرد پیکسل مبنا افزایش چشمگیری یافته است. این نتایج بیانگر عملکرد بهینه رویکرد پیشنهادی، هم از نظر دقت و هم از نظر سرعت محاسبات است.

تعیین دقیق نیاز آبی محصولات گوناگون و همچنین میزان آب مصرفی در سطحی پهناور و در زمان واقعی یکی از مهم ترین نیازهای متخصصان آب وخاک است. پیش نیاز آن نیز تعیین تبخیروتعرق مرجع است. معمولاً محاسبه این پارامتر براساس استفاده از داده های اقلیمی و حل معادلات تجربی انجام می شود اما، به دلیل محدودبودن و توزیع نامناسب ایستگاه های هواشناسی، اغلب استفاده از داده های آنها سبب ایجاد خطا در محاسبه این پارامتر می شود. بهترین گزینه، به منظور برطرف کردن این محدودیت، استفاده از داده های سنجش از دوری است. بدین منظور می توان از محصولات گوناگون ماهواره ای بهره برد و با ترکیب آنها، برای تهیه نقشه های به روز تبخیروتعرق مرجع و واقعی اقدام کرد. ازاین رو تحقیق حاضر به منظور بررسی امکان استفاده از محصولات سامانه های WaPOR و ERA5 با هدف محاسبه میزان تبخیروتعرق مرجع روزانه، برمبنای روش تجربی پنمن مانتیث و ارزیابی و صحت سنجی خروجی های آن در سطح استان سیستان و بلوچستان ایران انجام شده است. نتایج تحقیق نشان داد که سامانه های سنجش از دوری با دقت بالای 80%، در محل ایستگاه های هواشناسی، مقدار تبخیروتعرق مرجع را برآورد کرده اند و در تمامی ایستگاه ها خطای کمتر از 2 میلی متر گزارش شد. همچنین فصل زراعی پانزدهم خرداد تا پانزدهم آبان، در مقایسه با فصل زراعی اول آذر تا پانزدهم اردیبهشت، تبخیروتعرق مرجع به دست آمده از داده های ماهواره ای همبستگی بالاتری را نشان می دهد. ازآن جاکه مقادیر برآورد و صحت سنجی شده دقت مورد قبولی داشتند، در گام بعدی می توان، در هر نقطه از استان، از این سامانه ها استفاده کرد

تحقیق حاضر با هدف ارزیابی دقت داده های ماهواره ای سنجنده مادیس در پایش ریزگردها (ذرات PM 10 )، به منظور مقایسه با داده های ایستگاه زمینی سنجش آلودگی در شهر سنندج انجام گرفته است. بدین ترتیب، میزان عملکرد داده های ماهواره ای در اندازه گیری ریزگردها، در ایستگاه زمینی سنندج، مشخص می شود. ابتدا داده های ماهواره ای عمق نوری (ذرات PM 10 ) سنجنده مادیس، متناظر با داده های PM 10 زمینی تهیه شده از ایستگاه زمینی پایش آلودگی واقع در شهر سنندج، به دست آمد؛ آنگاه ضریب همبستگی دو سری داده محاسبه شد. برای پیش بینی دقیق داده های PM 10 ، دو مدل آریما و شبکه عصبی مصنوعی به کار رفت. داده های AOD سنجنده مادیس با استفاده از روش حداکثر برآورد احتمال و وزن به دست آمده از ریشه میانگین مربعات خطا، به منظور استفاده در این دو مدل، ترکیب شدند. در نهایت، روش مقایسه منفرد برای هریک از مدل ها و نیز مقایسه مدل ها، با هدف شناسایی مدل بهتر در تشخیص و پیش بینی داده های PM 10 حاصل از سنجنده مادیس، اعتبارسنجی شد. در مدل شبکه عصبی، ضریب همبستگی در مرحله آموزش 52%، در مرحله آزمون 53%، RMSE برابر با 62/1 و MAE برابر 62/2 به دست آمد. طبق محاسبات، مدل آریمای 1-0-3 تنها مدل مورد قبول با R برابر با 46/0و 06/0MAE= و 69/0RMSE= است. این بیان می کند مدل آریما مدل مناسبی برای پیش بینی داده هاست اما دقت مدل شبکه عصبی، در ارزیابی میزان همبستگی بین داده ها، بیشتر تشخیص داده شد. نتایج تحقیق نشان داد که بین داده های عمق نوری ریزگرد سنجنده مادیس با داده های زمینی رابطه مستقیمی وجود دارد و این الگوریتم قادر به شناسایی گردوغبار است و می تواند جایگزین مناسبی برای محصولات PM 10 تولیدشده از سوی ایستگاه زمینی باشد.

پوشش گیاهی موتور محرک کره زمین است؛ تبادلات انرژی و آب بین اتمسفر و زمین را کنترل می کند و در چرخه های جهانی انرژی، اکسیژن، دی اکسیدکربن و آب نقش مهمی دارد. پایش و مدیریت پوشش های گیاهی با استفاده از پارامتر های بیوفیزیکی و بیوشیمیایی آن، مانند LAI، انجام می پذیرد. شاخص سطح برگ (LAI) از مهم ترین پارامترهای پوشش گیاهی است که در اغلب مدل سازی ها مانند مدل سازی چرخه های آب، انرژی و کربن استفاده می شود. رویکردهای بازیابی متفاوتی، به منظور استخراج اطلاعات پارامترهای بیوفیزیکی از داده های سنجش از دوری، توسعه یافته است. در تحقیق حاضر، از روش فیزیکی معکوس مدل انتقال تابش PROSAIL، مبتنی بر جدول LUT، با هدف بازیابی متغیر LAI استفاده شده است. همچنین داده های زمینی برداشت شده طی کمپین SPARC 2003 برای ارزیابی صحت متغیر بازیابی شده به کار رفت. برای رفع مشکل ill-posed، چهار دسته از معیارهای هزینه با عنوان اندازه گیر اطلاعات (IM)، حداقل اختلاف (MC)، اندازه گیر زاویه (SAM) و خطای حداقل مربعات (LSE) به همراه نرمال سازی و میانگین بهترین جواب ها استفاده شد. نتایج بهبود تخمین متغیر LAI را با استفاده از معیار اندازه گیر اطلاعات (Kulbak-liebler)، به میزان 12% و با استفاده از 11% میانگین بهترین جواب ها نشان دادند. تابع هزینه LSE نیز در قیاس با حالت نرمال نشده، 7% بهبود یافت.

با توجه به تأثیر خشکسالی در کیفیت و کمّیت آب، هدف از این مطالعه بررسی خشکسالی با استفاده از شاخص های خشکسالی و ارتباط آن با میزان کیفیت آب در مناطق شمالی استان فارس ایران است. برای این منظور، شاخص های خشکسالی PCI، TVDI، NDVI در سال های 2000 تا 2020 استفاده شد. در ادامه، نقشه های پهنه بندی عناصر آب (Ca، Cl، EC، K، Na، Mg) با استفاده از روش کریجینگ تولید شد. سپس با به کارگیری روش شبکه های عصبی (MLP)، میزان عناصر آب با استفاده از شاخص های خشکسالی پیش بینی شد. نتایج نشان داد که با توجه به مقادیر شاخص های خشکسالی، روند تغییرات خشکسالی در منطقه از سال 2000 تا 2020 افزایشی بوده و بخش های جنوبی منطقه در وضعیت حادتری به نسبت دیگر بخش ها قرار دارد. نتایج حاصل از نقشه های پهنه بندی عناصر آب هم نشان داد که در بخش های جنوبی، غلظت املاح بیشتر از بخش های شمالی است. طبق نتایج حاصل از همبستگی بین شاخص های خشکسالی و مقادیر عناصر آب، Ca همبستگی بالایی (820/0 R=) با شاخص TVDI دارد و عناصر Cl، EC، K، Na، Mg نیز دارای همبستگی معنی داری (80/0 R>) با شاخص PCI است. نتایج حاصل از روش MLP، برای پیش بینی وضعیت کیفیت آب با استفاده از شاخص های خشکسالی، نشان داد که در مناطق جنوبی میزان املاح بیشتر و در نتیجه، کیفیت آب کمتر است. میزان دقت مدل در پیش بینی عناصر Cl، EC، K، Na، Mg، TH،TDS  با استفاده از شاخص PCI برابر با 85/0 R 2 = و درمورد عنصر Ca، با استفاده از شاخص TVDI برابر با 71/0 R 2 = است.

مجموعه داده های ابر نقاط لیدار و مدل های سه بعدی ( 3-D ) در استخراج عوارض شهری، مدیریت جنگل داری، شهری و گردشگری، رباتیک، تولید بازی های رایانه ای و موارد دیگر کاربرد گسترده ای دارد. از سویی، وجود نقاط پرت در ابر نقاط لیدار اجتناب ناپذیر است؛ بنابراین تشخیص نقاط پرت و حذف آن از ابر نقاط لیدار به منزله گامی ضروری در پردازش ابر نقاط لیدار شناخته شده است. طی دهه های گذشته، چندین تکنیک تشخیص نقاط پرت در منابع این موضوع معرفی شده است اما بیشتر آنها از نظر زمانی هزینه برند و به نیروی متخصص انسانی نیاز دارند. به منظور کاهش این محدودیت ها، این مقاله رویکرد خودکار جدیدی برای تشخیص نقاط پرت، با استفاده از تکنیک میدان تصادفی شرطی برپایه ماشین بردار پشتیبان ( SVM-CRF ) و روش نمودار جعبه ای، معرفی کرده است. رویکرد نمودار جعبه ای بردار انرژی خروجی SVM-CRF را برای تشخیص نقاط پرت تجزیه و تحلیل می کند. این روش به کمک مجموعه داده محک ISPRS که برای مجموعه داده وهینگن، با هدف طبقه بندی سه بعدی و بازسازی سه بعدی ساختمان ایجاد شده بود، ارزیابی شد. به منظور ارزیابی این روش، ابتدا نقاط پرتی به صورت دستی به مجموعه داده افزوده شد؛ با این تمرکز که این نقاط جزء نقاط پرت چسبیده به اشیا باشند. سپس مراحل تحقیق برای ارزیابی توانایی روش پیشنهادی در تشخیص نقاط پرت انجام شد. نتایج این تحقیق عملکرد مدل پیشنهادی را با دقت کلی 62% نشان داد. اگرچه الگوریتم RANSAC عملکردی بهتر از مدل پیشنهادی دارد، تکنیک زمان بر و پرهزینه تری در مقایسه با تکنیک تشخیص نقاط پرت پیشنهادی است.