سنجش از دور و GIS ایران

فقدان اطلاعات بهنگام، مستند و علمی از وضعیت موجود (سطح و پراکنش) صنوبرکاری های استان زنجان یکی مشکلات اصلی مدیران بخش زراعت چوب به منظور برنامه ریزی و مدیریت تأمین چوب در استان است. در این پژوهش، از داده های چندزمانه ماهواره سنتینل 2 برای تهیه نقشه عرصه های صنوبرکاری استان استفاده شد. این داده ها براساس فنولوژی و دوره رویش صنوبر (نیمه دوم مارس تا پایان نوامبر) سال 2018 م.، در شش مقطع زمانی به فاصله سی تا چهل روز، انتخاب شد. تعداد 144 پلی گون نمونه تعلیمی (102 هکتار)، حاصل از برداشت میدانی محدوده صنوبرکاری، با داده های ذکرشده و طبقه بندی نظارت شده در الگوریتم ماشین بردار تصمیم گیری و نقشه پراکنش عرصه های صنوبرکاری استان استخراج شد. نقشه حاصل با ششصد نمونه (حدود 5/1%) به صورت تصادفی انتخاب و در عرصه میدانی، کنترل و ارزیابی صحت شد. نتایج نشان داد مساحت کل عرصه های صنوبرکاری استان 2744 هکتار است که 12/0% از کل مساحت استان زنجان را دربر می گیرد. در این تحقیق، موقعیت دقیق مکانی و مساحت صنوبرکاری ها با صحت کلی 96% برآورد شد. نتایج این تحقیق نشان داد که با ترکیب تصاویر ماهواره ای سنتینل 2 و داده های زمینی مناسب، می توان سطح صنوبرکاری ها و یا سطح و درصد تراکم هر نوع از جنگل را، چه طبیعی و چه دست کاشت، در سطح محلی و منطقه ای و جهانی، با دقت مورد قبولی برآورد کرد.

در بسیاری از کشورها به ویژه ایران، برنج به یکی از اقلام اساسی به لحاظ امنیت غذایی تبدیل شده است. در این تحقیق، به منظور تهیه نقشه سطوح شالیزاری، با توجه به ویژگی های فنولوژیکی گیاه برنج و به کمک داده های سالیانه دمای سطح زمین سنجنده مادیس، ابتدا برنامه زمانی برای انتخاب تصاویر سری زمانی ماهواره لندست 8 تنظیم شد. پس از دریافت داده های ماهواره ای، به روش شیء مبنا و با بهره گیری از توابع فازی، به طبقه بندی تصاویر و در نهایت، استخراج اراضی شالیزاری در حوزه شهرستان رشت پرداخته شد. به منظور بهبود و ارتقای نتایج، در این تحقیق طی فرایند طبقه بندی تصاویر ماهواره ای، از داده های متنوعی مانند مدل رقومی زمین، داده های دمای سطح زمین و شاخص های طیفی همچون NDVI، EVI، NDBI و LSWI در کنار اطلاعاتی درباره ویژگی های خاص عوارض و اشیای داخل تصویر، استفاده شد. با توجه به خصوصیات ویژه اراضی شالیزاری، از مدل رقومی ارتفاعی 12.5متری برای تشخیص بهتر اراضی شالیزاری از دیگر پوشش های گیاهی، بهره گرفته شد. همچنین بین نتایج حاصل از طبقه بندی به روش شیء مبنا و پیکسل مبنا، مقایسه ای صورت گرفت؛ در نهایت، مشخص شد که روش طبقه بندی شیء مبنا می تواند، با ملاحظات خاصی، نتایجی بهتر از روش پیکسل مبنا دربر داشته باشد. نتیجه طبقه بندی با روش پیکسل مبنا، پس از اعتبارسنجی، دقت کلی 92% را نشان داد و ضریب کاپا در این روش 89/0 برآورد شد. طبق روش طبقه بندی شی ء مبنا، نتایجی با دقت کلی 94% به دست آمد و ضریب کاپا نیز 92/0 حاصل شد.

امروزه از علم سنجش از دور برای مطالعات گیاهی ازجمله تعیین مواد مغذی، بیماری های گیاهی، کمبود آب یا مازاد آن، شناسایی علف های هرز استفاده می شود. گیاه، براساس ویژگی هایی که دارد، با برخورد امواج الکترومغناطیس به آن واکنش های متفاوتی در مقابل امواج (میزان جذب، انعکاس یا عبور) از خود نشان می دهد. ازجمله اطلاعاتی که علم سنجش در این زمینه می تواند به دست آورد میزان مواد مغذی موجود در گیاه است. با تعیین میزان مواد مغذی موجود در گیاه، می توان از مقدار کود مورد نیاز گیاه آگاهی یافت و از سویی، این مواد مغذی، به ویژه گیاهان مرتعی را شناسایی کرد. هدف از این مطالعه تعیین مواد مغذی موجود در گیاهان مرتعی مریم نخودی دارابی، اسفند، پنج انگشت، اسفند رومی، کُنار، شکر شفا با به کارگیری دانش سنجش از دور است. برای رسیدن به این هدف، با استفاده از طیف سنج در بازه طیفی ۳/۰ تا ۱/۱ میکرومتر، واکنش گیاه به امواج الکترومغناطیس مشخص شد. سپس با تعیین مواد غذایی موجود در این گیاهان، رابطه بین میزان انعکاس های امواج الکترومغناطیس با مقدار مواد مغذی در این گیاهان تعیین شد. نتایج نشان داد که در گیاه اسفند رومی باند ۱۰۲۶ نانومتر، در گیاه اسفند باند ۱۰۴۰ نانومتر، در گیاه کُنار باند ۱۰۴۶ نانومتر، در گیاه مریم نخودی باند ۱۰۳۰، در گیاه پنج انگشت باند ۴۰۰ و ۱۰۳۸ و در شکر شفا باند ۱۰۳۸ مؤثرترین باندها در پیش بینی مقدار P مؤثرند. از دیگرسو، به منظور پیش بینی Zn در گیاه اسفند رومی باند ۱۰۲۶ نانومتر، در گیاه اسفند باند ۱۰۴۰، در گیاه کُنار باند ۱۰۴۵، در گیاه مریم نخودی باند ۱۰۳۰، در گیاه پنج انگشت باند ۱۰۱۰ و در شکر شفا باند ۱۰۲۸ مؤثرترین باندها به شمار می روند. به منظور پیش بینی Cu با استفاده از مقادیر باندهای طیفی، مشخص می شود در گیاه اسفند رومی باند ۴۰۲ نانومتر، در گیاه اسفند باند ۴۱۰، در گیاه کُنار باند ۱۰۴۶، در مریم نخودی باند ۱۰۳۰، در پنج انگشت و در شکر شفا باند ۱۰۳۸ مؤثرترین باندها محسوب می شوند.

طراحی الگوریتم های سنجش از دور و توسعه روش های گوناگون پردازش تصاویر ماهواره ای، برای شناسایی کانسارهای مس پورفیری، ازجمله موضوعات مهم مطالعات در زمینه ارزیابی منابع معدنی و بهره برداری بهینه از آنهاست. به این منظور، تعیین نواحی دگرسانی ابزار مناسبی به منظور طراحی الگوهای مورد قبول اکتشافی فراهم می آورد. در این پژوهش، با راهبردی جامع و با استفاده از تعیین حدود دگرسانی های مرتبط با کانسار مس پورفیری برمبنای مدل لوول و گیلبرت با سه نوع راهبرد متفاوت (پردازش های بصری، طیفی و آماری) و همچنین استخراج خط واره ها در منطقه مورد مطالعه، محدوده تمرکز ماده معدنی برای حفاری پیشنهاد شد. منطقه مورد مطالعه، در این مقاله، کانسار مس پورفیری مسجدداغی در شمال شرق استان آذربایجان شرقی است. در این پژوهش، از تصاویر ماهواره ای چندطیفی استر، سنجنده OLI لندست 8 و سنتینل 2 برای پردازش های گوناگون مانند ترکیبات نسبت های باندی، تحلیل مؤلفه اصلی و روش های پردازش طیفی پیکسل مبنا و زیرپیکسلی، ازجمله SAM و MTMF و پردازش های آماری مبتنی بر الگوریتم عملگر منطقی استفاده شد. در نهایت، با فازی سازی و تلفیق لایه های حاصل از پردازش های تصاویر ماهواره ای با ساختارهای هندسی منطقه (خط واره ها) که روی داده های سنتینل 2 به دو روش خودکار و نیمه خودکار استخراج شدند، نتایج در فضای GIS تحلیل شد و پس از مقایسه نتایج ارائه شده با تحلیل نمونه های زمینی، صحت و تطابق مناطق مورد نظر تأیید شد. دقت کاربر و سازنده درمورد محدوده دارای اولویت به ترتیب 54/78% و 36/78% به دست آمد که معیار سنجش مناسب تری برای معرفی محدوده مرکز حفاری است. 

سنجنده های رادار با روزنه مجازی، با داشتن ویژگی های گسترده، پتانسیل بسیاری در انواع کاربردهای سنجش از دوری دارند؛ ازجمله در قطعه بندی به هنگام پوشش و کاربری اراضی. با وجود دو رویکرد مستقل قطعه بندی ناحیه مبنا و مرزمبنا، به دست آوردن نتایج رضایت بخش در صورت استفاده از هریک از رویکردها در تصاویر SAR دشوار بوده است؛ درحالی که می توان با استفاده از اطلاعات مکمل هر دو روش، محدودیت های موجود را برطرف کرد و نتایج حاصل را بهبود بخشید. در این پژوهش، روش نوینی در قطعه بندی با استفاده از تصاویر پلاریمتری SAR و با هدف بهبود نتایج قطعه بندی مطرح شده که از ادغام هر دو رویکرد بهره گرفته است. روش پیشنهادی Felzenszwalb به منزله الگوریتم پیشنهادی ناحیه مبنا، از مجموعه روش های سوپرپیکسل، با دو روش Quickshift و SLIC مقایسه شد. نتیجه مشخص کرد که روش پیشنهادی توانسته است از قطعه بندی بیش ازحد تصویر جلوگیری کند و کارآیی آنالیز قطعه بندی را افزایش درخور توجهی بخشد. روش پیشنهادی قطعه بندی مرزمبنای آنتروپی شانون نیز، در مقایسه با دو روش گرادیان مبنای کنی و لاپلاسین، مرزهای قطعات تصویری را تا اندازه چشمگیری حفظ کرده است. مقایسه نتایج حاصل از اجرای این روش با داده های مرجع، مقادیر 39/10% و 25/11% را درمورد خطای کل، به ترتیب برای تصویر زمان اول و دوم، نشان می دهد. خطای کل، در مقایسه با عملکرد دو روش دیگر، 81/5 و 73/9% در تصویر اول و 16/11 و 86/13% در تصویر دوم بهبود داده شده است. در نهایت، ادغام دو رویکرد پیشنهادی قطعه بندی سبب شده است بهبود دقت در قطعه بندی تصویر پلاریمتری دستاورد مهم این پژوهش محسوب شود.

در سال های اخیر، نظارت دریایی و هوایی برای مهار آلودگی های دریایی رایج شده است اما این روش ها، به دلیل محدودیت های شرایط آب وهوا، زمان و مکان، به تنهایی نمی توانند پایش سریع و منظمی فراهم آورند. در این زمینه، سنجش از دور ماهواره ای می تواند نقش مهمی در تشخیص اولیه و پایش مداوم نشت نفت در دریا ایفا کند. سنجنده رادار آنتن مصنوعی سیستم سنجش از دور فعالی است که می تواند، برای آشکارسازی نشت نفت همراه با سنجنده های اپتیکال مانند مادیس، با توانایی تصویربرداری هم زمان، استفاده شود. هدف از این پژوهش آشکارسازی نشت نفت پیرامون سکوهای نفتی بخش شمالی خلیج فارس، در تاریخ های پانزدهم و هفدهم ژوئن 2015، با استفاده از تصاویر فروسرخ گرمایی مادیس و تصاویر راداری سنتینل 1 است. برای محاسبه دمای سطح دریا، الگوریتم پنجره مجزا روی تصویر باند 20 سنجنده مادیس اجرا شد. نتایج نشان داد که منطقه دارای نشت نفت دمایی کمتر از مناطق پیرامونی دارد. برای آشکارسازی دقیق تر لکه های نفتی و درستی سنجی نتایج پردازش های اعمال شده بر تصویر مادیس، از تصویر پلاریزاسیون VV سنتینل 1 و پردازش های حذف نوفه مانند فیلترگذاری و مولتی لوکینگ استفاده شد. در پایان، از راه مقایسه دمای بویه موج نگار سازمان بنادر و دریانوردی بوشهر و دمای حاصل از تصویر مادیس و موقعیت جغرافیایی گستره لکه های نفتی بارزشده، درستی نتایج این پژوهش و پردازش های صورت گرفته تأیید شد. استفاده از باند 20 سنجنده مادیس با هدف استخراج دمای سطح دریا و باندهای فروسرخ گرمایی آن، به منظور آشکارسازی لکه های نفتی در سطح دریا، اولین بار در این پژوهش ارزیابی شده است.  

نقشه های کاربری زمین، توزیع فضایی منابع طبیعی، مناظر فرهنگی و سکونتگاه های انسانی را توصیف می کنند که به منزله ابزار برنامه ریزی مهمی برای تصمیم گیرندگان عمل می کند؛ بنابراین دقت نقشه های حاصل از طبقه بندی تصاویر ماهواره ای در عدم قطعیت به منظور مدیریت شهری بسیار تأثیرگذار است. با توجه به کیفیت یکنواخت تصاویر در مناطق بزرگ در مراحل زمانی منظم، تصاویر سنجش از دور ورودی ضروری در تولید نقشه های کاربری زمین شمرده می شوند. هدف اصلی از این تحقیق پیشنهاد کردن روشی به منظور ایجاد نقشه پوشش اراضی دقیق در مناطق شهری، با استفاده از تلفیق داده های سنتینل 1 و سنتینل 2 است. به این منظور، ویژگی های ضریب بازپراکنش راداری VV و دو پارامتر حاصل از روش تجزیه H-α (آنتروپی، آلفا) از تصاویر راداری سنتینل 1 و ویژگی های باند آبی، سبز، قرمز، شاخص های NDVI، NDWI، MNDWI و SWI از تصاویر اپتیک سنتینل 2 استخراج و به منزله مؤلفه های تأثیرگذار در طبقه بندی منطقه شهری استفاده شد. در این مطالعه، با هدف جداسازی مناطق کشاورزی از سایر پوشش ها، از شاخص رطوبت SWI استفاده شد. همچنین داده های ارتفاعی برای تفکیک بهینه کلاس های پیچیده با توپوگرافی متفاوت به کار رفت. استخراج شاخص های تأثیرگذار از این دو مجموعه داده، در رویکردی شیءگرا مبتنی بر الگوریتم های ماشین بردار پشتیبان و جنگل تصادفی، برای طبقه بندی کاربری زمین ارزیابی شد. نتایج نشان داد که به کارگرفتن ویژگی های استخراج شده از تصاویر راداری و اپتیک به طور هم زمان، در روش طبقه بندی شیء گرا، می تواند ویژگی های شیء را به طور کامل در ناحیه مورد مطالعه استخراج کند. در مورد هر دو الگوریتم طبقه بندی، زمانی که از داده های اپتیک و راداری به طور هم زمان استفاده شد، دقت کلی طبقه بندی افزایش داشت. در مورد روش جنگل تصادفی که بیشترین دقت ها را دربر داشت، دقت کلی برای رویکرد ترکیب داده های راداری و اپتیک به میزان 13 و 5%، به ترتیب به نسبت رویکرد تنها ویژگی راداری و تنها رویکرد ویژگی اپتیک، افزایش پیدا کرده است. همچنین اختلاف معنی داری در دقت طبقه بندی، در تمامی سطوح، بین الگوریتم طبقه بندی ماشین بردار پشتیبان و جنگل تصادفی دیده می شود. نتایج نشان داد که دقت کلی درمورد روش طبقه بندی جنگل تصادفی و ماشین بردار پشتیبان به ترتیب برابر 3/83 و 8/79% و ضریب کاپا به ترتیب 72/0 و 68/0% بوده است.