الهه خصالی

رشد شهری به عنوان یکی از پیامدهای اصلی افزایش جمعیت و توسعه اقتصادی، فرایندی پویا و پیچیده است که منجر به گسترش بی رویه مناطق شهری به سمت اراضی طبیعی پیرامون می شود. این پدیده علاوه بر تغییرات شدید در کاربری اراضی، پیامدهای زیست محیطی متعددی از جمله تخریب زیست گاه ها، کاهش پوشش گیاهی، افزایش آلودگی و ناپایداری اکولوژیکی را به همراه دارد. پایش دقیق و مستمر این تغییرات، نقش مهمی در برنامه ریزی شهری، مدیریت بهینه منابع و توسعه پایدار شهری ایفا می کند. امروزه استفاده از تصاویر ماهواره ای به ویژه داده های چندمنبعی و استفاده از الگوریتم های یادگیری ماشین، به عنوان راهکاری کارآمد برای پایش تغییرات کاربری و آشکارسازی مناطق ساخته شده شهری مورد توجه قرار گرفته است. در این پژوهش، یک رویکرد ترکیبی مبتنی بر تلفیق داده های راداری سنتینل-1 و نوری سنتینل-2 در محیط سامانه تحت وب Google Earth Engine برای استخراج و نقشه برداری مناطق ساخته شده شهر ساری ارائه شده است. ابتدا شاخص های طیفی(BuEI ، NDBI، NDVI، GNDVI، RDVI،  NDWI, SoEI )و آنالیز مؤلفه های اصلی از داده های سنتینل-1 و سنتینل-2 استخراج شدند. سپس با استفاده از ویژگی های استخراج شده و الگوریتم های طبقه بندیRandom Forest ،  Support Vector MachineوCART، نقشه های مناطق شهری تولید شدند. نتایج ارزیابی با استفاده از داده های مرجع گوگل ارث نشان می دهند که الگوریتم RF با دقت کلی 95.2 درصد و ضریب کاپای 90.4 درصد، بهترین عملکرد را در مقایسه با سایر الگوریتم ها دارد. الگوریتم های SVM و CART نیز با دقت های 93.8 و 93.3 درصد، عملکرد قابل قبولی نشان دادند. یافته های این پژوهش نشان می دهند که ترکیب داده های چندمنبعی و استفاده از بسترGEE ، علاوه بر اعمال دقت بالاتر در پایش تغییرات شهری، سرعت پردازش را افزایش داده و نیاز به زیرساخت های محاسباتی پیشرفته را کاهش می دهد.

هیدروگرافی علمی است که با پایش منظم پارامترهایی نظیر عمق آب، زمین شناسی، ژئوفیزیک، جزر و مدّ، جریان آب، امواج و سایر ویژگی های فیزیکی آب دریا، امکان تهیه نقشه های مورد استفاده در عملیات دریانوردی را فراهم و سهم بسزایی در زیر ساخت های داخلی کشورهای ساحلی ایفا می نماید. ارائه مناسب خدمات هیدروگرافی متضمن دریانوردی ایمن و مؤثر می باشد. به طوری که توسعه خدمات هیدروگرافی در سطح ملی می تواند ضمن ارتقاء ایمنی دریانوردان، حفاظت از جان انسان ها و متعلقاتشان در دریا ، تسهیلاتی را به منظور حفاظت از محیط زیست دریایی ایجاد نماید. در این راستا با پیشرفت تکنولوژی های فضایی در سال های اخیر با هدف سرعت بخشیدن به تولید اطلاعات مکانی و پایش دریاها در بازه زمانی قابل قبول، محدودیت نقشه برداری دریایی در زمان های بحران همچون جنگ و ناامنی از بین رفته و بسترمناسب جهت عمق یابی در سواحل دور و غیر قابل دسترس و همچنین پایش پهنه های وسیع آبی و استراتژیک، با بکارگیری فناوری سنجش از دور در حوزه علوم دریایی و با استفاده از آنالیز طیفی داده های ماهواره ای و بکارگیری مدل های مختلف، عمق بستر دریا در محدوده های کم عمق ایجاد شده است. بدین منظور در پژوهش حاضر، از تصاویر ماهواره Sentinel2 و مدل های عمق سنجی رگرسیون خطی چند باندی ( LMR ) [1] و استامپ به منظور تعیین عمق آب استفاده شده است. سپس با استفاده از چارت دریایی 1:25.000 Admirality ارزیابی دقت انجام شد. پس از پیاده سازی، مدل بهینه رگرسیون خطی چند باندی، مقدار میانگین مربع خطاها( RMSE ) [2] 15/2 متر و ضریب همبستگی ( CC ) [3]   آن 925/0 % در فواصل عمقی صفر تا 20 متر محاسبه و با استخراج پارامترهای مورد نیاز مدل ، بر روی مقادیر پیکسلی 4 باند 10متری تصویر   Sentinel2 اعمال شده و مدل رقومی ارتفاعی بستر محاسبه و پیاده سازی گردیده است.

سرمازدگی از جمله پدیده هایی است که همه ساله خسارات بسیاری بر بخش کشاورزی وارد می سازد. از دیدگاه هواشناسی/اقلیم شناسی هنگامی که دمای هوا به کمتر از آستانه تحمل گیاهی می رسد، پدیده سرمازدگی اتفاق می افتد. این پژوهش به پیش بینی مناطق در خطر سرمازدگی با استفاده از روش NEAT[1] در ایالت جورجیای آمریکا می پردازد. روش NEAT برای تخمین دمای هوا در نزدیکی سطح بکار گرفته شد. بدین منظور از داده های سنجنده مادیس مستقر بر سکوهای ترا و آکوا و داده های ایستگاه های هواشناسی شبکه AEMN[2] استفاده شده است. جهت پیاده سازی مدل، دو بازه زمانی 3 تا 9 دسامبر سال 2006 و 3 تا 11 آپریل 2007 انتخاب شدند. در این دوبازه، سرمازدگی خسارات زیادی به محصولات کشاورزی در جنوب شرق آمریکا وارد کرده است. ابتدا با استفاده از داده های شبکه AEMN ضرائب مدل NEAT برای برون یابی دمای هوا به ساعات بعد محاسبه شده و مورد ارزیابی قرار گرفت. سپس دمای هوای نزدیک سطح با استفاده از محصولات مادیس برای لحظه گذر شبانه دو سنجنده مادیس مستقر بر سکوهای آکوا و ترا استخراج گردید. در نهایت مدل NEAT بر روی دمای هوای استخراج شده از تصاویر ماهواره ای اعمال گردیده و دمای شبانه از حدود ساعت 22:30 شب تا 7:30 صبح در بازه های زمانی 15 دقیقه ای پیش بینی شده است. جهت ارزیابی، داده های 68 ایستگاه شبکه AEMN در این دو بازه زمانی مورد استفاده قرار گرفت. در نهایت مقادیر RMSE  و تغییرات پارامترهای دقت کلی و دقت کاربر در مورد پیش بینی سرمازدگی در طول شب مورد بررسی قرار گرفت. مقدار RMSE کل برای تعداد 13840 داده ، 5/2 درجه بدست آمد. پارامتر RMSE  از لحظه گذر تا 6 ساعت پس از آن، دارای روند افزایشی می باشد و با دور شدن از لحظه گذر از 1/0 تا 5/2 درجه سلسیوس تغییر می کند. نتایج حاصل می تواند تا حد زیادی در شناسایی و پیش بینی مناطق در خطر سرمازدگی مفید باشد.

امروزه با پیشرفت تکنولوژی و اهمیت بحث تولید مدل ارتفاعی رقومی زمین از تمام نقاط کشور، می توان به لزوم استفاده هرچه بیشتر از سنجش از دور ماهواره ای پی برد. یکی از ارکان اصلی سنجش از دور ماهواره ای، سنجش از دور راداری می باشد. در سال های اخیر پروژه های فضایی بسیاری، اخذ اطلاعات از سطح کره زمین را آغاز کرده اند که آخرین آنها پروژه سنتینل می باشد. سنتینل-1 بخش راداری پروژه سنتینل است که با دوره زمانی 12 روز از سطح زمین تصاویر با توان تفکیک مکانی متوسط اخذ می کند. در این مقاله دقت و قابلیت تولید مدل ارتفاعی رقومی زمین با استفاده از این تصاویر مورد بررسی قرار می گیرد. تصاویر مورد استفاده در پژوهش حاضر، از شهر تهران و حومه آن می باشد. جهت انجام آزمایش ها هم از بخش کوهستانی (شمال تهران) و هم بخش هموار (جنوب تهران) استفاده شده است. تکنیک تولید مدل ارتفاعی رقومی، روش تداخل سنجی راداری با دو عبور تکراری می باشد. مدل ارتفاعی رقومی تولید شده با استفاده از تصاویر سنتینل-1 و تکنیک تداخل سنجی راداری با مدل ارتفاعی رقومی مرجع با دقت یک متر مورد ارزیابی قرار می گیرد. نتایج تحقیق نشان می دهند که در منطقه هموار، دقت ارتفاعی (انحراف معیار) مدل ارتفاعی رقومی 26/1 متر و دقت ارتفاعی در منطقه کوهستانی 32/10 متر می باشد. با در نظر گرفتن این نکته که می توان با استفاده از تصاویر سنتنل-1 که تصاویری با توان تفکیک مکانی متوسط محسوب می شوند به دقت نسبتاً مناسبی خصوصاً در مناطق غیر کوهستانی سخت دست یافت، لزوم مطالعه عمیق تر و استفاده بیشتر از این تصاویر بر محققان مشخص می شود.

نسل جدید سنجنده های راداری فضایی با حد تفکیک مکانی بالا، امکان استفاده از این تصاویر را به منظور استخراج خودکار عوارض، به ویژه عارضه راه فراهم آورده اند. در پژوهش حاضر، استخراج عارضه راه از تصاویر راداری و اپتیک با حد تفکیک بالا با یکدیگر مقایسه شدند. بدین منظور از تصاویر آیکونوس و TerraSAR-X استفاده شد و بین تصاویر هم مرجع سازی انجام گرفت. سپس ویژگی های بافت استخراج شدند و طبقه بندی با استفاده از شبکة عصبی بازپس خور خطا انجام پذیرفت. با مقایسة نتایج حاصل از اجرای الگوریتم با داده های مرجعی که عامل انسانی آنها را تهیه کرده است، برای داده های TerraSAR-X و آیکونوس، به ترتیب مقادیر 10/46 و 72/57 درصد برای پارامتر RCC، 58/46 و 27/93 درصد برای پارامتر BCC و مقادیر 61/0 و 31/0 برای پارامتر RMSE به دست آمد. مقایسه تصویر خروجی حاصل از دو الگوریتم نشان می دهد که هرکدام از تصاویر اپتیک و راداری نواقصی در استخراج راه دارند. به عنوان مثال، الگوریتم های اپتیک به مناطقی از تصویر که ویژگی های طیفی و بافتی مشابه با راه دارند ازجمله محل پارکینگ ها و سقف بام های بزرگ حساس هستند، درصورتی که این مناطق در تصاویر راداری ظاهری روشن و بافتی متفاوت دارند. بنابراین تصاویر راداری در مناطقی با بافت شهری به ویژه توأم با راه های کم عرض و کوچه ها مناسب اند. از طرفی دیگر تصاویر راداری در مناطقی با پوشش گیاهی انبوه به خوبی عمل نمی کنند، درحالی که تصاویر اپتیک کاملاً قادر به تمایز این مناطق از راه ها هستند. در نتیجه با توجه قابلیت های مکمل این تصاویر در استخراج راه، تلفیق ویژگی های این دو منبع به منظور رفع نواقص و افزایش دقت الگوریتم های حاضر، روشی کارآمد در توسعه الگوریتم ها به نظر می رسد.