محمدرضا سیف

در این پژوهش مقدار محتوای الکترون کلی ( TEC ) یونوسفر با استفاده از تبدیل فوریه ( FT ) مورد ارزیابی قرار گرفته است. برای این منظور مشاهدات ایستگاه GPS تهران ( N 35.69 ، E 51.33) که یکی از ایستگاه های شبکه جهانی IGS است، از سال 2007 تا سال 2018 مورد استفاده قرار می گیرد. با استفاده از مشاهدات سال های 2017-2007 ضرایب سری فوریه محاسبه شده و فرکانس های غالب موجود در آن استخراج می شود. سپس با استفاده از ضرایب سری فوریه بدست آمده، مقدار TEC به صورت روزانه، ماهانه و سالیانه برای سال 2018 پیش بینی می شود. به منظور ارزیابی روش پیشنهادی در این تحقیق، نتایج حاصل با مقادیر TEC حاصل از GPS ( GPS TEC )، مدل کریجینگ معمولی ( OK TEC ) و همچنین TEC حاصل از شبکه جهانی IGS ( GIM TEC ) مقایسه شده اند. پارامترهای آماری خطای نسبی، جذر خطای مربعی میانگین ( RMSE )، ضریب همبستگی و هیستوگرام باقیمانده ها برای ارزیابی نتایج مورد استفاده قرار می گیرند. براساس نتایج، پیش بینی مقدار TEC حاصل از سری فوریه در سال 2018 دارای بیشینه خطای نسبی 16.62% وجذر خطای مربعی میانگین،  1.97 TECU  است. برای مدل GIM بیشینه مقادیر خطای نسبی و RMSE به ترتیب 45.40% و 3.50 TECU به دست آمده است. همچنین برای مدل کریجینگ معمولی مقادیر خطا به ترتیب برابر با 21.35% و 2.12 TECU شده است. تحلیل هیستوگرام باقیمانده ها نیز حاکی از دقت بالاتر مدل FT نسبت به مدل های GIM و کریجینگ معمولی است. نتایج حاصل نشان می دهند که روش تبدیل فوریه قابلیت بالایی برای تخمین سری زمانی TEC در دوره فعالیت های آرام خورشیدی را دارد.     

سنجش از دور لیدار یک فناوری برتر برای کسب داده های سه بعدی مکانی با سرعت و چگالی بالا از سطح زمین است. در سال های اخیر استفاده از این فناوری در آشکارسازی اهداف پیشرفت قابل ملاحظه ای داشته است. قابلیت نفوذ پالس لیزر از میان شاخ و برگ درختان امکان آشکارسازی اهداف واقع در زیر پوشش درختان را توسط لیدار فراهم کرده است. در تحقیق حاضر، یک الگوریتم ابتکاری به منظور آشکارسازی ساختمان های واقع در زیر پوشش درختان با استفاده از ابر نقطه لیدار ارائه شده است. الگوریتم پیشنهادی شامل چهار مرحله است: بخش بندی نقاط، استخراج نقاط کاندیدای زمینی، آشکارسازی ساختمان ها و استخراج لبه. در مرحله نخست، ابتدا ابر نقطه در پنجره هایی با ابعاد مشخص بر اساس پارامترهای ارتفاعی و فاصله ای بخش بندی می شود. در مرحله بعد، نقاط پرت ارتفاعی حذف شده و سپس نقاط کاندیدای ساختمانی از نقاط گیاهی و زمینی جدا می شوند. در مرحله ی سوّم  با مقایسه ی ارتفاعی نقاط زمینی زیر درختان و اطراف آنها و در نظر گرفتن یک حد آستانه ارتفاعی، ساختمان های واقع در زیر پوشش درختان شناسایی شده و در آخرین مرحله، لبه های ساختمان ها با استفاده از یک روش ابتکاری استخراج می شوند. در این پژوهش، الگوریتم پیشنهادی بر روی ابر نقطه ایالت سانتا کاتارینای برزیل که شامل چهار ساختمان واقع در زیر پوشش درختان جنگل است، در مقایسه با روش فیلترینگ مورفولوژی بر حسب معیار سطح زیر منحنی ROC ارزیابی شده است. بر اساس نتایج تجربی به دست آمده، الگوریتم پیشنهادی در آشکارسازی ساختمان ها به دقت متوسط 91% رسیده که حدود 4% بهتر از روش فیلترینگ مورفولوژی است.