محمدجواد ولدان زوج

ایران یکی از کشورهای خشک و نیمه خشک به شمار می رود که به خشکسالی دچار است. کمبود اطلاعات هواشناسی طولانی مدت در پهنه وسیعی از کشور یکی از بزرگ ترین مشکلات برای مشاهده و پیش بینی کوتاه مدت خشکسالی در ایران است. در این مقاله، با به کار بردن روش ماشین بردار پشتیبان (SVM) و با استفاده از داده های 42 ایستگاه سینوپتیک منتخب در ایران، عملکرد شاخص های پوشش گیاهی طیفی پهن باند NDVI، NDVI-DEV، VCI و TCI در پیش بینی خشکسالی بررسی شد. بدین منظور، از شاخص خشکسالی (SPI) برای بیان خشکسالی استفاده شد که نشان دهنده شدت و دوره خشکسالی، از سال 1985 تا 2008 است. شاخص های پوشش گیاهی یادشده از تصاویر سنجنده NOAA-AVHRR محاسبه و استخراج شدند. این شاخص ها، به صورت ورودی، به مدل SVM وارد شدند و مقادیر SPI را به دست دادند. با این روش، شاخص های TCI و NDVI، به ترتیب، دارای بالاترین و پایین ترین همبستگی با شرایط خشکسالی شناخته شدند

در غیاب داده های افمریز ماهواره و مدل سنجنده، تبدیلات غیرپارامتریک نظیر مدل توابع کسری از مهم ترین و پرکاربردترین انواع مدل های ریاضی در جوامع فتوگرامتری و سنجش از دور به شمار می آیند. وابستگی این مدل ها به تعداد زیادی نقاط کنترل زمینی، مشکلات عددی موجود در حل آنها و مشکل انتخاب ترم های سازندة ساختار تابع کسری را می توان از ضعف های عمدة این روش برشمرد. ازآنجاکه ضرایب در توابع غیرپارامتریک دارای تفسیر و معنای فیزیکی مشخصی نیستند، در روش های معمول کلیة ترم ها وارد فرایند محاسباتی می شوند و خطای وابستگی میان ترم ها ایجاد می کنند. در پژوهش حاضر، الگوریتم کلونی مورچه ها برای بهینه سازی توابع کسری مناسب سازی شد و از الگوریتم ویژه سازی شده به منظور یافتن ترکیب بهینة ترم ها در ساختار توابع کسری استفاده گردید. الگوریتم مذکور، روی سه تصویر در سطوح تصحیح هندسی مختلف با ترکیب های گوناگونی از نقاط کنترل و نقاط چک مستقل در سه سیستم مختصات زمینی UTM، CT و ژئودتیک و بدون نرمال کردن مختصات های زمینی و تصویری آزمون شد. نتایج آزمون های تجربی نشان دادند که الگوریتم ویژه سازی شدة کلونی مورچه ها در پژوهش حاضر از نظر تعداد ترم ها و دقت موقعیت مکانی قابلیت بالایی دارد. نتایج نشان دادند که استفاده از سیستم مختصات CT برای فضای زمین، نتایج بهتری را از نظر دقت و نحوة همگرایی الگوریتم به توابع کسری بهینه به دست می دهد. نتایج برای تصاویر مختلف و حتی تصاویر خام با استفاده از چهار نقطة کنترل، دقت زیرپیکسل را نشان داد.

امروزه استخراج اطلاعات از چگونگی بهره برداری از سطح زمین در نواحی شهری، از المان های مهم در سطوح خرد و کلان برنامه ریزی و تصمیم گیری به شمار می رود. تاکنون تحقیقات چندانی در حوزة استخراج خودکار اطلاعات کاربری اراضی انجام نشده است. سنجش از دور به عنوان یکی از ارزان ترین و سریع ترین راه ها، به ویژه پس از ظهور آنالیزهای شیء مبنا، توانایی مناسبی در این حوزه یافته است. هدف پژوهش حاضر، استخراج اطلاعات کاربری اراضی روی یک ناحیة شهری متراکم و پیچیده است و برای این منظور از سیستم سلسله مراتبی شامل سطوح پوشش اراضی و کاربری اراضی استفاده شد. پس از پیاده سازی روش طبقه بندی پوشش اراضی مرحله به مرحله، استخراج واحدهای کاربری اراضی با استفاده از اطلاعات پوشش اراضی انجام شد و فضای ویژگی ای شامل بیش از 50 ویژگی مفهومی، براساس اطلاعات سطوح پوشش اراضی طراحی و استخراج گردید. پس از این مرحله، ویژگی های بهینه با بالاترین میزان جداپذیری بین کلاسی با استفاده از الگوریتم SFFS از میان این ویژگی ها استخراج شدند. در نهایت با پیاده سازی روش طبقه بندی نزدیک ترین همسایة فازی، طبقه بندی کاربری اراضی براساس ویژگی های بهینه اجرا شد. طبقه بندی کاربری اراضی روی دو سیستم کلاسی ترکیبی و غیرترکیبی پیاده سازی شد و سیستم ترکیبی به عنوان مناسب ترین سیستم کلاسی شناسایی گردید. روش پیش رو بدون درنظرگرفتن معیار مساحت اشیای کاربری اراضی، دارای دقت 88 درصد و با درنظرگرفتن این معیار، دارای دقت 93 درصد است.

معادلات غیرپارامتریک، به دلیل نیازنداشتن به داده های افمریز ماهواره در زمان تصویربرداری و همچنین انتشارنیافتن این داده ها و تصاویر خام به دست مالکان این ماهواره ها، مورد توجه خاص متخصصان فتوگرامتری و سنجش از دور قرار گرفته است. در این مقاله، پژوهشی جامع روی معادلات غیرپارامتریک شامل مدل افاین سه بعدی، تابع رشنال درجة یک با مخرج های نامساوی، معادلات SDLT،DLT و تابع رشنال مخرج مساوی با تأکید بر اثر عوارض کنترلی نقطه و خط، به منظور تصحیح هندسی تصاویر ماهواره ای با قدرت تفکیک مکانی بالا، صورت گرفته است. همچنین، از فرم جدید معادلة Pushbroom-Projective به منزلة ایده ای جدید در تصحیح هندسی تصاویر ماهواره ای استفاده شده است. تصاویر مورد استفاده در این پژوهش تصویر GeoEye-1 از منطقة ارومیه و تصویر Ikonos از منطقة همدان است. در تصحیح هندسی تصویر ماهواره ای GeoEye-1، تابع رشنال درجة یک با مخرج های نامساوی، با استفاده از عوارض کنترلی نقطه، با دقت 75/0 پیکسل و ترم +XY تابع رشنال مخرج مساوی، با دقت 03/2 پیکسل با استفاده از عوارض کنترلی خط، بیشترین دقت را دارند. به علاوه در تصحیح هندسی تصویر ماهواره ای IKONOS، ترم +XY تابع رشنال مخرج مساوی با استفاده از عوارض کنترلی نقطه، با دقت 68/0 پیکسل، و تابع رشنال درجة یک با مخرج های نامساوی، با استفاده از عوارض کنترلی خط با دقتی برابر 5/1 پیکسل، دارای بالاترین دقت اند. در حل معادلات غیرپارامتریک، خطای سیستماتیک باقی مانده در حالت استفاده از خطوط کنترل به مراتب بیشتر از زمانی است که از عوارض کنترلی نقطه استفاده 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.

برای بهره مندی هم زمان از اطلاعات داده های چندمنبعی، از تکنیک های عددی یا تحلیلی تلفیق استفاده می شود. تلفیق باعث تفسیر بهتر، کاهش ابهام و بهبود طبقه بندی می شود. روش های گوناگونی برای تلفیق گسترش داده شده است؛ ازجمله روش های مبتنی بر IHS، Wavelet و PCA. در این پژوهش، قابلیت روش های تلفیق مبتنی بر IHS و روش های تلفیق مبتنی بر PCA بررسی شده است. در این راستا، از روش های FFT-PCA، Wavelet-PCA، Wavelet-IHS و FFT-IHS برای تلفیق روی داده های Hyperion L1R با اندازة پیکسل 30 متر و تصویر پانکروماتیک سنجندة Cartosat-1 با اندازة پیکسل 5/2 متر استفاده شده است. همچنین برای ارزیابی نتایج این روش ها، معیارهای ضریب همبستگی، ضریب همبستگی فیلتر شده، خطای کمترین مربعات و شاخص ERGAS و معیار SAM به کار رفته است. نتایج معیار خطای کمترین مربعات به ترتیب برای FFT-PCA، Wavelet-PCA، Wavelet-IHS و FFT-IHS برای باند 15 برابر با 020/0، 022/0 و 025/0 و 024/0، برای باند 25 برابر با 032/0 و 035/0 و 038/0 و 036/0، و برای باند 34 عبارت اند از 040/0 و 043/0 و 044/0 و 041/0. نتایج این معیار و نیز دیگر معیارها بیانگر دقت بالای روش های مبتنی بر PCA در تلفیق تصاویر بود. درواقع روش های مبتنی بر PCA مزایایی بیشتر از روش های مبتنی بر IHS دارد؛ مانند نداشتن محدودیت باندی. از بین تمامی این روش ها نیز، روش FFT-PCA و Wavelet-PCA دارای نتایج دقیق تر و بهتری بود و در حفظ اطلاعات طیفی و مکانی عملکردی بهتر از دیگر روش ها دارد.

استفاده از داده های چندکانالة1 سنجنده های رادار با روزنة مجازی (SAR)2، به دلیل مستقل بودن از شرایط جوی و نور خورشید و نیز دارابودن قابلیت بالا در استخراج تغییرات، در مقایسه با حالت تک کاناله، در کاربردهای متفاوتی مانند نظارت بر محیط زیست و مدیریت بلایای طبیعی بسیار توجیه پذیر است. با این حال، بهره برداری از این قابلیت ها به استفاده از روش های دقیق و اتوماتیک برای تولید نقشه های تغییرات از تصاویر اخذشده از منطقة جغرافیایی یکسان، در پلاریزاسیون ها یا فرکانس های گوناگون مربوط به زمان های متفاوت، نیاز دارد. از سوی دیگر، حساسیت به بافت صحیح برای یک پیکسل می تواند به حذف خطاهای برچسب گذاری پیکسل های منفرد کمک کند و نقشة تغییرات را بهبود بخشد. حذف نویز لکه ای و ماهیت ایزوتروپیک مدل سازی میدان های تصادفی مارکوف موجب نرم شدن مرزهای مکانی بین مناطق تغییریافته و تغییرنیافته در نقشة تغییرات نهایی می شود. به منظور حذف یا دست کم کاهش این اثر نامطلوب، استفاده از مدل مارکوف با هدف دخیل کردن اطلاعات لبه ها در فرایند برچسب گذاری پیشنهاد می شود. این روند دقت لبه ها در محل مرزهای مکانی را بهبود می بخشد و دقت آشکارسازی تغییرات را ارتقا می دهد. در این تحقیق، یک مدل مارکوف به منظور تشخیص نظارت نشدة تغییرات، ازطریق ترکیب اطلاعات موجود در هریک از کانال هایSAR ، اطلاعات بافت مکانی و نیز اطلاعات لبه، معرفی شده و با استفاده از «توابع انرژی» فرموله شده است. به منظور برآورد پارامترهای مدل، الگوریتم بیشینه سازی امید ریاضی (EM)3 با روش مشتقات لگاریتمی (MoLC)4 ترکیب شده است. الگوریتم پیشنهادی با استفاده از تصاویر ASAR-ENVISAT به روش شبیه سازی ارزیابی شده است. براساس نتایج، روش پیشنهادی دقت کلی را، در مقایسه با روش های موجود آشکارسازی تغییرات (با میانگین 12%)، افزایش داده و قابلیت شناسایی هر سه نوع تغییرات (اندک- متوسط- زیاد) را داراست. این در حالی است که، با درنظرگرفتن اطلاعات باندها و بافت مکانی، قدرت شناسایی تغییرات اندک و متوسط بسیار پایین برآورد شده است. همچنین، با توجه به تعداد دفعات تکرار پایین، زمان اجرای الگوریتم بسیار کاهش یافته است. به طورکلی، بیشترین دقت الگوریتم، براساس روش پیشنهادی، 67/99% برآورد شد.

در این مقاله، به منظور رفع برخی محدودیت های شناسایی ساختمان در تصاویر چندطیفی، از داده SAR به منزله داده مکمل استفاده می شود. در روش پیشنهادی، برای استفاده هم زمان از اطلاعات مفید در تصاویر رادار و چندطیفی، استراتژی مبتنی بر تلفیق تصاویر، با هدف شناسایی ساختمان، مطرح می شود. همچنین، ازآن جاکه انتخاب ویژگی نقش بسزایی در شناسایی و طبقه بندی عوارض دارد، اغلب روش های مرسوم و رایج در این زمینه، مانند الگوریتم ژنتیک، نیازمند داده های آموزشی اند؛ اما دردسترس نبودن همیشگی این نوع داده های آموزشی یکی از دغدغه های مهم محققان به شمار می آید. پس در این تحقیق، دو روش انتخاب ویژگی فیلترمبنا بررسی می شود تا مشخص شود آیا روش های یادشده می توانند، در مواقع لازم (نبودِ داده آموزشی)، جایگزین الگوریتم ژنتیک شوند؟ بنابراین، در پژوهش حاضر، ابتدا بردار ویژگی بهینه از تصویر چندطیفی و SAR، با سه روش MNF وPCA  و ژنتیک، تعیین و هریک جداگانه وارد هر دو طبقه بندی کننده شبکه عصبی و SVM می شود. سپس به منظور رفع مشکلاتی، همچون تشابه طیفی پشت بام ها با پوشش آسفالت خیابان ها، در تصاویر چندطیفی و بهبود نتایج، دو تصویر چندطیفی و SAR در سطح ویژگی تلفیق می شود. در نهایت و در مرحله بعدی، بهترین تصاویر طبقه بندی شده با شبکه عصبی و SVM، در تمامی بررسی های صورت گرفته تا به این مرحله، وارد تلفیق در سطح تصمیم گیری می شوند. نحوه تلفیق در سطح تصمیم گیری بدین صورت است که اطلاعات همسایگی هر پیکسل در قالب پنجره مکانی متحرک در ابعاد متفاوت، با هدف تصمیم گیری درمورد ماهیت هر پیکسل، استفاده می شود. بنابراین، نتایج حاصل شده در این تحقیق، با صحت کلی و دقت شناسایی ساختمان، به ترتیب 92.82% و 80.14% بیانگر عملکرد مناسب این روش است.

اطلاعات پوشش اراضی یکی از مهم ترین ابزارهای مدیریت شهری است و سنجش از دور به عنوان فناوری بهینه از نظر هزینه و زمان، در تولید این گونه اطلاعات اهمیت بسیار دارد. با توجه به وجود نواحی شهری پیچیده و متراکم در کشورهای جهان سوم، روش های شئ مبنا به عنوان راهکار مناسبی در پردازش تصاویر این گونه مناطق پیشنهاد شده اند. هدف پژوهش حاضر معرفی روش شئ مبنای جدیدی برای طبقه بندی مناطق شهری پیچیده با استفاده از تصاویر بزرگ مقیاس ماهواره ای و نزدیک شدن به فرایند تولید نقشة استاندارد و مؤثر با این روش است. در این مدل به منظور انتخاب پارامترهای قطعه بندی، از روشی جدید و همچنین از مدل طبقه بندی سلسله مراتبی به همراه استراتژی قانون مبنایی برای غلبه بر اغتشاشات بین کلاسی بهره گیری شد. در این حیطه ضمن بهینه سازی فضای ویژگی در آنالیزی چندمقیاسه، از دو روش طبقه بندی قانو ن مبنا و نزدیک ترین همسایة فازی استفاده شد. روش پیشنهادی در پژوهش حاضر روی تصویر سنجندة IKONOSاز شهر شیراز پیاده سازی شد، که دقت 84 درصد با استفاده از طبقه بندی روش قانون مبنا و نیز دقت 87 درصد از روش طبقه بندی نزدیک ترین همسایة فازی به دست آمد. افزون بر این، پیاده سازی روش پیشنهادی روی تصویر IKONOSشهر یزد، قابلیت تعمیم پذیری این روش را به سایر مناطق نشان داد. کلید واژه ها : طبقه بندی پوشش اراضی، قانون مبنا، شئ مبنا، نزدیک ترین همسایة فازی، نواحی پیچیده.

تناظریابی از موضوعات چالش برانگیز در سنجش از دور و فتوگرامتری به شمار می آید. این فرایند به منظور طبقه بندی چندطیفی، مانیتورینگ محیط، بازرسی تغییرات، موزاییک کردن تصاویر و نظایر اینها کاربرد وسیعی در سنجش از دور دارد. روش های زیادی برای تناظریابی ارائه شده اند، که یکی از آنها تناظریابی سراسری با استفاده از شبکه عصبی هاپفیلد است. مهم ترین تحقیقات انجام شده در این روش در حوزة شناسایی هدف و مربوط به تصاویر برد کوتاه است، و تاکنون روی تصاویر هوایی و ماهواره ای پیاده سازی نشده اند. هدف اصلی پژوهش حاضر پیاده سازی روش تناظریابی با استفاده از شبکه عصبی هاپفیلد روی انواع تصاویر هوایی و ماهواره ای است. برای انجام تناظریابی مستقل از افاین، از شبکه عصبی هاپفیلد مرتبه 4 استفاده می شود و نتایج عملی روی دو جفت تصویر ماهواره ای بیانگر کارایی بالای این روش است.

ایرادیانس طیفی مستقیم خورشیدی، یکی از کمیتهای رادیومتریک بنیادی است، که داشتن اطلاعات دقیق از آن، میتواند محققین را در دستیابی به اطلاعات جدید در حوزه بهره بری از انرژی پاک خورشیدی و سایر حوزه های مربوطه یاری رسان باشد. در این کار پژوهشی، گامها و فرآیندهای مورد نیاز برای استقرار، کالیبراسیون و اعتبارسنجی یک ایستگاه دائم اندازه گیری ایرادیانس طیفی فرودی مستقیم خورشیدی در شهر هانوفر، آلمان ارائه شده است. این ایستگاه پس از تکمیل این مطالعه در دانشگاه هانوفر توسط محققین این پژوهش راه اندازی شد. به این ترتیب ایرادیانس فرودی خورشید با حد تفکیک طیفی یک نانومتر در بازه 300-800 نانومتر و حد تفکیک زمانی بسیار بالا (هر یک ثانیه 6 اندازه گیری) قابل اندازه گیری است. در این مطالعه، بهترین و دقیقترین ابزار ردیاب خورشیدی از بین سه دستگاه متداول انتخاب شد. مقایسه ی نتایج اندازه گیریهای این ایستگاه تازه تاسیس شده، با اندازه گیریهای ایستگاه پیرانومتری، همبستگی بالای اندازه گیریها را نشان می دهد. هدف از ارائه این راهنمای فنی، انتقال دانش فنی بروز به داخل کشور است، تا محققین داخلی کشور بتوانند با مطالعه این مقاله، به تاسیس مدرن ترین ایستگاههای اندازه گیری تابش خورشیدی بومی اقدام به عمل آورند.

وجود اسپکل در تصاویر رادار با روزنه مصنوعی به دلیل سیستم تصویربرداری همدوس، باعث ایجاد اثر دانه دانه ای در تصویر شده و برخی پردازش های شی گرا همانند قطعه بندی، خوشه بندی و یا شناسایی هدف را تحت تاثیر قرار می دهد. از اینرو روش های مختلفی جهت کاهش اثر اسپکل ارائه شده است.از یک نقطه نظر کلی اغلب الگوریتم های ارائه شده در یکی از روش های حوزه مکان، روش های مبتنی بر تبدیل و نیز روش های بهینه سازی طبقه بندی شده و البته محدود نمی گردند. از جمله محدودیت های موجود در روش های مورد استفاده اغلب می توان به عدم حفظ بافت و ساختار تصویر و نیز وابستگی اجرای الگوریتم به یک یا چند پارامتر تنظیم کننده اشاره نمود، که همین موضوع استفاده از این روش ها را در کاربردهای عملی با چالش رو به رو می سازد. از اینرو در پژوهش حاضر با در نظر گرفتن رفتار فرکانسی تصاویر SAR، روشی بر مبنای فیلترینگ تطبیقی طیف اندازه در حوزه فرکانس ارائه شده است که ضمن حفظ بافت های ظریف تصویر، به طور قابل ملاحظه ای اثر اسپکل را کاهش می دهد. علاوه بر آن الگوریتم پیشنهادی به صورت خودکار اجرا شده و نیازی به برآورد پارامترهای تنظیمی ندارد. همچنین در تصاویر با پیچیدگی بافت زیاد و در روش های کانوولوشن مکانی که نیاز به تنظیم ابعاد کرنل دارد، مرتبه محاسباتی پایین تری خواهد داشت. نتایج ارزیابی نشان می دهد که الگوریتم پیشنهادی در مقایسه با فیلترهای مکانی تطبیقی، ضمن بهبود 50 درصدی شاخص تعداد منظرهای معادل در تصاویر SAR، مقدار شاخص حفظ لبه را نیز به طور میانگین برای تصاویر SAR و شبیه سازی SAR حدوداً 50 و 30 درصد بهبود می بخشد.

امروزه فناوری سنجش ازدور جایگاهی ویژه در کاربردهای مختلف مدیریت شهری پیدا کرده است. در این بین، نقشه ی ساختارهای شهری نظیر بلوک های ساختمانی، عموماً در مدیریت بحران، طراحی شهری و مطالعات مربوط به توسعه ی شهری مورد استفاده قرار می گیرند. در این مطالعه تولید نقشه بلوک های ساختمانی با استفاده از تصاویر ماهواره ای سنتینل 1 و 2 دنبال شده است. روش پیشنهادی این مقاله متکی بر استفاده از طبقه بندی کننده آموزش یافته تعمیم پذیر می باشد. به نحوی که در ابتدا، طبقه بندی کننده مورد نظر با استفاده از نمونه های آموزشی به دست آمده از یک فرآیند پالایشی سختگیرانه نوین توسط محصولات سنجش ازدوری و مکانی مختلف، در سال 2015، آموزش می یابد. سپس این طبقه بندی کننده به منظور تولید نقشه بلوک های ساختمانی در مقاطع زمانی مشابه سه سال هدف (2018، 2019 و 2020) به کار گرفته می شود. به دلیل تنوع بافت و تراکم بلوک های ساختمانی در کلان شهر تهران، روش پیشنهاد شده در این منطقه مورد ارزیابی قرار گرفته است. همچنین با توجه به وسعت منطقه مطالعاتی، فراهم بودن تصاویر ماهواره ای رایگان بدون نیاز به اخذ و امکان اجرای عملیات  مختلف پردازشی به صورت برخط، از سامانه گوگل ارث انجین در پژوهش حاضر استفاده شده است. سه روش طبقه بندی جنگل تصادفی، کمترین فاصله با معیار فاصله ماهالانابیس و ماشین بردارپشتیبان در این فرآیند مورد بررسی قرار می گیرند. به منظور ارزیابی روش پیشنهادی، از نمونه های مرجع به دست آمده از تفسیر بصری تصاویر با قدرت تفکیک مکانی بالا (گوگل ارث) در هر سه سال هدف استفاده شده است. نتایج به دست آمده عملکرد بهتر روش جنگل تصادفی در هر سه سال هدف با دقت کلی بالای 93 درصد را نسبت به دو روش دیگر نشان می دهند.

امروزه روشی متداول در ایجاد پایگاه داده راه ها، استخراج آن ها از تصاویر رقومی هوایی و ماهواره ای است. با توجه به حجم بسیار دادههای شبکه راه و نیاز به بهنگام کردن آن ها با کمترین زمان و هزینه محاسباتی، اتوماسیون فرایند استخراج اطلاعات راه در حال تبدیل به یکی از ملزومات عصر جدید است. در تحقیق حاضر که بیشتر بر مرحله برداری سازی راه تأکید دارد، سیستمی هوشمند برای برداری سازی اتوماتیک نتایج کشف راه، با کمترین میزان دخالت عامل انسانی، طراحی شده است. سیستم طراحی شده دارای دو مرحله اساسی تعیین نقاط کلیدی راه و برقراری اتصال بین آن ها است. نخست، با استفاده از تکنیک خوشه بندی بر مبنای الگوریتم انبوه ذرات نقاط اصلی نمایانگر محور مرکزی راه تعیین می شوند. سپس، با در نظر گرفتن مدل گراف وزن دار برای شبکه راه های تصویر، تعیین معیارهای هندسی مناسب و تلفیق این معیارها از سوی عملگرهای میانگین گیر وزن دار ترتیبی، هزینه هر اتصال محاسبه می شود. اتصالات دارای کمترین هزینه، به صورت قطعات نهایی راه در تشکیل شبکه برداری راه شرکت می کنند. نتایج حاصل از پیاده سازی روش پیشنهادی روی چندین تصویر بزرگ مقیاس ماهواره ای و مقایسه آن ها با نتایج الگوریتم درخت پوشای کمینه تأییدکننده موفقیت روش پیشنهادی در استخراج شبکه راه با دقت و صحت بالا است. براساس نتایج ارزیابی، روش پیشنهادی قادر است شبکه راه های تصویر را با میانگین RMSE حدود 9/0 متر، میانگین completeness حدود 94% و میانگین correctness بیش از 95% برداری کند. در مجموع، الگوریتم پیشنهادی در برداری سازی راه های با اشکال مختلف شامل راه های مستقیم، راه های دارای انحنا، راه های با ضخامت های متفاوت، راه های موازی با فواصل متغیر، تقاطع و میدان موفقیت آمیز عمل کرده است.

ضرورت دسترسی به کاربردهای وسیع تصاویر ابرطیفی سبب توسعه سیستم های تصویربرداری نوآورانه و اقتصادی در ثبت این تصاویر شده است. به منظور استفاده از این تصاویر، لازم است ارتباط هندسی دقیقی میان آنها و فضای زمین برقرار شود و این فرایند نیازمند نقاط کنترلی بسیاری است. این نکته ضرورت توسعه راهکارهای اصلاح هندسی منطبق با ساختار هریک از این دوربین ها را بارز می کند. سنجنده (nm 400-1000) BaySpec OCI-F یکی از سیستم های نوآورانه ای است که تصاویر ابرطیفی را با هندسه تصویربرداری پوش بروم دریافت می کند. این سنجنده، علاوه بر یک سنسور پوش بروم، از یک سنسور فریم نیز بهره می برد که هم زمان با سنسور پوش بروم و با رزولوشن مکانی زمانی مشابه، تصویر را دریافت می کند. در این مقاله، روشی برای اصلاح هندسی تصاویر پوش برومِ این سنجنده بیان شده است. در بخش اول این روش، با توجه به ساختار تصویربرداری دوربین، ارتباط هندسی میان آرایه خطی و سنسور فریم در قالب پارامترهای کالیبراسیونی مشخص می شود. در ادامه، به کمک برآورد ارتباط هندسی میان تصاویر فریم متوالی، پیکسل های تصویر پوش بروم در کنار یکدیگر چیده و تصویر اصلاح شده تولید می شود. در این روش، ارتباط هندسی میان هر جفت فریم متوالی به طور مستقیم، ازطریق تناظریابی کمترین مربعات، محاسبه می شود. نتایج به دست آمده نشان می دهد که این روش، به طور متوسط، 2/62% از اعوجاجات هندسی تصویر خام را کاهش داده است. این کاهش سبب شده است متوسط دقت مدل های درون یاب عمومی ساده دوبعدی و سه بعدی بین فضای تصویر و زمین، به ترتیب، 9/39% و 1/34% افزایش یابد.

سابقه و هدف: کشاورزی سنگ بنای اقتصاد جهانی است و به مثابه منبع اصلی غذا و مواد خام برای صنایع مختلف عمل می کند. بااین حال، تقاضای فزاینده غذا به دلیل رشد جمعیت، تهدید قابل توجهی برای امنیت غذایی است، به ویژه زمانی که دسترسی محدود به منابع آب شیرین را در نظر بگیریم. شایان ذکر است که کشاورزی به تنهایی حدود 70 درصد از منابع آب شیرین جهان را مصرف می کند، که بر نیاز حیاتی برای مدیریت و افزایش بهره وری آبیاری برای تضمین تولید پایدار مواد غذایی تأکید دارد. در نتیجه مدیریت و افزایش بازده آبیاری امری ضروری است. در قلب تعیین نیاز آب آبیاری، مفهوم تبخیر و تعرق واقعی محصول (ETa) نهفته است، که نشان دهنده اتلاف آب، ترکیبی از تبخیر خاک و تعرق گیاه است. برآورد دقیق ETa در بهینه سازی روش های آبیاری، به حداکثر رساندن عملکرد محصول و به حداقل رساندن مصرف آب بسیار مهم است. برای این منظور، مدل ها و ابزارهای مختلفی برای تخمین ETa با هدف ارائه روش های کاربرپسندتر و کارآمدتر برای کشاورزان و پژوهشگران ایجاد شده اند. با توجه به مطالعات انجام شده و کاربرد وسیع مدل های برآورد ET، لازم است تمرکز بر روش های دقیق و سریع تعیین این پارامتر افزایش یابد. لذا هدف این مطالعه مقایسه روش های برآورد سنجش از دوری ETa کاربرپسندانه تر، از جمله سامانه EEFLUX، ابزار METRICTOOL و روش انتخاب خودکار پیکسل سرد و گرم مدل های SEBAL و METRIC است.مواد و روش ها: Earth Engine Evapotranspiration Flux یا به اختصار EEFLUX نسخه ای از مدل METRIC است که بر روی سیستم موتور Google Earth کار می کند. METRICTOOL، ابزاری جدید در ArcGIS براساس مدل METRIC است. این ابزار پیش پردازش و شناسایی خودکار کالیبراسیون بالقوه و معرفی داده های ورودی را تسهیل کرده، زمان محاسبات را تا ۵۰ درصد کاهش می دهد و جایگزینی کاربرپسندتر از دیگر پلتفرم های موجود پیاده سازی مدل METRIC است. روش انتخاب خودکار پیکسل سرد و گرم شامل ایجاد یک نقشه باینری از پیکسل های واجد شرایط که با استفاده از یک طبقه بندی کننده ساده مبتنی بر قانون شناسایی می شوند، و استفاده از الگوریتم جست وجوی جامع برای شناسایی پیکسل های گرم و سرد، مطابق با معیارهای تعریف شده است. برای برآورد ET با استفاده از روش های نام برده، از 6 تصویر ماهواره ای Landsat 8 در طول دوره کاشت محصول گندم زمستانه مزارع دانشگاه تهران واقع در محمدشهر کرج استفاده شد. ارزیابی روش های مذکور با استفاده از تبخیر و تعرق مرجع یونجه (ETr) با استفاده از روش FAO-Penman–Monteith به عنوان داده مرجع انجام شد.نتایج و بحث: RMSE سامانه EEFLUX، ابزار METRICTOOL، SEBAL و METRIC خودکار به ترتیب 2.45، 0.33، 0.39 و 2.76 به دست آمد. با توجه به نتایج محصول تبخیر و تعرق سامانه EEFLUX به رغم اختلاف عددی با دیگر روش ها همبستگی معناداری با آن ها داشت. مثلاً R2 بین ETa این سامانه و ابزار METRICTOOL 0.91 برآورد شد. نتیجه آن است که گرچه داده های این سامانه به دلیل استفاده از داده های هواشناسی جهانی CFSV2 در ایران برای مطالعات محلی از دقت کافی برخوردار نیستند، اما در مطالعات مناطق با وسعت بالا یا جهانی نتایج قابل قبولی به دست می دهند.  ابزار METRICTOOL و مدل METRIC خودکار بیشترین همبستگی (R2=0.99) و نزدیکی عددی را با یکدیگر داشتند و به ترتیب با RMSE 0.33 و 0.39 دقت بالاتری نسبت به مدل SEBAL خودکار دارند.نتیجه گیری: با توجه به نتایج عددی رویکرد انتخاب خودکار پیکسل سرد و گرم می تواند دقت مشابهی در مقایسه با ابزار METRICTOOL داشته باشد. بدین ترتیب رویکرد خودکار کارایی مدل را از نظر زمان و بازده افزایش و می تواند خطای انسانی در تخمین تبخیر و تعرق را برای کاربران جدید یا بی تجربه کاهش دهد و این مدل ها را در دسترس عموم کاربران قرار دهد. همچنین داده های EEFLUX می توانند در مطالعات با وسعت بالا برای اقدامات مدیریتی کارایی لازم را داشته باشند.