ناهید حق شناس؛ علی شمس الدینی
چکیده
دادههای سنجش از دوری، با قدرت تفکیک مکانی بالا، اغلب دارای قدرت تفکیک زمانی و طیفی پایین و دادههای با قدرت تفکیک مکانی پایین دارای قدرت تفکیک طیفی و زمانی بالا هستند. باوجوداین، درحالحاضر، سنجندههای ماهوارهای بهتنهایی نمیتوانند دادههایی با قدرت تفکیک زمانی و قدرت تفکیک مکانی بالا را همزمان ارائه کنند. این درحالی ...
بیشتر
دادههای سنجش از دوری، با قدرت تفکیک مکانی بالا، اغلب دارای قدرت تفکیک زمانی و طیفی پایین و دادههای با قدرت تفکیک مکانی پایین دارای قدرت تفکیک طیفی و زمانی بالا هستند. باوجوداین، درحالحاضر، سنجندههای ماهوارهای بهتنهایی نمیتوانند دادههایی با قدرت تفکیک زمانی و قدرت تفکیک مکانی بالا را همزمان ارائه کنند. این درحالی است که در برخی کاربردها دسترسی همزمان به دادههایی با قدرت تفکیک مکانی و زمانی بالا ضروری است؛ ازاینرو در این مطالعه، با هدف دستیابی به دادههای دارای قدرت تفکیک مکانی و زمانی بالا، تصاویر مادیس در کلاسهای کاربری شهری، باغ، مرتع، کشاورزی و آب ازطریق الگوریتمهای STARFM ، ESTARFM وFSDAF به قدرت تفکیک مکانی سنتینل ـ 2، ریزمقیاس شد. منطقة مطالعاتی با تنوع پوششهای زمین گوناگون در اطراف شهر مهاباد انتخاب شد. در این مطالعه، باندهای مرئی و مادونقرمز نزدیک در سنتینلـ 2 و مادیس انتخاب و پیشپردازشهای لازم، ازجمله تصحیح هندسی، روی آنها انجام شد. سپس با استفاده از الگوریتمهای ریزمقیاسنمایی، تصاویر مادیس به تصاویر سنتینل ـ 2 ریزمقیاس شد. نتایج نشاندهندة صحت بالای کلاسهای شهری، باغ و مرتع در قیاس با کلاسهای کشاورزی و آب است؛ بهگونهای که الگوریتمهای ESTARFM، FSDAF و STARFM بهصورت میانگین در همة باندها، بهترتیب برای کلاس شهری، ضریب تعیین 25/88، 25/87 و 5/86، درمورد کلاس باغ ضریب تعیین 75/83، 25/83 و 5/80 و درمورد کلاس مرتع، ضریب تعیین 75/90، 5/70 و 5/87 را نشان دادند. درمجموع، الگوریتم ESTARFM در مقایسه با دیگر الگوریتمها در این تحقیق، نتیجهای بهتر دربرداشت.
ناهید حق شناس؛ علی شمس الدینی؛ حسین عقیقی
چکیده
آگاهی از میزان تاجپوشش درختان در مناطق شهری بهعلت تأثیرات آن در کاهش آلودگیهای هوا، کاهش آلودگی صوتی، جلوگیری از باد، ذخیرة نزولات آسمانی، و کاهش و کنترل روانابهای شهری بسیار ضروری است. ازآنجاکه استخراج تاجپوشش درختان با روشهای دستی بسیار وقتگیر و پرهزینه است، تکنیکهای سنجش از دور میتوانند ابزار مناسبی برای تأمین ...
بیشتر
آگاهی از میزان تاجپوشش درختان در مناطق شهری بهعلت تأثیرات آن در کاهش آلودگیهای هوا، کاهش آلودگی صوتی، جلوگیری از باد، ذخیرة نزولات آسمانی، و کاهش و کنترل روانابهای شهری بسیار ضروری است. ازآنجاکه استخراج تاجپوشش درختان با روشهای دستی بسیار وقتگیر و پرهزینه است، تکنیکهای سنجش از دور میتوانند ابزار مناسبی برای تأمین این دادهها باشند. در طبقهبندی شیءپایه، انتخاب پارامترهای بهینة قطعهبندی، بهویژه پارامتر مقیاس، اهمیت بسیاری دارد و معمولاً با شیوة آزمایش و خطا تعیین میشود که کاملاً تجربی است. بنابراین، یکی از اهداف این پژوهش انتخاب مقیاس بهینة قطعهبندی بهصورت خودکار است. همچنین، پس از استخراج قطعات، لازم است با یک روش طبقهبندی، قطعات استخراجشده تعیین کاربری/ پوشش زمین شوند و در این زمینه، انتخاب نوع روش طبقهبندی در نتیجة نهایی طبقهبندی شیءپایه بسیار اهمیت دارد. ازاینرو، پس از قطعهبندی با استفاده از دادههای لیدار و تصاویر هوایی از شهر واهینگن در آلمان و تعیین ویژگیهای مهم مستخرج از قطعات، با استفاده از روش انتخاب ویژگی برمبنای جنگل تصادفی، قطعات مربوط به تاجپوشش درختان از سایر قطعات تفکیک شد. این کار با بهرهگرفتن از شیوههای یادگیری ماشین شامل ماشین بردار پشتیبان، جنگل تصادفی و درخت تصمیمگیری صورت گرفت. نتایج نشاندهندة برتری الگوریتم ماشین بردار پشتیبان، بهمنزلة برترین الگوریتم طبقهبندیکننده، و مقیاس 25، بهمنزلة بهترین مقیاس انتخابی، بود و در نهایت، الگوریتمهای ماشین بردار پشتیبان، جنگل تصادفی و درخت تصمیمگیری در مقیاس 25، بهترتیب، با شاخصهای کیفیت 79.90 و 79.16 و 76.90 توانستند تاجپوشش درختان را استخراج کنند.