علمی - پژوهشی
مائده بهی‌فر؛ حسین عقیقی؛ علی اکبر متکان؛ علی‌اکبر متکان
چکیده
شاخص سطح برگ استخراج‌شده (LAI) از تصاویر سنجش از دور پارامتر مهمی، به‌منظور مدل‌سازی مکانی تولید پوشش گیاهی، محسوب می‌شود. معمولاً شاخص‌های پوشش گیاهی که با بازتاب طول موج‌های قرمز و مادون قرمز نزدیک محاسبه می‌شوند، در برآورد LAI با استفاده از روش‌های آماری، به‌کار می‌روند اما بسیاری از این شاخص‌ها در مقادیر متفاوت LAI به اشباع ...
بیشتر
شاخص سطح برگ استخراج‌شده (LAI) از تصاویر سنجش از دور پارامتر مهمی، به‌منظور مدل‌سازی مکانی تولید پوشش گیاهی، محسوب می‌شود. معمولاً شاخص‌های پوشش گیاهی که با بازتاب طول موج‌های قرمز و مادون قرمز نزدیک محاسبه می‌شوند، در برآورد LAI با استفاده از روش‌های آماری، به‌کار می‌روند اما بسیاری از این شاخص‌ها در مقادیر متفاوت LAI به اشباع میرسند. برای رفع این محدودیت، بازتاب محدودة لبة قرمز استفاده شده است؛ بنابراین، باید قابلیت شاخص‌های متفاوت پوشش گیاهی استخراج‌شده از داده‌های سنجش از دور، برای برآورد LAI ذرت علوفهای، ارزیابی شود. بدینمنظور پنج مرحله نمونه‌برداری میدانی، با فاصلة زمانی نزدیک به گذر ماهوارة سنتینل‌ـ 2، از سوی مرکز تحقیقات فضایی پژوهشگاه فضایی ایران، اجرا شد و در مجموع، 234 نمونه از مزارع ذرت علوفهای شرکت کشت و صنعت مگسال قزوین برداشت شد. سپس سیزده شاخص پوشش گیاهی متفاوت، با استفاده از سری زمانی تصاویر سنتینل‌ـ 2، محاسبه شد و برای برآورد آماری مقادیر LAI به‌کار رفت. نتایج نشان داد که شاخص EVI با ضریب همبستگی 76/0 برای برآورد شاخص سطح برگ ذرت علوفهای بهترین عملکرد را داشته است. علاوهبراین، مقدار RMSE روش‌های رگرسیون غیرخطی بیشتر از روش‌های خطی بوده است.
علمی - پژوهشی
مجتبی آخوندی خضرآباد؛ محمدجواد ولدان زوج؛ علیرضا صفدری نژاد
چکیده
ضرورت دسترسی به کاربردهای وسیع تصاویر ابرطیفی سبب توسعة سیستم‌های تصویربرداری نوآورانه و اقتصادی در ثبت این تصاویر شده است. به‌منظور 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 توسعة راهکارهای اصلاح هندسی منطبق با ساختار هریک از ...
بیشتر
ضرورت دسترسی به کاربردهای وسیع تصاویر ابرطیفی سبب توسعة سیستم‌های تصویربرداری نوآورانه و اقتصادی در ثبت این تصاویر شده است. به‌منظور 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 توسعة راهکارهای اصلاح هندسی منطبق با ساختار هریک از این دوربین‌ها را بارز می‌کند. سنجندة (nm 400-1000) BaySpec OCI-F یکی از سیستم‌های نوآورانه‌ای است که تصاویر ابرطیفی را با هندسة تصویربرداری پوش‌بروم دریافت می‌کند. این سنجنده، علاوه‌بر یک سنسور پوش‌بروم، از یک سنسور فریم نیز بهره می‌برد که هم‌زمان با سنسور پوش‌بروم و با رزولوشن مکانی زمانی مشابه، تصویر را دریافت می‌کند. در این مقاله، روشی برای اصلاح هندسی تصاویر پوش‌برومِ این سنجنده بیان شده است. در بخش اول این روش، با توجه به ساختار تصویربرداری دوربین، ارتباط هندسی میان آرایة خطی و سنسور فریم در قالب پارامترهای کالیبراسیونی مشخص می‌شود. در ادامه، به‌کمک برآورد ارتباط هندسی میان تصاویر فریم متوالی، پیکسل‌های تصویر پوش‌بروم در کنار یکدیگر چیده و تصویر اصلاح‌شده تولید می‌شود. در این روش، ارتباط هندسی میان هر جفت فریم متوالی به‌طور مستقیم، ازطریق تناظریابی کمترین مربعات، محاسبه می‌شود. نتایج به‌دست‌آمده نشان می‌دهد که این روش، به‌طور متوسط، 2/62% از اعوجاجات هندسی تصویر خام را کاهش داده است. این کاهش سبب شده است متوسط دقت مدل‌های درون‌یاب عمومی سادة دوبعدی و سه‌بعدی بین فضای تصویر و زمین، به‌ترتیب، 9/39% و 1/34% افزایش یابد.
علمی - پژوهشی
سعید احمدی؛ حدیثه سادات حسنی
چکیده
امروزه کاربردهای تصاویر ماهواره‌ای، در پایش و مدیریت زمین‌های کشاورزی، رو به گسترش است. با توجه به قدرت تفکیک مکانی، طیفی و زمانی بالای تصاویر سنتینل‌ـ 2، در این مطالعه، در کشاورزی دقیق در شهرستان قروه از این تصاویر استفاده شده است. ابتدا با توجه به تقویم زراعی محصولات متفاوت آن منطقه، تصاویر سری زمانی جمع‌آوری شد. در روش پیشنهادی، ...
بیشتر
امروزه کاربردهای تصاویر ماهواره‌ای، در پایش و مدیریت زمین‌های کشاورزی، رو به گسترش است. با توجه به قدرت تفکیک مکانی، طیفی و زمانی بالای تصاویر سنتینل‌ـ 2، در این مطالعه، در کشاورزی دقیق در شهرستان قروه از این تصاویر استفاده شده است. ابتدا با توجه به تقویم زراعی محصولات متفاوت آن منطقه، تصاویر سری زمانی جمع‌آوری شد. در روش پیشنهادی، نخست، فضای ویژگی طیفی براساس بازتاب طیفی باندها و همچنین شاخص‌های گیاهی، ایجاد شد. ابعاد فضای ویژگی طیفی، با استفاده از روش آنالیز مؤلفه‌های اصلی، کاهش یافت. سپس چهار طبقه‌بندی‌کنندة قدرتمند ماشین‌های بردار پشتیبان، شبکة عصبی پرسپترون چندلایه، نزدیک‌ترین k همسایه و جنگل‌های تصادفی نقشة طبقه‌بندی از اطلاعات طیفی تولید کردند. در ادامه، مکانی با هدف تعیین مرز مزارع، اطلاعات استخراج شد. برای این منظور، از شناسایی لبه‌ها در سری زمانی تصاویر سنتینل‌ـ 2 استفاده شد. در نهایت، نقشة طبقه‌بندی نهایی، با تلفیق اطلاعات مکانی و ادغام نتایج طبقه‌بندی‌کننده‌ها ایجاد شد. نتایج به‌دست‌آمده نشان داد که دقت طبقه‌بندی‌کننده‌های نزدیک‌ترین k همسایه، ماشین‌های بردار پشتیبان، شبکة عصبی پرسپترون چندلایه و جنگل‌های تصادفی روی فضای ویژگی طیفی اولیه، به‌ترتیب 78/77%، 16/79%، 41/76% و 89/76% است. با استفاده از روش پیشنهادی، دقت طبقه‌بندی به 72/94% افزایش پیدا کرد که حاکی از توانایی آن در منطقة مورد مطالعه است.
علمی - پژوهشی
متین شهری؛ افشین شریعت مهیمنی
چکیده
تحلیل وضعیت ترافیکی و پیشنهاد روش‌های مدیریت جریان ترافیک نقش اساسی در ارزیابی عملکرد بسیاری از سیستم‌های حمل‌ونقلی ایفا می‌کند. در بین روش‌های جمع‌آوری داده‌های ترافیکی، رویکردهای مبتنی‌بر فنّاوری‌های نوین که امکان گرد‌آوری حجم بسیاری از داده‌های پویای زمانی‌ـ مکانی را فراهم می‌آورند و استخراج روندها و الگوها را تسهیل ...
بیشتر
تحلیل وضعیت ترافیکی و پیشنهاد روش‌های مدیریت جریان ترافیک نقش اساسی در ارزیابی عملکرد بسیاری از سیستم‌های حمل‌ونقلی ایفا می‌کند. در بین روش‌های جمع‌آوری داده‌های ترافیکی، رویکردهای مبتنی‌بر فنّاوری‌های نوین که امکان گرد‌آوری حجم بسیاری از داده‌های پویای زمانی‌ـ مکانی را فراهم می‌آورند و استخراج روندها و الگوها را تسهیل می‌کنند اهمیت بسیاری دارند. در این پژوهش، تهران به‌منزلة پایتخت ایران، با ویژگی‌های اقتصادی و اجتماعی خاصی که دارد و تنوع سفرها که به وضعیت ترافیکی متغیر منجر می‌شود، مطالعه شده است. داده‌های حاصل از پردازش رقومی تصاویر ترافیکی به‌دست‌آمده از سرویس نقشة گوگل در بازة زمانی پیوستة یک‌ماهه‌ای (هفدهم فروردین تا هفدهم اردیبهشت 1398)، نخستین بار به‌منظور ارزیابی روند تغییرات میانگین ازدحام ترافیکی در سطح نواحی منطقة مطالعاتی، به‌کار رفته است. پس از استخراج داده‌های اولیه و با توجه به تغییر الگوی سفرها و در نتیجه، میزان ازدحام ترافیکی، شاخص ازدحام ترافیکی (CI) به‌تفکیک در روزهای کاری و غیرکاری، محاسبه شد و به مرکز نواحی 117گانة شهر تهران اختصاص یافت. با استفاده از تحلیل‌های توصیفی روی کلان‌داده‌های مورد بررسی، ساعات اوج ازدحام ترافیکی در بازة زمانی مورد مطالعه استخراج شد. سپس شاخص Getis Ord، نواحی پرازدحام منطقة مطالعاتی را براساس ارزیابی خوشه‌های مکانی، مشخص کرد. همچنین ارتباط زمانی بین مقادیر ازدحادم ترافیکی، در برش‌های زمانی متفاوت طی کل بازة زمانی مورد مطالعه، با استفاده از آزمون آماری کروسکال والیس ارزیابی شد و فرض صفر مبتنی‌بر همبستگی بین مقادیر میانگین ازدحام و در نتیجه، همبستگی زمانی بین مقادیر تأیید شد. با استفاده از تحلیل‌های پوششی نقشه‌های ترافیکی نیز، خوشه‌های ترافیکی پرازدحام در سطح اطمینان 90%، در اوج صبح و عصر، به‌تفکیک روزهای کاری و غیرکاری استخراج شد. نتایج این پژوهش می‌تواند در اصلاح و بازنگری محدوده‌های ترافیکی مؤثر باشد و همچنین به تحلیل‌های مرتبط با آلودگی هوا، مطالعات در زمینة قیمت‌گذاری معابر و بررسی روند شکل‌گیری و انتشار گلوگاه‌های ترافیکی در بازه‌های زمانی دلخواه، یاری برساند.
علمی - پژوهشی
محمد حاجب؛ سعید حمزه؛ سید کاظم علوی پناه؛ جوشم ورلزت
چکیده
شاخص سطح برگ نقش مهمی در تبادل ماده و انرژی بین زمین و اتمسفر دارد. مانند سایر گیاهان، شاخص سطح برگ نیشکر معیار خوبی برای وضعیت سلامت و رشد این محصول است که به‌دلیل نقش آن در صنایع غذایی و انرژی، اهمیت اقتصادی بسیاری دارد. ماهوارة PRISMA که در سال 2019 پرتاب شد، یکی از جدیدترین منابع داده‌های ابرطیفی را فراهم کرده است که به‌ویژه، در تهیة ...
بیشتر
شاخص سطح برگ نقش مهمی در تبادل ماده و انرژی بین زمین و اتمسفر دارد. مانند سایر گیاهان، شاخص سطح برگ نیشکر معیار خوبی برای وضعیت سلامت و رشد این محصول است که به‌دلیل نقش آن در صنایع غذایی و انرژی، اهمیت اقتصادی بسیاری دارد. ماهوارة PRISMA که در سال 2019 پرتاب شد، یکی از جدیدترین منابع داده‌های ابرطیفی را فراهم کرده است که به‌ویژه، در تهیة نقشة متغیرهای گیاهی کاربرد دارد. در پژوهش حاضر، نوع جدیدی از شبکه‌های عصبی مصنوعی، موسوم به شبکة عصبی تنظیم‌شده با روش بیزین (BRANN) که قانون بیز را برای غلبه بر مشکل بیش‌برازش شبکه‌های عصبی به‌کار می‌برد، استفاده می‌شود. مدل یادشده روی مجموعه‌ای داده، متشکل از طیف دریافت‌شده ازطریق ماهوارة PRISMA به‌منزلة متغیر مستقل و مقادیر اندازه‌گیری شاخص سطح برگ نیشکر به‌منزلة متغیر وابسته، اجرا شد. اندازه‌گیری‌های زمینی شاخص سطح برگ نیشکر در 118 واحد نمونه‌برداری زمینی، روی مزارع کشت‌و‌صنعت نیشکر امیرکبیر در استان خوزستان و در هفت تاریخ متفاوت طی یک دوره رشد نیشکر در سال 1399، انجام شد. مقایسة عملکرد BRANN با یک روش متعارف شبکة عصبی، یعنی شبکة آموزش‌دیده با روش لونبرگ‌ـ مارکوارت (LMANN) در بازیابی شاخص سطح برگ نیشکر از طیف PRISMA، حاکی از این است کهRMSE بازیابی از 26/2 (m2/m2) به‌روش LMANN به 67/0 (m2/m2)، با استفاده از روش BRANN کاهش یافته است. در این پژوهش، به‌منظور کاهش ابعاد داده نیز از تبدیل مؤلفه‌های اصلی استفاده شد. در بازیابی شاخص سطح برگ از بیست مؤلفة اصلی اول نیز RMSE از 41/1 (m2/m2) با استفاده از روش LMANN به 71/0 (m2/m2) طبق روش BRANN کاهش یافت. استفاده از مؤلفه‌های اصلی باعث کاهش چشمگیر زمان محاسباتی شد. با اجرای مدل آموزش‌دیدة BRANN روی تصاویر PRISMA به‌صورت پیکسل‌به‌پیکسل، نقشة شاخص سطح برگ نیشکر تولید شد. ارزیابی این نقشه نشان داد که این نقشه تغییرات مکانی شاخص سطح برگ نیشکر را به‌خوبی نشان می‌دهد. نتایج این تحقیق بیانگر قابلیت بالای روش BRANN و تصاویر PRISMA برای بازیابی شاخص سطح برگ نیشکر است.
علمی - پژوهشی
علی رضا شورشی؛ حسن ذوقی
چکیده
در میان شبکۀ معابر شهری، شبکۀ راه‌های اضطراری در امدادرسانی حین زلزله، به‌ویژه در مرحلۀ پاسخ به بحران، نقش مهمی ایفا می‌کنند. حفظ عملکرد این شبکه از معابر، در ساعات اولیۀ پس از زلزله، اهمیت بسزایی دارد. محافظت و مقاوم‌سازی اجزای آسیب‌پذیر شبکه، به‌خصوص پل‌ها، پیش از وقوع بحران، تأثیر شایان توجهی در کاهش خسارات و آسیب‌ها دارد. ...
بیشتر
در میان شبکۀ معابر شهری، شبکۀ راه‌های اضطراری در امدادرسانی حین زلزله، به‌ویژه در مرحلۀ پاسخ به بحران، نقش مهمی ایفا می‌کنند. حفظ عملکرد این شبکه از معابر، در ساعات اولیۀ پس از زلزله، اهمیت بسزایی دارد. محافظت و مقاوم‌سازی اجزای آسیب‌پذیر شبکه، به‌خصوص پل‌ها، پیش از وقوع بحران، تأثیر شایان توجهی در کاهش خسارات و آسیب‌ها دارد. در اغلب اوقات مقاوم‌سازی تمامی اجزای آسیب‌پذیر، به‌دلیل محدودیت بودجه، عملاً ناممکن است. این محدودیت ایجاب می‌کند که با شناسایی دقیق اجزای آسیب‌پذیر، گزینه‌های مقاوم‌سازی در ابتدا اولویت‌بندی و در نهایت، مناسب‌ترین آنها انتخاب شود. طی پژوهش حاضر، ابتدا پل‌های نیازمند مقاوم‌سازی واقع در شبکۀ راه‌های اضطراری، با استفاده از یک روش‌شناسی پنج‌مرحله‌ای شناسایی می‌شود و با توجه به محدودیت‌های مالی و گزینه‌های تخصیص بودجه، گزینه‌های مقاوم‌سازی منتخب برمبنای شبکۀ لایه‌های ایجادشده در محیطGIS (با عنوان ورودی) اولویت‌بندی می‌شود. بررسی همة حالات ممکن برای پایداری پل‌ها پس از وقوع زلزله‌ای مشخص، طراحی شبکۀ معابر اضطراری برای همۀ این حالات، بررسی گزینه‌های متفاوت مقاوم‌سازی پل‌ها، ارزیابی اثر این مقاوم‌سازی در طول شبکۀ اضطراری و در نهایت، اولویت‌بندی گزینه‌های مقاوم‌سازی، با توجه به تأثیر آنها در طول شبکۀ اضطراری، مراحل اصلی روش پیشنهادی این مطالعه را تشکیل می‌دهد. کارآیی روش یادشده پس از به‌کارگیری آن روی بخشی از شبکۀ معابر اضطراری شهر تهران به‌منزلة شبکه‌ای واقعی با ابعاد بزرگ، ارزیابی شد.
علمی - پژوهشی
مهدیس یارمحمدی؛ علی اصغر آل شیخ؛ محمد شریف
چکیده
طوفان‌های گردوغبار بلایایی طبیعی‌اند که در زندگی انسان و محیط‌زیست تأثیر چشمگیری گذاشته‌اند. توسعة مدل‌هایی، به‌منظور پیش‌بینی مسیر حرکت این طوفان‌ها، در پیشگیری و مدیریت طوفان‌های گردوغبار نقش بسزایی ایفا می‌کند زیرا مسیر انتقال آنها را آشکار و مناطق آسیب‌پذیر بعدی در برابر طوفان را مشخص می‌کنند. به‌لطف امکانات روش‌های ...
بیشتر
طوفان‌های گردوغبار بلایایی طبیعی‌اند که در زندگی انسان و محیط‌زیست تأثیر چشمگیری گذاشته‌اند. توسعة مدل‌هایی، به‌منظور پیش‌بینی مسیر حرکت این طوفان‌ها، در پیشگیری و مدیریت طوفان‌های گردوغبار نقش بسزایی ایفا می‌کند زیرا مسیر انتقال آنها را آشکار و مناطق آسیب‌پذیر بعدی در برابر طوفان را مشخص می‌کنند. به‌لطف امکانات روش‌های یادگیری عمیق در حل مسائل مبتنی‌بر سری زمانی و یافتن الگوهای پنهان از حجم دادة کلان، در این پژوهش، یک مدل ترکیبی شبکة عصبی پیچشی (CNN) به‌منظور پیش‌بینی مسیر حرکت طوفان گردوغبار، براساس دادة عمق نوری هواویز (AOD) محصول MERRA-2 برای دوازده ساعت آینده، توسعه داده شده است. همچنین چهل رویداد طوفان، شامل 2489 ساعت طوفان در منطقهای خشک در مرکز و جنوب آسیا، به‌منظور آموزش مدل به‌کار رفته است. نتایج نشان می‌دهد که مدل پیشنهادی پیش‌بینی دقیقی از مسیر حرکت طوفان بهدست می‌دهد؛ بهگونهایکه درمورد گامهای زمانی 3، 6، 9 و 12 ساعت آینده، مقادیر دقت کلی به‌ترتیب برابر با 9806/0، 9810/0، 9813/0 و 9790/0، مقادیر امتیاز F1 به‌ترتیب برابر با 8490/0، 8524/0، 8530/0 و 8384/0 و مقادیر ضریب کاپا به‌ترتیب برابر با 8387/0، 8424/0، 8431/0 و 8273/0 است.
