دوره 7, شماره 3

پاییز 1394

فهرست مطالب

مقالات

یکی از چالش‏های بسیار مهم در تهیۀ نقشۀ پوشش اراضی با استفاده از تصاویر سنجش از دور، مشکل مربوط به پیکسل‏های مخلوط است. با توسعۀ روش‏های تجزیۀ اختلاط طیفی و طبقه‏بندی‌کننده‏های نرم، امکان برآورد سهم کلاس‏ها در سطح زیرپیکسل فراهم می‌آید و برچسب‏های چندگانه به پیکسل‏ها اختصاص داده می‏شود. با وجود این، تولید نقشۀ پوششی در سطح زیرپیکسل نیازمند جانمایی مکانی زیرپیکسل‏ها است. در سال‏های اخیر، روش‏های تهیۀ نقشه در سطح زیرپیکسل توسعه یافته‏اند و با استفاده از نتایج طبقه‏بندی‌کننده‏های نرم و بهره‏گیری از مفاهیم وابستگی مکانی، آرایش مکانی زیرپیکسل‏ها را بهینه‏سازی می‏کنند.‏ در این تحقیق، دقت کلی الگوریتم شبیه‏سازی تبرید برای تهیۀ نقشۀ پوششی در سطح زیرپیکسل مورد ارزیابی قرار گرفته و همچنین، مکانیزم جدیدی در این روش، برای تولید پاسخ‏های جدید در هر مرحله از الگوریتم پیشنهاد شده و با نتایج روش موجود مقایسه شده است. از دیگرسو، پارامترهای مؤثر بر عملکرد الگوریتم مانند ضریب بزرگنمایی، نوع تابع خنک‏سازی و تکرارهای ایستا و پویا در عملکرد الگوریتم بررسی شده‌اند. در فرایند ارزیابی دقت کلی الگوریتم، دو روش مستقل از خطای طبقه‏بندی نرم و وابسته به این خطا لحاظ شده است. براساس نتایج، افزایش ضریب بزرگنمایی موجب کاهش دقت الگوریتم شبیه‏سازی تبرید شده و همچنین، تابع خنک‏سازی هندسی به لحاظ دقت و زمان اجرای الگوریتم، به‌منزلۀ تابع بهینه انتخاب شده است. از طرف دیگر، تکرارهای پویا نیز، در مقایسه با حالت ایستا دقت بیشتری داشته است. روش پیشنهادی برای تولید پاسخ‏های جدید در الگوریتم شبیه‏سازی تبرید دستاورد مهم تحقیق به شمار می‌آید که دقت کلی را به نسبت روش موجود، افزایش داده و همچنین، زمان اجرای الگوریتم را تا 50% کاهش داده است. بیشترین دقت کلی الگوریتم براساس روش پیشنهادی و مستقل از خطای طبقه‏بندی نرم 97/94% برآورد شد.
میلاد نیرومند جدیدی, مهدی مختارزاده, محمودرضا صاحبی
PDF
1-16
زلزله یکی از مخرب­ترین سوانح طبیعی است که در هر زمانی با شدت‌های مختلف رخ مي‌دهد. زلزله‌های شدید در محیط‌های مسكوني باعث تخریب ساختمان‌ها، راه‌های اصلی و از همه مهم‌تر، باعث تلفات جانی می‌شوند. آشکارسازی ساختمان‌های تخریب‌شدۀ ناشی از چنین سانحه‌ای در زمان مناسب مسئله‌ای حیاتی برای مدیریت بحران و امدادرسانی به شمار می‌رود. این پژوهش با هدف تشخیص ساختمان‌های تخریب‌شده بر اثر زلزله، با استفاده از تصاویر ماهواره‌ای با قدرت تفکیک بسیار بالا انجام شده است. جهت نیل به این هدف از تصاویر ماهواره‌ای با قدرت تفکیک بسیار بالا (VHR) مربوط به قبل و بعد از وقوع زلزله در شهر پورتو پرنس کشور هائیتی در سال 2010 و نقشۀ تخریب مشاهده‌شده از منطقه استفاده شده است. در این پژوهش پس از محاسبۀ ویژگی‌های بافتی تصاویر، با استفاده از تحلیل همبستگی، توصیفگرهای بافتی بهینه انتخاب شدند. سپس با استفاده از مقادیر بافت‌های برگزیده و سیستم استنتاج فازی، وضعیت تخریب ساختمان‌ها طبقه‌بندی شد. در نهایت، نقشۀ تخریب به دست آمده، با استفاده از مدل پیشنهادی، با نقشۀ تخریب منطقه مقایسه شد. دقت نهایی مدل پیشنهادی با استفاده از شاخص Kappa، 82% و همچنین، دقت مدل در تشخیص ساختمان‌های تخریب‌‌شده با استفاده از شاخص Jaccard، %89.69 به دست آمد. 
علی اکبر متکان, بابک منصوری, بابک میرباقری, فریبا کربلائی
PDF
17-32
امروزه روشی متداول در ایجاد پایگاه دادۀ راه‌ها، استخراج آن‌ها از تصاویر رقومی هوایی و ماهواره‌ای است. با توجه به حجم بسیار دادههای شبکۀ راه و نیاز به بهنگام کردن آن‌ها با کمترین زمان و هزینۀ محاسباتی، اتوماسیون فرایند استخراج اطلاعات راه در حال تبدیل به یکی از ملزومات عصر جدید است. در تحقيق حاضر که بيشتر بر مرحلۀ برداري‌سازي راه تأکيد دارد، سيستمی هوشمند برای برداری‌سازی اتوماتیک نتایج کشف راه، با کمترین میزان دخالت عامل انسانی، طراحی شده است. سيستم طراحی‌شده دارای دو مرحلۀ اساسی تعیین نقاط کلیدی راه و برقراری اتصال بین آن‌ها است. نخست، با استفاده از تکنيک خوشه‌بندي بر مبنای الگوریتم انبوه ذرات نقاط اصلی نمايانگر محور مرکزی راه تعیین می‌شوند. سپس، با در نظر گرفتن مدل گراف وزن‌دار برای شبکۀ راه‌های تصویر، تعیین معیارهای هندسی مناسب و تلفیق این معیارها از سوی عملگرهای میانگین‌گیر وزن‌دار ترتیبی، هزینۀ هر اتصال محاسبه می‌شود. اتصالات دارای کمترین هزینه، به صورت قطعات نهایی راه در تشکیل شبکۀ برداری راه شرکت می‌کنند. نتایج حاصل از پیاده‌سازی روش پیشنهادی روی چندین تصویر بزرگ مقیاس ماهواره ای و مقایسۀ آن‌ها با نتایج الگوریتم درخت‌پوشای کمینه تأییدکنندۀ موفقیت روش پیشنهادی در استخراج شبکۀ راه با دقت و صحت بالا است. براساس نتایج ارزیابی، روش پیشنهادی قادر است شبکۀ راه‌های 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 برداری‌سازی راه‌های با اشکال مختلف شامل راه‌های مستقیم، راه‌های دارای انحنا، راه‌های با ضخامت‌های متفاوت، راه‌های موازی با فواصل متغیر، تقاطع و میدان موفقیت‌آمیز عمل کرده است. 
فاطمه عامري, محمدجواد ولدان زوج, مهدي مختارزاده
PDF
33-48
امروزه محاسبۀ دماي سطوح مختلف پوشش گياهي و خاکي با استفاده از تصاوير ماهواره‌اي، با هدف برآورد تبخير و تعرق واقعي با الگوريتم بيلان انرژي، اهميت بسيار زيادي دارد. در اين مطالعات دقت محاسبۀ گراديان حرارتي بين سطح زمين و هوا و ميزان اختلاف دماي سطوح مختلف کاربري دارای اهميت است. در دشت شهرکرد به منظور محاسبۀ دماي سطح زمين[1] سه چالش اصلي وجود داشت. نخست، نبود مطالعۀ مشخصي در زمینۀ محاسبۀ دماي سطح زمين با استفاده از باندهاي حرارتي ماهوارۀ Landsat8، دوم، فقدان داده‌هاي مشاهده‌اي دماي سطح پوشش‌هاي مختلف گياهي و خاکي و سوم، محدود بودن داده‌هاي دماي سطح زمين ايستگاه‌هاي کليماتولوژي و سينوپتيک به حداقل روزانه. در اين مطالعه، به منظور تبديل دماي درخشندگي2 سطح به دماي سطح زمين، از الگوريتم دوپنجره‌اي3 موجود AVHRR-NOAA استفاده شد و برای محاسبۀ گسيلندگي سطحي4 نيز روش پيشنهادي الگوريتم سبال5 به کار رفت. با توجه به نبودِ ايستگاه‌هاي هواشناسي مرجع، از داده‌هاي ايستگاه‌هاي غير‌مرجع برای محاسبۀ دماي روزانۀ سطح زمين و لحظۀ عبور ماهواره استفاده شد و در نهايت، از روش محاسبۀ خطاي انحراف برای واسنجي دماي سطح زمين ماهوارۀ Landsat 8 و تهيۀ لايۀ ميانگين روزانه دماي سطح زمين استفاده شد. در اين مطالعه همۀ ضرايب همبستگي محاسبه‌شده بيشتر از 0.9 بود و تمامی روابط رگرسيوني، از نظر آماري، در سطح 95% و حتي 99% معنادار بودند. اختلاف مقادير خطاي انحراف محاسبه‌شده در روز-تصويرهاي مختلف در بیشترین مقدار، 0.5 کلوين بود و ميزان RMSE محاسبه‌شده نيز بين 1.9 تا 2.2 کلوين قرار داشت كه در مقايسه با مطالعات مشابه مورد پذیرش بود.  
عليرضا رمضاني خوجين, ميرمسعود خيرخواه زرکش, پيمان دانشكار آراسته, علي مريدي, رحيم عليمحمدي نافچی
PDF
49-64
بیشتر الگوريتم‌هاي طبقه‌بندي داده‌های سنجش از دور براساس ويژگي‌ها و اطلاعات طيفي پيکسل‌ها عمل مي­کنند. اين مسئله باعث ناديده گرفتن اطلاعات مکانی سودمند و قابل استخراج بسیاری، مانند بافت تصاوير مي­شود. محيط شهری بافت ناهمگنی دارد که شناسايي انواع کاربری‌ها را به فرايندی دشوار و پيچيده تبديل کرده ‌است. در اين پژوهش تأثير استفاده از بافت تصوير تک­باند سنجندۀ ALI (Advanced Land Imager) بر دقت طبقه‌بندي تصاوير ابرطيفي سنجندۀ هايپريون«Hyperion» در محيط‌هاي شهري بررسي شد. طبقه‌بندي با استفاده از روش جنگل‌های تصادفی[1] و در پنج سناريوی مختلف انجام شد: سناریوی شمارۀ 1: طبقه‌بندي اطلاعات طيفي تصوير ادغام‌شده به روش  [1]CNT(بدون لحاظ کردن اطلاعات بافت)؛ سناریوهای 2، 3، 4 و 5: طبقه‌بندي تصوير CNT با افزوده شدن بردارهای ويژگی بافت حاصل از روش ماتريس هم‌وقوعی در اندازه‌های پنجرۀ 3، 5، 7 و  9 هستند. براساس یافته‌های این تحقیق، افزودن بافت به طيف تصوير ادغامی به روش CNT دقت طبقه‌بندی را بهبود چشمگيری داد، به گونه‌ای که دقت کلی بر اثر افزودن بافت با حدود ده درصد افزايش، از 80.47% به 90.74% رسید. بسياری از پوشش‌های کاربری مانند جاده، بافت مسکونی، صنايع کوچک و پراکنده و صنايع متمرکز نيز در زمينۀ دقت توليدکننده و مصرف­کننده رشد چشمگيری را شاهد بودند. پارامتر خطای OOB[1] با 11% کاهش، از 19.86 به 8.87% رسید. بردارهای ويژگی مانند ميانگين و کنتراست نيز، توانستند از لحاظ ميزان اهميت در رتبه‌های بالا قرار گيرند. همچنين، افزايش اندازۀ پنجره منجر به بهبود بيشتر دقت طبقه‌بندی شد، به گونه‌ای که اندازۀ پنجرۀ 9 بهترين عملکرد را در پی‌ داشت.
احمد ملک‌نژاد يزدی, حسن قاسميان, وحيد عيسوی, علی شهسواری, حسن کوشا
PDF
65-82
امروزه آشکارسازی تغییرات با استفاده از تصاویر ماهواره‌ای، یکی از حوزه‌های اصلی تحقیقات به شمار می‌رود. یکی از مشکلات استفاده از تصاویر ماهواره‌ای خطاهای بی‌شمار در این تصاویر است. خطاهای ناشی از اثر نورپردازی سطح جزء مشکلات اساسی در فرایند آشکارسازی تغییرات‌اند. از این رو، در پژوهش پیش ­رو، به منظور کاهش خطاهای ایجادشده در نتایج آشکارسازی تغییرات با استفاده از روش آنالیز بردار تغییرات، روشی ساده و در عین حال مناسب برای کاهش خطاهای ناشی از اثر نورپردازی ارائه شده است. در روش پیشنهادی، پس از اعمال تبدیل Tasseled cap روی تصاویر، جهت بردار تغییرات با راستای بردار پیکسل مربوط به تصویر مبنا در فضای طیفی مقایسه و سپس آستانه‌ای زاویه‌ای، برای کاهش خطاهای نورپردازی محاسبه می‌شود. مساحت زیر منحنی ROC و همچنین، پارامترهای احتمال تشخیص صحیح در روش پیشنهادی، به ترتیب،970/0 و 97/0 است و مقدارFalse Alarm برای آن 32/0 به دست آمده است. نیز، مقایسۀ نتایج روش پیشنهادی با نتایج روش‌های مرسوم آشکارسازی تغییرات دقت بیشتر روش پیشنهادی را نشان داده است
حسين صادقي, علي حسيني پور, روزبه شاد
PDF
83-96
مدل‌هاي خوشه‌بندي c-means يکي از پرکاربردترين شيوه‌هاي طبقه‌‌بندي نظارت‌نشده در آناليز داده‌ها به‌شمار مي­رود. مدل فازي اين روش، يعني Fuzzy c-means، يکي از مشهورترين مدل‌هايي است که در آن هر داده با يک مقدار درجۀ عضويت بين 0 و 1، به هر يک از خوشه‌ها اختصاص داده مي­شود. اين مدل خوشه‌بندي جهت طبقه‌بندي داده‌هاي سنجش از دوري بسیار استفاده شده است. مدل Fuzzy c-means از فاصلۀ اقليدسي جهت خوشه‌بندي استفاده کرده و براي همۀ خوشه‌ها شکل يکسانی فرض مي­کند. با وجود اين، اين مدل براي داده‌هايي که در آن‌ها‌ کلاس‌ها داراي شکل و حجم متفاوت‌اند، مناسب به‌ نظر نمي­رسد. براي رفع اين مشکل، مدل Gustafson-Kessel جهت خوشه‌بندي داده‌هاي پيچيده ارائه شده است. اين مدل برمبناي به‌کارگيري يک ماتريس کوواريانس فازي براي هر خوشه عمل مي‌کند و شکل هندسي، حجم و جهت­گيري يکساني براي همۀ خوشه‌ها در نظر نمي­گيرد. در اين تحقيق، از هر دو مدل خوشه‌بندی مذکور جهت داده‌هاي سنجش از دوري فراطيفي واقعی حاصل از سنجنده‌های Hyperion، ROSIS و CASI استفاده شده است. نتایج حاصل از مدل‌های خوشه‌بندی Fuzzy c-means و Gustafson-Kessel به پارامتری به نام فازي‌کننده وابسته است که در این تحقیق، مقدار بهینۀ آن با محاسبه و بررسی دقت طبقه‌بندي هر يک از اين مدل‌ها، در ازاي فازي‌کننده‌هاي مختلف به‌دست آمده است. نتايج به‌دست‌آمده در ازای مقدار بهینه فازي‌کننده، نشان مي­دهد که مدل Gustafson-Kessel دقت و صحت طبقه‌بندي را حدود 5/12% برای داده‌های Hyperion و حدود 45/8% برای داده‌هاي ROSIS افزايش می‌دهد. همچنين، ارزيابي ديداري نتايج دو مدل خوشه‌بندی روی داده‌هاي CASI نشان می‌دهد که مدل Gustafson-Kessel عملکرد بهتری دارد. البته در مقابل، باید گفت مدل Gustafson-Kessel هزينۀ زماني بيشتري را صرف می‌کند و همچنین، جهت تعيين پارامتر مربوط به حجم خوشه‌ها، به دانش قبلي نياز دارد.
حميد عزت‌آبادي‌پور, سعيد همايوني
PDF
97-114