علی‌اکبر متکان؛ محمد حاجب
دوره 5، شماره 2 ، بهمن 1392
چکیده
بررسی‌های اخیر نشان داده است که سیستم لیدار در برداشت سریع و دقیق اطلاعات سه‌بعدی از عوارض، در مناطق شهری توانایی بالایی دارد. از مهم‌ترین پردازش‌هایی که روی داده‌های لیدار صورت می‌گیرد، فیلترینگ آن‌هاست که عبارت است از تفکیک نقاط مربوط به عوارض ارتفاعی (ساختمان‌ها و درختان) از نقاط زمینی. تاکنون الگوریتم‌های فیلترینگ فراوانی ...
بیشتر
بررسی‌های اخیر نشان داده است که سیستم لیدار در برداشت سریع و دقیق اطلاعات سه‌بعدی از عوارض، در مناطق شهری توانایی بالایی دارد. از مهم‌ترین پردازش‌هایی که روی داده‌های لیدار صورت می‌گیرد، فیلترینگ آن‌هاست که عبارت است از تفکیک نقاط مربوط به عوارض ارتفاعی (ساختمان‌ها و درختان) از نقاط زمینی. تاکنون الگوریتم‌های فیلترینگ فراوانی طراحی شده است، اما هر یک از آنها معایب و نواقصی دارند. مشکل اساسی این الگوریتم‌ها، ناتوانی‌شان در حذف ساختمان و عوارض بزرگ است که ناشی از عملکرد ناحیه‌ای آن‌هاست. در این تحقیق تلاش شده است تا با بهره‌گیری از قابلیت‌های تکنیک‌های طبقه‌بندی، راه‌حلی برای این مشکل ارائه شود. در این پژوهش ابتدا داده‌های لیدار به‌وسیله الگوریتم شیب‌مبنا که ـ از شناخته‌شده‌ترین روش‌های فیلترینگ به‌شمار می‌آید‌‌ـ فیلتر شدند. در ادامه، با استفاده از سه روش طبقه‌بندی ماشین بردار پشتیبان، شبکه عصبی مصنوعی، و حداکثر احتمال، داده‌های لیدار به پنج کلاس راه آسفالته، درختان، ساختمان، سیمان، و چمن طبقه‌بندی گردیدند. در نهایت، نقاط ساختمان‌های بزرگ که به‌وسیله الگوریتم شیب‌مبنا فیلتر نشده بودند، با نتایج حاصل از روش‌های طبقه‌بندی حذف گردیدند. ارزیابی‌ها نشان می‌دهند که روش حداکثر احتمال نتایج ضعیفی را ارائه می‌کند، اما روش‌های ماشین بردار پشتیبان و شبکه عصبی مصنوعی نتایج نزدیک به‌هم و بسیار خوبی را عرضه کرده‌اند. به‌طور کلی استفاده از این تکنیک‌های طبقه‌بندی برای بهبود نتایج الگوریتم‌های فیلترینگ، باعث افزایش ناچیزی در خطای نوع اول می‌گردد ولی سبب کاهشی شدید در خطای نوع دوم و خطای مجموع می‌شود. از آنجا که در فرایند فیلترینگ داده‌های لیدار، اهمیت خطاهای نوع دوم و مجموع بیش از خطای نوع اول است، می‌توان ادعا کرد که انجام این پردازش تکمیلی نتایج بسیار مفیدی را دربرداشته است. ارزیابی کمّی دقت نتایج نشان می‌دهد که خروجی الگوریتم با آستانه شیب o20 پس از بهبود داده شدن با استفاده از خروجی طبقه‌بندی‌کننده شبکه عصبی مصنوعی، بهترین نتیجه را به دست داده است که در آن خطای نوع اول از 98/4 درصد به 04/5 درصد افزایش ولی خطاهای نوع دوم و مجموع به‌ترتیب از 043/9 درصد و 03/7 درصد به 49/4 درصد و 76/4 درصد کاهش یافته‌اند.
عبدالحمید دشتی آهنگر؛ روشنک درویش زاده؛ علی اکبر متکان؛ محمد حاجب
دوره 3، شماره 2 ، شهریور 1390
چکیده
معکوس سازی مدل های مبتنی بر فیزیک- بر اساس انتشار تابش درون تاج پوشش- مشخصاً در زمره ی روش های موفق در تخمین مقدار پارامترهای پوشش گیاهی از قبیل شاخص سطح برگ و کلروفیل با استفاده از داده های سنجش از دور است. در این تحقیق مقدار کلروفیل برنج در سطح تاج پوشش به عنوان شاخص وضعیت گیاه تخمین زده شد. بدین منظور، مدل انتقال تابش PROSAIL و تصویر سنجنده ...
بیشتر
معکوس سازی مدل های مبتنی بر فیزیک- بر اساس انتشار تابش درون تاج پوشش- مشخصاً در زمره ی روش های موفق در تخمین مقدار پارامترهای پوشش گیاهی از قبیل شاخص سطح برگ و کلروفیل با استفاده از داده های سنجش از دور است. در این تحقیق مقدار کلروفیل برنج در سطح تاج پوشش به عنوان شاخص وضعیت گیاه تخمین زده شد. بدین منظور، مدل انتقال تابش PROSAIL و تصویر سنجنده AVNIR-2 ماهواره ALOS مورد استفاده قرار گفت. تحقیق میدانی جامعی نیز در طول ماه های تیر و مرداد 1389در ناحیه شمال ایران- آمل- صورت گرفت. 60 پلات: 20× 20 متر مربعی به صورت تصادفی انتخاب شدند و در هر یک از آنها 4 تا 7 زیرپلات با توجه به همگنی محصول انتخاب گردید. سپس مقدار کلروفیل در هر زیرپلات با استفاده از دستگاه SPAD-502 اندازه گیری شد. تصحیحات اتمسفری با استفاده از مدل MODTRAN انجام گرفت. در گام بعد مدل PROSAIL برای شبیه سازی طیف در باندهای AVNIR-2 اصلاح گردید. آنالیز حساسیت مدل نیز برای تعیین پارامترهای ثابت و آزاد صورت پذیرفت، و سپس بر اساس مطالعات میدانی دامنه پارامترهای آزاد ورودی به مدل تعیین شد. با استفاده از روش بهینه سازی درون تکرار مدل معکوس و مقدار کلروفیل در دو سطح برگ و تاج پوشش (مقدار کلروفیل برگ × شاخص سطح برگ) تخمین زده شد. از شاخص های R^2 و RMSE بین مقادیر تخمین زده شده و داده های میدانی به منظور ارزیابی مادل استفاده شد. نتایج نشان داد که با استفاده از مدل PROSAIL استخراج کلروفیل در سطح برگ دقت چندان مناسبی ندارد، اما می توان کلروفیل را با دقت نسبتاً مطلوبی در سطح تاج پوشش تخمین زد (R^2=0/57 و RMSE=0/47) و در تحقیقات اکولوژیک و پایش محصول استفاده کرد.
