محسن حسنزاده شاهراجی؛ علی محمدزاده
دوره 6، شماره 3 ، دی 1393
چکیده
در دو دهة اخیر استفاده از لیزراسکنهای هوایی یا لیدار در کاربردهای گوناگون مهندسی ژئوماتیک رشد فزایندهای یافته است. دلیل این امر قابلیت اعتماد بالا و صحت دادههای خروجی حاصل از این نوع سنجندههاست. خروجی لیدار، ابرنقاط سهبعدی طبقهبندینشده و غیرساختاریافته است. برای عملیاتیکردن دادههای مذکور میبایست این دادهها بهنوعی ...
بیشتر
در دو دهة اخیر استفاده از لیزراسکنهای هوایی یا لیدار در کاربردهای گوناگون مهندسی ژئوماتیک رشد فزایندهای یافته است. دلیل این امر قابلیت اعتماد بالا و صحت دادههای خروجی حاصل از این نوع سنجندههاست. خروجی لیدار، ابرنقاط سهبعدی طبقهبندینشده و غیرساختاریافته است. برای عملیاتیکردن دادههای مذکور میبایست این دادهها بهنوعی ساختارمند شوند و در کلاسهای متمایز طبقهبندی گردند. در پژوهش حاضر با تلفیق ویژگیهای هندسی و فیزیکی دادههای حاصل از سنجندة جدید لیزراسکن هوایی موجپیوسته، بردار ویژگی متناسب با هر نقطه از ابرنقاط تشکیل میشود. روند پردازش بهکارگرفتهشده در این مقاله شامل استخراج ویژگیهای هندسی از مختصات سهبعدی نقاط موجود در ابرنقاط است. این ویژگی شامل میزان مشارکت نقطة مطلوب در تشکیل یک صفحه در ابرنقاط است. برای رسیدن به این هدف از تبدیل هاف سهبعدی استفاده شده است. در کنار این ویژگی هندسی، ویژگیهای فیزیکی شامل دامنة پالس، پهنای پالس و شمارة پالس بازگشتی نیز به هر نقطه در دادههای لیزراسکن هوایی موجپیوسته اختصاص داده میشود. با استفاده از بردار ویژگی تشیکلشده برای هر نقطه و طبقهبندیکنندة ماشینبردار پشتیبان، ابرنقاط غیرساختاریافته را به مجموعهای ساختاریافته و کلاسهبندیشده تبدیل میکنیم. خروجی حاصل از روش ارائهشده در این مقاله شامل ابرنقطهای طبقهبندیشده به سه کلاس زمینلخت، ساختمان و پوشش گیاهی است. این طبقهبندی با دقت کلی 04/81 درصد، ضریب کاپا 69/0 و دقت میانگین 21/79 درصد انجام شده است. کلیدواژهها: لیدار موجپیوسته، طبقهبندیکنندة ماشینبردار پشتیبان، پردازش ابرنقاط، تبدیل هاف سهبعدی، مناطق شهری
یونس جعفری گلدرق؛ علی محمدزاده؛ علی سرکارگر اردکانی
دوره 5، شماره 2 ، بهمن 1392
چکیده
آتشسوزی جنگل پدیدهای است که خسارتهای مالی و برخی مواقع جان بسیار زیادی به بار میآورد. شناسایی و بررسی اثر پارامترهای مؤثر در وقوع آتشسوزی و مدلسازی آنها در پیشگیری آتشسوزی و کاهش خسارتهای ناشی از آن بسیار مفید است. در این تحقیق، با استفاده از روشهای شبکه عصبی و تصمیمگیری چندمعیاره، مناطق دارای پتانسیل بالای آتشسوزی ...
بیشتر
آتشسوزی جنگل پدیدهای است که خسارتهای مالی و برخی مواقع جان بسیار زیادی به بار میآورد. شناسایی و بررسی اثر پارامترهای مؤثر در وقوع آتشسوزی و مدلسازی آنها در پیشگیری آتشسوزی و کاهش خسارتهای ناشی از آن بسیار مفید است. در این تحقیق، با استفاده از روشهای شبکه عصبی و تصمیمگیری چندمعیاره، مناطق دارای پتانسیل بالای آتشسوزی در استان گلستان شناسایی شده است. در روش پیشنهادی برای تهیة نقشة خطر آتشسوزی، ابتدا با استفاده از تصمیمگیری چندمعیاره نقشة خطر استاتیک و سپس از طریق شبکة عصبی مصنوعی، نقشة خطر دینامیک تهیه میشود. سرانجام از ترکیب این دو، نقشة خطر آتشسوزی بهدست میآید که مقادیر هر پیکسل در آن بیانگر میزان احتمال وقوع آتشسوزی برای آن پیکسل است. برای ارزیابی مدل از دادههای آتشسوزی ماه ژوئن سال 2005 استفاده شده است. مدل پیشنهادی درصدی از مساحت منطقه را بهعنوان منطقة پرخطر شناسایی میکند. با توجه به اینکه درصد آتشسوزی اتفاقافتاده در آن منطقه نیز معلوم است، معیار دقت از تقسیم درصد آتشسوزیهای رخداده در منطقة پرخطر به درصد مساحت آن منطقه تعریف میشود. این معیار دقت برای نقشة استاتیک با وزنهای یکسان پارامترها برابر 86/1 و در حالت استخراج وزنها به روش AHP برابر 21/2 بهدست آمد، که بیانگر بهبود دقت مدل از طریق روش AHP است. طبق نتایج مدل نهایی، حدود 49/70 درصد آتشسوزیها در مناطقی که بهعنوان مناطق پرخطر شناسایی شده، اتفاق افتاده است. در حالیکه در مناطق بیخطر و کمخطر هیچ آتشسوزی اتفاق نیفتاده و در منطقة با خطر متوسط 51/29 درصد از آتشسوزیها اتفاق افتاده است. همچنین معیار دقت برای مدل نهایی برابر 77/2 بهدست آمده است.