علی شمس الدینی؛ بهار اسدی
چکیده
شناسایی و نقشه کردن محصولات زراعی اطلاعات مهمی برای مدیریت زمینهای کشاورزی و برآورد سطح زیر کشت محصولات زراعی فراهم می‌کند. این پژوهش به بررسی اهمیت باندهای لبه قرمز جهت تفکیک محصولات زراعی شامل گندم، جو، یونجه، لوبیا، باقلا، کتان، ذرت، چغندر قند و سیب‌زمینی با استفاده از روش جنگل تصادفی و ماشین بردار پشتیبان می‌پردازد. بدین ...
بیشتر
شناسایی و نقشه کردن محصولات زراعی اطلاعات مهمی برای مدیریت زمینهای کشاورزی و برآورد سطح زیر کشت محصولات زراعی فراهم می‌کند. این پژوهش به بررسی اهمیت باندهای لبه قرمز جهت تفکیک محصولات زراعی شامل گندم، جو، یونجه، لوبیا، باقلا، کتان، ذرت، چغندر قند و سیب‌زمینی با استفاده از روش جنگل تصادفی و ماشین بردار پشتیبان می‌پردازد. بدین منظور سری زمانی تصاویر سنتینل -1 و 2 در سال 2019 از شمال غرب شهر اردبیل در پلتفرم ارث انجین فراخوانی شد. ترکیب‌های متفاوت باندها برای بررسی تأثیرات اطلاعات طیفی و زمانی، شاخص‌های گیاهی و اطلاعات بازپراکنش برای طبقه‌بندی محصولات مورد بررسی قرار گرفت. با استفاده از روش انتخاب ویژگی جنگل تصادفی ویژگی‌های مهم شناسایی و به‌عنوان ورودی الگوریتم جنگل تصادفی و ماشین بردار پشتیبان معرفی شدند. جنگل تصادفی برای تمامی سناریوها بهترین نتیجه را به دست آورد. نتایج نشان داد افزودن طول‌موج‌های لبه قرمز و شاخص‌های مشتق شده از آن باعث شد محصولاتی نظیر جو، لوبیا، باقلا و کتان نسبت به سایر محصولات با صحت بالاتری تفکیک شود. بهترین نتیجه در میان ترکیبات مختلف ویژگی‌ها مربوط به تلفیق سری زمانی ویژگی‌های طیفی تصاویر سنتینل-2 با سری زمانی تصاویر سنتینل-1 بود. صحت کلی 67/84 درصد و ضریب کاپا 31/ 82 درصد به دست آمد. نتایج نشان داد باندهای لبه قرمز و شاخص‌های پوشش گیاهی مبتنی بر آن به‌تنهایی قابلیت جداسازی محصولات زراعی را از همدیگر دارند.
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. با این حال، در حال حاضر سنجندههای ماهوارهای به تنهایی نمی-توانند داده‌هایی با قدرت تفکیک زمانی و قدرت تفکیک مکانی بالا به صورت همزمان ارائه کنند. این درحالی است ...
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. با این حال، در حال حاضر سنجندههای ماهوارهای به تنهایی نمی-توانند داده‌هایی با قدرت تفکیک زمانی و قدرت تفکیک مکانی بالا به صورت همزمان ارائه کنند. این درحالی است که در برخی از کاربردها دسترسی به داده‌هایی با قدرت تفکیک مکانی و زمانی بالا به صورت همزمان ضروری است. لذا، دراین مطالعه با هدف دستیابی به داده‌هایی با قدرت تفکیک مکانی و زمانی بالا، تصاویر مادیس درکلاس‌های کاربری شهری، باغ، مرتع، کشاورزی و آب توسط الگوریتمهای STARFM ، ESTARFM وFSDAF به قدرت تفکیک مکانی سنتینل-2، ریزمقیاس شد. منطقه مطالعاتی با تنوع پوشش‌های زمین مختلف در اطراف شهر مهاباد انتخاب شد. در این مطالعه باندهای مرئی و مادون‌قرمز‌نزدیک در سنتینل-2 و مادیس انتخاب و پیش‌پردازش‌های لازم از جمله تصحیح هندسی بر روی آنها انجام گرفت. سپس با استفاده از الگوریتمهای ریزمقیاس‌نمایی، تصاویر مادیس به تصاویر سنتینل_2، ریزمقیاس شد. نتایج نشان‌دهنده‌ی صحت بالای کلاس‌های شهری، باغ و مرتع نسبت به کلاس‌های کشاوری و آب است. به طوری که الگوریتمهای ESTARFM، FSDAF و STARFM به صورت میانگین در همه باندها به ترتیب برای کلاس شهری ضریب تعیین 88.25، 87.25 و86.5، کلاس باغ ضریب تعیین 83.75 ،83.25 و 80.5 و کلاس مرتع ضریب تعیین 90.75 ،70.5 و 87.5 را نشان دادند و به صورت کلی الگوریتم ESTARFM نتیجه بهتری را درمقایسه با دیگر الگوریتم‌ها در این تحقیق داشت.
علی جعفر موسیوند؛ میثم شیرمحمدپور؛ علی شمس الدینی
چکیده
پوشش گیاهی موتور محرک کرة زمین است؛ تبادلات انرژی و آب بین اتمسفر و زمین را کنترل می‌کند و در چرخه‌های جهانی انرژی، اکسیژن، دیاکسیدکربن و آب نقش مهمی دارد. پایش و مدیریت پوشش‌های گیاهی با استفاده از پارامترهای بیوفیزیکی و بیوشیمیایی آن، مانند LAI، انجام می‌پذیرد. شاخص سطح برگ (LAI) از مهم‌ترین پارامترهای پوشش گیاهی است که در اغلب ...
بیشتر
پوشش گیاهی موتور محرک کرة زمین است؛ تبادلات انرژی و آب بین اتمسفر و زمین را کنترل می‌کند و در چرخه‌های جهانی انرژی، اکسیژن، دیاکسیدکربن و آب نقش مهمی دارد. پایش و مدیریت پوشش‌های گیاهی با استفاده از پارامترهای بیوفیزیکی و بیوشیمیایی آن، مانند LAI، انجام می‌پذیرد. شاخص سطح برگ (LAI) از مهم‌ترین پارامترهای پوشش گیاهی است که در اغلب مدل‌سازی‌ها مانند مدل‌سازی چرخه‌های آب، انرژی و کربن استفاده می‌شود. رویکردهای بازیابی متفاوتی، به‌منظور استخراج اطلاعات پارامترهای بیوفیزیکی از داده‌های سنجش از دوری، توسعه یافته است. در تحقیق حاضر، از روش فیزیکی معکوس مدل انتقال تابش PROSAIL، مبتنی‌بر جدول LUT، با هدف بازیابی متغیر LAI استفاده شده است. همچنین داده‌های زمینی برداشت‌شده طی کمپین SPARC 2003 برای ارزیابی صحت متغیر بازیابی‌شده به‌کار رفت. برای رفع مشکل ill-posed، چهار دسته از معیارهای هزینه با عنوان اندازه‌گیر اطلاعات (IM)، حداقل اختلاف (MC)، اندازه‌گیر زاویه (SAM) و خطای حداقل مربعات (LSE) به‌همراه نرمال‌سازی و میانگین بهترین جواب‌ها استفاده شد. نتایج بهبود تخمین متغیر LAI را با استفاده از معیار اندازه‌گیر اطلاعات (Kulbak-liebler)، به‌میزان 12% و با استفاده از 11% میانگین بهترین جواب‌ها نشان دادند. تابع هزینة LSE نیز در قیاس با حالت نرمال‌نشده، 7% بهبود یافت.
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.
بهزاد محمدی شیخرضی؛ محمد شریف ملا؛ موسیوند علی جعفر؛ علی شمس الدینی
چکیده
متغیرهای بیوفیزیکی و بیوشیمیایی پوشش گیاهی، به‌منزلة متغیرهای ورودی، برای مدل‌های متفاوت چرخة کربن، آب، انرژی و مدل‌های اقلیمی و کشاورزی دقیق نقش مهمی ایفا می‌کنند. یکی از مهم‌ترین متغیرهای مربوط به تاج‌پوشش گیاه، که کاربردهای فراوانی در مدلسازیهای گوناگون خاک و گیاه و اتمسفر دارد، شاخص سطح برگ (LAI) است. روش‌های گوناگونی ...
بیشتر
متغیرهای بیوفیزیکی و بیوشیمیایی پوشش گیاهی، به‌منزلة متغیرهای ورودی، برای مدل‌های متفاوت چرخة کربن، آب، انرژی و مدل‌های اقلیمی و کشاورزی دقیق نقش مهمی ایفا می‌کنند. یکی از مهم‌ترین متغیرهای مربوط به تاج‌پوشش گیاه، که کاربردهای فراوانی در مدلسازیهای گوناگون خاک و گیاه و اتمسفر دارد، شاخص سطح برگ (LAI) است. روش‌های گوناگونی برای بازیابی LAI از تصاویر ابرطیفی به‌کار رفته‌اند که، از میان آنها، روش‌های ناپارامتریک غیرخطی یادگیری ماشین بسیار مورد توجه قرار گرفته‌اند زیرا، در مواجهه با داده‌های دارای ابعاد زیاد، انعطاف‌پذیرند. بااین‌حال، در مطالعات پیشین، به بررسی عملکرد روش‌های یادگیری ماشین در بازیابی مقادیر LAI در مقادیر حاشیهای (مقادیر خارج از دامنة نمونهگیری زمینی) و قابلیت این روش‌ها در تهیة نقشة متغیر توجه چندانی نشده است. در این تحقیق، عملکرد چهار روش پرکاربرد یادگیری ماشین شامل رگرسیون بردار پشتیبان، فرایند گاوسی، شبکة عصبی مصنوعی و جنگل تصادفی در بازیابی LAI از تصویر ابرطیفی ماهوارة کریس‌ـ پروبا بررسی شده است. نتایج نشان داد که، به‌رغم کارآیی هر چهار روش در بازیابی مقادیر LAI برای دامنة مقادیر اندازهگیریشدة زمینی با RMSE بهتر از 0.5 و خطای نسبی کمتر از 10%، روش‌های فرایند گاوسی و رگرسیون بردار پشتیبان صحت بالاتری در مقایسه با سایر روش‌ها دارند. باوجوداین، عملکرد روش شبکة عصبی مصنوعی، در تخمین LAIهای دارای مقادیر حاشیهای، بهتر از دیگر روشهاست و نقشة تهیه‌شده با این روش و تابع یادگیری GDA تطابق بیشتری با نقشة NDVI و تصویر ابرطیفی منطقه دارد.
حمید صالحی؛ علی شمس الدینی؛ سید مجید میرلطیفی
دوره 10، شماره 3 ، فروردین 1397، ، صفحه 123-140
چکیده
داده های اخذ شده توسط سنجندههای ماهوارهای، به طور معمول به سه دسته تصاویر با قدرت تفکیک مکانی پایین، متوسط و بالا تقسیم میشوند. بسیاری از تصاویر با قدرت تفکیک مکانی پایین و متوسط و قدرت تفکیک زمانی بالا، بهراحتی در دسترس کاربران هستند، در حالیکه تصاویر با قدرت تفکیک مکانی بالا، در اکثر مواقع دارای قدرت تفکیک زمانی بالایی نیستند ...
بیشتر
داده های اخذ شده توسط سنجندههای ماهوارهای، به طور معمول به سه دسته تصاویر با قدرت تفکیک مکانی پایین، متوسط و بالا تقسیم میشوند. بسیاری از تصاویر با قدرت تفکیک مکانی پایین و متوسط و قدرت تفکیک زمانی بالا، بهراحتی در دسترس کاربران هستند، در حالیکه تصاویر با قدرت تفکیک مکانی بالا، در اکثر مواقع دارای قدرت تفکیک زمانی بالایی نیستند و یا به صورت تجاری و با هزینه بالا در دسترس هستند. علاوه بر این، تصاویر با قدرت تفکیک مکانی بالا معمولا فاقد باندهای حرارتی بوده و لذا در مدلکردن فرآیندهای طبیعی، مانند تبخیر- تعرق با محدودیت مواجه هستند. تولید نقشههای تبخیر- تعرق روزانه، با قدرت تفکیک مکانی بالا، همواره یکی از چالشهای محققان سنجش ازدور بوده است. هدف این مطالعه، امکان سنجی تولید نقشههای تبخیر- تعرق روزانه با قدرت تفکیک مکانی 30 متر است. این تحقیق بر روی زمینهای کشت و صنعت امیرکبیر اجرا شده است. برای این منظور ابتدا از بین باندهای 36 گانه تصویر مادیس، باندهایی که از لحاظ طیفی، تقریبا معادل با تصویر لندست 8 بودند، شناسایی شدند. سپس با استفاده از الگوریتمهای SADFAT و STARFM و تصاویر لندست 8 و مادیس، باندهای مرئی و مادون قرمز با قدرت تفکیک زمانی روزانه و قدرت تفکیک مکانی 30 متر تولید شدند و در نهایت با استفاده از الگوریتم سبال، نقشههای تبخیر- تعرق واقعی از باندهای شبیه سازی شده تولید شدند. مقایسه تبخیر- تعرقهای شبیهسازی شده با تبخیر- تعرقهای به دست آمده با روش فائو- پنمن- مانتیث نشان دهنده و است. همچنین مقایسه تبخیر- تعرق شبیهسازی سازی شده با تبخیر- تعرق حاصل از تصویر لندست 8، در همان روز نشاندهنده و است که نشان دهنده عملکرد خوب چهارچوب پیشنهادی برای ریز مقیاس نمایی در این مطالعه است.
علی شمس‌الدینی؛ شهربانو اسماعیلی
دوره 9، شماره 2 ، اسفند 1396، ، صفحه 117-132
چکیده
در طبقه‌بندی تصاویر با قدرت تفکیک مکانی متوسط، مانند لندست، تمایز اراضی کشاورزی بدون پوشش گیاهی از زمینهای بایر و همچنین، شناسایی زمینهای بایر از مناطق ساخته‌شده معمولاً دشوار و همراه با خطاست. به همین علت در این مطالعه، ترکیب‌های متفاوتی از ویژگی‌های ورودی، به‌روش‌های طبقه‌بندی، به‌منظور بررسی امکان ارتقای دقت طبقه‌بندی ...
بیشتر
در طبقه‌بندی تصاویر با قدرت تفکیک مکانی متوسط، مانند لندست، تمایز اراضی کشاورزی بدون پوشش گیاهی از زمینهای بایر و همچنین، شناسایی زمینهای بایر از مناطق ساخته‌شده معمولاً دشوار و همراه با خطاست. به همین علت در این مطالعه، ترکیب‌های متفاوتی از ویژگی‌های ورودی، به‌روش‌های طبقه‌بندی، به‌منظور بررسی امکان ارتقای دقت طبقه‌بندی مقایسه شد. داده‌های ورودی شامل باندهای طیفی تصویر لندست-7، ویژگی‌های بافتی شامل ماتریس وقوع همزمان گامهای خاکستری و شاخص‌های حرارتی و مکانی پیشنهادی در این تحقیق است. در بررسی حاضر، به‌منظور طبقه‌بندی سناریوهای متفاوت، از سه روش طبقه‌بندی شامل بیشترین میزان شباهت، شبکة عصبی و ماشین بردار پشتیبان با هستههای متفاوت استفاده شد. نتایج نشان داد که ادغام تمامی داده‌های ورودی و استفاده از روش ماشین بردار پشتیبان با هستة پایة شعاعی، با صحت کلی 81/۹۸% و ضریب کاپا 25/98%، ممکن است نتایجی بهتر از دیگر روش‌ها و سناریوها داشته باشد. همچنین، در تحلیل اهمیت متغیرهای ورودی، با استفاده از روش انتخاب ویژگی برپایة جنگل تصادفی، مشخص شد که شاخص‌های پیشنهادی در این مطالعه نقش مهمی در طبقه‌بندی با صحت بالا و کارآمد داشتهاند.
