سلمان گودرزدشتی؛ محمد سیفی؛ مهشید کهندل؛ داود عاشورلو؛ حسین عقیقی
چکیده
محصول سیبزمینی، چهارمین محصول کشت شده در جهان میباشد. با توجه به اهمیت استراتژیک این محصول در تامین امنیت غذایی، تهیه نقشههای دقیق از سطوح زیر کشت محصول سیبزمینی، اطلاعات ضروری برای تخمین و پیشبینی میزان عملکرد محصول در مقیاسهای مختلف را فراهم میکند. اگرچه رویکردهای سنجش از دور مبتنی بر سنجندههای اپتیکی و یا مایکروویو ...
بیشتر
محصول سیبزمینی، چهارمین محصول کشت شده در جهان میباشد. با توجه به اهمیت استراتژیک این محصول در تامین امنیت غذایی، تهیه نقشههای دقیق از سطوح زیر کشت محصول سیبزمینی، اطلاعات ضروری برای تخمین و پیشبینی میزان عملکرد محصول در مقیاسهای مختلف را فراهم میکند. اگرچه رویکردهای سنجش از دور مبتنی بر سنجندههای اپتیکی و یا مایکروویو بهطور گسترده برای پایش مزارع (شامل سطح زیر کشت محصول، شرایط و پیشبینی عملکرد آن) استفاده شده است، اما به شناسایی مزارع سیبزمینی با استفاده از دادههای سنجش از دور کمتر پرداخته شده است. لذا این پژوهش با ارائه رویکردی موثر در نگاشت مزارع سیبزمینی با استفاده از تصاویر ماهواره سنتینل-2، سامانه Google Earth Engine و روش یادگیری ماشین به مطالعه این موضوع میپردازد. از آنجا که اکثر محصولات کشاورزی دارای ویژگیهای طیفی-زمانی منحصر بفرد در طول دوره رشد خود هستند، این پژوهش روشی برای تمایز مزارع سیبزمینی از سایر محصولات با استفاده از تصاویر سری زمانی و بدون آستانهگذاری صریح را ارائه کرده است. بمنظور بهینه سازی پارامترها، آموزش و ارزیابی مدل از دادههای نوع محصول در سایت مورد مطالعه که شامل 1648 نمونه از مزارع سیبزمینی و سایر محصولات است استفاده شد. این دادهها توسط گیرنده GPS دستی نمونهبرداری گردید. کارایی روش پیشنهادی در شهرستانهای همدان و بهار که بیشترین میزان کشت این محصول را در ایران دارند، مورد ارزیابی قرار گرفته است. شناسایی دقیق مزارع سیب زمینی با تهیه لایههای ورودی مناسب شامل، شاخص فنولوژیکی محصول و میانههای NDVI (سری زمانی تصاویر سنتینل-2) انجام شد. در ادامه، این لایهها بهعنوان ورودیهای ماشینبردارپشتیبان مورد استفاده قرار گرفت. بهمنظور آموزش مدل بهینه برای ماشینبردارپشتیبان با استفاده از کرنل RBF، مقادیر gamma و C با کمک روش 5-fold cross validation بهینهسازی شد. سپس، این مقادیر در فرایند پیادهسازی الگوریتم، تحت سامانه رایانش ابری GEE مورد استفاده قرارگرفت. صحت کلی و ضریب کاپا بهترتیب برای همدان %90.9 و 82/0 و برای بهار %93.3 و 87/0 برآورد شد. نتایج پژوهش حاضر نشاندهنده کارایی روش ماشینبردارپشتیبان در شناسایی سطوح زیر کشت محصول سیبزمینی است. همچنین شاخصهای استفاده شده، مانند شاخص فنولوژی سیبزمینی، میتوانند بهعنوان ویژگیهای متمایز کننده، جهت شناسایی بهتر مزارع محصول مورد استفاده قرار گیرند.
فرزانه عقیقی؛ امیدمهدی عبادتی؛ حسین عقیقی
چکیده
مجموعة دادههای ابر نقاط لیدار و مدلهای سهبعدی (3-D) در استخراج عوارض شهری، مدیریت جنگلداری، شهری و گردشگری، رباتیک، تولید بازیهای رایانهای و موارد دیگر کاربرد گستردهای دارد. از سویی، وجود نقاط پرت در ابر نقاط لیدار اجتنابناپذیر است؛ بنابراین تشخیص نقاط پرت و حذف آن از ابر نقاط لیدار بهمنزلة گامی ضروری در پردازش ابر ...
بیشتر
مجموعة دادههای ابر نقاط لیدار و مدلهای سهبعدی (3-D) در استخراج عوارض شهری، مدیریت جنگلداری، شهری و گردشگری، رباتیک، تولید بازیهای رایانهای و موارد دیگر کاربرد گستردهای دارد. از سویی، وجود نقاط پرت در ابر نقاط لیدار اجتنابناپذیر است؛ بنابراین تشخیص نقاط پرت و حذف آن از ابر نقاط لیدار بهمنزلة گامی ضروری در پردازش ابر نقاط لیدار شناخته شده است. طی دهههای گذشته، چندین تکنیک تشخیص نقاط پرت در منابع این موضوع معرفی شده است اما بیشتر آنها از نظر زمانی هزینهبرند و به نیروی متخصص انسانی نیاز دارند. بهمنظور کاهش این محدودیتها، این مقاله رویکرد خودکار جدیدی برای تشخیص نقاط پرت، با استفاده از تکنیک میدان تصادفی شرطی برپایة ماشین بردار پشتیبان (SVM-CRF) و روش نمودار جعبهای، معرفی کرده است. رویکرد نمودار جعبهای بردار انرژی خروجی SVM-CRF را برای تشخیص نقاط پرت تجزیه و تحلیل میکند. این روش بهکمک مجموعه دادة محک ISPRS که برای مجموعه دادة وهینگن، با هدف طبقهبندی سهبعدی و بازسازی سهبعدی ساختمان ایجاد شده بود، ارزیابی شد. بهمنظور ارزیابی این روش، ابتدا نقاط پرتی بهصورت دستی به مجموعه داده افزوده شد؛ با این تمرکز که این نقاط جزء نقاط پرت چسبیده به اشیا باشند. سپس مراحل تحقیق برای ارزیابی توانایی روش پیشنهادی در تشخیص نقاط پرت انجام شد. نتایج این تحقیق عملکرد مدل پیشنهادی را با دقت کلی 62% نشان داد. اگرچه الگوریتم RANSAC عملکردی بهتر از مدل پیشنهادی دارد، تکنیک زمانبر و پرهزینهتری در مقایسه با تکنیک تشخیص نقاط پرت پیشنهادی است.
محمدرضا گیلی؛ داود عاشورلو؛ حسین عقیقی؛ علی اکبر متکان؛ علیرضا شکیبا
چکیده
تغییرات رشد محصولات کشاورزی در فواصل زمانی نسبتاً کوتاه، ناهمزمانی کشت محصولات مشابه، شباهت طیفی میان محصولات گوناگون در برخی از زمانهای دورة کشت و کمبود دادههای زمینی، طبقهبندی محصولات زراعی در تصاویر ماهوارهای را به کاری چالشبرانگیز مبدل میکند. تغییر مقدار درصد پوشش و سبزینگی، در طول فصل رشد، از برجستهترین ویژگی ...
بیشتر
تغییرات رشد محصولات کشاورزی در فواصل زمانی نسبتاً کوتاه، ناهمزمانی کشت محصولات مشابه، شباهت طیفی میان محصولات گوناگون در برخی از زمانهای دورة کشت و کمبود دادههای زمینی، طبقهبندی محصولات زراعی در تصاویر ماهوارهای را به کاری چالشبرانگیز مبدل میکند. تغییر مقدار درصد پوشش و سبزینگی، در طول فصل رشد، از برجستهترین ویژگی پوششهای گیاهی ازجمله محصولات کشاورزی است که میتوان بر آن نظارت کرد. این کار با استفاده از سری زمانی شاخصهای گیاهی انجام میشود که اطلاعات بسیار مفیدی از توالی ویژگیهای فنولوژیک محصولات کشاورزی در اختیار ما قرار میدهد. استفاده از روشهای یادگیری عمیق با توانایی یادگیری اطلاعات متوالی حاصل از این سریها میتواند، در طبقهبندی محصولات کشاورزی و کاهش وابستگی به دادههای زمینی، مفید باشد. شبکةLong-Short Term Memory (LSTM) یکی از انواع شبکههای عصبی بازگشتی در تجزیه و تحلیل دادههای متوالی است که توانایی یادگیری توالیهای بلندمدت در سری زمانی را دارد؛ بنابراین در این مطالعه، پس از محاسبة شاخص NDVI از باندهای ماهوارة سنتینلـ 2 در نُه تاریخ متفاوت و تشکیل سری زمانی آن شاخص برای ورود به شبکه، دو ناحیة متفاوت در دشت مغان در نظر گرفته شد که محصولات کشتشده در آنها، طی عملیات زمینی، برداشت شده بود. در ناحیة اول، شبکة کانولوشنی LSTM برای طبقهبندی محصولات آموزش دید و در ناحیة دیگر، کارآیی این شبکة آموزشدیده در طبقهبندی محصولات ارزیابی شد و دقت کلی 82% و ضریب کاپای 8/0 بهدست آمد. افزایش تعداد نمونههای زمینی و انتخاب مرز دقیق محصولات، میتواند کارایی روش مورد استفاده را افزایش دهد.
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.
سهیل رادیوم؛ حسین عقیقی؛ حمید صالحی شهرابی
چکیده
تبخیر و تعرق یکی از اجزای مهم بیلان انرژی و آب است. کارآمدترین روش محاسبه میزان تبخیر و تعرق واقعی در مقیاس وسیع، استفاده از تصاویر ماهوارهای و سنجش از دور میباشد. اجرای الگوریتمهای محاسبه تبخیر و تعرق مانند سبال نیازمند محاسبه تبخیر تعرق مرجع و در نتیجه بدست آوردن مقادیر دما و رطوبت هوا و سرعت باد است. معمولا در محاسبات مربوط ...
بیشتر
تبخیر و تعرق یکی از اجزای مهم بیلان انرژی و آب است. کارآمدترین روش محاسبه میزان تبخیر و تعرق واقعی در مقیاس وسیع، استفاده از تصاویر ماهوارهای و سنجش از دور میباشد. اجرای الگوریتمهای محاسبه تبخیر و تعرق مانند سبال نیازمند محاسبه تبخیر تعرق مرجع و در نتیجه بدست آوردن مقادیر دما و رطوبت هوا و سرعت باد است. معمولا در محاسبات مربوط به تبخیر و تعرق از اطلاعات بدست آمده از نزدیکترین ایستگاه (های) هواشناسی به منطقه موردمطالعه استفاده میشود که میتواند همراه با خطا باشد. به همین دلیل در این مطالعه، از سنسورهای اینترنت اشیا جهت اندازه گیری دقیق دمای هوا در ارتفاع 2 متری از سطح زمین و همچنین رطوبت هوا و سرعت باد در منطقه مورد مطالعه استفاده شده است. منطقه مورد مطالعه در این تحقیق، مزارع شرکت کشت و صنعت مغان در استان اردبیل است. در این تحقیق تعداد 23 نود در تعدادی از مزارع شرکت کشت و صنعت مغان نصب و راه اندازی گردید. الگوریتم بیلان انرژی سطح زمین (سبال) جهت محاسبه میزان تبخیروتعرق با تصاویر لندست 8 سال 1394 مورداستفاده قرار است.
فرزانه حدادی؛ حسین عقیقی؛ ایوب مرادی
دوره 10، شماره 4 ، اردیبهشت 1397، ، صفحه 99-120
چکیده
استفاده از دادههای ماهوارهای، در برآورد دقیق مقدار بایومس محصول بهعنوان یکی از مهمترین چالشهای سنجش از دور محیطی محسوب میشود. اگرچه، به طور سنتی از شاخصهای طیفی پوششگیاهی استخراج شده از باندهای قرمز (R) و مادون قرمز نزدیک (NIR) برای برآورد آماری بایومس محصول استفاده شده است، اما بیشتر این شاخصها در مقادیر خاصی از شاخص ...
بیشتر
استفاده از دادههای ماهوارهای، در برآورد دقیق مقدار بایومس محصول بهعنوان یکی از مهمترین چالشهای سنجش از دور محیطی محسوب میشود. اگرچه، به طور سنتی از شاخصهای طیفی پوششگیاهی استخراج شده از باندهای قرمز (R) و مادون قرمز نزدیک (NIR) برای برآورد آماری بایومس محصول استفاده شده است، اما بیشتر این شاخصها در مقادیر خاصی از شاخص سطح برگ اشباع میشوند. لذا بهمنظور غلبه بر محدودیت اشباعشدگی، اخیرا مطالعات زیادی بر روی استفاده از بازتابندگی طیفی در محدوده لبه قرمز انجام شده است. برای ارزیابی عملکرد شاخصهای مختلف پوششگیاهی در برآورد بایومس محصول، پنج نوبت نمونه برداری از ویژگیهای بیوفیزیکی ذرت علوفهای در طول دوره رشد این محصول در اراضی زراعی شرکت کشت و صنعت مگسال، قزوین انجام شد و جمعا 182 نمونه میدانی جمعآوری شد. سپس 10 شاخص طیفی از سری زمانی تصاویر Sentinel-2 که همزمان با نوبتهای نمونه برداری میدانی در سال 2017 اخذ شده بودند، محاسبه شده و با استفاده از آنها بایومس ذرت علوفهای برآورد شد. بایومس ذرت علوفهای با اندازهگیریهای میدانی مورد ارزیابی قرار گرفت. نتایج نشان داد شاخص با ضریب تعیین و کمترین ریشه میانگین مربعات خطا ، بهترین شاخص برای تخمین بایومس ذرت علوفهای است. علاوه بر این، تحقیق حاضر نشان داد که تصاویر ماهوارهای Sentinel-2 با توان تفکیک مکانی بالا و محدوده لبه قرمز، قابلیت تخمین مقدار بایومس محصول ذرت علوفهای را با دقت مناسب دارد.
فرزانه عقیقی؛ امید مهدی عبادتی؛ حسین عقیقی
دوره 9، شماره 2 ، اسفند 1396، ، صفحه 41-60
چکیده
امروزه در زمینة مدیریت شهری، رباتیک، تولید بازیهای رایانهای و مانند آن، از ابرنقاط لیدار در استخراج عوارض شهری و سهبعدیسازی استفادة گستردهای میشود. خوشهبندی و طبقهبندی نقاط ابری لیدار یکی از گامهای اصلی برای رسیدن به مدلی سهبعدی بهشمار میرود؛ بنابراین، یکی از اهداف این تحقیق را میتوان ارزیابی کارآیی روشهای ...
بیشتر
امروزه در زمینة مدیریت شهری، رباتیک، تولید بازیهای رایانهای و مانند آن، از ابرنقاط لیدار در استخراج عوارض شهری و سهبعدیسازی استفادة گستردهای میشود. خوشهبندی و طبقهبندی نقاط ابری لیدار یکی از گامهای اصلی برای رسیدن به مدلی سهبعدی بهشمار میرود؛ بنابراین، یکی از اهداف این تحقیق را میتوان ارزیابی کارآیی روشهای طبقهبندی Kاٌمین همسایگی نزدیک (KNN)، درخت تصمیم (DT)، بیز ساده (Naïve Bayes)، شبکة عصبی مصنوعی (ANN)، ماشین بردار پشتیبان (SVM) و میدان تصادفی مارکوف (MRF) در طبقهبندی مجموعه دادة لیدار و تصاویر هوایی در محیط پیچیده شهری برشمرد. بدینمنظور، دادههایی که ISPRS از شهر فایهینگن کشور آلمان فراهم آورده، بهکار رفته است. سپس همة ویژگیهای هندسی، مقادیر شدت ثبتشده از سوی لیدار، تصاویر هوایی و نیز ویژگیهای استخراجشدة مبتنیبر مقادیر ویژه را استخراج و بهمنظور تشخیص پنج کلاس اشیای شهری شامل سطوح نفوذناپذیر، ساختمان، گیاهان کمارتفاع، درخت و اتومبیل بهکار برده است. برای محاسبة مقادیر ویژه بهکمک توزیع محلی نقاط، در این مقاله، یک ساختار مکعبی جدید معرفی شده است که در تحقیقات گذشته دیده نشده بود. نتایج نهایی تکنیکهای طبقهبندی بهکاررفته در این تحقیق با استفاده از نقشههای رفرنس ISPRS ارزیابی شدند. نتایج ارزیابی این تحقیق نشان میدهد که مدل MRF با دقت کلی 88.08% و ضریب کاپای 0.83 کارآتر از دیگر طبقهبندیهاست. همچنین، ساختار مکعبی پیشنهادی را میتوان، بهخوبی ساختارهای کروی و استوانهای، در استخراج ویژگیهای مبتنیبر مقادیر ویژه بهکار برد.
داوود عاشورلو؛ حسین عقیقی؛ علیاکبر متکان؛ حامد نعمتاللهی
دوره 9، شماره 4 ، مرداد 1396، ، صفحه 111-128
چکیده
بیماریهای زنگ زرد و قهوهای گندم ازجمله مهمترین بیماریهای غلات در ایران و سایر کشورهای دنیا محسوب میشوند که سالیانه خسارات جبرانناپذیری را به اقتصاد کشاورزی وارد میکنند و در اغلب موارد، همزمان رخ میدهند. بنابراین در این تحقیق، اثر بیماریهای زنگ زرد و قهوهای گندم در بازتابندگی برگ، با استفاده از شاخصهای طیفی در ...
بیشتر
بیماریهای زنگ زرد و قهوهای گندم ازجمله مهمترین بیماریهای غلات در ایران و سایر کشورهای دنیا محسوب میشوند که سالیانه خسارات جبرانناپذیری را به اقتصاد کشاورزی وارد میکنند و در اغلب موارد، همزمان رخ میدهند. بنابراین در این تحقیق، اثر بیماریهای زنگ زرد و قهوهای گندم در بازتابندگی برگ، با استفاده از شاخصهای طیفی در مدل تاجپوشش، بررسی شد. بدینمنظور، شاخصهای گوناگون پوشش گیاهی استخراجشده از طیف برگ بیمار ارزیابی شدند. برای این کار، میزان گسترش بیماریهای زنگ زرد و قهوهای سطح برگ و درجات متفاوت آنها، با استفاده از دوربین دیجیتال و الگوریتم چندمرحلهای شامل تبدیلات رنگ، تهیة ماسک، استفاده از بافت و طبقهبندی حداکثر احتمال، استخراج شد. همچنین نتایج نشان داد، با افزایش نسبت سطح بیمار برگ، مقادیر عددی شاخصها تغییر میکند؛ درحالیکه پراکندگی دادهها بهصورت کاملاً مشخصی افزایش مییابد. بیشترین میزان همبستگی برای شاخص NDVI برابر با 9/0و حداقل در شاخص حداکثر شیب قرمز برابر با 2/0 است. با ارائة معیار همانندی، دامنة تغییرات و نیز پراکندگی درونکلاسی، روابط طیف و بیماری بررسی و مشخص شد که با گسترش بیماری، معیارهای مورد اشاره تغییر مییابند. اگرچه در بیماری زنگ زرد این تغییرات دیده نمیشود، در شاخصهای گوناگون طیفی با افزایش میزان بیماری، اختلاط طیفی در بخشهای متفاوت زرد، نارنجی، قهوهای و مردة گیاه دلیلی بر پراکندگی دادهها با گسترش بیماری محسوب میشود.