کریم سلیمانی؛ شادمان درویشی؛ فاطمه شکریان؛ مصطفی رشیدپور
دوره 10، شماره 3 ، فروردین 1397، ، صفحه 77-104
چکیده
برف، یک منبع عمده جریان آب در هر منطقه است. از این رو، آگاهی از توزیع زمانی و مکانی برف برای مدیریت مناسب منابع آب محدود در منطقه ضروری است. با توجه به شرایط سخت فیزیکی محیطهای کوهستانی، امکان اندازهگیری دائم زمینی جهت تخمین منابع برفابی و تشکیل پایگاه دادهها وجود ندارد. به همین جهت استفاده از دادههای سنجش از دور به منظور پایش ...
بیشتر
برف، یک منبع عمده جریان آب در هر منطقه است. از این رو، آگاهی از توزیع زمانی و مکانی برف برای مدیریت مناسب منابع آب محدود در منطقه ضروری است. با توجه به شرایط سخت فیزیکی محیطهای کوهستانی، امکان اندازهگیری دائم زمینی جهت تخمین منابع برفابی و تشکیل پایگاه دادهها وجود ندارد. به همین جهت استفاده از دادههای سنجش از دور به منظور پایش تغییرات سطح برف بسیار موثر است. هدف مطالعه حاضر نیز بررسی تغییرات زمانی- مکانی پوشش برف استان کردستان با استفاده از محصولات سنجندهی MODIS (MOD10A1، MOD10A2) در بازهی زمانی 17 ساله (1396-1379) است. همچنین به منظور ارزیابی دقت تصاویر و تحلیل رابطه بین تغییرات برف با دادههای بارش و دما از دادههای ایستگاه سینوپتیک منطقه مورد مطالعه استفاده شد. نتایج ارزیابی تصاویر با دادههای ایستگاه هواشناسی نشان میهد که این تصاویر از دقت مناسبی در استخراج سطوح برفی برخوردار است. همچنین نتایج بررسی تغیرات پوشش برف استان کردستان حاکی از آن است که بیشترین مساحت پوشیده از برف در سالهای 1379، 1380، 1383، 1385، 1386، 1387، 1389، 1390، 1391، 1392 و 1394 و کمترین آن در سالهای 1384، 1388، 1395 و 1396 اتفاق افتاده است. بیشترین مساحت پوشیده از برف در دی ماه 1386 با 2/28914 کیلومتر مربع بوده است. بررسی تغییرات ریزش برف در سطح استان نشان میدهد بیشترین ریزش برف در سطح استان از آبان تا اسفند در شهرستان دیواندره (آبان 1383، 57/59 درصد)، شهرستان بیجار (بهمن 1379، 93/25 درصد) و شهرستان قروه (دی ماه 1396، 38/25 درصد) اتفاق افتاده است. همچنین تحلیل ارتباط بین ذوب برف با دادههای اقلیمی نشان میدهد که در ماههای فروردین و اردیبهشت افزایش بارندگی و در خرداد ماه با کاهش باندگی، روند افزایشی دما موجب آب شدن سطوح برفی در سطح استان شده است.
مصطفی اوجاقلو؛ محمدرضا مباشری؛ یوسف رضائی
دوره 5، شماره 1 ، تیر 1392
چکیده
روش های متعددی برای استخراج اطلاعات از داده های ابرطیفی وجود دارند که از آن جمله می توان به روش مشتق گیری از طیف بازتابندگی و استفاده از روش های کدگذاری اشاره کرد. در این تحقیق با مشتق گیری از طیف بازتابندگی، فرکانس های پایین طیف- که عموتاً دارای اطلاعات مفیدی نیستند- حذف گردیده و همپوشانی بین مناطق جذبی از بین رفته و تباین طیفی نیز ...
بیشتر
روش های متعددی برای استخراج اطلاعات از داده های ابرطیفی وجود دارند که از آن جمله می توان به روش مشتق گیری از طیف بازتابندگی و استفاده از روش های کدگذاری اشاره کرد. در این تحقیق با مشتق گیری از طیف بازتابندگی، فرکانس های پایین طیف- که عموتاً دارای اطلاعات مفیدی نیستند- حذف گردیده و همپوشانی بین مناطق جذبی از بین رفته و تباین طیفی نیز بالاتر برده شده است. دیگر اینکه استفاده از کدگذاری طیفی باعث افزایش سرعت پردازش داده ها گردیده که برای پردازش داده های حجیم ابرطیفی بسیار مناسب است. در این تحقیق ابتدا با استفاده از تابع رگرسیون چندگانه نویز موجود در داده ها کاهش یافته و سپس با مشتق گیری از طیف داده های اصلی و داده های کتابخانه طیفی یا داده های آموزشی، طیف مشتق به دست آمده است. پس از آن با دو روش کدگذاری، طیف مشتق کدگذاری شد، سپس با استفاده از معیار شباهت AVD کدهای داده اصلی و داده های آموزشی با همدیگر مقایسه شدند و یک روش برای طبقه بندی داده های ابرطیفی به نام SDCM معرفی گردید. برای ارزیابی نتایج، دو سری داده شبیه سازی شده و یک سری داده واقعی به کار رفت و روش ارائه شده با سه روش کدگذاری SPAM و SDFC و SFBC مقایسه شد. نتایج دقت کلی برای داده های واقعی روش های کدگذاری SPAM، SDFC و SFBC به ترتیب 38/71 و 15/74 و 58/68 درصد و دقت کلی روش SDCM، 32/86 درصد به دست آمد، که پس از استفاده از فیلتر مکانی دقت کلی به 64/90 درصد افزایش یافت. این خود حاکی از مؤثر بودن روش ارائه شده برای طبقه بندی داده های ابرطیفی در قیاس با روش های کدگذاری ذکر شده است.
خلیل قربانی؛ علی خلیلی؛ سیدکاظم علوی پناه؛ غلامرضا نخعی زاده
دوره 1، شماره 4 ، اسفند 1388
چکیده
برای مطالعه سطح زمین با تصاویر ماهواره ای، طبقه بندی و تشیخص درست پیکسل های ابری امری ضروری به شمار می آید. از میان روش های طبقه بندی موجود می توان به مدل های شبکه عصبی و درخت تصمیم در داده کاوی اشاره کرد که الگوریتم های متعددی از این دو دسته مدل، شکل گرفته و توسعه یافته اند، به منظور ارزیابی دقت این مدل ها در طبقه بندی و انتخاب بهترین ...
بیشتر
برای مطالعه سطح زمین با تصاویر ماهواره ای، طبقه بندی و تشیخص درست پیکسل های ابری امری ضروری به شمار می آید. از میان روش های طبقه بندی موجود می توان به مدل های شبکه عصبی و درخت تصمیم در داده کاوی اشاره کرد که الگوریتم های متعددی از این دو دسته مدل، شکل گرفته و توسعه یافته اند، به منظور ارزیابی دقت این مدل ها در طبقه بندی و انتخاب بهترین آن ها، یاده الگوریتم از این دو دسته مدل ارزیابی شدند. بدین منظور با انتخاب 40000 پیکسل با ویژگی های مناطق ابری، صاف، برفی و آب در چهار کلاس از تصاویر کالیبره شده ماهواره نوآ بر روی گستره ایران در فصول مختلف سال و با استخراج اطلاعات پنج باند نوآ محاسبه نسبت های باندی NDVI، نسبت بازتابندنگی باند یک باز تابندگی باند دو و اختلاف دمای درخشندگی باند پنج با دمای درخشتندگی باند چهار و معرفی آن ها به عنوان متغیرهای ورودی، دقت هر یک از الگوریتم ها در طبقه بندی این کلاس ها مقایسه شد. زمان اجرای سریع الگوریتم های درخت تصمیم در مقایسه با اجرای کندتر الگوریتم های شبکه عصبی ماتریس تطابق که تعداد درستی و خطا در طبقه بندی پیکسل هانشان می دهد، مشخص شد که در بین یازده الگوریتم مورد مقایسه، اگلوریتم درخت تصمیم C5، با 43 مورد خطا در تشخیص پیکسل های ابری، با دقتی معادل 56/99 درصد دارای بهترین دقت در طبقه بندی است. نیز با توجه به مزایای ذکر شده برای این دسته مدل های طبقه بندی، C5 مناسب ترین الگوریتم برای طبقه بندی پیکسل های ماهواره ای و تشخیص های ابری شناخته شد.
عطاءالله حدادی؛ محمدرضا صاحبی؛ مهدی مختارزاده؛ هیرش فتاحی
دوره 1، شماره 3 ، آذر 1388
چکیده
در پژوهش حاضر، روشی ترکیبی از شکبههای عصبی نظارت شده و نظارت نشده برای طبقه بندی تصاویر سنجش از دور ارائه شده است. مبنای الگوریتم پیشنهادی، شبکه های خودسازمانده (SOM) و الگوریتم شبکه عصبی پس اتشار خطاست. الگوریتم طبقه بندی نظارت نشده SOM به تنهایی قادر به طبقه بندی و برچسب گذاری دقیق نتیجه نهایی نیست، لذا در نوشتار حاضر از الگوریتم پس ...
بیشتر
در پژوهش حاضر، روشی ترکیبی از شکبههای عصبی نظارت شده و نظارت نشده برای طبقه بندی تصاویر سنجش از دور ارائه شده است. مبنای الگوریتم پیشنهادی، شبکه های خودسازمانده (SOM) و الگوریتم شبکه عصبی پس اتشار خطاست. الگوریتم طبقه بندی نظارت نشده SOM به تنهایی قادر به طبقه بندی و برچسب گذاری دقیق نتیجه نهایی نیست، لذا در نوشتار حاضر از الگوریتم پس انتشار خطا برای تعیین بر چسب نهایی کلاس ها استفاده شده است. در ابتدا تصویر با استفاده از الگوریتم شبک های خودسازمانده بخش بندی می شود. سپس برچسب های نرون های شبکه های خودسازمانده با استفاده از الگوریتم پس انتشار خطا و داده های آموزشی تعیین می شود و در ادامه نقشه پوششی تهیه می گردد. به منظور کاهش حجم سنگین محاسبات شبکه های خودسازمانده، در پژوهش حاضر از الگوریتم PCA برای تعیین مقدار اولیه بردار وزن نرون ها استفاده شده است. ارزیابی الگوریتم پیشنهادی با تصاویر چندطیفی لندست (ETM+) و IKONOS انجام گرفت. هر قسمت از الگوریتم با الگوریتم های دیگر جایگزین شد و نتایج به دستآمده با الگوریتم پیشنهادی مقایسه گردید. در ابتدا به جای الگوریتم SOM از الگوریتم های نظارت نشده K-Means و FCM و به جای الگوریتم MLP برای تعیین بر چسب نرون های الگوریتم SOM از الگوریتم KNN استفاده گردید. همنچنین نتایج نهایی الگوریتم پیشنهادی با دیگر الگوریتم های طبقه بندی مقایسه شد. نتایج حاصل از دقت طبقه بندی الگوریتم پیشنهادی و دیگر الگوریتم ها، نشان می دهد که الگوریتم پیشنهادی توانانی بهبود نتایج طبقه بندی را – به ویژه برای تعداد نمونه های آموزشی اندک - داراست.
محسن قمری اصل؛ محمدجواد ولدان زوج؛ برات مجردی
دوره 1، شماره 2 ، شهریور 1388
چکیده
در این تحقیق، روشی برای بهبود استخراخ ویژگی غیرپارامتریک زون دار ارائه شده است، که در مسائل تشخیص الگو در فضاهای با ابعاد بالا استفاده می گردد. روش استخراج غیرپارامتریک زون دار بر اساس بسط غیرپارامتریک ماتریس های پراکندگی قرار گرفته است، که پارمترهای مانگین آن ها به طور جداگانه برای هر نمونه و با استفاده از مجموع وزن دار نمونه های ...
بیشتر
در این تحقیق، روشی برای بهبود استخراخ ویژگی غیرپارامتریک زون دار ارائه شده است، که در مسائل تشخیص الگو در فضاهای با ابعاد بالا استفاده می گردد. روش استخراج غیرپارامتریک زون دار بر اساس بسط غیرپارامتریک ماتریس های پراکندگی قرار گرفته است، که پارمترهای مانگین آن ها به طور جداگانه برای هر نمونه و با استفاده از مجموع وزن دار نمونه های سایر کلاس ها محاسبه می شود. وزن هر یک از این نمونه ها بر اساس فاصله اقلیدسی آن ها از نمونه اصلی (نمونه تحت بررسی) محاسبه می گردد. اما تنها با استفاده از پارامتر فاصله نمی توان پراکندگی نمونه ها را به طور کامل بیان کرد، و محل قرار گیری آن ها نیز در بیان پراکندگی نمونه ها موثر است. بدین معنی که ممکن است دو نمونه که فواصل یکسانی از نمونه صلی (نمونه تحت بررسی) دارند، وابستگی شان به آن نمونه یکسان نباشد. به عنوان ممکن است که یکی از آن ها کامله به نمونه اصلی وابسته باشد و دیگری کاملا مستقل از آن باشد. از سوی دیگر، این وابستگی ها با ترکیب خطی آن ها مرتبط است. چرا که در حالت ایده آل انتظار می رود نمونه های یک کلاس، کاملا ترکیبی خطی از یکدیگر باشند و نمونه های کلاس های متفاوت کاملا مستقل از هم باشند. از این رو، ترکیب خطی بین نمونه ها در تعیین پراکندگی ها موثر خواهد بود. در پژوهش حاضر، با استفاده از پارامتر مهم ترکیب خطی، نتیجه روش استخراخ ویژگی غیرپارامتریک وزن دار بهبود یافته است. نتایج نشان می دهند که روش ارائه شده در اکثر کلاس ها و به یوژه در کلاس های بحرانی که تشابه طیفی بالایی نسبت به هم دارند، بهتر از روش استخراج ویژگی غیرپارامتریک وزن دار عمل کرده است. بهترین نتیجه به دست آمده دارای دقت کلی بیش از 82 درصد یا ضریب کاپایی بهتراز 80 درصد بوده است.
مجید رحیم زادگان؛ محمدرضا مباشری؛ محمدجواد ولدان زوج؛ یاسر مقصودی مهرانی
دوره 1، شماره 1 ، تیر 1388
چکیده
یکی از پرکاربردترین روش های طبقه بندی نظارت شده، روش بیشترین احتمال است که در آن، به منظرو طبقه بندی از پارامترهایی آماری مانند ماتریس واریانس کوواریانس استفاده می شود. در تصاویر ماهواره ای ابر طیفی، به علت محدودیت نمونه های آموزشی و ابعاد بالای طیفی (زیاد بودن تعداد باند ها)، احتمال یکتا شده ماتریس های برآورد شده و با کاهش دقت طبقه ...
بیشتر
یکی از پرکاربردترین روش های طبقه بندی نظارت شده، روش بیشترین احتمال است که در آن، به منظرو طبقه بندی از پارامترهایی آماری مانند ماتریس واریانس کوواریانس استفاده می شود. در تصاویر ماهواره ای ابر طیفی، به علت محدودیت نمونه های آموزشی و ابعاد بالای طیفی (زیاد بودن تعداد باند ها)، احتمال یکتا شده ماتریس های برآورد شده و با کاهش دقت طبقه بندی وجود دارد. به منظور حل این مشکل از روش های مختلفی همچون کاهش تعداد ویژگی ها (کاهش تعداد باندهای استفاده شده) و یا ترکیب طبقه بندی کننده ها استفاده می گردد. در این پژوهش ازتلفیق این دو روش استفاده شده است، بدن تربیت که برای کاهش ابعاد، روش استخراج ویژگی غیرپارامتریک وزن دار به علت مزایای متعدد آن به کار رفته است؛ و در مورد ترکیب طبقه بندی کننده ها برای ایجاد ترکیبات مناسب از طبقه بندی کننده ها، از روش تغییر ویژگی های ورودی و روش استخراج ویژگی بر مبنای کلاس افتاده شده است. همچنین در ترکیب خروجی طبقه بندی کننده ها، از روش سطح اندازه گیری استفاده شده است. تصویر ابرطیفی مورد استفاده در این پژوهشت، تصویر سنجیده AVIRIS مربوط به منطقه ای جنگلی / کشاورزی در شمال ایالت ایندیانا در آمریکاست. پس از پیاده سازی روش استخراج ویژگی غیر پارامتریک وزن دار، دقت طبقه بندی کلی 67/85 درصد حاصل گردید. در ترکیب طبقه بندی کننده ها، دقت طبقه بندی کلی 26/89 در صد و در روش پیشنهای دقیت طبقه بندی کلی 34/89 درصد به دست آمد، که در قیاس با دو روش تشکیل دهنده آن، دقت طبقه بندی بهبود یافته است. به رغم کم بودن میزان بهبود دقت، به علت پیچیدگی محاسبات و همچنین امکان انجام محاسبات موازی، روش پیشنهاید در این پژوهش مناسب تر به نظر می رسد.