مهدی امیری؛ فرزاد امیری؛ محمد حسین پوراسد؛ سیف اله سلیمانی
چکیده
کیفیت هوای پاک به عنوان یکی از ضروریترین نیازهای موجودات زنده، در اثر فعالیتهای طبیعی و مصنوعی به مخاطره افتاده است. در سالهای اخیر، طوفانهای گرد و غبار از حیث مکانی و زمانی همواره در حال افزیش بوده و سبب آسیبهای بیشمار در حوزه سلامت اجتماعی، اقتصادی و زیست محیطی و غیره برای ساکنان مناطق جنوب و جنوبغربی ایران شده است. ...
بیشتر
کیفیت هوای پاک به عنوان یکی از ضروریترین نیازهای موجودات زنده، در اثر فعالیتهای طبیعی و مصنوعی به مخاطره افتاده است. در سالهای اخیر، طوفانهای گرد و غبار از حیث مکانی و زمانی همواره در حال افزیش بوده و سبب آسیبهای بیشمار در حوزه سلامت اجتماعی، اقتصادی و زیست محیطی و غیره برای ساکنان مناطق جنوب و جنوبغربی ایران شده است. در پژوهش حاضر، جهت بررسی طوفانهای گرد و غبار و تشخیص عمق دید افقی از دادههای سنجنده مودیس استفاده شده است. از مزایای دادههای سنجنده مودیس میتوان به توان تفکیک طیفی و زمانی بالا اشاره نمود. همچنین دادههای ایستگاههای هواشناسی با توجه به بازه زمانی مورد مطالعه، جمعآوری شده است. پس از پیشپردازش دادهها و آمادهسازی مشاهدات میدانی، جهت استخراج ویژگیهای مورد نیاز برای انجام مدلسازیها، از طریق روش تفاضلی بین باندهای منتخب هر تصویر دادههای سنجنده مودیس به همراه ویژگیهای استخراج شده از سنسور های ایستگاههای هواشناسی زمینی استفاده شده است. با بررسی های بیشتر و ارزیابیهای صورت گرفته و استفاده از نظرات خبرگان هواشناسی تعداد 36 ویژگی تفاضلی از باندهای مختلف تصاویر مودیس و 6 ویژگی از دادههای ایستگاههای هواشناسی زمینی که مجموعا 42 ویژگی میباشد استخراج شده است. در ادامه از طریق تکنیکهای انتخاب ویژگی بهترین ویژگیها شناسایی و از یک روش جدید با عنوان ML-Based GMDH که حاصل بهبود شبکه عصبی GMDH از طریق تغییر توابع جزئی با مدلهای یادگیری ماشین است برای تشخیص غلظت گرد و غبار و دید افقی استفاده شد. همچنین، برای دستیابی به دقت مناسب ابر پارامترهای این مدل به صورت ابتکاری توسط الگوریتم بهینهسازی TLBO تنظیم شدند. در ادامه روشهای یادگیری ماشین Basic GMDH SVM,MLP,MLR,RFو مدل گروهی آنها نیز جهت مقایسه با رویکرد اصلی پیاده سازی گردیده و نتایج حاصل نشان دادند که روش ML-Based GMDH تنظیم شده با TLBOبا ایجاد بهبود نسبت به روشهای یادگیر ماشین ذکر شده، دقت بهتری را در تشخیص غلظت گرد و غبار فراهم کرده است.
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.
ناصر فرجزاده؛ مهدی هاشم زاده
چکیده
تصاویر هوایی ثبتشده توسط ماهوارهها و یا پهپادها، معمولا شامل نواحی مربوط به منابع طبیعی و نواحی حاوی سازههای ساخت بشر است. با تفکیک این نواحی از یکدیگر، قادر خواهیم بود اطلاعات مهمی نظیر آرایش ساختاری سطوح و شکل آنها را استخراج و نقشههای هواییِ برچسبدار ایجاد کنیم. دستیابی به چنین اطلاعاتی میتواند کاربردهای بسیار مفیدی ...
بیشتر
تصاویر هوایی ثبتشده توسط ماهوارهها و یا پهپادها، معمولا شامل نواحی مربوط به منابع طبیعی و نواحی حاوی سازههای ساخت بشر است. با تفکیک این نواحی از یکدیگر، قادر خواهیم بود اطلاعات مهمی نظیر آرایش ساختاری سطوح و شکل آنها را استخراج و نقشههای هواییِ برچسبدار ایجاد کنیم. دستیابی به چنین اطلاعاتی میتواند کاربردهای بسیار مفیدی در زمینههای نظامی، شهری و زیست محیطی داشته باشد. از آنجاییکه پردازش حجم عظیمی از تصاویر بهدست آمده از ماهوارهها و پهپادها بصورت دستی امکانپذیر نیست، لذا استفاده از روشهای خودکارِ مبتنی بر هوش مصنوعی در این حوزه، بسیار مورد توجه قرار گرفته است. تاکنون پژوهشهای متعددی در اینباره انجام شده است که از اهم آنها میتوان به شناسایی ساختمانها، وسایل نقلیه، جادهها و همچنین تشخیص ساختار پوشش گیاهی در تصاویر هوایی اشاره کرد. در این مقاله، قصد داریم با معرفی مجموعهای از ویژگیهای آماری مبتنی بر رنگ که به سادگی قابل استخراج از تصاویر هوایی هستند و با استفاده از یک مدل مبتنی بر یادگیری، راهکاری کارآمد برای تشخیص دقیق و سریع سازههای ساخت بشر و تفکیک آنها از منابع طبیعی ارایه دهیم. نتایج آزمایشهای انجام گرفته بر روی بانک تصاویر ماساچوست که بهصورت عمومی، قابل دسترس است، نشان دهنده دقت مناسب و سرعت عمل بالای راهکار پیشنهادی است. بهطوریکه، دقت و میانگین سرعت پردازش بهدست آمده بهترتیب برابر با ٪۰۷/۹۰ و 96/0 ثانیه است.
نیما فرهادی؛ عباس کیانی؛ حمید عبادی
چکیده
شناسایی عوارض موجود در تصاویر، یکی از مسائل اساسی در حوضه تفسیر تصاویر بهویژه در تصاویر سنجشازدوری، به شمار میآید. یکی از روشهای کارآمد و بهروز در این زمینه، بهکارگیری شیوههای یادگیری عمیق، جهت استخراج و تفسیر است. یک عارضه، مجموعهای از الگوهای منحصربهفرد است که با عوارض مجاور خود متفاوت است، این تفاوت معمولاً در ...
بیشتر
شناسایی عوارض موجود در تصاویر، یکی از مسائل اساسی در حوضه تفسیر تصاویر بهویژه در تصاویر سنجشازدوری، به شمار میآید. یکی از روشهای کارآمد و بهروز در این زمینه، بهکارگیری شیوههای یادگیری عمیق، جهت استخراج و تفسیر است. یک عارضه، مجموعهای از الگوهای منحصربهفرد است که با عوارض مجاور خود متفاوت است، این تفاوت معمولاً در یک یا چند ویژگی بهطور همزمان اتفاق میافتد که میتوان بهتفاوت در شکل، رنگ و درجه خاکستری اشاره نمود. در این راستا، روش یادگیری عمیق با توانایی تحلیل مفاهیم انتزاعی سطح بالا، میتواند انتخاب مناسبی در این زمینه باشد. در روش پیشنهادی، ابتدا یک پایگاهداده مطابق با شرایط محیطی و جغرافیایی کشور از برخی از فرودگاههای ایران تشکیلشد. سپس با استفاده از شبکههای عصبی کانولوشنی به تولید مدل یادگیرنده بهینه اقدام شد. برای این کار، در قسمت پردازش دادههای خام در کنار استفاده از روش انتقال آموزشی، بردارهایی جهت دستهبندی عوارض موردنظر استخراج و به یک مدل ماشینبردار پشتیبان طبقهبندیکننده، تحویل داده میشوند. در ادامه، مقادیر خروجی با مقادیر بهدستآمده از تصویر آزمایشی برای هر عارضه، مقایسه و در یک روند تکرارشونده تحلیل و جهت تطابق ساختاری بررسی میشوند. نتایج استخراجشده از اعمال مدل پیشنهادی بر روی چند سری داده آزمایشی، ارزیابی و با روشهای مشابه مقایسه شد که درنهایت با مقادیر 21/98 درصد برای معیار Precision و 1/99 درصد برای معیار F1-Measure، قادر به شناسایی عوارض هدف است
سیدیوسف سجادی؛ سعید پارسیان
دوره 10، شماره 2 ، آذر 1397، ، صفحه 1-14
چکیده
در این مقاله، پژوهشی نوین از تلفیق دادههای ابرطیفی و لیدار را برای تشخیص و استخراج عوارض ساختمانی، با استفاده از الگوریتم یادگیری ماشین، بررسی کردیم. مجموعه دادههایی که بنیاد ملی علوم (NSF) در اختیار گذاشته (این بنیاد را مرکز ارزیابی لیزر هوایی(NCALM) تأسیس کرده است) و پیشتر، دانشگاه هیوستن در منطقة مجاور شهری بهکار گرفته است مورد ...
بیشتر
در این مقاله، پژوهشی نوین از تلفیق دادههای ابرطیفی و لیدار را برای تشخیص و استخراج عوارض ساختمانی، با استفاده از الگوریتم یادگیری ماشین، بررسی کردیم. مجموعه دادههایی که بنیاد ملی علوم (NSF) در اختیار گذاشته (این بنیاد را مرکز ارزیابی لیزر هوایی(NCALM) تأسیس کرده است) و پیشتر، دانشگاه هیوستن در منطقة مجاور شهری بهکار گرفته است مورد استفاده قرار گرفت. در این روش، ابتدا، فرض بر آن است که، با تلفیق دادههای فراطیفی و لیدار که هریک توانایی استخراج برخی از ویژگیهای عوارض ساختمانی را دارد، میتوان همان عارضه را، با دقت و صحت بیشتری، استخراج کرد. اعمال روش یادگیری ماشین روی دادههای ابرطیفی تصویرِ سطحبندیشده از عوارض ساختمانی و دیگر عوارض را ایجاد خواهد کرد. پس از اعمال سطحبندی، روش پیشنهادی و دیگر روشهای موجود در این زمینه مقایسه میشوند تا کیفیت روش پیشنهادی مشخص شود. چنین مقایسهای نیازمند بررسی تعدادی پارامتر ارزیابی است که، در قسمت کنترل کیفیت، مطرح خواهند شد. بههرحال، دقت بهدستآمده از نتایج روش انجامگرفته در این مقاله برابر با 56/95%، میزان کاملبودن 100%، صحت کلی 66/98% و ضریب کاپا برابر با 9430/0 محاسبه شد. هدف این مقاله استخراج خودکار ساختمانهای موجود در دادههای ابرطیفی هوایی و لیدار دریافتشده از یک منطقه (automation)، استخراج حداکثر تعداد ساختمانهای موجود در تصاویر نامبردهشده (completeness) و افزایش دقت و صحت در استخراج ساختمان (accuracy and precision) بوده است که، براساس نتایج حاصل از پارامترهای ارزیابی، محقق شدهاند.
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.