احمد موسوی؛ میلاد جانعلی پور؛ دکتر تهرانی
چکیده
اساس برنامهریزی و مدیریت صحیح داشتن آمار و اطلاعات دقیق و بههنگام است. یکی از مهمترین آمار و اطلاعات بخش کشاورزی میزان تولید سالیانة هر محصول یا سطح زیرکشت است. یکی از ابزارهایی که در کمترین زمان و با هزینة پایین و دقت مناسب، میتواند سطح زیرکشت محصولات را محاسبه کند دانش و فنّاوری سنجش از دور است. در این تحقیق، از دو روش طبقهبندی ...
بیشتر
اساس برنامهریزی و مدیریت صحیح داشتن آمار و اطلاعات دقیق و بههنگام است. یکی از مهمترین آمار و اطلاعات بخش کشاورزی میزان تولید سالیانة هر محصول یا سطح زیرکشت است. یکی از ابزارهایی که در کمترین زمان و با هزینة پایین و دقت مناسب، میتواند سطح زیرکشت محصولات را محاسبه کند دانش و فنّاوری سنجش از دور است. در این تحقیق، از دو روش طبقهبندی شبکة عصبی مصنوعی و ماشین بردار پشتیبان استفاده شده و سطح زیرکشت محصولات غالب منطقه، شامل هشت کلاس، از تصاویر سری زمانی سنتینلـ2 برآورد شده است. براساس نتایج بهدستآمده، صحت کلی هریک از روشهای شبکة عصبی مصنوعی و ماشین بردار پشتیبان بهترتیب برابر با 97.74 و 97.96%، با ضریب کاپای 0.97 برای برآورد سطح زیرکشت محصولات بوده است. بنابراین، نتایج این دو روش مورد قبول واقع شده است. با توجه به صحت کلی، میتوان نتیجه گرفت که دو روش طبقهبندی نتایج تقریباً یکسانی در منطقه دارد. علاوهبراین، طبق نتایج صحت کاربر، میتوان بیان کرد درمورد چهار محصول یونجه، برنج، پیاز و خربزه، عملکرد روش ماشین بردار پشتیبان بهتر از روش شبکة عصبی است و درمورد گندم دیم و آبی، جارو و مرتع، روش شبکة عصبی بهتر از ماشین بردار پشتیبان در منطقه عمل میکند.
زینب قدسی؛ میر مسعود خیرخواه زرکش؛ باقر قرمزچشمه
چکیده
نقشههای پوشش/کاربری اراضی، برای پایش تغییرات عوارض و برنامهریزی صحیح، هرساله مورد نیاز مدیران حوزة کشاورزی، منابع طبیعی و زیستمحیطی است. روش برداشت میدانی با جیپیاس (GPS) و نقشهبرداری زمینی مستلزم صرف زمان و هزینههای بسیار است. بنابراین، اغلب از تصاویر ماهوارهای، که دارای پوشش سراسری و توالی برداشت، هزینة کم و اطلاعات ...
بیشتر
نقشههای پوشش/کاربری اراضی، برای پایش تغییرات عوارض و برنامهریزی صحیح، هرساله مورد نیاز مدیران حوزة کشاورزی، منابع طبیعی و زیستمحیطی است. روش برداشت میدانی با جیپیاس (GPS) و نقشهبرداری زمینی مستلزم صرف زمان و هزینههای بسیار است. بنابراین، اغلب از تصاویر ماهوارهای، که دارای پوشش سراسری و توالی برداشت، هزینة کم و اطلاعات بههنگاماند، استفاده میشود تا نقشههای پوشش/کاربری زمین بهدست آید. تهیة نقشة دقیق با روش مناسب روز موضوعی کلیدی است. طی سالهای اخیر، استفاده از تصاویر ماهوارهای جدید و روشهای نوین طبقهبندی، بهویژه یادگیری ماشین، رشد فزایندهای داشته و کارآیی آنها در تهیة نقشههای پوشش/کاربری اراضی بسیار موفقیتآمیز بوده است. یکی دیگر از مزایای تصاویر ماهوارهای برداشتهای متوالی است و براساس آن، میتوان از تغییرات پوشش گیاهی در طول زمان، برای تفکیک نوع پوشش، استفاده کرد. ماهوارة سنتینل-2، با امتیاز پیکسل 10متری، یکی از ابزارهای مناسب برای تفکیک نوع پوشش محسوب میشود. در این تحقیق، برای تفکیک انواع کاربری اراضی و محصولات زراعی دشت سنجابی روانسر، از تصاویر چندزمانة سنتینل-2 و روشهای طبقهبندی ماشین بردار پشتیبان و جنگل تصادفی استفاده و دقت آنها با یکدیگر مقایسه شد. بدینمنظور، پس از نمونهبرداری، تحلیل مؤلفههای اصلی برای چهار تاریخ دورة رشد محصولات اجرا شد و باندهای PC1، PC2 و PC3 تصاویر با هم ترکیب شدند. دو روش روی ترکیب باندهای PC1، PC2 و PC3 تصاویر و نمونههای تعلیمی اعمال شدند. ارزیابی دقتها نشان داد ماشین بردار پشتیبان، با صحت کلی 91.36% و ضریب کاپای 0.8927، نقشة کاربری اراضی و محصولات دقیقتری، در قیاس با روش جنگل تصادفی، تولید میکند.
آیسن یوسفدوست؛ عباس خاشعی سیوکی
دوره 9، شماره 2 ، اسفند 1396، ، صفحه 99-116
چکیده
در سالهای اخیر، افزایش جمعیت و بهتبع آن، افزایش نیازهای آبی و کاهش کیفیت و آلودگی آبهای زیرزمینی، بهدلیل توسعة صنعت و کشاورزی، موجب توجه به کیفیت منابع آب زیرزمینی شده است. شناسایی و تهیة نقشة پهنهبندی مناطق آسیبپذیر آبخوان، یعنی مناطقی که در آنها امکان نفوذ و پخش آلایندهها از سطح زمین به سیستم آب زیرزمینی وجود دارد، ابزار ...
بیشتر
در سالهای اخیر، افزایش جمعیت و بهتبع آن، افزایش نیازهای آبی و کاهش کیفیت و آلودگی آبهای زیرزمینی، بهدلیل توسعة صنعت و کشاورزی، موجب توجه به کیفیت منابع آب زیرزمینی شده است. شناسایی و تهیة نقشة پهنهبندی مناطق آسیبپذیر آبخوان، یعنی مناطقی که در آنها امکان نفوذ و پخش آلایندهها از سطح زمین به سیستم آب زیرزمینی وجود دارد، ابزار مدیریتی مناسبی برای پیشگیری از آلـودگی منـابع آب زیرزمینی است. در این پژوهش، برای تهیة نقشة پهنهبندی پتانسیل آسیبپذیری آبخوان دشت آستانه، در منطقة کوچصفهان از توابـع استان مازندران، روش دراستیک ((DRASTIC بهکـار گرفته شد که یکی از کاربردیترین روشهـای همپوشـانی است. برای صحتسنجی مدل، از دادههای غلظت نیترات در منطقه استفاده شد. در این منطقه، استفاده از آبهای زیرزمینی برای کشاورزی و تأمین آب شرب اهمیت بسیاری دارد. از سوی دیگر، استفادة بیرویه ازکودهای شیمیایی، بهویژه کودهای نیتروژندار، برای افزایش محصول و نداشتن دقت لازم در تصفیة فاضلاب شهری و صنعتی و رهاسازی آن از پارامترهای مؤثر بر افزایش مقدار نیترات در آبهای زیرزمینی منطقه شمرده میشود. ازاینرو، بررسی آلودگی نیترات که یکی از مهمترین مسائل زیستمحیطی در آبهای زیرزمینی است، بهصورت منظم و دورهای، بسیار مهم و ضروری خواهد بود. به همین علت، نیترات عامل اصلی آسیبپذیری این منطقه معرفی شد. نتایج نشان داد آسیبپذیری آبخوان دشت آستانهـ کوچصفهان در چهار محدوده قـرار دارد. 18/56% دشت دارای آسیبپذیری کـم، 51.29% دارای آسیبپذیری اندک تا متوسط، 28.46% دارای آسیبپذیری متوسط تا زیاد و 1/67% دارای آسیبپذیری زیـاد اسـت. میزان همبستگی بـین شـاخص دراسـتیک (شاخص آسیبپذیری) با غلظت نیترات 80% بهدست آمده است. در ادامه، با کمک چهار روش هوش مصنوعی، شامل شبکة عصبی مصنوعی، مدل فازی، مدل ماشین بردار پشتیبان و فازی- عصبی، مقدار نیترات تخمین زده شد. برای این منظور، دادههای ورودی (پارامترهای دراستیک) و خروجی (مقدار نیترات اندازهگیری و پهنهبندیشده در سی حلقه چاه موجود در منطقه ) مدل و مقادیر نیترات مربوط، به دو دستة آموزش و آزمایش، تقسیم شد. نتایج نشان داد که تمامی مدلهای هوش مصنوعی بهکار گرفتهشده تخمین مناسبی از مقدار نیترات میدهند اما، در این میان، مدل شبکة عصبی بهترین نتایج را دربر داشت؛ بهطوریکه بین نیترات محاسباتی و مقدار نیترات مشاهداتی همبستگی 98 درصدی دیده شد. در ادامه، با انتخاب مدل شبکة عصبی بهمنزلة مدل برتر، کوشش شد با کاهش پارامترهای ورودی، مقدار نیترات تخمین زده شود. درنهایت، مشخص شد که با پنج پارامتر محیط خاک، محیط غیراشباع، محیط اشباع، تراز آب، هدایت هیدرولیکی و حذف دو پارامتر تغذیه و توپوگرافی مقدار همبستگی نیترات تخمینزدهشده با مقدار واقعی نیترات اندازهگیریشده برابر 0.90 است. درنتیجه، میتوان تخمین مناسبی از مقدار نیترات و نیز آسیبپذیری این منطقه داشت. این نکته برتری روشهای هوش مصنوعی در بررسی آسیبپذیری را، ور مقایسه با روش دراستیک، نشان میدهد. نتایج نشان داد که مدلهای هوش مصنوعی روشی کارآ در تخمین آسیبپذیری آبخوان محسوب میشوند و نتایج دقیقی از برآورد پتانسیل آلودگی در منطقة مورد مطالعه میدهند.
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.
علی اکبر متکان؛ علی محمد زاده؛ سعید صادقیان؛ محمد حاجب
دوره 1، شماره 3 ، آذر 1388
چکیده
امروزه لیزر اسکنر هوایی (لیدار) نقش مهمی در برداشت اطلاعات سه بعدی عوارض سطح زمین ایفا می کند. استخراج عوارض از داده های لیدار، به صورت دستی زمان بر و پر هزینه است. راه ها مهمترین گروه عوارض خطی هستند و استخراج اطلاعات مربوط به آن ها اهمین ویژه ای برای سازمان ها و نهادهای مرتبط در هر کشوری دارد. هدف پژوهش حاضر، ارائه الگوریتمی برای اشکارسازی ...
بیشتر
امروزه لیزر اسکنر هوایی (لیدار) نقش مهمی در برداشت اطلاعات سه بعدی عوارض سطح زمین ایفا می کند. استخراج عوارض از داده های لیدار، به صورت دستی زمان بر و پر هزینه است. راه ها مهمترین گروه عوارض خطی هستند و استخراج اطلاعات مربوط به آن ها اهمین ویژه ای برای سازمان ها و نهادهای مرتبط در هر کشوری دارد. هدف پژوهش حاضر، ارائه الگوریتمی برای اشکارسازی راه هاست که در آن منحصراً از داده های لیدار، استفاده شود. برای این منظور، ابتدا داده های شدت و سپس هر دو داده شدت و فاصله لیدار با استفاده از ماشین بردار پشتیبان طبقه بندی گردیدند. سپس با استفاده از الگوریتم فیلتر کردن شیب مبنا، عوارض ارتفاعی از مجموعه داده ها حدف شدند و مدل رقومی زمین و مدل رقومی عوارض غیرزمینی به دست آمد. در ادامه، نتایج مرحله طبقه بندی با بهره گیری از لایه اطلاعاتی مدل رقومی عوارض غیرزمینی بهبود داده شد. سرانجام با انجام عمیات پس پردازش 5 مرحله، پاکسازی مورفولوژی، حذف عناصر کوچک، اتصال قطع شدگی های راه ها، حذف عناصر ناپیوسته و انسداد مورفولوژی، راه ها از داده های لیدار شناسایی گردید. با مقایسه نتایج حاصل از اجرای الگوریتم با داده های مرجع مقادیر 35/84 درصد برای پارامت «کامل بودن»، 61/71 درصد برای پارامتر «صحیح بودن» و 22/63 درصد برای پارامتر «کیفیت» به دست آمد