محمد حاجب؛ سعید حمزه؛ سید کاظم علوی پناه؛ جوشم ورلزت
چکیده
شاخص سطح برگ نقش مهمی در تبادل ماده و انرژی بین زمین و اتمسفر دارد. مانند سایر گیاهان، شاخص سطح برگ نیشکر معیار خوبی برای وضعیت سلامت و رشد این محصول است که بهدلیل نقش آن در صنایع غذایی و انرژی، اهمیت اقتصادی بسیاری دارد. ماهوارة PRISMA که در سال 2019 پرتاب شد، یکی از جدیدترین منابع دادههای ابرطیفی را فراهم کرده است که بهویژه، در تهیة ...
بیشتر
شاخص سطح برگ نقش مهمی در تبادل ماده و انرژی بین زمین و اتمسفر دارد. مانند سایر گیاهان، شاخص سطح برگ نیشکر معیار خوبی برای وضعیت سلامت و رشد این محصول است که بهدلیل نقش آن در صنایع غذایی و انرژی، اهمیت اقتصادی بسیاری دارد. ماهوارة PRISMA که در سال 2019 پرتاب شد، یکی از جدیدترین منابع دادههای ابرطیفی را فراهم کرده است که بهویژه، در تهیة نقشة متغیرهای گیاهی کاربرد دارد. در پژوهش حاضر، نوع جدیدی از شبکههای عصبی مصنوعی، موسوم به شبکة عصبی تنظیمشده با روش بیزین (BRANN) که قانون بیز را برای غلبه بر مشکل بیشبرازش شبکههای عصبی بهکار میبرد، استفاده میشود. مدل یادشده روی مجموعهای داده، متشکل از طیف دریافتشده ازطریق ماهوارة PRISMA بهمنزلة متغیر مستقل و مقادیر اندازهگیری شاخص سطح برگ نیشکر بهمنزلة متغیر وابسته، اجرا شد. اندازهگیریهای زمینی شاخص سطح برگ نیشکر در 118 واحد نمونهبرداری زمینی، روی مزارع کشتوصنعت نیشکر امیرکبیر در استان خوزستان و در هفت تاریخ متفاوت طی یک دوره رشد نیشکر در سال 1399، انجام شد. مقایسة عملکرد BRANN با یک روش متعارف شبکة عصبی، یعنی شبکة آموزشدیده با روش لونبرگـ مارکوارت (LMANN) در بازیابی شاخص سطح برگ نیشکر از طیف PRISMA، حاکی از این است کهRMSE بازیابی از 26/2 (m2/m2) بهروش LMANN به 67/0 (m2/m2)، با استفاده از روش BRANN کاهش یافته است. در این پژوهش، بهمنظور کاهش ابعاد داده نیز از تبدیل مؤلفههای اصلی استفاده شد. در بازیابی شاخص سطح برگ از بیست مؤلفة اصلی اول نیز RMSE از 41/1 (m2/m2) با استفاده از روش LMANN به 71/0 (m2/m2) طبق روش BRANN کاهش یافت. استفاده از مؤلفههای اصلی باعث کاهش چشمگیر زمان محاسباتی شد. با اجرای مدل آموزشدیدة BRANN روی تصاویر PRISMA بهصورت پیکسلبهپیکسل، نقشة شاخص سطح برگ نیشکر تولید شد. ارزیابی این نقشه نشان داد که این نقشه تغییرات مکانی شاخص سطح برگ نیشکر را بهخوبی نشان میدهد. نتایج این تحقیق بیانگر قابلیت بالای روش BRANN و تصاویر PRISMA برای بازیابی شاخص سطح برگ نیشکر است.
ناصر فرجزاده؛ هیوا ابراهیمزاده
چکیده
توسعة سیستمهای خودکار تشخیص جاده و ساختمان در تصاویر هوایی همواره با چالشهای مهمی مانند متفاوتبودن ظاهر ساختمانها، تغییرات روشنایی، زاویة تصویربرداری و فشرده و چگالبودن جادهها و ساختمانها در نواحی شهری روبهروست. در چند سال اخیر، استفاده از شبکههای عصبی مصنوعی چندلایه (شبکههای عصبی عمیق) مورد توجه بسیاری از پژوهشگران ...
بیشتر
توسعة سیستمهای خودکار تشخیص جاده و ساختمان در تصاویر هوایی همواره با چالشهای مهمی مانند متفاوتبودن ظاهر ساختمانها، تغییرات روشنایی، زاویة تصویربرداری و فشرده و چگالبودن جادهها و ساختمانها در نواحی شهری روبهروست. در چند سال اخیر، استفاده از شبکههای عصبی مصنوعی چندلایه (شبکههای عصبی عمیق) مورد توجه بسیاری از پژوهشگران این حوزه (و حوزههای مشابه) قرار گرفته و نتایج خیرهکنندهای با بهکارگیری آنها حاصل شده است. باوجوداین، بهدلیل استفاده از لایههای کاملاً متصل در راهکارهای دادهشده، میانگین مدت زمان پردازش هنوز بسیار زیاد است و مدل ساختهشده نیز بهسرعت دچار پدیدة بیشبرازش میشود. علاوهبراین، در بیشتر روشهای پیشنهادی، برای تفسیر تصاویر هوایی براساس چنین راهکاری از رویکرد تککلاس استفاده شده است. بهعبارتی، تشخیص جادهها و ساختمانها از عوارض طبیعی بهطور همزمان امکانپذیر نیست و لازم است مدلهای جداگانهای برای تشخیص هریک از آنها ایجاد شود. هدف اصلی، در این پژوهش، طراحی معماری جدیدی است که مدل ساختهشده با استفاده از آن بتواند، همزمان، جادهها و ساختمانها را از عوارض طبیعی تشخیص دهد و بهاینترتیب، پیچیدگی عمل طبقهبندی را به حداقل برساند. همچنین، در طراحی معماری پیشنهادی، حذف لایههای کاملاً متصل از معماری چندلایهای مرسوم و در نتیجه، کاهش میانگین مدت زمان پردازش مورد توجه قرار گرفته است. نتایج آزمایشهای انجامگرفته روی بانک تصاویر هوایی ماساچوست نشان میدهد عملکرد معماری پیشنهادی %۳۸ سریعتر از دیگر روشهای مبتنیبر شبکههای عصبی چندلایه بوده است و دقت تشخیص را بهطور میانگین، %۲ افزایش میدهد.
الهه خصالی؛ محمدجواد ولدانزوج؛ مریم دهقانی؛ مهدی مختارزاده
دوره 5، شماره 4 ، اسفند 1392
چکیده
نسل جدید سنجندههای راداری فضایی با حد تفکیک مکانی بالا، امکان استفاده از این تصاویر را بهمنظور استخراج خودکار عوارض، بهویژه عارضه راه فراهم آوردهاند. در پژوهش حاضر، استخراج عارضه راه از تصاویر راداری و اپتیک با حد تفکیک بالا با یکدیگر مقایسه شدند. بدین منظور از تصاویر آیکونوس و TerraSAR-X استفاده شد و بین تصاویر هممرجعسازی انجام ...
بیشتر
نسل جدید سنجندههای راداری فضایی با حد تفکیک مکانی بالا، امکان استفاده از این تصاویر را بهمنظور استخراج خودکار عوارض، بهویژه عارضه راه فراهم آوردهاند. در پژوهش حاضر، استخراج عارضه راه از تصاویر راداری و اپتیک با حد تفکیک بالا با یکدیگر مقایسه شدند. بدین منظور از تصاویر آیکونوس و TerraSAR-X استفاده شد و بین تصاویر هممرجعسازی انجام گرفت. سپس ویژگیهای بافت استخراج شدند و طبقهبندی با استفاده از شبکة عصبی بازپسخور خطا انجام پذیرفت. با مقایسة نتایج حاصل از اجرای الگوریتم با دادههای مرجعی که عامل انسانی آنها را تهیه کرده است، برای دادههای TerraSAR-X و آیکونوس، به ترتیب مقادیر 10/46 و 72/57 درصد برای پارامتر RCC، 58/46 و 27/93 درصد برای پارامتر BCC و مقادیر 61/0 و 31/0 برای پارامتر RMSE به دست آمد. مقایسه تصویر خروجی حاصل از دو الگوریتم نشان میدهد که هرکدام از تصاویر اپتیک و راداری نواقصی در استخراج راه دارند. به عنوان مثال، الگوریتمهای اپتیک به مناطقی از تصویر که ویژگیهای طیفی و بافتی مشابه با راه دارند ـ ازجمله محل پارکینگها و سقف بامهای بزرگـ حساس هستند، درصورتیکه این مناطق در تصاویر راداری ظاهری روشن و بافتی متفاوت دارند. بنابراین تصاویر راداری در مناطقی با بافت شهری ـ بهویژه توأم با راههای کمعرض و کوچهها ـ مناسباند. از طرفی دیگر تصاویر راداری در مناطقی با پوشش گیاهی انبوه به خوبی عمل نمیکنند، درحالیکه تصاویر اپتیک کاملاً قادر به تمایز این مناطق از راهها هستند. در نتیجه با توجه قابلیتهای مکملاین تصاویر در استخراج راه، تلفیق ویژگیهای این دو منبع بهمنظور رفع نواقص و افزایش دقت الگوریتمهای حاضر، روشی کارآمد در توسعه الگوریتمها به نظر میرسد.
محمدسعدی مسگری؛ منوچهر فرجزاده اصل؛ احمد خدادادی دربان؛ هدایت هاشمی؛ جمال امینی
دوره 5، شماره 3 ، آذر 1392
چکیده
پهنهبندی کیفیت آب رودخانه نخستین و مهمترین مرحله در مدیریت کیفیت آب است، که ذهن تحلیلگر را با روند و چگونگی تغییرات آلودگی برحسب زمان، مکان و شرایط خاص آشنا میسازد. پژوهش حاضر درصدد است با استفاده از شبکههای عصبی مصنوعی و سامانه اطلاعات جغرافیایی به پهنهبندی کیفیت آلودگی آب رودخانه سیمینهرود بپردازد. دادههای کیفی استفادهشده ...
بیشتر
پهنهبندی کیفیت آب رودخانه نخستین و مهمترین مرحله در مدیریت کیفیت آب است، که ذهن تحلیلگر را با روند و چگونگی تغییرات آلودگی برحسب زمان، مکان و شرایط خاص آشنا میسازد. پژوهش حاضر درصدد است با استفاده از شبکههای عصبی مصنوعی و سامانه اطلاعات جغرافیایی به پهنهبندی کیفیت آلودگی آب رودخانه سیمینهرود بپردازد. دادههای کیفی استفادهشده در تحقیق، حاصل نمونهبرداری از رودخانة سیمینهرود در سه فصل بهار و پاییز 1387 و بهار 1388 است که با استفاده از مدل QUAL2K شبیهسازی شد. خروجی مدل با دادههای مشاهدهای مقایسه گردید و پارامترهای نیترات، اکسیژن محلول و هدایت الکتریکیِ مربوط به فصل پاییز 1387 بهعنوان دادههای هدف انتخاب شدند. دادههای ورودی شامل دادههای مربوط به کاربری اراضی، زمینشناسی، قابلیت فرسایش و مراکز جمعیتی مربوط به حوضة سیمینهرود هستند که بههمراه دادههای هدف بعد از آمادهسازی در محیط GIS به مدل شبکة عصبی معرفی شدند. در این تحقیق از پنج ساختار مختلف مدل FFBP شبکة عصبی استفاده شد و نتیجة ساختار منتخب با خروجیهای حاصل از مدل رگرسیون چندمتغیره مقایسه گردید، که برتری مدل شبکة عصبی مذکور را نشان داد. نتیجه تحقیق حاضر نشان میدهد که شبکههای FFBP با ساختار 3-40-40-4 بهترین کارایی را دارند، و شبکه عصبی در پهنهبندی کیفیت آلودگی آب قابلیت بالایی دارد.