مریم تیموری؛ مهدی مختارزاده؛ محمدجواد ولدان زوج
چکیده
در این مقاله، بهمنظور رفع برخی محدودیتهای شناسایی ساختمان در تصاویر چندطیفی، از دادة SAR بهمنزلة دادة مکمل استفاده میشود. در روش پیشنهادی، برای استفادة همزمان از اطلاعات مفید در تصاویر رادار و چندطیفی، استراتژی مبتنیبر تلفیق تصاویر، با هدف شناسایی ساختمان، مطرح میشود. همچنین، ازآنجاکه انتخاب ویژگی نقش بسزایی در شناسایی ...
بیشتر
در این مقاله، بهمنظور رفع برخی محدودیتهای شناسایی ساختمان در تصاویر چندطیفی، از دادة SAR بهمنزلة دادة مکمل استفاده میشود. در روش پیشنهادی، برای استفادة همزمان از اطلاعات مفید در تصاویر رادار و چندطیفی، استراتژی مبتنیبر تلفیق تصاویر، با هدف شناسایی ساختمان، مطرح میشود. همچنین، ازآنجاکه انتخاب ویژگی نقش بسزایی در شناسایی و طبقهبندی عوارض دارد، اغلب روشهای مرسوم و رایج در این زمینه، مانند الگوریتم ژنتیک، نیازمند دادههای آموزشیاند؛ اما دردسترسنبودن همیشگی این نوع دادههای آموزشی یکی از دغدغههای مهم محققان بهشمار میآید. پس در این تحقیق، دو روش انتخاب ویژگی فیلترمبنا بررسی میشود تا مشخص شود آیا روشهای یادشده میتوانند، در مواقع لازم (نبودِ دادة آموزشی)، جایگزین الگوریتم ژنتیک شوند؟ بنابراین، در پژوهش حاضر، ابتدا بردار ویژگی بهینه از تصویر چندطیفی و SAR، با سه روش MNF وPCA و ژنتیک، تعیین و هریک جداگانه وارد هر دو طبقهبندیکنندة شبکة عصبی و SVM میشود. سپس بهمنظور رفع مشکلاتی، همچون تشابه طیفی پشتبامها با پوشش آسفالت خیابانها، در تصاویر چندطیفی و بهبود نتایج، دو تصویر چندطیفی و SAR در سطح ویژگی تلفیق میشود. در نهایت و در مرحلة بعدی، بهترین تصاویر طبقهبندیشده با شبکة عصبی و SVM، در تمامی بررسیهای صورتگرفته تا به این مرحله، وارد تلفیق در سطح تصمیمگیری میشوند. نحوة تلفیق در سطح تصمیمگیری بدینصورت است که اطلاعات همسایگی هر پیکسل در قالب پنجرة مکانی متحرک در ابعاد متفاوت، با هدف تصمیمگیری درمورد ماهیت هر پیکسل، استفاده میشود. بنابراین، نتایج حاصلشده در این تحقیق، با صحت کلی و دقت شناسایی ساختمان، بهترتیب 92.82% و 80.14% بیانگر عملکرد مناسب این روش است.
علی خدمت زاده؛ میرنجف موسوی؛ حجت محمدی ترکمانی
چکیده
رشد جمعیت شهرنشین با افزایش فضاهای شهری و بهطورکلی، با رشد اندازة شهرها همراه بوده است. این امر بهصورت ساختوساز بیشتر و تغییر اراضی موجود بهنفع فضاهای ساختهشده بروز مییابد. موقعیت خاص شهر ارومیه در مجاورت دریاچة ارومیه و شرایط نامساعد این دریاچه لزوم توجه به برنامهریزی صحیح کاربری اراضی را، در این شهر، ناگزیر میکند. ...
بیشتر
رشد جمعیت شهرنشین با افزایش فضاهای شهری و بهطورکلی، با رشد اندازة شهرها همراه بوده است. این امر بهصورت ساختوساز بیشتر و تغییر اراضی موجود بهنفع فضاهای ساختهشده بروز مییابد. موقعیت خاص شهر ارومیه در مجاورت دریاچة ارومیه و شرایط نامساعد این دریاچه لزوم توجه به برنامهریزی صحیح کاربری اراضی را، در این شهر، ناگزیر میکند. یکی از ابزارهای مورد نیاز برای برنامهریزی مناسب، در این زمینه، بهرهگیری از تکنیکهای سنجش از دور است. پژوهش حاضر با هدف ارزیابی این تغییرات (دورة 2015-1989) و پیشبینی روند آتی آن صورت گرفته است. از روشهای SVM و شبکة عصبی برای ارزیابی تغییرات در پنج کلاس استفاده شده است. ضریب تعیین (0.73) و منحنی راک (82.55%) نیز بیانگر دقت بالای مدل شبکة عصبی برای پیشبینی تغییرات گسترش شهریاند. با توجه به دقت بالای این مدل، که میتواند نتایج واقعیتری ارائه دهد، از نتایج این نوع طبقهبندی در پیشبینی تغییرات برای افق 2045 استفاده شده است. اراضی ساختهشده در سال 1989 برابر با 7469.1 هکتار بوده که در سال 2002 و 2015، بهترتیب، به 9217.3 و 9436.9 هکتار رسیده است. در سال 2045، براساس مدل پیشبینی شبکة عصبی، برابر با 22449.6 هکتار خواهد بود که 13012.7 هکتار افزایش را در اراضی ساختهشده نشان میدهد. نتایج حاصل گویای این است که تمامی این ساختوسازها برمبنای نیاز واقعی شهر نبوده و پدیدة اسپرال (گستردگی شهری) اتفاق افتاده است.
علیاصغر تراهی؛ مرجان فیروزینژاد؛ علی عبدالخانی
دوره 9، شماره 1 ، دی 1396، ، صفحه 49-62
چکیده
تهیة اطلاعات دقیق و بهروز از منابع جنگلی یکی از عوامل اساسی در مطالعه و مدیریت پایدار این منابع است و این اطلاعات را میتوان بهآسانی و با صرف هزینه و زمان کمتر، از راه طبقهبندی دادههای دورسنجی تهیه کرد. در این مطالعه بهمنظور ارزیابی عملکرد الگوریتمهای ماشینبردار پشتیبان و حداکثر احتمال در تهیه نقشه کاربردی اراضی جنگلهای ...
بیشتر
تهیة اطلاعات دقیق و بهروز از منابع جنگلی یکی از عوامل اساسی در مطالعه و مدیریت پایدار این منابع است و این اطلاعات را میتوان بهآسانی و با صرف هزینه و زمان کمتر، از راه طبقهبندی دادههای دورسنجی تهیه کرد. در این مطالعه بهمنظور ارزیابی عملکرد الگوریتمهای ماشینبردار پشتیبان و حداکثر احتمال در تهیه نقشه کاربردی اراضی جنگلهای رودخانهای، از دادههای ماهواره لندست 8 استفاده شد. برای این کار، پنجرهای از تصاویر چندطیفی سنجندة OLI جنگلهای رودخانة مارون بهبهان، در استان خوزستان، انتخاب شد. پس از عملیات پیشپردازش، شامل رفع خطای رادیومتریک و تصحیح اتمسفریک، طبقهبندی تصاویر بهروش نظارتشده و با استفاده از الگوریتمهای حداکثر احتمال و ماشین بردار پشتیبان و با هفت کلاس کاربری جنگل، مرتع، کشاورزی، آیش، رودخانه، مسکونی و جاده، و همچنین سه کلاس کاربری جنگل، رودخانه و دیگر مناطق، روی مجموعة باندهای اصلی صورت پذیرفت. برای ارزیابی عملکرد الگوریتم ماشین بردار پشتیبان، از سه گروه نمونة تعلیمی با تعداد 241، 141 و 41 نمونه و همچنین از چهار هستةخطی، چندجملهای، شعاعی و حلقوی استفاده شد. نتایج حاصل نشان داد که تهیة نقشة طبقهبندی جنگلهای رودخانهای مارون و تفکیک کاربریها با استفاده از تصاویر سنجندة OLI امکانپذیر است و بهترین نتیجه مربوط به طبقهبندی، با استفاده از الگوریتم - PolynomialSVM در باندهای اصلی سنجندة OLI و با سه کلاس کاربری و صحت کلی 24/99 و ضریب کاپای 97/0 است. همچنین مشخص شد که با کاهش تعداد کلاسها از هفت به سه، کاربری صحت طبقهبندی افزایش مییابد ولی با کاهش تعداد نمونهها تا حد میانگین، تغییر محسوسی در کیفیت طبقهبندی رخ نمیدهد و در صورت کاهش زیاد تعداد نمونهها، از صحت طبقهبندی نیز کاسته میشود.
حامد حیدری؛ دکتر محمدجواد ولدانزوج؛ یاسر مقصودی؛ محمدرضا بهشتیفر
دوره 8، شماره 2 ، بهمن 1395، ، صفحه 101-112
چکیده
ایران یکی از کشورهای خشک و نیمهخشک بهشمار میرود که به خشکسالی دچار است. کمبود اطلاعات هواشناسی طولانیمدت در پهنۀ وسیعی از کشور یکی از بزرگترین مشکلات برای مشاهده و پیشبینی کوتاهمدت خشکسالی در ایران است. در این مقاله، با بهکار بردن روش ماشین بردار پشتیبان (SVM) و با استفاده از دادههای 42 ایستگاه سینوپتیک منتخب در ایران، ...
بیشتر
ایران یکی از کشورهای خشک و نیمهخشک بهشمار میرود که به خشکسالی دچار است. کمبود اطلاعات هواشناسی طولانیمدت در پهنۀ وسیعی از کشور یکی از بزرگترین مشکلات برای مشاهده و پیشبینی کوتاهمدت خشکسالی در ایران است. در این مقاله، با بهکار بردن روش ماشین بردار پشتیبان (SVM) و با استفاده از دادههای 42 ایستگاه سینوپتیک منتخب در ایران، عملکرد شاخصهای پوشش گیاهی طیفی پهنباند NDVI، NDVI-DEV، VCI و TCI در پیشبینی خشکسالی بررسی شد. بدین منظور، از شاخص خشکسالی (SPI) برای بیان خشکسالی استفاده شد که نشاندهندۀ شدت و دورۀ خشکسالی، از سال 1985 تا 2008 است. شاخصهای پوشش گیاهی یادشده از تصاویر سنجندۀ NOAA-AVHRR محاسبه و استخراج شدند. این شاخصها، بهصورت ورودی، به مدل SVM وارد شدند و مقادیر SPI را بهدست دادند. با این روش، شاخصهای TCI و NDVI، بهترتیب، دارای بالاترین و پایینترین همبستگی با شرایط خشکسالی شناخته شدند