ناهید حق شناس؛ علی شمس الدینی
چکیده
دادههای سنجش از دوری، با قدرت تفکیک مکانی بالا، اغلب دارای قدرت تفکیک زمانی و طیفی پایین و دادههای با قدرت تفکیک مکانی پایین دارای قدرت تفکیک طیفی و زمانی بالا هستند. باوجوداین، درحالحاضر، سنجندههای ماهوارهای بهتنهایی نمیتوانند دادههایی با قدرت تفکیک زمانی و قدرت تفکیک مکانی بالا را همزمان ارائه کنند. این درحالی ...
بیشتر
دادههای سنجش از دوری، با قدرت تفکیک مکانی بالا، اغلب دارای قدرت تفکیک زمانی و طیفی پایین و دادههای با قدرت تفکیک مکانی پایین دارای قدرت تفکیک طیفی و زمانی بالا هستند. باوجوداین، درحالحاضر، سنجندههای ماهوارهای بهتنهایی نمیتوانند دادههایی با قدرت تفکیک زمانی و قدرت تفکیک مکانی بالا را همزمان ارائه کنند. این درحالی است که در برخی کاربردها دسترسی همزمان به دادههایی با قدرت تفکیک مکانی و زمانی بالا ضروری است؛ ازاینرو در این مطالعه، با هدف دستیابی به دادههای دارای قدرت تفکیک مکانی و زمانی بالا، تصاویر مادیس در کلاسهای کاربری شهری، باغ، مرتع، کشاورزی و آب ازطریق الگوریتمهای STARFM ، ESTARFM وFSDAF به قدرت تفکیک مکانی سنتینل ـ 2، ریزمقیاس شد. منطقة مطالعاتی با تنوع پوششهای زمین گوناگون در اطراف شهر مهاباد انتخاب شد. در این مطالعه، باندهای مرئی و مادونقرمز نزدیک در سنتینلـ 2 و مادیس انتخاب و پیشپردازشهای لازم، ازجمله تصحیح هندسی، روی آنها انجام شد. سپس با استفاده از الگوریتمهای ریزمقیاسنمایی، تصاویر مادیس به تصاویر سنتینل ـ 2 ریزمقیاس شد. نتایج نشاندهندة صحت بالای کلاسهای شهری، باغ و مرتع در قیاس با کلاسهای کشاورزی و آب است؛ بهگونهای که الگوریتمهای ESTARFM، FSDAF و STARFM بهصورت میانگین در همة باندها، بهترتیب برای کلاس شهری، ضریب تعیین 25/88، 25/87 و 5/86، درمورد کلاس باغ ضریب تعیین 75/83، 25/83 و 5/80 و درمورد کلاس مرتع، ضریب تعیین 75/90، 5/70 و 5/87 را نشان دادند. درمجموع، الگوریتم ESTARFM در مقایسه با دیگر الگوریتمها در این تحقیق، نتیجهای بهتر دربرداشت.
رضا شاه حسینی؛ کمال عزیزی؛ ارسطو زارعی؛ فاطمه مرادی
چکیده
نقشههای کاربری زمین، توزیع فضایی منابع طبیعی، مناظر فرهنگی و سکونتگاههای انسانی را توصیف میکنند که بهمنزلة ابزار برنامهریزی مهمی برای تصمیمگیرندگان عمل میکند؛ بنابراین دقت نقشههای حاصل از طبقهبندی تصاویر ماهوارهای در عدم قطعیت بهمنظور مدیریت شهری بسیار تأثیرگذار است. با توجه به کیفیت یکنواخت تصاویر در ...
بیشتر
نقشههای کاربری زمین، توزیع فضایی منابع طبیعی، مناظر فرهنگی و سکونتگاههای انسانی را توصیف میکنند که بهمنزلة ابزار برنامهریزی مهمی برای تصمیمگیرندگان عمل میکند؛ بنابراین دقت نقشههای حاصل از طبقهبندی تصاویر ماهوارهای در عدم قطعیت بهمنظور مدیریت شهری بسیار تأثیرگذار است. با توجه به کیفیت یکنواخت تصاویر در مناطق بزرگ در مراحل زمانی منظم، تصاویر سنجش از دور ورودی ضروری در تولید نقشههای کاربری زمین شمرده میشوند. هدف اصلی از این تحقیق پیشنهادکردن روشی بهمنظور ایجاد نقشة پوشش اراضی دقیق در مناطق شهری، با استفاده از تلفیق دادههای سنتینلـ 1 و سنتینلـ 2 است. به این منظور، ویژگیهای ضریب بازپراکنش راداری VV و دو پارامتر حاصل از روش تجزیة H-α (آنتروپی، آلفا) از تصاویر راداری سنتینلـ 1 و ویژگیهای باند آبی، سبز، قرمز، شاخصهای NDVI، NDWI، MNDWI و SWI از تصاویر اپتیک سنتینلـ 2 استخراج و به منزلة مؤلفههای تأثیرگذار در طبقهبندی منطقة شهری استفاده شد. در این مطالعه، با هدف جداسازی مناطق کشاورزی از سایر پوششها، از شاخص رطوبت SWI استفاده شد. همچنین دادههای ارتفاعی برای تفکیک بهینة کلاسهای پیچیده با توپوگرافی متفاوت بهکار رفت. استخراج شاخصهای تأثیرگذار از این دو مجموعه داده، در رویکردی شیءگرا مبتنی بر الگوریتمهای ماشین بردار پشتیبان و جنگل تصادفی، برای طبقهبندی کاربری زمین ارزیابی شد. نتایج نشان داد که بهکارگرفتن ویژگیهای استخراجشده از تصاویر راداری و اپتیک بهطور همزمان، در روش طبقهبندی شیءگرا، میتواند ویژگیهای شیء را بهطور کامل در ناحیة مورد مطالعه استخراج کند. در مورد هر دو الگوریتم طبقهبندی، زمانی که از دادههای اپتیک و راداری بهطور همزمان استفاده شد، دقت کلی طبقهبندی افزایش داشت. در مورد روش جنگل تصادفی که بیشترین دقتها را دربر داشت، دقت کلی برای رویکرد ترکیب دادههای راداری و اپتیک بهمیزان 13 و 5%، بهترتیب به نسبت رویکرد تنها ویژگی راداری و تنها رویکرد ویژگی اپتیک، افزایش پیدا کرده است. همچنین اختلاف معنیداری در دقت طبقهبندی، در تمامی سطوح، بین الگوریتم طبقهبندی ماشین بردار پشتیبان و جنگل تصادفی دیده میشود. نتایج نشان داد که دقت کلی درمورد روش طبقهبندی جنگل تصادفی و ماشین بردار پشتیبان بهترتیب برابر 3/83 و 8/79% و ضریب کاپا بهترتیب 72/0 و 68/0% بوده است.
محمدرضا گیلی؛ داود عاشورلو؛ حسین عقیقی؛ علی اکبر متکان؛ علیرضا شکیبا
چکیده
تغییرات رشد محصولات کشاورزی در فواصل زمانی نسبتاً کوتاه، ناهمزمانی کشت محصولات مشابه، شباهت طیفی میان محصولات گوناگون در برخی از زمانهای دورة کشت و کمبود دادههای زمینی، طبقهبندی محصولات زراعی در تصاویر ماهوارهای را به کاری چالشبرانگیز مبدل میکند. تغییر مقدار درصد پوشش و سبزینگی، در طول فصل رشد، از برجستهترین ویژگی ...
بیشتر
تغییرات رشد محصولات کشاورزی در فواصل زمانی نسبتاً کوتاه، ناهمزمانی کشت محصولات مشابه، شباهت طیفی میان محصولات گوناگون در برخی از زمانهای دورة کشت و کمبود دادههای زمینی، طبقهبندی محصولات زراعی در تصاویر ماهوارهای را به کاری چالشبرانگیز مبدل میکند. تغییر مقدار درصد پوشش و سبزینگی، در طول فصل رشد، از برجستهترین ویژگی پوششهای گیاهی ازجمله محصولات کشاورزی است که میتوان بر آن نظارت کرد. این کار با استفاده از سری زمانی شاخصهای گیاهی انجام میشود که اطلاعات بسیار مفیدی از توالی ویژگیهای فنولوژیک محصولات کشاورزی در اختیار ما قرار میدهد. استفاده از روشهای یادگیری عمیق با توانایی یادگیری اطلاعات متوالی حاصل از این سریها میتواند، در طبقهبندی محصولات کشاورزی و کاهش وابستگی به دادههای زمینی، مفید باشد. شبکةLong-Short Term Memory (LSTM) یکی از انواع شبکههای عصبی بازگشتی در تجزیه و تحلیل دادههای متوالی است که توانایی یادگیری توالیهای بلندمدت در سری زمانی را دارد؛ بنابراین در این مطالعه، پس از محاسبة شاخص NDVI از باندهای ماهوارة سنتینلـ 2 در نُه تاریخ متفاوت و تشکیل سری زمانی آن شاخص برای ورود به شبکه، دو ناحیة متفاوت در دشت مغان در نظر گرفته شد که محصولات کشتشده در آنها، طی عملیات زمینی، برداشت شده بود. در ناحیة اول، شبکة کانولوشنی LSTM برای طبقهبندی محصولات آموزش دید و در ناحیة دیگر، کارآیی این شبکة آموزشدیده در طبقهبندی محصولات ارزیابی شد و دقت کلی 82% و ضریب کاپای 8/0 بهدست آمد. افزایش تعداد نمونههای زمینی و انتخاب مرز دقیق محصولات، میتواند کارایی روش مورد استفاده را افزایش دهد.