علمی - پژوهشی
میلاد نیرومند جدیدی؛ مهدی مختارزاده؛ محمودرضا صاحبی
دوره 7، شماره 3 ، بهمن 1394، صفحه 1-16
چکیده
یکی از چالشهای بسیار مهم در تهیۀ نقشۀ پوشش اراضی با استفاده از تصاویر سنجش از دور، مشکل مربوط به پیکسلهای مخلوط است. با توسعۀ روشهای تجزیۀ اختلاط طیفی و طبقهبندیکنندههای نرم، امکان برآورد سهم کلاسها در سطح زیرپیکسل فراهم میآید و برچسبهای چندگانه به پیکسلها اختصاص داده میشود. با وجود این، تولید نقشۀ پوششی در سطح زیرپیکسل ...
بیشتر
یکی از چالشهای بسیار مهم در تهیۀ نقشۀ پوشش اراضی با استفاده از تصاویر سنجش از دور، مشکل مربوط به پیکسلهای مخلوط است. با توسعۀ روشهای تجزیۀ اختلاط طیفی و طبقهبندیکنندههای نرم، امکان برآورد سهم کلاسها در سطح زیرپیکسل فراهم میآید و برچسبهای چندگانه به پیکسلها اختصاص داده میشود. با وجود این، تولید نقشۀ پوششی در سطح زیرپیکسل نیازمند جانمایی مکانی زیرپیکسلها است. در سالهای اخیر، روشهای تهیۀ نقشه در سطح زیرپیکسل توسعه یافتهاند و با استفاده از نتایج طبقهبندیکنندههای نرم و بهرهگیری از مفاهیم وابستگی مکانی، آرایش مکانی زیرپیکسلها را بهینهسازی میکنند. در این تحقیق، دقت کلی الگوریتم شبیهسازی تبرید برای تهیۀ نقشۀ پوششی در سطح زیرپیکسل مورد ارزیابی قرار گرفته و همچنین، مکانیزم جدیدی در این روش، برای تولید پاسخهای جدید در هر مرحله از الگوریتم پیشنهاد شده و با نتایج روش موجود مقایسه شده است. از دیگرسو، پارامترهای مؤثر بر عملکرد الگوریتم مانند ضریب بزرگنمایی، نوع تابع خنکسازی و تکرارهای ایستا و پویا در عملکرد الگوریتم بررسی شدهاند. در فرایند ارزیابی دقت کلی الگوریتم، دو روش مستقل از خطای طبقهبندی نرم و وابسته به این خطا لحاظ شده است. براساس نتایج، افزایش ضریب بزرگنمایی موجب کاهش دقت الگوریتم شبیهسازی تبرید شده و همچنین، تابع خنکسازی هندسی به لحاظ دقت و زمان اجرای الگوریتم، بهمنزلۀ تابع بهینه انتخاب شده است. از طرف دیگر، تکرارهای پویا نیز، در مقایسه با حالت ایستا دقت بیشتری داشته است. روش پیشنهادی برای تولید پاسخهای جدید در الگوریتم شبیهسازی تبرید دستاورد مهم تحقیق به شمار میآید که دقت کلی را به نسبت روش موجود، افزایش داده و همچنین، زمان اجرای الگوریتم را تا 50% کاهش داده است. بیشترین دقت کلی الگوریتم براساس روش پیشنهادی و مستقل از خطای طبقهبندی نرم 97/94% برآورد شد.
علمی - پژوهشی
علی اکبر متکان؛ بابک منصوری؛ بابک میرباقری؛ فریبا کربلائی
دوره 7، شماره 3 ، بهمن 1394، صفحه 17-32
چکیده
زلزله یکی از مخربترین سوانح طبیعی است که در هر زمانی با شدتهای مختلف رخ میدهد. زلزلههای شدید در محیطهای مسکونی باعث تخریب ساختمانها، راههای اصلی و از همه مهمتر، باعث تلفات جانی میشوند. آشکارسازی ساختمانهای تخریبشدۀ ناشی از چنین سانحهای در زمان مناسب مسئلهای حیاتی برای مدیریت بحران و امدادرسانی به شمار میرود. ...
بیشتر
زلزله یکی از مخربترین سوانح طبیعی است که در هر زمانی با شدتهای مختلف رخ میدهد. زلزلههای شدید در محیطهای مسکونی باعث تخریب ساختمانها، راههای اصلی و از همه مهمتر، باعث تلفات جانی میشوند. آشکارسازی ساختمانهای تخریبشدۀ ناشی از چنین سانحهای در زمان مناسب مسئلهای حیاتی برای مدیریت بحران و امدادرسانی به شمار میرود. این پژوهش با هدف تشخیص ساختمانهای تخریبشده بر اثر زلزله، با استفاده از تصاویر ماهوارهای با قدرت تفکیک بسیار بالا انجام شده است. جهت نیل به این هدف از تصاویر ماهوارهای با قدرت تفکیک بسیار بالا (VHR) مربوط به قبل و بعد از وقوع زلزله در شهر پورتو پرنس کشور هائیتی در سال 2010 و نقشۀ تخریب مشاهدهشده از منطقه استفاده شده است. در این پژوهش پس از محاسبۀ ویژگیهای بافتی تصاویر، با استفاده از تحلیل همبستگی، توصیفگرهای بافتی بهینه انتخاب شدند. سپس با استفاده از مقادیر بافتهای برگزیده و سیستم استنتاج فازی، وضعیت تخریب ساختمانها طبقهبندی شد. در نهایت، نقشۀ تخریب به دست آمده، با استفاده از مدل پیشنهادی، با نقشۀ تخریب منطقه مقایسه شد. دقت نهایی مدل پیشنهادی با استفاده از شاخص Kappa، 82% و همچنین، دقت مدل در تشخیص ساختمانهای تخریبشده با استفاده از شاخص Jaccard، %89.69 به دست آمد.
علمی - پژوهشی
فاطمه عامری؛ محمدجواد ولدان زوج؛ مهدی مختارزاده
دوره 7، شماره 3 ، بهمن 1394، صفحه 33-48
چکیده
امروزه روشی متداول در ایجاد پایگاه دادۀ راهها، استخراج آنها از تصاویر رقومی هوایی و ماهوارهای است. با توجه به حجم بسیار دادههای شبکۀ راه و نیاز به بهنگام کردن آنها با کمترین زمان و هزینۀ محاسباتی، اتوماسیون فرایند استخراج اطلاعات راه در حال تبدیل به یکی از ملزومات عصر جدید است. در تحقیق حاضر که بیشتر بر مرحلۀ برداریسازی راه ...
بیشتر
امروزه روشی متداول در ایجاد پایگاه دادۀ راهها، استخراج آنها از تصاویر رقومی هوایی و ماهوارهای است. با توجه به حجم بسیار دادههای شبکۀ راه و نیاز به بهنگام کردن آنها با کمترین زمان و هزینۀ محاسباتی، اتوماسیون فرایند استخراج اطلاعات راه در حال تبدیل به یکی از ملزومات عصر جدید است. در تحقیق حاضر که بیشتر بر مرحلۀ برداریسازی راه تأکید دارد، سیستمی هوشمند برای برداریسازی اتوماتیک نتایج کشف راه، با کمترین میزان دخالت عامل انسانی، طراحی شده است. سیستم طراحیشده دارای دو مرحلۀ اساسی تعیین نقاط کلیدی راه و برقراری اتصال بین آنها است. نخست، با استفاده از تکنیک خوشهبندی بر مبنای الگوریتم انبوه ذرات نقاط اصلی نمایانگر محور مرکزی راه تعیین میشوند. سپس، با در نظر گرفتن مدل گراف وزندار برای شبکۀ راههای تصویر، تعیین معیارهای هندسی مناسب و تلفیق این معیارها از سوی عملگرهای میانگینگیر وزندار ترتیبی، هزینۀ هر اتصال محاسبه میشود. اتصالات دارای کمترین هزینه، به صورت قطعات نهایی راه در تشکیل شبکۀ برداری راه شرکت میکنند. نتایج حاصل از پیادهسازی روش پیشنهادی روی چندین تصویر بزرگ مقیاس ماهواره ای و مقایسۀ آنها با نتایج الگوریتم درختپوشای کمینه تأییدکنندۀ موفقیت روش پیشنهادی در استخراج شبکۀ راه با دقت و صحت بالا است. براساس نتایج ارزیابی، روش پیشنهادی قادر است شبکۀ راههای تصویر را با میانگین RMSE حدود 9/0 متر، میانگین completeness حدود 94% و میانگین correctness بیش از 95% برداری کند. در مجموع، الگوریتم پیشنهادی در برداریسازی راههای با اشکال مختلف شامل راههای مستقیم، راههای دارای انحنا، راههای با ضخامتهای متفاوت، راههای موازی با فواصل متغیر، تقاطع و میدان موفقیتآمیز عمل کرده است.
علمی - پژوهشی
علیرضا رمضانی خوجین؛ میرمسعود خیرخواه زرکش؛ پیمان دانشکار آراسته؛ علی مریدی؛ رحیم علیمحمدی نافچی
دوره 7، شماره 3 ، بهمن 1394، صفحه 49-64
چکیده
امروزه محاسبۀ دمای سطوح مختلف پوشش گیاهی و خاکی با استفاده از تصاویر ماهوارهای، با هدف برآورد تبخیر و تعرق واقعی با الگوریتم بیلان انرژی، اهمیت بسیار زیادی دارد. در این مطالعات دقت محاسبۀ گرادیان حرارتی بین سطح زمین و هوا و میزان اختلاف دمای سطوح مختلف کاربری دارای اهمیت است. در دشت شهرکرد به منظور محاسبۀ دمای سطح زمین[1] سه چالش اصلی ...
بیشتر
امروزه محاسبۀ دمای سطوح مختلف پوشش گیاهی و خاکی با استفاده از تصاویر ماهوارهای، با هدف برآورد تبخیر و تعرق واقعی با الگوریتم بیلان انرژی، اهمیت بسیار زیادی دارد. در این مطالعات دقت محاسبۀ گرادیان حرارتی بین سطح زمین و هوا و میزان اختلاف دمای سطوح مختلف کاربری دارای اهمیت است. در دشت شهرکرد به منظور محاسبۀ دمای سطح زمین[1] سه چالش اصلی وجود داشت. نخست، نبود مطالعۀ مشخصی در زمینۀ محاسبۀ دمای سطح زمین با استفاده از باندهای حرارتی ماهوارۀ Landsat8، دوم، فقدان دادههای مشاهدهای دمای سطح پوششهای مختلف گیاهی و خاکی و سوم، محدود بودن دادههای دمای سطح زمین ایستگاههای کلیماتولوژی و سینوپتیک به حداقل روزانه. در این مطالعه، به منظور تبدیل دمای درخشندگی2 سطح به دمای سطح زمین، از الگوریتم دوپنجرهای3 موجود AVHRR-NOAA استفاده شد و برای محاسبۀ گسیلندگی سطحی4 نیز روش پیشنهادی الگوریتم سبال5 به کار رفت. با توجه به نبودِ ایستگاههای هواشناسی مرجع، از دادههای ایستگاههای غیرمرجع برای محاسبۀ دمای روزانۀ سطح زمین و لحظۀ عبور ماهواره استفاده شد و در نهایت، از روش محاسبۀ خطای انحراف برای واسنجی دمای سطح زمین ماهوارۀ Landsat 8 و تهیۀ لایۀ میانگین روزانه دمای سطح زمین استفاده شد. در این مطالعه همۀ ضرایب همبستگی محاسبهشده بیشتر از 0.9 بود و تمامی روابط رگرسیونی، از نظر آماری، در سطح 95% و حتی 99% معنادار بودند. اختلاف مقادیر خطای انحراف محاسبهشده در روز-تصویرهای مختلف در بیشترین مقدار، 0.5 کلوین بود و میزان RMSE محاسبهشده نیز بین 1.9 تا 2.2 کلوین قرار داشت که در مقایسه با مطالعات مشابه مورد پذیرش بود.
علمی - پژوهشی
احمد ملکنژاد یزدی؛ حسن قاسمیان؛ وحید عیسوی؛ علی شهسواری؛ حسن کوشا
دوره 7، شماره 3 ، بهمن 1394، صفحه 65-82
چکیده
بیشتر الگوریتمهای طبقهبندی دادههای سنجش از دور براساس ویژگیها و اطلاعات طیفی پیکسلها عمل میکنند. این مسئله باعث نادیده گرفتن اطلاعات مکانی سودمند و قابل استخراج بسیاری، مانند بافت تصاویر میشود. محیط شهری بافت ناهمگنی دارد که شناسایی انواع کاربریها را به فرایندی دشوار و پیچیده تبدیل کرده است. در این پژوهش تأثیر استفاده ...
بیشتر
بیشتر الگوریتمهای طبقهبندی دادههای سنجش از دور براساس ویژگیها و اطلاعات طیفی پیکسلها عمل میکنند. این مسئله باعث نادیده گرفتن اطلاعات مکانی سودمند و قابل استخراج بسیاری، مانند بافت تصاویر میشود. محیط شهری بافت ناهمگنی دارد که شناسایی انواع کاربریها را به فرایندی دشوار و پیچیده تبدیل کرده است. در این پژوهش تأثیر استفاده از بافت تصویر تکباند سنجندۀ ALI (Advanced Land Imager) بر دقت طبقهبندی تصاویر ابرطیفی سنجندۀ هایپریون«Hyperion» در محیطهای شهری بررسی شد. طبقهبندی با استفاده از روش جنگلهای تصادفی[1] و در پنج سناریوی مختلف انجام شد: سناریوی شمارۀ 1: طبقهبندی اطلاعات طیفی تصویر ادغامشده به روش [1]CNT(بدون لحاظ کردن اطلاعات بافت)؛ سناریوهای 2، 3، 4 و 5: طبقهبندی تصویر CNT با افزوده شدن بردارهای ویژگی بافت حاصل از روش ماتریس هموقوعی در اندازههای پنجرۀ 3، 5، 7 و 9 هستند. براساس یافتههای این تحقیق، افزودن بافت به طیف تصویر ادغامی به روش CNT دقت طبقهبندی را بهبود چشمگیری داد، به گونهای که دقت کلی بر اثر افزودن بافت با حدود ده درصد افزایش، از 80.47% به 90.74% رسید. بسیاری از پوششهای کاربری مانند جاده، بافت مسکونی، صنایع کوچک و پراکنده و صنایع متمرکز نیز در زمینۀ دقت تولیدکننده و مصرفکننده رشد چشمگیری را شاهد بودند. پارامتر خطای OOB[1] با 11% کاهش، از 19.86 به 8.87% رسید. بردارهای ویژگی مانند میانگین و کنتراست نیز، توانستند از لحاظ میزان اهمیت در رتبههای بالا قرار گیرند. همچنین، افزایش اندازۀ پنجره منجر به بهبود بیشتر دقت طبقهبندی شد، به گونهای که اندازۀ پنجرۀ 9 بهترین عملکرد را در پی داشت.
علمی - پژوهشی
حسین صادقی؛ علی حسینی پور؛ روزبه شاد
دوره 7، شماره 3 ، بهمن 1394، صفحه 83-96
چکیده
امروزه آشکارسازی تغییرات با استفاده از تصاویر ماهوارهای، یکی از حوزههای اصلی تحقیقات به شمار میرود. یکی از مشکلات استفاده از تصاویر ماهوارهای خطاهای بیشمار در این تصاویر است. خطاهای ناشی از اثر نورپردازی سطح جزء مشکلات اساسی در فرایند آشکارسازی تغییراتاند. از این رو، در پژوهش پیش رو، به منظور کاهش خطاهای ایجادشده در نتایج ...
بیشتر
امروزه آشکارسازی تغییرات با استفاده از تصاویر ماهوارهای، یکی از حوزههای اصلی تحقیقات به شمار میرود. یکی از مشکلات استفاده از تصاویر ماهوارهای خطاهای بیشمار در این تصاویر است. خطاهای ناشی از اثر نورپردازی سطح جزء مشکلات اساسی در فرایند آشکارسازی تغییراتاند. از این رو، در پژوهش پیش رو، به منظور کاهش خطاهای ایجادشده در نتایج آشکارسازی تغییرات با استفاده از روش آنالیز بردار تغییرات، روشی ساده و در عین حال مناسب برای کاهش خطاهای ناشی از اثر نورپردازی ارائه شده است. در روش پیشنهادی، پس از اعمال تبدیل Tasseled cap روی تصاویر، جهت بردار تغییرات با راستای بردار پیکسل مربوط به تصویر مبنا در فضای طیفی مقایسه و سپس آستانهای زاویهای، برای کاهش خطاهای نورپردازی محاسبه میشود. مساحت زیر منحنی ROC و همچنین، پارامترهای احتمال تشخیص صحیح در روش پیشنهادی، به ترتیب،970/0 و 97/0 است و مقدارFalse Alarm برای آن 32/0 به دست آمده است. نیز، مقایسۀ نتایج روش پیشنهادی با نتایج روشهای مرسوم آشکارسازی تغییرات دقت بیشتر روش پیشنهادی را نشان داده است
علمی - پژوهشی
حمید عزتآبادیپور؛ سعید همایونی
دوره 7، شماره 3 ، بهمن 1394، صفحه 97-114
چکیده
مدلهای خوشهبندی c-means یکی از پرکاربردترین شیوههای طبقهبندی نظارتنشده در آنالیز دادهها بهشمار میرود. مدل فازی این روش، یعنی Fuzzy c-means، یکی از مشهورترین مدلهایی است که در آن هر داده با یک مقدار درجۀ عضویت بین 0 و 1، به هر یک از خوشهها اختصاص داده میشود. این مدل خوشهبندی جهت طبقهبندی دادههای سنجش از دوری بسیار استفاده ...
بیشتر
مدلهای خوشهبندی c-means یکی از پرکاربردترین شیوههای طبقهبندی نظارتنشده در آنالیز دادهها بهشمار میرود. مدل فازی این روش، یعنی Fuzzy c-means، یکی از مشهورترین مدلهایی است که در آن هر داده با یک مقدار درجۀ عضویت بین 0 و 1، به هر یک از خوشهها اختصاص داده میشود. این مدل خوشهبندی جهت طبقهبندی دادههای سنجش از دوری بسیار استفاده شده است. مدل Fuzzy c-means از فاصلۀ اقلیدسی جهت خوشهبندی استفاده کرده و برای همۀ خوشهها شکل یکسانی فرض میکند. با وجود این، این مدل برای دادههایی که در آنها کلاسها دارای شکل و حجم متفاوتاند، مناسب به نظر نمیرسد. برای رفع این مشکل، مدل Gustafson-Kessel جهت خوشهبندی دادههای پیچیده ارائه شده است. این مدل برمبنای بهکارگیری یک ماتریس کوواریانس فازی برای هر خوشه عمل میکند و شکل هندسی، حجم و جهتگیری یکسانی برای همۀ خوشهها در نظر نمیگیرد. در این تحقیق، از هر دو مدل خوشهبندی مذکور جهت دادههای سنجش از دوری فراطیفی واقعی حاصل از سنجندههای Hyperion، ROSIS و CASI استفاده شده است. نتایج حاصل از مدلهای خوشهبندی Fuzzy c-means و Gustafson-Kessel به پارامتری به نام فازیکننده وابسته است که در این تحقیق، مقدار بهینۀ آن با محاسبه و بررسی دقت طبقهبندی هر یک از این مدلها، در ازای فازیکنندههای مختلف بهدست آمده است. نتایج بهدستآمده در ازای مقدار بهینه فازیکننده، نشان میدهد که مدل Gustafson-Kessel دقت و صحت طبقهبندی را حدود 5/12% برای دادههای Hyperion و حدود 45/8% برای دادههای ROSIS افزایش میدهد. همچنین، ارزیابی دیداری نتایج دو مدل خوشهبندی روی دادههای CASI نشان میدهد که مدل Gustafson-Kessel عملکرد بهتری دارد. البته در مقابل، باید گفت مدل Gustafson-Kessel هزینۀ زمانی بیشتری را صرف میکند و همچنین، جهت تعیین پارامتر مربوط به حجم خوشهها، به دانش قبلی نیاز دارد.