مقاله پژوهشی
علیرضا ظهیر نیا؛ حمید رضا متین فر؛ حسینعلی بهرامی
چکیده
کربن آلی نقشی حیاتی در پایداری زیست‌محیطی, شاخص کیفیت و سلامت خاک دارد؛ بنابراین شناسایی توزیع مکانی ترسیب کربن از الزامات برنامه‌ریزی محیطی و مدیریت خاک است. پژوهش حاضر به‌منظور بررسی میزان ترسیب کربن در کاربری‌های کشت و صنعت نیشکر، کشاورزی سنتی و بایر انجام شد. در هر کاربری، شصت نمونه خاک برداشت و کربن آلی، شوری، آهک، واکنش خاک ...
بیشتر
کربن آلی نقشی حیاتی در پایداری زیست‌محیطی, شاخص کیفیت و سلامت خاک دارد؛ بنابراین شناسایی توزیع مکانی ترسیب کربن از الزامات برنامه‌ریزی محیطی و مدیریت خاک است. پژوهش حاضر به‌منظور بررسی میزان ترسیب کربن در کاربری‌های کشت و صنعت نیشکر، کشاورزی سنتی و بایر انجام شد. در هر کاربری، شصت نمونه خاک برداشت و کربن آلی، شوری، آهک، واکنش خاک و سدیم محلول خاک اندازه‌گیری شد. با استفاده از داده‌های طیفی سنجندة OLI و TIRS ماهوارة لندست 8، مقادیر باندها و شاخص‌های خاکی و پوشش گیاهی شامل NDVI، SAVI، TSAVI، OSAVI، MSAVI، SOCI، WDVI، PVI، RVI و BI در نقاط نمونه‌برداری به‌دست آمد و رابطة بین آنها و مقدار مادة آلی خاک محاسبه شد. نتایج نشان می‌دهد، بیشترین همبستگی را با مقدار مادة آلی خاک به خود اختصاص داده‌اند: در کاربری کشت و صنعت، شاخص SOCI با 30/50% و باند 3 با 82/53%؛ در کشاورزی سنتی، شاخص PVI با همبستگی 35/60% و باند 7 با 63/60%؛ در اراضی بایر، شاخص RVI با همبستگی 27/34% و باند 2 با 67/36%. نتایج تحلیل آماری به‌روش برازش حداقل مربعات جزئی نشان داد میانگین نتایج واسنجی و اعتبارسنجی به‌ترتیب 48/43 و 08/39% است. نتایج برآورد مادة آلی خاک به‌روش کریجینگ و مدل درخت M5 نشان می‌دهد که همبستگی مقادیر مادة آلی اندازه‌گیری و پیش‌بینی‌شده به‌ترتیب 20/66 و 00/82% بود. طبق این نتایج، بین مقادیر مادة آلی خاک و شاخصها و باندهای ماهوارة لندست 8 همبستگی معنی‌داری وجود دارد و می‌توان مقادیر مادة آلی خاک منطقة مورد مطالعه و سایر مناطق دارای شرایط مشابه را با احتمال مورد قبولی تخمین زد.
مقاله پژوهشی
مینا حمیدی؛ حمید عبادی؛ عباس کیانی
چکیده
با بهبود حد تفکیک مکانی تصاویر سنجش از دور، اطلاعات دقیق‌تری از صحنة تصویر همچون ساختارهای بافت، فراهم شده است. این منابع داده، به‌دلیل جزئیات بسیار، دارای واریانس درون‌کلاسی زیاد و واریانس بین‌کلاسی اندک‌اند؛ ازاین‌رو استخراج اطلاعات پوشش زمین از آنها به فرایندی چالش‌برانگیز تبدیل شده است. در این تصاویر، تفسیر بصری زمان‌بر ...
بیشتر
با بهبود حد تفکیک مکانی تصاویر سنجش از دور، اطلاعات دقیق‌تری از صحنة تصویر همچون ساختارهای بافت، فراهم شده است. این منابع داده، به‌دلیل جزئیات بسیار، دارای واریانس درون‌کلاسی زیاد و واریانس بین‌کلاسی اندک‌اند؛ ازاین‌رو استخراج اطلاعات پوشش زمین از آنها به فرایندی چالش‌برانگیز تبدیل شده است. در این تصاویر، تفسیر بصری زمان‌بر و پرهزینه است و تفسیر اتوماتیک آنها لزوماً به دقت بالا منجر نمی‌شود و رسیدن به دقت تفسیر مطلوب نیازمند طراحی الگوریتم‌های اتوماتیک است؛ به‌صورتی‌که توانایی مقابله با مشکلات ناشی از پیچیدگی صحنة تصویر را داشته باشند. برای غلبه بر این مشکل، روش آنالیز عارضه‌مبنای تصویر که به مورفولوژی صحنة تصویر حساس است، به‌ویژه در مطالعه‌ای شهری که تراکم ساختارهای شکل‌گرفته به‌دست انسان بالاست، ممکن است کارآمد باشد. در طبقه‌بندی عارضه‌مبنا، پیکسل‌های بیانگر یک عارضه در ترکیب با یکدیگر، تجزیه و تحلیل می‌شوند؛ در نتیجه، فضای مسئله به‌نسبت طبقه‌بندی پیکسل‌مبنا کاهش می‌یابد و مزیت این امر افزایش سرعت محاسبات است. درعین‌حال به‌دلیل اندازة متنوع اشیای تصویری، طبقه‌بندی نظارت‌شدة عارضه‌مبنا در ایجاد مجموعة آموزشی بهینه با چالش‌هایی مواجه است. در تحقیق حاضر، به‌منظور طبقه‌بندی عارضه‌مبنا، از الگوریتم آدابوست استفاده شده است. برای غلبه بر مشکل فقدان تناسب فضای ویژگی ناشی از تعداد اندک نمونه‌های آموزشی و توزیع نامتناسب آنها در مقایسه با ابعاد بالای فضای ویژگی (شامل ویژگی‌های طیفی، مکانی و هندسی)، دو راهبرد دنبال شده است. در یک رویکرد برای تولید مجموعة آموزشی بهینه، مکانیسم یادگیری فعال با الگوریتم آدابوست ادغام شده و در رویکردی دیگر به‌منظور کاهش ابعاد فضای ویژگی، براساس همبستگی بین ویژگی‌ها (افزونگی) و همبستگی بین ویژگی‌ها و کلاس‌ها (مطابقت)، زیرمجموعة ویژگی منتخب استخراج شده است. روش پیشنهادی روی مجموعه دادة استاندارد وهینگن کشور آلمان اجرا و نتایج حاصل از آن با طبقه‌بندی پیکسل‌مبنا مقایسه شده است. به‌منظور بررسی معنی‌داری اختلاف‌های حاصل‌شده در نتایج ارزیابی‌ها نیز، آزمون آماری مک‌نمار به‌کار رفته است. نتایج تجربی نشان دادند که رویکرد عارضه‌مبنای پیشنهادی، در قیاس با رویکرد پیکسل‌مبنا، به‌طور متوسط 6% دقت کلی و 7% ضریب کاپا را بهبود داده است. همچنین سرعت محاسبات در روش آدابوست عارضه‌مبنای پیشنهادی، در مقایسه با رویکرد پیکسل‌مبنا افزایش چشمگیری یافته است. این نتایج بیانگر عملکرد بهینة رویکرد پیشنهادی، هم از نظر دقت و هم از نظر سرعت محاسبات است.
مقاله پژوهشی
اسلام گله بان؛ سعید حمزه؛ شادمان ویسی؛ سید کاظم علوی پناه
چکیده
تعیین دقیق نیاز آبی محصولات گوناگون و همچنین میزان آب مصرفی در سطحی پهناور و در زمان واقعی یکی از مهم‌ترین نیازهای متخصصان آب‌وخاک است. پیش‌نیاز آن نیز تعیین تبخیروتعرق مرجع است. معمولاً محاسبة این پارامتر براساس استفاده از داده‌های اقلیمی و حل معادلات تجربی انجام می‌شود اما، به‌دلیل محدودبودن و توزیع نامناسب ایستگاه‌های هواشناسی، ...
بیشتر
تعیین دقیق نیاز آبی محصولات گوناگون و همچنین میزان آب مصرفی در سطحی پهناور و در زمان واقعی یکی از مهم‌ترین نیازهای متخصصان آب‌وخاک است. پیش‌نیاز آن نیز تعیین تبخیروتعرق مرجع است. معمولاً محاسبة این پارامتر براساس استفاده از داده‌های اقلیمی و حل معادلات تجربی انجام می‌شود اما، به‌دلیل محدودبودن و توزیع نامناسب ایستگاه‌های هواشناسی، اغلب استفاده از داده‌های آنها سبب ایجاد خطا در محاسبة این پارامتر می‌شود. بهترین گزینه، به‌منظور برطرف‌کردن این محدودیت، استفاده از داده‌های سنجش از دوری است. بدین‌منظور می‌توان از محصولات گوناگون ماهواره‌ای بهره برد و با ترکیب آنها، برای تهیة نقشه‌های به‌روز تبخیروتعرق مرجع و واقعی اقدام کرد. ازاین‌رو تحقیق حاضر به‌منظور بررسی امکان استفاده از محصولات سامانه‌های WaPOR و ERA5 با هدف محاسبة میزان تبخیروتعرق مرجع روزانه، برمبنای روش تجربی پنمن مانتیث و ارزیابی و صحت‌سنجی خروجی‌های آن در سطح استان سیستان و بلوچستان ایران انجام شده است. نتایج تحقیق نشان داد که سامانه‌های سنجش از دوری با دقت بالای 80%، در محل ایستگاه‌های هواشناسی، مقدار تبخیروتعرق مرجع را برآورد کرده‌اند و در تمامی ایستگاه‌ها خطای کمتر از 2 میلی‌متر گزارش شد. همچنین فصل زراعی پانزدهم خرداد تا پانزدهم آبان، در مقایسه با فصل زراعی اول آذر تا پانزدهم اردیبهشت، تبخیروتعرق مرجع به‌دست‌آمده از داده‌های ماهواره‌ای همبستگی بالاتری را نشان می‌دهد. ازآن‌جاکه مقادیر برآورد و صحت‌سنجی‌شده دقت مورد قبولی داشتند، در گام بعدی می‌توان، در هر نقطه از استان، از این سامانه‌ها استفاده کرد
مقاله پژوهشی
محمدحسین قلی زاده؛ جمیل امان اللهی؛ فردین رحیمی
چکیده
تحقیق حاضر با هدف ارزیابی دقت داده‌های ماهواره‌ای سنجندة مادیس در پایش ریزگردها (ذرات PM10 )، به‌منظور مقایسه با داده‌های ایستگاه زمینی سنجش آلودگی در شهر سنندج انجام گرفته است. بدین‌ترتیب، میزان عملکرد داده‌های ماهواره‌ای در اندازه‌گیری ریزگردها، در ایستگاه زمینی سنندج، مشخص می‌شود. ابتدا داده‌های ماهواره‌ای عمق نوری (ذرات ...
بیشتر
تحقیق حاضر با هدف ارزیابی دقت داده‌های ماهواره‌ای سنجندة مادیس در پایش ریزگردها (ذرات PM10 )، به‌منظور مقایسه با داده‌های ایستگاه زمینی سنجش آلودگی در شهر سنندج انجام گرفته است. بدین‌ترتیب، میزان عملکرد داده‌های ماهواره‌ای در اندازه‌گیری ریزگردها، در ایستگاه زمینی سنندج، مشخص می‌شود. ابتدا داده‌های ماهواره‌ای عمق نوری (ذرات PM10 ) سنجندۀ مادیس، متناظر با داده‌های PM10 زمینی تهیه‌شده از ایستگاه زمینی پایش آلودگی واقع در شهر سنندج، به‌دست آمد؛ آنگاه ضریب همبستگی دو سری داده محاسبه شد. برای پیش‌بینی دقیق داده‌های PM10، دو مدل آریما و شبکة عصبی مصنوعی به‌کار رفت. داده‌های AOD سنجندة مادیس با استفاده از روش حداکثر برآورد احتمال و وزن به‌دست‌آمده از ریشة میانگین مربعات خطا، به‌منظور استفاده در این دو مدل، ترکیب شدند. در نهایت، روش مقایسۀ منفرد برای هریک از مدل‌ها و نیز مقایسۀ مدل‌ها، با هدف شناسایی مدل بهتر در تشخیص و پیش‌بینی داده‌های PM10 حاصل از سنجندۀ مادیس، اعتبارسنجی شد. در مدل شبکۀ عصبی، ضریب همبستگی در مرحلۀ آموزش 52%، در مرحلۀ آزمون 53%، RMSE برابر با 62/1 و MAE برابر 62/2 به‌دست آمد. طبق محاسبات، مدل آریمای 1-0-3 تنها مدل مورد قبول با R برابر با 46/0و 06/0MAE= و 69/0RMSE= است. این بیان می‌کند مدل آریما مدل مناسبی برای پیش‌بینی داده‌هاست اما دقت مدل شبکۀ عصبی، در ارزیابی میزان همبستگی بین داده‌ها، بیشتر تشخیص داده شد. نتایج تحقیق نشان داد که بین داده‌های عمق نوری ریزگرد سنجندۀ مادیس با داده‌های زمینی رابطۀ مستقیمی وجود دارد و این الگوریتم قادر به شناسایی گردوغبار است و می‌تواند جایگزین مناسبی برای محصولات PM10 تولیدشده از سوی ایستگاه زمینی باشد.
مقاله پژوهشی
علی جعفر موسیوند؛ میثم شیرمحمدپور؛ علی شمس الدینی
چکیده
پوشش گیاهی موتور محرک کرة زمین است؛ تبادلات انرژی و آب بین اتمسفر و زمین را کنترل می‌کند و در چرخه‌های جهانی انرژی، اکسیژن، دیاکسیدکربن و آب نقش مهمی دارد. پایش و مدیریت پوشش‌های گیاهی با استفاده از پارامترهای بیوفیزیکی و بیوشیمیایی آن، مانند LAI، انجام می‌پذیرد. شاخص سطح برگ (LAI) از مهم‌ترین پارامترهای پوشش گیاهی است که در اغلب ...
بیشتر
پوشش گیاهی موتور محرک کرة زمین است؛ تبادلات انرژی و آب بین اتمسفر و زمین را کنترل می‌کند و در چرخه‌های جهانی انرژی، اکسیژن، دیاکسیدکربن و آب نقش مهمی دارد. پایش و مدیریت پوشش‌های گیاهی با استفاده از پارامترهای بیوفیزیکی و بیوشیمیایی آن، مانند LAI، انجام می‌پذیرد. شاخص سطح برگ (LAI) از مهم‌ترین پارامترهای پوشش گیاهی است که در اغلب مدل‌سازی‌ها مانند مدل‌سازی چرخه‌های آب، انرژی و کربن استفاده می‌شود. رویکردهای بازیابی متفاوتی، به‌منظور استخراج اطلاعات پارامترهای بیوفیزیکی از داده‌های سنجش از دوری، توسعه یافته است. در تحقیق حاضر، از روش فیزیکی معکوس مدل انتقال تابش PROSAIL، مبتنی‌بر جدول LUT، با هدف بازیابی متغیر LAI استفاده شده است. همچنین داده‌های زمینی برداشت‌شده طی کمپین SPARC 2003 برای ارزیابی صحت متغیر بازیابی‌شده به‌کار رفت. برای رفع مشکل ill-posed، چهار دسته از معیارهای هزینه با عنوان اندازه‌گیر اطلاعات (IM)، حداقل اختلاف (MC)، اندازه‌گیر زاویه (SAM) و خطای حداقل مربعات (LSE) به‌همراه نرمال‌سازی و میانگین بهترین جواب‌ها استفاده شد. نتایج بهبود تخمین متغیر LAI را با استفاده از معیار اندازه‌گیر اطلاعات (Kulbak-liebler)، به‌میزان 12% و با استفاده از 11% میانگین بهترین جواب‌ها نشان دادند. تابع هزینة LSE نیز در قیاس با حالت نرمال‌نشده، 7% بهبود یافت.
مقاله پژوهشی
مهران شایگان؛ مرضیه مکرم
چکیده
با توجه به تأثیر خشکسالی در کیفیت و کمّیت آب، هدف از این مطالعه بررسی خشکسالی با استفاده از شاخص‌های خشکسالی و ارتباط آن با میزان کیفیت آب در مناطق شمالی استان فارس ایران است. برای این منظور، شاخص‌های خشکسالی PCI، TVDI، NDVI در سال‌های 2000 تا 2020 استفاده شد. در ادامه، نقشه‌های پهنه‌بندی عناصر آب (Ca، Cl، EC، K، Na، Mg) با استفاده از روش کریجینگ ...
بیشتر
با توجه به تأثیر خشکسالی در کیفیت و کمّیت آب، هدف از این مطالعه بررسی خشکسالی با استفاده از شاخص‌های خشکسالی و ارتباط آن با میزان کیفیت آب در مناطق شمالی استان فارس ایران است. برای این منظور، شاخص‌های خشکسالی PCI، TVDI، NDVI در سال‌های 2000 تا 2020 استفاده شد. در ادامه، نقشه‌های پهنه‌بندی عناصر آب (Ca، Cl، EC، K، Na، Mg) با استفاده از روش کریجینگ تولید شد. سپس با به‌کارگیری روش شبکه‌های عصبی (MLP)، میزان عناصر آب با استفاده از شاخص‌های خشکسالی پیش‌بینی شد. نتایج نشان داد که با توجه به مقادیر شاخص‌های خشکسالی، روند تغییرات خشکسالی در منطقه از سال 2000 تا 2020 افزایشی بوده و بخش‌های جنوبی منطقه در وضعیت حادتری به‌نسبت دیگر بخش‌ها قرار دارد. نتایج حاصل از نقشه‌های پهنه‌بندی عناصر آب هم نشان داد که در بخش‌های جنوبی، غلظت املاح بیشتر از بخش‌های شمالی است. طبق نتایج حاصل از همبستگی بین شاخص‌های خشکسالی و مقادیر عناصر آب، Ca همبستگی بالایی (820/0 R=) با شاخص TVDI دارد و عناصر Cl، EC، K، Na، Mg نیز دارای همبستگی معنی‌داری (80/0 R>) با شاخص PCI است. نتایج حاصل از روش MLP، برای پیش‌بینی وضعیت کیفیت آب با استفاده از شاخص‌های خشکسالی، نشان داد که در مناطق جنوبی میزان املاح بیشتر و در نتیجه، کیفیت آب کمتر است. میزان دقت مدل در پیش‌بینی عناصر Cl، EC، K، Na، Mg، TH،TDS با استفاده از شاخص PCI برابر با 85/0 R2= و درمورد عنصر Ca، با استفاده از شاخص TVDI برابر با 71/0 R2= است.
مقاله پژوهشی
فرزانه عقیقی؛ امیدمهدی عبادتی؛ حسین عقیقی
چکیده
مجموعة داده‌های ابر نقاط لیدار و مدل‌های سه‌بعدی (3-D) در استخراج عوارض شهری، مدیریت جنگل‌داری، شهری و گردشگری، رباتیک، تولید بازی‌های رایانه‌ای و موارد دیگر کاربرد گسترده‌ای دارد. از سویی، وجود نقاط پرت در ابر نقاط لیدار اجتناب‌ناپذیر است؛ بنابراین تشخیص نقاط پرت و حذف آن از ابر نقاط لیدار به‌منزلة گامی ضروری در پردازش ابر ...
بیشتر
مجموعة داده‌های ابر نقاط لیدار و مدل‌های سه‌بعدی (3-D) در استخراج عوارض شهری، مدیریت جنگل‌داری، شهری و گردشگری، رباتیک، تولید بازی‌های رایانه‌ای و موارد دیگر کاربرد گسترده‌ای دارد. از سویی، وجود نقاط پرت در ابر نقاط لیدار اجتناب‌ناپذیر است؛ بنابراین تشخیص نقاط پرت و حذف آن از ابر نقاط لیدار به‌منزلة گامی ضروری در پردازش ابر نقاط لیدار شناخته شده است. طی دهه‌های گذشته، چندین تکنیک تشخیص نقاط پرت در منابع این موضوع معرفی شده است اما بیشتر آنها از نظر زمانی هزینه‌برند و به نیروی متخصص انسانی نیاز دارند. به‌منظور کاهش این محدودیت‌ها، این مقاله رویکرد خودکار جدیدی برای تشخیص نقاط پرت، با استفاده از تکنیک میدان تصادفی شرطی برپایة ماشین بردار پشتیبان (SVM-CRF) و روش نمودار جعبه‌ای، معرفی کرده است. رویکرد نمودار جعبه‌ای بردار انرژی خروجی SVM-CRF را برای تشخیص نقاط پرت تجزیه و تحلیل می‌کند. این روش به‌کمک مجموعه دادة محک ISPRS که برای مجموعه دادة وهینگن، با هدف طبقه‌بندی سه‌بعدی و بازسازی سه‌بعدی ساختمان ایجاد شده بود، ارزیابی شد. به‌منظور ارزیابی این روش، ابتدا نقاط پرتی به‌صورت دستی به مجموعه داده افزوده شد؛ با این تمرکز که این نقاط جزء نقاط پرت چسبیده به اشیا باشند. سپس مراحل تحقیق برای ارزیابی توانایی روش پیشنهادی در تشخیص نقاط پرت انجام شد. نتایج این تحقیق عملکرد مدل پیشنهادی را با دقت کلی 62% نشان داد. اگرچه الگوریتم RANSAC عملکردی بهتر از مدل پیشنهادی دارد، تکنیک زمان‌بر و پرهزینه‌تری در مقایسه با تکنیک تشخیص نقاط پرت پیشنهادی است.
