https://gisj.sbu.ac.ir/ نشریه سنجش از دور و GIS ایران fa daily 1 Wed, 21 Jan 2026 00:00:00 +0330 Wed, 21 Jan 2026 00:00:00 +0330 https://gisj.sbu.ac.ir/article_104760.html مقدمه: تغییرات اقلیمی و فعالیت‌های انسانی تأثیر مستقیم در پوشش سطح زمین‌ دارند. تغییرات کاربری اراضی در شمال کشور از مهم‌ترین علل تخریب پوشش گیاهی در جنگل‌های هیرکانی بوده که در دهه‌های اخیر، به‌دلیل فعالیت‌های انسانی، به وقوع پیوسته است. تغییرات پوشش گیاهی در استان گلستان، با تنوع اقلیم و پوشش سطحی، نشان‌دهندۀ تأثیرات این فعالیت‌هاست. بر‌این‌اساس نظارت بر پویایی پوشش گیاهی نیازی اساسی، برای درک بهتر دربارۀ چگونگی واکنش پوشش گیاهی به فشارهای انسانی، درجهت حفظ جنگل‌های هیرکانی است.مواد و روش‌ها: بررسی و پایش پوشش گیاهی با بررسی نمایۀ نرمال‌شدۀ تفاضل پوشش گیاهی (NDVI) انجام شد. برای تحلیل روند پوشش گیاهی در استان گلستان، از داده‌های سری زمانی ترکیبی شانزده‌روزۀ MODIS-NDVI به‌نام MOD13Q1، با قدرت تفکیک مکانی 250 متر در دورۀ بیست‌ساله استفاده شد. در این پژوهش، پیش‌از بررسی روند تغییرات پوشش گیاهی در منطقه، ابتدا تصاویر خام NDVI با فرمت HDF محصول از سایت ناسا دانلود و ازلحاظ آماری، بررسی و تحلیل شدند. بدین‌ترتیب 920 تصویر سری زمانی شانزده‌روزۀ پوشش گیاهی نمایۀ NDVI در نرم‌افزار GIS، پس‌از موزاییک‌سازی، به 460 تصویر تبدیل و با استفاده از ضرب فاکتور مقیاس تصاویر، به‌حالت استاندارد بین 1- تا 1+ درآمدند. برای ارزیابی روند سری در نرم‌افزار IDRISI TerrSet، ابتدا تصاویر با استفاده از بی‌هنجاری مؤلفۀ فصلی حذف شد. فرایند تحلیل روند ‌تغییرات ‌فعالیت‌ پوشش ‌گیاهی‌ و‌ معنی‌داری ‌آن ‌به‌روش غیرپارامتری من‌ـ کندال‌ انجام‌ شد‌.نتایج: نتایج نشان داد که 20% از مساحت منطقۀ مورد مطالعه دارای روند کاهشی در پوشش گیاهی است؛ درحالی‌که 80% روند افزایشی داشته است. از‌این‌میان، 5% دارای کاهش معنادار و 50% دارای افزایش معنی‌دار پوشش گیاهی و مابقی بدون روند هستند. طی بیست سال گذشته، 4088 کیلومترمربع از پوشش گیاهی از دست ‌رفته است. تحلیل تأثیر فعالیت‌های انسانی در این تغییرات با استفاده از نقشه‌های موقعیتی شهرستان‌ها و مسیرهای اصلی انجام ‌شد. نتایج نشان داد که در دشت‌های شمالی گلستان، به‌دلیل دسترسی آسان‌تر به زمین‌ها برای فعالیت‌های انسانی، تغییر کاربری اراضی و توسعۀ شهرنشینی، کاهش پوشش گیاهی بیشتری رخ داده است. بیشترین افزایش معنی‌دار پوشش گیاهی در شهرستان‌هایی مانند کردکوی، بندر گز، آق‌قلا، گرگان، آزادشهر، رامیان و بیشترین کاهش معنی‌دار در شهرستان‌های بندر ترکمن، گنبد کاووس، مینودشت و کلاله مشاهده ‌شده است. مسیرهای اصلی منتهی به استان گلستان شامل گرگان‌ـ بجنورد، گرگان‌ـ ساری، آزادشهرـ سمنان، جادۀ غربی اینچه برون و جادۀ شرقی اینچه برون است که همگی شاهد روند کاهشی در پوشش گیاهی در اطراف خود بوده‌اند. ازآنجاکه استان گلستان از تنوع اقلیمی چشمگیری برخوردار است، تغییرات پوشش سطحی در نقاط منتخب با کاهش معنی‌دار پوشش گیاهی نیز بررسی شد.بحث و نتیجه‌گیری: براساس نتایج این تحقیق از سال 2001 تا 2020، مناطق مرتفع استان گلستان، به‌ویژه ارتفاعات غربی شاهد افزایش پوشش گیاهی بوده‌اند که احتمالاً با افزایش دما براَثر گرمایش جهانی و بهبود شرایط دمایی برای گیاهان در این ارتفاعات مرتبط است. در مقابل، پوشش گیاهی مناطق کم‌ارتفاع واقع در دشت‌ها، نوار ساحلی، ارتفاعات پایین‌تر و به‌خصوص حاشیۀ شهرها و جاده‌ها درحال از دست رفتن است. فعالیت‌های انسانی، مانند تغییر کاربری اراضی و توسعۀ شهرنشینی در دشت‌های شمالی گلستان به کاهش پوشش گیاهی دامن زده‌اند. این تغییرات نشان‌دهندۀ کاهش پوشش گیاهی انبوه و افزایش تأثیرات منفی انسانی و طبیعی‌اند. در ارتفاعات، به‌رغم روند آرام‌تر کاهش پوشش گیاهی درقیاس با مناطق پایین‌دست، نگرانی‌هایی بابت تخریب پوشش گیاهی در مناطق بکر جنگلی وجود دارد. تحولات یادشده نیازمند توجه و اقدامات فوری، برای مدیریت پایدار منابع طبیعی و سازگاری با تغییرات اقلیمی است. https://gisj.sbu.ac.ir/article_104820.html سابقه و هدف: با رشد جمعیت در شهرها، توجه به امنیت و ایمنی شهری به یکی از اولویت‌های مدیران و برنامه‌ریزان شهری تبدیل شده است. بحران‌های شهری، به‌‌ویژه در بافت‌های تاریخی و فرسوده، می‌توانند تهدیدهایی جدی برای امنیت و زیست‌پذیری محله‌ها ایجاد کنند و موجب تخریب گسترده‌ای شوند. بافت‌های فرسودۀ شهری به‌دلیل ویژگی‌های خاصشان، همچون فرسودگی کالبدی، تراکم جمعیتی بالا، کمبود زیرساخت‌های مناسب و ضعف در خدمات شهری، در مواجهه با بحران‌های شهری همچون زلزله، سیل و سایر بلایای طبیعی یا اجتماعی، ازجملۀ آسیب‌پذیرترین مناطق به شمار می‌روند. طی سال‌های اخیر، پژوهش‌ها و برنامه‌های متعددی درراستای بهسازی و نوسازی این بافت‌ها و ارتقای کیفیت زندگی ساکنان آن‌ها انجام شده است. بااین‌حال توجه به زیست‌پذیری این بافت‌ها، در رویارویی با بحران‌های شهری و استفاده از آینده‌پژوهی برای پیش‌بینی و مدیریت بحران‌ها کمتر مورد توجه قرار گرفته است. ازسویی، تعریف فضاهای چندمنظوره و توزیع متناسب آن‌ها در محلات، به‌ویژه در بافت‌های فرسودۀ با ارزش تاریخی، می‌تواند به بهبود کیفیت زندگی قبل‌از بحران و بهبود مدیریت بحران‌ها، پس‌از وقوع آن‌ها، کمک کند.مواد وروش‌ها: ادغام نشدن آینده‌پژوهی با برنامه‌ریزی و مدیریت بحران یکی از شکاف‌هایی است که این پژوهش، با استفاده از تکنیک‌های آینده‌پژوهی و مدل‌های فضایی، به بررسی چگونگی بهبود شرایط مدیریت بحران در آینده می‌پردازد و این شکاف را با نوآوری مبتنی‌بر تحلیل‌های پیش‌بینی و سناریوهای محتمل، پر می‌کند. ازاین‌رو پژوهش حاضر، با هدف حفظ زیست‎پذیری بافت‌های فرسوده در بحران‎های شهری براساس روش آینده‌پژوهی، بر محلۀ امام‌زاده یحیی تمرکز داشته و با استفاده از شیوۀ سناریونویسی، گزینه‌های ممکن برای آیندۀ زیست‌پذیری این محله را بررسی کرده است. در این پژوهش، ضمن تحلیل معیارهای زیست‌پذیری در زمان بحران با استفاده از نرم‌افزار ArcGIS و تکنیک‌های تصمیم‌گیری چندمعیاره، از نرم‌افزار CommunityVIZ Scenario360 بهره گرفته شده و تأثیر متغیرها در سه سناریوی متفاوت بررسی و در نهایت، سناریوی بهینه، برای ایجاد فضاهای چندمنظوره پیشنهاد شده است.نتایج و بحث: یافته‌ها نشان می‌دهد که انتخاب سناریوی برتر و تحلیل لایه‌های گوناگون بر اهمیت فضاهای باز، شریان‌های ارتباطی و فضاهای خالی در بافت فرسودۀ محلۀ امام‌زاده یحیی، درزَمینۀ مدیریت بحران‌های شهری، تأکید دارد. همچنین نتایج تحقیق با استفاده از ابزار CommunityVIZ Scenario 360 نشان داد نواحی شمالی و شمال‌غرب محله به‌منزلۀ نقاط مناسب برای تعریف فضاهای چندمنظوره شناسایی شده‌اند که می‌توانند، در تجهیز فضایی و حفظ زیست‌پذیری پس‌از بحران، مؤثر باشند. یافته‌ها حاکی از آن است که استفاده از فضاهای چندمنظوره و تجمیع کاربری‌های خرد، حتی در شرایط بحرانی، می‌توانند به بازگرداندن و ارتقای زیست‌پذیری محلات تاریخی و فرسوده کمک کنند و فضاهای چندمنظوره، با عرضۀ خدمات متنوع و افزایش تاب‌آوری، در بهبود کیفیت زندگی و ارتقای رضایت ساکنان نقشی تأثیرگذار خواهند داشت.نتیجه‌گیری: نتایج این پژوهش نشان می‌دهد که توزیع ناعادلانۀ خدمات و امکانات می‌تواند مدیریت بحران‌های شهری را با چالش مواجه کند و تاب‌آوری شهر و کیفیت زندگی شهری را کاهش چشمگیری بدهد. هر محله، متناسب با جمعیت آن، نیازمند دسترسی به کاربری‌های ضروری مانند تجاری، آموزشی، فضای سبز، ورزشی و درمانی است تا، حداقل در ساعات ابتدایی وقوع بحران، نیازهای اولیۀ ساکنان برطرف شود. گذار از برنامه‌ریزی‌های سنتی به روش‌های نوین و بهره‌گیری از مدل‌ها و نرم‌افزارهای پیشرفته، همراه با آینده‌پژوهی شهری، می‌تواند بهبود شایان توجهی در شرایط پس‌از بحران ایجاد کند. https://gisj.sbu.ac.ir/article_104819.html مقدمه و هدف: تولید داده‌های دمای سطح زمین (LST) با پیوستگی زمانی و مکانی، برای مطالعات هیدرولوژی، هواشناسی، اکولوژی، زیست‌محیطی و دیگر موارد، تقاضای چشمگیری دارد. تقریباً 60 تا 75% کرۀ زمین در هر لحظه با ابرها پوشیده می‌شود؛ بنابراین ابرها، با ایجاد مانعی، باعث جذب بخشی از انرژی حرارتی بازتاب‌یافته از زمین می‌شوند و با تأثیر در انرژی فروسرخ حرارتی، سبب ایجاد داده‌های از دست‌رفته و نامعتبر در سری‌های زمانی LST می‌شوند. رفع اثر پوشش ابر همواره مسئله‌ای رایج درزَمینۀ استفاده از تصاویر ماهواره‌ای است. هدف از پژوهش حاضر ارزیابی عملکرد الگوریتم تحلیل طیفی منفرد– چندکاناله (M-SSA)، به‌منظور بازسازی داده‌های ازدست‌رفته و دورافتاده با استفاده از پوشش ابر در سری‌ زمانی LST ساعتی ماهوارۀ Meteosat-9 است.مواد و روش‌ها: منطقۀ مطالعاتی، در پژوهش حاضر، کشور ایران در نظر گرفته شد و نیز از سری زمانی LST ساعتی سنجندۀ SEVIRI از ماهوارۀ زمین‌ثابت Meteosat-9 در سال 2022 استفاده شد. در ابتدا، با استفاده از نرم‌افزار SSA و آزمون مونت کارلو، اندازۀ پنجره و تعداد مؤلفه‌های معنی‌دار یک سری زمانی LST ساعتی تعیین شد. سپس با استفاده از مؤلفه‌های معنی‌دار شناسایی‌شده و نیز الگوریتم M-SSA، سری‌های زمانی LST بازسازی شد. خطای بازسازی در شرایط آسمان صاف، با داده‌های موجود سری زمانی و خطای بازسازی در شرایط آسمان ابری، ازطریق ایجاد داده‌های ازدست‌رفتۀ مصنوعی (ابر مصنوعی) با شدت‌های 10، 20، 30، ...، 90% در سری زمانی، با استفاده از آماره‌های خطای جذر میانگین مربعات (RMSE) و ضریب تبیین (R2) اندازه‌گیری شد. نتایج: به‌طور میانگین، در سطح ایران، 5/25% از سری زمانی LST ساعتی در سال 2022 به‌دلیل پوشش ابر از دست ‌رفته است که بیشترین میزان داده‌های ازدست‌رفته در حاشیۀ دریای خزر مشاهده شد. نتایج تحلیل سری زمانی LST ساعتی سالیانه در اندازۀ پنجرۀ 96ساعته با آزمون مونت کارلو نشان داد مؤلفه‌های 1 تا 5 جزء مؤلفه‌‌های معنی‌دار این سری زمانی‌اند. این مؤلفه‌ها 5/97% از تغییرات سری زمانی LST را در کنترل دارند. فرکانس‌ مربوط به مؤلفه‌های اول، دوم با سوم، چهارم با پنجم به‌ترتیب 0، 042/0 و 083/0 سیکل بر تصویر است. مؤلفۀ اول تغییرات دوره‌‌ای سالیانه، مؤلفۀ دوم با سوم تغییرات دوره‌ای 24ساعته یا روزانۀ دما، و مؤلفۀ چهارم با پنجم تغییرات دوره‌ای‌ 12ساعتۀ دما را نشان می‌دهد. براساس نتایج، RMSE و R2 بین داده‌های موجود و داده‌های بازسازی‌شدۀ سری زمانی LST ساعتی با استفاده از الگوریتم M-SSA، در شرایط آسمان صاف، به‌ترتیب 38/1 کلوین و 99/0 بود. همچنین در شرایط آسمان ابری، خطای RMSE تا سطح 80% دادۀ ازدست‌رفته به‌صورت تصادفی (ابر مصنوعی) همواره کمتر از 1/2 کلوین بود.بحث و نتیجه‌گیری: کلید اصلی بازسازی سری‌های زمانی، با رفتار دوره‌ای، شناسایی مؤلفه‌های معنی‌دار دوره‌ای و روندهاست. در سری‌های زمانی LST ساعتی، دوره‌های سالیانه، 24، 12 و 8ساعته از مهم‌ترین مؤلفه‌های سری زمانی‌اند. این مؤلفه‌ها از چرخش زمین به دور خود و خورشید و انحراف محور آن شکل می‌گیرند. بنابراین، این مؤلفه‌ها اغلب برای بازسازی سری‌های زمانی LST ساعتی در بیشتر بخش‌های کرۀ زمین، یکسان‌اند. براساس یافته‌ها، الگوریتم M-SSA با توجه به در نظر گرفتن مؤلفه‌های دوره‌ای و روندها و همچنین استفاده از همبستگی زمانی و مکانی، می‌تواند در بازسازی داده‌های ازدست‌رفتۀ دارای فاصلۀ بزرگ در سری‌های زمانی LST مؤثر باشد. یکی از موارد شایان توجه در بازسازی اثر پوشش ابر، در پژوهش حاضر و بسیاری از پژوهش‌های دیگر، بازسازی دمای سطح زمین با شرط آسمان صاف است. بنابراین بازسازی دمای سطح زمین زیر پوشش ابر می‌تواند چالش و پیشنهادی برای مطالعات بیشتر در آینده باشد. https://gisj.sbu.ac.ir/article_104850.html سابقه و هدف: بیابان‌زایی یکی از چالش‌های مهم دنیای امروز است که پایداری محیط‌زیست را تهدید می‌کند. این پدیده از تخریب زمین در مناطق خشک و نیمه‌خشک ناشی می‌شود و می‌تواند پیامدهای جدی برای محیط‌زیست، اقتصاد و جامعه داشته باشد. ایران، به‌دلیل موقعیت جغرافیایی‌اش در کمربند خشک و نیمه‌خشک جهان، درمعرض خطر بیابان‌زایی قرار دارد. برای مقابله با این پدیده، شناسایی و ارزیابی عوامل مؤثر، تعیین مناطق آسیب‌پذیر و استفاده از مدل‌هایی به‌منظور ارزیابی این پدیده ضروری است. در این راستا، استفاده از علم سنجش از دور و سیستم اطلاعات جغرافیایی (GIS) می‌تواند در ارزیابی و نظارت بر بیابان‌زایی مفید باشد. این فنّاوری‌ها امکان بررسی گسترده و دقیق تغییرات پوشش زمین را فراهم می‌آورند و به مدیریت و حفاظت از مناطق درمعرض خطر کمک می‌کنند. هدف این پژوهش شناسایی مناطق مستعد بیابان‌زایی در کمربند شرقی ایران (سوچرزون سیستان و بلوک افغان)، با استفاده از مدل تحلیل‌های تصمیم‌گیری چندمعیاره، مبتنی‌بر رویکرد اولویت ترتیبی (OPA) است.مواد و روش‌ها: زون زمین‌شناسی سیستان و بلوک افغان، با مساحت بیش از 106هزار کیلومترمربع، در کمربند شرقی ایران قرار دارد و شامل بخش‌هایی از استان سیستان و بلوچستان و خراسان جنوبی می‌شود. این منطقه، براساس طبقه‌بندی اقلیمی دومارتن، در اقلیم خشک و فراخشک قرار می‌گیرد. وجود چنین شرایطی در این منطقه، همراه با تخریب پوشش گیاهی و خشک شدن منابع آبی، آن را مستعد بیابان‌زایی کرده است. در این پژوهش برای به دست آوردن نقشۀ مناطق مستعد بیابان‌زایی، در ابتدا، نقشۀ پتانسیل فرسایش بادی و فرسایش آبی، به‌ترتیب با استفاده از مدل‌های RWEQ و RUSLE در منطقۀ مورد مطالعه حاصل شد. سپس نتایج این مدل‌ها به‌همراه سایر شاخص‌ها، ازقبیل پوشش گیاهی، شوری خاک، کاربری اراضی، درجۀ حرارت، رده‌بندی خاک، جرم مخصوص ظاهری خاک و طبقه‌بندی اقلیمی، با استفاده از مدل تصمیم‌گیری چندمعیاره مبتنی‌بر اولویت ترتیبی (OPA) وزن‌دهی شدند و در نهایت، نقشۀ مناطق مستعد بیابان‌زایی در کمربند شرقی ایران به دست آمد.نتایج و بحث: نتایج این مطالعه نشان داد که میانگین پتانسیل فرسایش بادی، در کمربند شرقی ایران، 64 کیلوگرم بر مترمربع است. این درحالی است که 16% این منطقه، که اغلب در بخش‌های شرقی و جنوب‌شرق قرار دارد و شامل شهرستان‌های زابل، سراوان و خاش می‌شود، دارای پتانسیل فرسایش بادی بیش از 512 کیلوگرم بر مترمربع است. در مقابل، میانگین فرسایش آبی 24/36 تن در هکتار به دست آمده است؛ بیشترین میزان فرسایش آبی بیش از 40 تن در هکتار و در 5/34% از مساحت منطقۀ مورد مطالعه رخ می‌دهد که اغلب در شمال منطقه، شامل شهرستان نهبندان در استان خراسان جنوبی و بخش‌های مرکزی منطقه واقع شده است. در نهایت، نتایج مدل تصمیم‌گیری ‌چندمعیاره ‌مبتنی‌بر اولویت ترتیبی نشان داد که مهم‌ترین شاخص‌ها ازمنظر متخصصان، در شناسایی مناطق مستعد بیابان‌زایی در این منطقه، شاخص‌های فرسایش بادی و پوشش گیاهی و شوری خاک است و بخش‌های شرقی و جنوب‌شرق ناحیه به‌شدت تحت تأثیر بیابان‌زایی قرار دارند.بحث و بررسی: فرسایش در کمربند شرقی ایران پیامدهای منفی متعددی دارد؛ ازجمله کاهش حاصلخیزی خاک و تهدید معیشت، امنیت غذایی و سلامت مردم. تخریب پوشش گیاهی، از بین رفتن منابع آبی و تبدیل این مناطق به زمین‌های بایر، به‌خصوص در نیمۀ شرقی ایران که در سال‌های اخیر با پدیدۀ خشکسالی گسترده‌ای مواجه شده‌اند، بیشترین تأثیر را در بیابان‌زایی داشته است. برای مقابله با این مشکل، به ابتکارات مدیریتی مانند مدیریت منابع آب، توسعۀ کشاورزی پایدار و حفاظت از تنوع زیستی نیاز است. این ابتکارها باید، با توجه به شرایط خاص هر منطقه و با مشارکت جوامع محلی و متخصصان، طراحی و اجرا شوند. نتایج این مطالعه نشان داد که استفاده از مدل‌های ‌مبتنی‌بر رویکرد اولویت ترتیبی می‌تواند، در شناسایی مناطق آسیب‌پذیر به‌منظور تدوین برنامه‌های مدیریتی، مؤثر باشد. همچنین استفاده از شاخص‌هایی مانند مدیریت چرا، جمعیت و سطح آب‌های زیرزمینی، در مطالعات آتی، امکان ارزیابی بهتر وضعیت بیابان‌زایی را فراهم می‌کند. https://gisj.sbu.ac.ir/article_104998.html سابقه و هدف: مدیریت مناسب سیل نیازمند دانستن مکان و زمان دقیق وقوع آن است تا برنامه‌ریزان مدیریت بحران، با اقدامات مدیریتی مناسب و ازطریق بیان راهکارها، بتوانند خطرپذیری سیل را کاهش دهند. در این‌ زمینه، محققان مطالعات گوناگونی انجام داده‌اند و از روش‌های متفاوتی، همچون به‌کارگیری سنجنده‌های ماهواره‌ای سنتینل‌– 1 و سنتیل‌– 2، بهره برده‌اند. طبق این مطالعات ثابت شده است که پایش سیل، به‌کمک سنجش از دور، ابزاری مناسب برای استخراج سریع منطقۀ سیل‌زده است و می‌توان آن را در مدیریت زودهنگام بلایای طبیعی، به‌ویژه سیل، به کار برد. ازاین‌رو هدف این مطالعه تهیۀ نقشۀ وسعت آب ناشی از سیلاب خرداد زنجان در 1402، با کمک تصاویر سنتینل‌– 1 است. این نقشه را می‌توان، در مدیریت و برنامه‌ریزی کاربری اراضی هنگام وقوع سیلاب، افزایش سطح آگاهی عمومی و هشدار دادن به ساکنان نقاط سیل‌خیز در منطقه، توسعۀ طرح‌های کاهش خطرهای سیلاب، تهیۀ برنامه‌های جامع مدیریت خطرپذیری سیلاب و دستورالعمل رویارویی و تاب‌آوری در برابر شرایط بحرانی، استفاده کرد.مواد و روش‌ها: روش پژوهش چندین گام داشت. گام نخست جمع‌آوری داده با کمک سنتینل‌– 1 و گام دوم پیش‌پردازش داده‌های SAR در محیط SNAP-6 بود. در گام سوم، تصاویر در محیط ENVI، به‌کمک الگوریتم درخت، پس‌پردازش شد و در گام نهایی، تصاویر به فایل بردار تبدیل شد.نتایج و بحث: بررسی تغییرات آب‌گرفتگی، پس‌از گذشت هفت روز از وقوع سیلاب در منطقه، گویای این است که بیشترین وسعت آب‌گرفتگی در مناطق شمالی استان، در مجاورت رودخانه‌های اصلی و فرعی حوضۀ آبریز قزل‌اوزن و به‌ویژه در شهرستان طارم رخ داده که میزان آن 067192/312 هکتار بوده است. پس‌از آن، بیشترین میزان آب‌گرفتگی در شمال شهرستان زنجان و محدودۀ حوضۀ آبخیز قزل‌اوزن، زنجان‌رود پایین، چایپاره، غنی‌بیگلو با وسعت 713193/150 هکتار دیده شد که بیشتر این آب‌گرفتگی‌ها تحت تأثیر ژئومورفولوژی منطقه در اطراف رودخانۀ قزل‌اوزن رخ داده بود. در شهرستان ماهنشان،‌ عمدۀ آب ناشی از سیل در بخش شمالی آن شهرستان، ازجمله بخش‌هایی از ماهنشان و اوریاد، با وسعت آب 618086/26 هکتار دیده شد. در شهرستان ایجرود نیز در زرین‌آباد، بیشترین وسعت آب ناشی از سیلاب در مسیر رود ایجرود، با وسعت 06405/21 هکتار بود. در شهرستان ابهر آب ناشی از سیلاب در مرکز سلطانیه در زنگان‌رود (یکی از شعبه‌های رودخانۀ قزل‌اوزن) با وسعت 96 هکتار، به‌صورت متمرکز در اطراف رودخانه دیده شد.طی سیلاب خرداد 1402 در استان زنجان، ارتفاع منطقه عامل مهمی در کنترل حرکت سیلاب و ماندگاری آب روی سطح زمین بود. میزان عقب‌نشینی آب سیلاب، در ارتفاعات، کمتر از 500 متر و درمقایسه با ارتفاعات بیشتر، خیلی اندک بود؛ به‌گونه‌ای که در ارتفاع 1000 متر و بیشتر، ماندگاری آب دیده نشد. در نقاط مرتفع زنجان همچون بخش‌هایی از طارم، زنجان و ماهنشان، بعداَز وقوع نزولات جوّی، آب از مناطق کم‌ارتفاع و مسطح سریع‌تر جریان یافته بود و با گذشت هفت روز از وقوع سیل، ماندگاری آبی در این ارتفاعات دیده نشد؛ درصورتی‌که در ارتفاعات کمتر از 500 متر، اغلب شامل نواحی کم‌ارتفاع حوضۀ آبریز قزل‌اوزن و رودخانه‌های اصلی و فرعی آن، بیشتر رواناب‌ها در چاله‌های توپوگرافی طارم و زنجان جمع شد. پست بودن این مناطق باعث پخش‌شدگی آب سیلاب و آب‌گرفتگی گسترده‌ای، حتی در مراکز جمعیتی این نواحی شد.نتیجه‌گیری: در پژوهش پیش‌ رو، به‌منظور سنجش وسعت آب ناشی از سیل و تهیۀ نقشۀ پهنه‌بندی سیلاب رخ‌داده طی خرداد در استان زنجان و ارزیابی عوامل مؤثر در آن، همچون ارتفاع و پوشش گیاهی، تصاویر سنتینل‌– 1 متعلق به قبل و پس‌از وقوع سیل تهیه، پردازش و در سه کلاس، طبقه‌بندی و تحلیل شد. بدین‌ترتیب مشخص شد که بیشترین حجم سیلاب واردشده به استان زنجان مربوط به شمال استان، به‌ویژه شهرستان طارم، بوده است. همچنین بررسی عامل ارتفاع در سیل‌خیزی منطقه نشان داد ارتفاعات کمتر از 500 متر، که اغلب زیرحوضه‌های قزل‌اوزن و رودخانه‌های اطراف آن را دربرمی‌گیرند، پتانسیل چشمگیری در آب‌گرفتگی داشته‌اند. بررسی پوشش سطح زمین در بخش‌های دچار آب‌گرفتگی نیز نشان داد که پوشش گیاهی علف‌زار، به‌دلیل نارسایی در نفوذپذیری نزولات جوّی در این مناطق، پتانسیل سیل‌خیزی این نواحی را بیشتر کرده است. https://gisj.sbu.ac.ir/article_104997.html سابقه و هدف: تعیین تغییرات مقدار کربن آلی در مزرعه، به‌دلیل اهمیت و نقش مقدار کربن آلی در خاک، ازجمله نقش مؤثر آن در افزایش مقاومت خاک در برابر فرسایش باد و آب، از اهمیت ویژه‌ای برخوردار است. در این پژوهش، توانایی روش طیف‌سنجی Vis/NIR بازتابی به‌منظور سنجش و پیش‌بینی مقدار کربن آلی نمونه‌های خاک، در هفت تیمار رطوبتی و همچنین اثر پیش‌پردازش‌های گوناگون طیفی در دقت مدل‌های چندمتغیرۀ پیش‌بینی‌کننده، مطالعه شد.مواد و روش‌ها: طیف‌گیری از نمونه‌های خاک در هفت تیمار رطوبتی، در مد اندازه‌گیری برهم‌کنش و محدودۀ‌ طیفی 350-2500 نانومتر و به‌صورت تماسی، از پنج ناحیۀ متفاوت انجام شد. داده‌های طیفی به‌دست‌آمده از اسپکترومتر، افزون‌بر اطلاعات نمونه، شامل اطلاعات ناخواستۀ پس‌زمینه و نویزها نیز می‌شوند. به‌همین‌دلیل برای دستیابی به مدل‌های واسنجی پایدار و دقیق و مورد اعتماد، به پیش‌پردازش داده‌های طیفی پیش‌از تدوین مدل‌های رگرسیون نیاز است. بدین‌منظور، این پردازش‌ها برای سنجش و پیش‌بینی مقدار کربن آلی خاک انجام شد: تدوین مدل‌های‌ واسنجی چندمتغیرۀ رگرسیون حداقل مربعات جزئی (PLS) برپایۀ‌ اندازه‌گیری‌های مرجع و اطلاعات طیف‌های پیش‌پردازش‌شده، با ترکیب روش‌های گوناگون هموارسازی (میانگین‌گیری متحرک (MA)، ساویتزکی‌– گولای (SG))، نرمال‌سازی (تصحیح پخش افزاینده (MSC)، توزیع نرمال استاندارد (SNV)) و افزایش قدرت تفکیک طیفی (مشتق‌های اول و دوم (D1 و D2)).نتایج و بحث: نتایج نشان داد که از روش طیف‌سنجی می‌توان برای سنجش مقدار کربن آلی خاک بهره‌ برد. مدل PLS، برپایۀ ترکیب SG+MSC، بهترین پیش‌بینی را در مقدار کربن آلی (OC) نمونه‌های خاک داشت؛ به‌گونه‌ای که پیش‌پردازش SG+MSC (81/0R2c =، 239/0RMSEC=، 79/0R2p=، و 252/0RMSEP=) با دقت مناسبی (17/2SDR=) توانست مقدار OC را پیش‌بینی کند. بررسی نتایج نشان داد که با افزایش رطوبت، مقدار بازتاب کاهش پیدا می‌کند و از توانایی مدل PLS برپایۀ روش‌های گوناگون پیش‌پردازش در سنجش مقدار کربن آلی نمونه‌ها کاسته می‌شود. همچنین مقادیر شاخص‌های تعیین‌شده و معیارهای اعتبارسنجی نشان داد که مدل PLS برپایۀ ترکیب‌های SG+D1+MSC، SG+MSC، SG+MSC، SG+D1+MSC، SG+SNV و SG+SNV بهترین نتایج پیش‌بینی مقدار کربن آلی را به‌ترتیب، برای تیمارهای رطوبتی 6، 12، 18، 24، 30 و 36% دارد.نتیجه‌گیری: طیف‌سنجی Vis/NIR را می‌توان، به‌منزلۀ روشی جایگزین برای روش‌های مرسوم آزمایشگاهی، در تعیین مقدار کربن آلی خاک به کار برد. نتایج پژوهش‌ها حاکی از آن است که استفاده از طیف‌سنجی Vis/NIR در تعیین مقدار کربن آلی خاک می‌تواند، در مدیریت موضعی مزارع، مورد توجه قرار گیرد و این کار به صرفه‌جویی در نهاده‌ها و کاهش فشار بر محیط‌زیست منجر می‌شود. https://gisj.sbu.ac.ir/article_105144.html سابقه و هدف: ازآنجاکه ارزش و امکان استفاده از هر نقشۀ تولیدشده براساس تصاویر ماهواره‌ای با توجه به میزان صحت آن مشخص می‌شود، ارزیابی صحت روش طبقه‌بندی تصاویر ماهواره‌ای دارای اهمیت چشمگیری است. ازاین‌رو این پژوهش با هدف تحلیل کارآیی الگوریتم‌های ماشین بردار پشتیبان (SVM)، جنگل تصادفی (RF) و حداکثر احتمال (MLC)، در شناسایی کاربری و پوشش اراضی (LULC) منطقۀ کلان‌شهری مشهد انجام شده است. تا به امروز الگوریتم‌های بسیار زیادی، به‌منظور طبقه‌بندی تصاویر ماهواره‌ای، توسعه یافته‌اند که عملکرد آن‌ها، در شرایط گوناگون، متفاوت است. به‌همین‌دلیل در این پژوهش، ابتدا با مروری بر پژوهش‌های پیشین، پرکاربردترین الگوریتم‌ها شناسایی شده و سپس، با سنجش ویژگی‌های انواع طبقه‌بندی‌کننده‌ها، سه الگوریتم ماشین بردار پشتیبان و جنگل تصادفی و حداکثر احتمال انتخاب شده است. با توجه به اینکه مطالعات متعدد نشان داده است دقت نقشه‌برداری LULC تحت تأثیر زمان و مکان قرار دارد و هریک از پژوهش‌های انجام‌شده نیز بر دقت الگوریتم‌های متفاوتی تأکید کرده‌اند، نتایج آن‌ها درمورد شرایط جغرافیایی ایران تعمیم‌پذیر نیست. ازطرفی، در شرایط ژئومورفولوژیک ایران، پژوهش‌های کافی به‌منظور سنجش دقت الگوریتم‌های طبقه‌بندی انجام نشده و اغلب مطالعات صحت‌سنجی الگوریتم‌ها در نمونه‌های موردی خارج از ایران انجام شده است. ازاین‌رو با توجه به تفاوت نتایج الگوریتم‌ها در شرایط گوناگون، بررسی دقت و عملکرد الگوریتم‌ها با تمرکز بر منطقۀ وسیع و متنوع کلان‌شهری مشهد می‌تواند نتایج بدیع و جالب‌توجهی به‌همراه داشته باشد.مواد و روش‌ها: روش تحقیق حاضر، ازمنظر هدف، کاربردی و ازمنظر ماهیت، توصیفی‌– تحلیلی است. گردآوری اطلاعات در این پژوهش به‌روش اسنادی‌– کتابخانه‌ای انجام شده است. در این مطالعه، تصویر سنجندۀ OLI در ماهوارۀ لندست‌– 8 تهیه شده است. طبقه‌بندی تصاویر ماهواره‌ای در دو مرحلۀ پیش‌پردازش و پردازش تصاویر انجام شده و پس‌از ارزیابی صحت طبقه‌بندی تصاویر با استفاده از ضریب کاپا، ماتریس اختلاط، ضریب تغییرات و ضرایب User's accuracy و Producer's accuracy، بهترین الگوریتم در طبقه‌بندی کاربری‌های منطقۀ کلان‌شهری مشهد مشخص شد؛ این کاربری‌ها شامل پنج دسته و بدین‌قرار است: 1) مناطق ساخته‌شده؛ 2) اراضی بایر؛ 3) مناطق کوهستانی؛ 4) فضاهای سبز؛ 5) پهنه‌های آبی.نتایج و بحث: نتایج حاصل ارزیابی انحراف معیار (SD) و ضریب تغییرات (CV) درصد سهم مساحت در یک کلاس LULC با استفاده از الگوریتم‌های گوناگون نشان می‌دهد که اراضی بایر با دقت بیشتر و پهنه‌های آبی و فضاهای سبز با دقت کمتری طبقه‌بندی شده‌‌اند. نتایج بررسی ضرایب U_Accuracy و P_Accuracy نشان می‌دهد که به‌طور کلی، صحت طبقه‌بندی دسته‌ها در تمامی الگوریتم‌های مورد مطالعه، در بازۀ خوب تا عالی قرار می‌گیرد. اما بررسی دقیق‌تر این الگوریتم‌ها نشان می‌دهد که بیشترین چالش شناسایی طبقه‌ها درمورد مناطق ساخته‌شده، مناطق کوهستانی و فضاهای سبز وجود دارد و شناسایی اراضی بایر با چالش کمتری مواجه است. ضریب کاپا و تحلیل‌های مبتنی‌بر ماتریس اختلاط نیز تنوع در دقت هر طبقه‌بندی‌کنندۀ LULC را نشان می‌دهد. تفاوت در دقت طبقه‌بندی‌کننده‌های مورد استفاده جزئی است اما این تغییرات جزئی اهمیت بسیار چشمگیری درزَمینۀ برنامه‌ریزی LULC دارد. با توجه به اینکه این اختلافات جزئی در کاربری‌های حساسی، مانند مناطق ساخته‌شده و فضاهای سبز دیده می‌شود، انتخاب الگوریتمی دارای بیشترین دقت و کمترین خطا اهمیت ویژه‌ای دارد.نتیجه‌گیری: نتایج بررسی ضریب کاپا و تحلیل‌های مبتنی‌بر ماتریس اختلاط نشان می‌دهد که رویکرد SVM دقت کلی بیشتر و ضریب کاپای بالاتری از روش‌های RF و MLC دارد؛ به‌گونه‌ای‌ که الگوریتم‌های SVM، RF و MLC به‌ترتیب، دقت کلی معادل 93/0، 88/0 و 80/0% را به دست آورده‌اند. بنابراین ماشین بردار پشتیبان بیشترین دقت و کمترین خطا را در بین طبقه‌بندی‌کننده‌های مورد مطالعه دارد. براین‌اساس که مطالعات متعدد گویای ارتباط میان دقت نقشه‌برداری LULC با زمان و مکان است، درمورد تحقیقات آینده، تحلیل دقت طبقه‌بندی‌کننده‌ها برای شرایط مورفوکلیماتیک و ژئومورفیک متفاوت پیشنهاد می‌شود. https://gisj.sbu.ac.ir/article_105853.html مقدمه: استفادۀ بهینه از زمین‌های کشاورزی یکی از دغدغه‌های مسئولان است زیرا کشاورزی ازنظر اشتغال‌زایی، ارزآوری، تأمین امنیت غذایی کشور و وابستگی کمتر به ارز خارجی دارای اهمیت بسیار است. به دست آوردن اطلاعات دربارۀ الگوی توزیع مکانی و سطح زیرکشت محصولات زراعی می‌تواند به استفادۀ کارآمد از آن‌ها کمک ‌کند. ازجملۀ روش‌های مناسب به‌منظور حصول اطلاعات درمورد سطح زیرکشت محصولات زراعی، بهره‌گیری از تصاویر ماهواره‌ای است. حوزۀ سنجش‌ از‌ دور، با امکان ارائۀ تصاویر دارای قدرت تفکیک‌های مناسب و همچنین پوشش مکانی و زمانی وسیع، به رویکردی غالب برای استخراج سطح زیرکشت و‌ پایش محصولات زراعی تبدیل شده است. یکی از داده‌های سنجش‌ازدوری که اخیراً در حوزۀ نقشه‌برداری نوع محصول زراعی مورد توجه قرار گرفته، تصاویر همدوسی تداخل‌سنجی رادار دریچۀ مصنوعی است که به‌دلیل حساسیت بالا به ساختار محصولات زراعی، به نظارت و نقشه‌برداری آن‌ها کمک بسیاری می‌کند. در منابع جهانی، تصاویر همدوسی  InSARکاربردی گسترده در تحقیقات مرتبط با محصولات زراعی داشته است. این درحالی است که در ایران، بهره‌گیری از داده‌های همدوسی برای پایش فنولوژی و تفکیک محصولات زراعی گوناگون، به‌ر‌غم توانایی‌های منحصربه‌فرد آن، چندان مورد توجه قرار نگرفته است. از‌این‌رو ارزیابی کارآیی داده‌های همدوسی و قابلیت‌های آن‌ها برای اتخاذ سیاست‌های مدیریت کشاورزی بهینه در ایران می‌تواند بسیار کارساز باشد.روش‌شناسی: هدف اصلی مطالعۀ حاضر ارزیابی کارآیی داده‌های همدوسی مبتنی‌بر یادگیری ماشین، به‌منظور نقشه‌برداری نوع محصول زراعی است. بدین‌منظور سری زمانی یک‌ساله‌ای متعلق به سال زراعی 1398 (2019 میلادی)، از داده‌های همدوسی دارای اطلاعات فاز ماهوارۀ سنتینل‌– 1، درمورد بخشی از اراضی دشت اردبیل واقع در غرب و شمال‌غرب شهر اردبیل، تهیه شد. در ‌این راستا زنجیره‌ای از جفت تصاویر راداری، با خط‌مبناهای مکانی و زمانی کوتاه، برای تولید داده‌های همدوسی به کار رفت. داده‌های میدانی از 1358 قطعه‌زمین با محصولات متفاوت برداشت شد. در مرز قطعات زراعی، حریمی ده‌متری برای جلوگیری از پیکسل‌های مخلوط در نظر گرفته شد. درمجموع، 156026 پیکسل از تصاویر همدوسی، برای نمونه، برداشت و به‌صورت تصادفی به سه دستۀ آموزشی (70%)، اعتبارسنجی (15%) و آزمایشی (15%) تقسیم شد. به‌منظور انتخاب بازۀ زمانی مناسب برای استفاده از تصاویر همدوسی، پاسخ فنولوژیکی محصولات به همدوسی تحلیل شد. در بازۀ زمانی انتخابی، سیگنال‌های فنولوژیکی محصولات مورد بررسی، با سیگنا‌ل‌های مناطق شاهد ساخته‌شده و خاک لخت، مقایسه شد تا درمورد اختلاط نیافتن آن‌ها اطمینان به دست آید. بدین‌ترتیب داده‌های همدوسی چندزمانه در بازۀ انتخابی، به‌منزلۀ ورودی طبقه‌بندی‌کنندۀ ماشین بردار پشتیبان با کرنل‌های متفاوت، برای تفکیک و شناسایی نوع محصولات زراعی استفاده شدند.نتایج: بررسی مقادیر سری زمانی همدوسی، در مناطق شاهد انتخابی، حاکی از تمایز رفتار همدوسی محصولات زراعی متفاوت، درمقایسه با هم و نیز درقیاس با مناطق ساخته‌شده و خاک لخت است. بر‌این‌اساس داده‌های همدوسی انطباق خوبی با مراحل فنولوژیکی اصلی محصولات زراعی نشان می‌دهند. از میان کرنل‌های گوناگون طبقه‌بندی‌کنندۀ ماشین بردار پشتیبان، کرنل تابع پایۀ شعاعی بیشترین میزان صحت کلی برابر را با 69/59%، با ترکیب متفاوتی از پارامترهای c و گاما در مرحلۀ اعتبارسنجی نشان داد. صحت کلی نقشۀ‌ نوع محصول زراعی تولید‌شده با استفاده از طبقه‌بندی‌کنندۀ ماشین بردار پشتیبان و کرنل تابع پایۀ شعاعی، در مرحلۀ آزمایش، برابر با 6/60% است که بهترین عملکرد را در شناسایی گندم و بدترین را درمورد یونجه داشته است. صحت کاربر، برای گیاهان گندم و سیب‌زمینی، بالاتر و برای گیاهان ذرت، باقلا و یونجه، پایین‌تر است.جمع‌بندی: به‌طور کلی، می‌توان گفت تصاویر همدوسی اطلاعات ارزشمندی به‌منظور شناسایی و تفکیک محصولات زراعی در ایران ارائه می‌دهند. استفاده از قابلیت‌های یادگیری ماشین می‌تواند، در پایش و تفکیک انواع محصولات زراعی، به داده‌های همدوسی کمک کند. در این راستا، عواملی همچون تعداد نمونه‌های آموزشی هر محصول، تعداد ویژگی‌های همدوسی، استفاده از داده‌های مکمل، اختلاف‌منظر سنجنده (خط‌مبنای مکانی)، ویژگی‌های توپوگرافیکی (شیب و جهت)، فاصلۀ زمانی بین تصاویر رادار و نوع الگوریتم طبقه‌بندی تصویر، کارآیی تصاویر همدوسی و طبقه‌بندی‌کننده را تحت تأثیر قرار می‌دهند که باید مورد توجه قرار گیرند. https://gisj.sbu.ac.ir/article_105953.html سابقه و هدف: در سال‌های اخیر، پوشش زمین به‌‌منزلۀ شاخصی کلیدی در بررسی تغییرات اقلیمی، سیستم‌های اکولوژیکی و مدیریت منابع طبیعی مورد توجه قرار گرفته است. محدودیت‌هایی که در مسیر تهیۀ داده‌های به‌روز و دقیق وجود دارد نیاز به استفاده از فنّاوری‌های نوین سنجش از دور را افزایش داده است. در این میان، تصاویر راداری سنتینل‌– ۱ که به سامانۀ رادار با روزنۀ مجازی (SAR) مجهز است، به‌دلیل فنّاوری مایکروویو فعال خود و با امکان عملکرد در هر شرایط جوّی، می‌تواند ابزاری مناسب برای تهیۀ نقشه‌های پوشش زمین به ‌شمار آید. هدف این تحقیق بهبود طبقه‌بندی پوشش زمین، با استفادۀ هم‌زمان از تصاویر دریافتی از مدارهای بالارونده و پایین‌روندۀ سنتینل‌– ۱ و بررسی تأثیر تصحیح رادیومتریک توپوگرافی در صحت نتایج طبقه‌بندی است.مواد و روش‌ها: در این تحقیق سه منطقۀ متفاوت در ایران، شامل شهرهای مرند و ساری و چادگان، به‌دلیل ویژگی‌های متفاوت پوشش زمین و وجود نواحی کوهستانی، بررسی شد. داده‌های مورد استفاده، در این تحقیق، تصاویر ماهوارۀ سنتینل‌– ۱ با قطبش‌های VV و VH در هر دو گذر بالارونده و پایین‌رونده است. پیش‌پردازش داده‌ها انجام شد که مراحلی همچون اعمال فایل مداری، حذف نویز حرارتی، حذف نویز حاشیه، کالیبراسیون، تصحیح رادیومتریک توپوگرافی، فیلتر اسپکل، تصحیح توپوگرافی رنج داپلر و تبدیل به دسی‌بل را دربرمی‌گرفت. همچنین با استفاده از روش نرمال‌سازی کمینه‌– بیشینه، داده‌ها به بازه‌ای مشخص تغییرمقیاس یافتند. سپس الگوریتم جنگل تصادفی (RF) برای طبقه‌بندی پوشش زمین به‌ کار رفت. این طبقه‌بندی شامل پنج کلاس آب، خاک، پوشش گیاهی، مناطق شهری و کشاورزی است. در انتها، نتایج با استفاده از معیارهای صحت کلی، ضریب کاپا و صحت هر کلاس ارزیابی شد.نتایج و بحث: نتایج نشان می‌دهد که استفادۀ هم‌زمان از تصاویر بالارونده و پایین‌رونده، بدون اعمال تصحیح رادیومتریک توپوگرافی، باعث بهبود شایان توجه صحت طبقه‌بندی در تمامی مناطق مورد مطالعه می‌شود. برای نمونه، در مرند، صحت کلی طبقه‌بندی از 3/65% به 17/79% افزایش یافته که معادل با بهبود تقریبی 13% است. در ساری، ترکیب تصاویر به افزایش صحت کلی از 67/55% به 41/75% منجر شده است. همچنین در چادگان، افزایش حدود 12درصدی صحت کلی از 88/56% به 06/68% مشاهده شده است. ازنظر صحت کلاسی، در مرند، صحت کلاس پوشش گیاهی ارتقای چشمگیری از 41/43% به 64/69% داشته و در ساری، صحت کلاس خاک از 57/19% به 40/46% بهبود یافته است. تحلیل عددی نشان می‌دهد ترکیب تصاویر، از مدارهای گوناگون، دیدگاه‌های مکملی از سطح زمین ارائه می‌دهد که به کاهش اعوجاج‌های ناشی از زاویۀ دید و توپوگرافی کمک می‌کند. همچنین نتایج نشان می‌دهد که اعمال تصحیح رادیومتریک توپوگرافی تأثیر دوگانه‌ای دارد. در حالت تک‌تصویری، می‌تواند به بهبود صحت برخی کلاس‌ها کمک کند اما، در ترکیب دو تصویر، ممکن است باعث شباهت بیش‌ازحد بین برخی کلاس‌ها شود و در نهایت، عملکرد کلی را کاهش دهد.نتیجه‌گیری: این تحقیق تأکید می‌کند که به‌کارگیری هم‌زمان تصاویر سنتینل‌– ۱ از مدارهای بالارونده و پایین‌رونده، به‌ویژه بدون استفاده از تصحیح رادیومتریک توپوگرافی، نقش کلیدی در افزایش صحت طبقه‌بندی پوشش زمین دارد. افزایش صحت کلی طبقه‌بندی به‌میزان ۱۳ تا ۲۰% در مناطق متفاوت، نشان از پتانسیل بالای این رویکرد در طبقه‌بندی پوشش زمین دارد. ازسوی‌دیگر، نتایج بیان می‌کند که نحوۀ پیش‌پردازش تصاویر سنتینل‌– 1 در صحت و کارآیی مدل تأثیر‌گذار است و استفاده از تصحیح رادیومتریک توپوگرافی، در برخی موارد، باعث کاهش صحت و کارآیی مدل می‌شود. به‌عبارت‌دیگر، ترکیب بهینۀ داده‌های سنتینل‌– 1 در مدارهای گوناگون می‌تواند به ارائۀ نقشه‌های دقیق‌تر و مورد اعتمادتر منجر شود. بنابراین رویکرد مطرح‌شده می‌تواند، به‌منزلۀ مرجعی برای مطالعات آینده در حوزۀ سنجش از دور، بهبود طبقه‌بندی پوشش زمین و کاربردهای محیط‌زیستی و کشاورزی مطرح شود. https://gisj.sbu.ac.ir/article_105313.html چکیدهمقدمه:این پژوهش به بررسی و ارزیابی روش‌های مختلف ادغام تصاویر ماهواره‌ای به‌منظور تولید نقشه‌های کاربری اراضی با دقت بالا در منطقه اهواز، می‌پردازد. با توجه به اهمیت اطلاعات دقیق کاربری اراضی در مدیریت منابع طبیعی، برنامه‌ریزی‌های شهری و توسعه پایدار، این مطالعه تلاش دارد تا روش‌های مختلف ادغام را تحلیل کند و تأثیر آن‌ها بر دقت طبقه‌بندی کاربری اراضی را بررسی نماید. در این راستا، دو سطح عمده از ادغام داده‌ها مورد بررسی قرار می‌گیرد: ادغام در سطح پیکسل و ادغام در سطح تصمیم‌گیری.ادغام در سطح پیکسل به ترکیب اطلاعات چندین تصویر به‌صورت همزمان در سطح پیکسل‌های فردی می‌پردازد، که می‌تواند بهبود قابل توجهی در دقت و کیفیت تصاویر نهایی ایجاد کند. از طرف دیگر، ادغام در سطح تصمیم‌گیری به ترکیب نتایج حاصل از الگوریتم‌های طبقه‌بندی مختلف می‌پردازد.مواد و روش‌ها: در این تحقیق، از تصاویر دو سنجنده لندست ۸ و سنتینل ۲ استفاده شده است. سنجنده لندست ۸ با تفکیک مکانی 3۰ متر و سنجنده سنتینل ۲ با قدرت تفکیک 10 متر، به‌ویژه برای کاربردهای مرتبط با کاربری اراضی و پوشش زمین انتخاب شدند. در گام اول تصاویر در سطح پیکسل با بهره‌گیری از روش‌های ادغام مختلف شامل تبدیل موجک (DWT)، هموارسازی فیلتر متکی بر تعدیل شدت (SFIM)، گرام اشمیت (GS)، ضرب (MP)، تبدیل برووی (Brovey) و تجزیه و تحلیل مؤلفه‌های اصلی (PC) تلفیق شدند. هر یک از این روش‌ها به‌طور خاص برای حفظ ویژگی‌های طیفی و مکانی در تصاویر ادغام‌شده طراحی شده‌اند. در گام دوم به‌منظور ایجاد تصاویر طبقه‌بندی شده، دو روش حداکثر احتمال (MLC) و ماشین بردار پشتیبان (SVM) به‌کار گرفته شد. این انتخاب به‌دلیل توانایی بالای دو روش در تفکیک کلاس‌های مختلف کاربری و پوشش اراضی بود. به عنوان اخرین مرحله، استفاده از روش دمپستر-شفر به‌عنوان یک روش ادغام در سطح تصمیم‌گیری، مورد بررسی قرار گرفت. این روش با ترکیب شواهد و اطلاعات از منابع مختلف، امکان تولید نتایج دقیق‌تر و قابل اطمینان‌تر را فراهم می‌آورد.بحث و نتایج: نتایج این تحقیق نشان داد که روش ماشین بردار پشتیبان (SVM) در مقایسه با روش حداکثر احتمال (MLC) دقت بالاتری در طبقه‌بندی کاربری اراضی دارد. کاربری حاصل از تصویر روش SFIM به روش حداکثر احتمال و GS، PC و Brovey حاصل طبقه‌بندی ماشین بردار پشتیبان به علت ضریب کاپا و دقت کلی بالا برای تلفیق در سطح تصمیم‌گیری انتخاب شدند. نقشه کاربری نهایی حاصل از ادغام با استفاده از روش دمپستر-شفر، دقت کلی ۹۸.۳۸ درصد و ضریب کاپای ۹۷.۶۷ درصد را نشان داد. این نتایج بهبود ۵ تا ۷ درصدی در مقایسه با چهار کاربری مورداستفاده را نشان می دهد. افزایش دقت در تفکیک کلاس‌ها نشان‌دهنده موفقیت در شناسایی و طبقه‌بندی دقیق‌تر کلاس‌های کاربری است. به‌علاوه، نتایج نشان داد که روش دمپستر-شفر به‌طور خاص در تفکیک کلاس‌های مشابه مانند خاک و مسکونی-جاده بهبود قابل توجهی را ارائه داده است، به‌طوری‌که دقت تولیدکننده برای این کلاس‌ها به‌طور قابل توجهی افزایش یافت. همچنین، با بررسی ماتریس‌های ابهام، مشخص شد که استفاده از روش دمپستر-شفر باعث کاهش ابهام در طبقه‌بندی کلاس‌های کاربری مختلف شده است. این امر تأکید می‌کند که انتخاب صحیح روش‌های ادغام و طبقه‌بندی می‌تواند به طور مستقیم به بهبود دقت و کیفیت نقشه‌های کاربری اراضی کمک کند.نتیجه‌گیری: این تحقیق به‌وضوح نشان می‌دهد که استفاده از روش دمپستر-شفر به‌عنوان یک ابزار مؤثر در ادغام داده‌های طبقه‌بندی شده می‌تواند دقت نقشه‌های کاربری اراضی را به‌طور چشمگیری افزایش دهد؛ علاوه بر این، این مطالعه تأکید می‌کند که انتخاب روش‌های مناسب ادغام در سطح پیکسل و تصمیم‌گیری، می‌تواند تأثیرات مثبت قابل توجهی بر کیفیت نقشه‌های کاربری اراضی داشته باشد. در نهایت، این پژوهش به‌عنوان یک مرجع کارآمد برای تحقیقات آینده در زمینه ادغام داده‌های سنجش از دور و کاربردهای آن در مدیریت منابع طبیعی و برنامه‌ریزی شهری محسوب می‌شود و بر اهمیت داشتن نقشه‌های دقیق کاربری اراضی تأکید می‌کند. https://gisj.sbu.ac.ir/article_105522.html تغییرات سه‌بعدی در محیط‌های شهری یکی از مهم‌ترین موضوعات در مطالعات تغییرات محیط زیست شهری و پایش تغییرات ساختاری آن است. با توجه به رشد سریع شهرها و افزایش تعداد پروژه‌های ساخت‌وساز، شناسایی و پایش این تغییرات اهمیت زیادی پیدا کرده است. از سوی دیگر، امکان شبیه‌سازی و پیش‌بینی تغییرات شهری می‌تواند به برنامه‌ریزان شهری و مقامات مسئول در اتخاذ تصمیمات بهینه کمک کند. در این راستا، استفاده از داده‌های سه‌بعدی مانند ابر نقاط لایدار یکی از روش‌های مؤثر در شبیه‌سازی دقیق تغییرات سه‌بعدی در سطح شهر است. هدف این تحقیق توسعه الگوریتمی در زمینه شناسایی و تحلیل تغییرات ارتفاعی در مناطق شهری با استفاده از پردازش داده‌های لایدار دو زمانه می‌باشد. این تغییرات می‌توانند ناشی از عوامل مختلفی مانند ساخت و تخریب ساختمان‌ها، تغییرات کاربری اراضی و یا تغییرات در رشد پوشش گیاهی باشند. در این تحقیق، داده‌های ابر نقطه لایدار برای سال‌های 2014 و 2019 از منطقه ساحلی داک در کارولینای شمالی در اختیار قرار گرفت. این داده‌ها شامل نقاط سه‌بعدی با مولفه‌هایX, Y, Z و شدت نور است که به‌وسیله سنجش‌گر لایدار از سطح زمین برداشت شده‌اند. در این مطالعه، برای شناسایی تغییرات ارتفاعی از محاسبه فاصله بین دو ابر نقطه استفاده شد. فاصله بین دو ابر نقطه با استفاده از فاصله یک سری نقاط نسبت به شبکه نامنظم مثلثی ایجاد شده از سری دیگر نقاط بدست آمد. سپس روش آستانه‌گذاری محلی تطبیقی استفاده شد که قادر است تغییرات ارتفاعی در مقیاس‌های مختلف را شناسایی کند. در این تحقیق، ترکیب دو ابر نقطه در یک مجموعه داده برای شناسایی تغییرات ارتفاعی در مناطق شهری استفاده گردید. این روش موجب ایجاد ابر نقطه واحد با چگالی بالاتر در نواحی بدون تغییر گردیده در حالی که در نواحی دارای تغییرات ارتفاعی، سطح‌های ارتفاعی متفاوتی ایجاد شد که باعث افزایش واریانس ارتفاعی می‌شود. به‌ویژه در مواردی که کاربری زمین تغییر کرده و یا ساختمان‌ها تخریب و بازسازی شده‌اند، این تفاوت‌های واریانس به‌طور واضح قابل مشاهده بود. در مناطق دارای تغییر، مقدار واریانس ارتفاعی نقاط ترکیبی به‌طور قابل توجهی افزایش یافت که نشان‌دهنده تغییرات واقعی در سطح زمین بود. در مقابل، در مناطقی که تغییرات ارتفاعی نداشتند، واریانس ارتفاعی نقاط ترکیبی در محدوده پایین باقی ماند. این روش به‌ویژه برای شناسایی تغییرات کوچک که ممکن است در روش‌های سراسری نادیده گرفته شوند، مناسب است. برای ارزیابی دقت نتایج، معیارهایی چون کامل بودن، درستی، کیفیت کلی و امتیاز F1 محاسبه شد. نتایج نشان داد که روش پیشنهادی در شناسایی تغییرات ارتفاعی در مناطق شهری، عملکرد بسیار خوبی داشته است. به‌طور خاص، در مناطقی که تغییرات در ارتفاعات ساختمان‌ها یا تغییرات کاربری زمین مانند تبدیل زمین به ساختمان یا درخت به ساختمان صورت گرفته بود، الگوریتم پیشنهادی قادر است که تغییرات را به درستی و دقت بالا شناسایی کند. به‌طور خاص، در دو زیرمجموعه اول از منطقه مورد مطالعه که تغییرات ارتفاعی در سطوح تخریب و یا ساخت ساختمان‌ها وجود داشت، دقت شناسایی تغییرات در معیار کامل بودن بیش از 98 درصد بوده و در سایر معیارها، دقت بین 86 تا 98 درصد متغیر می‌باشد. در زیرمجموعه سوم از منطقه مورد مطالعه که پوشش گیاهی به کاربری مسکونی تبدیل شده بود، دقت شناسایی تغییرات در معیار کامل بودن 85 درصد بوده و در سایر معیارها نیز دقت بین 83 تا 98 درصد متغیر است. روش آستانه‌گذاری محلی تطبیقی که در این تحقیق ارائه شد، قادر است به‌طور مؤثری تغییرات ارتفاعی در محیط‌های شهری پیچیده را شناسایی کند. این روش به‌ویژه در شناسایی تغییرات کوچک و محلی که ممکن است در روش‌های سراسری نادیده گرفته شوند، عملکرد مناسبی دارد. استفاده از نتایج این تحقیق در برنامه‌ریزی شهری، پایش تغییرات زیرساخت‌ها و مدیریت بلایا می‌تواند به بهبود تصمیم‌گیری‌ها کمک کند. پیشنهاد می‌شود که در پژوهش‌های آینده این روش در مناطق شهری مختلف آزمایش شده و به‌ویژه کارایی محاسباتی آن مورد توجه قرار گیرد. https://gisj.sbu.ac.ir/article_105524.html سابقه و هدف: شناسایی تغییرات، یکی از کاربردهای تصاویر و داده‌های سنجش‌ازدور و فتوگرامتری، با سابقه‌ای بیش از چهار دهه در حوزه‌های مختلف نظامی و غیرنظامی، برای انواع مختلفی از اهداف و عوارض است که در مدیریت شهری، مدیریت بحران، پایش منابع طبیعی، تأمین امنیت و حکمرانی دولت‌ها، نقش مهمی ایفا می‌کند. پایش و کنترل تغییرات در محدوده و حریم شهرها، به‌ویژه در مواجهه با تغییر کاربری غیرمجاز زمین، از ضروری‌ترین نیازهای مدیریت شهری است. برای این منظور، استفاده از روش‌های کلاسیک، علی‌رغم سادگی و در دسترسی بودن، به دلیل محدودیت‌های دقت، سرعت و جامعیت، کارایی لازم را ندارند. در مقابل، اجرای روش‌های جدید مبتنی بر یادگیری عمیق مانند شبکه‌های عصبی نیز به دلیل مشکلات آماده‌سازی داده‌های آموزشی، زمان‌بر و هزینه‌بر بودن و نیاز به منابع محاسباتی و سخت‌افزاری قدرتمند، با چالش‌هایی همراه است. این مقاله‌ با هدف ارائه‌ی یک فرایند نسبتا سریع، کم هزینه و با دقت بالا برای شناسایی و آشکارسازی تغییرات در مناطق مسکونی، انجام گرفت.مواد و روش‌ها: فرایند پیشنهادی، با هدف برطرف‌کردن محدودیت‌های روش‌های پیشین، مبتنی بر استفاده از محصولات فتوگرامتری، شامل مدل رقومی سطح (DSM) و تصاویر ارتوفتوموزاییک و اعمال فیلترهای مختلف بر روی آن‌ها، ارائه شده‌است. داده‌های ورودی با دقت‌های مسطحاتی و ارتفاعی بهتر از ۳۰ سانتی‌متر، تهیه شده و امکان شناسایی ساختمان‌هایی که در طول زمان دچار تغییرات شده‌اند را فراهم می‌کنند. فرایند پیشنهادی شامل تولید مدل رقومی اختلاف (DDM) از تفریق مدل رقومی سطح دوزمانه است که این مدل، تغییرات ارتفاعی را در دو جهت مثبت و منفی نمایش می‌دهد. سپس با اعمال حدهای آستانه‌ی ارتفاع و مساحت، همراه با چند مرحله فیلترگذاری بر روی داده‌ی ورودی، اهداف اولیه استخراج می‌شوند. برای کاهش خطای شناسایی ناشی از وجود عوارضی نظیر سایه‌ها، پوشش گیاهی، خودروها و دیگر عوارض موجود، طبقه‌بندی تصاویر ارتوفتوموزاییک با استفاده از الگوریتم‌های هوشمند، انجام گرفته و به مدل رقومی اختلاف، اعمال شد. این مرحله، اثر عوارض مزاحم را کاهش داده و به استخراج اهداف نهایی منجر خواهدشد.نتایج و بحث: برای ارزیابی عملکرد فرایند پیشنهادی، دو منطقه‌ی مطالعاتی در استان یزد، یک منطقه دارای بافت شهری ساده و دیگری دارای بافت شهری پیچیده، انتخاب گردید. داده‌ها شامل تصاویر ارتوفتوموزاییک با اندازه‌ی پیکسل ۱۰ سانتی‌متر برای هر دو منطقه‌ی مطالعاتی می‌باشد. همچنین مدل‌های رقومی سطح به ترتیب دارای اندازه‌ی پیکسل ۴۰ و ۱۰ سانتی‌متر است. لازم به ذکر است که فاصله‌ی زمانی تهیه‌ی داده‌ها برای منطقه‌ی مطالعاتی اول، برابر با دو ماه و در منطقه‌ی مطالعاتی دوم، سه سال است. نتایج اجرای فرایند پیشنهادی در منطقه‌ی مطالعاتی اول با دقت کلی بیش از ۹۰ درصد و در منطقه‌ی دوم، با دقت کلی بیش از ۸۳ درصد، به دست آمد. تعیین مقادیر بهینه برای حدهای آستانه ارتفاع و مساحت و مقادیر فیلترها، به نحوی که به بالا‌ترین دقت برسند، از طریق فرایند آزمون و خطا و با تعریف رخدادهای مختلف و بررسی و شمارش دقیق تعداد اهداف صحیح، اهداف جاافتاده و اهداف اشتباه، انجام شد. تحلیل و ارزیابی فرایند پیشنهادی، نشان می‌دهد که اعمال فیلترهای مناسب در چهار مرحله، دقت کلی الگوریتم را تا بیش از ۳۰ درصد افزایش داده‌است.نتیجه‌گیری: فرایند پیشنهاد، به منطقه‌ی مطالعاتی و مقادیر حدآستانه‌ی متناسب با بافت شهری آن، وابستگی زیادی دارد. باوجود این محدودیت، روش ارائه‌شده به دلیل هزینه‌ی پایین‌تر و سرعت بالاتر نسبت به دیگر روش‌ها، قابلیت اجرایی گسترده‌ای در مناطق مشابه مناطق مورد مطالعه را دارد. همچنین، نتایج این مقاله‌ نشان می‌دهد که این فرایند به دلیل دقت بالا و نتایج قابل قبول، می‌تواند به‌عنوان ابزاری کارآمد در حوزه‌ی مدیریت شهری و پایش تغییرات مجاز و غیرمجاز، بهره‌برداری شده و در بهبود فرایندهای تصمیم‌گیری در این حوزه، مؤثر باشد و نیازهای آن به کنترل حریم شهری را به‌خوبی برطرف کند. برای دیگر مناطقی که بافت متفاوتی با این مقاله‌ دارند، لازم است که با روش مشابه، مقادیر بهینه برای مؤلفه‌های اجرایی و حدهای آستانه، محاسبه شود. https://gisj.sbu.ac.ir/article_105525.html مقدمه و هدف: افزایش فزاینده حسگر‌های دیجیتال، تلفن‌‌های هوشمند، برنامه‌های کاربردی جمع‌سپاری و رسانه‌های اجتماعی موجب افزایش سریع حجم داده‌های جغرافیایی شده‌است. در این راستا، منبعی نوین و قابل توجه از اطلاعات جغرافیایی به شکل محتوای وب توسط کاربران در دسترس قرار گرفته‌است. این منبع عمدتا توسط فناوری‌هایی تحت عنوان Web 2.0 پشتیبانی می‌شود. در چهارچوب جغرافیای نوین، افراد داده‌های مربوط به محیط خود را جمع‌آوری و آپلود می‌کنند و از این طریق به بهبود داده‌های موجود ارائه شده توسط دیگران کمک می‌کنند. این روش نوین با عناوینی همچون اطلاعات مکانی مردم‌گستر (VGI) Volunteered Geographic Information شناخته می‌شود. یکی از منابع VGI، داده‌های موجود در وب‌سایت OpenStreetMap (OSM) است که انواع گوناگونی از داده‌های مکان مبنا از جمله ساختمان‌ها را شامل می‌شود. استفاده از داده-های OSM مزیت‌های بسیاری دارد زیرا این داده‌ها به صورت رایگان در دسترس هستند و به سرعت به روز می‌شوند. پایگاه داده OSM هم از نظر تعداد کاربران و هم از نظر حجم داده‌های مکانی به‌سرعت در حال توسعه است. از این‌رو، به یک مجموعه داده جهانی، پرکاربرد و با کیفیت بالا تبدیل شده‌است. علیرغم اینکه دسترسی به چنین داده‌هایی جذاب به نظر می‌رسد اما کیفیت آنها نیاز به ارزیابی دارد، بنابراین تناسب آنها برای اهداف خاص قابل ارزیابی است. علیرغم مطالعات انجام شده در سطح جهان و مزایای بهره برداری از اطلاعات مکانی مردم‌گستر (VGI) در ایران، تحقیقات بسیار کمی در ارتباط با اطلاعات مکانی مرتبط با ساختمان‌ها در OSM انجام شده‌است. از این رو در پژوهش حاضر (1) به ارزیابی کیفیت داده‌های ساختمانی OSM پرداخته می‌شود؛ (2) روند ارتقاء و کامل‌بودن ساختمان‌ها در داده‌های OSM در یک دوره زمانی 6 ساله (2023-2018) مورد بررسی قرار می‌گیرد و (3) ارتباط بین کاربری اراضی و جمعیت با داده‌های ساختمانی OSM ارزیابی می‌شود.مواد و روش‌ها: منطقه مورد مطالعه (مناطق 9 و 11 مشهد) به یک شبکه‌ی سلولی به اندازه 1 × 1 کیلومتر تقسیم شد و این مساحت به عنوان واحد جغرافیایی مبنای محاسبات قرار گرفت. برای هر واحد جغرافیایی، سه معیار (تراکم ساختمانی، کامل‌بودن و تعداد ساختمان در داده‌های OSM) در منطقه مورد مطالعه برای سال‌های 2018 تا 2023 بررسی شد. لازم به ذکر است، تعداد عوارض رسمی متناظر در مجموعه داده داوطلبانه به تعداد کل عوارض مجموعه داده رسمی، میزان حضور داده‌های رسمی را در مجموعه داده داوطلبانه نشان می‌دهد. این مقدار همان میزان کامل بودن داده‌های داوطلبانه نسبت به داده‌های رسمی است. در گام بعدی، رابطه بین تراکم و کامل‌بودن داده‌های ساختمانی برای هر سلول شبکه مورد محاسبه قرار گرفت. همچنین دو پارامتر جمعیت و کاربری اراضی در بررسی‌ها مورد استفاده قرار گرفتند.نتایج و بحث: داده ساختمانی OSM در مناطق 9 و 11 مشهد از 2018 تا 2023، 20 برابر افزایش پیدا کرده‌است. به ویژه برای مناطق شرق و شمال شرقی این افزایش مشهود‌تر است. همچنین کاربری اراضی مسکونی، مسکونی-تجاری، تجاری و آموزشی به ترتیب، بیشترین فراوانی را به خود اختصاص داده‌اند. علیرغم همبستگی مثبت و معنادار بین داده‌های ساختمانی OSM و جمعیت هر بلوک ساختمانی، این همبستگی به صورت نوسانی در بازه زمانی مورد بررسی متغیر بوده‌است. مقدار همبستگی‌ها میان شاخص تراکم و کامل‌بودن نشان می‌دهد در مکان‌هایی که تراکم داده ساختمانی در داده OSM بالاتر بوده‌است، کاربران تمایل بیشتری برای ایجاد و ترسیم ساختمان جدید داشته‌اند.نتیجه‌گیری: با توجه به مقادیر شاخص کامل‌بودن می‌توان نتیجه گرفت که در مقایسه با داده‌های رسمی، ساختمان‌های به ثبت رسیده در OSM به طور قابل‌توجهی از تعداد واقعی ساختمان‌ها در داده رسمی کمتر هستند. با توجه به این تحقیق، می‌توان گفت که داده‌های OSM برای تحلیل جغرافیایی ساختمان‌ها در شهرهای بزرگ مانند مشهد مناسب هستند، اما برای استفاده‌های بیشتر و دقیق‌تر، نیاز به تکمیل و بهبود این داده‌ها وجود دارد. همچنین بررسی شاخص‌های تاثیرگذار می‌تواند اطلاعات سودبخشی در جهت استفاده مطمئن‌تر از این داده‌ها در اختیار کاربران قرار دهد. https://gisj.sbu.ac.ir/article_105641.html سابقه و هدف: اندازه‌گیری غیرمستقیم بارش از طریق سنجش از دور، برای دستیابی به یک برآورد جامع از بارش و شناخت بهتر پدیده بارش و پارامترهای مؤثر در آن در یک گستره مکانی وسیع باقدرت تفکیک زمانی و مکانی بالا و دقیق یک‌راه عملی است. از طرفی در محصولات بارشی ماهواره‌ای به دلیل به‌کارگیری الگوریتم‌ها و روش‌های تصحیح مختلف با استفاده از مشاهدات باران‌سنج زمینی نیاز به بررسی دقت این محصولات بارشی ماهواره‌ای در بخش‌های مختلف کره زمین هست. دو محصول بارش ماهواره‌ای با قدرت تفکیک زمانی و مکانی بالا و دقیق در عصر جدید عبارت‌اند از: 1-محصول بارشی GPM-IMERGE با وضوح مکانی 0.1 درجه و وضوح زمانی 0.5 ساعت که در سه نسخه ارائه می‌شود. 2- محصول بارشی GPM-GSMAP با وضوح مکانی 0.1 درجه و وضوح زمانی 1 ساعت که این محصول بارش ماهواره‌ای هم غالبا در سه ارائه می‌دهد.غالب تحقیقات مقایسه کننده دو محصول GSMAP و IMERGE به مقایسه این دو محصول در مقیاس زمانی روزانه و بزرگ‌تر پرداخته‌اند و مطالعات نادری در مقیاس ساعتی وجود دارد.هدف این مطالعه دو محصول بارش ماهواره‌ای تحقیقاتی GPM-IMERG_F و GPM-GSMaP_G را در مقیاس 6 ساعتی (زیر روزانه) در استان آذربایجان شرقی است. با توجه به عدم وجود شبکه باران‌سنجی متراکم در منطقه در کنار فاجعه زیست‌محیطی بروز خشکی در دریاچه ارومیه و اهمیت اطلاعات بارش به‌عنوان یک داده اولیه در اکثر مطالعات آبی حرکت به سمت استفاده از داده‌های ماهواره‌ای برای برآورد بارش در مناطق مختلف ضروری است؛ بنابراین لازم است دقت و صحت این محصولات باشی ماهواره‌ای در منطقه مورد مطالعه هم مورد ارزیابی قرار گیرد.مواد و روشها:در این تحقیق برای ارزیابی قابلیت تشخیص محصولات بارش ماهواره‌ای از هفت معیار مطابقت دودویی شامل مقدار احتمال تشخیص (POD)، شاخص موفقیت بحرانی (CSI)، مقدار نسبت هشدار اشتباه (FAR)، شاخص امتیاز مهارت هیک (HSS)، شاخص فرکانس انحراف(FBI)، نسبت صحیح (PC) و شاخص آماری مهارت واقعی (TSS) و برای تجزیه‌وتحلیل کمی دقت محصولات باشی ماهواره‌ای از شش شاخص آماری شامل ضریب رگرسیون(R)،جذر میانگین مربعات خطا(RMSE)، سه شاخص انحراف(MBias,RBias,Bias) و شاخص میانگین خطای مطلق (MAE) استفاده شده است. همچنین از تحلیل دیاگرام تیلور و مقایسه الگویی‌های مکانی بارش و منحنی چگال احتمالی تجمعی بارش 6 ساعته و عملکرد محصولات ازنظر توپوگرافی و ارتفاعی مقایسه شده است.نتایج:با وجود وضوح مکانی و زمانی دقیق‌تر هر دو محصول بارشی آن‌ها هنوز هم سوگیری قابل‌توجهی را در برخی ایستگاهها ارائه می‌دهند. بر اساس تحلیل دیاگرام تیلور در همه ایستگاه‌ها نقطه مربوط به ماهواره IMERG_F به نقطه مشاهده‌شده نزدیک‌تر بود و درنتیجه محصول IMERG_F بهتر از محصول GSMaP_G هست. اگرچه هر دو محصول الگویی‌های مکانی نسبتاً مشابهی از نظر شاخص‌های آماری و دودویی داشتند ولی محصول GPM-IMERG_F دقت و قابلیت تشخیص بسیار بهتری نسبت به محصول GPM-GSMaP_G داشت به‌طوری‌که محصول GPM-IMERG_F منحنی چگال احتمالی تجمعی بسیار نزدیک به ایستگاه‌ها را ازنظر شدت بارندگی بازتولید کرد. عملکرد هر دو محصول ازنظر توپوگرافی و ارتفاعی روند نسبتاً مشابهی دارند.نتیجه گیری: محصول GSMaP_G بهترین عملکرد را در منطقه دارد. در مقایسه با مشاهدات ایستگاه‌ها، محصول IMERG_F کم تخمینی، درحالی‌که محصول GSMaP_G بیش تخمینی دارد. محصول IMERG_F در مقایسه با محصول GSMaP_G می‌تواند PDF شدت بارش 6 ساعته را بهتر بازتولید کند. در منطقه بیشترین فرکانس بارش 6 ساعته در محدوده 0-0.1 میلی‌متر و 5-10 میلی‌متر در 6 ساعت رخ می‌دهد و کمترین فراوانی بارندگی درشدت بارندگی بیش از 20 میلی‌متر در 6 ساعت ظاهر می‌شود. محصول IMERG_F ازنظر فرکانس به‌خوبی با مشاهدات ایستگاهی، زمانی که شدت بارش بیشتر از 1 میلی‌متر در 6 ساعت است، موافق هست. این مطالعه برای توسعه‌دهندگان الگوریتم این محصولات و همچنین کاربران این محصولات باارزش خواهد بود و می‌تواند در کاربردهایی مانند کاهش خطر بلایای طبیعی و مدل‌سازی هیدرولوژیکی، به‌ویژه در مناطقی با شبکه باران‌سنجی پراکنده کمک کند. https://gisj.sbu.ac.ir/article_105642.html سابقه و هدف: برآورد الگوهای مکانی-زمانی بارش در استان مازندران به دلیل عوامل متعددی از جمله فقدان مشاهدات زمینی، مناطق متنوع آب و هوایی و شیب‌های شدید کوه‌نگاری مشکل است. محصولات بارش ماهواره‌ای می‌توانند راه حلی مناسب برای اندازه‌گیری میزان بارش خصوصا در نواحی با ایستگاه‌های زمینی پراکنده ارائه دهد و یک رویکرد جدید برای مشاهده بارش در سطح جهانی با سنجش از دور ارائه می‌دهد. با این‌حال، علی‌رغم استفاده گسترده این محصولات در زمینه‌های مطالعاتی مختلف، ارزیابی کمی این محصولات به دلیل خطای ذاتی و عدم قطعیت‌ آن‌ها یک چالش اساسی است که قبل از استفاده مستقیم از آن‌ها باید در مقیاس‌های زمانی و مکانی مختلف مورد توجه قرار گیرد. مواد و روش‌ها: در گام اول، محصولات بارش شبکه‌ای CHIRPS، CMORPH، SM2RAIN، PERSIANN-CDR و IMERG از پایگاه داده مربوط به هر یک از محصولات با فرمت NetCDF در سطح جهانی استخراج گردید. سپس داده‌های بارش هر محصول برای شبکه‌های واقع در پهنه استان مازندران با کدنویسی در محیط برنامه‌نویسی R و سیستم اطلاعات جغرافیایی (GIS) انتخاب گردید. در گام بعد، به ارزیابی و مقایسه این محصولات در مقابل 15 ایستگاه همدیدی در سطح استان مازندران در مقیاس‌های مکانی ایستگاه-شبکه و منطقه‌ای و مقیاس‌های زمانی ماهانه و سالانه با استفاده از معیارهای ارزیابی آماری ضریب همبستگی اسپیرمن (CC)، ریشه میانگین مربعات خطا (RMSE)، میانگین خطای مطلق (MAD)، کارایی کلینگ-گوپتا (KGE) و کارایی نش‌ساتکلیف (NSE) و همچنین رسم نمودارهای آماری (تیلور و ...) پرداخته شد. به‌منظور ارزیابی شبکه به ایستگاه، داده‌های نزدیک‌ترین شبکه به هر ایستگاه همدیدی برای هر محصول بارش استخراج گردید و با داده‌های بارش آن ایستگاه در مقیاس‌های زمانی مختلف مقایسه گردید. نتایج و بحث: نتایج بررسی منطقه‌ای محصولات بارش ماهواره‌ای در مقیاس ماهانه و سالانه بیانگر انطباق بیشتر محصولات IMERG و CMORPH بوده است درحالی‌که محصول CHIRPS تنها در ماه‌های خشکِ سال عملکرد مناسبی داشت. بااین‌حال، دقت محصولات در مقیاس ماهانه بیشتر از سالانه بود. نتایج دیاگرام تیلور بیانگر دقت نسبتاً بالای محصولات IMERG، CHIRPS و CMORPH (همبستگی 8/0-7/0) در ایستگاه‌های واقع در نواحی ساحلی و دقت نسبتاً پایین در ارتفاعات (همبستگی 35/0) بوده است. در حالی‌که برای محصول بارش PERSIAN، دقت داده‌ها برای تمامی مناطق پایین بوده به طوری‌که در نواحی ساحلی، مقدار همبستگی منفی داشت. با این‌حال، نتایج ارزیابی محصولات بارش در سطح ایستگاه‌ها بیانگر عملکرد بهتر محصول IMERG و سپس CMORPH (CC=0.7-0.8 و RMSE=2-4 mm) در برآورد بارش ماهانه عمدتاٌ در نیمۀ شرقی استان بود. در حالی‌که کمترین دقت و ضعیف‌ترین عملکرد برای محصول PERSIANN-CDR بوده است. بیشترین مقدار CC محصولات بارش برابر 8/0 بوده که عمدتا در نواحی شرقی و ساحلی استان وجود داشت اما کمترین آن مربوط به محصول PERSIANN-CDR (CC=0.05) بوده است. مقادیر RMSE عمدتا بین 2 تا 15 میلی‌متر به ترتیب در نواحی کوهستانی و نیمه شرقی استان متغیر بوده که کمترین آن برای محصول IMERG و CMORPH است. مقادیر KGE و NSE نیز عمدتا در نواحی ساحلی و شرقی به مقدار بهینه نزدیک‌تر بوده است (NSE=0.5 و KGE=0-1) که برای محصول CMORPH بهتر بود. با این‌حال مقادیر BIAS برای همه‌ی محصولات در بین 2-(4-) میلی‌متر متغیر بوده که در نواحی ساحلی و کم ارتفاع دارای کم‌برآوردی اما در نواحی مرتفع دارای بیش‌برآوردی بوده است. بررسی تأثیر فاصله ایستگاه همدیدی و بارش شبکه‌ای بر روی دقت محصول بارش نیز نشان داده است که برای محصولات CMORPH، IMERG (در نواحی مرتفع) و SM2RAIN فاصله کم (زیاد) بین ایستگاه و شبکه باعث کاهش (افزایش) عدم قطعیت شده است. با این‌حال، برای اغلب محصولات بارش، افزایش قابل ملاحظه ارتفاع موجب افزایش عدم قطعیت در برآورد بارش ماهواره‌ای شده است. نتیجه گیری: دقیق‌ترین محصول بارش در استان مازندران شامل محصول IMERG بوده است. یکی از مشکلات اصلی در دقت محصولات بارش در این منطقه، توپوگرافی پیچیده (اختلاف ارتفاع زیاد) و هم‌جواری با دریای خزر است. با این‌حال، استفاده از روش‌های نوین مانند سامانه‌های سنجش از دور، به‌عنوان راهکاری برای برآورد بارش، نشان‌دهندۀ پیشرفت‌های علمی در این حوزه است و این موضوع می‌تواند به‌عنوان راهنمایی برای تصمیم‌گیرندگان در مطالعات آب و هوایی و هیدرولوژیکی مورد استفاده قرار گیرد. https://gisj.sbu.ac.ir/article_105673.html در سال‌های اخیر، صنعت معماری و مهندسی ساخت و ساز از بررسی و مطالعه دو بعدی به بررسی در حالت سه‌بعدی (مدل سازی اطلاعات ساختمان) در حال حرکت است تا امکان تجسم و اشتراک‌گذاری بهتر اطلاعات را فراهم کند. با توسعه این صنعت در ساختمان‌های بلند مرتبه مانند فروشگاه‌های بزرگ، هتل‌ها، بیمارستان‌ها و فرهنگ‌سراها نیاز به سیستم مسیریابی داخل ساختمان بیش از پیش احساس می‌شود. هدف اصلی این پروژه، ارائه و تولید مسیر اجرایی در فضاهای داخلی ساختمان با ادغام مدل اطلاعات ساختمان و سیستم اطلاعات جغرافیایی با دو روش مثلث‌بندی و مش بندی بهبودیافته و نمایش گرافیکی آنها است. لذا این پروژه به‌دنبال مطالعه و مسیریابی یک نمونه واقعی بوده و در حین اجرای آن به بررسی اثر پارامترهای مختلف بر عملکرد مدل توسعه یافته خواهیم پرداخت. یکی از این پارامترها، تغییر در ابعاد و ساختار مش‌ها با هدف بهبود عملکرد و افزایش دقت در مدل‌سازی انجام‌شده است. مسیرهای طراحی شده نیز شامل گزینه‌هایی برای انتخاب بین راه‌پله و آسانسور هستند. به این ترتیب، کاربران می‌توانند به‌سادگی بهترین مسیر را بر اساس شرایط و محدودیت‌ها برای رسیدن به مقصد خود شناسایی کنند. انتخاب مسیر مناسب با توجه به نیازهای مختلف کاربران، از جمله افرادی که دارای مشکلات حرکتی هستند، می‌تواند تجربه‌ای بهینه و راحت را فراهم آورد. همچنین در این پروژه، علاوه بر کاهش طول مسیر، بهینه‌سازی زمان نیز مورد بحث قرار گرفته است، زیرا در فرآیند مسیریابی، باید به دو پارامتر زمان و مسافت توجه کرد و بر اساس اولویت هر یک از آن‌ها تصمیم‌گیری کرد. مدل اطلاعات ساختمان شامل جزئیات دقیقی از بخش‌های مختلف ساختمان به صورت سه بعدی است. این مدل به معماران و مهندسان پروژه این امکان را می‌دهد که به درک کامل‌تر و جامع‌تری از ساختار و ویژگی‌های فنی ساختمان برسند. اما توانایی تحلیل شبکه مسیر را ندارد. سیستم اطلاعات جغرافیایی با تحلیل‌های مکانی، امکان بهینه‌سازی مسیرها را فراهم می‌آورند و به افزایش کارایی، دقت، ایمنی و دسترسی در محیط‌های پیچیده کمک می‌کند. ترکیب مدل اطلاعات ساختمان با سیستم اطلاعات جغرافیایی می‌تواند به مسیریابی داخلی کمک کند و شرایط را برای بهبود مدیریت فرآیند مسیریابی مهیا سازد. بدین‌منظور پروژه حاضر به بررسی ساختمان شش طبقه اداری در شهر رشت می‌پردازد. ابتدا پلان‌های دو بعدی با نرم‌افزار رویت آرکیتکچر که بر پایه مدل اطلاعات ساختمان است سه‌بعدی شده و پس از تلفیق داده‌ها، مسیرهای تولید شده نهایی در نرم‌افزار ArcGIS Pro به‌حالت گرافیکی نمایش داده خواهند شد. در نهایت خروجی نرم‌افزار برای سناریوهای مختلف مطالعه و بررسی خواهد شد. نتایج نشان‌می‌دهد که روش مش بندی بهبودیافته دارای دقت بالاتری است و پوشش بهتری از فضای کف ساختمان را در اختیار ما قرار می‌دهد و در مسیرهای بدون عارضه و شکست عملکرد بهتری نسبت به‌روش مثلث‌بندی دارد. در مقابل در مسیرهای پر شکست و قوس مانند و طولانی‌تر، روش مثلث‌بندی کارایی بهتری نسبت به‌روش مش بندی بهبودیافته دارد. در مجموع انتخاب یک روش به‌عنوان بهترین گزینه ممکن نیست، زیرا هر روش بسته به نوع محیط و موضوع مورد بحث، عملکرد متفاوتی دارد. به نظر می‌رسد که استفاده ترکیبی از روش‌ها می‌تواند راه‌حلی مؤثر باشد، زیرا در برخی موارد مزایای یک روش می‌تواند نقاط ضعف روش دیگر را جبران کند. در پایان، می‌توان بیان کرد که سامانه مسیریابی داخل ساختمان می‌تواند به کاهش مشکلات دسترسی و افزایش کارایی در استفاده از فضاهای عمومی کمک شایانی نماید. مسیریابی بهینه در شرایط بحرانی به کاهش ریسک و افزایش ایمنی و آرامش خاطر کاربران در محیط‌های پیچیده و وسیع کمک می‌کند. این امر به کاربران این امکان را می‌دهد که به‌سرعت و با حداقل خطر به نقاط خروج یا مکان‌های امن دسترسی یابند. علاوه بر این، این فرآیند به هوشمندتر شدن ساختمان‌ها و در نتیجه هوشمندتر شدن شهرها نیز کمک شایانی می‌کند. https://gisj.sbu.ac.ir/article_105674.html مقدمه : آلبدو یکی از ﭘﺎراﻣﺘﺮﻫﺎی کلیدی در مطالعات زیست محیطی است که نسبت میان تابش خورشیدی بازتاب شده از سطح زمین به تابش خورشیدی فرود آمده بر آن را نشان می‌دهد. در ایران پژوهش‌های زیادی در سطح محلی و ملی بر روی آلبدوی سطح زمین انجام شده است. در برخی از پژوهش‌ها پهنه‌بندی آلبدوی سطح زمین و عوامل مؤثر بر آن مطالعه شده است. در برخی پژوهش‌ها نیز روند آلبدوی سطح زمین بررسی شده است. اما در سطح کلان و ملی پژوهشی بر روی سری زمانی آلبدوی ایران انجام نشده است. از این رو بررسی سری زمانی آلبدو در ایران می‌تواند گامی جهت آشکارسازی تغییرات محیطی آن طی دو دهه اخیر باشد.داده و روش‌ها: سنجنده مودیس بر روی دو ماهواره ترا و آکوا نصب شده است که به ترتیب در 18 دسامبر 1999 و 4 می 2002 توسط ناسا به فضا پرتاب شدند. این دو ماهواره هر روز دو بار از تمام سطح زمین تصویربرداری می‌کنند. ﺳﻨﺠﻨﺪه مودیس آلبدوی ﺳﻄﺢ زﻣﻴﻦ را با قدرت ﺗﻔﻜﻴﻚ ﻣﻜﺎﻧﻲ و زمانی مناسب ﺗﻮﻟﻴﺪ و در دسترس پژوهشگران ﻗﺮار می‌دهد. در این پژوهش جهتِ واکاوی سری زمانی آلبدوی ایران، داده‌های روزانه آلبدوی سنجنده مودیس در محدوده ایران در بازه زمانی 1/1/1379 تا 29/12/1401 به مدت 8402 روز از وبگاه ناسا دانلود شد. پس از موزائیک کردن کاشی‌ها به کمک تابع Frequency در نرم افزار متلب، سری زمانی روزانه، ماهانه، فصلی و سالانه آلبدوی ایران محاسبه گردید.نتایج و بحث: نتایج سری زمانی در مقیاس سالانه نشان داد که بالاترین آلبدوی ایران طی دو دهه اخیر در سال 1386 با مقدار 14 درصد رخ داده است. پایین‌ترین آلبدوی ایران در سال 1388 با مقدار حدود 11 درصد ثبت شده است. بررسی‌ها سری زمانی فصلی نیز نشان داد که بالاترین و پایین‌ترین آلبدوی ایران طی دو دهه اخیر به ترتیب در فصل زمستان 1386 و فصل پاییز 1397 اتفاق افتاده است. همچنین نتایج سری زمانی ماهانه گویای آن است که بالاترین آلبدوی ایران طی دو دهه اخیر در دی و بویژه بهمن 1386 با مقدار 28 درصد رخ داده است. پایین‌ترین آلبدوی ایران نیز نه در تیر یا امرداد بلکه در آذر 1384 ثبت شده است. این موضوع نشان می‌دهد که آلبدوی ایران رفتاری بایمودال دارد؛ یعنی یک نقطه اوج آن در فصل زمستان به دلیل افزایش پوشش برفی و یک نقطه اوج آن در فصل تابستان به دلیل افزایش دما و خشکی سطح زمین مشاهده می‌شود. نتیجه‌گیری: مطابق با گزاره‌های علمی در بین پدیده‌های سطح زمین بالاترین آلبدوی سطح زمین مختصِ برف و پایین‌ترین آلبدوی سطح زمین مختص آب و پوشش‌گیاهی انبوه می‌باشد. گستره وسیعی از کشور ایران از نظر پوشش برفی فقیر است. از سوی دیگر تنها در بازه‌ کوتاهی از سال ریزش برف رخ می‌دهد. از این رو میانگین آلبدوی ایران طی دو دهه اخیر حدود 12 درصد ثبت شده است که نسبت به میانگین جهانی (30 درصد) ناچیز است. نتایج سری زمانی در مقیاس روزانه نشان داد که پایین‌ترین آلبدوی ایران طی دو دهه اخیر در روز 2 آذر ماه 1397 رخ داده است که به نظر می‌رسد در این روز سامانه‌های بارش‌زا در کشور فعال بوده و گستره وسیعی از کشور را بارش فرا گرفته باشد. این موضوع با توجه به سیل فراگیر 1397 که در گستره وسیعی از کشور رخ داد، طبیعی به نظر می‌رسد و نیازمند پژوهشی جداگانه است. در این روز میانگین آلبدوی ایران تنها 9 درصد محاسبه شده است. همچنین سری زمانی در مقیاس روزانه بیشینه بودن آلبدوی ایران در زمستان 1386 را تایید کرد. نتایج نشان داد که در روز 19 دی ماه 1386 آلبدوی ایران به 38 درصد رسیده است که به نظر می‌رسد در این روز برف سنگینی در ایران رخ داده باشد که نیازمند پژوهشی جداگانه است. https://gisj.sbu.ac.ir/article_105737.html سابقه و هدف: اطلاعات پای ساختمان، به عنوان یکی از مهم‌ترین عناصر داده‌های مکانی، نقش کلیدی در بسیاری از کاربردهای شهری از جمله برنامه‌ریزی شهری، مدیریت زیرساخت‌ها، مطالعات زیست‌محیطی و توسعه پایدار ایفا می‌کند . دسترسی به این اطلاعات به‌صورت دقیق و به‌روز، می‌تواند بستر مناسبی را برای تصمیم‌گیری‌های مدیریتی فراهم آورد. استخراج این اطلاعات از تصاویر هوایی و ماهواره‌ای با وضوح بالا، یکی از چالش‌های اصلی در حوزه سنجش‌ازدور و تحلیل داده‌های مکانی است. در سال‌های اخیر، الگوریتم‌های یادگیری ماشین و یادگیری عمیق به‌عنوان ابزارهای پیشرفته برای حل این مسئله مورد توجه قرار گرفته‌اند. هدف اصلی این تحقیق، مقایسه عملکرد دو رویکرد رایج در حوزه‌ی هوش مصنوعی، مدل‌های یادگیری عمیق و یادگیری ماشین، برای استخراج اطلاعات پای ساختمان از تصاویر هوایی با قدرت تفکیک مکانی بالا می‌باشد. درهمین راستا مدل U-Net و مدل XGBoost مورد بررسی قرار گرفتند تا با ارزیابی جامع این دو مدل از نظر دقت، توانایی تشخیص مرزهای دقیق ساختمان و سایر معیارهای کمی، به انتخاب مناسب‌ترین روش برای کاربردهای عملی در حوزه‌ی سیستم اطلاعات جغرافیایی کمک کند.مواد و روش‌ها: برای انجام این مطالعه، مجموعه داده‌ای شامل تصاویر هوایی از چهار شهر مختلف شامل شیکاگو، پاریس، زوریخ و برلین مورد استفاده قرار گرفت. این تصاویر از تنوع مکانی و ساختاری مناسبی برخوردار بوده و اطلاعات پای ساختمان آن‌ها از داده‌های متن‌باز تهیه گردیده است. تصاویر اولیه به قطعاتی با اندازه ۵۱۲×۵۱۲ پیکسل تقسیم شده و ماسک‌های متناظر ساختمان‌ها نیز تولید شدند. سپس داده‌ها به سه بخش آموزشی با ۷۰٪ داده‌ها، اعتبارسنجی با ۲۰٪ داده‌ها و تست با ۱۰٪ داده‌ها تفکیک گردیدند. مدل U-Net با استفاده از تابع خطای Binary Cross Entropy و بهینه‌سازی توسط الگوریتم Adam آموزش دید. در سوی دیگر، مدل XGBoost که بر اساس ترکیب درخت‌های تصمیم تقویت‌شده با گرادیان کار می‌کند، با استفاده از استخراج ویژگی‌های عددی از تصاویر و تنظیم پارامترهای مختلف از جمله عمق درخت، نرخ یادگیری و تعداد درخت‌ها آموزش داده شد. پارامترهای مدل XGBoost از طریق جستجوی گرید انتخاب گردیدند.نتایج و بحث: برای ارزیابی عملکرد هر دو مدل، از پنج معیار اصلی شامل دقت، اجتماع روی اشتراک، دقت، یادآوری و امتیاز F1 استفاده شد. نتایج نشان داد که مدل U-Net در تمامی معیارهای ارزیابی، عملکرد بهتری نسبت به مدل XGBoost ارائه داده است. به طور مشخص، مقادیر IoU و Accuracy به ترتیب برای مدل U-Net برابر با 67.74% و 87.95% و برای مدل XGBoost برابر با 55.07% و 75.67% گزارش شده است. همچنین مدل U-Net توانسته است با حفظ اطلاعات مکانی و ساختاری دقیق ساختمان‌ها، مرزهای آنها را به‌طور کامل‌تر تشخیص دهد. مدل U-Net به دلیل معماری خاص آن که شامل اتصالات مستقیم بین بخش‌های رمزگذار و رمزگشا است، به مدل این امکان را می‌دهد تا ویژگی‌های تصویر را به‌صورت مستقیم، بدون نیاز به مهندسی ویژگی‌های به صورت دستی، از از تصاویر استخراج کند. با این حال، مصرف بالای منابع محاسباتی و نیاز به داده‌های آموزشی زیاد از چالش‌های مدل‌های یادگیری عمیق محسوب می‌شود. در سوی دیگر، مدل XGBoost با وجود سادگی نسبی و سرعت بالاتر، به دلیل وابستگی به ویژگی‌های عددی استخراج‌شده و ناتوانی در پردازش مستقیم تصاویر، در تشخیص مرزهای دقیق ساختمان، به‌ویژه در مناطق شهری با تراکم بالا و مرزهای نامنظم، عملکرد ضعیف‌تری از خود نشان داد. این مدل در برخی موارد نتوانست بین ساختمان‌ها و سایر عوارض مشابه تمایز دقیقی قائل شود.جمع‌بندی: نتایج این تحقیق بیانگر آن است که برای کاربردهایی مانند استخراج دقیق اطلاعات پای ساختمان از تصاویر هوایی، به‌ویژه در مناطق با ساختارهای پیچیده و متراکم شهری، مدل‌های یادگیری عمیق مانند U-Net عملکرد به مراتب بهتری نسبت به مدل‌های یادگیری ماشین مانند XGBoost دارند. با این حال، در شرایطی که داده‌های آموزشی محدود و منابع محاسباتی در دسترس نباشد، استفاده از مدل‌های سبک‌تر مانند XGBoost نیز می‌تواند مفید واقع شود. در نهایت، پیشنهاد می‌شود در تحقیقات آینده، از رویکردهای ترکیبی بهره گرفته شود تا بتوان از مزایای هر دو مدل بهره‌برداری کرده و دقت استخراج اطلاعات مکانی را افزایش داد. https://gisj.sbu.ac.ir/article_105738.html چکیدهسابقه و هدف: گیاه ذرت به‌عنوان یکی از اصلی‌ترین محصولات کشاورزی و رکن اساسی امنیت غذایی در سطح جهان به دلیل مقاومت و سازگاری بالا با شرایط اقلیمی گوناگون، در سراسر نقاط جهان کشت شده و به دلیل پتانسیل بالای تولید و کاربردهای متنوع، از دیرباز مورد توجه کشاورزان بوده است. در این میان، شاخص سطح برگ (LAI) به‌عنوان پارامتری حیاتی در ارزیابی رشد گیاه، از اهمیت ویژه‌ای برخوردار است؛ بنابراین، اندازه‌گیری دقیق و پایش مستمر LAI برای مدیریت بهینه مزارع ذرت و پیش‌بینی دقیق عملکرد محصول، امری ضروری است. شاخص سطح برگ به‌عنوان یک معیار مفید در ارزیابی پوشش گیاهی و پایش تغییرات آن مورد استفاده قرار می‌گیرد. هدف اصلی مقاله حاضر برآورد شاخص سطح برگ گیاه ذرت با استفاده از تصاویر ماهواره‌ای در پلتفرم گوگل ارث انجین و مقایسه آن با خروجی مدل WOFOST می‌باشد که از دو نظر در میان پژوهش‌های داخل کشور ایران دارای نوآوری است که یکی استفاده از مدل WOFOST و دیگری استفاده از قابلیت‌های پلتفرم گوگل ارث انجین در برآورد مقادیر LAI و مقایسه مقادیر با همدیگر می‌باشد.مواد و روش: در این پژوهش با استفاده از تصاویر لندست 9 در بازه آماری 2023 تا 2024 در پلتفرم گوگل ارث انجین و همچنین با استفاده مدل WOFOT مقادیر شاخص سطح برگ (LAI) محصول ذرت به‌عنوان یکی از محصولات اصلی امنیت غذایی مورد بررسی و مقایسه قرار گرفت. برای این منظور شاخص‌های NDVI، SAVI و LAI محاسبه گردیدند. تاریخ‌های دوره رشد ذرت از 24 فروردین تا 24 شهریور در منطقه کلیبر در استان آذربایجان شرقی از طریق نرم‌افزار SMADA محاسبه گردید. همچنین برای صحت‌سنجی نتایج از r^2، RMSE و MSE استفاده گردید.نتایج: ابتدا شاخص‌های NDVI، SAVI و LAI محاسبه گردیدند؛ که بر این اساس، به ترتیب، کمترین و بیشترین NDVI در تاریخ‌های 25/08/2024 و 24/04/2023 برابر با 228/0- و 691/0، کمترین و بیشترین SAVI در تاریخ‌های 25/08/2024 و 22/07/2023 برابر با 342/0- و 937/0 و کمترین میزان شاخص LAI برابر با صفر و بیشترین میزان مربوط به تاریخ 22/07/2023 برابر با 968/5، می‌باشد. نتایج نشان داد که مقادیر RMSE و MSE مربوط به شاخص LAI بر پایه مدل WOFOT زیر 5/0 بوده و به ترتیب برابر 376/0 و 334/0 می‌باشد. همچنین ضریب تبیین (r^2) بین مدل WOFOT و تصاویر ماهواره‌ای به ترتیب برابر با 857/0 بوده و بیشترین میزان LAI از روز 185 رشد محصول شروع و تا روز 225 ادامه می‌یابد. بیشترین میزان ضریب تبیین (r^2) بین LAI و NDVI مربوط به سال 10/09/2024 برابر با 961/0 و کمترین میزان آن مربوط به سال 06/06/2024 برابر با 795/0 می‌باشد. همچنین مقدار همبستگی کلی بین شاخص LAI وNDVI برابر با 937/0 می‌باشد.نتیجه‌گیری: نتایج پژوهش حاضر به‌وضوح نشان می‌دهد که تلفیق داده‌های سنجش‌ازدور و مدل‌های شبیه‌ساز رشد گیاه مانند WOFOST می‌تواند به‌عنوان یک ابزار قدرتمند در پایش و ارزیابی، پویایی‌ پوشش گیاهی، به‌ویژه شاخص سطح برگ (LAI) مورد استفاده قرار گیرد. تحلیل‌های مکانی و زمانی شاخص‌های SAVI و NDVI نشان داد که مناطق جنوبی و جنوب غربی مطالعه شده به دلیل تراکم بالای پوشش گیاهی، بیشترین مقادیر شاخص‌های مذکور را دارا هستند، درحالی‌که مناطق شمالی و شرقی به دلیل وجود زمین‌های بایر، کمترین مقادیر را نشان می‌دهند. همبستگی مثبت و قوی بین SAVI و NDVI (با ضریب تبیین 857/0) تأیید می‌کند که این شاخص‌ها می‌توانند به‌صورت مکمل برای ارزیابی سلامت و تراکم پوشش گیاهی استفاده شوند. همچنین، تطابق بالای مقادیر LAI استخراج ‌شده از تصاویر ماهواره‌ای با پیش‌بینی‌های مدل WOFOST (با RMSE و MSE پایین به ترتیب 376/0 و 334/0) نشان‌دهنده دقت بالای این مدل در شبیه‌سازی پارامترهای رشد گیاهی است. این یافته‌ها حاکی از آن است که مدل‌های دینامیکی رشد گیاه، در صورت کالیبره شدن با داده‌های ماهواره‌ای، می‌توانند به‌عنوان یک راهکار عملی برای پایش سریع و پیش‌بینی عملکرد محصولات کشاورزی در مقیاس‌های بزرگ به کار روند. https://gisj.sbu.ac.ir/article_105739.html سابقه و هدف: آلودگی هوا، به‌ویژه وجود ذرات معلق(PM2.5 وPM10)، یکی از چالش‌های جدی در شهرهای بزرگ است که پیامدهای مخربی بر سلامت عمومی، اکوسیستم‌ها و کیفیت زندگی دارد. این تأثیرات در مناطق پر جمعیتی مانند تهران به‌وضوح بیشتر احساس می‌شود. ازاین‌رو، نظارت و پیش‌بینی دقیق کیفیت هوا برای تصمیم‌گیری‌های مؤثر در حوزه سیاست‌گذاری و سلامت عمومی ضروری است. بااین‌حال، محدودیت پوشش مکانی ایستگاه‌های زمینی سنجش کیفیت هوا مانع از ثبت کامل تغییرات کیفیت هوا در سطح شهر می‌شود. در این پژوهش، برای غلبه بر این محدودیت، از تصاویر ماهواره‌ای لندست-8 و سنتینل-2 به‌منظور توسعه مدل‌هایی برای پیش‌بینی غلظت ذرات معلق، به‌ویژه PM2.5 و PM10، استفاده شده است. این مطالعه با ترکیب داده‌های بازتاب طیفی ماهواره‌ای و مدل‌های یادگیری ماشین، به شناسایی کارآمدترین مدل‌ها برای پیش‌بینی آلودگی هوا و تعیین باندهای طیفی مؤثر در برآورد غلظت ذرات معلق پرداخته است.مواد و روش‌ها: در گام نخست، مدل‌های رگرسیون خطی با استفاده از روابط تک‌باندی و ترکیب باندها برای ایجاد ارتباط خطی بین بازتاب طیفی و غلظت ذرات معلق توسعه یافتند. سپس روابط غیرخطی برای مدل‌سازی روابط پیچیده‌‌تر بازتاب طیفی و ذرات معلق بررسی شدند. برای بهینه‌سازی انتخاب باندهای طیفی، رویکرد ترکیبی GA-SVR به‌کار گرفته شد؛ به‌طوری‌که الگوریتم ژنتیک (GA) برای شناسایی ترکیب بهینه باندهای طیفی و رگرسیون بردار پشتیبان (SVR) برای ساخت یک مدل پیش‌بینی قوی‌تر روی مجموعه ویژگی‌های بهینه‌شده اعمال شد. معیارهای ارزیابی R²، RMSE و میانگین خطای مطلق (MAE) برای سنجش و مقایسه اثربخشی هر یک از روش‌های مدل‌سازی استفاده شدند. به‌منظور ارزیابی قابلیت تعمیم‌پذیری، داده‌ها به دو بخش آموزشی (70%) و آزمایشی (30%) تقسیم شدند. علاوه بر این، برای اطمینان از استحکام مدل، از روش اعتبارسنجی متقابل بهره گرفته شد. نتایج و بحث: تحلیل‌ها نشان داد که باندهای طیف مرئی در هر دو ماهواره لندست-8 و سنتینل-2 ارتباط معناداری با غلظت PM2.5 و PM10 دارند. مدل‌های رگرسیون خطی با استفاده از باندهای 1 و 2 لندست-8 و باندهای 2، 3 و 4 سنتینل-2 همبستگی قابل‌توجهی در داده‌های آموزشی ایجاد کردند. مقدار R² برای PM2.5 در لندست-8 به ترتیب در داده‌های آموزشی و آزمایشی %70.56 و %67.24 بود، در حالی که این مقدار در سنتینل-2 برای داده‌های آزمایشی به %68.89 رسید. مقادیر RMSE برای داده‌های آموزشی و آزمایشی لندست-8 به‌ترتیب 7.01 و 7.48 بود، در حالی که در سنتینل-2، مقادیر 6.93 و 7.32 ثبت شد که نشان‌دهنده عملکرد برتر سنتینل-2 است.در مدل‌های رگرسیون غیرخطی، نتایج نشان داد که مدل‌های توانی مقادیر قابل‌توجهی از R² را ارائه می‌دهند. در این مدل‌ها، مقادیر NRMSE بین 0.066 تا 0.115 محاسبه شد که نسبت به مدل‌های خطی دقت بالاتری داشتند. اگرچه مدل‌های رگرسیون غیرخطی توانایی بیشتری در مدل‌سازی روابط پیچیده دارند، اما به دلیل بار محاسباتی بالا و افزایش محدود دقت، استفاده از مدل‌های خطی همراه با بهینه‌سازی مبتنی بر یادگیری ماشین، به عنوان رویکردی کارآمدتر توصیه می‌شود.مدل GA-SVR بالاترین دقت را در پیش‌بینی‌ها داشت و نشان داد که طول‌موج‌های کوتاه‌تر بیشترین توانایی را در پیش‌بینی غلظت ذرات معلق دارند. با بهینه‌سازی انتخاب ویژگی‌ها، این مدل به R² نزدیک به %70 دست یافت. این نتایج حاکی از توان بالای مدل GA-SVR در بهبود دقت پیش‌بینی است.نتیجه‌گیری: نتایج نشان داد که باندهای طیف مرئی در مدل‌های پیش‌بینی کیفیت هوا بیشترین تأثیر را دارند. مدل‌سازی با سنتینل-2 و استفاده از باندهای بهینه شناسایی‌شده توسط روش GA-SVR، بالاترین دقت را در پیش‌بینی PM2.5 به دست آورد. تحلیل مقایسه‌ای نشان داد درحالی‌که مدل‌های رگرسیون خطی عملکرد قابل قبولی دارند، ترکیب بهینه‌سازی ویژگی‌ها و یادگیری‌ماشین دقت پیش‌بینی را به‌طور قابل‌توجهی افزایش می‌دهد و اطلاعات ارزشمندی درباره باندهای طیفی مؤثر برای نظارت بر PM ارائه می‌کند. مدل GA-SVR با مقدار R² نزدیک به %70 نشان‌دهنده قابلیت مدل‌های بهینه شده برای نظارت دقیق و به‌موقع بر کیفیت هوا در مقیاس‌های مکانی مختلف است. https://gisj.sbu.ac.ir/article_105854.html استخراج اطلاعات مکانی سه‌بعدی از سطح زمین با بهره‌گیری از داده‌های سنجش‌ازدور و فتوگرامتری، یکی از موضوعات محوری و پرکاربرد در حوزه علوم زمین محسوب می‌شود که در سال‌های اخیر توجه بسیاری از پژوهشگران را به خود جلب کرده است. یکی از مهم‌ترین محصولات حاصل از این داده‌ها، مدل رقومی سطح (DSM) است که علاوه بر مدل ارتفاعی زمین (DEM)، تمامی عوارض طبیعی و ساخت‌ بشر نظیر پوشش‌های گیاهی، درختان، ساختمان‌ها و سایر سازه‌های انسانی را نیز شامل می‌شود. استخراج DSM نقش کلیدی در کاربردهای گوناگون از جمله طراحی شهری، شناسایی و استخراج ساختمان‌ها، مدیریت بحران، مدل‌سازی سه‌بعدی و پایش تغییرات ایفا می‌کند. در سال‌های اخیر، پیشرفت چشمگیر در حوزه یادگیری عمیق، تأثیر قابل‌توجهی بر فرآیند استخراج اطلاعات سه‌بعدی از داده‌های سنجش‌ازدور داشته است. روش‌های سنتی بازسازی سه‌بعدی با چالش‌هایی از قبیل مدیریت حجم انبوه داده‌ها، پیچیدگی در استخراج ویژگی‌ها و دشواری در دستیابی به جزئیات دقیق روبرو هستند. در این راستا، بهره‌گیری از شبکه‌های عصبی عمیق برای استخراج ویژگی‌های پیچیده از تصاویر چندمنظری، زمینه‌ساز تحول در این حوزه شده است. یکی از الگوریتم‌های نوین مبتنی بر یادگیری عمیق که به‌تازگی توسعه یافته، Sat-MVSF نام دارد. این الگوریتم با هدف استخراج DSM از تصاویر ماهواره‌ای چندمنظری طراحی شده و تمامی مراحل، از پیش‌پردازش تصاویر تا تولید نهایی DSM، را بر مبنای یادگیری عمیق انجام می‌دهد. با توجه به محدودیت داده‌های آموزشی و همچنین ادعای نویسندگان مبنی بر قابلیت تعمیم بالای وزن‌های آموزش‌دیده، هدف این پژوهش، ارزیابی عملکرد الگوریتم Sat-MVSF در تولید مدل رقومی سطح با استفاده از تصاویر ماهواره‌ای با حد تفکیک مکانی بالا است. نوآوری این تحقیق شامل 1) آماده‌سازی سه دسته داده ماهواره‌ای از سنجنده Worldview-3 و دو دسته داده ماهواره‌ای از سنجنده ZY3-2 به منظور تصحیح ضرایب RPC با استفاده سرشکنی بلوک تصاویر برای هر دسته از داده‌ها و تهیه DSM مرجع از ابر نقاط لیدار و 2) استخراج DSM با استفاده از الگوریتم یادگیری عمیق Sat-MVSF برای تصاویر ماهواره‌ای چندمنظری WorldView-3 و ZY3-2 و ارزیابی و مقایسه آن با DSM استخراج‌شده توسط الگوریتم‌های S2P و SS-DSM و نرم‌افزارهای تجاری CATALYST و ERDAS IMAGINE، است. به‌منظور ارزیابی دقیق‌تر، عملکرد تمامی الگوریتم‌ها در سه نوع منطقه شامل (۱) مناطق غیر ساختمانی، (۲) مناطق ساختمانی با تغییرات ارتفاعی متوسط و (۳) مناطق ساختمانی با تغییرات ارتفاعی زیاد مورد تحلیل قرار گرفته است. داده‌های مورد استفاده شامل پنج مجموعه تصاویر ماهواره‌ای (سه مجموعه داده WorldView-3 و دو مجموعه داده ZY3-2) هستند که هرکدام شامل سه تصویر پوشش‌دار می‌باشند. بر اساس نتایج به‌دست‌آمده، الگوریتم Sat-MVSF در مقایسه با بسیاری از الگوریتم‌ها و نرم‌افزارهای تجاری، عملکرد مطلوب‌تری در استخراج DSM از خود نشان داده است. در تصاویر WorldView-3، این الگوریتم با میانگین دقت ارتفاعی ۱.۱ متر و کامل بودن ارتفاعی ۸۷ درصد، نسبت به الگوریتم SS-DSM و نرم‌افزارهای تجاری برتری دارد. از سوی دیگر، الگوریتم S2P با استخراج DSM با میانگین دقت ارتفاعی 1 متر سبب شده تا الگوریتم Sat-MVSF نسبت به این الگوریتم عملکرد ضعیفی از لحاظ دقت ارتفاعی داشته باشد. بااین‌حال، الگوریتم S2P در مجموعه داده WV3-3 با توجه به این که کامل بودن ارتفاعی پایینی داشته، عملکرد این الگوریتم بسیار وابسته به منطقه مطالعاتی است. در داده‌های ZY3-2، عملکرد الگوریتم Sat-MVSF با دقت‌های ارتفاعی ۲.۴۳ و ۳.۲۷ متر، نتایج قابل قبولی ارائه داده است. به‌طور دقیق‌تر، در دو مجموعه اول داده‌های WorldView-3، الگوریتم S2P با کامل بودن ۹۰.۷۶٪ و ۹۰.۱۶٪ و دقت‌های ۰.۹۴ و ۱.۱ متر، بهترین عملکرد را داشته است. در مجموعه سوم، الگوریتم Sat-MVSF با کامل بودن ۸۳٪ و دقت ۱.۰۴ متر، از سایر الگوریتم‌ها پیشی گرفته است. نتایج بدست آمده نشان می‌دهد که الگوریتم S2P در مناطق ساختمانی با تغییرات ارتفاعی زیاد در دسته داده اول، دوم و سوم به ترتیب با مقدار 1.03، 1.14 و 0.88 متر و نرم‌افزار CATALYST در مناطق غیر ساختمانی در دسته داده اول، دوم و سوم به ترتیب با مقدار 0.71، 1.12 و 0.68 متر بهترین عملکرد را از لحاظ دقت ارتفاعی در مقایسه با سایر الگوریتم‌ها دارند. به‌طورکلی مطابق نتایج، نرم‌افزارهای تجاری CATALYST و ERDAS IMAGINE در مناطق ساختمانی که دارای اختلاف ارتفاعی هستند، خطای ارتفاعی بالاتری را به نسبت الگوریتم‌های Sat-MVSF و S2P دارند. دلیل این امر به این صورت است که این نرم‌افزارها از روش‌های درون‌یابی برای پر کردن گپ‌ها استفاده می‌کنند که سبب کاهش دقت در مناطق ساختمانی با اختلاف ارتفاع می‌شود. https://gisj.sbu.ac.ir/article_106087.html یکی از مهم‌ترین مراحل به سمت توسعة پایدار حفاظت از تمامیت اراضی است؛ به طوری که سالیانه بخشی از اراضی، به دلایل متعدد، تغییر کاربری می‌یابند و خروج این گونه اراضی از مسیر تولید لطمات جبران ناپذیری را در پی دارد. از آنجا که تغییرات کاربری اراضی در حوزه آبخیز خیاوچای به دلیل شرایط خاص این حوزه از اهمیت زیادی برخوردار است لذا بررسی تغییرات مکانی و زمانی کاربری اراضی اطلاعات خوبی را به طراحان، برنامه‌ریزان و مدیران جهت برنامه‌ریزی دقیق ارائه می‌دهد. جهت مدل‌سازی تغییرات کاربری اراضی منطقه مورد مطالعه از تصاویر ماهواره‌ی لندست5 با سنجنده‌ی TM و لندست 8 با سنجنده‌ی OLI-TIRS استفاده گردید. با اعمال تصحیحات اتمسفری و بهره‌گیری از روش طبقه بندی نظارت شده، الگوریتم حداکثر احتمال، کاربری‌های موجود در منطقه در 6 کلاس طبقه‌بندی شدند. جهت تولید نقشه‌ی پیش‌بینی روند تغییرات کاربری‌اراضی سال 2023، نقشه‌های کاربری‌اراضی سالهای 1989 و 2007 به عنوان نقشه‌های پایه و پیشرو جهت انجام فرآیند پیش‌بینی تغییرات کاربری سال 2023 وارد مدل زنجیره‌ی مارکوف گردید. پس از انجام مدل‌سازی، تصاویر احتمال شرطی، ماتریس مساحت انتقال و ماتریس احتمال انتقال کاربری‌ها تولید گردید. در نهایت با استفاده از ابزار STCHOICE نقشه‌ی پیش‌بینی برای سال 2023 استخراج گردید. مشکل اساسی زنجیره‌ی مارکوف در تهیه‌ی نقشه‌های پیش‌بینی کاربری اراضی عدم ارائه‌ی اطلاعات مکانی در مدل‌سازی می‌باشد. بدین ترتیب برای اضافه کردن عنصر مکانی به مدل از سلول‌های خودکار(CA_Markov) استفاده گردید. بنابراین با ترکیب مدل سلول‌های خودکار و مدل مارکوف، معرفی نقشه‌ی کاربری اراضی پایه مربوطه به سال 1989، ماتریس مساحت انتقال و تصاویر احتمال شرطی، نقشه‌ی پیش‌بینی مربوط به سال 2023 به همراه مؤلفه‌ی مکانی تولید گردید. درنهایت، با استفاده از نقشه‌ی کاربری اراضی مربوط به سالهای 1989 و 2023، نقشه‌ی کاربری اراضی برای سه دهه‌ی آینده(2033، 2043 و 2053) پیش‌بینی گردید. دقت نقشه‌ها براساس ضریب کاپا و دقت کلی و صحت نقشه‌ها براساس میزان پارامترهای توافق و عدم توافق مورد ارزیابی قرار گرفت. تصاویر ماهواره‌ای سال‌های 1989، 2007 و 2023 منطقه‌ی مورد مطالعه با استفاده از روش حداکثر احتمال طبقه‌بندی و نقشه‌ی کاربری اراضی استخراج گردید. مشخص شد بیشترین مساحت مربوط به کاربری‌های مرتع، خاک لخت و کشاورزی دیم می‌باشد. ارزیابی دقت طبقه‌‌بندی تصاویر ماهواره‌ای بوسیله‌ی ماتریس خطا مورد بررسی قرار گرفت و ضریب کاپا و دقت کلی به ترتیب برای سال 1989، %72، %82.87 سال 2007، 83%، 88.40% و سال 2023، 88%، 92.32% محاسبه گردید. طبق نتایج بدست آمده می‌توان بیان نمود که دقت طبقه‌بندی تصاویر در سطح مطلوبی انجام شده است. بررسی تغییرات کاربری اراضی در منطقه مورد مطالعه نشان می‌دهد که مساحت 119.7 هکتار از کاربری شهری، 354.42 هکتار از کاربری کشاورزی آبی، 1039.05 هکتار از کاربری کشاورزی دیم، 2024.73 هکتار از کاربری خاک لخت، 3829.95 هکتار از کاربری مرتع و 458.01 هکتار از پوشش برفی در بازه‌ی زمانی 1989 تا 2007 و نیز مساحت 123.12 هکتار از کاربری شهری، 383.04 هکتار از کاربری کشاورزی آبی، 1282.32 هکتار از کاربری کشاورزی دیم، 2294.64 هکتار از کاربری خاک لخت، 3704.04 هکتار از کاربری مرتع و 806.22 هکتار از پوشش برفی در بازه‌ی زمانی 2007 تا 2023 بدون تغییر مانده است. میزان مساحت کاربری‌های موجود در نقشه‌ی پیش‌بینی شده‌ی سال2023 نشان داد کاربری شهری 4.3 درصد، کاربری کشاورزی آبی 5.7 درصد، کاربری کشاورزی دیم 15.7 درصد، کاربری خاک لخت 23.2 درصد، کاربری مرتع 42.9 درصد و پوشش برفی 8.2 درصد از مساحت منطقه‌ی مورد مطالعه را به خود اختصاص داده‌اند. نتایج ارزیابی صحت مدل نشان داد که توافق بین نقشه‌ی پیش‌بینی شده و واقعی برابر 0.84 و عدم توافق بین نقشه‌ی پیش‌بینی شده و واقعی برابر 0.16 و ضریب کاپا برابر 0.88می‌باشدکه بیانگر قابلیت نسبتاً بالای مدل جهت انجام فرآیند پیش‌بینی تغییرات می‌باشد. با مقایسه‌ی نقشه‌های کاربری اراضی سال‌های 2033، 2043 و 2053 با نقشه‌ی کاربری اراضی سال 2023 مشخص گردید که در سه دهه‌ی آینده به ترتیب کاربری شهری با 45.9%، 46.9% و 47.5% و کاربری مرتع با 10.9%، 7.6% و 4.5% دارای روندی افزایشی و کاربریهای کشاورزی آبی با 27.9%، 21.1% و 14.9%، کشاورزی دیم با 13.4%، 11.23% و 9.3%، خاک لخت با 2.2%، 2.6% و 3.3% و پوشش برفی با 32.9%، 19.4% و 5.1% دارای روندی کاهشی نسبت به سال 2023، خواهند بود. https://gisj.sbu.ac.ir/article_106153.html مقدمه: مدل‌های رشد محصول، ابزارهای مناسبی برای درک و پیش‌بینی تعاملات بین رشد محصول، شرایط محیطی و شیوه‌های مدیریت اراضی مانند آبیاری هستند ( Li et al., 2023). مدل‌های رشد محصول شامل چندین مرحله و پارامتر محاسباتی به همراه شرایط آب و هوایی، خاک، گیاه، مدیریت، دما، شوری، حاصلخیزی و تنش آبی هستند (Akbari et al., 2024b). این عوامل می‌توانند کالیبراسیون مدل را به طور قابل توجهی به چالش بکشند، حتی به طور بالقوه منجر به عدم قطعیت در نتایج شوند ((Guo et al., 2019.برای اجرای موفقیت‌آمیز یک مدل شبیه‌سازی محصول، باید با پارامترهای دقیق مدل بر اساس شرایط محلی خاک، آب و هوا، شیوه‌های مدیریتی و سایر پارامترهای conservative/non-conservative که اندازه‌گیری آنها به صورت محلی ممکن است دشوار باشد، کالیبره شود (Shan et al., 2021). برای پرداختن به این چالش، به استراتژی داده‌گواری سنجش از دور نیاز است که داده‌های مشاهده‌شده را برای کالیبره کردن پارامترهای مدل در نظر بگیرد. این استراتژی تفاوت بین داده‌های مشاهده ‌شده و متغیرهای حالت شبیه‌سازی‌شده توسط مدل رشد محصول را به حداقل می‌رساند و سپس پارامترهای مدل را تخمین می‌زند (Hoefsloot et al., 2012). داده‌گواری محصولات ماهواره و تغییرپذیری مکانی آنها به صورت پیکسل در هر مزرعه در چنین مدل‌هایی می‌تواند تا حدودی عدم قطعیت‌های ناشی از فرض همگنی در مزارع را برطرف کند (Jin et al., 2017).بنابراین، کالیبره کردن یک مدل رشد محصول برای موقعیت مکانی و شرایط کشاورزی یک منطقه می‌تواند ابزاری قدرتمند برای توسعه استراتژی‌های مؤثر مدیریت آب باشد که تولید را افزایش داده و مصرف آب را به حداقل می‌رساند (Hsiao et al., 2009). علاوه بر این، کالیبره کردن مدل‌های رشد محصول در مقیاس مکانی فراتر از یک مزرعه منفرد، لازم است عدم قطعیت‌های مربوط به داده‌های ورودی کاهش یابد تا کمبود اطلاعات در مورد مدیریت زمین و ساختار مدل در نظر گرفته شود. برای مقابله با این محدودیت‌ها (به عنوان مثال، کمبود داده‌ها و عدم قطعیت)، روش عملی ساده‌سازی مدل‌های رشد محصول با پارامترها و داده‌های مورد نیاز کمتر است. بنابراین، برای دستیابی به کالیبراسیون دقیق‌تر و بهینه مدل، یا به عبارت دیگر، اعمال تحلیل حساسیت (SA) ضروری است (Silvestro et al., 2017).مواد و روشها: در این مطالعه، نقش تحلیل حساسیت (SA) را در کالیبراسیون پارامترهای مدل به عنوان بخشی از داده‌گواری داده‌های ماهواره‌ای در مدل‌های رشد محصول با هدف بهبود دقت شبیه‌سازی‌های رشد محصول و تخمین عملکرد بررسی می‌کند. کالیبراسیون شامل تنظیم پارامترهای مدل با هدف به حداقل رساندن اختلافات بین متغیرهای مشاهده شده و شبیه‌سازی‌های مدل است. بدون شک، انتخاب روش کالیبراسیون برای بهینه‌سازی پارامترهای مدل محصول به مدل خاص بستگی دارد و نیاز به آگاهی در مورد تأثیرگذارترین و حساس‌ترین پارامترهای آن دارد، که می‌توان آن را با SA تعریف کرد. در این راستا، با هدف بهینه‌سازی دادهگواری جریان‌های داده محصولات ماهواره‌ای در مدل‌سازی رشد محصول، شناسایی حساس‌ترین پارامترهای مدل و پارامترهایی که می‌توانند ثابت در نظر گرفته شوند، ضروری است. محدود کردن پارامترهای ورودی به ویژه هنگام کالیبراسیون مدل‌ها برای مکان‌های مطالعه خاص، افزونگی و عدم قطعیت را کاهش می‌دهد. در این تحقیق، تکنیک‌های مختلف SA قابل اجرا در مدل‌های رشد محصول، بررسی میشود و به خوانندگان در انتخاب بهترین روش SA برای رفع نیازهایشان کمک می‌کند.نتایج و بحث: این مطالعه نشان می‌دهد که روش‌های SA سراسری عمدتاً در کالیبراسیون مدل رشد محصول به کار می‌روند، به ویژه هنگامی که داده‌گواری محصولات ماهواره‌ای در مدل انجام شده‌اند. به عنوان یک روند کلی در مطالعات بررسی شده، مدل EFAST از نظر استفاده و دقت، عملکرد بهتری نسبت به Sobol دارد. در مواردی که پیچیدگی زیاد است، پیشنهاد می‌شود از روش موریس برای غربالگری پارامترها در ترکیب با مدل EFAST استفاده شود تا پیچیدگی محاسباتی کاهش یابد و موثرترین پارامترها با دقت نسبتاً بالا مشخص شوند. علاوه بر این، این مطالعه مروری نشان می‌دهد که ترکیب، یعنی ترکیب روش‌های SA سراسری موریس و EFAST از سایر روش‌های SA در کارایی محاسبه و دقت شناسایی پارامترهای تاثیرگذارتر، بهتر عمل می‌کند. چنین استراتژی‌های ترکیبی در یافتن پارامترهای تاثیرگذار برتری دارند، که می‌تواند منجر به کالیبراسیون دقیق و به نوبه خود، شبیه‌سازی‌های دقیق‌تر مدل رشد محصول شود.نتیجه‌گیری: نتیجه گرفته میشود که ترکیبی از روش‌های سراسری SA، انتخاب مناسبی برای غلبه بر چالش‌ها و محدودیت‌های هر تکنیک و کاهش پیچیدگی‌های محاسباتی هنگام وارد کردن و داده‌گواری داده‌های ماهواره‌ای به مدل‌های رایج رشد محصول است. https://gisj.sbu.ac.ir/article_106299.html زمین، منبعی اساسی و محدود است که توسعه فیزیکی بخش‌های مختلف از جمله کشاورزی، مسکن، صنعت، معدن و حمل‌ونقل را پشتیبانی می‌کند. با افزایش سریع جمعیت، تقاضا برای زمین نیز به‌طور متناسب افزایش می‌یابد و این امر منجر به رقابت پویای میان انواع کاربری‌های مختلف زمین می‌شود. این شرایط سهم قابل‌توجهی در تغییرات کاربری و پوشش زمین (LULC) دارد، به‌ویژه در مناطق در حال توسعه سریع. این تغییرات اغلب شامل تبدیل اراضی کشاورزی مولد به کاربری‌های غیرکشاورزی است که نگرانی‌هایی را در خصوص امنیت غذایی بلندمدت، پایداری زیست‌محیطی و عدالت فضایی برانگیخته است.شهرستان ماجالنگکا، واقع در استان جاوای غربی اندونزی، به‌عنوان یکی از پویاترین مناطق در زمینه تحولات کاربری زمین شناخته می‌شود؛ به‌ویژه به دلیل قرار گرفتن در چارچوب راهبرد توسعه ملی از طریق منطقه ویژه اقتصادی مثلث ربانا (Rebana Triangle SEZ) که سه ناحیه چیربون، پاتیمبان و کرتاجاتی را به‌هم متصل می‌کند. این منطقه راهبردی با هدف تسریع رشد صنعتی، توسعه زیرساخت‌ها و ارتقاء پیوندهای منطقه‌ای طراحی شده است. در این چارچوب، شهرستان ماجالنگکا نقشی کلیدی ایفا می‌کند، به‌ویژه با احداث فرودگاه بین‌المللی جاوای غربی (BIJB) و توسعه دالان‌های صنعتی اطراف آن.در حالی که این تحولات از پتانسیل اقتصادی امیدوارکننده‌ای برخوردارند، فشار زیادی بر منابع موجود زمین، به‌ویژه اراضی کشاورزی مانند شالیزارها و زمین‌های خشک وارد می‌کنند. هدف این پژوهش تحلیل تغییرات فضایی و زمانی کاربری و پوشش زمین در شهرستان ماجالنگکا طی دوره ده‌ساله ۲۰۱۱ تا ۲۰۲۱ است. داده‌های سنجش از دور چندطیفی از ماهواره Sentinel-2A، که دارای وضوح زمانی بالا و وضوح مکانی متوسط مناسب برای تحلیل در مقیاس منطقه‌ای است، مورد استفاده قرار گرفت. پردازش داده‌ها با استفاده از پلتفرم تحلیل مکانی ابری Google Earth Engine (GEE) انجام شد، که امکان دسترسی کارآمد، پردازش و تحلیل داده‌های بزرگ ماهواره‌ای را بدون نیاز به ذخیره‌سازی محلی یا زیرساخت‌های رایانه‌ای پیشرفته فراهم می‌سازد.قابلیت GEE در انجام تحلیل‌های چندزمانه، آن را به ابزاری ارزشمند برای پایش محیط‌زیست و برنامه‌ریزی فضایی تبدیل کرده است. طبقه‌بندی پوشش زمین با استفاده از الگوریتم Smile-Random Forest (RF)، روشی یادگیری ماشینی نظارت‌شده که به‌دلیل دقت بالا در پردازش داده‌های چندبعدی سنجش از دور شناخته شده است، انجام شد. به‌منظور افزایش دقت و جزئیات موضوعی طبقه‌بندی، دو شاخص طیفی اضافی به مدل اضافه شدند: شاخص ساخت‌وساز نرمال‌شده (NDBI) و شاخص نرمال‌شده تفاوت آبی (NDWI). این شاخص‌ها توانایی مدل را در تفکیک میان مناطق ساخته‌شده، منابع آبی و اراضی دارای پوشش گیاهی یا کشاورزی بهبود بخشیدند.علاوه بر این، نقشه‌های پایه از توزیع شالیزارها در فرایند طبقه‌بندی تلفیق شد تا delineation دقیق‌تری از نواحی کشاورزی، به‌ویژه شالیزارهایی که نقش حیاتی در سیستم غذایی محلی دارند، حاصل شود. مدل طبقه‌بندی به دقت بالایی دست یافت؛ با دقت کلی (Overall Accuracy) معادل ۹۸٫۸۱٪ و ضریب کاپا (Kappa) معادل ۹۵٫۹۱٪ که نشان‌دهنده توافق قوی بین داده‌های پیش‌بینی‌شده و داده‌های واقع‌زمینی است.تحلیل فضایی، کاهش قابل‌توجهی در اراضی کشاورزی طی این دوره ده‌ساله را نشان داد، به‌طوری که سطح خالص کاهش در شالیزارها و زمین‌های خشک تقریباً ۴۴۵۷٫۳۶ هکتار بود. در مقابل، افزایش چشمگیری در زمین‌های ساخته‌شده شامل نواحی مسکونی، صنعتی و زیرساخت‌های حمل‌ونقل مرتبط با گسترش BIJB و مناطق اقتصادی اطراف آن مشاهده شد. این یافته‌ها بر رابطه پیچیده میان ابتکارات توسعه منطقه‌ای و پایداری زیست‌محیطی تأکید دارد.تداوم تغییرات کاربری زمین، در صورت عدم کنترل، خطراتی برای بهره‌وری کشاورزی، امنیت غذایی محلی و تاب‌آوری بوم‌شناختی به همراه خواهد داشت. این مطالعه بر ضرورت برنامه‌ریزی یکپارچه کاربری زمین و مداخلات سیاستی که رشد اقتصادی را با حفظ منابع حیاتی زمین متعادل سازد، تأکید می‌کند. تلاش‌های برنامه‌ریزی فضایی باید با اهداف پایداری بلندمدت هماهنگ شوند، به‌ویژه در مناطقی که برای توسعه اقتصادی راهبردی تعیین شده‌اند.افزون بر این، این پژوهش نشان می‌دهد که ترکیب فناوری سنجش از دور، شاخص‌های طیفی، الگوریتم‌های یادگیری ماشینی و پلتفرم‌های ابری، روشی کارآمد و قابل مقیاس برای پایش تغییرات کاربری زمین فراهم می‌آورد. استفاده از GEE به‌طور چشمگیری زمان پردازش و موانع فنی را کاهش داده و امکان تحلیل بلادرنگ و تکرار آسان در سایر مناطق تحت فشار توسعه را فراهم می‌کند.در نهایت، این مطالعه ارزیابی جامعی از تغییرات کاربری زمین در شهرستان ماجالنگکا در بستر تحولات اقتصادی سریع ارائه می‌دهد. چارچوب روش‌شناختی ارائه‌شده در این پژوهش پیامدهای عملی مهمی برای سیاست‌گذاران، برنامه‌ریزان و مدیران محیط‌زیست در طراحی راهبردهای حکمرانی سرزمینی داده‌محور، آینده‌نگر و حساس به ابعاد توسعه‌ای و زیست‌محیطی دارد. https://gisj.sbu.ac.ir/article_106303.html سابقه و هدف: یکی از چالش‌های زیست‌محیطی در مناطق خشک و نیمه‌خشک، آلودگی گردوغبار است. گردوغبار می‌تواند مشکلاتی جدی برای سلامت عمومی به وجود آورد، ازجمله افزایش بیماری‌های تنفسی، کاهش دید و اختلالات در حمل‌ونقل، علاوه بر این، این طوفان‌ها تأثیرات منفی زیادی بر منابع آب و کشاورزی دارد. استان سیستان و بلوچستان یکی از مناطقی است که شاخص گردوغبار بالایی را در سال تجربه می‌کند و در اکثر مواقع سال دارای شاخص بالای گردوغباری می‌باشد. مواد و روش: این پژوهش با استفاده از داده‌های ماهواره‌ای مودیس و کد نویسی در سامانه گوگل ارث انجین، به بررسی شاخص‌های، TDI، AOD-Sum، AOD-Max و AOD در بازه زمانی 2018-2023 پرداخته شد. به‌منظور تحلیل مسیر انتقال آلاینده‌های گردوغبار و شناسایی منابع انتشار آن‌ها، مدل HYSPLIT به‌کار گرفته شده و با استفاده از تکنیک‌های مدل‌سازی مسیر ذرات، توزیع فرکانس مسیرهای بسته هوایی مورد بررسی قرار گرفت، برای درک بهتر توزیع گردوغبار و مسیر انتقال گردوغبار از تصاویر واقعی مودیس استفاده شد. برای بررسی مسیر گردوغبار از دو ایستگاه زابل و زاهدان برای سه تاریخ مربوط به سال‌های 2023 و 2024 با شاخص AQI، 500 استفاده شد. که مدل HYSPLIT به صورت عقبگرد 24 ساعته برای زابل و 48 ساعته برای زاهدان استفاده گردید.نتایج و بحث: نتایج تحلیل شاخص TDI نشان داد که مناطق زابل، ایرانشهر، خاش و چابهار در استان سیستان و بلوچستان به دلیل خاک‌های خشک و سست، منابع اصلی گردوغبار داخلی هستند. شاخص TDI از 0055/0 در سال‌های ۲۰۱۸ و ۲۰۱۹ به 0058/0 در سال ۲۰۲۱ افزایش یافت و در سال‌های ۲۰۲۲ و ۲۰۲۳ به‌ترتیب 0056/0 و 0057/0 بود و دارای آستانه حداقلی 018/0- بوده است. شاخص AOD-Max نشان می‌دهد که مناطق شرقی، جنوبی، شمال‌شرقی و جنوب‌غربی استان، به‌ویژه در برخی سال‌ها مناطق مرکزی، بیشترین آلودگی گردوغبار را تجربه کرده‌است. مناطق مرزی، خصوصاً نواحی هم‌مرز با افغانستان و پاکستان، در تمامی سال‌ها بیشترین میزان آلودگی را داشته‌است. سال‌های 2018 و 2022 بالاترین مقادیر AOD-Max را نشان می‌دهند، به‌طوری‌که مقدار آن در سال 2022 نسبت به سال‌های قبل 3/0 واحد افزایش یافته و به 5/3 رسیده که در دسته‌بندی آلودگی هوا، خطرناک محسوب می‌شود. این مقدار در 2023 به 1/3 کاهش یافته اما همچنان در وضعیت بسیار خطرناک قرار دارد. تحلیل شاخص AOD-Sum نشان می‌دهد که مناطق شرقی، شمال‌شرقی و جنوب استان در طول سال بیشترین شدت آلودگی را داشته‌است. مناطق شرقی و شمال‌شرقی بیش از 100 روز و مناطق جنوبی بیش از 120 روز درگیر گردوغبار می‌باشد. بیشترین تعداد روزهای آلودگی در سال‌های 2018، 2020 و 2022 مشاهده شده است، اما میانگین این شاخص در 2023 نسبت به 2022 به میزان 9/0 واحد کاهش یافته و به 9/1 رسیده که همچنان در محدوده خطرناک قرار دارد. نتایج بررسی شاخص‌های AOD نشان می‌دهد که بیشترین آلودگی در مناطق مرزی استان متمرکز است، همچنین هم‌پوشانی بالای مقادیر TDI با شاخص AOD، اعتبار این نتایج را تقویت کرده و نشان می‌دهد TDI ابزار مؤثری در شناسایی، پایش و مدیریت مناطق پرخطر گردوغبار محسوب می‌شود. تحلیل مسیرهای جوی با مدل HYSPLIT نشان می‌دهد که ساعات پیش از وقوع گردوغبار در زابل و زاهدان، مسیرهای جوی عمدتاً از مرزهای ترکمنستان و افغانستان عبور کرده و به زابل و زاهدان می‌رسد. مدل‌سازی مسیرهای عقبگرد نشان می‌دهد که طوفان‌های گردوغبار از بیابان‌های ترکمنستان و افغانستان منشأ گرفته و طی 24 ساعت به زابل و طی 48 ساعت به زاهدان می‌رسد. بررسی تغییرات ارتفاعی جریان‌های جوی نشان می‌دهد که این مسیرها در مرز ترکمنستان و افغانستان در ارتفاع بالای 1500 متر شکل گرفته و پس از عبور از بیابان‌های افغانستان، به کمتر از 500 متر کاهش یافته و موجب ایجاد گردوغبار در استان می‌شود. تصاویر رنگ واقعی مودیس نیز بیانگر گسترش آلودگی از بیابان‌های افغانستان و شرق ایران تا مرزهای پاکستان است.نتیجه‌گیری: نتایج نشان می‌دهد که مناطق شرقی و مرزی استان سیستان و بلوچستان بیشترین تأثیرپذیری را از طوفان‌های گردوغبار داشته‌است. این طوفان‌ها که عمدتاً از بیابان‌های مجاور کشورهای افغانستان، ترکمنستان و پاکستان منشأ می‌گیرد و به استان سیستان و بلوچستان نفوذ کرده و موجب تشدید آلودگی هوا می‌شود. با توجه به شدت آلودگی گردوغبار در مناطق شرقی و مرزی، ایجاد پوشش‌های گیاهی مقاوم در برابر خشکی، مدیریت بهینه منابع آبی برای جلوگیری از بیابان‌زایی، و توسعه ایستگاه‌های پایش آلودگی هوا می‌تواند در کنترل این بحران مؤثر باشد. https://gisj.sbu.ac.ir/article_106304.html سابقه و هدف: در سال‌های اخیر، با افزایش فشار بر منابع طبیعی و نیاز به بهره‌برداری پایدار از اراضی کشاورزی، اهمیت کشاورزی دقیق به‌عنوان رویکردی کارآمد برای مدیریت هوشمند منابع بیش‌ازپیش موردتوجه قرار گرفته است. یکی از چالش‌های اساسی در این حوزه، شناسایی دقیق نوع محصولات زراعی و پایش مراحل رشد آن‌ها در مقیاس‌های زمانی و مکانی مناسب است. فناوری سنجش‌ازدور، به‌ویژه رادار با روزنه مصنوعی (SAR)، امکان استخراج اطلاعات دقیق از سطح زمین را در شرایط مختلف آب‌وهوایی فراهم می‌سازد. برخلاف داده‌های اپتیکی که وابسته به شرایط نوری و اغلب در مناطق ابری با محدودیت مواجه‌اند، داده‌های راداری از جمله تصاویر ماهواره سنتینل-1، با قابلیت تصویربرداری شبانه‌روزی و عبور از پوشش ابری، ابزاری مؤثر برای پایش اراضی کشاورزی محسوب می‌شوند. در این راستا، پژوهش حاضر باهدف بررسی قابلیت داده‌های سری زمانی راداری سنتینل-1 و قطبش‌های VV و VH به همراه شاخص‌های قطبشی مشتق‌شده از آن‌ها، در طبقه‌بندی دقیق محصولات زراعی در منطقه‌ای در حومه شهر مشهد انجام شده است. تمرکز اصلی این مطالعه بر روی ارزیابی توانایی الگوریتم‌های مختلف یادگیری ماشین در ترکیب با داده‌های راداری در جهت بهبود دقت طبقه‌بندی و شناسایی دقیق‌تر محصولات بوده است.مواد و روش‌ها: برای انجام این تحقیق، داده‌های سری زمانی راداری سنتینل-1 در دو قطبش VV و VH مربوط به دوره زمستان 1400 تا بهار 1401 مورداستفاده قرار گرفت. منطقه موردمطالعه بخشی از اراضی کشاورزی در شهرستان مشهد است که با تنوع مناسبی از محصولات زراعی مانند گندم، نخود، یونجه و همچنین اراضی غیر زراعی مشخص می‌شود. با پردازش داده‌های راداری، چهار شاخص قطبشی مهم شامل NRPB (نسبت نویز به سیگنال پس پراکنش)، DPDD (تفاضل قطبش‌های دوبه‌دو)، IDPDD (یکپارچگی تفاضلی قطبشی) و VDDPI (شاخص تغییرات زمانی در داده‌های VV و VH) استخراج شدند که در ترکیب با داده‌های اصلی برای طبقه‌بندی مورداستفاده قرار گرفتند.برای طبقه‌بندی محصولات، سه الگوریتم قدرتمند یادگیری ماشین شامل درخت تقویت گرادیان (XGBoost)، جنگل تصادفی (RF) و ماشین بردار پشتیبان (SVM) به کار گرفته شد. داده‌های آموزشی برای هفت کلاس تعریف‌شده در منطقه جمع‌آوری گردید و صحت طبقه‌بندی از طریق ماتریس خطا، ضریب کاپا و دقت کلی مورد ارزیابی قرار گرفت.نتایج و بحث: نتایج حاصل از مدل‌سازی و طبقه‌بندی، که بر اساس داده‌های میدانی مرتبط با مختصات هر قطعه زمین اعتبارسنجی شد، نشان داد که الگوریتم‌های XGBoost و RF به‌طور قابل‌توجهی عملکرد بهتری نسبت به الگوریتم SVM داشتند. دقت کلی و ضریب کاپا برای مدل XGBoost به‌ترتیب 83.48٪ و 0.78، برای مدل RF به‌ترتیب 82.27٪ و 0.78 گزارش شد، درحالی‌که الگوریتم SVM دقت کلی و ضریب کاپایی برابر با 61.46٪ و 0.51 ارائه داد. این اختلاف عملکرد عمدتاً ناشی از توانایی بالاتر الگوریتم‌های مبتنی بر درخت تصمیم در مدل‌سازی روابط پیچیده و غیرخطی بین ویژگی‌ها و کلاس‌ها است.از میان شاخص‌های قطبشی، دو شاخص DPDD و IDPDD توانستند رفتار زمانی متفاوتی را در مراحل مختلف رشد گیاهان نشان دهند که این ویژگی برای تشخیص فنولوژیکی محصولات بسیار مفید بود. محصولاتی نظیر یونجه، نخود و گندم توسط الگوریتم‌های XGBoost و RF با دقت بالاتری طبقه‌بندی شدند و میزان اختلاط کمتری با سایر کلاس‌ها داشتند. در مقابل، الگوریتم SVM در تفکیک کلاس‌هایی با پوشش گیاهی مشابه، نظیر برخی محصولات زراعی نزدیک ‌فنولوژی، عملکرد ضعیف‌تری داشت و هم‌پوشانی قابل‌توجهی بین کلاس‌ها مشاهده گردید.نتیجه‌گیری: پژوهش حاضر به‌روشنی نشان داد که داده‌های راداری سنتینل-1، به‌ویژه در دو قطبش VV و VH، در کنار شاخص‌های استخراج‌شده از سری‌های زمانی آن، قابلیت بالایی در طبقه‌بندی دقیق محصولات کشاورزی دارند. ترکیب این داده‌ها با الگوریتم‌های پیشرفته یادگیری ماشین به‌ویژه XGBoost و RF، می‌تواند بدون نیاز به داده‌های اپتیکی و با عملکردی قابل‌قبول، جایگزین مناسبی برای روش‌های سنتی در شرایط جوی نامناسب باشد. این موضوع به‌ویژه در مناطق ابری یا مناطقی که دسترسی به داده‌های نوری محدود است، اهمیت بیشتری می‌یابد.همچنین، یافته‌های این تحقیق هم‌راستا با مطالعات مشابه بین‌المللی، بر اهمیت و اثربخشی شاخص‌های قطبشی به‌عنوان ابزارهایی کلیدی در پایش دوره‌ای رشد محصولات زراعی تأکید می‌کند. بهره‌گیری از این شاخص‌ها در کنار داده‌های سری زمانی می‌تواند گامی مؤثر در جهت بهینه‌سازی مدیریت اراضی کشاورزی، افزایش بهره‌وری و توسعه پایدار در بخش کشاورزی باشد. ازاین‌رو، استفاده از فناوری‌های نوین سنجش‌ازدور و یادگیری ماشین، نقش برجسته‌ای در آینده کشاورزی هوشمند و پایدار ایفا خواهد کرد. https://gisj.sbu.ac.ir/article_106305.html مقدمه: جاینام‌ها به عنوان یکی از رایج‌ترین اشکال اطلاعات جغرافیایی نهفته در متون زبان طبیعی، در منابع مختلفی همچون رسانه‌های اجتماعی، اخبار، آرشیوهای تاریخی و آگهی‌های املاک به‌کار می‌روند. این نام‌ها در قالب‌های گوناگونی نظیر نشانی کسب‌وکار، هشتگ، یا متن ساده ممکن است دیده شوند. به‌هنگام بودن داده‌ها، دربرگرفتن تجربه و شناخت انسانی، و دربرداشتن انواع خاصی از اطلاعات مکانی که صرفاً در منابع متنی موجود هستند، این منابع را برای تحلیل‌های جغرافیایی بسیار ارزشمند ساخته است. از این رو، نگاشت نام مکان‌ها به موقعیت جغرافیایی آن‌ها یک امر ضروری است. یکی از راه‌‌کارهای موجود، استفاده از جاینامه‌های رقمی است که در واقع فرهنگ لغتی از نام‌ مکان‌ها هستند. این منابع ارزشمند به سامانه‌های بازیابی اطلاعات جغرافیایی (GIR) امکان شناسایی جاینام‌ها و تبدیل موارد شناسایی‌شده به مختصات جغرافیایی را می‌دهند. با توجه به کاربردهای روزافزون مکانی، به‌ویژه در GIR و خدمات مبتنی بر مکان (LBS)، جاینامه‌های رقمی باید غنی‌سازی شوند.مواد و روش‌ها: این مقاله چارچوبی سه‌لایه برای استخراج اطلاعات جغرافیایی شهری از آگهی‌های املاک که کدگذاری مکانی شده‌اند را ارائه می‌دهد. لایه نخست به استخراج نام‌های مکان مربوط به خیابان‌های اصلی و محله‌ها اختصاص دارد که به‌دلیل شناخته‌شده بودنشان، معمولاً بدون هیچ سرنخ زبانی توسط نویسندگان نوشته می‌شوند. با استفاده از یک مدل جنگل تصادفی مبتنی بر مجموعه‌ای از معیارهای مکانی برای هر ان‌گرم استخراج‌شده از محتوای متنی آگهی‌ها، می‌توان خیابان‌های اصلی و محله‌ها را شناسایی کرد. این لایه با استخراج ان‌گرم‌ها از آگهی‌های وبکاوی‌شده آغاز می‌شود. با توجه به اینکه هر ان‌گرم ممکن است به چند ناحیه از شهر اشاره کند، خوشه‌بندی مکانی پس از پاک‌سازی و استانداردسازی مجموعه ان‌گرم‌ها اعمال می‌گردد. معیارهای مکانی تعریف‌شده برای هر خوشه شناسایی‌شده ان‌گرم محاسبه می‌شوند. سپس یک مدل جنگل تصادفی برای شناسایی ان‌گرم‌های محله و خیابان اصلی به کار گرفته می‌شود. در لایه دوم، یک مدل مبتنی بر قواعد برای استخراج همه نام‌های مکان شهری توسعه یافته و در لایه سوم، یک مدل مبتنی بر الگوهای زبانی برای استخراج روابط مکانی طراحی شده است. این پژوهش بر زبان فارسی و کلان‌شهرهای تهران، مشهد، اصفهان و شیراز تمرکز دارد.نتایج و بحث: نتایج برای لایه اول با دستیابی به حدود 8/0 و 7/0 به‌ترتیب برای بازیابی و دقت در پیش‌بینی خیابان‌های اصلی و محله‌ها در کلان‌شهری دیگر رضایت‌بخش است. با این حال، تفاوت در جمعیت و الگوهای توسعه شهری باعث شده است که به خاطر شناسایی خیابان‌های اصلی به عنوان محله و بالعکس، تعداد موارد شناسایی‌شده درست کاهش یابد. در شناسایی جاینام‌های شهری دقت و بازیابی نزدیک به 7/0 کسب شده است. هر چند این مقادیر در مقایسه با عملکرد مدل‌های شناسایی موجودیت‌های اسمی در استخراج جاینام‌های شهری که اغلب ریزدانه هستند، قابل توجه است ولی شناسایی‌های اشتباه در این لایه موجب کاهش دقت و بازیابی در لایه سوم یعنی استخراج روابط مکانی شده است.نتیجه‌گیری: این پژوهش چارچوبی برای استخراج اطلاعات جغرافیایی شهری از آگهی‌های املاک ارائه می‌کند. این اطلاعات شامل جاینام‌ها و روابط مکانی برای غنی‌سازی جاینامه‌های موجود است. از آنجا که خیابان‌های اصلی و محله‌ها بخشی از نام‌های مکان شناخته‌شده هستند، افراد عموماً آن‌ها را بدون هیچ سرنخی در وب‌سایت‌های آگهی ملکی استفاده می‌کنند. استخراج این نام‌ها را می‌توان با مدل یادگیری ماشینی انجام داد. گام بعدی، استخراج همه نام‌های مکان نوشته‌شده در متن آگهی‌هاست. برای تحقق این هدف، یک مدل مبتنی بر قواعد توسعه داده شده است تا جاینام‌های محتمل را از آگهی‌هایی که موقعیت جغرافیایی‌شان در محدوده پوش محدب نام خیابان اصلی یا محله قرار دارد، استخراج کرده و موارد نادرست را حذف ‌کند. در گام سوم، روابط مکانی بین جاینام‌های شناسایی‌شده از متن هر آگهی با استفاده از الگوهای زبانی استخراج شدند. چارچوب عملکرد خوبی در استخراج خیابان‌های اصلی، محله‌ها، و نام‌های مکان نشان داده است، اما استخراج روابط مکانی نیاز به توسعه بیشتری دارد. https://gisj.sbu.ac.ir/article_106306.html مقدمهدریاچه های هامون در چند دهه اخیر، به علت وقوع خشکسالی و مدیریت غیراصولی منابع آب (سدسازی، گسترش کشاورزی و انحرافات نظام مند آب)، تقریباً خشک شده اند. این مساله، با توجه به اهمیت این دریاچه ها در منطقه سیستان، منجر به وقوع معضلات زیست محیطی و اقتصادی اجتماعی متعددی از جمله طوفان های گردوغبار در این منطقه شده است. لذا ضرورت بررسی تغییرات این پهنه های آبی و تأثیرگذاری این تغییرات بر محیط پیرامونی از گذشته تا به حال حس می شود. بر این اساس، برآوردی از چشم انداز آینده تغییرات پوشش/ کاربری زمین از ابزارهای کلیدی و پایه ای جهت برنامه ریزی و مدیریت پایدار منابع سرزمینی و تصمیم گیری برای رفع چالش های منتج شده به حساب می آید. در این راستا، بررسی ادبیات پژوهش نشان می دهد بهره گیری از تصاویر چند طیفی ماهواره های سنجش از دور به دلیل پوشش مکانی – زمانی وسیع و عدم وابستگی به کارهای میدانی پرهزینه، کاربرد گسترده ای پیدا کرده است. رویکردهای مختلفی به منظور مدلسازی تغییرات پوشش/ کاربری زمین و پیش بینی روندهای آینده استفاده شده است که در این میان نتایج مدل زنجیره مارکوف قابلیت اطمینان بالاتری دارد. علی رغم مطالعات بسیاری که در زمینه پایش تغییرات پوشش/ کاربری زمین در محدوده دریاچه های هامون صورت گرفته، اما تمرکز آنها بیشتر بر روی کلاس های کشاورزی و پوشش گیاهی بوده و مسئله خشک شدن دریاچه ها و ابعاد مختلف آن به خوبی تبیین نشده است. از طرف دیگر، با در نظر گرفتن تغییرات سریع دریاچه های هامون در دو دهه اخیر، به نظر می رسد بایستی بر پیش بینی وضعیت دریاچه ها در آینده نزدیک تمرکز گردد که در مطالعات گذشته به این مسئله نیز چندان توجه نشده است.روش شناسیهدف اصلی مطالعه حاضر، پیش بینی تغییرات پهنه های آبی دریاچه های هامون واقع در جنوب شرقی ایران است. بدین منظور، از تصاویر ماهواره های لندست 5 سنجنده TM برای سال 1370 و لندست 8 سنجنده OLI برای سال 1401 استفاده گردید. در ابتدا با بهره گیری از طبقه بندی کننده ماشین بردار پشتیبان (SVM) نقشه های پوشش/ کاربری زمین برای سال های مذکور تولید شدند. مزیت اصلی این روش، توانایی حل مسائل طبقه بندی پیچیده با تعداد ویژگی های زیاد و نمونه های آموزشی کم است که منجرشده این روش گزینه ای مناسب جهت طبقه بندی تصاویر سنجش از دوری باشد. سپس تغییرات مساحت پهنه های آبی دریاچه های هامون برای سال 1409، مبتنی بر مدل زنجیره مارکوف پیش بینی گردید. آنالیز زنجیره مارکوف ابزاری مناسب جهت مدل سازی تغییرات پوشش/ کاربری زمین است.نتایجطبقه بندی کننده SVM بهترین عملکرد را برای کرنل تابع پایه شعاعی (RBF) به دست داد. این کرنل بالاترین (حداکثر 98/3%) و کمترین (حداقل 86/3%) میزان صحت درون کلاسی را به ترتیب در تفکیک کلاس های آب و مناطق ساخته شده در سال های موردبررسی داشته است. حصول صحت کلی طبقه بندی برابر با بیش از 93% برای کرنل RBF حاکی از کارایی قابل قبول طبقه بندی کننده SVM و اعتمادپذیری نتایج آن است. نتایج حاکی از کاهش مساحت دریاچه ها و تالاب های منطقه به ترتیب برابر با 88% و 94% در سال 1401 نسبت به سال 1370 است. در بازه زمانی موردبررسی مساحت شوره زارها تقریباً دو برابر شده و عمده از دست رفت مساحت کلاس های مرتبط با آب و پوشش گیاهی به شکل تبدیل به این کلاس بوده است. پیش بینی تغییرات پوشش/ کاربری زمین با استفاده از مدل زنجیره مارکوف حاکی از آن است که در کمتر از یک دهه آتی پهنه های آبی شامل دریاچه های هامون پوزک و صابری و تالاب ها کاملا خشک و به شوره زار تبدیل خواهند شد.جمع بندینرخ تغییرات بسیار زیاد در روند پوشش/ کاربری زمین حاکی از وضعیت بسیار بحرانی منطقه از لحاظ از دست رفت منابع آب و گیاه و گسترش اراضی بیابانی است. از این رو، باید بر آینده نزدیک تمرکز گردد و هدف گذاری به منظور تحقق مدیریت سرزمینی پایدار در این منطقه مبتنی بر افق های زمانی کوتاه مدت با اولویت بسیار زیاد صورت پذیرد. بطورکلی یافته های پژوهش حاضر بر بحرانی بودن وضعیت منابع آب سطحی در منطقه موردمطالعه و ضرورت توجه ویژه جهت مدیریت معضلات منتج شده از آن تاکید دارد. https://gisj.sbu.ac.ir/article_106369.html سابقه و هدف: فرسایش بادی یکی از جدی‌ترین مسائل زیست محیطی در جهان است. مهمترین اثرات حاصل از فرساش بادی شامل تشکیل رسوبات بادی، فقر پوشش گیاهی، تغییر بافت خاک، کاهش حاصل‌خیزی خاک، تخریب اراضی و آلودگی هوا می‌باشد. بررسی فرسایش بادی یکی از مراحل موثر در مدیریت و کنترل این پدیده می‌باشد. در این راستا ابزارهایی که برای شناسایی و پایش فرسایش بادی اهمیت یافته است شامل فناوری سنجش از دور و هوش مصنوعی که برپایه الگوریتم‌های متعددی طراحی شده است. هدف از این مطالعه شناسایی و پایش مناطق مستعد و حساس به فرسایش بادی با استفاده از تصاویر ماهواره‌ لندست، فناوری یادگیری ماشین و کاربرد الگوریتم جنگل تصادفی طی سال‌های 2013 تا 2023 در منطقه مورد مطالعه می‌باشد. مواد و روش‌ها: در این مطالعه برای شناسایی مناطق حساس به فرسایش بادی از سه شاخص سنجش از دور شامل شاخص‌ پوشش گیاهی تعدیل شده خاک (SAVI)، شاخص تفاضلی نرمال شده رطوبت (NDMI) و شاخص دمای سطح زمین (LST) در دوره زمانی 2013 تا 2023 استفاده گردید. در این راستا از تصاویر ماهواره لندست 8 و سنجنده OLI مربوط به ماه خرداد استفاده شد. برای شناسایی و پایش مناطق مستعد به فرسایش بادی از روش یادگیری ماشین و الگوریتم جنگل تصادفی (RF) بهره گرفته شد. ارزیابی فرسایش بادی حاصل از الگوریتم جنگل تصادفی در چهار کلاس کم، متوسط، شدید و خیلی شدید طبقه‌بندی شد. همچنین الگوریتم جنگل تصادفی اهمیت نسبی شاخص‌های ورودی برای شناسایی مناطق مستعد به فرسایش بادی در دوره زمانی 2013 تا 2023 را نیز نشان داد. صحت و اعتبارسنجی مدل الگوریتم جنگل تصادفی با شاخص‌های آماری، ضریب همبستگی (R2)، جذر میانگین مربعات خطا (RMSE)، میانگین مربعات خطا (MSE) و سطح زیر منحنی راک (AUC) تعیین گردید.نتایج و بحث: نتایج ارزیابی فرسایش بادی در بازه زمانی 2013 تا 2023 نشان داد، شاخص SAVI از سال 2013 با مقادیر حداکثر 78/0 و حداقل 41/0- تا سال 2018 با مقادیر حداکثر 79/0 و حداقل 09/0- افزایش یافته است. از سال 2018 تا سال 2022 با مقادیر حداکثر 00015/0 و حداقل 00005/0- میزان پوشش گیاهی کاهش چشمگیر را نشان داد. شاخص NDMI از سال 2013 با میزان حداکثر 91/0 و حداقل 1- تا سال 2016 با مقدار حداکثر 51/0 و حداقل 99/0- بیانگر روند کاهشی رطوبت سطح خاک است. از سال 2016 تا سال 2018 با مقدار حداکثر 1 و حداقل 77/0- نشان‌دهنده روند افزایشی رطوبت سطحی خاک بوده است. همچنین از سال 2018 تا سال 2023 با مقادیر حداکثر 84/0 و حداقل 1- بیانگر روند کاهشی رطوبت سطحی خاک می‌باشد. شاخص LST در دوره زمانی 2013 تا 2023 نیز براساس شاخص‌های پوشش گیاهی و رطوبت سطحی خاک نوسان داشته است. بحرانی‌ترین وضعیت از حیث فرسایش بادی مربوط به سال 2022، با سطح 3530221 هکتار (86/99 درصد) در کلاس بسیارشدید برآورد شد. نتایج اعتبارسنجی الگوریتم جنگل تصادفی جهت شناسایی مناطق مستعد به فرسایش بادی در منطقه مورد مطالعه طی سا‌ل‌های 2013 تا 2023 نشان داد، ضرایب همبستگی بین 4/0 تا 87/0، مجذور مربعات خطا بین 022/0 تا 069/0، میانگین مربعات خطا بین 0 تا 0048/0 و میزان سطح زیر منحنی راک بیش از 923/0 برآورد گردید. نتایج بیانگر کارآیی بالای الگوریتم جنگل تصادفی جهت شناسایی مناطق حساس به فرسایش بادی در منطقه مورد مطالعه است. از موثرترین شاخص‌های مورد بررسی در فرسایش بادی در منطقه مورد مطالعه شاخص SAVI به‌دست آمد.نتیجه‌گیری : نتایج بیانگر سال 2022 بحرانی‌ترین سال از لحاظ پدیده فرسایش بادی در کلاس بسیارشدید به‌دست آمد. از عوامل موثر بر فرسایش بادی طی سال‌های 2013 تا 2023 عوامل وضعیت پوشش گیاهی و عامل رطوبت سطحی خاک می‌باشد. در این تحقیق از اطلاعات حاصل از پایش و شناسایی مناطق مستعد به فرسایش می‌توان برای برنامه‌ریزی پروژه‌ها، با هدف مدیریت و کنترل فرسایش بادی در منطقه مورد مطالعه بهره جست. https://gisj.sbu.ac.ir/article_106370.html چکیده سابقه و هدف: پایش گازهای گلخانه‌ای، به‌ویژه متان، به دلیل تأثیر آن بر تغییرات اقلیمی و گرمایش جهانی، از اهمیت ویژه‌ای برخوردار است. متان، پس از دی‌اکسید کربن، دومین گاز گلخانه‌ای مهم ناشی از فعالیت‌های انسانی است و به دلیل توانایی بالای آن در جذب و حفظ گرما، تأثیر بسزایی در افزایش دمای زمین دارد. مطالعات نشان می‌دهند که در یک بازه زمانی ۲۰ ساله، اثر گرمایشی متان حدود ۸۴ برابر بیشتر از دی‌اکسید کربن است. ازاین‌رو، شناسایی منابع انتشار و پایش دقیق آن در مقیاس‌های محلی، منطقه‌ای و جهانی، امری ضروری برای تدوین راهبردهای مؤثر در کاهش تغییرات اقلیمی محسوب می‌شود. دو رویکرد اصلی برای پایش متان وجود دارد: روش پایین به بالا که بر اندازه‌گیری‌های محلی و موجودی انتشار متکی است، و روش بالا به پایین که مبتنی بر سنجش از دور و مدل‌سازی معکوس است. روش بالا به پایین، با بهره‌گیری از فناوری‌های سنجش از دور مانند سنجنده‌های ماهواره‌ای و هوابرد، امکان شناسایی و تحلیل غلظت متان را در مقیاس‌های وسیع فراهم می‌کند و به‌ویژه در مناطقی که داده‌های زمینی کافی در دسترس نیست، از اهمیت بالایی برخوردار است. در این پژوهش، فناوری‌های سنجش از دور مورد استفاده در پایش متان، شامل سنجنده‌های مادون قرمز حرارتی، طیف‌سنجی موج کوتاه و لیدار بررسی شده و مزایا و محدودیت‌های هر یک تحلیل گردیده است. مواد و روش‌ها: این پژوهش با هدف بررسی روش‌های پایش متان از طریق رویکرد بالا به پایین و داده‌های سنجش از دور انجام شده است. برای این منظور، مطالعات کتابخانه ای گسترده ای برای شناسایی فناوری‌های مختلف سنجنده‌های ماهواره‌ای و هوابرد صورت گرفته است. این فناوری‌ها شامل سنجنده‌های مادون قرمز حرارتی، مادون قرمز موج کوتاه و لیدار هستند. در این پژوهش، ترکیب داده‌های حاصل از سنجنده‌های مختلف، به‌منظور بهبود دقت و کاهش عدم قطعیت‌های مرتبط با هر روش، مورد بررسی قرار گرفته است. نتایج و بحث: نتایج این پژوهش نشان می‌دهد که فناوری‌های سنجش از دور، به‌ویژه مادون قرمز موج کوتاه و لیدار، ابزارهای قدرتمندی برای پایش متان در مقیاس‌های وسیع محسوب می‌شوند. سنجنده‌های مادون قرمز حرارتی و موج کوتاه، به دلیل حساسیت طیفی بالا، توانایی شناسایی و اندازه‌گیری غلظت متان را در جو دارند، اما با چالش‌هایی از جمله تداخل طیفی متان با سایر گازهای جوی مانند بخار آب و دی‌اکسید کربن مواجه هستند که دقت اندازه‌گیری‌ها را تحت تأثیر قرار می‌دهد. از سوی دیگر، لیدار به دلیل ارائه داده‌های سه‌بعدی و اندازه‌گیری مستقیم غلظت متان، دقت بالاتری نسبت به سایر روش‌های سنجش از دور دارد. بااین‌حال، هزینه بالا و نیاز به تجهیزات پیشرفته، از جمله محدودیت‌های این روش محسوب می‌شود. یکی از چالش‌های اصلی در استفاده از این فناوری‌ها، محدودیت‌های تفکیک مکانی و زمانی داده‌های سنجنده‌های ماهواره‌ای است. اگرچه این سنجنده‌ها امکان پایش متان را در مقیاس‌های وسیع فراهم می‌کنند، اما در تشخیص منابع انتشار نقطه‌ای، مانند نشت‌های کوچک گاز از تأسیسات نفت و گاز، دچار محدودیت هستند. موانع محیطی و جوی نیز چالش دیگری در پایش متان به روش سنجش از دور محسوب می‌شوند. پوشش ابر، ذرات معلق و بخار آب در جو می‌توانند موجب جذب و پراکندگی تابش در باندهای مادون قرمز شوند و دقت اندازه‌گیری‌ها را کاهش دهند. همچنین، ناهماهنگی در پارامترهای مدل‌سازی معکوس، مانند دما و فشار جو، می‌تواند موجب افزایش خطاهای سیستماتیک در برآورد غلظت متان شود. برای کاهش این چالش‌ها، ترکیب داده‌های چندمنبعی از سنجنده‌های ماهواره‌ای، هوابرد و زمینی پیشنهاد شده است. نتیجه‌گیری: پایش متان با استفاده از رویکرد بالا به پایین و داده‌های سنجش از دور، به‌ویژه از طریق ماهواره‌ها و سامانه‌های هوابرد، نقش مهمی در نظارت جهانی بر انتشار این گاز و ارزیابی تأثیر آن بر تغییرات اقلیمی دارد. فناوری‌هایی مانند مادون قرمز موج کوتاه، مادون قرمز حرارتی و لیدار، امکان شناسایی منابع انتشار، تخمین غلظت متان و پایش گسترده آن را در مقیاس‌های مختلف فراهم می‌کنند. بااین‌حال، این روش‌ها با چالش‌هایی همچون محدودیت‌های تفکیک مکانی و زمانی، تأثیرپذیری از شرایط جوی و پیچیدگی‌های مدل‌سازی داده‌ها مواجه هستند. توسعه سنجنده‌های پیشرفته‌تر، بهبود مدل‌های انتقال تابش، و ادغام فناوری‌های مبتنی بر یادگیری ماشین در پردازش داده‌های سنجشی، می‌تواند به کاهش این چالش‌ها و افزایش دقت پایش متان کمک کند. درنهایت، ترکیب داده‌های چندمنبعی از سنجنده‌های ماهواره‌ای، هوابرد و زمینی، همراه با بهبود الگوریتم‌های تحلیل داده، می‌تواند موجب افزایش دقت پایش، تفکیک بهتر منابع انتشار و ارائه برآوردهای دقیق‌تر از میزان انتشار متان شود. https://gisj.sbu.ac.ir/article_106466.html چکیدهسابقه و هدف: پوشش برفی از مهم‌ترین منابع طبیعی تأثیرگذار بر منابع آبی، روان آب‌ها، کشاورزی و گردشگری بااهمیت فراوان بر عوامل طبیعی و انسانی است. سیگنال‌های اقلیمی نیز در بسیاری از موارد بر عناصر اقلیمی به‌ویژه پوشش برف در هنگام بارش و بعدازآن تأثیرگذار خواهد بود. اثر نوسانات اقلیمی بر تغییر پوشش و ذوب برف در مدیریت منابع آب رودخانه‌هایی که با ذوب برف تغذیه می‌شوند، بسیار اهمیت دارد. بنابراین در تحقیق حاضر به تحلیل رفتار پوشش برفی حوضه آبریز کارون و ارتباط آن با سیگنال‌های اقلیمی طی دوره آماری 22 ساله (2022-2001) پرداخته شد.مواد و روش‌ها: ابتدا محصولات‌ آماده‌ و اعتبارسنجی شده سنجنده MODIS نمایه پوشش برف (NDSI) در محیط گوگل ارث انجین (GEE) منطبق بر حوضه آبریز کارون دریافت و در ادامه داده‌های 29 الگوی دور پیوند تأثیرگذار بر اقلیم ایران و حوضه موردنظر، طی سری زمانی ذکرشده تنظیم شد. سپس برای محاسبه روند و شدت تغییرات پوشش برف، از روش نا پارامتری منکندال و شیب سنس استفاده‌شده است. در ادامه با استفاده از روش آماری پیرسن ارتباط بین داده‌های پوشش برف و الگوهای دور پیوند در محیط نرم‌افزار SPSS محاسبه و تجزیه‌وتحلیل شد.نتایج و بحث: یافته‌های این پژوهش نشان‌دهنده روند کاهشی پوشش برف طی ماه‌های سرد سال در حوضه منتخب همراه با جهش منفی معنی‌دار بوده است. به‌عبارت‌دیگر در ماه‌های ژانویه، فوریه، مارس، آوریل، نوامبر و دسامبر طی دوره موردمطالعه به ترتیب روند پوشش برف به‌صورت منفی با جهش کاهشی مشاهده گردید. نتایج خروجی تخمین گر شیب سنس نیز نشان‌دهنده کاهش 2794 کیلومترمربعی وسعت پوشش برف در هرسال بوده است. تحلیل همبستگی بین وسعت پوشش برف حوضه آبریز کارون با شاخص‌های دور پیوندی نیز نشان داد که این پوشش به‌طور معناداری تحت تأثیر برخی از الگوهای جوی–اقیانوسی قرار دارد. طبق نتایج در سطح اطمینان 05/0 به‌صورت هم‌زمان بین شاخص‌هایی نظیر GMSST (ماه فوریه) EAWR (ماه مارس) SOI و RMM2 (دسامبر) و طی دوره سرد سال از ماه نوامبر تا می با شاخص Solar Flux و با تأخیر یک‌ماهه با شاخص‌های EA، AAO، EAWR، RMM2 و SOI همبستگی منفی معنی‌دار مشاهده شد. علاوه بر این، در سطح اطمینان 01/0 نیز ارتباط منفی معناداری با شاخص AMO در ماه نوامبر ایجاد شد. از سوی دیگر، همبستگی‌های مثبت معناداری در سطح اطمینان 05/0 بین پوشش برف با شاخص‌هایی همچون EAWR، EPNP، SCA، PBO، OSI، NINO3.4، NINO4، ONI، PNA و طی دوره سرد سال (نوامبر تا می) با شاخص‌های SOI، MEIv2، ESPI و EPO آشکار شد. در سطح اطمینان 01/0 نیز ارتباط مثبت معناداری با شاخص SCA (در ماه می) و با شاخص‌های ENSO محور (ONI، NINO3.4، NINO4، MEI v2، ESPI و NINO3.1) به‌ویژه در دسامبر مشاهده‌شده است. به‌طورکلی بالاترین همبستگی مشاهده‌شده مربوط الگوهای نینو در شاخص مختلف و الگوهای دور پیوند نظیر EAWR ، MEIVE2و نوسان جنوبی (SOI) بوده است. از یافته‌های این پژوهش می‌توان نتیجه‌گیری کرد که به‌صورت هم‌زمان و یا با تأخیر نوسانات برخی از الگوهای دور پیوند ذکرشده بر پوشش برفی حوضه آبریز کارون ارتباط آماری معناداری داشته است. بنابراین با توجه به قابل پیش‌بینی بودن این الگوهای دور پیوندی و وجود همبستگی‌های قوی می‌توان بهبود پیش‌بینی‌ها وسعت پوشش برف آینده این حوضه را با دقت بهتر مشخص کرد.نتیجه‌گیری: مطابق با نتایج این پژوهش در بازه زمانی (2022-2001) موردمطالعه، مشخص شد که پوشش برف در حوضه آبریز کارون در حال کاهش است. در ضمن، مشاهده شد که نوسان در برخی از الگوهای دور پیوند موردنظر در این پژوهش در فازهای مثبت و منفی خود می‌تواند به‌صورت هم‌زمان و با تأخیر به‌صورت کاهشی یا افزایشی باعث نوسان در وسعت پوشش برفی حوضه آبریز کارون گردد. از سوی دیگر، با توجه به قابلیت پیش‌بینی‌پذیری نسبی الگوهای دور پیوندی موردبررسی، پیشنهاد می‌شود در مطالعات آتی از رویکردهای مدل‌سازی پیشرفته نظیر یادگیری ماشینی یا شبکه‌های عصبی عمیق بهره گرفته شود. به‌کارگیری این روش‌ها می‌تواند امکان برآورد دقیق‌تر نوسانات شاخص‌های دور پیوندی و درنتیجه بهبود پیش‌بینی تغییرات وسعت پوشش برفی در حوضه آبریز کارون را فراهم آورد. https://gisj.sbu.ac.ir/article_106538.html چکیدهسابقه و هدف: خشکسالی آب زیرزمینی، به‌معنای تداوم کمبود در ذخیره آب زیرزمینی، یکی از زیرگروه‌های مهم خشکسالی هیدرولوژیکی است که بر آب شرب، آبیاری و صنعت اثر مستقیم دارد. فلات مرکزی ایران به‌دلیل تغییرپذیری اقلیم و افزایش تقاضا با تنش آبی مزمن مواجه است. در این پژوهش، وضعیت خشکسالی آب زیرزمینی و روند بلندمدت ناهنجاری‌های ذخیره آب زیرزمینی (GWSA)در حوضه‌های فلات مرکزی با بهره‌گیری از محصول ماهواره‌ای G3P، بر پایه داده‌های گرانشی GRACE/GRACE-FO با تفکیک مکانی 0.5 درجه و دوره ماهانه از آوریل ۲۰۰۲ تا سپتامبر ۲۰۲۳، ارزیابی می‌شود. استفاده از محصول ماهواره‌ای جدیدG3P می‌تواند هزینه‌های پایش میدانی را کاهش داده و به جای اتکا به داده‌های محدود مشاهداتی، تصویری جامع‌تر از وضعیت آب زیرزمینی نشان دهد. حوضه آبریز فلات مرکزی ایران به دلیل تغییرات اقلیمی و کاهش منابع آب قابل دسترس از یک سو و افزایش جمعیت و به تبع آن افزایش تقاضا از سوی دیگر با بحران شدید آب مواجه است. با توجه به آن‌که منابع آب زیرزمینی سهم عمده‌ای در تأمین آب شرب، کشاورزی و صنعت در این منطقه خشک و نیمه‌خشک دارد، بررسی دقیق تغییرات آن از اهمیت ویژه‌ای برخوردار است. مواد و روش‌ها: برای تحلیل تغییرات آب زیرزمینی از داده‌های ماهواره‌ای G3P استفاده شد. این داده‌ها از وب‌سایت G3P Data Portal برای دوره 16/4/2002 تا 16/9/2023 استخراج شدند. داده‌های G3P بر پایه مشاهدات جاذبه‌ای ماهواره‌های GRACE و GRACE-FO تهیه شده‌اند و به صورت ماهانه با رزولوشن مکانی 0.5 درجه(50 کیلومتر) منتشر می‌شوند. G3P با استفاده از داده‌های میدانی و بازتحلیل‌شده مانند GLDAS، مؤلفه‌های سطحی ذخیره آب شامل رطوبت خاک، آب سطحی، برف و یخ و پوشش گیاهی را برآورد کرده و سپس حجم آب زیرزمینی را با استفاده از معادله موازنه آب محاسبه می‌کند. با استفاده از برنامه پایتون و اکسل شاخص‌های GWSA و GDI پردازش شد. در این مطالعه: (۱) روند زمانی GWSA میانگین-حوضه‌ای (بر حسب میلی‌متر ارتفاع معادل آب) و (۲) شاخص خشکسالی آب زیرزمینی (GDI) بر پایه نرمال‌سازی ناهنجاری های ماهانه نسبت به اقلیم مرجع محاسبه شد تا آغاز، تداوم و شدت خشکسالی تعیین شود.نتایج و بحث: حوضه‌های فلات مرکزی طی دوره ۲۰۰۲ - ۲۰۲۳ روند منفی و معنی‌دار GWSA و شاخص خشکسالی GDIرا نشان می‌دهند؛ شدت کاهش از حدود سال ۲۰۱۱ آغاز و پس از سال ۲۰۱۶ تشدید شده است. از نظر مکانی، بیشترین کاهش‌ها در زیربخش‌های جنوبی و مرکزی، برای نمونه: ابرقو–سیرجان، طشک–بختگان–مهارلو و ناحیه دره انجیر و همچینین استان‌های یزد، کرمان، اصفهان و شمال فارس، قابل توجه‌ است، در حالی‌که زیربخش‌های شمالی (سمنان، تهران و بخش‌هایی از خراسان) روندهای منفی ملایم‌تری دارند. از نظر فصلی، کمبودها در اواخر زمستان تا بهار برجسته‌تر است که با الگوی بارش و دوره‌های اوج برداشت سازگار است. شاخص GDI وقوع دوره‌های مکرر و طولانی خشکسالی آب زیرزمینی را در یک دهه اخیر تأیید می‌کند. براساس نتایج ماه‌های ژانویه، فوریه، مارس، آوریل، می، ژوئن و دسامبر دارای روند منفی هستند. ماه فوریه با منفی 66.81 میلی‌متر ، ماه مارس با منفی 65.78 میلی‌متر و ماه ژانویه با منفی 54.76 میلی‌متر به ترتیب دارای بیشترین روند منفی هستند. حوضه آبریز دریاچه نمک با میانگین منفی 2.21 میلی‌متر و حوضه آبریز ابرقو-سیرجان با منفی 22.21 میلی‌متر به ترتیب کمترین و بیشترین روند کاهشی را در طی دوره مورد مطالعه داشته‌اند.نتیجه گیری: ذخیره آب زیرزمینی در سراسر فلات مرکزی ایران از 2002 تاکنون به‌طور پیوسته کاهش یافته و پس از 2016 به طور قابل توجهی تشدید شده است. عدم وجود هرگونه روند مثبت پایدار، نشان دهنده بحران طولانی مدت تخلیه آب‌های زیرزمینی، به ویژه در حوضه‌های جنوبی و مرکزی است. استفاده معمول از GWSA ماهواره‌ای، نظارت مقرون به صرفه و در مقیاس حوضه را برای پشتیبانی از هشدار زودهنگام خشکسالی و برنامه‌ریزی راهبردی منابع آب در محیط‌های با داده‌های محدود ارائه می‌دهد. داده‌ها نشان می‌دهند که تمامی مناطق این حوضه با کاهش مستمر سطح و ذخیره‌ی آب زیرزمینی مواجه شده‌اند. شدت این کاهش در بخش‌های جنوبی و مرکزی حوضه، شامل استان‌های یزد، کرمان، اصفهان و شمال فارس، قابل توجه‌ است. مناطق شمالی‌تر همچون سمنان، تهران و بخش‌هایی از خراسان نیز روند کاهشی داشته‌اند، هرچند شدت آن نسبت به بخش‌های مرکزی و جنوبی کمتر است. نتایج نشان می‌دهد که حوضه‌های ابرقو-سیرجان، طشک-بختگان-مهارلو و کویر دره انجیر با نزولی‌ترین وضعیت مواجه هستند.واژه‌های کلیدی: ذخیره آب زیرزمینی، خشکسالی، حوضه‌آبریز، فلات مرکزی ایران، G3P https://gisj.sbu.ac.ir/article_106546.html چکیدهسابقه و هدف:لیشمانیوز پوستی مرطوب (ZCL) به‌عنوان یکی از مهم‌ترین بیماری‌های انگلی منتقله توسط ناقلین، یکی از چالش‌های جدی سلامت عمومی در بسیاری از مناطق نیمه‌خشک و گرم جهان، به‌ویژه در خاورمیانه و ایران، به شمار می‌رود. این بیماری از الگوی مکانی–زمانی مشخصی پیروی می‌کند که به‌شدت تحت تأثیر متغیرهای محیطی و اکولوژیکی از جمله دما، پوشش گیاهی و رطوبت خاک است. در سال‌های اخیر، تغییرات اقلیمی، تخریب زیستگاه‌ها و گسترش سکونتگاه‌های انسانی در مناطق حساس، موجب تغییر در پراکنش ناقلین و مخازن بیماری شده و خطر ظهور یا گسترش کانون‌های جدید را افزایش داده است. ازاین‌رو، برآورد پیش‌نگر ریسک بروز بیماری در افق‌های زمانی آینده، نقش کلیدی در طراحی مداخلات هدفمند، تخصیص بهینه منابع، برنامه‌ریزی پیشگیرانه و استقرار سامانه‌های هشدار زودهنگام ایفا می‌کند. این پژوهش با هدف پیش‌بینی ریسک فضایی–زمانی لیشمانیوز پوستی مرطوب تا افق ۲۰۳۰ در استان ایلام، با تکیه بر داده‌های شبیه‌سازی‌شده سنجش‌ازدور و سوابق اپیدمیولوژیک موجود انجام شد.مواد و روش‌ها:در گام نخست، تعداد ۵٬۳۵۳ مورد ثبت‌شده ابتلا به ZCL طی دوره ۲۰۱۴ تا ۲۰۱۹ پس از پالایش و کنترل کیفی، زمین‌مرجع (Georeference) شده و نقشه پایه شدت بیماری در محیط سامانه اطلاعات جغرافیایی (GIS) تولید گردید. این نقشه به‌عنوان لایه اپیدمیولوژیک اصلی و نماینده الگوی گذشته بیماری در مدل‌سازی مورد استفاده قرار گرفت. سپس، سه متغیر محیطی کلیدی شامل شاخص سبزینگی پوشش گیاهی(SAVI) ، دمای سطح زمین (LST) و شاخص رطوبت خاک(SMI) از تصاویر ماهواره‌ای Landsat 8 در بازه زمانی ۲۰۱۴ تا ۲۰۲۴ و در بستر پلتفرم Google Earth Engine استخراج و ‌پردازش شد. سری زمانی ده‌ساله هر یک از این متغیرها در مقیاس پیکسلی با استفاده از مدل رگرسیون خطی تحلیل و روند تغییرات آن‌ها شناسایی گردید. بر اساس این روندها، مقادیر هر شاخص برای سال ۲۰۳۰ برون‌یابی و نقشه‌های محیطی شبیه‌سازی‌شده آینده تولید شد. در ادامه، نقشه داده‌های اپیدمیولوژیک تجمیعی و لایه‌های محیطی شبیه‌سازی‌شده به‌عنوان ورودی در قالب الگوریتم ماشین بردار پشتیبان (Support Vector Machine) ادغام شد و مدل پیش‌بینی ریسک ZCL برای سال ۲۰۳۰ توسعه یافت. کارایی مدل با استفاده از شاخص‌های آماری شامل ریشه میانگین مربعات خطا (RMSE)، میانگین خطای مطلق (MAE)، مساحت زیر منحنی ROC (AUC)، ضریب کاپا (Kappa)، دقت کلی و همچنین اعتبارسنجی متقاطع فضایی k-تایی ارزیابی شد. افزون‌براین، به‌منظور بررسی پایداری مدل، نقشه عدم‌قطعیت بر پایه انحراف معیار خروجی‌های مدل استخراج شده و به‌صورت یک لایه مستقل ترسیم گردید.نتایج و بحث:نتایج نشان داد که چارچوب پیشنهادی از توان بالایی در بازنمایی الگوهای مکانی–زمانی ریسک لیشمانیوز پوستی مرطوب برخوردار است. مدل SVM با مقادیر RMSE≈18.9، MAE≈7.5، AUC≈0.81، Kappa≈0.68 و صحت کلی در حدود 0.91 عملکردی قابل‌اتکا در تفکیک نواحی پرخطر، میان‌خطر و کم‌خطر از خود نشان داد. نقشه ریسک ترسیم‌شده برای سال ۲۰۳۰ حاکی از تمرکز بالاتر سطوح ریسک در نواحی خشک، گرم و کم‌ارتفاع جنوب و غرب استان ایلام بود، در حالی که مناطق مرتفع‌تر، کوهستانی و دارای پوشش گیاهی متراکم‌تر در شمال، مرکز و شرق استان عمدتاً در طبقات ریسک پایین قرار گرفتند. تحلیل هم‌مکانی میان لایه‌های محیطی و نقشه ریسک نشان داد که افزایش دمای سطح زمین همراه با کاهش شاخص سبزینگی و افت رطوبت خاک، با تشدید و گسترش نواحی پرخطر رابطه معناداری دارد. علاوه بر این، نقشه عدم‌قطعیت حاکی از آن بود که میزان عدم‌اطمینان در اکثر مناطق بحرانی نسبتاً پایین و در محدوده‌های حاشیه‌ای و انتقالی اندکی بیشتر است که نشان‌دهنده پایداری و قابلیت اتکای نتایج مدل می‌باشد.نتیجه‌گیری:یافته‌های این پژوهش نشان می‌دهد که ادغام داده‌های شبیه‌سازی‌شده سنجش‌ازدور، اطلاعات مکانی و الگوریتم‌های پیشرفته یادگیری ماشین، چارچوبی نیرومند، کارآمد و قابل تعمیم برای پیش‌بینی ریسک آینده لیشمانیوز پوستی مرطوب در مناطق آندمیک فراهم می‌سازد. الگوی گسترش خوشه‌های پرخطر به سوی بخش‌های جنوبی استان ایلام در سناریوی ۲۰۳۰، ضرورت پایش مستمر متغیرهای محیطی، اجرای مداخلات هدفمند در نقاط بحرانی و توسعه برنامه‌های پیشگیرانه سازگار با تغییرات اقلیمی را برجسته می‌سازد. چارچوب ارائه‌شده قابلیت آن را دارد که به‌عنوان زیرساختی علمی برای طراحی سامانه‌های پایش هوشمند و هشدار زودهنگام بیماری‌های وابسته به محیط به کار گرفته شود و نقش مؤثری در پشتیبانی از سیاست‌گذاری داده‌محور، مدیریت بهینه منابع و ارتقای سلامت عمومی ایفا نماید. https://gisj.sbu.ac.ir/article_106547.html مقدمه: امروزه با استفاده از تصاویر ماهواره‌ای می‌توان طبقه‌بندی پوشش زمین را که یکی از روش‌های کلیدی در تحلیل تغییرات محیطی، مدیریت منابع طبیعی، ارزیابی تغییرات کاربری اراضی و پایش مخاطرات طبیعی به شمار می‌رود، انجام داد. این روش‌ها به تصمیم‌گیران شهری، مدیران منابع زمینی و غیره کمک می‌کنند تا اطلاعات دقیقی از وضعیت فعلی و روند تغییرات محیطی به‌دست آورند. در این میان، روش‌های طبقه‌بندی نظارت‌نشده، به‌دلیل عدم نیاز به داده‌های آموزشی برچسب‌خورده، کاربرد وسیعی در تحلیل داده‌های بزرگ و پیچیده دارند.هدف: هدف از این پژوهش، طراحی و پیاده‌سازی یک روش سریع، مرتب، دقیق و قابل اجرا در کوتاه ترین زمان برای طبقه‌بندی نظارت‌نشده تصاویر ماهواره‌ای Landsat-8 است. این روش مبتنی بر شاخص های مختلف و تلفیق الگوریتم K-means و یک شبکه عصبی مصنوعی ساده است و به گونه‌ای طراحی شده که نیازی به داده‌های آموزشی ندارد.روش: در این روش، تصویر ماهواره‌ای لندست 8 شامل 10 باند اصلی (7 باند چندطیفی، 2 باند حرارتی، و 1 باند پانکروماتیک) پیش‌پردازش شد. سپس شاخص‌های متنوعی نظیر (NDVI) شاخص پوشش گیاهی،  (NDBI)  شاخص ساخت‌وساز، (NDWI) شاخص رطوبت و شاخص (SAVI,DBI)  استخراج شدند. همچنین ویژگی‌هایی مانند روشنایی، بافت، و لبه‌ها نیز برای تفکیک بهتر کلاس‌ها استخراج شد. پس از نرمال‌سازی داده‌ها، الگوریتم K-means برای خوشه‌بندی اولیه به‌کار رفت و نتایج آن به‌عنوان برچسب‌های ضعیف به شبکه عصبی وارد شد. شبکه عصبی طراحی‌شده دارای یک لایه پنهان ساده بود که با ورودی گرفتن از ویژگی‌های استخراج‌شده، خوشه‌ها را اصلاح و طبقه‌بندی نهایی را انجام داد. از باند حرارتی برای تفکیک سطوح خاک گرم و خشک از مناطق سایه‌دار و سرد استفاده شد. باند پانکروماتیک نیز برای تشخیص دقیق مسیرهای ارتباطی درون و بیرون شهری استفاده شد.نتایج: نتایج نهایی طبقه‌بندی نشان داد که روش پیشنهادی توانسته است با دقت 80.36 درصد قابل قبول است باشد این الگوریتم توانسته بام خانه، کوه خشک، خاک برهنه و سطوح غیرپوشیده و خیابان های درون شهری و جاده های برون شهری را با مرزهای واضح از یکدیگر تفکیک کند. مقدار نویز در تصویر خروجی طبقه بندی نظارت نشده بهبود یافته به‌صورت محسوسی کاهش یافته و انسجام مکانی کلاس‌ها حفظ شده است. ارزیابی کیفی در منطقه سبزوار نشان داد که طبقه‌بندی نظارت نشده بهبود یافته انجام‌شده قادر است پوشش گیاهی، مناطق ساخته‌شده و اراضی بایر را با دقت و جزئیات مکانی بالا تشخیص دهد. همچنین خیابان‌های درون شهری را به‌خوبی از جاده‌های برون شهری جدا  کند.نتیجه گیری: در این پژوهش، با بهره‌گیری از شاخص‌های طیفی نظیر NDVI، NDBI، NDWI، باندهای حرارتی و یک باند مصنوعی و شبکه عصبی ساده طراحی شد. هدف اصلی پژوهش تفکیک دقیق کلاس‌های سطح زمین در مناطق شهری و کوهستانی است. الگوریتم طبقه بندی نظارت نشده بهبود یافته با وجود عدم استفاده از داده‌های آموزشی یا الگوریتم‌های آماده، توانسته است مرزبندی کلاس‌های مشابه مانند خیابان‌های درون‌شهری، جاده‌های برون‌شهری، کوه‌های بدون پوشش و بام خانه‌ها را با دقت بالا انجام دهد. مقایسه الگوریتم بهبود یافته با دیگر الگویتم‌های SVM, Decision Tree نشان می دهد اگرچه دقت کلی روش پیشنهادی (80.36٪) و ضریب کاپا (0.72)  پایین‌تر از الگوریتم نامرده است ولی کیفیت مکانی و تفکیک‌پذیری فضایی آن به‌مراتب بالاتر  از الگوریتم های نام برده شده است. نقشه‌های خروجی الگوریتم بهبود یافته از نظر بصری و تحلیلی واقع‌گراتر است. https://gisj.sbu.ac.ir/article_106555.html سابقه و هدف: شوری خاک یکی از عوامل اصلی تخریب اکوسیستم‌های طبیعی مناطق خشک و نیمه ‌‌خشک به شمار می‌رود. پایش و نقشه‌برداری به موقع و مؤثر شوری خاک برای جلوگیری از تخریب اراضی و ارتقای مدیریت پایدار خاک ضروری است. داده‌های سنجش از دور به ‌عنوان ابزاری کارآمد و دقیق برای شناسایی شوری خاک شناخته می‌شوند. استان خوزستان، یکی از مناطق مهم کشاورزی ایران، با چالش‌های شوری مواجه است. بنابراین، هدف این پژوهش، نقشه ‌برداری و پایش شوری خاک در شهرستان باوی در استان خوزستان با استفاده از مدل‌های سنجش از دور مبتنی بر فضای ویژگی است.مواد و روش‌ها: ابتدا موقعیت جغرافیایی 350 نقطه به روش ابر مکعب لاتین مشروط (cLHS) تعیین شده و هدایت الکتریکی (EC) خاک در اعماق 10-0، 20-10 و 30-20 سانتی‌متر اندازه‌گیری شد. در این مطالعه، از داده‌های لندست 9 برای استخراج شاخص‌های اپتیکی و از داده‌های سنتینل 1 برای استخراج شاخص‌های راداری استفاده شد. پس از اعمال تصحیحات اولیه بر روی تصاویر ماهواره‌ای، شاخص‌ها با استفاده از ابزار محاسبه رستری در محیط نرم‌افزار ArcGIS 10.8.2 محاسبه و نرمال‌سازی شدند. در مرحله بعد، ارزش‌های رقومی (DN) پیکسل‌های متناظر از هر شاخص استخراج شده و رابطه رگرسیون خطی بین شاخص‌ها به دست آمد. بر این اساس، تعداد 12 مدل‌ فضای ویژگی دو بعدی متشکل از شاخص‌های اپتیکی و راداری در محیط نرم‌افزار SAGAGIS 9.5 ساخته شد. از مدل طبقه‌بندی خطی شوری‌ Hong و همکاران (2022) برای تهیه نقشه‌های شوری خاک استفاده شد. در نهایت، نقشه‌های شوری بر اساس طبقه‌بندی Brown و همکاران (1954) و الگوریتم ماشین بردار پشتیبان (SVM) در محیط نرم‌افزار ENVI 5.6 به پنج کلاس شوری خاک تفکیک شده و با استفاده از پارامترهای صحت کلی، ضریب کاپا و بایاس اعتبارسنجی شدند.نتایج و بحث: نتایج آمار توصیفی داده‌های میدانی نشان‌دهنده کاهش میانگین شوری و تغییرپذیری آن با افزایش عمق خاک بود. بررسی روابط رگرسیونی بین شاخص‌های سنجش از دور در مدل‌های فضای ویژگی، ضرایب تبیین (R²) بالایی را نشان داد (0/814 تا 0/973 در مدل‌های اپتیکی و 0/790 تا 0/794در مدل‌های راداری). همچنین، شاخص‌های سنجش از دور در مدل‌های فضای ویژگی اپتیکی، ارتباط قوی‌تری نسبت به مدل‌های فضای ویژگی راداری داشتند. پس از ایجاد نمودارهای پراکندگی و تعیین معادله بهترین خط برازش شده برای هر مدل فضای ویژگی، شیب خط عمود بر خط مستقیم برازش شده (K) محاسبه شد. متعاقباً، معادلات خطی برای تعیین سطح شوری خاک در مدل‌های فضای ویژگی استخراج شدند. بر اساس این معادلات، نقشه‌های شوری خاک برای هر مدل با استفاده از نرم‌افزار ArcGIS 10.8.2 تولید شدند. سپس، نقشه‌های شوری خاک به‌ دست ‌آمده از مدل‌های فضای ویژگی اپتیکی و راداری، در پنج کلاس طبقه‌بندی شدند: خاک‌های غیرشور (2-0 d/Sm)، خاک‌های کمی شور (4-2 d/Sm)، خاک‌های شور (8-4 d/Sm)، خاک‌های شدیداً شور (16-8 d/Sm) و خاک‌های فوق‌العاده شور (16< d/Sm). نتایج طبقه‌بندی نقشه‌های شوری خاک با استفاده از الگوریتم ماشین بردار پشتیبان نشان داد که مدل فضای ویژگی اپتیکی SI-Albedo در عمق 10-0 سانتی‌متر و مدل‌های فضای ویژگی راداری NRPB-RVI و RVI-NDPI به ترتیب در اعماق 20-10 و 30-20 سانتی‌متر، بهترین عملکرد را در برآورد شوری خاک داشتند. تخمین‌های انجام شده توسط این مدل‌ها درجاتی از بیش‌برآوردی شوری را در عمق‌های مورد مطالعه نشان دادند.نتیجه‌گیری: طبقات شوری خاک در نقشه مدل‌های SI-Albedo، NRPB-RVI و RVI-NDPI نشان داد که خاک‌های فوق‌العاده شور با EC بیشتر از 16 دسی زیمنس بر متر، بیشترین فراوانی را در منطقه مطالعاتی داشته و غالباً در نواحی غربی منطقه قرار گرفته‌اند. این مطالعه نشان داد که استفاده از مدل‌های فضای ویژگی اپتیکی و راداری، رویکردی کارآمد در پایش تغییرات مکانی شوری خاک در مناطق خشک و نیمه‌ خشک است. نقشه‌های سطوح شوری خاک را می‌توان برای بهینه‌سازی الگوهای آبیاری، توسعه سیستم‌های زهکشی، کشت گیاهان مقاوم به شوری، احیای پوشش‌ گیاهی و برنامه‌ریزی کاربری زمین در مناطق آسیب‌ دیده استفاده کرد. https://gisj.sbu.ac.ir/article_106570.html مقدمه: یکی از مشکلات عمده بهداشتی در شمال کشور، تولید شیرابه در مکان‌های دفن زباله و نفوذ آن به منابع آب، خاک و رسوب رودخانه‌هاست. به دلیل عواملی نظیر وقوع بارش نسبتاً زیاد، تراکم بالای جمعیت و بالا بودن سطح آب زیرزمینی در نواحی شمالی کشور و استان مازندران، مطالعه و شناسایی علمی محل دفن زباله و اثراتی که بر روی کیفیت آب سطحی در رودخانه می‌گذارد، ضرورت دارد. بنابراین، در این پژوهش با هدف بررسی و پیش‌گیری از آلودگی آب مخزن سد هراز و حفظ منابع آبی و سلامت عمومی، به بررسی تأثیر شیرابه‌های ناشی از دفن زباله در سایت عمارت شهرستان آمل بر کیفیت منابع آب پرداخته شد. نوآوری این پژوهش با تمرکز بر استفاده از داده‌های سنجش از دور و تحلیل پارامترهای کیفی آب در مخزن سد می باشد.مواد و روش‌ها‌: منطقه مورد مطالعه شامل شهرستان آمل و حوضه آبریز رودخانه هراز می‌باشد. شهرستان آمل با جمعیتی معادل 400 هزار نفر روزانه حدود 280 تن زباله تولید می‌کند. این زباله‌ها عمدتاً به سایت زباله عمارت منتقل می‌شوند که حدود 45 سال قدمت دارد و در 25 کیلومتری آمل، نزدیک محور هراز و در نزدیکی سد هراز واقع شده است. با استفاده از تصاویر ماهواره‌ای سنتینل-2 و تحلیل سنجش از دور در بستر گوگل ارث انجین، هشت پارامتر کیفی آب که با استفاده از الگوریتم‌های تجربی، قابلیت اندازه‌گیری و محاسبه با استفاده از سنجش از دور را دارند، شامل کدورت، ذرات معلق، رنگدانه‌ها، شوری، pH، NH4+-N، CWQI و عمق سکچی در بازه زمانی '2022-11-01', '2022-12-01' برای فصل مرطوب (آذرماه) و بازه‌ی زمانی '2022-06-01', '2022-07-01' برای فصل خشک (تیرماه) در سه موقعیت (نقطه مبنا، محل دفن زباله و آب سد) بررسی شدند. برای تحلیل داده‌ها از مدل‌های رگرسیون پیرسون و رگرسیون خطی چندگانه استفاده شد.نتایج و بحث: نتایج نشان داد که تمامی پارامترهای کیفی بررسی‌شده در سد هراز و محل دفن زباله عمارت همبستگی معناداری دارند. بیشترین همبستگی مربوط به شوری (81%)، کدورت (79%) و pH (78%) بوده است. در اغلب موارد، غلظت آلاینده‌ها یا پارامترهای کیفی آب از مکان نمونه قبل از دفن زباله به سمت مکان دفن زباله افزایش یافته است که شدت این افزایش به سمت سد هراز بیشتر شده است. بررسی آلاینده‌ها در دو فصل مرطوب و خشک نیز نشان داده است که غلظت آلاینده‌ها در فصل خشک بیشتر از فصل مرطوب بوده که دلیل آن کاهش بارندگی و گرم بودن هوا در این فصل می‌باشد. همچنین پارامترهای کیفی آب سد در مقایسه با نقطه مبنا تغییرات چشمگیری داشته که نشان‌دهندۀ تأثیر مستقیم شیرابه‌ها بر کیفیت آب مخرن سد است. همبستگی‌هایی که از مدل رگرسیون پیرسون بین نقاط سد و دفن زباله بدست آمده برای مدل‌های کدورت آب، ذرات معلق در آب، pH ، NH4+-N، رنگدانه آب، شوری، عمق‌سنجی، و CWQI بدست آمده که به ترتیب 79 %، 43 %، 45 %، 78 %، 78 %، 81 %، 78 % و 71 % بوده است. در مقابل بررسی کیفیت آب نقطه مبنا و تأثیر آن بر آب سد، بیشترین همبستگی را داشته و رابطه معناداری با آن دارند که حاکی از تأثیر مستقیم شیرابه‌های زباله‌های عمارت بر کیفیت آب سد هراز و افزایش آلودگی آب می‌باشد.نتیجه ‌گیری: یافته‌ها نشان داده است که در اغلب پارامترهای کیفی مورد بررسی، ارتباط معناداری بین سد هراز و محل دفن زباله عمارت وجود دارد و در اغلب موارد، میزان غلظت آلاینده‌ها در فصل خشک سال به دلیل گرم بودن هوا و دیگر عوامل محیطی بیشتر از فصل مرطوب بوده است. بنابراین توسعه سیستم‌های مدیریت پسماند با هدف کاهش آلودگی و رویکردهای مدیریتی مؤثر می‌تواند در راستای افزایش کیفیت منابع آبی و سلامت عمومی راهگشا باشد. یافته‌های این تحقیق برای سازمان‌ها و نهادهای مرتبط با محیط زیست، منابع آب و سلامت عمومی مورد استفاده خواهد بود. https://gisj.sbu.ac.ir/article_106571.html سابقه و هدف: فناوری سنجش‌ازدور از طریق پایش عرصه های طبیعی، نقش موثری در حفاظت محیط زیست و در نتیجه در توسعه پایدار ایفا می‌کند. لازمه توسعه فناوری و استقرار آن در لایه رژیم آنست که بخش محیط زیست با بخش بالادستیِ تولیدکننده تصاویر سنجشی و همچنین با سایر بهره‌برداران فناوری در بخش های مجاور مانند کشاورزی همکاری نمایند. این همکاری شامل تامین داده های مکمل مانند اندازه گیری های زمین‌پایه، تمهید پلتفرم های پردازش و بسترهای مبادله داده، تدوین قوانین امنیتی و حقوقی و همچنین مبادله تصویر می‌شود. حوزه مطالعات گذار، یکی از رویکردهای نظری است که در فهم عوامل موثر، چالش ها و دینامیک این تحولات و تعاملات بکارگرفته می‌شود. عمده مطالعاتی که تاکنون در این زمینه انجام شده‌اند، توسعه و بهره‌برداری یک فناوری را در درون یک بخش درنظر می‌گیرند ولی در عمل و بخصوص در مرحله اشاعه فناوری، تعاملات پیچیده و چند بعدی مابین سازمان ها در درون و مابین بخش ها بوقوع می‌پیوندد. فهم پیچیدگی های گذار چندبخشی پایداری همراه با شناسایی عوامل و چالش های موثر و سیاست های مناسب شتابدهی این نوع گذر، از موضوعات پژوهشی روز بوده و اهداف این تحقیق را تشکیل می‌دهند. روش: روش پژوهش کیفی است و از رویکرد فرضیه‌ ربایی یا استنتاج بهترین تبیین برای اکتشاف عوامل، چالش ها و راه‌حل های سیاستی استفاده شده است. در همین راستا نیز، استراتژیِ مطالعه موردیِ فناوری سنجش ‌از دور در حفاظت محیط زیست انتخاب شده‌است. چارچوب مفهومی تحقیق مبتنی بر چارچوب چشم‌انداز چند سطحی است که برای افزایش قدرت تفسیر تعاملات درون زنجیره ارزش فناوری و تعاملات با بخش های بالادست و مجاور، با دو مدل مدل مشهور، تکمیل شده است. روش اصلی جمع‌آوری اطلاعات مبتنی بر مصاحبه عمیق با دوازده نفر از دست‌اندرکاران فناوری سنجش‌ازدور است که با برخی اسناد راهبردی بخش بالادستیِ ارتباطات، تکمیل شده است. همگام با رویکرد پژوهش، مصاحبه ها از نوع عمیق و ساختار نیافته بوده‌اند. برای تجزیه و تحلیل مصاحبه ها از روش تحلیل مضمون با استفاده از نرم افزار مکس‌ کیو ‌دی ‌‌ای بهره برده شده‌است. یافته‌ها و بحث: چالش های شناسایی شده در هفت گروه فناورانه، سیاستی و مقرراتی، تغییر در معماری کلی سیستم، تعاملات فزاینده مابین سیستم ها، عوامل عرضه، عوامل تقاضا، فرهنگی-روانشناختی و عوامل زیرساختی دسته‌ بندی شده‌اند. ابزارهای سیاستی پیشنهادی نیز در چهار گروه مربوط به عرضه نوآوری، تقاضای نوآوری، شکل ‌گیری روابط نظام‌ ساز و زیرساخت و مقررات ‌گذاری، دسته ‌بندی شده‌اند. پرتکرارترین چالش ها مربوط به داده و تصویر بوده که ذیل سه دسته تهیه، توسعه زیرساخت پردازش و مبادله و حکمرانی ‌داده قابل دسته‌بندی هستند. همزمانی سه گروه چالش های حکمرانی ‌داده، بدون متولی بودن فناوری و ضعف در نقش کنشگران واسط، موانع جدی در برابر همکاری بین بخش ها و سازمان ها ایجاد کرده‌است. نتیجه‌گیری: چارچوب مفهومی پژوهش، توانایی کشف عوامل و تفسیر تعاملات با سایر بخش ها را افزایش داده ‌است. مهمترین این عوامل در ارتباط با لایه منظر، نقش سازمان های بین ‌المللی در توسعه فناوری همزمان با تشدید چالش های حکمرانی ‌داده، در ارتباط با بخش‌ بالادستِ زنجیره ارزش فناوری، توسعه فناوری های سار و منظومه ماهواره و پرتابگر ارزان و نهایتا در ارتباط با بخش های مجاور، تحولات فناوری جی‌آی‌اس می‌باشند. طراحی سیاست های شتابدهی این گذار باید با توجه به تفاوت منطق مداخله دولت در بخش محیط زیست با بخش های مجاور بوده و پویایی سیاست ها متناسب با افزایش تدریجی نیروی ناشی از دو الزام حکمرانی مشارکتی و همفزایی سنجنده ها باید صورت بگیرد. همچنین اگر ابزارسیاستی بنگاه دولتی با ترکیبی از ابزارهای سیاستیِ بهبود ‌دهنده حکمرانی ‌داده و توانمند کننده کنشگران واسط، مانند شبکه‌سازی و تربیت متخصصان بین ‌رشته‌ای، بکار گرفته شود، نتیجه بهتری در همکاری بین سیستم ها حاصل خواهد شد. https://gisj.sbu.ac.ir/article_106691.html چکیده مبسوطشهرهای مدرن، که با رشد سریع جمعیت و پیچیدگی‌های فزاینده اجتماعی، اقتصادی و محیطی مواجه هستند، با چالش‌های عمده‌ای در حوزه مدیریت و برنامه‌ریزی شهری روبه‌رو می‌باشند. عواملی مانند افزایش تراکم جمعیت، توسعه ناپایدار شهری، فشار بر زیرساخت‌های حیاتی، تغییرات محیطی و توزیع ناعادلانه خدمات اساسی، روش‌های سنتی مدیریت شهری را ناکافی ساخته‌اند. این چالش‌ها نیاز مبرم به ابزارهای نوآورانه، هوشمند و مبتنی بر داده را نشان می‌دهند که بتوانند حکمرانی شهری را بهبود بخشند، کیفیت خدمات را ارتقا دهند و توسعه پایدار را ممکن سازند. در میان فناوری‌های نوظهور، دوقلوی دیجیتال به‌عنوان یک راهکار نویدبخش شناخته شده است. دوقلوی دیجیتال، به‌عنوان نسخه‌ای سه‌بعدی، پویا و تعاملی از محیط واقعی شهر، توانایی شبیه‌سازی، تحلیل و پیش‌بینی عملکردهای شهری را در زمان واقعی فراهم می‌آورد و فاصله بین برنامه‌ریزی، سیاست‌گذاری و اجرا را کاهش می‌دهد.فناوری دوقلوی دیجیتال، با تلفیق داده‌های لحظه‌ای، مدل‌سازی پیشرفته، هوش مصنوعی و اینترنت اشیا، امکان ایجاد نمایی جامع و به‌روز از سیستم‌های شهری را فراهم می‌کند. این فناوری تصمیم‌گیری دقیق، بهینه و مبتنی بر داده را در مدیریت شهری ممکن ساخته و بین اجزای شهری، روابط فضایی و تأثیرات احتمالی سیاست‌ها تعامل ایجاد می‌کند و امکان حکمرانی فعال و پیش‌بینانه را فراهم می‌آورد. علاوه بر حمایت از تصمیم‌گیری عملیاتی و راهبردی، دوقلوی دیجیتال فرآیندهای طراحی شهری را تقویت می‌کند، مشارکت اجتماعی را افزایش می‌دهد، شفافیت حکمرانی را بهبود می‌بخشد و کارایی و تاب‌آوری شهری را ارتقا می‌دهد.پژوهش حاضر با هدف توسعه و پیاده‌سازی مدل دوقلوی دیجیتال برای منطقه ۳ شهرداری تهران انجام شد. مجموعه‌ای جامع از داده‌ها شامل اطلاعات مکانی و توصیفی نظیر نقشه‌های GIS، لایه‌های کاربری زمین، شبکه معابر، جمعیت‌شناسی، ارتفاع ساختمان‌ها و اطلاعات کاربری زمین جمع‌آوری شد. این داده‌ها با مطالعات میدانی تکمیل و اعتبارسنجی شدند تا دقت و قابلیت اعتماد آن‌ها تضمین شود. داده‌های جمع‌آوری‌شده ابتدا در نرم‌افزار CityEngine با استفاده از قوانین رویه‌ای (CGA) مدل‌سازی شدند تا نمایی دقیق و سه‌بعدی از ساختارهای شهری ایجاد شود. سپس این مدل در محیط ArcGIS ادغام گردید تا امکان تحلیل‌های فضایی پیشرفته، شبیه‌سازی سناریوهای مکانی–زمانی، ارزیابی دسترسی‌پذیری خدمات و بررسی تأثیر احتمالی سیاست‌های شهری فراهم شود. مدل دوقلوی دیجیتال شامل ساختمان‌های مسکونی و تجاری، تأسیسات شهری، مراکز درمانی، پارک‌ها، فضای سبز و شبکه معابر بوده و قابلیت نمایش سه‌بعدی دقیق، به‌روزرسانی لحظه‌ای و تعامل پویا را داشت.نتایج پژوهش نشان داد دوقلوی دیجیتال در حوزه‌های متنوع و چندوجهی کاربرد دارد. این فناوری طراحی شهری پیشرفته و شبیه‌سازی سناریوها قبل از اجرای واقعی را ممکن می‌سازد و به سیاست‌گذاران و برنامه‌ریزان اجازه می‌دهد پیامدها، ریسک‌ها و تبادل‌های تصمیم‌گیری را ارزیابی کنند. دوقلوی دیجیتال همچنین مشارکت شهروندان را از طریق ارائه تصویری قابل‌فهم و پلتفرم‌های تعاملی افزایش می‌دهد و شفافیت و پاسخگویی در فرآیندهای حکمرانی را ارتقا می‌بخشد. علاوه بر این، این مدل‌ها به‌عنوان مخازن بلندمدت داده‌های شهری عمل کرده و امکان تصمیم‌گیری مبتنی بر شواهد و تحلیل‌های طولی را فراهم می‌کنند. از دیدگاه اقتصادی و تجاری، دوقلوی دیجیتال فرصت‌هایی مانند گردشگری مجازی، تجربه‌های تعاملی شهری و تأمین لوکیشن برای فیلم، انیمیشن و صنعت سرگرمی فراهم می‌آورد. با ارائه نسخه‌ای زنده، پویا و تعاملی از شهر، این مدل تعامل بین اجزای شهری، روابط فضایی و اثرات متقابل را شبیه‌سازی می‌کند و تصمیم‌گیری شهری را از حالت تجربی و تخمینی به فرآیندی مبتنی بر داده و پیش‌بینی‌پذیر تبدیل می‌نماید.با وجود مزایای متعدد، محدودیت‌هایی نیز شناسایی شد؛ از جمله دسترسی ناقص به داده‌های با کیفیت، نیاز به سرمایه‌گذاری زمانی و مالی زیاد، چالش‌های فنی در مدل‌سازی و ادغام داده‌ها و ضرورت تغییر فرهنگ سازمانی برای بهره‌برداری مؤثر از فناوری‌های دیجیتال. با این حال، تلفیق ابزارهای CityEngine و ArcGIS امکان تولید یک دوقلوی دیجیتال عملی، کاربردی و مناسب برای سیاست‌گذاری و مدیریت شهری را فراهم کرده است.در نتیجه، این پژوهش نشان می‌دهد دوقلوی دیجیتال، به‌عنوان ابزار چندبعدی و پویا، توانمندی شبیه‌سازی سناریوها، تحلیل داده‌ها، افزایش مشارکت اجتماعی، بهبود کیفیت خدمات شهری و ارتقای شفافیت در فرآیندهای مدیریتی را دارد. بهره‌گیری از این فناوری می‌تواند چارچوبی علمی و عملی برای برنامه‌ریزی و توسعه پایدار شهرهای بزرگ ایران فراهم کرده و نقش یک آزمایشگاه شهری مجازی برای مدیران، طراحان و پژوهشگران ایفا نماید. ارائه مدل عملی برای منطقه ۳ تهران، نمونه‌ای کاربردی و قابل تعمیم برای سایر مناطق شهری کشور ارائه می‌دهد و پتانسیل تحول‌آفرین دوقلوی دیجیتال در ایجاد شهرهای هوشمند، مقاوم و مشارکتی را نشان می‌دهد. https://gisj.sbu.ac.ir/article_106699.html مقدمه: تاخیر در پرواز یکی از مشکلات عمده در صنعت حمل‌و‌نقل هوایی است. مطالعات قبلی کمتر به هواپیماهای رزرو و تأثیر محل استقرار آن‌‌ها در کاهش زمان تأخیر در پروازها پرداخته‌‌اند. همین مطالعات کم نشان می‌دهد که اکثر شرکت‌های هواپیمایی آن‌ها را در فرودگاه‌های اصلی خود یا همان هاب‌ها مستقر می‌کنند. به‌این‌ترتیب، در این تحقیق از شبیه‌سازی عامل‌مبنا در ترکیب با الگوریتم فراابتکاری زنبورها برای مکانی‌یابی این هواپیماها استفاده شد. شبیه‌سازی ‌عامل‌مبنا امکان قرار‌گیری هواپیماهای رزرو در فرودگاه‌های متفاوت و محاسبه میانگین تاخیر در پروازها را فراهم می‌کند. الگوریتم زنبورها هم امکان یافتن وضعیت مناسب استقرار هواپیماهای رزرو را برای کاهش تاخیرهای پرواز در زمان کوتاه فراهم می‌کند. از طرفی این الگوریتم با الگوریتم فراابتکاری بهینه‌سازی کلونی مورچگان ترکیب شد. بررسی نتایج این ترکیب در ارتقاء عملکرد الگوریتم زنبورها یکی از اهداف اصلی تحقیق است. هدف دیگر بررسی تاثیر مکان‌یابی مناسب هواپیماهای رزرو در کاهش تاخیرها در مقایسه با استقرار آن‌ها در هاب‌هاست. مواد و روش ها: در این تحقیق از نرم افزارAnylogic ‌ و نقشه GIS آن استفاده شد. همچنین از داده‌های پروازی شرکت هواپیمایی قشم‌ایر به عنوان داده واقعی استفاده شد. شبیه‌سازی هم به صورت عامل‌مبنا شامل عامل اصلی، عامل فرودگاه‌ها، عامل هواپیماهای اصلی و عامل هواپیماهای رزرو انجام شد. در شروع شبیه‌سازی هواپیماهای اصلی بر اساس زمان پروازهای خود در هفته به سمت مقصد حرکت کرده و سپس دوباره به فرودگاه مبدا بر‌می‌گردند. در ادامه فرودگاه‌ها در صورت خرابی ‌یک هواپیما، نزدیکترین هواپیمای رزرو خود را فرا‌می‌خوانند. هواپیمای رزرو هم بلافاصله پس از رسیدن به فرودگاه درخواست‌کننده، به سمت مقصد پرواز کنسل‌شده حرکت خواهد کرد. سپس به فرودگاه مبدا خود باز‌می‌گردد. میانگین زمان پرواز هواپیماهای رزرو به فرودگاه‌های درخواست‌کننده در کل زمان شبیه‌سازی به‌عنوان میانگین تاخیر در پروازها در‌نظر گرفته شد. این میانگین تاخیر به‌عنوان تابع هدف مورد‌نیاز برای هر زنبور در اجرای الگوریتم زنبورها استفاده می‌شود. از طرفی الگوریتم فراابتکاری زنبورها هم در 3 سناریوی پیشنهادی با الگوریتم بهینه‌سازی کلونی مورچگان ترکیب شد. سناریوی اول، دوم و سوم به‌ترتیب ترکیب در بخش جستجوی محلی الگوریتم، ترکیب در بخش جستجوی سراسری و ترکیب به‌صورت همزمان در هر دو بخش در‌نظر گرفته شد. سپس با 50 اجرای مستقل از هر‌یک از الگوریتم‌های ترکیبی و الگوریتم اولیه هر‌کدام با 15 تکرار، تاثیر این سناریوها در ارتقاء عملکرد الگوریتم زنبورها مورد بررسی قرار گرفت.نتایج و بحث: نتایج تحقیق، تاثیر چشمگیر هر 3 سناریو را در ارتقاء عملکرد الگوریتم زنبورها در سه بخش همگرایی الگوریتم، تکرارپذیری نتایج و همین‌طور میانگین تعداد تکرارها برای رسیدن به جواب بهینه (بهترین جواب یافت‌شده) نشان داد. سناریوی سوم به‌عنوان موثرترین سناریو، در بخش تکرارپذیری نتایج موجب رسیدن به 50 جواب بهینه از 50 اجرای انجام شده در مقایسه با 3 جواب بهینه در الگوریتم اولیه زنبورها شد که نتیجه‌ای بسیار چشمگیر است. همین‌طور این سناریو میانگین 56/14 تعداد تکرارها در الگوریتم اولیه زنبورها برای رسیدن به جواب بهینه را با کاهش 57 درصدی به 26/6 تکرار رساند. سناریوهای اول و دوم هم به‌ترتیب در مرتبه‌های بعدی اثرگذاری قرار گرفتند. همچنین الگوریتم ترکیبی پیشنهادی در مقایسه با الگوریتم‌های ترکیبی مشابه در تحقیق‌های دیگر عملکرد مناسب و قابل‌قبولی نشان داد. از طرفی نتایج تحقیق، تاثیر قابل توجه حدود 60 درصدی مکان‌یابی مناسب هواپیماهای رزرو در کاهش تاخیرهای پرواز را در مقایسه با بهترین نحوه استقرار آن‌ها در هاب‌ها نشان داد. همین‌طور نتایج تاثیر حدود 87 درصدی در کاهش تاخیرها را در مقایسه با بدترین استقرار هواپیماهای رزرو به‌عنوان بیشترین تاثیر مکان‌یابی مناسب آن‌ها نشان داد. نتیجه گیری : نتایج نشان می‌دهد که مکان‌یابی مناسب هواپیماهای رزرو می‌تواند تاثیر بالایی در کاهش تاخیر‌های پرواز داشته باشد. از طرفی الگوریتم‌های فراابتکاری کارایی مناسب خود را در مکان‌یابی هواپیماهای رزرو نشان داد. همچنین نتایج تحقیق نشان داد که ترکیب‌های خلاقانه بین الگوریتم‌های فراابتکاری از جمله ترکیب پیشنهادی در این پژوهش، می تواند تاثیر قابل‌توجهی را در ارتقاء عملکرد آن‌ها داشته باشد. https://gisj.sbu.ac.ir/article_106718.html سابقه و هدف: مدل‌های رقومی ارتفاعی از جمله ابزارهای پرکاربرد در علوم زمین خصوصاً در مطالعات ژئومورفولوژیک هستند. اگرچه انواع متعددی از مدل‌های رقومی ارتفاعی با ویژگی‌های متفاوت وجود دارد، تعداد محدودی از آنها به صورت رایگان در دسترس محققان قرار دارند. از طرفی تمام مدل‌های رقومی ارتفاعی عملکرد یکسانی ندارند. اندازه پیکسل یا سلول و الگوریتم تهیه مدل رقومی ارتفاعی از جمله مهمترین عوامل تأثیرگذار بر عملکرد مدل‌ها هستند. بنابراین یکی از مهمترین نکات در زمینه استفاده از مدل‌های رقومی ارتفاعی، انتخاب بهترین و مناسب‌ترین مدل رقومی ارتفاعی برای مطالعات ژئومورفولوژیک است. بر این اساس، در این تحقیق با هدف شناسایی مناسب‌ترین مدل رقومی ارتفاعی، چهار مدل رایج و رایگان مورد ارزیابی قرار گرفتند تا در نهایت با توجه به عملکرد هرکدام، مناسب‌ترین مدل برای مطالعات ژئومورفولوژیک شناسایی شود. انتخاب مدل رقومی ارتفاعی مناسب منجر به ارائه مطالعات با کیفیت و نتایج قابل قبول در مطالعات ژئومورفولوژی خواهد شد.مواد و روش‌ها: در این مطالعه از چهار مدل رقومی ارتفاعی رایگان شامل SRTM، ASTER، AW3D30 و ALOS PALSAR استفاده شد. قدرت تفکیک مکانی در مدل‌های مورد استفاده برای سه مورد اول حدوداً 30 متر و برای مدل ALOS PALSAR 5/12 متر است. به منظور ارزیابی کمّی عملکرد مدل‌های رقومی ارتفاعی مورد استفاده، از پارامترهای خطای ریشه میانگین مربعات یا RMSE، ژئومورفون، شیب، منحنی هیپسومتری و نیمرخ عرضی استفاده شده. با انتخاب پارامترهای مورد نظر عملکرد مدل‌های رقومی ارتفاعی از جنبه‌های مختلف از جمله دقّت عمودی، افقی و تأثیر اندازه سلول مورد ارزیابی قرار گرفت. به منظور رفع خطای مربوط به مدل‌های رقومی ارتفاعی، عملیات Fill بر روی تمام مدل‌های مورد استفاده اعمال شد. بحث و نتایج: بر اساس شاخص RMSE، مدل AW3D30 با مقدار 77/6 کمترین خطا را داشته و پس از آن مدل‌های SRTM با 36/7 و ALOS PALSAR با 02/8 قرار گرفته‌اند، در حالی که مدل ASTER بیشترین خطا را با مقدار 95/11 نشان داده است. مقایسه طبقات ژئومورفون نشان داد که مدل ALOS PALSAR، مجموع مساحت طبقات معادل 76/120 کیلومتر مربع را به دست داده که نزدیک‌ترین مقدار به مساحت واقعی منطقه (5/121 کیلومتر مربع) است. در مقابل، سه مدل دیگر مساحت مشابهی معادل 9/119 کیلومتر مربع را محاسبه کردند. همچنین نتایج نشان داد که مدل SRTM در طبقه‌بندی لندفرم‌ها، از جمله لندفرم دره با مساحت 6/10 کیلومتر مربع، نزدیک‌ترین مقدار را به مدل ALOS PALSAR (96/8 کیلومتر مربع) داشته است. بررسی مقادیر شیب نیز بیانگر آن بود که مدل ALOS PALSAR بیشترین مقدار شیب را معادل 73/74 درجه ثبت کرده است، در حالی که مقادیر حداکثر شیب در مدل‌های SRTM، AW3D30 و ASTER به ترتیب برابر با 99/68، 37/68 و 36/66 درجه بوده است. نمودارهای هیپسومتری نیز نشان دادند که مدل‌های ALOS PALSAR و SRTM عملکرد مشابهی داشته‌اند؛ برای مثال در ارتفاع نسبی 39، مساحت نسبی به ترتیب 80/94 و 94/95 محاسبه شد، در حالی که مقادیر متناظر در مدل‌های ASTER و AW3D30 به ترتیب 84/88 و 47/89 بود. نیمرخ‌های عرضی نشان دادند که مدل ASTER کمترین دقّت عمودی را داشته و مقادیر ارتفاعی را بیشتر از سایر مدل‌ها برآورد کرده است. نتیجه‌گیری: در این تحقیق از مجموعه‌ای از ابزارها برای ارزیابی و شناسایی مناسب‌ترین مدل رقومی ارتفاعی در مطالعات ژئومورفولوژی استفاده شد. براساس نتایج این تحقیق، با وجود اینکه مدل رقومی ALOS PALSAR از قدرت تفکیک مکانی بالاتری برخوردار است، مدل SRTM مناسب‌ترین مدل رایگان برای استفاده از مطالعات ژئومورفولوژی خصوصاً در ایران است. پوشش فضایی کل کشور و عملکرد بسیار نزدیک به مدل ALOS PALSAR مهمترین دلیل انتخاب این مدل است. همچنین نتایج تحقیق نشان داد که یکی از محدودیت‌های این تحقیق نبود مدل‌های دقیق محلی به منظور صحت‌سنجی نتایج است. از این رو برای مطالعات آینده پیشنهاد می‌شود از یک مدل رقومی ارتفاعی با دقّت مکانی بالا به منظور صحت‌سنجی استفاده شود. https://gisj.sbu.ac.ir/article_106744.html سابقه و هدف: پوشش برف به‌عنوان یکی از مؤثرترین مؤلفه‌های سطح زمین، نقشی کلیدی در تنظیم تبادل انرژی، کنترل دمای سطح زمین و پویایی‌های اقلیمی مناطق کوهستانی ایفا می‌کند. افزایش دما در دهه‌های اخیر، به‌ویژه در عرض‌های میانی و ارتفاعات، موجب تغییر الگوهای انباشت و ذوب برف شده و پیامدهای گسترده‌ای بر منابع آب، مخاطرات طبیعی و اقلیم محلی برجای گذاشته است. نواحی مرتفع استان مازندران در دامنه‌های البرز مرکزی، به‌دلیل شیب حرارتی شدید، تنوع ارتفاعی و وابستگی بالا به برف زمستانه، از جمله مناطق بسیار آسیب‌پذیر در برابر این تغییرات به‌شمار می‌روند. با وجود اهمیت موضوع، بررسی کمی، چندشاخصه و مکانی–زمانی رابطه دمای سطح زمین و عمق برف در این منطقه تاکنون کمتر مورد توجه قرار گرفته است. هدف این پژوهش، تبیین کمی شدت، جهت و ماهیت رابطه میان دمای سطح زمین (LST) و عمق برف و شناسایی رژیم‌های غالب حرارتی–برفی در ارتفاعات استان مازندران است.مواد و روش‌ها: در این پژوهش از داده‌های عمق برف مدل GLDAS و داده‌های دمای سطح زمین (LST) استخراج‌شده از سنجنده MODIS طی دوره ۲۰۱۸ تا ۲۰۲۴ استفاده شد. تحلیل‌ها برای پنج ایستگاه مرتفع آلاشت، بلده، کیاسر، کجور و سیاه‌بیشه انجام گرفت که نماینده شرایط متنوع ارتفاعی در البرز مرکزی استان هستند. به‌منظور بررسی وابستگی میان متغیرها، از شاخص‌های آماری مکمل شامل همبستگی پیرسون و اسپیرمن، اطلاعات متقابل (MI) و ضریب تعیین (R²) بهره‌گیری شد. همچنین برای شناسایی الگوهای رفتاری مشترک و آستانه‌های حرارتی، تحلیل خوشه‌بندی K-means به‌کار گرفته شد. به‌منظور بررسی تغییرات مکانی–زمانی، نقشه‌های سالانه LST و عمق برف برای کل محدوده البرز مرکزی استان تهیه و تحلیل گردید.نتایج و بحث: نتایج آماری به‌طور معناداری وجود یک رابطه معکوس، قوی و پایدار میان دمای سطح زمین و عمق برف را در تمامی ایستگاه‌ها نشان داد. ضرایب همبستگی پیرسون در بازه 58/0- تا 77/0- و ضرایب اسپیرمن در بازه 76/0- تا 91/0- قرار گرفتند که بیانگر وابستگی منفی یکنواخت میان افزایش دما و کاهش عمق برف است. اختلاف قابل‌توجه میان ضرایب پیرسون و اسپیرمن نشان می‌دهد که رابطه میان این دو متغیر تنها محدود به رفتار خطی نیست و مؤلفه‌های غیرخطی نقش مهمی در کنترل آن دارند. این موضوع با مقادیر اطلاعات متقابل (بین 3/0 تا 61/0) به‌خوبی تأیید شد و نشان داد که بازخوردهای پیچیده‌ای همچون اثر آلبدو، ذخیره انرژی نهان ذوب و تغییر شارهای حرارتی سطحی در تعامل برف و دما مؤثر هستند. بیشترین شدت این رابطه در ایستگاه سیاه‌بیشه مشاهده شد، به‌طوری که مقدار ضریب پیرسون 77/0-، اسپیرمن 91/0- و ضریب تعیین حدود 60 درصد برآورد گردید. این نتایج نشان‌دهنده حساسیت بسیار بالای سامانه برف–دما در ارتفاعات بالاتر و نقش تعیین‌کننده برف در تعدیل دمای سطح زمین است. تحلیل خوشه‌بندی K-means در تمامی ایستگاه‌ها سه رژیم حرارتی–برفی متمایز را شناسایی کرد: شرایط گرم بدون برف، شرایط انتقالی با برف ناپایدار و شرایط سرد با انباشت پایدار برف. این خوشه‌ها آستانه‌های دمایی حاکم بر انباشت و ذوب برف را به‌روشنی مشخص کردند و نشان دادند که در دماهای نزدیک و پایین‌تر از صفر درجه سانتی‌گراد، حضور برف با افزایش آلبدو و کاهش جذب انرژی تابشی، موجب افت محسوس دمای سطح زمین می‌شود. تحلیل نقشه‌های مکانی–زمانی نیز نوسانات شدید سالانه را آشکار ساخت. سال ۲۰۱۹ با بیشینه عمق برف تا حدود 2/1 متر، کمترین مقادیر LST را در سطح وسیعی از ارتفاعات ثبت کرد، در حالی که در سال‌های ۲۰۲۱ و ۲۰۲۲ کاهش شدید عمق برف (حداکثر حدود 08/0 متر) با افزایش LST بیش از 2 درجه سانتی‌گراد همراه بود. این تغییرات، بازخورد منفی برف–دما و شکنندگی بالای سامانه‌های کوهستانی نسبت به کاهش پوشش برف را به‌طور مستقیم تأیید می‌کند. نتیجه‌گیری: نتایج این پژوهش نشان می‌دهد که کاهش عمق و پوشش برف در ارتفاعات استان مازندران تأثیر مستقیمی بر افزایش دمای سطح زمین دارد و می‌تواند به تشدید فرآیندهای ذوب، تغییر زمان‌بندی رواناب و کاهش پایداری منابع آب منجر شود. حساسیت بالای رابطه برف–دما در ایستگاه‌های مرتفع، اهمیت پایش دقیق و مدل‌سازی این سامانه‌ها را در شرایط گرمایش اقلیمی برجسته می‌سازد. بر این اساس، به‌کارگیری مدل‌های اقلیمی منطقه‌ای مبتنی بر سناریوهای گرمایش جهانی و توسعه شبکه پایش زمینی در ارتفاعات، به‌عنوان راهبردی کلیدی برای مدیریت منابع آب و کاهش پیامدهای تغییر اقلیم در منطقه پیشنهاد می‌شود. https://gisj.sbu.ac.ir/article_106802.html مقدمه: مناطق خشک و نیمه‌خشک تحت تأثیر تغییرات اقلیمی و فعالیت‌های انسانی قرار دارند که پایش دقیق و مستمر تغییرات سطح آب مخازن را به ضرورتی اجتناب‌ناپذیر تبدیل کرده است. مطالعه حاضر با هدف تفکیک کمّی و ارزیابی سهم نسبی عوامل اقلیمی و فعالیت‌های انسانی بر تغییرات سطح دریاچه سد کجکی در افغانستان و پیامدهای آن بر رودخانه هیرمند در جنوب ایران طی دهه اخیر (2023-2013) انجام شده است. سد کجکی در افغانستان، با ظرفیت ۴/۱ میلیارد مترمکعب، از اهمیت ویژه‌ای در تأمین نیازهای آبی و حفظ اکوسیستم حوزه هیرمند برخوردار است، اما به طور هم‌زمان تحت فشار دوگانه عوامل اقلیمی و عوامل انسانی قرار گرفته است. روش کار: در این پژوهش، از داده‌های سنجنده‌های OLI/TIRS لندست-۸ (45 تصویر) و MSI سنتینل-۲ (62 تصویر) استفاده شد. هم‌زمان‌سازی تصاویر با استفاده از پنجره زمانی ±15 روزه و انتخاب تصاویر با پوشش ابر کمتر از 10 درصد انجام گردید. مراحل پیش‌پردازش، شامل تصحیح اتمسفری و حذف ابر، با به‌کارگیری الگوریتم‌های SREM و Sen2Cor انجام پذیرفت. یازده شاخص طیفی با استفاده از معادلات اختصاصی، با تمرکز بر پردازش ابری در پلتفرم گوگل ارث انجین (GEE) به‌منظور تحلیل دقیق محاسبه گردید. استخراج پهنه آبی با روش Otsu و درخت تصمیم (با ۳۰۰ نمونه آموزشی) صورت گرفت. ارزیابی با معیارهای RMSE, R², NS, MAE و اعتبارسنجی K-Fold انجام شد. داده‌های اقلیمی از ERA5 و برداشت میدانی از 50 نقطه کنترل زمینی شامل مرز آب-خشکی، نواحی کم‌عمق و عمیق آبی با استفاده از دستگاه GPS بادقت±3 متر جمع‌آوری شد. از تجزیه و تحلیل‌های سری زمانی برای ارزیابی روندهای بلندمدت در دینامیک سطح آب و تفکیک کمی تأثیرات عوامل اقلیمی (بارش، دما و تبخیر و تعرق واقعی) و فعالیت‌های انسانی (گسترش کشاورزی، ساخت سد جدید و بهره‌برداری از مخزن) بر تغییرات سطح آب استفاده شد. نتایج و نتیجه گیری: نتایج شاخص‌های طیفی در پایش دینامیک پهنه آبی سد نشان داد شاخص S2WI بهترین دقت را با ضریب تعیین 96/0 و RMSE برابر 46/1 و NS برابر 96/0 در تشخیص سطح آب نشان داد. این شاخص توانایی بالایی در تفکیک آب از سایر پوشش‌های زمینی و کاهش خطاهای ناشی از پوشش گیاهی و خاک داشت. تحلیل عملکرد سنجنده‌های لندست و سنتینل-۲ نشان داد هر دو سنجنده توانایی مناسبی در پایش سطح آب نشان دادند ولی Sentinel-2 به دلیل دقت مکانی بالاتر و بازه زمانی گذر کوتاه‌تر، عملکرد بهتری به ویژه در تشخیص تغییرات کوتاه‌مدت ارائه کرد. مطالعات چندزمانه تطبیقی کارایی شاخص‌های طیفی ماهواره سنتینل-2 نشان داد شاخص‌هایی همچون S2WI و MNDWI امکان ردیابی دقیق تغییرات سطح آب را به خوبی فراهم می‌آورند. شاخص S2WI با کاهش نویز ناشی از پوشش گیاهی و سایر عوامل محیطی، مناسب‌ترین شاخص برای تحلیل دینامیک پهنه آبی شناخته شد. مساحت سطح آب مخزن از 48/32 به 18/22 کیلومترمربع رسیده که با نرخ سالانه 5/4 درصد کاهش یافته است. تحلیل رگرسیونی چندمتغیره نشان داد که کاهش جریان و پهنه آبی سد کجکی ناشی از اثر هم‌زمان عوامل اقلیمی و انسانی است، به‌طوری‌که حدود 60٪ از این کاهش به عوامل اقلیمی شامل بارندگی سالانه با میانگین 8/196 میلی‌متر و ضریب تغییرات 42%= CV و نوسانات شدیدی و از نظر آماری غیرمعنادار (3/3+ میلی‌متر در سال)؛ میانگین دمای سطح زمین 63/22 درجه سانتی‌گراد را با نوسانات قابل توجه و روند کاهشی جزئی و تبخیر–تعرق واقعی با میانگین سالانه 1,432 میلی‌متر و همبستگی بالا با بارندگی (85/0r >) که بیانگر رژیم محدودکننده آبی منطقه است، نسبت داده می‌شود. سهم 40٪ فعالیت‌های انسانی شامل افزایش سطح زیر کشت، احداث سازه‌های کنترلی متعدد در بالادست و تغییر در رژیم بهره‌برداری است، که نشان می‌دهد کاهش جریان ورودی به مخزن سد را نمی‌توان صرفاً به تغییرات اقلیمی نسبت داد. این کاهش مداوم، پیامدهای شدید اقتصادی، زیست‌محیطی (نابودی تالاب هامون) و اجتماعی (مهاجرت) به دنبال داشته است.استفاده از داده‌های چندحسی ماهواره‌ای و پردازش ابری در محیط Google Earth Engine امکان پایش دقیق و تکرارپذیر این تغییرات را فراهم کرده و مبنایی کمی برای تفکیک نقش عوامل اقلیمی و انسانی در مدیریت بحران آب حوضه هیرمند ارائه می‌دهد. https://gisj.sbu.ac.ir/article_106803.html مقدمه: تالاب ها با توجه به نقش ارزشمند و پویای خود اغلب در سیاست‌گذاری‌ها و برنامه‌ریزی‌های توسعه‌ای مورد غفلت قرار گرفته و همین باعث گردیده تا به سرعت به‎سمت تخریب و نابودی پیش روند. تالاب بین‌المللی انزلی که زمانی به‌عنوان یکی از غنی‌ترین و زیباترین تالاب‌های حاشیه جنوبی دریای خزر و حتی کل اوراسیا شناخته می‌شد، اکنون در آستانه تبدیل شدن به یک مرداب خشکیده و بی‌جان قرار دارد، به طوریکه میانگین عمق آب از ۴٫۵ متر در دهه ۱۳۵۰ به کمتر از ۷۰ سانتی‌متر در سال ۱۴۰۴ رسیده و در بسیاری از مناطق مرکزی تالاب، عمق به کمتر از ۳۰ سانتی‌متر نیز رسیده است. پژوهش های انجام شده بر تالاب انزلی، ارزیابی جامعی از علل ریشه‌ای تهدیدات اکولوژیکی و اجتماعی-اقتصادی تخریب را کمتر مورد توجه قرار داده‌اند. بنابراین این موضوع، ضرورت یک مطالعه جامع را برجسته می‌کند که علل ریشه‌ای تخریب را با تمرکز بر عوامل انسانی محلی شناسایی کند. به همین منظور، هدف از این پژوهش شناسایی جامع علل ریشه‌ای تخریب تالاب انزلی، ارزیابی عملکرد اقدامات مدیریتی گذشته و ارائه رویکردهای بومی مدیریت یکپارچه و پایدار برای احیا و حفاظت بلندمدت این اکوسیستم حیاتی است. مواد و روش ها: در پژوهش حاضر، جهت شناسایی دقیق فشارها و تهدیدات زیست‌محیطی وارد بر تالاب انزلی، از ترکیبی از روش‌ها شامل الف) انجام بازدیدهای میدانی متعدد توسط نویسندگان، ب) جمع‌آوری اطلاعات تخصصی از کارشناسان اداره کل حفاظت محیط زیست استان گیلان، و ج) بررسی و بهره‌گیری از مقالات علمی، گزارش‌ها و کتاب‌های منتشرشده مرتبط با تالاب انزلی استفاده گردید. همچنین داده‌ها به‌صورت یکپارچه سازماندهی شدند و فشارها و تهدیدات برای هر یک از رودخانه‌های منتهی به تالاب به‌طور جداگانه و بر اساس نوع، فهرست‌بندی گردیدند. سپس با استفاده از تصاویر هوایی و داده‌های مکانی بدست آمده از GPS نقاط تهدید در حوضه آبریز تالاب انزلی توسط ArcGIS نقشه‌سازی شدند. در ادامه نیز جهت اولویت‌بندی تهدیدات اصلی مرتبط با رودخانه‌های ورودی به تالاب انزلی از روش تحلیل تصمیم‌گیری چندمعیاره (MCDA) استفاده گردید. روش MCDA به کارگرفته در این پژوهش، استفاده از مدل مجموع وزن‌دار ساده بود. نتایج: براساس یافته های این پژوهش، 56 تهدید اصلی در رودخانه های منتهی به تالاب انزلی ثبت و مشاهده شدند که جهت سهولت در اولویت بندی، تمامی آنها در 8 گروه قرارگرفتند. باتوجه به نتایج مشخص گردید که رسوب‌گذاری و آلودگی بیشترین امتیاز را نسبت به بقیه داشتند که این عوامل مستقیما قادر به تغییر دادن ساختار تالاب هستند. رتبه‌های متوسط شامل تهدیدات ناشی از گونه‌های مهاجم و برداشت آب سدسازی بودند. درنهایت رتبه‌های پایین‌تر شامل تغییرات اقلیمی و پسروی خزر بودند که علی‌رغم شدت بالا، به‌دلیل قابلیت کنترل محلی پایین (عمدتا جهانی) در رتبه پایین‌تر قرار گرفتند. بحث و نتیجه گیری: نتایج این مطالعه، با بهره‌گیری از روش‌شناسی ترکیبی تصویری جامع از فشارهای زیست‌محیطی وارد بر این اکوسیستم ارزشمند را ارائه داد. بطوریکه با شناسایی فشارها و تهدیدات وارده بر تالاب انزلی به ارائه یک رویکرد بومی جهت حفظ این تالاب اشاره نمود. الگوی بومی پیشنهادی در این پژوهش، با الهام از تجربیات جهانی موفق و تطبیق آن‌ها با شرایط بومی ایران و ویژگی‌های خاص تالاب انزلی، بر دو پایه اصلی شامل: 1) مدیریت مبتنی بر اکوسیستم که برخلاف مدیریت سنتی که اغلب بر یک عامل تمرکز داشت، تمام عوامل تخریب را به طور همزمان و با دید سیستمی در نظر می‌گیرد و 2) حکمرانی چندسطحی با ایجاد یک شورای هماهنگی واحد تالاب انزلی در سطح استانی (با حضور نمایندگان تمام دستگاه‌های مرتبط، سازمان‌های مردم‌نهاد، جوامع محلی و کارشناسان دانشگاهی) و ارتباط آن با سطوح ملی (وزارتخانه‌های محیط زیست، نیرو و جهاد کشاورزی) و بین‌المللی (دبیرخانه کنوانسیون رامسر)، مسئولیت‌ها را شفاف و هم‌افزا می‌سازد، جهت تکرار شکست پروژه‌های پراکنده جلوگیری کند. این الگوی پیشنهادی بومی کاملا با چارچوب‌های بین‌المللی کنوانسیون رامسر و کنوانسیون تنوع زیستی هم‌خوانی دارد؛ زیرا بر استفاده خردمندانه تالاب‌ها، حفظ تنوع زیستی و مشارکت جوامع محلی تأکید دارد. اجرای موفق این الگو می‌تواند به‌عنوان مدلی بومی برای مدیریت سایر تالاب‌های ایران مورد استفاده قرار گیرد. https://gisj.sbu.ac.ir/article_106804.html سابقه و هدف: علیرغم توسعه راهکارهای نوظهور در مهندسی فتوگرامتری، تصویربرداری هوایی برپایه الگوهای سنتی فتوگرامتری کماکان بعنوان یک روش جاری در تولید اطلاعات مکانی برای مناطق وسیع شناخته می‌شود. مثلث‌بندی هوایی نیز یکی از مهمترین گام‌های اجرایی در روند آماده‌سازی تصاویر هوایی برای استخراج اطلاعات مکانی محسوب می‌شود. در این روند، سرشکنی دسته اشعه رایج‌ترین روش اجرای مثلث‌بندی هوایی بوده که در آن پارامترهای توجیه خارجی تصاویر از طریق نقاط‌کنترل زمینی، نقاط گرهی و سایر مشاهدات اضافی برآورد می‌شوند. در مهندسی فتوگرامتری، با کاهش نیاز به نقاط کنترل زمینی در فرایند مثلث‌بندی هوایی اهدافی راهبردی همچون دستیابی به زمین‌مرجع‌سازی مستقیم و کاهش هزینه‌های اجرایی دنبال شده است. برای این منظور، استفاده از منابع داده مختلف برای تسهیل در روند مثلث‌بندی هوایی بعنوان یک رویکرد سنتی در مهندسی فتوگرامتری مورد توجه بوده است. تاکنون از مشاهدات سامانه‌های ناوبری، نقشه‌ها، هندسه و قیود حاکم بر عوارض طبیعی و دست‌ساز بشر و همچنین تصاویر قائم در کنار نقاط کنترل زمینی برای این هدف استفاده شده است. در این تحقیق، ایدۀ مشارکت تصاویر ماهواره‌ای با توان تفکیک مکانی بالا و ضرایب توابع کسری پالایش شدۀ آنها در روند مثلث‌بندی تصاویر هوایی مطرح شده است. این اقدام از طریق بکارگیری نقاط گرهی بین تصاویر ماهواره‌ای و تصاویر هوایی دنبال شده است. دقت یکنواخت زمین‌مرجع‌سازی تصاویر ماهواره‌ای انگیزه استفاده از این منابع داده برای جلوگیری از بروز انحرافات سیستماتیک مثلث‌بندی هوایی در محدودۀ توان تفکیک مکانی تصاویر ماهواره‌ای بوده است. مواد و روش‌ها: در روش پیشنهاد شدۀ این تحقیق، نقاط گرهی بین تصاویر هوایی و ماهواره‌ای بعنوان مشاهدات جدید به مجموعه مشاهدات سرشکنی دسته اشعه اضافه می‌شوند. معادلات ایجاد شده برای نقاط گرهی مشاهده شده در تصاویر ماهواره‌ای از طریق ضرایب توابع کسری این تصاویر تامین می‌گردند. قبل از بکارگیری ضرایب توابع کسری اولیه، فرایند آماده‌سازی آنها شامل پالایش و تبدیل سیستم‌های مختصات زمینی به اجرا می‌رسد. در روند سرشکنی دسته اشعه ضرایب توابع کسری پالایش شده بعنوان مقادیر ثابت حضور داشته و صرفاً در برآورد پارامترهای توجیه خارجی تصاویر هوایی و تخمین مختصات نقاط گرهی ایفای نقش می‌کنند. افزودن معادلات مربوط به نقاط اندازه‌گیری شده در تصاویر ماهواره‌ای به دلیل تفاوت توان تفکیک مکانی تصاویر هوایی و ماهوره‌ای موجب ایجاد تمایز با دقت سایر مشاهدات سرشکنی دسته اشعه شده که تنظیم آن در روش پیشنهادی از طریق یکی از روش‌های تخمین مولفه‌های واریانس با نام روش اعداد آزادی صورت پذیرفته است. داده‌های مورد استفاده به‌منظور ارزیابی عملکرد روش پیشنهادی شامل یک بلوک تصاویر هوایی مربوط به دوربین UltraCamD و یک تصویر ماهواره‌ای WorldView II هر دو مربوط به شهر تهران بوده است. ضرایب توابع کسری پالایش شده مربوط به تصویر ماهواره‌ای از طریق اعمال پارامترهای اضافی به فضای تصویر در دسترس بوده و نقاط گرهی مورد نیاز بین تصاویر هوایی و ماهواره به‌صورت دستی و به کمک عامل خبره اندازه‌گیری شده‌اند. نتایج و بحث: نتایج این تحقیق در سه سناریوی مختلف مورد ارزیابی قرار گرفت. نتایج بکارگیری این روش حاکی از موفقیت آن در کاهش نیاز به نقاط کنترل زمینی در مثلث‌بندی هوایی و جلوگیری از بروز مشکلات آن در زمینه نقص در تعریف سیستم‌مختصات زمینی بوده است. استفاده از این راهکار، حتی با یک نقطۀ کنترل زمینی دقت‌های قابل رقابتی را در مقایسه با زمان بکارگیری نقاط کنترلی متعدد برای سرشکنی دسته اشعه کسب نموده است. با اینحال، در صورت وجود تعداد مناسبی از نقاط کنترل در سرشکنی دسته اشعه، این راهکار اثرات محسوسی در نتایج مثلث‌بندی هوایی نخواهد داشت. نتیجه‌گیری: بکارگیری تصاویر ماهواره‌ای با توان تفکیک مکانی بالا و ضرایب توابع کسری آنها مطابق با الگوی تشریح شده در این تحقیق می‌تواند به‌عنوان یک منبع اطلاعاتی، نیاز به نقاط کنترل زمینی در روند مثلث‌بندی هوایی را کاهش دهد. با اینحال بررسی تاثیر تغییر در نسبت توان تفکیک مکانی تصاویر ماهواره‌ای و هوایی در نتایج و همچنین استفاده از تصاویر ماهواره‌ای استریو می‌تواند در تحقیقات آتی قابلیت‌های دیگر این روش‌ را روشن‌تر سازد. - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - https://gisj.sbu.ac.ir/article_106805.html سابقه و هدف: تحلیل ایمنی یکی از مهم‌ترین چالش‌های مدیریت حمل‌ونقل در کلان‌شهرها به شمار می‌رود. در این میان، وقوع تصادفات تحت‌تأثیر عوامل متعددی از جمله تقاضای سفر، مالکیت خودرو، ویژگی‌های شبکه معابر و شرایط زمانی قرار دارد. اغلب مدل‌های رگرسیون با فرض ضرایب ثابت در کل منطقه و بازه‌ زمانی، قادر به شناسایی ناهمگنی‌های مکانی و زمانی نیستند و در تحلیل پدیده‌های پیچیده‌ای همچون تصادفات با محدودیت مواجه می‌شوند. هدف از این پژوهش توسعه‌ یک رویکرد مکانی–زمانی مبتنی بر مدل رگرسیون وزنی مکانی- زمانی (GTWR) برای تحلیل و پیش‌بینی نرخ تصادفات در شهر مشهد است تا علاوه بر مقایسه‌ عملکرد با مدل عمومی، الگوهای محلی تأثیر متغیرهای کلیدی بر تصادفات آشکار شود. مواد و روش‌ها: برای انجام پژوهش، داده‌های چهارساله‌ تصادفات (۱۴۰3–۱۴۰0) به‌همراه مجموعه‌ای از متغیرهای مستقل مرتبط با تقاضای سفر (کیلومتر طی شده توسط وسیله نقلیه و تعداد سفرهای ایجادشده)، مالکیت خودرو و ویژگی‌های زیرساختی (تعداد تقاطع‌های بدون چراغ) در سطح ۲۵۳ ناحیه‌ ترافیکی مشهد گردآوری و استانداردسازی شدند. ابتدا یک مدل رگرسیون عمومی و سپس مدل GTWR کالیبره شدند. برای ساخت مدل، از داده‌های سه سال اول (۱۴۰۰–۱۴۰۲) استفاده شد؛ %70 از داده‌ها به صورت تصادفی برای آموزش مدل و کالیبراسیون آن به‌کار گرفته شد و معیارهای ضریب تعیین (R²) و مجموع مربعات باقیمانده‌ها (RSS) برای ارزیابی فرآیند کالیبراسیون به کار رفت. %30 باقی‌مانده نیز برای آزمایش و اعتبارسنجی مدل استفاده شد و دقت آن با استفاده از ضریب همبستگی (R²) ارزیابی گردید. به منظور ارزیابی قدرت پیش‌بینی مدل، داده‌های سال ۱۴۰۳ مورد استفاده قرار گرفت و نتایج با شاخص‌های ضریب همبستگی پیرسن (R²) و میانگین مربعات خطا (MSE) ارزیابی شد. علاوه بر این، شاخص Moran’s I دومتغیره برای بررسی خودهمبستگی مکانی-زمانی در داده‌های اولیه و باقی‌مانده‌های مدل‌ها به‌کار گرفته شد. نتایج و بحث: تحلیل مقدماتی داده‌ها نشان داد که متغیر نرخ تصادفات در سطح نواحی دارای خودهمبستگی مکانی–زمانی مثبت و معنادار بوده که ضرورت استفاده از مدل‌های محلی مکانی–زمانی، نظیر GTWR تایید می‌گردد. همچنین، یافته‌ها نشان داد که مدلGTWR عملکرد بهتری نسبت به مدل عمومی دارد، به‌طوری‌که ضریب تعیین از 0.38 در مدل عمومی به 0.87 در مدل محلی افزایش یافت و مقادیر RSS (62935.6 در برابر 654567.76) کاهش قابل توجهی داشتند. همچنین، دقت اعتبارسنجی آن روی داده‌های آزمایشی مناسب بوده و مقادیر ضریب تعیین آن به عنوان شاخص ارزیابی، 0.83 در برابر 0.71 برای مدل عمومی برآورد شد. پیش‌بینی‌های انجام‌شده برای سال ۱۴۰۳ نیز نشان‌دهنده آن است که مدل محلی GTWR با مقادیر کمتر میانگین مربعات خطا (8.4 در مقابل 1.28) و همچنین ضریب همبستگی بالاتر (0.84 در مقابل 0.64) نسبت به مدل عمومی عملکرد بهتری در پیش‌بینی نرخ تصادفات نشان داده است. همچنین، ضرایب محلی متغیرها بیانگر ناپایداری مکانی–زمانی بودند. برای مثال، اثر متغیر کیلومتر طی شده توسط وسیله نقلیه (VKT) در مرکز و شمال منطقه مطالعاتی قوی‌تر بود، در حالی که در نواحی جنوبی اثر ضعیف‌تری مشاهده شد. متغیر مالکیت خودرو (ACO) نیز رابطه‌ مثبت و پایدار را به‌ویژه در نواحی مرکزی و پرتراکم با نرخ تصادفات نشان داد. همچنین، تعداد تقاطع‌های بدون چراغ در غرب و شمال‌غرب شهر اثرگذارتر بود. متغیر تعداد سفرهای ایجادشده نیز در همه نواحی اثر مثبت داشت اما نسبت به سایر متغیرها از ثبات مکانی–زمانی بیشتری برخوردار بود. علاوه بر این، شاخص Moran’s I دومتغیره نشان داد که باقی‌مانده‌های مدل عمومی همچنان دارای خودهمبستگی مکانی–زمانی هستند، در حالی که این مساله در مدل GTWR برطرف شده است. نتیجه‌گیری: نتایج این پژوهش نشان می‌دهد که در تحلیل تصادفات شهری، استفاده از مدل‌های محلی مکانی–زمانی نظیر GTWR می‌تواند با شناسایی ناهمگنی‌های مکانی و زمانی، تصویر دقیق‌تری از نقش عوامل مؤثر بر تصادفات ارائه دهد. در مقایسه با مدل‌های عمومی، GTWR نه تنها توانست برازش بهتری بر داده‌ها داشته باشد، بلکه الگوهای محلی اثرگذاری متغیرها را نیز آشکار ساخت. این یافته‌ها اهمیت متغیرهای مرتبط با تقاضای سفر و زیرساخت معابر در بروز تصادفات را تأیید می‌کنند و می‌توانند مبنایی برای سیاست‌گذاری‌های هدفمند ایمنی باشند. بر اساس نتایج، تمرکز بر مدیریت سفرهای شهری، کنترل مالکیت و استفاده از خودروهای شخصی در مناطق پرتراکم، و ارتقای ایمنی تقاطع‌های بدون چراغ به‌ویژه در غرب و شمال‌غرب شهر می‌تواند به کاهش نرخ تصادفات کمک کند. در نهایت، این مطالعه نشان داد که مدل GTWR علاوه بر دقت بالاتر در پیش‌بینی، ابزاری کارآمد برای اولویت‌بندی نواحی پرخطر و تخصیص بهینه‌ منابع ایمنی در برنامه‌ریزی شهری است. https://gisj.sbu.ac.ir/article_106891.html پیش‌بینی دقیق و به‌موقع وضعیت ترافیک شهری یکی از ارکان اساسی در بهینه‌سازی مسیریابی، کاهش زمان سفر و توسعه سامانه‌های مدیریت هوشمند حمل‌ونقل به‌شمار می‌رود. با افزایش پیچیدگی پویایی ترافیک در کلان‌شهرها، نیاز به مدل‌هایی که بتوانند وابستگی‌های زمانی و مکانی را به‌صورت هم‌زمان در نظر بگیرند بیش از پیش احساس می‌شود. اگرچه استفاده از حسگرهای فیزیکی نظیر حلقه‌های القایی و دوربین‌های نظارتی رایج است، اما هزینه‌های نصب و نگهداری بالا، پوشش مکانی محدود و وابستگی به زیرساخت‌های فیزیکی از چالش‌های جدی این رویکردها محسوب می‌شود. علاوه بر این، نوسانات تقاضای سفر، رخدادهای پیش‌بینی‌ناپذیر و تعاملات پیچیده میان اجزای شبکه معابر، ضرورت توسعه رویکردهای تحلیلی پیشرفته، مقیاس‌پذیر و مبتنی بر داده‌های متنوع را بیش از پیش آشکار می‌سازد.این موضوع در کلان شهرهای پرتراکم با الگوی ترافیکی پویا و متغیر روزانه اهمیت بیشتری پیدا می‌کند. در این پژوهش، یک چارچوب داده‌محور مکانی–زمانی برای تحلیل و پیش‌بینی کوتاه‌مدت وضعیت ترافیک شبکه بزرگراهی شهر تهران ارائه شده است که مبتنی بر استخراج اطلاعات از تصاویر ترافیکی در دسترس عمومی Google Maps است و امکان بهره‌گیری از یک منبع داده مقیاس‌پذیر و کم‌هزینه را فراهم می‌سازد. داده‌های مورد استفاده شامل کلاس‌های ترافیکی چهارسطحی استخراج‌شده با تفکیک زمانی ۱۵ دقیقه در بازه‌ای سه‌ماهه برای کل شبکه بزرگراهی تهران است. این داده‌ها یک مجموعه‌ داده واقعی در مقیاس شبکه‌ای ایجاد می‌کنند که رفتار ترافیک را در سطوح مختلف شدت پوشش می‌دهد. در گام نخست، تحلیل‌های توصیفی به‌منظور شناسایی الگوهای زمانی در مقیاس‌های ساعتی و هفتگی انجام شد که نتایج آن بیانگر وجود الگوهای تکرارشونده مشخص در ساعات اوج و تفاوت معنادار میان روزهای کاری و تعطیل است. این تحلیل اولیه، مبنای طراحی مدل پیش‌بینی را فراهم کرد .در مرحله مدل‌سازی، یک ساختار مکانی–زمانی ترکیبی مبتنی بر کانولوشن گرافی و کانولوشن زمانی یک‌بعدی (GCN-TCN) پیشنهاد شد. در این چارچوب، شبکه بزرگراهی به‌صورت یک گراف مدل‌سازی شده که در آن گره‌ها نمایانگر قطعات بزرگراهی و یال‌ها بیانگر ارتباط مکانی میان آن‌ها هستند. لایه کانولوشن گرافی وابستگی‌های مکانی و اثرات سرریز ترافیکی میان بزرگراه‌های مجاور را استخراج می‌کند، در حالی‌که کانولوشن زمانی یک‌بعدی پویایی‌های زمانی و روند تغییرات ترافیک را مدل‌سازی می‌نماید. این معماری بدون استفاده از ساختارهای بازگشتی پیچیده، امکان پردازش موازی داده‌ها و افزایش کارایی محاسباتی را فراهم می‌کند. عملکرد مدل پیشنهادی در افق‌های پیش‌بینی ۱۵، ۳۰ و ۶۰ دقیقه با استفاده از معیارهای Accuracy و F1-score ارزیابی و با سه روش پایه شامل میانگین تاریخی،LSTM و TCN بدون ساختار مکانی مقایسه شد. نتایج نشان داد که مدل GCN-TCN در تمامی افق‌ها عملکرد برتری دارد. در افق ۱۵ دقیقه، این مدل به Accuracy برابر 0.70 و F1-score برابر 0.66 دست یافت، در حالی‌که بهترین مدل پایه (TCN) به Accuracy برابر 0.65 و F1-score برابر 0.64 محدود بود. در افق ۳۰ دقیقه، مدل پیشنهادی با Accuracy معادل 0.68 و F1-score برابر 0.63 عملکرد بهتری نسبت به LSTM و TCN به ترتیب با(Accuracy=0.63 , F1=0.58) و (Accuracy=0.64 , F1=0.62) نشان داد. همچنین در افق ۶۰ دقیقه، مدل پیشنهادی با Accuracy برابر 0.64 و F1-score برابر 0.60 همچنان نسبت به سایر روش‌ها برتری خود را حفظ کرد. به‌طور کلی، در مقایسه با میانگین تاریخی، بهبود دقت در افق کوتاه‌مدت تا ۱۵ درصد و بهبود F1-score تا ۱۶ درصد مشاهده شد. این برتری به‌ویژه در پیش‌بینی شرایط ترافیکی با شدت متوسط و زیاد مشهود بود که نشان ‌دهنده توانایی مدل در مدیریت عدم‌توازن کلاس‌ها و تغییرات ناگهانی ترافیک است. در مجموع، نتایج این پژوهش نشان می‌دهد که تلفیق داده‌های تصویری در دسترس عمومی با مدل‌های مکانی–زمانی مبتنی بر گراف می‌تواند چارچوبی کارآمد، مقیاس‌پذیر و کم‌هزینه برای پیش‌بینی کوتاه‌مدت ترافیک شهری فراهم آورد. لحاظ‌کردن ساختار مکانی شبکه نقش تعیین‌کننده‌ای در افزایش دقت پیش‌بینی دارد و می‌تواند مبنایی عملی برای توسعه سامانه‌های پیش‌آگاهی ترافیک و پشتیبانی تصمیم‌گیری در مدیریت حمل‌ونقل کلان‌شهری باشد. https://gisj.sbu.ac.ir/article_106892.html چکیده سابقه و هدف: وقوع زمین‌لغزش به‌عنوان یکی از مهمترین انواع مخاطرات ژئومورفولوژیک به‌دلیل ابعاد گسترده خسارات و آسیبهای جانی، اقتصادی و زیست‌محیطی در جاده‌های کوهستانی، ایمنی شبکه‌های حمل و نقل را تحت تاثیر قرار می‌دهد. در این زمینه، مدلسازی حساسیت مکانی وقوع زمین‌لغزش - مهمترین مرحله ارزیابی خطر و ریسک وقوع زمین‌لغزش – می‌تواند نقش قابل-ملاحظه‌ای در کاهش آسیب‌های احتمالی ایفا نماید. در سالهای اخیر توسعه الگوریتمهای یادگیری ماشین، قابلیت مدلسازی مکانی حساسیت وقوع زمین‌لغزش را به شکل قابل‌ملاحظه‌ای بهبود بخشیده است. هدف این پژوهش، استفاده از الگوریتم یادگیری ماشین جنگل تصادفی به منظور مدلسازی حساسیت مکانی وقوع زمین‌لغزش در امتداد جاده کوهستانی هراز می‌باشد. این جاده، بدلیل وجود ساختارهای زمین‌شناسی متنوع و مستعد وقوع زمین لغزش، شرایط آب و هوایی و دخالتهای انسانی همواره در معرض وقوع انواع زمین‌لغزش بوده و به عنوان خطرناک‌ترین جاده کوهستانی در کشور به شمار می‌رود. مواد و روشها: جهت مدلسازی حساسیت مکانی وقوع زمین‌لغزش در جاده هراز، در ابتدا توزیع مکانی زمین‌لغزشهای بوقوع پیوسته با مطالعه میدانی و استفاده از نقشه‌های زمین‌شناسی و تصاویر ماهواره‌ای به صورت نقشه فهرست زمین‌لغزش تهیه شد. سپس عوامل موثر مستقل تاثیرگذار بر وقوع زمین‌لغزش نظیر عوامل زمین‌شناسی، توپوگرافیکی، هیدرولوژیکی، پوشش‌گیاهی، کاربری ‌اراضی و عوامل انسانی در حریم یک کیلومتری جاده هراز تهیه شد. بدلیل عدم توازن در تعداد پیکسلهای دارای زمین‌لغزش و پیکسلهای فاقد زمین‌لغزش در منطقه مورد مطالعه، یک مجموعه داده متعادل و برابر از پیکسلهای دارای رخداد زمین‌لغزش و پیسکلهای بدون رخداد زمین‌لغزش تهیه شد که در آن 70% پیکسلها جهت آموزش و 30% برای آزمایش و اعتبار‌سنجی مدل مورد استفاده قرار گرفت. جهت بررسی اثر انتخاب تصادفی داده های آموزشی و آزمایشی، با استفاده از روش اعتبارسنجی متقابل 10‌گانه در الگوریتم جنگل تصادفی، این تقسیم‌بندی 10 بار تکرار شده‌است. علاوه‌براین، به منظور افزایش دقت پیش‌بینی الگوریتم جنگل تصادفی، از قابلیت بهینه‌سازی ابرپارامترها در الگوریتم استفاده شده و پارمترهای اصلی الگوریتم نظیر تعداد درخت‌های تصمیم‌گیری و تعداد متغیرهایی انتخابی در هر تقسیم‌بندی، تعدیل و تنظیم شده‌اند. دقت و عملکرد مدلهای 10‌گانه آموزشی و 10‌گانه اعتبارسنجی با‌استفاده از شاخص‌های ماتریس درهم‌ریختگی، کاپا و شاخص سطح زیر منحنی مورد بررسی قرارگرفته و بهترین مدل از نظر عملکرد شاخص سطح زیرمنحنی در قسمت اعتبار‌سنجی مدل، جهت تهیه نقشه حساسیت مکانی وقوع زمین‌لغزش مورد استفاده قرار گرفته است. نتایج و بحث: نتایج بدست‌آمده در ارتباط با اهمیت متغیرهای مستقل تاثیرگذار در وقوع زمین‌لغزش در الگوریتم جنگل تصادفی نشان می‌دهد که متغیر زمین‌شناسی با درصد اهمیت 47.8% ، مهمترین عامل وقوع زمین‌لغزش در امتداد جاده هراز به شمار می‌رود. در این رابطه، ساختارهای زمین‌شناسی متشکل از واریزه‌ها و سازند زمین‌شناسی شمشک بیشترین نقش را در ارتباط با وقوع زمین‌لغزش در جاده هراز بر عهده دارند. در ارتباط با مدلسازی حساسیت مکانی وقوع زمین‌لغزش با استفاده از الگوریتم یادگیری ماشین جنگل تصادفی و رویکرد اعتبارسنجی متقابل 10‌گانه، نتایج نشان می‌دهد که با میانگین مقادیر شاخص سطح زیر منحنی (AUC) 0.93 و 0.85 به ترتیب در 10 بار تکرار آموزش مدل و 10 بار تکرار اعتبارسنجی مدل، دقت و عمکرد قابل‌ملاحظه‌ای در شناسایی منطق مستعد وقوع ‌زمین‌لغزش در این روش وجود دارد. نتیجه‌گیری: نتایج این پروژه پژوهشی نشان می‌دهد که حساسیت مکانی وقوع زمین‌لغزش در امتداد طول جاده هراز متغیر و ناهمگن می‌باشد. در این زمینه و در پهنه یک کیلومتری حریم جاده هراز، 130 کیلومتر مربع از وسعت منطقه در مناطق با خطر خیلی زیاد و زیاد وقوع زمین‌لغزش واقع شده‌اند که درحدود 36 کیلومتر از طول جاده هراز در منطقه مورد مطالعه را شامل می‌شود. نتایج بدست-آمده می‌تواند در مدیریت بحران وقوع مخاطرات ژئومورفولوژیک در امتداد جاده کوهستانی هراز، جهت اولویت‌بندی انجام اقدامات فنی، عمرانی و به منظور بررسی وضعیت دامنه‌های ناپایدار و انجام عملیات تثبیت دامنه‌ای در مناطق با خطر زیاد و خیلی زیاد و همچنین برنامه‌ریزی جهت افزایش ایمنی جاده مورد استفاده قرار گیرد. https://gisj.sbu.ac.ir/article_106893.html چکیده مبسوط سابقه و هدف سیلاب به‌عنوان یکی از مخرب‌ترین مخاطرات طبیعی، به‌ویژه در مناطق خشک و نیمه‌خشک، خسارات گسترده‌ای به مناطق شهری، زیرساخت‌ها، اراضی کشاورزی و منابع آب وارد می‌کند. تشدید تغییرات اقلیمی، افزایش بارش‌های حدی، توسعه نامتوازن شهری و تغییر کاربری اراضی، فراوانی و شدت رخدادهای سیلابی را در دهه‌های اخیر افزایش داده است. در چنین شرایطی، شناسایی دقیق مناطق مستعد سیلاب و تهیه نقشه‌های ان، نقش کلیدی در مدیریت ریسک، برنامه‌ریزی کاربری زمین و کاهش خسارات ایفا می‌کند. با این حال، کمبود داده‌های هیدرولوژیکی و زمینی در بسیاری از مناطق کشور، از جمله دشت بیرجند، کارایی روش‌های هیدرولوژیکی را با محدودیت مواجه ساخته است. ازاین‌رو، بهره‌گیری از داده‌های سنجش از دور، شاخص‌های طیفی و الگوریتم‌های یادگیری ماشین به‌عنوان رویکردی نوین، سریع و مقرون‌به‌صرفه مطرح شده است. هدف اصلی این پژوهش، پیش بینی مناطق مستعد سیلاب در دشت بیرجند با استفاده از شاخص نرمال تفاضلی سیلاب (NDFI)، سامانه Google Earth Engine و الگوریتم‌های یادگیری ماشین و ارزیابی و مقایسه عملکرد آن‌ها است. مواد و روش‌ها در این پژوهش، ابتدا با استفاده از تصاویر ماهواره‌ای در محیط Google Earth Engine و پس از اعمال پیش‌پردازش‌ها و حذف اثر ابر، شاخص NDFI محاسبه و با کمک بازدید میدانی و بررسی عکسهای هوایی دهه 40، نقشه دودویی مناطق سیلابی و غیرسیلابی تولید گردید. بر اساس این نقشه، مناطق وقوع سیل استخراج و برای آموزش و اعتبارسنجی مدل‌ها مورد استفاده قرار گرفتند. سپس پانزده عامل ژئومحیطی مؤثر بر وقوع سیلاب شامل پارامترهای توپوگرافی، هیدرولوژیکی، اقلیمی و پوشش سطح زمین استخراج و به‌صورت لایه‌های رستری با تفکیک مکانی ۳۰×۳۰ متر آماده‌سازی شدند. به‌منظور جلوگیری از هم‌خطی چندگانه، روابط همبستگی بین عوامل بررسی شد. در ادامه، چهار الگوریتم یادگیری ماشین شامل جنگل تصادفی(RF)، آدابوست (AdaBoost)، گرادیان بوستینگ (GB) و مدل ترکیبی جنگل تصادفی–گرادیان بوستینگ (RF–GB) برای مدل‌سازی حساسیت به سیلاب به‌کار گرفته شدند. ارزیابی عملکرد مدل‌ها با استفاده از شاخص‌های Accuracy ، Sensitivity ، Specificity ، F1-Score، ضریب کاپا، RMSE و مساحت زیر منحنی ROC انجام شد. نتایج و بحث نتایج نشان داد که تمامی مدل‌های یادگیری ماشین توانایی قابل قبولی در پیش‌بینی مناطق مستعد سیلاب دارند، اما از نظر دقت و پایداری عملکرد، تفاوت‌هایی میان آن‌ها مشاهده می‌شود. مدل جنگل تصادفی بهترین عملکرد کلی را با بیشترین توانایی تفکیک(AUC=0.9) ، بالاترین دقت کلی(Accuracy=0.83) و حساسیت کامل در شناسایی مناطق سیلابی (Sensitivity=1, Specificity=0.6, F1=0.87, Kappa=0.64) و کمترین مقدار خطا (RMSE=0.39) به خود اختصاص داد. مدل‌های گرادیان بوستینگ با مقادیر (AUC=0.78, RMSE=0.49, Accuracy=0.75, Sensitivity=1, Specificity=0.4, F1=0.82, Kappa=0.49) و آدابوست با مقادیر (AUC=0.82, RMSE=0.43, Accuracy=0.66, Sensitivity=0.71,Specificity=0.6, F1=0.71, Kappa=0.31) نیز توانایی مناسبی در شناسایی مناطق سیلابی دارند، اما از نظر توازن بین حساسیت و ویژگی، در رتبه‌های بعدی قرار گرفتند. مدل ترکیبی RF–GB علی‌رغم بهبود نسبی در توان تفکیک،(AUC=0.88, RMSE=0.41, Accuracy=0.75, Sensitivity=1, Specificity=0.4, F1=0.82, Kappa=0.43) برتری معناداری نسبت به مدل جنگل تصادفی نشان نداد. نقشه‌های مناطق مستعد سیلاب به پنج کلاس بسیار کم، کم، متوسط، زیاد و بسیار زیاد تقسیم شدند. تحلیل الگوی مکانی نشان داد که مناطق با حساسیت زیاد و بسیار زیاد عمدتاً در نواحی کم‌ارتفاع، دارای شیب ملایم، نزدیک به رودخانه‌ها و با پوشش گیاهی ضعیف متمرکز هستند که بیانگر نقش غالب عوامل توپوگرافی و هیدرولوژیکی در فرآیند سیلاب‌زایی منطقه است. نتیجه‌گیری یافته‌های این پژوهش نشان می‌دهد که ادغام شاخص NDFI، داده‌های سنجش از دور و الگوریتم‌های یادگیری ماشین در بستر Google Earth Engine، رویکردی کارآمد، سریع و مقرون‌به‌صرفه برای پیش بینی مناطق مستعد سیلاب در مناطق خشک و کم‌داده فراهم می‌کند. در میان مدل‌های مورد بررسی، جنگل تصادفی به‌عنوان پایدارترین و دقیق‌ترین الگوریتم، توان بالایی در شناسایی مناطق پرخطر از خود نشان داد و می‌تواند به‌عنوان ابزار پشتیبان تصمیم‌گیری در مدیریت ریسک سیلاب، برنامه‌ریزی کاربری اراضی و کاهش خسارات مورد استفاده قرار گیرد. چارچوب پیشنهادی این مطالعه قابلیت تعمیم به سایر مناطق مشابه را داشته و می‌تواند در ارتقای تاب‌آوری سرزمینی در برابر مخاطرات سیلابی نقش مؤثری ایفا کند. https://gisj.sbu.ac.ir/article_106962.html مدیریت پایدار سواحل مستلزم آگاهی از روند تغییرات خط ساحلی است. آشکارسازی تغییرات خط ساحلی می تواند در شناسایی و تجزیه وتحلیل میزان جابجایی خطوط ساحلی کمک نماید. با تعیین الگوی امواج و جریان کرانه ای و اثر متقابل آنها بر پدیده انتقال رسوب، می توان به بررسی تغییرات مورفولوژی سواحل پرداخت. شامخی رنجبر و همکاران (1401) مقاله ای تحت عنوان تشخیص و بررسی روند تغییرات خط ساحلی رودخانه با استفاده از داده های دورسنجی ارائه کرده اند. این تحقیق به بررسی قابلیتهای تصاویر ماهواره ای IKONOS Sentinel-2A در استخراج عارضه رودخانه جهت شناسایی و بررسی تغییرات خط سواحل رودخانه کارون در دو دوره بین سالهای ۲۰۰۶ تا ۲۰۱۸ پرداخته شده است. اهداف تحقیق عبارتند از: شناسایی عوامل تاثیر گذار در تغییر مسیر و شکل هندسی بستر رودخانه بررسی میزان تاثیر دخالت انسانی در تغییر شکل مسیر رودخانه این پژوهش از نظر هدف کاربردی و از نظر شیوه اجرا یک پژوهش میدانی و سیستمی است که بصورت مطالعه موردی انجام می پذیرد در این پزوهش، پلان مسیر رودخانه، از طریق تصاویر ماهواره های سنجش از دور لندست، استخراج میگردد و با اعمال تصحیحات هندسی و ژئورفرنس نمودن این تصاویر در بازه های زمانی مختلف، اطلاعات رستری از مسیر رودخانه در نرم افزار ARCGIS با توجه به زمان های اخذ تصاویر، طبقه بندی خواهد شد و سپس با رقومی سازی خط ساحلی رودخانه، مسیر هندسی رودخانه در هر دوره زمانی ترسیم میگردد. این اطلاعات رقومی در نرم افزارهای اتوکد و ArcGis مورد تحلیل و بررسی قرار میگیرند روش مورد استفاده معرفی مدل عددی MIKE مدل ریاضی مایک که توسط موسسه هیدرولیکی دانمارک (DHI) تهیه و توسعه یافته است قادر به شبیه سازی جریانات غیردائم در رودخانه ها، خورها، شبکه های آبیاری و سایر سیستم های هیدرولیکی مشابه می باشد. نتایج و بحث تحلیل تصاویر ماهواره ای تحقیق در این تحقیق از تصاویر ماهواره های لندست 5 و 8 در یک بازه زمانی 20 ساله استفاده شده است. تصاویر مورد استفاده مربوط به فریم شماره - -135-167 و 134 ،134-166 از ماهواره فوق بوده و مربوط به ماه آگوست است . سنجنده این ماهواره ها در لندست 5 دارای 7 باند که 6 باند آن طیفی و 1 باند آن حرارتی است می باشد. در لندست8 دو سنجنده OLI و TIRS نصب می باشد که 4 باند در OLI و 2 باند در TIRS تعبیه شده است. در این مرحله به منظور بررسی تغییرات خط ساحلی، از تلاقی دوبه دو تصاویر متوالی طبقه بندی شده استفاده شده است. جدول و نقشه ، تغییرات اراضی در منطقه را از سال 2000 تا 2020 نشان میدهند. به کمک این اطلاعات میتوان به بررسی ارتباط بین روند تغییرات طبقه های مختلف با یکدیگر پرداخت. در ادامه جهت پایش تغییرات خط ساحلی، تصاویر حاصل شده از مرحله قبل که دارای دو کلاس آب و خشکی هستند و با یکدیگر تلاقی داده شده اند، به صورت دوره ای بررسی میشوند. در طی این دوره طول کل خط ساحلی از 74772 متر در سال 2000 به 77292 متر در سال 2020(افزایش 2520 متری) افزایش یافته است. بیشترین مقدار پیشروی کلاس آب به سمت خشکی در حدود 5/127متر در طول خط ساحلی و بیشترین مقدار پیشروی خشکی به سمت کلاس آب در حدود 5/202 متر در دهانه رودخانه قره آغاج میباشد. یکی از مهمترین خروجی های گرافیکی مدل عددی، توزیع بار کل رسوبگذاری که مجموع رسوبات بستر و معلق در جهات مختلف است، می باشد. شکل بار کل رسوبگذاری ساحل مطالعاتی را نشان میدهد. باتوجه به نتایج حاصل از مدل،حداکثر بار رسوبگذاری در نواحی غربی رودخانه قره آغاج اتفاق افتاده است و توزیع رسوب نیز در این ناحیه بیشتر است، بنابراین دراین نواحی جهت عبور آب باید تمهیدات ویژهای از جمله لایروبی باید صورت پذیرد، همچنین مقادیر عددی نرخ انتقال رسوب در محدوده ی مورد مطالعه، با توجه به مدل عددی در جدول نشان داده ده است. https://gisj.sbu.ac.ir/article_106993.html چکیده: سابقه و هدف: در تصاویر رادار با روزنه مجازی، مقدار بازپراکنش در نواحی دارای توپوگرافی پیچیده به‌طور قابل‌توجهی تحت تأثیر قرار می‌گیرد. این مسئله منجر به کاهش دقت رادیومتریک تصاویر و بروز پدیده‌هایی نظیر کوتاه‌شدگی و وارونگی در تصویر می‌شود. چنین اثراتی موجب کاهش کیفیت و دقت اطلاعات قابل استخراج از تصاویر راداری شده و در نتیجه، تصحیح دقیق آن ها برای کاربردهای علمی امری ضروری است. در این راستا، مدل‌های متعددی برای اصلاح این تأثیرات توسعه یافته اند که به طور کلی در سه دسته اصلی طبقه بندی می شوند: مدل‌های مبتنی بر زاویه فرود محلی، مدل‌های مبتنی بر اصلاح مساحت پیکسل، و مدل‌های ترکیبی. هر یک از این رویکردها با توجه به ساختار و عملکرد خود، به نتایج قابل‌قبول و رضایت‌بخشی در تصحیح بازپراکنش دست یافته‌اند. هدف از پژوهش حاضر، توسعه مدلی نوین با توانایی بهبود دقت تصحیح بازپراکنش در تصاویر سنتینل-1 به‌ویژه در نواحی جنگلی و کوهستانی است. مواد و روش‌ها: در این مطالعه، مدل تصحیح بازپراکنش با ترکیب دو مدل مختلف توسعه یافته است. ابتدا مدل RTF به دلیل عملکرد مطلوب در تصحیح مقدار بازپراکنش در نواحی دارای توپوگرافی شدید به‌کار گرفته شده است. با این حال، پس از اعمال این مدل، برخی نواحی واقع در پشت ارتفاعات که مدل‌سازی دقیق آن‌ها امکان‌پذیر نبود، حذف شدند. سپس مدل سینوسی بر روی تصویر اصلاح‌شده توسط مدل RTF اعمال گردید. با توجه به عملکرد مناسب این مدل در تصحیح مقدار بازپراکنش در نواحی دارای توپوگرافی ملایم، استفاده از آن محدود به پیکسل‌هایی با زاویه فرود محلی بیش از ۱۳ درجه بوده است. در نهایت، پیکسل‌های حذف‌شده در اثر اعمال مدل RTF بر روی تصویر مربوط به عبور نزولی، با مقادیر متناظر در تصویر عبور صعودی جایگزین شده‌اند. برای بررسی تعمیم‌پذیری مدل پیشنهادی که تحت عنوان«مدل RTF بهبودیافته»معرفی شده است، علاوه بر منطقه خیرودکنار استان مازندارن، در سه منطقه دیگر واقع در جنگل‌های دالخانی نیز پیاده‌سازی شده است. به منظور ارزیابی عملکرد مدل، از دو شاخص آماری کاهش واریانس و کاهش شیب رگرسیون میان زاویه فرود محلی و بازپراکنش و همچنین از روش طبقه‌بندی گونه‌های درختی استفاده شده است. نتایج و بحث: در تصویر مربوط به منطقه خیرودکنار، واریانس بازپراکنش در پلاریزاسیون VVپس از تصحیح با مدل RTF به میزان 86.1%و پس از اعمال مدل RTF بهبودیافته به میزان 91.6% نسبت به تصویر اولیه کاهش یافته است. همچنین، در پلاریزاسیونVH، واریانس پس از تصحیح با مدل RTF به میزان 90% و پس از اعمال مدل RTF بهبودیافته به میزان 93.4% نسبت به تصویراولیه کاهش یافته است. شیب خط رگرسیون بین زاویه فرود محلی و بازپراکنش در پلاریزاسیون VV از مقدار 0.00201- در مدل RTF به 0.00011- در مدل بهبودیافته کاهش یافته و در پلاریزاسیون VH نیز از 0.00033- در مدل RTF به 0.00016- در مدل بهبودیافته کاهش یافته است که بیانگر کاهش قابل‌توجه اثرات توپوگرافی می‌باشد. همچنین، صحت کلی و ضریب کاپا طبقه‌بندی گونه‌های درختی به ترتیب از 47% و 0.18 در مدل RTF به 52% و 0.26 در مدل RTF بهبودیافته افزایش یافته است. به‌منظور بررسی تعمیم‌پذیری مدل، دو روش آماری ارزیابی بر روی سه منطقه دیگر واقع در جنگل‌های دالخانی اعمال شده است. نتایج به دست آمده نیز نشان‌دهنده بهبود قابل توجه بازپراکنش در این مناطق بود. نتیجه‌گیری: مدل RTF بهبودیافته با ترکیب مزایای دو مدل RTF و سینوسی و بهره‌گیری همزمان از تصاویر عبور صعودی و نزولی سنتینل-1، توانسته است بهبود چشمگیری در تصحیح مقدار بازپراکنش ارائه دهد. این مدل جدید نه تنها دقت بالاتری نسبت به مدل‌های جداگانه دارد، بلکه با کاهش اثرات منفی توپوگرافی، کیفیت تصاویر تصحیح‌شده را به طرز قابل توجهی افزایش می‌دهد. بنابراین، این روش می‌تواند به عنوان یک ابزار قدرتمند در پژوهش‌های مرتبط با تحلیل تصاویر راداری مورد استفاده قرار گرفته و به محققان در دستیابی به نتایج دقیق‌تر کمک نماید. https://gisj.sbu.ac.ir/article_107052.html Nowadays, road extraction is one of the most important analyses of remote sensing data. This process involves identifying and separating roads from other natural and artificial features in aerial or satellite images. According to growing demand for accurate and up-to-date information for urban planning, navigation system, traffic management, mapping, and monitoring, automatic and semi-automatic road extraction has become increasingly important. Although several research studies have been performed, there are still several challenges such as the proximity of trees, building shadows, similarity of road and sidewalk, and the presence of cars on roads. In the recent decade, UAV platforms have been successfully applied in remote sensing applications, especially in remote sensing. According to the high spatial resolution of UAV images, they can be used in road extraction with high accuracy. Road extraction methods from 2D remote sensing images are divided into three categories: morphological operation, traditional machine learning algorithms, and deep learning-based methods. Although morphological methods are able to extract road shape features, they usually have little resistance to gaps, light changes, and contrast. Consequently, ML methods are proposed to solve these challenges. In this group, several textural features are manually extracted, and then classifiers are used for the final classification. The critical problem in road segmentation is accurately identifying pixels in an image as being on or off the road (background). The variety of road areas in terms of their location, size, form, and color makes developing effective segmentation algorithms more difficult. Additionally, when trees or buildings are covered by shadow in images, the accuracy of road segmentation is compromised. According to the high potential of the deep learning methods, they have been applied in the road extraction from remotely-sensed image. We propose a framework to segment UAV images semantically, and the extracted roads are also refined by accurate spatial analysis around road boundaries. In this paper, a new post processing method is developed to enhance the result of convolutional neural networks (CNNs) by injection of spatial information. For this purpose, Xception as a powerful deep learning network is implemented to extract road in UAV images. Although, it detects road accurately but there are still false positive and negative pixels in the classification map. Consequently, post-processing step is proposed to decrease FP and FN by using spatial information. Several morphological operators are considered in this step and also road boundaries with their direction are computed. Fusion of the obtained results based on Xception and spatial information of the post-processing stage, significantly improve the road extraction results. The proposed method has been evaluated on NITR and UDD datasets. The obtained results on NITR show that Xception reaches 93.81% where UNet and SegNet achieve 85.97% and 77.11%, respectively. On the UDD dataset, XCeption achieves 91.94% while UNet and SegNet reach 83.19% and 75.67%, respectively. The proposed method can improve the Xception results up to 96.08% and 94.47%. The obtained results show that deep learning method uses spatial information in semantic segmentation, but the visual evaluation of the obtained classification map shows that there still exist misclassified pixels and more spatial analysis is required. Consequently, we proposed a post-processing step containing morphological operations and road boundaries analysis. The results on complex scenes show that the proposed post-processing step improves the recall metric up to 20%, but in less complex areas it improves less. However, some limitations were also observed in the proposed method where the curved or irregular boundaries were not addressed. This indicates challenges in identifying more complex and irregular patterns, which may be due to structural limitations of the model or the inherent complexities of the data. Therefore, it is necessary to investigate and develop methods and optimize the algorithms in future research.