علیرضا صفدری نژاد

ضرورت دسترسی به کاربردهای وسیع تصاویر ابرطیفی سبب توسعه سیستم های تصویربرداری نوآورانه و اقتصادی در ثبت این تصاویر شده است. به منظور استفاده از این تصاویر، لازم است ارتباط هندسی دقیقی میان آنها و فضای زمین برقرار شود و این فرایند نیازمند نقاط کنترلی بسیاری است. این نکته ضرورت توسعه راهکارهای اصلاح هندسی منطبق با ساختار هریک از این دوربین ها را بارز می کند. سنجنده (nm 400-1000) BaySpec OCI-F یکی از سیستم های نوآورانه ای است که تصاویر ابرطیفی را با هندسه تصویربرداری پوش بروم دریافت می کند. این سنجنده، علاوه بر یک سنسور پوش بروم، از یک سنسور فریم نیز بهره می برد که هم زمان با سنسور پوش بروم و با رزولوشن مکانی زمانی مشابه، تصویر را دریافت می کند. در این مقاله، روشی برای اصلاح هندسی تصاویر پوش برومِ این سنجنده بیان شده است. در بخش اول این روش، با توجه به ساختار تصویربرداری دوربین، ارتباط هندسی میان آرایه خطی و سنسور فریم در قالب پارامترهای کالیبراسیونی مشخص می شود. در ادامه، به کمک برآورد ارتباط هندسی میان تصاویر فریم متوالی، پیکسل های تصویر پوش بروم در کنار یکدیگر چیده و تصویر اصلاح شده تولید می شود. در این روش، ارتباط هندسی میان هر جفت فریم متوالی به طور مستقیم، ازطریق تناظریابی کمترین مربعات، محاسبه می شود. نتایج به دست آمده نشان می دهد که این روش، به طور متوسط، 2/62% از اعوجاجات هندسی تصویر خام را کاهش داده است. این کاهش سبب شده است متوسط دقت مدل های درون یاب عمومی ساده دوبعدی و سه بعدی بین فضای تصویر و زمین، به ترتیب، 9/39% و 1/34% افزایش یابد.

تهیه نقشه اراضی کشاورزی یکی از لایه های اطلاعاتی مورد نیاز در مدیریت این زمین ها محسوب می شود. چنین نقشه هایی امکان پایش مستمر زمین های کشاورزی را در طول دوره کشت، فراهم می کنند. در این مطالعه، راهکاری به منظور تولید نقشه اراضی کشاورزی شهرستان شهرکرد، در دو کلاس زراعی و غیرزراعی، با استفاده از سری زمانی شاخص های مستخرج از تصاویر سنتینل 2 داده شده است. ازآن جا که استفاده از منابع داده حجیم یکی از موانع بهبود روش های مبتنی بر سری زمانی تصاویر ماهواره ای به شمار می رود، در این پژوهش از بستر پردازشی گوگل ارث انجین استفاده شده است. روش مطرح شده برمبنای تلفیق نتایج طبقه بندی نظارت شده پیکسل مبنا با نتایج قطعه بندی عمل می کند؛ به نحوی که ابتدا داده های آموزشی طبقه بندی نظارت شده، طی یک فرایند پالایشی سخت گیرانه، بدون نیاز به عملیات میدانی فراهم می شوند. سپس با محاسبه تفکیک پذیری دو کلاس هدف در سری زمانی هر شاخص، شاخص های بهینه انتخاب می شود. در نهایت، با تلفیق نتایج روش های قطعه بندی و طبقه بندی براساس آرای به دست آمده از نتایج طبقه بندی، به هر قطعه تصویری کلاس زراعی یا غیرزراعی نسبت داده می شود. این اقدام، علاوه بر دخالت دادن اطلاعات مکانی اعم از لبه ها و مجاورت های مکانی، توانسته است نویز و نتایج متخلخل طبقه بندی پیکسل مبنا را بهبود بخشد و دقت کلی نقشه نهایی را از 7/90 به 05/96 افزایش دهد. همچنین دقت کاربر دو کلاس زراعی و غیرزراعی به ترتیب 27/3 و 97/7% بهبود را نشان می دهند.

جابجایی اندک پدید ه ها در محیط مصداقی از تغییرات سه بعدی تلقی شده که احتمالاً شباهت رادیومتریکی عوارض متناظر را بر هم نمی زند. جابجایی اندک عوارض در صحنه، فرونشست یا برآمدگی سطح زمین، اثرات مربوط به اعمال فشار و کشش محلی به مواد در صنعت و مواردی از این دست را می توان در زمره تغییرات هندسی قلمداد کرد که نمود رادیومتریکی محسوسی در تصاویر ندارند.در چنین شرایطی، شناسایی خودکار نقاط متناظر در تصاویر اخذ شده قبل و بعد از تغییرات هندسی، منجر به تشخیص نقاط تغییریافته بعنوان عوارض مشابه در دو مقطع زمانی می گردد. مثلث بندی همزمان نقاط متناظر شناسایی شده در بلوک های عکسی قبل و بعد از تغییرات هندسی، مستلزم تفکیک مختصات سه بعدی مجهول برای نقاط تغییریافته در دومقطع است. عدم لحاظ شدن این موضوع، نقص در طراحی مدل ریاضی قلمداد شده که اصلاح آن نیازمند شناسایی نقاط متناظر تغییریافته است. در این مقاله، روشی تکراری مبتنی بر پایش بردار باقیمانده های مربوط به مشاهدات تصویری هر نقطه ی سه بعدی در روند مثلث بندی پیشنهاد شده که قادر به شناسایی نقاط تغییریافته است. سازوکار این روش پیشنهادی بر پایه مقایسه ی نسبی شاخص های آماری مستخرج از بردار خطا در دو حالت مثلث بندی همزمان و مستقل تصاویر اخذ شده در بلوک های عکسی قبل و بعد از تغییرات هندسی است. در این روش پس از شناسایی نقاط تغییریافته، مدل ریاضی مربوطه در روند مثلث بندی اصلاح و برای هر نقطه ی تغییریافته دو مختصات سه بعدی برآورد می شود. نتایج اجرای روش پیشنهادی در بیش از یازده آزمایش مختلف بطور متوسط حاکی از موفقیت 85/8 درصدی در شناسایی نقاط تغییریافته با بزرگی ها و راستای های متفاوت بوده که در مقایسه با روش های مرسوم هندسی مبتنی بر تخمین پایدار هندسه ی اپی پلار بهبود 34/5 درصدی را نشان می دهد.

امروزه فناوری سنجش ازدور جایگاهی ویژه در کاربردهای مختلف مدیریت شهری پیدا کرده است. در این بین، نقشه ی ساختارهای شهری نظیر بلوک های ساختمانی، عموماً در مدیریت بحران، طراحی شهری و مطالعات مربوط به توسعه ی شهری مورد استفاده قرار می گیرند. در این مطالعه تولید نقشه بلوک های ساختمانی با استفاده از تصاویر ماهواره ای سنتینل 1 و 2 دنبال شده است. روش پیشنهادی این مقاله متکی بر استفاده از طبقه بندی کننده آموزش یافته تعمیم پذیر می باشد. به نحوی که در ابتدا، طبقه بندی کننده مورد نظر با استفاده از نمونه های آموزشی به دست آمده از یک فرآیند پالایشی سختگیرانه نوین توسط محصولات سنجش ازدوری و مکانی مختلف، در سال 2015، آموزش می یابد. سپس این طبقه بندی کننده به منظور تولید نقشه بلوک های ساختمانی در مقاطع زمانی مشابه سه سال هدف (2018، 2019 و 2020) به کار گرفته می شود. به دلیل تنوع بافت و تراکم بلوک های ساختمانی در کلان شهر تهران، روش پیشنهاد شده در این منطقه مورد ارزیابی قرار گرفته است. همچنین با توجه به وسعت منطقه مطالعاتی، فراهم بودن تصاویر ماهواره ای رایگان بدون نیاز به اخذ و امکان اجرای عملیات  مختلف پردازشی به صورت برخط، از سامانه گوگل ارث انجین در پژوهش حاضر استفاده شده است. سه روش طبقه بندی جنگل تصادفی، کمترین فاصله با معیار فاصله ماهالانابیس و ماشین بردارپشتیبان در این فرآیند مورد بررسی قرار می گیرند. به منظور ارزیابی روش پیشنهادی، از نمونه های مرجع به دست آمده از تفسیر بصری تصاویر با قدرت تفکیک مکانی بالا (گوگل ارث) در هر سه سال هدف استفاده شده است. نتایج به دست آمده عملکرد بهتر روش جنگل تصادفی در هر سه سال هدف با دقت کلی بالای 93 درصد را نسبت به دو روش دیگر نشان می دهند.

داده های اخذ شده توسط سیستم های لیزر اسکنر هوایی به دلیل برخورداری از مزایایی نظیر دقت هندسی نسبتاً بالا و تراکم مکانی بالای نقاط، اطلاعات هندسی متنوع و منحصر به فردی از سطوح فیزیکی عوارض فراهم می آورند. طبقه بندی و تفکیک داده های ابر نقطه به عوارض سازنده ی محیط، نقش مهمی در روند مدلسازی سه بعدی عوارض ایفا می کند. در مقاله پیش رو، مسأله ی تفکیک ابرنقاط بعنوان یک فرایند طبقه بندی نظارت شده مدنظر قرار گرفته شده است؛ روند اجرایی در روش پیشنهادی مبتنی بر سه گام بوده که در گام نخست، برای هر نقطه از ابرنقاط مجموعه ای از ویژگی ها مبتنی بر تحلیل های مجاورتی تولید می گردد. در گام دوم، ویژگی های بهینه به کمک داد ه های آموزشی و فضای پدیده استخراج شده و در نهایت، طی یک الگوریتم خوشه بندی، با استفاده از ویژگی های استخراج شده، داده های ابر نقطه به کلاس های مد نظر طبقه بندی می گردند. از این روش بمنظور طبقه بندی ابر نقاط چندبازگشتی لایدار مربوط به یک منطقه ی شهری استفاده شد که نتایج طبقه بندی، دقت کلی معادل 15/93درصد و ضریب کاپای 89/0 را نشان دادند.

در تصاویر نرمال که براساس هندسه اپی پلار بازنمونه برداری شده اند، نقاط متناظر در زوج تصویر در راستای یک سطر یا ستون اند و پارالاکس قائم نخواهند داشت. این ویژگی تصاویر نرمال را به منزله پیش نیاز اصلی طیف وسیعی از کارهای فتوگرامتری نظیر تناظریابی، مثلث بندی هوایی خودکار، تولید مدل رقومی زمین، تولید ارتوفتو، و برجسته بینی مطرح کرده است. در این مقاله، روش جدیدی مبتنی بر استفاده از مدل پارامترهای مداری برای بازنمونه برداری اپی پلار تصاویر خطی پوش بروم پیشنهاد شده است. روش پیشنهادی براساس تصحیح پارامترهای توجیه خارجی مدل پارامترهای مداری در فضای شیئ توسعه یافته است. از مزایای این مدل می شود به امکان تصحیح اثر دید غیرقائم سنجنده به واسطه تعبیرپذیری فیزیکی پارامترهای مدل و امکان پیاده سازی روند پیشنهادی، با استفاده از دیگر مدل های مطرح در حوزه تصحیح هندسی تصاویر ماهواره اشاره کرد. طبق نتایج حاصل از ارزیابی دقت تصاویر نرمال تولیدشده به روش پیشنهادی در سطح نقاط چک مستقل، متوسط پارالاکس x باقی مانده در سطح مدل 73/0 پیکسل حاصل شد که بر کارآیی مدل پیشنهادی دلالت دارد.

بررسی خصوصیات انواع پوشش های گیاهی به عنوان یکی از پارامترهای مؤثر در تبادل انرژی بین جو و سطح زمین در مطالعات زیست محیطی، منابع طبیعی و کشاورزی اهمیت بسیاری دارد. امروزه فناوری سنجش از دور با ارائة اطلاعات طیفی گسترده و متنوع موجب تسهیل در مطالعة پوشش های گیاهی در سطح زمین و به ویژه تخمین پارامترهای بیوفیزیکی آنها شده است. یکی از مهم ترین پارامترهای فیزیکی به کار گرفته شده در تحلیل های مختلف مربوط به مطالعة پوشش های گیاهی، شاخص سطح برگ (LAI) است. در پژوهش حاضر ضمن تحلیل و مدل سازی ارتباط بین LAI و شاخص های گیاهی مختلف، با استفاده از مشاهدات طیف سنجی آزمایشگاهی، به بررسی محدودیت های مدل ریاضی موجود در برآورد LAI، ارائة راهکارهایی به منظور افزایش دقت و صحت نتایج این مدل و همچنین طراحی یک شاخص جدید پرداخته شده است. نتایج نشان دادند که از میان شاخص های گیاهی متداول، دو شاخص Simple Ratio و SAVI-2 دارای کمترین RMSE (حدود 08/0 در واحد LAI) بوده و شدت اشباع شدگی مدلی که برازش داده اند از شاخص های دیگر کمتر است. دو شاخص مذکور کارایی بالاتری در تخمین LAI به ویژه در مناطق با تراکم پوشش گیاهی آنها زیاد، دارند و می توان با اطمینان بالایی در مدل سازی خطی برآورد LAI از آنها استفاده کرد.

استفاده از داده های پلاریمتری راداری نقش تعیین کننده ای در شناسایی اهداف زمینی دارد و اطلاعات جامعی در مورد ویژگیهای هندسی و همچنین ماهیت اهداف، با بهره گیری از این نوع داده ها استخراج شدنی است. از جمله مشکلات موجود در زمینه طبقه بندی این نوع داده ها، انتخاب ویژگیهای بهینه است. با توجه به اهمیت این موضوع، در تحقیق حاضر روشی نو براساس نگاشت ویژگیهای استخراج شده به فضای پدیده ارائه شده است. به عنوان یکی از نتایج تحقیق، شاخص بهینگی در فضای پدیده برای انتخاب ویژگیهای بهینه تصاویر پلاریمتری راداری ارائه گردید. از طرف دیگر، یکی از محدودیت های موجود در زمینه استخراج اطلاعات دقیق مکانی، اختلاط مکانیسم های بازپراکنش در سطح پیکسل است. بنابراین، استفاده از طبقه بندیکننده های نرم به منظور تجزیه این نوع اختلاط ها ضروری است. اینکه تضمینی برای منفی نشدن سهم کلاس ها و همچنین واحد شدن مجموع سهم کلاس ها در هر پیکسل وجود ندارد، خود از چالش های طبقه بندیکننده های نرم است، که در این تحقیق با تلفیق طبقه بندیکننده نرم و الگوریتم نظارت نشده استخراج عناصر خالص مرتفع گردید. طبقه بندی کننده های نرم به رغم افزایش اطلاعات ماهیتی در نتایج طبقه بندی، توان جانمایی کلاس ها را در سطح زیرپیکسل ندارند و فقط سهم تعلق کلاس ها را در هر پیکسل تعیین میکنند. بدین منظور الگوریتم های (SRM) Super Resolution Mapping برای افزایش قدرت تفکیک مکانی در سطح نتایج طبقه بندی نرم شکل گرفته و پرورده شده اند. در این تحقیق نیز از روش جابه جایی پیکسلی به منظور تهیه نقشه در سطح زیرپیکسل استفاده شده و فرایندی غیرتصادفی برای جانمایی اولیه زیرپیکسل ها ارائه گردیده است. براساس نتایج تحقیق، روش پیشنهادی برای انتخاب ویژگیهای بهینه در مقایسه با روش مبتنی بر الگوریتم ژنتیک نتایج بهتری را به دست داد. در ادامه با استفاده از ویژگیهای به دست آمده، سه الگوریتم تجزیه اختلاط طیفی خطی (LSU)، شبکه عصبی چندلایه (MLP)) و ماشین بردار پشتیبان (SVM) برای طبقه بندی نرم منطقه مطالعاتی در سه کلاس مسکونی، پوشش گیاهی و زمین بایر اعمال گردید. با ارزیابی آنها، SVM به عنوان طبقه بندیکننده بهینه شناسایی شد و نتایج آن در فرایند جانمایی کلاس ها در سطح زیرپیکسل به کار رفت. در نهایت با پیاده سازی الگوریتم جابه جایی پیکسلی، تصاویر پلاریمتری راداری در سطح زیرپیکسل طبقه بندی شدند و قدرت تفکیک مکانی نتایج طبقه بندی نرم بهبود یافت.

در این مقاله با ارائة روش جدیدی در مدل سازی هندسی تصاویر ماهواره ای، از چندجمله ای های دوبعدی به منظور تعیین موقعیت سه بعدی در تصاویر ماهواره ای استریو استفاده شده است. در این مدل سازی، چند جمله ای های دوبعدی نقش برقراری ارتباط بین فضای زمین و تصویر را ندارند و در روند مدل سازی به عنوان پارامترهای اضافی در معادلة شرط هم خطی در نظر گرفته شده اند. معادلة شرط هم خطی به کاررفته در این مدل سازی نیز با مدل پارامترهای مداری است، و پارامترهای موجود در این مدل با استفاده از اطلاعات افمریز ماهواره تعیین می شوند و به صورت مقادیری ثابت در روند مدل سازی قرار می گیرند. در این مدل سازی ضرایب چندجمله ای تنها مجهول های مدل سازی اند و ضرایب مذکور به کمک نقاط کنترل زمینی در دستگاه معادلات خطی تعیین می شوند. مزایای عمده این مدل سازی عبارت اند از: کاهش پیچیدگی های اجرایی مربوط به استفاده از مدل های فیزیکی، سهولت پیاده سازی، امکان استفاده در تصاویر خام و تصاویری با سطوح پایین تصحیحات هندسی، امکان استفادة حداکثری از داده های کمکی ماهواره و همچنین خطی بودن دستگاه معادلات در پروسة تقاطع فضایی. آزمون مدل پیشنهادی در مجموعه داده های مختلف، حاکی از توان بالای این مدل سازی در تأمین دقت های مطلوب در تعیین موقعیت سه بعدی از تصاویر ماهواره ای استریو است.