نادیا عباس زاده طهرانی

اساس برنامه ریزی و مدیریت صحیح داشتن آمار و اطلاعات دقیق و به هنگام است. یکی از مهم ترین آمار و اطلاعات بخش کشاورزی میزان تولید سالیانه هر محصول یا سطح زیرکشت است. یکی از ابزارهایی که در کمترین زمان و با هزینه پایین و دقت مناسب، می تواند سطح زیرکشت محصولات را محاسبه کند دانش و فنّاوری سنجش از دور است. در این تحقیق، از دو روش طبقه بندی شبکه عصبی مصنوعی و ماشین بردار پشتیبان استفاده شده و سطح زیرکشت محصولات غالب منطقه، شامل هشت کلاس، از تصاویر سری زمانی سنتینل 2 برآورد شده است. براساس نتایج به دست آمده، صحت کلی هریک از روش های شبکه عصبی مصنوعی و ماشین بردار پشتیبان به ترتیب برابر با 97.74 و 97.96%، با ضریب کاپای 0.97 برای برآورد سطح زیرکشت محصولات بوده است. بنابراین، نتایج این دو روش مورد قبول واقع شده است. با توجه به صحت کلی، می توان نتیجه گرفت که دو روش طبقه بندی نتایج تقریباً یکسانی در منطقه دارد. علاوه براین، طبق نتایج صحت کاربر، می توان بیان کرد درمورد چهار محصول یونجه، برنج، پیاز و خربزه، عملکرد روش ماشین بردار پشتیبان بهتر از روش شبکه عصبی است و درمورد گندم دیم و آبی، جارو و مرتع، روش شبکه عصبی بهتر از ماشین بردار پشتیبان در منطقه عمل می کند.

تجارب پیشین نشان داده است که با بکارگیری تصاویر سنجنده ی مادیس، می توان، طوفان های شن، ماسه و گرد و غبار (SDS) را مطالعه نمود، اما شاخص های شناسایی غبار موجود، قادر به آشکارسازی گرد و غبار با صحت و دقت بالا نیستند. در این مقاله، ترکیب خطی جدیدی متشکل از باندهای 3، 7، 20، 31 و 32 مادیس برای شناسایی طوفان های گرد و غبار و جداسازی مناطق غبارآلود معرفی شده است. از این ترکیب برای شناسایی طوفان غبار رخ داده شده در 26 و 27 خرداد ماه 1387 استفاده شد. نتایج حاصل از این ترکیب با تصاویر غبار حاصل از شاخص های اختلاف دمای روشنایی میان باندهای 32 و 31 (BTD32-31)، اختلاف دمای روشنایی میان باندهای 20 و 31 (BTD20-31) و اختلاف نرمال شده ی گرد و غبار (NDDI) که از جمله مهمترین شاخص های شناسایی گرد و غبار هستند، مقایسه شد. نتایج، نشان داد که ترکیب معرفی شده، قادر به شناسایی SDS با دقت کلی بالای 88 درصد است.یکی دیگر از ارزیابی های صورت گرفته،آشکارسازی طوفان غبار با استفاده از محصول عمق نوری هواویز (AOD) مادیس و مقایسه ی آن با تصاویر غبار بدست آمده از شاخص ها است. دقت کلی محاسبه شده برای تصویر غبار حاصل از شاخص معرفی شده در مقایسه با طوفان گرد و غبار جداسازی شده با AOD در مقایسه با شاخص های NDDI، BTD20-31 و BTD32-31 به ترتیب 5%، 8% و 31% بالاتر بوده است. با توجه به اعتبارسنجی صورت گرفته شده، شاخص معرفی شده در شناسایی رخداد طوفان های شن، ماسه و گرد و غبار در غرب آسیا در مقیاس های بالا کارآ است.

پایش تغییرات دمای سطح زمین حاصل از نوسانات فصلی و غیرفصلی به دلیل تأثیر بسیار آن بر محیط زیست انسانی و طبیعی، امری ضروری است. به منظور پایش پیوسته دمای سطح زمین با هزینه اندک و سرعت زیاد، از تصاویر ماهواره ای سنجش از دور استفاده می شود. در این پژوهش، نخست با بهره گیری از سه روش متداول استخراج دما مبتنی بر رابطه پلانک، دمای سطح زمین در محدوده دریاچه ارومیه از تصاویر ماهواره لندست استخراج شد؛ سپس با استفاده از رابطه رگرسیون خطی و مشاهدات دمای ایستگاه های هواشناسی، نقشه های دمای استخراج شده از روش های متداول اصلاح شدند. نتایج پژوهش نشان می دهد روش های متداول استخراج دما برای سنجنده های TM و TIRS ماهواره لندست، صحتی تقریباً برابر با 4 و 8 درجه سانتی گراد دارند. پس از اصلاح نقشه های دما با استفاده از روش رگرسیون خطی، این مقدار صحت برای سنجنده های TM و TIRS تقریباً به ترتیب به 1 و 5/0 درجه سانتی گراد کاهش یافت. این موضوع، کارایی مناسب روش رگرسیون ارائه شده در این پژوهش را برای اصلاح دما نشان می دهد.