مصطفی مهدوی فرد

بررسی مورفومتری یک حوضه آبخیز نقش بسیار مهمی در ساختار زمین دارد. روش های سنجش از دور ابزار مناسبی برای بررسی و استخراج شبکه آبراهه به شمار می آیند. یکی از روش های رایج برای استخراج شبکه آبراهه و بررسی مورفومتری حوضه آبخیز بهره گیری از مدل های رقومی ارتفاعی با قدرت تفکیک مکانی زیاد است. هدف از این پژوهش، استخراج شبکه آبراهه با استفاده از مدل های رقومی با قدرت تفکیک مکانی زیاد مانند آلوس و سنتینل -1 و مدل های رقومی با قدرت تفکیک مکانی متوسط مانند اس آر تی ام و تان دم ایکس است. به منظور تهیه مدل رقومی ارتفاعی سنتینل -1 از روش تداخل سنجی راداری استفاده شد. درنهایت، برای اعتبارسنجی دقت این مدل رقومی ارتفاعی از آلوس استفاده شد. نتایج نشان دهنده آن است که مدل رقومی ارتفاعی تهیه شده از سنتینل -1 با داده مرجع در این پژوهش (آلوس) دارای همبستگی حدود 99/0 که نشان دهنده قابلیت زیاد این مدل رقومی ارتفاعی در استخراج شبکه آبراهه است. نتایج استخراج آبراهه حاکی از آن است که دو مدل رقومی ارتفاعی با قدرت تفکیک مکانی زیاد سنتینل -1 و آلوس هرکدام تعداد 9 شبکه آبراهه را استخراج کردند؛ در حالی که مدل های رقومی با قدرت تفکیک مکانی متوسط اس آر تی ام و تان دم ایکس به ترتیب توانستند فقط 7 و 6 شبکه آبراهه را استخراج کنند. بررسی ها در این پژوهش نشان دهنده آن است که برای بهبود کیفیت مدل رقومی ارتفاعی سنتینل -1 باید پارامترهای خط مبنا و همچنین اختلاف زمانی بین دو تصویر قدیم و جدید در تداخل سنجی راداری بسیار موردتوجه پژوهشگران قرار گیرد.

نقشه های به روز و دقیق کاربری اراضی نقش مهمی در مدیریت و برنامه ریزی کشورهای درحال توسعه ایفا می کند. هدف از این پژوهش علاوه بر تهیه ی نقشه دقیق پوشش اراضی استان گیلان، مقایسه و ارزیابی نقشه های تولیدشده با استفاده از داده های چندفصلی راداری و اپتیکی و همچنین ترکیب این داده ها با یکدیگر به منظور بهبود دقت نقشه طبقه بندی شده می باشد. در این راستا داده های با توان تفکیک مکانی 10 متر سنتینل 2 و قطبش VH راداری سنتینل 1 در باند C به منظور تهیه نقشه پوشش اراضی در محیط پردازشی گوگل ارث انجین مورد پردازش و تحلیل قرار گرفتند. یافته ها نشان داد که نتایج استفاده از داده ی راداری سنتینل 1 به تنهایی یا استفاده از تصاویر سنتنیل 2 به تنهایی، به ترتیب دارای ضریب کاپای 0.72 و 0.84 درصد و دقت کلی به ترتیب 78.51 و 87.41 درصد است. این در حالی است که استفاده هم زمان از داده ی سنتنیل 1 و سنتنیل 2 با رویکرد ترکیب داده ها در محیط گوگل ارث انجین، نتایجی بسیار مطلوب تری را حاصل و باعث بهبود دقت طبقه بندی می شود. به طوری که نقشه ی تهیه شده با استفاده از ترکیب چندفصلی هم زمان تصاویر سنتنیل 1 و 2 دارای ضریب کاپا و دقت کلی به ترتیب 0.97 و 97.77 درصد برآورد گردید. در این پژوهش پیکسل های کاربری بایر در تصاویر سنتینل 1 به دلیل شباهت میزان بازپراکنش و در تصاویر سنتینل 2 به علت شباهت طیفی، سبب عملکرد نامناسب الگوریتم طبقه بندی ماشین بردار پشتیبان در تفکیک کلاس بایر و شهر از هم گردید. به طورکلی نتایج این پژوهش بیانگر آن است که ترکیب هم زمان داده های سنتینل 1 و 2 برای بهبود دقت الگوریتم های طبقه بندی جهت نقشه برداری می تواند بسیار مناسب عمل کند و کلاس های اراضی را با توانایی بالا از هم جدا سازد.

تالاب ها جزء اکوسیستم های مابین خشکی و دریایی به شمار می آیند. شناسایی و نظارت بر آلودگی های ساحلی و دریایی برای به حداقل رساندن اثرات مخرب آن ها برای جامعه ی ساحلی امری ضروری و حیاتی است. پایش کلروفیل- آ که رنگدانه ی اصلی فیتوپلانکتون های آب های ساحلی است با استفاده از عملیات میدانی زمان بر و هزینه بر است اما فناوری نوین سنجش ازدور با بهره گیری از سنجنده های دارای توان تفکیک مکانی و طیفی بالا امکان پایش در مقیاس کلان را میسر ساخته است. در این پژوهش از داده های بازتاب سطحی و داده های بازتاب بالای جو ماهواره های سنتینل2 و لندست8 و الگوریتم OC2 به منظور تخمین سری زمانی غلظت کلروفیل- آ در تالاب دهستان تیاب استفاده شد. هدف از پژوهش حاضر مقایسه داده های ورودی به الگوریتم OC2 ، ارزیابی آن با داده های میدانی و درنهایت تخمین غلظت سری زمانی کلروفیل- آ در منطقه مطالعاتی است. نتایج پژوهش نشان داد که الگوریتم OC2 با داده های بازتاب سطحی زمین دارای همبستگی به مراتب بالاتری در ماهواره های لندست 8 و سنتینل 2 است که به موجب آن مقدار R 2 به ترتیب در داده های بازتاب سطحی زمین ماهواره ی لندست8 و سنتینل2 برابر با 0/91 و 0/64 برآورد گردید. این درحالی است که مقدار R 2 به ترتیب در داده های بازتاب بالای جو برابر با 0/12 و 0/54 است. نتایج پژوهش بیانگر این است که ورودی الگوریتم OC2 حتماً باید از نوع داده ی بازتاب سطحی زمین و تصحیح اتمسفری شده باشد.

امروزه ارزیابی توسعه فیزیکی شهری با استفاده از تکنیک های نوین سنجش از دور می تواند اطلاعات پایه ای را در اختیار برنامه ریزان قرار دهد و از این طریق نقشی مؤثر در مدیریت و بهبود کاربری اراضی شهر ایفا کند. هدف از این پژوهش، پایش و ارزیابی توسعه فیزیکی شهر تبریز در دوره 42 ساله (2014-1972) با استفاده از سامانه جدید (GEE) Google Earth Engine و پیش بینی تغییرات گسترش فیزیکی شهر تبریز با استفاده از مدل شبکه عصبی (MLP) است. نتایج این پژوهش نشان از قابلیت بالای فناوری GEE در استخراج پهنه های شهری طی دوره های مختلف دارد، بطوریکه این فناوری بخوبی توانست توسعه فیزیکی شهر تبریز را طی دوره 40 ساله ارزیابی کند. نتایج پیش بینی تغییرات حاصل از مدل MLP نشان دهنده ی این است که توسعه فیزیکی شهر تبریز در آینده رو به شمال شرقی و جنوب شرقی است و مدل اجرا شده از سال 1975 تا 2014 در قالب GEE و برای بیست سال آتی با استفاده از مدل تجربی شبکه عصبی مبتنی بر پرسپترون چندلایه اقدام به شبیه سازی و مدلسازی روند آتی توسعه کلانشهر تبریز نمود.