ناهید حق شناس

داده های سنجش از دوری، با قدرت تفکیک مکانی بالا، اغلب دارای قدرت تفکیک زمانی و طیفی پایین و داده های با قدرت تفکیک مکانی پایین دارای قدرت تفکیک طیفی و زمانی بالا هستند. باوجوداین ، درحال حاضر، سنجنده های ماهواره ای به تنهایی نمی توانند داده هایی با قدرت تفکیک زمانی و قدرت تفکیک مکانی بالا را هم زمان ارائه کنند. این درحالی است که در برخی کاربردها دسترسی هم زمان به داده هایی با قدرت تفکیک مکانی و زمانی بالا ضروری است؛ ازاین رو در این مطالعه، با هدف دستیابی به داده های دارای قدرت تفکیک مکانی و زمانی بالا، تصاویر مادیس در کلاس های کاربری شهری، باغ، مرتع، کشاورزی و آب ازطریق الگوریتم های STARFM ، ESTARFM وFSDAF به قدرت تفکیک مکانی سنتینل 2، ریز مقیاس شد. منطقه مطالعاتی با تنوع پوشش های زمین گوناگون در اطراف شهر مهاباد انتخاب شد. در این مطالعه، باندهای مرئی و مادون قرمز نزدیک در سنتینل 2 و مادیس انتخاب و پیش پردازش های لازم، ازجمله تصحیح هندسی، روی آنها انجام شد. سپس با استفاده از الگوریتم های ریزمقیاس نمایی، تصاویر مادیس به تصاویر سنتینل 2 ریزمقیاس شد. نتایج نشان دهنده صحت بالای کلاس های شهری، باغ و مرتع در قیاس با کلاس های کشاورزی و آب است؛ به گونه ای که الگوریتم های ESTARFM، FSDAF و STARFM به صورت میانگین در همه باندها، به ترتیب برای کلاس شهری، ضریب تعیین 25/88، 25/87 و 5/86، درمورد کلاس باغ ضریب تعیین 75/83، 25/83 و 5/80 و درمورد کلاس مرتع، ضریب تعیین 75/90، 5/70 و 5/87 را نشان دادند. درمجموع، الگوریتم ESTARFM در مقایسه با دیگر الگوریتم ها در این تحقیق، نتیجه ای بهتر دربرداشت.

آگاهی از میزان تاج پوشش درختان در مناطق شهری به علت تأثیرات آن در کاهش آلودگی های هوا، کاهش آلودگی صوتی، جلوگیری از باد، ذخیره نزولات آسمانی، و کاهش و کنترل رواناب های شهری بسیار ضروری است. ازآن جا که استخراج تاج پوشش درختان با روش های دستی بسیار وقت گیر و پرهزینه است، تکنیک های سنجش از دور می توانند ابزار مناسبی برای تأمین این داده ها باشند. در طبقه بندی شیء پایه، انتخاب پارامترهای بهینه قطعه بندی، به ویژه پارامتر مقیاس، اهمیت بسیاری دارد و معمولاً با شیوه آزمایش و خطا تعیین می شود که کاملاً تجربی است. بنابراین، یکی از اهداف این پژوهش انتخاب مقیاس بهینه قطعه بندی به صورت خودکار است. همچنین، پس از استخراج قطعات، لازم است با یک روش طبقه بندی، قطعات استخراج شده تعیین کاربری/ پوشش زمین شوند و در این زمینه، انتخاب نوع روش طبقه بندی در نتیجه نهایی طبقه بندی شیء پایه بسیار اهمیت دارد. ازاین رو، پس از قطعه بندی با استفاده از داده های لیدار و تصاویر هوایی از شهر واهینگن در آلمان و تعیین ویژگی های مهم مستخرج از قطعات، با استفاده از روش انتخاب ویژگی برمبنای جنگل تصادفی، قطعات مربوط به تاج پوشش درختان از سایر قطعات تفکیک شد. این کار با بهره گرفتن از شیوه های یادگیری ماشین شامل ماشین بردار پشتیبان، جنگل تصادفی و درخت تصمیم گیری صورت گرفت. نتایج نشان دهنده برتری الگوریتم ماشین بردار پشتیبان، به منزله برترین الگوریتم طبقه بندی کننده، و مقیاس 25، به منزله بهترین مقیاس انتخابی، بود و در نهایت، الگوریتم های ماشین بردار پشتیبان، جنگل تصادفی و درخت تصمیم گیری در مقیاس 25، به ترتیب، با شاخص های کیفیت 79.90 و 79.16 و 76.90 توانستند تاج پوشش درختان را استخراج کنند.