محمدجواد ولدان زوج

نتیجة فرایند بازآرایی اپی پلار، تولید تصاویر شبه نرمال است که نقاط متناظر در آنها در امتداد سطرها یا ستون ها قرار می گیرند. برخلاف تصاویر نرمالِ حاصل از فرایند بازنمونه برداری اپی پلار، هیچ تضمینی برای تناسب پارالاکس موازی و ارتفاع نقاط متناظر در این تصاویر وجود ندارد. بااین حال، تولید تصاویر شبه نرمال می تواند انجام طیف وسیعی از کارهای فتوگرامتری نظیر تناظریابی، مثلث بندی هوایی خودکار، تولید مدل رقومی زمین، تولید ارتوفتو، و برجسته بینی را میسر سازد. در پژوهش حاضر، روش جدیدی مبتنی بر مدل مراکز تصویر چندگانه برای بازآرایی اپی پلار تصاویر خطی پوش بروم ارائه شد و روند بازآرایی برای دو سیستم تصویربرداری Cross Track و Along Track جداگانه بررسی گردید. اساس روش پیشنهادی، تصحیح مسیر حرکت و پارامترهای وضعیتی سنجندة توسعه یافته است. از مزایای این مدل می توان به امکان تصحیح اثر دید غیرقائم سنجنده به سبب تعبیرپذیری فیزیکی پارامترهای مدل اشاره کرد. برمبنای نتایج حاصل از ارزیابی دقت تصاویر شبه نرمال تولیدشده به روش پیشنهادی برای یک زوج تصویر استریوی Cross Track در سطح نقاط چک، متوسط پارالاکس قائم باقی مانده در سطح مدل 94/0 پیکسل به دست آمد، که می تواند مؤید صحت و کارایی مدل پیشنهادی باشد. کلید واژه ها : فتوگرامتری، بازآرایی اپی پلار، تصویر شبه نرمال، تصاویر خطی پوش بروم، مدل مراکز تصویر چندگانه، تصحیح مسیر حرکت سنجنده.

تهیه ی اطلاعات مربوط به سطح زیر کشت گندم و میزان محصول آن، تأمین کننده ی مدیریت موفق و پایدار در سیاست گذاری های اقتصادی برای این کالای راهبُردی می باشد. بررسی بازتاب طیفی گیاهان با استفاده از طیف سنجی میدانی و تشکیل کتابخانه ی طیفی امکان تفکیک ارقام مختلف گندم و تهیه ی نقشه ی پراکندگی آن ها را افزایش می دهد. به همین منظور منحنی رفتار طیفی مربوط به شش رقم گندم به نام های بهار، چمران، پیشتاز، شیراز، شیرودی و یاواروس در مزرعه ی مؤسسه ی تحقیقات اصلاح و تهیه نهال و بذر کرج در سه مرحله ی رویشی اندازه گیری شدند. مشاهدات توسط دستگاه طیف سنج میدانیASD FieldSpec®3 در نور و شرایط طبیعی اخذ گردیدند. در مرحله ی پیش پردازش سه محدوده ی نویزی متأثر از بخار آب، شناسایی و حذف شدند. سپس به منظور کیفی سازی داده های جمع آوری شده با استفاده از روش های آماری مشاهدات اشتباه کنار گذاشته شدند. این پژوهش در دو گام اصلی طراحی و اجرا شد. در گام اول تابع پاسخ طیفی سنجنده ی OLI که بر روی ماهواره ی لندست 8 نصب شده است، بر روی طیف های کتابخانه اعمال گردید. سپس با استفاده از معیارهای شباهت طیفی و بیست و هفت شاخص گیاهی مهم حساس به غلظت کلروفیل، شدت فتوسنتز، نیتروژن و میزان آب موجود در تاج گیاه و غیره، حد نهایی تفکیک پذیری ارقام گندم مورد مطالعه، برآورد شد. در گام دوم با انجام بازدید میدانی از منطقه ی مورد مطالعه و اخذ تصاویر ماهواره ای سنجنده ی مورد نظر با استفاده از طیف های کتابخانه ی طیفی، طبقه بندی مزارع شناسایی شده، صورت گرفت. نتایج حاصل تفکیک پذیری قابل ملاحظه ی رقم گندم یاواروس را از سایر ارقام، هم در طیف های میدانی و هم در تصاویر ماهواره ای نشان داد.

اطلاعات پوشش اراضی یکی از مهم ترین ابزارهای مدیریت شهری است و سنجش از دور به عنوان فناوری بهینه از نظر هزینه و زمان، در تولید این گونه اطلاعات اهمیت بسیار دارد. با توجه به وجود نواحی شهری پیچیده و متراکم در کشورهای جهان سوم، روش های شئ مبنا به عنوان راهکار مناسبی در پردازش تصاویر این گونه مناطق پیشنهاد شده اند. هدف پژوهش حاضر معرفی روش شئ مبنای جدیدی برای طبقه بندی مناطق شهری پیچیده با استفاده از تصاویر بزرگ مقیاس ماهواره ای و نزدیک شدن به فرایند تولید نقشة استاندارد و مؤثر با این روش است. در این مدل به منظور انتخاب پارامترهای قطعه بندی، از روشی جدید و همچنین از مدل طبقه بندی سلسله مراتبی به همراه استراتژی قانون مبنایی برای غلبه بر اغتشاشات بین کلاسی بهره گیری شد. در این حیطه ضمن بهینه سازی فضای ویژگی در آنالیزی چندمقیاسه، از دو روش طبقه بندی قانو ن مبنا و نزدیک ترین همسایة فازی استفاده شد. روش پیشنهادی در پژوهش حاضر روی تصویر سنجندة IKONOSاز شهر شیراز پیاده سازی شد، که دقت 84 درصد با استفاده از طبقه بندی روش قانون مبنا و نیز دقت 87 درصد از روش طبقه بندی نزدیک ترین همسایة فازی به دست آمد. افزون بر این، پیاده سازی روش پیشنهادی روی تصویر IKONOSشهر یزد، قابلیت تعمیم پذیری این روش را به سایر مناطق نشان داد. کلید واژه ها : طبقه بندی پوشش اراضی، قانون مبنا، شئ مبنا، نزدیک ترین همسایة فازی، نواحی پیچیده.

اهمیت وجایگاه اطلاعات مکان مرجع درکلیه امورعمرانی و تحقیقاتی برکسی پوشیده نیست. ازمیان روش های تهیه وتولید اطلاعات مکانی،روش فتوگرامتری بواسطه سرعت،صرفه اقتصادی وازهمه مهم تر،عدم نیاز به حضورمستقیم عوامل انسان ی در محل،از جایگاه منحصربه فردی برخوردار می باشد. درروش فتوگرامتری،دوربین های مستقربرسکوهای هوایی،بعنوانا بزاراصلی تأمین داده های ورودی واولین حلقه عملیاتی نقشی کلیدی در میزان موفقیت و دستاوردهای سایرمراحل ایفا می کنند. امروزه پیشرفت تکنولوژیک منجر به ارائه دوربین های رقومی با کیفیت بسیار بالایی شده است که این دوربین ها نویدبخش تهیه اطلاعات مکانی مورد نیازبه روش فتوگرامتری بادقت،سرعت وبهره وری بالا می باشند. با توجه به ظهور دوربین های رقومی جدید وتنوع در ساخت وتکنولوژی بکار رفته در این نوع ازدوربین ها ضرورت کالیبراسیون آنها به عنوان یک نیازاولیه شناخته می شود. باتوجه به هزینه های بالاو مشکلات اجرایی درانجام کالیبراسیون آزمایشگاهی،استفاده ازمعادلات خودکالیبراسیون به عنوان یکی از راه حل های مفید دراین زمینه شناخته می شود. برای این منظور درمقاله حاضر،استفاده ازمعادلات فوریه باترم های بهینه حاصل ازالگوریتم ژنتیک پیشنهاد شده وبررویداده های شبیه سازی شده موردارزیابی ومقایسهب امدل های پیشین قرارگرفته است. براساس نتایج حاصل،این مدل قادراست تا اعوجاجات چندگانه رابا حداقل وابستگی مدلسازی نماید. دقت ارائه شده برای مدلسازی اعوجاجات چندگانه در تصاویر شبیه سازی شده دوربین رقومیUltra Camدرمقایسه با سایر پارامترهایا ضافه بهبود دردقت مدلسازی درحدود 30 درصد وباکمترین وابستگی را نشان می دهد.

امروزه استخراج اطلاعات از چگونگی بهره برداری از سطح زمین در نواحی شهری، از المان های مهم در سطوح خرد و کلان برنامه ریزی و تصمیم گیری به شمار می رود. تاکنون تحقیقات چندانی در حوزة استخراج خودکار اطلاعات کاربری اراضی انجام نشده است. سنجش از دور به عنوان یکی از ارزان ترین و سریع ترین راه ها، به ویژه پس از ظهور آنالیزهای شیء مبنا، توانایی مناسبی در این حوزه یافته است. هدف پژوهش حاضر، استخراج اطلاعات کاربری اراضی روی یک ناحیة شهری متراکم و پیچیده است و برای این منظور از سیستم سلسله مراتبی شامل سطوح پوشش اراضی و کاربری اراضی استفاده شد. پس از پیاده سازی روش طبقه بندی پوشش اراضی مرحله به مرحله، استخراج واحدهای کاربری اراضی با استفاده از اطلاعات پوشش اراضی انجام شد و فضای ویژگی ای شامل بیش از 50 ویژگی مفهومی، براساس اطلاعات سطوح پوشش اراضی طراحی و استخراج گردید. پس از این مرحله، ویژگی های بهینه با بالاترین میزان جداپذیری بین کلاسی با استفاده از الگوریتم SFFS از میان این ویژگی ها استخراج شدند. در نهایت با پیاده سازی روش طبقه بندی نزدیک ترین همسایة فازی، طبقه بندی کاربری اراضی براساس ویژگی های بهینه اجرا شد. طبقه بندی کاربری اراضی روی دو سیستم کلاسی ترکیبی و غیرترکیبی پیاده سازی شد و سیستم ترکیبی به عنوان مناسب ترین سیستم کلاسی شناسایی گردید. روش پیش رو بدون درنظرگرفتن معیار مساحت اشیای کاربری اراضی، دارای دقت 88 درصد و با درنظرگرفتن این معیار، دارای دقت 93 درصد است.

نسل جدید سنجنده های راداری فضایی با حد تفکیک مکانی بالا، امکان استفاده از این تصاویر را به منظور استخراج خودکار عوارض، به ویژه عارضه راه فراهم آورده اند. در پژوهش حاضر، استخراج عارضه راه از تصاویر راداری و اپتیک با حد تفکیک بالا با یکدیگر مقایسه شدند. بدین منظور از تصاویر آیکونوس و TerraSAR-X استفاده شد و بین تصاویر هم مرجع سازی انجام گرفت. سپس ویژگی های بافت استخراج شدند و طبقه بندی با استفاده از شبکة عصبی بازپس خور خطا انجام پذیرفت. با مقایسة نتایج حاصل از اجرای الگوریتم با داده های مرجعی که عامل انسانی آنها را تهیه کرده است، برای داده های TerraSAR-X و آیکونوس، به ترتیب مقادیر 10/46 و 72/57 درصد برای پارامتر RCC، 58/46 و 27/93 درصد برای پارامتر BCC و مقادیر 61/0 و 31/0 برای پارامتر RMSE به دست آمد. مقایسه تصویر خروجی حاصل از دو الگوریتم نشان می دهد که هرکدام از تصاویر اپتیک و راداری نواقصی در استخراج راه دارند. به عنوان مثال، الگوریتم های اپتیک به مناطقی از تصویر که ویژگی های طیفی و بافتی مشابه با راه دارند ازجمله محل پارکینگ ها و سقف بام های بزرگ حساس هستند، درصورتی که این مناطق در تصاویر راداری ظاهری روشن و بافتی متفاوت دارند. بنابراین تصاویر راداری در مناطقی با بافت شهری به ویژه توأم با راه های کم عرض و کوچه ها مناسب اند. از طرفی دیگر تصاویر راداری در مناطقی با پوشش گیاهی انبوه به خوبی عمل نمی کنند، درحالی که تصاویر اپتیک کاملاً قادر به تمایز این مناطق از راه ها هستند. در نتیجه با توجه قابلیت های مکمل این تصاویر در استخراج راه، تلفیق ویژگی های این دو منبع به منظور رفع نواقص و افزایش دقت الگوریتم های حاضر، روشی کارآمد در توسعه الگوریتم ها به نظر می رسد.

تخمین دقیق سطح پوشش اراضی، نقش بسیار مهمی را در مدیریت بهینه محیط جغرافیایی ایفا می نماید. در این راستا، روش های مختلف طبقه بندی تصاویر سنجش از دور به منظور استخراج پوشش اراضی توسعه یافته اند. با توجه به ضعف روش های طبقه بندی سخت در خصوص پیکسل های مخلوط، استفاده از روش های طبقه بندی نرم به منظور برآورد سهم تعلق کلاس های مختلف پوشش اراضی در پیکسل های مخلوط مورد توجه قرار گرفته است. مدل اختلاط طیفی خطی یکی از روش های رایج در این حوزه محسوب می گردد. دقت این مدل به شدت به کیفیت پیکسل های خالص معرفی شده به آن وابسته بوده و از طرفی استخراج این پیکسل ها معمولا دشوار و چالش برانگیز می باشد. در تحقیق حاضر، استفاده از پارامترهای فیزیکی (درخشندگی، رطوبت و سبزینگی) برای استخراج پیکسل های خالص پیشنهاد گردیده است. به منظور ارزیابی کیفیت پیکسل های خالص استخراج شده، از معیارهای ارزیابی مدل اختلاط طیفی غیرشرطی استفاده شده است. بدین منظور با پیاده سازی این مدل در منطقه مطالعاتی، RMSE کل تصویر 68/2 و تعداد پیکسل های با سهم تعلق منفی یا بزرگتر از یک، 43/4 درصد برآورد گردید. بدین ترتیب روش پیشنهادی دقت مطلوبی را در نتایج مدل اختلاط طیفی خطی و بدون اعمال هیچ شرطی در این مدل فراهم نموده است.

تناظریابی از موضوعات چالش برانگیز در سنجش از دور و فتوگرامتری به شمار می آید. این فرایند به منظور طبقه بندی چندطیفی، مانیتورینگ محیط، بازرسی تغییرات، موزاییک کردن تصاویر و نظایر اینها کاربرد وسیعی در سنجش از دور دارد. روش های زیادی برای تناظریابی ارائه شده اند، که یکی از آنها تناظریابی سراسری با استفاده از شبکه عصبی هاپفیلد است. مهم ترین تحقیقات انجام شده در این روش در حوزة شناسایی هدف و مربوط به تصاویر برد کوتاه است، و تاکنون روی تصاویر هوایی و ماهواره ای پیاده سازی نشده اند. هدف اصلی پژوهش حاضر پیاده سازی روش تناظریابی با استفاده از شبکه عصبی هاپفیلد روی انواع تصاویر هوایی و ماهواره ای است. برای انجام تناظریابی مستقل از افاین، از شبکه عصبی هاپفیلد مرتبه 4 استفاده می شود و نتایج عملی روی دو جفت تصویر ماهواره ای بیانگر کارایی بالای این روش است.

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.

روش های سنتی و نوین تداخل سنجی راداری با اینکه در برآورد جابه جایی بسیار توانمندند، اما به دلیل پاره ای محدودیت ها، قادر به پایش جابه جایی در مناطق عاری از عوارض دست ساز بشری با نرخ جابه جایی بالا با دسترسی تصاویر راداری با نمونه برداری زمانی مناسب نیستند. لذا در این مقاله دو روش جدید به منظور بهبود الگوریتم تداخل سنجی راداری مبتنی بر پراکنشکننده های دائمی (روش های جدید) در برآورد جابه جایی در مناطق خارجی شهری با نرخ جابه جایی بالا با رفتار نسبتاً خطی ارائه شده است. روش نخست، تلفیقی از دو روش جدید StaMPS (Stanfford Method for Persistent Scatterer) و DePSI (Delft implementation of Persistent Scatterer Interfermetry) و روش دوم بهبودی بر روش StaMPS است. هدف عمده در دو روش، بهبود عملکرد بازیابی فاز پیکسل های پراکنشکننده دائمی است که با روش StaMPS انتخاب شدند. هدف اصلی مقاله، مقایسه عملکرد این دو روش در منطقه واقع در خارج شهر و با رفتار جابه جایی سریع است، به همین دلیل منطقه ای با حداکثر سرعت جابه جایی در جنوب غربی دشت تهران تحت تأثیر پدیده فرونشست به منظور بررسی انتخاب شد. پس از اجرای هر دو روش مورد مطالعه در این منطقه با استفاده از داده های مسیر 149، نتایج با نقشة نرخ جابه جایی متوسط استخراجی از روش تداخل سنجی راداری سنتی و با استفاده از داده های مسیر 378 مقایسه شد. نتایج نشان داد که روش افزایش کارایی الگوریتم StaMPS، با وجود سرعت عملکرد بالاتر تحت تأثیر خطای بازیابی فاز بیشتری قرار دارند و در نتیجه صحت نتایج حاصل از آن کمتر است.

گسترش کاربردهای تصاویر رادار با روزنه ترکیبی و تأثیرات مهم نویز لکه در کاهش دسترسی به اطلاعات موجود در این تصاویر، به کارگیری روشی برای کاهش اثر این نویز را بسیار بااهمیت ساخته است. در مقاله حاضر برای کاهش اثر نامطلوب پدیده مذکور، فیلتر Adaptive پیشنهاد شده است. در این فیلتر برای شناسایی پیکسل هایی که تحت تأثیر شدید نویز لکه قرار گرفته اند از نرم 1L (گشتاور اول) استفاده شده است. در روش ارائه شده به جای میانگین کرنل، نزدیک ترین عدد به درجه خاکستری قبلی که در محدوده مجاز باشد در پیکسل مورد نظر قرار می گیرد. در این مقاله ابتدا پردازش هایی برای مشخص کردن بهترین ضریب تعدیل این فیلتر برای تصاویر استفاده شده انجام شد و سپس به مقایسه این فیلتر با فیلترهای معتبری همچون Lee, Gamma, Frost, Touzi پرداخته شد. نتایج این مقایسه نشان داد که فیلتر پیشنهادی با نسبت سیگنال به نویز میانگین بالای 14 در مقابل مقدار بیشینه 13/10 در دیگر فیلترهای ذکر شده نتایج بهتری را ارائه می دهد.

مقاله حاضر به منظور بررسی قابلیت سیستم پیشنهادی استخراج نیمه خودکار راه از تصاویر ماهواره ای با حد تفکیک های مکانی مختلف به منظور بهنگام کردن نقشه های متوسط و کوچک مقیاس پایگاه داده GIS سازمان راهداری و حمل ونقل جاده ای کشور تهیه گردیده است. هدف پژوهش حاضر حفظ و یا افزایش دقت و سرعت استخراج اطلاعات در مقایسه با عملیات زمینی و استفاده از GPS است. افزون بر این، میزان موفقیت این سیستم در استخراج اشکال مختلف راه اعم از راه مستقیم، مارپیچ، تقاطع و میدان مورد بررسی قرار گرفته است. داده های ورودی سامانة مورد نظر شامل تصاویر پانکروماتیک و Pansharpened ماهواره های Ikonos و D1-IRS (به ترتیب دارای قدرت تفکیک مکانی 1، 4 و 5 متر) و تصاویر Pansharpened ماهواره 7-Landsat (دارای قدرت تفکیک مکانی 15 متر) است. در روش پیشنهادی، ضمن انجام خوشه بندی FCM در فضای طیفی و بهبود کیفیت راه های کشف شده به وسیله اپراتورهای مورفولوژی با حذف نویز و پوشش گپ ها، اقدام به کشف عارضة راه شده است. روش مذکور با انجام خوشه بندی در فضای تصویر، موقعیت نقاط اصلی شبکة راه ها را شناسایی کرده و در پایان با بهره گیری از الگوریتم MST در تئوری گراف و انتخاب تابع وزن مناسب (فاصله اقلیدسی) اقدام به اتصال این نقاط و تشکیل محور مرکزی راه در فرمت برداری برای ورود به GIS کرده است. رسیدن به میانگین دقت کلی بیش از 98 درصد در طبقه بندی تصویر به دو کلاس راه و غیرراه و حصول میانگین خطای RMS حدود 68/0 پیکسل ـ از مقایسة محور راه استخراج شده با واقعیت زمینی آن ـ نشانگر موفقیت کلی سامانة معرفی شده برای استخراج نیمه خودکار راه به شمار می آید.

یکی از پرکاربردترین روش های طبقه بندی نظارت شده، روش بیشترین احتمال است که در آن، به منظور طبقه بندی از پارامترهایی آماری مانند ماتریس واریانس کوواریانس استفاده می شود. در تصاویر ماهواره ای ابرطیفی، به علت محدودیت نمونه های آموزشی و ابعاد بالای طیفی (زیاد بودن تعداد باندها)، احتمال یکتا شدن ماتریس های برآورد شده و یا کاهش دقت طبقه بندی وجود دارد. به منظور حل این مشکل از روش های مختلفی همچون کاهش تعداد ویژگی ها (کاهش تعداد باندهای استفاده شده) و یا ترکیب طبقه بندی کننده ها استفاده می گردد. در این پژوهش از تلفیق این دو روش استفاده شده است، بدین ترتیب که برای کاهش ابعاد، روش استخراج ویژگی غیرپارامتریک وزن دار به علت مزایای متعدد آن به کار رفته است؛ و در مورد ترکیب طبقه بندی کننده ها برای ایجاد ترکیبات مناسب از طبقه بندی کننده ها، از روش تغییر ویژگی های ورودی و روش استخراج ویژگی بر مبنای کلاس استفاده شده است. همچنین در ترکیب خروجی طبقه بندی کننده ها، از روش های سطح اندازه گیری استفاده شده است. تصویر ابرطیفی مورد استفاده در این پژوهش، تصویر سنجنده AVIRIS مربوط به منطقه ای جنگلی / کشاورزی در شمال ایالت ایندیانا در امریکاست. پس از پیاده سازی روش استخراج ویژگی غیرپارامتریک وزن دار، دقت طبقه بندی کلی 67/85 درصد حاصل گردید. در ترکیب طبقه بندی کننده ها، دقت طبقه بندی کلی 26/89 درصد و در روش پیشنهادی دقت طبقه بندی کلی 34/89 درصد به دست آمد، که در قیاس با دو روش تشکیل دهنده آن، دقت طبقه بندی بهبود یافته است. به رغم کم بودن میزان بهبود دقت، به علت کاهش پیچیدگی محاسبات و همچنین امکان انجام محاسبات موازی، روش پیشنهادی در این پژوهش مناسب تر به نظر می رسد.

سالیانه در کشور ما صدها مورد آتش سوزی در جنگل ها و مراتع اتفاق می افتد و هزاران هکتار از درختان، درختچه ها و گیاهان را طعمه خود می سازد. حریق ها علاوه بر خسارات اقتصادی، آثار مخرب زیست محیطی را نیز به دنبال دارند. وقوع آتش سوزی های مکرر در مناطق مختلف ایران در چند سال گذشته پژوهشگران منابع طبیعی را بر آن داشته است تا پژوهش های جدیدی در عرصه های باارزش جنگلی انجام دهند. در پژوهش حاضر از تصاویر ماهواره ای MODIS و Landsat ETM+ به منظور آشکارسازی، و تعیین وسعت مناطق دچار حریق در نخلستان های شهر خور از توابع استان اصفهان استفاده گردیده است. سنجنده MODIS در لحظه عبور از فراز این منطقه، آتش سوزی ای را در تاریخ یازدهم مرداد ماه 1387 ثبت کرد، که با الگوریتم بومی شده کشف آتش، مکان حریق ها مشخص گردید. در روش پیشنهادی، برای شناسایی آتش پس از انجام تصحیحات رادیومتری و هندسی با استفاده از ماسک ابر و آب این دو پدیده از تصویر حذف شدند و سپس با تعیین حد آستانه مناسب، نواحی دارای پتانسیل آتش مشخص گردید. در این نواحی پیکسل هایی که درجه حرارت روشنایی آنها در باند 22 کمتر از 293 درجه کلوین و میزان انعکاس طیفی آنها در باند 2 کمتر از 3/0 و اختلاف دمایی باند 22 و 31 کمتر از 10 درجه کلوین بود، به عنوان پیکسل های دارای پتاسیل آتش علامت گذاری شدند و با تعیین حد آستانه و آزمون های مختلف، اقدام به استخراج پیکسل های آتش گردید. نتایج نشان می دهد که با استفاده از حد آستانه 310 درجه کلوین برای باند 22 که برای مقیاس جهانی در نظر گرفته شده است، آتش های سرد و کوچک آشکار نمی شوند. لذا از حد آستانه بهینه شده استفاده گردید. همچنین به منظور تعیین وسعت منطقه دچار حریق از تصاویر ماهواره ای Landsat ETM استفاده شد. پس از انجام طبقه بندی با روش طبقه بندی بیشترین شباهت، وسعت منطقه سوخته شده تعیین گردید. نتایج حاصل از مطالعه حاضر نشان می دهد که این آتش سوزی وسعتی حدود 9 هکتار را طعمه حریق ساخته است.

در این تحقیق، روشی برای بهبود استخراج ویژگی غیرپارامتریک وزن دار ارائه شده است، که در مسائل تشخیص الگو در فضاهای با ابعاد بالا استفاده می گردد. روش استخراج ویژگی غیرپارامتریک وزن دار براساس بسط غیرپارامتریک ماتریس های پراکندگی قرار گرفته است، که پارامترهای میانگین آنها به طور جداگانه برای هر نمونه و با استفاده از مجموع وزن دار نمونه های سایر کلاس ها محاسبه می شوند. وزن هر یک از این نمونه ها براساس فاصله اقلیدسی آنها از نمونه اصلی (نمونه تحت بررسی) محاسبه می گردد. اما تنها با استفاده از پارامتر فاصله نمی توان پراکندگی نمونه ها را به طور کامل بیان کرد، و محل قرارگیری آنها نیز در بیان پراکندگی نمونه ها مؤثر است. بدین معنی که ممکن است دو نمونه که فواصل یکسانی از نمونه اصلی (نمونه تحت بررسی) دارند، وابستگی شان به آن نمونه یکسان نباشد. به عنوان مثال، ممکن است که یکی از آنها کاملاً به نمونه اصلی وابسته باشد و دیگری کاملاً مستقل از آن باشد. از سوی دیگر، این وابستگی ها با ترکیب خطی آنها مرتبط است. چرا که در حالت ایده آل انتظار می رود نمونه های یک کلاس، کاملاً ترکیبی خطی از یکدیگر باشند و نمونه های کلاس های متفاوت کاملاً مستقل از هم باشند. از این رو، ترکیب خطی بین نمونه ها در تعیین پراکندگی ها مؤثر خواهد بود. در پژوهش حاضر، با استفاده از پارامتر مهم ترکیب خطی، نتیجه روش استخراج ویژگی غیرپارامتریک وزن دار بهبود یافته است. نتایج نشان می دهند که روش ارائه شده در اکثر کلاس ها و به ویژه در کلاس های بحرانی که تشابه طیفیِ بالایی نسبت به هم دارند، بهتر از روش استخراج ویژگی غیرپارامتریک وزن دار عمل کرده است. بهترین نتیجه به دست آمده دارای دقت کلی بیش از 82 درصد با ضریب کاپایی بهتر از 80 درصد بوده است.

امروزه با توجه به افزایش تعداد سنجنده ها و همچنین حجم بسیار بالای اطلاعات اخذ شده از آنها، نیاز جدی به تلفیق تصاویر سنجنده های مختلف احساس می شود. در این روشها با ترکیب تصاویر با قدرت تفکیک مکانی بالا و تصاویر چند طیفی، تصاویر جدیدی تولید می شوند که ضمن حفظ خصوصیات طیفی تا حد زیادی قدرت تفکیک مکانی آنها افزایش می یابد. ابتدا بعد از اعمال تصحیحات هندسی، موزائیک رقومی ماهواره لندست تولید شد. سپس با انتخاب باندهای مناسب و روشهای PCA، Brovey، IHS، و روش تبدیل موجک اقدام به تلفیق مشاهدات ماهواره های لندست واسپات منطقه ورزنه اصفهان گردید. در نهایت با استخراج تقاطعها و عوارض و مقایسه آن با نقشه موجود، دقت تلفیق تصاویر و همچنین هیستوگرامهای مربوطه مورد بررسی و تحلیل قرار گرفتندکه روش موجک از نظر دقت طیفی و روش IHS از نظر دقت هندسی بهترین نتیجه را نسبت به بقیه روشها داشته اند.