محمدرضا سراجیان

بررسی کیفیت آبهای ساحلی از نظر زیست محیطی و کاربردی، اهمیت ویژه‌ای دارد. مطالعه کیفیت آب در روشهای سنتی، کاری زمان‌بر و پرهزینه است و منجر به تولید اطلاعات نقطه‌‌ای می‌شود. سنجش از دور می‌تواند با استفاده از تصاویر ماهواره‌ای، نقش مهمی در این مطالعات ایفا کند. هدف از این مطالعه، بررسی کارایی تصاویر سنجنده LISS-III ماهواره IRS در برآورد Secchi depth در خلیج گرگان است. به همین منظور، همزمان با گذر ماهواره، 42 نمونه از منطقه به روش سیستماتیک ـ تصادفی گرفته شد، سپس یک مدل تجربی آماری ـ ریاضی بین داده‌های جمع‌آوری شده در عملیات میدانی و داده‌های پردازش شده تصاویر سنجنده LISS-III برازش شد. تجزیه و تحلیل آماری نتایج، بیانگر وجود تفاوت معنی‌دار بین میانگین پارامترها در سطح 99 درصد است که نشان‌دهنده ارتباط قوی بین مقدار Secchi depth و رادیانس رسیده به سنجنده ( ) می‌باشد. لذا مدل برازش یافته را می‌توان برای برآورد Secchi depth در منطقه مورد مطالعه استفاده نمود و روش مورد استفاده کارایی زیادی برای برآورد رسوب دارد.

بالاترین دما در جهان، مربوط به اقلیم های خشک و گرم است. صاف بودن آسمان موجب می شود که در طول روز حداکثر تابش به سطح زمین برسد و زمین به سرعت گرم شود. به ویژه در بیابان ها که پوشش گیاهی کم و نمک و رطوبت خاک غالباً ناچیز است، سطح خاک در طول روز حرارت بالایی را دریافت می کند و دمای آن بالا می رود. از آنجا که بیابان لوت دارای ویژگی های مذکور است، محیط مناسبی برای مطالعه و تهیه مدل دمای سطح زمین (LST) به شمار می آید. در تحقیق حاضر سعی شده است تا با استفاده از دوازده تصویر ماهواره NOAA-AVHRR سال 2001 و داده های هواشناسی، مدل دمای سطحی منطقه حاشیه یاردانگ های بیابان لوت طراحی شود. بنابراین برای بررسی دقت مدل به دست آمده، از 8 اندازه گیری زمینی به عنوان نقاط کنترل استفاده شده است. براساس نتایج حاصل از این تحقیق، مشخص گردید که به رغم مشکلات متعددی که برای محاسبه دقیق دمای سطحی پدیده ها از طریق داده های سنجش از دور حرارتی وجود دارد، ولی با استفاده از داده های ماهواره ای و زمینی می توان اطلاعات مفیدی از پدیده های سطحی به دست آورد. اما برای محاسبه دقیق تر دما، در نظر گرفتنِ توان تابشی دقیق برای پدیده ها یا خاک های مورد مطالعه الزامی است.

زمین لرزه ها از بلایای ویرانگر طبیعی تهدید کننده بشر می باشند. از جمله مشکلات بعد از وقوع یک زمین لرزه می توان به موضوع ارزیابی خسارت اشاره کرد. ناحیه، میزان، نرخ و نوع آسیب، اطلاعات ارزشمندی را به منظور فعالیت های بشردوستانه، امداد و بازسازی در منطقه آسیب دیده در اختیار قرار می دهد. عوامل اصلی تعیین کننده هزینه کلی یک بحران، هم به لحاظ آسیب های اقتصادی و هم به لحاظ تلفات جانی، روشن شدن این مسئله است که با چه سرعتی رویداد مورد پاسخ قرار گرفته و با چه کیفیتی اقدامات واکنشی سازماندهی می گردد. تکنیک های سنجش از دور بدلیل دارا بودن قابلیت هایی از جمله واکنش سریع، عدم تماس فیزیکی، هزینه پایین و دید وسیع، نقش ارزشمندی را در استخراج اطلاعات فیزیکی ساختمان ها دارا می باشند. امروزه بدلیل دسترسی به انواع داده های سنجش از دور، روش های متعددی برای ارزیابی خسارت ساختمان ها طراحی و گزارش شده است. هدف از این تحقیق، مروری بر این روش ها بر مبنای بکارگیری تصاویر نوری در سه دسته: رویکرد تصاویر تک زمانه، چند زمانه و تلفیق داده های بُرداری و تصاویر و همچنین ارائه و پیاده سازی یک روش خودکار به منظور تعیین ساختمان های تخریب شده ناشی از زلزله با استفاده از تصاویر ماهواره ای با قدرت تفکیک بالا و لایه های GIS می باشد. در روش پیشنهادی، پس از استخراج توصیفگرهای بافتی از تصاویر قبل و بعد از زلزله برای هر ساختمان و تعیین توصیفگرهای بهینه، یک سیستم استنتاج فازی عصبی برای تعیین وضعیت ساختمان ها در چهار کلاس «سالم تا تخریب ناچیز»، «تخریب متوسط»، «تخریب سنگین» و «ویران» طراحی شد. نتایج نشان می دهد که این سیستم، صحت کلی 89%در دسته بندی ساختمان ها به 4 کلاس تخریب را دارا می باشد.

رطوبت اتمسفری، یکی از مهم ترین شاخص ها در تمام تعامل های بین سطح و اتمسفر مانند جریان های انرژی بین زمین و اتمسفر است و مقدار این شاخص، تعادل انرژی در سطح زمین را نشان می دهد. ازآنجاکه مقدار نهایی رطوبت اتمسفر، تأثیرگذارترین شاخص اتمسفر بر رادیانس رسیده به سنجنده است، در سنجش از دور و به ویژه در تعیینLand Surface Temperature (LST) اهمیت بسیاری دارد. LST، یکی از شاخص های مهم و اساسی در علوم زمین است که به طور مستقیم و غیرمستقیم بر تعیین بسیاری از شاخص های دیگر تأثیر می گذارد. از رطوبت اتمسفری و LST در بسیاری از مطالعه های محیطی، کاربردهای اکولوژیک و کشاورزی استفاده می شود. برای تخمین LST دقیق، لازم است مقدار رطوبت اتمسفری برآورد شود. در مقاله حاضر، مقدار رطوبت ستونی اتمسفر و مقدار رطوبت (Mass Mixing Ratio) MMR نزدیک به سطح با استفاده از سنجنده (Moderate Resolution Imaging Spectroradiometer) MODIS برآورد و سپس از شاخص رطوبت ستونی اتمسفر برای تخمین LST دقیق و برای تخمین رطوبت از روش Ratio بر اساس داده های MODIS استفاده شد. در مقاله حاضر، دقت شاخص های حاصل با استفاده از سری داده های مستقل برآورد و نتیجه شد داده های MODIS برای نقشه سازی رطوبت و دمای سطح مناسب هستند. در نهایت، تأثیر LST بر رطوبت MMR نزدیک به سطح بررسی شد.

سامر (Sumer) و همکاران (2008 و 2013) بر پایة به کارگیری الگوریتم انطباقی فازی-ژنتیک، رویکردی نوین در آشکارسازی ساختمان ها با استفاده از تصاویر ماهواره ای با قدرت تفکیک مکانی بالا مطرح کردند. روش پیشنهادی با کاهش مشکل همگرایی زودرس در الگوریتم ژنتیک، دقت آشکارسازی عوارض را بهبود چشمگیری بخشید. نبودِ کنترل های هندسی بر خروجی این الگوریتم از محدودیت های رویکرد پیشنهادی به شمار آمده است. در این تحقیق، برای رفع این محدودیت، روش استخراج فازی ژنتیک که سامر و همکاران (2013) آن را توسعه دادند با کنترلگر هندسی پیشنهادی ادغام شد. در این الگوریتم، ابتدا نمونه های آموزشی و تست انتخاب می شوند، سپس اپراتورهای پایة پردازش تصویر روی ژن های کروموزوم ها قرار می گیرند. خروجی های موقتی حاصل از اعمال اپراتورهای پردازش تصویر بر باندهای تصویر ورودی به یک تصویر باینری با بیشترین میزان تمایز بین دو کلاس تبدیل می شوند. با محاسبة میزان مطابقت بین نمونة انتخابی و خروجی الگوریتم، مقادیر ارزش برای هریک از اعضای جامعه محاسبه می شود. در پایان چرخة هر نسل، رویکرد فازی در نظر گرفته شده در این تحقیقْ مقادیر احتمالی اصلاح شده برای عملیات لقاح و جهش را به منظور ممانعت از همگرایی نابهنگام در شروع نسل بعد تعیین می کند. این فرایند تا زمان دستیابی به تعداد مشخصی از تکرار ادامه می یابد. به منظور کنترل هندسی خروجی های الگوریتم پیشنهادی، یک الگوریتم ژنتیک تکمیلی ناحیه مبنا نیز توسعه داده شده است. با فرض مشابهت ساختمان های همجوار در یک منطقة شهری، الگوریتم تکمیلی سعی در بهینه یابی محدودة مساحتی در منطقة مورد مطالعه دارد. بدین ترتیب که نواحی با حدود خارج از محدودة مساحتی تعیین شده به منزلة عوارض کلاس «غیرساختمان» برچسب گذاری می شوند. این الگوریتم در دوازده ناحیة انتخابی با ساختمان های متراکم و پراکنده در منطقة ورزقان استان آذربایجان شرقی پیاده سازی شد. میزان کاپای محاسبه شده با به کارگیری رویکرد پیشنهادی بین 0.59 تا 0.91 است که، درمقایسه با تحقیقات مشابه، عملکرد بهتری از خود نشان می دهد. این الگوریتم در مناطق شهری و حومة شهری، به نسبت نواحی روستایی، نتایج بهتری داشت.

زلزله یکی از پیش بینی ناپذیر ترین و خطرناک ترین پدیده های طبیعی است که هرساله خسارات مالی و جانی فراوانی را باعث می شود. هنگام وقوع زلزله تنش ها و فعالیت های محدود ه گسل افزایش می یابد و باعث تغییرات دمایی محسوسی نسبت به دمای نرمال می شود. این تغییرات دمایی خود را به صورت بی هنجاری هایی در مکان یا زمان نشان می دهند . در این تحقیق با استفاده از محصولات حرارتی سنجند ه مادیس و شیپ فایل گسل های ایران، هفت زلزله با شدت بیشتر از شش ریشتر ، که در ایران رخ داده، بررسی شد ه است. در این پژوهش با استفاده از تشکیل تصویر زمان - دما - فاصله در گسل مربوط به زلزله به عنوان ورودی دو روش تشخیص بی هنجاری حرارتی روی داده ها بررسی شد ه است. در نهایت ، با استفاده از نتایج حاصل از بهترین روش تشخیص بی هنجاری پارامتر شدت با استفاده از شبکه عصبی مصنوعی برآورد شده است. نتایج الگوریتم های تشخیص ناهنجاری نشان می دهد هرچند هر دو روش تشخیص بی هنجاری حرارتی بی هنجاری حرارتی مربوط به هر زلزله را در روز زلزله در شعاع نزدیک به گسل شناسایی کرده اند روش چارکی ( Interquartile ) نسبت به روش میانگین - انحراف معیار نتایج مناسب تری را برای ورودی الگوریتم شبکه عصبی فراهم می کند. نتایج در مدل سازی نیز نشان می دهد پارامتر شدت زلزله ، که با استفاده از شبکه عصبی مصنوعی بررسی شد، دقت کلی 73/0 را داشته است. ذکر این نکته لازم است که پیش نشانگر تغییرات دمای سطح و بی هنجاری های حرارتی به تنهایی نمی تواند برای بررسی کامل پارامترهای زلزله کافی و دقت لازم را برای تحلیل زلزله داشته باشد. ولی با توجه به حجم پایین داده های حرارتی و سادگی کار با آن ها ، توصیه می شود از آن ها برای بررسی های ابتدایی و آغازین زمین لرزه استفاده شود و در صورت ت أ یید نسبی آن برای تحلیل های بیشتر، از روش ها و پیش نشانگرهای دیگر ، که در آن ها اعمال الگوریتم ها و پردازش های سنگین و پیچیده نیاز است، استفاده شود .