حسین عقیقی

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.

بیماری های زنگ زرد و قهوه ای گندم ازجمله مهم ترین بیماری های غلات در ایران و سایر کشورهای دنیا محسوب می شوند که سالیانه خسارات جبران ناپذیری را به اقتصاد کشاورزی وارد می کنند و در اغلب موارد، هم زمان رخ می دهند. بنابراین در این تحقیق، اثر بیماری های زنگ زرد و قهوه ای گندم در بازتابندگی برگ، با استفاده از شاخص های طیفی در مدل تاج پوشش، بررسی شد. بدین منظور، شاخص های گوناگون پوشش گیاهی استخراج شده از طیف برگ بیمار ارزیابی شدند. برای این کار، میزان گسترش بیماری های زنگ زرد و قهوه ای سطح برگ و درجات متفاوت آنها، با استفاده از دوربین دیجیتال و الگوریتم چندمرحله ای شامل تبدیلات رنگ، تهیة ماسک، استفاده از بافت و طبقه بندی حداکثر احتمال، استخراج شد. همچنین نتایج نشان داد، با افزایش نسبت سطح بیمار برگ، مقادیر عددی شاخص ها تغییر می کند؛ درحالی که پراکندگی داده ها به صورت کاملاً مشخصی افزایش می یابد. بیشترین میزان همبستگی برای شاخص NDVI برابر با 9/0و حداقل در شاخص حداکثر شیب قرمز برابر با 2/0 است. با ارائة معیار همانندی، دامنة تغییرات و نیز پراکندگی درون کلاسی، روابط طیف و بیماری بررسی و مشخص شد که با گسترش بیماری، معیارهای مورد اشاره تغییر می یابند. اگرچه در بیماری زنگ زرد این تغییرات دیده نمی شود، در شاخص های گوناگون طیفی با افزایش میزان بیماری، اختلاط طیفی در بخش های متفاوت زرد، نارنجی، قهوه ای و مردة گیاه دلیلی بر پراکندگی داده ها با گسترش بیماری محسوب می شود.

امروزه در زمینة مدیریت شهری، رباتیک، تولید بازی های رایانه ای و مانند آن، از ابرنقاط لیدار در استخراج عوارض شهری و سه بعدی سازی استفادة گسترده ای می شود. خوشه بندی و طبقه بندی نقاط ابری لیدار یکی از گام های اصلی برای رسیدن به مدلی سه بعدی به شمار می رود؛ بنابراین، یکی از اهداف این تحقیق را می توان ارزیابی کارآیی روش های طبقه بندی K اٌمین همسایگی نزدیک (KNN)، درخت تصمیم (DT)، بیز ساده (Naïve Bayes)، شبکة عصبی مصنوعی (ANN)، ماشین بردار پشتیبان (SVM) و میدان تصادفی مارکوف (MRF) در طبقه بندی مجموعه دادة لیدار و تصاویر هوایی در محیط پیچیده شهری برشمرد. بدین منظور، داده هایی که ISPRS از شهر فایهینگن کشور آلمان فراهم آورده، به کار رفته است. سپس همة ویژگی های هندسی، مقادیر شدت ثبت شده از سوی لیدار، تصاویر هوایی و نیز ویژگی های استخراج شدة مبتنی بر مقادیر ویژه را استخراج و به منظور تشخیص پنج کلاس اشیای شهری شامل سطوح نفوذناپذیر، ساختمان، گیاهان کم ارتفاع، درخت و اتومبیل به کار برده است. برای محاسبة مقادیر ویژه به کمک توزیع محلی نقاط، در این مقاله، یک ساختار مکعبی جدید معرفی شده است که در تحقیقات گذشته دیده نشده بود. نتایج نهایی تکنیک های طبقه بندی به کاررفته در این تحقیق با استفاده از نقشه های رفرنس ISPRS ارزیابی شدند. نتایج ارزیابی این تحقیق نشان می دهد که مدل MRF با دقت کلی 88.08% و ضریب کاپای 0.83 کارآتر از دیگر طبقه بندی هاست. همچنین، ساختار مکعبی پیشنهادی را می توان، به خوبی ساختارهای کروی و استوانه ای، در استخراج ویژگی های مبتنی بر مقادیر ویژه به کار برد.

استفاده از داده های ماهواره ای در برآورد دقیق مقدار بایومس محصول به عنوان یکی از مهم ترین چالش های سنجش از دور محیطی محسوب می شود. اگرچه به طور سنتی از شاخص های طیفی پوشش گیاهی استخراج شده از باندهای قرمز (R) و مادون قرمز نزدیک (NIR) برای برآورد آماری بایومس محصول استفاده شده است، اما بیشتر این شاخص ها در مقادیر خاصی از شاخص سطح برگ اشباع می شوند. لذا جهت غلبه بر محدودیت اشباع شدگی، اخیرا مطالعات زیادی بر روی استفاده از بازتابندگی طیفی در محدوده لبه قرمز انجام شده است. برای ارزیابی عملکرد شاخص های مختلف پوشش گیاهی در برآورد بایومس محصول، پنج نوبت نمونه برداری از ویژگی های بیوفیزیکی ذرت علوفه ای در طول دوره رشد این محصول در اراضی زراعی شرکت کشت و صنعت مگسال، قزوین انجام شد و جمعا 182 نمونه میدانی جمع آوری گردید. سپس ده شاخص طیفی از سری زمانی تصاویر Sentinel-2 که همزمان با نوبت های نمونه برداری میدانی در سال 2017 اخذ شده بودند، محاسبه شده و با استفاده از آنها بایومس ذرت علوفه ای برآورد گردید. بایومس ذرت علوفه ای با اندازه گیری های میدانی مورد ارزیابی قرار گرفت. نتایج نشان داد که شاخص با ضریب تعیین و کمترین ریشه میانگین مربعات خطا بهترین شاخص برای تخمین بایومس ذرت علوفه ای است. علاوه بر این، تحقیق حاضر نشان داد که تصاویر ماهواره ای Sentinel-2 با توان تفکیک مکانی بالا و محدوده لبه قرمز، قابلیت تخمین مقدار بایومس محصول ذرت علوفه ای را با دقت مناسب دارد.

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.

تغییرات رشد محصولات کشاورزی در فواصل زمانی نسبتاً کوتاه، ناهم زمانی کشت محصولات مشابه، شباهت طیفی میان محصولات گوناگون در برخی از زمان های دوره کشت و کمبود داده های زمینی، طبقه بندی محصولات زراعی در تصاویر ماهواره ای را به کاری چالش برانگیز مبدل می کند. تغییر مقدار درصد پوشش و سبزینگی، در طول فصل رشد، از برجسته ترین ویژگی پوشش های گیاهی ازجمله محصولات کشاورزی است که می توان بر آن نظارت کرد. این کار با استفاده از سری زمانی شاخص های گیاهی انجام می شود که اطلاعات بسیار مفیدی از توالی ویژگی های فنولوژیک محصولات کشاورزی در اختیار ما قرار می دهد. استفاده از روش های یادگیری عمیق با توانایی یادگیری اطلاعات متوالی حاصل از این سری ها می تواند، در طبقه بندی محصولات کشاورزی و کاهش وابستگی به داده های زمینی، مفید باشد. شبکهLong-Short Term Memory (LSTM) یکی از انواع شبکه های عصبی بازگشتی در تجزیه و تحلیل داده های متوالی است که توانایی یادگیری توالی های بلندمدت در سری زمانی را دارد؛ بنابراین در این مطالعه، پس از محاسبه شاخص NDVI از باندهای ماهواره سنتینل 2 در نُه تاریخ متفاوت و تشکیل سری زمانی آن شاخص برای ورود به شبکه، دو ناحیه متفاوت در دشت مغان در نظر گرفته شد که محصولات کشت شده در آنها، طی عملیات زمینی، برداشت شده بود. در ناحیه اول، شبکه کانولوشنی LSTM برای طبقه بندی محصولات آموزش دید و در ناحیه دیگر، کارآیی این شبکه آموزش دیده در طبقه بندی محصولات ارزیابی شد و دقت کلی 82% و ضریب کاپای 8/0 به دست آمد. افزایش تعداد نمونه های زمینی و انتخاب مرز دقیق محصولات، می تواند کارایی روش مورد استفاده را افزایش دهد.

تبخیر و تعرق یکی از اجزای مهم بیلان انرژی و آب است. کارآمدترین روش محاسبه میزان تبخیر و تعرق واقعی در مقیاس وسیع، استفاده از تصاویر ماهواره ای و سنجش از دور می باشد. اجرای الگوریتم های محاسبه تبخیر و تعرق مانند سبال نیازمند محاسبه تبخیر تعرق مرجع و در نتیجه بدست آوردن مقادیر دما و رطوبت هوا و سرعت باد است. معمولا در محاسبات مربوط به تبخیر و تعرق از اطلاعات بدست آمده از نزدیکترین ایستگاه (های) هواشناسی به منطقه موردمطالعه استفاده می شود که می تواند همراه با خطا باشد. به همین دلیل در این مطالعه، از سنسورهای اینترنت اشیا جهت اندازه گیری دقیق دمای هوا در ارتفاع 2 متری از سطح زمین و همچنین رطوبت هوا و سرعت باد در منطقه مورد مطالعه استفاده شده است. منطقه مورد مطالعه در این تحقیق، مزارع شرکت کشت و صنعت مغان در استان اردبیل است. در این تحقیق تعداد 23 نود در تعدادی از مزارع شرکت کشت و صنعت مغان نصب و راه اندازی گردید. الگوریتم بیلان انرژی سطح زمین (سبال) جهت محاسبه میزان تبخیروتعرق با تصاویر لندست 8 سال 1394 مورداستفاده قرار است.

رشد و توسعه اقتصادی– اجتماعی در چند دهه اخیر منجر به روی آوردن جوامع انسانی به ایجاد فرصت های گردشگری شده که امروزه به مثابه راهی در پر نمودن اوقات فراغت، کاهش تأثیر تنش های زندگی متمرکز شهری و صنعتی محسوب می شود. در کنار تمام مناطق متنوع ایران، سواحل جنوبی ایران نیز یکی از قطب های سیاحتی کشور به شمار می رود و در این بین خلیج چابهار با برخورداری از چشم اندازهای منحصر به فرد و نیز به سبب همجوار بودن با مناطق آزاد صنعتی و تجاری نقش مهمی در فراهم کردن اکوتوریسم دارد. در حال حاضر علی رغم اهمیت موضوع، مطالعه مشخصی به منظور مکان یابی پهنه های مناسب تفرج و برنامه ریزی درباره آن انجام نشده است. در این راستا طی تحقیق حاضر اقدام به پهنه بندی منطقه خلیج چابهار با استفاده از روش ارزیابی چند متغیره و با تکیه بر معیارهای اکولوژیکی و برخی معیارهای اقتصادی- اجتماعی گردید. معیارهای مورد استفاده در این تحقیق شامل خاک، رطوبت نسبی، پایداری سازند زمین شناسی، فاصله از منابع آب سطحی، فاصله از جاده، فاصله از دریا، فاصله از بندر، فاصله از مراکز شهری و روستایی، فاصله از مکان های تاریخی، فاصله از گسل و مراکز نظامی و همچنین فاصله از تاًسیسات خاص بودند. استانداردسازی معیارها با استفاده از تئوری فازی صورت پذیرفت و نقشه محدودیت ها با استفاده از تئوری بولین تولید شد. برای وزن دهی به معیارها از روش مقایسات زوجی در قالب تحلیل سلسله مراتبی استفاده شد و سپس با روش ترکیب خطی وزن داده شده، لایه ها با هم ترکیب شده و شاخص مطلوبیت سرزمین محاسبه شد. در این منطقه 554 هکتار از محدوده در قالب 13زون برای تفرج متمرکز شناسایی شد و نشان داد که وجود محدودیت ها و حساسیت های محیطی، تحقق گردشگری را در جوار آبهای خلیج ناممکن ساخته است.

مجموعه داده های ابر نقاط لیدار و مدل های سه بعدی ( 3-D ) در استخراج عوارض شهری، مدیریت جنگل داری، شهری و گردشگری، رباتیک، تولید بازی های رایانه ای و موارد دیگر کاربرد گسترده ای دارد. از سویی، وجود نقاط پرت در ابر نقاط لیدار اجتناب ناپذیر است؛ بنابراین تشخیص نقاط پرت و حذف آن از ابر نقاط لیدار به منزله گامی ضروری در پردازش ابر نقاط لیدار شناخته شده است. طی دهه های گذشته، چندین تکنیک تشخیص نقاط پرت در منابع این موضوع معرفی شده است اما بیشتر آنها از نظر زمانی هزینه برند و به نیروی متخصص انسانی نیاز دارند. به منظور کاهش این محدودیت ها، این مقاله رویکرد خودکار جدیدی برای تشخیص نقاط پرت، با استفاده از تکنیک میدان تصادفی شرطی برپایه ماشین بردار پشتیبان ( SVM-CRF ) و روش نمودار جعبه ای، معرفی کرده است. رویکرد نمودار جعبه ای بردار انرژی خروجی SVM-CRF را برای تشخیص نقاط پرت تجزیه و تحلیل می کند. این روش به کمک مجموعه داده محک ISPRS که برای مجموعه داده وهینگن، با هدف طبقه بندی سه بعدی و بازسازی سه بعدی ساختمان ایجاد شده بود، ارزیابی شد. به منظور ارزیابی این روش، ابتدا نقاط پرتی به صورت دستی به مجموعه داده افزوده شد؛ با این تمرکز که این نقاط جزء نقاط پرت چسبیده به اشیا باشند. سپس مراحل تحقیق برای ارزیابی توانایی روش پیشنهادی در تشخیص نقاط پرت انجام شد. نتایج این تحقیق عملکرد مدل پیشنهادی را با دقت کلی 62% نشان داد. اگرچه الگوریتم RANSAC عملکردی بهتر از مدل پیشنهادی دارد، تکنیک زمان بر و پرهزینه تری در مقایسه با تکنیک تشخیص نقاط پرت پیشنهادی است.

شاخص سطح برگ استخراج شده (LAI) از تصاویر سنجش از دور پارامتر مهمی، به منظور مدل سازی مکانی تولید پوشش گیاهی، محسوب می شود. معمولاً شاخص های پوشش گیاهی که با بازتاب طول موج های قرمز و مادون قرمز نزدیک محاسبه می شوند، در برآورد LAI با استفاده از روش های آماری، به کار می روند اما بسیاری از این شاخص ها در مقادیر متفاوت LAI به اشباع می رسند. برای رفع این محدودیت، بازتاب محدوده لبه قرمز استفاده شده است؛ بنابراین، باید قابلیت شاخص های متفاوت پوشش گیاهی استخراج شده از داده های سنجش از دور، برای برآورد LAI ذرت علوفه ای، ارزیابی شود. بدین منظور پنج مرحله نمونه برداری میدانی، با فاصله زمانی نزدیک به گذر ماهواره سنتینل 2، از سوی مرکز تحقیقات فضایی پژوهشگاه فضایی ایران، اجرا شد و در مجموع، 234 نمونه از مزارع ذرت علوفه ای شرکت کشت و صنعت مگسال قزوین برداشت شد. سپس سیزده شاخص پوشش گیاهی متفاوت، با استفاده از سری زمانی تصاویر سنتینل 2، محاسبه شد و برای برآورد آماری مقادیر LAI به کار رفت. نتایج نشان داد که شاخص EVI با ضریب همبستگی 76/0 برای برآورد شاخص سطح برگ ذرت علوفه ای بهترین عملکرد را داشته است. علاوه براین، مقدار RMSE روش های رگرسیون غیرخطی بیشتر از روش های خطی بوده است.