علی اکبر متکان

رواناب یکی از اجزای ضروری محاسبة فرایندهای منابع آب و مسئله ای اصلی در هیدرولوژی است. مدل های مفهومی زیادی برای پیش بینی میزان رواناب مطرح شده اند که عمدتاً نیازمند داده های توپوگرافی و هیدرولوژیکی هستند. روش های مرسوم گذشته برای نواحی ای که داده های هیدرولوژیکی کافی ندارند، نامناسب اند. تخمین رواناب، فرایندی غیرخطی و از نظر ز مانی و مکانی به طور کامل تصادفی است و شبیه سازی آن با مدل ساده به راحتی امکان پذیر نیست. امروزه استفاده از شبکه های عصبی مصنوعی در مواردی که کمبود داده ها محسوس است، روش مناسبی به شمار می آید. در پژوهش حاضر از داده های بارش، دما و دبی ایستگاه های حوضة کن در بازة زمانی 1375 تا 1385 و همچنین خصوصیات فیزیوگرافی حوضة مورد مطالعه به عنوان ورودی شبکة عصبی برای پیش بینی رواناب استفاده شد. بدین منظور به صورت تصادفی 80 درصد داده ها برای آموزش و 20 درصد داده ها برای تست و اعتبارسنجی شبکه اختصاص داده شدند. به منظور انتخاب شبکة بهینه، از دو نوع تابع انتقال، 12 تابع آموزشی، و تعدادی نرون مخفی مختلف بین 1 تا 9 نرون استفاده شد. نتایج پژوهش پس از آزمون شبکه با لایه های پنهان و با توابع یادگیری مختلف آشکار ساختند که استفاده از داده های بارش، دما و دبی، و تابع آموزشی LM و تابع انتقال Tansig و چهار نرون مخفی، بهترین ساختار را برای تخمین رواناب به دست می دهد. شبکة عصبی با این ساختار می تواند رواناب را با دقت (0.68≤R2≤0.78 و 0.53≥RMSE 0.03≤) برآورد کند. کلید واژه ها : تخمین رواناب، شبکة عصبی مصنوعی، الگوریتم پس انتشار خطا، حوضة کن، سامانة اطلاعات جغرافیایی.

از میان روش های معمول درون یابی، روش های کریجینگ و کوکریجینگ به عنوان بهترین برآوردگرهای خطی نااریب، کاربرد فراوانی در درون یابی داده های بارش دارند. مدل های مذکور به رغم مزیت شان نمایش همواری از پدیدة تحت مطالعه به دست می دهند و چون براساس میانگین محلی داده ها عمل می کنند، مقادیر حداکثر را کمتر و مقادیر حداقل را بیشتر از مقدار واقعی پیش بینی می کنند. بنابراین استفاده از این مدل ها به تنهایی در مواردی که هدف ارزیابی میزان ریسک و بررسی تغییرپذیری یک پدیده است، مناسب نیست. تغییرپذیری پدیده با استفاده از عدم قطعیت اندازه گیری می شود. در پژوهش حاضر به منظور محاسبة عدم قطعیت محلی و مکانی متغیر بارندگی، از الگوریتم های شبیه سازی زمین آماری SGS و CO-SGS استفاده شده است. نتایج تحقیق نشان می دهند الگوریتم های SGS و CO-SGS در نمونه های شبیه سازی با بازسازی مقادیر محتمل حداکثر و حداقل و همچنین حفظ دامنة نوسانات بارندگی در هر واحد مکانی، واریانسی نزدیک به واریانس نمونه های اصلی تولید می کنند. اختلاف واریانس شبیه سازی در مقایسه با نمونة اصلی بسیار ناچیز است، درحالی که واریانس روش های درون یابی اختلاف فاحشی با واریانس نمونه های اصلی دارد. همچنین نتایج نشان می دهند که این الگوریتم ها می توانند عدم قطعیت محلی و مکانی پدیده های مکانی ازجمله بارش را به درستی محاسبه کنند. کلید واژه ها : بارندگی، عدم قطعیت، شبیه سازی زمین آماری، الگوریتم SGS، الگوریتم CO-SGS.

بازتاب طیفی آب های داخل خشکی ها ازجمله تالاب ها در هر طول موج می تواند ناشی از مقادیر مختلف کلروفیل a باشد. عمل ریاضی سادة نسبت گیری بازتاب های طیفی پدیده ها در طول موج های مختلف که در سنجش از دور به شاخص طیفی معروف است می تواند موجب تشدید اختلاف هایی نظیر بازتاب پدیده ها و کاهش اثر عوامل منفی به ویژه عوامل محیطی شود. ازجمله شاخص های طیفی که در مطالعات آب ها به خصوص تخمین میزان کلروفیل a به کار گرفته می شود، می توان به نتیجة حاصل از شاخص سه باندی اشاره کرد. در این پژوهش از نمونه های آب تالاب انزلی با میزان کلروفیل a بین 07/2 تا 9/23 میلی گرم در لیتر استفاده شده است. بررسی رابطة مقدار کلروفیل a با شاخص سه باندی، رابطه ای قوی را بین مقدار این شاخص با مقدار کلروفیل a در دو عمق 15 و 30 سانتی متری نشان داد. البته این رابطه در عمق 15 سانتی متری آشکارا قوی تر است. در این تحقیق حداکثر حساسیت به جذب ذرات کلروفیل a در طول موج 680 نانومتر و حداقل حساسیت به انعکاس کلروفیل a در طول 700 نانومتر است. برای محاسبة شاخص سه باندی از باند جذبی آب در محدودة طول موج مادون قرمز نزدیک به منظور نرمال کردن استفاده شد در اینجا برابر با 757 نانومتر در نظر گرفته شده است. در این مطالعه رابطة بین فسفر کل با میزان شاخص سه باندی نیز به دلیل رابطة مستقیم میزان کلروفیل a با فسفر کل بررسی شد، که همانند میزان کلروفیل a در عمق 15 سانتی متری رابطة قوی تری را در مقایسه با عمق 30 سانتی متری نشان می دهد.

بررسی های اخیر نشان داده است که سیستم لیدار در برداشت سریع و دقیق اطلاعات سه بعدی از عوارض، در مناطق شهری توانایی بالایی دارد. از مهم ترین پردازش هایی که روی داده های لیدار صورت می گیرد، فیلترینگ آن هاست که عبارت است از تفکیک نقاط مربوط به عوارض ارتفاعی (ساختمان ها و درختان) از نقاط زمینی. تاکنون الگوریتم های فیلترینگ فراوانی طراحی شده است، اما هر یک از آن ها معایب و نواقصی دارند. مشکل اساسی این الگوریتم ها، ناتوانی شان در حذف ساختمان و عوارض بزرگ است که ناشی از عملکرد ناحیه ای آن هاست. در این تحقیق تلاش شده است تا با بهره گیری از قابلیت های تکنیک های طبقه بندی، راه حلی برای این مشکل ارائه شود. در این پژوهش ابتدا داده های لیدار به وسیله الگوریتم شیب مبنا که از شناخته شده ترین روش های فیلترینگ به شمار می آید فیلتر شدند. در ادامه، با استفاده از سه روش طبقه بندی ماشین بردار پشتیبان، شبکه عصبی مصنوعی، و حداکثر احتمال، داده های لیدار به پنج کلاس راه آسفالته، درختان، ساختمان، سیمان، و چمن طبقه بندی گردیدند. در نهایت، نقاط ساختمان های بزرگ که به وسیله الگوریتم شیب مبنا فیلتر نشده بودند، با نتایج حاصل از روش های طبقه بندی حذف گردیدند. ارزیابی ها نشان می دهند که روش حداکثر احتمال نتایج ضعیفی را ارائه می کند، اما روش های ماشین بردار پشتیبان و شبکه عصبی مصنوعی نتایج نزدیک به هم و بسیار خوبی را عرضه کرده اند. به طور کلی استفاده از این تکنیک های طبقه بندی برای بهبود نتایج الگوریتم های فیلترینگ، باعث افزایش ناچیزی در خطای نوع اول می گردد ولی سبب کاهشی شدید در خطای نوع دوم و خطای مجموع می شود. از آنجا که در فرایند فیلترینگ داده های لیدار، اهمیت خطاهای نوع دوم و مجموع بیش از خطای نوع اول است، می توان ادعا کرد که انجام این پردازش تکمیلی نتایج بسیار مفیدی را دربرداشته است. ارزیابی کمّی دقت نتایج نشان می دهد که خروجی الگوریتم با آستانه شیب o 20 پس از بهبود داده شدن با استفاده از خروجی طبقه بندی کننده شبکه عصبی مصنوعی، بهترین نتیجه را به دست داده است که در آن خطای نوع اول از 98/4 درصد به 04/5 درصد افزایش ولی خطاهای نوع دوم و مجموع به ترتیب از 043/9 درصد و 03/7 درصد به 49/4 درصد و 76/4 درصد کاهش یافته اند.

ضرورت آگاهی از وضعیت منابع آب و نزولات جوی در حوضه های آبریز مختلف برای اجرای طرح های آبی از یک سو و وجود نداشتن شبکة مناسبی از ایستگاه های اندازه گیری پارامترهای هواشناسی و آبشناسی از سوی دیگر، اهمیت استفاده از روش های غیرمستقیم برای شبیه سازی جریان و محاسبه حجم رواناب در حوضه های آبریز را بیش از پیش آشکار میسازد. در بین روش های غیرمستقیم، فنون پیشرفته ای نظیر سنجش از دور (RS) و سامانه اطلاعات جغرافیایی (GIS)، که امکان اطلاع از شرایط حوضه از جنبه های مختلف و تجزیه و تحلیل سریع تر و دقیق تر این اطلاعات را میسر ساخته اند، جایگاه ویژه ای در مطالعات هیدرولوژیکی و منابع آب یافته اند. این موضوع بر تعداد مدل های فیزیکی توزیعیافتة مکانی در بستر GIS که در آنها اطلاعات مکانی به صورت واحدهای در سطح پیکسل در کنار داده های هیدرولوژی قرار میگیرند و امکان درک و بیان فرایندهای پیچیده و پویا را فراهم میآورند، افزوده است. مدل WetSpa نمونه ای از این مدل های هیدرولوژیکی توزیعیافتة مکانی است که با هدف رسیدن به راهبردهای مدیریت پایدار آبخیز طراحی و ساخته شد. WetSpa براساس شبکه سلولی و در مقیاس حوضه آبریز عمل میکند و در نتیجه عملکرد آن به صورت پیوسته است. در پژوهش حاضر ابتدا جریان روزانة رودخانه حوضه مرک کرمانشاه ـ با مساحت 1380 کیلومترمربع ـ با استفاده از مدل WetSpa در محیط GIS و با شرایط کاربری اراضی فعلی شبیه سازی شده و بعد از کالیبراسیون و اعتبارسنجی مدل به تحلیل تأثیرات تغییرکاربری بر روی جریان ـ به ویژه دبی پیک جریان ـ پرداخته شد. برای این منظور نقشة کاربری بهینه حوضه با استفاده از مدل آمایش سرزمین مخدوم تولید شد و مجدداً جریان رودخانه به وسیله مدل شبیه سازی گردید. نتایج حاصل از به کارگیری مدل WetSpa در حوضه آبریز مرک دقتی معادل 77 درصد را براساس ضریب ناش ـ ساتکلیف (NS) نشان میدهد. همچنین شبیه سازی جریان رودخانه تحت سناوریوی کاربری بهینه نشان داد که هیدروگراف جریان رودخانة با تأخیر به اوج خود میرسد و در مقایسه با هیدروگراف کاربری فعلی دیرتر فروکش میکند. افزون بر اینها، دبی اوج هیدروگراف نیز بعد از تغییر کاربری بهینه پایین تر آمده است.

ضرورت آگاهی از وضعیت منابع آب و نزولات جوی در مناطق مختلف برای اجرای طرح های آبی از یک سو، و فقدان شبکه ای مطلوب از ایستگاه های اندازه گیری پارامترهای هواشناسی از سوی دیگر، اهمیت استفاده از روش های غیرمستقیم را برای تخمین پارامترهای اقلیمی در بسیاری از مناطق کشور آشکار می سازد. پیش بینی تغییرات اقلیمی حاکم بر هر منطقه و مدل سازی های اقلیمی و هیدرولوژیکی، مستلزم در دسترس بودن اطلاعات درازمدت و هم زمانِ بارش در قالب های مکانی و زمانی در ایستگاه های باران سنجی است. به دلیل عدم کفایت ایستگاه های ثبت بارندگی در گذشته، دسترسی به این اطلاعات در بسیاری از مناطق کشور با محدودیت هایی همراه است و پیاده سازی این مدل ها در مناطق مذکور عملاً ناممکن می نماید. استفاده از شبکه های عصبی مصنوعی (ANN) امکان برآورد این اطلاعات را در ایستگاه های پراکندة باران سنجی، و در درازمدت حتی در سال هایی که منطقه فاقد ایستگاه های ثبت بارش بوده است، فراهم می کند. در این تحقیق برای برآورد آمار میانگین بارندگی ماهانه و فصلی و سالانه در 305 ایستگاه هواشناسی موجود در سه استان اردبیل و آذربایجان شرقی و آذربایجان غربی در دو دهه پیش از تأسیس این ایستگاه ها، از 36600 داده ثبت شدة آمار بارندگی ماهانه در دورة ده ساله 2004-1995 استفاده شد. این داده ها به عنوان ورودی برای آموزش شبکه های عصبی با الگوریتم پس انتشار خطا به کار گرفته شدند. طول و عرض جغرافیایی، ارتفاع، شیب، عدد ماه و میانگین بارندگی ماهانه 5 ایستگاه نزدیک تر به هر ایستگاه نیز به عنوان پارامترهای ورودی شبکه انتخاب شدند. ابتدا شبکه عصبی برای دوره ده ساله 2004-1995 آموزش داده شد و دقتی معادل (84/0=R) به دست آمد. پس از آموزش شبکه عصبی، اقدام به برآورد داده های میانگین بارندگی ماهانه و فصلی و سالانه در دوره زمانی 1994-1975 در ایستگاه های موجود در منطقه مطالعاتی گردید. دقت شبکه عصبی در این برآورد معادل 7/0، 78/0 و 88/0 به ترتیب برای تخمین مقادیر میانگین بارندگی ماهانه و فصلی و سالانه در سطح منطقه مورد مطالعه بود. میزان این دقت برای هر سه استان به صورت مجزا اعتبارسنجی شد و بیشترین دقت در استان آذربایجان غربی (معادل 78/0) به دست آمد. سپس اقدام به تولید نقشه های درون یابی شده میانگین بارندگی ماهانه و فصلی و سالانه در سطح منطقه مطالعاتی، با استفاده از تخمینگر زمین آماری کریجینگ براساس داده های برآوردشده با تکنیک شبکه های عصبی و داده های موجود ثبت شده در ایستگاه ها در دوره زمانی 2004-1975 گردید. نتایج این تحقیق امکان دسترسی به آمار پیوسته و درازمدت بارندگی و همچنین بررسی تغییرات توزیع مکانی بارندگی را در منطقه شمال غرب کشور از گذشته تا امروز میسر می سازد.

خشکسالی از بلایای طبیعی است که تبعات منفی گسترده ای را برای اقتصاد، کشاورزی، محیط و اجتماع به همراه دارد. فقدان شناخت و ارزیابی دقیق این پدیده باعث بروز بخش عمدة خسارت های ناشی از آن می شود. در چند دهة اخیر، علم و به ویژه فناوری سنجش از دور محققان را در زمینه خشکسالی بسیار کمک کرده است و شاخص های متعددی برای ارزیابی و بررسی خشکسالی ارائه شده اند. هدف از این تحقیق بهبود شاخص عمودی خشکسالی اصلاح شده (MPDI) از طریق محاسبه دقیق و صحیح پوشش گیاهی به عنوان مهم ترین پارامتر در این شاخص است. به منظور محاسبة شاخص مذکور، تعیین درصد پوشش گیاهی و همچنین پارامترهای خط خاک ضروری است. برای این کار از تصاویر ماهواره ای ALOS مربوط به تیر ماه سال 1388 استفاده شده است. حوضه آبخیز شیطور واقع در استان یزد به عنوان منطقة مطالعه انتخاب شد و با مطالعات میدانی درصد پوشش گیاهی 52 پلات اندازه گیری شد. 17 شاخص رایج گیاهی و شبکه های عصبی مصنوعی برای تخمین درصد پوشش گیاهی مورد استفاده قرار گرفتند. نتایج حاصل از شاخص های گیاهی نشان دادند شاخص هایی که در آنها بازتاب خاک در نظر گرفته می شود، با دقتی بهتر از دیگر شاخص ها (درصد 4RMSE< و 63/0> 2R) می توانند درصد پوشش گیاهی را در مناطق خشک تبیین کنند. از طرفی، نتایج به دست آمده از شبکه های عصبی نیز تأیید می کنند که چون در شبکه های مذکور می توان ورودی های متعددی همچون اطلاعات طیفی باندهای متفاوت را به شبکه معرفی کرد، لذا اینها با دقتی بیشتر (%2RMSE< و 74/0 >2R) از شاخص های گیاهی می توانند در تخمین درصد پوشش گیاهی به کار روند. در نهایت، با استفاده از مناسب ترین روش (شبکه های عصبی)، درصد پوشش گیاهی منطقه محاسبه شد و با توجه به پارامترهای خط خاک، نقشة شدت خشکسالی تهیه گردید.

با گسترش سنجش از دورِ فراطیفی، امکان بهره گیری از گروه جدیدی از شاخص های طیفی ـ با عنوان شاخص های باریک باند ـ برای تخمین پارامترهای بیوفیزیکی و بیوشیمیایی گیاهان به وجود آمده است. هدف از این مطالعه، مناسب ترین نواحی طیفی برای تخمین محتوای آبی گیاه با استفاده از شاخص های گیاهی و همچنین بررسی تأثیرات تاج پوشش گیاه و خاک پس زمینه در انتخاب این شاخص هاست. اندازه گیری های تاج پوشش گیاه در آزمایشگاه سنجش از دور با استفاده از دستگاه اسپکترومتر GER 3700 صورت گرفت. دو گروه از شاخص های گیاهی، با عنوان شاخص های نسبتی و شاخص های تعدیل کننده تأثیر خاک برای برآورد مقدار محتوای آبی گیاه تکوین یافتند و پس از ارزیابی، مقایسه شدند. برای محاسبه شاخص های باریک باند با استفاده از داده های فراطیفی موجود، تمامی ترکیب های دوباندی ممکن برای 584 باند در دامنه طیفی 400 تا 2400 نانومتر به منظور محاسبه شاخص های باریک باند و تخمین محتوای آبی گیاه، با استفاده رگرسیون خطی مورد ارزیابی قرار گرفتند. دقت نتایج تخمین محتوای آبی گیاه با استفاده از شاخص ها با باندهای بهینه به دست آمده، با استفاده از مقادیر ضریب همبستگی (2R) و ریشه میانگین مربعات خطا (RMSE) و روش Cross-validation سنجیده شد و مورد مقایسه قرار گرفت. به دلیل تنوع در نوع تراکم تاج پوشش های گیاهی مورد بررسی و شرایط متفاوت خاک پس زمینه، با تقسیم بندی گیاهان به دو گروه با خاک پس زمینة متفاوت (تیره و روشن)، و همچنین دو تاج پوشش گیاهی متراکم و تنک، این تأثیرات در انتخاب بهترین شاخص ها مورد ارزیابی قرار گرفتند. نتایج نشان از آن داشتند که دقت تمامی شاخص ها در داده های با خاک پس زمینة روشن و داده های دارای تاج پوشش متراکم، به ترتیب در قیاس با داده های دارای خاک پس زمینة تیره و تاج پوشش تنک، با دقت بالاتری همراه بودند. ، ، ، ، ، ، ، ) نتایج به دست آمده در این تحقیق، توجه به خاک پس زمینه و ساختار تاج پوشش گیاهی را در انتخاب بهترین شاخص و باندهای بهینه برای شاخص ها، آشکار می سازد.

معکوس سازی مدل های مبتنی بر فیزیک ـ براساس انتشار تابش درون تاج پوشش ـ مشخصاً در زمرة روش های موفق در تخمین مقدار پارامترهای پوشش گیاهی از قبیل شاخص سطح برگ و کلروفیل با استفاده از داده های سنجش از دور است. در این تحقیق مقدار کلروفیل گیاه برنج در سطح تاج پوشش به عنوان شاخص وضعیت گیاه تخمین زده شد. بدین منظور، مدل انتقال تابش PROSAIL و تصویر سنجنده 2-AVNIR ماهواره ALOS مورد استفاده قرار گرفت. تحقیق میدانی جامعی نیز در طول ماه های تیر و مرداد 1389 در ناحیه شمال ایران ـ آمل ـ صورت گرفت. 60 پلات: 20 20 متر مربعی به صورت تصادفی انتخاب شدند و در هر یک از آنها 4 تا 7 زیرپلات با توجه به همگنی محصول انتخاب گردید. سپس مقدار کلروفیل در هر زیرپلات با استفاده از دستگاه 502-SPAD اندازه گیری شد. تصحیحات اتمسفری با استفاده از مدل MODTRAN انجام گرفت. در گام بعد مدل PROSAIL برای شبیه سازی طیف در باندهای 2-AVNIR اصلاح گردید. آنالیز حساسیت مدل نیز برای تعیین پارامترهای ثابت و آزاد صورت پذیرفت، و سپس براساس مطالعات میدانی دامنه پارامترهای آزاد ورودی به مدل تعیین شد. با استفاده از روش بهینه سازی درون تکرار مدل معکوس و مقدار کلروفیل در دو سطح برگ و تاج پوشش (مقدار کلروفیل برگ شاخص سطح برگ) تخمین زده شد. از شاخص های 2R و RMSE بین مقادیر تخمین زده شده و داده های میدانی به منظور ارزیابی مدل استفاده شد. نتایج نشان داد که با استفاده از مدل PROSAIL استخراج کلروفیل در سطح برگ دقت چندان مناسبی ندارد، اما می توان کلروفیل را با دقت نسبتاً مطلوبی در سطح تاج پوشش تخمین زد (57/0=2R و 47/0=RMSE) و در تحقیقات اکولوژیک و پایش محصول استفاده کرد.

آمایش سرزمین علمی است که با توجه به ویژگی­های اکولوژیک سرزمین و شرایط اقتصادی- اجتماعی آن، نوع استفاده بهینه از سرزمین را مشخص می­سازد. در بسیاری از مناطق ایران، انتخاب کاربری و مدیریت زمین بدون توجه به قابلیت و توان سرزمین انجام می­شود که سبب اتلاف سرمایه و کاهش ظرفیت محیطی می­گردد. در این تحقیق برنامه ریزی کاربری اراضی و تهیه نقشه آمایش با استفاده از توانمندی های ویژه محیط GIS در حوضه آبریز شهری ماهیدشت کرمانشاه– با مساحت تقریبی 1380 کیلومتر مربع – انجام شد. با استفاده از توابع موجود در GIS نقشه طبقات ارتفاع از سطح دریا، درصد شیب، جهات جغرافیایی، نقشه خاک، تیپ و تراکم پوشش گیاهی به روش دوتایی با هم ترکیب شده و در نهایت 577 واحد زیست محیطی بدون تکرار به عنوان واحدهای کاری ارزیابی توان و مدیریت کاربری زمین در مقیاس 1:150000 تفکیک و نقشه بندی گردید. همچنین ویژگی های اقلیم شناسی، احتمال فرسایش خاک و نوع کاربری فعلی برای هر واحد ثبت گردید. برای این واحدهای زیست محیطی یا اکوسیستم های خرد نیز ارزیابی توان اکولوژیک برای کاربری های کشاورزی، مرتع داری، جنگل داری، آبزی پروری، توریسم، توسعه شهری و حفاظت صورت پذیرفت. در نتیجه بررسی آمایشی سرزمین و اولویت بندی بین کاربری ها به روش کیفی قیاسی از بین توان های اکولوژیکی، نقشه آمایش سرزمین حوضه آبریز ماهیدشت تولید شد. از مقایسه نقشه های کاربری فعلی و کاربری آتی مشخص گردید که مساحت جنگل های منطقه از مقدار 7 درصد کاربری فعلی به حدود 12 درصد در کاربری بهینه افزایش می یابد، در کاربری مرتع نیز از حدود 12 درصد در شرایط فعلی به حدود 15 درصد در شرایط تغییر بهینه دست می یابیم و در طبقه مربوط به زراعت آبی از 10 درصد در شرایط فعلی به حدود 60 درصد در شرایط بهینه می رسیم. هم چنین نقشه توان اکولوژیکی آتی نشان می دهد که باید برخی مناطق(مساحتی بالغ بر 2درصد کل حوضه) مورد حفاظت قرار گیرد بنابراین در این زمینه نیز باید تمهیدات لازم را اندیشید.

داده های ماهواره ای به منظور گسترش و مدیریت منابع کشاورزی همواره قادر هستند درتأمین اطلاعات لازم در جنبه های مختلف جوامع گیاهی من جمله بایومس نقش مهمی را ایفا نمایند. در تحقیق حاضر به بررسی توانایی شاخص های طیفی در تخمین بایومس محصول برنج در شهرستان آمل به عنوان یکی از قطب های مهم تولید برنج در کشور پرداخته شده است. محصول برنج به دلیل اهمیتی که تأمین نیازهای غذایی و کالری بخش عظیمی از جامعه برعهده دارد برای این تحقیق انتخاب شد. عملیات میدانی اندازه گیری بایومس در زمانی که برنج در منطقه مطالعاتی در حداکثر رشد رویشی خود قرار داشت( خرداد 1389)، انجام شد. دو تصویر ماهواره ALOS-AVNIR-2 که همزمان با اندازه گیری های میدانی اخذ گردیده بود جهت استخراج و تعیین شاخص های گیاهی مورد استفاده قرار گرفتند. سپس همبستگی بین داده های زمینی و شاخص های گیاهی حاصل از ترکیب باندهای مختلف، ارزیابی و پس از آن، شاخص های گیاهی مناسب تشخیص داده شدند. در نهایت محاسبات و بررسی های آماری برای معرفی مدل مناسب ارائه گردید. پس از آزمایش مدل ها نتایج به دست آمده نشان داد که شاخص DVI با ضریب تعیین 72 درصد نسبت به دیگر شاخص های استفاده شده از دقت بالاتری در تخمین بایومس برخوردار است. بر اساس اطلاعات به دست آمده از این تحقیق می توان بیان نمود که با استفاده از تصاویر ماهواره ALOS امکان تخمین بایومس با دقت قابل قبولی وجود دارد.

در سال های اخیر مطالعات گسترده ای به منظور بررسی روابط بین تصادف ها و عوامل مؤثر بر آنها ـ از جمله نوع کاربری، ویژگی های جمعیتی و پارامترهای مختلف شبکه حمل ونقل در مناطق شهری ـ صورت پذیرفته است. متغیرهای میزان تولید و جذب سفر همراه با پارامتر مجموع طول معابر می توانند به عنوان متغیرهای جایگزین مناسبی برای پیش بینی تصادف ها مورد استفاده قرار گیرند. مدل های رگرسیون خطی تعمیم یافته به عنوان متداول ترین مدل های عمومی پیش بینی تصادف ها، و رابطه بین تصادف ها و متغیرهای مستقل را با تخمین ضرایب ثابت در کل منطقه مطالعاتی توصیف می کنند. در تحقیق حاضر به منظور بررسی تأثیرات ناپایداری در روابط میان تصادف ها و عوامل مؤثر بر آنها، مدل رگرسیون وزنی مکانی پوآسون پیشنهاد گردید. آن گاه این مدل با استفاده از پارامترهای تولید و جذب سفر و مجموع طول معابر در 253 ناحیه ترافیکی در شهر مشهد اجرا شد و تأثیرات خودهمبستگی مکانی در باقی مانده ها بررسی گردید. آزمون های نیکویی برازش دقت بالاتر مدل رگرسیون وزنی پوآسون را در قیاس با مدل عمومی نشان می دهند. نتایج همچنین نشان از ناپایداری معناداری در روابط بین تعداد تصادف ها و متغیرهای مستقل انتخاب شده دارند. نتایج، رابطه مستقیم متغیرهای انتخاب شده را نیز با وقوع تصادفات در بیشتر نواحی ترافیکی نشان می دهد. آزمون باقی مانده های هر دو مدل نشانگر حذف تأثیرات خودهمبستگی مکانی از باقی مانده های رگرسیون وزنی مکانی پوآسون است.

هدف از ارائه این مقاله، بررسی رابطه میان تغییرات پوشش اراضی با احداث و آبگیری سد مخزنی طالقان به کمک تکنیکهای سنجش از دور می باشد. بدین منظور، ابتدا نقشه پوشش اراضی حاصل از طبقه بندی سه تصویر ماهواره ای به روش هیبرید در یک دوره 20 ساله با سه مقطع زمانی قبل، همزمان و بعد از احداث سد به ترتیب در سالهای 1366، 1381 و 1386 استخراج گردید. سپس بررسی تغییرات 3 نقشه استخراج شده به روش مقایسه پس از طبقه بندی بر مبنای تفاضل، صورت پذیرفت و به منظور بررسی تغییرات مکانی انواع کلاس های مورد نظر از شاخص آماریLQ کمک گرفته شد. نتایج این مطالعه نشان داد که در بازه زمانی مذکور سطح مراتع تقریباً ثابت بوده اما کیفیت آنها تا حدودی افت داشته است که علت آن تبدیل مراتع به اراضی زراعی و چرای دام می باشد. همچنین، سطح اراضی کشاورزی آبی و دیم به علت مهاجرت و بازگشت مجدد مردم به منطقه در این فاصله دارای نوسان بوده است. در این بازه زمانی،سطح اراضی مسکونی نیز افزایش قابل توجهی داشته که دلیل اصلی آن ویلاسازی و ساخت تفرجگاه توسط افراد بومی و غیر بومی در حوالی دریاچه سد می باشد. بررسی تغییرات الگوی مکانی پوشش های مختلف نیز نشانگر آن است که بیشترین تغییرات در زیرحوضه های اطراف دریاچه سد و حواشی رودخانه اصلی رخ داده است.

مدل سلول های خودکار یا به اختصار CA در سال های اخیر کارایی زیادی برای شبیه سازی توسعه اراضی شهری در مناطق مختلف جهان نشان داده است. در تحقیق حاضر گسترش اراضی مسکونی در حومه جنوب غرب تهران با استفاده از این مدل شبیه سازی شد. با استفاده از مدل وزن های شاهد ، همبستگی توسعه اراضی مسکونی با داده های مکانی مختلف بررسی و از نتایج آن در شبیه سازی استفاده شد. سال 71 به عنوان مبدأ شبیه سازی انتخاب شد و سه مدل Direct، WoE و Hybrid با پارامترهای مختلف در نرم افزار طراحی شده اجرا و نتایج حاصل از پیش بینیهای انجام شده برای سال های 75، 81 و 1400 مورد ارزیابی قرار گرفت. دقت این مدل با خطای حداکثر 60 متر برای سال 75 معادل 83 درصد و با تلرانس 5 سلول (خطای حداکثر 100 متر) برای سال 81 معادل 78 درصد است. نتایج حاصل از این تحقیق قابلیت های مدل CA برای پیش بینی و مدل سازی تغییرات کاربری در شرایط منطقه مطالعه را نشان میدهد و ارزیابی و بررسیهای بیش تر برای بهینه سازی این مدل در شرایط مختلف توصیه میشود.

شناخت نوع ابر و طبقه بندی ابرها از ابتدایی ترین اصول در اکثر روش های پیش بینی بارش است که در بیشتر مواقع به صورت بصری و با مقایسه تصاویر باندهای مادون قرمز و باندهای مرئی انجام می شود. در این گونه مطالعات تنها از دمای روشنایی ابر و آلبدوی آن برای طبقه بندی ابر استفاده می شود، در صورتی که بافت و شکل ابرها نیز از عوامل تأثیرگذار در تشخیص انواع آنهاست. روش طبقه بندی شیء گرا به علت استفاده از پارامترهای بافت و شکل و نیز دمای روشنایی و آلبدوی ابر، روش مناسبی برای طبقه بندی ابرها به شمار می آید؛ لیکن این روش طبقه بندی، بسیار وابسته به دقت قطعه بندی نیز هست. با توجه به اینکه یکی از فاکتورهای مؤثر بر دقت طبقه بندی همانا مقیاس قطعه بندی است، لذا تعیین مقیاس مناسب قطعه بندی در افزایش دقت طبقه بندی شیء گرا اهمیت فراوان دارد. هدف از ارائه این مقاله نیز تعیین مقیاس مناسب قطعه بندی در طبقه بندی شیء گرای ابر است. در این تحقیق دو تصویر NOAA/AVHRR مورد استفاده قرار گرفتند. به منظور انجام تحقیق، ابتدا اطلاعات اضافی شامل دمای روشنایی ابر در باند 3 و 4 و ارتفاع ابر از داده های سنجش از دور به منظور استفاده در قطعه بندی تصویر استخراج گردید و از روش دو باندی (مادون قرمز و مرئی) برای انتخاب نواحی آموزشی استفاده شد. سپس تأثیرات منفی خطاهای قطعه بندی بر دقت طبقه بندی شیء گرای ابر از طریق بسط روش محاسباتی تعیین گردید و دقت قطعه بندی کمّی سازی شد. در این مرحله ارزیابی به وسیله کمّی سازی تأثیرات کلی خطاها، با توجه به معیارها و واحدها در 25 مقیاس قطعه بندی صورت پذیرفت تا مقیاس مناسب برای قطعه بندی ابر به دست آید. نتایج نشان داد که نخست، دقت قطعه بندی ابر با افزایش مقیاس قطعه بندی کاهش می یابد؛ و دوّم، تأثیرات منفی خطاهای قطعه بندی کمتر از حد مناسب در قطعه بندی ابر در مقیاس های بزرگ، به صورت کاملاً محسوس بزرگ می شوند. همچنین دقت های قطعه بندی بالا لزوماً منجر به دقت های بالای طبقه بندی شیء گرا در طبقه بندی ابر نمی شوند، اما دقت های پایین قطعه بندی منجر به دقت های پایین طبقه بندی می شوند. با توجه به این مورد، بهترین مقیاس برای قطعه بندی ابر، مقیاس 50 تعیین گردید که منجر به دقت کلی 5/90 درصد در طبقه بندی شیء گرای ابر شد.

فرآیند توسعه شهرها همواره یکی از مهم ترین موضوعات پیش روی پژوهشگران مسایل شهری بوده است. افزون بر میزان رشد شهرها در زمان های مختلف، شکل و الگوی توسعه نیز مورد توجه بوده است. در پژوهش حاضر از یکی از توابع تحلیلی سامانه اطلاعات جغرافیایی (GIS) به نام تابع Ripley’s K استفاده گردید. بر اساس این تابع می توان وضعیت تمرکز (خوشه ای بودن) نقاط نمونه را نسبت به حالت تصادفی بر اساس شمارش تعداد نقاط در فواصل مختلف مورد مقایسه قرار داد. در تحقیق حاضر، بر اساس تابع Ripley’s K میزان تمرکز فرآیند توسعه شهری به صورت کمی برای سه محدوده شهری حومه جنوب غرب تهران شامل اسلام شهر، رباط کریم، نسیم شهر و برای دو دوره سال های 1371 تا 1375 و 1375 تا 1381 محاسبه و نتایج آن ارایه گردیده است. داده های موردنیاز این تحقیق از تصاویر ماهواره ای SPOT استخراج شد. نتایج تحقیق نشان داد که در مجموع تمرکز فرآیند توسعه در دوره زمانی سال های 1375 تا 1381 در محدوده شهرستان اسلام شهر، افزایش و در محدوده شهرستان های رباط کریم و نسیم شهر کاهش یافته است. از مزیت های روش به کار گرفته شده در این تحقیق، امکان به کارگیری آن در مناطق مختلف و برای دوره های زمانی متفاوت و در فواصل (مقیاس های) مختلف است.

یکی از معضلات اساسی شهرهای بزرگ جهان پدیده آلودگی هواست. کشور ایران و به خصوص تهران نیز از اثر این پدیده مصون نیست، به طوری که سالانه خسارات مالی و جانی و اجتماعی عمده ای متاثر از آلودگی به بار می آیند. از آنجا که مهم ترین آلاینده های این شهر مونواکسید کربن (CO) و ذرات معلق با قطر کوچک تر از 10 میکرومتر (PMto) اند، در تحقیق حاضر ابتدا روش های مختلف درون یابی برای تولید نقشه های کیفیت هوای حاصل از این دو آلاینده مورد ارزیابی قرار گرفتند و سپس با استفاده از آماره خطای میانگین مربعات (MSE) روش درون یابی بهینه انتخاب شد و نقشه های کیفیت هوای حاصل از این دو آلاینده برای همه روزهای سال 1384 تولید گردید. نیز از آنجا که آلودگی هوا با عوامل متعددی از قبیل توپوگرافی، اقلیم، جمعیت، شبکه حمل ونقل و صنعت ارتباط دارد، با استفاده از روش رگرسیون کاربری اراضی (LUR) مهم ترین عوامل موثر در تولید هر یک از این دو آلاینده تعیین گردید و در ادامه با استفاده از همین روش به مدل سازی این دو آلاینده در فصل بهار پرداخته شد. با توجه به آماره خطای میانگین مربعات (MES) معلوم شد که برای درون یابی داده های آلاینده مونواکسیدکربن، روش کوکریجینگ همراه با سه پارامتر دما، جهت باد و سرعت باد که ناهمسان گردی آن به وسیله جهت باد تعیین شود، مناسب ترین روش به شمار می آید؛ در حالی که برای آلاینده ذرات معلق روش Spline نتایج بهتری را ارائه می دهد. همچنین نتایج حاصل از مدل رگرسیون کاربری اراضی (LUR) نشان داد که مهم ترین عامل موثر بر روی آلاینده مونواکسیدکربن حجم ترافیک است، در حالی که مهم ترین عامل موثر بر روی آلاینده PMto وجود اماکن صنعتی است.

نقشه های قابل اعتماد از تیپ جنگل ها نقش مهمی در اتخاذتصمیمات بهینه برای مدیریت اکوسیستم های جنگلی در نواحی وسیع ایفا می کنند. در سال های اخیر تهیه این نقشه ها از طریق طبقه بندی رقومی داده های سنجش از دور به عنوان جایگزینی مناسب موردتوجه قرار گرفته است. نتایج حاصله در این زمینه برحسب روش های طبقه بندی مورداستفاده، وضعیت پوشش جنگلی، شرایط منطقه موردمطالعه و داده های بکار گرفته شده متفاوت بوده است. هدف از این تحقیق، مقایسه روش های طبقه بندی پیکسل پایه و شئ پایه و درخت تصمیم برای تهیه نقشه تیپ های جنگل با استفاده از تصویر ماهواره ای SPOT5 در محدوده ای از جنگل آستارا واقع در شمال ایران است. اطلاعات زمینی با استفاده از 153 پلات به صورت تصادفی درمساحت های یک هکتاری تهیه گردید. نوع تیپ در هر پلات بر اساس درصد فراوانی کل نوع گونه ها تعیین شد و شامل تیپ های انجیلی آمیخته، پهن برگ مخلوط، ممرز آمیخته، راش آمیخته و حفاظتی بود. برای تهیه نقشه این تیپ ها، در روش پیکسل پایه با استفاده از داده های طیفی و طبقه بندی کننده شبکه عصبی، صحت کلی 04/52 درصد و ضریب کاپای 39/0 حاصل شد و در روش طبقه بندی شئ پایه با روش نزدیکترین همسایه و توابع فازی، صحت کلی 3/63 درصد و ضریب کاپای 54/0 بدست آمد. به دلیل تشابه طیفی تیپ های آمیخته جنگل و تفکیک پذیری پائین آنها از یکدیگر در محدوده باندهای طیفی از اطلاعات بافت و داده های توپوگرافی موثر در پراکنش مکانی تیپ ها شامل ارتفاع، جهت، شیب و فاصله از شبکه آبراهه برای کلاسه بندی تیپ های آمیخته جنگل استفاده گردید. بکارگیری داده های کمکی در روش های طبقه بندی پیکسل پایه و شئ پایه حاکی از مفید بودن مدل رقومی ارتفاع در مقایسه با سایر داده های کمکی در تفکیک تیپ ها داشت. استفاده از داده های مربوط به فاکتورهای محیطی بعنوان متغیرهای کمکی در کنار داده های طیفی در روش درخت تصمیم به صحت کلی 5/76 درصد و ضریب کاپای 7/0 در تفکیک تیپ های آمیخته جنگل منجرشد که نشان دهنده افزایش قابل ملاحظه صحت می باشد. مقایسه نتایج حاصل از روش های طبقه بندی بکار گرفته شده در این تحقیق بیانگر پتانسیل بالای روش شئ پایه در بکارگیری داده های طیفی برای کلاسه بندی تیپ های آمیخته جنگل در مقایسه با روش طبقه بندی پیکسل پایه بود. همچنین تیپ های آمیخته جنگل با استفاده از داده های کمکی در کنار داده های طیفی با روش درخت تصمیم بهتر از روش های پیکسل پایه و شئ پایه در محدوده مطالعه تفکیک شد.

طی چند سال اخیر به هنگام فصول گرم، در اثر بارندگی شدید و ناگهانی در استان گلستان سیل های مخربی رخ داده که در پی آن، خسارات سنگینی به منطقه وارد آمده است. از آنجا که شدت بارندگی در منطقه بسیار متغیر است و ایستگاه های زمینی نمی توانند این تغییرات را به خوبی نمایش دهند، لزوم به کارگیری سنجش از دور در تخمین بارندگی بیش از پیش نمایان می گردد. در الگوریتم های تخمین بارندگی ماهواره ای اغلب از داده های مادون قرمز و مایکروویو غیرفعال استفاده می شود. داده های مادون قرمز دارای قدرت تفکیک زمانی بالایی هستند (هر نیم ساعت یک تصویر) اما توان نفوذ در ابر را ندارند. در مقابل، داده های مایکروویو غیرفعال از ابر عبور می کنند و تخمین دقیق تری از نرخ بارندگی می دهند اما قدرت تفکیک زمانی پایین تری (هر روز دو تصویر) دارند. در نتیجه با ترکیب این دو سری داده می توان ضمن حفظ مزایا، معایب را تا حد اماکن کاهش داد. در تحقیق حاضر، قابلیت الگوریتم ترکیبی همسان سازی احتمال داده های Meteosat و TRMM در تخمین بارندگی شدید نوزدهم مرداد 1384 (دهم اوت 2005) که منجر به وقوع سیل گردید مورد بررسی قرار گرفت و با کمک مدل هیدرولوژی GeoSFM به پایش سیلاب پرداخته شد. نتایج به دست آمده، نشان می دهد که بین تخمین ماهواره و مشاهدات زمینی همبستگی 533/0 درصد وجود دارد و RMSE و MAD معادل 74/9 و 67/6 است. همچنین مشاهده گردید که خاک در اکثر زیرحوضه های جنوب شرقی منطقه رخ می دهد، که حداکثر حجم آن همزمان با بارندگی های شدید است.

امروزه لیزر اسکنر هوایی (لیدار) نقش مهمی در برداشت اطلاعات سه بعدی عوارض سطح زمین ایفا می کند. استخراج عوارض از داده های لیدار، به صورت دستی زمان بر و پرهزینه است. راه ها مهمترین گروه عوارض خطی هستند و استخراج اطلاعات مربوط به آنها اهمیت ویژه ای برای سازمان ها و نهادهای مرتبط در هر کشوری دارد. هدف پژوهش حاضر، ارائه الگوریتمی برای آشکارسازی راه هاست که در آن منحصراً از داده های لیدار، استفاده شود. برای این منظور، ابتدا داده های شدت و سپس هر دو داده شدت و فاصله لیدار با استفاده از ماشین بردار پشتیبان طبقه بندی گردیدند. سپس با استفاده از الگوریتم فیلتر کردن شیب مبنا، عوارض ارتفاعی از مجموعه داده ها حذف شدند و مدل رقومی زمین و مدل رقومی عوارض غیرزمینی به دست آمد. در ادامه، نتایج مرحله طبقه بندی با بهره گیری از لایه اطلاعاتی مدل رقومی عوارض غیرزمینی بهبود داده شد. سرانجام با انجام عملیات پس پردازش شامل 5 مرحله، پاکسازی مورفولوژی، حذف عناصر کوچک، اتصال قطع شدگی های راه ها، حذف عناصر ناپیوسته و انسداد مورفولوژی، راه ها از داده های لیدار شناسایی گردید. با مقایسه نتایج حاصل از اجرای الگوریتم با داده های مرجع، مقادیر 35/84 درصد برای پارامتر «کامل بودن»، 61/71 درصد برای پارامتر «صحیح بودن» و 22/63 درصد برای پارامتر «کیفیت» به دست آمد.