علی جعفر موسیوند

آگاهی از میزان آلاینده های هوا و توزیع زمانی و مکانی آن ها اهمیت ویژه ای در تصمیم گیری و برنامه ریزی های مرتبط با سلامت، محیط زیست و برآورد کیفیت هوا در مقیاس های مختلف دارد. کلان شهر مشهد به دلیل موقعیت مذهبی، اجتماعی، فرهنگی و جغرافیای خاص خود در برخی روزهای سال آلوده ترین شهر کشور است. هدف این تحقیق با فرض وجود رابطه بین حجم ترافیک و غلظت آلاینده های مختلف (PM2.5, CO, ) تخمین میزان آلاینده های هوا براساس داده های حجم ترافیک و داده های ساده جوی است. برای این هدف با استفاده از مدل های تجربی Baker و AERMOD، مدل رگرسیون خطی و مدل غیر خطی شبکه های عصبی مصنوعی به بررسی رابطه میان تعداد وسایل نقلیه و غلظت آلاینده ها در نقاط مختلف شهر برای بازه زمانی شش ماهه پرداخته شد. نتایج حاکی از همبستگی پایین داده های حجم ترافیک و آلاینده های مختلف در بازه زمانی مورد مطالعه است که امکان استفاده از این مدل ها برای تخمین میزان آلودگی و تهیه نقشه پیوسته آلودگی این شهر را ناممکن می سازد. نتایج نشان می دهد که این همبستگی در آلاینده PM2.5 پایین تر از دو آلاینده دیگر است. نتایج تحلیل حساسیت مدل های تجربی نیز نشان داد که متغیر سرعت اتوموبیل اثرگذارترین متغیر در دو مدل تجربی مورد استفاده در تحقیق است.

سری های زمانی داده های سنجش از دوری نقش مهمی در مدلسازی و پایش تغییرات عوارض و پدیده های سطح زمین در گذر زمان دارند. با این وجود، در حالی که سری زمانی تصاویر سنجنده های با قدرت تفکیک مکانی پایین (بیش از ۱۰۰ متر از قبیل مادیس) در دسترس می باشند امکان تهیه سری زمانی منظم از داده های ماهواره های اپتیک با قدرت تفکیک مکانی مناسب (بهتر از 30 متر از جمله لندست) با توجه به پیکربندی مداری ماهواره ها و همچنین ابرناکی، بخصوص در مناطق مرطوب و مرتفع، چالشی اساسی در استفاده از این داده ها می باشد. یکی از روش های مرسوم برای برطرف ساختن این چالش، تولید تصاویر لندست-مانند با استفاده از ریزمقیاس نمایی تصاویر مادیس با استفاده از مدلهایی نظیر، مدل ESTARFM است. این تحقیق به ارزیابی کمی مدل ESTARFM به منظور ریزمقیاس نمایی تصاویر مادیس جهت تولید تصاویر لندست-مانند در مناطق غیرهمگن با استفاده از سه روش بازنمونه گیری تصویر، پوشش های زمینی مختلف و اختلاف زمانی بین تصاویر ورودی و شبیه سازی شده پرداخته است. نتایج نشان داد که استفاده از مدل با روش بازنمونه گیری خطی دوسویه با اختلاف جزیی عملکرد بهتری نسبت به سایر روش های بازنمونه گیری دارد. همچنین مدل ESTARFM قادر به تولید تصاویر لندست-مانند با RMSE بهتر از ۰.۰۲ بازتابندگی سطحی و ضریب تعیین بالاتر از ۹۰ درصد در پوشش های مختلف زمینی می باشد. علاوه بر این، با افزایش اختلاف زمانی بین تصاویر ورودی و تصویر شبیه سازی شده دقت مدل به صورت معنی داری کاهش پیدا می کند.

شبیه سازی تصاویر ماهواره ای اهمیت بسزایی در مطالعات سنجش از دوری دارد. این شبیه سازی می تواند پیش از پرتاب ماهواره جهت توسعه الگوریتم های مختلف، طراحی سنجنده برای کاربردهای خاص و یا در تخمین کمی پارامترهای مختلف گیاهی و خاک مورد استفاده قرار گیرد. رادیانس ثبت شده به وسیله سنجنده در بالای اتمسفر تابعی پیچیده از برهم کنش تابش خورشید با اتمسفر و عوارض موجود در سطح زمین است. این رادیانس به صورت ترکیبی از رادیانس های بازتابیده از پیکسل مورد مطالعه، اتمسفر و همچنین نواحی پیرامون پیکسل است مدل های فیزیک- پایه مختلفی برای مدل سازی این فرآیند پیشنهاد شده اند که می توانند رادیانس بازتابیده از سطح زمین و اتمسفر را بازسازی کنند. در این مطالعه شبیه سازی بازتابندگی و رادیانس تصاویر سنجش از دوری ابرطیفی بالای اتمسفر با ترکیب مدل فیزیک- پایه SLC و مدل اتمسفری MODTRAN4 و با استفاده از مدل بهبود یافته چهار جریانه ارائه شده است. تصاویر ماهواره ای ابرطیفی CHRIS-Proba و چندطیفی LANDSAT-5 جهت ارزیابی مدل با استفاده از داده های زمینی منطقه باراکس اسپانیا سال 2009 شبیه سازی شده اند. مقایسه تصاویر شبیه سازی شده با تصاویر واقعی بیانگر عملکرد مناسب مدل پیشنهادی با متوسط خطای RMSE بهتر از 02/0 برای بازتابندگی پوشش گیاهی است.

متغیرهای بیوفیزیکی و بیوشیمیایی پوشش گیاهی، به منزله متغیرهای ورودی، برای مدل های متفاوت چرخه کربن، آب، انرژی و مدل های اقلیمی و کشاورزی دقیق نقش مهمی ایفا می کنند. یکی از مهم ترین متغیرهای مربوط به تاج پوشش گیاه، که کاربردهای فراوانی در مدل سازی های گوناگون خاک و گیاه و اتمسفر دارد، شاخص سطح برگ (LAI) است. روش های گوناگونی برای بازیابی LAI از تصاویر ابرطیفی به کار رفته اند که، از میان آنها، روش های ناپارامتریک غیرخطی یادگیری ماشین بسیار مورد توجه قرار گرفته اند زیرا، در مواجهه با داده های دارای ابعاد زیاد، انعطاف پذیرند. بااین حال، در مطالعات پیشین، به بررسی عملکرد روش های یادگیری ماشین در بازیابی مقادیر LAI در مقادیر حاشیه ای (مقادیر خارج از دامنه نمونه گیری زمینی) و قابلیت این روش ها در تهیه نقشه متغیر توجه چندانی نشده است. در این تحقیق، عملکرد چهار روش پرکاربرد یادگیری ماشین شامل رگرسیون بردار پشتیبان، فرایند گاوسی، شبکه عصبی مصنوعی و جنگل تصادفی در بازیابی LAI از تصویر ابرطیفی ماهواره کریس پروبا بررسی شده است. نتایج نشان داد که، به رغم کارآیی هر چهار روش در بازیابی مقادیر LAI برای دامنه مقادیر اندازه گیری شده زمینی با RMSE بهتر از 0.5 و خطای نسبی کمتر از 10%، روش های فرایند گاوسی و رگرسیون بردار پشتیبان صحت بالاتری در مقایسه با سایر روش ها دارند. باوجوداین، عملکرد روش شبکه عصبی مصنوعی، در تخمین LAIهای دارای مقادیر حاشیه ای، بهتر از دیگر روش هاست و نقشه تهیه شده با این روش و تابع یادگیری GDA  تطابق بیشتری با نقشه NDVI و تصویر ابرطیفی منطقه دارد.

پوشش گیاهی موتور محرک کره زمین است؛ تبادلات انرژی و آب بین اتمسفر و زمین را کنترل می کند و در چرخه های جهانی انرژی، اکسیژن، دی اکسیدکربن و آب نقش مهمی دارد. پایش و مدیریت پوشش های گیاهی با استفاده از پارامتر های بیوفیزیکی و بیوشیمیایی آن، مانند LAI، انجام می پذیرد. شاخص سطح برگ (LAI) از مهم ترین پارامترهای پوشش گیاهی است که در اغلب مدل سازی ها مانند مدل سازی چرخه های آب، انرژی و کربن استفاده می شود. رویکردهای بازیابی متفاوتی، به منظور استخراج اطلاعات پارامترهای بیوفیزیکی از داده های سنجش از دوری، توسعه یافته است. در تحقیق حاضر، از روش فیزیکی معکوس مدل انتقال تابش PROSAIL، مبتنی بر جدول LUT، با هدف بازیابی متغیر LAI استفاده شده است. همچنین داده های زمینی برداشت شده طی کمپین SPARC 2003 برای ارزیابی صحت متغیر بازیابی شده به کار رفت. برای رفع مشکل ill-posed، چهار دسته از معیارهای هزینه با عنوان اندازه گیر اطلاعات (IM)، حداقل اختلاف (MC)، اندازه گیر زاویه (SAM) و خطای حداقل مربعات (LSE) به همراه نرمال سازی و میانگین بهترین جواب ها استفاده شد. نتایج بهبود تخمین متغیر LAI را با استفاده از معیار اندازه گیر اطلاعات (Kulbak-liebler)، به میزان 12% و با استفاده از 11% میانگین بهترین جواب ها نشان دادند. تابع هزینه LSE نیز در قیاس با حالت نرمال نشده، 7% بهبود یافت.