درخت حوزه‌های تخصصی

مقدار کربن آلی کل موجود در سنگ منشاء منابع هیدروکربن یکی از پارامتر های حائز اهمیت در ارزیابی آن است. بنابراین لازم است تا با روشی خصوصیات سنگ منشاء برآورد گردد. برای برآورد خصوصیات سنگ منشاء روش های مختلفی وجود دارد. یکی از ابتدایی ترین روش ها استفاده از روش سنتی است که بسیار هزینه بر و زمان بر می باشد، لذا محققان به دنبال روش های کاراتر می باشند. با توجه به پتانسیل بالای سنجش از دور و محدوده های طیفی VIR,VNIR این امکان فراهم تا خصوصیات سنگ منشاء را در سطح وسیع تری و با هزینه کمتر برآورد نمود. روش های کمی و کیفی مختلفی جهت ایجاد ارتباط بین مقدار غلظت عناصر سنگ منشاء و طیف حاصل از داده های سنجش از دور موجود می باشد. که در این تحقیق سعی در برآورد مقدار غلظت کربن آلی کل سنگ منشاء با استفاده از تصویرسنجنده OLI لندست 8 و با بهره گیری از مدل شبکه عصبی مصنوعیMLP شده است.بدین منظور باند 5 محدوده طیفی(885/0-845/0) با ضریب همبستگی پیرسون 62/0 بهترین ورودی برای شبکه عصبی انتخاب شده است. شبکه عصبی مصنوعی با تعداد 5 نورون در لایه مخفی با 79/0R2= و0081/0 RMSE= برای تهیه نقشه کربن آلی کل انتخاب گردید.

افزایش جمعیت شهرنشین، در پی مهاجرت از روستا ها و گاه توسعه ناهماهنگ روستا ها و تبدیل آنها به شهر، از عوامل مشکل زا در ساختار محیطی کشور های درحال توسعه محسوب می شود. از نتایج آن نیز تغییرات اکولوژیکی، به ویژه تخریب مناظر طبیعی و کاهش آنها به نفع مناظر انسان ساخت و بر هم خوردن الگو های مکانی پوشش طبیعی است. هدف از این پژوهش ارزیابی تغییرات اکولوژیکی و تحلیل الگو های حاکم بر چشم اندازهای شهرستان ورزقان، با استفاده از متریک های کمّی و کیفی سیمای سرزمین در سال های 1363، 1381، 1398 است. ماهیت تحقیق توسعه ای کاربردی و توصیفی تحلیلی است. داده ها ازطریق مطالعات کتابخانه ای و بررسی های میدانی گرد آمد؛ پس از تهیه نقشه های پوشش زمین، کشف تغییرات محاسبه شد و متریک های کمّی و کیفی سیمای سرزمین، با روش های مبتنی بر سنجش از دور، اندازه گیری شد. نتایج نشان داد بیشترین تغییرات در زمینه کلاس های پوشش گیاهی، به ویژه در سطح کم تراکم و در بازه سال های 1381 تا 1398 بوده است که علاوه بر کاهش مساحت، شامل افزایش تعداد لکه نیز می شود. در این بازه، رشد کلاس بایر و مرتع بیشتر است. همچنین دو متریک کمّی تعداد لکه (NE) و درصد چشم انداز (PLand)، از متریک های کمّی و شاخص مساحت لکه (Patch Area) و فشردگی لکه (Patch Compactnees) به نحو مطلوب تری تغییرات و الگوهای حاکم بر سیمای یک سرزمین را نشان می دهند.

آتش سوزی در پوشش های جنگلی سطح جهان باعث واردشدن خسارات شدید به پوشش های گیاهی، خاک و زیستگاه های طبیعی می شود که تأثیرات زیست محیطی منفی مستقیم و غیرمستقیم را به همراه دارد؛ ازجمله جنگل زدایی، تغییرات آب وهوا و خشکسالی. ازاین رو تشخیص و تعیین خطرها، برای پوشش های گیاهی که دچار آتش سوزی می شوند، به منظور مدیریت و توسعه آنها بسیار مهم است. گسترش تصاویر سنجش از دوری، همچون محصولات آتش فعال دو ماهواره ترا (Terra) و آکوا (Aqua)، طی دو دهه گذشته، از روش های مهم در تشخیص این آتش سوزی ها بوده است. بااین حال محصول آتش فعال سنجنده مودیس، طی مطالعات گذشته، نشان داده است که این موارد به تنهایی نتایج مناسبی از مناطق تحت تأثیر آتش به دست نمی دهند. ازاین رو نیاز است با نقشه های پایه پوشش های گیاهی ارزیابی شوند. این تحقیق با هدف بررسی دو نوع محصولات گیاهی و کشف آتش فعال سنجنده مودیس و نقشه پوشش های جنگلی و غیرجنگلی FNF-JAXA، برای تفکیک بهتر مناطقی که دچار آتش سوزی شده اند، در پوشش های گیاهی کشور ایران بین روزهای ژولیوسی 1 تا 160 (یازدهم دی 1398 تا هجدهم خرداد 1399) در سال 2020 انجام شد. نتایج بیانگر بیشترین مساحت آتش سوزی در روز ژولیوسی 144 (سوم خرداد 1399)، با بیش از 49هزار هکتار و روز ژولیوسی 128 (هجدهم اردیبهشت 1399)، با بیش از 45هزار هکتار است. اما بیشترین مساحت آتش سوزی پوشش های جنگلی در روزهای 120 تا 160 (دهم اردیبهشت تا هجدهم خرداد 1399)، با بیش از 14هزار هکتار برآورد شده است. استان خوزستان بیشترین مساحت آتش سوزی را در دوره زمانی مورد مطالعه، داشته است که بیشتر این مناطق در اراضی کشاورزی قرار داشتند. سه استان فارس، کهگیلویه و بویراحمد و بوشهر بیشترین مساحت آتش سوزی ها را در پوشش های جنگلی داشته اند. بیشترین فراوانی آتش سوزی ها در اراضی کشاورزی مشاهده شد که مهم ترین دلایل آن می تواند دخالت های انسانی باشد. همچنین ارزیابی نهایی نتایج نشان داد استفاده از محصول FNF-JAXA (با صحت نهایی 4/87% و ضریب کاپای 85/0)، در قیاس با محصولات مودیس (با صحت نهایی3/80% و ضریب کاپای 78/0)، در تفکیک مناطق جنگلی قابلیت بهتری دارد. بااین همه توانایی محصولات مودیس در تفکیک نوع پوشش گیاهی مرتع و کشاورزی مزیتی مهم به شمار می رود که محصول FNF-JAXA چنین ویژگی ای ندارد. به طور کلی، یافته های تحقیق بیانگر قابلیت مناسب تصاویر محصولات گیاهی مودیس و نقشه های FNF-JAXA است که می توانند، به منزله نقشه های مرجع برای تفکیک پوشش های گیاهی گوناگون که دچار آتش سوزی می شوند، در ارزیابی خسارت و مدیریت آنها به کار روند.

طراحی الگوریتم های سنجش از دور و توسعه روش های گوناگون پردازش تصاویر ماهواره ای، برای شناسایی کانسارهای مس پورفیری، ازجمله موضوعات مهم مطالعات در زمینه ارزیابی منابع معدنی و بهره برداری بهینه از آنهاست. به این منظور، تعیین نواحی دگرسانی ابزار مناسبی به منظور طراحی الگوهای مورد قبول اکتشافی فراهم می آورد. در این پژوهش، با راهبردی جامع و با استفاده از تعیین حدود دگرسانی های مرتبط با کانسار مس پورفیری برمبنای مدل لوول و گیلبرت با سه نوع راهبرد متفاوت (پردازش های بصری، طیفی و آماری) و همچنین استخراج خط واره ها در منطقه مورد مطالعه، محدوده تمرکز ماده معدنی برای حفاری پیشنهاد شد. منطقه مورد مطالعه، در این مقاله، کانسار مس پورفیری مسجدداغی در شمال شرق استان آذربایجان شرقی است. در این پژوهش، از تصاویر ماهواره ای چندطیفی استر، سنجنده OLI لندست 8 و سنتینل 2 برای پردازش های گوناگون مانند ترکیبات نسبت های باندی، تحلیل مؤلفه اصلی و روش های پردازش طیفی پیکسل مبنا و زیرپیکسلی، ازجمله SAM و MTMF و پردازش های آماری مبتنی بر الگوریتم عملگر منطقی استفاده شد. در نهایت، با فازی سازی و تلفیق لایه های حاصل از پردازش های تصاویر ماهواره ای با ساختارهای هندسی منطقه (خط واره ها) که روی داده های سنتینل 2 به دو روش خودکار و نیمه خودکار استخراج شدند، نتایج در فضای GIS تحلیل شد و پس از مقایسه نتایج ارائه شده با تحلیل نمونه های زمینی، صحت و تطابق مناطق مورد نظر تأیید شد. دقت کاربر و سازنده درمورد محدوده دارای اولویت به ترتیب 54/78% و 36/78% به دست آمد که معیار سنجش مناسب تری برای معرفی محدوده مرکز حفاری است. 

تخلفات ساختمانی، به سبب سطح فراگیر و آثار بلندمدت و پایدارشان در نیم رخ شهرها، از مهم ترین چالش های شهرنشینی نوین محسوب می شوند. روش های رایج و معمول که امروزه در کنترل ساخت وسازها استفاده می شود، بسیار زمان بر و پرهزینه است. هدف اصلی این پژوهش ارائه چارچوبی نوین به منظور برآورد سریع و کم هزینه، در آشکارسازی و نظارت بر ساخت وسازها و شناسایی ساختمان های غیرمجاز شهری، با استفاده از تصاویر ماهواره سنتینل 1 در دوره زمانی 2017 تا 2022 و سیستم های اطلاعات مکانی است. بدین منظور در مرحله اول، براساس تحلیل و پردازش در نرم افزار SNAP، ضریب پراکنش سیگمانات تصاویر استخراج و به دو طبقه ساختمان و غیرساختمان تفکیک شده و حد آستانه بیشتر از 01/0به دست آمده است. سپس، با استفاده از الگوریتم پیکسل مبنا، تصویر باینری ساختمان و غیرساختمان به صورت صفر و یک تهیه و براساس اختلاف دو تصویر، منطقه ای که ساخت وساز در آن انجام شده است مشخص شد. پس از آشکارسازی مناطق ساختمانی تغییریافته، با استفاده از الگوریتم های طبقه بندی حداکثر احتمال و جنگل تصادفی، این مناطق در سه کلاس (ساختمان، در حال ساخت و سایر اراضی) قرار گرفتند و با نقشه برداشت میدانی و پارسل های بدون پروانه ارزیابی شدند. نتایج نشان داد تعداد ساختمان های بدون پروانه با استفاده از الگوریتم حداکثر احتمال، جنگل تصادفی و برداشت میدانی، به ترتیب، 130 و 135 و 48 است؛ همچنین دقت اجرای روش حداکثر احتمال به بیشترین میزان 89/0% و ضریب کاپای 83/0% نسبت به روش جنگل تصادفی، با دقت کلی 86/0 و ضریب کاپای 81/0% بوده است.

تالاب ها به منزله جزء اساسی اکوسیستم جهانی در پیشگیری یا کاهش شدت سیل، تغذیه سفره های آب زیرزمینی و فراهم آوردن زیستگاه منحصربه فرد برای گیاهان و جانوران و دیگر خدمات و سودمندی ها، از عناصر اصلی استراتژی حفاظت منطقه ای اند. تالاب بین المللی انزلی در استان گیلان یکی از ده تالاب ارزشمند جهان است که به لحاظ تغییرات ساختاری حاصل از فرایندهای انسان ساخت، دچار تغییرات زیادی در کاربری اراضی و پوشش گیاهی شده و ماهیت و کارکردهای اکولوژیک آن به خطر افتاده است. هدف این مطالعه بررسی کاربرد داده های سنجش از دور در نقشه سازی تغییرات الگوی فضایی سیمای سرزمین، به کمک نمونه برداری زمینی در سطح بستر تالاب و تجزیه وتحلیل تغییرات انسجام سرزمینی براساس متریک های سیمای سرزمین است. ابتدا داده های ماهواره ای بررسی شد و ازطریق طبقه بندی تصاویر سنتینل 2، متعلق به سال های 2016 تا 2020 با نقاط نمونه برداری زمینی، نقشه کلاس های پوشش اراضی در هفت طبقه کشاورزی، بایر، نیزار، جنگل، مرتع، پهنه آبی و شهری، برای نقشه سازی و تجزیه وتحلیل متریک های سیمای سرزمین، پدید آمد. پس از استخراج متریک های سیمای سرزمین در سطح کلاس و سیمای سرزمین با نرم افزار Fragstats و تعیین متریک های مناسب طبق روش PCA، با نرم افزارهای R و Canoco، متریک های LPI، LSI، ENN_MN، CA، TE، NP، SHAPE_MN، PARA_MN، IJI، AREA_MN به منزله متریک های کاربردی برای تحلیل بهتر منطقه، انتخاب شدند . آنالیز متریک ها بیانگر آن است که به طور کلی سیمای سرزمین از هم گسیخته شده ، ازنظر شکلی، پیچیده تر و نامنظم تر و ازنظر میزان یکپارچگی عناصر ساختاری، ناپیوسته تر شده است.

به منظور شناخت ساختگاه، به دست آوردن پارامترهای مقاومتی خاک کاری ضروری و درعین حال هزینه بر و زمان گیر است. در این پژوهش، با استفاده از 135 گمانه ژئوتکنیکی حفر شده در شهر کرمانشاه، پهنه بندی پارامترهای مقاومت برشی خاک (زاویه اصطکاک و چسبندگی) با استفاده از نرم افزار ArcGIS و روش درون یابی کریجینگ معمولی (با شبه واریوگرام های کروی، نمایی و گوسی)، تا عمق نُه متر در بازه های سه متری انجام شده و با استفاده از شاخص های جذر میانگین مربعات خطا (RMSE) و میانگین قدرمطلق خطا (MAE)، بهترین مدل برای پیش بینی مشخصه ها انتخاب شده است. براساس شاخص های ارزیابی خطا، بهترین واریوگرام ها برای پهنه بندی زاویه اصطکاک و چسبندگی در عمق 0 تا 3 متر گوسی، 3 تا 6 متر نمایی و 6 تا 9 متر به ترتیب گوسی و کروی است. مطابق نتایج به دست آمده، اغلب با افزایش عمق، زاویه اصطکاک و چسبندگی افزایش یافته است و بخش های شمالی و جنوب غرب کرمانشاه، در قیاس با دیگر مناطق، دارای خاکی با زاویه اصطکاک بیشتر و چسبندگی کمتر (درشت دانه) هستند و بخش های شمال غرب این شهر خاک های رسی و آبرفتی دارند؛ با توجه به گذر رودخانه قره سو از این ناحیه و قرارگیری مناطق شمالی و جنوبی کرمانشاه در کوهپایه، نتایج تصدیق می شود.

حوضه آبریز فلات مرکزی ایران، به دلیل تغییرات اقلیمی و کاهش منابع آب دردسترس ازیک سو و افزایش جمعیت و به تبع آن، افزایش تقاضا ازسوی دیگر، با بحران شدید آب مواجه است. دانش سنجش از دور و دردسترس بودن محصولات متعدد ماهواره ای امکان پایش روند تغییرات پارامترهای گوناگون محیطی، به ویژه منابع آب سطحی و زیرزمینی را با دقت مناسب فراهم آورده است. بدین منظور، با استفاده از سامانه گوگل ارث انجین، شانزده محصول ماهواره ای شامل پارامترهای محیطی متفاوت، همچون بارش، دما، تبخیر و تعرق، رطوبت خاک، رواناب، ضخامت آب معادل (GRACE)، شاخص پوشش گیاهی و مساحت پیکره های آبی، در بازه زمانی سال های 2000 تا 2022، دریافت و آماده سازی شد. سپس با استفاده از آزمون ناپارامتریک من کندال و تخمین گر شیب سن، روند تغییرات این پارامترها بررسی شد. با توجه به نتایج حاصل، تغییرات گرانش زمین که از نشانگرهای سطح آب زیرزمینی است و نیز مساحت پیکره های آبی که بیانگر منابع آب سطحی است و رطوبت خاک، روندی کاهشی و معنی دار را نشان داد؛ درحالی که دمای حداکثر، دمای حداقل و تبخیر و تعرق پتانسیل و شاخص NDVI بیانگر روند افزایشی معنی داری بود. به رغم کاهش مساحت پیکره های آبی، شاخص پوشش گیاهی افزایش یافته است که افزایش سطح زیرکشت محصولات کشاورزی و برداشت بی رویه از منابع آب زیرزمینی را نشان می دهد و روند کاهشی محصول ماهواره GRACE نیز مؤید این واقعیت است. بررسی ضرایب همبستگی بین پارامترهای دارای روند معنی دار نیز نشان داد بین GRACE و پارامترهای NDVI، دمای حداقل، دمای حداکثر، رطوبت خاک و مساحت پیکره های آبی، همبستگی معنی داری وجود دارد.

دریاچه ارومیه یکی از بزرگ ترین دریاچه های آب شور در جهان است که متأسفانه درحال خشک شدن است. این مسئله خطرها و نگرانی های بسیاری را به ویژه در ارتباط با گردوغبارهای نمکی در پهنه های خشک شده آن، به وجود آورده است. ازاین رو، در این پژوهش، سعی شد ارتباط پوشش گیاهی و گردوغبار در شهرستان های اطراف دریاچه ارومیه بررسی شود. درمورد گیاهان، شوری باعث بی نظمی های فیزولوژیک، تنش رشد، فتوسنتز، پروتئین، تنفس، تولید انرژی، پیری زودرس و کاهش آب در گیاه می شود. با توجه به این تأثیرات، سعی شد با استفاده از شاخص های مرتبط، شامل NDVI، CIre، GCI، CRI2، NDWI، NDII، MSI و PSRI سلامت کلی گیاهان ارزیابی شود. این شاخص ها میزان آب گیاه، تنش های آبی گیاه، ظرفیت فتوسنتز، رشد گیاهان و کمبود آب، میزان کلروفیل، نیتروژن و رنگدانه ها را که به انرژی و سلامت گیاه مربوط می شود، ارزیابی می کند. طبق این شاخص ها، سلامت گیاهان به طور کلی در وضعیت مطلوبی قرار دارد و اغلب بیشترین ارزش عددی شاخص ها به باغات اختصاص داشت. با استفاده از تصاویر لندست و سنتینل 2 و شاخص NDVI، تغییرات پوشش گیاهی منطقه در بازه زمانی 2010 تا 2020 تعیین و سپس با استفاده از پایگاه داده MERRA-2، میزان غلظت گردوغبار نیز درمورد این بازه زمانی استخراج شد. نتایج نشان دهنده این بود که میانگین NDVI، در منطقه مورد مطالعه، از روندی ثابت با میانگین کلی 2957/0 پیروی می کند و گاه براَثر تأثیرگذاری برخی عوامل بیرونی، مانند گردوغبار، بر میزان آن افزوده و یا از آن کاسته می شود. بر این اساس بیشترین میزان (3495/0) میانگین NDVI به سال 2018 و کمترین میزان (2579/0) به سال 2013 تعلق دارد. همچنین برای بررسی میزان ارتباط پوشش گیاهی و گردوغبار، از دو روش رگرسیون خطی و لگاریتمی استفاده شد و نتایج نشان داد، براساس رگرسیون خطی (7703/0) و لگاریتمی (7915/0)، بیشترین ضریب تبیین بین دو شاخص یادشده در ماه مه بوده است. مطالعه جامع شاخص های سلامت گیاهی و ارتباط آن با رویدادهای طوفان های گردوغبار از مزایای این روش پیشنهادی به شمار می رود.

بررسی روند رشد شهرها و پیش بینی تغییرات آنها در آینده، برای برنامه ریزی های فضایی، ضرورت دارد. به این منظور، به نقشه سازی پهنه های ساخت وسازشده نیاز است. در بسیاری مناطق، به ویژه در اقلیم خشک، تفکیک مناطق ساخت وسازشده از محیط اطراف به سادگی و با روش های معمول طبقه بندی تصاویر ماهواره ای و یا نمایه های متداول، با دقت مورد قبول، امکان پذیر نیست؛ ازاین رو بسیاری از پژوهشگران نمایه های طیفی گوناگونی را به منظور استخراج مناطق ساخت وسازشده، توسعه داده اند. استفاده از تغییرات دمای سطح زمین برای نشان دادن مناطق ساخت وسازشده، به کمک الگوریتم زون های اقلیمی محلی (LCZ) کمتر مورد توجه بوده است و روش نسبتاً جدیدی محسوب می شود؛ بنابراین در این مقاله، تفکیک مناطق ساخت وسازشده از سایر انواع پوشش اراضی پیرامونی آن، با استفاده از الگوریتم LCZ انجام شد. با توجه به محدودیت نداشتن تعداد باند در این روش، از چهار سری تصاویر ماهواره ای لندست متعلق به سال 2020 استفاده شد و صحت آن با جدیدترین نمایه های ساخت وسازشده (DBI، BLFEI، BAEI و BAEM) که به صورت خودکار طبقه بندی شده اند، مورد مقایسه قرار گرفت. نتایج این مطالعه نشان داد که صحت طبقه بندی ناشی از الگوریتم LCZ ٪96 است؛ درصورتی که نمایه های BLFEI و BAEM قادر به تفکیک کامل مناطق ساخت وسازشده از سایر انواع پوشش اراضی نیست و صحت کلی نمایه BAEI نیز 37% به دست آمد. بنابراین کارآیی روش LCZ بیشتر از نمایه های ساخت وسازشده است و درمورد مناطق خشک و نیمه خشک، توصیه می شود.

داده های سنجش از دوری، با قدرت تفکیک مکانی بالا، اغلب دارای قدرت تفکیک زمانی و طیفی پایین و داده های با قدرت تفکیک مکانی پایین دارای قدرت تفکیک طیفی و زمانی بالا هستند. باوجوداین ، درحال حاضر، سنجنده های ماهواره ای به تنهایی نمی توانند داده هایی با قدرت تفکیک زمانی و قدرت تفکیک مکانی بالا را هم زمان ارائه کنند. این درحالی است که در برخی کاربردها دسترسی هم زمان به داده هایی با قدرت تفکیک مکانی و زمانی بالا ضروری است؛ ازاین رو در این مطالعه، با هدف دستیابی به داده های دارای قدرت تفکیک مکانی و زمانی بالا، تصاویر مادیس در کلاس های کاربری شهری، باغ، مرتع، کشاورزی و آب ازطریق الگوریتم های STARFM ، ESTARFM وFSDAF به قدرت تفکیک مکانی سنتینل 2، ریز مقیاس شد. منطقه مطالعاتی با تنوع پوشش های زمین گوناگون در اطراف شهر مهاباد انتخاب شد. در این مطالعه، باندهای مرئی و مادون قرمز نزدیک در سنتینل 2 و مادیس انتخاب و پیش پردازش های لازم، ازجمله تصحیح هندسی، روی آنها انجام شد. سپس با استفاده از الگوریتم های ریزمقیاس نمایی، تصاویر مادیس به تصاویر سنتینل 2 ریزمقیاس شد. نتایج نشان دهنده صحت بالای کلاس های شهری، باغ و مرتع در قیاس با کلاس های کشاورزی و آب است؛ به گونه ای که الگوریتم های ESTARFM، FSDAF و STARFM به صورت میانگین در همه باندها، به ترتیب برای کلاس شهری، ضریب تعیین 25/88، 25/87 و 5/86، درمورد کلاس باغ ضریب تعیین 75/83، 25/83 و 5/80 و درمورد کلاس مرتع، ضریب تعیین 75/90، 5/70 و 5/87 را نشان دادند. درمجموع، الگوریتم ESTARFM در مقایسه با دیگر الگوریتم ها در این تحقیق، نتیجه ای بهتر دربرداشت.

ازن نزدیک به سطح زمین یکی از آلاینده های بسیار خطرناک است که تأثیرات زیان بار درخور توجهی در سلامت ساکنان مناطق شهری دارد. هدف از این مطالعه شناسایی عوامل مؤثر در غلظت ازن و مدل سازی تغییرات آن، با استفاده از داده های ماهواره ای و روش های گوناگون یادگیری ماشین در شهر تهران است. بدین منظور داده های غلظت آلاینده ها، داده های هواشناسی و دمای سطح خاک، طی بازه زمانی بین سال های 2015 تا 2021، به کار رفت. پس از محاسبه همبستگی بین غلظت ازن و پارامتر های مستقل، طی پنج حالت متفاوت، با پارامترهای ورودی و روش یادگیری متفاوت و به کارگیری پالایش داده ها، غلظت ازن مدل سازی شد. در حالت اول و دوم، مدل سازی با استفاده از داده های غلظت آلاینده ها و داده های هواشناسی با روش رگرسیون خطی چندمتغیره انجام شد. تنها تفاوت این دو حالت، پالایش داده های ورودی به شیوه WTEST در روش دوم است. در حالت سوم، دمای سطح خاک به داده های ورودی افزوده شد و در حالت چهارم و پنجم، به ترتیب مدل سازی ازن با استفاده از شبکه عصبی چندلایه ای و شبکه عصبی بازگشتی انجام شد. مقایسه این حالت ها نشان داد که مدل سازی های مراحل اول تا پنجم، به ترتیب با ضریب تعیین تعدیل شده 5/0، 64/0، 69/0، 74/0 و 8/0 توانایی بازیابی غلظت ازن را داشته اند. همچنین مشخص شد در بین آلاینده های گوناگون، مونوکسید نیتروژن، دی اکسید نیتروژن، نیتراکس و از میان داده های هواشناسی دما، رطوبت و سرعت باد بیشترین تأثیر را در غلظت ازن دارند. افزودن دمای سطح خاک به داده های ورودی نیز افزایش پنج درصدی دقت را در برآورد غلظت ازن، به همراه داشت.

سابقه و هدف: شناسایی و نقشه کردن محصولات زراعی اطلاعات مهمی برای مدیریت زمین های کشاورزی و برآورد سطح زیر کشت محصولات زراعی فراهم می کند. تصاویر اپتیک و راداری، منابع ارزشمندی برای طبقه بندی زمین های کشاورزی است. ویژگی های مستخرج از تصاویر اپتیک حاوی اطلاعاتی در مورد امضای بازتابی محصولات مختلف است. در مقابل، یک تصویر راداری فراهم کننده اطلاعاتی در مورد خصوصیات ساختاری و سازوکارهای پراکنش محصولات است. ترکیب این دو منبع قادر به ایجاد یک مجموعه داده مکمل با تعداد چشمگیری از ویژگی های زمانی طیفی، بافت و قطبیده برای طبقه بندی زمین های کشاورزی است. مواد و روش ها: این پژوهش به بررسی اهمیت باندهای لبه قرمز برای تفکیک محصولات زراعی شامل گندم، جو، یونجه، لوبیا، باقلا، کتان، ذرت، چغندر قند و سیب زمینی با استفاده از روش جنگل تصادفی و ماشین بردار پشتیبان می پردازد. بدین منظور سری زمانی تصاویر سنتینل-1 و 2 در سال 2019 از شمال غرب شهر اردبیل در پلتفرم ارت انجین فراخوانی شد. ترکیب های متفاوت باندها برای بررسی تأثیرات اطلاعات طیفی و زمانی، شاخص های گیاهی و اطلاعات بازپراکنش برای طبقه بندی محصولات بررسی شد. با استفاده از روش انتخاب ویژگی جنگل تصادفی ویژگی های مهم شناسایی و به عنوان ورودی الگوریتم جنگل تصادفی و ماشین بردار پشتیبان معرفی شدند. نتایج و بحث : جنگل تصادفی برای تمامی سناریوها بهترین نتیجه را به دست آورد. نتایج نشان داد افزودن طول موج های لبه قرمز و شاخص های مشتق شده از آن باعث شد محصولاتی همچون جو، لوبیا، باقلا و کتان نسبت به سایر محصولات با صحت بالاتری تفکیک شود. بهترین نتیجه در میان ترکیبات مختلف ویژگی ها مربوط به تلفیق سری زمانی ویژگی های طیفی تصاویر سنتینل-2 با سری زمانی تصاویر سنتینل-1 بود. صحت کلی 67/84 درصد و ضریب کاپا 31/ 82 درصد به دست آمد. نتایج نشان داد باندهای لبه قرمز و شاخص های پوشش گیاهی مبتنی بر آن به تنهایی قابلیت جداسازی محصولات زراعی را از همدیگر دارند. نتیجه گیری: پیشنهاد می شود برای دستیابی به صحت بالاتر در تفکیک محصولات زراعی انتخاب باندهای طیفی هدفمند مورد توجه قرار گیرد. ترکیبی از تصاویر راداری و اپتیک همیشه از روش طبقه بندی براساس تک سنجنده بهتر عمل می کند و به افزایش اطلاعات طبقه بندی منجر می شود.

سابقه و هدف: نقشه پوشش زمین یکی از پارامترهای اساسی در تحلیل های جغرافیایی و برنامه ریزی های مکانی محسوب می شود. به طور کلی، تصویر ماهواره ای، الگوریتم طبقه بندی و نمونه آموزشی سه پارامتر اصلی در تهیه نقشه های پوشش زمین به شمار می روند و مهم ترین نقش را درزَمینه صحت، هزینه و منابع محاسباتی مورد نیاز برای تهیه این نقشه ها ایفا می کنند. کیفیت نمونه آموزشی تأثیر شایان توجهی در صحت نتایج طبقه بندی دارد. بر این اساس، هدف اصلی این پژوهش تهیه نمونه های آموزشی معتبر، با استفاده از روش انتقال نمونه های آموزشی برای پایش تغییرات پوشش زمین در شمال غرب ایران، بین سال های 2002 تا 2022 است.مواد و روش ها: منطقه مورد مطالعه، با مساحتی بالغ بر 7653 کیلومترمربع، در شمال غرب ایران واقع شده است. ازلحاظ جغرافیایی، این محدوده در مختصات 35 59 °44 تا 25 01 °46 طول شرقی و 46 02 °38 تا 47 48 °38 عرض شمالی قرار دارد. داده های مورد استفاده در این پژوهش شامل تصاویر ماهواره ای و داده های مرجع زمینی است و تصاویر به کاررفته در این پژوهش شامل تصاویر ماهواره ای سری لندست می شود. روش پژوهش پنج مرحله کلی را دربرمی گیرد. در مرحله اول، تصاویر ماهواره ای لندست از سایت سازمان زمین شناسی امریکا دریافت و مراحل پیش پردازش تصاویر (تصحیح رادیومتریک و هندسی) روی آنها انجام شد. در مرحله دوم، با استفاده از تصاویر دارای قدرت تفکیک مکانی بالا (تصاویر سامانه Google Earth) و برداشت زمینی، نمونه های آموزشی مورد نظر تهیه شدند. مرحله سوم شامل انتقال نمونه های آموزشی است. برای این کار، در ابتدا، با استفاده از دو پارامتر فاصله اقلیدسی (ED) و فاصله زاویه طیفی (SAD)، شباهت طیفی نمونه های آموزشی در سال های مرجع و هدف بررسی شد. در ادامه، با تعیین آستانه مورد نظر، نمونه های آموزشی انتقال یافته از نمونه های انتقال نیافته تفکیک شدند. در انتهای مرحله سوم، صحت نمونه های آموزشی انتقال یافته ارزیابی شد؛ بدین منظور داده های مرجع تهیه شده از سامانه Google Earth به کار رفت. در مرحله چهارم، با استفاده از نمونه های آموزشی انتقال یافته، تصاویر ماهواره ای در سال های گوناگون طبقه بندی شد و درنَهایت در مرحله پنجم، با به کارگیری شاخص های حاصل از ماتریس خطا، صحت تصاویر طبقه بندی شده ارزیابی شد.نتایج و بحث: نتایج به دست آمده نشان داد آستانه 9/0 تا 1/1 مناسب ترین آستانه برای تفکیک نمونه های آموزشی انتقال یافته از نمونه های آموزشی انتقال نیافته در سال های گوناگون است. بر این اساس، می توان گفت بین صحت و درصد نمونه های آموزشی انتقال یافته رابطه ای معکوس وجود دارد و با افزایش درصد نمونه های آموزشی انتقال یافته، از صحت آنها کاسته می شود. بررسی صحت نمونه های آموزشی انتقال یافته، براساس هریک از پارامترها (فاصله زاویه طیفی و فاصله اقلیدسی)، نشان داد صحت نمونه های آموزشی انتقال یافته براساس پارامتر فاصله زاویه طیفی بیشتر از نمونه های آموزشی انتقال یافته براساس پارامتر فاصله اقلیدسی است. همچنین استفاده از نمونه های انتقال یافته، براساس هر دو پارامتر، باعث افزایش 45/10درصدی صحت درمقایسه با حالتی شده است که از پارامتر فاصله اقلیدسی برای انتقال نمونه های آموزشی استفاده شده و نیز افزایش 5درصدی صحت را درقیاس با وضعیتی دربرداشته که از پارامتر فاصله زاویه طیفی برای انتقال نمونه های آموزشی استفاده شده است. بررسی درصد انتقال نمونه های آموزشی در کلاس های کاربری گوناگون نشان داد، به طور میانگین، 6/80٪ از نمونه های آموزشی کلاس آب، 4/75٪ از نمونه های آموزشی کلاس اراضی بایر، 2/71٪ نمونه های آموزشی کلاس اراضی انسان ساخت، 6/64٪ نمونه های آموزشی کلاس مرتع، 2/60٪ از نمونه های آموزشی کلاس اراضی زراعی و 4/54٪ نمونه های آموزشی کلاس تالاب از سال مرجع (1401) به هریک از سال های هدف (1381، 1387، 1392 و 1396) انتقال پیدا کرده اند. همچنین ارزیابی صحت نمونه های آموزشی انتقال یافته در کلاس های کاربری گوناگون نشان داد کلاس های آب، اراضی انسان ساخت، اراضی بایر، مرتع، اراضی زراعی و تالاب، به ترتیب، بیشترین صحت را در نمونه های آموزشی انتقال یافته دارا بودند. بررسی تغییرات پوشش زمین بین سال های 1381 تا 1401 نشان داد روند تغییرات مساحت کلاس های اراضی بایر، آب و تالاب از سال 1381 تا 1401 کاهشی و روند تغییرات مساحت اراضی انسان ساخت، در این بازه زمانی، افزایشی بوده است؛ همچنین کلاس های مرتع و اراضی زراعی، در این بازه زمانی، دارای روند تغییرات ثابت نبوده و روند تغییرات آنها در سال های گوناگون، متفاوت بوده است. اما درحالت کلی، مساحت این دو کلاس طی سال 1401، درقیاس با سال 1381 افزایش یافته است.نتیجه گیری: پیشنهاد می شود در مطالعات آتی، از سایر تصاویر ماهواره ای (ازجمله تصاویر ماهواره ای سنتینل 2) نیز به منظور انتقال نمونه های آموزشی استفاده شود تا تأثیر باندهای طیفی و تصاویر ماهواره ای گوناگون، در انتقال نمونه های آموزشی، ارزیابی شود. همچنین بررسی اثربخشی روش انتقال نمونه های آموزشی در انتقال نمونه های آموزشی سایر پوشش های زمینی می تواند درزمره موضوعات پژوهشی در مطالعات بعدی قرار گیرد.منطقه مورد مطالعه با مساحتی بالغ بر 7653 کیلومترمربع در شمال غرب ایران واقع شده است. از لحاظ جغرافیایی محدوده مورد نظر در مختصات ´´35 ´59 °44 تا ´´25 ´01 °46 طول شرقی و ´´46 ´02 °38 تا ´´47 ´48 °38 عرض شمالی واقع شده است. داده های مورد استفاده در این پژوهش شامل تصاویر ماهواره ای و داده های مرجع زمینی می باشد. تصاویر مورد استفاده در این پژوهش شامل تصاویر ماهواره ای سری لندست می باشد.روش انجام پژوهش شامل پنج مرحله کلی می باشد. در مرحله اول تصاویر ماهواره ای لندست 5 و 8 از سایت سازمان زمین شاسی آمریکا اخذ شده و مراحل پیش پردازش تصاویر (تصحیح رادیومتریک و هندسی) بر روی آن ها انجام شد. در مرحله دوم با استفاده از تصاویر با قدرت تفکیک مکانی بالا (تصاویر سامانه Google Earth) و برداشت زمینی، نمونه های آموزشی مورد نظر تهیه شدند. مرحله سوم شامل انتقال نمونه های آموزشی می باشد. برای این کار در ابتدا بررسی شباهت طیفی نمونه های آموزشی در سال های مرجع و هدف با استفاده از دو پارامتر فاصله اقلیدسی و فاصله زاویه طیفی انجام شد. در ادامه با تعیین آستانه مورد نظر، نمونه های آموزشی انتقال یافته از نمونه های انتقال نیافته تفکیک شدند. در انتهای مرحله سوم، ارزیابی صحت نمونه های آموزشی انتقال یافته انجام شد، برای این کار از داده های مرجع تهیه شده از سامانه Google Earth استفاده شد. در مرحله چهارم با استفاده از نمونه های آموزشی انتقال یافته، طبقه بندی تصاویر ماهواره ای در سال های مختلف انجام شد و در نهایت در مرحله پنجم با استفاده از شاخص های حاصل از ماتریس خطا، ارزیابی صحت تصاویر طبقه بندی شده انجام شد.نتایج به دست آمده نشان داد، آستانه 0/9 تا 1/1 (اختلاف انحراف معیار از میانگین) مناسب ترین آستانه برای تفکیک نمونه های آموزشی انتقال یافته از نمونه های آموزشی انتقال نیافته در سال های مختلف می باشد. بر این اساس می توان گفت یک رابطه معکوس بین صحت نمونه های آموزشی انتقال یافته و درصد نمونه های آموزشی انتقال یافته وجود دارد و با افزایش درصد نمونه های آموزشی انتقال یافته از صحت آن ها کاسته می شود.بررسی صحت نمونه های آموزشی انتقال یافته بر اساس هر یک از پارامترها (فاصله زاویه طیفی و فاصله اقلیدسی) نشان داد نمونه های آموزشی انتقال یافته بر اساس پارامتر فاصله زاویه طیفی از صحت بیشتری نسبت به نمونه های آموزشی انتقال یافته بر اساس پارامتر فاصله اقلیدسی برخوردار می باشند. همچنین استفاده از نمونه های انتقال یافته بر اساس هر دو پارامتر باعث افزایش 10/45 درصدی صحت نسبت به حالتی شده است که از پارامتر فاصله اقلیدسی برای انتقال نمونه های آموزشی استفاده شده است و افزایش 5 درصدی صحت نسبت به حالتی شده است که از پارامتر فاصله زاویه طیفی برای انتقال نمونه های آموزشی استفاده شده است.بررسی درصد انتقال نمونه های آموزشی در کلاس های کاربری مختلف نشان داد به طور میانگین 80/6 درصد از نمونه های آموزشی کلاس آب، 75/4 درصد از نمونه های آموزشی کلاس اراضی بایر، 71/2 درصد از نمونه های آموزشی کلاس اراضی انسان ساخت، 64/6 درصد از نمونه های آموزشی کلاس مرتع، 60/2 درصد از نمونه های آموزشی کلاس اراضی زراعی و 54/4 درصد از نمونه های آموزشی کلاس تالاب از سال مرجع (1401) به هر یک از سال های هدف (1381، 1387، 1392 و 1396) انتقال پیدا کرده اند. همچنین ارزیابی صحت نمونه های آموزشی انتقال یافته در کلاس های کاربری مختلف نشان داد کلاس های آب، اراضی انسان ساخت، اراضی بایر، مرتع، اراضی زراعی و تالاب، به ترتیب از بیشترین صحت در نمونه های آموزشی انتقال یافته برخوردار بودند.طبقه بندی تصاویر ماهواره ای با استفاده از تصاویر لندست بین سال های 1381 تا 1401 انجام شد. بر این اساس، پوشش های سطحی زمین در شش کلاس کاربری مختلف طبقه بندی شد. نتایج ارزیابی صحت طبقه بندی نشان داد صحت کلی تصاویر طبقه بندی شده در سال های 1401، 1396، 1392، 1387 و 1381 به ترتیب 94/95، 91/93، 90/74، 89/45 و 88/94 درصد است. بررسی صحت طبقه بندی کلاس های کاربری مختلف بر اساس دو پارامتر صحت تولیدکننده و صحت کاربر نشان داد، کلاس آب از بیشترین صحت تولید کننده و کاربر در میان کلاس های مختلف برخوردار است، به طوری که صحت تولیدکننده و کاربر آن در تصویر طبقه بندی شده سال 1401 به ترتیب 98/2 و 99/34 درصد می باشد. از طرفی کمترین صحت تولیدکننده و کاربر در کلاس تالاب به دست آمد؛ به طوری که، صحت تولیدکننده و کاربر آن در تصویر طبقه بندی شده سال 1401 به ترتیب 90/1 و 91/25 درصد است.بررسی تغییرات پوشش زمین بین سال های 1381 تا 1401 نشان داد، روند تغییرات مساحت کلاس های اراضی بایر، آب و تالاب از سال 1381 تا 1401 کاهشی و روند تغییرات مساحت اراضی انسان ساخت در این بازه زمانی افزایشی بوده است، همچنین کلاس های مرتع و اراضی زراعی دارای روند تغییرات ثابت در این بازه زمانی نبوده و روند تغییرات آن ها در سال های مختلف متفاوت بوده است. اما در حالت کلی مساحت این دو کلاس در سال 1401 نسبت به سال 1381 افزایش یافته است. بررسی تغییرات مساحت اراضی انسان ساخت در این بازه زمانی نشان دهنده افزایش محسوس مساحت این کلاس کاربری می باشد؛ به طوری که مساحت آن از 20/38 کیلومتر مربع در سال 1381 به 123/98 کیلومتر مربع در سال 1401 افزایش یافته است.پیشنهاد می شود در مطالعات آتی از سایر تصاویر ماهواره ای (از جمله تصاویر ماهواره ای سنتینل-2) نیز به منظور انتقال نمونه های آموزشی استفاده شود تا تأثیر باندهای طیفی و تصاویر ماهواره ای مختلف در انتقال نمونه های آموزشی مورد ارزیابی قرار گیرد. همچنین بررسی اثربخشی روش انتقال نمونه های آموزشی در انتقال نمونه های آموزشی سایر پوشش های زمینی می تواند از جمله موضوعات پژوهشی در مطالعات بعدی محسوب شود.

مقدمه: سیستم های پاسخ اضطراری هوشمند از فنّاوری های مدرن مانند اینترنت اشیاء (IoT) استفاده می کنند تا بهبود عملکرد واحدهای واکنش اضطراری را فراهم کنند. این سیستم ها به منظور بهبود کیفیت خدمات، کاهش هزینه ها و افزایش نظارت بر فرایند واکنش اضطراری طراحی شده اند. از جمله اهداف اصلی این سیستم ها می توان به بهینه سازی مسیر واکنش اضطراری از طریق ارتباط با اشیا و جمع آوری داده های مکانی اشاره کرد. این سیستم ها با استفاده از مدل های مسیریابی مبتنی بر اینترنت اشیاء، قادر به بهینه سازی مسیر واکنش اضطراری هستند و باعث بهبود تجربه کاربران می شوند. به عبارت دیگر، این سیستم ها از اطلاعات جمع آوری شده توسط اینترنت اشیاء برای بهبود فرایند اضطراری استفاده می کنند. سیستم های پاسخ اضطراری هوشمند نقش مهمی در بهبود کارایی واحدهای واکنش اضطراری و ارتقای سطح خدمات در مواقع اضطراری دارند. این سیستم ها به صورت کامل در دسترس اند و باعث افزایش بهره وری و کارایی در مواقع اضطراری می شوند. مواد و روش ها: یک زیرساخت داده های مکانی برای یکپارچه سازی سیستم و افزایش تلاش های واکنش اضطراری ایجاد شده است که امکانات بسیار مهمی برای بهبود خدمات پزشکی فوری فراهم می کند. این زیرساخت شامل یک پورتال است که مسیر بهینه از محل حادثه تا مرکز پزشکی را به دقت بر روی نقشه نمایش می دهد تا به تیم پزشکی کمک کند با سرعت و کارایی بیشتر به فرد مجروح برسند. علاوه براین، این پورتال امکان انتقال اطلاعات حسگر مانند علائم حیاتی فرد مصدوم را به تلفن همراه پزشک در آمبولانس از طریق بلوتوث فراهم می کند که این اطلاعات به طور هم زمان برای ارزیابی بیشتر به اشتراک گذاشته می شوند تا در صورت اضطرار، به سرعت و با دقت مناسب به فرد مجروح کمک کنند. این سامانه باعث افزایش کارایی و سرعت در واکنش به حوادث اضطراری می شود و امکان دسترسی سریع و بهینه به خدمات پزشکی را فراهم می کند. به طور خلاصه، این زیرساخت داده های مکانی بهبود چشمگیری در عملکرد واکنش به حوادث اضطراری درمانی داشته و امکان ارائه خدمات بهبودیافته و بهینه تر در حوادث اضطراری را فراهم کرده است. نتایج و بحث: مراکز پزشکی اهمیت موضوع بهداشت و درمان را اولویت خود می دانند. برای تعیین این اولویت ها و بهبود فرایند تخصیص منابع، از یک مدل وزن دهی سلسله مراتبی آنلاین استفاده می کنند. این مدل به بهینه سازی تخصیص منابع براساس اطلاعات بهداشتی بی درنگ مصدومان کمک می کند. در یک مورد آزمایشی که برای این مدل انجام شد، یک مصدوم با موفقیت در منطقه 5 تهران تحت درمان قرار گرفت. استفاده کارآمد از اینترنت اشیاء و زیرساخت داده های مکانی، این مرکز پزشکی را قادر به بهبود و بهینه سازی خدمات درمانی خود کرد. این نتایج نشان دهنده اهمیت اطلاعات مکانی در کنار داده های پزشکی و فنّاوری اینترنت اشیاء در بهبود خدمات پزشکی و افزایش کیفیت درمان است.نتیجه گیری: سیستم های واکنش اضطراری سنتی بیشتر براساس مکانیسم های سنتی و فاقد فنّاوری مدرن مانند اینترنت اشیاء و یکپارچه سازی داده های مکانی عمل می کنند. به همین دلیل، این سیستم ها ممکن است با مشکلاتی همچون تأخیر در ارسال کارکنان اورژانس به محل حادثه و کمبود اطلاعات دقیق و سریع از بیمار مواجه شوند. اگر فنّاوری های مدرن مانند هوش مصنوعی، اینترنت اشیاء و سیستم های اطلاعات جغرافیایی به این سیستم ها اضافه شوند، می توانند مشکلاتی را که در سیستم های سنتی واکنش اضطراری وجود دارد، حل کنند. این فنّاوری ها امکان پاسخ سریع تر و کارآمدتر به بحران ها را فراهم می کنند و به سازمان های ذی ربط از جمله سازمان مدیریت بحران کمک می کند تا تصمیمات بهتری برای تخصیص منابع در شرایط اضطراری بگیرند و عملکرد کلی خود را بهبود بخشند. با استفاده از داده های جمع آوری شده توسط این فنّاوری ها، سازمان های اضطراری می توانند بهبودی محسوسی در پاسخ به شرایط اضطراری ایجاد کنند و هزینه های زمانی، مالی و انسانی را کاهش دهند. به طور کلی، این رویکرد جدید به سیستم های واکنش اضطراری امکان پذیری بهتری در مواجهه با بحران های مختلف و بهبود کارایی واکنش به اضطرار را فراهم می آورد.

سابقه و هدف: در سال های اخیر استفاده از تصاویر ابرطیفی به دلیل غنای بالای طیفی در زمینه های مختلف مطالعات زمین به خصوص در سنجش از دور بسیار افزایش یافته است. طبقه بندی این تصاویر به منظور استخراج اطلاعات از آنها همواره با چالش هایی مختلفی همچون چگونگی مدیرت ابعاد این داده ها و صحت کم طبقه بندی در هنگام وجود تعداد محدودی از نمونه های آموزشی همراه است. افرایش صحت طبقه بندی این تصاویر با هدف مطالعات دقیق پدیده ها و تغییرات سطح زمین همواره از موضوعات مورد مطالعه جامعه علمی سنجش از دور بوده است. در سال های اخیر استفاده از ویژگی های مکانی به منظور افزایش صحت طبقه بندی تصاویر ابرطیفی بسیار رایج شده است. تاکنون روش های مختلفی برای طبقه بندی طیفی-مکانی تصاویر ابرطیفی معرفی شده است و پژوهش های مربوطه در راستای معرفی روش هایی با ساختار ساده تر و صحت بالاتر نیز در جریان است. به دلیل وجود رابطه های پیچیده میان باندهای مختلف تصویر ابرطیفی با الهام از پژوهش های موجود در شاخه بینایی ماشین در این پژوهش روشی توسعه داده شده است که می تواند روابط پیچیده میان ویژگی های طیفی و مکانی در یک تصویر ابرطیفی را مدل سازی کند. هدف اصلی این مقاله ارائه روشی جدید و کارا مبتنی بر ترکیب ویژگی های مستخرج از ماتریس محلی کرنل وزن دار ویژگی های طیفی و فرکتالی به منظور تولید ویژگی برای طبقه بندی تصاویر ابرطیفی است. مواد و روش ها: به منظور طبقه بندی تصاویر ابرطیفی در پژوهش حاضر ابتدا یک مرحله کاهش بعد بر روی تصویر ابرطیفی انجام می شود. در مرحله بعد ویژگی های مکانی مبتنی بر بعد فرکتال جهت دار تولید می شوند و مجدداً این ویژگی ها کاهش بعد پیدا می کنند. در مرحله بعد ویژگی های مستخرج از ماتریس محلی کرنل وزن دار از هر دو دسته ویژگی های طیفی و فرکتالی تولید می شوند. این ویژگی های ثانویه وابستگی های محلی غیرخطی میان ویژگی های طیفی و فرکتالی را که در روش های پیشین طبقه بندی مورد توجه نبوده است، در فرایند تولید ویژگی لحاظ می کنند که در نهایت سبب افزایش صحت طبقه بندی می شوند. سپس این دو دسته بردار ویژگی جدید برای هر پیکسل با هم الصاق می شود و یک بردار غنی از اطلاعات طیفی– مکانی را تشکیل می دهد. در نهایت به منظور تعیین برچسب هر پیکسل، بردار ویژگی حاصل از الگوریتم ماشین بردار پشتیبان طبقه بندی می شود. آزمایش های این پژوهش بر دو تصویر مرجع ابرطیفی واقعی ایندین پاین و دانشگاه پاویا انجام شده است. نتایج و بحث: تحلیل نتایج نشان می دهد که روش پیشنهادی با در نظر گرفتن ویژگی های مستخرج از ماتریس محلی کرنل وزن دار ویژگی های طیفی– فرکتالی موجب افزایش 20 و 18 درصدی صحت طبقه بندی در مقایسه با طبقه بندی با ویژگی های طیفی تنها به ترتیب در تصاویر ایندین پاین و دانشگاه پاویا شده است. این نتیجه تأیید می کند که در نظر گرفتن اطلاعات مکانی به طور مؤثر سبب افزایش چشمگیر صحت طبقه بندی حتی زمانی که نمونه های آموزشی اندکی در دسترس باشد، می شود. همچنین رویکرد پیشنهادی این پژوهش در مقایسه با چندین پژوهش دیگر در این حوزه به صحت های بالاتری رسیده است. نتیجه گیری: عملکرد بهتر روش پیشنهادی در مقایسه با دیگر روش های رقیب به دلیل در نظر گرفتن وابستگی های محلی غیرخطی میان ویژگی های طیفی و فرکتالی است که تاکنون در پژوهش های پیشین مورد توجه نبوده است. در پژوهش های آتی در نظر داریم که رویکرد پیشنهادی را درگام اول از نظر زمانی و در گام بعدی با در نظر گرفتن تعداد بیشتری از ویزگی های مبتنی بر هندسه فرکتال از نظر صحت بهبود دهیم.

سابقه و هدف: زمین یک منبع طبیعی حیاتی برای بقای انسان و اساس همه خدمات بوم سازگان است. بااین حال، تخریب اراضی در قالب تغییر کاربری و پوشش زمین، مشکلی جدی در جهان بوده است. مهاجرت روستایی به شهر در کشورهای در حال توسعه و همچنین تبدیل بسیاری از روستاهای مجاور به مناطق شهری، تا حد زیادی باعث افزایش سریع وسعت سکونتگاه های شهری شده است. شواهد نشان می دهد شمال ایران در حال تجربه تغییرات سریع کاربری اراضی است که پایداری منطقه را در طول سه دهه اخیر به خطر انداخته است. این مقاله با هدف شناسایی و مقایسه تغییرات رشد و گسترش شهر آمل واقع در استان مازندران در سه دهه از سال 1365 تا 1395 انجام شد. رشد شهری با افزایش مطلق جمعیتی که در شهرها زندگی می کنند و گسترش شهری با تغییرات پوشش زمین در طول زمان تعریف می شود.مواد و روش ها: برای تولید تصاویر تغییرات پوشش زمین در سال های مختلف، با استفاده از داده های تصاویر سری زمانی لندست (سنجنده های TM، ETM+ و OLI/TIRS)، از مدل اختلاط زدایی خطی براساس استخراج اعضای انتهایی استفاده شده و دو طبقه اراضی شهری و غیرشهری برای هر مقطع زمانی شناسایی شده است. برای بررسی صحت طبقه بندی، به صورت توأم از تصاویر با وضوح بالای ارائه شده در نرم افزار گوگل ارت و مشاهده میدانی با استفاده از GPS استفاده شده است. به منظور تحلیل توزیع فضایی پوشش اراضی از ابزار تحلیل خودهمبستگی فضایی موران و به منظور تحلیل روند تغییرات فضایی اراضی شهری از ابزار تحلیل روند در نرم افزار ArcGIS استفاده شده است. نتایج و بحث: یافته ها نشان می دهد افزایش دوبرابری جمعیت شهر در این سه دهه، نه تنها با گسترش افقی به میزان 60 درصد در اراضی سبز و باز پیرامونی همراه بوده است، بلکه افزایش تراکم ساختمانی و تعداد طبقات را نیز در پی داشته است. صحت سنجی طبقه بندی پوشش اراضی، با استفاده از ماتریس خطای ابهام با محاسبه صحت کلی بالای 90 درصد و ضریب کاپای بالای 80 درصد برای تصاویر به دست آمده، دقت بالا و بسیار خوبی را نشان می دهد. براساس یافته های تحلیل خودهمبستگی فضایی موران، توسعه شهر آمل به طور کامل از ساختاری خوشه ای تبعیت می کند. با محاسبه اختلاف داده های پوشش زمین در دوره 20 ساله 1375-1395 مشخص شد، 28 درصد از مساحت کل شهر معادل 890 هکتار، بیشترین تغییر را که شامل تغییرات بنیادین در کاربری و پوشش زمین می شود، داشته است. گسترش شهر آمل نیز به طور کلی از مرکز به پیرامون بوده است، به طوری که کمترین تغییرات در قسمت های مرکزی شهر و بیشترین تغییرات نیز در قسمت های شمالی و شرقی شهر رخ داده است.نتیجه گیری: رشد جمعیت و گسترش شهری نه تنها، تخریب منابع طبیعی و محیط زیست را در پی دارد، بلکه با افزایش مشکلات مدیریت شهری در تأمین زیرساخت ها و خدمات نیز همراه است. ازهمین رو، هدف برنامه ریزی باید دستیابی به توسعه بهینه ای باشد که هم در سطح کلان، با توزیع نقش های شهری به صورت مکملی و تقویت نقش روستاها، از افزایش مهاجرت از روستاها به شهرها جلوگیری کند و هم در سطوح محلی، بر توزیع متوازن جمعیت شهر و رشد درون زا تأکید کند.

مقدمه: شرایط خشکسالی ممکن است، از متوسط تا شدید و با مدت زمان متفاوت، متغیر باشد؛ این تغییرات به نظارت مداوم و عملیاتی نیاز دارد. هرچه خشکسالی بیشتر طول بکشد، در پوشش گیاهی و منابع آبی تأثیر بیشتری می گذارد و خشکسالی تشدید می شود؛ درنتیجه، ممکن است خدمات به انسان ها را محدود کند و سیستم های طبیعی را تغییر دهد. از جمله تأثیرات خشکسالی، تخریب زیستگاه حیات وحش، کاهش کیفیت آب و کاهش دسترسی به منابع آب است. پایش خشکسالی برای محققان، مدیران و تصمیم گیرندگان، به منظور شناسایی مناطق آسیب پذیر، ضروری است و نتایج آن با هدف کاهش پیامدهای خشکسالی به کار می رود.مواد و روش ها: در این مطالعه تلاش شده است، با استفاده از تصاویر مادون قرمز سنجنده Suomi NPP دریافتی از سایتearth data.nasa.gov و بهره گیری از شاخص هایNDVI ، VCI،  TCIو  VHIوضعیت خشکسالی پوشش گیاهی در ایران بررسی شود. دوره مورد مطالعه 2021-2013، اول آوریل تا انتهای جولای (هفته 13 تا 26 میلادی)، به صورت میانگین هفتگی است. میانگین ماهیانه شاخص استاندارد بارش (SPI) در ایران با استفاده از داده های بارش روزانه 143 ایستگاه سینوپتیک به دست آمد. سپس ضریب همبستگی (SPI) با هریک از شاخص های VHI، TCI، VCI و NDVI محاسبه شد. در تصاویر مادون قرمز، باندهای M دارای قدرت تفکیک 750 و باندهای I برابر با 375 متر است.نتایج و بحث: براساس داده های بارش ثبت شده در ایستگاه های هواشناسی سینوپتیک، می توان گفت که عمده بارش در فصل های پاییز، زمستان و بهار رخ داده و سهم تابستان در بارش سالانه اندک می باشد. بنابراین سال آبی، در بیشتر مناطق ایران، به طور تقریبی از دهه سوم سپتامبر شروع و تا دهه دوم و سوم ژوئن هر سال ادامه دارد. در منطقه مورد مطالعه، بهترین پایه زمانی برای پایش و برآورد آن از اول آوریل تا اواخر ژوئن  است. در فصل تابستان، ایران یک فصل خشک را می گذراند و ماه اوت خشک ترین ماه سال است. تغییرات زمانی و مکانی خشکسالی هریک از شاخص های پوشش گیاهی با یکدیگر تفاوت زیادی دارد.نتیجه: میزان هریک از شاخص ها در شرایطی که پوشش گیاهی در وضعیت خشکسالی قرار دارد کاهش یافته و در طبقه خشکسالی خفیف و سپس شدید قرار می گیرد. بدین ترتیب، طی سال هایی که خشکسالی رخ داده است، مقدار شاخص ها از ماه آوریل روند نزولی دارد و در ژوئن و جولای، شاخص ها به سمت خشکسالی شدید میل پیدا می کند. براساس محاسبات، مشخص شد که مقدار شاخص استاندارد بارش در پهنه مورد مطالعه، طی ماه های گرم سال منفی است. این نکته بیانگر پایین بودن میزان بارش دریافتی درقیاس با دیگر ماه های سال است. 

سابقه و هدف: کشاورزی سنگ بنای اقتصاد جهانی است و به مثابه منبع اصلی غذا و مواد خام برای صنایع مختلف عمل می کند. بااین حال، تقاضای فزاینده غذا به دلیل رشد جمعیت، تهدید قابل توجهی برای امنیت غذایی است، به ویژه زمانی که دسترسی محدود به منابع آب شیرین را در نظر بگیریم. شایان ذکر است که کشاورزی به تنهایی حدود 70 درصد از منابع آب شیرین جهان را مصرف می کند، که بر نیاز حیاتی برای مدیریت و افزایش بهره وری آبیاری برای تضمین تولید پایدار مواد غذایی تأکید دارد. در نتیجه مدیریت و افزایش بازده آبیاری امری ضروری است. در قلب تعیین نیاز آب آبیاری، مفهوم تبخیر و تعرق واقعی محصول (ETa) نهفته است، که نشان دهنده اتلاف آب، ترکیبی از تبخیر خاک و تعرق گیاه است. برآورد دقیق ETa در بهینه سازی روش های آبیاری، به حداکثر رساندن عملکرد محصول و به حداقل رساندن مصرف آب بسیار مهم است. برای این منظور، مدل ها و ابزارهای مختلفی برای تخمین ETa با هدف ارائه روش های کاربرپسندتر و کارآمدتر برای کشاورزان و پژوهشگران ایجاد شده اند. با توجه به مطالعات انجام شده و کاربرد وسیع مدل های برآورد ET، لازم است تمرکز بر روش های دقیق و سریع تعیین این پارامتر افزایش یابد. لذا هدف این مطالعه مقایسه روش های برآورد سنجش از دوری ETa کاربرپسندانه تر، از جمله سامانه EEFLUX، ابزار METRICTOOL و روش انتخاب خودکار پیکسل سرد و گرم مدل های SEBAL و METRIC است.مواد و روش ها: Earth Engine Evapotranspiration Flux یا به اختصار EEFLUX نسخه ای از مدل METRIC است که بر روی سیستم موتور Google Earth کار می کند. METRICTOOL، ابزاری جدید در ArcGIS براساس مدل METRIC است. این ابزار پیش پردازش و شناسایی خودکار کالیبراسیون بالقوه و معرفی داده های ورودی را تسهیل کرده، زمان محاسبات را تا ۵۰ درصد کاهش می دهد و جایگزینی کاربرپسندتر از دیگر پلتفرم های موجود پیاده سازی مدل METRIC است. روش انتخاب خودکار پیکسل سرد و گرم شامل ایجاد یک نقشه باینری از پیکسل های واجد شرایط که با استفاده از یک طبقه بندی کننده ساده مبتنی بر قانون شناسایی می شوند، و استفاده از الگوریتم جست وجوی جامع برای شناسایی پیکسل های گرم و سرد، مطابق با معیارهای تعریف شده است. برای برآورد ET با استفاده از روش های نام برده، از 6 تصویر ماهواره ای Landsat 8 در طول دوره کاشت محصول گندم زمستانه مزارع دانشگاه تهران واقع در محمدشهر کرج استفاده شد. ارزیابی روش های مذکور با استفاده از تبخیر و تعرق مرجع یونجه (ETr) با استفاده از روش FAO-Penman–Monteith به عنوان داده مرجع انجام شد.نتایج و بحث: RMSE سامانه EEFLUX، ابزار METRICTOOL، SEBAL و METRIC خودکار به ترتیب 2.45، 0.33، 0.39 و 2.76 به دست آمد. با توجه به نتایج محصول تبخیر و تعرق سامانه EEFLUX به رغم اختلاف عددی با دیگر روش ها همبستگی معناداری با آن ها داشت. مثلاً R2 بین ETa این سامانه و ابزار METRICTOOL 0.91 برآورد شد. نتیجه آن است که گرچه داده های این سامانه به دلیل استفاده از داده های هواشناسی جهانی CFSV2 در ایران برای مطالعات محلی از دقت کافی برخوردار نیستند، اما در مطالعات مناطق با وسعت بالا یا جهانی نتایج قابل قبولی به دست می دهند.  ابزار METRICTOOL و مدل METRIC خودکار بیشترین همبستگی (R2=0.99) و نزدیکی عددی را با یکدیگر داشتند و به ترتیب با RMSE 0.33 و 0.39 دقت بالاتری نسبت به مدل SEBAL خودکار دارند.نتیجه گیری: با توجه به نتایج عددی رویکرد انتخاب خودکار پیکسل سرد و گرم می تواند دقت مشابهی در مقایسه با ابزار METRICTOOL داشته باشد. بدین ترتیب رویکرد خودکار کارایی مدل را از نظر زمان و بازده افزایش و می تواند خطای انسانی در تخمین تبخیر و تعرق را برای کاربران جدید یا بی تجربه کاهش دهد و این مدل ها را در دسترس عموم کاربران قرار دهد. همچنین داده های EEFLUX می توانند در مطالعات با وسعت بالا برای اقدامات مدیریتی کارایی لازم را داشته باشند.

سابقه و هدف: رطوبت غلاف پارامتر مهمی در طول دوره رشد نیشکر است که از منظر تنش آبی و مدیریت آبیاری مزرعه اهمیت فراوانی دارد. بااین حال اندازه گیری میزان رطوبت محصول در گیاهان به طور سنتی از طریق به دست آوردن وزن تر و وزن خشک و سپس محاسبه میزان رطوبت محصول تعیین شده است. اما این روش وقت گیر، هزینه بر و در مناطق وسیع غیرقابل اجراست. در سال های اخیر، توسعه سریع فنّاوری سنجش ازدور برای نظارت بر میزان آب بافت گیاه در مزارع گسترده به کار برده می شود. داده های سنجش ازدور ظرفیت بالایی برای به روز کردن سیستم های پایش رشد محصول دارند. در این راستا، می توان از تصاویر ماهواره ای که اطلاعات متنوعی در اختیار کاربران قرار می دهند، بهره برد. هدف از این پژوهش ارزیابی رطوبت غلاف برگ نیشکر با استفاده از تصاویر ماهواره ای و تهیه نقشه های رطوبت براساس بهترین مدل است.مواد و روش ها: مزارع نیشکر که بزرگ ترین مزارع خوزستان هستند، بیش از 84000 هکتار مساحت دارند. حدوداً 9670 هکتار از مزارع تحت کشت متعلق به کشت و صنعت امیرکبیر است که این پژوهش در آن اجرا شد. منطقه مورد مطالعه در عرض جغرافیایی 31 درجه و 00 دقیقه و 20 ثانیه شمالی و طول جغرافیایی 48 درجه و 15 دقیقه و 22 ثانیه شرقی قرار گرفته است. برای پژوهش حاضر، 18 مزرعه از واریته CP69-1062 نیشکر انتخاب شد که از هر مزرعه 5 نقطه برگزیده و مختصات نقاط با دستگاه GPS ثبت شد، لذا این پژوهش از تیر تا شهریور ماه اجرا شد. برای این منظور، تلاش شد که داده برداری زمینی هم زمان با تصویربرداری ماهواره سنتینل-2 از منطقه مورد نظر صورت گیرد. سپس رطوبت غلاف هر نمونه در آزمایشگاه اندازه گیری شد. برای هر تصویر شاخص ها و باندهای طیفی با نرم افزار QGIS محاسبه و خروجی به صورت فایل اکسل و TIF ذخیره شد. در این پژوهش از شاخص های NDWI، NDII، SRWI، SIWSI، Clgreen و GVMI و باندهای حاصل از تصاویر ماهواره ای سنتینل-2 برای برآورد و پایش وضعیت رطوبت غلاف برگ نیشکر استفاده شد. در گام بعدی، از تحلیل VIF به منظور بررسی هم خطی بین شاخص ها و باندها استفاده شد. در نهایت شاخص های NDVI، EVI، SRWI، Clgreen و تک باندهای B2، B3، B4، B5، B6، B11 و B12 به عنوان ورودی به چهار مدل GRNN، RF، SVR و PLSR وارد شدند. شایان ذکر است که الگوریتم بیز به منظور بهینه سازی پارامترهای مدل استفاده شد.نتایج و بحث: نتایج نشان داد که مدل SVR در مقایسه با سایر مدل ها توانایی بالاتری در تخمین رطوبت غلاف برگ داشت. همچنین طبق تحلیل حساسیت، پارامترهای SRWI، Clgreen، NDVI، B5، B12، B11، B4، B3، EVI و B2 به ترتیب به عنوان پارامترهای مؤثر در فرایند مدل سازی رطوبت انتخاب شدند. در مرحله نهایی رطوبت غلاف برگ به ترتیب مقدار از کم تا زیاد، به 5 کلاس تنش، زمان آبیاری، رطوبت کم، رطوبت متوسط و رطوبت بالا طبقه بندی شد. با توجه به نتایج نقشه های رطوبتی و با توجه به برنامه زمان بندی آبیاری مربوط به هر تاریخ، می توان نتیجه گرفت خروجی حاصل ترکیبی از شاخص ها و باندهای B2، B3، B4، B5، B6، B11، B12، NDVI، EVI، SRWI و Clgreen عملکرد بهتری در تهیه نقشه های آبیاری داشتند. این روش با هدف ارزیابی پتانسیل شاخص های طیفی S2 MSI برای برآورد رطوبت غلاف برگ در مرحله رشد نیشکر به کار گرفته شد.نتیجه گیری: طبق تحلیل حساسیت، پارامتر SRWI به عنوان مؤثرترین شاخص در فرایند مدل سازی قرار گرفت. بنابراین می توان نتیجه گرفت که در میان ورودی های داده شده به مدل، ترکیبی از شاخص ها و باندهای NDVI، EVI، SRWI، Clgreen، B2، B3، B5، B4، B11و B12 تخمین بهتری از رطوبت غلاف نیشکر به دست می دهند. این پژوهش در پی بهبود روش های نظارت بر رطوبت غلاف نیشکر در مزارع وسیع است.