یکی از چالش های بسیار مهم در تهیه نقشه پوشش اراضی با استفاده از تصاویر سنجش از دور، مشکل مربوط به پیکسل های مخلوط است. با توسعه روش های تجزیه اختلاط طیفی و طبقه بندی کننده های نرم، امکان برآورد سهم کلاس ها در سطح زیرپیکسل فراهم می آید و برچسب های چندگانه به پیکسل ها اختصاص داده می شود. با وجود این، تولید نقشه پوششی در سطح زیرپیکسل نیازمند جانمایی مکانی زیرپیکسل ها است. در سال های اخیر، روش های تهیه نقشه در سطح زیرپیکسل توسعه یافته اند و با استفاده از نتایج طبقه بندی کننده های نرم و بهره گیری از مفاهیم وابستگی مکانی، آرایش مکانی زیرپیکسل ها را بهینه سازی می کنند. در این تحقیق، دقت کلی الگوریتم شبیه سازی تبرید برای تهیه نقشه پوششی در سطح زیرپیکسل مورد ارزیابی قرار گرفته و همچنین، مکانیزم جدیدی در این روش، برای تولید پاسخ های جدید در هر مرحله از الگوریتم پیشنهاد شده و با نتایج روش موجود مقایسه شده است. از دیگرسو، پارامترهای مؤثر بر عملکرد الگوریتم مانند ضریب بزرگنمایی، نوع تابع خنک سازی و تکرارهای ایستا و پویا در عملکرد الگوریتم بررسی شده اند. در فرایند ارزیابی دقت کلی الگوریتم، دو روش مستقل از خطای طبقه بندی نرم و وابسته به این خطا لحاظ شده است. براساس نتایج، افزایش ضریب بزرگنمایی موجب کاهش دقت الگوریتم شبیه سازی تبرید شده و همچنین، تابع خنک سازی هندسی به لحاظ دقت و زمان اجرای الگوریتم، به منزله تابع بهینه انتخاب شده است. از طرف دیگر، تکرارهای پویا نیز، در مقایسه با حالت ایستا دقت بیشتری داشته است. روش پیشنهادی برای تولید پاسخ های جدید در الگوریتم شبیه سازی تبرید دستاورد مهم تحقیق به شمار می آید که دقت کلی را به نسبت روش موجود، افزایش داده و همچنین، زمان اجرای الگوریتم را تا 50% کاهش داده است. بیشترین دقت کلی الگوریتم براساس روش پیشنهادی و مستقل از خطای طبقه بندی نرم 97/94% برآورد شد.
زلزله یکی از مخرب ترین سوانح طبیعی است که در هر زمانی با شدت های مختلف رخ می دهد. زلزله های شدید در محیط های مسکونی باعث تخریب ساختمان ها، راه های اصلی و از همه مهم تر، باعث تلفات جانی می شوند. آشکارسازی ساختمان های تخریب شده ناشی از چنین سانحه ای در زمان مناسب مسئله ای حیاتی برای مدیریت بحران و امدادرسانی به شمار می رود. این پژوهش با هدف تشخیص ساختمان های تخریب شده بر اثر زلزله، با استفاده از تصاویر ماهواره ای با قدرت تفکیک بسیار بالا انجام شده است. جهت نیل به این هدف از تصاویر ماهواره ای با قدرت تفکیک بسیار بالا (VHR) مربوط به قبل و بعد از وقوع زلزله در شهر پورتو پرنس کشور هائیتی در سال 2010 و نقشه تخریب مشاهده شده از منطقه استفاده شده است. در این پژوهش پس از محاسبه ویژگی های بافتی تصاویر، با استفاده از تحلیل همبستگی، توصیفگرهای بافتی بهینه انتخاب شدند. سپس با استفاده از مقادیر بافت های برگزیده و سیستم استنتاج فازی، وضعیت تخریب ساختمان ها طبقه بندی شد. در نهایت، نقشه تخریب به دست آمده، با استفاده از مدل پیشنهادی، با نقشه تخریب منطقه مقایسه شد. دقت نهایی مدل پیشنهادی با استفاده از شاخص Kappa، 82% و همچنین، دقت مدل در تشخیص ساختمان های تخریب شده با استفاده از شاخص Jaccard، %89.69 به دست آمد.
امروزه روشی متداول در ایجاد پایگاه داده راه ها، استخراج آن ها از تصاویر رقومی هوایی و ماهواره ای است. با توجه به حجم بسیار دادههای شبکه راه و نیاز به بهنگام کردن آن ها با کمترین زمان و هزینه محاسباتی، اتوماسیون فرایند استخراج اطلاعات راه در حال تبدیل به یکی از ملزومات عصر جدید است. در تحقیق حاضر که بیشتر بر مرحله برداری سازی راه تأکید دارد، سیستمی هوشمند برای برداری سازی اتوماتیک نتایج کشف راه، با کمترین میزان دخالت عامل انسانی، طراحی شده است. سیستم طراحی شده دارای دو مرحله اساسی تعیین نقاط کلیدی راه و برقراری اتصال بین آن ها است. نخست، با استفاده از تکنیک خوشه بندی بر مبنای الگوریتم انبوه ذرات نقاط اصلی نمایانگر محور مرکزی راه تعیین می شوند. سپس، با در نظر گرفتن مدل گراف وزن دار برای شبکه راه های تصویر، تعیین معیارهای هندسی مناسب و تلفیق این معیارها از سوی عملگرهای میانگین گیر وزن دار ترتیبی، هزینه هر اتصال محاسبه می شود. اتصالات دارای کمترین هزینه، به صورت قطعات نهایی راه در تشکیل شبکه برداری راه شرکت می کنند. نتایج حاصل از پیاده سازی روش پیشنهادی روی چندین تصویر بزرگ مقیاس ماهواره ای و مقایسه آن ها با نتایج الگوریتم درخت پوشای کمینه تأییدکننده موفقیت روش پیشنهادی در استخراج شبکه راه با دقت و صحت بالا است. براساس نتایج ارزیابی، روش پیشنهادی قادر است شبکه راه های تصویر را با میانگین RMSE حدود 9/0 متر، میانگین completeness حدود 94% و میانگین correctness بیش از 95% برداری کند. در مجموع، الگوریتم پیشنهادی در برداری سازی راه های با اشکال مختلف شامل راه های مستقیم، راه های دارای انحنا، راه های با ضخامت های متفاوت، راه های موازی با فواصل متغیر، تقاطع و میدان موفقیت آمیز عمل کرده است.
امروزه محاسبه دمای سطوح مختلف پوشش گیاهی و خاکی با استفاده از تصاویر ماهواره ای، با هدف برآورد تبخیر و تعرق واقعی با الگوریتم بیلان انرژی، اهمیت بسیار زیادی دارد. در این مطالعات دقت محاسبه گرادیان حرارتی بین سطح زمین و هوا و میزان اختلاف دمای سطوح مختلف کاربری دارای اهمیت است. در دشت شهرکرد به منظور محاسبه دمای سطح زمین[1] سه چالش اصلی وجود داشت. نخست، نبود مطالعه مشخصی در زمینه محاسبه دمای سطح زمین با استفاده از باندهای حرارتی ماهواره Landsat8، دوم، فقدان داده های مشاهده ای دمای سطح پوشش های مختلف گیاهی و خاکی و سوم، محدود بودن داده های دمای سطح زمین ایستگاه های کلیماتولوژی و سینوپتیک به حداقل روزانه. در این مطالعه، به منظور تبدیل دمای درخشندگی2 سطح به دمای سطح زمین، از الگوریتم دوپنجره ای3 موجود AVHRR-NOAA استفاده شد و برای محاسبه گسیلندگی سطحی4 نیز روش پیشنهادی الگوریتم سبال5 به کار رفت. با توجه به نبودِ ایستگاه های هواشناسی مرجع، از داده های ایستگاه های غیر مرجع برای محاسبه دمای روزانه سطح زمین و لحظه عبور ماهواره استفاده شد و در نهایت، از روش محاسبه خطای انحراف برای واسنجی دمای سطح زمین ماهواره Landsat 8 و تهیه لایه میانگین روزانه دمای سطح زمین استفاده شد. در این مطالعه همه ضرایب همبستگی محاسبه شده بیشتر از 0.9 بود و تمامی روابط رگرسیونی، از نظر آماری، در سطح 95% و حتی 99% معنادار بودند. اختلاف مقادیر خطای انحراف محاسبه شده در روز-تصویرهای مختلف در بیشترین مقدار، 0.5 کلوین بود و میزان RMSE محاسبه شده نیز بین 1.9 تا 2.2 کلوین قرار داشت که در مقایسه با مطالعات مشابه مورد پذیرش بود.
بیشتر الگوریتم های طبقه بندی داده های سنجش از دور براساس ویژگی ها و اطلاعات طیفی پیکسل ها عمل می کنند. این مسئله باعث نادیده گرفتن اطلاعات مکانی سودمند و قابل استخراج بسیاری، مانند بافت تصاویر می شود. محیط شهری بافت ناهمگنی دارد که شناسایی انواع کاربری ها را به فرایندی دشوار و پیچیده تبدیل کرده است. در این پژوهش تأثیر استفاده از بافت تصویر تک باند سنجنده ALI (Advanced Land Imager) بر دقت طبقه بندی تصاویر ابرطیفی سنجنده هایپریون«Hyperion» در محیط های شهری بررسی شد. طبقه بندی با استفاده از روش جنگل های تصادفی[1] و در پنج سناریوی مختلف انجام شد: سناریوی شماره 1: طبقه بندی اطلاعات طیفی تصویر ادغام شده به روش [1]CNT(بدون لحاظ کردن اطلاعات بافت)؛ سناریوهای 2، 3، 4 و 5: طبقه بندی تصویر CNT با افزوده شدن بردارهای ویژگی بافت حاصل از روش ماتریس هم وقوعی در اندازه های پنجره 3، 5، 7 و 9 هستند. براساس یافته های این تحقیق، افزودن بافت به طیف تصویر ادغامی به روش CNT دقت طبقه بندی را بهبود چشمگیری داد، به گونه ای که دقت کلی بر اثر افزودن بافت با حدود ده درصد افزایش، از 80.47% به 90.74% رسید. بسیاری از پوشش های کاربری مانند جاده، بافت مسکونی، صنایع کوچک و پراکنده و صنایع متمرکز نیز در زمینه دقت تولیدکننده و مصرف کننده رشد چشمگیری را شاهد بودند. پارامتر خطای OOB[1] با 11% کاهش، از 19.86 به 8.87% رسید. بردارهای ویژگی مانند میانگین و کنتراست نیز، توانستند از لحاظ میزان اهمیت در رتبه های بالا قرار گیرند. همچنین، افزایش اندازه پنجره منجر به بهبود بیشتر دقت طبقه بندی شد، به گونه ای که اندازه پنجره 9 بهترین عملکرد را در پی داشت.
امروزه آشکارسازی تغییرات با استفاده از تصاویر ماهواره ای، یکی از حوزه های اصلی تحقیقات به شمار می رود. یکی از مشکلات استفاده از تصاویر ماهواره ای خطاهای بی شمار در این تصاویر است. خطاهای ناشی از اثر نورپردازی سطح جزء مشکلات اساسی در فرایند آشکارسازی تغییرات اند. از این رو، در پژوهش پیش رو، به منظور کاهش خطاهای ایجادشده در نتایج آشکارسازی تغییرات با استفاده از روش آنالیز بردار تغییرات، روشی ساده و در عین حال مناسب برای کاهش خطاهای ناشی از اثر نورپردازی ارائه شده است. در روش پیشنهادی، پس از اعمال تبدیل Tasseled cap روی تصاویر، جهت بردار تغییرات با راستای بردار پیکسل مربوط به تصویر مبنا در فضای طیفی مقایسه و سپس آستانه ای زاویه ای، برای کاهش خطاهای نورپردازی محاسبه می شود. مساحت زیر منحنی ROC و همچنین، پارامترهای احتمال تشخیص صحیح در روش پیشنهادی، به ترتیب،970/0 و 97/0 است و مقدارFalse Alarm برای آن 32/0 به دست آمده است. نیز، مقایسه نتایج روش پیشنهادی با نتایج روش های مرسوم آشکارسازی تغییرات دقت بیشتر روش پیشنهادی را نشان داده است
مدل های خوشه بندی c-means یکی از پرکاربردترین شیوه های طبقه بندی نظارت نشده در آنالیز داده ها به شمار می رود. مدل فازی این روش، یعنی Fuzzy c-means، یکی از مشهورترین مدل هایی است که در آن هر داده با یک مقدار درجه عضویت بین 0 و 1، به هر یک از خوشه ها اختصاص داده می شود. این مدل خوشه بندی جهت طبقه بندی داده های سنجش از دوری بسیار استفاده شده است. مدل Fuzzy c-means از فاصله اقلیدسی جهت خوشه بندی استفاده کرده و برای همه خوشه ها شکل یکسانی فرض می کند. با وجود این، این مدل برای داده هایی که در آن ها کلاس ها دارای شکل و حجم متفاوت اند، مناسب به نظر نمی رسد. برای رفع این مشکل، مدل Gustafson-Kessel جهت خوشه بندی داده های پیچیده ارائه شده است. این مدل برمبنای به کارگیری یک ماتریس کوواریانس فازی برای هر خوشه عمل می کند و شکل هندسی، حجم و جهت گیری یکسانی برای همه خوشه ها در نظر نمی گیرد. در این تحقیق، از هر دو مدل خوشه بندی مذکور جهت داده های سنجش از دوری فراطیفی واقعی حاصل از سنجنده های Hyperion، ROSIS و CASI استفاده شده است. نتایج حاصل از مدل های خوشه بندی Fuzzy c-means و Gustafson-Kessel به پارامتری به نام فازی کننده وابسته است که در این تحقیق، مقدار بهینه آن با محاسبه و بررسی دقت طبقه بندی هر یک از این مدل ها، در ازای فازی کننده های مختلف به دست آمده است. نتایج به دست آمده در ازای مقدار بهینه فازی کننده، نشان می دهد که مدل Gustafson-Kessel دقت و صحت طبقه بندی را حدود 5/12% برای داده های Hyperion و حدود 45/8% برای داده های ROSIS افزایش می دهد. همچنین، ارزیابی دیداری نتایج دو مدل خوشه بندی روی داده های CASI نشان می دهد که مدل Gustafson-Kessel عملکرد بهتری دارد. البته در مقابل، باید گفت مدل Gustafson-Kessel هزینه زمانی بیشتری را صرف می کند و همچنین، جهت تعیین پارامتر مربوط به حجم خوشه ها، به دانش قبلی نیاز دارد.
