سنجش از دور و GIS ایران

فنولوژی به مطالعه زمان وقوع رخدادهای تکرارپذیر زندگی گیاهان در رابطه با عوامل زنده و غیرزنده می پردازد. یکی از روش های بررسی تغییرات روند رشد گیاه استفاده از سری های زمانی تصاویر ماهواره ای و روش های سنجش از دور است. هدف از پژوهش حاضر تعیین معنای فیزیکی هریک از مؤلفه های سری فوریه، درمورد انواع پوشش گیاهی و فرایندهای فنولوژی گیاهان، با استفاده از تجزیه سری های زمانی شاخص پوشش گیاهی (NDVI) حاصل از سنجش از دور است. هدف دیگر نیز تعیین روند تغییرات مؤلفه های سری فوریه، در زمینه تغییرات ارتفاع از سطح دریا و درجه حرارت فصل بهار است. بدین منظور، در مطالعه حاضر، از محصول هشت روزه شاخص NDVI سنجنده MODIS، با نام MOD09Q1، با قدرت تفکیک مکانی 250 متر استفاده شد. ابتدا، با استفاده از الگوریتم HANTS و سری های زمانی یک ساله NDVI سنجنده MODIS در سال های 2013، 2014 و 2015، مؤلفه های سری های فوریه یا همان تصاویر دامنه و فاز تولید شد. سپس تغییرات و ارتباط هریک از این مؤلفه ها به نسبت تغییرات ارتفاع و دما، در منطقه شیرکوه استان یزد، بررسی شد. براساس نتایج، با کاهش 1 درجه سانتی گراد در میانگین دمای فصل بهار، که با افزایش ارتفاع از سطح دریا رخ می دهد، تأخیر هفت روزه ای در چرخه های سالیانه و تأخیری پنج روزه در چرخه های شش ماهه سری های زمانی NDVI ایجاد می شود. در چرخه های سالیانه، بیشترین مقدار واریانس با استفاده از گیاهان دارای دوره های رشد سالیانه و در چرخه های شش ماهه، بیشترین مقدار واریانس با استفاده از گیاهان دارای دوره رشد کوتاه و فصلی کنترل می شود. براساس نتایج، الگوریتم HANTS و تحلیل سری های فوریه می تواند، در شناخت تأثیرات عوامل اقلیمی در فرایند های فنولوژی و زمان شروع رشد گیاهان، بسیار کارآمد باشد.

افزایش سطح غلظت گازهای گلخانه ای و به تبع آن، گرم شدن کره زمین و تغییرات آب وهوایی یکی از مهم ترین چالش های قرن بیست ویکم شناخته شده است. این پژوهش عملکرد الگوریتم های موجود در بازیابی غلظت گازهای گلخانه ای دی اکسید کربن را، براساس داده های مشاهداتی ماهواره نظارت بر گازهای گلخانه ای گوست (GOSAT)، در مقایسه با داده های مرجع به دست آمده از شبکه سطحی (TCCON)، در هشت سایت منتخب در دوره زمانی 2015-2011 بررسی می کند. الگوریتم های مورد ارزیابی عبارت اند از الگوریتم NIES، ACOS و RemoTeC (SRFP). این الگوریتم ها بر بازیابی فراوانی ستونی از گازهای مورد نظر متمرکز شده اند تا از مقادیر مولکولی هوای خشک اتم دی اکسید کربن (XCO2) بهره بگیرند. برای ارزیابی محصولات هر الگوریتم با مقدار معادل مشاهداتی زمینی آن، از شاخص های آماری اریبی (Bias)، جذر میانگین مربع خطاها (RMSE)، خطای مطلق (MAE)، انحراف معیار (SD) و ضریب همبستگی پی یرسون (CR) در هر ایستگاه استفاده شده است. نتایج بررسی مقادیر داده شده نشان می دهد که، در بیشتر ایستگاه های زمینی مورد نظر، به ترتیب الگوریتم های NIES، ACOS، RemoTeC (SRFP) دارای کمترین خطای RMSE، MAE، و کمترین خطای اریبی بوده اند. همچنین، کمترین مقادیر همبستگی (بین هر الگوریتم و شبکه سطحی) متعلق به الگوریتم (SRFP) و بیشترین مقادیر آن، درمورد بیشتر ایستگاه ها، متعلق به الگوریتم NIES در یک میانگین پنج ساله (2015-2011) است. 

یکی از مهم ترین پارامترها، در تمامی تعاملات بین سطح و جو، بخار آب ستونی جو است که در بسیاری از مطالعات هواشناسی، محیطی، کاربردهای اکولوژیک و کشاورزی نقش کلیدی دارد. اندازه گیری این پارامتر در ایستگاه های هواشناسی مستلزم استفاده از رادیوسوند است که، علاوه بر نقطه ای و محدودبودن مشاهدات، بسیار پر هزینه است. ازآنجاکه این پارامتر، در مقایسه با سایر پارامترهای جوّی، بیشترین تأثیر را در رادیانس رسیده به سنجنده دارد، سنجش از دور راهکاری جایگزین برای برآورد این پارامتر بسیار مهم جوّی محسوب می شود. یکی از سنجنده هایی که این پارامتر را اندازه گیری می کند AIRS است که توان تفکیک پایین (حدود 40 کیلومتر) آن، در بسیاری از کاربردها، مطلوب نیست. بنابراین، هدف اصلی این تحقیق ارتقای توان تفکیک مکانی بخار آب ستونی این سنجنده، با استفاده از روشی مبتنی بر نسبت گیری باندی و تلفیق آن با داده های سنجنده MODIS است. در ادامه، با توجه به تأثیر مهم این پارامتر در برآورد دمای سطح خاک (LST)، نقش بخار آب ستونی ارتقایافته جوّ در برآورد LST بررسی می شود. به منظور اعتبارسنجی و تعیین دقت برآورد پارامترها، از سری داده های مستقل استفاده شد. نتایج نشان داد که روش پیشنهادی پتانسیل بالایی در ارتقای توان تفکیک مکانی بخار آب ستونی به دست آمده جو ازطریق سنجنده AIRS دارد؛ بدون اینکه کاهش چشمگیری در دقت آن مشاهده شود. همچنین، این نتیجه حاصل شد که بخار آب ستونی ارتقایافته جو ممکن است دقت برآورد LST را افزایش چشمگیری دهد.

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.

شاخص های متعددی مبتنی بر استفاده از روش های رایج و معمول اخذ داده، ازجمله استفاده از پرسشنامه برای سنجش رضایت عمومی، مطرح شده است. وجود چالش ها و مشکلات متعدد، همچون پرهزینه و زمان بربودن این روش ها، به خصوص در مناطق دارای گستره وسیع جغرافیایی، مانند یک کشور، باعث شده است مقادیر شاخص های مرتبط در این زمینه به روز نباشند. رضایت عمومی مفهومی پویا و چندبُعدی است و در طی زمان، تغییر می کند؛ بنابراین، ضروری است در دوره های زمانی مناسب ارزیابی شود. ازآنجاکه در سال های اخیر رویکرد گسترده ای به سمت کاربرد داده ها ی مکانی مردم ساخت شکل گرفته است، در این تحقیق به کمک داده های شبکه اجتماعی مکان مبنا، با طرح دیدگاهی جدید، اطلاعات و معیارهایی که می توانند منعکس کننده رضایت عمومی باشند استخراج شده و در نهایت، با درنظرگرفتن عدم قطعیت در مفهوم رضایت عمومی و داده های ورودی، از یک سیستم استنتاج گر فازی برای ارزیابی و مقایسه رضایت عمومی در استان های ایران استفاده شده است. شاخص های استخراج شده در این تحقیق نسبت توئیت های دارای تمایل منفی به مثبت، نسبت توئیت های دارای احساس شادی و لذت و نسبت توئیت های شامل احساس ناراحتی و عصبانیت و ترس به کل توئیت ها را دربر می گیرند. نتایج حاصل از روش پیشنهادی منجر به دسته بندی استان های کشور از وضعیت مطلوب تا نامطلوب شد. نتایج این تحقیق وجود پتانسیل داده های مردم ساخت را، در ارزیابی رضایت عمومی، بیشتر در نقش داده مکمل و نه به منزله جایگزین داده های رسمی، نشان داد. روش پیشنهادی در این تحقیق گامی به سوی ارزیابی رضایت عمومی، با استفاده از داده های به اشتراک گذاشته شده مردم در شبکه های اجتماعی مکانی محسوب می شود.

افزایش جمعیت و توسعه شهرنشینی و به تبع آن کاهش مناطق جنگلی سبب افزایش میزان دمای سطح زمین در مناطق شهری شده که در نتیجه جزیره حرارتی شهری ایجاد می گردد. جزایر گرمایی شهر، یکی از عواملی است که هم زمان با توسعه شهر اهمیت پیدا کرده و امروزه می توان با استفاده از تصاویر ماهواره ای به محاسبه و ارزیابی آن پرداخت. اهداف این پژوهش شامل ارزیابی نقطه ای تغییرات دما، ارتباط کاربری اراضی، پوشش گیاهی، ترافیک و تیپ های خاک با دمای سطح زمین در شهر ساری و روند تغییرات مکانی آن در طی دو بازه 1988 و 2018 می باشد. به این منظور از تصاویر سنجنده TIRS و TM لندست 5 و 8 در بازه زمانی 30 ساله (1988_2018) جهت بررسی تغییرات جزیره حرارتی و محاسبه دمای سطح زمین، باالگوریتم تک کاناله استفاده گردید. نتایج نشان داد که در طی دوره 30 ساله با کاهش 3/235 هکتاری از فضای سبز و افزایش 34 درصدی سطح اشغال اراضی شهر ساری وسعت جزایر حرارتی به میزان 83/21 % افزایش یافت. همچنین با توجه به مقدار P-value کمتر از 05/0 نشان دادکه رابطه معنی داری بین شاخص پوشش گیاهی و سطح اشغال شهر با دمای سطح زمین وجود دارد و می توان استدلال کرد که تغییرات کاربری اراضی، پوشش گیاهی و ترافیک که ناشی از افزایش جمعیت و تغییر کاربری اراضی است، از عوامل اصلی افزایش تغییرات مکانی در جزایر حرارتی شهر ساری می باشند.

دمای سطح زمین پارامتری بسیار مهم و کلیدی در بررسی های زیست محیطی، تغییرات آب وهوایی، رطوبت خاک، درصد تبخیر و تعرق و جزایر گرمایی شهری شمرده می شود. هدف از پژوهش حاضر محاسبه دمای سطح زمین، با استفاده از تصاویر ماهواره لندست 8 و کالیبراسیون آن، با استفاده از مدل های ریاضی غیرخطی است. در این پژوهش، به منظور محاسبه دمای سطح زمین، از الگوریتم پنجره مجزا استفاده شده است. در ادامه، از کالیبراسیون دمای حاصل از این الگوریتم به کمک توابع ریاضی رشنال، دمای نزدیک سطح زمین به دست آمده است. الگوریتم پنجره مجزا، برای برآورد دمای سطح زمین، از رادیانس طیفی و گسیل مندی سطح زمین استفاده می کند. به منظور تخمین رادیانس طیفی، از باندهای حرارتی سنجندهTIRS  ماهواره لندست 8 استفاده شده است. گسیل مندی سطح زمین نیز، به کمک شاخص کسر گیاهی و شاخص پوشش گیاهی (NDVI)، برای باندهای حرارتی سنجنده TIRS محاسبه شده است. همچنین، در این پژوهش، با کمک سری زمانی دمای هوای ایستگاه های هواشناسی، دمای حاصل از مدل پنجره مجزا با استفاده از توابع رشنال کالیبره شد تا دمای هوای نزدیک سطح زمین با دقت بالایی برآورد شود. نتایج مدل پیشنهادی نشان می دهد که کالیبراسیون دمای منتج از مدل پنجره مجزا، با استفاده از توابع رشنال، باعث کاهش میزان خطای RMSE در دو مرحله کالیبراسیون از 13.464 درجه سانتی گراد، به ترتیب، به 13.169 درجه سانتی گراد و در نهایت، به 0.668 درجه سانتی گراد شده است. با توجه به نتایج و بررسی ها، می توان گفت که درجه و تعداد ترم های موجود در معادلات رشنال در نتایج کالیبراسیون تأثیر بسیاری دارند و انتخاب بهترین مدل می تواند دقت این توابع را افزایش دهد.