سنجش از دور و GIS ایران

بلوط ایرانی، طی سال های اخیر، تحت تأثیر پدیده زوال بلوط قرار گرفته و این پدیده موجب ازدست رفتن بخش های وسیعی از جنگل های بلوط در عرصه های زاگرس شده است. به دلیل پوشش زمانی مناسب و وضوح زمینی مطلوب تصاویر جدید ماهواره ای، کاربرد آنها در تشخیص این پدیده امیدبخش به نظر می رسد. در این تحقیق، قابلیت های مکانی تصاویر سنجنده اسپات6 با توان تفکیک مکانی 1.5 متر در باند پانکروماتیک و 6 متر در باندهای چندطیفی، در تشخیص خشکیدگی درختان بلوط در منطقه جنگلی کهمره، از بخش های شهرستان شیراز در استان فارس، بررسی شد. مقادیر شاخص های گوناگون گیاهی شامل NDVI، EVI، TDVI، SAVI، RNDVI، OSAVI، DVI و MSR، با درصدهای متفاوت خشکیدگی درختان بلوط به صورت متناظر، در نمونه های زمینی و تصویر ماهواره ای ارزیابی شد. براساس نتایج به دست آمده، معادله رگرسیونی بین مقادیر انحراف معیار TDVI و خشکیدگی بیشتر از 30%، در هریک از پایه های درختان بلوط، به صورت y=17.92(x-0.06)-0.32 با ضریب تبیین R2=82% برآورد شد. پایش مناطق جنگلی برای درک روند زوال یا بهبودی درختان آن کمک شایان توجهی به دست اندرکاران مدیریت مناطق جنگلی خواهد کرد؛ بنابراین، استفاده از نتایج این تحقیق می تواند مدرکی برای مقایسه پایش مقاطع زمانی آینده با وضعیت موجود باشد.

توسعه روش های سنجش از دور در پهنه بندی اراضی زیر کشت محصولات کشاورزی در مقیاس گسترده مکانی و زمانی، به صورت جایگزین شیوه های پرهزینه و زمان بر جمع آوری آمار میدانی، در حال گسترش است. تا کنون، روش هایی برای شناسایی اراضی زراعی، با استفاده از تصاویر سنجنده های اپتیک و راداری، مطرح شده است. برخی از این روش ها، با تأکید بر فرایندهای حذف پیکسل های ابری، مناسب اقلیم مرطوب با روزهای متعدد ابرناکی هستند و برخی دیگر، به دلیل روش به کاررفته در آنها به منظور ترکیب تصاویر هر دو سیستم اپتیک و راداری، پیچیده گی های خاص خود را دارند. در این میان، روش های مبتنی بر استفاده از ویژگی های منحصربه فرد سری زمانی شاخص گیاهی هریک از محصولات زراعی فرایند نسبتاً ساده تری در پهنه بندی اراضی زراعی دارد. هدف از این پژوهش بهبود یکی از روش های مطرح شده برای تفکیک اراضی زیر کشت گندم دیم است که در آن از الگوریتم حذف گام به گام پیکسل های غیرگندم و تصاویر سنجنده مادیس استفاده شده بود. برای بهبود الگوریتم مذکور، طی فرایندی، از قدرت تفکیک زمانی تصاویر سنجنده مادیس و قدرت تفکیک مکانی تصاویر ماهواره لندست8 بهره گرفته شد. فرایند جدید، ضمن رفع نقاط ضعف الگوریتم سابق در تشخیص مراتع و اراضی غیرگندم از اراضی گندم دیم، به خصوص در پیکسل های ناهمگن، موجب افزایش دقت این الگوریتم در پهنه بندی اراضی گندم دیم شد؛ به طوری که روش مطرح شده توانست با مقادیر صحت کلی، شاخص کاپا و F1 به ترتیب برابر با 92.5%، 0.67 و 0.71، با دقت قابل قبولی، سطوح زیر کشت گندم دیم را تفکیک کند. 

برآورد میزان زیست توده در توده های جنگلی با روش های سنجش از دوری اهمیت بسیاری دارد. هم زمان نبودن دریافت داده های ماهواره ای و اطلاعات میدانی و کاربرد معادلات آلومتریک جهانی، برای محاسبه وزن زیست توده درختان جنگلی داخل کشور، از مهم ترین دلایل عدم قطعیت در نتایج و تحلیل های حاصل از مطالعات مشابه قبلی به شمار می روند. به حداقل رساندن این مشکلات و بررسی قابلیت و عملکرد داده ها در توسعه مدل مناسب برآورد زیست توده جنگل، در منطقه بانکول بخش کارزان شهرستان سیروان، استان ایلام، با استفاده از داده های راداری ماهواره سنتینل 1، اخذشده در تاریخ 6 تیرماه 1396، هدف این تحقیق بود. اندازه قطر میانگین تاج پوشش درختان در 53 قطعه نمونه زمینی مربعی، مربوط به فرم رویشی شاخه زاد، به ابعاد 30×30 متر که در بازه زمانی 2 تا 20 خرداد 1396، به کمک دستگاه موقعیت یاب جهانی تفاضلی و به روش تعیین موقعیت کینماتیک آنی روی زمین اجرا و برداشت شدند، وارد روند برآورد زیست توده شد. میانگین زیست توده برداشت شده میدانی 10.63 تن درهکتار بود. پس از استخراج ویژگی های راداری، آن دسته از ویژگی ها که بیشترین میزان همبستگی را با مقادیر زیست توده داشتند انتخاب و از بین آنها، با به کارگیری الگوریتم ژنتیک و با استفاده از دو مدل رگرسیون K نزدیک ترین همسایه و رگرسیون بردار پشتیبان، مناسب ترین ترکیب ویژگی ها شناسایی و سپس، مقادیر زیست توده مدل سازی شد. اعتبارسنجی مدل ها با استفاده از 26 قطعه نمونه تست، انجام گرفت. همبستگی بین ویژگی های حاصل از داده های راداری و مقادیر زیست توده نشان داد که ویژگی های VH، Mean VV، Mean VV GLCM (Correlation) و Mean VH GLCM (Dissimilarity) بیشترین حساسیت را به مقادیر زیست توده داشتند. استفاده از مدل های رگرسیون نشان داد که روش رگرسیون بردار پشتیبان، با RMSE نسبی 0.08، از روش رگرسیون K نزدیک ترین همسایه، با RMSE نسبی 0.10، دقیق تر عمل کرده است. از بین ترکیب های ویژگی مورد بررسی نیز، بهترین ترکیب در حالت استفاده از رگرسیون K نزدیک ترین همسایه، دارای RMSE به میزان تقریبی 0.99 تن درهکتار (معادل10%) و ضریب تعیین 0.23 و در حالت استفاده از رگرسیون بردار پشتیبان، دارای RMSE به میزان 0.87 تن درهکتار (معادل 8%) و ضریب تعیین 0.14 بود. مدل های نهایی حاصل از ترکیب ویژگی های بهینه استخراج شده از داده راداری در طول موج باند C و روش های رگرسیونی پارامتری و غیرپارامتری مورد بررسی در این تحقیق به تنهایی قادر به بهبود اثر اشباع شدگی در داده، برای برآورد زیست توده در جنگل های مورد مطالعه، نبودند و منجر به پیشنهاد مدل برآوردکننده ای با صحت قابل قبول نشد.

رشد جمعیت شهرنشین با افزایش فضاهای شهری و به طورکلی، با رشد اندازه شهرها همراه بوده است. این امر به صورت ساخت وساز بیشتر و تغییر اراضی موجود به نفع فضاهای ساخته شده بروز می یابد. موقعیت خاص شهر ارومیه در مجاورت دریاچه ارومیه و شرایط نامساعد این دریاچه لزوم توجه به برنامه ریزی صحیح کاربری اراضی را، در این شهر، ناگزیر می کند. یکی از ابزارهای مورد نیاز برای برنامه ریزی مناسب، در این زمینه، بهره گیری از تکنیک های سنجش از دور است. پژوهش حاضر با هدف ارزیابی این تغییرات (دوره 2015-1989) و پیش بینی روند آتی آن صورت گرفته است. از روش های SVM و شبکه عصبی برای ارزیابی تغییرات در پنج کلاس استفاده شده است. ضریب تعیین (0.73) و منحنی راک (82.55%) نیز بیانگر دقت بالای مدل شبکه عصبی برای پیش بینی تغییرات گسترش شهری اند. با توجه به دقت بالای این مدل، که می تواند نتایج واقعی تری ارائه دهد، از نتایج این نوع طبقه بندی در پیش بینی تغییرات برای افق 2045 استفاده شده است. اراضی ساخته شده در سال 1989 برابر با 7469.1 هکتار بوده که در سال 2002 و 2015، به ترتیب، به 9217.3 و 9436.9 هکتار رسیده است. در سال 2045، براساس مدل پیش بینی شبکه عصبی، برابر با 22449.6 هکتار خواهد بود که 13012.7 هکتار افزایش را در اراضی ساخته شده نشان می دهد. نتایج حاصل گویای این است که تمامی این ساخت وسازها برمبنای نیاز واقعی شهر نبوده و پدیده اسپرال (گستردگی شهری) اتفاق افتاده است.

نقشه های پوشش/کاربری اراضی، برای پایش تغییرات عوارض و برنامه ریزی صحیح، هرساله مورد نیاز مدیران حوزه کشاورزی، منابع طبیعی و زیست محیطی است. روش برداشت میدانی با جی پی اس (GPS) و نقشه برداری زمینی مستلزم صرف زمان و هزینه های بسیار است. بنابراین، اغلب از تصاویر ماهواره ای، که دارای پوشش سراسری و توالی برداشت، هزینه کم و اطلاعات به هنگام اند، استفاده می شود تا نقشه های پوشش/کاربری زمین به دست آید. تهیه نقشه دقیق با روش مناسب روز موضوعی کلیدی است. طی سال های اخیر، استفاده از تصاویر ماهواره ای جدید و روش های نوین طبقه بندی، به ویژه یادگیری ماشین، رشد فزاینده ای داشته و کارآیی آنها در تهیه نقشه های پوشش/کاربری اراضی بسیار موفقیت آمیز بوده است. یکی دیگر از مزایای تصاویر ماهواره ای برداشت های متوالی است و براساس آن، می توان از تغییرات پوشش گیاهی در طول زمان، برای تفکیک نوع پوشش، استفاده کرد. ماهواره سنتینل-2، با امتیاز پیکسل 10متری، یکی از ابزارهای مناسب برای تفکیک نوع پوشش محسوب می شود. در این تحقیق، برای تفکیک انواع کاربری اراضی و محصولات زراعی دشت سنجابی روانسر، از تصاویر چندزمانه سنتینل-2 و روش های طبقه بندی ماشین بردار پشتیبان و جنگل تصادفی استفاده و دقت آنها با یکدیگر مقایسه شد. بدین منظور، پس از نمونه برداری، تحلیل مؤلفه های اصلی برای چهار تاریخ دوره رشد محصولات اجرا شد و باندهای PC 1 ، PC 2 و PC 3 تصاویر با هم ترکیب شدند. دو روش روی ترکیب باند های PC 1 ، PC 2 و PC 3 تصاویر و نمونه های تعلیمی اعمال شدند. ارزیابی دقت ها نشان داد ماشین بردار پشتیبان، با صحت کلی 91.36% و ضریب کاپای 0.8927، نقشه کاربری اراضی و محصولات دقیق تری، در قیاس با روش جنگل تصادفی، تولید می کند.

پایش دمای سطح زمین (LST)، که یکی از پارامترهای مهم زیست محیطی محسوب می شود، تا کنون با استفاده از سنجنده های سنجش از دوری دارای توان تفکیک زمانی بالا، همچون سنجنده مادیس (توان تفکیک زمانی روزانه و توان تفکیک مکانی یک کیلومتر)، به طور گسترده ای صورت گرفته است. یکی از مهم ترین مشکلات این سنجنده ها پایین بودن توان تفکیک مکانی آنهاست که کارآیی شان را، در مواردی همچون شناخت آتش در مناطق جنگلی و مطالعه جزایر گرمایی شهری، محدود کرده است. در مقابل، سنجنده هایی با توان تفکیک مکانی بالا، همچون سنجنده ASTER (توان تفکیک مکانی 90 متر و توان تفکیک زمانی شانزده روز در محصول دمای سطح زمین)، توان تفکیک زمانی پایینی دارند که این منجر به ضعف آنها در پایش تغییرات سریع می شود. درواقع، به دلیل محدودیت های فنی، تا کنون سنجنده ای وجود نداشته است که، در دو بعد مکانی و زمانی، توان تفکیک بالا داشته باشد. برای حل این مشکل، روش های کم هزینه و کارآمد ادغام مکانی زمانی مطرح شده اند. از مهم ترین روش های مطرح در ادغام مکانی زمانی، روش های ESTARFM و STDFA شمرده می شوند. در این تحقیق، به منظور تلفیق داده های سنجنده های مادیس و ASTER از دمای سطح زمین در بخشی از شهر تهران، روشی جدید (SWT-STDFA) برمبنای روش STDFA مطرح و موجک دوبعدی ایستا تبدیل شد. نتایج حاصل از تلفیق نیز با نتایج دو روش ESTARFM و STDFA مقایسه شدند. همچنین، در ادامه، با توجه به وجود نقشه طبقه بندی تهیه شده براساس شاخص گیاهی تفاضلی نرمال شده در الگوریتم های STDFA و SWT-STDFA، درمورد تأثیر استفاده از شاخص های گیاهی تفاضلی نرمال شده سبز (GNDVI) و شاخص گیاهی تعدیل شده چندطیفی خاک (SAVI) در دقت تصویر مجازی خروجی بحث شده است. نتایج تحقیق نشان دهنده دقت بالای روش پیشنهادی با ریشه میانگین مربع خطاهای 3.03 کلوین، انحراف معیار 2.21 کلوین، میانگین قدرمطلق خطاهای 1.72 کلوین و ضریب همبستگی 0.92 بین تصویر دمای سطح واقعی منطقه و تصویر مجازی پیش بینی شده در مقایسه با دو روش دیگر است. افزایش شاخص های گیاهی GNDVI و SAVI در طبقه بندی دو روش STDFA و SWT-STDFA نیز تأثیری چندانی در دقت تصویر تلفیقی مجازی خروجی نداشته است.

در مطالعات زمین شناسی و کانی شناسی، وجود پوشش گیاهی سالم و خشک در پیکسل های حاوی اطلاعات طیفی اجتناب ناپذیر است. بنابراین، بازیابی اطلاعات در حد زیرپیکسل، مانند برآورد میزان حضور یک کانی در یک پیکسل از تصاویر سنجش از دور ابرطیفی، مسئله ای مهم محسوب می شود. در این پژوهش، روش عمق پیوستار اصلاح شده اثر پوشش گیاهی (VCCD)، برای کاهش اثر پوشش گیاهی سالم و خشک در تخمین میزان کانی های هدف، با استفاده از داده های طیف سنجی، آزمایشگاهی کانی شناسی و تصاویر هایپریون (Hyperion) اصلاح و در منطقه اوغلانسر در شمال غرب ایران مورد صحت سنجی قرار گرفت. تخمین پوشش گیاهی سالم و خشک در سطح پیکسل، به ترتیب، با شاخص SAVI و عمق عارضه جذبی در ۲۱۰۲ نانومتر انجام شد. اصلاح عمق حذف پیوستارشده (CRBD)، با روش VCCD، تا آستانه حداکثری حضور پوشش گیاهی سالم برابر با ۶۰ و برای گیاه خشک در بازه 60-56 و ترکیب گیاه سالم و خشک در بازه ۷6-۷2% امکان پذیر است. تأثیر وجود نویزهای تصادفی و تغییر نوع پوشش گیاهی در عملکرد روش اصلاح شده بررسی شد و نتایج نشان داد که روش VCCD توسعه یافته، در مقایسه با وجود نویزهای تصادفی در طیف ها و تغییر نوع پوشش گیاهی، حساسیت بیشتری ندارد. بعد از اصلاح ضرایب مدل و پس از تأیید کارآیی آن، روش پیشنهادی برای اصلاح CRBD و کاهش اثر پوشش گیاهی، روی تصویر Hyperion، اجرا شد. طبق نتایج، حضور پوشش گیاهی سالم و خشک در کانی های کائولینیت و مسکویت منجر به تخمین کمتر از مقدار واقعی می شود. میزان بهبود در صحت برآورد کانی با اعمال روش VCCD درمورد کانی های کائولینیت و مسکویت، به ترتیب، معادل 0.25 و 0.13 ضریب تعیین و میزان خطا 0.0108 و 0.0125 است.