محمودرضا صاحبی

با پیدایش نسل جدید ماهواره های سنجش از دور پلاریمتری رادار با روزنه مجازی (SAR) نظیر (TerraSAR-X، RADARSAT-2، ALOS و جز اینها) کاربردهای سنجش از دور راداری، در زمینه های، پایش و ارزیابی بحران های زیست محیطی، از جمله فرونشست زمین، بررسی فرسایش خاک، وقوع زلزله، آتشفشان و سیل دوچندان شده است. هدف اصلی این مقاله، استخراج اطلاعات بنیادی از تصاویر پلاریمتری و تعیین میزان اهمیت هر کدام از ویژگی های موجود در فضای ویژگی است. المان های فضای ویژگی از حاصل ضرب باندهای HH، VV و HV ـ که دربردارنده اطلاعات دامنه و فاز هستند ـ تشکیل شده است. با به اجرا درآوردن معیار تفکیک پذیری بین کلاسی فیشر، اهمیت هر کدام از ویژگی ها مورد بررسی قرار می گیرد و سپس ویژگی ها براساس قدرت تفکیک پذیری و همبستگی بین باندی رتبه بندی می شوند. در مرحله بعدی با اجرا کردن الگوریتم طبقه بندی نظارت شده، بیشترین شباهت دقت طبقه بندی ترکیب های مختلف ویژگی ها بررسی می شود و در نهایت بهترین ترکیب ویژگی های موجود حاصل می گردد. استخراج بهترین ترکیب متشکل از حداقل ویژگی های موجود در فضای ویژگی، علاوه بر حفظ مهم ترین اطلاعات موجود در تصاویر پلاریمتری، منجر به کاهش حجم پردازش تصاویر پلاریمتری نیز می شود که می توان الگوریتم پیشنهاد شده در این مقاله را روی تماس داده های پلاریمتری مورد ارزیابی قرار داد.

استفاده از داده های پلاریمتری راداری نقش تعیین کننده ای در شناسایی اهداف زمینی دارد و اطلاعات جامعی در مورد ویژگیهای هندسی و همچنین ماهیت اهداف، با بهره گیری از این نوع داده ها استخراج شدنی است. از جمله مشکلات موجود در زمینه طبقه بندی این نوع داده ها، انتخاب ویژگیهای بهینه است. با توجه به اهمیت این موضوع، در تحقیق حاضر روشی نو براساس نگاشت ویژگیهای استخراج شده به فضای پدیده ارائه شده است. به عنوان یکی از نتایج تحقیق، شاخص بهینگی در فضای پدیده برای انتخاب ویژگیهای بهینه تصاویر پلاریمتری راداری ارائه گردید. از طرف دیگر، یکی از محدودیت های موجود در زمینه استخراج اطلاعات دقیق مکانی، اختلاط مکانیسم های بازپراکنش در سطح پیکسل است. بنابراین، استفاده از طبقه بندیکننده های نرم به منظور تجزیه این نوع اختلاط ها ضروری است. اینکه تضمینی برای منفی نشدن سهم کلاس ها و همچنین واحد شدن مجموع سهم کلاس ها در هر پیکسل وجود ندارد، خود از چالش های طبقه بندیکننده های نرم است، که در این تحقیق با تلفیق طبقه بندیکننده نرم و الگوریتم نظارت نشده استخراج عناصر خالص مرتفع گردید. طبقه بندی کننده های نرم به رغم افزایش اطلاعات ماهیتی در نتایج طبقه بندی، توان جانمایی کلاس ها را در سطح زیرپیکسل ندارند و فقط سهم تعلق کلاس ها را در هر پیکسل تعیین میکنند. بدین منظور الگوریتم های (SRM) Super Resolution Mapping برای افزایش قدرت تفکیک مکانی در سطح نتایج طبقه بندی نرم شکل گرفته و پرورده شده اند. در این تحقیق نیز از روش جابه جایی پیکسلی به منظور تهیه نقشه در سطح زیرپیکسل استفاده شده و فرایندی غیرتصادفی برای جانمایی اولیه زیرپیکسل ها ارائه گردیده است. براساس نتایج تحقیق، روش پیشنهادی برای انتخاب ویژگیهای بهینه در مقایسه با روش مبتنی بر الگوریتم ژنتیک نتایج بهتری را به دست داد. در ادامه با استفاده از ویژگیهای به دست آمده، سه الگوریتم تجزیه اختلاط طیفی خطی (LSU)، شبکه عصبی چندلایه (MLP)) و ماشین بردار پشتیبان (SVM) برای طبقه بندی نرم منطقه مطالعاتی در سه کلاس مسکونی، پوشش گیاهی و زمین بایر اعمال گردید. با ارزیابی آنها، SVM به عنوان طبقه بندیکننده بهینه شناسایی شد و نتایج آن در فرایند جانمایی کلاس ها در سطح زیرپیکسل به کار رفت. در نهایت با پیاده سازی الگوریتم جابه جایی پیکسلی، تصاویر پلاریمتری راداری در سطح زیرپیکسل طبقه بندی شدند و قدرت تفکیک مکانی نتایج طبقه بندی نرم بهبود یافت.

گسترش کاربردهای تصاویر رادار با روزنه ترکیبی و تأثیرات مهم نویز لکه در کاهش دسترسی به اطلاعات موجود در این تصاویر، به کارگیری روشی برای کاهش اثر این نویز را بسیار بااهمیت ساخته است. در مقاله حاضر برای کاهش اثر نامطلوب پدیده مذکور، فیلتر Adaptive پیشنهاد شده است. در این فیلتر برای شناسایی پیکسل هایی که تحت تأثیر شدید نویز لکه قرار گرفته اند از نرم 1L (گشتاور اول) استفاده شده است. در روش ارائه شده به جای میانگین کرنل، نزدیک ترین عدد به درجه خاکستری قبلی که در محدوده مجاز باشد در پیکسل مورد نظر قرار می گیرد. در این مقاله ابتدا پردازش هایی برای مشخص کردن بهترین ضریب تعدیل این فیلتر برای تصاویر استفاده شده انجام شد و سپس به مقایسه این فیلتر با فیلترهای معتبری همچون Lee, Gamma, Frost, Touzi پرداخته شد. نتایج این مقایسه نشان داد که فیلتر پیشنهادی با نسبت سیگنال به نویز میانگین بالای 14 در مقابل مقدار بیشینه 13/10 در دیگر فیلترهای ذکر شده نتایج بهتری را ارائه می دهد.

زمین مرجع سازی تصاویر ماهواره ای با توان تفکیک بالا، با استفاده از معادلات ریاضی مناسب یکی از مهم ترین مراحل استخراج اطلاعات مکانی سه بعدی دقیق است. به منظور زمین مرجع سازی تصاویر ماهواره ای، ابتدا باید مجموعه ای عوارض کنترلی مانند نقاط، خطوط و یا سطوح در دو فضا استخراج شوند. سپس عوارض متناظر از بین کل عوارض استخراج شده تعیین و به طور مستقیم برای حل تابع انتقال بین دو فضا مشخص شوند. ازآنجاکه دقت تصحیح هندسی تصاویر دقت زمین مرجع سازی را تحت تأثیر مستقیم قرار می دهد، در این مقاله این مسئله براساس استفاده از عوارض کنترلی خطی و نیز تلفیق آن با نقاط کنترلی در حل معادلة رشنال بررسی شده است. همچنین اثر آنها در حذف خطاهای سیستماتیک بررسی شده است. نتایج به دست آمده نشان می دهد که دقت حل معادلة رشنال با استفاده از خطوط کنترلی پایین و درحدود 3 پیکسل است. همچنین دیاگرام بردار باقی مانده ها نیز وجود میزان چشمگیر خطاهای سیستماتیک در نتایج نهایی را نشان می دهد. دلیل این امر، افزون بر دقت و توزیع خطوط کنترلی، ماهیت خطوط به منزلة اطلاعات کنترلی نیز محسوب می شود. از سوی دیگر تلفیق خطوط و نقاط کنترلی به منظور حل معادله سبب ارتقای دقت تا 1 پیکسل و حذف بسیاری از خطاهای سیستماتیک می شود. ازاین رو، نتایجْ قابلیت بالای تلفیق خطوط و نقاط کنترلی در ارتقای دقت و نیز کاهش خطاهای سیستماتیک را نشان می دهد .

یخچال های طبیعی و تغییرات و حرکت آنها در جایگاه شاخص هایی برای نشان دادن تغییرات آب و هوایی به کار می روند و به منظور ارزیابی تغییرات سطحی یخچال ناشی از تغییرات اقلیمی، باید مطالعات بلندمدت انجام شود. استفاده از تصاویر ماهواره ای راهی مؤثر برای استخراج سرعت حرکت یخچال محسوب می شود. در این تحقیق با استفاده از عکس های هوایی قدیمی و تصاویر ماهواره ای جدید، تغییرات سطحی و بردارهای جابه جایی و سرعت یخچال علم چال، با استفاده از الگوریتم خودکار، محاسبه شده است. تمامی داده ها، شامل عکس های هوایی و تصاویر، به صورت ارتو[1] درآمدند و از نظر رادیومتریکی و هندسی همسان سازی شدند. با استفاده از عکس هوایی سال 1955 و مقایسة آن با تصویر SPOT سال 2003، میزان عقب نشینی یخچال در قسمت پیشانی آن به دست آمد. همچنین، تغییرات کوتاه مدت در دو بازة زمانی بین 1998 تا 2003 و 2003 تا 2005، با استفاده از عکس های هوایی و تصاویرSPOT  و Quick Bird، استخراج شد. در این تحقیق، با استفاده از روش مبتنی بر تبدیل فوریه و محاسبة همبستگی، بردار های سرعت سطحی با خطای کمتر از دو متر استخراج شد. نتایج دقت و قابلیت روش پیشنهادی را برای ارزیابی میزان عقب نشینی و نیز اندازه گیری سرعت سطحی یخچال نشان می دهند و می توان این نتایج را به منظور مطالعات مربوط به تغییرات اقلیمی در سطح منطقه ای به کار برد.

آشکارسازی صحیح و آنی تغییرات پوشش و کاربری اراضی از موضوعات مهم حوزة برنامه ریزی و مدیریت اراضی به شمار می آید. یکی از روش های متداول شناسایی تغییرات، آنالیز تصاویر سنجش از دوری با تکنیک هایی نظیر حد آستانه گذاری تصویر اختلاف است. روش های متداول حد آستانه گذاری، عموماً مبتنی بر جست وجوی فراگیر و مستلزم صرف هزینة محاسباتی بالایی هستند. از طرفی، ماهیت تک بعدی آنها سبب می شود تا در حل مسائل چندبعدی همچون حد آستانه گذاری تصاویر چندطیفی سنجش از دوری زمان محاسبات به طور نمایی افزایش یابد. راهکار پیشنهادی این پژوهش برای کاهش زمان محاسبات تکنیک های متداول حد آستانه گذاری، استفاده از الگوریتم بهینه سازی توده ذرات است که تکنیک سریع و کارآمدی را برای شناسایی تغییرات معرفی می کند. روش پیشنهادی همراه با چندین روش متداول حد آستانه گذاری روی دو سری دادة تصاویر دوزمانة سنجنده TM پیاده سازی شد. برای ارزیابی قابلیت تکنیک ارائه شده در این پژوهش از سه پارامتر زمان محاسبات، صحت آشکارسازی تغییرات و پایداری الگوریتم در برآورد حد آستانة بهینه استفاده شد. نتایج ارزیابی نشان می دهند که الگوریتم پیشنهادی ضمن حفظ صحت آشکارسازی تغییرات، سبب کاهش زمان محاسبات در حدود 15 درصد و 98 درصد در مقایسه با دو تکنیک حد آستانه گذاری OTSU و کمینه سازی مجموع واریانس داخل کلاسی شده است. همچنین با مقایسة مقادیر جدول توزیع نرمال استاندارد با آمارة آزمون برآوردشده، ثبات الگوریتم پیشنهادی در برآورد حد آستانة بهینه در سطح اطمینان 90 درصد پذیرفته شد. نتایج حاصل از تحقیق بیانگر قابلیت بالای تکنیک پیشنهادی در حد آستانه گذاری سریع، پایدار و کارآمد تصویر اختلاف به منظور آشکارسازی خودکار و نظارت نشدة تغییرات در تصاویر ماهواره ای چندزمانه است.

روش های اتوماتیک شناسایی و استخراج عارضه ساختمان از منابع گوناگون اطلاعاتی همچون تصاویر هوایی و ماهواره ای و داده های لیدار دارای کاربردهای بسیار وسیع و مهم مانند به روزرسانی نقشه ها، مدلسازی و آنالیز رشد و پیشرفت در مناطق شهری و نیمه شهری به دست می آید. هدف اصلی مقاله طرح روش جدید اتوماتیک استخراج ساختمان با تلفیق داده های لیدار و تصویر هوایی است. برا ی این منظور در مرحله اول، انواع روش های شناسایی ساختمان (SVM 1 ، MD 2 و ANN 3 ) در دو سطح پیکسل پایه و شیء مبنا بررسی و ارزیابی شد. نتایج حاصل از شناسایی حاکی از توانایی بالای روش SVM، در مقایسه با دیگر روش ها، در دو سطح پیکسل پایه و شیء مبناست که دقت کلی 95.9٪ و خطای نوع اول 6.2٪ و خطای نوع دوم 3.2٪ را نشان می دهد که در حالت پیکسل مبنا به منزله روش منتخب شناسایی است. در مرحله دوم، براساس روش منتخب شناسایی مرز دقیق ساختمان بازسازی می شود. بنابراین با استفاده از قطعه بندی برمبنای طیفی و هندسی، لبه هر ساختمان به صورت قطعات مجزا تفکیک شد. سپس لبه های هر ساختمان براساس معادلات کمترین مربعات بازسازی می شود. نتایج روش پیشنهادی استخراج ساختمان با دقت کلی 96.85٪ ، خطای نوع اول 5.9٪ و خطای نوع دوم 2.5٪ برای الگوریتم پیشنهادی استخراج است.

آشکارسازی لبه یکی از مفاهیم کاربردی در پردازش تصاویر سنجش ازدور است. هدف آشکارسازی لبه، نشان گذاری نقاطی از تصویر است که در آنها میزان روشنایی به شدت تغییر می کند. تغییرات شدید خصوصیات تصویر معمولاً نمایندة رویدادهای مهم و تغییر در خصوصیات محیط هستند و در کاربردهای مختلفی نظیر بخش بندی تصاویر ماهواره ای کاربرد دارند. بسیاری از روش های کلاسیک تشخیص لبه بر مشتق پیکسل های تصویر اصلی متکی هستند، مانند اپراتورهای گرادیان، لاپلاسین و لاپلاسین از اپراتور گاوسی. در تصاویر سنجش از دوری به علت بالابودن میزان تغییرات، اپراتورهای کشف با ضعف در تشخیص صحیح محدودة عوارض و حفظ پیوستگی و انسجام محدودة آنها همراه اند. در پژوهش حاضر به منظور حل این مشکلات، سیستمی دانش پایه برای کشف لبه براساس خصوصیات تصاویر سنجش از دوری ارائه می شود. در این روش ابتدا به صورت منطقه ای و با استفاده از سیستم دانش پایه، حدود آستانة مناطق مختلف تصویر تعیین می شود و سپس با استفاده از شانون آنتروپی مرز بین این مناطق استخراج می شود. این کار موجب حفظ پیوستگی لبه های کشف شده خواهد شد. از مزایای این روش بررسی ویژگی های تصویر به شکل جزئی و کلی به صورت همزمان است. این سیستم قابلیت انعطاف با نوع نیاز و خواست کاربر را برحسب میزان جزئیات و کاربرد مورد نظر دارد. در نهایت به منظور ارزیابی روش، نتایج به دست آمده با الگوریتم های استاندارد سوبل، پرویت و LoG مقایسه شدند و نشان داده شد که این روش به شکل کارآمدی قادر به شناسایی لبه های تصاویر مختلف است.

آنالیز موفولوژی، با تمرکز بر آنالیز روابط مکانی بین پیکسل های همسایه، پردازش تصویر کامل تری را در مقایسه با آنالیزهایی که بر پایة اثر طیفی یک پیکسل تنها هستند، به دست می دهد. روش پیشنهادی در این مقاله با استفادة هم زمان از اطلاعات طیفی و اطلاعات مکانی حاصل از آنالیز مورفولوژی نتایج نهایی طبقه بندی را در تصاویر ابر طیفی بهبود می بخشد. در این پژوهش ابتدا با استفاده از نمونه های آموزشی محدود، ویژگی های منتخب اولیه استخراج شدند و پس از اعمال آنالیزهای مورفولوژی روی هر یک از آنها، پروفایل های مورفولوژی تشکیل شدند و از ترکیب این پروفایل ها، پروفایل مورفولوژی گسترده تولید شد. سپس پروفایل مورفولوژی گسترده شده با ویژگی های منتخب اولیه ترکیب شد و مجدداً استخراج ویژگی نهایی صورت گرفت. ویژگی های منتخب نهایی با استفاده از طبقه بندی کنندة ماشین بردار پشتیبان طبقه بندی شدند. سپس پس پردازش تصویر نهایی با استفاده از فیلتر رأی گیری اکثریت انجام شد. این روش، روی دادة شهری و نیمه شهری از سنجندة ROSIS تست شد. دقت طبقه بندی نهایی از 86/98 و 70/82 درصد در روش های معمولی به 36/99 و 75/95 درصد در روش پیشنهادی به ترتیب در تصویر منطقة شهری و نیمه شهری افزایش یافته است. کلید واژه ها : آنالیز مورفولوژی، ماشین بردار پشتیبان، استخراج ویژگی، طبقه بندی، رأی گیری اکثریت.

داده های پلاریمتری-اینترفرومتری راداری با فراهم نمودن اطلاعاتی از نوع شدت، دارا بودن اطلاعات پلاریمتری دو تصویر و اطلاعات ارتفاعی حاصل از اینترفرومتری، توانایی زیادی در طبقه بندی پوشش های زمین نشان می دهند که این ویژگی های سه گانه در آنتروپی شانون حاصل از این داده ها به تفکیک قابل مشاهده می باشند. استفاده همزمان این پارامترها نقش تکمیل کننده ای در طبقه بندی ارائه می کنند به طوری که حضور اطلاعات اینترفرومتری باعث افزایش دقت طبقه بندی می شود. همچنین داده های اخذ شده از دنیای واقعی دارای پیوستگی مکانی می باشند. بنابراین دراین تحقیق از الگوریتم میدان تصادفی مارکوف به منظور در نظر گرفتن همسایگی های پیکسلی و مجموعه پارامترهای آنتروپی شانون داده های پلاریمتری-اینترفرومتری راداری برای طبقه بندی استفاده می شود. الگوریتم میدان تصادفی مارکوف برای شروع نیاز به یک نقشه طبقه بندی شده اولیه دارد. نقشه طبقه بندی شده اولیه با استفاده از بی نظمی و ناهمسانگردی پلاریمتری و پلاریمتری-اینترفرومتری و ادغام کلاس های حاصل براساس شباهت ماتریس همدوسی پلاریمتری-اینترفرومتری مراکز کلاس ها، تهیه می شود. بررسی کارآیی الگوریتم پیشنهادی با استفاده از داده پلاریمتری-اینترفرومتری اخذ شده توسط سازمان فضایی آلمان(DLR) انجام می شود. در تحقیق حاضر از شاخص درجه خلوص خوشه ها برای ارزیابی عملکرد الگوریتم پیشنهادی و چند الگورتیم دیگر استفاده می شود. درجه خلوص کل حاصل از الگوریتم پیشنهادی در مقایسه با درجه خلوص حاصل از الگوریتم های -ویشارت( )، االگوریتم پیشنهادی – ویشارت( )، -FCM ویشارت( ) و طبقه بندی با کمک سه پارامترآنتروپی شانون و الگورتیم خوشه بندی FCM به ترتیب به مقدار 28.48%، 11.38%، 16.60% و19.60% افزایش پیدا کرده است.

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.

تصاویر سنجش از دور معمولاً به صورت ترکیبی از پیکسل های خالص و مخلوط اند. در روش های طبقه بندی سخت، پیکسل های مخلوط به کلاس دارای بیشترین اطمینان تعلق نسبت داده می شوند. بدین ترتیب به علت تک برچسبی بودن نتایج طبقه بندی سخت، اطلاعات در سطح زیرپیکسل نادیده گرفته می شود. روش های طبقه بندی نرم که برای حل این مشکل شکل گرفته اند، برآورد سهم کلاس های مختلف را برای هر یک از پیکسل ها فراهم می آورند. البته این نوع طبقه بندی کننده ها هیچ گونه اطلاعاتی را در مورد آرایش مکانی کلاس های مختلف در داخل پیکسل ها ارائه نمی کنند. الگوریتم معاوضه پیکسلی با استفاده از نتایج طبقه بندی نرم و براساس بیشینه کردن وابستگی مکانی زیرپیکسل ها، امکان تهیه نقشه پوششی را در سطح زیرپیکسل فراهم می سازد. الگوریتم پایه این روش برای حالت باینری است. در تحقیق حاضر به منظور تولید نقشه پوششی، الگوریتم باینری معاوضه پیکسلی برای حالت چندمتغیری ایجاد گردیده و دقت این الگوریتم در دو حالت مستقل از خطای طبقه بندی نرم و وابسته به آن مورد ارزیابی قرار گرفته است. به علاوه، تأثیر پارامترهای مختلف مانند ضریب بزرگنمایی، سطح همسایگی و تابع وزن نیز در عملکرد این الگوریتم بررسی شده است. براساس نتایج تحقیق، دقت کلی الگوریتم معاوضه پیکسلی، بسیار وابسته به دقت ورودی الگوریتم (نتایج طبقه بندی نرم است. دستاورد دیگر تحقیق، این بود که مشخص گردید با افزایش ضریب بزرگنمایی، دقت الگوریتم کاهش می یابد. دیگر اینکه سطح همسایگی دوم و توابع معکوس فاصله و مجذور معکوس فاصله، بیشترین دقت را به همراه دارند. با در نظر گرفتن ضریب بزرگنمایی کمتر از 5، دقت کلی الگوریتم در فرایند بهینه سازی آرایش مکانی زیر پیکسل ها بیشتر از 90 درصد برآورد گردید.

سنجش از دور را می توان به عنوان ابزاری قدرتمند با به کارگیری داده از منابع مختلف و تلفیق آنها با یکدیگر برای طبقه بندی انواع پوشش گیاهی و کاربری اراضی به کار گرفت. طبقه بندی انواع مراتع، اطلاعات اصلی را برای آنالیز بهره وری کشاورزی، محاسبة کربن و شناسایی تنوع زیستی فراهم می کند. نخستین مجموعه داده های استفاده شده در مطالعة حاضر، تصویر لندست (Thermatic Mapper) TM و دومین مجموعة داده ها، تصویر راداری ENVISAT ASAR برای منطقة مورد مطالعه واقع در محدودة شمال غربی شهر تهران (البرز جنوبی) است. در پژوهش حاضر، پس از اعمال چندین روش تصحیح توپوگرافی تصویر نوری که همگی جزو روش های غیرلامبرتی اند و با توجه به معیارهای ارزیابی این روش ها، تصحیح توپوگرافی تصویر نوری انجام شد. در ادامه، سودمندی و بهبودی که با استفاده از ویژگی های استخراج شده از تصویر راداری و نوری که شامل بافت آنهاست و در تلفیق با باندهای طیفی تصویر نوری به کار رفته است. روی نتایج طبقه بندی نهایی بررسی شد. برای انتخاب ویژگی های مستقل که منتج به بالاترین صحت نتایج شود از الگوریتم ژنتیک استفاده شد. تأثیر استفاده از داده های ارتفاعی منطقه و شاخص های گیاهی تصویر نوری بر نتایج نهایی طبقه بندی در بخش دیگری از تحقیق بررسی و باندهای بهینه انتخاب شدند. نتایج به دست آمده نشان دهندة افزایش صحت کلی و ضریب کاپای طبقه بندی بیشترین شباهت از 04/77 و 7317/0 برای تصویر نوری اولیه به 1/78 و 7495/0 در حالت استفاده از الگوریتم ژنتیک و 37/83 و 8036/0 در حالت استفاده از داده های ارتفاعی و شاخص های گیاهی است. کلید واژه ها : تلفیق تصاویر، طبقه بندی مراتع، تصحیح توپوگرافی، بافت تصویر، سنجش از دور.

استفاده از داده های چندکانالة1 سنجنده های رادار با روزنة مجازی (SAR)2، به دلیل مستقل بودن از شرایط جوی و نور خورشید و نیز دارابودن قابلیت بالا در استخراج تغییرات، در مقایسه با حالت تک کاناله، در کاربردهای متفاوتی مانند نظارت بر محیط زیست و مدیریت بلایای طبیعی بسیار توجیه پذیر است. با این حال، بهره برداری از این قابلیت ها به استفاده از روش های دقیق و اتوماتیک برای تولید نقشه های تغییرات از تصاویر اخذشده از منطقة جغرافیایی یکسان، در پلاریزاسیون ها یا فرکانس های گوناگون مربوط به زمان های متفاوت، نیاز دارد. از سوی دیگر، حساسیت به بافت صحیح برای یک پیکسل می تواند به حذف خطاهای برچسب گذاری پیکسل های منفرد کمک کند و نقشة تغییرات را بهبود بخشد. حذف نویز لکه ای و ماهیت ایزوتروپیک مدل سازی میدان های تصادفی مارکوف موجب نرم شدن مرزهای مکانی بین مناطق تغییریافته و تغییرنیافته در نقشة تغییرات نهایی می شود. به منظور حذف یا دست کم کاهش این اثر نامطلوب، استفاده از مدل مارکوف با هدف دخیل کردن اطلاعات لبه ها در فرایند برچسب گذاری پیشنهاد می شود. این روند دقت لبه ها در محل مرزهای مکانی را بهبود می بخشد و دقت آشکارسازی تغییرات را ارتقا می دهد. در این تحقیق، یک مدل مارکوف به منظور تشخیص نظارت نشدة تغییرات، ازطریق ترکیب اطلاعات موجود در هریک از کانال هایSAR ، اطلاعات بافت مکانی و نیز اطلاعات لبه، معرفی شده و با استفاده از «توابع انرژی» فرموله شده است. به منظور برآورد پارامترهای مدل، الگوریتم بیشینه سازی امید ریاضی (EM)3 با روش مشتقات لگاریتمی (MoLC)4 ترکیب شده است. الگوریتم پیشنهادی با استفاده از تصاویر ASAR-ENVISAT به روش شبیه سازی ارزیابی شده است. براساس نتایج، روش پیشنهادی دقت کلی را، در مقایسه با روش های موجود آشکارسازی تغییرات (با میانگین 12%)، افزایش داده و قابلیت شناسایی هر سه نوع تغییرات (اندک- متوسط- زیاد) را داراست. این در حالی است که، با درنظرگرفتن اطلاعات باندها و بافت مکانی، قدرت شناسایی تغییرات اندک و متوسط بسیار پایین برآورد شده است. همچنین، با توجه به تعداد دفعات تکرار پایین، زمان اجرای الگوریتم بسیار کاهش یافته است. به طورکلی، بیشترین دقت الگوریتم، براساس روش پیشنهادی، 67/99% برآورد شد.

هدف این مقاله ارزیابی توانمندی استخراج پارامترهای جنگلی همچون ارتفاع درختان با تکنیک های تداخل سنجی راداری با روزنة ترکیبی است. هدف عمده از تصاویر پلاریمتری راداری، در کاربردهای جنگلی، جداسازی مراکز فاز ناشی از توپوگرافی سطح زمین و تاج درختان است. یکی از روش های بسیار مرسوم در این زمینه به کارگیری ساختار دولایه ای مبتنی بر مدل پرکاربرد پراکنش حجمی نامنظم روی سطوح (RVOG) است. این مدل در یک دستگاه معادلات غیرخطی پارامترهای گوناگون — مانند توپوگرافی زمین، ارتفاع درخت، ضریب میرایی موج و نسبت دامنه — پراکنش سطحی به حجمی را تخمین می زند. با این حال به دلیل وابستگی شدید نتایج مدل به مقادیر اولیة مجهولات و به دلیل زمان بربودن و پیچیدگی حل دستگاه غیرخطی برای تمامی سلول های تصویر، بیشتر اوقات مسئله براساس فرضیات خاصی در ارتباط با مدل های پراکنش حل می شود. با وجود این، نتایج این روش ها نیز تحت تأثیر فرضیات قرار می گیرند و غالباً نمی توانند منجر به تعیین مناسب پارامترها شوند. ازاین رو برای حل مسائل پیش رو در این مقاله، با درنظرگرفتن ساختار دولایه ای جنگل، روشی مدل مبنا در تعیین توپوگرافی سطح زمین و ارتفاع درختان مطرح می شود. روش در نظر گرفته شده بدون هیچ پیش فرضی در ارتباط با پارامترهای مجهول، سعی در تخمین بهینة آنها دارد و یافته های پژوهش نشان می دهد که این مدل کارآیی بهتری از دو روش مرسوم مدل معکوس و SPIRIT دارد؛ به طوری که شاخص RMSE تخمین ارتفاع درختان از مقدار 26/13 و 41/11 متر به ترتیب در روش مدل معکوس و SPIRIT به مقدار 34/7 متر در روش عرضه شده کاهش یافته است.

امروزه فناوری سنجش ازدور جایگاهی ویژه در کاربردهای مختلف مدیریت شهری پیدا کرده است. در این بین، نقشه ی ساختارهای شهری نظیر بلوک های ساختمانی، عموماً در مدیریت بحران، طراحی شهری و مطالعات مربوط به توسعه ی شهری مورد استفاده قرار می گیرند. در این مطالعه تولید نقشه بلوک های ساختمانی با استفاده از تصاویر ماهواره ای سنتینل 1 و 2 دنبال شده است. روش پیشنهادی این مقاله متکی بر استفاده از طبقه بندی کننده آموزش یافته تعمیم پذیر می باشد. به نحوی که در ابتدا، طبقه بندی کننده مورد نظر با استفاده از نمونه های آموزشی به دست آمده از یک فرآیند پالایشی سختگیرانه نوین توسط محصولات سنجش ازدوری و مکانی مختلف، در سال 2015، آموزش می یابد. سپس این طبقه بندی کننده به منظور تولید نقشه بلوک های ساختمانی در مقاطع زمانی مشابه سه سال هدف (2018، 2019 و 2020) به کار گرفته می شود. به دلیل تنوع بافت و تراکم بلوک های ساختمانی در کلان شهر تهران، روش پیشنهاد شده در این منطقه مورد ارزیابی قرار گرفته است. همچنین با توجه به وسعت منطقه مطالعاتی، فراهم بودن تصاویر ماهواره ای رایگان بدون نیاز به اخذ و امکان اجرای عملیات  مختلف پردازشی به صورت برخط، از سامانه گوگل ارث انجین در پژوهش حاضر استفاده شده است. سه روش طبقه بندی جنگل تصادفی، کمترین فاصله با معیار فاصله ماهالانابیس و ماشین بردارپشتیبان در این فرآیند مورد بررسی قرار می گیرند. به منظور ارزیابی روش پیشنهادی، از نمونه های مرجع به دست آمده از تفسیر بصری تصاویر با قدرت تفکیک مکانی بالا (گوگل ارث) در هر سه سال هدف استفاده شده است. نتایج به دست آمده عملکرد بهتر روش جنگل تصادفی در هر سه سال هدف با دقت کلی بالای 93 درصد را نسبت به دو روش دیگر نشان می دهند.

تجمع گازهای گلخانه ای در اتمسفر، مهم ترین عامل افزایش دمای کرة زمین از نیمة دوم قرن بیستم به بعد، شناخته شده است. به دام انداختن کربن در جنگل ها و میان درختان راه حلی عملی، کارآمد و ارزان برای کاهش سطح دی اکسید کربن در اتمسفر است. بنابراین اندازه گیری زیست توده در بررسی تغییرات آب وهوایی و چرخة کربن جهانی اهمیت ویژه ای دارد. در پژوهش حاضر روشی بر پایة تبدیلات موجک به منظور تخمین زیست توده در منطقه ای جنگلی با درختان پهن برگ در شمال ایران ارائه شده است. تبدیلات مختلف موجک (تبدیلات دوبعدی گسسته) روی تصویر رادار با روزنة مجازی سنجندة ALOS PALSAR اعمال شدند و ضرایب به دست آمده به عنوان داده های جداگانه ذخیره شدند. میزان همبستگی هریک از پارامترهای محاسبه شده با مقدار زیست توده به وسیلة آنالیز رگرسیون چندگانه بررسی شد. نتایج نشان دادند که ضرایب به دست آمده از تبدیل موجک Db2 در مقایسه با سایر تبدیلات، همبستگی بیشتری با مقدار زیست توده دارند. در تجزیة یک مرحله ای، مقدار همبستگی با زیست توده تقریباً 5/0 و در تجزیة دومرحله ای تصاویر، مقدار همبستگی به دست آمده برای تصویر مایکروویو به بیش از 75/0 ارتقا پیدا کرد. پژوهش حاضر نشان داد که استفاده از تبدیلات موجک می تواند روش مناسبی برای تخمین زیست توده به ویژه در مناطقی با ساختار پوشش گیاهی پیچیده باشد. کلید واژه ها : تصاویر آلوس پالسار، تبدیل موجک، زیست تودة جنگل، آنالیز رگرسیون چندگانه.

سنجنده های رادار با روزنه مجازی، با داشتن ویژگی های گسترده، پتانسیل بسیاری در انواع کاربردهای سنجش از دوری دارند؛ ازجمله در قطعه بندی به هنگام پوشش و کاربری اراضی. با وجود دو رویکرد مستقل قطعه بندی ناحیه مبنا و مرزمبنا، به دست آوردن نتایج رضایت بخش در صورت استفاده از هریک از رویکردها در تصاویر SAR دشوار بوده است؛ درحالی که می توان با استفاده از اطلاعات مکمل هر دو روش، محدودیت های موجود را برطرف کرد و نتایج حاصل را بهبود بخشید. در این پژوهش، روش نوینی در قطعه بندی با استفاده از تصاویر پلاریمتری SAR و با هدف بهبود نتایج قطعه بندی مطرح شده که از ادغام هر دو رویکرد بهره گرفته است. روش پیشنهادی Felzenszwalb به منزله الگوریتم پیشنهادی ناحیه مبنا، از مجموعه روش های سوپرپیکسل، با دو روش Quickshift و SLIC مقایسه شد. نتیجه مشخص کرد که روش پیشنهادی توانسته است از قطعه بندی بیش ازحد تصویر جلوگیری کند و کارآیی آنالیز قطعه بندی را افزایش درخور توجهی بخشد. روش پیشنهادی قطعه بندی مرزمبنای آنتروپی شانون نیز، در مقایسه با دو روش گرادیان مبنای کنی و لاپلاسین، مرزهای قطعات تصویری را تا اندازه چشمگیری حفظ کرده است. مقایسه نتایج حاصل از اجرای این روش با داده های مرجع، مقادیر 39/10% و 25/11% را درمورد خطای کل، به ترتیب برای تصویر زمان اول و دوم، نشان می دهد. خطای کل، در مقایسه با عملکرد دو روش دیگر، 81/5 و 73/9% در تصویر اول و 16/11 و 86/13% در تصویر دوم بهبود داده شده است. در نهایت، ادغام دو رویکرد پیشنهادی قطعه بندی سبب شده است بهبود دقت در قطعه بندی تصویر پلاریمتری دستاورد مهم این پژوهش محسوب شود.