داوود اکبری

پیچیدگی و حجم سنگین داده های حاصل از سنجنده های فراطیفی باعث شده است که امروزه روش های هرچه پیشرفته تر آنالیز داده های فراطیفی به منظور استخراج اطلاعات دقیق تر و کامل تر از آنها مورد توجه قرار گیرند. یکی از آنالیزهایی که بر روی تصاویر فراطیفی انجام می شود، آشکارسازی طیفی هدف است. در این مقاله به منظور بررسی روش های آشکارسازی طیفی هدف و امکان سنجی بهبود آنها، جمعاً چهارده الگوریتم در قالب سه دسته اندازه گیری های قطعی، اندازه گیری های آماری و آشکارسازی آنامولی پیاده سازی شده است. سپس تصاویر حاصل از بهترین الگوریتم ها در هر دسته انتخاب شده و به روش های مختلف در دو مرحله با یکدیگر تلفیق گردیده اند تا تصویر تلفیقی بهینه ای با بالاترین صحت به دست آید. در بررسی های انجام شده در زمینه دسته الگوریتم ها ی آشکارسازی مذکور، مشخص گردید که به ترتیب دو الگوریتم (Spectral Correlation Similarity)SCS و (Spectral Angle Measure)SAM، دو الگوریتم (Information Spectral Divergence) SID و (Jeffiries-Matusita Distance)JMD و سه الگوریتم (Covariance-based Matched Filter Measure)CMFM، (Constrained Energy minimizing) CEM و (Correlation-based Matched Filter Measure)RMFM دارای بالاترین صحت آشکارسازی در بین الگوریتم های موجود در هر دسته اند. در این مقاله به منظور تلفیق نتایج آشکارسازی، دو روش باینری ـ شامل عملگر بولی و فاصله اقلیدسی ـ و نیز دو روش استنتاج فازی شامل دستی (Fuzzy Inference System) FIS و اتوماتیک ((System Adaptive Neuro-Fuzzy Inference) ANFIS) ـ پیاده سازی شده است. آزمون های انجام گرفته بر روی تصویری از سنجنده فراطیفی (Compact Airborne Spectrographic Imager)CASI از منطقه شهری تولوز واقع در جنوب فرانسه برای آشکارسازی بام ساختمان ها، نشان داد که در بین چهار روش تلفیق یاد شده، روش ANFIS به عنوان روشی هوشمند و خودکار، پس از اعمال روی نتایج هفت الگوریتم آشکارسازی طیفی مذکور، توانسته است به بالاترین صحت با ضریب کاپای 9/0 دست یابد.

فنآوری سنجش از دور ابرطیفی دارای کاربردهای فراوان در طبقه بندی پوشش های زمین و بررسی تغییرات آنها است. معمولترین روش جهت طبقهبندی تصاویر ابرطیفی، طبقه بندی مبتنی بر پیکسل بوده که در آن هر پیکسل فقط با اطلاعات طیفی خود و بدون در نظر گرفتن پیکسل های همسایه، به کلاس مشخصی اختصاص می یابد. پیشرفتهای اخیر و ایجاد تصاویری با قدرت تفکیک مکانی بالا، لزوم استفاده توأم از اطلاعات طیفی و مکانی را در طبقه بندی تصاویر ابرطیفی ایجاب می کند. در این تحقیق روشی جدید برای طبقه بندی طیفی-مکانی تصاویر ابرطیفی و بر اساس الگوریتم قطعه بندی هرمیمبتنی بر نشانه معرفی میشود. در میان الگوریتمهای مختلف طبقهبندی طیفی-مکانی تصاویر ابرطیفی، تاکنون الگوریتم قطعهبندی هرمی مبتنی بر نشانه در ترکیب با الگوریتم طبقه بندی ماشین بردار پشتیبان به بهترین نتایج دست یافته است. در روش پیشنهادی برای انتخاب نشانهها از ترکیب قطعهبندی واترشد (Watershed)و طبقهبندی ماشین بردار پشتیبان استفاده میشود. برای این منظور از میان پیکسلهای با بیشترین جمعیت برای هر ناحیه از نقشه قطعهبندی، آنهایی که دارای بالاترین درجه تعلق به یک کلاس هستند، به عنوان نشانه انتخاب میگردند. سپس بر روی نشانه های بدست آمده، الگوریتم قطعهبندی هرمی پیادهسازی میشود. در نهایت نقشه قطعه بندی بدست آمده به کمک قانون تصمیم رأی اکثریت با نقشه طبقهبندی ماشین بردار پشتیبان ترکیب می گردد. روش پیشنهادی بر روی سه تصویر ابرطیفی Pavia، Berlin و DC Mall پیادهسازی شد، نتایج آزمایشات بدست آمده برتری روش پیشنهادی را در مقایسه با الگوریتم هرمی مبتنی بر نشانه اولیه نشان میدهد. این برتری برابر با 4، 6 و 5 درصد در پارامتر ضریب کاپا و به ترتیب برای تصاویر Pavia، Berlin و DC Mall میباشد.

استفاده از تصاویر با قدرت تفکیک مکانی بیش تر در مناطق وسیع همچون استان خراسان جنوبی، به دلیل پهنای کوچک  تر هر فریم تصویر لندست به همراه تفکیک زمانی بیش تر، امکان دسترسی به تصاویر همزمان جهت بررسی تغییرات کوتاه مدت همچون تغییرات پوشش گیاهی را با چالش همراه می کند. در پژوهش حاضر، به منظور دسترسی به اطلاعات طیفی همزمان پوشش گیاهی در استان خراسان جنوبی، از تکنیک ادغام تصاویر ماهواره ای لندست 8 و مادیس استفاده گردید . برا ی ا ین منظور ابتدا نتایج حاصل از شش الگوریتم ادغام، شامل NNDiffuse ، HPF ، Brovey ، Gram-Schmidt ، PC و CN در یک محدوده آزمایشی در استان خراسان جنوبی با استفاده از معیارهای آماری مورد بررسی و ارزیابی قرار گرفت. در ادامه با کاربرد مناسب  ترین الگوریتم ادغام، اطلاعات طیفی و مکانی بازتاب باند قرمز (RED) و مادون  قرمز نزد یک (NIR) یازده تصویر موزائیک شده لندست 8 (30 متر) با باند RED و NIR یک تصویرمادیس (250 متر ) ادغام  گرد ید . سپس  جهت  بررسی  پوشش گیاهی، با تصویر ماهواره ای ادغام  شده، شاخص NDVI و HVCI همزمان، در سطح استان خراسان جنوبی تهیه گردید . نتا یج به دست آمده نشان داد که الگوریتم NNDiffuse از دقت مطلوب  تری جهت ادغام باندهای قرمز و مادون قرمز نزدیک لندست 8 و مادیس برخوردار است، به طوری  که شاخص گیاهی NDVI به دست آمده از این الگوریتم در مقایسه با تصویر لندست 8 اصلی، از کم ترین خطای آمای RMSE (0/0311) و MAE (0/0181) برخوردار است. همچنین بررسی مقادیر شاخص NDVI به دست آمده از الگوریتم های ادغام، در طول خط ترانسکت طولی  سیستماتیک  -  تصاد فی در سه کاربری اراضی کشاورزی، شهری و مرتعی  نیز  نشان داد که شاخص به دست آمده از الگوریتم NNDiffuse انطباق بهتری با شاخص NDVI به دست آمده از تصویر لندست 8 اصلی دارد.

 امروزه با توجه به روند رو به رشد جمعیت در شهرها و روستاها و تمایل به زندگی شهری بیشترین تغییرات کاربری اراضی در نواحی شهری به وقوع می پیوندد. توسعه سریع شهری در دهه های اخیر موجب تغییرات وسیعی در الگوی کاربری زمین پیرامون شهرها شده و تأثیرات زیست محیطی و اجتماعی–اقتصادی زیادی را به همراه داشته است. در این پژوهش با استفاده از تصاویر ماهواره ای تغییرات کاربری اراضی و شبیه سازی رشد و توسعه شهر رشت به کمک مدل شبکه عصبی و سلول های خودکار زنجیره مارکوف انجام گرفت. برای این منظور از تصاویر سال های 2000، 2008 و 2017 ماهواره لندست استفاده گردید. پس از پیش پردازش تصویر و انتخاب بهترین ترکیب باندی، تصاویر با روش شبکه عصبی طبقه بندی شد. سپس تصاویر طبقه بندی شده در مدل ساز تغییرات زمین وارد گردید و نقشه های خروجی مدل ساز با روش CA-MARCOVE</em> برای سال 2027 پیش بینی شد. نتایج بدست آمده در فاصله زمانی 2000 تا 2017 نشان می دهد که تغییرات مساحت در اراضی شهری، شالیزار و جنگل به ترتیب به میزان 87/9041، 03/7841  و 78/55 هکتار بوده که میزان آن در شهر رشت مثبت و در شالیزار و جنگل منفی می باشد و نقشه پیش بینی سال 2027 با روش CA-</em> MARCOVE</em> نیز موید افزایش قابل توجه کاربری شهری به مقدار 04/14105هکتار در سال های آتی است. نتایج این پژوهش نشان می دهند که ادامه روند فعلی تغییرات کاربری اراضی به نتایج مضر زیست محیطی و به تبع آن آسیب های اقتصادی- اجتماعی جبران ناپذیر می انجامد. بنابراین ضروری است دستگاه برنامه ریزی و مدیریت منطقه، رویکردی جامع برای جلوگیری از مشکلات زیست محیطی آتی و مهار توسعه افقی سکونتگاه ها در این منطقه در پیش گیرد.

در چند سال اخیر، موضوع بهبود قدرت تفکیک مکانی تصاویر حرارتی سنجنده های فضایی در نواحی شهری به صورت یکی از چالش های جدید مطرح شده است. هدف این مقاله به کارگیری شاخص های سطوح غیرقابل نفوذ و شاخص های پوشش گیاهی برای بهبود قدرت تفکیک مکانی باند حرارتی سنجندة ETM+، مربوط به بخشی از شهر تهران، است. بدین ترتیب پس از پیش پردازش های اولیه، تصاویر به دست آمده با استفاده از فیلتر میانگین در قدرت تفکیک ۱۲۰، ۲۴۰، ۴۸۰، ۷۲۰ و ۹۶۰ متر شبیه سازی شده اند. سپس معادلات رگرسیون، به قصد تعیین روابط بین این تصاویر با درجة حرارت سطح، در قدرت تفکیک ۹۶۰ متر، استفاده شده اند. در ادامه به کمک روابط به دست آمده، که شامل شاخص های گیاهی و سطوح غیرقابل نفوذ می شوند، حرارت سطح در قدرت تفکیک های یادشده برآورد شد. در انتها، با استفاده از تصاویر حرارتی سنجندة ETM+ و سنجندة MODIS، دقت هریک از خروجی ها مورد ارزیابی قرار گرفته است. نتایج این تحقیق نشان می دهد که با افزایش دقت مکانی، مقدار خطاها نیز افزایش می یابد اما شیب تغییرات خطا ثابت نیست؛ به طوری که در تمامی شاخص ها، وقتی قدرت تفکیک از ۲۴۰ متر کمتر می شود، شیب تغییرات افزایش بیشتری نشان می دهد. به علاوه، ترکیب شاخص های سطوح غیرقابل نفوذ و پوشش گیاهی بهترین عملکرد را برای بهبود قدرت تفکیک مکانی تصاویر حرارتی شهر تهران دارد. با استفاده از ترکیب این شاخص ها، قدرت تفکیک مکانی سنجندة MODIS را  می توان تا حدود 240 متر افزایش داد؛ درحالی که مقدار خطای مطلق کمتر از 1 درجة کلوین است.

امروزه با توجه به نقش روزافزون فعالیت های خدماتی در نظام شهرنشینی، مسأله چگونگی پراکنش مراکز خدماتی و نحوه دسترسی به خدمات این گونه مراکز از اهمیت فرآینده ای برخوردار است. از جمله خدمات شهری که امروزه کمبود و توزیع ناعادلانه آن در شهرهای کشور ما احساس می شود فضای سبز شهری است. در شهر جهرم اولویت های مکانی برای فضای سبز با مدل های تصمیم گیری و ارزیابی بهترین روش انجام نشده است. این پژوهش به بررسی مکان های بهینه فضای سبز شهری جهرم می پردازد. مکان یابی فضای سبز به عواملی همچون معیارهای فضای سبز موجود، تراکم جمعیت، شبکه ارتباطی، دسترسی به زمین های بدون استفاده و سایر کاربری ها وابسته است. برای این منظور در این تحقیق با استفاده از فرآیند تحلیل شبکه ای (ANP) و سیستم اطلاعات جغرافیایی (GIS)، وزن ها در لایه های مربوطه اعمال و مدل استخراج گردید. برای پهنه بندی زمین های خالی، پهنه ها به سه طبقه مطلوبیت کم، متوسط و بالا تقسیم شد. مطلوبیت متوسط با 45/45 درصد از مساحت زمین ها، در رده اول و مطلوبیت بالا و کم به ترتیب در رده های بعدی قرار دارند. در روش ANP معیارها در چهار خوشه مطلوبیت، آسایش، جمعیتی و همجواری سازماندهی شدند. در این روش شاخص های نزدیکی به مراکز مسکونی و فاصله از پارک های موجود به ترتیب با ضرایب 319/0 و 193/0 بیشترین میزان اهمیت و شاخص های ابعاد زمین و دسترسی به ترتیب با ضرایب 006/0 و 017/0 کمترین میزان اهمیت را در فرآیند تصمیم گیری برای شناسایی پهنه های مناسب فضای سبز شهر جهرم اختصاص داده شد. بر اساس نتایج بدست آمده بهترین مکان ها برای پارک های آتی، اراضی بایر جنوبی و شرقی واقع در ناحیه دو و اراضی بایر جنوب غربی و شمال شرقی ناحیه سه از منطقه موردمطالعه می باشد. حدود 38 درصد زمین های بایر در شهر از درجه مطلوبیت متوسط و 65/31 درصد زمین ها از مطلوبیت بالایی برخوردارند.

در پژوهش حاضر، به منظور تهیه نقشه فرسایش خاک در استان خراسان جنوبی از تکنیک ادغام تصاویر ماهواره ای لندست 8 و مادیس و الگوریتم طبقهبندی ماشین بردار پشتیبان (SVM) استفاده گردید. برای این منظور از سه لایه اطلاعاتی نقشه کاربری اراضی، شیب و پوشش گیاهی استفاده شد. در روش پیشنهادی جهت تهیه نقشه کاربری اراضی، چهار الگوریتم طبقه بندی نظارت شده بیشینه احتمال، فاصله ماهالانوبی، حداقل فاصله و شبکه عصبی مصنوعی با رویکرد باند مادون قرمز حرارتی به کار گرفته شد. جهت تهیه نقشه پوشش گیاهی، شش الگوریتم ادغام، NNDiffuse، HPF، Brovey، Gram-Schmidt، PC و CN، استفاده شد. از نقشه DEM ماهواره ASTER، جهت تهیه نقشه شیب منطقه استفاده گردید. نتایج آزمایشات صورت گرفته نشان می دهد که الگوریتم بیشینه احتمال به همراه باند حرارتی بیشترین دقت را در تهیه نقشه کاربری اراضی دارد. همچنین الگوریتم NNDiffuse از دقت مطلوب تری جهت ادغام باندهای قرمز و مادون قرمز نزدیک لندست 8 و مادیس برخوردار است. پس از تهیه نقشه کاربری اراضی، شیب و سه نقشه پوشش گیاهی حاصل از تصاویر لندست 8، مودیس و ادغام لندست 8 و مودیس، سه نقشه فرسایش با کاربرد الگوریتم SVM تهیه گردید. نتایج نشان می دهد که بیش ترین مقدار ضریب کاپا، (1/69)، مربوط به نقشه فرسایش حاصل از تصویر لندست 8 و کم ترین مقدار، (1/57)، مربوط به تصویر مودیس است. ادغام تصویر لندست 8 و مودیس، مقدار ضریب کاپا را به 3/67 درصد افزایش داد.

اخیرا، یک روش موثر برای طبقه بندی طیفی-مکانی با استفاده از قطعه بندی هرمی (HSEG) رشد یافته از نشانه های انتخاب شده ارائه شده است. هدف این مقاله بهبود این روش برای طبقه بندی تصاویر فراطیفی در مناطق شهری است. ابتدا الگوریتم ژنتیک وزن دار (WG) برای بدست آوردن باندهای بهینه داده های فراطیفی استفاده می شود. الگوریتم HSEG مبتنی بر نشانه سپس بر ویژگی های بدست آمده پیاده سازی می شوند. در ادامه، ویژگی های زمینه ای از تصاویر قطعه بندی شده استخراج می شوند. برای ویژگی های مکانی، ویژگی های مساحت، آنتروپی، شکل، مجاورت و رابطه به عنوان اجزای بالقوه در فضای ویژگی در نظر گرفته شده اند. سرانجام ، با استفاده از هر دو ویژگی طیفی و مکانی، اشیا تصویر توسط یک طبقه بندی کننده مبتنی بر قانون طبقه بندی می شوند. آزمون ها بر روی دو مجموعه داده اعمال شد: Berlin و Quebec City، که دو مجموعه داده شناخته شده و بنچ مارک در تصاویر فراطیفی هستند. ارزیابی نتایج نشان داد که روش پیشنهادی به ترتیب برای این مجموعه داده ها به ترتیب از 16٪ و 9٪ دقت کلی بهتری نسبت به الگوریتم HSEG اولیه به دست می آورد.

از راهبردهای توسعه پایدار، توسعه فعالیتهای گردشگری می باشد. تعیین ارزش های گردشگری و استعدادهای طبیعی منطقه به همراه برنامه ریزی صحیح میتواند منجر به توسعه درآمدهای اقتصادی از طریق گردشگری گردد. یکی از مهم ترین راهکارهای بهرهمندی از منابع طبیعی و انسانی و بهرهبرداری علمی، بدون آسیب زدن به محیط زیست، مکانیابی بهینه اماکن تفریحی و اقامتی می باشد. شهرستان رودسر به دلیل موقعیت گردشگری، جاذبههای طبیعی و تاریخی به عنوان یکی از مکانهای مهم گردشگری شناخته شده است که جهت رضایتمندی این گردشگران متناسب با هر قشر و طبقهای در هر زمانی از سال تسهیلات و خدمات لازم جهت اسکان گردشگران مهیا باشد که در صورت رضایت مشتریان امکان سفر دوباره به شهر و اقامت مجدد در هتل وجود دارد. پژوهش حاضر از نوع توصیفی-تحلیلی و روش گردآوری اطلاعات کتابخانهای و میدانی است.در این تحقیق سعی میگردد با استفاده از مدل ANP-VIKOR مراکز اقامتی گردشگری در شهرستان رودسر مکانیابی گردد. مدل ANP-VIKOR ح التی تعم یم یافت ه از فرآیند تحلیل سلسله مراتبی اس ت و مجموعه معیارهایی هستند که برای مقایسه تعاملهایی که ممک ن است در شبکه وجود داشته باشد، استفاده می شوند. در فرآیند مکانیابی با استفاده از تحلیل سلسله مراتبی، بعد از تعیین سطوح سلسله مراتب شامل هدف، معیار، زیرمعیار و گزینهها، مقایسه زوجی بین مجموعهها برای وزندهی انجام میگیرد. در عین وزندهی به مجموعهها، تجزیه و تحلیل سازگاری قضاوتها نیز صورت میگیرد. در روش پیشنهادی با شناسایی متغیرها، تشکیل ماتریس، نرمال سازی لایهها، بدست آوردن وزن معیارها و اعمال وزن لایه ها، تعیین ایدهآل مثبت و منفی و محاسبه مقدار به مکانیابی هتلها پرداخته شد. نتایج نشان داد مهم-ترین معیار مکانیابی هتلها ارتفاع از سطح دریا و کمترین وزن هم متعلق به معیار انتقال نیرو است.

درپی افزایش روزافزون زندگی متکی به خودرو، هر روزه نیاز به معابر و مسیرهایِ سواره رو جدیدی احساس می گردد. به همین دلیل بناها و میراث های ارزشمند تاریخی که در مسیر احداث این گذرها واقع اند، در معرض تخریب قرار دارند. این گونه برخوردهای نسنجیده که تنها زاییده یک نوع تفکر و نیاز کارکردی است؛ باعث شکل گیری مفاهیمی ناشناخته از بافت های تاریخی شهرها می گردد. دستاورد این بی توجهی خدشه دارشدن هویت تاریخی و فرهنگی فضاهای شهرهای تاریخی ازجمله شهر تاریخی اصفهان است. یکی از نابهنجارترین نمونه این اقدامات و محور بحث اصلی این پژوهش، تخریب شبانه حمام تاریخی خسروآغا، برای احداث خیابان حکیم است؛ خیابانی که سال ها در کش و قوس احداث شدن، مترصد تخریب بنایی ارزشمند و تاریخی در محدوده دولت خانه صفوی و به انزواکشیدن آن بود. این پژوهش کیفی که با رویکردی تاریخی- توصیفی، براساس مطالعات کتابخانه ای و میدانیِ روند چگونگی احداث خیابان حکیم، دریده شدن بخشی از بافت تاریخی شهر اصفهان و تخریب بنای ارزشمند حمام خسروآغا را تشریح کرده با این هدف که خطوط معماری و تاریخی اش برای بار دیگر خوانا گردد. همچنین، هدف اصلی آن وجود امکان باززنده سازی حمام تاریخی خسروآغا با استناد به اسناد و مدارک به جامانده با توجه به قواعد و ضوابط منشورهای مرمتی است. با عنایت به این موضوعات، دستاورد پژوهش حاضر تأکید بر بازگرداندن هویت پایمال شده بخشی از تاریخ معماری سرزمینمان با یکی از شیوه های علمی امکان سنجی شده است.

فنّاوری سنجش ازدور فراطیفی، در دو دهه گذشته شاهد پیشرفت چشمگیری بوده است. یکی از تحلیل هایی که در خصوص تصاویر فراطیفی انجام می گیرد، آشکارسازی هدف است. در این پژوهش به آشکار سازی بام های دارای پوشش خاص به عنوان هدف، در یک محیط شهری پرداخته شده است. هم زمان با رشد شهرنشینی و توسعه مناطق شهری نیاز مدیران و برنامه ریزان به نقشه های بسیار دقیق از مناطق شهری به طور چشمگیری افزایش یافته است. ازآنجاکه یک محیط شهری دارای ویژگی های پیچیده ای از نظر فیزیکی، هندسی و عناصر به کارگرفته شده در ساختمان هاست، داده های فراطیفی کمک مؤثری به شناسایی، استخراج و تولید نقشه از عناصر سازنده یک محیط شهری می کنند. در خصوص آشکارسازی طیفی هدف، از دو دهه پیش تاکنون تحقیقات مستمر و متعددی صورت پذیرفته است. با توجه به مطالعات صورت گرفته، تاکنون، الگوریتم هرمی در مقایسه با سایر الگوریتم های استخراج اطلاعات مکانی در تصاویر فراطیفی به بهترین نتایج دست یافته است، ازاین رو در این پژوهش سعی می شود با ارائه روشی جدید و دقیق ساختمان های با پوشش خاص در تصاویر فراطیفی آشکارسازی شود.مواد و روش ها: برای انجام این پژوهش از داده های تصویری سنجنده CASI استفاده شده است. تصاویر مورد پردازش در این پژوهش شامل تصاویری با 32 باند طیفی و قدرت تفکیک 2 متر هستند که در تاریخ مه سال 2001 از منطقه شهری تولوز واقع در جنوب فرانسه برداشت شده است. در روش پیشنهادی ابتدا دو الگوریتم طبقه بندی شبکه عصبی پرسپترون چندلایه (MLP) و ماشین بردار پشتیبان (SVM) بر روی تصویر فراطیفی پیاده سازی شده، سپس از نقشه حاصل از ترکیب دو الگوریتم مذکور برای انتخاب نشانه برای الگوریتم قطعه بندی هرمی مبتنی بر نشانه استفاده می شود. در نهایت به کمک قانون تصمیم رأی اکثریت نقشه قطعه بندی هرمی مبتنی بر نشانه با نقشه حاصل از ادغام طبقه بندی های MLP و SVM ترکیب می شود.نتایج و بحث: در این پژوهش به منظور پیاده سازی الگوریتم SVM از کرنل پایه شعاعی گوسین استفاده شد. مقادیر دو پارامتر جریمه (C) و عرض تابع گوسی () در الگوریتم SVM به کمک روش ارزیابی متقاطع تعیین شد. الگوریتم طبقه بندی MLP با 3 لایه پنهان که شامل 5، 6 و 8 نورون هست پیاده سازی شد و ارزیابی آن با 500 تکرار انجام گرفت و برای انتخاب نشانه ها، آنالیز برچسب گذاری مؤلفه های متصل براساس 8 پیکسل همسایگی بر روی نقشه حاصل از ترکیب MLP و SVM صورت پذیرفت. براساس نتایج به دست آمده نقشه حاصل از روش پیشنهادی شامل مناطق یکنواخت تر و دارای ساختارهای به هم پیوسته بیشتری برای آشکارسازی ساختمان هاست که این اهمیت استفاده از اطلاعات مکانی در کنار اطلاعات طیفی را نشان می دهد. فنّاوری سنجش ازدور فراطیفی، در دو دهه گذشته شاهد پیشرفت چشمگیری بوده است. یکی از تحلیل هایی که در خصوص تصاویر فراطیفی انجام می گیرد، آشکارسازی هدف است. در این پژوهش به آشکار سازی بام های دارای پوشش خاص به عنوان هدف، در یک محیط شهری پرداخته شده است. هم زمان با رشد شهرنشینی و توسعه مناطق شهری نیاز مدیران و برنامه ریزان به نقشه های بسیار دقیق از مناطق شهری به طور چشمگیری افزایش یافته است. ازآنجاکه یک محیط شهری دارای ویژگی های پیچیده ای از نظر فیزیکی، هندسی و عناصر به کارگرفته شده در ساختمان هاست، داده های فراطیفی کمک مؤثری به شناسایی، استخراج و تولید نقشه از عناصر سازنده یک محیط شهری می کنند. در خصوص آشکارسازی طیفی هدف، از دو دهه پیش تاکنون تحقیقات مستمر و متعددی صورت پذیرفته است. با توجه به مطالعات صورت گرفته، تاکنون، الگوریتم هرمی در مقایسه با سایر الگوریتم های استخراج اطلاعات مکانی در تصاویر فراطیفی به بهترین نتایج دست یافته است، ازاین رو در این پژوهش سعی می شود با ارائه روشی جدید و دقیق ساختمان های با پوشش خاص در تصاویر فراطیفی آشکارسازی شود. مواد و روش ها: برای انجام این پژوهش از داده های تصویری سنجنده CASI استفاده شده است. تصاویر مورد پردازش در این پژوهش شامل تصاویری با 32 باند طیفی و قدرت تفکیک 2 متر هستند که در تاریخ مه سال 2001 از منطقه شهری تولوز واقع در جنوب فرانسه برداشت شده است. در روش پیشنهادی ابتدا دو الگوریتم طبقه بندی شبکه عصبی پرسپترون چندلایه (MLP) و ماشین بردار پشتیبان (SVM) بر روی تصویر فراطیفی پیاده سازی شده، سپس از نقشه حاصل از ترکیب دو الگوریتم مذکور برای انتخاب نشانه برای الگوریتم قطعه بندی هرمی مبتنی بر نشانه استفاده می شود. در نهایت به کمک قانون تصمیم رأی اکثریت نقشه قطعه بندی هرمی مبتنی بر نشانه با نقشه حاصل از ادغام طبقه بندی های MLP و SVM ترکیب می شود. نتایج و بحث: در این پژوهش به منظور پیاده سازی الگوریتم SVM از کرنل پایه شعاعی گوسین استفاده شد. مقادیر دو پارامتر جریمه (C) و عرض تابع گوسی () در الگوریتم SVM به کمک روش ارزیابی متقاطع تعیین شد. الگوریتم طبقه بندی MLP با 3 لایه پنهان که شامل 5، 6 و 8 نورون هست پیاده سازی شد و ارزیابی آن با 500 تکرار انجام گرفت و برای انتخاب نشانه ها، آنالیز برچسب گذاری مؤلفه های متصل براساس 8 پیکسل همسایگی بر روی نقشه حاصل از ترکیب MLP و SVM صورت پذیرفت. براساس نتایج به دست آمده نقشه حاصل از روش پیشنهادی شامل مناطق یکنواخت تر و دارای ساختارهای به هم پیوسته بیشتری برای آشکارسازی ساختمان هاست که این اهمیت استفاده از اطلاعات مکانی در کنار اطلاعات طیفی را نشان می دهد. نتیجه گیری: در این پژوهش راهبرد استفاده از اطلاعات مکانی در کنار اطلاعات طیفی برای بهبود آشکارسازی هدف در آنالیز تصاویر فراطیفی بررسی شد. برای این منظور از الگوریتم طیفی– مکانی هرمی مبتنی بر نشانه که در فرایند طبقه بندی تصاویر استفاده می شود، برای آشکارسازی بام ساختمان ها استفاده شد. در روش پیشنهادی از دو نقشه طبقه بندی در انتخاب نشانه ها و قانون تصمیم رأی اکثریت در مورد الگوریتم قطعه بندی هرمی اولیه به کار گرفته شد. در ترکیب  نقشه های طبقه بندی MLP و SVM به منظور استفاده در انتخاب نشانه ها و قانون تصمیم رأی اکثریت از احتمال شرطی و انتخاب بالاترین احتمال تعلق هر پیکسل به یک کلاس استفاده می شود.

سابقه و هدف: فنّاوری سنجش از دور ابرطیفی، در دو دهه گذشته، شاهد پیشرفت چشمگیری بوده است. این پیشرفت در طراحی و ساخت سنجنده ها و همچنین در توسعه و اجرای روش های پردازش داده بسیار مشهود است. امروزه بیشتر تحقیقات، در زمینه فنّاوری سنجش از دور ابرطیفی، بر طبقه بندی این تصاویر تأکید دارد. روش های طبقه بندی تصاویر ابرطیفی در دو دسته طبقه بندی طیفی یا مبتنی بر پیکسل و طبقه بندی طیفی– مکانی یا مبتنی بر شیء قرار می گیرند. در این تحقیق، به طبقه بندی طیفی – مکانی تصویر ابرطیفی، در محیطی شهری، پرداخته شده است. ازآنجاکه محیط های شهری، از نظر عناصر به کاررفته در آنها، ویژگی های پیچیده ای دارند، داده های ابرطیفی به شناسایی و استخراج و تولید نقشه از عناصر سازنده آنها کمک مؤثری می کنند. شناسایی مواد گوناگون در محیط های شهری اهمیت بسیاری در زمینه کاربردهای گوناگون، همچون ارتباط تلفن های همراه، واقعیت مجازی، معماری و مدل سازی شهری و برنامه ریزی و مدیریت شهرها دارد.مواد و روش ها: در این تحقیق، برای ارزیابی روش پیشنهادی از دو تصویر ابرطیفی پاویا و برلین، که جزء تصاویر معیار در حوزه سنجش از دور ابرطیفی است، استفاده شد. در روش پیشنهادی، ابتدا ابعاد تصویر ابرطیفی به کمک الگوریتم PCA کاهش می یابد؛ سپس ده ویژگی مکانی میانگین، انحراف معیار، درجه تباین، یکنواختی، همبستگی، نبودِ تشابه، انرژی، آنتروپی، تبدیل موجک و فیلتر گابور از روی باندهای کاهش یافته استخراج می شود. در ادامه، الگوریتم ژنتیک وزن دار بر ویژگی های طیفی و مکانی به دست آمده اعمال می شود و در انتها، ویژگی های حاصل به کمک الگوریتم MLP طبقه بندی می شود.نتایج و بحث: در آزمون های انجام شده در زمینه الگوریتم ژنتیک، کروموزوم ها دارای ژن هایی برابر با تعداد ویژگی های طیفی و مکانی اند. در این آزمون ها، میزان تقاطع و جهش به ترتیب برابر با 5/0 و 05/0 در نظر گرفته شد. همچنین، برای ایجاد تناسب بین دو پارامتر دقت و زمان محاسبات، تعداد جمعیت اولیه 30 و حداکثر تعداد تکرار، برای توقف، 100 در نظر گرفته شد. البته در عمل، درمورد هر دو تصویر ابرطیفی با توجه به استفاده از شرط فعال برای توقف الگوریتم، روند تکرار به مرحله 100 نمی رسد و قبل از آن، الگوریتم به وضعیت پایدار می رسد و متوقف می شود. الگوریتم طبقه بندی MLP با سه لایه پنهان، شامل و 6 و 8 نورون، اجرا و با پانصد تکرار ارزیابی شد. روش طبقه بندی پیشنهادی بیان شده با الگوریتم های SVM، MLP و MSF مقایسه شد. در هر دو تصویر ابرطیفی، نقشه حاصل از روش پیشنهادی در مقایسه با سایر الگوریتم ها مناطق یکنواخت تری را دربرمی گیرد. روش پیشنهادی، در تصویر پاویا، باعث افزایش 13، 7 و 6درصدی و در تصویر برلین، باعث افزایش 9، 6 و 5درصدی پارامتر ضریب کاپا، در قیاس با به ترتیب الگوریتم های SVM، MLP و MSF شده است. دلیل این افزایش دقت روش پیشنهادی می تواند استفاده از اطلاعات نزدیک ترین همسایگی و دو مرحله کاهش ابعاد باشد.نتیجه گیری: در این تحقیق، روشی جدید به منظور طبقه بندی طیفی – مکانی تصاویر ابرطیفی معرفی شد. در روش پیشنهادی، ابتدا ابعاد تصویر ابرطیفی کاهش یافت و ده ویژگی، به منزله اطلاعات نزدیک ترین همسایگی ها، از باندهای کاهش یافته استخراج شد. در ادامه، الگوریتم ژنتیک وزن دار روی ویژگی های به دست آمده، به منظور کاهش وابستگی بین آنها، اعمال شد. الگوریتم ژنتیک یکی از کارآمدترین و مؤثرترین روش ها در کاهش ابعاد تصاویر ابرطیفی است. در الگوریتم باینری ژنتیک، هر کروموزوم دارای مقادیر یک و صفر است؛ درحالی که در الگوریتم ژنتیک وزن دار، مقادیر وزنی بین صفر و یک است. روش پیشنهادی روی دو تصویر ابرطیفی پاویا و برلین اجرا شد که آزمایش ها برتری کمّی و کیفی به کارگیری این روش را نشان می دهد. کم بودن دقت نتایج در تصویر برلین می تواند به دلیل پیچیدگی این تصویر، در مقایسه با تصویر پاویا باشد.