میر رضا غفاری رزین

مقدمه:  نظارت و اطلاع از آمار دقیق و بهنگام سطح زیر کشت محصولات کشاورزی و برآورد میزان تولیدات کشاورزی نقش مهمی در برنامه ریزی های صحیح اقتصادی، واردات و صادرات دارد. امروزه به دلیل هزینه ی پایین و سرعت بالای روش های سنجش ازدوری، میزان استفاده از این علم برای تولید آمار به هنگام سطح زیر کشت محصولات زراعی در حال گسترش می باشد.هدف:  هدف اصلی پژوهش حاضر توسعه ی روشی دانش مبنا مبتنی بر مفاهیم شی ءگرایی با لحاظ نمودن شروط مکانی و زمانی به منظور بهبود دقت تمییز محصولات زراعی و همچنین کاهش تعداد نمونه برداری های زمینی می باشد.روش شناسی: تحقیق حاضر در سه مرحله اصلی انجام می شود: مرحله ی اول شامل ایجاد ساختار شی ءگرایی (استخراج ویژگی های هر مزرعه و ذخیره آن)، مرحله ی دوم ایجاد پایگاه دانش بر اساس استخراج امضای طیفی محصولات زراعی مختلف و شروط مکانی-زمانی و مرحله ی سوم شامل تمییز و تعیین نوع محصولات کاشته شده در هر مزرعه بر روی تصاویر ماهواره ای جدید (مجهول) با استفاده از دانش و اطلاعات ذخیره شده در هر مزرعه (شی ء) می باشد.قلمرو جغرافیایی پژوهش:  روش پیشنهادی به دلیل اهمیت و تنوع محصولات دشت مغان با استفاده از اطلاعات (مکانی و طیفی) سال زراعی 1399-۱۳۹8 در  این دشت پیاده سازی شد. همچنین به منظور بررسی قابلیت روش از پایگاه دانش ایجاد شده برای سال زراعی 1400-۱۳۹9 و بدون نمونه برداری های زمینی، استفاده شد.یافته ها و بحث: روش پیشنهادی در سه تاریخ مختلف (اواخر فروردین، اواخر اردیبهشت ماه و اواسط خردادماه) از یک سال زراعی پیاده سازی شد. دقت کلی روش برای تمییز محصولات در تاریخ های بیان شده به ترتیب 66/94، 5/91 و 12/95 درصد محاسبه شد که نسبت به روش طبقه بندی بیشترین شباهت بهبودی بیش از 10 درصد را نشان می دهد. دقت کلی تمییز محصولات در سال 1400-1399 نیز در شرایط بدون استفاده از داده های زمینی به منظور به روز رسانی و تغییر پایگاه دانش روش، برای تاریخ های اول و دوم به ترتیب 3/92 و 6/90 درصد بود.نتیجه گیری:  نتایج نشان داد استفاده از شروط پایگاه دانش که با استفاده از شرایط مکانی-زمانی و رفتار طیفی محصولات زراعی تعیین و تدوین می شوند، موجب افزایش دقت تمییز محصولات زراعی در مقایسه با روش های عادی مانند طبقه بندی بیشترین شباهت می شود. همچنین طبق نتایج تا زمانی که قیود پایگاه دانش ایجاد شده سازگار باشد، می توان بدون نیاز به نمونه برداری زمینی در سال های زراعی بعدی به منظور به روز رسانی پایگاه دانش، از آن برای تمییز محصولات زراعی استفاده نمود. 

در این مقاله با استفاده از روش های مبتنی بر یادگیری مقدار بخار آب قابل بارش (PWV) به صورت مکانی-زمانی مدل سازی شده و سپس پیش بینی می شود. از سه مدل شبکه های عصبی مصنوعی (ANNs)، سیستم استنتاج عصبی-فازی سازگار (ANFIS) و مدل رگرسیون بردار پشتیبان (SVR) برای انجام این کار استفاده شده است. برای مقایسه کارایی و دقت این سه مدل، نتایج حاصل با مشاهدات بخار آب قابل بارش حاصل از ایستگاه رادیوسوند (PWV radiosonde() و بخار آب قابل بارش به دست آمده از مدل تجربی ساستامنین (PWV Saastamoinen) نیز مقایسه شده است. مشاهدات 23 ایستگاه GPS مابین روزهای 300 الی 305 (6 روز) از سال 2011 در منطقه شمال غرب ایران برای ارزیابی مدل ها، به کار گرفته شده است. دلیل انتخاب این منطقه و بازه زمانی مورد نظر، در دسترس بودن مجموعه کاملی از مشاهدات ایستگاه های GPS ، رادیوسوند و ایستگاه های هواشناسی است. از 23 ایستگاه مورد نظر، مشاهدات دو ایستگاه KLBR و GGSH به منظور انجام تست نتایج حاصل کنار گذاشته می شود. در مرحله اول، تأخیر تر زنیتی (ZWD) از مشاهدات 21 ایستگاه GPS محاسبه و سپس تبدیل به مقدار PWV می شود. مقادیر PWV حاصل از این مرحله به عنوان خروجی هر سه مدل در نظر گرفته شده است. همچنین چهار پارامتر طول و عرض جغرافیایی ایستگاه، روز مشاهده (DOY) و زمان (min .) به عنوان ورودی های سه مدل هستند. هر سه مدل با استفاده از الگوریتم پس انتشار خطا (BP) آموزش داده شده و کمینه خطای حاصل در محل ایستگاه رادیوسوند تبریز (38/08N وE 46/28) ، به عنوان معیار پایان آموزش در نظر گرفته شده است. پس از مرحله آموزش، مقدار بخار آب قابل بارش در ایستگاه های تست با هر سه مدل محاسبه و سپس با مقدار بخار آب قابل بارش حاصل از GPS (PWVGPS) مقایسه می شوند. میانگین ضریب همبستگی محاسبه شده برای چهار مدل ANN ، ANFIS ، SVR و Saastamoinen در 6 روز مورد مطالعه به ترتیب برابر با 0/85، 0/88، 0/89 و 0/69 است. همچنین، میانگین RMSE برای چهار مدل در 6 روز به ترتیب برابر با 2/17، 1/90، 1/77 و 5/45 میلی متر شده است. نتایج حاصل از این مقاله نشان می دهد که مدل SVR از قابلیت بسیار بالایی در برآورد مقدار بخار آب قابل بارش برخوردار بوده و از نتایج آن می توان در مباحث مرتبط با هواشناسی و پیش بینی بارش استفاده نمود. 

در این مقاله از ترکیب شبکه های عصبی موجک ( WNNs ) به همراه الگوریتم آموزش بهینه سازی انبوه ذرات ( PSO ) جهت مدل سازی تغییرات زمانی محتوای الکترون کلی ( TEC ) یون سپهر در منطقه ایران استفاده شده است. چهار ترکیب از تعداد مشاهدات ورودی مختلف جهت تست روش، مورد ارزیابی قرار گرفته است. تعداد مشاهدات ورودی انتخاب شده جهت آموزش شبکه عصبی موجک با الگوریتم PSO به ترتیب 25، 20، 15 و 10 ایستگاه از شبکه مبنای ژئودینامیک ایران ( IPGN ) می باشند. در هر چهار حالت تعداد پنج ایستگاه با توزیع مناسب در گستره جغرافیایی ایران به عنوان ایستگاه های آزمون در نظر گرفته شده اند. شاخص های آماری خطای نسبی، خطای مطلق و ضریب همبستگی جهت ارزیابی مدل شبکه عصبی موجک مورد استفاده قرار گرفته است. نتایج حاصل از مدل پیشنهادی این مقاله با TEC حاصل از مشاهدات GPS به عنوان مرجع اصلی و مدل جهانی یون سپهر 2016 ( IRI -2016 ) مقایسه شده است. میانگین خطای نسبی محاسبه شده در 5 ایستگاه آزمون برای شبکه عصبی موجک با 25 ایستگاه آموزش برابر با 43/13 % ، با 20 ایستگاه آموزش برابر با 73/13 % ، با 15 ایستگاه آموزش برابر با 05/15 % و با 10 ایستگاه آموزش برابر با 17/28 % تعیین شده است. همچنین میانگین مقادیر ضریب همبستگی محاسبه شده در پنج ایستگاه آزمون برای شبکه عصبی موجک با 25 ایستگاه آموزش برابر با 9768/0، با 20 ایستگاه آموزش برابر با 9545/0، با 15 ایستگاه آموزش برابر با 9376/0 و با 10 ایستگاه آموزش برابر با 7569/0 محاسبه شده است. نتایج این مقاله نشان می دهد که مدل شبکه عصبی موجک با الگوریتم آموزش PSO یک مدل قابل اعتماد جهت پیش بینی تغییرات زمانی یون سپهر در منطقه ایران است. این مدل می تواند یک جایگزین بسیار مطمئن برای مدل مرجع جهانی یون سپهر در ایران باشد.