سارا شش انگشت

یخچال های طبیعی و تغییرات کوتاه مدت و بلند مدت آن ها، از مهم ترین سنسورهای اقلیمی برای پایش روند تغییرات آب و هوایی هستند. در تحقیق حاضر به منظور آشکار سازی مکانی- زمانی تغییرات ارتفاعی دماغه یخچال؛ مدل های رقومی ارتفاعی حاصل، داده های لیزراسکنینگ هوایی (LiDAR) سال 1389و تصاویر پهپاد سال های 1397 و 1399 مورد استفاده قرار گرفتند. دقت مدل های رقومی ارتفاعی (DEM) استخراج شده از پهپاد، در سال های 1397 و 1399 به ترتیب با استفاده از حدود 40 و 20 نقطه کنترل زمینی تقریباً 15 سانتی متر برآورد شد. همچنین دقت برآورد تغییرات ارتفاعی بر اساس ارزیابی تغییرات ارتفاعی در منطقه غیر یخچالی در این بازه زمانی نشان دهنده دقت بالای نتایج است. بطوری که مقادیر میانگین و انحراف معیار در منطقه غیریخچالی به ترتیب برابر با 0.05± و0.34  سانتی متر است که مقادیری قابل قبول در مطالعه تغییرات ارتفاعی یخچال به شمار می روند. نتایج حاصل از تفریق دو به دوی DEM های یاد شده نشان دهنده تغییرات ارتفاعی بسیار زیاد دماغه یخچال علم کوه از سال 1389 الی 1399 است. چنانچه میانگین نرخ تغییرات ارتفاعی شکاف اصلی دماغه یخچال در این مدت حدود 0.8 – متر در سال (.m/yr) و بیشترین مقدار نرخ تغییر ارتفاعی حدود 2.31- (.m/yr) است. عمده تغییرات ارتفاعی این منطقه در بازه زمانی 1389 تا 1397 بوجود آمده و میانگین نرخ تغییرات ارتفاعی شکاف اصلی یخچال در این مدت 1.03- (.m/yr)و حداکثر آن 2.77- (.m/yr) است. تغییرات ارتفاعی در بازه زمانی 1397 تا 1399 کمتربوده و میانگین نرخ تغییرات ارتفاعی 0.1+  (.m/yr)و حداکثر آن 1.85- (.m/yr)است. با توجه به اینکه این منطقه به عنوان خروجی و محلّ تخلیه یخچال نیز شناخته شده و حجم زیادی از واریزه ها و یخرفت ها ی یخچالی را به ارتفاعات پایین تر سرازیر می کند، تغییرات ارتفاعی شدید این منطقه ناشی از ذوب برف و یخ است و همین امر، عامل اصلی وقوع سیلاب عظیم تیرماه سال 1390 در رودخانه سردآبرود بوده است.

به طور کلی هدف اصلی تحقیق حاضر بررسی تاثیر حضور تصاویر راداری در طبقه بندی تصاویر ماهواره-ای چند زمانه اپتیکی در الگوریتم های طبقه بندی مبتنی بر یادگیری ماشینی، شامل جنگل تصادفی (Random Forest)، درخت تصمیم کارت (CartDecision Tree) و ماشین بردار پشتیبان (Support Vector Machine) می باشد. در تحقیق حاضر ابتدا اطلاعات شاخص طیفی تفاضل نرمال شده گیاهی(NDVI) به همراه لایه های شیب، مدل رقومی ارتفاعی و یک تصویر اصلی تصحیح شده ماهواره Sentinel-2 توسط سه روش اشاره شده به صورت نظارت شده مورد آموزش و طبقه بندی قرار گرفت. سپس فرآیند طبقه بندی با حضور تصاویر راداری ماهواره Sentinel-1 مجدداً انجام گردید. در نهایت طی عملیات پس پردازش با استفاده از فیلتر بیشترین فراوانی پیکسل های منفرد به کلاس های همسایه الصاق شده و نتایج نهایی با داده های زمینی مورد صحت سنجی قرار گرفت. نتایج نشان داد در بررسی تمام کلاس ها، دقت کل و ضریب کاپا در حالت حضور داده های راداری و برای هر سه روش طبقه بندی تنها 3 درصد بهبود یافته است اما در بررسی یک به یک کلاس ها مشاهده می شود دقت تولید کننده روش جنگل تصادفی در کلاس کشت مجدد بهبود قابل توجهی داشته و مقدار آن از 74/0 به 84/0 رسیده است. در روش ماشین بردار پشتیبان نیز کلاس های دیم و باغات بهبود محسوس تری داشته اند که به ترتیب از 75/0 و 78/0 به 84/0 و 92/0 افزایش یافته است. نهایتاً می توان چنین عنوان کرد که اضافه کردن تصاویر راداری به عمل طبقه بندی تنها در کلاس های مربوط به اراضی کشت مجدد، دیم و باغات تاثیر مثبت و قابل توجهی دارد و نیز برتری کاملاً محسوس روش جنگل تصادفی در مقایسه با روش های دیگر مشهود است.