درخت حوزه‌های تخصصی

سابقه و هدف: در دهه های گذشته، داده های سنجش از دور با موفقیت برای استخراج اطلاعات و تغییرات کاربری و پوشش زمین (LULC) در سطوح گوناگون، از مقیاس محلی تا جهانی، به کار رفته است. پایش دقیق و منظم این تغییرات در برنامه ریزی شهری، کشاورزی دقیق و مدیریت پایدار منابع زمین ضرورت دارد. فراهمی داده های سنجش از دور با ارائه سطوح بی سابقه ای از جزئیات مکانی و همچنین توسعه الگوریتم های طبقه بندی تصاویر ماهواره ای، باعث شده است که رویکردهای شیء گرا، در مقایسه با رویکردهای معمول، در طبقه بندی کاربری و پوشش زمین کاربرد بیشتری پیدا کنند. بدین منظور، در این مطالعه، رویکردی شیء گرا با ترکیب الگوریتم های GLCM، SNIC و یادگیری ماشین مطرح شده که هدف از آن طبقه بندی کاربری و پوشش زمین بخشی از اراضی شمال مهاباد در آذربایجان غربی، با استفاده از تصاویر ماهواره ای سنتینل 2 در سال 2019 در سامانه گوگل ارث انجین بوده است. مواد و روش ها: روش انجام شدن این پژوهش به گونه ای است که ابتدا مجموعه داده اولیه، شامل باندهای هدف تصاویر سنتینل 1 و سنتینل 2، مدل رقومی سطح زمین ALOS و شاخص های NDVI، BSI، SAVI و توان بازپراکنش کل (TSP) آماده سازی شد. در مرحله دوم، با اتخاذ دو رویکرد پیکسل پایه و شیء گرا و الگوریتم جنگل تصادفی، کاربری و پوشش زمین طبقه بندی شد و نتایج حاصل از آنها، برای تبیین بهترین رویکرد ازنظر دقت کلاس های گوناگون، مقایسه شد. در رویکرد شیء گرا، معیارهای بافتی با اعمال ماتریس وقوع توأم گام های خاکستری (GLCM) روی مجموعه داده اولیه استخراج شد و با توجه به افزایش تعداد باندها روش تحلیل مؤلفه های اصلی (PCA)، برای کاهش ابعاد تصویر، به کار رفت. در گام آخر، با ترکیب لایه PC1 و لایه قطعه بندی حاصل از الگوریتم خوشه بندی ساده غیرتکراری (SNIC)، الگوریتم جنگل تصادفی به منظور تهیه نقشه های کاربری و پوشش زمین محدوده مطالعاتی در نظر گرفته شد. نتایج و بحث: تحلیل معیارهای ارزیابی صحت نشان داد که رویکرد شیء گرا با صحت کلی و ضریب کاپای معادل 86/40% و 0/8307، در مقایسه با رویکرد پیکسل پایه با صحت کلی و ضریب کاپای 82/73% و 0/8028، نتایج بهتری را در طبقه بندی کاربری های متفاوت اراضی منطقه مورد مطالعه داشته است. نتایج معیارهای ارزیابی صحت نشان داد صحت تولیدکننده اغلب کلاس های کاربری، به جز ذرت، سبزیجات آبی پاییزه و گندم و جو آبی، در رویکرد شیء گرا بیشتر از روش پیکسل پایه است و دقت طبقه بندی آنها بالاتر از 90% بوده است. علاوه براین، کاربری های/ پوشش های پهنه آبی، ساخته شده، ذرت و چغندرقند بیشترین صحت کاربر را در نقشه کاربری و پوشش زمین شیء گرا به خود اختصاص داده اند. نتیجه گیری: یافته های تحقیق نشان دادند که تعیین مناسب اندازه سوپرپیکسل الگوریتم خوشه بندی SNIC و به کارگیری معیارهای بافتی GLCM به طور مؤثری عملکرد رویکرد پیشنهادی را در طبقه بندی کاربری و پوشش زمین، بهبود می بخشد.

سابقه و هدف: بخارآب موجود در جَو پارامتری محوری در مدل سازی تعادل انرژی در سطح زمین است و در متعادل نگاه داشتن دمای جَوّ کره زمین نقش مهمی دارد. بازیابی این پارامتر، به منزله تأثیرگذارترین عامل جَوّی در رادیانس دریافتی سنجنده، از اهمیت بسزایی برخوردار است. ازآنجاکه محتوای بخارآب جَو در لایه نزدیک به سطح بیشتر و تغییرات زمانی و مکانی آن شدیدتر است، اندازه گیری ایستگاه های هواشناسی زمینی به رغم دقت بالا، به دلیل محدودیت های زمانی و مکانی و اندازه گیری نقطه ای، قابلیت تعمیم پذیری ندارند. ازاین رو ارائه روش های ماهواره محور کاربردی به منظور بازیابی دقیق و مداوم آن، با توزیع مکانی مناسب ضروری به نظر می رسد. هدف این تحقیق بیان چهار روش نوآورانه و دقیق برای برآورد نسبت اختلاط بخارآب نزدیک به سطح جَوّ استان اصفهان در سال 1399، با توان تفکیک 1 کیلومتر، ازطریق تلفیق داده های ایستگاه های هواشناسی، داده های سنجنده و درنَهایت، اعتبارسنجی و مقایسه عملکرد آنهاست. بدین منظور تصحیح خطای اریبی داده های بخارآب سنجنده طی مرحله هم مقیاس سازی و تصحیح خطای درون یابی مشاهدات ایستگاه های زمینی در دستورکار قرار گرفت. مواد و روش ها: سنجنده های گوناگون قابلیت اندازه گیری بخارآب، با توان تفکیک های مکانی و حساسیت های متفاوت به این پارامتر را دارند. ازاین رو مطرح کردن روش هایی، مبتنی بر استفاده و تلفیق هم زمان داده های سنجنده ها و مشاهدات ایستگاه های زمینی، به منظور ارتقای هم زمان توان تفکیک مکانی (یک کیلومتر) و دقت بازیابی بخارآب نزدیک به سطح جَو ضروری است. در نخستین روش به کاررفته در این تحقیق، با استفاده از باندهای جذب و غیرجذب بخارآب سنجنده مادیس (MODIS) طی روش نسبت باندی و با استفاده از مشاهدات زمینی، بخارآب نزدیک به سطح بازیابی می شود. در روش دوم، ابتدا مشاهدات بخارآب نزدیک به سطح ایستگاه های زمینی، با روش درون یابی معکوس فاصله، به داده های بخارآب سطحی یک کیلومتری تبدیل می شود. سپس طی مراحل روش پیشنهادی و با استفاده از مقادیر نسبت اختلاط بخارآب برآوردشده با روش اول، خطای درون یابی در هر پیکسل حذف می شود. در روش سوم، با تلفیق داده های مادیس طی عملیاتی شبیه مراحل روش دوم، توان تفکیک محصول بخارآب سنجنده AIRS به یک کیلومتر ارتقا داده می شود؛ با این تفاوت که به جای مشاهدات ایستگاه های هواشناسی زمینی، از محصول سنجنده AIRS استفاده می شود. ازآنجاکه محصول نسبت اختلاط بخارآب نزدیک به سطح سنجنده AIRS دارای خطا و اریبی است، ابتدا باید با اعتبارسنجی محصولات این سنجنده، خطای اریبی محصول بخارآب نزدیک به سطح سنجنده AIRS، طی مرحله هم مقیاس سازی، حذف شود. برآورد بخارآب نزدیک به سطح جَو با استفاده از محصول بخارآب جَوّ ستونی سنجنده مادیس آخرین روش به کار رفته است. البته به دلیل تفاوت محتوایی، لازم است دو مجموعه داده هم واحد شوند و با روشی معادل سازی شوند. نتایج و بحث: به منظور مدل سازی و اعتبارسنجی برآورد بخارآب نزدیک به سطح جَو در توان تفکیک یک کیلومتر با استفاده از چهار روش اشاره شده، 3/66% داده ها به صورت تصادفی برای آموزش و 33% مابقی برای ارزیابی دقت و اعتبارسنجی نتایج به کار رفته است. درنَهایت نیز، نتایج اجرای روش ها با یکدیگر مقایسه شد. در این تحقیق، ضریب تعیین (R2) و جذر میانگین مربعات خطاها (RMSE) ملاک ارزیابی دقت و عملکرد مدل سازی قرار گرفته اند. نتایج اعتبارسنجی نشان می دهد روش دوم که مبتنی بر استفاده از تعمیم مشاهدات دقیق بخارآب نزدیک به سطح ایستگاه های زمینی و حذف خطای درون یابی آنها، طی تلفیق با مقادیر بخارآب بازیابی شده از سنجنده مادیس ازطریق روش نسبت باندی است، بهترین عملکرد (R2=0.55، RMSE=1.05 Gr/Kr) را در تخمین بخارآب نزدیک به سطح جو را دارد. نتیجه گیری: روش دوم، با توجه به عملکرد بهتر در بازیابی نسبت اختلاط بخارآب نزدیک به سطح جَو با دقت بالا و توان تفکیک یک کیلومتر و با هدف استفاده از قابلیت محصولات و داده های ماهواره محور، تلفیق آنها با یکدیگر و همچنین با مشاهدات زمینی، توصیه می شود.