سنجش از دور و GIS ایران

ترافیک شهری در دنیای امروز، به خصوص در کلان شهرها، یکی از مشکلات مهم و فراگیر محسوب می شود. در سال های اخیر برای غلبه بر این مشکل، راه حل های بسیاری پیشنهاد شده که بیشتر آنها برمبنای مدل سازی کلان ترافیک شهری عرضه شده اند. ولی به دلیل پیچیدگی های زیاد محیط شهری و عوامل متعدد و متفاوت مؤثر در ترافیک شهری، این مدل ها نمی توانند به خوبی فضای دینامیک و متغیر ترافیک شهری را مدل سازی کنند. در مقابل، به دلیل قابلیت بالای عامل ها در مدل سازی تعاملات مؤلفه های مؤثر در ترافیک و همچنین مدل سازی فضای متغیر محیط شهری، روش عامل مبنا روشی مناسب و نویدبخش برای مدل سازی ترافیک شهری به شمار می رود. با توجه به مطالب بیان شده، در این تحقیق، به منظور ارتقا و بهبود مسیر یابی وسائط نقلیه برمبنای ایجاد قابلیت ارسال و دریافت اطلاعات ترافیکی در میان مؤلفه های ترافیک، یک مدل عامل مبنا مطرح شده است. همچنین، در این مدل، چراغ های راهنمایی و در واقع کنترل سبز و قرمزشدن آنها، با توجه به وضعیت ترافیکی (تعداد اتومبیل ها) در خیابان های متصل به تقاطع های در معرض کنترل، هوشمند سازی شده است. در مدل مطرح شده، فرض شده است تمامی وسایل نقلیه به GPS و وسایل ارتباطی مناسب مجهزند. برای پیاده سازی از پلتفُرم JADE و کتابخانة کلاس های آن استفاده شده است. درنهایت، داده های شبیه سازی مناسب به مدل وارد شده و نتایج حاصل از روش ها و سناریو های گوناگون مطرح شده در مدل، از منظر کاهش ترافیک و میانگین زمان سفر در شبکة حمل ونقل شهری، ارزیابی شده است.

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.

امروزه در زمینة مدیریت شهری، رباتیک، تولید بازی های رایانه ای و مانند آن، از ابرنقاط لیدار در استخراج عوارض شهری و سه بعدی سازی استفادة گسترده ای می شود. خوشه بندی و طبقه بندی نقاط ابری لیدار یکی از گام های اصلی برای رسیدن به مدلی سه بعدی به شمار می رود؛ بنابراین، یکی از اهداف این تحقیق را می توان ارزیابی کارآیی روش های طبقه بندی K اٌمین همسایگی نزدیک (KNN)، درخت تصمیم (DT)، بیز ساده (Naïve Bayes)، شبکة عصبی مصنوعی (ANN)، ماشین بردار پشتیبان (SVM) و میدان تصادفی مارکوف (MRF) در طبقه بندی مجموعه دادة لیدار و تصاویر هوایی در محیط پیچیده شهری برشمرد. بدین منظور، داده هایی که ISPRS از شهر فایهینگن کشور آلمان فراهم آورده، به کار رفته است. سپس همة ویژگی های هندسی، مقادیر شدت ثبت شده از سوی لیدار، تصاویر هوایی و نیز ویژگی های استخراج شدة مبتنی بر مقادیر ویژه را استخراج و به منظور تشخیص پنج کلاس اشیای شهری شامل سطوح نفوذناپذیر، ساختمان، گیاهان کم ارتفاع، درخت و اتومبیل به کار برده است. برای محاسبة مقادیر ویژه به کمک توزیع محلی نقاط، در این مقاله، یک ساختار مکعبی جدید معرفی شده است که در تحقیقات گذشته دیده نشده بود. نتایج نهایی تکنیک های طبقه بندی به کاررفته در این تحقیق با استفاده از نقشه های رفرنس ISPRS ارزیابی شدند. نتایج ارزیابی این تحقیق نشان می دهد که مدل MRF با دقت کلی 88.08% و ضریب کاپای 0.83 کارآتر از دیگر طبقه بندی هاست. همچنین، ساختار مکعبی پیشنهادی را می توان، به خوبی ساختارهای کروی و استوانه ای، در استخراج ویژگی های مبتنی بر مقادیر ویژه به کار برد.

مدیریت و برنامه ریزی آب شهری، به ویژه در کلان شهر ها، اهمیت بسیار زیادی دارد. توسعة مناطق شهری، تبدیل شهرها به کلان شهر و افزایش پیچیدگی عوامل تأثیرگذار در مصرف آب در شهر ها سبب دشواری مدیریت مصرف، تأمین و توزیع آب شده است. بنابراین، استخراج قوانین نقش مهمی در کشف الگو های حاکم بر مجموعة داده و کاهش پیچیدگی ها دارد. اصل نظریة مجموعه های راف، که پائولاک در دهة 80 مطرح کرد، روشی توانمند و انعطاف پذیر در پردازش داده های دارای عدم قطعیت شمرده می شود و در این تحقیق، به منظور استخراج قوانین حاکم بر مصرف آب، به کار رفته است. در این تحقیق، از روش ترکیب الگوریتم های مجموعه های راف و ژنتیک از روش های داده کاوی، برای بهبود استخراج قوانین و طبقه بندی داده های آب مصرفی، با کاربری مسکونی در شهر تهران به منزلة منطقة مورد مطالعه استفاده شده است. داده های مورد استفاده در این تحقیق شامل داده های اجتماعی اقتصادی، محیطی، اقلیمی و فنی مدیریتی می شوند. این داده ها به دو زیرمجموعه، شامل 60 %با هدف آموزش و 40 %به قصد ارزیابی نتایج، تقسیم شدند. نتایج نشان می دهند که تلفیق الگوریتم های ژنتیک و مجموعه های راف کارآیی بالاتری برای استخراج مؤثر قوانین از داده های مصرف آب شهر تهران را دارند. دقت طبقه بندی مجموعه دادة آزمون، ازطریق قوانین استخراج شده از مجموعه های راف، 77 %بود. پس از بهینه سازی قوانین با استفاده از الگوریتم ژنتیک در مجموعه های راف، دقت طبقه بندی در نسل ششم، با سرعت همگرایی متوسط، به 88 %و در نسل دهم، به 92 %افزایش یافت. براساس قوانین استخراج شده، عوامل مؤثر در مصرف سالیانة آب به ترتیب میزان تأثیرگذاری، جمعیت ساکن، آب بها، تراکم جمعیت در واحد سطح، بعد خانوار، موقعیت مکانی (عرض جغرافیایی)، تحصیلات ساکنان و سرانة فضای سبز به شمار می روند.

گردوغبار اتمسفر و تعاملات آن با بارش؛ در آب وهوای مناطقی که سرزمین های خشک و نیمه ]شک وسیعی در آن وجود دارد؛ تأثیرات زیادی برجای می گذارد. ابهامات بسیاری درمورد علت تفاوت مقدار بارندگی از محلی به محل دیگر و از زمانی به زمان دیگر وجود دارد؛ به طوری که حتی با گسترش دانش و فناوری، هنوز علت این نوسان ها کاملاَ مشخص نشده است. امروزه به منظور پایش تأثیر رخدادهای گردوغبار بر تغییرات بارندگی، از تصاویر ماهواره ای  استفادة گسترده ای می شود. هدف از اجرای این تحقیق بررسی روند تغییرات بارندگی، با درنظرگرفتن فراوانی رخدادهای گردوغبار، با استفاده از روش های آماری خوشه بندی، سنجش از دور و پهنه بندی در محیط GIS، در منطقة جنوب غرب ایران است. این پژوهش تلاشی است برای بارزسازی ارتباط بین فراوانی روزهای همراه با گردوغبار و تغییرات مقادیر بارندگی در ایستگاه های منطقة جنوب غرب ایران. در این تحقیق، مجموعة داده های روزانة رخدادهای گردوغبار و مقادیر بارندگی روزانة 45 ایستگاه هواشناسی طی سی سال گذشته (2016- 1986) تحلیل شد. دو دسته اطلاعات شامل مجموعه داده های روزانه، ماهانه ، فصلی و سالیانة وقایع گردوغبار و بارش و محصول ضخامت طیف نوری AOD ذرات گردوغبار سنجندة  MODISپردازش شدند. درمورد دستة نخست، اطلاعات با استفاده از روش تحلیل خوشه ای از ب ین وق ایع گ ردوغبار، م وارد گ ردوغبار همراه با بارش، در یک روز مشخص شده، پردازش و محاسبه و سپس تحلیل شد. سپس نقشه های بارندگی و فراوانی روزهای گردوغبار، در جنوب غرب ایران، با استفاده از روش میان یابی فاصلة وزنی (IDW) تهیه شد. در گام بعدی، به منظور بارزسازی و مشاهدة شدت غلظت گردوغبار، خروجی محصول AOD با استفاده از تصاویر سنجندة MODIS الگوریتم ترکیبیDeep Blue  وDark Target، کد 064 در تاریخ های استخراج شده در محیط ArcGIS تبدیل به نقشه شد و مورد تحلیل قرارگرفت. نتایج نشان داد که روش مورد نظر به خوبی قادر به شناسایی پدیدة گردوغبار در منطقة مورد مطالعه است و می تواند تغییرات غلظت گردوغبار را با داده های زمینی مورد سنجش قرار داده و مقایسه کند. همچنین، بین پارامتر ضخامت نوری هواویزه ها و اطلاعات تاریخی مربوط به فراوانی رخدادهای گردوغبار در گزارش های سازمان هواشناسی، انطباق بسیار منطقی و روشنی وجود دارد.

در سال های اخیر، افزایش جمعیت و به تبع آن، افزایش نیازهای آبی و کاهش کیفیت و آلودگی آب های زیرزمینی، به دلیل توسعة صنعت و کشاورزی، موجب توجه به کیفیت منابع آب زیرزمینی شده است. شناسایی و تهیة نقشة پهنه بندی مناطق آسیب پذیر آبخوان، یعنی مناطقی که در آنها امکان نفوذ و پخش آلاینده ها از سطح زمین به سیستم آب زیرزمینی وجود دارد، ابزار مدیریتی مناسبی برای پیشگیری از آل ودگی من ابع آب زیرزمینی است. در این پژوهش، برای تهیة نقشة پهنه بندی پتانسیل آسیب پذیری آبخوان دشت آستانه، در منطقة کوچصفهان از تواب ع استان مازندران، روش دراستیک ((DRASTIC به ک ار گرفته شد که یکی از کاربردی ترین روش ه ای هم پوش انی است. برای صحت سنجی مدل، از داده های غلظت نیترات در منطقه استفاده شد. در این منطقه، استفاده از آب های زیرزمینی برای کشاورزی و تأمین آب شرب اهمیت بسیاری دارد. از سوی دیگر، استفادة بی رویه ازکودهای شیمیایی، به ویژه کودهای نیتروژن دار، برای افزایش محصول و نداشتن دقت لازم در تصفیة فاضلاب شهری و صنعتی و رهاسازی آن از پارامترهای مؤثر بر افزایش مقدار نیترات در آب های زیرزمینی منطقه شمرده می شود. ازاین رو، بررسی آلودگی نیترات که یکی از مهم ترین مسائل زیست محیطی در آب های زیرزمینی است، به صورت منظم و دوره ای، بسیار مهم و ضروری خواهد بود. به همین علت، نیترات عامل اصلی آسیب پذیری این منطقه معرفی شد. نتایج نشان داد آسیب پذیری آبخوان دشت آستانه کوچصفهان در چهار محدوده ق رار دارد. 18/56% دشت دارای آسیب پذیری ک م، 51.29% دارای آسیب پذیری اندک تا متوسط، 28.46% دارای آسیب پذیری متوسط تا زیاد و 1/67% دارای آسیب پذیری زی اد اس ت. میزان همبستگی ب ین ش اخص دراس تیک (شاخص آسیب پذیری) با غلظت نیترات 80% به دست آمده است. در ادامه، با کمک چهار روش هوش مصنوعی، شامل شبکة عصبی مصنوعی، مدل فازی، مدل ماشین بردار پشتیبان و فازی- عصبی، مقدار نیترات تخمین زده شد. برای این منظور، داده های ورودی (پارامترهای دراستیک) و خروجی (مقدار نیترات اندازه گیری و پهنه بندی شده در سی حلقه چاه موجود در منطقه ) مدل و مقادیر نیترات مربوط، به دو دستة آموزش و آزمایش، تقسیم شد. نتایج نشان داد که تمامی مدل های هوش مصنوعی به کار گرفته شده تخمین مناسبی از مقدار نیترات می دهند اما، در این میان، مدل شبکة عصبی بهترین نتایج را دربر داشت؛ به طوری که بین نیترات محاسباتی و مقدار نیترات مشاهداتی همبستگی 98 درصدی دیده شد. در ادامه، با انتخاب مدل شبکة عصبی به منزلة مدل برتر، کوشش شد با کاهش پارامترهای ورودی، مقدار نیترات تخمین زده شود. درنهایت، مشخص شد که با پنج پارامتر محیط خاک، محیط غیراشباع، محیط اشباع، تراز آب، هدایت هیدرولیکی و حذف دو پارامتر تغذیه و توپوگرافی مقدار همبستگی نیترات تخمین زده شده با مقدار واقعی نیترات اندازه گیری شده برابر 0.90 است. درنتیجه، می توان تخمین مناسبی از مقدار نیترات و نیز آسیب پذیری این منطقه داشت. این نکته برتری روش های هوش مصنوعی در بررسی آسیب پذیری را، ور مقایسه با روش دراستیک، نشان می دهد. نتایج نشان داد که مدل های هوش مصنوعی روشی کارآ در تخمین آسیب پذیری آبخوان محسوب می شوند و نتایج دقیقی از برآورد پتانسیل آلودگی در منطقة مورد مطالعه می دهند.

در طبقه بندی تصاویر با قدرت تفکیک مکانی متوسط، مانند لندست، تمایز اراضی کشاورزی بدون پوشش گیاهی از زمین های بایر و همچنین، شناسایی زمین های بایر از مناطق ساخته شده معمولاً دشوار و همراه با خطاست. به همین علت در این مطالعه، ترکیب های متفاوتی از ویژگی های ورودی، به روش های طبقه بندی، به منظور بررسی امکان ارتقای دقت طبقه بندی مقایسه شد. داده های ورودی شامل باندهای طیفی تصویر لندست-7، ویژگی های بافتی شامل ماتریس وقوع هم زمان گام های خاکستری و شاخص های حرارتی و مکانی پیشنهادی در این تحقیق است. در بررسی حاضر، به منظور طبقه بندی سناریوهای متفاوت، از سه روش طبقه بندی شامل بیشترین میزان شباهت، شبکة عصبی و ماشین بردار پشتیبان با هسته های متفاوت استفاده شد. نتایج نشان داد که ادغام تمامی داده های ورودی و استفاده از روش ماشین بردار پشتیبان با هستة پایة شعاعی، با صحت کلی 81/۹۸% و ضریب کاپا 25/98%، ممکن است نتایجی بهتر از دیگر روش ها و سناریوها داشته باشد. همچنین، در تحلیل اهمیت متغیرهای ورودی، با استفاده از روش انتخاب ویژگی برپایة جنگل تصادفی، مشخص شد که شاخص های پیشنهادی در این مطالعه نقش مهمی در طبقه بندی با صحت بالا و کارآمد داشته اند.