سنجش از دور و GIS ایران

در این تحقیق، طرح روشی مناسب جهت شناسایی تغییرات در زمین های کشاورزی، با استفادة هم زمان از روش شیء گرا و روش ترکیب رنگی به صورت نظارت شده، بررسی شده است. بدین منظور، از تصاویر چندزمانة سنجنده های 7Landsat استفاده شده است. درواقع در این روش، برخلاف روش های رایج که تصاویر با هم مقایسه می شوند و سپس تغییرات شناسایی می شود، برای شناسایی تغییرات از ترکیب تصاویر و درنتیجه، آشکارشدن تغییرات با رنگ هایی متفاوت با رنگ اولیه استفاده شده و مقایسه ای جداگانه صورت نگرفته است. ایدة اصلی عرضة روشی شیءگراست که در آن، با استفاده از دو تصویر، یک تصویر هم مرجع شدة چندزمانه، شامل کل لایه های دو تصویر، تهیه شده است. سپس با انتخاب پارامترهای مناسب قطعه بندی، تک تصویر ایجادشده قطعه بندی و پس از آن، با استفادة هم زمان از روش ترکیب رنگی و روش های طبقه بندی شیء گرا، به نواحی تغییریافته و تغییرنیافته طبقه بندی شده است. درواقع، روش ترکیب رنگی با ایجاد نواحی رنگی متفاوت با تصاویر اولیه، قطعه های تغییریافته را به صورت بصری مشخص می کند و با انتخاب چند نمونه از آن قطعه ها از سوی کاربر خبره، با اعمال طبقه بندی شی ءگرا، این قطعه ها در کل تصویر شناسایی می شوند. درنهایت، با انتخاب نمونه های آموزشی فقط از یک تصویر، نواحی برچسب خورده و نواحی تغییریافتة نهایی به دست آمده است. نتایج بیانگر آن است که این روش به علت استفاده از اطلاعات مکانی افزون بر اطلاعات طیفی، از جهت کاهش نمونه های آموزشی، افزایش دقت (تقریباً 3٪) و افزایش درصد اطمینانِ طبقه بندی بر روش های معمولی شناسایی تغییرات، که از مقایسة دو تصویر چندزمانه استفاده می کنند، برتری دارد.

امروزه یکی از محدودیت های موجود، در زمینة منابع آب، ضعف راهکارهای مرتبط با مدیریت منابع آب است. ازجمله راهکارهای مدیریتی برای بهبود این مشکل، تخصیص بهینة کاربری با رویکرد آب مجازی است. در تحقیق حاضر، مدلی برای بهینه یابی تخصیص کاربری با رویکرد ذخیرة آب مجازی، با استفاده از الگوریتم های فراابتکاری ژنتیک (NSGA-II،GA) در اراضی آبادی حاجی لک واقع در بخش سیمینة شهرستان بوکان (استان آذربایجان غربی) ارائه شده است. پس از تهیة لایة کاربری اراضی و آماده سازی آن در سیستم اطلاعات جغرافیایی (GIS) و تهیة ضرایب توابع هدف، تخصیص کاربری با استفاده از الگوریتم های فراابتکاری ژنتیک، با توجه ویژه به کاهش مصرف آب مجازی، بهینه شده است. نتایج نشان می دهد الگوهای کاربری پیشنهادی در سناریوی آب مجازی، به ترتیب، در الگوریتم های GA و NSGA-II ، 29 و 35 درصد مصرف آب مجازی را کاهش داده است. این مدل می تواند، به منزلة سیستم پشتیبان تصمیم، نقش مؤثری در تصمیم گیری مدیران براساس اهداف گوناگون ایفا کند. همچنین، آزمون تکرارپذیری، زمان اجرا و همگرایی الگوریتم ها در مدل حاکی از برتری الگوریتم NSGA-II بر GA است؛ به طوری که الگوریتم NSGA-II، در مقایسه با الگوریتم GA، دارای زمان کمتر در اجرای مدل است و همگرایی بیشتر و واریانس کمتری در آزمون تکرارپذیری از خود نشان می دهد. استفاده از الگوریتم های فراابتکاری در بهینه یابی تخصیص کاربری با رویکرد آب مجازی را می توان نوآوری موضوعی این تحقیق بیان کرد.

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.

رشد و توسعة شهری و افزایش استفاده از وسایل نقلیه در سال های اخیر منجر به افزایش آلودگی هوا، به ویژه در شهر های بزرگ و صنعتی، شده است. با توجه به آثار نامطلوب آلودگی هوا در سلامت انسان ها و دیگر جانداران، پیش بینی و مدل سازی این پدیدة پیچیده از دغدغه های اصلی محققان در سال های اخیر بوده است. هدف این تحقیق طراحی سیستمی است به منظور پیش بینی آلودگی هوا، طی 24 ساعت آینده، تا با شناسایی مناطق آلوده، به مدیران و برنامه ریزان شهری برای کنترل و کاهش میزان آلاینده ها کمک کند. در سیستم طراحی شده، از ترکیب آنالیز مؤلفة اصلی و شبکة عصبی فازی –تطبیقی (PCA-ANFIS)، به منظور پیش بینی آلودگی هوا در فصل های متفاوت، استفاده شده است. در این سیستم، داده های هواشناسی و غلظت آلاینده ها در روزهای گذشته، برای پیش بینی آلودگی هوای شهر تهران در 24 ساعت آینده، به کار رفته است. همچنین، از پارامتر های مکانی مانند ارتفاع، توپوگرافی سطح زمین و فاصله از جاده به منظور مدل سازی مکانی پراکندگی آلودگی هوا استفاده شده است. نتایج حاصل از مقایسة روش ترکیبی PCA-ANFIS با روش ANFIS دقت و سرعت بالاتر مدل ترکیبی طراحی شده را، به نسبت روش ANFIS در پیش بینی آلودگی هوا طی 24 ساعت آینده، بیان می کند.

دسترسی هم زمان به تصاویر ماهواره ای با قدرت تفکیک زمانی و مکانی بالا در بسیاری از مطالعات ضروری است. این در حالی است که، فقط با استفاده از تصاویر یک سنجنده، این نیاز تأمین نخواهد شد. اما می توان با استفاده از تلفیق تصاویر سنجنده های گوناگون، که قدرت تفکیک زمانی (مانند MODIS) و مکانی (همانند Landsat) بالا دارند، به این مهم دست یافت. بدین ترتیب، هدف اصلی تحقیق حاضر اجرا و ارزیابی میزان دقت یکی از جدیدترین و کارآمدترین مدل های ترکیب تصاویر ماهواره ای با عنوان ESTRAFM است. برای اجرا و ارزیابی این مدل، دو دورة زمانی (مقطع نخست بین روزهای 204 تا 220 و مقطع دوم بین روزهای 220 تا 236 سال 2016) در نظر گرفته شد. برای اعتبارسنجی نتایج، از تصاویر سنجندة OLI در موزائیک کناری، در جایگاه دادة مشاهداتی (تصویرمبنا)، استفاده شد. نتایج ارزیابی این دو دوره نشان داد میانگین همبستگی باندهای آبی، سبز، قرمز و فروسرخ نزدیکِ تخمین زده شده با تصویر دریافتی از سنجندة OLI، به صورت میانگین در این دو دوره، به ترتیب برابر با 90/0، 91/0، 91/0 و 85/0 و میانگین میزان مجذور میانگین مربعات خطا و چهار باند مذکور به ترتیب برابر با 025/0، 030/0 ، 036/0 و 049/0 است که، به ترتیب، معادل 3/15، 2/16، 5/16 و 7/13 درصد خطا در باندهای مورد نظر است. افزون بر این، با توجه به میزان همبستگی بالا (87/0R 2=) و مجذور میانگین مربعات خطای ناچیز (056/0RMSE=) بین مقادیر NDVI پیش بینی شده و NDVI حاصل از باندهای مشاهداتی، می توان بیان کرد علاوه بر اینکه این مدل در برآورد مقادیر بازتابندگی سطحی دقت مطلوبی دارد؛ می توان از آن (مانند NDVI) برای پیش بینی میزان محصولات نیز استفاده کرد. براساس نتایج مدل ESTARFM، می توان عنوان کرد مقادیر پیش بینی شدة باندهای گوناگون دقت مناسبی دارند و می توان از این مدل برای ترکیب تصاویر، به قصد افزایش قدرت تفکیک های مکانی و زمانی، استفاده کرد.

در این مقاله، روش جدیدی برای مدل سازی کمی آثار سلامت محیط ناشی از سناریوهای ترافیکی پیشنهاد شده است. برای این منظور، دو مدل مبتنی بر سیستم های استنتاج فازی سلسله مراتبی عرضه شده است. در توسعة مدل مورد استفاده برای ارزیابی تأثیر سیستم حمل و نقل در غلظت ذرات معلق، از داده های مربوط به یک مدل پراکنش استفاده شده است. مدل رگرسیون کاربری اراضی فازی 1حاصل افزون بر مزایایی همچون امکان مدل سازی تغییرات غلظت آلاینده با رزولوشن بالا، حجم پردازش مناسب و لحاظ کردن برهمکنش میان انتشار و فرایندهای آب وهوایی، امکان استفاده از داده های توصیفی و غیرقطعی را نیز دارد. برای توسعة مدل مورد استفاده در ارزیابی تأثیر غلظت ذرات معلق ناشی از ترافیک در سلامت، از یک متریک حاصل از مطالعات اپیدمیولوژیک استفاده شده است. مدل پیشنهادی قابلیت های متریک مذکور را، با ایجاد امکان مدل سازی عدم قطعیت ارتباط میان پارامترها و عدم قطعیت مقادیر پارامترها، بهبود داده است. برای افزایش کارآیی هر دو مدل، از ساختار سلسله مراتبی مبتنی بر مسئله و تولید و تنظیم هم زمان توابع عضویت و مجموعة قواعد ازطریق یادگیری استفاده شده است. برای بررسی کارآیی روش پیشنهادی، تأثیر سه سناریوی ترافیکی در سلامت محیطی در شهر اصفهان ارزیابی شده است. از میان سناریوهای یادشده، طرح مناطق کم انتشار و طرح زوج و فرد، به ترتیب، بیشترین و کمترین مزایای مرتبط با سلامت محیطی را دارند. نتایج حاصل نشان می دهد روش پیشنهادی برای ارزیابی سلامت محیطی، در مقایسه با روش های مشابه، دقت و کارآیی مطلوبی دارد.

یکی از تحلیل های پرکاربرد سیستم های اطلاعات جغرافیایی (GIS) یافتن مسیرهای بهینة بین دو نقطه در شبکة حمل ونقل شهری است. به دلیل تنوع بالای مسیرهای ممکن بین دو نقطه در شبکة حمل ونقل شهری، یافتن مسیرهای بهینه کار پیچیده ای است. از سویی، درنظرگرفتن هم زمان تمامی پارامترهای مؤثر در انتخاب مسیر از جمله طول مسیر، ترافیک، سختی عبور از تقاطع ها، کیفیت معابر و ...، پیچیدگی فرایند کشف مسیر بهینه را دوچندان می کند. همچنین در پاره ای از موارد، وجود دو یا چند پارامتر مؤثر ناسازگار، مانند طول مسیر و ترافیک، بر پیچیدگی مسئله می افزاید. الگوریتم های بهینه سازی، به ویژه الگوریتم هایی مانند الگوریتم ژنتیک چندهدفه NSGA-II، که توانایی درنظرگرفتن هم زمان چندین پارامتر ناسازگار در یک مسئله را دارند، می توانند GIS را در حل این گونه مسائل یاری کنند. هدف از این پژوهش عرضة مدلی برمبنای الگوریتم NSGA-II در بستر GIS، به منظور کشف مسیرهای بهینه در شبکة حمل ونقل شهری است. بدین منظور، الگوریتم NSGA-II به گونه ای مدل شد تا ساختار توپولوژیک مسیرهای بهینه (پیوستگی و نبودِ حلقه در مسیر) حفظ شود؛ بنابراین، هم در تولید مسیرهای اولیه و هم در عملگرهای ژنتیکی مورد استفاده، حفظ ساختار توپولوژیک مسیرهای خروجی مدنظر قرار گرفت. در این راستا به منظور رسیدن به اهداف یادشده، دو عملگر ژنتیکی ابتکاری، متناسب با مسئلة بهینه سازی مسیر در شبکة حمل ونقل شهری، توسعه داده شد. همچنین با هدف بالابردن کارآیی مدل در ارائة مسیرهای بهینه، افزون بر درنظرگرفتن طول مسیر، ترافیک و کیفیت مسیر به منزلة توابع هدف، دشواری عبور از تقاطع ها نیز به مثابة یکی دیگر از توابع هدف مدل شد. به منظور آزمودن قابلیت های مدل، یک شبکة حمل ونقل شهری فرضی با محدودیت های لازم طراحی شد و مدل، با بهره گیری از آن، مورد ارزیابی قرار گرفت. نتایج به دست آمده نشان دهندة صحت کارکرد مدل و توانایی بالای آن در یافتن مسیرهای بهینه با چندین هدف متضاد است.