اطلاعات طیفی

یکی از بلایای طبیعی که هر ساله موجب خسارت های زیادی در نواحی خشک و بیابانی جهان از جمله ایران و منطقه یزد میشود، بادهای شدید و طوفان ها است. به سبب موقعیت جغرافیایی و شرایط اقلیمی، این منطقه همواره در معرض بادهای شدید و طوفان های گرد و خاک قرار دارد. از این جهت شناخت رژیم بادهای شدید و طوفان های منطقه یزد به منظور کاهش آثار مخرب این پدیده به ویژه در امر تثبیت ماسه های روان، ضروری است. این تحقیق با استفاده از داده های دید افقی، سرعت و جهت باد، رطوبت نسبی، دما، فشار، ابر و پدیده گرد و خاک ایستگاه های سینوپتیک یزد و کرمان، داده های جو بالای این ایستگاه ها و نقشه های سینوپتیک در طی دوره آماری سال های 1362 - 1382 انجام شده است. نتایج مطالعه نشان میدهد که بیش از 77 درصد بادهای شدید منطقه از سمت 250 تا 330 درجه وزیده و سرعت آن بین 15 - 29 متر بر ثانیه در نوسان است. این بادهای شدید در ساعت های بعد از ظهر میوزند. وزش بادهای غالب از سمت شمال غرب و غرب است. بیش از 50 درصد از بادهای شدید و طوفان های منطقه در ماه های اردیبهشت و فروردین رخ میدهند. در ابتدای دوره گرم سال و انتقال فصل، ناپایداری های جوی و طوفان های گردوخاک در منطقه افزایش پیدا میکند. علت اصلی این پدیده وزش بادهای شدیدی است که به دنبال تغییرات سریع فشار و دمای هوا در این موقع از سال رخ می دهد. عبور یک سامانه کم فشار با جبهه سرد و خشک از سمت غرب - شمال غرب همراه با وجود ناوه در ترازهای 850 و 500 هکتوپاسکال و ناپایداریهای محلی، مهمترین علل بروز این بادهای شدید در منطقه است.

امروزه کاربردهای تصاویر ماهواره ای، در پایش و مدیریت زمین های کشاورزی، رو به گسترش است. با توجه به قدرت تفکیک مکانی، طیفی و زمانی بالای تصاویر سنتینل 2، در این مطالعه، در کشاورزی دقیق در شهرستان قروه از این تصاویر استفاده شده است. ابتدا با توجه به تقویم زراعی محصولات متفاوت آن منطقه، تصاویر سری زمانی جمع آوری شد. در روش پیشنهادی، نخست، فضای ویژگی طیفی براساس بازتاب طیفی باندها و همچنین شاخص های گیاهی، ایجاد شد. ابعاد فضای ویژگی طیفی، با استفاده از روش آنالیز مؤلفه های اصلی، کاهش یافت. سپس چهار طبقه بندی کننده قدرتمند ماشین های بردار پشتیبان، شبکه عصبی پرسپترون چندلایه، نزدیک ترین k همسایه و جنگل های تصادفی نقشه طبقه بندی از اطلاعات طیفی تولید کردند. در ادامه، مکانی با هدف تعیین مرز مزارع، اطلاعات استخراج شد. برای این منظور، از شناسایی لبه ها در سری زمانی تصاویر سنتینل 2 استفاده شد. در نهایت، نقشه طبقه بندی نهایی، با تلفیق اطلاعات مکانی و ادغام نتایج طبقه بندی کننده ها ایجاد شد. نتایج به دست آمده نشان داد که دقت طبقه بندی کننده های نزدیک ترین k همسایه، ماشین های بردار پشتیبان، شبکه عصبی پرسپترون چندلایه و جنگل های تصادفی روی فضای ویژگی طیفی اولیه، به ترتیب 78/77%، 16/79%، 41/76% و 89/76% است. با استفاده از روش پیشنهادی، دقت طبقه بندی به 72/94% افزایش پیدا کرد که حاکی از توانایی آن در منطقه مورد مطالعه است.