سنتینل 2

قابلیت های ویژه داده های ماهواره ای، در تامین اطلاعات از مواد سطحی زمین، امکان تهیه نقشه های زمین شناسی را فراهم می کند و در این راستا، توان تفکیک طیفی و مکانی داده های مورد استفاده، دو ویژگی اساسی آن ها در تعیین میزان دقت و درستی نقشه ها است. در این پژوهش، دسته داده های استر و سنتینل2، به دلیل توان تفکیک طیفی و مکانی بالا، در آشکارسازی واحدهای سنگی کمپلکس سوریان، در شمال شرق فارس بکار گرفته شده اند. کمپلکس دگرگون شده رسوبی- آتشفشانی سوریان، بخشی از کمربند سنندج- سیرجان جنوبی در بوانات استان فارس است. بررسی سیماهای طیفی نمونه های صحرایی که در دانشگاه شهید چمران اهواز انجام شد و همچنین طیف های استخراج شده از تصویر، نشان می دهد که گروه های عاملی اصلی تعیین کننده رفتارهای طیفی در منطقه، شامل Fe 2+ ، Fe 3+ ، CO 3 ، Al-OH، Mg-OH و Fe-OH است که بر اساس مطالعات کانی شناسی، می توان آن ها را به کانی های کلریت، موسکویت، اپیدوت، آمفیبول، کلسیت و هماتیت نسبت داد که مطالعه مقاطع میکروسکوپی نیز، رخداد آن ها را تایید می کند. برای آشکارسازی واحدهای سنگی منطقه از روش های نسبت گیری باندی ، و بر روی 9 باند بازتابی سنجنده استر و روش تحلیل مولفه های اصلی بر روی 9 باند سنتینل 2 و استر استفاده شد. این پردازش ها توانست، واحدهای سنگی کلریت- اپیدوت شیست، کالک شیست، میکاشیست و همچنین دایک های دیابازی و کوارتزیتی را تفکیک کند. مقایسه نتایج این تحقیق، با مشاهدات میدانی و نتایج بدست آمده از مطالعات آزمایشگاهی، نشان داد که استفاده همزمان داده های استر و سنتینل-2 و روش های پردازش بکار رفته، می تواند در تفکیک واحدهای سنگی یک کمپلکس دگرگونی – رسوبی - آتشفشانی موفق باشد.

مطالعه تطابق محتوای اطلاعاتی سنجندهها به منظور جایگزینی سنجنده ها در مناطقی که امکان دسترسی آسان به دادههای آنها وجود ندارد، در مطالعات سنجش از دور ضروری است. هدف از این پژوهش مقایسهی دو سنجندهی MSI ماهوارهی سنتینل ۲ و OLI ماهوارهی لندست ۸ میباشد تا امکان استفاده از آرشیو تصاویر لندست و همچنین جایگزینی تصاویر این دو ماهواره به جای یکدیگر مورد ارزیابی قرار بگیرد. برای رسیدن به این هدف، شهرستان مینودشت به عنوان منطقهی مورد مطالعه انتخاب گردید. این منطقه از نظر کلاس های پوشش اراضی متنوع بوده و انواع مختلف طبقات پوشش زمین در آن دیده می شود. به منظور بررسی محتوای اطلاعاتی دو سنجنده، سه جفت تصویر نسبتا همزمان از دو سنجنده انتخاب شد. ابتدا باندهای متناظر دو سنجنده که در محدوده طول موج یکسان فعالیت می کنند، تعیین شد. سپس هر زوج تصویر نسبت به هم ثبت هندسی شدند. جهت یکسان کردن اندازهی پیکسلها، قدرت تفکیک مکانی سنجندهی MSI به ۳۰ متر تبدیل شد تا همبستگی باندهای متناظر محاسبه شود. در گام بعدی، طبقه بندی ماشین بردار پشتیبان بر روی تصاویر انجام شد. نمونه های تعلیمی از نقشهی کاربری اراضی شهرستان مینودشت و تصاویر ماهوارهای با قدرت تفکیک مکانی بالا انتخاب شد. برای ارزیابی طبقه بندی با استفاده از نمونه های مستقل، ماتریس خطا تشکیل شد. نتایج نشان داد که تمامی باندهای متناظر همبستگی بالاتر از مقدار ۰.8 دارند و میزان صحت کلی و ضریب کاپای حاصل از طبقه بندی برای هر دو سنجنده تفاوت معنی داری با یکدیگر ندارند. میانگین صحت کلی به دست آمده برای سنجندههای OLI و MSI به ترتیب 91/35٪ و 94/79٪ میباشد. نتایج بدست آمده، نشانگر تطابق بالای دو سنجنده چند طیفی می باشد.

استفاده از روش های مناسب و تصاویر ماهواره ای به روز در مطالعات مختلف، به ویژه مطالعات شهری می تواند در تولید نقشه های شهری تأثیر بسیاری داشته باشد. یکی از این داده های مهم، نقشه مربوط به حدود اراضی شهری است که با استفاده از روش های مختلف قابل استخراج است. هدف پژوهش حاضر استخراج اراضی شهری تعدادی از شهرهای ایران به کمک تصاویر ماهواره ای سنتینل 1 (SAR) و سنتینل 2 بر پایه سامانه گوگل ارث انجین (GEE) است؛ بدین منظور تصاویر راداری سنتینل 1 و اپتیکی سنتینل 2 به صورت سری زمانی از اول ژانویه 2017 تا اول ژانویه 2020 برای 20 شهر ایران انتخاب و وارد محیط گوگل ارث انجین شدند. سپس در محیط این سامانه، ابتدا میانگین و انحراف از معیار تصاویر سری زمانی راداری تهیه و با اعمال آستانه، اراضی بالقوه شهری استخراج شد. پوشش گیاهی حداکثر، پهنه های آبی و مناطق پرشیب و کوهستانی نیز به کمک تصاویر سنتینل 2 و مدل های رقومی ارتفاعی استخراج شدند. با اعمال آستانه نیز تصاویر ماسک ایجاد شدند. درنهایت با اعمال این تصاویر روی نقشه اراضی بالقوه شهری، نقشه اراضی هدف ایجاد و با اعمال فیلتر 3×3 برای حذف پیکسل های منفرد و اشتباه، نقشه نهایی اراضی شهری استخراج شد. به منظور بررسی صحت نقشه ها از ضریب کاپا، صحت کلی، صحت کاربر و صحت تولیدکننده استفاده شد. نتایج نشان می دهد، میانگین ضریب کاپا برای 20 شهر، 16/86 درصد است که بیشترین آن به شهر رشت و کمترین آن به کرمان مربوط است. همچنین شهرهای واقع در مناطق خشک و نیمه خشک، صحت کمتری دارند. همچنین مشخص شد سامانه GEE قادر است حجم زیادی از داده ها را در زمان بسیار اندک با دقت بالا پردازش کند.

اساس برنامه ریزی و مدیریت صحیح داشتن آمار و اطلاعات دقیق و به هنگام است. یکی از مهم ترین آمار و اطلاعات بخش کشاورزی میزان تولید سالیانه هر محصول یا سطح زیرکشت است. یکی از ابزارهایی که در کمترین زمان و با هزینه پایین و دقت مناسب، می تواند سطح زیرکشت محصولات را محاسبه کند دانش و فنّاوری سنجش از دور است. در این تحقیق، از دو روش طبقه بندی شبکه عصبی مصنوعی و ماشین بردار پشتیبان استفاده شده و سطح زیرکشت محصولات غالب منطقه، شامل هشت کلاس، از تصاویر سری زمانی سنتینل 2 برآورد شده است. براساس نتایج به دست آمده، صحت کلی هریک از روش های شبکه عصبی مصنوعی و ماشین بردار پشتیبان به ترتیب برابر با 97.74 و 97.96%، با ضریب کاپای 0.97 برای برآورد سطح زیرکشت محصولات بوده است. بنابراین، نتایج این دو روش مورد قبول واقع شده است. با توجه به صحت کلی، می توان نتیجه گرفت که دو روش طبقه بندی نتایج تقریباً یکسانی در منطقه دارد. علاوه براین، طبق نتایج صحت کاربر، می توان بیان کرد درمورد چهار محصول یونجه، برنج، پیاز و خربزه، عملکرد روش ماشین بردار پشتیبان بهتر از روش شبکه عصبی است و درمورد گندم دیم و آبی، جارو و مرتع، روش شبکه عصبی بهتر از ماشین بردار پشتیبان در منطقه عمل می کند.

تغییرات رشد محصولات کشاورزی در فواصل زمانی نسبتاً کوتاه، ناهم زمانی کشت محصولات مشابه، شباهت طیفی میان محصولات گوناگون در برخی از زمان های دوره کشت و کمبود داده های زمینی، طبقه بندی محصولات زراعی در تصاویر ماهواره ای را به کاری چالش برانگیز مبدل می کند. تغییر مقدار درصد پوشش و سبزینگی، در طول فصل رشد، از برجسته ترین ویژگی پوشش های گیاهی ازجمله محصولات کشاورزی است که می توان بر آن نظارت کرد. این کار با استفاده از سری زمانی شاخص های گیاهی انجام می شود که اطلاعات بسیار مفیدی از توالی ویژگی های فنولوژیک محصولات کشاورزی در اختیار ما قرار می دهد. استفاده از روش های یادگیری عمیق با توانایی یادگیری اطلاعات متوالی حاصل از این سری ها می تواند، در طبقه بندی محصولات کشاورزی و کاهش وابستگی به داده های زمینی، مفید باشد. شبکهLong-Short Term Memory (LSTM) یکی از انواع شبکه های عصبی بازگشتی در تجزیه و تحلیل داده های متوالی است که توانایی یادگیری توالی های بلندمدت در سری زمانی را دارد؛ بنابراین در این مطالعه، پس از محاسبه شاخص NDVI از باندهای ماهواره سنتینل 2 در نُه تاریخ متفاوت و تشکیل سری زمانی آن شاخص برای ورود به شبکه، دو ناحیه متفاوت در دشت مغان در نظر گرفته شد که محصولات کشت شده در آنها، طی عملیات زمینی، برداشت شده بود. در ناحیه اول، شبکه کانولوشنی LSTM برای طبقه بندی محصولات آموزش دید و در ناحیه دیگر، کارآیی این شبکه آموزش دیده در طبقه بندی محصولات ارزیابی شد و دقت کلی 82% و ضریب کاپای 8/0 به دست آمد. افزایش تعداد نمونه های زمینی و انتخاب مرز دقیق محصولات، می تواند کارایی روش مورد استفاده را افزایش دهد.

نقشه های کاربری زمین، توزیع فضایی منابع طبیعی، مناظر فرهنگی و سکونتگاه های انسانی را توصیف می کنند که به منزله ابزار برنامه ریزی مهمی برای تصمیم گیرندگان عمل می کند؛ بنابراین دقت نقشه های حاصل از طبقه بندی تصاویر ماهواره ای در عدم قطعیت به منظور مدیریت شهری بسیار تأثیرگذار است. با توجه به کیفیت یکنواخت تصاویر در مناطق بزرگ در مراحل زمانی منظم، تصاویر سنجش از دور ورودی ضروری در تولید نقشه های کاربری زمین شمرده می شوند. هدف اصلی از این تحقیق پیشنهاد کردن روشی به منظور ایجاد نقشه پوشش اراضی دقیق در مناطق شهری، با استفاده از تلفیق داده های سنتینل 1 و سنتینل 2 است. به این منظور، ویژگی های ضریب بازپراکنش راداری VV و دو پارامتر حاصل از روش تجزیه H-α (آنتروپی، آلفا) از تصاویر راداری سنتینل 1 و ویژگی های باند آبی، سبز، قرمز، شاخص های NDVI، NDWI، MNDWI و SWI از تصاویر اپتیک سنتینل 2 استخراج و به منزله مؤلفه های تأثیرگذار در طبقه بندی منطقه شهری استفاده شد. در این مطالعه، با هدف جداسازی مناطق کشاورزی از سایر پوشش ها، از شاخص رطوبت SWI استفاده شد. همچنین داده های ارتفاعی برای تفکیک بهینه کلاس های پیچیده با توپوگرافی متفاوت به کار رفت. استخراج شاخص های تأثیرگذار از این دو مجموعه داده، در رویکردی شیءگرا مبتنی بر الگوریتم های ماشین بردار پشتیبان و جنگل تصادفی، برای طبقه بندی کاربری زمین ارزیابی شد. نتایج نشان داد که به کارگرفتن ویژگی های استخراج شده از تصاویر راداری و اپتیک به طور هم زمان، در روش طبقه بندی شیء گرا، می تواند ویژگی های شیء را به طور کامل در ناحیه مورد مطالعه استخراج کند. در مورد هر دو الگوریتم طبقه بندی، زمانی که از داده های اپتیک و راداری به طور هم زمان استفاده شد، دقت کلی طبقه بندی افزایش داشت. در مورد روش جنگل تصادفی که بیشترین دقت ها را دربر داشت، دقت کلی برای رویکرد ترکیب داده های راداری و اپتیک به میزان 13 و 5%، به ترتیب به نسبت رویکرد تنها ویژگی راداری و تنها رویکرد ویژگی اپتیک، افزایش پیدا کرده است. همچنین اختلاف معنی داری در دقت طبقه بندی، در تمامی سطوح، بین الگوریتم طبقه بندی ماشین بردار پشتیبان و جنگل تصادفی دیده می شود. نتایج نشان داد که دقت کلی درمورد روش طبقه بندی جنگل تصادفی و ماشین بردار پشتیبان به ترتیب برابر 3/83 و 8/79% و ضریب کاپا به ترتیب 72/0 و 68/0% بوده است.

نقشه های به روز و دقیق کاربری اراضی نقش مهمی در مدیریت و برنامه ریزی کشورهای درحال توسعه ایفا می کند. هدف از این پژوهش علاوه بر تهیه ی نقشه دقیق پوشش اراضی استان گیلان، مقایسه و ارزیابی نقشه های تولیدشده با استفاده از داده های چندفصلی راداری و اپتیکی و همچنین ترکیب این داده ها با یکدیگر به منظور بهبود دقت نقشه طبقه بندی شده می باشد. در این راستا داده های با توان تفکیک مکانی 10 متر سنتینل 2 و قطبش VH راداری سنتینل 1 در باند C به منظور تهیه نقشه پوشش اراضی در محیط پردازشی گوگل ارث انجین مورد پردازش و تحلیل قرار گرفتند. یافته ها نشان داد که نتایج استفاده از داده ی راداری سنتینل 1 به تنهایی یا استفاده از تصاویر سنتنیل 2 به تنهایی، به ترتیب دارای ضریب کاپای 0.72 و 0.84 درصد و دقت کلی به ترتیب 78.51 و 87.41 درصد است. این در حالی است که استفاده هم زمان از داده ی سنتنیل 1 و سنتنیل 2 با رویکرد ترکیب داده ها در محیط گوگل ارث انجین، نتایجی بسیار مطلوب تری را حاصل و باعث بهبود دقت طبقه بندی می شود. به طوری که نقشه ی تهیه شده با استفاده از ترکیب چندفصلی هم زمان تصاویر سنتنیل 1 و 2 دارای ضریب کاپا و دقت کلی به ترتیب 0.97 و 97.77 درصد برآورد گردید. در این پژوهش پیکسل های کاربری بایر در تصاویر سنتینل 1 به دلیل شباهت میزان بازپراکنش و در تصاویر سنتینل 2 به علت شباهت طیفی، سبب عملکرد نامناسب الگوریتم طبقه بندی ماشین بردار پشتیبان در تفکیک کلاس بایر و شهر از هم گردید. به طورکلی نتایج این پژوهش بیانگر آن است که ترکیب هم زمان داده های سنتینل 1 و 2 برای بهبود دقت الگوریتم های طبقه بندی جهت نقشه برداری می تواند بسیار مناسب عمل کند و کلاس های اراضی را با توانایی بالا از هم جدا سازد.

داده های سنجش از دوری، با قدرت تفکیک مکانی بالا، اغلب دارای قدرت تفکیک زمانی و طیفی پایین و داده های با قدرت تفکیک مکانی پایین دارای قدرت تفکیک طیفی و زمانی بالا هستند. باوجوداین ، درحال حاضر، سنجنده های ماهواره ای به تنهایی نمی توانند داده هایی با قدرت تفکیک زمانی و قدرت تفکیک مکانی بالا را هم زمان ارائه کنند. این درحالی است که در برخی کاربردها دسترسی هم زمان به داده هایی با قدرت تفکیک مکانی و زمانی بالا ضروری است؛ ازاین رو در این مطالعه، با هدف دستیابی به داده های دارای قدرت تفکیک مکانی و زمانی بالا، تصاویر مادیس در کلاس های کاربری شهری، باغ، مرتع، کشاورزی و آب ازطریق الگوریتم های STARFM ، ESTARFM وFSDAF به قدرت تفکیک مکانی سنتینل 2، ریز مقیاس شد. منطقه مطالعاتی با تنوع پوشش های زمین گوناگون در اطراف شهر مهاباد انتخاب شد. در این مطالعه، باندهای مرئی و مادون قرمز نزدیک در سنتینل 2 و مادیس انتخاب و پیش پردازش های لازم، ازجمله تصحیح هندسی، روی آنها انجام شد. سپس با استفاده از الگوریتم های ریزمقیاس نمایی، تصاویر مادیس به تصاویر سنتینل 2 ریزمقیاس شد. نتایج نشان دهنده صحت بالای کلاس های شهری، باغ و مرتع در قیاس با کلاس های کشاورزی و آب است؛ به گونه ای که الگوریتم های ESTARFM، FSDAF و STARFM به صورت میانگین در همه باندها، به ترتیب برای کلاس شهری، ضریب تعیین 25/88، 25/87 و 5/86، درمورد کلاس باغ ضریب تعیین 75/83، 25/83 و 5/80 و درمورد کلاس مرتع، ضریب تعیین 75/90، 5/70 و 5/87 را نشان دادند. درمجموع، الگوریتم ESTARFM در مقایسه با دیگر الگوریتم ها در این تحقیق، نتیجه ای بهتر دربرداشت.

تغییر اقلیم تأثیر قابل ملاحظه ای بر محیط زیست دارد و منجر به حساسیت متفاوت پوشش گیاهی به عوامل آب و هوایی در مقیاس های مکانی- زمانی مختلف می شود. آگاهی از وضعیت پوشش گیاهی به دلیل کاربرد در برنامه ریزی های خرد و کلان در حال حاضر از ارکان مهم در تولید اطلاعات است .با توجه به پرهزینه و زمان بر بودن استفاده از روش های مبتنی بر مشاهدات، امروزه فناوری سنجش از دور به عنوان راهکار جدید در بهبود این روش ها مطرح شده است. در پژوهش پیش رو هدف، بررسی اثر عوامل اقلیمی بر روند پوشش گیاهی جنگل فریم در استان مازندران با استفاده از تصاویر سنتینل 2 و تعیین مناسب ترین شاخص برای این منطقه است. به منظور مدل سازی از فاکتورهای اقلیمی (درجه حرارت و بارندگی) مربوط به منطقه به دست آمده از نزدیک ترین ایستگاه هواشناسی مربوط، استفاده شد. بعد از پیش پردازش و پردازش تصاویر سنتینل 2 ارزش های رقومی متناظر از باندهای طیفی استخراج و به عنوان متغیرهای مستقل در نظر گرفته شد. رابطه درجه حرارت و بارندگی با شاخص های پوشش گیاهی با ضریب همبستگی 0.43 و 0.56 و میزان AIC و BIC به ترتیب (565 و 3209) و (739  و 3383) به دست آمد. همچنین نتایج نشان داد بیش ترین اثرگذاری در رابطه با هر دو فاکتور درجه حرارت و بارندگی مربوط به شاخص پوشش گیاهی تفاضلی (DVI) است، که کارائی بالای این شاخص در منطقه را نشان می دهد. با توجه به نتایج فوق، می توان بیان کرد که شاخص مذکور به منظور بررسی تأثیر متغیرهای اقلیمی بر جنگل مورد مطالعه، انطباق و همبستگی مناسبی دارد.

تخمین پهنه سیل از نظر مدیریت و تعیین پهنه و خسارات سیل بسیار مهم است. سنجش از دور و استفاده از تصاویر با دقت بالا می تواند در استخراج شاخص های تخمینگر پهنه سیل مؤثر باشد. در این تحقیق از تصاویر سنتینل 2 در سال وقوع سیل با توان تفکیک مکانی 10 متر و از تصاویر لندست 8 در زمان های مشابه سال های قبل و بعد از وقوع سیل در محیط گوگل ارث انجین استفاده شد. در این مطالعه با استفاده از  3 شاخص NDWI، MNDWI و DVDI به تخمین پهنه اثر سیل پرداخته شد. نتایج نشان داد که شاخص MNDWI با وجود فاصله زمانی زیاد (20 روزه) بعد از وقوع سیل و تبخیر بخش عمده منابع آب پخش شده بر روی اراضی، نسبت به شاخص NDWI میزان سطح آبگرفتگی ناشی از سیل 1398 را بهتر و در حدود 59/330  هکتار  برآورد نمود. همچنین شاخص DVDI با ارائه مقادیر منفی که مبین تخریب پوشش گیاهی در اثر سیل می باشد، مساحت تخریب اراضی زراعی و باغی ناشی از این سیل را 21/3522 هکتار برآورد نمود که در قیاس با آمار ارائه شده استانداری لرستان (4750 هکتار) تفاوت اندکی نشان می دهد. در کل استفاده از شاخص های فوق به عنوان روش های مهم، کاربردی و کم هزینه برای مدیریت، تخمین پهنه و تعیین خسارات سیل پیشنهاد می شود.

آلودگی فلزات سنگین چالش بزرگی برای محیط زیست است. با افزایش سطح آلودگی، روش های پایش سنتی نمی توانند به سرعت اطلاعاتی در مورد آلودگی مناطق بزرگ به دست دهند. با توجه به پرهزینه و زمان بر بودن روش های آزمایشگاهی استفاده از تصاویر ماهواره ای و روش های سنجش از دور با در نظر گرفتن دقت کافی می توانند مکمل مناسبی در این زمینه باشند.پژوهش حاضر با هدف بررسی آلودگی فلزات سنگین سرب، روی و مس در خاک و برگ جنگل های بلوط ایرانی واقع در جنگل کاکارضا، استان لرستان با بکارگیری فن آوری سنجش از دور و تصاویر ماهواره Sentinel-2 به کمک شاخص های آلودگی (NDVI، HMSSI، SAVI و PSRI) انجام شد.نتایج پژوهش نشان داد که غلظت فلزات سنگین در خاک با افزایش فاصله از جاده کاهش می یابد. بین مواد آلی و مس خاک در سطح پنج درصد همبستگی منفی معنی داری وجود دارد. مقادیر غلظت فلزات سنگین در برگ درختان بلوط ایرانی از مقادیر استاندارد جهانی کمتر است. در بخش نتایج شاخص تجمع زیستی نیز میزان فاکتور تجمع زیستی به ترتیب برای سرب، روی و مس (0.0،5.2 ،0.2) میلی گرم برکیلوگرم حاصل شد. در مقایسه پنج الگوریتم ناپارامتریک GAM، ANN، RF، SVM و KNN ، مدل (ANN) به ترتیب برای سه فلز Pb، Zn و Cu بالاترین مقادیر ضریب تبیین (0.85، 0.88 و 0.97) به دست آمد. به طور کلی نتایج نشان داد تصاویر Sentinel-2 به همراه مدل شبکه عصبی مصنوعی قابلیت خوبی در مدل سازی میزان شاخص تجمع زیستی دارند.