سامانه گوگل ارث انجین

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.

در این پژوهش آلودگی هوای ایجاد شده توسط کارخانه ذوب مس خاتون آباد و تعیین شعاع تأثیر آن با استفاده از داده های سنتینل 5 پی (Sentinel-5P) در سامانه گوگل ارث انجین مورد بررسی قرار گرفته است. داده های مربوط به میانگین گازهای دی اکسید سولفور و دی اکسید نیتروژن با استفاده از سامانه گوگل ارث انجین در محدوده 50 کیلومتری از کارخانه و در بازه ی زمانی یک روزه، هفت روزه، چهارده روزه، یک ماهه، دوماهه، سه ماهه، شش ماهه، دوازده ماهه و سی ماهه از ماه دسامبر2020 برای ارزیابی غلظت آلودگی در روزهای سرد سال و در بازه های زمانی مشابه از ماه ژوئن 2021 به منظور ارزیابی غلظت آلودگی در روزهای گرم سال به دست آمد. تحلیل این داده ها برای تعیین بازه های زمانی مؤثر و میزان غلظت تجمعی آن ها با استفاده از روش آماری - مکانی تحلیل لکه داغ صورت گرفته است. نتایج حاصل از تحلیل لکه داغ تصاویر مربوط به گاز دی اکسید نیتروژن نشان می دهد که در بازه های زمانی دو هفته تا دو ماهه در ماه های سرد سال لکه داغ نشانگر وجود گاز دی اکسید نیتروژن در جو مستقر در بالای کارخانه است. اما در بازه های سه ماهه، شش ماهه، یک ساله و سی ماهه در ماه های سرد لکه داغ به سمت شمال غرب و در فاصله دورتر از کارخانه مشاهده می شود. همچنین تصاویر مربوط به ماه ژوئن در اطراف کارخانه مورد مطالعه روند مشابهی را نمایان می سازد. نتایج حاصل از تحلیل لکه داغ تصاویر مربوط به گاز دی اکسید سولفور نشانگر مقدار زیاد غلظت این گاز در اطراف کارخانه است و تصاویر با بازه های زمانی یک ماهه و طولانی تر قادر به ارائه اطلاعات دقیق تر و منطقی تر در مورد میزان غلظت گاز دی اکسید سولفور هستند. باتوجه به نتایج به دست آمده فعالیت این کارخانه می تواند دلیلی بر افزایش میزان غلظت گاز دی اکسید سولفور باشد که شعاع حدود 4 تا 6 کیلومتری و مساحت حدود 10700 هکتار در اطراف کارخانه را تحت تأثیر قرار داده است. نتایج این تحقیق می تواند کارشناسان محیط زیست و محققین را در استفاده و تفسیر بهتر از داده های ماهواره سنتینل 5 پی در ارزیابی آلودگی هوا در مناطق صنعتی در بازه های زمانی متفاوت با درک بهتری از میزان پراکنش هر گاز در فصول گرم و سرد سال و در هر بازه زمانی یاری رساند.

سابقه و هدف: سیب زمینی چهارمین محصول کشت شده در جهان است. با توجه به اهمیت استراتژیک این محصول در تأمین امنیت غذایی، تهیه نقشه های دقیق از سطوح زیرکشت آن اطلاعات ضروری برای تخمین و پیش بینی میزان عملکرد محصول در مقیاس های متفاوت را فراهم می کند. اگرچه تا کنون رویکردهای متفاوت سنجش از دور، مبتنی بر سنجنده های اپتیکی یا مایکروویو، به طور گسترده برای پایش مزارع گوناگون (شامل سطح زیرکشت محصولات، شرایط و پیش بینی عملکرد آنها) به کار رفته، با استفاده از داده های سنجش از دور و یادگیری ماشین کمتر برای شناسایی مزارع سیب زمینی اقدام شده است. در این راستا، پژوهش حاضر به شناسایی و نگاشت محصول سیب زمینی در قطب تولید آن در کشور پرداخته است و سعی در مهیا سازی اطلاعات دقیق سطوح زیرکشت این محصول، برای حوزه مدیریت کلان کشاورزی را دارد. مواد و روش ها: ازآنجاکه بیشتر محصولات کشاورزی، در طول دوره کشت، ویژگی های طیفی زمانی منحصربه فردی دارند، این پژوهش با استفاده از تصاویر سری زمانی و بدون آستانه گذاری صریح، روشی را برای تمایز دادن مزارع سیب زمینی از سایر محصولات مطرح کرده است. طبق این روش، با استفاده از لایه های مبتنی بر فنولوژی محصول سیب زمینی و نیز یادگیری ماشین، به شناسایی این محصول روی آورده شد. به منظور بهینه سازی پارامترهای داخلی الگوریتم، براساس داده های زمینی نوع محصول در سایت مورد مطالعه که مجموعاً شامل 1648 نمونه از مزارع سیب زمینی و سایر محصولات می شود، آموزش و ارزیابی مدل انجام شد. این داده ها با استفاده از گیرنده GPS دستی نمونه برداری شد. در این پژوهش، نگاشت مزارع سیب زمینی با استفاده از تصاویر ماهواره سنتینل 2 و الگوریتم ماشین بردار پشتیبان انجام شد. با تهیه لایه های ورودی مناسب که شامل شاخص فنولوژیکی محصول سیب زمینی و شاخص آماری میانه NDVI (سری زمانی تصاویر ماهواره سنتینل 2) در بازه های مشخص می شود، مزارع سیب زمینی با دقت شناسایی شد. دراِدامه، این لایه ها به منزله ورودی های ماشین بردار پشتیبان به کار رفت. به منظور آموزش مدل بهینه برای ماشین بردار پشتیبان با استفاده از کرنل RBF، مقادیر gamma و C با روش 5-fold cross validation بهینه سازی شد. سپس این مقادیر، در فرایند اجرای الگوریتم، با استفاده از سامانه رایانش ابری گوگل ارث انجین به کار رفت. کارآیی روش پیشنهادی در شهرستان های همدان و بهار که بیشترین میزان کشت این محصول را در ایران دارند، ارزیابی شد. نتایج و بحث: براساس نتایج، مقادیر بهینه برای پارامترهای داخلی مدل C=70 و γ=0.3 محاسبه شد. این مقادیر در تابع RBF، به منظور شناسایی سطوح زیرکشت محصول سیب زمینی، در نظر گرفته شد. با اجرای الگوریتم طبقه بندی و سپس اعمال فیلتر Majority، نقشه سطوح زیرکشت سیب زمینی برای منطقه مورد مطالعه تهیه شد. این نقشه بیشترین تراکم کشت محصول سیب زمینی را در محدوده مرزی دو شهرستان (شمال غرب شهرستان همدان و شرق شهرستان بهار) نشان داد. سطح زیرکشت سیب زمینی برای سال زراعی 1399-1400، در شهرستان همدان، برابر 1/4527 هکتار و در شهرستان بهار، برابر 3/6088 هکتار به دست آمد. در ارزیابی نتایج، صحت کلی و ضریب کاپا به ترتیب برای همدان، 9/90% و 82/0 و برای بهار، 3/93% و 87/0 براساس ماتریس خطا برآورد شد. نتایج پژوهش حاضر به کارآیی الگوریتم ماشین بردار پشتیبان در شناسایی سطوح زیرکشت محصول سیب زمینی اشاره دارد و همچنین نشان داده است که شاخص های منطبق بر فنولوژی سیب زمینی را می توان، به منزله ویژگی های متمایزکننده در شناسایی بهتر مزارع این محصول، استفاده کرد. نتیجه گیری: شناسایی مزارع سیب زمینی، با استفاده از لایه های ورودی شاخص های منطبق بر فنولوژی محصول در الگوریتم ماشین بردار پشتیبان، نشان داد این روش می تواند صحت شناسایی سطوح زیرکشت این محصول را در سطح پایلوت بهبود ببخشد. ازاین رو می توان، برای شناسایی سایر محصولات مهم کشاورزی و نیز در دیگر مناطق، رویکردی مشابه را پیش گرفت و نتایج را ارزیابی کرد. همچنین پیشنهاد می شود کارآیی داده های مایکروویو و سایر الگوریتم های یادگیری ماشین در پژوهش های آینده مورد توجه قرار گیرد.