سنجش از دور ابرطیفی

در سال های اخیر با رشد سریع فناوری سنجش از دور در زمینة سنجنده های ابرطیفی، افزایش قابلیت تصویربرداری در صدها باند فراهم شده است. به منظور شناسایی و اکتشاف کانی های هر منطقه با بهره گیری از رفتارهای طیفی منحصربه فرد کانی ها، آشکارسازی طیفی به وسیلة این نوع از سنجنده ها که روشی نو محسوب می شود، در اکتشاف معدن و زمین شناسی استفاده شده است. بنابراین، در این تحقیق از تصاویر هایپریون ماهوارة EO-1 برای شناسایی نواحی دارای مس در منطقة قزل داش شهرستان خوی واقع در شمال غرب ایران استفاده شد. در این پژوهش، پس از پیش پردازش های لازم بر روی تصویر، کانی های مس در منطقة پژوهش که در عملیات میدانی در تحقیقات پیشین استخراج شده بود، مشخص شد. سپس برای تطبیق امضای طیفی این کانی ها با امضای طیفی موجود در کتابخانة طیفی USGS از نمونه گیری مجدد استفاده شد. در نهایت، با به کارگیری الگوریتم های SAM و SID نقشه ها استخراج و با نقشه های موجود مقایسه شد. نتایج نشان داد که کارایی الگوریتم SAM با صحت کلی 85 درصد و ضریب کاپای 80 درصد از الگوریتم SID با صحت کلی 76 درصد و ضریب کاپای 68 درصد بیشتر است. همچنین، می توان از تصاویر ابرطیفی هایپریون با استفاده از الگوریتم SAM در شناسایی نواحی دارای فلز مس استفاده کرد.

شاخص سطح برگ نقش مهمی در تبادل ماده و انرژی بین زمین و اتمسفر دارد. مانند سایر گیاهان، شاخص سطح برگ نیشکر معیار خوبی برای وضعیت سلامت و رشد این محصول است که به دلیل نقش آن در صنایع غذایی و انرژی، اهمیت اقتصادی بسیاری دارد. ماهواره PRISMA که در سال 2019 پرتاب شد، یکی از جدیدترین منابع داده های ابرطیفی را فراهم کرده است که به ویژه، در تهیه نقشه متغیرهای گیاهی کاربرد دارد. در پژوهش حاضر، نوع جدیدی از شبکه های عصبی مصنوعی، موسوم به شبکه عصبی تنظیم شده با روش بیزین (BRANN) که قانون بیز را برای غلبه بر مشکل بیش برازش شبکه های عصبی به کار می برد، استفاده می شود. مدل یادشده روی مجموعه ای داده، متشکل از طیف دریافت شده ازطریق ماهواره PRISMA به منزله متغیر مستقل و مقادیر اندازه گیری شاخص سطح برگ نیشکر به منزله متغیر وابسته، اجرا شد. اندازه گیری های زمینی شاخص سطح برگ نیشکر در 118 واحد نمونه برداری زمینی، روی مزارع کشت و صنعت نیشکر امیرکبیر در استان خوزستان و در هفت تاریخ متفاوت طی یک دوره رشد نیشکر در سال 1399، انجام شد. مقایسه عملکرد BRANN با یک روش متعارف شبکه عصبی، یعنی شبکه آموزش دیده با روش لونبرگ مارکوارت (LMANN) در بازیابی شاخص سطح برگ نیشکر از طیف PRISMA، حاکی از این است کهRMSE  بازیابی از 26/2 (m 2 /m 2 ) به روش LMANN به 67/0 (m 2 /m 2 )، با استفاده از روش BRANN کاهش یافته است. در این پژوهش، به منظور کاهش ابعاد داده نیز از تبدیل مؤلفه های اصلی استفاده شد. در بازیابی شاخص سطح برگ از بیست مؤلفه اصلی اول نیز RMSE از 41/1 (m 2 /m 2 ) با استفاده از روش LMANN به 71/0 (m 2 /m 2 ) طبق روش BRANN کاهش یافت. استفاده از مؤلفه های اصلی باعث کاهش چشمگیر زمان محاسباتی شد. با اجرای مدل آموزش دیده BRANN روی تصاویر PRISMA به صورت پیکسل به پیکسل، نقشه شاخص سطح برگ نیشکر تولید شد. ارزیابی این نقشه نشان داد که این نقشه تغییرات مکانی شاخص سطح برگ نیشکر را به خوبی نشان می دهد. نتایج این تحقیق بیانگر قابلیت بالای روش BRANN و تصاویر PRISMA برای بازیابی شاخص سطح برگ نیشکر است.