یاسر مقصودی مهرانی

ایرادیانس طیفی مستقیم خورشیدی، یکی از کمیتهای رادیومتریک بنیادی است، که داشتن اطلاعات دقیق از آن، میتواند محققین را در دستیابی به اطلاعات جدید در حوزه بهره بری از انرژی پاک خورشیدی و سایر حوزه های مربوطه یاری رسان باشد. در این کار پژوهشی، گامها و فرآیندهای مورد نیاز برای استقرار، کالیبراسیون و اعتبارسنجی یک ایستگاه دائم اندازه گیری ایرادیانس طیفی فرودی مستقیم خورشیدی در شهر هانوفر، آلمان ارائه شده است. این ایستگاه پس از تکمیل این مطالعه در دانشگاه هانوفر توسط محققین این پژوهش راه اندازی شد. به این ترتیب ایرادیانس فرودی خورشید با حد تفکیک طیفی یک نانومتر در بازه 300-800 نانومتر و حد تفکیک زمانی بسیار بالا (هر یک ثانیه 6 اندازه گیری) قابل اندازه گیری است. در این مطالعه، بهترین و دقیقترین ابزار ردیاب خورشیدی از بین سه دستگاه متداول انتخاب شد. مقایسه ی نتایج اندازه گیریهای این ایستگاه تازه تاسیس شده، با اندازه گیریهای ایستگاه پیرانومتری، همبستگی بالای اندازه گیریها را نشان می دهد. هدف از ارائه این راهنمای فنی، انتقال دانش فنی بروز به داخل کشور است، تا محققین داخلی کشور بتوانند با مطالعه این مقاله، به تاسیس مدرن ترین ایستگاههای اندازه گیری تابش خورشیدی بومی اقدام به عمل آورند.

چندین مطالعه انجام شده در دهه اخیر نشان داده است که سامانه های تصویربرداری رادار با روزنه مجازی ( SAR ) در مد Compact پلاریمتری ( CP ) می توانند بر معایب سامانه های تصویربرداری SAR در مد تمام پلاریمتریک ( FP ) غلبه کرده و عملکرد قابل قبولی را در کاربردهای مختلف سنجش از دور مانند مدیریت و پایش منابع مهم طبیعی از جمله جنگل ها ارائه دهند. در این راستا، فناوری نوینی به نام تداخل سنجی پلاریمتریک SAR ( PolInSAR) ، به عنوان ابزاری توانمند در این حوزه، بسیار مورد توجه قرار گرفته است. در این مقاله، عملکرد داده های C-PollnSAR ) Compact PollnSAR ) در مد ارسال و دریافت قطبش دایروی ( DCP ) جهت برآورد ارتفاع درختان جنگل مورد بحث و بررسی قرار گرفته است. برای این منظور، روش های مرسوم جهت بازیابی ارتفاع درختان در مناطق جنگلی، شامل روش تفاضلی مدل رقومی ارتفاعی ( DEM )، روش اندازه دامنه کوهرنسی و نیز روش ترکیبی (فاز و کوهرنسی)، بر روی این داده ها پیاده سازی شد. به منظور ارزیابی عملکرد داده های C-PolInSAR ، نتایج حاصل از این داده ها با نتایج به دست آمده از داده های Full PolInSAR) F-PollanSADR) مقایسه و ارزیابی گردید. نتایج تجربی به دست آمده در این تحقیق بر دو مجموعه داده شبیه سازی شده از نرم افزار PolSARProSim در باندهای L و P نشان دادند که داده های C-PolInSAR در مد DCP ، عملکرد و نتایج یکسانی نسبت به داده های F-PolInSAR با در نظر گرفتن HH+VV به عنوان قطبش پس پراکنش شده از زمین، در برآورد ارتفاع دارند. به ویژه آن که، داده های C-PolInSAR در مد DCP بهبود 78/0 متری و 55/0 متری را به ترتیب در باندهای L و P نسبت به داده های F-PolInSAR با انتخاب HH-VV به عنوان قطبش زمین، در برآورد ارتفاع درختان حاصل کردند. علاوه براین، به کارگیری داده های C-PolInSAR هنگامی که منابع سامانه های تصویربرداری پلاریمتریک محدود هستند، در دسترس نیستند، و نیز در طول موج های بلند، که قطبش ارسالی متأثر از چرخش فارادی است، می تواند یک راه کار مؤثر باشد.

داده های پلاریمتریک، یک  منبع اطلاعاتی اضافی در تداخل سنجی راداری محسوب می شوند که می توانند با کمک بهینه سازی پلاریمتری    با الگوریتم های مختلف تداخل سنجی راداری ترکیب شده و  منجر به بهبود کارایی این الگوریتم ها شوند . ترکیب اطلاعات پلاریمتری  و  تداخل سنجی راداری، که تحت عنوان تداخل سنجی راداری پلاریمتریک معرفی می شود، می تواند منجر به افزایش همدوسی و  تعداد پیکسل های پراکنش گر دائمی شود . این  تکنیک بر اساس بهینه سازی پلاریمتریک کانال های پلاریمتریک را با یکدیگر ترکیب کرده و  کانال بهینه ای را  تولید می کند که در آن تراکم و  کیفیت فاز پیکسل های  پراکنش گر دائمی نسبت به کانال های خطی افزایش پیدا کند . در  هر پیکسل این کانال بهینه،  بردار مکانیزم پراکنشی که منجر به بهینه ترین مقدار از تابع هدف مسئله بهینه سازی شود به عنوان بردار مکانیزم پراکنش بهینه انتخاب می شود . با توجه به  اهمیت  موضوع تراکم  پیکسل های پراکنش گر دائمی قابل اعتماد در موفقیت روش های PSI ، هدف اصلی این مقاله استفاده از اطلاعات پلاریمتریک دوگانه سنجنده Sentinel1-A و TerraSAR-X در الگوریتم تداخل سنجی PSInSAR معمولی و  مقایسه و  ارزیابی این داده ها  در افزایش تراکم پیکسل های پراکنش گر دائمی می باشد . در  این تحقیق ترکیب  اطلاعات پلاریمتریک دوگانه با  الگوریتم تداخل سنجی PSInSAR به کمک بهینه سازی شاخص پراکندگی دامنه انجام گرفت . به  منظور بررسی رویکرد پیشنهادی این تحقیق،  تعداد  40 تصویر  پلاریمتریک دوگانه (VV/VH) سنجنده Sentinel1-A در بازه  زمانی  فوریه 2017 تا می 2018 و  20 تصویر پلاریمتریک دوگانه   (HH/VV) سنجنده TerraSAR-X در بازه  زمانی جولای 2013 تا آپریل 2014 مورد  استفاده قرار گرفت . نتایج نشان  می دهد بهینه سازی پلاریمتریک با داده های S1A تراکم PS ها را برای کل  منطقه،  منطقه شهری و  منطقه غیر شهری به ترتیب حدود  7/1 برابر،  6/1 برابر و 9/1 برابر افزایش  داد . همچنین  این  افزایش  در مورد داده های TSX به ترتیب حدود 3 برابر، 2/3 برابر و  9/2 برابر  بود .

تهیه ی اطلاعات مربوط به سطح زیر کشت گندم و میزان محصول آن، تأمین کننده ی مدیریت موفق و پایدار در سیاست گذاری های اقتصادی برای این کالای راهبُردی می باشد. بررسی بازتاب طیفی گیاهان با استفاده از طیف سنجی میدانی و تشکیل کتابخانه ی طیفی امکان تفکیک ارقام مختلف گندم و تهیه ی نقشه ی پراکندگی آن ها را افزایش می دهد. به همین منظور منحنی رفتار طیفی مربوط به شش رقم گندم به نام های بهار، چمران، پیشتاز، شیراز، شیرودی و یاواروس در مزرعه ی مؤسسه ی تحقیقات اصلاح و تهیه نهال و بذر کرج در سه مرحله ی رویشی اندازه گیری شدند. مشاهدات توسط دستگاه طیف سنج میدانیASD FieldSpec®3 در نور و شرایط طبیعی اخذ گردیدند. در مرحله ی پیش پردازش سه محدوده ی نویزی متأثر از بخار آب، شناسایی و حذف شدند. سپس به منظور کیفی سازی داده های جمع آوری شده با استفاده از روش های آماری مشاهدات اشتباه کنار گذاشته شدند. این پژوهش در دو گام اصلی طراحی و اجرا شد. در گام اول تابع پاسخ طیفی سنجنده ی OLI که بر روی ماهواره ی لندست 8 نصب شده است، بر روی طیف های کتابخانه اعمال گردید. سپس با استفاده از معیارهای شباهت طیفی و بیست و هفت شاخص گیاهی مهم حساس به غلظت کلروفیل، شدت فتوسنتز، نیتروژن و میزان آب موجود در تاج گیاه و غیره، حد نهایی تفکیک پذیری ارقام گندم مورد مطالعه، برآورد شد. در گام دوم با انجام بازدید میدانی از منطقه ی مورد مطالعه و اخذ تصاویر ماهواره ای سنجنده ی مورد نظر با استفاده از طیف های کتابخانه ی طیفی، طبقه بندی مزارع شناسایی شده، صورت گرفت. نتایج حاصل تفکیک پذیری قابل ملاحظه ی رقم گندم یاواروس را از سایر ارقام، هم در طیف های میدانی و هم در تصاویر ماهواره ای نشان داد.

یکی از پرکاربردترین روش های طبقه بندی نظارت شده، روش بیشترین احتمال است که در آن، به منظور طبقه بندی از پارامترهایی آماری مانند ماتریس واریانس کوواریانس استفاده می شود. در تصاویر ماهواره ای ابرطیفی، به علت محدودیت نمونه های آموزشی و ابعاد بالای طیفی (زیاد بودن تعداد باندها)، احتمال یکتا شدن ماتریس های برآورد شده و یا کاهش دقت طبقه بندی وجود دارد. به منظور حل این مشکل از روش های مختلفی همچون کاهش تعداد ویژگی ها (کاهش تعداد باندهای استفاده شده) و یا ترکیب طبقه بندی کننده ها استفاده می گردد. در این پژوهش از تلفیق این دو روش استفاده شده است، بدین ترتیب که برای کاهش ابعاد، روش استخراج ویژگی غیرپارامتریک وزن دار به علت مزایای متعدد آن به کار رفته است؛ و در مورد ترکیب طبقه بندی کننده ها برای ایجاد ترکیبات مناسب از طبقه بندی کننده ها، از روش تغییر ویژگی های ورودی و روش استخراج ویژگی بر مبنای کلاس استفاده شده است. همچنین در ترکیب خروجی طبقه بندی کننده ها، از روش های سطح اندازه گیری استفاده شده است. تصویر ابرطیفی مورد استفاده در این پژوهش، تصویر سنجنده AVIRIS مربوط به منطقه ای جنگلی / کشاورزی در شمال ایالت ایندیانا در امریکاست. پس از پیاده سازی روش استخراج ویژگی غیرپارامتریک وزن دار، دقت طبقه بندی کلی 67/85 درصد حاصل گردید. در ترکیب طبقه بندی کننده ها، دقت طبقه بندی کلی 26/89 درصد و در روش پیشنهادی دقت طبقه بندی کلی 34/89 درصد به دست آمد، که در قیاس با دو روش تشکیل دهنده آن، دقت طبقه بندی بهبود یافته است. به رغم کم بودن میزان بهبود دقت، به علت کاهش پیچیدگی محاسبات و همچنین امکان انجام محاسبات موازی، روش پیشنهادی در این پژوهش مناسب تر به نظر می رسد.