سنجش از دور و GIS ایران

بررسی های اخیر نشان داده است که سیستم لیدار در برداشت سریع و دقیق اطلاعات سه بعدی از عوارض، در مناطق شهری توانایی بالایی دارد. از مهم ترین پردازش هایی که روی داده های لیدار صورت می گیرد، فیلترینگ آن هاست که عبارت است از تفکیک نقاط مربوط به عوارض ارتفاعی (ساختمان ها و درختان) از نقاط زمینی. تاکنون الگوریتم های فیلترینگ فراوانی طراحی شده است، اما هر یک از آن ها معایب و نواقصی دارند. مشکل اساسی این الگوریتم ها، ناتوانی شان در حذف ساختمان و عوارض بزرگ است که ناشی از عملکرد ناحیه ای آن هاست. در این تحقیق تلاش شده است تا با بهره گیری از قابلیت های تکنیک های طبقه بندی، راه حلی برای این مشکل ارائه شود. در این پژوهش ابتدا داده های لیدار به وسیله الگوریتم شیب مبنا که از شناخته شده ترین روش های فیلترینگ به شمار می آید فیلتر شدند. در ادامه، با استفاده از سه روش طبقه بندی ماشین بردار پشتیبان، شبکه عصبی مصنوعی، و حداکثر احتمال، داده های لیدار به پنج کلاس راه آسفالته، درختان، ساختمان، سیمان، و چمن طبقه بندی گردیدند. در نهایت، نقاط ساختمان های بزرگ که به وسیله الگوریتم شیب مبنا فیلتر نشده بودند، با نتایج حاصل از روش های طبقه بندی حذف گردیدند. ارزیابی ها نشان می دهند که روش حداکثر احتمال نتایج ضعیفی را ارائه می کند، اما روش های ماشین بردار پشتیبان و شبکه عصبی مصنوعی نتایج نزدیک به هم و بسیار خوبی را عرضه کرده اند. به طور کلی استفاده از این تکنیک های طبقه بندی برای بهبود نتایج الگوریتم های فیلترینگ، باعث افزایش ناچیزی در خطای نوع اول می گردد ولی سبب کاهشی شدید در خطای نوع دوم و خطای مجموع می شود. از آنجا که در فرایند فیلترینگ داده های لیدار، اهمیت خطاهای نوع دوم و مجموع بیش از خطای نوع اول است، می توان ادعا کرد که انجام این پردازش تکمیلی نتایج بسیار مفیدی را دربرداشته است. ارزیابی کمّی دقت نتایج نشان می دهد که خروجی الگوریتم با آستانه شیب o 20 پس از بهبود داده شدن با استفاده از خروجی طبقه بندی کننده شبکه عصبی مصنوعی، بهترین نتیجه را به دست داده است که در آن خطای نوع اول از 98/4 درصد به 04/5 درصد افزایش ولی خطاهای نوع دوم و مجموع به ترتیب از 043/9 درصد و 03/7 درصد به 49/4 درصد و 76/4 درصد کاهش یافته اند.

در زمینه مسائل تخصیص خدمات و مراکز خدماتی با ظرفیت مشخصی برای متقاضیان، مطالعات کمی صورت گرفته است و اکثر راه حل های ارائه شده برای این نوع مسائل، محاسباتی پیچیده دارند. برای حل این مشکل، روش های ابتکاری متناسب با شرایط مسئله شکل گرفته اند. همچنین در بیشتر کاربردها و مسائل تخصیص، بخش مهمی از اطلاعات و تحلیل ها جنبه مکانی دارد، ولی پژوهشگران تحقیق در عملیات و مدیریت که در این زمینه مطالعه بیشتری دارند، معمولاً به این موضوع کمتر توجه کرده اند. تخصیص مصدومان زلزله به مراکز درمانی را می توان در مسائل تخصیص های ظرفیت دار طبقه بندی کرد که اهمیت زیادی در مدیریت بحران زلزله دارند. از این رو، تکوین روشی مناسب برای بهینه سازی تخصیص مصدومان به مراکز درمانی اثر مهمی در کاهش زمان امداد رسانی و درنتیجه، کاهش صدمات جانی دارد. در این مقاله، ارائه روشی ابتکاری بر پایه الگوریتم ژنتیک برای بهینه سازی عملیات تخصیص مصدومان زلزله به مراکز درمانی، با استفاده از قابلیت های سامانه اطلاعات مکانی (GIS) توضیح داده می شود. به منظور بررسی کارایی الگوریتم طراحی شده، دو روش متفاوت برای تعداد و نحوه پراکندگی مکانی مصدومان زلزله برای منطقه مطالعه شده درنظر گرفته شد. مشکل دیگری که در پیاده سازی روش طراحی شده به آن توجه شده است، تأثیر میزان جمعیت اولیه الگوریتم ژنتیک در نحوه حل مسئله و زمان حل آن بود. با بررسی نتایج به دست آمده می توان گفت ساختار طراحی شده توانایی لازم برای حل این نوع مسائل را با انتخاب میزان جمعیت اولیه مناسب دارد.

ه هدف از این مطالعه مدل سازی آماری عملکرد گندم دیم در استان کردستان است. به این منظور از مدل های رگرسیون خطی چندمتغیره استفاده شده، که متغیر وابستة آنها میزان عملکرد گندم دیم است و متغیرهای مستقل شان سه دسته اند: نخستین گروه، عناصر اقلیمی و شاخص های اقلیم کشاورزی هستند. دومین گروه از متغیرهای مستقل در این تحقیق را شاخص های گیاهی استخراج شده از سنجندة AVHRR از ماهواره NOAA برای زمان حداکثر سبزینگی (حداکثر شاخص سطح برگ)، تشکیل داده اند. سومین گروه متغیرهای مستقل تحقیق، ترکیب دو گروه متغیرهای مستقل فوق است. روش بازنمونه گیری بوت استرپ روی همة مدل های استخراج شده اجرا، و برمبنای نتایج آن، میزان عملکرد برای سال های 1383 تا 1385 تخمین زده شده است. تحلیل های انجام شده نشان می دهد که با ورود عناصر اقلیمی و شاخص های اقلیم کشاورزی به عنوان متغیرهای مستقل به مدل های رگرسیون خطی، مناسب ترین مدل های برآورد عملکرد گندم دیم در کل استان کردستان و شهرستان های سقز و بیجار، داده های مرحله زایشی (23 اردیبهشت تا 20 خرداد) است. در شهرستان دیوان دره، بهترین مدل از مجموع دو مرحلة دوم رویشی و مرحله زایشی به دست آمده است. در شهرستان مریوان بهترین مدل، با توجه به داده های مرحله خواب (22 آذر تا 25 اسفند)، و در دو شهرستان سنندج و قروه با توجه به داده های کل فصل رشد به دست آمده است. همچنین نتایج نشان می دهد که استفاده از شاخص های گیاهی استخراج شدة شاخص DVI برای مدل سازی و پیش بینی عملکرد گندم دیم مناسب تر است. افزون بر اینها، مدل های ترکیبی شامل ترکیب عناصر اقلیمی و شاخص های اقلیم کشاورزی با شاخص های طیفی گیاه، مدل هایی با دقت بالاتر به دست می دهند. کاربرد روش بازنمونه گیری بوت استرپ روی مدل های رگرسیونی به دست آمده، در مطالعات مدل سازی محصول که تعداد نمونه ها زیاد نیست دقت درون مدلی را افزایش می دهد و به همین دلیل می توان از آن برای عملکرد محصول گندم دیم استفاده کرد.

در تحقیق حاضر، احتمال کانه زایی مس پورفیری در محدودة کوه هنزا در حوالی روستای درب بهشت واقع در بخش جنوبی زون دهج ساردوئیه با استفاده از تصاویر استر بررسی شده است. در این منطقه کانه زایی مس پورفیری در مناطق رمشک، بندر هنزا، سوراخ مار، و گروه شناخته شده است. به منظور شناسایی هاله های دگرسانی فیلیک و آرژیلیک که معمولاً در اطراف کانسارهای مس پورفیری وجود دارند، از دو الگوریتم نقشه بردار زاویه طیفی (SAM) و عملگر منطقی استفاده شده است. روش عملگر منطقی مجموعه ای از نسبت های باندی است که در بخش نخست آن نواحی پوشش گیاهی حذف گردیدند و به دنبال آن با کمک نسبت های باندی هاله های دگرسانی استخراج از یکدیگر متمایز شدند. در روش SAM با توجه به ویژگی های طیفی کانی های دگرسان شده در باندهای مناطق دگرسانی آرژیلیک و فیلیک با استفاده از کانی های خاص، این نوع دگرسانی ها همانند کائولینیت و مسکویت مشخص شدند. محاسبه ضریب تشابه در دو روش مذکور نشان می دهد که میزان تشابه در آن ها در حد متوسط، و ضریب تشابه نقاط معدنی با نواحی تأییدشده با هر دو روش بسیار مناسب است. بنابراین، نواحی ای که در آن هر دو روش SAM و الگوریتم عملگر منطقی همدیگر را تأیید می کنند بیشترین احتمال کانه زایی مس پورفیری را دارند.

آتش سوزی جنگل پدیده ای است که خسارت های مالی و برخی مواقع جان بسیار زیادی به بار می آورد. شناسایی و بررسی اثر پارامترهای مؤثر در وقوع آتش سوزی و مدل سازی آن ها در پیشگیری آتش سوزی و کاهش خسارت های ناشی از آن بسیار مفید است. در این تحقیق، با استفاده از روش های شبکه عصبی و تصمیم گیری چندمعیاره، مناطق دارای پتانسیل بالای آتش سوزی در استان گلستان شناسایی شده است. در روش پیشنهادی برای تهیة نقشة خطر آتش سوزی، ابتدا با استفاده از تصمیم گیری چندمعیاره نقشة خطر استاتیک و سپس از طریق شبکة عصبی مصنوعی، نقشة خطر دینامیک تهیه می شود. سرانجام از ترکیب این دو، نقشة خطر آتش سوزی به دست می آید که مقادیر هر پیکسل در آن بیانگر میزان احتمال وقوع آتش سوزی برای آن پیکسل است. برای ارزیابی مدل از داده های آتش سوزی ماه ژوئن سال 2005 استفاده شده است. مدل پیشنهادی درصدی از مساحت منطقه را به عنوان منطقة پرخطر شناسایی می کند. با توجه به این که درصد آتش سوزی اتفاق افتاده در آن منطقه نیز معلوم است، معیار دقت از تقسیم درصد آتش سوزی های رخ داده در منطقة پرخطر به درصد مساحت آن منطقه تعریف می شود. این معیار دقت برای نقشة استاتیک با وزن های یکسان پارامترها برابر 86/1 و در حالت استخراج وزن ها به روش AHP برابر 21/2 به دست آمد، که بیانگر بهبود دقت مدل از طریق روش AHP است. طبق نتایج مدل نهایی، حدود 49/70 درصد آتش سوزی ها در مناطقی که به عنوان مناطق پرخطر شناسایی شده، اتفاق افتاده است. در حالی که در مناطق بی خطر و کم خطر هیچ آتش سوزی اتفاق نیفتاده و در منطقة با خطر متوسط 51/29 درصد از آتش سوزی ها اتفاق افتاده است. همچنین معیار دقت برای مدل نهایی برابر 77/2 به دست آمده است.

تاکنون الگوریتم های متفاوتی برای ادغام رنگی تصاویر با قدرت تفکیک مکانی بالا ارائه شده است. برای انتخاب الگوریتم ادغام رنگی مناسب، به معیاری برای مقایسه نیاز است که بتواند بهبود هر الگوریتم را در مقایسه با الگوریتم دیگر مشخص سازد. برای ارزیابی کیفیت طیفی الگوریتم ها، معیارهای آماری متعددی ارائه گردیده است. یکی از محدودیت های معیارهای ارائه شده آن است که مستقلاً برای هر پیکسل تصویر محاسبه می شود و به همسایگی پیکسل و جزئیات تصویر توجهی نمی شود. در معیارهای ارزیابی کیفیت مکانی نیز فقط از همسایگی 33 استفاده می شود. در این تحقیق، دو دسته معیار در ترکیب با هم پیشنهاد شده است که هم کیفیت طیفی و هم کیفیت مکانی تصاویر ادغام شده را در سطح پیکسل و همسایگی آن ارزیابی می کنند. یکی از روش های پیشنهادی ارزیابی کیفیت طیفی و مکانی تصاویر ادغام شده، مبتنی بر تبدیل موجک و دیگری مبتنی بر فیلترهای استخراج نقطه، خط، و لبه در همسایگی 55 هر پیکسل است. روش های پیشنهادی در 13 نوع پوشش شهری متفاوت از تصاویر سنجندة Geo Eye-1 بررسی کمّی شده اند. نواحی گوناگون شهری به گونه ای انتخاب شده اند که پوشش ها و نوع ساختمان های متفاوت شهری را در بر گیرند. نتایج نشان می دهد که روش پیشنهادی ارزیابی کیفیت مکانی و طیفی بین الگوریتم های ادغام رنگی تمایز خوبی (حدود 8 برابر) قائل می شود. این قابلیت سبب می شود تا انتخاب الگوریتم بهینه ادغام رنگی برای هر نوع پوشش شهری، صحیح تر صورت گیرد.

در سال های اخیر وقوع طوفان های گرد وغبار به بحران جدی منطقه ای تبدیل شده است. استان خوزستان، از مناطقی است که تحت تأثیر این پدیده قرار دارد. پارامترهای اقلیمی و پوشش گیاهی در وقوع این طوفان ها نقش مهمی دارند. در این تحقیق، تغییرات زمانی و مکانی پارامترهای اقلیمی و پوشش گیاهی و ارتباط آن ها با پدید آمدن طوفان های گردوغبار بررسی شد. بدین منظور، داده های اقلیمی (سرعت باد، دما، بارندگی، درصد رطوبت نسبی)، و فراوانی وقوع ریزگردها از سال 2000 تا 2008 ارزیابی شد. با استفاده از تصاویر مودیس، شاخص NDVI برای هر ماه طول این دوره استخراج و سپس واسطه یابی داده ها با روش کریجینگ انجام شد. بعد از انجام پیش پردازش، داده ها به ماتریس های 1819 تبدیل شدند. مدل رگرسیون خطی ای چندمتغیره (از لحاظ پارامتر) بین پارامترهای اقلیمی و پوشش گیاهی (متغیرهای مستقل) و فراوانی طوفان های گرد و غبار برای هر پیکسل (المان ماتریس) تخمین زده شد. براساس مدل های به دست آمده، بین مقادیر واقعی و پیش بینی شده در تمام ماه ها به جز خرداد، انطباق (0/96 درصد) وجود دارد. تفسیر نقشه های خاک، کاربری اراضی، و نوع پوشش گیاهی، از وجود خاک های شور و قلیا با قابلیت انتشار زیاد به هوا در مناطق جنوبی استان نشان دارد که باعث ایجاد بالاترین پتانسیل وقوع گرد و غبار با منشأ داخلی در این مناطق شده است. نتایج تست اعتبارسنجی برای همة انواع خاک، نشان داد که بیشترین دقت، به خاک های شور و قلیا و کمترین دقت، به خاک های باتلاقی شور و تپه های شنی ربط دارد. بنابراین، تخریب پوشش گیاهی به طور مؤثری فراوانی طوفان های گردوغبار با منشأ داخلی را در استان خوزستان تحت تأثیر قرار داده است و خاک های شور و قلیا بیشتر از سایر خاک ها مستعد رهاسازی ذرات غبار به جو هستند.