سنجش از دور و سیستم اطلاعات جغرافیایی
امید ترابی؛ نعمت اله کریمی؛ سارا شش انگشت؛ مریم رشتبری؛ امیرحسین سربازوطن
چکیده
به‌طور کلی هدف اصلی تحقیق حاضر بررسی تاثیر حضور تصاویر راداری در طبقه‌بندی تصاویر ماهواره-ای چند زمانه اپتیکی در الگوریتم‌های طبقه‌بندی مبتنی بر یادگیری ماشینی، شامل جنگل تصادفی (Random Forest)، درخت تصمیم کارت (CartDecision Tree) و ماشین بردار پشتیبان (Support Vector Machine) می‌باشد. در تحقیق حاضر ابتدا اطلاعات شاخص طیفی تفاضل نرمال شده گیاهی(NDVI) به همراه ...
بیشتر
به‌طور کلی هدف اصلی تحقیق حاضر بررسی تاثیر حضور تصاویر راداری در طبقه‌بندی تصاویر ماهواره-ای چند زمانه اپتیکی در الگوریتم‌های طبقه‌بندی مبتنی بر یادگیری ماشینی، شامل جنگل تصادفی (Random Forest)، درخت تصمیم کارت (CartDecision Tree) و ماشین بردار پشتیبان (Support Vector Machine) می‌باشد. در تحقیق حاضر ابتدا اطلاعات شاخص طیفی تفاضل نرمال شده گیاهی(NDVI) به همراه لایه‌های شیب، مدل رقومی ارتفاعی و یک تصویر اصلی تصحیح شده ماهواره Sentinel-2 توسط سه روش اشاره شده به صورت نظارت شده مورد آموزش و طبقه‌بندی قرار گرفت. سپس فرآیند طبقه‌بندی با حضور تصاویر راداری ماهواره Sentinel-1 مجدداً انجام گردید. در نهایت طی عملیات پس‌پردازش با استفاده از فیلتر بیشترین فراوانی پیکسل‌های منفرد به کلاس‌های همسایه الصاق شده و نتایج نهایی با داده‌های زمینی مورد صحت‌سنجی قرار گرفت. نتایج نشان داد در بررسی تمام کلاس‌ها، دقت کل و ضریب کاپا در حالت حضور داده‌های راداری و برای هر سه روش طبقه بندی تنها 3 درصد بهبود یافته است اما در بررسی یک به یک کلاس‌ها مشاهده می‌شود دقت تولید کننده روش جنگل تصادفی در کلاس کشت مجدد بهبود قابل‌توجهی داشته و مقدار آن از 74/0 به 84/0 رسیده است. در روش ماشین بردار پشتیبان نیز کلاس‌های دیم و باغات بهبود محسوس‌تری داشته‌اند که به ترتیب از 75/0 و 78/0 به 84/0 و 92/0 افزایش یافته است. نهایتاً می‌توان چنین عنوان کرد که اضافه کردن تصاویر راداری به عمل طبقه بندی تنها در کلاس‌های مربوط به اراضی کشت مجدد، دیم و باغات تاثیر مثبت و قابل‌توجهی دارد و نیز برتری کاملاً محسوس روش جنگل تصادفی در مقایسه با روش‌های دیگر مشهود است.
سنجش از دور و سیستم اطلاعات جغرافیایی
پریسا خواجوی؛ فرشاد نعمتی
چکیده
پیشرفت‌های فنّاوری سنجش‌ازدور آن را به جایگزین مناسبی برای روش‌های سنتی در پایش، شناسایی و تحلیل لکه‌های نفتی تبدیل کرده است. سنسورهای SAR معمولاً برای تشخیص لکه‌های نفتی استفاده می‌شوند، اما استفاده از تصاویر آن‌ها به دلیل هزینه‌های بالا، عرض برداشت کم و تفکیک زمانی ضعیف محدود است. سنجنده MODIS قرارگرفته بر روی سکوهای ترا و اکوا ...
بیشتر
پیشرفت‌های فنّاوری سنجش‌ازدور آن را به جایگزین مناسبی برای روش‌های سنتی در پایش، شناسایی و تحلیل لکه‌های نفتی تبدیل کرده است. سنسورهای SAR معمولاً برای تشخیص لکه‌های نفتی استفاده می‌شوند، اما استفاده از تصاویر آن‌ها به دلیل هزینه‌های بالا، عرض برداشت کم و تفکیک زمانی ضعیف محدود است. سنجنده MODIS قرارگرفته بر روی سکوهای ترا و اکوا در هرروز دو بار از هر نقطه از سطح کره زمین تصویر برداشت می‌کنند و تصاویر آن در قدرت تفکیک 250، 500 و 1000 متری هستند که منبع رایگان و ارزشمندی جهت آشکارسازی لکه‌های نفتی هستند. در این پژوهش به‌منظور آشکارسازی لکه‌های نفتی طی سه رخداد نشت نفت در سال‌های 2007، 2015 و 2016 اقدام به آشکارسازی لکه‌های نفتی با استفاده از تصاویر سطح یک MODIS شد. در مرحله پیش پردازش تصاویر MODIS به بازتاب بالای اتمسفر تبدیل شدند، به‌منظور آشکارسازی لکه‌های نفتی، از شاخص آشکارسازی لکه‌های نفتی استفاده شد و به برای بررسی اثر لکه‌های نفتی بر غلظت کلروفیل آب و فیتوپلانکتون‌ها، جلبک‌های شناور، رنگ آب، کدورت آبی و دمای سطح آب به ترتیب از شاخص‌ها و الگوریتم‌های OC3، CMI، FAI و SABI، NDVI، TWI و SST4 استفاده شد. نتایج نشان می‌دهد که لکه‌های نفتی در خروجی شاخص OSI منطبق بر پیکسل‌های با بالاترین DN ها در تصویر مربوط به هرسال است، همچنین لکه‌های نفتی باعث کاهش غلظت کلروفیل، جلبک‌های شناور، رنگ آب و دمای سطح آب و افزایش کدورت آبی می‌شوند که در تصاویر خروجی مربوط به همه شاخص‌ها و الگوریتم‌ها لکه‌های نفتی منطبق بر پیکسل‌های با حداقل ارزش DN ها است. در بین تمامی روش‌های مورداستفاده تنها شاخص CMI مربوط به فیتوپلانکتون‌ها تغییرات محسوسی در محدوده لکه‌های نفتی نشان نمی‌دهد؛ بنابراین پیشنهاد می‌شود جهت آشکارسازی لکه‌های نفتی از روش‌ها و شاخص‌های مورداستفاده در این پژوهش استفاده گردد.
