مهندسی فناوری اطلاعات مکانی
سال:1396 | دوره:5 | شماره:1 |تعداد مقالات:8

تعیین نوع و تقاضای سفر اهمیت زیادی در سازمان های حمل و نقل هر کشور دارد. با تشخیص دقیق نوع وسیله سفر هر کاربر، امکان ارائه تصویر واقعی تری از تقاضای سفر فراهم می شود. همچنین در سرویس های مکان مبنا دانستن نوع وسیله سفر برای فرستادن تبلیغات هدفمند کاربرد دارد. در این تحقیق به منظور استخراج خودکار نوع وسیله سفر از شبکه عصبی-فازی و داده های سیستم تعیین موقعیت جهانی (GPS) وسیله همراه استفاده شده است. دانش مورد نیاز در قالب قوانین فازی از داده ها استخراج گردید و سپس با استفاده از این قوانین نوع وسیله سفر تعیین شد. در دو حالت مدل پیشنهادی مورد بررسی قرار گرفت. در حالت اول از کل داده های GPS به دست آمده از وسایل همراه برای تعیین نوع وسیله سفر استفاده گردید و در حالت دوم به منظور کاهش تعداد داده های مورد نیاز از وسیله همراه GPS دار، الگوریتم نقاط بحرانی به کار گرفته شد. به کارگیری این الگوریتم علاوه بر کاهش هزینه های جمع آوری داده، باعث حفظ منابع وسیله همراه از قبیل عمر باتری می گردد. نتایج حاکی از این است که مدل پیشنهادی در حالت استفاده از کل داده ها با دقت %94.1 و در حالت استفاده از نقاط بحرانی با دقت %95.5 قابلیت شناسایی نوع وسیله سفر را دارا می باشد.

در این تحقیق روشی جهت آشکارسازی نظارت نشده تغییرات در تصاویر چندزمانه SAR مبتنی بر ادغام خوشه بندی و مدل منحنی فعال ارائه شده است. در این روش، با استفاده از فیلتر گابور، در مقیاس و در جهات مختلف، اطلاعات بافتی تصویر استخراج می گردد و جهت کاهش وابستگی میان ویژگی های استخراجی و اطلاعات تصاویر، از آنالیز مولفه اصلی با هسته کرنل (KPCA) استفاده می شود. همچنین، برای تولید تصویر اختلاف از تبدیل موجک گسسته و به منظور تولید منحنی اولیه برای مدل منحنی فعال از خوشه بندی گوستافسون کسل (GKC) استفاده می شود. در نهایت از مدل منحنی فعال ناحیه مبنای غیر پارامتریک برای تولید نقشه تغییرات، مبتنی بر مناطق تغییریافته و تغییرنیافته، استفاده می شود. جهت ارزیابی عملکرد روش پیشنهادی دو مجموعه تصاویر ماهواره ای چندزمانه با قدرت تفکیک مکانی بالا از سنجنده TerraSAR-x در نظر گرفته شده است. نتایج تجربی آشکارسازی تغییرات نشان می دهد که برای مجموعه داده اول میزان نرخ خطای کل روش پیشنهادی نسبت به مدل چان وس (Chan–Vese)، روش زنجیره تصادفی مارکوف (MRF) و ادغام زنجیره مخفی تصادفی مارکوف و بیشینه سازی امید ریاضی (EMHMRF) به ترتیب 4.95 درصد، 3.30 درصد و 3.34 درصد کاهش یافته است و برای مجموعه داده دوم میزان نرخ خطای کل روش پیشنهادی نسبت به مدل Chan–Vese، روش MRF و EMMRF به ترتیب 2.56 درصد، 1.86 درصد و 1.87 درصد کاهش یافته است. همچنین نتایج نشان می دهد که استفاده از روش خوشه بندی GKC موجب تولید منحنی اولیه با حداقل زمان همگرایی برای مدل منحنی فعال گشته و استفاده از مدل منحنی فعال موجب افزایش دقت تولید نقشه تغییرات با استفاده از فرآیندی تکراری شده است.

یکی از مشکلات حاکم بر مدل های یونسفری موجود، عدم تعامل و فقدان قابلیت ترکیب بین مدل هاست. این تحقیق به بررسی نحوه برهمکنش بین مدل های جهانی و منطقه ای یونسفری مبتنی بر توابع پایه ریاضی پرداخته است. ازآنجایی که توابع پایه اسلپین کروی قابلیت تعریف بر روی کل کره (مدل جهانی) و بخش از کره (مدل منطقه ای) را دارند، مبنای تلفیق طیفی قرار گرفته اند. دو دسته توابع پایه اسلپین کروی با ضرایب مختلف برای تلفیق طیفی (ترکیب مدل ها) مفروض هستند. ضرایب یک دسته که مربوط به مدلسازی با داده های منطقه ای (مدلسازی مستقیم) است، از مدلسازی توسط ایستگاه های محلی به دست آمده اند. دسته دیگر حاصل از ضرایب هارمونیک های کروی و یا تبدیل یافته مدل هارمونیک کروی به اسلپین کروی (مدلسازی غیرمستقیم) در یک زیرفضای مکانی برابر با دسته اول است. به منظور پیاده سازی تئوری تلفیق طیفی، درجه و مرتبه بیشینه مطابق با محصولات یونسفری سرویس های بین المللی برابر با 15 در نظر گرفته شده است. محدوده جغرافیایی مطالعاتی نیز محدوده قطب شمال فرض شده است، که تقریبا عرض های جغرافیایی بالاتر از 60 درجه را به صورت کلاهک کروی پوشش می دهد. فرآیند درستی آزمایی با مشاهدات گیرنده های دو فرکانسه 3 ایستگاه مشاهداتی که در مدلسازی جهانی و مستقیم حضور نداشته اند، انجام شده است. ریشه میانگین مربعات خطاهای حاصل از درستی آزمایی برای مدل های جهانی، غیرمستقیم، مستقیم و تلفیقی به ترتیب، 3.7، 2.2، 1.9 و 1.4 واحد محتوای کلی الکترونی می باشد. به عبارت دیگر، نتایج تلفیق طیفی مدل های مستقیم و غیرمستقیم نشان از صحت بیشتر این نوع مدل سازی دارد. با تلفیق طیفی می توان اثرات تعداد کم ایستگاه ها در مدل سازی غیرمستقیم و توزیع نامناسب ایستگاه ها در مدل سازی مستقیم را کم کرد. بنابراین خطای روش تلفیقی به صورت کلی کمتر از دو روش دیگر است.

گسترش روز افزون شهرنشینی به ویژه در کشورهای در حال توسعه موجب توسعه هر چه بیشتر مناطق شهری می گردد. رشد جمعیت و مهاجرت روستاییان به شهرها، از عوامل عمده این توسعه می باشند. با انجام برنامه ریزی دقیق، توسعه شهری به سمت و سوی مناسب هدایت خواهد شد. توسعه مناسب شهر نیز موجب می گردد، امکانات شهری به صورت مناسب در سطح شهر فراهم شده و از سوی دیگر آسیب کمتری به طبیعت وارد شود. برای انجام برنامه ریزی دقیق تر، شبیه سازی رایانه ای راه حل بسیار مناسبی است. با به کارگیری تکنیک های سیستم اطلاعات مکانی (GIS)، آنالیزهای آماری و داده های شهری مناسب، شبیه سازی یارانه ای امکان پذیر است. در این پژوهش سعی شده است با تلفیق مدل عامل-مبنا و الگوریتم بهینه سازی ازدحام ذرات (PSO) مدل نوینی در راستای شبیه سازی توسعه شهری، توسعه داده شود. شهر زنجان به عنوان مطالعه موردی انتخاب شده و توسعه شهری آن در بازه زمانی سال 2005 تا 2015 مورد بررسی قرار گرفته است. در مدل توسعه داده شده، اقشار مختلف توسعه دهندگان با توجه به سطح درآمدشان به سه دسته عامل با رفتارهای مختص خود تقسیم شده اند که در محیط به کاوش پرداخته و شرایط محیط را مورد سنجش قرار می دهند. در نهایت عامل ها مکان مناسبی را جهت توسعه انتخاب کرده و توسعه می دهند. نزدیکی خروجی مدل به واقعیت، بر مبنای شاخص کاپا 74% محاسبه گردید. این مقدار برای شاخص کاپا نشان می دهد، مدل ارائه شده در این پژوهش، توسعه شهر را با دقت مناسبی پیش بینی می کند. از طرفی با مقایسه نتایج می توان نتیجه گرفت وارد کردن تاثیرات روابط اجتماعی افراد در جامعه توسط الگوریتم PSO بر دقت مدل می افزاید و با در نظر گرفتن این پارامتر پیش بینی ها تطابق بیشتری با واقعیت دارند. پیشنهاد می شود در تحقیقات آتی، رفتار عامل ها با جزئیات بیشتری از جمله رقابت عامل ها مدل شود.

جزر و مد اقیانوس ها خطای الیازینگ قابل توجهی در مشاهدات گرانی سنجی ماموریت های ماهواره ای نظیر گریس ایجاد می کند. مطالعات گوناگون در زمینه ماموریت های آینده نشان می دهد که در صورت استفاده از تکنولوژی لیزر در امر اندازه گیری فاصله میان دو ماهواره نظیر گریس که آرایش خطی دارند، نویز مشاهدات به طور قابل توجهی کاهش می یابد. در این صورت، خطای الیازینگ حاصل از جزر و مد به عنوان مهم ترین منبع خطا در مشاهدات باقی می ماند. در این مقاله میزان کارآمدی روش حذف خطای الیازینگ مورد استفاده در مرحله پس پردازش، برای مشاهدات حاصل از دو جفت ماهواره مورد بررسی قرار می گیرد. بدین منظور، نحوه نمونه برداری چند مولفه جزر و مدی در دو آرایش ماهواره ای مختلف مورد بررسی قرار گرفت. با استفاده از الگوی مدار تکراری و زمان نمونه برداری مشاهدات، پریود الیازینگ هر مولفه به طور مجزا محاسبه گردید. نتایج حاصل از بزرگی دامنه و نحوه توزیع خطای الیازینگ جزر و مدی نشان می دهد، آرایش دو جفت ماهواره نسبت به یک جفت ماهواره نقش مهم تری را در فرآیند حذف و کاهش خطای الیازینگ بازی می کند. هم چنین، با استفاده از عملگر کمترین مربعات، خطای الیازینگ به طور قابل توجهی کاهش می یابد.

استفاده از سوپرپیسکل ها به عنوان یک مرحله واسط بین پردازش در سطح پیکسل ها و سایر پردازش های تصویری کمک شایانی به ساده سازی و کاهش حجم محاسبات می کند. در این پژوهش توانایی الگوریتم SLIC در تولید سوپرپیکسل ها و قطعات تصویری برای تصاویر سنجش ازدوری با توان تفکیک مکانی بالا مورد بررسی قرار گرفته است. در روش پیشنهادی سوپرپیکسل های مربعی و شش ضلعی مورد بررسی قرار گرفته اند. همچنین برای تولید قطعات تصویری با استفاده از سوپرپیکسل ها از خوشه بندی توسط الگوریتم DBSCAN استفاده شده است. این سوپرپیکسل ها و قطعات تصویری به سه صورت بصری، نظارت شده و نظارت نشده ارزیابی شده اند و بررسی ها نشان دادند که سوپرپیکسل ها و قطعات تصویری تولیدشده به روش پیشنهادی انطباق مناسبی با مرز عوارض موجود در تصویر دارند. علاوه بر این مقایسه نتایج کمی نشان داد که روش پیشنهادی در مقایسه با روش قطعه بندی FNEA نتایج قابل قبولی را تولید می کند.

پایش کمی و کیفی پوشش های گیاهی از کاربردهای اصلی دانش سنجش ازدور می باشد. تشخیص روند تغییرات پوشش گیاهی، مخصوصا در مقیاس جهانی و منطقه ای نیازمند مطالعات بلند مدت، فراتر از طول عمر یک ماهواره، می باشد. از سوی دیگر ترکیب داده های سنجنده های مختلف می تواند منجر به پیدایش تغییرات کاذب در مقادیر بازتابش باندی و به دنبال آن شاخص های طیفی گردد. از مهم ترین دلایل تغییرات کاذب در مطالعات چند سنجنده ای، تفاوت تابع حساسیت طیفی سنجنده های مورد مطالعه است. در این شرایط باید با انجام کالیبراسیون نسبی، حتی الامکان تاثیر این عامل را کاهش داد. در این تحقیق با به کارگیری روابط چندجمله ای، کالیبراسیون سنجنده های لندست (OLI، ETM+، ETM) و اسپات-5 (HRG) نسبت به سنجنده سنتینل-2 با هدف حذف تغییرات کاذب، صورت پذیرفته است. در این میان از مدل های انتقال تابش PROSPECT4 و 4 SAIL جهت شبیه سازی منحنی های رفتار طیفی و به دنبال آن از مدل اختلاط طیفی خطی برای اضافه نمودن اثر خاک، استفاده شد. سپس مقادیر شاخص های طیفی که در زمینه پوشش گیاهی پرکاربرد (NDWI، EVI، NDVI) هستند و باندهای بازتابشی مورد نیاز برای محاسبه آن شاخص ها (آبی، قرمز، فروسرخ نزدیک، فروسرخ کوتاه)، برای هر یک از رفتارهای طیفی شبیه سازی شدند. بررسی ها نشان داد معادلات خطی به خوبی می توانند مقادیر سنجنده های مختلف را نسبت به سنجنده MSI کالیبره نمایند. به منظور اعتبارسنجی نتایج، از اندازه گیری های سنجنده هوایی AVIRIS به همراه بخشی از داده های شبیه سازی شده، بهره برداری شد. طبق نتایج در میان شاخص ها، انجام پیش پردازش کالیبراسیون نسبی، برای شاخص EVI، از ضرورت بیشتری برخوردار است و در طرف مقابل در میان مقادیر بازتابشی، باند فروسرخ از همبستگی بالاتری نسبت به سایر مقادیر برخوردار است. مقادیر معیارهای و NRMSE به دست آمده، گویای این نکته اند که مقادیر باندهای بازتابشی و شاخص های گیاهی از هماهنگی بالایی برخوردار هستند به طوری که حتی در برخی از موارد، عدم اعمال کالیبراسیون نسبی، ممکن است اختلالی به سری زمانی وارد نسازد.

افزایش ابعاد فضای ویژگی ورودی موجب تمایز بیش تر کلاس های پوششی در طبقه بندی تصاویر سنجش از دور می شود اما تعداد کم نمونه های آموزشی مانع از بروز این عملکرد مثبت می شود. استفاده از روش های گروهی به جای طبقه بندی کننده های منفرد راه حل مناسبی برای برخورد با این مشکل است. در این مقاله روشی با عنوان «ماشین های تصادفی بردار پشتیبان (SVRMs)» برای جمعی کردن روش SVM پیشنهاد می شود. روش پیشنهادی نسبت به روش های قبلی در جمعی کردن SVM مزایای موثری دارد. اعمال هم زمان روش بگینگ در داده های آموزشی و فضای ویژگی و روش بوستینگ موجب بهبود صحت، استقلال و تنوع طبقه بندی کننده های پایه می شود. ادغام طبقه بندی کننده ها در روش پیشنهادی در سطح احتمال و به صورت غیرخطی با استفاده از یک تلفیق SVM انجام کمی شود. عملکرد روش پیشنهادی بر روی داده های فراطیفی و پلاریمتریک رادار با روزنه مصنوعی ارزیابی شده است. آزمایش ها از سه دیدگاه: ارزیابی در برابر سایر روش های دسته جمعی SVM، ارزیابی در برابر روش های انتخاب ویژگی و در نهایت سایر روش های طبقه بندی طراحی و تحلیل شده است. در داده فراطیفی روش پیشنهادی حدود 16 درصد و در داده پلاریمتریک حدود 10 درصد نسبت به روش منفرد SVM بهبود نشان می دهد. روش پیشنهادی در هر دو منبع داده عملکرد بهتری در بیشتر کلاس های مورد بررسی خصوصا کلاس های نزدیک نسبت سایر روش های جمعی نشان می دهد. نتایج نشان می دهد روش پیشنهادی ضمن حفظ هزینه محاسباتی مطلوب عملکرد بهتری نسبت به روش های انتخاب ویژگی همچون ژنتیک دارد. مطابق نتایج صحت و دقت مطلوب روش پیشنهادی نیز در برابر روش های پایه طبقه بندی در دو منبع داده (بیشترین شباهت و ویشارت) و همچنین روش های قدرتمند (جنگل تصادفی و شبکه عصبی) تصدیق می شود.