مهندسی فناوری اطلاعات مکانی
سال:1394 | دوره:3 | شماره:2 |تعداد مقالات:6

طبقه بندی و شناسایی عوارض شهری همواره مورد چالش محققان علوم فتوگرامتری و سنجش ازدور بوده است. در میان کلاس های گوناگون شهری، عوارض گیاهی به دلیل تنوع گونه ای بالا، شباهت طیفی گونه ها در تصاویر اپتیک و هم چنین دارا نبودن شکل هندسی خاص در تفکیک انواع مختلف گونه های گیاهی از یکدیگر دارای پیچیدگی خاصی بوده است. در تحقیقات گذشته به منظور استخراج کلاس درختان از کلاس «سایر گیاهان» از منابع مختلف داده استفاده شده، که تصویر اپتیک از ارزان ترین و عمومی ترین منابع داده است. از این رو در این مقاله به منظور تفکیک کلاس درختان و سایر عوارض گیاهی در مناطق شهری با استفاده از تصویر اپتیک روشی جدید ارائه شده است. بدین منظور ابتدا شاخص های گیاهی جدید با نام های شاخص گیاهی ترکیب باندی تقسیم (SVI) و شاخص گیاهی ترکیب باندی تفریق/ تقسیم MSVI از روی باندهای آبی و سبز تولید شد. سپس اطلاعات فراوان بافتی از طریق ماتریس ماتریس درجه خاکستری رخداد توأم تولید شد و این اطلاعات بافتی در مرحله بعد از طریق روش کسر نویز کمترین (MNF) کاهش ابعاد ویژگی یافت. در مرحله بعد پنج باند اول اطلاعات بافتی کاهش ابعاد یافته، دو باند شاخص های جدید تولید شده و هم چنین سه باند تصویر اپتیک با هم به طبقه بندی کننده بیشترین شباهت وارد گردید. نتیجه طبقه بندی، نقشه خروجی برای سه کلاس درختان، «سایر گیاهان» و «سایر عوارض شهری» است. نتایج حاصل از ارزیابی طبقه بندی الگوریتم پیشنهادی نشان دهنده مقدار دقت کل 98.5 درصد و هم چنین ضریب کاپای 93 درصد است. هم چنین نتایج به دست آمده از کارایی مطلوب شاخص های پیشنهادی در این مقاله در مقایسه با شاخص های گیاهی شناخته شده در بهبود میزان دقت کلاس سایر گیاهان، دقت کل، ضریب کاپا و دقت میانگین طبقه بندی دارد. هم چنین نتایج به دست آمده برای شاخص های پیشنهادی در این مقاله از افزایش ضریب کاپای طبقه بندی تا چهار درصد جهت تفکیک کلاس درختان از کلاس «سایر گیاهان» حکایت دارد.

امروزه آمار بالای تصادفات راه های برون شهری حاکی از این است که تصادفات در تقاطع ها درصد بالایی از تعداد کل تصادفات را تشکیل می دهند. در این میان سیستم های اطلاعات مکانی (GIS) به عنوان ابزاری مناسب جهت انجام آنالیز های مکانی و تحلیل تصادفات در تقاطع ها به شمار می روند. همچنین با توجه به این که داده های تصادف حجیم و ناهمگن هستند، روش های خود همبستگی مکانی و برآورد کرنل می توانند مدلی پیوسته و واقعی تر را از الگو های نقاط کانونی در تصادفات راه های برون شهری ارائه دهند. هدف از این تحقیق تحلیل مکانی تصادفات راه های برون شهری مبتنی بر تقاطع های برون شهری با به کار گیری روش های خود همبستگی مکانی و برآورد تراکم کرنل است. در مرحله اول معیار های مناسب برای تحلیل مکانی تصادفات در محور قدیم کرج-قزوین را در بازه زمانی 1388-1392 در نظر گرفته و با استفاده از روش تحلیل سلسله مراتبی فازی وزندهی شدند. سپس به منظور شناسایی تقاطع های حادثه خیز و بررسی ویژگی های آن ها از توابع خودهمبستگی گتیس-ارد جی استار، شاخص انسلین محلی موران و تابع برآورد تراکم کرنل استفاده گردید. همچنین به منظور بررسی خودهمبستگی مکانی هر یک از پارامترهای مورد استفاده در 5 سال متوالی تابع شاخص موران به کار رفت. نتایج نشان داد که از مجموع تقاطع های مسیر رفت و برگشت، 26 تقاطع حادثه خیز در مسیر رفت و 10 تقاطع حادثه خیز در مسیر برگشت وجود دارد. همچنین برای مسیر رفت هیچ کدام از پارامترها و برای مسیر برگشت تنها پارامتر نوع تصادف دارای وابستگی مکانی در 5 سال متوالی بود.

در دنیای امروز افزایش چالش های شهرنشینی و ترافیک سبب نیاز فوری به سیستم های کنترل ترافیک با حداکثر بهره وری شده است. هدر رفتن زمان و افزایش سوخت مصرفی و هم چنین آلودگی های هوا و صوتی سبب شده کنترل ترافیک به یکی از مهم ترین بحث های روز دنیا تبدیل شود. از جمله روش های موجود برای رسیدن به این هدف، پیش بینی مسیر و مقصد نهایی خودرو است. اگر مکان آینده خودروها را بتوان پیش بینی کرد، به راحتی می توان قادر به تخمین ازدحام ترافیک شد. پیش بینی مسیر براساس مسیرهای طی شده گذشته خودرو و در نظر گرفتن مشخصه هایی مانند مکان شروع، ساعت، روز، ماه، مدت زمان با استفاده از روش های داده کاوی و شبکه های عصبی مصنوعی امکان پذیر است. در این مقاله از داده های واقعی GPS، به دست آمده از خودروها به منظور انجام عملیات پیش بینی مسیر و مقصد نهایی بهره برده شده است. یکی از روش های پیشنهادی در این مقاله به دست آوردن پایگاه داده ای از مسیرهای دقیق طی شده خودروها به کمک نرم افزار ArcGIS است، که این پایگاه داده سبب بالا رفتن دقت پیش بینی مسیر خودرو شده است. در این مقاله یک پایگاه داده کلی شامل همه حالات شبکه جاده ای و یک پایگاه داده پیچیده تر شامل چهارراه ها و نقاط چالشی تر جاده ایجاد شده است. هم چنین به منظور عملیات پیش بینی، دو الگوریتم قوانین انجمنی و شبکه های عصبی مصنوعی مورد استفاده قرار گرفته شده است. نتایج به دست آمده نشان دهنده دقت بسیار خوب پیش بینی است. برطبق ارزیابی انجام شده، الگوریتم ANN در پایگاه داده کلی با دقت پیش بینی بالای 96 درصد و الگوریتم GRI پایگاه داده پیچیده تر با دقت پیش بینی بالای 95 درصد، نتایج قابل قبولی به دست آورده اند. روش پیشنهادی و نتایج این پیش بینی می تواند به برنامه ریزی ترافیک و بهینه سازی حرکت خودروها کمک کند.

توابع پایه شعاعی کروی همواره به صورت گسترده ای برای مدل سازی محلی میدان ثقل زمین استفاده شده اند. تعیین بهینه توابع پایه شعاعی کروی از نظر شکل و موقعیتان ها، یکی از مهم ترین چالش ها در انجام مدل سازی بر مبنای این توابع پایه است. در این تحقیق یک روش بهینه سازی برای مدل سازی محلی میدان ثقل زمین با استفاده از توابع پایه شعاعی کروی پیشنهاد شده است. بدین منظور، ابتدا آنومالی پتانسیل ثقل زمین به صورت ترکیبی خطی از توابع پایه شعاعی نوشته شده و سپس سیستم معادلات مشاهداتی بر حسب تابعک های آنومالی جاذبه تشکیل می شوند. روش بهینه سازی پارامترهای مجهول مدل سازی شامل دو مرحله است: 1. تعیین موقعیت سه بعدی توابع پایه شعاعی که تحت عنوان مرکز و عمق این توابع شناخته می شوند با استفاده از الگوریتم ژنتیک، 2. تعیین ضرایب مقیاس بسط توابع پایه شعاعی با استفاده از الگوریتم پایدارسازی تیخونوف. روش حل مساله بدین صورت است که ابتدا جمعیتی از کروموزوم ها که همان مختصات سه بعدی کرنل ها در منطقه مورد مطالعه هستند، ساخته و جواب هایی با شایستگی بیشتر انتخاب می شوند و کروموزوم های جدید نیز با فرآیندهای تولیدمثل، جهش و مهاجرت تولید می شوند. بدین ترتیب، به ازای هر کروموزوم با موقعیت کرنل معلوم، مساله غیرخطی به یک مساله خطی تبدیل شده و ضرایب بسط هر یک از این کروموزوم ها با استفاده از الگوریتم پایدارسازی خطی تیخونوف محاسبه می شود. ارزیابی عملکرد روش ارائه شده در این تحقیق بر مبنای داده های شبیه سازی شده با استفاده از مدل ژئوپتانسیل EGM2008 تا درجه و مرتبه 2160 صورت گرفته است که به دقت 1.08 میلی گال در مشاهدات آنومالی جاذبه و 0.78 مترمربع بر مجذور ثانیه در مشاهدات آنومالی پتانسیل ختم می شود. نتایج عددی نشان می دهد که الگوریتم بهینه سازی پیشنهاد شده منجر به یافتن توزیع مناسبی برای توابع پایه شعاعی کروی شده و دقت مدل های گراویمتری را بهبود می بخشد.

یک تصویر تمام پلاریمتریک راداری (POLSAR) قادر است ویژگی های پلاریمتریک مهمی برای طبقه بندی پوشش زمینی فراهم کند. این ویژگی ها می توانند پارامترهای مستخرج از ماتریس پراکنش، کواریانس و همدوسی یا پارامترهای مستخرج از روش های تجزیه هدف یا هر دو دسته باشد. در این مقاله، ویژگی های پلاریمتریک فراوانی از یک تصویر POLSAR استخراج می شود. سپس با استفاده از الگوریتم ژنتیک (GA) و درخت تصمیم (DT)، یک روش انتخاب ویژگی مبتنی بر طبقه بندی ارائه می شود. پس از آن،طبقه بندی کننده DT با ویژگی های انتخابی از روش پیشنهادی با طبقه بندی کننده DT با تمام ویژگی ها مقایسه می شود. علاوه بر این، روش پیشنهادی با روش انتخاب ویژگی GA و ماشین بردار پشتیبان (SVM) نیز مقایسه می شود. نتایج نشان داد که دقت روش پیشنهادی (DT با ویژگی های منتخب از GA-DT) حدودا 3 درصد بیشتر از دقت روش DT با تمام ویژگی ها و تقریبا نزدیک به دقت روش DT با ویژگی های منتخب از GA-SVM شد. این درحالی است، که سرعت عملکرد روش پیشنهادی تقریبا 5 برابر بیشتر از سرعت عملکرد روش DT با ویژگی های منتخب از GA-SVM شد. به عنوان یک نتیجه دیگر، ویژگی های منتخب از روش پیشنهادی موفقیت بیشتری در تفکیک کلاس های شهری و پوشش گیاهی نسبت به ویژگی های دو روش دیگر داشتند.

برای پیش بینی دقیق تر آینده شهر باید مدل سازی برای تمام کاربری های موجود در شهر انجام گیرد. روش رگرسیون منطقی تنها قادر به مدل سازی توسعه شهر به صورت دو متغیره (شهری و غیرشهری) است. هم چنین این روش در مرحله تخصیص مکانی، تاثیر پارامتر همسایگی را در نظر نمی گیرد. با توجه به این موضوع، هدف اصلی این مقاله ارائه روشی جهت مدل سازی چندگانه تغییرات کاربری اراضی و اعمال پارامتر همسایگی در مرحله تخصیص مکانی است تا بدین ترتیب دقت مدل سازی افزایش یابد. در روش پیشنهادی، ابتدا مدل سازی با استفاده از رگرسیون منطقی برای هر کاربری به صورت مجزا انجام گرفت. در این تحقیق، نتایج حاصل از رگرسیون منطقی به عنوان نقشه شایستگی برای تخصیص مکانی، با استفاده از روش های زنجیره مارکوف و ترکیبی همسایگی و تخصیص چندهدفه زمین (MOLA) با هم ترکیب شدند و نقشه کاربری اراضی سال هدف تهیه شد. بنابراین در این تحقیق با استفاده از نقشه کاربری اراضی سال های 2002 و 2008 و با تاثیر پارامتر همسایگی، نقشه کاربری اراضی سال 2014 پیش بینی گردید و با مقایسه آن با نقشه مرجع سال 2014 دقت مدل سازی به دست آمد. نقشه های مرجع کاربری اراضی با طبقه بندی تصاویر ماهواره لندست در سال های 2002، 2008 و 2014 با روش ماشین بردار پشتیبان به دست آمدند. این روش در چهار حالت مختلف اجرا شد. در سه حالت، تاثیر همسایگی با کرنل های 3´3، 5´5 و 7´7 مورد بررسی قرار گرفت و در حالت آخر پیش بینی بدون در نظر گرفتن همسایگی انجام شد. سپس دقت چهار حالت با استفاده از نقشه مرجع سال 2014 با یکدیگر مقایسه شد. دقت روش با استفاده از معیارهای دقت کلی، شاخص کاپا و کاپای مکانی در بهترین حالت به ترتیب 84.26 درصد، 76.35 درصد و 79.3 درصد به دست آمد. سپس، دقت مدل سازی هر کاربری نیز به صورت جداگانه با استفاده از روش ROC ارزیابی شد که نتایج نشان از توانایی بالای روش پیشنهادی داشت. درنهایت نقشه کاربری اراضی سال 2020 در دو سناریو مختلف پیش بینی شد.