مهندسی فناوری اطلاعات مکانی
سال:1394 | دوره:3 | شماره:1 |تعداد مقالات:6

مناطق لرزه زمین ساخت به مناطقی اطلاق می شوند که ویژگی های لرزه ای، زمین ساخت جنبا و سیستم گسلی شبیه به هم داشته باشند. شناسایی این مناطق به منظور ارزیابی خطر زمین لرزه، یکی از موضوعات حائز اهمیت در مطالعات لرزه ای است. روش های خوشه بندی به عنوان ابزاری مناسب برای شناسایی اطلاعات مرتبط باهم و استخراج الگوهای معنادار از بین تعداد زیادی از داده ها شناخته می شوند. با توجه به اینکه این روش ها علاوه بر نمایش بصری مناسب، نتایج قابل اعتمادی را نیز ارائه می دهند، می توانند ابزاری مناسب برای تعیین مناطق لرزه زمین ساخت باشند. در این تحقیق، از 3 روش خوشه بندی افراز کا-مینز، ;کلارا و فازی سی-مینز استفاده شده است. به منظور تعیین تعداد بهینه خوشه ها در هر روش خوشه بندی، 5 شاخص اعتبارسنجی دیویس بولدین، سیلو هت، اس دی، اس دی بی دبلیو و شیه-بنی مورد استفاده قرار گرفت. پارامترهای موقعیت زمین لرزه، عمق زمین لرزه، بزرگا، جاذبه، مغناطیس و تراکم گسل ها به منظور تعیین تعداد مناطق لرزه زمین ساخت، که به عنوان ورودی روش های خوشه بندی مورد استفاده قرار می گیرند، در نظر گرفته شدند. پس از تعیین تعداد بهینه خوشه ها، برای ارزیابی نتایج روشهای خوشه بندی، از مدل لرزه زمین ساخت کمیته ملی سدهای بزرگ ایران استفاده شد. بر اساس نتایج بدست آمده مشخص گردید که روش کلارا در مقایسه با بقیه روش ها سازگاری بسیار بیشتری با مناطق لرزه زمین ساخت ایران را دارد. در نهایت پس از مقایسه روش های خوشه بندی در تعداد خوشه های بهینه با مدل لرزه زمین ساخت مورد استفاده، تعداد مناطق لرزه زمین ساخت 13 منطقه بدست آمد.

زیست توده جنگل ها و تخمین مقدار آن نقش بسزایی در تغییرات آب و هوا دارد. بدلیل محدودیت و زمانبر بودن روش های زمینی در تخمین زیست توده، روش های سنجش از دور جایگزین موثری برای روش های زمینی می باشد. در این تحقیق به منظور بهبود دقت برآورد میزان زیست توده جنگل نسبت به پژوهش های پیشین، از تصویر اپتیک AVNIR-2 و تصویر راداری PALSAR ماهواره ALOS و همچنین از داده های زمینی دانشکده کشاورزی دانشگاه تهران مربوط به منطقه شمالی خیرودکنار استفاده شده است. مراحل انجام این پژوهش را می توان در سه مرحله بیان کرد: 1- استخراج ویژگی ها از تصاویر، 2 – انتخاب ویژگی به کمک الگوریتم ژنتیک، 3 - برآورد زیست توده با شبکه عصبی و آنالیز رگرسیون از ویژگی های انتخابی می باشد. ارزیابی نتایج حاصل از اعمال شبکه عصبی و آنالیز رگرسیون بر روی متغیرهای انتخاب شده توسط الگوریتم ژنتیک، بیانگر دقت بالای 70 درصد توسط شبکه عصبی و دقت حدود 15 درصد توسط آنالیز رگرسیون در تخمین مقدار زیست توده است. به همین خاطر استفاده از شبکه عصبی به نحوی که در این تحقیق استفاده شده، برای جنگل های شمالی و با ساختار پیچیده پیشنهاد می گردد.

در مواقعی که پرتو یک اسکنر لیزری به دلیل وجود یک مانع (همچون درخت یا دیوار یک ساختمان) قادر به عبور از عارضه ای نباشد، نقاطی که در پشت عارضه قرار دارند، برداشت نمی شوند. این نقاط به عنوان نواحی پنهان در ابر نقاط ظاهر می شوند که بررسی آنها برای تعیین ایستگاه بعدی یک موضوع کلیدی می باشد. امروزه بررسی نواحی پنهان به صورت دستی انجام می شود که کاری وقت گیر و خطا دار می باشد. در این مقاله تکنیک جدیدی مطرح می شود که با استفاده از آن نواحی پنهان در داده های لیزر اسکنر به صورت اتوماتیک تعیین می شوند. همان طور که می دانیم لبه ها در یک تصویر فاصله نشان دهنده اختلاف شدید بین درجات روشنایی پیکسل های مجاور می باشند. در یک تصویر فاصله، این اختلاف به دلیل تفاوت عمق نقاط می باشد که در صورت وجود نواحی پنهان، مقدار آن شدید خواهد بود. بنابراین، در این مقاله برای تعیین اتوماتیک مرز نواحی پنهان، از داده های برداشت شده توسط لیزر اسکنر یک تصویر فاصله ساخته شده و لبه های آن استخراج می شوند. پس از آن، لبه های تعیین شده بر روی یک صفحه مرجع تصویر شده و به همدیگر متصل می شوند تا سطح محدوده پنهان شده، مشخص گردد. برای پیاده سازی این روش ابرنقاط یک ایستگاه لیزر اسکنر زمینی در یک منطقه شهری مورد استفاده قرار گرفت. برای استخراج لبه ها از تکنیک کنی استفاده شد. نتایج ارزیابی ها نشان داد با استفاده از روش ارائه شده می توان در صورت عدم وجود عوامل پیچیده (همچون درخت)، نواحی پنهان موجود در ابر نقاط را به صورت اتوماتیک شناسایی نمود.

فن آوری سنجش از دور ابرطیفی دارای کاربردهای فراوان در طبقه بندی پوشش های زمین و بررسی تغییرات آنها می باشد. با پیشرفت های اخیر و ایجاد تصاویری با قدرت تفکیک مکانی بالا، لزوم استفاده توام از اطلاعات طیفی و مکانی را در طبقه بندی تصاویر ابرطیفی ایجاب می کند. در این تحقیق سعی می گردد تاثیر کاهش ابعاد به کمک الگوریتم ژنتیک را در فرآیند طبقه بندی طیفی-مکانی تصاویر ابرطیفی بررسی شود. در میان الگوریتم های مختلف طبقه بندی طیفی-مکانی تصاویر ابرطیفی، تاکنون سه الگوریتم قطعه بندی واترشد، هرمی و جنگل پوشای مینیمم مبتنی بر نشانه در ترکیب با الگوریتم طبقه بندی ماشین بردار پشتیبان به بهترین نتایج دست یافته اند. در روش پیشنهادی ابتدا به کمک الگوریتم ژنتیک ابعاد تصویر ابرطیفی کاهش یافته سپس بر روی باندهای حاصل، سه الگوریتم قطعه بندی مذکور پیاده سازی گردید. در نهایت نقشه های قطعه بندی بدست آمده به کمک قانون تصمیم رای اکثریت با نقشه طبقه بندی ماشین بردار پشتیبان ترکیب شد. روش پیشنهادی بر روی سه تصویر ابرطیفی Pavia، Telops و DC Mall پیاده سازی گردید، نتایج آزمایشات بدستامده برتری استفاده از کاهش ابعاد در الگوریتم جنگل پوشای مینیمم مبتنی بر نشانه و استفاده از تمام باندهای تصویر در الگوریتم های واترشد و هرمی مبتنی بر نشانه را نشان می دهد.

شناخت و مطالعه ذخایر برفی به عنوان تامین کننده جریان پایه رودخانه ها و سر آغاز اصلی منابع آب شیرین در حوضه های برفگیر و مرتفع، نقش مهمی در برنامه ریزی و مدیریت مصرف منابع آب ایفا می کند. با توجه به اینکه ﻳﻜﻲ از ﻣﻬﻤﺘﺮﻳﻦ مشکلات ﻣﻮﺟﻮد در ﺷﻨﺎﺳﺎﻳﻲ ﭘﺪﻳﺪه ﺑﺮف ﺑﺎ اﺳﺘﻔﺎده از ﺗﺼﺎوﻳﺮ ﻣﺎﻫﻮاره ﻫﺎی اﭘﺘﻴﻜﻲ، ﺗﻔﻜﻴﻚ اﺑﺮ و ﺑﺮف ﻣﻲ ﺑﺎﺷﺪ ﺑﻪ ﻫﻤﻴﻦ ﻣﻨﻈﻮر ما در این تحقیق با استفاده از ویژگی متغیر بودن ابرها نسبت به برف با استفاده از فیلتر زمانی به کمک داده های سنجنده مودیس دو ماهواره آکوا و ترا، به حذف پیکسلهای ابر می پردازیم. برای انجام این کار، با استفاده از ویژگی رفتاری ابر در طول موج های مختلف، با تعریف شاخص تفاضلی نرمال شده ابر در داده ﻫﺎی مودیس، ﺑﻪ ﺷﻨﺎﺳﺎﻳﻲ ﺳﻄﻮح ابری در این تصاویر اقدام کردیم. سپس نقشه برف منطقه شمالی استان فارس را با استفاده از تصاویر بازتابش روزانه مودیس در سال آبی 93-1392 به روش پیکسل مبنا استخراج کردیم. و به منظور ارزیابی خروجی نهایی نقشه برفی تولید شده، از دو روش استفاده گردید. در ابتدا با استفاده از داده های 14 ایستگاه زمینی، نقشه خروجی را مورد ارزیابی قرار دادیم و سپس از تصویر سنجنده OLI ماهواره لندست 8 بعنوان واقعیت زمینی استفاده گردید و نتایج مورد ارزیابی قرار گرفتند. در روش اول دقت 100% و در روش دوم و با انجام تناظر یابی پیکسل به پیکسل بین نقشه های برفی دو تصویر، دقت 98.58% حاصل شد. در نهایت با توجه به نتایج و ارزیابی های صورت گرفته، می توان گفت در صورتی که نقشه های پوشش برف از طریق پیاده سازی الگوریتم حدآستانه مبنای ارائه شده در این تحقیق تهیه شوند، دارای دقت بالایی بوده و می توان از نتایج آن در شبیه سازی سیل و جریان آب حاصل از ذوب برف، بعنوان ورودی مدل رواناب ذوب برف و همچنین در مدیریت منابع و ذخایر آبی استفاده کرد.

افزایش دسترسی به تصاویر ماهواره ای با حد تفکیک مکانی بالا بیش از پیش امکان شناسایی و استخراج اتوماتیک عوارض راه را برای ما فراهم نموده است. در حال حاضر اغلب روش های ارائه شده جهت شناسایی و استخراج اتوماتیک عوارض راه پیکسل مبنا بوده که بر اساس درجه خاکستری هر پیکسل عمل می نمایند. به دلیل ضعف اطلاعات موجود در یک پیکسل، توانایی تفسیر مفهومی تصویر از طریق روش های پیکسل مبنا بسیار ضعیف می باشد. در صورتی که در روش های عارضه مبنا، علاوه بر ویژگی های طیفی، ویژگی هایی همچون بافت، ساختار، مقیاس و اطلاعات متنی مانند اطلاعات در رابطه با ماهیت عوارض مجاور و نحوه ارتباط با آن ها برای هر عارضه تصویری قابلیت تعریف دارند و به همین دلیل پردازش های تصویری حاصل از آ ن ها نتایج قابل اطمینان تری را نیز در اختیار می گذارند. از ان رو در این مقاله سعی شده است با توجه به مزایای روش های عارضه مبنا روشی کارا در قالب یک سیستم دانش مبنا جهت کشف اتوماتیک عارضه راه از تصاویر ماهواره ای طراحی و پیاده سازی گردد. در مرحله اول به دلیل تعداد بالای ویژگی های قابل تعریف برای هر قطعه تصویری در روش های عارضه مبنا و اهمیت استفاده از ویژگی های شاخص در تفکیک عوارض از یکدیگر، استفاده از الگوریتم ژنتیک در تلفیق با الگوریتم طبقه بندی نزدیکترین همسایگان جهت یافتن موثرترین ویژگی ها در شناسایی عارضه راه پیشنهاد گردیده است. در مرحله دوم یک سیستم دانش مبنا با توجه به دانش موجود، بررسی داده ها و همچنین با بهره گیری از هوش انسانی در شناسایی عارضه راه طراحی خواهد گردید. تصاویر مختلفی از ماهواره IKONOS به منظور تولید قوانین دانش مبنا و همچنین جهت ارزیابی و اعتبار سنجی سیستم پیشنهادی مورد استفاده قرار گرفته است. نتایج اعتبارسنجی حاکی از کارایی و قابلیت اعتماد آنالیز های عارضه مبنا و هم چنین پایگاه قوانین ارائه شده می باشد.