مهندسی فناوری اطلاعات مکانی
سال:1398 | دوره:7 | شماره:4 |تعداد مقالات:12

در سال های اخیر تخمین زیست توده مورد توجه زیادی قرار گرفته است. سیستم های هوابرد و فضابرد راداری به دلیل قابلیت بالای نفوذ، توانایی زیادی در تعیین زیست توده دارند. پارامتر قطبش به دلیل حساسیت به مکانیزم های بازپراکنش، پارامتر مهمی در سیستم راداری بوده که می تواند در تخمین زیست توده مفید واقع شود. در این تحقیق از داده های تمام پلاریمتری سنجنده هوایی SETHI استفاده شده است. منطقه مورد بررسی از نوع جنگل های شمالی واقع در منطقه رمینگ استرپ در جنوب کشور سوئد می باشد. در این مقاله بهبود تخمین زیست توده در مناطق جنگل های شمالی با در نظر گرفتن تمامی حالات قطبش ممکن جهت استخراج پارامترهای پلاریمتری توسط ماتریس انتقال، در باندهای L و P مورد ارزیابی قرار گرفته است. همچنین وابستگی زیست توده به پارامتر های استخراجی قبل و بعد از تغییر پایه قطبش در ماتریس های کووریانس و همدوسی مورد بررسی قرار گرفته و یک مجموعه از پارامترهای بهینه توسط هوش جمعی ذرات در حالت باینری انتخاب و جهت تخمین زیست توده مورد استفاده قرار گرفته است. نتایج بیانگر آن است که بازپراکنش هایی که شامل قطبش HV یا HH-VV هستند؛ بیشترین وابستگی را با زیست توده دارند و با تغییر پایه قطبش، امکان بررسی حالت های قطبش مختلف پارامترهای استخراجی از بازپراکنش ها فراهم می شود و میزان همبستگی پارامترها با زیست توده افزایش می یابد. بعد از انتخاب بهینه پارامترها توسط روش هوش جمعی ذرات در حالت باینری و استفاده از رگرسیون خطی به منظور تخمین زیست توده، نتایج به میزان 6 درصد در باند L و 2 درصد در باند P بهبود داشته است.

امروزه سیستم تعیین موقعیت جهانی (GPS) در درون ساختمان ها و در ناحیه های شهری متراکم که دید مستقیم بین کاربر و ماهواره ها وجود ندارد، کارایی چندانی ندارد. از این رو در سال های اخیر سیستم تعیین موقعیت محلی (LPS) به طور قابل توجهی مورد استفاده قرار گرفته است. هدف اصلی از این تحقیق، ارائه یک شبکه عصبی مصنوعی چهار لایه مبتنی بر حل معادلات غیر خطی (NLANN) برای حل مسأله تعیین موقعیت محلی می باشد. برای ارزیابی عملکرد شبکه عصبی مصنوعی، از سه روش بهینه سازی گوس-نیوتون (GN)، الگوریتم ژنتیک (GA) و بهینه سازی ازدحام ذرات ترکیبی (HPSO) استفاده شده است. نتایج نشان می دهد که مدل پیشنهادی از دقت بالایی برخوردار است. دقت شبکه عصبی مصنوعی بر روی داده های شبیه سازی شده، 05/0 متر حاصل شده است. در حالی که بهترین دقت در الگوریتم های دیگر حدود 45/0 متر می باشد. در داده های شبکه ایستگاه های GPS ایتالیا، شبکه عصبی مصنوعی در مدت زمان یک دقیقه به دقت زیر 10 سانتی متر دست یافته است. همچنین شبکه عصبی مصنوعی، در ابعاد متفاوت از منطقه مطالعاتی و نسبت سیگنال به نویزهای مختلف (SNR)، دارای دقت بهتری می باشد و با افزایش تعداد ایستگاه ها، نتایج خوبی را در زمان های کمتری به دست آورده است. در حالی که الگوریتم های دیگر از دقت خوبی برخوردار نیستند. با این حال الگوریتم HPSO از الگوریتم های GA و GN نتایج بهتری را به دست آورده است.

دسترسی به منابع آبی در حال حاضر و آینده، یکی از مسائل مورد توجه مدیران و سیاست گذاران در نقاط مختلف دنیاست. وجود ارتباط دو سویه بین منابع آبی و کاربری اراضی، این دو موضوع را در تحقیقات مختلف کنار هم قرار داده است. طراحی سناریو برای تغییرات کاربری اراضی یک منطقه، بر مبنای پارامترهای موثر بر این تغییرات در گذشته، می تواند اساس ارزیابی وضعیت منابع آبی در آینده و مدیریت صحیح این منابع باشد. در این تحقیق، به منظور پیش بینی تغییرات کاربری اراضی در حوضه آبریز سراب زاینده رود، از ترکیب مدل زنجیره مارکوف و شبکه عصبی چند لایه پرسپترون (MLP) و به منظور مدل سازی هیدرولوژیکی حوضه، از مدل ارزیابی آب و خاک (SWAT ) استفاده شده است. با استفاده از نقشه کاربری اراضی سال 2015، نقشه خاک، مدل ارتفاعی رقومی و داده های هواشناسی در دوره (2015-1987)، مدل هیدرولوژیکی منطقه تشکیل و واسنجی و اعتبارسنجی شده است. سه سناریو بر اساس تغییرات کاربری اراضی در سال های گذشته (2015-1987) تعریف و با مدل سازی تغییرات کاربری اراضی و محاسبه ماتریس احتمال تبدیلات با استفاده از زنجیره مارکوف، سه نقشه کاربری اراضی در سال 2030 پیش بینی شده است. واکنش هیدرولوژیکی حوضه آبریز به سناریوی اول که در آن مراتع به اراضی زراعی آبی تبدیل شدند، به صورت افزایش 7/0 درصد متوسط سالانه رواناب سطحی و کاهش 4 درصد دبی جریان رودخانه بود. در سناریوی دوم و سوم با تبدیل مراتع به اراضی زراعی دیم و اراضی بایر، رواناب سطحی به ترتیب 1 و 5/2 درصد افزایش یافته است. تغییرات دبی جریان رودخانه در این دو سناریو، 8/1 درصد افزایش را نشان می دهد. بر اساس نتایج تحقیق حاضر، در حوضه آبریز سراب زاینده رود، مرتع زدایی و تبدیل آنها به اراضی بایر بیشترین تاثیر را بر منابع آبی زیرزمینی در آینده خواهد داشت. همچنین گسترش اراضی زراعی آبی با افزایش برداشت از منابع آب سطحی و زیرزمینی، منجر به کاهش قابل توجه این منابع خواهد شد.

قرارگیری فلات ایران در کمربند لرزه خیز آلپ-هیمالیا باع شده تا خطرپذیری لرزه ای برای اکثر مراکز جمعیتی ایران بسیار بالا برآورد شود؛ بنابراین تعیین نرخ لغزش گسل ها، تعیین میدان های سرعت و کرنش فلات ایران به منظور تعیین خطر لرزه ای فلات ایران از اهمیت بالایی برخوردار است. به همین جهت، هدف اصلی در این مقاله، برآورد نرخ لغزش بلند مدت گسل های پهنه ی شرقی فلات ایران با استفاده از تلفیق مشاهدات میدان سرعت ایستگاه های شبکه ژئودینامیک کشور، توزیع جهت تنش های اصلی حاصل از مدل های جهانی و نرخ لغزش های بدست آمده از مشاهدات زمین شناسی قرار گرفته است. به منظور تلفیق داده های ذکر شده و تعیین مقدار نرخ لغزش، از مدل سازی اجزا محدود کینماتیکی (Neokinema) استفاده شده است. برای بدست آوردن بهترین مدل، سه پارامتر تنظیم کننده در نظر گرفته شد و در نهایت با انجام آنالیز حساسیت برای سه معیار خطای که متناسب با سه دسته ورودی (نرخ لغزش، مشاهدات ژئودتیکی و جهت تنش های اصلی) می باشند؛ مدل بهینه انتخاب شد. برای این مدل انتخابی، معیار های خطا به حدود انحراف معیار داده های ورودی محدود شد و نرخ لغزش گسل های پهنه شرقی با عدم قطعیت 1 میلی متر در سال محاسبه شد. همچنین به منظور صحت سنجی نتایج به دست آمده از مدل، مقادیر نرخ لغزش برای گسل های کوه بنان، دشت بیاض، نه غربی و نایبند، با نتایج به دست آمده از مطالعات زمین شناسی دارای سازگاری مطلوبی است به طوری که اختلاف نتایج بدست آمده کمتر از 1 میلی متر در سال است.

امروزه پایش وسایل نقلیه زمینی با استفاده از روش های پردازش تصویر، یکی از حیطه های کاربردی در کنترل ترافیک هوشمند به شمار می آید. در این زمینه، به کارگیری تصاویر مادون قرمز حرارتی پهپاد به دلیل قدرت تفکیک مکانی مناسب، مقرون به صرفه بودن و حجم کمتر تصاویر، یکی از گزینه های مطلوب برای هدف پایش وسایل نقلیه است. روش هایی که تا به حال برای استخراج وسایل نقلیه از تصاویر حرارتی ارائه شده اند، اغلب دارای مشکلاتی نظیر دقت پایین در شناسایی و قطعه بندی (مانند روش HOG+SVM) و نیاز به کلان داده های آموزشی (مانند روش های یادگیری عمیق) است. در تحقیق حاضر، یک مدل جدید با نام SegRBM-Net بر اساس یادگیری عمیق و ماشین بولتزمان محدود ارائه شده است. از جمله ویژگی های مدل SegRBM-Net، افزایش دقت شناسایی و قطعه بندی وسایل نقلیه از تصاویر حرارتی با استفاده توأم از لایه های کانوولوشنی و ویژگی های ماشین بولتزمان محدود گوسین-برنولی می باشد. این ساختار موجب شده است تا الگوریتم، هدف را با سرعت و دقت بیشتری نسبت به سایر روش های یادگیری عمیق پیدا کند. به منظور ارزیابی کارایی و دقت روش پیشنهادی، از چهار مجموعه داده مادون قرمز حرارتی پهپاد با ویژگی هایی نظیر تراکم بالای وسایل نقلیه در صحنه و زاویه دید متنوع استفاده شده است. بر اساس نتایج این تحقیق، مدل SegRBM-Net با دقت میانگین 99 درصد و بهبود سرعت پردازش، نسبت به روش های مشابه دارای کارایی مناسبی می باشد.

در سال های اخیر فراگیر شدن استفاده از ابزارهای ثبت موقعیت مکانی، امکان تولید خطوط سیر هندسی با استفاده از مسیرهای حرکت کاربران را فراهم ساخته است. بدین ترتیب می توان علاوه بر هندسه و شکل مسیر، هدف کاربران از انجام سفر و فعالیت های مرتبط با آن را مورد توجه قرار داد. در این راستا خط سیر فعالیت کاربر که بیانگر توالی فعالیت های بازدید شده می باشد، در سال های اخیر مورد توجه بسیاری از محققین بوده است. از جمله مهمترین موضوعات مرتبط را می توان شناسایی الگوهای پرتکرار کاربر به منظور پیش بینی فعالیت بعدی ذکر کرد. عمده مطالعات پیشین تنها با تمرکز بر داده های یک کاربر است که این دسته از مطالعات، الگوهای پرتکرار ارائه شده فعالیت های قبلی را در نظر نمی گیرند. برای این منظور در این مقاله روشی پیشنهاد شده است تا پس از کدگذاری فعالیت ها و تشکیل ماتریس توالی آن ها، الگوهای پرتکرار را با استفاده از خطوط سیر تمام کاربران و در نظر گرفتن فعالیت های قبلی شناسایی نماید. همچنین روش پیشنهادی، قابلیت شناسایی الگوهای پرتکرار را برای مبدأ، مقصد و یا یک فعالیت پربازدید ارائه می نماید. پس از پیاده سازی بر روی داده های اخذ شده از تعداد 106 کاربر در دانشگاه ام آی تی، نتایج روش پیشنهادی با دو روش بر مبنای ساختار درختی مورد مقایسه قرار گرفت. نتایج بیانگر میانگین 60 درصدی کاهش زمان محاسبات برای تشکیل پایگاه داده مرتبط و افزایش 50/17 درصدی در پیش بینی صحیح می باشد.

این مقاله روشی جدید برای شناسایی عوارض از داده لیدار و تصاویر مرئی ارائه می دهد. الگوریتم شناسایی عوارض پیشنهادی، کمترین وابستگی را به نوع سنجنده مورد استفاده برای تصویربرداری و منطقه مورد مطالعه دارد و در مورد هر داده لیدار و داده تصویری ورودی، شامل باند های مرئی قرمز، سبز و آبی با قدرت تفکیک مکانی بالا، عوارض را با دقت قابل قبولی شناسایی می کند. در روش پیشنهادی، شناسایی عوارض با استفاده از تئوری تحلیل شی مبنایی، بعنوان رویکرد اصلی به انجام رسیده است. همچنین دو راهکار و نو آوری متفاوت به منظور افزایش سطح دقت و خودکارسازی فرایند شناسایی، پیشنهاد و به اجرا رسیده است. اولین راهکار، استفاده مستقل از داده های تصویری و لیدار به منظور رفع مشکل وابستگی زیاد بین داده ها در الگوریتم های موجود می باشد. راهکار دوم در این تحقیق، ارائه روشی نوین به منظور شناسایی مناطق پوشش گیاهی پیشنهاد شده می باشد. از ویژگی های این روش، عدم نیاز به باند مادون قرمز در داده های تصویری و همچنین عدم نیاز به اطلاعات شدت لیزر بازگشتی لیدار می باشد. با ارزیابی نتایج رده بندی روی داده های در دسترس، مشخص شد دقت کلی روش پیشنهادی در مورد رده پوشش گیاهی به طور متوسط 98% است که بالاترین مقدار را نسبت به سایر عوارض نشان می دهد. در مورد سایر عوارض نیز این روش به دقت های قابل قبولی دست یافت.

طی دهه های گذشته، رشد شهری به عنوان یک پدیده جهانی شناخته شده است که شامل روند گسترده شدن و الگوی گسترش است. همان طور که شهرها به سرعت در حال تغییر هستند، می توان به منظور تجزیه و تحلیل کمّی آن ها و همچنین تصمیم گیری در برنامه ریزی شهری از مزایای مدل های دیجیتالی دوبعدی و سه بعدی استفاده کرد. پیشرفت های اخیر در تصویربرداری و تکنولوژی های حسگر غیر تصویربردار مانند سیستم تشخیص و ردیابی نور (لیدار) هوایی، منجر به ایجاد مقدار زیادی داده های سنجش از دوری شده است که می تواند برای تولید مدل های دو بعدی و سه بعدی به کار گرفته شود. هدف از این مقاله ارائه رویکرد نوین SVM-CRF برای طبقه بندی مجموعه داده ابر نقاط لیدار و تصویر و مقایسه کارآیی این رویکرد نسبت به دیگر رویکردهای موجود از جمله رویکردهای گرافیکی احتمالاتی است. لازم به ذکر است که در این مقاله از SA به عنوان بهینه ساز SVM-CRF استفاده شد. برای ارزیابی قابلیت رویکرد مورد استفاده در این مقاله از مجموعه داده مرجع ISPRS که برای شهر وایهینگن و به منظور طبقه بندی شهری و بازسازی ساختمان سه بعدی تولید شده است؛ استفاده شد. همچنین نتایج تحقیق قبلی نویسنده مقاله پیش رو که رویکرد SVM-MRFرا معرفی کرده بود در کنار دیگر تحقیقاتی که از روش CRF و مجموعه داده مشابه استفاده کرده اند، برای مقایسه بهتر نتایج آورده شده است. نتایج این تحقیق نشان می دهد که عملکرد روش SVM-CRF با دقت کلی 06/89 درصد و ضریب کاپا 84/0 درصد از سایر رویکردهای طبقه بندی به کار رفته روی مجموعه داده مشابه بهتر است.

تخمین میزان تخریب ناشی از زلزله و دیگر بلایای طبیعی در روزهای اول پس از وقوع این حوادث می تواند امکان برآورد سریع میزان خسارات وارده را فراهم کرده و کمک شایانی به مدیریت بحران نماید. برای بررسی میزان تخریب ناشی از زلزله چندین روش از جمله استفاده از تصاویر اپتیک سنجش از دور، روش های مختلف فتوگرامتری (پهپاد و لیدار)، تداخل سنجی راداری (InSAR) و بازدیدهای میدانی وجود دارد. داده های راداری در تمام ساعات شبانه روز و در تمام شرایط آب و هوایی، غالباً به صورت رایگان و ارزان در اختیار کاربران قرار می گیرد. امروزه فناوری تداخل سنجی راداری با قابلیت ها و محصولات متعدد در حیطه فاز و دامنه به ابزاری قدرتمند در پایش تغییر شکل و تغییرات پوسته زمین تبدیل شده است. یکی از محصولات تداخل سنجی راداری تصویر همدوسی (Coherence image) می باشد. عدم همدوسی در تصاویر راداری می تواند ناشی از عوامل متعدد از قبیل وجود پوشش گیاهی، تغییرات ضریب دی الکتریک در تصاویر اصلی (Master image) و فرعی (Slave image)، شیب زیاد مناطق، فرسایش خاک، تخریب عوارض و تغییر وضعیت زمین (مثلاً ساخت و ساز ) باشد. در این مقاله سعی شده است محدوده عدم همدوسی ناشی از تخریب با تمرکز بر تکنیک تداخل سنجی راداری تفاضلی (D-InSAR) و حذف سلول هایی که به دلیل پوشش گیاهی، تغییرات ضریب دی الکتریک و مناطق پر شیب کوهستانی همدوسی خود را از دست داده اند، برآورد شود. در این راستا، زوج تصاویر ماهواره انویست (Envisat)قبل و بعد از زلزله 1382 بم به عنوان تصاویر منطقه مطالعاتی مورد بررسی قرار گرفت. همدوسی سلول های با مقدار متوسط 2/0 در محدوده ارگ بم با میزان تخریب بالای آن موید قابلیت استفاده از این معیار در میزان تخریب می باشد. نتایج بررسی زلزله بم نشان می دهد که 5/23% از مساحت 14290 هکتاری منطقه مطالعاتی دچار تخریب کامل (فرو ریزش) و 31% دچار تخریب بالا شده است.

خشک سالی را می توان به عنوان یکی از بحران های طبیعی در هر منطقه ای نام برد. در این پژوهش یکی از عوامل مهم در خشک سالی یعنی پوشش گیاهی مد نظر قرار گرفته شده است. بدین منظور از تصاویر محصول ماهانه پوشش گیاهی و پوشش برف سنجنده مادیس و محصول بارش ماهواره TRMM از سال 2009 تا سال 2018 برای منطقه مورد مطالعاتی کشور ایران استفاده شده است. بعد از پیش پردازش های اولیه با استفاده از روش شبکه عصبی مصنوعی و نیز روش ترکیبی شبکه عصبی و تبدیل موجک، به پیش بینی شاخص نرمالایز شده تفاوت پوشش گیاهی پرداخته شده است. بعد از آموزش دو الگوریتم با استفاده از سری زمانی این شاخص و نیز سری زمانی میزان پوشش برف و بارش از سال 2009 تا سال 2017، شاخص نرمالایز شده تفاوت پوشش گیاهی برای دوازده ماه از سال 2018 پیش بینی شده است که در نهایت با مقادیر واقعی آن مورد ارزیابی قرار گرفته است. نتایج و دقت پیش بینی برای این دو الگوریتم متفاوت بوده و در کل روش ترکیبی شبکه عصبی و تبدیل موجک دارای دقت بالاتری نسبت به روش شبکه عصبی بوده است؛ به طوری که میانگین دوازده ماه سال 2018 برابر با خطای جذر میانگین مربعات 055/0 و ضریب تشخیص 804/0 بوده است. همچنین نتایج نشان داده است که در هر دو روش دقت شاخص مذکور در ماه های ابتدایی سال 2018 نسبت به ماه های انتهایی بهتر است؛ از این رو می توان از این روش برای پیش بینی این شاخص که یکی از پارامترهای خشک سالی محسوب می شود؛ استفاده نمود.

امروزه گیاهان دارویی از جایگاه ویژه ای در اقتصاد و سلامت جامعه برخوردارند و به دلیل آنکه بخش زیادی از این گیاهان به صورت خودرو می باشند، بنابراین پهنه بندی این گیاهان با هدف بهره برداری بهینه از آنها، ضروری می باشد. راهکارهای سنتی پهنه بندی به دلیل دقت و سرعت کم، از کارایی لازم برخوردار نبوده و لزوم ایجاد یک روش جدید احساس می شود. داده های سنجش از دوری به دلیل در برداشتن اطلاعات طیفی، مکانی و زمانی از پدید ه های سطح زمین، کاربردهای فراوانی در زمینه های مختلف از جمله آشکارسازی اهداف برخوردارند. در این مقاله از روش های آشکارسازی هدف شامل کمینه سازی مقید انرژی (CEM)، فیلتر انطباقی (MF)، فیلتر انطباقی تنظیم شده طیفی (ASMF) و تخمین زننده انطباق همدوسی (ACE) به منظور آشکارسازی گیاه بادام کوهی در سری زمانی تصاویر ماهواره سنتینل-2 استفاده شده است. در این روند ابتدا به کمک یک فیلترگذاری اولیه، عوارض نامطلوب (مناطق غیرمحتمل رویش گیاه) از سری زمانی تصاویر حذف می شود. سپس به کمک بهینه سازی فراابتکاری، ویژگی های بهینه از سری زمانی به منظور کاهش بعد و افزایش دقت آشکارسازی، شناسایی می شود. نقشه آشکارسازی نهایی از طریق تلفیق وزندار نتایج کسب شده از هر نمونه آموزشی با سهم تعلق متفاوت از هدف تولید می گردد. ارزیابی تعمیم پذیری راهکار پیشنهادی به کمک ویژگی های بهینه انتخاب شده، در منطقه ای دیگر و به کمک نقشه واقعیت زمینی صورت پذیرفت. در این بررسی از منحنی مشخصه عملکرد سیستم (ROC) و مساحت زیر منحنی (AUC) جهت ارزیابی نتایج استفاده شد. در مرحله بهینه سازی به منظور انتخاب ویژگی، شاخص AUC برای تمام روش های آشکارسازی مورد استفاده بیشتر از 99/0 بدست آمد. بهترین نتایج کسب شده در این فرایند به روش آشکارسازی CEM اختصاص داشت که توانست دقت های 993/0 و 846/0 را به ترتیب در روند بهینه سازی و ارزیابی مستقل کسب کند. نتایج این تحقیق از قابلیت سری زمانی تصاویر چندطیفی سنتینل-2 به منظور آشکارسازی اهدافی همچون گیاهان دارویی حکایت دارد.

رطوبت سطحی خاک متغیر مهمی است که نقش حیاتی در مدیریت منابع آب و خاک دارد. برآورد این پارامتر یکی از کاربرد های مهم سنجش از دور به حساب می آید. یکی از تکنیک های سنجش از دور برای برآورد دقیق این پارامتر، مدل های داده محور است. در این پژوهش رطوبت حجمی سطح خاک با استفاده از مدل های داده محور، روش رگرسیون بردار پشتیبان (SVR) و روش شبکه عصبی مصنوعی چندلایه پرسپترون (ANN-MLP)، برآورد شده است. پارامتر های دو مدل با استفاده از الگوریتم بهینه سازی ژنتیک بهینه شده است. برآورد رطوبت حجمی سطح خاک با دو مدل بالا با استفاده از دو نوع تصویر سنتینل1 و سنتینل2 انجام شده است؛ که باند های بهینه تصویر سنتینل2 با استفاده از الگوریتم بهینه سازی ژنتیک مشخص شده اند. پس از برآورد نقشه رطوبت حجمی سطح خاک از دو روش با استفاده از تصاویر سنتینل1 و سنتینل2، چهار خروجی با یکدیگر مقایسه شده اند. برآورد رطوبت حجمی سطح خاک با روش رگرسیون بردار پشتیبان با استفاده از تصویر سنتینل1 بهترین دقت و برآورد این پارامتر با روش شبکه عصبی مصنوعی چندلایه پرسپترون با استفاده از تصویر سنتیل2 بدترین دقت را داشته است. دقت در این پژوهش با استفاده از مربع ضریب همبستگی رطوبت حجمی سطح خاک برآورد شده و رطوبت حجمی سطح خاک اندازه گیری شده محاسبه شده است که بهترین و بدترین ضریب همبستگی به ترتیب، 659/0 برای تصویر سنتینل1 با روش رگرسیون بردار پشتیبان و 409/0 برای تصویر سنتینل2 با روش شبکه عصبی مصنوعی چند لایه پرسپترون بدست آمده است. ریشه میانگین مربع خطا برای ارزیابی روش ها استفاده شده است که کمترین و بیشترین خطا به ترتیب 291/0 برای روش رگرسیون بردار پشتیبان با تصویر سنتینل1 و 4612/0 برای روش شبکه عصبی مصنوعی چندلایه پرسپترون با تصویر سنتینل2 محاسبه گردیده است.