مهندسی فناوری اطلاعات مکانی
سال:1400 | دوره:9 | شماره:4 |تعداد مقالات:6

ابرنقطه خام معمولا شامل نویز و نقاط پرت است، بنابراین چالش هایی برای مدل سازی و شبکه بندی سطوح با استفاده از این داده های سه بعدی وجود خواهد داشت. همچنین حفظ جزئیات، در حین حذف نویز ضروری است. روش های زیادی بمنظور حذف نویز از ابر نقطه، توسعه یافته اند اما تنها تعداد کمی از آنها برای حفظ جزئیات در حین حذف نویز مناسب اند. این مقاله، سعی بر ارائه یک روش حذف نویز آماری نوین، با قابلیت حفظ جزئیات را دارد. در روش پیشنهادی ارائه شده، ابتدا ابرنقطه با بکارگیری روش انتقال میانگین خوشه بندی می شود و ازآنجایی که نتیجه خوشه بندی به اندازه پنجره جستجو بستگی دارد، اندازه بهینه این پنجره از طریق روش بهینه سازی تپه نوردی، محاسبه می گردد. سپس در هر خوشه، فاصله بین هر نقطه با میانگین سایر نقاط آن خوشه محاسبه و با حدآستانه گذاری روی این فواصل و تعداد اعضای هر خوشه، نقاط نویز شناسایی و با حفظ جزئیات مانند لبه ها، حذف می شوند. نتایج تجربی حاصل از پیاده سازی روش پیشنهادی بر روی سه دسته داده سه بعدی تهیه شده توسط لیزراسکنر، نشان می دهد که این روش نسبت به روش مشابه مطرح شده در پیشینه تحقیق از بهبود دقتی بالغ بر 1 درصد در ضریب صحیح بودن، 13 درصد در ضریب کامل بودن و 5/12 درصد در ضریب کیفیت، برخوردار بوده است.

تالاب ها از مهم ترین سرمایه های اکولوژیکی کشور بوده و اطلاع از روند تغییرات آن ها در بلند مدت نقش اساسی در کیفیت مدیریت این گونه مناطق دارد. این اکوسیستم های منحصر به فرد در جهان با تنوع اکولوژیکی بالا توسط عوامل طبیعی مختلف مانند: کاهش بارش، افزایش دما، افزایش تبخیر، خشک سالی و غیره تهدید می شوند. این تحقیق بر توسعه یک چارچوب کاربردی و موثر برای نظارت طولانی مدت بر پهنه آبی تالاب با استفاده از پارامترهای اثرگذار بر تالاب و تصاویر سری زمانی لندست که همگی از سامانه گوگل ارث انجین(GEE) تهیه شده اند متمرکز گردیده است. در این مطالعه، برای تعیین تغییر پهنه آبی تالاب، از محاسبه شاخص نرمالیز شده تفاوت آبی (NDWI) برای جدا سازی بهتر پوشش آب از سایر پوشش های منطقه استفاده شده است. تغییرات پهنه آبی تالاب انزلی و عوامل طبیعی موثر بر آن در بازه 240 ماه بین ژانویه 2000 تا دسامبر 2019 بررسی گردید. در ادامه با استفاده از روش های یادگیری ماشین و به کارگیری پارامتر های موثر بر تغییرات سطحی تالاب به عنوان ورودی شبکه تغییرات سطحی تالاب با میانگین خطای مربع ریشه (RMSE) 977/0 مدل-سازی گردید. همچنین به منظور پیش بینی تغییرات شدید سطحی تالاب در آینده، تغییرات سطحی تالاب و تمامی پارامتر ها برای بازه طولانی مدت (20 سال گذشته) به صورت ماهانه با استفاده از روش های پرسپترون چند لایه (MLP) و حافظه کوتاه مدت طولانی (LSTM)بررسی شدند. در انتها با توجه به نتایج بدست آمده از مراحل قبل و شناخت عواملی که اثرگذاری بیشتری بر تالاب دارند و به دلیل عدم قطعیت، غیر خطی بودن رفتار متغیر ها از طریق سیستم استنتاج فازی (FIS) برای ایجاد سیستم هشداردهنده خشک سالی تالاب مدلسازی گردید. بنابراین مدل توسعه یافته می تواند به طور مداوم و مستمر برای مدیریت و نظارت بر تالاب ها مورد استفاده قرار گیرد.

نقشه بروز کاربری زمین، ازجمله اطلاعات لازم جهت سیاست گذاری و مدیریت شهری است، درحالیکه روش سنتی تولید و به روزرسانی اطلاعات مکانی توسط سازمان های تولید نقشه، نیازمند صرف زمان و هزینه زیاد است. ایجاد فناوری هایی نظیر گوشی های هوشمند، تعیین موقعیت آنی و توسعه شبکه های اجتماعی، باعث تولید انبوه داده های کاربر تولید مکانی شده است. هدف این مطالعه شناسایی کاربری زمین با استفاده از اطلاعات کاربر تولید است. در این پژوهش کاربری های شهری در شش طبقه مسکونی، تجاری و خرید، اداری و خدماتی، مختلط، تجمع و تفریحی و دیگر کاربری ها در نظر گرفته شده و از اطلاعات شبکه اجتماعی توییتر به عنوان محتوای کاربر تولید استفاده شده است. روش مورداستفاده جهت طبقه بندی اطلاعات کاربر تولید، طبقه بندی با استفاده از یادگیری عمیق و شبکه مورداستفاده، از نوع شبکه بازگشتی است. با توجه به عدم توازن موجود در اطلاعات، جهت رفع آن از الگوریتم ماشین بردار پشتیبان استفاده شد. ارزیابی نتایج نشان دهنده این است که با استفاده از روش ارائه شده، کاربری های شهری با دقت کلی 64 درصد طبقه بندی شده اند. در بین طبقات شهری، کاربری مسکونی با دقت 77 درصد بهترین دقت را دارد. همچنین سطح زیر نمودار منحنی مشخصه عملکرد برابر 0/88 با است که نشان دهنده قابلیت اطمینان مناسب طبقه بندی است. در مقایسه نتایج حاصل از روش الگوریتم ماشین بردار پشتیبان برای رفع عدم توازن داده با روش بیش نمونه برداری تصادفی، مشاهده شد که استفاده از روش ماشین بردار پشتیبان، باعث ایجاد بهبود دقت می شود.

یکی از کاربردهای سنجش از دور، بررسی نواحی دگرسانی و طبقه بندی آن ها است که یکی از سریعترین روش ها برای اکتشاف سامانه مس پورفیری، تعیین مرکز تجمع آن و جانمایی نقاط حفاری هستند. هدف از این تحقیق شناسایی دگرسانی های آرژیلیک، فیلیک و پروپیلیتیک (مرتبط با سامانه) در محدوده های اکتشافی با ابعاد کوچک و تعیین محدوده تجمع مس پورفیری است. در این راستا، یک الگوریتم برمینای شبکه های عصبی کانولوشنی عمیق طراحی شد. در الگوریتم پیشنهادی ابتدا پیش پردازش هایی نظیر تصحیح و ترمیم هندسی و طیفی و تقویت داده های آموزشی برای آماده سازی داده های مادون قرمز طول موج کوتاه (SWIR) و رنگی (RGB) سنجنده استر (ASTER) برای ورود به شبکه انجام شد. شبکه عصبی کانوولوشنی (CNN) پیشنهادی دارای ساختاری کدگذار-کدگشا می باشد که در مرحله کدگذاری ویژگی های مختلف و کارآمد در مقیاس های متفاوت استخراج شده و در مرحله کدگشایی ویژگی های تولید شده برای تخمین مناطق دگرسانی با یکدیگر تلفیق می گردند. سپس شبکه مورد نظر برای تصاویر محدوده اکتشافی مورد مطالعه به نام "دهانه گمرکان" واقع در شهرستان جیرفت اجرا شده و مناطق دگرسانی منطقه استخراج شد. برای ارزیابی میدانی نتایج بدست آمده از روش سنگ شناسی و ژئوشیمیایی روی 84 نمونه استفاده شد. با ادغام نتایج شبکه و استخراج ساختار هندسی دگرسانی ها، مکان آن روی نقشه درونیابی عیاری مس و طلای منطقه جانمایی شد. در نتیجه، شناسایی دگرسانی های منطقه با دقت آماری پارامترحساسیت: 0. 943، امتیاز F1: 0. 472، شاخص اشتراک روی اجتماع (IoU): 0. 896 و دقت تشخیص سنگ92 درصد و میانگین عیاری مس بالای 4 درصد در منطقه مورد مطالعه، انجام شد. بر اساس محل حلقه های دگرسانی های شناسایی شده، نقشه ترانشه های حفاری جهت استخراج مواد معدنی بدست آمد.

این مقاله مدلی برای بهبود نقشه های محتوای الکترون کلی قائم (VTEC) مدل مرجع بین المللی یونوسفر 2016 (IRI) با استفاده از تلفیق مشاهدات Swarm با مشاهدات سیستم تعیین موقعیت جهانی (GPS) ارائه می دهد. مدل ارائه شده از دو بخش مدل زمینه و تصحیحات تشکیل شده است. در این مقاله مدل IRI2016 به عنوان مدل زمینه انتخاب گردید و بخش تصحیحات با استفاده از توابع بسط هارمونیک های کروی تا درجه و مرتبه 15 در سیستم مختصات خورشید-ثابت (Sun-fixed) مدل سازی شده است. در ترکیب مشاهدات VTEC به دست آمده از Swarm و GPS، بایاس های سیستماتیک ماهواره های Swarm به عنوان ترم های ثابت مجهول در هر اپک زمانی در نظر گرفته شده اند. علاوه بر این، برای در نظر گرفتن سطوح مختلف دقت گروه های مشاهداتی، از روش برآورد مولفه واریانس هلمرت استفاده شده است. جهت ارزیابی مدل پیشنهادی، نقشه های جهانی یونوسفری (GIM) ترکیبی دو بعدی در 28 سپتامبر 2017 و 3 ژانویه 2018 به ترتیب با ضرایب Kp (شاخص فعالیت خورشیدی) 7 و 1 ساخته شده اند. مقایسه نقشه های GIM ترکیبی به دست آمده با نقشه های GIM حاصل از خدمات بین المللی سیستم های ماهواره ای ناوبری جهانی (IGS)، نشان می دهد که مدل ترکیبی سازگاری بیشتری با نقشه های IGS دارد و افزودن مشاهدات Swarm و GPS به مدل زمینه IRI2016، می تواند تا حد زیادی مدل IRI2016 را به ویژه در مناطق اقیانوسی بهبود بخشد. نتایج نشان می دهد نقشه های جذر میانگین مربعات (RMS) و خطای جذر میانگین مربعات (RMSE) به ترتیب، حدود 19 الی 45 درصد و 43 الی 67 درصد برای روز با ضریب Kp بالا و حدود 13 الی 40 درصد و 15 الی 43 درصد برای روز با ضریب Kp پایین کاهش یافته اند.

امروزه با پیشرفت تکنولوژی، سنجنده های متعدد، تصاویر ابرطیفی با رزولوشن طیفی و مکانی بالا تهیه می کنند. تا کنون روش-های متعددی برای طبقه بندی تصاویر ابرطیفی ارائه شده اند که هرکدام سعی دارند بر تعدادی از چالش های محاسباتی و پردازشی داده های ابرطیفی فائق آیند. کارایی شبکه های عصبی چندلایه به دلیل افزایش تعداد پارامترها همزمان با افزایش تعداد لایه ها، که در موضوعات پیچیده همچون طبقه بندی تصاویر ابرطیفی ضروری است، بسیار کاهش پیدا می کند. در سال های اخیر مفهوم یادگیری عمیق و به ویژه شبکه های عصبی کانولوشن، به دلیل تولید اتوماتیک ویژگی ها و کاهش پارامترها نسبت به شبکه های عصبی چندلایه ی پرسپترون با به اشتراک گذاشتن پارامترها در هر لایه، بسیار مورد توجه محققان در حوزه-ی شناسایی الگو قرار گرفته است. هدف کلی تحقیق پیش رو، ارائه ی چارچوبی مبتنی بر مفاهیم یادگیری عمیق، به واسطه ی توسعه ی یک شبکه عصبی کانولوشن(CNN) برای طبقه بندی تصاویر ابرطیفی است. چارچوب مذکور شامل چهار مرحله است. مرحله ی اول) کاهش بعد با استفاده از روش زیرفضا، مرحله ی دوم) آماده سازی ورودی های CNN، مرحله ی سوم) غنی سازی داده های آموزشی، مرحله ی چهارم) طراحی معماری CNN. پیاده سازی چارچوب پیشنهادی بر روی داده های بنچ مارک دانشگاه پاویا، علی رغم بکارگیری تعداد محدودی داده ی آموزشی، موجب حصول صحت طبقه بندی 98/3 درصد شد.