علوم و فنون نقشه برداری
سال:1397 | دوره:8 | شماره:1 |تعداد مقالات:16

امروزه استفاده از مدل های هیدرولوژی، عمدتاً برای شبیه سازی تغییرات منبع آب و سیلان (شامل رواناب و تبخیر) ضروری به نظر می-رسد. مدلسازی خوب فرآیندهای هیدرولوژیکی با استفاده از مدل های هیدرولوژی نیازمند تعیین پارامترهای مدل می باشد. در فرآیند واسنجی (کالیبراسیون) مقادیر پارامترهای مدل طوری برآورد می شوند که مدل به خوبی بتواند سیستم طبیعی را شبیه سازی نماید. موفقیت مدل های موجود در شبیه سازی واقعیت به پیچیدگی و تعداد پارامترهای آن بستگی ندارد. ساختار مدل، تشخیص پارامترهای تأثیرگذار و نحوه واسنجی می تواند تأثیر قابل توجهی در بهبود عملکرد شبیه سازی داشته باشد. روش های بهینه سازی از جمله روش های اتوماتیک واسنجی این مدل ها می باشد. تجربه های عملی واسنجی مدل های هیدرولوژی نشان داده است که روش های تک هدفه اغلب جهت اندازه گیری همه ساختارهای مهم داده های مشاهداتی کافی نیست. در این تحقیق الگوریتم های بهینه سازی تکاملی چندهدفه NSGA-II، MPSO، PESA-II و SPEA-II جهت واسنجی اتوماتیک یک مدل هیدرولوژیکی ساده (GR4J)، متشکل از 4 پارامتر، برای حوضه دانوب با استفاده از داده های رواناب و ذخیره کلی آب حاصل از داده های روزانه ثقل سنجی ماهواره ای به کار گرفته می شوند. در این الگوریتم ها با ماکزیمم کردن ضرایب بهره وری نش-ساتکلیف (NS) مربوط به رواناب و تغییرات ذخیره آب، پارامترهای مدل برآورد شده و با معیارهای ارزیابی تعداد جواب آرشیو پرتو (NPS)، فاصله نسلی (GD)، فاصله گذاری (SP) و بیشترین گسترش (MS) عملکرد الگوریتم ها در فرآیند واسنجی مقایسه می شود. تمامی الگوریتم ها توانسته اند در پایان الگوریتم تعداد جواب آرشیو پرتو یکسانی داشته باشند. با توجه به معیارهای SP و MS الگوریتم NSGA-II عملکرد بهتری داشته و الگوریتم MPSO با توجه به تمامی معیارها عملکرد بهتری نسبت به روش-های PESA-II و SPEA-II و با معیار GD نیز بهتر از الگوریتم NSGA-II ارزیابی شده است. با توجه به نتایج محاسبه ضریب NS، مشخص شد که مدل در دوره های واسنجی و ارزیابی (اعتبار سنجی) دارای عملکرد قابل قبولی است و استفاده همزمان رواناب و تغییرات ذخیره آب منجر به بهبود عملکرد مدل شده است یعنی علاوه بر شبیه سازی قابل قبول رواناب، شبیه سازی قابل قبولی از تغییرات ذخیره آب نیز صورت گرفته است.

قابلیت استفاده از اطلاعات مکانی در زمان ها و مکان های مختلف بر اساس استفاده از تکنولوژی فناوری اطلاعات(IT) و زیرساختهای مختلف مانند شبکه ی حسگرها، اینترنت و ارتباطات مورد نیاز در سیستم، نیازمند بهره گیری از مدل داده ی مکانی فراگستر در این زمینه است که قابلیت های سرویس دهی در هر مکان، با هر دستگاه، برای هر کاربر، توسط هر داده را فراهم سازد. لازم به ذکر است که به منظور ایجاد یک مدل داده ی فراگستر مبتنی بر GIS فراگستر نیاز به استفاده از استانداردهای نرم افزاری و سخت افزاری مناسب در این زمینه خواهد بود. استفاده از این استانداردها نقش مهمی در تبادل مناسب اطلاعات بین بخش های مختلف سیستم های مورد استفاده در GIS فراگستر را خواهند داشت. هدف این مقاله ارائه ی یک مدل داده ی فراگستر به منظور استخراج روابط مکانی مبتنی بر استانداردهای مناسب در راستای پوشش دادن سرویس های GIS فراگستر در حوزه ی استخراج روابط مکانی است. روش های مورد استفاده در ارتباط با انواع روابط مکانی از قبیل روابط جهتی، تصویری، فاصله ای و توپولوژی در این مقاله بیان خواهد شد. از آن جایی که نمی توان با استفاده از یک روش معین، روابط مکانی مختلف را از اشیاء به دست آمده توسط حسگرها استخراج کرد، از روش bounding box در مدل داده ی ارائه شده به عنوان یک روش مبتنی بر اطلاعات سه بعدی به دست آمده از حسگر کینکت، به عنوان یک حسگر نمونه جهت استخراج روابط توپولوژی استفاده شده است. توسعه ی یک زبان مکانی تحت عنوان Ubi-OCL برای بیان المان های مورد استفاده در مدل داده ی ارائه شده بستری برای تعامل پذیری بالاتر بین کاربر و این مدل داده ایجاد می سازد. در این زبان امکان انتخاب نوع حسگر و نوع رابطه ی مکانی به کاربر داده می شود از این رو متناسب با شرایط انتخاب شده روابط مکانی استخراج می گردد. در ارتباط با ارزیابی نتایج به دست آمده از عملکرد این زبان به نمایش رابطه ی مکانی توپولوژی از داده ی فراهم شده در این زمینه پرداخته خواهد شد. نتایج به دست آمده از این مقاله بیانگر قابلیت های مدل داده ی فراگستر ارائه شده برای استخراج روابط مکانی در GIS فراگستر است.

نبود یک روش خودکار مناسب برای جداکردن پیکسل های تغییریافته و تغییرنیافته، از اصلی ترین مشکلات مربوط به آشکارسازی تغییرات بر مبنای تصاویر اختلاف است. این جدایی معمولا به وسیله روش های مبتنی بر آزمون و خطا صورت می گیرد که بر روی دقت و درجه اعتمادپذیری فرآیند آشکارسازی تغییرات تاثیر گذار است. برای فائق آمدن بر این مشکل، در این تحقیق، در ابتدا بر مبنای قضیه بیز و با استفاده از مدل آمیخته ی گاوسی روشی خودکار برای آنالیز تصویر اختلاف ارائه شده است که می تواند به انتخاب نقطه ی تغییر (حد آستانه) دو کلاس تغییریافته و تغییرنیافته، کمک کند. در این روش حد آستانه ای انتخاب می شود که احتمال خطای کلی آشکارسازی تغییرات را با فرض اینکه پیکسل های موجود در تصویر اختلاف از یکدیگر مستقل هستند، کمینه کند. در گام بعد بر مبنای استفاده از اطلاعات مکانی و همسایگی، از میدان های تصادفی مارکوف برای بررسی وابستگی بین پیکسل ها استفاده شده است. روش پیشنهادی بر روی تصاویر ماهواره ای لندست 8 از شهر حلب سوریه اعمال شده است. نتایج حاصل از این تحقیق نشان داده است که استفاده از اطلاعات مکانی به عنوان منبع اطلاعاتی مکمل، سبب بهبود نتایج شناسایی تغییرات می شود. همچنین بر اساس نتایج تجربی به دست آمده، تکنیک پیشنهادی در مقایسه با روش مدل آمیخته گاوسی و استفاده از حد آستانه تجربی (که نتایج نسبتا مشابهی داشتند) از کارایی و دقت بالاتری برخوردار است.

تداخل سنجی راداری به عنوان یک تکنیک متداول امکان مطالعه تغییر شکل سطحی پوسته زمین را فراهم می کند. از محدودیت-های این تکنیک، اثر تروپسفر بر روی فاز سیگنال راداری است که می تواند خطای بیشینه ای حدود 10 تا 14 سانتی متر را در برآورد جابجایی ایجاد نماید. یکی از روش هایی که به منظور تصحیح اتمسفری در تداخل سنجی راداری به کار گرفته می شود، استفاده از مدل های عددی پیش بینی آب و هوا است. در این تحقیق از مدل تحقیقاتی و پیش بینی آب و هوا (WRF) جهت کاهش اثر تروپسفری در تداخل سنجی تفاضلی استفاده گردید. منطقه شمال غرب ایران به عنوان منطقه مطالعاتی در نظر گرفته شده و به منظور محاسبه تأخیر تروپسفری، روش ردیابی اشعه GP به کار گرفته شد. برای ارزیابی نتایج از یک روش نو با قابلیت اطمینان بالا استفاده گردید. در این روش تداخل نماهایی مورد استفاده قرار می گیرند که فاز ناشی از جابجایی در آن ها نزدیک به صفر بوده و بیشترین سهم فاز موجود، مربوط به فاز تروپسفری است. به این ترتیب با اعمال تصحیحات می توان تغییرات فاز تداخل نما را با پارامتر RMS ارزیابی نمود. پس از محاسبه فاز ناشی از تأخیر تروپسفری، تصحیحات مورد نظر بر روی اندازه-گیری های تداخل سنجی راداری اعمال شد. نتایج بدست آمده نشان از عملکرد مثبت مدل WRF (با تفکیک مکانی های متفاوت) دارد. به طوری که، RMS بدست آمده برای تصحیح تروپسفری با مدل WRF، حذف یک خطای سیستماتیک از اندازه گیر های تداخل نما را نشان می دهد. تصحیح تروپسفری با استفاده از مدل WRF با تفکیک مکانی 1، 3، 9 و 27 کیلومتر برای منطقه شهری تبریز به ترتیب با 43، 17، 15 و 47 درصد و برای منطقه نزدیک به دریاچه ارومیه با 17، 14، 15 و 21 درصد بهبود RMS همراه بود.

در سال های اخیر داده های راداری به منظور استخراج عوارض مورد استفاده و توجه قرار گرفته اند. مستقل بودن سنجنده های راداری از شرایط آب و هوایی و تابش خورشیدی در کنار قابلیت نفوذ امواج ماکروویو در بسیاری از عوارض زمینی، باعث شده است استفاده از آنها در زمینه طبقه بندی عوارض زمینی شدت یابد. در این میان اطلاعات جمع آوری شده توسط سیستم های سنجش از دوری راداری بسیار متفاوت از سنجنده های معمول نوری است که تفسیر این داده ها را بسیار مشکل تر از داده های نوری می سازد. به همین دلیل معمولا می توان از داده های راداری در کنار داده های نوری به منظور طبقه بندی و شناسایی عوارض زمینی استفاده کرد. ادغام داده های سنجش از دوری به منظور استفاده از مزایای هر یک از آنها و رفع عیوب آنها از دیرباز مورد توجه فراوان بوده است. تحقیق پیش رو روشی بر پایه استفاده همزمان داده های راداری را در کنار داده های نوری و لیدار به منظور بهبود نتایج طبقه بندی در مناطق شهری ارائه می دهد. ابتدا الگوریتم های مختلف استخراج ویژگی برای هر سه داده سنجش از دوری اجرا می شوند تا فضای ویژگی گسترش یابد. در مرحله دوم یک روش انتخاب ویژگی براساس الگوریتم کلونی مورچگان بهترین زیرمجموعه از ویژگی های حاصل را انتخاب می کند. سپس روش های طبقه بندی مختلفی مانند ماشین بردار پشتیبان(SVM)، بیشترین شباهت (ML) و نزدیکترین همسایگی (KNN) به منظور طبقه بندی فضای ویژگی انتخاب شده بکار برده می شوند. با ایجاد مجموعه تصمیم ها حاصل از طبقه بندی کننده های مختلف، روش ادغام وزندار به منظور ادغام نتایج طبقه بندی کننده ها بکار برده می شود. به منظور ارزیابی روش پیشنهادی از مجموعه داده ایی شامل داده راداری حاصل از سنجنده TerraSAR-X، داده چندطیفی حاصل از سنجنده WorldView-2 و داده لیدار استفاده می شود. این مجموعه داده از منطقه سانفرانسیسکو در آمریکا با قدرت تفکیک مکانی 1 متر تهیه شده است. نتایج حاصل نشان می دهد روش پیشنهادی مبتنی بر استفاده همزمان سه داده راداری، نوری و لیزری می تواند باعث افزایش دقت مناسب برای برخی کلاسها و یا اندک برای دیگر کلاسها شود. همچنین نتایج ادغام در مقایسه با نتایج طبقه بندی هر داده به صورت مجزا می تواند بهبود متفاوتی را ایجاد کند.

نقشه های کاربری زمین از لایه های اطلاعاتی بسیار مهم در برنامه ریزی مدیریت حوضه های آبخیز است. همچنین استفاده از روش های پیش بینی تغییرات کاربری می تواند در زمینه مدیریت و تصمیم سازی حوضه ها بسیار موثر باشد. در این راستا، هدف این پژوهش استفاده از روش ترکیبی مارکوف-اتوماتای سلولی به منظور پیش بینی نقشه کاربری زمین با استفاده از تصمیم گیری و ارزیابی چند معیاره در حوضه آبخیز تالار در شمال ایران است. به همین منظور، دو تصویر سنجنده Landsat 5 TM مربوط به سال های 2000 و 2010 و یک تصویر SENTINEL-2 MSI مربوط به 2016 و سایر لایه های اطلاعاتی منطقه مورد مطالعه تهیه گردید. ابتدا توسط تصاویر سنجنده TM نقشه های کاربری زمین سال های 2000 و 2010 تولید شد. همچنین، بر اساس اطلاعات موجود، لایه های مورد نیاز برای تولید لایه پتانسیل انتقال تهیه شد. برای تولید نقشه های کاربری زمین، یک سناریو برای پیش بینی تغییرات کاربری بر اساس افزایش زمین های بدون پوشش یا پوشش گیاهی کم، افزایش زمین های کشاورزی و همچنین افزایش زمین های مسکونی به کار گرفته شد. با اعمال تبدیلات فازی، استفاده از وزن دهی خطی و تصمیم گیری چند معیاره نقشه های پتانسیل انتقال تولید شد. برای تولید ماتریس احتمال انتقال که نشان دهنده تعداد پیکسل ها و مساحت هایی است که در طول زمان تغییر می یابد، از زنجیره مارکوف بهره گرفته شد. در نهایت با استفاده از اتوماتای سلولی با استفاده از فیلتر همسایگی با تعداد 5 پیکسل همسایه، نقشه های کاربری زمین برای سال های 2016 و 2030 تولید شد. صحت سنجی لایه کاربری زمین تولید شده برای سال 2016 توسط تصویر طبقه بندی شده MSI انجام گردید و نشان دهنده عملکرد خوب مدل با کاپای 84/0 برای پیش بینی تغییرات کاربری زمین بود. همچنین، نقشه کاربری زمین تولید شده برای سال 2030 نشان دهنده افزایش قابل توجه کلاس های کاربری زمین مسکونی و زمین بایر و کاهش کلاس کاربری جنگل متراکم و کم تراکم بود.

امروزه سیستم های تعیین موقعیت جهانی، در مواقعی که دید مستقیم بین کاربر و ماهواره های آن ها وجود ندارد، در درون ساختمان ها و در ناحیه های شهری متراکم کارایی چندانی ندارند. از این رو در سال های اخیر سیستم تعیین موقعیت داخلی به طور قابل توجهی مورداستفاده قرارگرفته است. هدف اصلی این تحقیق تعیین موقعیت در داخل ساختمان با شبکه بی سیم می باشد. الگوریتم تعیین موقعیت داخلی شبکه بی سیم می تواند به چند روش انجام شود که به طورمعمول از روش اثر مکانی استفاده می کنند. در این تحقیق سیستم تعیین موقعیت داخلی برپایه دو روش نزدیک ترین همسایه و شبکه عصبی مصنوعی در سه سناریو پیاده سازی شده است. به منظور افزایش دقت مکانی و کاهش زمان محاسبه، انتخاب فرستنده های مناسب و افزایش نقاط مرجع مورد توجه قرار گرفت. در روش نزدیک ترین همسایگی با افزایش نقاط به میزان دو برابر با روش درون یابی میانگین، میزان دقت هم به میزان تقریباً دو برابر بهبود یافته است که در محیط های مختلف با تعداد مختلف نقاط مرجع و پراکندگی مختلف این نتیجه حاصل شده است. در محیط هایی همانند سناریو 3 که نقاط مرجع به تعداد بالاتر و با پراکندگی یکسان تری پخش شده اند دقت تعیین موقعیت در روش نزدیک ترین همسایگی بهبود یافته بهتر از شبکه عصبی بهبود یافته است و این دقت برای نزدیک ترین همسایگی در 85 درصد موارد زیر 1 متر بوده که در شبکه عصبی در 75 درصد موارد زیر 1 متر می باشد؛ اما در محیط های که نقاط مرجع دارای تعداد کمتر می باشد و پراکندگی یکسانی ندارد روش شبکه عصبی بهبود یافته نتایج بهتری را نسبت به روش نزدیک ترین همسایگی خواهد داشت. به طوری که دقت نزدیک ترین همسایگی بهبود یافته در سناریو 2 در 72 درصد موارد زیر 2 متر بوده که در شبکه عصبی بهبود یافته در 84 درصد موارد زیر دقت 2 متر می باشد.

داده های مکانی مناسب یکی از مهم ترین نیازهای اساسی مدیران و برنامه ریزان در حوزه مدیریت حوادث است. در طی چندسال گذشته، داده های مکانی مردم گستر[1] بدلیل فراهم آوردن اطلاعات بهنگام، در دسترس و ارزان، جایگاه به خصوصی پیدا کرد به طوریکه گاهی تنها منبع اطلاعاتی در دسترس به حساب می آید. اما عدم آگاهی از کیفیت این دسته از اطلاعات، منجر به تردید در بهره وری از آن ها گردید. به همین دلیل بررسی کیفیت این داده ها به لحاظ مناسب بودن این اطلاعات در حوزه مدیریت حوادث ضروری است. از طرفی، مسیریابی گروه های امداد ونجات یکی از نیازهای مهم در این حوزه به شمار می آید و به عنوان مطالعه موردی انتخاب گردید و برازندگی استفاده[2] به عنوان وجه قالب کیفیت که به نیاز کاربران و هدف درنظر گرفته شده بستگی دارد، مورد بررسی قرار گرفت. بنابراین در مقاله حاضر، بعنوان نمونه موردی، برآورد برازندگی استفاده داده های مکانی مردم گستر در مسیریابی انتخاب شده است. بدین ترتیب ابتدا اطلاعات هندسی و توصیفی موردنیاز شناسایی و سپس معیارهای کامل بودن، دقت هندسی، سازگاری منطقی، دقت توصیفی و کامل بودن توصیفی نام عارضه انتخاب و برآورد شدند. در مرحله بعد به-منظور برآورد کمی میزان برازندگی استفاده، استفاده از سیستم خبره فازی برای تلفیق سایر معیارها پیشنهاد گردید. در این پژوهش، منطقه 11 شهر تهران به عنوان ناحیه مطالعاتی انتخاب شد و از داده های سایت OSM به عنوان مجموعه داده مردم گستر استفاده گردید. همینطور داده های تولید شده توسط شهرداری به عنوان مجموعه داده های استاندارد بکار گرفته شد. نتایج حاصل از این مقاله، نشان داد 4/74 درصد از کل منطقه دارای برازندگی استفاده بین (91/0-93/0) هستند و مابقی در بازه (5/0 – 91/0) تغییر می کنند و متوسط برازندگی برای کل منطقه، 89 درصد به دست آمد. در ادامه، آنالیز کوتاه ترین مسیر به عنوان معیاری برای ارزیابی، در دو مجموعه داده اعمال شد. نتیجه شباهت 95 درصدی داده های OSM را در قیاس با داده های استاندارد نشان می دهد.

جنگل به عنوان یکی از منابع سخت تجدیدپذیر در محیط زیست به شمار می آید. کسب اطلاعات از این منابع، همواره مورد توجه سازمان ها و مدیران بخش های منابع طبیعی بوده است. سنجش ازدور به عنوان علمی قوی و تا حدودی مقرون به صرفه، توانایی در اختیار قرار دادن اطلاعاتی از قبیل نوع گونه های اصلی، تخمین زیست توده، شناسایی و طبقه بندی تک درختان و غیره را از منابع جنگلی دارد. نحوه بهره گیری تصاویر سنجش ازدوری به منظور بهبود نتیجه طبقه بندی، امروزه مورد توجه محققین می باشد. وجود جنگل هایی با تنوع گونه بالا و همچنین شباهت طیفی و ساختاری گونه های جنگلی، ضرورت استفاده توأمان از تصاویر رادار و اپتیک را بیشتر می کند. از این رو، هدف این مقاله ارائه الگوریتمی می باشد که از داده های پلاریمتری و ابرطیفی به صورت توأمان استفاده می کند. به طوری که اطلاعات ساختاری و سطحی از تصویر پلاریمتری و اطلاعات رنگی، طیفی و شیمیایی از تصویر ابرطیفی استخراج شود. الگوریتم از دو مرحله اصلی تشکیل شده است. در مرحله اول قطعه بندی تصویر و تفکیک مناطق جنگلی از غیرجنگل انجام می شود. در مرحله دوم، ویژگی های مختلف از دو مجموعه داده، برای هر قطعه استخراج می شوند. ویژگی های پلاریمتری در دسته های ویژگی های اصلی، المان های تجزیه کننده ها و تفکیک کننده های SAR و همچنین، ویژگی های اپتیک شامل ویژگی های اصلی، ویژگی های مرتبط با محتوای شیمیایی گونه ها و نسبت های بازتابندگی می باشند. به منظور انتخاب بهینه ویژگی ها از الگوریتم انتخاب ویژگی ژنتیک و همچنین از الگوریتم ماشین بردار پشتیبان به منظور تهیه تصویر طبقه بندی شده بهره گرفته می شوند. نتایج حاکی از آن می باشد که استفاده از الگوریتم ژنتیک و تمام ویژگی ها دقت کلی 78/82 درصدی و ضریب کاپای 36/79 را حاصل کرده است. ویژگی های مبتنی بر محتوای شیمیایی درخت و شاخص های طیفی و بازتابندگی در ناحیه مادون قرمزکوتاه به همراه درجه پلاریزاسیون، مؤلفه Kd تجزیه کروگاگر، مؤلفه H از تجزیه H/Alpha و Lambda از تجزیه کلود-پوتیر به عنوان ویژگی های مؤثر در طبقه بندی معرفی شدند.

یکی از مشکلات اساسی شهرهای ایران مسئله ی فرسودگی بافت های شهری است که در اثر افزایش جمعیت و توسعه شتابان شهرنشینی در سال های اخیر به وجود آمده است، این مسئله باعث جابه جایی شهروندان و به تبع آن کاربری های مهم شهری از نواحی سکونتی اولیه به نقاط جدید گردیده است. به تدریج هسته های اولیه ی سکونتی ازنظر کالبد و عملکرد دچار مشکلات و تغییرات اساسی شده، به سمت فرسودگی و افت کیفیت زندگی شهروندان پیش می روند، ازاین رو نوسازی، بازسازی و بهسازی این بافت ها یکی از دغدغه های مهم مدیران شهری است. این مقاله تلاش دارد تا با ارائه مدلی مکانمند، به بهبود وضعیت بافت های فرسوده شهری ایران نائل آید، ازاین رو شهر قزوین به عنوان یکی از شهرهای مهم و تاریخی ایران، مورد مطالعه و بررسی قرار گرفته است. روش تحقیق در این پژوهش از نوع توصیفی-تحلیلی است و از طریق مطالعات کتابخانه ای، اسنادی و مشاهدات میدانی تمامی مولفه های عملکردی و کالبدی مؤثر بر میزان فرسودگی بافت های شهری شناسایی و تعریف گردیده، سپس با در نظر گرفتن مدل های ANP و TOPSIS و اعتبارسنجی آن ها مناسب ترین روش در تعیین اهمیت معیارها نسبت به هم معرفی شده، همچنین از تلفیق مدل های تصمیم گیری چندمعیاره با سامانه اطلاعات مکانی و بهره گیری از منطق فازی به شناسایی و درجه بندی میزان فرسودگی محله های شهر قزوین پرداخته شده است. نتایج پژوهش نشان دهنده این موضوع است که عوامل اجتماعی و اقتصادی(عملکردی) ساکنین در محله های شهری، تأثیر به سزایی بر روی کالبد و روند فرسایش محلات دارد، به طوری که نقشه نهایی بافت های فرسوده حاصل از مدل به ما نشان می دهد که برخلاف نقشه بافت فرسوده مصوب در سال های 1387 و 1389 که تنها حدود 14 درصد از شهر قزوین(504 هکتار) را با استفاده از 3 شاخص ریزدانگی، نفوذناپذیری و ناپایداری، فرسوده معرفی می نماید، با درنظر گرفتن شاخص های 22 گانه عملکردی و کالبدی در این پژوهش، مساحت بافت های فرسوده شناسایی شده به 1564 هکتار در قالب 27 محله، یعنی 42. 8 درصد از مساحت 3647 هکتاری شهر قزوین رسیده است که این مسئله نامناسب بودن کیفیت زندگی، در حدود نیمی از شهر قزوین را نشان می دهد.

توسعه سناریوهای برنامه ریزی رشد شهری با توجه به پیامدهای آتی که برای کاربری اراضی و پیشرفت برنامه های مکانی و سیاست ها دارد، برای برنامه ریزان شهری و منطقه ای بسیار مهم می باشد؛ اما پدیده توسعه شهری به عنوان یک فرآیند پیوسته در حیطه مکان و زمان، تحت تأثیر رفتارهای تصمیم گیری انسانی است و در معرض ابهام و عدم قطعیت مکانی قرار دارد. بدین سبب در این پژوهش با پیاده سازی منطق فازی، چهارچوبی برای مدل سازی ماهیت مبهم پدیده توسعه شهری ارائه شده است. سپس جهت اینکه تعیین پارامترهای توابع عضویت فازی و وزن قوانین فازی مستقل ازنظر کارشناس باشد، از الگوریتم ژنتیک جهت تنظیم این مقادیر و بهبود عملکرد منطق فازی استفاده گردیده است. در این تحقیق با به به کارگیری سه معیار ارزش زمین، دسترسی و جذابیت که نماد سه رکن توسعه پایدار هستند، یک مدل اتوماسیون سلولی فازی برای شبیه سازی گسترش کاربری اراضی شهری منطقه قزوین توسعه داده شد. سپس با تنظیم پارامترهای مدل در دوره زمانی 1384-1389، حداکثر میزان انطباق با توسعه های حادث شده در سال 1389 به دست آمد. در حقیقت این مدل با دقتی برابر با 31/94% برمبنای شاخص کاپا و 28/55% برمبنای شاخص سازگاری تنظیم شد که در مقایسه با مدل عامل مبنای ارائه شده با معیارهایی مشابه در این منطقه، دارای نتایج به مراتب مطلوب تری می باشد. ازاین رو با به به کارگیری این مدل بهینه، توسعه شهری سال 1394 شبیه سازی شد که به مقدار شاخص کاپا 73/88% و مقدار شاخص سازگاری 05/39% در پیش بینی مناطق توسعه یافته دست یافت. این نتایج نشانگر کارایی بالای مدل مذکور در حوزه مدل سازی توسعه شهری و تغییرات کاربری اراضی می باشد و بر توانایی مدل اتوماسیون سلولی، منطق فازی و همچنین الگوریتم ژنتیک در شبیه سازی فرآیندهای جغرافیایی پیچیده صحه می گذارد.

تشخیص اتوماتیک شبکه راه ها در مناطق متراکم شهری، یکی از چالش های مطرح درگروه های تحقیقاتی فتوگرامتری و سنجش از دور می باشد که از دلایل عمده این موضوع می توان به تنوع خصوصیات طیفی و هندسی راه ها و همچنین شباهت طیفی و هندسی پیکسل های راه با سایر عوارض از جمله ساختمان ها، پارکینگ ها و پیاده روها و عدم پیوستگی راه ها به علت مجاورت با عوارضی نظیر اتومبیل و درختان، اشاره نمود. که این موارد باعث می گردند شناسایی دقیق راه های شهری از طریق تصاویر ماهواره ای با مشکلاتی همراه باشد. یکی از استراتژی های امیدوار کننده برای مقابله با این مشکل استفاده از داده های دیگر سنجنده ها، مانند لایدار به منظور کاهش عدم قطعیت در کنار تصاویر با قدرت تفکیک بالا برای تشخیص شبکه راه ها می باشد. داده های لایدار با توجه به پتانسل بالایی که دارا می باشند در تحقیقات مختلف در کنار تصاویر ماهواره ای به منظور تشخیص عوارض مختلف از جمله راه ها بکار رفته اند. در این مقاله از تصاویر ماهواره ای سنجنده QuickBird با قدرت تفکیک بالا و داده-های لایدار و نیز بکارگیری طبقه بندی نزدیکترین همسایگی بر اساس توصیفگرهای بهینه برای تشخیص شبکه راه ها در یک ناحیه شهری با تنوعات گوناگون راه ها بهر ه گیری شده است. در روش پیشنهادی به منظور افزایش دقت تشخیص شبکه راه ها و کاهش تاثیرات سایر کلاس ها، بر اساس میزان تفکیک پذیری کلاس ها یک مدل سلسله مراتبی با هدف تشخیص راه ها طراحی شده است که در هر مرحله از این مدل از توصیفگرهای بهینه جهت جدا سازی کلاس ها از همدیگر استفاده شده است. در نهایت دقت کلی شناسایی کلاس های مختلف %90 و ضریب کاپای آن 87/0 بدست آمده است که با توجه به شرایط مختلف و نیز اغتشاشات فراوان بین کلاسی، دقت حاصله رضایت بخش می باشد. نتایج حاصل از این تحقیق، نشان می دهد که بکارگیری همزمان داده های تصاویر ماهواره ای با قدرت تفکیک بالا و داده های لایدار بر اساس یک مدل سلسله مراتبی مناسب و بهره گیری از توصیفگرهای بهینه پتانسیل بسیار بالایی در تشخیص گستره ی وسیع و متنوعی از المان های راه در محیط های پیچیده شهری را داراست.

تصویربرداری ابرطیفی، به عنوان یکی از فنآوری های نوین سنجش از دوری، منبع ارزشمندی برای کاربردهای مختلف علوم زمین، از جمله تهیه نقشه های پوششی، شناسایی و اکتشاف معادن، نظارت زیست محیطی به شمار می رود. با این وجود، به دلایل سخت افزاری و فنآوری این داده ها دارای مشکلات ذاتی هستند. از آنجایی که بهبود سیستم سخت افزاری سنجنده های ابرطیفی بسیار پرهزینه است، روش های سنجش از دوری پردازش تصویر مانند کاهش نویز، استخراج ویژگی و غیره به دلیل هزینه کم و موثر بودن مورد توجه قرار گرفته اند. یکی از جدیدترین و کارآمدترین این روش ها، روش پیش بینی فرضیه چندگانه است. نقطه ضعف این روش عدم استفاده از روشی موثر در انتخاب باند های با شباهت بیشتر است که هدف از این مقاله بررسی روش پیش بینی فرضیه چندگانه[1] و اتخاذ روشی مناسب برای انتخاب باندهای طیفی بر مبنای رگرسیون خطی است. به دلیل انعطاف زیاد روش پیش بینی رگرسیونی در تعیین ضرایب شباهت بین باندی، برای انتخاب باندهای طیفی مشابه، این روش انتخاب و پیاده سازی شد. داده های مورد استفاده در این تحقیق داده های رایج جهت کار بر روی تصاویر ابرطیفی است که توسط دانشگاه باسک اسپانیا جمع آوری شده اند. این داده ها شامل تصویر سایت های آزمایشی مزارع ایالت ایندیانا از سنجنده AVIRIS و تصویر دانشگاه پاویا از سنجنده ROSIS است. نتایج حاصله از پیاده سازی روش پیشنهادی نشان داد که صحت کلی طبقه بندی ماشین بردار پشتیبان[2] و k نزدیکترین همسایگی[3] برای مجموعه داده های ابرطیفی Indian Pines و دانشگاه Pavia به ترتیب برابر با 82/95، 43/99 و 89/92و88/98 است که در طبقه بندی SVM به ترتیب 4/0 و 3/0 و در طبقه بندی KNN به ترتیب 22/8 و 2 درصد افزایش را نشان می دهد که نشان دهنده ی کارآمدی روش پیشنهادی به طور ویژه در مورد طبقه بندی KNN است.

آگاهی از مقادیر دقیق بخار آب موجود در جو، از اهمیت بالایی در پیش بینی وضعیت آب و هوا برخوردار است. در این مطالعه با استفاده از روش تعیین موقعیت مطلق دقیق (PPP)، پارامتر تاخیر کلی تروپوسفری (ZTD) به کمک مشاهدات گیرنده های GPS سامانه سمت و همچنین ایستگاه GPS دائم سازمان نقشه برداری برآورد شده است. هزینه محاسباتی پایین-تر یکی از برتری های روش PPP نسبت به روش تفاضلی دوگانه در برآورد تاخیر تروپوسفری می باشد. مشاهدات برای بیست روز متوالی از تاریخ 10/7/2015 تا 29/7/2015 استفاده شده است. با استفاده از داده های هواشناسی سطحی در مدل تجربی، سهم قسمت هیدروستاتیک (خشک) از قسمت غیرهیدروستاتیک (تَر) در تاخیر کلی تروپوسفری تفکیک شده است. در ادامه با استفاده از تابع تبدیل، تاخیر ناشی از قسمت غیرهیدروستاتیک که ناشی از بخار آب اتمسفر است، به بخار آب قابل بارش تبدیل شد. برای انجام پردازش از سه نوع داده های ساعت و مداری نهایی (final) و سریع (rapid) و خیلی سریع (ultra-rapid) تولید شده توسط سرویس بین المللی ناوبری جهانی (IGS) استفاده شده است. پردازش مشاهدات در نرم افزار Bernese 5. 0 انجام گرفت. همچنین بخار آب قابل بارش حاصل از روش PPP با نتایج بارش سطحی ایستگاه های هواشناسی مقایسه شد. برای اعتبار سنجی مقدار بخار آب محاسبه شده توسط GPS، از مقادیر متناظر مشاهده شده توسط رادیوسوند استفاده شد. برای این منظور، ایستگاه GPS سازمان نقشه برداری و ایستگاه هواشناسی فرودگاه مهرآباد انتخاب شد. نتایج نشان داد برای حالتی که از داده های ساعت و مدار نهایی در پردازش استفاده می شود، میزان انحراف معیار و RMS و همبستگی به ترتیب 2564/1 میلی متر، 0962/1 میلی متر و 9698/0 بوده است و این مقادیر برای حالتی که از محصولات ساعت و مداری سریع استفاده گردید، به ترتیب 5650/1 میلی متر، 2235/1 میلی متر و 9647/0 بدست آمد. در نهایت مقادیر انحراف معیار و RMS و همبستگی به ترتیب برای محصولات خیلی سریع برابر 6086/2 میلی متر، 5796/1 میلی متر و 9352/0 است.

با رشد و توسعه سیستم های تصویربرداری هوابرد و یا فضابرد در حوزه سنجش از دور، ادغام اطلاعات سنجنده های چندگانه به منظور دستیابی به دانش تکمیلی نسبت به عوارض و به پیرو آن طبقه بندی دقیق داده های سنجش از دور مورد توجه بسیاری از محققین این حوزه و مهندسی علوم زمین قرار گرفته است. از سوی دیگر، مدل های یادگیری ژرف با افزایش سطح اتوماسیون و همچنین بهبود دقت طبقه بندی تصاویر با بهره گیری از روش های استخراج ویژگی ژرف، تبدیل به یکی از موضوعات پرمخاطب در حوزه پردازش تصاویر شده است. در این تحقیق، روشی نوین به منظور طبقه بندی دقیق اطلاعات سنجنده های چندگانه مبتنی بر مدل های یادگیری ژرف ارائه شده است. در این زمینه، ویژگی های ژرف با در نظرگیری بعد طیفی-مکانی داده های ورودی استخراج، و سپس یک طبقه بندی کننده فازی جهت آموزش این ویژگی ها و همچنین بهینه سازی مدل یادگیری ژرف استفاده می گردد. پس از طبقه بندی داده های ورودی به صورت جداگانه، با بکارگیری برخی قوانین در سطح تصمیمات اتخاذ شده، اطلاعات به دست آمده با یکدیگر ادغام شده و در نهایت، پس پردازشی مبتنی بر وابستگی های متقابل بین عوارض در قالب اطلاعات زمینه خارجی به منظور افزایش دقت نتایج طبقه بندی مورد استفاده قرار می گیرد. به منظور ارزیابی توان اجرایی روش پیشنهادی در این تحقیق، مجموعه ای از آزمون های مقایسه ای بر داده های منتشر شده توسط کمیته فنی تلفیق داده ها و آنالیز تصاویر جامعه بین المللی سنجش از دور و مهندسی علوم زمین در سال 2014 میلادی، صورت گرفته است. در مقایسه روش های طبقه بندی مبتنی بر مدل های یادگیری ژرف با طبقه بندی کننده های مرسوم، دقت کلی طبقه بندی اطلاعات سنجنده ی مرئی %3. 91، فراحرارتی %6. 65 و چندگانه %2. 81 بهبود یافته است. به علاوه، در نظرگیری وابستگی های متقابل بین عوارض در قالب اطلاعات زمینه خارجی و یا قوانین پس پردازشی به منظور کاهش و یا حذف خطاهای مرسوم روش های طبقه بندی پیکسل مبنا، موجب بهبود دقت کلی %2. 71 می گردد. همچنین، در مقایسه روش پیشنهادی طبقه بندی اطلاعات سنجنده های چندگانه با طبقه بندی کننده های اطلاعات سنجنده ی مرئی و یا فراحرارتی، دقت کلی طبقه بندی %7. 57 و %22. 22 بهبود یافته است.

کشف تغییرات و خسارات ناشی از وقوع بلایای طبیعی، به علت محدودیت زمانی و اهمیت بالا در مدیریت بحران از جمله عملیات دشوار و حساسی هستند. در اواخر فروردین ماه سال 1396، بارش های شدید در حوضه کارون بزرگ و سد دز، باعث جاری شدن سیلابی بی سابقه در سال های اخیر با شدت هشت هزار مترمکعب در ثانیه شد. بروز این سیلاب منجر به وارد آمدن خسارات فرآوانی به این روستاها و دشت های کشاورزی شد. بنابراین نیاز به روش های پایش تغییرات کارا و دقیق با حداقل وابستگی به کاربر ماهر جهت استخراج مناطق سیل زده و مدیریت بحران به شدت احساس می شود. از آنجاییکه در هنگام وقوع بلایای طبیعی همانند سیل، شرایط اتمسفری متلاطم بوده و استفاده از تصاویر نوری به تنهایی جهت تهیه نقشه تغییرات مناسب نیستند، لذا در این مقاله، یک روش کشف تغییرات نیمه نظارت شده کرنل پایه و در سطح شیء مبتنی بر روش های طبقه بندی شیء گرا و طبقه بندی کننده تک کلاسه کرنل پایه با استفاده همزمان از داده های راداری و نوری پیشنهاد شده است. ارزیابی مقایسه ای دقت روش کشف تغییرات پیشنهادی در حالت استفاده از داده های راداری و نوری تلفیق شده و کرنل گوسین (دقت کلی: 94. 24 و سطح زیر منحنی ROC (AUC): 0. 98) نسبت به روش نوین کشف تغییرات چند متغیره وزن دهی شده تکراری (IR-MAD) (دقت کلی: 85. 10 و AUC: 0. 87) و روش های کشف تغییرات متداول مبتنی بر تبدیل آنالیز مولفه اصلی (PCA) (دقت کلی: 77. 89 و AUC: 0. 78) و روش نگارنده زاویه طیفی (SAM) (دقت کلی: 80. 67 و AUC: 0. 82) نشان دهنده دقت بالای الگوریتم پیشنهادی نسبت به روش های مرسوم کشف تغییرات و قابلیت بالای خودکار بودن آن در تعیین مناطق خسارت دیده ناشی از وقوع سیل به تفکیک هر کلاس کاربری و کمک به مدیریت بهینه بحران است.