علوم و فنون نقشه برداری
سال:1392 | دوره:3 | شماره:3 |تعداد مقالات:9

استفاده از معادلات انتگرالی در روش های تعیین ژئویید مانند وارون سازی تک مرحله ای بر مبنای مشتقات مرتبه اول انتگرال پواسن بیضوی برای انتقال شتاب گرانی در سطح زمین به پتانسیل گرانی بر روی بیضوی مرجع همواره مورد توجه ژئودزین ها بوده است. یکی از مشکلات عمده در حل عددی معادلات انتگرالی رزولوشن داده های ورودی است. در این پژوهش نشان داده شده است که رزولوشن مورد نیاز داده های ورودی گرانی در سطح زمین در وارون سازی تک مرحله ای به ارتفاع منطقه مورد محاسبه وابسته است، اما عکس این موضوع صادق نبوده و می تواند منجر به نتایج کاملا اشتباهی شود. هم چنین با مطالعه رفتار کرنل انتگرال کافی بودن رزولوشن داده های ورودی گرانی برای وارون سازی تک مرحله ای بررسی شده و از طریق تغییر کرنل انتگرال جهت غلبه بر تاثیر ناسازگار کمبود رزولوشن داده های ورودی گرانی استفاده شده که نوآوری این تحقیق می باشد. برای بررسی عددی روش فوق، داده های گرانی واقعی در منطقه ای در غرب ایران مورد آزمایش قرار گرفته است که نتایج آن حاکی از موفقیت روش پیشنهادی در حل مشکل کمبود رزولوشن داده های ورودی گرانی در روش وارون سازی تک مرحله ای است.

پاسخ به این سوال ضروری است که چگونه وقوع یک زمین لرزه ممکن است زمین لرزه ای بعدی را به دنبال داشته باشد؟ وقوع زمین لرزه با گسلش یا شکست در پوسته زمین همراه است. بدین منظور بایستی معیار شکست در محیط الاستیک پوسته زمین یا همان معیار شکست کولمب مورد بررسی قرار گیرد. آنالیز تغییرات تنش کولمب در بسیاری از مناطق لرزه خیز جهان بکار گرفته شده است. این مطالعات نشان می دهند که مکان و سرعت وقوع زمین لرزه های بعدی متاثر از تغییرات تنش استاتیک ناشی از زمین لرزه های تاریخی در آن منطقه است. در این تحقیق اندر کنش تغییرات تنش کولمب مابین سیستم های گسلی در منطقه ایران مورد مطالعه قرار گرفته است. پارامترهای زمین لرزه های بالای 5.8 ریشتر رخ داده از سال 1900 تا سال 2001 در این منطقه به منظور محاسبه تنش کولمب از مراجع مختلف گردآوری شده اند. نتایج حاصله نشانگر وقوع بیش از 80 درصد زمین لرزه های رخ داده از سال 2001 تا 2013، در منطقه افزایش تنش کولمب ناشی از زمین لرزه های 100 سال گذشته به میزان 0.01 تا 5 بار است. همچنین محاسبه تغییرات تنش کولمب روی صفحات گسلی امتداد لغز، کششی و نرمال با هندسه بهینه نشان می دهند که گسل هایی که هم جهت با هندسه بهینه اند، در اثر افزایش تنش کولمب ناشی از زمین لرزه ها مستعد گسیختگی و ایجاد زمین لرزه می باشند و به عنوان مناطق پرخطر برای زمین لرزه های بعدی به شمار می آیند.

مدلسازی و تولید تصاویر اپی پولار با هدف تولید تصاویر نرمالی که در آنها نقاط متناظر در امتداد سطرهای یکسان قرار گرفته اند، در کاربردهایی که به تناظریابی تصاویر وابسته می باشند، نقشی کلیدی داشته و موجب افزایش کارایی، دقت و سرعت آنها می گردد. از مهمترین این کاربردها می توان به مثلث بندی هوایی، تولید تصاویر متناظر، تولید مدل رقومی و تصاویر اورتو اشاره نمود. در مورد دو مثال آخر و به ویژه تولید مدل های رقومی در سال های اخیر با مطرح شدن روش های تولید مدل های رقومی متراکم و تناظریابی متراکم تصاویر و به ویژه تولید تصاویر اپی پولار جایگاه ویژه ای خواهد داشت.در این میان تصاویر ماهواره ای دارای ساختار آرایه ای به عنوان یکی از مهمترین منابع تولید مدل های رقومی مطرح می باشند. با توجه به پیچیدگی هندسه این تصاویر، تولید تصاویر اپی پولار آنها با مشکلاتی همراه می باشد و در حقیقت می توان گفت هندسه مطرح در این سنجنده ها به جای خط مستقیم، منحنی اپی پولار تولید می کند. در این تحقیق روشی مبتنی بر تولید منحنی های اپی پولار به صورت تکه ای با استفاده از ضرایب رشنال در تصاویر ماهواره ای با قدرت تفکیک بالا مورد بررسی قرار گرفته است و نتایج نشان از بالا بودن دقت حاصل از این روش در تولید تصاویر اپی پولار دارند. هم چنین ضرایب رشنال برای تصویر تولید شده با استفاده از گرید زمینی تخمین زده شد که ارزیابی های انجام شده دقت بالای روش ارائه شده را تایید می نماید.

در این تحقیق، جهت سرعت بخشیدن به خرید و فروش املاک و راهنمایی خریداران در یافتن ملکی متناسب با شرایط و معیارهای شان، از سیستم توصیه گر دانش محور با قابلیت قیمت گذاری زمانمند املاک استفاده گردیده است. مدل قیمت در سیستم، با استفاده از روش هدانیک و رگرسیون وزن دار جغرافیایی تعیین و از طریق املاک فروخته شده در سیستم و به کارگیری مدل «واقعه مبنا» بروزرسانی می شود. با استفاده از این سیستم، کاربران علاوه بر امکان خرید و فروش سریع تر، می توانند از قیمت مناسب املاک نیز اطلاع یابند. برای تحقق هدف تحقیق، مشخصات 56 واحد آپارتمانی فروخته شده در شهریور سال 91 به منظور تعیین و تست مدل قیمت و مشخصات 50 واحد فروشی در مهر و آبان 91 برای تست سیستم توصیه گر، جمع آوری و در سیستم ثبت گردید. در نهایت، با بررسی نتایج ارائه شده به یک کاربر نمونه، صحت عملکرد سیستم توصیه گر مورد بررسی قرار گرفت.

طبقه بندی پیکسل های مخلوط یکی از مشکلات مهم در تجزیه و تحلیل اطلاعات سنجش از دور است، که بدلیل کوچکتر بودن ابعاد پیکسل های خالص از دقت مکانی سنجنده ها با توجه به محدودیت های فن آوری یا هزینه ها ایجاد می شود. الگوریتم های مختلفی برای تفکیک پیکسل های خالص در یک پیکسل مخلوط با معیار حداکثر صحت پیشنهاد شده است. در این بررسی ها مسائل زیرپیکسل ها در تصاویر بدو دسته تقسیم شده است: 1) تعیین درصد کلاس های خالص تشکیل دهنده یک پیکسل 2) تعیین محل آنها. در این مقاله پس از بررسی الگوریتم های متداول در این زمینه و مشکلات پیشرو، الگوریتم جدیدی برای افزایش دقت مکانی تصاویر پیشنهاد خواهد شد، که سعی در برطرف کردن نقاط ضعف الگوریتم های موجود دارد. در این الگوریتم یک جدول جستجوی مناسب با ادغام پیکسل های اطلاعات ورودی ایجاد می شود. با تعریف یک معیار مناسب برای شباهت پیکسل ها، برای هر پیکسل ورودی یک پیکسل مشابه در جدول جستجو پیدا می کنیم و نشان خواهیم داد این پیکسل های مشابه از ساختار زیرپیکسلی یکسانی تشکیل شده اند. در این جستجو، از اطلاعات دامنه پیکسل ها برای محاسبه نسبت زیرپیکسل ها و از اطلاعات بافت پیکسل های مجاور برای مکانیابی زیرپیکسله ای درون یک پیکسل مخلوط استفاده می شود. در انتها الگوریتم پیشنهادی بر روی داده های واقعی جهت افزایش دقت مکانی و طبقه بندی اطلاعات پیاده سازی شده و نتایج با طبقه بندی سخت مقایسه و ارائه شده است. نتایج شبیه سازیها حداقل 15% بهبود ضرایب طبقه بندی در بازسازی پیکسل های مخلوط نسبت به طبقه بندی سخت را نشان می دهند.

با توجه به اینکه استفاده از پلاریزاسیون های مختلف امواج الکترومغناطیسی در تصویربرداری پلاریمتریک راداری اطلاعاتی غنی از جنبه های مختلف عوارض را فراهم می کند. امروزه تصاویر پلاریمتری به عنوان ابزار قوی و کارآمد در زمینه شناسایی عوارض مختلف در مناطق جغرافیایی پیچیده مورد توجه قرار گرفته اند. به منظور استخراج اطلاعات، طبقه بندی این تصاویر حائز اهمیت می باشد. طبقه بندی کننده ماشین های بردار پشتیبان به سبب عملکردش بر مبنای ویژگی های هندسی و پایداری در فضاهای با ابعاد بالا گزینه مناسبی در طبقه بندی تصاویر پلاریمتری محسوب می شود. اما عملکرد این طبقه بندی کننده به شدت تحت تاثیر پارامترهای در نظر گرفته شده برای آن می باشد. بنابراین به منظور به کارگیری طبقه بندی کننده ماشین های بردار پشتیبان با بیشترین کارآیی، می بایست مقادیر بهینه برای این پارامترها تعیین شوند. روش های بهینه سازی سنتی متداول به سبب مواجه شدن با پیچیدگی های محاسباتی در این فضاهای جستجوی بزرگ اغلب به بهینه های محلی همگرا می شوند. بنابراین به منظور بدست آوردن مقدار بهینه سراسری استفاده از الگوریتم های بهینه سازی فراابتکاری که از جستجوی سراسری همراه با جستجوی محلی بهره می گیرند، اجتناب ناپذیر است. در این مقاله توانایی الگوریتم های ژنتیک، زنبورها و توده ذرات به عنوان تکنیک های بهینه سازی فراابتکاری قدرتمند، در تعیین مقدار بهینه پارامترهای ماشین های بردار پشتیبان ارزیابی شده است. مقایسه نتایج بدست آمده، توانایی بالای الگوریتم توده ذرات را در زمینه دقت طبقه بندی و سرعت همگرایی نشان می دهد.

مدل های رقومی ارتفاعی، یکی از مهمترین داده های مکانی در کاربردهای مختلف از قبیل مطالعات هیدرولوژیکی، نقشه برداری توپوگرافی، تصحیح هندسی تصاویر، استخراج پارامترهای سطح زمین، مدیریت بلایای طبیعی و غیره هستند. مدل های رقومی ارتفاعی می توانند از طریق روش های مختلف و با دقت های ارتفاعی متفاوت به دست آیند. در روش های فتوگرامتری، این داده ها از زوج تصاویر ماهواره ای طی پردازش های زیادی حاصل می شوند. نسخه دوم مدل رقومی ارتفاعی جهانی به نام GDEM V2 مبتنی بر تصاویر ماهواره ای ASTER با قدرت تفکیک مکانی یک ثانیه کمانی است. تاکنون تحقیقات متعددی در کشورهای مختلف به منظور ارزیابی کیفی و تعیین پارامترهای دقت این مدل در مقایسه با سایر مدل های رقومی ارتفاعی مرجع و یا نقاط کنترل زمینی انجام پذیرفته است. در این مقاله، نتایج حاصل از ارزیابی دقت GDEM V2 با مدل رقومی ارتفاعی SRTM و یک مدل رقومی ارتفاعی محلی مربوط به منطقه ای در جنوب غربی ایران ارائه گردیده است. پارامترهای دقت برای ارزیابی اختلاف ارتفاع بین هر دو مدل رقومی ارتفاعی، بر اساس شاخص های متداول (میانگین خطا، جذر میانگین مربعات خطا، انحراف استاندارد) و شاخص های پایدار (میانه، انحراف مطلق نرمال شده میانه (NMAD)، چندک های نمونه) محاسبه می شوند. نتایج حاصل شده، وجود یک بایاس ارتفاعی منفی در حدود -4.5 متر و -2.8 متر را در مدل GDEM V2 به ترتیب نسبت به دو مدل SRTM و مدل محلی نشان می دهند. علاوه براین میانه خطای GDEM V2 نسبت به مدل محلی برابر -3.7 متر است که از میانه خطای این مدل نسبت به SRTM کمتر است (6- متر). جذر میانگین مربعات خطای اختلاف ارتفاعات در GDEM V2 نسبت به دو مدل SRTM و مدل محلی با هم برابر و حدود 8.3 متر است با این حال انحراف معیار خطای بین دو مدل GDEM V2 و مدل محلی کمی بیشتر از GDEM V2 و SRTM است. برای مقایسه بهتر دقت داده ها، از فاکتور NMAD استفاده می شود که مقدار آن برای مدل GDEM V2 نسبت به دو مدل محلی و SRTM به ترتیب 5.5 و 5.9 متر است. همچنین حدود 68% خطاهای مدل GDEM V2 در مقابل مدل محلی در بازه 0 تا 7.5 متر قرار دارد این در حالی است که این بازه برای اختلاف ارتفاع دو مدل GDEM V2 و SRTM برابر 0 تا 9 متر است.

تسهیل در دسترسی به تکنولوژی های مکان یابی مانند GPS امکان ذخیره تجربیات مکانی و انتشار آن بر روی بستر اینترنت را برای افراد به وجود آورده است. استفاده از این قابلیت در شبکه های اجتماعی تحت وب و در نظر گرفتن داده های مکانی به اشتراک گذاشته شده توسط کاربران، به عنوان یال های ارتباطی که کاربران یک شبکه اجتماعی را به لایه اطلاعات مکانی متصل می کند، شبکه های اجتماعی مکان مبنا را نتیجه می دهد. اضافه شدن بعد مکان در این شبکه ها باعث می شود که با ایجاد یک پل ارتباطی بین شبکه های اجتماعی مجازی و جهان واقعی، اطلاعات آنها به واقعیت نزدیک تر شود. شبکه های اجتماعی مکان مبنا به واسطه اخذ و به روز رسانی اطلاعات از کاربران خود در سراسر دنیا، منابع غنی برای داده کاوی و کشف اطلاعات محسوب می شوند. بر اساس این اطلاعات می توان سرویس های مختلفی را به کاربران ارائه کرد که هم می توانند باعث بهبود ساختار شبکه اجتماعی کاربران شوند و هم از نظر مکانی، خدمات مختلفی را به کاربران ارائه کنند. در این مقاله تلاش شد تا با مدل کردن اطلاعات پیشینه مکانی کاربران در یک چارچوب سلسه مراتبی و با استفاده از الگوریتم های داده کاوی، مکان ها و مسیرهای جذاب و کاربران خبره در یک محدوده جغرافیایی شناسایی و بر اساس آن یک سرویس توصیه گر مکانی- زمانی ارائه شود. در این سیستم با توجه به مکان و زمان پرس وجو و بر اساس اطلاعات به اشتراک گذاشته شده سایر کاربران، مکان هایی برای بازدید به کاربر مورد نظر پیشنهاد می شود.

با پیشرفت سنجنده های سنجش از دور طیفی با توانتفکیک طیفی بالا، تصاویر ابرطیفی ماهواره ای بطور وسیع به منظور نظارت بر سطح زمین به خدمت گرفته شده اند. بزرگی ابعاد این تصاویر نه تنها باعث افزایش پیچیدگی محاسبات گردیده بلکه باعث کاهش دقت طبقه بندی تصویر نیز شده است. کاهش ابعاد یکی از اصلی ترین روش ها در تصاویر ابرطیفی برای بهبود دقت طبقه بندی است. معمول ترین روش در کاهش ابعد انتخاب عارضه می باشد. بطور ایده آل کاهش نمایندگان یک مجموعه به کاهش ابعاد ذاتی آن مرتبط می شود. روشهای مختلفی برای برآورد بعد ذاتی و نیز کاهش ابعاد در تصاویر ابرطیفی در منابع وجود دارد. در این مقاله به شرح و مقایسه پنج تکنیک برآورد بعد ذاتی پرداخته و کارایی این تکنیک ها را به منظور طبقه بندی با نظارت تصاویر ابرطیفی بررسی و بحث کرده است. این تکنیکها شامل برآوردکننده مقدار ویژه (EV)، برآوردکننده بیشترین شباهت (ML)، برآوردکننده بعد همبسته (CD)، برآوردکننده عدد بسته بندی (PN) و کمترین گشترش درخت ژئودزیک (GMST) می باشد. روش طبقه بندی کننده نزدیکترین همسایگی (K-NN) به منظور طبقه بندی بانظارت مورد استفاده قرار گرفته است. تعداد زیادی از فواصل متریک در این طبقه بندی کننده مورد استفاده و مقایسه قرار گرفته است. پرکاربردترین روش های کاهش ابعاد مانند تحلیل مولفه اصلی (PCA) و تحلیل مولفه مستقل (ICA) در خروجی روش های برآورده گر بکار گرفته شده است. این تحقیق نگاهی مقایسه ای و مروری بر روش های برآورده گر داشته و نیز عارضه های باندی استخراج شده را به منظور طبقه بندی مورد استفاده قرار داده است.