علوم و فنون نقشه برداری
سال:1396 | دوره:7 | شماره:2 |تعداد مقالات:16

امروزه پردازش خودکار ابرنقاط ازجمله موضوعات مهم و پرچالش در فتوگرامتری و سنجش ازدور می باشد. لایدار به عنوان یک سنجنده فعال توانایی اخذ مستقیم ابرنقطه دارای مختصات سه بعدی با دقت بالا را دارد. با گسترش تکنولوژی و نرم افزارهای پردازش تصویر امکان تولید ابرنقاط با دقت بالا بر اساس تناظریابی چگال از مناطق همپوشانی تصاویر هوایی نیز فراهم گشته است. پردازش های مربوط به ابرنقاط نظیر قطعه بندی و کلاسه بندی عموما دارای هزینه محاسباتی بالایی بوده و زمان بر می باشند. ازاین رو ارائه روندی کاربردی که بتواند با سرعت پردازش بالا به دقت مناسبی دست یابد، همواره مطلوب کارشناسان بوده است. در این مقاله روندی با رویکردی متفاوت جهت قطعه بندی ابرنقاط مطرح شد و سپس با بهره گیری از مفهوم شی ءگرایی روندی برای کلاسه بندی قطعات شناسایی شده، ارائه گشت. در این راستا، ابتدا تراکم ابرنقاط کاهش یافته و سپس قطعه بندی بر اساس گسترش ناحیه و با استفاده از میزان انحنا و بردار نرمال صورت گرفت. با برچسب گذاری نقاط کنارگذاشته شده در مرحله کاهش تراکم بر اساس جستجوی دقیق اطراف نقاط قطعه بندی شده، نتیجه نهایی قطعه بندی حاصل گشت. در مرحله بعد برای قطعات شناسایی شده، توسیف گرهایی بر اساس ویژگی های هندسی و ساختاری عوارض مختلف معرفی و تولید شد. درنهایت نیز برای کلاسه بندی قطعات شناسایی شده از الگوریتم KNN استفاده شد. روند پیشنهادی در 6 ناحیه مطالعاتی پیاده سازی شده و مورد ارزیابی قرار گرفت. ارزیابی نتایج دقت متوسط %91.42 برای شناسایی سه کلاس ساختمان، پوشش گیاهی و سطح زمین را نشان داد که حاکی از قدرت بالای روند پیشنهادی است.

وجود انواع نوفه در تصاویر لندست، استخراج اطلاعات صحیح را دشوار و بعضا غیر ممکن می سازد. یکی از این نوفه ها، نوفه ضربه ای تغییر بیت است که در حین انتقال داده ها به زمین با تغییر یکی از بیت های پیکسل به وجود می آید، به گونه ای که اگر این بیت در مراتب بالاتر باشد، تغییر ممکن است به دفعات از سیگنال اصلی نیز بزرگتر باشد. در این پژوهش یک روش نوین برای شناسایی و رفع نوفه تغییر بیت در تصاویر اخذ شده توسط ماهواره های لندست ارائه شده است. در این روش از یک آشکارساز فازی برای شناسایی پیکسل های آلوده به نوفه استفاده شده است. پس از شناسایی این پیکسل ها و مقایسه رقم دیجیتال آن با رقم دیجیتال پیکسل های مجاور، بیت های تغییر یافته شناسایی و اصلاح شده اند. بزرگترین مزیت این روش این است که فرایند رفع نوفه تنها بر روی پیکسل های آلوده تاثیر می گذارد. برای سنجش نتایج حاصل از اصلاح تصاویر واقعی و شبیه سازی شده برای نوفه تغییر بیت و همچنین مقایسه روش ارائه شده در این پژوهش با روش های پرکاربرد پیشین از پارامترهای آماری تصاویر و شاخص های میانگین مربعات خطا و شاخص اندازه گیری شباهت ساختاری استفاده شده است. بررسی بصری تصاویر اصلاح شده و کاهش در انحراف معیار پس از اصلاح تصاویر واقعی نشان دهنده کاهش نوفه می باشد. همچنین بیشترین مقدار به دست آمده برای شاخص شاخص اندازه گیری شباهت ساختاری برابر 0.9 می باشد که پس از اجرای روش پیشنهاد شده در این مقاله بر روی تصویر شبیه سازی شده به دست آمد. همچنین مقدار میانگین مربعات خطای به دست آمده برای روش پیشنهاد شده در این پژوهش برابر 101.82 می باشد که نشان دهنده عملکرد مناسب این روش نسبت به روش های پرکاربرد پیشین می باشد.

با پیشرفت های فناوری سنجش از دور و تولید داده های فراطیفی با اطلاعات طیفی فراوان، استفاده از این داده ها جهت مطالعه دقیق پدیده ها به سرعت در حال گسترش است. تصاویر فراطیفی به دلیل نمایش گسترده خصوصیات طیفی عوارض و پدیده های سطح زمین در بسیاری از علوم زمین مورد توجه قرار گرفته‏‏اند. یکی از مهمترین کاربردهای تصاویر فراطیفی، طبقه بندی آنها و تولید نقشه های پوشش زمینی بدون نیاز به داده های واقعیت زمینی است. در بین روش های گوناگون طبقه بندی بدون نظارت، استفاده از مدل آمیخته گاوسی به دلیل عملکرد بهتر و دقت بالا در خوشه بندی داده های فراطیفی، مورد توجه قرار گرفته است. مهمترین بخش یک مدل برآورد پارامترهای آن است. تاکنون روش های متفاوتی به منظور تخمین پارامترهای مدل آمیخته ی گاوسی ارائه شده است. یکی از پرکاربردترین این روش ها در سال های اخیر، الگوریتم امید ریاضی-بیشینه سازی می باشد. این الگوریتم علیرغم سرعت بالا و دقت کلی قابل قبول، از مشکل دقت پایین در طبقه بندی مناطق با وسعت پایین رنج می برد که این مشکل در مناطق شهری نمود پیدا می کند. در این پژوهش نویسندگان با معرفی الگوریتم نمونه گیر گیبز علاوه بر تلاش برای بالابردن دقت کلی، سعی در فائق آمدن بر مشکل برخورد با عوارض کوچک دارند. از طرف دیگر، استفاده از تمام باندهای تصویر فراطیفی در فرآیند طبقه بندی به علت همبستگی بالای بین باندها و همچنین افزایش زمان محاسبات توصیه نمی گردد. یکی از راهکارهای رفع این مشکل، استفاده از روش های کاهش ابعاد به منظور بهبود دقت طبقه بندی است. در این پژوهش از روش های کاهش ابعاد آنالیز مولفه های اصلی و نگاشت تصادفی استفاده شد. به منظور مقایسه و ارزیابی صحت روش های پیشنهادی در این پژوهش، دو داده فراطیفی واقعی شناخته شده Pavia University و Salinas و یک داده شبیه سازی شده مورد استفاده قرار گرفت. نتایج آزمایشات صورت گرفته نشان از برتری به کارگیری الگوریتم نمونه گیر گیبز نسبت به الگوریتم امید ریاضی-بیشینه سازی به منظور تخمین پارامترهای مدل آمیخته گاوسی و همچنین دقت بالاتر این الگوریتم در طبقه بندی عوارض کوچک دارد.

زلزله یکی از مخرب ترین بلاهای طبیعی در مناطق شهری به حساب می آید و به دنبال آن آسیب پذیری فیزیکی و انسانی را به همراه خواهد داشت. یک روش برای کمک به کاهش آسیب پذیری، تهیه نقشه آسیب پذیری لرزه ای است. با توجه به اینکه میزان آسیب پذیری هر منطقه به معیارهای متعددی از جمله شدت زمین لرزه، شیب زمین، تعداد طبقات و قدمت ساختمان وابسته می باشد، ارزیابی آسیب پذیری فیزیکی یک مساله تصمیم گیری چند معیاره می باشد. از جمله مهم ترین منابع عدم قطعیت در تعیین میزان آسیب پذیری هر حوزه آماری، عدم قطعیت مربوط به نظرات کارشناسان می باشد. اگر عدم قطعیت به درستی مدیریت نشود، نقشه آسیب پذیری لرزه ای قابل اطمینان نخواهد بود. هدف اصلی این مقاله مدیریت عدم قطعیت موجود در مساله آسیب پذیری لرزه ای با استفاده از ریاضیات بازه ای، الگوریتم ژنتیک و محاسبات دانه ای می باشد. در این مدل برای کاهش عدم قطعیت موجود در کلاس تصمیم گیری مرتبط با نظرات کارشناسان، از دو روش استفاده شده است. یک روش استفاده از نظرات چندین کارشناس در حوزه های مرتبط و دیگری از ریاضیات بازه ای که یک راهکار مناسب جهت مدیریت عدم قطعیت ناشی از عوامل انسانی در مسائل تصمیم گیری چند معیاره می باشد و با توجه به دانش محدود کارشناسان، نظرات آن ها دقیق نمی باشد. بنابراین در این تحقیق نظرات کارشناسان با استفاده از محاسبات بازه ای ارائه می شوند. برای رفع ناسازگاری بین نظرات کارشناسان از الگوریتم ژنتیک استفاده شده است تا یک مقدار قابل اطمینان برای کلاس تصمیم گیری درجه آسیب پذیری حوزه های آماری حاصل شود. از محاسبات دانه ای به همراه یک جدول اطلاعات، یک مجموعه قوانین با حداقل ناسازگاری استخراج می شود. برای بررسی دقت مدل از شاخص کاپا استفاده شده است. در پایان نقشه آسیب پذیری فیزیکی شهر تهران با دقت 76% تهیه شده است.

طراحی الگوی رنگی مناسبی که بتواند بیشترین تطابق و همگونی هدف را از لحاظ شکل و رنگ با پس زمینه داشته باشد، یکی از چالش های اساسی در حوزه ی همگون سازی (استتار) است. امروزه، همگون سازی رقومی بر پایه اصول روانشناسی بصری قرارگرفته است و از روش های پردازش رقومی تصویر برای مشخص کردن ویژگی های پس زمینه استفاده می کند. تاکنون تحقیقات زیادی توسط محققین در زمینه همگون سازی رقومی ارائه شده است. به عنوان مثال روش های مبتنی بر تکنیک فازی، شبکه عصبی و روش حریصانه ارائه شده است اما مشکل اصلی برخی از روش ها آن است که تعداد رنگ های اصلی به صورت دستی یا تجربی انتخاب شوند در حالی که این تعداد رنگ ها در هر تصویر متفاوت خواهد بود. بنابراین نمی توان به یک تعداد رنگ بهینه برای عمل همگون سازی دست یافت. هدف اصلی در این تحقیق ارائه یک روش جدید طراحی الگو رقومی بر اساس الگوریتم حریصانه می باشد که تعداد رنگ های اصلی را به صورت خودکار و بر اساس ویژگی های خاص هر تصویر استخراج می شود. بنابراین به منظور بیرون کشیدن رنگ های اصلی از درون تصویر موردنظر، ابتدا با استفاده از معیار MDL تعداد خوشه های بهینه انتخاب می شوند سپس با استفاده از روش خوشه بندی K-means از روی تصاویر به استخراج رنگ های اصلی پرداخته خواهد شد. سپس با استفاده از الگوریتم حریصانه یک توزیع یا چیدمان بهینه از ترکیب قالب های الگو که در یک پایگاه داده ذخیره شده اند برای طراحی بافت نهایی به دست می آید. در این تحقیق، جهت پیاده سازی روش پیشنهای از 11 تصویر با شرایط زمانی و مکانی مختلفی استفاده شده است. همچنین برای ارزیابی توانایی و قابلیت روش پیشنهادی به صورت کمی و کیفی از معیار نقشه برجستگی استفاده شده است. بر اساس معیار برجستگی روش پیشنهادی با روش تشابه رنگی مقایسه شده است میانگین کلی برجستگی در 11 تصویر برای تصویر اصلی، روش تشابه رنگی و روش پیشنهادی به ترتیب برابر با 57 ، 53 و 42 درصد می باشند که حاکی از این است روش همگون سازی اهداف در پنهان کردن اهداف بهتر عمل کرده است.

در علوم نقشه برداری از سامانه ی ناوبری ماهواره ای جهانی (GNSS) برای اهداف ژئودتیک و ژئودینامیک استفاده شده است ولی در سال های اخیر از این سامانه برای اندازه گیری پارامترهای جو کره ی زمین نیز استفاده شده است. یکی از این پارامترها، بخار آب تعلیق پذیر (PWV) اتمسفر می باشد. امکان اندازه گیری PWV توسط گیرنده های GNSS، به واسطه ی تاخیر اتمسفری ایجاد شده در سیگنال ارسال شده از طرف ماهواره فراهم می شود و مقدار PWV از تاخیر کلی در راستای زنیت (ZTD) استخراج می شود. سامانه ناوبری ماهواره ای جهانی ویژگی های منحصر به فردی دارد که از آن جمله می توان به پیوستگی زمانی مشاهدات آن اشاره نمود که منجر به برآورد PWV با تفکیک زمانی بالا می شود. پیوستگی زمانی امکان پایش بخار آب موجود در اتمسفر را برای مقیاس های کوچک زمانی فراهم می کند. PWV نشان دهنده ی بخار آب موجود در اتمسفر است و در صورت برآورد سریع آن، می توان احتمال بارندگی را مورد بررسی قرار داد. در این مقاله دقت PWV حاصل از مشاهدات لحظه ای GNSS جهت استفاده در مدل های عددی پیش بینی آب و هوا مورد بررسی قرار می گیرد. به همین منظور مشاهدات GNSS برای ایستگاه های شبکه ی IGN واقع در کشور فرانسه با روش تعیین موقعیت مطلق دقیق (PPP) پردازش شد. پردازش ها یک بار با تولیدات مدار و ساعت بسیار سریع و یک بار با تولیدات مدار و ساعت نهایی انجام گرفت و بین ZTDهای حاصل از آن ها، مقایسه صورت گرفت. این مقایسه ها به وسیله ی خطای ریشه ی میانگین مربعی، انحراف معیار و بایاس میانگین با مبنا قرار دادن مقادیر حاصل از مدار و ساعت نهایی به عنوان مقادیر صحیح انجام شد و نتایج نشان دهنده ی دقت کافی PWV حاصل از ZTD هایی بود که با مدار و ساعت بسیار سریع برآورد شده بودند.

مستندنگاری، حفظ، نگهداری و بازسازی میراث فرهنگی و همچنین حریم آن ها، جزء وظایف مهم مردم و دولت شمرده می شود و رعایت موازین آن، برای مجریان و مدیران طرح های عمرانی و شهرسازی الزامی می باشد. برای این منظور، داشتن نقشه های دقیق مهندسی ضروری است. نقشه های دقیق، مبنای عملیات نگهداری، شناسایی، بازسازی و تهیه آرشیو ملی میراث فرهنگی قرار می گیرد. امروزه با رشد سریع شهرنشینی و گسترش فناوری های نوین که ساخت و ساز را تسریع و تسهیل نموده است توجه بیشتر به شناسایی و نگهداری آثار تاریخی اهمیت یافته است. راهکار اصولی برای پایش و تضمین حفظ میراث فرهنگی و حریم آن، انجام اصولی مستندنگاری می باشد. تمرکز اصلی در تحقیق حاضر بر تهیه و تدوین روشی بهینه برای آشکارسازی خودکار و مستندنگاری رشته قنات (کاریز) و حریم آن که جزو شاهکارهای مهندسی و ازجمله میراث فرهنگی منحصربه فرد ایران هستند، با استخراج و ثبت اطلاعات مکانی است. دراین تحقیق به منظور شناسایی خودکار قنات ها از روش های ادغام داده برای تلفیق تصاویر هوایی و ماهواره ای استفاده شد. برای دستیابی به داده های مناسب برای آشکارسازی و مستندنگاری کاریز دو نوع ادغام انجام گرفته است: 1- ادغام تصاویر هوایی و ماهواره ای، 2- ادغام ویژگی های استخراج شده از تصویر ادغام شده در سطح تصمیم گیری. تصاویر ماهواره ای و هوایی، مربوط به منطقه ای در اسلامشهر به روش اهلر با یکدیگر تلفیق شده اند. پس از تحلیل هریک از روش های ادغام مختلف و هیستوگرام تصاویر پیش و پس از ادغام و بررسی معیارهای کمی، به روش های مختلف ویژگی های رادیومتری موردنظر میله چاه های قنات استخراج می شوند. این روش ها عبارتند از اعمال شاخص های TC3 (با 62% موفقیت در تشخیص پیکسل های مطلوب) و NDWI (با 62% موفقیت در تشخیص پیکسل های مطلوب) و SAVI ( با 52% موفقیت در تشخیص پیکسل های مطلوب) و اعمال الگوریتم بخش بندی بر روی باندهای مختلف تصاویر ادغام شده که در روش اهلر برای باند آبی 76% موفقیت در شناسایی عوارض مطلوب به دست آمد. در مرحله بعد برای ادغام در سطح تصمیم گیری از دو لایه اطلاعاتی دیگر (لایه شیب منطقه و لایه حاصل از الگوریتم همتایابی الگویی با 54% موفقیت در تشخیص پیکسل های مطلوب) نیز ویژگی های هندسی استخراج شده و همراه با ویژگی های به دست آمده در مرحله قبل، مرحله تصمیم گیری آغاز می شود. برای ادغام در سطح تصمیم گیری از روش فازی استفاده شده است. در نهایت، ویژگی های دنبال شده کاریز با دقتی بهتر از 90 درصد آشکارسازی شدند.

در این مقاله روش کمینه سازی توابع هدف با کمک شبکه های عصبی موجک چند لایه، جهت مدل سازی توموگرافی یونوسفر به عنوان یک روش جدید ارائه شده است. بر اساس روش توموگرافی، تابع هدفی تعریف گردیده و سپس با کمک شبکه های عصبی موجک چند لایه (WNN) طراحی شده، مقدار این تابع هدف به کمترین میزان خود می رسد. جهت بهینه سازی وزن ها و بایاس ها در شبکه های عصبی، می بایستی از یک الگوریتم آموزش مناسب بهره گرفت. به همین جهت در این مقاله از الگوریتم های آموزش پس انتشار خطا (BP) و بهینه سازی انبوه ذرات (PSO) استفاده شده است. سه روش ترکیبی برای کمینه سازی توابع هدف که جزو نوآوری های اصلی این مقاله است مورد بررسی و آنالیز قرار گرفته است. در روش اول (RMTNN) از شبکه عصبی مصنوعی پرسپترون 3 لایه با الگوریتم آموزش پس انتشار جهت مدل سازی توزیع چگالی الکترونی استفاده شده است. در روش دوم (MRMTNN) یک شبکه عصبی موجک 3 لایه بهمراه الگوریتم آموزش پس انتشار خطا جهت مدل سازی توزیع چگالی الکترونی بکار گرفته شده و نهایتا در ترکیب سوم (ITNN) از شبکه عصبی موجک 3 لایه بهمراه الگوریتم آموزش بهینه سازی انبوه ذرات جهت مدل سازی تغییرات زمان-مکان چگالی الکترونی بهره گرفته شده است. مشاهدات مربوط به شبکه مبنای ژئودینامیک دائمی ایران (32 ایستگاه GPS به همراه یک ایستگاه اندازه گیری مستقیم یونوسفر) جهت آزمون و ارزیابی هر سه ترکیب مورد استفاده قرار گرفته اند. تمامی نتایج بدست آمده از سه روش با اندازه گیری های ایستگاه یونوسوند و مدل هارمونیک‍ های کلاه کروی (SCH) مقایسه شده است. همچنین شاخص های آماری خطای نسبی و مطلق، جذر خطای مربعی میانگین (RMSE)، بایاس، انحراف معیار و ضریب همبستگی برای هر سه روش پیشنهادی این مقاله مورد محاسبه و بررسی قرار گرفته است. آنالیزهای انجام گرفته در مورد روش های RMTNN، MRMTNN و ITNN بیانگر این موضوع است که روش ITNN نسبت به دو روش دیگر دارای سرعت همگرایی بالا به جواب بهینه و همچنین دقت و صحت بالاست. مقایسه های صورت گرفته نشان دهنده بهبود مدل سازی محتوای الکترون کلی توسط روش ITNN به مقدار 0.5 الی 5.65 TECU در منطقه ایران نسبت به مدل های تجربی یونوسفر می باشد. همچنین متوسط ضریب همبستگی 0.901 مابین خروجی های روش ITNN و اندازه گیری های ایستگاه های یونوسوند، حاکی از کارائی بالای روش پیشنهادی این مقاله در مدل سازی تغییرات زمان-مکان چگالی الکترونی است.

سنجش ازدور به دلیل پوشش وسیع، توان جداسازی بالا و هزینه کم در اخذ داده از زمین، به عنوان ابزاری کارآمد، نقش مهمی را در حوزه ی پژوهش هایِ علوم زمین و پایشِ محیط زیست داشته است. یکی از مهم ترین کاربردهای سنجش ازدور آشکارسازی تغییرات است؛ تشخیص به هنگام و دقیق این تغییرات، در مقیاس محلی و جهانی، برای مدیریتِ بهینه ی استفاده از منابع، اهمیت زیادی دارد. این مقاله روشی نوین و بدون نظارت آشکارسازی تغییرات، کاربری اراضی با استفاده از تصاویر چند زمانه ی فراطیفی را عرضه می کند. این روش به صورت سلسله مراتبی و مبتنی بر استفاده از الگوریتم های شباهت مبنا، فاصله مبنا و اتسو است. روش پیشنهادی در دو مرحله ارائه می شود: مرحله ی اول آن به عنوان آشکارساز و مرحله ی دوم، به عنوان فاز تصمیم گیری است. در مرحله اول، ابتدا داده ی تصحیح شده توسط الگوریتم های فاصله ی مبنا و شباهت مبنا، وارد فضای محاسباتی نوینی به نام فضای شباهت می شود. در این فضا نواحی تغییریافته، بارزتر از نواحی بدون تغییر خواهد بود. در ادامه، داده وارد مرحله دوم می شود. هدف از اجرای مرحله دوم تصمیم گیری در مورد ماهیت پیکسل در فضای دودویی است که نواحی تغییریافته دارای مقدار یک و نواحی بدون تغییر، دارای مقدار صفر است. مهم ترین مزیت روش پیشنهادی، نسبت به دیگر روش ها: خودکار بودن؛ نداشتن پیچیدگی در روش پیشنهادی؛ حجم پایین محاسبات و دقت بالای آن است. برای ارزیابی کارایی و دقت روش پیشنهادی، از دو مجموعه داده ی چند زمانه ی فراطیفی سنجنده ی هایپریون، مربوط به مزارع کشاورزی اطراف شهر جیانگسو واقع در چین و مزارع کشاورزی هرمیستن واقع در آمریکا استفاده شده است. ارزیابی خروجی های به دست آمده نشان دهنده، دقت کلی بالا و نرخ کم هشدارهای روش پیشنهادی، در مقایسه با روش های رایج آشکارسازیِ تغییرات، است، به طوری که دقت کلی برای داده چین، 98.48 درصد ضریب کاپا، 0.965 و میزان نرخ هشدار های اشتباه آن، 1.51 درصد و همچنین برای داده آمریکا، 95.12 درصد ضریب کاپا، 0.870 و میزان نرخ هشدار های اشتباه آن، 4.8 درصد است.

ماهواره های سنجش از دور، داده هایی با خصوصیات طیفی و مکانی مختلفی از سطح زمین جمع آوری می کنند که هرکدام بخشی از خصوصیات عوارض را نمایان می سازند. گاها اطلاعات بدست آمده از یک سنجنده به تنهایی پاسخگوی نیازهای مورد نظر ما نیست. با وجود اینکه داده های چند طیفی اطلاعات غنی طیفی را از عوارض مختلف به ما می دهد، اما به طور قابل توجهی تحت تاثیر عوامل محیطی مانند دود، مه، ابر و میزان نور خورشید قرار می گیرد. برخلاف سنجنده های اپتیک، سنجنده های رادار با روزنه مجازی (SAR) در همه نوع شرایط آب و هوایی و شبانه روز توانایی اخذ داده را دارند. داده های SAR می توانند اطلاعات غنی از بافت و ساختار ارائه داده و به مولفه های شکل، جهت، زبری و رطوبت از عوارض روی زمین حساس است. اما تصاویر SAR نمی توانند جزئیات و لبه اشیاء را به وضوح مشخص کنند. بنابراین ترکیب خصوصیات مختلف از تصاویر اپتیک و داده های SAR با استفاده از تکنیک های تلفیق تصویر، می تواند یک دید کامل تر از تارگت موردنظر به ما دهد و دقت و اعتمادپذیری بالاتری برای نتیجه های بدست آمده از این روش ارائه دهد. تبدیل کرولت، در تجزیه وتحلیل لبه های منحنی شکل و دقت بالای آن برای تقریب و توصیف پراکندگی ها و جهت ها، در مقایسه با بسیاری از تبدیل های دیگر در زمینه تجزیه و تحلیل اطلاعات تصویر و تلفیق تصاویر مناسب تر است. با توجه به محدودیت قدرت تفکیک مکانی و زمانی برای تصاویر چندطیفی و محدودیت داده های SAR برای کاربردهای شهری و طبقه بندی و مناسب بودن تبدیل کرولت برای تلفیق این دو نوع داده، تلفیق این تصاویر باعث بهبود ضعف های آن ها می شود. در این مقاله با استفاده از تبدیل کرولت، تصاویر SAR و اپتیک را به فضای کرولت انتقال می دهیم، سپس با روش میانگین وزن دار در فضای کرولت تلفیق انجام می گردد و در نهایت با اعمال تبدیل کرولت معکوس تصویر تلفیق شده بدست می آید. بدین منظور داده های منطقه ای از شهر شیراز برای پیاده سازی روش پیشنهادی استفاده شد. دو روش آماری و طبقه بندی برای ارزیابی تصاویر تلفیق شده مورد استفاده قرار گرفت. برای مقایسه، روش پیشنهادی با دو روش تلفیق با استفاده از تبدیل IHS و wavelet استفاده شد. با استفاده از پارامترهای آماری انحراف معیار، آنتروپی، معیار فرکانس مکانی، ضریب همبستگی و اندکس کیفیت تصویر شاهد بهبود تصویر تلفیقی نسبت به روش های دیگر هستیم. با توجه به اینکه دقت طبقه بندی به میزان اطلاعات طیفی و مکانی تصویر بستگی دارد، به منظور ارزیابی تاثیر تلفیق در توان تفکیک طیفی و مکانی، تصاویر را طبقه بندی می کنیم. با طبقه بندی تصویر اپتیک ورودی و تصویر تلفیقی، بهبود 4 درصدی دقت کلی طبقه بندی و افزایش 0.05 ضریب کاپا نسبت به تصویر ورودی مشاهده شده است. نتایج بدست آمده نشان دهنده مناسب بودن الگوریتم پیشنهادی برای تلفیق تصاویر SAR و اپتیک است.

بیش از نیمی از جمعیت جهان در مناطقی زندگی می کنند که بحران آب و بارش در آنجا جدی است. به خاطر مقابله با این بحران ها، محققان در علم اقلیم شناسی به اطلاعات بارندگی، تحلیل الگوها و مدل سازی روابط فضایی، داده کاوی مکانی و همچنین برآورد و تخمین بارش به جهت مدیریت و مقابله با این شرایط به شدت نیازمندند. از طرفی دیگر، تنوع مکانی الگوهای بارش، حاصل عوامل متنوعی همچون موقعیت جغرافیایی، ارتفاع، ویژگی های توپوگرافی منطقه مانند شیب و... است که بررسی این پدیده را دشوارتر نموده و موجب شده که در مطالعات گذشته به طور جامع به آن پرداخته نشود یا تنها تاثیر برخی عوامل همانند ارتفاع بررسی گردد. از این رو در این مقاله قصد داریم تا با کمک ابزارها و تکنیک های مختلف علم زمین آمار و با در نظر گرفتن عوامل محیطی و مکانی مختلف موثر بر بارش، راهکار مکانمند جامعی برای توصیف این عارضه جغرافیایی توسعه دهیم. از این رو، حوضه آبریز دریاچه ارومیه به دلیل شرایط بحرانی که در سالیان اخیر با آن مواجه بوده است، به عنوان منطقه مطالعه موردی انتخاب گردید. ابتدا بارش ابتدا با کمک انواع روش های سنتی و زمین آمار، میان یابی شده و کریجینگ معمولی با کمک اعتبارسنجی تقاطعی و RMS برابر با 4.15 به عنوان بهترین روش انتخاب شد. سپس با کمک روش های مختلف آمار فضایی، ازجمله تحلیل خوشه ای، نواحی جنوب و جنوب غربی این دریاچه به عنوان قسمت های داغ و پربارش شناسایی شدند. در پایان نیز، از جهت مدل سازی روابط مکانی، رگرسیون عمومی بر بارش برازش داده شد و متغیر عرض جغرافیایی به عنوان تاثیرگزارترین متغیر وابسته بر بارش شناسایی گردید.

دمای سطح زمین یکی از مهم ترین شاخص ها در مطالعات مربوط به سطح زمین مانند حفظ منابع طبیعی، تبادل انرژی و آب بین سطح زمین و جو می باشد. هدف اصلی این تحقیق ارائه الگوریتمی جهت تخمین دمای سطح زمین با استفاده از داده های طیف سنج حرارتی فراطیفی هوابرد (HYTES) می باشد. برای این منظور از الگوریتم پنجره مجزا استفاده می شود. این الگوریتم از طریق باندهای بهینه ای که توسط الگوریتم ژنتیک از بین 202 باند انتخاب می شوند دمای سطح زمین را بدست می آورد. فرآیند الگوریتم بدین صورت است که ابتدا با استفاده از الگوریتم ژنتیک باندهای بهینه از بین 202 باند انتخاب شده و سپس ضرایب مربوط به الگوریتم پنجره مجزا بدست می آید. تعداد ضرایب به تعداد باندهایی که توسط الگوریتم ژنتیک انتخاب می شوند بستگی دارد. سپس با استفاده از ضرایب بدست آمده و باندهای انتخابی، دمای سطح زمین برای دو داده ی مختلف از طریق الگوریتم پنجره مجزا بدست می آیند. در پایان نیز برای ارزیابی نتایج روش پیشنهادی از محصول حرارتی طیف سنج حرارتی فراطیفی هوابرد (HYTES) استفاده می شود تا دقت روش پیشنهادی مشخص شود. دمای بدست آمده با استفاده از الگوریتم پیشنهادی برای هر دو داده با داده ی مرجع (محصول حرارتی) مورد ارزیابی قرار گرفت که خطای ریشه کمترین مربعات (RMSE) برای داده ی اول 0.025 درجه کلوین و برای داده ی دوم 0.999 درجه کلوین را نشان می دهد. بنابراین با توجه به خطاهایی که بدست آمد می توان گفت الگوریتم پیشنهاد شده برای بدست آوردن دمای سطح زمین از داده های طیف سنج حرارتی فراطیفی هوابرد (HYTES) روش مناسبی می باشد.

طراحی شبکه یکی از مراحل مهم و کلیدی در انجام تمامی پروژه های فتوگرامتری برد کوتاه می باشد. از سوی دیگر لزوم استفاده از فتوگرامتری پهپاد مبنا در مدلسازی محوطه های میراث فرهنگی غیر قابل تردید است. استفاده از این شیوه بدون لحاظ کردن اصول طراحی شبکه منجر به پردازش های طولانی و غیر ضروری می شود. در این تحقیق روشی ارائه شده است که به کمک آن با در نظر گرفتن اصول طراحی شبکه فتوگرامتری، قبل از تصویر برداری موقعیت های مناسب و بهینه دوربین برای اخذ تصویر تعیین می گردند. سپس بین موقعیت های بدست آمده یک مسیریابی بهینه جهت پرواز پهپاد انجام می گیرد تا با صرف کمترین زمان و هزینه تصاویر مورد نیاز برای ایجاد مدل سه بعدی از محوطه های باستانی اخذ گردد. نتایج بدست آمده برای تصاویر اخذ شده از دو محوطه میراث فرهنگی نشان داده است که تعداد تصاویر با بکارگیری اصول طراحی شبکه نسبت به روش طراحی شبکه فرد فتوگرامتریست کاهش یافته است؛ و در نتیجه سرعت مدلسازی سه بعدی با استفاده از این روش نیز افزایش می یابد.

تاکنون روش های زیادی جهت تشخیص خودروها توسط محققین ارائه شده است. به عنوان مثال تکنیک تفاضل فریم یکی از روش های ارائه شده برای شناسایی خودروها می باشد. در این روش هر تغییری در فریم جاری نسبت به تصویر پس زمینه نشان دهنده خودروهای متحرک می باشد. در این روش ها به طورکلی سایه خودروها به عنوان عارضه متحرک شناسایی می شوند و این زمانی که سایه خودروها با هم همپوشانی داشته باشند، باعث تلفیق چندیدن خودرو شده و دقت شناسایی خودروها به شدت کاهش پیدا می کند. برای حل این مشکل برخی روش های مبتنی بر گسترش ناحیه ارائه شده است که بعضا به دلیل پایین بودن دقت به صورت موفقیت آمیز عمل نمی کنند. بنابراین هدف اصلی در این تحقیق بهبود روش تفاضل فریم از طریق وزن دهی به پیکسل های تصویر با استفاده ترکیب چندین ویژگی بافتی جهت حذف سایه خودروها می باشد. برای این کار، بعد از استخراج تصویر پس زمینه و قبل از عمل تفاضل به هر کدام از پیکسل های تصویر پس‍زمینه و پیش زمینه وزنی اختصاص داده می شود. طبیعتا، پیکسل های وزن دهی شده مربوط به قسمت سایه و محدوده متناظر در تصویر پس زمینه (سطح آسفالت) مقدار کمی وزن خیلی نزدیک به هم می شوند. در نتیجه، با عمل تفاضل فریم های وزن دهی شده پس زمینه و جاری علاوه براینکه خودروها حذف می شوند، سایه خودروها هم به همراه آنها حذف می شوند. در این تحقیق از چهار پایگاه داده جهت پیاده سازی و ارزیابی استفاده شده است. معیارهای مورداستفاده برای نشان دادن دقت در شناسایی خودروها OA، HR، FAR، MODP و MOTP می باشند. با استفاده از این معیارها روش پیشنهادی با دو روش که توسط محققین دیگر برای حذف سایه مورداستفاده قرارگرفته‍اند مقایسه و ارزیابی شد. در این آزمون ها، بهبود دقت روش پیشنهادی، به صورت نسبی نسبت به دیگر روش ها و بسته به معیار مورداستفاده، در بازه بین 2 تا 15 درصد متغیر می باشد.

در این تحقیق، مدلی برای پیش بینی دوره بهبود وضعیت سطح آب دریاچه ارومیه نسبت به 14 سال قبل ارائه شده است و تغییرات زمانی- مکانی دوره تثبیت سطح آب آن در بازه زمانی 2002 تا 2016 میلادی با استفاده از داده های چند زمانه تصاویر لندست 5 و 7 و 8 بررسی گردیده است. در ارائه این مدل دو عامل اصلی، متوسط بارندگی سالیانه حوزه آبریز منطقه و مجموعه فعالیت های انجام گرفته در سال های اخیر مدنظر قرار گرفته است. برای این منظور، ابتدا برای ارزیابی تغییرات زمانی- مکانی سطح آب آن، چهار شاخص مختلف استخراج مقدار کمی آب، شامل شاخص نسبت آب (WRI)، شاخص اتوماتیک استخراج آب (AWEI)، شاخص اختلاف آب نرمال شده (NDWI) و شاخص اختلاف پوشش گیاهی نرمال شده (NDVI)، مورد استفاده قرار گرفتند. سپس عملکرد هر یک از آنها از طریق مقایسه با یک نقشه مبنا تعیین خطا گردیدند که شاخص اختلاف آب نرمال شده دارای کمترین خطا نسبت به سه شاخص دیگر بود. در نتیجه، مدل پیشنهادی بر اساس نتایج این شاخص ارائه گردید و در سه حالت مختلف با در نظر گرفتن وزن های مختلف برای عوامل مذکور ارزیابی گردید. نتایج نشان داد که کاهش محسوس (78درصد) سطح آب دریاچه ارومیه در دوره زمانی 2002 تا 2014 نسبت به سال 2002 اتفاق افتاده است. در مقابل، در بازه زمانی 2014 تا 2016 ، افزایش (33.57 درصد) یافته و به دوره تثبیت نسبی رسیده است. این تثبیت نسبی ناپایدار بوده و به دو عامل اصلی مذکور بستگی دارد. نتایح مدل پیشنهادی در سه حالت مختلف نشان داد که بر اساس این روند افزایشی در بازه زمانی دوم و با در نظر گرفتن وزن های مختلف عوامل مذکور، حداقل 11 سال (در بهترین حالت)، 18 سال (با وضعیت موجود) و حداکثر 49 سال (با فعالیت احیایی کاهشی) طول خواهد کشید تا وضعیت آب دریاچه ارومیه به سطح اولیه خود در سال 2002 برگشته و به دوره تثبیت پایدار برسد. مدل پیشنهادی روش باثباتی بوده و می تواند برای هر تعداد عوامل و اقدامات موثر در آینده مورد استفاده قرار گیرد.

یکی از سرویس هایی که در بین کاربران تلفن های همراه هوشمند با استقبال زیادی روبه رو شده است، سرویس های مبتنی بر شبکه های اجتماعی است. توصیه مکان یکی از سرویس های محبوب برای شبکه های اجتماعی مکان مبناست. این سرویس بر اساس پیشینه رفتار کاربر و اطلاعات مکان مانند دسته بندی مکان، مکان های بازدید نشده را به کاربران پیشنهاد می دهد. روش های موجود که از اطلاعات ثبت موقعیت کاربر و اطلاعات مکان، استفاده می کنند، تنها تاثیر مکانی و تاثیر زمانی را در توصیه مکان در نظر گرفته اند. با توجه به اینکه روابط اجتماعی کاربر می تواند بر عملکرد بهتر توصیه مکان تاثیر بگذارد، این تاثیر نیز می تواند نقش مهمی در توصیه مکان ایفا کند. در این پژوهش، الگوریتم توصیه مکان PCLRTGS با در نظر گرفتن تاثیر مکانی، تاثیر زمانی و تاثیر روابط اجتماعی توسعه داده شده است. در این الگوریتم، تاثیر مکانی با استفاده از تابع توزیع مکانی مدل سازی شده است. همچنین برای مدل سازی تاثیر زمانی، منحنی زمانی هر کاربر در هر دسته ایجادشده و شباهت این منحنی با منحنی های زمانی کاربران دیگر در آن دسته به دست آمده و این شباهت برای مدل سازی تاثیر زمانی بکار گرفته شده است. تاثیر روابط اجتماعی نیز با استفاده از سه معیار شباهت ارتباطات اجتماعی کاربر و دوستانش، شباهت فعالیت های ثبت موقعیت کاربر و دوستانش و شباهت زمانی رفتار ثبت موقعیت بین کاربر و دوستانش، مدل سازی شده است. الگوریتم توسعه داده شده با استفاده از دو معیار دقت و جامعیت ارزیابی شده و با دو الگوریتم PCLR و sPCLR در پنج گروه با تعداد توصیه های مختلف مقایسه شده است. نتایج نشان می دهد که الگوریتم پیشنهادی PCLRTGS ازنظر دقت و جامعیت، حدود 15-10 درصد عملکرد بهتری نسبت به دو الگوریتم PCLR و sPCLR دارد.