علوم و فنون نقشه برداری
سال:1394 | دوره:5 | شماره:3 |تعداد مقالات:21

اخیرا رشد قابل توجهی در سیستم های (DP) DUAL-polarimetry به وجود آمده است که (CP) Compact Polarimetry نامیده می شود.CP یک سیستم تصویربرداری DP است که چندین مزیت مهم را نسبت به دیگر سیستم های چندپلاریزاسیون SAR دارد. از جمله آن ها می توان به قابلیت کاهش پیچیدگی سیستم، هزینه، وزن و نرخ داده های سیستم SAR اشاره کرد. یکی از زمینه های تحقیقاتی مورد توجه سنجش از دور راداری مطالعه جنگل ها است، چرا که نقش مهمی را در کنترل آب و هوا بازی می کنند. در این تحقیق پتانسیل داده های CP در طبقه بندی مناطق جنگلی با استفاده از طبقه بندی کننده ویشارت مختلط و به دو صورت بررسی و ارزیابی شده است. یکبار با استفاده از ماتریس های کواریانس 2´2 دو مد (CTLR) Circular Transmit-Linear Receive، و بار دیگر با به کارگیری ماتریس های کواریانس 3´3 بازسازی شده از این دو مد CP. سپس نتایج حاصل با نتیجه به دست آمده از مد (FP) Full Polarimetry مقایسه و ارزیابی شدند. نتایج نشان دادند که در طبقه بندی پوشش های جنگلی، مد pi/4 دقت کلی طبقه بندی بهتری را نسبت به مد CTLR فراهم می کند.

در چند دهه گذشته جمعیت شهرنشین و در نتیجه توسعه مکانی مناطق شهری شتابی فزاینده داشته است. این مهم به بروز تغییرات محیطی در این مناطق منجر شده است. از این رو، کشف تغییرات در بازه های زمانی مختلف در مناطق شهری از اهمیت بالایی برخوردار است. روش های کشف تغییرات متداول با استفاده از تصاویر سنجش از دوری، بیشتر مبتنی بر تشخیص تغییرات طیفی و محاسبه فاصله طیفی بین پیکسل ها بوده و ماهیت تغییرات بصورت خطی در نظر گرفته می شود. این در حالیست که، معمولا تصاویر سنجش از دوری تحت تاثیر نویز و یا تغییرات رادیومتریکی هستند و در نتیجه ماهیت تغییرات می تواند به صورت غیرخطی باشد. از طرف دیگر، یکی از چالش های اصلی در تولید نقشه تغییرات در مناطق شهری، محدودیت در جداسازی طیفی زمین های ساخته شده و زمین‍های بایر از یکدیگر در این مناطق است. بدین منظور، در این مقاله یک روش آشکارسازی تغییرات خودکار مبتنی بر کرنل و با قابلیت استفاده هم زمان از اطلاعات طیفی و شاخص های طیفی مختلف پیشنهاد شده است. در مرحله اول، شاخص های طیفی مناسب برای جداسازی کلاس های پوششی در منطقه شهری از تصاویر چندزمانه استخراج می شوند. به کمک آنالیز مولفه بردار تغییر و تعیین خودکار حد آستانه، نمونه های شبه آموزشی غیر دقیق مربوط به کلاس های تغییر یافته و بدون تغییر استخراج می شوند. به منظور محاسبه تصویر تفاضلی، دو روش تفاضلی جدید در فضای اولیه طیف و در فضای هیلبرت ارائه شد. نمونه های شبه آموزشی بدست آمده از مرحله قبل به عنوان ورودی به الگوریتم خوشه بندی وارد شده و به طور همزمان با بهینه سازی یک تابع هزینه، مقادیر دقیق پارامترهای الگوریتم خوشه بندی و نمونه های آموزشی دقیق استخراج می شوند. از نمونه های آموزشی دقیق برای آموزش طبقه بندی کننده حداقل فاصله مبتنی بر کرنل استفاده می شود. در مرحله آخر هر یک از پیکسل های مجهول به طبقه بندی کننده وارد شده و کلاس هریک از این پیکسل ها مشخص می شود. به منظور ارزیابی دقت و کارایی الگوریتم کشف تغییرات پیشنهادی، این الگوریتم بر روی تصاویر چندطیفی و چندزمانه ماهواره لندست 5 سنجنده TM از شهر کرج مربوط به دو تاریخ 1366 و 1390 اعمال شد. به منظور آنالیز حساسیت روش پیشنهادی کشف تغییرات نسبت به نوع ویژگی های مورد استفاده، از 5 مجموعه ویژگی مختلف به عنوان ورودی به الگوریتم استفاده شد. به منظور انجام ارزیابی مقایسه ای، دقت روش پیشنهادی مبتنی بر کرنل در دو حالت استفاده از روش تفاضلی تصاویر در فضای ورودی اولیه (DFSS) (دقت کلی: 86.40 و کاپا: 0.83) و روش تفاضلی تصاویر در فضای ویژگی (DFHS) (دقت کلی: 85.54 و کاپا: 0.82)، با روش های کشف تغییرات مبتنی بر تبدیل MNF (دقت کلی: 77.42 و کاپا: 0.76)، نگارنده زاویه طیفی (SAM) (دقت کلی: 64.60 و کاپا: 0.60) و روش تفاضلی ساده (DIFF) (دقت کلی: 73.44 و کاپا 0.70) برای این 5 مجموعه ویژگی مقایسه شد. نتایج بدست آمده نشان دهنده کارایی و دقت بالای الگوریتم پیشنهادی نسبت به روش‍های مرسوم کشف تغییرات و توانایی بالای آن در جداسازی انواع کلاس های طیفی در مناطق شهری است.

امروزه تلفیق داده ها و تصاویری که از منابع مختلف سنجش از دوری به دست آمده اند، به عنوان راه حلی بهینه به منظور استخراج اطلاعات بیشتر مطرح است. در این راستا، سنجنده های غیرفعال نوری به صورت گسترده در نگاشت ساختارهای افقی مورد استفاده قرار می گیرند. داده های راداری نیز با توجه به این که غالبا مستقل از شرایط جوی و به صورت شبانه روزی امکان جمع آوری دارند و نیز برخی ساختارهای زمینی و اهداف مصنوعی پاسخ ویژه ای در فرکانس راداری دارند، توانایی های تصاویر نوری را تکمیل می کنند. همچنین داده های هوابرد لیدار نیز می توانند اندازه گیری های نمونه ای با دقت بسیار بالا از ساختارهای قائم در اختیار قرار دهند. در نتیجه، تلفیق داده های نوری، راداری و لیدار می تواند اطلاعات بیشتری در کاربردهای متنوع فراهم نماید. لذا در این تحقیق، با تلفیق این سه دسته داده سعی بر شناسایی عوارض خاص شهری به شکل بهینه نمودیم. در این راستا، با بکارگیری و تولید توصیف گرهای مختلف (141 توصیف گر) و با استفاده از روش استخراج ویژگی (روش PCA) و تخمین ابعاد ذاتی داده ها (شامل SML و NWHFC)، فضای بهینه ای برای طبقه بندی نظارت شده ایجاد شد. پس از انجام طبقه بندی (روش K-NN) با استفاده از نتایج بدست آمده، توصیف گرهای (لایه های اطلاعاتی) تولید شده برای شناسایی عوارض خاص شهری شامل ساختمان ها، راه ها و پوشش گیاهی بر اساس دقت کلاسه بندی بدست آمده، گروه بندی شدند. نتایج عددی بدست آمده حاکی از کارایی بالای رویه تلفیقی با بکارگیری روش NWHFC و با دقت کلی بالای 90% برای داده های مختلف بکارگرفته شده است.

از زمان پیدایش مفهوم اطلاعات مکانی مردم گستر (داوطلبانه) کیفیت این اطلاعات به عنوان بزرگترین مشکل آن معرفی شده است. بنابراین تاکنون تحقیقات مختلفی به بررسی کیفیت داده های مردم گستر پرداخته و سعی در برآورد کیفیت این اطلاعات داشته اند. اما در این تحقیقات به دقت توصیفی کمتر از سایر المان های کیفیت پرداخته شده است؛ در حالیکه این المان در آنالیزهای گوناگون مکانی و کاربردهای مختلف اطلاعات مردم گستر از اهمیت بالایی برخوردار است. بنابراین در این تحقیق با استفاده از یک روش جدید و با استفاده از الگوریتم Levenshtein به همراه پیش پردازش های متنی، دقت توصیفی عوارض مردم گستر (در قالب نام عارضه) با مقایسه آنها با عوارض مرجع مورد بررسی قرار می گیرد. برای محاسبه دقت توصیفی فرض می شود که بین عوارض مرجع و مردم گستر تناظریابی انجام شده است. منطقه مورد مطالعه این تحقیق شهر تهران است و از داده های تولیدی شهرداری تهران به عنوان مجموعه داده مرجع و از داده های سایت OpenStreetMap به عنوان مجموعه داده مردم گستر استفاده شده است. طبق نتایج حاصل، 33 درصد از عوارض مردم گستر دارای نام، نام صحیح، 44 درصد از آن ها نام تقریبا صحیح و 23 درصد باقیمانده نام نادرست دارند و دقت توصیفی کل داده های مردم گستر برابر 77 درصد می باشد.

منابع آب های سطحی به لحاظ کیفی، متاثر از فعالیت های انسانی و عوامل طبیعی می باشد. از این رو، در تصمیم گیری های مرتبط با کاهش آلودگی منابع آبی، مشخص کردن این تاثیرات اجتناب ناپذیر است. با این حال، به دلیل ماهیت پویای مکانی- زمانی ارتباط میان کاربری ها و پوشش زمین با آلاینده های آبی، در نظر گرفتن ابعاد مکان و زمان برای استخراج این روابط امری ضروری است. علاوه بر این، ورود بعد مکان و مشخص کردن تاثیرات مذکور در یک بازه زمانی بلند مدت، درک ما را از ارتباطاتی که در فضا و زمان در حال تغییر می باشند، بهبود می بخشد. در این تحقیق، از رگرسیون وزندار مکانی- زمانی برای تعیین تاثیرات کاربری/ پوشش های زمین بر میزان غلظت آلاینده فلزی استفاده شده است. مزیت استفاده از این نوع رگرسیون آن است که همبستگی مکانی و ناایستایی مکانی ایستگاه های پایش کیفیت آب را در برآورد ضرایب لحاظ می نماید. علاوه بر این، با در نظر گرفتن بعد زمان در انجام محاسبات، همبستگی زمانی غلظت آلاینده های مذکور نیز مد نظر قرار می گیرد. نتایج عملی فرایند فوق، برای یک نمونه عملی، ارائه شده و مورد بررسی قرار خواهد گرفت.

زمان سفر کمان های شبکه حمل و نقل شهری، مهم ترین متغیر برای تصمیم گیری در مورد انتخاب مسیر سفر و زمان آغاز سفرهای شهری است. زمان سفر در کمان های تشکیل دهنده شبکه حمل و نقل، اساس کار سامانه های ناوبری و مسیریابی است. به طور مشخص، الگوریتم های مسیریابی زمانمند، سریع ترین مسیر را بر اساس مدت زمان سفر کمان های شبکه در زمان های مختلف محاسبه می کنند. در واقع اطلاعات زمان سفر برای بازه های زمانی آینده، مبنای روش های مسیریابی زمانمند است. با فراگیر شدن استفاده از موقعیت یاب های قابل حمل مبتنی بر سامانه موقعیت یاب جهانی (GPS)، استفاده از داده های تولید شده توسط این دستگاه ها برای تعیین سرعت جریان ترافیک در شبکه راه مورد توجه قرار گرفته است. در این پژوهش با استفاده از داده های دریافتی از موقعیت یاب های اتوبوس های شهری، زمان سفر کمان های شبکه شریانی به صورت آنی محاسبه می شود. تعیین زمان سفر کمان ها در بازه های زمانی، نیازمند تحلیل داده های مکانی-زمانی است. برای پیش بینی کوتاه مدت زمان سفر از تحلیل هالت-وینترز استفاده شده است. برای افزایش دقت تخمین ها، از اطلاعات زمان بندی چراغ های راهنمایی نیز در محاسبات استفاده شده است. برای اعتبار سنجی روش پیشنهادی و همچنین محاسبه برخی از پارامترهای مدل از سه خودروی آزمایش در یک روز مشخص استفاده شده است. در نهایت، زمان سفر محاسبه شده با روش پیشنهادی، با نتایج حاصل از دو روش پرکاربرد در محاسبه زمان سفر کمان مقایسه شده است. با کاهش 22 درصدی میانگین RMSE در بازه های زمانی مختلف، مقایسه صورت گرفته بهبود دقت محاسبه زمان سفر کمان در حالت استفاده از روش پیشنهادی را نشان می دهد. بهبود دقت نتایج، کارایی استفاده از روش پیشنهادی را نشان می دهد.

در سال های اخیر توانمندی های تلفن های همراه هوشمند در ابعاد مختلف سخت افزاری و نرم افزاری رشد قابل توجه ای داشته است. این توانمندی ها در کنار بارزترین ویژگی یک تلفن همراه یعنی در همه جا حاضری، سبب استفاده روزافزون آن ها در سیستم های فراگستر شده است. امروزه سیستم های فراگستر موجبات تحول در مولفه های اساسی سیستم های اطلاعات مکانی را فراهم کرده اند، یکی از ملموس ترین این جنبه ها، بصری سازی و نمایش داده می باشد. از جمله روش های بازیابی اطلاعات از محیط پیرامون در رایانش فراگستر مفهوم برچسب گذاری مکانی می باشد و به علت ماهیت مکانی اکثر داده ها ارتباط تنگاتنگی با سیستم های اطلاعات مکانی دارد. پیش از این نصب برچسب های فیزیکی نظیر QR code یا برچسب های RFID بر روی اشیاء و عوارض، جهت اخذ اطلاعات از آنها مورد استفاده قرار گرفته است. این برچسب ها محدودیت های خاصی نظیر نیاز به برچسب فیزیکی و محدودیت فاصله را دارند. در پژوهش حاضر با استفاده از رابط های گرافیکی نوین نظیر فناوری واقعیت افزوده، رویکرد بهبودیافته ای از برچسب گذاری مکانی حاصل شده است که می تواند در بسیاری از زمینه های کاربردی نظیر زیرساخت یک شهر هوشمند به کار گرفته شود. از این رو مولفه های اصلی سیستم پیشنهادی و پلت فرم تلفن همراه هوشمند جهت ایجاد یک محیط فراگستر تشریح شده و چارچوبی جهت بصری سازی برچسب های مکانی مبتنی بر فناوری واقعیت افزوده ارائه شده است. برای پیاده سازی سیستم پیشنهادی میدان هفت تیر شهر تهران به عنوان مطالعه موردی انتخاب شده و برنامه کاربردی موردنظر در سیستم عامل اندروید طراحی و اجرا شده است. نتایج حاصل از برنامه کاربردی، نشانگر انطباق برچسب های مکانی بر روی اشیاء و ساختمان های متنتاظر و کارآمدی فناوری واقعیت افزوده در بصری سازی و نمایش داده ها در محیط دارد. همچنین با توجه به دقت حاصل از حسگرهای IMU و GPS در برنامه کاربردی پیاده سازی شده، روی هم نهادن برچسب های مجازی و اشیاء متناظر دنیای واقعی در محدوده موردنظر محقق شده است. این مساله بیانگر آن است که به کارگیری حسگرهای تلفن همراه هوشمند در پیاده سازی سیستم های واقعیت افزوده مکان مبنا در یک محیط شهری، دقت های مورد نیاز را به خوبی برآورد می کند.

تولید نقشه و اطلاعات قابل استفاده در یک سامانه اطلاعات مکانی هزینه و زمان قابل توجهی را به خود اختصاص می دهند که در نهایت این اطلاعات مبنای تصمیم گیری ها و فعالیت های بعدی به خصوص در مناطق شهری قرار می گیرند. بهنگام رسانی داده ها متضمن پیشرفت یک سامانه اطلاعات مکانی و استفاده درست از آن خواهد بود. فرآیند شناسایی تغییرات، زمینه را برای بهنگام رسانی اطلاعات فراهم می آورد و یکی از موضوعات کاربردی و چالش برانگیز در بسیاری از شاخه ها ازجمله: برنامه ریزی شهری، محیط زیست و سایر علوم مربوط به زمین است. تکنیک های متداولی که برای آشکارسازی تغییرات بکار گرفته می شوند، معمولا مبتنی بر پیکسل هستند. در این تحقیق از دو روش ماسک باینری و مقایسه پس از طبقه بندی به صورت ترکیبی بهره گرفته شد و سپس نتایج حاصل با روش مقایسه پس از طبقه بندی مقایسه شد. ماسک باینری توسط تلفیق روش حد آستانه گذاری فازی و حد آستانه گذاری اتوماتیک otsu ایجاد شد. سپس مقایسه توسط طبقه بندی کننده های بیشترین شباهت، کوتاه ترین فاصله، ماشین بردار پشتیبان و شبکه عصبی مصنوعی صورت گرفت .برای این منظور در این تحقیق از تصاویر ماهواره ای با توان تفکیک بالای ماهواره های GeoEye و QuickBird مربوط به سال های 1385 و 1389 جهت شناسایی تغییرات در منطقه مطالعاتی شهرک آزاد شهر واقع در ناحیه هشت از منطقه 22 استان تهران، استفاده شده است. نتایج به دست آمده نشان می دهد که روش پیشنهادی از نظر مقایسه کمی و کیفی در نشان دادن تغییرات در مقابل روش مقایسه پس از طبقه بندی از دقت بالاتری برخوردار بوده است و دقت کلی و ضریب کاپا با استفاده از روش شبکه عصبی برای نقشه تغییرات به دست آمده از این روش معادل 73.32 و 68.38 بوده است. این در حالی است که دقت روش مقایسه پس از طبقه بندی برای روش شبکه عصبی معادل 65.61 و ضریب کاپا برابر 48.96 به دست آمده است.

این مقاله دقت و پایداری مساله انتقال فروسوی آنومالی های نقطه ای و متوسط (گرید شده) در سطح زمین برای محاسبه آنومالی های متوسط را بررسی می کند. برای این منظور، از تقریب صفحه ای معکوس انتگرال پواسن برای انتقال فروسو استفاده شده است. از آنجایی که مساله انتقال فروسو ذاتا بدوضع است، بررسی بدوضعی و ناپایداری دستگاه معادلات خطی حاصل از بررسی شرط گسسته پیکارد صورت گرفت. نتایج عددی در یک منطقه آزمون کوهستانی با داده های متراکم در آمریکا و یک منطقه آزمون در ایران با داده های پراکنده بدست آمد. نتایج عددی در هر دو منطقه آزمون نشان داد که مساله انتقال فروسو داده های نقطه ای تحت تاثیر نزدیکی داده ها (تجمع نقاط در برخی از مکانها نظیر مسیرهای ترازیابی)، ناپایدار است. در حالی که انتقال فروسوی آنومالی های متوسط 5 دقیقه مساله ای خوش وضع است. نتایج شبیه سازی شده با مدل EGM08 بیانگر این است که استفاده از داده های گرید شده، علیرغم وجود خطای پیش بینی در نقاط گرید، خطای فروسوی کمتری دارند.

سنجنده CCD Camera یک سنجنده چند طیفی است که بر روی ماهواره CBERS02 نصب شده است. تکنیک تصویربرداری در این سنجنده به صورت پوش بروم می باشد. در تصاویر اخذ شده توسط سنجنده CCD Camera برخی نویزهای نواری عمودی دیده می شود که علت آن عدم تطابق پاسخ طیفی آشکارسازها، تغییرات درونی آشکارسازها، واسنجی نامناسب سنجنده و پایین بودن نسبت سیگنال به نویز می باشد. این نویز در تصاویر دریافتی از سطوح همگن که در سطح 2 پردازش شده اند رخ نمون بیشتری دارد. وجود این نویز تفسیر داده ها و استخراج اطلاعات از این تصاویر را با مشکل مواجه می کند. در این پژوهش برای اصلاح این تصاویر روش تطبیق ممان های مکانی پیشنهاد شده است. در این روش از ممان های آماری مانند میانگین و انحراف معیار ستون ها در هر باند، برای متعادل کردن مشخصه های آماری آرایه های آشکارساز به مقدارهای مرجع، استفاده شده است. در تصویر شبیه سازی شده برای نویز نواری عمودی، پس از اعمال الگوریتم پیشنهادی به تصویر، بازیابی 97 درصدی تصویر اولیه حاصل شد. علاوه بر این، افزایش 16 درصدی کیفیت تصویر باند 1 و همچنین افزایش 19 درصدی کیفیت تصویر باند 2 نشان دهنده کاهش نویز نواری از تصاویر می باشد. همچنین اعمال الگوریتم حذف نویز به تصاویر باندهای 1 و 2 به ترتیب موجب کاهش انحراف معیار از 9.47 به 9.01 و 5.72 به 5.25 شد. نتایج آزمایشات و بررسی های کمی انجام شده نشان دهنده دقت روش پیشنهاد شده در این پژوهش می باشد.

توسعه و استفاده از یک چارچوب مناسب برای پیاده سازی، ارزیابی و بهبود مستمر زیرساخت داده های مکانی یکی از موضوعات مهم تحقیقات در زمینه علوم مکانی است. با توجه به اینکه زیرساخت های داده های مکانی ملی در حال توسعه هستند، نیاز به توجیه منابع مصرف شده و کارآمد بودن زیرساخت داده مکانی در آن ها بسیار احساس می شود. روش های زیادی برای این منظور استفاده و به کار گرفته شده است. هدف اصلی از این تحقیق ارزیابی زیرساخت داده مکانی کشور ایران از ابعاد و دیدگاه های مختلف است؛ برای این منظور، پرسشنامه ای از نقطه نظرات مختلف تهیه و تنظیم شد، سپس به روش کارت امتیازی متوازن پیاده سازی گردید. معیارهای مدل کارت امتیازی متوازن با فاکتورهای مربوط به ارزیابی زیرساخت داده مکانی مطابقت داده شد و بر این اساس زیرمعیارها تعریف شدند. نتایج تحقیق نشان داد که وضعیت فعلی زیرساخت داده مکانی ایران رضایت بخش نبوده و برای بهبود این شرایط، تلاش بیشتری در این زمینه موردنیاز است. بیشترین ضعف در زمینه مالی به چشم می خورد و درزمینه فرایندهای داخلی نسبت به زمینه های مالی، مشتری و رشد و یادگیری عملکرد بهتری دیده می شود. البته زیرساخت داده مکانی ملی در ایران علیرغم مهیا بودن بستر به اشتراک گذاری داده، هنوز منتشر نشده است.

امروزه آلودگی هوا در شهرهای بزرگ دنیا سلامت انسان ها را به مخاطره کشانده است. شهر تهران نیز از این قضیه مستثنی نبوده است و آلودگی در این شهر به یک چالش بزرگ برای مدیریت شهری تبدیل شده است. در پژوهش کنونی به مدلسازی مکانی غلظت آلاینده PM2.5 با بهره گیری از مدل رگرسیون وزندار جغرافیایی از خانواده مدلهای آماری محلی پرداخته شده است. برای این مدلسازی از 18 ایستگاه سنجش کیفیت هوای شهر تهران استفاده شده و پارامترهای غلظت آلاینده PM2.5، کاربری های 9 گانه، جمعیت، پارامترهای هواشناسی، فاصله از معابر اصلی و آزادراه ها و ارتفاع به عنوان پارامترهای موثر در نظر گرفته شده اند. از ویژگیهای این مدل ترکیب متغیرهای مختلف با همبستگی فضایی متنوع می باشد. این پژوهش در نهایت منجر به تولید نقشه هایی از وضعیت آلاینده PM2.5 بر روی کل شهر تهران شده است که به منظور شناخت مناطق پر ریسک در شهر و بکار گیری اقدامات مفید به منظور کاهش آلودگی در آن نقاط بسیار سودمند می باشد. پس از مقایسه این نقشه ها با مقادیر مشاهده شده و بررسی پارامترهای آماری ضریب تعیین (R2=0.75-0.80) جذر میانگین مربعات خطا (RMSE=7.1-8.5) مشخص گردید که مدل پیشنهادی توانایی بالایی در تخمین غلظت در مناطق مختلف در سطح شهر تهران دارد.

آشکارسازی صحیح و به موقع تغییرات پوشش و کاربری اراضی یکی از مهم ترین موضوعات در حوزه برنامه ریزی و مدیریت اراضی می باشد. در دهه های اخیر، تصاویر سنجش از دور به منابع ارزشمندی برای شناسایی تغییرات پوشش و کاربری اراضی تبدیل شده اند. حدآستانه گذاری تصویر اختلاف، از متداول ترین تکنیک های آشکارسازی تغییرات در تصاویر ماهواره ایی چندزمانه می باشد. نظر به اینکه تکنیک های متداول حدآستانه گذاری برای فضاهای تک بعدی توسعه داده شده اند، برای شناسایی تغییرات در فضاهای چندطیفی تصاویر سنجش از دور مناسب نیستند. یک راهکار متداول برای رفع این نقیصه، استفاده از تکنیک تلفیق داده ها در سطح ویژگی و/یا تصمیم گیری می باشد. تکنیک های متنوعی برای این منظور توسعه داده شده اند. هرچند مشخص نیست کدامیک از این تکنیک ها، نسبت به بقیه کارآیی بالاتری دارد، ولی یک خصوصیت مشترک در همه آنها (بغیر از تکنیک های رای گیری و بیزین)، ماهیت تحت نظارت بودن آنهاست. طوری که تحلیل گر باید یکسری پارامترها را، به نحوی که بهترین همخوانی را با داده ها و کاربرد مورد نظر داشته باشد، تعیین نماید. از طرف دیگر، تکنیک های نظارت نشده ای که برای این منظور توسعه داده شده اند، عموما منجر به صحت پایین در آشکارسازی تغییرات می شوند. به منظور توسعه تکنیک های حدآستانه گذاری جهت پشتیبانی تصاویر چندطیفی، یک تکنیک ساده و در عین حال کارآمد برای تلفیق داده ها پیشنهاد می شود. روش پیشنهادی مبتنی بر تلفیق شاخص های تغییرات (باندهای تصویر اختلاف) در یک مدل خطی می باشد که منجر به تشکیل یک شاخص تغییرات جدید با محتوای بالای اطلاعاتی می شود. وزن های بکار رفته در این مدل با الگوریتم توده ذرات (PSO) بهینه شده و سپس از تکنیک OTSU برای آشکارسازی باینری تغییرات استفاده می شود. روش پیشنهادی بر روی یک جفت تصویر دوزمانه سنجنده TM پیاده سازی و نتایج حاصله با تکنیک های رایج مقایسه شد. صحت کلی %90.68 روش پیشنهادی، در مقایسه با صحت کلی %79.06 و %70.81 حاصل از دو تکنیک متداول رای گیری (تلفیق در سطح تصمیم گیری) و صحت کلی %80.77 حاصل از الگوریتم بیزین (تلفیق در سطح ویژگی)، بیانگر قابلیت بالای روش پیشنهادی در آشکارسازی نظارت نشده تغییرات در تصاویر ماهواره ای چندزمانه چندطیفی می باشد.

استخراج راه از تصاویر سنجش از دور، یک روش سریع و ارزان برای بدست آوردن اطلاعات حمل ونقل و بروزرسانی سیستم اطلاعات مکانی است. تغییرات مداوم و سریع محیط های شهری، نیاز به بروزرسانی منظم و یا بازبینی لایه های شبکه راه در سیستم های اطلاعات مکانی را افزایش داده است. در این تحقیق علاوه بر پیاده سازی یک چارچوب کلی استخراج راه مبتنی بر شیء، تاثیر کیفیت روش قطعه بندی بر نتیجه نهایی سیستم استخراج راه ها مورد بررسی قرار گرفته است. برای ارزیابی نتایج از داده های واقعی سنجنده Worldview 2 مربوط به منطقه شوشتر در استان خوزستان استفاده گردیده است. نتایج بدست آمده کیفیت مناسب تر قطعه بندی به روش مالتی رزولوشن را گزارش نموده است. در ادامه با انجام عملیات هرس کردن نتایج بدست آمده بیش از 20% بهبود یافته است. نتایج نهایی پیاده سازی قطعه بندی مالتی رزولوشن و هرس کردن بر روی داده مورد استفاده، مقدار پارامتر صحت 88% و پارامتر دقت 85% را نشان داده است. همچنین انتخاب پارامترهای روش قطعه بندی مالتی رزولوشن تحلیل شده است و تاثیر انتخاب صحیح این پارامترها بر نتیجه بدست آمده مورد بررسی قرار گرفته است.

تصاویر فراطیفی به دلیل ارائه اطلاعات مناسبی از خصوصیات طیفی عوارض و پدیده های سطح زمین دارای پتانسیل بسیار بالایی برای آشکارسازی هدف می باشند. با این وجود، استفاده از تمام باندهای تصویر در فرایند آشکارسازی به علت وجود همبستگی بالا بین باندها و همچنین افزایش هزینه محاسباتی توصیه نمی گردد. این موضوع در خصوص آشکارسازی اهداف با ابعاد کوچکتر از ابعاد پیکسل (زیرپیکسل)، به علت اختلاط طیفی هدف با پس زمینه از اهمیت بیشتری برخوردار است و معمولا منجر به نرخ هشدار اشتباه بالایی می شود. هدف اصلی این مقاله بهبود کارایی آشکارسازی اهداف زیرپیکسلی بر اساس انتخاب باندهای طیفی مناسب است. روش پیشنهادی این تحقیق، استفاده از الگوریتم ژنتیک با تابع تناسب بیشینه نمودن مقدار آشکارساز در اهداف زیرپیکسلی شبیه سازی شده بر روی تصویر می باشد. آشکارساز اهداف زیرپیکسلی مورد استفاده، الگوریتم معروف ACE است که به صورت محلی مورد استفاده قرار گرفته است. نتایج تجربی به دست آمده بر روی مجموعه داده واقعی Target Detection Blind Test با در نظر گرفتن پنجره های داخلی و خارجی آشکارسازی به ترتیب با ابعاد 3´3 و 5´5 نشان می دهد که استفاده از روش پیشنهادی تعداد هشدار اشتباه را در مقایسه با استفاده از تمام باندها به میزان 75 درصدکاهش می دهد. همچنین مقایسه روش پیشنهادی نسبت به روش مشابه انتخاب باند بر اساس الگوریتم ژنتیک حاکی از کاهش 70 درصدی تعداد هشدار اشتباه است.

شبکه های حسگر مکانی بی سیم از تعداد زیادی گره تشکیل شده اند که هر یک از این گره ها به صورت کامپیوترهایی با توانمندی حسگر هستند. یکی از موارد مهم کاربرد این شبکه ها استخراج رابطه توپولوژیک بین ناحیه ها در برخی پدیده ها، مانند کشف عوامل ایجاد آتش سوزی جنگل ها است، زمانی که رابطه توپولوژیک توده هوای بسیار گرم، مواد اشتعال زا و محدوده جنگل از رابطه توپولوژیک «جدا» به «همپوشانی» و «درون» تبدیل می شود. وجود حفره ها در پدیده های محیطی، مانند وجود باتلاق ها یا کوه ها در برخی مناطق، مستلزم این است که این ناحیه ها در محیط شبکه های حسگر مکانی بی سیم به صورت ناحیه های مکانی حفره دار مدل شوند. در این مقاله، ناحیه های حفره دار توسط شبکه حسگر مکانی پایش شده و رابطه توپولوژیک بین آنها استخراج می شود. به منظور استخراج رابطه توپولوژیک بین ناحیه های حفره دار در محیط شبکه های حسگر مکانی، الگوریتمی طراحی شد. مدل های تئوری قبلی مانند 4-اشتراکی، 9-اشتراکی و RCC تنها برای استخراج رابطه توپولوژیک بین ناحیه های بدون حفره به کار می روند و قادر به متمایز کردن رابطه های توپولوژیک گوناگون بین ناحیه های حفره دار نیستند؛ در الگوریتم طراحی شده از مدل 9-اشتراکی توسعه یافته استفاده شده تا بتوان رابطه توپولوژیک بین یک ناحیه بدون حفره و ناحیه حفره دار دیگر را استخراج کرد. با توجه به شرایط محیطی شبکه ممکن است تعیین موقعیت گره ها با استفاده از GPS امکان پذیر نباشد، لذا الگوریتم به گونه ای عمل خواهد کرد که گره ها بدون داشتن موقعیت مکانی، تنها با تکیه بر اطلاعات همسایگی مجاور خود رابطه توپولوژیک بین دو ناحیه را بدست آورند. در الگوریتم طراحی شده از سیستم محاسبات غیرمتمرکز استفاده شده و پیاده سازی آن در یک محیط شبیه سازی انجام شده است.

در نیمه دوم قرن گذشته اغلب جوامع شاهد شروع پدیده ای بنام ترافیک شهری در خود بوده اند که علت رخداد چنین پدیده ای عبور تعداد زیادی خودرو در زمان یکسان از یک زیر ساخت حمل و نقلی یکسان می باشد. پدیده ترافیک شهری دارای پیامدهای اقتصادی و محیط زیستی کاملا شناخته شده ای از جمله آلودگی هوا، کاهش در سرعت، افزایش زمان سفر، افزایش مصرف سوخت و حتی افزایش تصادفات می باشد. یکی از راه های اقتصادی برای مدیریت کردن افزایش تقاضای سفر و جلوگیری از ترافیک شهری، افزایش کارایی زیر ساخت های موجود از طریق سیستم های هوشمند کنترل ترافیک می باشد.از سوی دیگر کنترل ترافیک به دلیل طبیعت توزیع یافته و خودمختار آن توسط سیستم های چند عامله به خوبی قابل مدلسازی می باشد. رانندگان و چراغ های راهنمایی را می توان به عنوان عامل هایی که رفتارهای هوشمندانه ای از خود نشان می دهند در نظر گرفت. برای ایجاد چنین رفتارهایی نیاز است که دانش لازمه از محیط اطراف در ذهن عامل قرار داده شود اما به دلیل پیچیدگی های بالای موجود در الگوهای ترافیک شهری و ناایستا بودن اغلب محیط های ترافیکی قرار دادن یک دانش اولیه از محیط در ذهن عامل ها بسیار دشوار و غیر عملی می باشد. بنابراین نیاز به یک روشی که عامل در طول تعامل با محیط بتواند دانش لازمه را بدست آورد کاملا ضروری است که در این تحقیق برای حل این چالش از یادگیری تقویتی استفاده شد. هدف مقاله حاضر بهبود استراتژی های کنترل ترافیک و به طور خاص کنترل هوشمند چراغ های راهنمایی از طریق توسعه تکنیک های یادگیری تقویتی در سیستم های چند عامله است. معماری عملگر- نقاد به عنوان یک معماری رایج در یادگیری تقویتی که دارای ساختار حافظه جداگانه ای هم برای سیاست و هم برای تابع ارزش است مورد استفاده قرار گرفت. نتایج این تحقیق نشان دادند که کنترل هوشمند چراغ های راهنمایی منجر به کاهش 23% طول صف و 16% زمان سفر نسبت به کنترل غیر هوشمند چراغ های راهنمایی برای یک تقاطع منفرد می شود.

وقوع زلزله های مخرب بشر را بر آن داشته است که در فکر تدوین یک برنامه زیر بنایی برای کاهش خطرات و آسیب های ناشی از آن باشد. کاهش آسیب پذیری در برابر زلزله تنها از طریق تمهیدات ساختمانی مقدور نخواهد بود و هنگامی تحقق می یابد که ایمنی شهر در برابر خطرات زلزله به عنوان یک هدف در تمامی سطوح برنامه ریزی شهری مدنظر قرار گیرد. تخصیص صحیح و مناسب کاربری های مختلف شهری کمک شایانی به مساله مدیریت بحران شهری مرتبط با زلزله می نماید بنابراین شناخت متغیرهای مختلف موثر در میزان آسیب پذیری مناطق شهری در برابر زلزله ازنظر کاربری زمین شهری، تعریف و بیان رابطه آن ها با آسیب پذیری، تجزیه و تحلیل آن ها و درنهایت دستیابی به نقشه های بهینه کاربری با آسیب پذیری کم تر در مقابل زلزله هدف اصلی این تحقیق می باشد. در این تحقیق، به منظور بهینه کردن تخصیص کاربری های شهری با رویکرد کاهش آسیب پذیری ناشی از زلزله بر اساس فاکتورهای فیزیکی از الگوریتم بهینه سازی چند هدفه NSGA-II استفاده شده است. منطقه 12 شهرداری تهران به عنوان منطقه مطالعاتی در نظر گرفته شد. در این الگوریتم اهداف اصلی شامل بیشینه سازی سازگاری کاربری های مجاور، دسترسی کاربری ها، دسترس پذیری کاربری های بهداشتی-درمانی و مسکونی به شبکه معابر و کمینه سازی خطرپذیری در برابر خطر زلزله و کمینه سازی تغییر کاربری ها تعریف شده است. با توجه به چند هدفه بودن الگوریتم NSGA-II، درنهایت تصمیم گیرنده در جبهه جواب بهینه با تعداد زیادی جواب مواجه خواهد شد و این مساله تصمیم گیری را دشوار خواهد کرد. به این منظور در این تحقیق برای کمک به تصمیم گیری بهتر و نمایش سناریوهای متناظر با اولویت تصمیم گیرندگان، از آنالیز خوشه بندی با روش K-means استفاده شده است. در تست های انجام شده بر روی الگوریتم بهینه سازی، مشخص شد که نتایج ازنظر همگرایی و تست تکرار پذیری قابل قبول می باشند. همچنین در چینش های بهینه به دست آمده وضعیت توابع هدف بهتر از وضعیت موجود است. نتایج این تحقیق می تواند به عنوان یک ابزار حمایت از تصمیم گیری به برنامه ریزان و سیاست گذاران مدیریت شهری مرتبط با زلزله در خصوص برنامه ریزی صحیح فضای شهری کمک نماید. روش مناسب بهینه سازی و منطبق با مساله و تعریف توابع هدف مطابق با واقعیت و واردکردن جنبه های اصلی مساله آسیب پذیری زلزله در مدل ارائه شده و اعمال نظرات تصمیم گیرندگان در مراحل تحقیق و در مرحله پایانی برای انتخاب چینش بهینه با تجزیه و تحلیل نتایج حاصل از سناریوها و خوشه بندی سناریوها نشان دهنده کارایی مدل می باشد.

تشخیص راه های تخریب شده در اثر آوار و تعیین درجه انسداد آنها به منظور امداد رسانی سریع و بهینه پس از بلایای طبیعی امری حیاتیست. در این تحقیق از یک رویکرد ابتکاری برای تشخیص و ارزیابی راه های تخریب شده به صورت نیمه اتوماتیک استفاده شده است که از تصاویر پیش و پس از زلزله به همراه نقشه برداری راه ها بهره میجوید. منظور از تخریب و انسداد در این پژوهش؛ آوار حاصل از ساختمانها و همچنین حضور خودرو های پارک شده بر سطح راه بود که طبیعتا این حضور امر امداد رسانی را با اشکالاتی همراه میکند. ویژگی های مختلفی به منظور طبقه بندی سطح راه ها همچون «شاخص سایه» و «شاخص گیاهی» بکار گرفته شد و سپس از یک الگوریتم ژنتیک برای یافتن ویژگی های بهینه که فاقد همبستگی و یا خطا باشند استفاده گردید. در این کوشش به منظور دستیابی به دقت کلی بالاتر در تشخیص تخریب از بین دو طبقه بندی کننده نظارت شده MLL و SVM و با روش آزمون و خطا؛ طبقه بندی کننده ماشین بردار پشتیبان انتخاب شد که نتایج بهتری نسبت به طبقه بندی کننده بیشترین شباهت در مرحله تشخیص تخریب داشت. در انتها از یک سیستم استنتاج فازی «ممدانی» برای ارزیابی درجه تخریب یک قطعه از راه استفاده شد و با تعیین یکسری ضوابط آماری روی تعداد قطعات با درجه تخریب معین در یک راه مشخص؛ میزان تخریب به کل آن راه تعمیم یافت. روش مذکور بر روی تصاویر سنجنده Quick Bird از شهر بم ایران تست شد و نتایج دقت بالای 93 درصد و ضریب کاپای 0.91 را در مرحله تشخیص تخریب نشان میدهد. همچنین بیش از 80 درصد از راه های مورد مطالعه برچسب تخریب صحیح در سه سطح گرفتند که با داده های چشمی و تفسیر بصری توسط اپراتور همخوانی داشت. همچنین نقشه قطعات مسدود راه ها با قابلیت ارائه به پروژه های امداد رسانی بدست آمد که دقت بهتر و جزئی تری را عرضه مینمود. این امر نشان از کارایی بالای الگوریتم پیشنهادی دارد.

شناسایی تغییرات نقشه های شهری بزرگ مقیاس یکی از مسائل تحقیقاتی روز است. شناسایی تغییرات در این نوع نقشه ها با مشکلاتی روبرو است که عبارتند از: سایه ها، مناطق پنهان از دید، شباهت خصوصیات طیفی، ناهمگونی بافت و شکل ساختمان ها که در تحقیق حاضر این مشکلات حل شده است. در این تحقیق می خواهیم با تشکیل یک بردار ویژگی برای پیکسل های تصویر به جای اطلاعات طیفی هر پیکسل از تصویر و نیز استفاده از تصویر استریوی GeoEye1 به جای تک تصویر قائم آن، کارایی این داده ها را در شناسایی تغییرات بوجود آمده برای لایه ساختمان ها و به روزرسانی نقشه های 1:2000 بررسی کنیم. نوآوری های این تحقیق در انتخاب داده های استریو متناسب با نوع نقشه بزرگ مقیاس شهری 1:2000، بررسی جداگانه ویژگی های محتوایی تصویر به صورت سعی و خطا و حذف ویژگی های اضافی و وابسته، تشکیل بردار ویژگی با اجزای مستقل از هم و موثر و مدیریت خطاهای ناشی از وجود عوارض اضافی مثل پوشش گیاهی و همچنین خطاهای ناشی از اختلاف ارتفاعی و سایه است. برای شناسایی تغییرات، الگوریتمی بر مبنای تفاضل گیری بردار ویژگی پیکسل های تصویر، تدوین شده که تغییرات ساختمانی را در 3 منطقه مطالعاتی شناسایی کرده، پیکسل های اضافی را حذف نموده و تغییرات شناسایی شده توسط الگوریتم، نسبت به تغییرات ایجاد شده واقعی با استفاده از ماتریس خطا ارزیابی شده و نتایج آن در غالب دقت های کلی، تولیدکننده و استفاده کننده ارائه شده است. مقادیر دقت های بدست آمده برای کلاس تغییرات در بهترین حالت برای منطقه دوم که منطقه ای با تراکم ساختمانی کم است، به ترتیب 93.11 درصد 68.60 درصد 64.29 درصد می باشد. اما در منطقه سوم که از نظر ساختمانی پرتراکم است دقت های بدست آمده برای کلاس تغییرات به ترتیب عبارت است از: 95.07 درصد، 4.81 درصد و 5.22 درصد. با توجه به نتایج بدست آمده برای شناسایی تغییرات با استفاده از زوج تصویر سنجنده GeoEye1، الگوریتم پیشنهادی در مناطق کم تراکم کارایی لازم را دارد و همچنین در مناطق پرتراکم می تواند مناطق بدون تغییر را با دقت بالا به اپراتور معرفی کند.

آلودگی هوا در شهر یکی از مهمترین مسائلی است که روی محیط زیست، سلامت جامعه، اقتصاد، مدیریت مناطق شهری و ... تاثیر می گذارد. شناسایی پارامترهای موثر بر آلودگی هوا از طریق کاوش الگوی هم-مکانی می تواند به حل معضل آلودگی هوا کمک نماید. الگوی هم-مکانی بیانگر زیر مجموعه ای از اشیای مکانی است که نمونه های آنها غالبا در یک همسایگی مکانی قرار می گیرند. مدل های موجود کاوش هم-مکانی بدلیل مشکلاتی همچون در نظر گرفتن تنها نوع داده نقطه ای، لحاظ کردن ارتباطات همسایگی داده ها بصورت ورودی مساله و توجه نکردن به الگوهای هم-مکانی با محوریت یک داده خاص، توانایی استخراج الگوهای مفید برای کاربردهایی مثل آلودگی هوا را ندارند. لذا در این تحقیق مدلی جدید در حوزه کاوش الگوی هم-کانی توسعه یافت که: اول، همه نوع داده های مکانی (نقطه ای، خطی و سطحی) را در یک ترکیب مشترک در نظر می گیرد. دوم، ارتباطات همسایگی بین اشیا بصورت غیر صریح در نظر گرفته شده و در فرآیند کاوش الگوها استخراج می گردد. سوم، شناسایی الگوها با محوریت یک عنصر مرکزی انجام می گیرد که در بسیاری از کاربردها همچون کاوش الگوهای آلودگی هوا مناسب می باشد و چهارم، با استفاده از تقسیم بندی فضا (محلی سازی) با روش دیاگرام ورونوی ضمن سرعت بخشیدن به فرآیند کاوش الگو، باعث شناسایی الگوهای معنادار بر مبنای مفاهیم مکانی می گردد. مدل توسعه یافته روی داده های بخشی از شهر تهران پیاده سازی و ارزیابی گردید. بررسی الگوهای بدست آمده اولا نشان دهنده صحت الگوهای استخراج شده و عملکرد مدل بود و ثانیا بیانگر این موضوع بود که الگوهای استخراجی حول آلودگی های متوسط به بالا رخ داد و این آلودگی ها با ترافیک کم، سرعت باد کم و توپوگرافی کم الگوهای معناداری ایجاد کردند. همچنین گرایش الگوهای حاصل به سمت مناطق مرکزی مورد مطالعه یعنی منطقه 6 تهران بود.