علوم و فنون نقشه برداری
سال:1397 | دوره:8 | شماره:2 |تعداد مقالات:16

افزایش تولید محصولات کشاورزی با توجه به شرایط آب و هوایی، محدودیت منابع آبی و نیز محدودیت زمین های دارای پتانسیل تولید، همچنین محدودیت های مالی در کشور با مشکلات فراوانی روبرو می باشد. بنابراین برای تامین مواد غذایی باید بهره وری از عوامل تولید به ویژه آب و خاک افزایش و ضایعات کشاورزی تا حد امکان کاهش یابد. این امر نیازمند پایش منظم محصولات می باشد. سنجش از دور یکی از مهمترین تکنیک های مورد استفاده در پایش محصولات کشاورزی محسوب می شود. امروزه توسعه روش های پایش در مقیاس وسیع، مساله ای مهم برای اجرای مدیریتی معقول و منطقی در ارتباط با منابع طبیعی زمین بویژه برای کشورهای پرجمعیت که متکی به محصولات کشاورزی هستند، به شمار می رود. هدف از این تحقیق پایش و بازیابی برخی پارامتر های محصولات کشاورزی با استفاده از تصاویر پلاریمتریک اینترفرومتریک سار (PolInSAR) می باشد. روش مورد استفاده برمبنای ویژگی هایی حاصل از مدل تجزیه پیشنهادی و روش های رگرسیون مبنا می باشد. در مدل پیشنهادی ابتدا پایه پلاریزاسیون بهینه که در آن همبستگی بین دو تصویر پایه و پیرو بیشینه است محاسبه می شود، سپس در آن پایه تجزیه مقدار ویژه بر روی ماتریس کواریانس پلاریمتریک اینترفرومتریک اعمال شده، و با بدست آوردن مقادیر و بردارهای ویژه ویژگی هایی همانند انتروپی و آلفا محاسبه می شود. برخی از این ویژگی ها وابستگی خطی بالایی با ارتفاع، زیست توده و فنولوژی محصولات دارند و برخی نیز اطلاعات مفیدی برای بهبود عملکرد بازیابی فراهم می آورند. نهایتا بازیابی پارامترهای محصول براساس 13 ویژگی PolInSAR و دو روش شبکه عصبی مصنوعی و رگرسیون بردار پشتیبان انجام می شود. نتایج پیاده سازی بر روی دو محصول گندم و جو با استفاده از تصاویر سری زمانی سنجنده E-SAR از منطقه DEMMIN در آلمان نشان دهنده عملکرد مناسب روش پیشنهادی می باشد. هر دو روش مورد استفاده به منظور بازیابی نهایی شامل شبکه عصبی و رگرسیون بردار پشتیبان برآوردهای خوبی از پارامترهای محصول داشته و می توانند برای پایش محصولات مورد استفاده قرار گیرند. به عنوان نمونه نتایج نشانگر جذر میانگین مربعات خطا (RMSE) 21. /، 59. / و 21. / با استفاده از شبکه عصبی و جذر میانگین مربعات خطا (RMSE) 21. /، 52. / و 46. / با استفاده از رگرسیون بردار پشتیبان به ترتیب در بازیابی ارتفاع، زیست توده و فنولوژی محصول گندم می باشد.

تصاویر نوری و راداری با دریچه ی مصنوعی تمام قطبیده (PolSAR)، منابع ارزشمندی برای طبقه بندی زمین های کشاورزی است. ویژگی های مستخرج از تصاویر نوری حاوی اطلاعاتی در مورد امضای بازتابی محصولات مختلف است. در مقابل، یک تصویر PolSAR فراهم کننده ی اطلاعاتی در مورد خصوصیات ساختاری و سازوکارهای پراکنش محصولات است. ترکیب این دو منبع قادر به ایجاد یک مجموعه داده ی مکمل با تعداد قابل توجهی از ویژگی های زمانی طیفی، بافت و قطبیده برای طبقه بندی زمین های کشاورزی است. با این حال، طبقه بندی زمین های کشاورزی ممکن است با دو چالش افزایش تصاعدی ابعاد داده و مساله ی داده های نامتوازن مواجه شود. در دهه ی گذشته، سیستم های طبقه بندی کننده ی چندگانه ی (MCS) درختی به ویژه روش مشهور جنگل تصادفی (RF) کارایی بالایی از خود برای حل چالش اول نشان داده است. با این حال، این روش ها به طور ذاتی برای حل مساله ی داده های نامتوازن طراحی نشده است. به تازگی دو روش نوین جایگزین RF به نام های جنگل پالایشی متوازن شده (BFF) و جنگل پالایشی هزینه حساس (CFF) برای طبقه بندی تصاویر راداری پیشنهاد شده است که قابلیت بالایی در حل همزمان دو چالش از خود نشان داده است. این پژوهش نیز قصد دارد تا از این دو روش نوین برای طبقه بندی زمین های کشاورزی از ترکیب تصاویر نوری و راداری استفاده کرده و کارایی و عملکرد آن ها را با روش های MCS درختی کلاسیک از جمله روش RF در مواجه با حل این دو چالش بررسی و مقایسه کند. نتایج نشان از افزایش دقت کلی تا حدود 10% بیشتر روش های نوین درختی نسبت به روش های کلاسیک و سرعت 6 برابر این روش ها نسبت به روش RF داشت. ضمن آن که در شناسایی محصولات کشاورزی، دقتی حدود 20% بیشتر از روش RF کسب کرد.

شناسایی ساختمان از تصاویر سنجش ازدور در بروزرسانی نقشه ها، نظارت شهری و طیف وسیعی از کاربردها اهمیت زیادی دارد. تصاویر با قدرت تفکیک مکانی بالا یک منبع داده مهم، برای استخراج اطلاعات مکانی است. این تصاویر امکانات فوق العاده ای برای استخراج عوارض ازجمله ساختمان و تجزیه وتحلیل های مکانی در مناطق شهری فراهم کرده اند؛ اما این کار معمولا به دلیل پیچیدگی ها و ناهمگونی های این داده ها مانند تغییرات درون کلاسی زیاد و تغییرات بین کلاسی کم، با دشواری هایی همراه است. باوجود تلاش های زیادی که برای توسعه روش های اتوماتیک شناسایی ساختمان از این تصاویر طی دهه های گذشته انجام شده است؛ روش های با کارایی بالا به دلیل عدم قطعیت هایی چون انتخاب ویژگی های بهینه هنوز در دسترس نیستند و از سویی به دلیل افزایش قدرت تفکیک داده های مورداستفاده، زمان پردازش نیز بالا می باشد. ازاین رو، بهبود صحت شناسایی اتوماتیک ساختمان از داده های سنجش ازدور و درعین حال زمان پردازش کمتر انگیزه اصلی تحقیق حاضر است. روش پیشنهادی این مقاله، به این صورت است که ابتدا با بکارگیری ساختارهای بافتی شبه عمیق، ویژگی های سطح بالایی را جهت آشکارسازی بهینه ساختمان استخراج می نماید. سپس بر اساس ادغام الگوریتم آدابوست توسعه یافته با روش ماشین بردار پشتیبان بهینه سازی شده با ازدحام ذرات، ویژگی های بهینه را انتخاب کرده و به طبقه بندی باینری عارضه ساختمان و زمینه می پردازد. روش پیشنهادی بر روی مجموعه داده استاندارد واهینگن اجرا و سپس نتایج حاصل از آن با روش های کارآمد یادگیری ماشین مقایسه شده است. همچنین مقایسه ای بین روش مجموعه ویژگی شبه عمیق با روش متداول ویژگی های بافت GLCM صورت گرفته است. نتایج تجربی نشان دادند که به طور میانگین بیشترین صحت کلی و ضریب کاپا حاصل از روش پیشنهادی به ترتیب، 93. 25 و 83. 06 درصد می باشد و نسبت به روش های مرسوم افزایش دقت 7. 27 درصد در ضریب کاپا دارا می باشد که نشان از اعتبار و توانمندی روش پیشنهادی بوده بعلاوه اینکه زمان محاسبات را حدودا به نصف کاهش می دهد.

با توجه به اهمیت جنرالیزاسیون در ساخت پایگاه داده های چندمقیاسی از یک طرف و امکان تولید خروجی های مختلف از طریق الگوریتم ها و عملگرهای مختلف جنرالیزاسیون از طرف دیگر، انتخاب بهترین و شبیه ترین خروجی تولید شده ضروری می باشد. هدف این تحقیق، ارائه یک رویکرد مناسب جهت محاسبه میزان تشابه مکانی بین دو شبکه راه اصلی و جنرالیزاسیون شده با استفاده از تناظریابی و روابط تشابه مکانی می باشد. برای رسیدن به این مهم یک رویکرد تناظریابی با استفاده از پنج معیار جهت، فاصله هاسدروف میانه بر مبنای طول، مساحت مشترک حریم، طول و تابع تانژانت پیشنهاد شده است. در این تحقیق همچنین جهت محاسبه میزان تشابه مکانی بین دو شبکه راه تابعی از ده معیار طول، اندازه، اعوجاج، پیچیدگی، مساحت شی خطی، انحنایی، تعداد پاره خط ها، تابع تانژانت، میانگین زاویه داری و تغییر جهت تعریف شده است. در این تحقیق از دو شبکه راه 1: 25000 و 1: 50000 استفاده شده و جهت انجام جنرالیزاسیون از الگوریتم داگلاس-پوکر استفاده شده است. میزان دقت تناظریابی با رویکرد پیشنهادی بر اساس مقدار F-Score برابر 98. 361 درصد بدست آمد. نتایج نشان می دهد که شبکه راه تولید شده حاصل از جنرالیزاسیون شبکه راه 1: 25000 با الگوریتم داگلاس-پوکر و تلورانس 3 متر بیشترین میزان تشابه مکانی را به نقشه 1: 50000 دارا می باشد.

استفاده از داده های چند منبعی، به ویژه استفاده ترکیبی از تصاویر اپتیکی و راداری، روشی موفق در بهبود سطح تفسیرپذیری داده های سنجش ازدور است. در این راستا، تولید و انتخاب ویژگی های مناسب از این داده ها، چالشی جدی در حوزه تحقیقات اخیر می باشد. در تحقیق حاضر، با هدف کاهش زمان دستیابی به ویژگی های بهینه، روشی جدید جهت انتخاب ویژگی از تصاویر تلفیقی اپتیکی و راداری ارائه شده است. در روش پیشنهادی، با ترکیب روش حداقل افزونگی-حداکثر ارتباط و الگوریتم ژنتیک، ویژگی های بهینه انتخاب می شوند. در این راستا، ابتدا ویژگی های مختلفی از تصویر استخراج شده و از طریق دو روش الگوریتم ژنتیک و روش حداقل افزونگی-حداکثر ارتباط-ژنتیک ویژگی های بهینه انتخاب می شوند. پس از آن تصویر توسط SVM طبقه بندی می شود. در نهایت نتایج نشان می دهد که دقت روش پیشنهادی با حصول دقت کلی 97. 25، در حدود 3 درصد بیشتر از دقت روش SVM با استفاده از تمام ویژگی ها است. همچنین دقت کلی روش پیشنهادی و روش ژنتیک نزدیک به یکدیگر می باشد. درحالی که سرعت عملکرد روش پیشنهادی تقریبا 2. 5 برابر سرعت عملکرد انتخاب ویژگی توسط روش ژنتیک است. بنابراین نتایج حاصل موید کارایی روش پیشنهادی است.

هم مرجع سازی تصویر یک فرآیند اساسی در پردازش تصویر بوده و هدف از آن، تعیین دقیق ترین مطابقت میان دو یا چند تصویر از یک منظره ی یکسان است. مدل های تبدیل دو بعدی نقش اساسی در هم مرجع سازی تصاویر ایفا می کنند. در این تحقیق قابلیت انواع مختلف از مدل های تبدیل دو بعدی شامل 9 تبدیل متشابه، پرو^ک^~تیو، چندجمله ای از درجات 1 تا 4، مدل تبدیل قطعه ای خطی، Multiquaderic (MQ) و Pointwise (PW) در هم مرجع سازی تصاویر استریو ماهواره ای مورد ارزیابی قرار می گیرد. به منظور استخراج کارآمد نقاط گرهی در تصاویر، از یک روش ترکیبی بر مبنای عوارض نقطه ای FAST، توصیفگر SIFT (Scale Invariant Feature Transform) و روش تناظریابی کمترین مربعات استفاده شده است. به منظور ارزیابی اثر تعداد و توزیع مکانی نقاط گرهی، فرآیند ارزیابی در چهار حالت مختلف با تعداد و توزیع متفاوت از نقاط کنترل انجام شده است. برای ارزیابی از دو جفت تصویر ماهواره ای بزرگ مقیاس مربوط به سنجنده های ZY3 و IKONOS استفاده شده است. نتایج ارزیابی بیانگر این است که مدل های تبدیل سراسری نظیر پرو^ک^~تیو و چندجمله ای ها دقت مناسبی را برای هم مرجع سازی تصاویر ماهواره ای ارائه نمی دهند. در مقابل در صورتی که تعداد و توزیع نقاط کنترل مناسب باشد، مدل های تبدیل انطباقی نظیر MQ و PW دارای دقت مناسبی خواهند بود. به طور کلی بالاترین دقت مربوط به مدل تبدیل MQ است به طوری که مقدار RMSE نقاط چک با استفاده از این مدل برای جفت تصویر ZY3 و IKONOS به ترتیب برابر 2 و 1. 9 پیکسل است.

در سال های اخیر، سیستم های جاروب کننده ی لیزری (لایدار) تبدیل به یکی از قدرتمندترین ابزار به منظور اندازه گیری های مربوط به سطح زمین و مدل سازی آن تبدیل شده اند. با ظهور سیستم های ماهواره ای و هوایی لایدار، امکان استخراج اطلاعات و پارامترهای مرتبط با ساختار عمودی عوارض، به خصوص درختان، فراهم شد، در حالی که قبل تر، این کار بوسیله ی داده های غیرفعال سنجش از دوری مانند تصاویر امکان پذیر نبود. ابر نقاط حاصل از این سنجنده ها، اطلاعات دقیقی را از ویژگی های هندسی و فیزیکی عوارض موجود در مسیر حرکت لیزر و توزیع عمودی آنها ارائه می کند. از کاربرد های مربوط به این سیستم ها می توان به کاربرد آنها در جنگل داری و اندازه گیری پارامترهای جنگل، بدست آوردن مدل رقومی زمین با دقت ارتفاعی بالا، تعیین عمق دریا ها و تعیین ضخامت یخ های قطبی، مدل سازی ساختمان های شهری، شناسایی پل ها و خطوط برق، نقشه برداری خطوط ساحلی و معادن روباز و طبقه بندی پوشش های زمینی اشاره کرد. به دلیل اینکه خروجی سنجنده های لایدار اولیه (سیستم های لایدار گسسته) صرفا ابر نقطه بوده است، محدودیت هایی در برخی از کاربرد های آن وجود دارند. برای مثال تشخیص گونه ها ی درختی و استخراج درختان منفرد در جنگل های متراکم با استفاده از این داده ها بسیار مشکل و در بسیاری از موارد امکان پذیر نبوده است. از سال 2004، سیستم های تجاری جاروب کننده ی لیزری هوایی جدیدی با نام سیستم های لایدار موج پیوسته ظاهر شد. با امکان ثبت اطلاعات موج پیوسته ی بازگشتی به طور کامل توسط جاروب کننده های لایدار در سال های اخیر، ضمن برطرف کردن بخشی از نقاط ضعف سیستم های گسسته ی لایدار مانند تراکم پایین نقاط، با در اختیار گذاشتن خصوصیات موج برگشتی نظیر دامنه و شدت قله های ثبت شده، امکان تفکیک و استخراج تک درختان در جنگل های متراکم، طبقه بندی گونه های مختلف درختی و طبقه بندی عوارض با دقت بالاتری فراهم شد. یکی از چالش های مربوط به این داده ها، نحوه ی تجزیه امواج بازگشتی و استخراج ابر نقاط و اطلاعات اضافی مربوط به این داده ها است. اگرچه در ایران تحقیقات به نسبت خوبی بر روی استفاده از داده های لایدار گسسته و کاربرد آنها در مدیریت جنگل و مدل سازی ساختمان های شهری صورت گرفته است، ولی به جرات می توان گفت هنوز داده های لایدار موج پیوسته و نحوه ی پردازش و تجزیه ی آنها یک موضوع ناشناخته است که از مهمترین دلایل آن میتوان به در دسترس نبودن این داده ها، عدم شناخت کافی به ماهیت این نوع داده ها، کمبود نرم افزار های مربوط به پردازش آن ها و در اختیار قرار ندادن روش های پردازش این داده ها توسط شرکت های سازنده ی آن اشاره کرد. این تحقیق بر آن است تا نحوه ی استخراج اطلاعات از داده های خام موج پیوسته ی لایدار هوابرد را به صورت ع ملی نشان دهد و نتایج حاصل از استخراج اطلاعات از داده های موج پیوسته را با ابر نقطه ی حاصل از سیستم لایدار مقایسه کند.

در این تحقیق یک روش نوین جهت آشکارسازی ناهنجاری ها در تصاویر ابرطیفی بر پایه کدگذاری تنک و با استفاده از پنجره های متحرک محلی پیشنهاد شده است. مهمترین نقطه قوت این روش فراهم نمودن شرایط و امکان قضاوت بهتر در خصوص احتمال وقوع ناهنجاری در داده های ابرطیفی با بکارگیری روشی با قابلیت تجمیع و هم افزایی اطلاعات هر پیکسل تصویری طی عبور پنجره متحرک از آن می باشد. در این روش با عبور یک پنجره ی متحرک، هر پیکسل موقعیت های مکانی مختلفی را نسبت به همسایگان مکانی خود تجربه نموده و در هر یک از موقعیت های مذکور یک دیکشنری محلی که مبین داده های پس زمینه می باشد، بصورت بهینه با استفاده از الگوریتمK-SVD تشکیل شده و بازسازی داده های موجود به روش تخمین تنک در پنجره متحرک با بگارگیری الگوریتم SOMP صورت می پذیرد. بنابراین در هر موقعیت پنجره برای هر پیکسل خطای بازسازی با روش کدگذاری تنک مورد محاسبه قرار می گیرد. با توجه به استفاده از دیکشنری پس زمینه در بازسازی کلیه داده ها، هر گاه احتمال وقوع ناهنجاری در پیکسل مورد بررسی بیشتر باشد، مقدار خطای بازسازی آن نیز بزرگتر خواهد بود. لذا با بررسی این خطا در موقعیت های مختلف هر پیکسل نسبت به پنجره متحرک، می توان به مجموعه ای از خطاهای بازسازی برای آن پیکسل دست یافت که در نهایت واریانس آنها به عنوان معیار آشکارسازی ناهنجاری در نظر گرفته می شود. مقایسه نتایج آشکارسازی با روش پیشنهادی در این تحقیق با الگوریتم هایی مانند GRX، LRX، CRD وBJSR با بکارگیری چهار نوع داده ابرطیفی اعم از واقعی و شبیه سازی شده، حاکی از کارایی بهتر آشکارساز پیشنهادی به میزان متوسط حدود 9 درصد نسبت به آنها می باشد.

برآورد سطح زیر کشت گندم و پراکنش آن در کشور در زمان کشت و قبل از برداشت محصول، می تواند در ارزش گذاری، ذخیره سازی و همچنین برنامه ریزی برای واردات و صادرات نقشی اساسی ایفا کند. روش های معمول سنجش از دور با استفاده از تک تصویر به علت شباهت طیفی گندم و سایر محصولات کشاورزی نظیر جو و یونجه که معمولا همزمان با کشت گندم رشد می کنند، در جداسازی گندم از این محصولات با مشکل مواجه می شوند. لذا بکارگیری تصاویر چندزمانه در طول رشد محصول باعث بهبود صحت طبقه بندی گندم می گردد. الگوریتم جنگل تصادفی، یکی از ابزارهای مناسب جهت غلبه بر مشکلات طبقه بندی تصاویر سری زمانی می باشد. در این تحقیق 10 تصویر از منطقه (مرودشت-استان فارس) که دارای ابرناکی کمتر از 20 درصد بودند انتخاب گردید. در مرحله بعد، با تولید ویژگی های جدید از جمله گرادیان طیفی باند ها و شاخص های گیاهی تصاویر چندزمانی و اختلاف آنها و انتخاب ویژگی های بهینه، عملکرد مدل بهبود یافت. با تولید این ویژگی ها به طور میانگین دقت کلی 4/9 درصد و ضریب کاپا 2/5 درصد افزایش یافت. علاوه بر آن قدرت جداسازی گندم و جو (دقت تولید کننده جو) توسط روش پیشنهادی به طور میانگین تا 5/14 درصد افزایش یافته و در حالت استفاده از تنها سه تصویر منتخب، به 5/92 درصد می رسد. در پایان آنالیز اهمیت متغیر انجام شد و مشاهده گردید، اختلاف شاخص های گیاهی و گرادیان طیفی باندهای تصاویر زمان های مختلف، مهمترین ویژگی های تولید و معرفی شده به مدل جهت بهبود نتایج می باشند.

توجه به سازگاری بین کاربری های شهری، یکی از موارد مهم در بهینه سازی مکانی آنها بشمار می آید. رایجترین روش کاهش اثرات منفی کاربری های ناسازگار بر روی یکدیگر، حفظ فاصله ای معین بین آنها می باشد. لزوم بررسی حجم بالایی از اطلاعات در بهینه سازی مکانی کاربری ها و محدودیت های روش های دقیق از یک سو و وجود اهداف و معیارهای متعدد در این مسائل از سوی دیگر، توجه محققان را به استفاده از روش های فرا ابتکاری چندهدفه در حل آنها معطوف ساخته است. در این روش ها امکان مواجهه با انواع قیود نیز وجود دارد. در این پژوهش، روشی ترکیبی برای مواجهه با قیود فاصله در مساله بهینه سازی مکانی چندین کاربری پیشنهاد شده است. برای این منظور از نوعی الگوریتم ژنتیک چندهدفه برای بهینه سازی توابع هدف شامل بیشینه سازی تناسب سایت ها و بیشینه سازی سازگاری کاربری ها و از روش شبیه سازی تبرید برای ترمیم پاسخ ها بمنظور رعایت قیود استفاده گردیده است. قیود مذکور برای حفظ حداقل فاصله مجاز بین انواع کاربری ها وارد مساله بهینه سازی شده اند. نتایج تحقیق نشان می دهد که بکارگیری روش پیشنهادی با ترمیم و بهبود پاسخ ها می تواند تا حد زیادی در حفظ فاصله معین بین کاربری ها و در نتیجه کاهش ناسازگاری بین آنها در چیدمان های مختلف موثر باشد. در این روش برای هر یک از پاسخ های غیر مجاز، چندین جایگزین تولید می شود که می توان از میان آنها نزدیکترین پاسخ مجاز به پاسخ اصلی با بهترین مقادیر توابع هدف را انتخاب نمود.

وجود ذرات معلق کوچکتر از 10 میکرون تاثیرات مخرب جدی بر روی سلامت افراد جامعه خواهد داشت. بنابراین داشتن اطلاعات در مورد میزان غلظت و نحوه پراکندگی آنها در شهر از اهمیت بسزایی برخوردار می باشد. امروزه از ایستگاه های آلودگی سنجی در محدوده شهر برای اندازه گیری غلطت آلاینده ها استفاده می شود. اگرچه این ایستگاه ها مقادیر آلودگی را با دقت بالایی اندازه گیری می کنند اما به دلیل محدودیت تعداد آنها از لحاظ مکانی پیوستگی ندارند. برای حل این مشکل می توان از تصاویر سنجش از دوری برای برآورد میزان غلظت ذرات و تولید نقشه های پراکندگی آلودگی استفاده نمود. در این تحقیق به جای استفاده از داده های عمق اپتیکی که به طور غالب در بررسی و مطالعه آلودگی توسط محققان مورد استفاده قرار می گیرد، از تصاویر بازتابندگی ظاهری سهم هواویز بدست آمده از تصاویر سنجنده مادیس استفاده می کنیم. مزیت استفاده از تصاویر بازتابندگی ظاهری سهم هواویز نسبت به داده های عمق اپتیکی پیوستگی مکانی و قدرت تفکیک مکانی بهتر آنها می باشد. تولید نقشه روزانه آلودگی برای 8 روز در سال 1396 در شهر تهران با استفاده از برقراری رگرسیون بین مقادیر بازتابندگی ظاهری سهم هواویز و مقادیر اندازه گیری شده غلظت ذرات معلق کوچکتر از 10 میکرون انجام شده است. بررسی عملکرد رگرسوین های خطی، نمایی، لگاریتمی و نمایی از جمله اهداف این تحقیق می باشد. میانگین مجذور همبستگی رگرسیون های خطی، نمایی، لگاریتمی و توانی به ترتیب برابر با 5912/0، 5826/0، 5808/0، 5782/0 بدست آمده است. براساس نتایج بدست آمده رگرسیون نمایی بهترین عملکرد را برای تولید نقشه پراکندگی آلودگی داشته است.

وجود روشی مناسب برای تخصیص صحیح وظایف نقش مهمی در بهبود کارایی و تصمیم گیری در عملیات با محدوده ی بزرگ دارد. هدف مقاله ی حاضر ارائه ی رویکردی برای تخصیص وظایف بین گروهی از عامل ها در محیط های بحران زده با مدنظر قرار دادن استراتژی های مکانی مناسب می باشد. نوآوری اصلی ارائه ی رویکردی مکانی است که اگر در محیط بحران زده تخصیص اولیه ی وظایف بنابه اختلال موجود در محیط با مشکلی مواجه شود، در تخصیص مجدد یا تخصیص های آینده شرایط بهتری وجود داشته باشد. رویکرد ارائه شده در طول 5 مرحله اجرا شده و آمادگی برخورد با شرایط عدم اجرای وظایف را فراهم می کند. ترتیب دهی وظایف موجود، یافتن عامل هماهنگ کننده، برگزاری مناقصه، اعمال استراتژی های تخصیص، اجرا و روبرو شدن با اختلالات فرآیند اجرا پنج مرحله روش پیشنهادی می باشد. در مرحله چهارم، 4 استراتژی به ترتیب تخصیص وظایف با اولویت بالاتر، تخصیص وظایف به تمامی عامل ها، تخصیص با نگه داشتن عامل های استراتژیک و تخصیص با ایجاد بهترین تراکم در محیط، به روش پروتکل قرارداد شبکه اعمال شد. مقیاس پذیری روش پیشنهادی در قالب 9 سناریو (50، 100 و 200 عامل با 500، 1000 و 2000 وظیفه) در مقایسه با روش پروتکل قرارداد شبکه سنتی [1] (CNP) ارزیابی شد. رویکرد پیشنهادی به طور متوسط از نظر معیار زمان عملیات امداد و نجات نسبت به CNP، دارای حداقل بهبود 12%، حداکثر بهبود 30% و متوسط درصد بهبود %19 بود. ارزیابی ها بر اساس تعداد افراد فوت شده و تعداد تخصیص های اشتباه نیز نشان از قابلیت رویکرد پیشنهادی بود. مقایسه بین استراتژی های ارائه شده نشان داد که استراتژی چهارم با ماهیت مکانی، نتایج بهتری را ارائه می دهد. در نظر گرفتن استراتژی های تخصیص به ازای مقادیر مختلف اختلال در اجرای وظایف نیز نشان از برتری استراتژی های تخصیص وظایف مکانی بود. اجرای تخصیص وظایف به ویژه استراتژی های مکانی موجب بهینه سازی و انعطاف پذیری برنامه شده و شرایط را برای تحمل خطا و ثبات همکاری عامل مبنا ایجاد می کند.

امروزه سیستم های تصویربرداری رادار روزنه مصنوعی در مسائل گوناگونی از جمله سنجش ازدور کاربرد دارند. جهت استفاده از سیگنال دریافتی سیستم SAR نیاز به پردازش سیگنال خام دریافت شده و ایجاد سیگنال تصویر مختلط تک منظر (SLC) [1]. از جمله کاربردی ترین این الگوریتم ها می توان به الگوریتم RMA اشاره کرد. این الگوریتم مختص سیستم های تصویربرداری فضابرد و هوابرد است. با این حال ویژگی های این الگوریتم باعث شده تا در کاربردهای بردکوتاه نیز نتایج مناسبی داشته باشد. در این مقاله عملکرد این الگوریتم بر یک سیستم تصویر برداری رادار روزنه ترکیبی زمینی با برد خیلی کوتاه مورد آزمایش و بررسی قرار می گیرد. الگوریتم Range Migration بر چندین هدف شبیه سازی شده طبق شرایط مورد نظر اجرا و در نهایت طبق معیارهای PSLR و ISLR مورد بررسی قرارگرفت. طبق این دو معیار، مقدار میانگین PSLR در راستای برد برابر با 1143/13-دسی بل و در راستای آزیموت برابر با 2153/13-دسی بل و مقدار میانگین ISLR در راستای برد برابر با 9726/5-دسی بل و در راستای آزیموت برابر با 1159/6-دسی بل گردید. با مقایسه نتایج حاصل با حالات تصویربرداری با برد بلندتر می توان به عملکرد مناسب و قابل قبول الگوریتم RMA برای سیستم های تصویربرداری با برد خیلی کوتاه پی برد.

اگرچه ضرایب توجیه تصاویر ماهواره ای یا همان اطلاعات RPC باعث سهولت پردازش هندسی تصاویر ماهواره ای شده اند اما به علت وجود بایاس در این ضرایب، نیازمند اطلاعات کنترل زمینی هستند. از طرف دیگر مرحله جمع آوری مستقیم اطلاعات کنترل زمینی با به کارگیری مدل های ارتفاعی موجود از منطقه قابل جایگزینی می باشد. برای این منظور، با در اختیار داشتن حداقل یک زوج تصویر ماهواره ای و تولید ابر نقاط سه بعدی از پوشش مشترک این تصاویر به کمک اطلاعات خام RPC، بحث انطباق این مدل نامنظم ارتفاعی (مدل نسبی) با یک مدل ارتفاعی منظم (مدل مطلق) مطرح می شود. در این تحقیق، یک روش انطباق مدل های ارتفاعی بر مبنای توسعه روش شیب-مبنا معرفی می شود به نحوی که علاوه بر انتقال سه بعدی، مدل نسبی در یک مرحله جداگانه تراز می شود. ویژگی مهم روش پیشنهادی، عدم تغییر سیستم مختصات مدل نسبی و در نتیجه برآورد خطای حاصل از بایاس اطلاعات RPC در همین سیستم مختصات می باشد. به منظور ارزیابی روش پیشنهادی، یک زوج تصویر ماهواره ای Cartosat-1 و مدل ارتفاعی SRTM از منطقه ای کوهستانی تدارک دیده شده است. در ارزیابی به کمک نقاط کنترل زمینی، مقادیر آفست مسطحاتی محاسبه شده با روش پیشنهادی در راستای طول و عرض جغرافیایی به ترتیب 77/0 متر و 23/1 متر با میانگین آفست محاسبه شده بر روی نقاط کنترل زمینی اختلاف نشان می دهد که با توجه به ابعاد پیکسل زمینی 5/2 متری تصاویر Cartosat-1، این برآورد با دقت حدودا 58/0 پیکسل انجام شده است.

مدل سازی جهانی میدان ثقل زمین با استفاده از مشاهدات ماهواره های ثقل سنجی و داده های گرانی زمینی و دیگر داده های ژئودتیکی انجام شده است که مدل های جهانیEGM2008 و EIGEN-6C4 نمونه ای از آن ها هستند که تا درجه و مرتبه 2190 بسط یافته اند. به علت دقت محدود و ناهمگن این مدل ها در مناطق مختلف، مدل سازی محلی میدان ثقل از طریق حل مساله مقدار مرزی ژئودتیکی با استفاده از داده های گرانی زمینی همواره مورد توجه بوده است. در ایران نیز شبکه چندمنظوره با رزولوشن حدود 5 دقیقه کمانی برای ایجاد داده های زمینی مورد نیاز مانند گرانی، تعیین موقعیت سه بعدی و ارتفاع ارتومتریک، طراحی شده و درحال مشاهده است. در خصوص داده های گرانی سوال مهمی که مطرح است این است که رزولوشن این داده ها در مدلسازی محلی تا چه اندازه مهم است و آیا با هر داده گرانی زمینی و با هر رزولوشنی می توان مدلهای محلی با دقتی بیشتر از مدلهای جهانی داشت؟ از همین رو در مقاله حاضر موضوع تاثیر رزولوشن داده های گرانی زمینی ایران در تعیین ژئوئید محلی و مقایسه آن با ژئوئیدهای جهانی مورد مطالعه قرار گرفته است. به همین منظور در محدوده ایران چهار منطقه آزمون با رزولوشن های متفاوت انتخاب شد. در هر منطقه آزمون، با استفاده از حل مساله مقدار مرزی ژئودتیکی بر اساس تکنیک حذف-محاسبه-بازگشت، ژئوئید محلی برای هر منطقه محاسبه شد. از آنجاییکه در تکنیک حذف-محاسبه-بازگشت، نیاز به مدل رفرانس است، از مدل جهانی EGM2008 تا درجه و مرتبه های 360، 720، 1080 و 2160 به عنوان مدلهای رفرانس استفاده شده است. سپس ژئوئید محلی در این مناطق با ژئوئیدهای جهانی براساس همین مدلهای رفرانس در نقاط GPS/Leveling مقایسه شد. نتایج مقایسه نشان می دهد که علاوه بر دقت داده های گرانی زمینی، رزولوشن آنها نیز در تعیین ژئوئید بسیار حایز اهمیت است و با هر رزولوشنی نمی توان ژئوئید محلی بهتری نسبت به ژئوئید جهانی بدست آورد. همچنین در این مقاله نشان داده شده است که ژئوئید محلی با استفاده از داده های گرانی زمینی وقتی نسبت به ژئوئید جهانی متناظر بهبود دارد که رزولوشن داده های گرانی مورد استفاده بهتر از رزولوشن متناظر با درجه و مرتبه مدل ژئوپتانسیلی جهانی باشد.

شبکه حسگر بی سیم، از تعداد زیادی گره های حسگر که به صورت یکنواخت و یا غیریکنواخت درون ناحیه مورد نظر مستقر شده اند، تشکیل شده و قابلیت موثری در نظارت پدیده های محیطی همچون آتش سوزی جنگل ها، پایش نشت مواد آلاینده و همچنین در امور مدیریتی و صنعتی دارد. در یک شبکه حسگر بی سیم، گره های حسگر به منظور تشخیص پدیده ها سراسر منطقه مورد نظر پراکنده می شوند. بنابراین پوشش سراسری منطقه به وسیله گره های حسگر، در کسب اطلاعات بسیار موثر است. با این حال حفره های پوششی بنابر دلایل مختلفی از جمله توزیع غیریکنواخت حسگرها، خرابی گره ها و اتلاف انرژی آن ها در منطقه مورد مطالعه ظاهر می شوند. مطالعه حاضر بر تعیین موقعیت حسگرهای جدید به منظور پوشش حفره ها و دستیابی به پوشش سراسری در شبکه حسگر بی سیم تمرکز دارد. برای این منظور، عملکرد روش درخت مبنا در افزودن حسگرهای جدید در شبکه حسگرهای بی سیم مورد ارزیابی قرار گرفته است. نتایج به دست آمده نشان می دهد با وجود عملکرد کلی قابل قبول این روش، در مواجهه با برخی آرایش های خاص از حسگرها کارایی مناسبی ندارد، که دلیل عمده آن، عدم توجه به موقعیت حسگرهای موجود در هنگام اضافه کردن حسگرهای جدید است. از این رو در روش ترکیبی پیشنهادی، روش درخت مبنا به گونه ای بهبود یافته که توانایی پوشش مناسب حفره ها با ابعاد و اشکال مختلف را دارا می باشد. نتایج به دست آمده نشان دهنده عملکرد بهتر روش ترکیبی نسبت به روش درخت می باشد، زیرا در تعداد تکرار کمتر و با اضافه نمودن حسگرهای کمتر قادر به ایجاد پوشش سراسری در منطقه مورد نظر می باشد.