علوم و فنون نقشه برداری
سال:1403 | دوره:14 | شماره:2 |تعداد مقالات:9

پیش بینی دقیق زمان سفر یکی از مسائل مهم در حوزه ترافیک و حمل و نقل است که می تواند به طور قابل توجهی بر زندگی روزمره افراد و سازمان ها تاثیر بگذارد. در این پژوهش، چهار روش مختلف یادگیری ماشین شامل رگرسیون خطی (LR)، رگرسیون چندمتغیره (MR)، رگرسیون جنگل تصادفی (RDR) و شبکه عصبی مصنوعی عمیق (DNN) برای پیش بینی زمان سفر آموزش داده شدند. هدف از این پژوهش پیش­بینی زمان سفر جهت استفاده در سیستم ­های ترافیک هوشمند است و بهره ­گیری و مقایسه چندین روش جدید شامل شبکه عصبی عمیق و رگرسیون جنگل تصادفی و همچنین دخیل نمودن پارامترهای جدید مانند وضعیت بارش، نرم جریان ترافیک، زمان و همچنین تصادفات و نقاط قفل ترافیکی نسبت به پژوهش ­های دیگر، نوآوری و جامعیت این پژوهش نسبت با سایر مطالعات می باشد. در طراحی و اجرای این پژوهش از داده های واقعی ترافیک برگرفته از Google map استفاده و آنالیز گردید. این داده ­ها شامل اطلاعاتی از جمله شرایط ترافیک، فصل سال، ساعت روز، وضعیت بارش جوی و ویژگی های مسیر می باشد. نتایج این پژوهش نشان می دهد که مدل DNN  با R2 برابر با 0.833 عملکرد خیلی خوبی را در بین مدل های مورد بررسی دارد. این مدل 0.833% واریانس داده ها را توضیح می دهد و توزیع باقیمانده ها در آن به طور نسبی مرکزی با میانگین صفر و توزیعی نزدیک به نرمال است. مدل رگرسیون خطی با R2 برابر با 0.615 عملکرد ضعیف تری نسبت به DNN دارد و 0.615% از واریانس داده ها را توضیح می دهد. و اما مدل رگرسیون جنگل تصادفی با R2 برابر با 0.955 در رقابت با DNN یکی از بهترین عملکردها را دارد و 0.955% از واریانس داده ها را توضیح می دهد. پارامترهای MSE و RMSE نیز جهت ارزیابی عملکرد مدل ­ها استفاده شدند و نهایتا مقایسه چندبعدی بین مدل­ ها صورت گرفت و مدل جنگل تصادفی کمترین مقادیر خطا را نتیجه داد. از آنجائی که در داده ­های ترافیکی جمع ­آوری شده، حوادث رانندگی و تبعا نقاط قفل ترافیکی در مدل ها نیز استفاده شده، و با لحاظ اینکه مدل رگرسیون جنگل تصادفی با وجود نویز و آنومالی نیز به طور موثرتری با داده ها تطبیق یافته می ­یابند، مقدار R2 این مدل، از شبکه­ های عصبی عمیق بدلیل داشتن ذات بیش ­پردازشی، بالاتر حاصل شده است.

زمین لغزش یکی از مخاطرات طبیعی است که می تواند خسارات فراوانی به دنبال داشته باشد. بنابراین، شناسایی مناطق مستعد زمین لغزش برای کاهش خسارات ناشی از آن، امری ضروری است. برای این منظور، می توان از نقشه حساسیت استفاده کرد که تولید آن، مستلزم انتخاب صحیح عوامل مؤثر و تعیین وزن مناسب برای آن ها می باشد. هم انتخاب عوامل و هم تعیین وزن آنها می توانند بر اساس روش های مبتنی بر دانش کارشناسی و یا روش های یادگیری ماشین و مبتنی بر داده ها صورت گیرند. در این پژوهش، لایه های اطلاعاتی هفده عامل مرتبط با وقوع زمین لغزش نظیر زمین شناسی و شاخص رطوبت توپوگرافی (TWI) برای استان آذربایجان غربی، در محیط سیستم اطلاعات مکانی، تهیه شدند و به عنوان ویژگی ها (متغیرهای وابسته) مد نظر قرار گرفتند. همچنین، نقشه پراکنش زمین لغزش های قبلی تولید و به عنوان متغیر مستقل تعریف شد. سپس شش روش مختلف انتخاب ویژگی در حوزه یادگیری ماشین شامل روش همبستگی، بهره اطلاعات، نسبت بهره، زیرمجموعه ویژگی ها بر اساس همبستگی(CFS)، Relief F و عدم قطعیت متقارن، برای تعیین میزان همبستگی عوامل مختلف با یکدیگر، نقش و میزان تأثیر هر عامل در وقوع زمین لغزش و در نهایت انتخاب یا عدم آن، مورد بررسی قرار گرفتند. نتایج پژوهش نشان داد که روش های مختلف انتخاب ویژگی ممکن است خروجی های متفاوتی در خصوص تعیین عوامل مؤثر داشته باشند. با این حال، برخی از عوامل همچون زمین شناسی در تمامی روش ها، انتخاب شدند که می توان با اطمینان بیشتری آنها را به عنوان عوامل مؤثر معرفی نمود. از سوی دیگر، برخی از عوامل، بر اساس داده های موجود، در هیچ یک از روش ها جزو عوامل انتخابی نبوده اند. سه روش عدم قطعیت متقارن، بهره اطلاعات و نسبت بهره، از لحاظ عوامل انتخابی، نتایج مشابهی داشته اند. نتایج روش ReliefF به دلیل ماهیت آن و نحوه تعریف همسایه ها، تفاوت بیشتری با سایر رو ش ها داشته؛ به گونه ای که فاصله از رودخانه که در سایر روش ها جزو عوامل مؤثر بوده، در این روش انتخاب نشده؛ در مقابل، نوع خاک و فاصله از جاده فقط در این روش انتخاب گردیده اند. با به کارگیری روش های مختلف، امکان انتخاب عوامل متنوعی فراهم می شود. در نهایت، انتخاب برخی از عوامل مؤثر  بر اساس روش های انتخاب ویژگی، می تواند منجر به کاهش پیچیدگی مدل های پیش بینی مبتنی بر یادگیری ماشین گردد.

کمبود آب به وجود آمده در اثر خشکسالی های اخیر، تغییرات اقلیمی، رشد جمعیت و مصرف بیش ازحد منابع آبی، تأثیرات گسترده ای بر زندگی انسان ها، حیوانات و گیاهان داشته است. کشور ایران، به دلیل موقعیت جغرافیایی، تغییرات آب و هوایی و کمبود منابع آبی، در آستانه قرارگیری در یک بحران آبی است. آب های سطحی مانند دریاچه ها نیز تحت تأثیر این بحران قرار گرفته اند. ازاین رو، نظارت، کنترل مناسب و مدیریت صحیح منابع آب امری ضروری است. این نظارت می تواند به طور سریع و دقیق از طریق به کارگیری تصاویر ماهواره ای ممکن شود و به طور مداوم وضعیت منابع آب سطحی را گزارش کند. در این پژوهش، با استفاده از تصاویر ماهواره ای راداری، سطح بدنه آبی دریاچه زریبار در استان کردستان از طریق یک رویکرد حدآستانه گذاری محلی تعیین شد. این رویکرد شامل سه گام اصلی در عملیات پیاده سازی می باشد. در گام اول، تحت یک فرآیند استخراج ویژگی، 4 دسته ویژگی مجزا اعم از: ویژگی های بافت، ریاضی، هندسی و پلاریمتریک از تصویر رادار اولیه استخراج شدند. سپس، فرآیند طبقه بندی به کمک 4 مدل طبقه بندی یادگیری ماشین انجام شد و یک تصویر طبقه بندی اولیه از منطقه به دست آمد. در گام دوم، با اعمال حدآستانه سراسری بر تصویر رادار منطقه، خوشه آب اولیه منطقه نیز به دست می آید. در گام نهایی، به منظور بهبود و تدقیق خوشه آب اولیه، فرآیند حدآستانه گذاری محلی انجام می شود. در این فرآیند، با تکیه بر خصوصیات منطقه، نوع، تعداد و مکان قرارگیری کاربری های موجود و با محاسبه توابع چگالی احتمال (PDF)، حدآستانه های محلی برای هر خوشه از منطقه به طور مجزا تعیین می گردد. با اعمال حدآستانه های محلی و سپس اعمال یک سری محدودیت های هیدرولوژی، نقشه نهایی آب سطحی به دست می آید. نتایج حاصل از رویکرد پیشنهادی این پژوهش نشان می دهد که حدآستانه گذاری محلی با کسب دقت های %44/95 و %27/98 به ترتیب مربوط به معیارهای  AUC و امتیاز F1  موفق به تشخیص و بهبود محدوده آب سطحی بوده است. همچنین آزمایش تشخیص تغییرات دریاچه چیتگر به منظور به چالش کشیدن قدرت رویکرد ارائه شده، پیاده سازی و اجرا شد. نتایج حاصل از این آزمایش با کسب دقت 55/94 و 65/96 به ترتیب مربوط به معیارهای  AUC و امتیاز F1 ، بر کارایی رویکرد پیشنهادی صحه گذاشت.

تولید نقشه های پوششی زمین اطلاعات مهمی از نوع اراضی و ویژگی های آن ها را فراهم کرده و در به روزرسانی نقشه های شهری، مدیریت منابع طبیعی، حفاظت از محیط زیست و توسعه پایدار نقش مهمی دارد. در این رابطه استفاده از تکنیک های پردازش تصویری و داده های رایگان سنجش از دور یک روش بهینه برای تولید نقشه پوششی زمین (LCM) محسوب می شود. در این مطالعه جهت تولید LCM از رویکردهای مختلف هوش مصنوعی شامل الگوریتم های یادگیری ماشین (ML) و یادگیری عمیق (DL) استفاده شده است. رویکرد ML شامل دو مرحله ی استخراج ویژگی و طبقه بندی است. در بخش استخراج ویژگی از ویژگی های بافتی مستخرج از ماتریس هم رخداد سطح خاکستری (GLCM) اعم از میانگین، واریانس، همگنی، تضاد و آنتروپی استفاده گردید و در مرحله طبقه بندی الگوریتم های طبقه بندی کننده رگرسیون لجستیک (LR)، درخت تصمیم (DT)، جنگل تصادفی (RF) و ماشین بردار پشتیبان (SVM) به کارگرفته شد. در رویکرد DL از مدل های تقسیم بندی معنایی یادگیری عمیق شامل مدل های U-Net، U-Net++، ResU-Net و MRU-Net استفاده گردید. برای ارزیابی دقت الگوریتم های ML و DL در تولید نقشه کاربری زمین، از تصاویر سنتینل-2 مربوط به دو منطقه واقع در غرب شهر تهران استفاده گردید. نتایج این مطالعه در سه بخش مختلف ML،  DL و مقایسه آن ها مورد بررسی قرار گرفت. در بخش ML، مدل  RFکه از ترکیب باندهای اصلی تصویر و ویژگی های بافتی استفاده کرده بود، با دقت کلی %95/21 و ضریب کاپای %92/62 نسبت به سایر مدل ها عملکرد بهتری داشت. در بخش  DLمدل MRU-Net با دقت کلی %95/33 و ضریب کاپای %92/73 در مقایسه با دیگر مدل های عمیق مطلوب ترین LCM را تولید کرد. مدل MRU-Net  بدون استفاده از ویژگی های بافتی، بهبود دقت کلی و ضریب کاپای به ترتیب به میزان %0/53 و %0/82 نسبت به مدل RF با ترکیب باندهای اصلی تصویر داشت. همچنین، در مقایسه با مدل RF که از ترکیب باندهای اصلی و ویژگی های بافتی استفاده کرده بود، دقت کلی و ضریب کاپای مدل MRU-Net به ترتیب  %0/12 و %0/11 بیشتر بود.

1علیرغم اینکه بخش انرژی از طریق انتشار گازهای گلخانه ای به تخریب محیط زیست کمک کرده است، جوامع بشری در پاسخ به این موضوع توجه بیشتری به منابع انرژی تجدیدپذیر مانند نیروگاه های آبی کوچک داشته اند. برای تعیین پهنه بندی از 12 لایه معیارهای محیطی، فنی و جغرافیایی استفاده شده است. برای دستیابی به نتایج این مطالعه، تصمیم گیری چند معیاره (MCDM) را با الگوریتم های فازی ترکیب کردیم. اساساً روش وزن دهی فازی-AHP به عنوان روشی برای ارزیابی معیارهای فنی و محیطی که رابطه درونی با یکدیگر ندارند، استفاده می شود. با استفاده از روش ANP فازی، می توانیم معیارهای جغرافیایی را که به یکدیگر مرتبط هستند و از نظر اهمیت نسبی ارزیابی می شوند، وزن کنیم. به منظور شناسایی نقشه پهنه بندی، لایه ها با استفاده از عملگر گاما 0.9 به منظور شناسایی نقشه پهنه بندی شده اند. برای تهیه نقشه پهنه بندی نهایی، نقشه های پهنه بندی و فیزیوگرافی با استفاده از عملگر Sum ترکیب می شوند. از این رو 13 مکان مناسب برای احداث نیروگاه انتخاب شد که در نتیجه سالانه 22084.69 مگاوات انرژی تولید و از انتشار 5.8 تن گازهای گلخانه ای به جو جلوگیری شد. در طول این مطالعه، حوضه ای واقع در ایران به نام حوضه آبخیز کارون مورد بررسی قرار گرفت. همچنین روش های بکار رفته در این تحقیق می تواند در سایر حوزه های آبخیز نیز انجام شود و پتانسیل سایر نیروگاه ها از جمله نیروگاه های خورشیدی و بادی مورد ارزیابی قرار گیرد.

بازتابندگی سطحی ثبت شده توسط سنجنده ها به دلیل عبور از اتمسفر در معرض ذرات موجود در آن ازجمله گازها و هواویزها قرار گرفته و مقدار آن تغییر می کند. این تغییرات در میزان بازتابندگی سطحی، استفاده های مختلف از این کمیت را نیز تحت تاثیر قرار دهد. تصحیح اتمسفری تصاویر با استفاده از روش های مختلف به دلیل تفاوت در الگوریتم های تصحیح و همچنین استفاده از مقادیر متفاوت پارامترهای اتمسفری از قبیل بخارآب، میدان دید و ضخامت نوری هواویزها، که اغلب از اندازه گیری زمینی در ایستگاه های واقع در محدوده تصویر، و یا از محصولات سایر سنجنده ها و یا بر اساس مطالعات مشابه و حدس کاربر استخراج می شوند، می تواند نتایج مختلفی را حاصل کند. هدف این تحقیق ارزیابی تاثیر متغیرهای تصحیح اتمسفری بر صحت بازیابی شاخص گیاهی کسری از پوشش گیاهی (FCOVER) از بازتابندگی سطح می باشد. منطقه مورد مطالعه بخشی از زمین های کشاورزی لیلند واقع در استان مانیتوبا در کشور کانادا می باشد. نمونه های زمینی FCOVER از پروژه مانیتوبا به همراه تصویر لندست-8 برای بازیابی در تحقیق حاضر به کار رفته اند. پس از اعمال روش تصحیح تحلیل پرسرعت اتمسفری خط دید از مکعب های طیفی (FLAASH) بر روی تصویر لندست-8 با تغییر مقادیر بخارآب و میدان دید، مدلسازی شاخص گیاهی FCOVER با استفاده از الگوریتم های رگرسیونی شبکه عصبی و درخت رگرسیون انجام شد و تاثیر عدم اطمینان مربوط به هر پارامتر اتمسفری ورودی به این مدل ها مورد ارزیابی قرار گرفت. بررسی نتایج حاصل از مدلسازی و آزمون تی نمونه های جفت شده نشان داد مقادیر مختلف پارامترهای بخارآب و میدان دید بر بازیابی پارامتر FCOVER تاثیرگذار بوده و خطایی بیش از 5 درصد ایجاد می کند. همچنین نتایج بدست آمده از الگوریتم های شبکه عصبی و درخت رگرسیون عملکرد نسبتا مشابه و مناسبی برای بازیابی FCOVER با وجود عدم اطمینان در پارامترهای ورودی مدل FLAASH از خود نشان داده اند، اگرچه الگوریتم شبکه عصبی به طور کلی دارای خطای میانگین مربعات کمتر (به عنوان مثال 0.20 در مقایسه با 0.22) و ضریب تعیین بالاتر (به عنوان مثال 0.55 در مقایسه با 0.38) می باشد.

توانایی حرکت مستقل افراد دارای معلولیت حرکتی برای فعالیت های روزانه آن ها از اهمیت زیادی برخورداراست. اما، حرکت این افراد غالبا توسط عوامل مختلف محیطی و اجتماعی محدود می شود. علاوه بر عوامل ایستا، عوامل پویا مانند بارش می¬تواند دسترسی¬پذیری پیاده¬رو را کاهش دهد. این مقاله، به بررسی دسترسی پذیری پیاده روها برای افراد دارای معلولیت حرکتی، به ویژه برای استفاده کنندگان از ویلچر دستی، در زمان بارش می پردازد. هدف این مقاله بررسی چگونگی تاثیرعوامل محیطی، از جمله عوامل پویا مانند بارش، بر حرکت مستقل افراد دارای اختلالات حرکتی می باشد. روش پیشنهادی، سطح اطمینان هر کاربر را در جهت یابی اجزای مختلف پیاده رو در حضور شدت های مختلف بارش ارزیابی می کند و از یک مدل تصمیم گیری فازی برای ارزیابی دسترسی پذیری استفاده می کند. علاوه بر نقشه های دسترسی پذیری برای شدت های مختلف بارش، از شاخص شباهت برای مقایسه تأثیر شدت بارش بر دسترسی پذیری مؤلفه های پیاده رو استفاده شده است. نتایج بدست آمده نشان می دهد که شدت بارش بر میزان دسترسی پذیری هر بخش از پیاده رو تأثیر بسزایی دارد و باید مورد توجه قرار گیرد. بر اساس نتایج بدست آمده، در حالیکه اکثر بخش های پیاده رو در زمان بارش با شدت کم برای کاربر ویلچر در دسترس هستند، با افزایش شدت بارش، میزان دسترسی پذیری پیاده رو دربیشتر بخش ها به متوسط تقلیل می یابد. علاوه بر این، در شدت بارش شدید، سطح دسترسی پذیری در مناطق با عرض کم و کیفیت نامطلوب سطح به سمت خیلی کم سوق می یابد.

به دلیل رشد جمعیت شهری، رشد شهرها و شهرنشینی، جمع آوری اطلاعات پوشش و کاربری اراضی ضروری است. کاربردهای این داده ها شامل حفاظت محیط زیست، برنامه ریزی شهری، برنامه ریزی زیرساخت های شهری و برنامه ریزی استراتژیک برای تضمین رشد پایدار مناطق شهری است. منبع اصلی جمع آوری داده های پوشش و کاربری اراضی در حال حاضر تصاویر سنجش از دور است. اطلاعات مربوط به پوشش و کاربری اراضی را می توان از تصاویر سنجش از دور با استفاده از تکنیک های طبقه بندی تصاویر بازیابی نمود. از نظر دقت طبقه بندی، تکنیک های یادگیری عمیق اخیراً از سایر روش های طبقه بندی پوشش و کاربری اراضی بهتر عمل کرده اند. شبکه های عصبی کانولوشنال (CNN) که در این زمینه بسیار محبوب هستند، یکی از معماری های مهم در طبقه بندی با استفاده از یادگیری عمیق هستند که اغلب در طبقه بندی پوشش و کاربری اراضی استفاده می شوند. اخیراً، یکی از تکنیک های شبکه عصبی کانولوشنال به نام  ResNet، در کاربردهای سنجش از دور به ویژه برای طبقه بندی پوشش و کاربری اراضی استفاده شده اند. مدل های ResNet یک انتخاب مؤثر در طبقه بندی پوشش و کاربری اراضی هستند زیرا می توانند مشکل ناپدید شدن گرادیان را مدیریت کنند. هدف اصلی این مطالعه، ارزیابی عملکرد روش های مقداردهی اولیه وزنی Glorot Uniform و Random Uniform در معماری های ResNet50، ResNet101 و ResNet152 برای استخراج پوشش و کاربری اراضی مجموعه داده EuroSat است. برای ارزیابی دقت نتایج ازF1-Score وزندار، شاخص های IoU، دقت کلی و ضریب کاپا استفاده شد. مقادیر متناظر ResNet101 برای این شاخص ها به ترتیب برابر 0.8869، 0.7951، 0.8871 و 0.8743 بودند. این نتایج نشان می دهد که از نظر دقت طبقه بندی، ResNet101 از روش های ResNet50 و ResNet152  عملکرد بهتری داشته است.

یونسفر به عنوان لایه بالایی اتمسفر زمین حاوی یون ها و الکترون های آزاد است که تأثیر زیادی بر انتقال سیگنال های رادیویی و ماهواره ای دارد. تصحیح مشاهدات سیستم های ماهواره ای ماهواره ای جهانی (GNSS) جهت افزایش دقت تعیین موقعیت، بهبود طراحی و عملکرد سیستم های ارتباطات رادیویی، تصحیح تأثیرات یونسفر برای ارتقاء دقت داده های راداری، درک بهتر تغییرات جوی و فضایی براثر طوفان های خورشیدی و فعالیت های ژئومغناطیسی، از جمله مواردی است که اهمیت پیش بینی چگالی الکترونی یونسفر (IED) را دو چندان کرده است. پیش بینی چگالی الکترونی یونسفر به نسبت محتوای کلی الکترونی (TEC) مزیت بیشتری دارد؛ چراکه اطلاعات دقیق تری در خصوص توزیع الکترون ها در ارتفاعات مختلف یونسفر فراهم می نماید. هدف از این پژوهش پیش بینی چگالی الکترونی یونسفر با استفاده از پیش بینی پارامترهای معادله پیوستگی با بکارگیری شبکه عصبی مصنوعی (ANN) است. این مطالعه به پیش بینی چگالی الکترونی یونسفر برای روز 129 سال 2016  در محدوده ایران می پردازد که در سه فاز کلی انجام شده است. ابتدا با استفاده از چگالی الکترونی یونسفر دریافت شده از مرجع بین المللی یونسفر (IRI) و یک فرآیند رگرسیون خطی مقید و محاسبه شار تابشی خورشید بر روی نقاط شبکه­ای با فواصل 5/0 درجه، پارامترهای معادله پیوستگی محاسبه می­گردد. این مقادیر به عنوان داده های هدف به شبکه عصبی مصنوعی معرفی تا در کنار داده­های ورودی مربوط به روزهای 123 تا 128 ام سال 2016، یک شبکه عصبی پیشخور آموزش داده ­شود. در فاز سوم پارامتر های پیش بینی شده توسط شبکه عصبی مصنوعی در معادله دیفرانسیل پیوستگی قرار گرفته و پیش بینی چگالی الکترونی یونسفر  انجام می گردد. با ارزیابی نتایج، مقدار متوسط RMS اختلاف چگالی الکترونی یونسفر پیش­بینی شده و چگالی الکترونی یونسفر IRI در روز 129 ام برای بازه زمانی 1ساعت برابر 1010×3733/2، دو ساعت 1010×1694/5 و سه ساعته 1011×0943/1 الکترون بر مترمکعب بوده است.