سنجش از دور و GIS ایران
سال:1388 | دوره:1 | شماره:3 |تعداد مقالات:7

هدف اصلی مقاله حاضر آن است که با طراحی و ارزیابی سامانه عامل مبنای مکانی، اطلاعات مربوط به توده های آلودگی زیست محیطی را به صورت آنی و از طریق تصاویر ماهواره ای NOAA استخراج کند و سپس تاثیر آنها را بر روی محدوده های زیست محیطی جنگلی به صورت مناطق ریسک مشخص گرداند. در این کاربرد، آلودگی هوا پدیده ای است که به اشکال گوناگون باعث به وجود آمدن ریسک در محدوده های جنگلی می گردد. لذا به دست آوردن تمامی تاثیرات آلودگی هوا بر محدوده های جنگلی امری دشوار قلمداد می شود. با این حال برخی از تاثیرات آن از قبیل تاثیر بر رشد پوشش گیاهی منطقه را می توان به عنوان عاملی ضروری تر در فرایند تصمیم گیری وارد ساخت. برای بررسی این موضوع، پیامد انتشار آلودگی ناشی از آتش سوزی چاه های نفت کویت در سال 1991 و تاثیر آن بر جنگل های جنوب غربی کشور در نظر گرفته شده است. بررسی تصاویر نیم روزانه  NOAA-AVHRR به خوبی آشکار می سازد که آلودگی به سمت مرز ایران حرکت کرده و منابع طبیعی و جنگل های جنوب غربی کشور را تهدید کرده است. با در نظر گرفتن شواهد مذکور، ردیابی، تخمین و ارزیابی سریع و آنی محدوده های ریسک، امری ضروری به شمار می آید. این مقصود با طراحی سامانه هوشمند عامل مبنایی که در آن ابزارهای مرتبط با سامانه اطلاعات مکانی و سنجش از دور یکپارچه شده اند، محقق می گردد. در آن سامانه به منظور استنتاجگری، روش های مختلف یادگیری ژنتیکی قوانین ارزیابی می شوند و قوانین بهینه مشخص می گردند. با توجه به اینکه دو پدیده مورد نظر (آلودگی هوا و محدوده ریسک) دارای مرز نامعلوم و ماهیتی نامعین هستند، لازم است که وضعیتی قابل پیش بینی از قوانین برای آنها در نظر گرفته شود و مطابق آن برای هر دوره محاسباتی، فرایند تنظیم و یاد گیری قوانین استنتاج در شرایط نامعین، اجرا گردد. لذا مناطق ریسک به صورت آنی و هوشمند تعیین می شوند و روش های مختلف یادگیری ژنتیکی به همراه استنتاجگری مکانی فازی، با استفاده از داده های استخراجی از تصاویر ماهواره ای لندست TM مورد ارزیابی قرار می گیرند.

فرایند سنجش از دور تحت تاثیر چندین نوع خطا، از جمله اعوجاجات هندسی، عدم تعادل رادیومتریک و تاثیرات جوی قرار دارد، که در میان آنها تاثیرات جوی نقش بسیار مهمی ایفا می کند. در پژوهش حاضر با استفاده از داده های پنج سال رادیوساوند در ماه ژوئن (11 خرداد تا 9 تیر)، مدل جوی مناسبی برای منطقه مورد مطالعه تعریف گردید. آنگاه با استفاده از مدل جوی استخراج شده و کد S6، اصلاح جوی برای تصاویر  MODISمنطقه مورد مطالعه صورت گرفت و نتایج با مدل های پیش فرض کد S6 همچون مدل های میان تابستانی، میان زمستانی و بر حاره ای مقایسه گردید. نتایج نشان می دهد که اصلاح جوی تصاویر با استفاده از مدل جوی استخراج شده برای منطقه مورد مطالعه در باندهای جذب بخار آب کاملا با تصاویر اصلاح شده با مدل های پیش فرض تفاوت دارد. همچنین برای مقایسه بهتر از شاخص NDVI استفاده گردید. نتایج در این منطقه نشان می دهد که پس از اصلاح جوی NDVI های کمتر از 0.4 کاهش و  NDVIهای بیشتر از 0.5 افزایش یافته اند که با نتایج دیگر پژوهشگران در این زمینه همخوانی دارد.

در پژوهش حاضر، روشی ترکیبی از شبکه های عصبی نظارت شده و نظارت نشده برای طبقه بندی تصاویر سنجش از دور ارایه شده است. مبنای الگوریتم پیشنهادی، شبکه های خودسازمانده (SOM) و الگوریتم شبکه عصبی پس انتشار خطاست. الگوریتم طبقه بندی نظارت نشده SOM به تنهایی قادر به طبقه بندی و برچسب گذاری دقیق نتیجه نهایی نیست، لذا در نوشتار حاضر از الگوریتم پس انتشار خطا برای تعیین برچسب نهایی کلاس ها استفاده شده است. در ابتدا تصویر با استفاده از الگوریتم شبکه های خودسازمانده بخش بندی می شود. سپس برچسب نرون های شبکه های خودسازمانده با استفاده از الگوریتم پس انتشار خطا و داده های آموزشی تعیین می شود و در ادامه نقشه پوششی تهیه می گردد. به منظور کاهش حجم سنگین محاسبات شبکه های خودسازمانده، در پژوهش حاضر از الگوریتم PCA برای تعیین مقدار اولیه بردار وزن نرون ها استفاده شده است. ارزیابی الگوریتم پیشنهادی با تصاویر چندطیفی لندست (ETM+) و IKONOS انجام گرفت. هر قسمت از الگوریتم با الگوریتم های دیگر جایگزین شد و نتایج به دست آمده با الگوریتم پیشنهادی مقایسه گردید. در ابتدا به جای الگوریتم SOM از الگوریتم های نظارت نشده  K-Means و FCM و به جای الگوریتم MLP برای تعیین برچسب نرون های الگوریتم SOM از الگوریتم KNN استفاده گردید. همچنین نتایج نهایی الگوریتم پیشنهادی با دیگر الگوریتم های طبقه بندی مقایسه شد. نتایج حاصل از دقت طبقه بندی الگوریتم پیشنهادی و دیگر الگوریتم ها، نشان می دهد که الگوریتم پیشنهادی توانایی بهبود نتایج طبقه بندی را ـ به ویژه برای تعداد نمونه های آموزشی اندک ـ داراست.

جمع آوری و استفاده از اطلاعات مکانی مربوط به وضعیت کنونی حادثه در کمترین زمان ممکن، از نیازهای اصلی و اساسی در مدیریت بهینه حوادث به شمار می آید. برای این منظور لازم است هر یک از سازمان های دخیل در مدیریت حادثه، جمع آوری بخشی از اطلاعات مکانی مورد نیاز را برعهده گیرند و با به اشتراک گذاری این اطلاعات، آن را در دسترس سایر نهادهای مسئول قرار دهند.تحقیقات گذشته نشان داده اند که زیرساخت داده مکانی (SDI) و سامانه اطلاعات مکانی تحت وب چارچوب مناسبی برای مدیریت اطلاعات مکانی در شرایط بحرانی قلمداد می شوند. اگرچه مدل های مفهومی SDI برای مدیریت بحران شرح و بسط داده شده اند، ولی با توجه به کاربرد شبکه های بی سیم و فناوری های وابسته به آن ـ از قبیل GIS همراه ـ لازم است مدل های مذکور بر اساس ویژگی های شبکه های بی سیم و فناوری های مرتبط توسعه یابند.در پژوهش حاضر ابتدا مدل مفهومی SDI مدیریت بحران برای استفاده از محیط های بی سیم و GIS همراه شرح و بسط یافت. سپس بر اساس مدل مفهومی توسعه یافته، طراحی، توسعه و پیاده سازی GIS همراه نمونه برای استفاده ماموران امداد به منظور مدیریت بهینه حوادث صورت پذیرفت. در ادامه، سامانه پیاده سازی شده مورد آزمون و ارزیابی قرار گرفت. برای این منظور ابتدا سناریویی فرضی برای امدادرسانی در منطقه تشریح شد و بر اساس آن کارایی سامانه در پاسخگویی به نیازمندی های موجود در سناریو بررسی گردید. در پایان چنین نتیجه گیری شد که با توجه به سناریوی طراحی شده و آزمودن سامانه نمونه GIS همراه، استفاده از محیط های بی سیم و سامانه های اطلاعات مکانی همراه در بستر SDI موجب تسهیل و ارتقای کیفیت مدیریت حوادث می شود.

سالیانه در کشور ما صدها مورد آتش سوزی در جنگل ها و مراتع اتفاق می افتد و هزاران هکتار از درختان، درختچه ها و گیاهان را طعمه خود می سازد. حریق ها علاوه بر خسارات اقتصادی، آثار مخرب زیست محیطی را نیز به دنبال دارند. وقوع آتش سوزی های مکرر در مناطق مختلف ایران در چند سال گذشته پژوهشگران منابع طبیعی را بر آن داشته است تا پژوهش های جدیدی در عرصه های باارزش جنگلی انجام دهند. در پژوهش حاضر از تصاویر ماهواره ای MODIS و Landsat ETM+ به منظور آشکارسازی، و تعیین وسعت مناطق دچار حریق در نخلستان های شهر خور از توابع استان اصفهان استفاده گردیده است. سنجنده MODIS در لحظه عبور از فراز این منطقه، آتش سوزی ای را در تاریخ یازدهم مرداد ماه 1387 ثبت کرد، که با الگوریتم بومی شده کشف آتش، مکان حریق ها مشخص گردید. در روش پیشنهادی، برای شناسایی آتش پس از انجام تصحیحات رادیومتری و هندسی با استفاده از ماسک ابر و آب این دو پدیده از تصویر حذف شدند و سپس با تعیین حد آستانه مناسب، نواحی دارای پتانسیل آتش مشخص گردید. در این نواحی پیکسل هایی که درجه حرارت روشنایی آنها در باند 22 کمتر از 293 درجه کلوین و میزان انعکاس طیفی آنها در باند 2 کمتر از 0.3 و اختلاف دمایی باند 22 و 31 کمتر از 10 درجه کلوین بود، به عنوان پیکسل های دارای پتاسیل آتش علامت گذاری شدند و با تعیین حد آستانه و آزمون های مختلف، اقدام به استخراج پیکسل های آتش گردید. نتایج نشان می دهد که با استفاده از حد آستانه 310 درجه کلوین برای باند 22 که برای مقیاس جهانی در نظر گرفته شده است، آتش های سرد و کوچک آشکار نمی شوند. لذا از حد آستانه بهینه شده استفاده گردید. همچنین به منظور تعیین وسعت منطقه دچار حریق از تصاویر ماهواره ای  Landsat ETMاستفاده شد. پس از انجام طبقه بندی با روش طبقه بندی بیشترین شباهت، وسعت منطقه سوخته شده تعیین گردید. نتایج حاصل از مطالعه حاضر نشان می دهد که این آتش سوزی وسعتی حدود 9 هکتار را طعمه حریق ساخته است.

امروزه لیزر اسکنر هوایی (لیدار) نقش مهمی در برداشت اطلاعات سه بعدی عوارض سطح زمین ایفا می کند. استخراج عوارض از داده های لیدار، به صورت دستی زمان بر و پرهزینه است. راه ها مهمترین گروه عوارض خطی هستند و استخراج اطلاعات مربوط به آنها اهمیت ویژه ای برای سازمان ها و نهادهای مرتبط در هر کشوری دارد. هدف پژوهش حاضر، ارایه الگوریتمی برای آشکارسازی راه هاست که در آن منحصرا از داده های لیدار، استفاده شود. برای این منظور، ابتدا داده های شدت و سپس هر دو داده شدت و فاصله لیدار با استفاده از ماشین بردار پشتیبان طبقه بندی گردیدند. سپس با استفاده از الگوریتم فیلتر کردن شیب مبنا، عوارض ارتفاعی از مجموعه داده ها حذف شدند و مدل رقومی زمین و مدل رقومی عوارض غیرزمینی به دست آمد. در ادامه، نتایج مرحله طبقه بندی با بهره گیری از لایه اطلاعاتی مدل رقومی عوارض غیرزمینی بهبود داده شد. سرانجام با انجام عملیات پس پردازش شامل 5 مرحله، پاکسازی مورفولوژی، حذف عناصر کوچک، اتصال قطع شدگی های راه ها، حذف عناصر ناپیوسته و انسداد مورفولوژی، راه ها از داده های لیدار شناسایی گردید. با مقایسه نتایج حاصل از اجرای الگوریتم با داده های مرجع، مقادیر 84.35 درصد برای پارامتر «کامل بودن»، 71.61 درصد برای پارامتر «صحیح بودن» و 63.22 درصد برای پارامتر «کیفیت» به دست آمد.

امروزه در تمامی شهرهای بزرگ دنیا، پایش و کنترل کیفیت هوا به یکی از موضوعات مهم مدیریت شهری و زیست محیطی تبدیل گردیده است. دسترسی سریع، و پردازش و تحلیل داده های سنجنده های آلاینده های هوا از موارد مورد نیاز در ارایه راهکارهای موثر در کاهش و کنترل آلودگی هوا به شمار می آیند. وجود شبکه ای از سنجنده های آلاینده های هوا، داده های مورد نیاز به منظور پالایش آلودگی هوا را فراهم می سازند. در این خصوص آنچه باعث عدم دسترسی و ارایه و پردازش نامطلوب داده های کیفیت هوا می گردد، استفاده نکردن از راه حل های تعامل پذیر در خصوص انتشار، دسترسی و پردازش داده هاست. در نوشتار حاضر، استفاده از سرویس های مکانی تعامل پذیر به عنوان راه حلی مناسب به منظور رفع مشکل مذکور پیشنهاد می گردد. در این زمینه ارایه ساختار و فرمت و همچنین روش دسترسی تعامل پذیر به داده های کیفیت هوا بررسی گردیده است و سامانه ای به منظور ایجاد سرویس های مکانی تعامل پذیر با هدف انتشار داده های کیفیت هوا ارایه می گردد. در پایان مقاله، تعدادی برنامه کاربردی به منظور آزمون تعامل پذیری سرویس های ایجادشده، پیاده سازی می گردد.