امروزه تقاضا برای محصولات با کیفیت بالا افزایش یافته و استانداردهای سختگیرانه ای برای سلامت آنها وضع می شود. لذا برای ارتقاء صادرات انواع محصولات کشاورزی، استفاده از فن آوری های پیشرفته پس از برداشت، برای تعیین سریع تر، موثرتر و دقیق تر کیفیت و سلامت محصولات ضروری می باشد. در این تحقیق، روش تصویربرداری ابرطیفی در محدوده 400 تا 1000 نانومتر، برای تشخیص سیب های آفت زده توسط کرم سیب، بکار برده شده است. پس از تهیه نمونه های آفت زده و انتقال آنها به آزمایشگاه، تصاویر تحت شرایط کنترل شده گرفته شدند. سپس طیف بازتابی میانگین از نواحی مطلوب استخراج و پیش پردازش گردیده و در نهایت با استفاده از چندین تکنیک یادگیری ماشین شامل تحلیل تفکیک خطی،  -kنزدیکترین همسایه و درخت تصمیم گیر طبقه بندی نمونه ها انجام گرفت. نتایج نشان داد جداسازی میوه های آفت زده با نرخ کلاس بندی 96% و 94% برای نمونه های سالم و آفت زده امکان پذیر بوده و بهترین نرخ کلاس بندی برای روش درخت تصمیم گیر بدست آمد. همچنین طول موج های بهینه برای توسعه تصویربرداری چندطیفی استخراج گردیدند. نتایج این پژوهش بیانگر کارآیی بالای تصویربرداری ابرطیفی در جداسازی غیرمخرب سیب های آفت زده برای استفاده در ماشین های درجه بندی می باشد.

با پیشرفت سنجنده های سنجش از دور طیفی با توانتفکیک طیفی بالا، تصاویر ابرطیفی ماهواره ای بطور وسیع به منظور نظارت بر سطح زمین به خدمت گرفته شده اند. بزرگی ابعاد این تصاویر نه تنها باعث افزایش پیچیدگی محاسبات گردیده بلکه باعث کاهش دقت طبقه بندی تصویر نیز شده است. کاهش ابعاد یکی از اصلی ترین روش ها در تصاویر ابرطیفی برای بهبود دقت طبقه بندی است. معمول ترین روش در کاهش ابعد انتخاب عارضه می باشد. بطور ایده آل کاهش نمایندگان یک مجموعه به کاهش ابعاد ذاتی آن مرتبط می شود. روشهای مختلفی برای برآورد بعد ذاتی و نیز کاهش ابعاد در تصاویر ابرطیفی در منابع وجود دارد. در این مقاله به شرح و مقایسه پنج تکنیک برآورد بعد ذاتی پرداخته و کارایی این تکنیک ها را به منظور طبقه بندی با نظارت تصاویر ابرطیفی بررسی و بحث کرده است. این تکنیکها شامل برآوردکننده مقدار ویژه (EV)، برآوردکننده بیشترین شباهت (ML)، برآوردکننده بعد همبسته (CD)، برآوردکننده عدد بسته بندی (PN) و کمترین گشترش درخت ژئودزیک (GMST) می باشد. روش طبقه بندی کننده نزدیکترین همسایگی (K-NN) به منظور طبقه بندی بانظارت مورد استفاده قرار گرفته است. تعداد زیادی از فواصل متریک در این طبقه بندی کننده مورد استفاده و مقایسه قرار گرفته است. پرکاربردترین روش های کاهش ابعاد مانند تحلیل مولفه اصلی (PCA) و تحلیل مولفه مستقل (ICA) در خروجی روش های برآورده گر بکار گرفته شده است. این تحقیق نگاهی مقایسه ای و مروری بر روش های برآورده گر داشته و نیز عارضه های باندی استخراج شده را به منظور طبقه بندی مورد استفاده قرار داده است.

در این تحقیق داده های سنجنده HyMap از منطقه کوچک جنگلی در قسمت مرکزی کشور سوییس و مربوط به تابستان 1998 بررسی شده است. این داده دارای 128 باند طیفی باریک در محدوده 450-2480 nm و اندازه تفکیک زمینی معادل 7.5 متر بوده و با استفاده از هواپیما از ارتفاع 3000 متری برداشت شده است. جنگل مورد مطالعه ناهمگن، ناهمسال و مخلوطی از گونه های مختلف سوزنی برگ و پهن برگ است. ابتدا داده های HyMap بررسی کامل کیفی شدند. نسبت S/N بجز در 6 باند بسیار زیاد بود. تصحیحات هندسی به روش پارامتری و با استفاده از مدل رقومی ارتفاع و داده های ناوبری هواپیما، با دقتی زیاد (4 متر (RMSE< انجام شد. اثرهای اتمسفر بر بازتاب نیز با استفاده از مدل تصحیحات اتمسفری ATCOR-A انجام شد. به منظور طبقه بندی جنگل به لحاظ درجه اختلاط سوزنی برگ و پهن برگ، جداسازی طیفی به صورت خطی با استفاده از چهار عضو نهایی سوزنی برگ خالص، پهن برگ خالص، زمین/نهال و سایه انجام شد. محل این عضو های نهایی به کمک عکس های هوایی 9000 :1 و بازدید میدانی، بر روی تصویر HyMap تعیین و منحنی های طیفی آنها از تصویر استخراج شد. مقایسه نتایج تجزیه و تحلیل با عکس های هوایی مادون قرمز رنگی در مقیاس 9000 :1 نشان می دهد که داده های ابرطیفی و روش جداسازی طیفی خطی قابلیت زیادی (95 درصد) برای طبقه بندی جنگل دارند. به دلیل اجرای مدل خطی جداسازی، به سادگی امکان تعیین حدود آستانه و طبقه بندی تصاویر سهم وجود ندارد، چرا که اختلاط طیفی در واقع غیر خطی است. ازاین رو باید روش های مناسبی را برای این کار جست وجو کرد.

مدل آنالیز ترکیب خطی به طور گسترده ای برای برآورد سهم هر ماده خالص در اختلاط طیفی مورد استفاده قرار می گیرد. راه حل ریاضی مسئله ترکیب، حل مجموعه ای از معادلات خطی با استفاده از روش کمترین مربعات می باشد. اما بیشترین منبع خطا در روش های متداول آنالیز ترکیب طیفی ناشی از عدم امکان محاسبه تغییرات طیفی اعضای خالص در سیر زمان و مکان است. در این فرآیند از اعضای خالص ثابتی برای کل صحنه تصویربرداری استفاده می شود. علاوه بر این، اگر اعضای خالص به شدت به یکدیگر وابسته باشند ماتریس ضرایب دچار کمبود رنک شده و حل مسئله معکوس همراه با ناپایداری خواهد بود. به این ترتیب فراوانی های برآورد شده به شدت به خطاهای تصادفی حساس می گردند. در این مقاله روش جدیدی برای انتخاب باند متشکل از اولویت بندی باندها در راستای کاهش اثر تغییرپذیری طیفی و کاهش همبستگی بین باندها برمبنای زاویه آنها ارائه شده است. با استفاده از روش پیشنهادی و به کمک داده های شبیه سازی شده و واقعی نشان داده شد که می توان به طور موثری به حذف تعداد زیادی از باندهای غیر ضروری اقدام نمود. آزمایش ها نشان داد که با انتخاب باندهای مناسب، کمتر از 20 درصد باندها، می توان به نتایج قابل مقایسه و حتی بهتری از نتایج حاصل از تمام باندها رسید.

سابقه و هدف: جزء شن از مهمترین اجزای بافت خاک بوده که برای عملیات مدل سازی زیست محیطی و پهنه بندی رقومی خاک، باید مورد توجه واقع شود. از طرفی، بدلیل تغییرپذیری مکانی این جزء؛ تشخیص، پهنه بندی و پایش آن، در مقیاس های وسیع، با استفاده از شیوه های سنتی رایج و عملیات تجزیه و تحلیل معمول آزمایشگاهی، بسیار وقت گیر و پر هزینه است. از نقطه نظر دیگر؛ دورسنجی هوایی و فضایی در قیاس با طیف سنجی میدانی و آزمایشگاهی دارای نواقصی همچون اثرات جوی، آثار ساختاری و ترکیبی طیفی، پایین تر بودن تفکیک طیفی و مکانی، اختلالات هندسی و نیز فرآیند اختلاط طیفی می باشد. لذا برای غلبه بر این نواقص و برای مطالعه عوامل دارای تغییرپذیری مکانی، نیازمند فن آوری مناسبی می باشد. با ظهور طیف سنجی بازتابی پراکنشی آزمایشگاهی که از لرزش های بنیادین، فرعی و ترکیبی گروه-های عاملی (FGs) بهره می برد، آن، بعنوان ابزاری نویدبخش در مطالعه اجزای خاک، معرفی شد. طی تحقیق حاضر، از طیف سنجی بازتابی مجاورتی، برای مدل سازی ابرطیفی اجزای شن در قسمت هایی از استان مازندران استفاده شد. مواد و روش ها: جمعا 128 نمونه از عمق 20 سانتیمتری سطح خاک، بر اساس روش نمونه برداری SRS و با کمک اطلاعات جانبی همچون: زمین شناسی، کاربری اراضی، نقشه راه ها، و خاک شناسی استان، جمع آوری شد. در ابتدا، مجموع نمونه ها به دو قسمت برای عملیات واسنجی و اعتبارسنجی، تقسیم شد. با بهره گیری از تحلیل ابرطیفی، رگرسیون چندمتغیره PLSR و بر اساس تکنیک LOOCV و عملیات پیش پردازش طیفی همچون: میانگین گیری، هموارسازی و مشتق اول طیفی بر اساس الگوریتم ساویتسکی-گولای، مدل تخمینی بر مبنای شاخص های تحلیلی همچون همبستگی دوطرفه پیرسون (R)، ضریب تبیین (R2)، میانگین مربعات خطای اعتبارسنجی (RMSE)، و نیز شاخص های اعتبارسنجی RPD و RPIQ، ایجاد و بررسی شد. یافته ها: تحقیق حاضر بر مبنای مدل سازی ابرطیفی شن منطقه در زیرمجموعه واسنجی مشتمل بر 96 و نیز زیرمجموعه اعتبارسنجی مشمتل بر 32 نمونه، نشان داد، 2 و 4 LV اول از مجموع 7 LV، بهترین تخمین در خاک های منطقه مورد مطالعه را نشان می دهد. از آنجاییکه این تعداد عامل منتخب، قادرند بیش از 60% واریانس متغیر شن و نیز 98% واریانس داده های طیفی را متمرکز کنند؛ نتیجتا فرآیند واسنجی مدل تخمینی، بر اساس چهار فاکتور اول و شیوه LOOCV سراسری انجام شد. بهترین مدل ابرطیفی تخمین گر اجزای شن با این خصوصیات واسنجی شد، Rc: 76/0، R2c: 57/0، RMSEc: 77/9 و Sec: 82/9. همچنین مقادیر ضریب R بین متغیر شن و باندهای طیفی موثر بدین ترتیب محاسبه شد، 390: 46/0، 510-540: 53/0، 680-690: 55/0، 950-970: 67/0، 1100: 70/0، 1410: 76/0، 1860-1900: 76/0، 2180-2220: 77/0؛ که باندهای طیفی منتخب دارای بهترین و بیشترین تاثیر در فرآیند مدل سازی ابرطیفی شن در خاک های استان بوده اند. بعلاوه، بارزترین دامنه های طیفی در فرآیند مدل سازی بدین تریتب بوده است: UV-390، Vis-440-540، NIR-740-990، SWIR-1430-1890، 1930، 2190-2240، 2330-2440 نانومتر که این نتایج در تطابق با برخی مطالعات انجام گرفته، بوده است. کیفیت مدل ابرطیفی واسنجی شده شن با استفاده از آزمون هایی همچون هتلینگ، لوریج تعدیلی و واریانس باقیمانده ها نیز مورد بررسی قرار گرفت. مشخصات عملیات صحت سنجی بدین ترتیب بوده است: Rp: 83/0، R2p: 68/0، RMSEp: 68/8، SEp: 72/8 و انحراف: 26/1. نتیجه گیری: نتایج، حاکی از تحلیل مناسب ابرطیفی در برآورد مقادیر شن منطقه بوده است. بدین ترتیب بر مبنای LV2، RPDc: 51/1، RPIQc: 44/2؛ RPDp: 78/1، RPIQp: 45/2 و نیز بر اساس LV4، RPDc: 54/1، RPIQc: 48/2، RPDp: 75/1 و RPIQp: 41/2، محاسبه گردید. مقادیر RPIQ بالاتر از 2، بیانگر توانایی مناسب و کیفیت خوب مدل در برآورد مقادیر شن استان مازندران با استفاده از داده های ابرطیفی بوده است. نتایج تحقیق حاضر می تواند نقطه آغازی در پهنه بندی دقیق تر جزء شن بافت خاک، بر مبنای سکوهای دورسنجی باشد. همچنین، با مشخص شدن طول موج های کلیدی در فرآیند مدلینگ؛ فرآیند آپ اسکیلینگ (بیش مقیاس سازی) و نیز آماده-سازی سنجنده های ابرطیفی هوایی و فضایی، می تواند بهبود یافته که منجر به دقیق تر شدن مطالعات ابرطیفی اجزای بافت نیز خواهد شد.

در این مقاله روشی برای کاهش ویژگی در تصاویر ابرطیفی به منظور طبقه بندی این داده ها معرفی شده است که بر مبنای استخراج ویژگیهای جدید با ابعادی بسیار کمتر از ابعاد ویژگیهای نخستین عمل می کند. برای هر پیکسل از یک تصویر ابرطیفی یک تابع تقریب کسری گویای مجزا از طریق برازش بر منحنی پاسخ طیفی آن پیکسل تولید می شود. ضرائب چند جمله ایها ی صورت و مخرج این تابع به عنوان ویژگیهای جدید انتخاب می شوند. روش پیشنهادی بر ماهیت هندسی منحنیهای پاسخ طیفی تاکید و تمرکز دارد و بر این واقعیت تکیه می کند که ترتیب توالی نقاط در این منحنیها حاوی اطلاعات مفیدی است که توسط غالب روشهای استخراج ویژگی موجود، مورد توجه قرار نگرفته است. نتایج طبقه بندی با طبقه بند حداکثر احتمال حکایت از برتری صحت نتایج طبقه بندی به وسیله ویژگیهای معرفی شده در مقایسه با روشهای متعدد مورد بررسی دارد. به علاوه روش پیشنهادی قابلیت اعمال به تمام پیکسلهای تصویر به صورت همزمان را داراست.