امروزه تصاویر فرا طیفی به علت غنای اطلاعات طیفی یک ابزار قوی و کارامد در سنجش از دور به حساب می آیند و امکان تمایز بین عوارض مشابه را فراهم می آورند. با توجه به پایداری ماشین های بردار پشتیبان در فضاهایی با ابعاد بالا، یک گزینه مناسب در طبقه بندی تصاویر فرا طیفی محسوب می شوند. با این وجود، عملکرد این طبقه بندی کننده ها تحت تاثیر پارامترها و فضای ویژگی ورودی آن ها می باشد. به منظور استفاده از ماشین های بردار پشتیبان با بیشترین کارایی، می بایست مقادیر بهینه پارامترها و همچنین زیر مجموعه بهینه از ویژگی های ورودی تعیین گردند. در این تحقیق از توانایی الگوریتم ژنتیک به عنوان یک تکنیک بهینه سازی فرا ابتکاری، در تعیین مقادیر بهینه پارامترهای ماشین های بردار پشتیبان و همچنین انتخاب زیرمجموعه ویژگی های بهینه در طبقه بندی تصاویر فرا طیفی استفاده شده است. نتایج عملی از به کارگیری روش فوق در خصوص داده های فرا طیفی سنجند AVIRIS نشان می دهند، ویژگی های ورودی و پارامترها هر کدام جداگانه تاثیر بسزایی بر عملکرد ماشین های بردار پشتیبان دارند ولی بهترین عملکرد طبقه بندی کننده با حل همزمان آن دو بدست می آید. در حل همزمان تعیین پارامتر و انتخاب ویژگی، برای کرنل گوسین و پلی نومیال به ترتیب %5 و %15 افزایش دقت با حذف بیش از نیمی از باندهای تصویر حاصل شد. همچنین الگوریتم بهینه سازی شبیه سازی تبرید تدریجی به منظور مقایسه با الگوریتم ژنتیک پیاده سازی شد که نتایج حاکی از برتری الگوریتم ژنتیک به ویژه با بزرگ و پیچیده شدن فضای جستجو در رویکرد حل همزمان تعیین پارامتر و انتخاب ویژگی می باشد.

هدف از تجزیه طیفی تصاویر ابرطیفی، استخراج امضاهای طیفی عناصر خالص تشکیل دهنده پیکسل های صحنه و فراوانی آن هاست. بیشتر الگوریتم های به کاررفته در فرآیند استخراج امضاهای طیفی، بدون آنکه ساختار و همبستگی مکانی پیکسل های تصویر را در نظر بگیرند، تنها به اطلاعات طیفی پیکسل های تصویر توجه کرده اند. به تازگی الگوریتم هایی پباده سازی شده است که به کمک ترکیب اطلاعات مکانی و طیفی، فرآیند شناسایی عناصر خالص و تجزیه طیفی را بهبود می بخشند. در این مقاله، یک ماژول پیش پردازشگر جدید مکانی طیفی ارائه شده است، به طوری که پیکسل های نواحی مرزی به کمک نقشه کلاس به دست آمده از الگوریتم کلاسترینگ، بدون نظارت و پنجره همسایگی 8تایی، میان دو یا چند ناحیه کلاستر را شناسایی و این نواحی ناهمگن مکانی را حذف می کنند. سپس به کمک محاسبه وزن خلوص طیفی پیکسل های غیرمرزی و آستانه گذاری، پیکسل های موجود در نواحی همگن مکانی و خالص طیفی را شناسایی می کنند تا طبقات استخراج عناصر خالص بعدی بتوانند با دقت و سرعت بیشتری، امضاهای طیفی را استخراج کنند. هدف ماژول مستقل پیشنهادی، کاهش خطای RMSE تصویر بازسازی شده و مدت زمان پردازش لازم برای استخراج عناصر خالص و بهبود معیار جدیدی به نام بازده نسبت به دیگر طبقات پیش پردازشگر موجود بر روی تصاویر ابرطیفی واقعی است.

ابرناکی از اهمیت ویژه ای در میان سایر عناصر اقلیمی برخوردار است و از جمله مباحث مهم در پیش بینی تغییرات اقلیمی در مقیاس جهانی و منطقه ای می باشد. هدف از این پژوهش بررسی توزیع مکانی و برآورد میانگین بلندمدت ابرناکی در مقیاس زمانی فصلی و ماهانه در محدوده ی جغرافیایی جو ایران است. بنابراین از فراورده های ابر سنجنده ی MISR در طول سال های 2019-2001 استفاده گردید. فراورده های ابر مورد استفاده با گام های زمانی ماهانه و مکانی0. 5° x 0. 5° استخراج و پس از کنترل کیفی و پیش پردازش، برای ساخت لایه های شبکه ای به کار گرفته شد. جهت بررسی صحت داده های ابرناکی سنجنده ی MISR از داده های پوشش ابر 44 ایستگاه هواشناسی سینوپتیک استفاده گردید. براساس نتایج؛ میانگین درصد ابرناکی در جو ایران حدود 25 درصد است که در مقایسه با میانگین ابرناکی جهانی (50 درصد) ایران کشوری کم ابر می باشد. در بررسی بلندمدت، بیشینه ی ابرناکی در سواحل جنوبی و غربی دریای خزر و پس از آن در نواحی مرتفع آذربایجان، زاگرس و خراسان برآورد گردید. از سویی دیگر کمترین مقدار ابرناکی در گستره ی وسیعی از ایران مرکزی، شرق و جنوب شرق ایران مشاهده شد. در میان فصول بیشترین درصد ابرناکی در فصل زمستان و کمترین مقدار آن در فصل تابستان به دست آمد. در مقیاس زمانی ماهانه مشخص گردید که بیشترین/کمترین درصد ابرناکی مربوط به ماه های فوریه/سپتامبر (بهمن/شهریور) است. این تفاوت ها نشان دهنده ی تغییرات وضعیت آب وهوایی در طول ماه های مختلف سال است. از دیگر نتایج، روند کاهشی درصد ابرناکی در طول سری زمانی مورد مطالعه است که بررسی آن از منظر گرمایش جهانی و تغییر اقلیم مهم می باشد.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

هدف اصلی این مطالعه آشکارسازی رفتار دوره ای خشکسالی های ماهانه ایران است. برای دستیابی به این هدف از آمار بارش ماهانه 41 ایستگاه همدیدی کشور برای یک دوره آماری 31 ساله (2013– 1983) و برای شناسایی فراوانی درجات مختلف خشکسالی ها از شاخص خشکسالی موثر (EDI) استفاده شد. هدف اصلی این شاخص اختصاص یک ارزش عددی به هر رویداد بارندگی در مقیاس زمانی ماهانه می باشد. در تحلیل طیفی و شناسایی دوره های غالب موجود در سری های زمانی خشکسالی ایستگاه های مورد مطالعه از تبدیل فوریه سریع (FFT) تقسیمات بسامدی با مبنای دو استفاده شد. نتایج نشان داد که دوره های غالب موجود در سری های زمانی خشکسالی های ایران بسیار متنوع بوده و از دوره های 2 تا 30 ساله را شامل می شوند. به طور کلی برای دوره های بلندمدت، می توان در کل ایران دو دوره 10 ساله و 30 ساله را به عنوان دوره های غالب در نظر گرفت. در دوره های بلند مدت، فراوانی این دو دوره در مولفه اول بیشینه است و در دو مولفه دیگر کاهش می یابد. اما درخصوص دوره های کوتاه مدت، نمی توان برای کل ایران یک دوره غالب مشخص کرد. نکته حائز اهمیت در مورد دوره های کوتاه مدت عدم وجود دوره های درون سالی، به استثنای یک ایستگاه (ایستگاه بابلسر)، در کل ایستگاه های مورد مطالعه است.

در تصاویر ابرطیفی که توسط سنجنده های از راه دور بدست می آیند، می توان تفکیک بین کلاس ها را دقیق تر و با جزئیات بیشتر بدست آورد. از آنجایی که ابعاد بالای داده ابرطیفی و تعداد کم نمونه های آموزشی، طبقه بندی تصاویر ابرطیفی را مشکل می سازد. به دنبال تکنیک هایی هستیم که در هنگام کمبود تعداد نمونه های آموزشی دقت طبقه بندی قابل قبولی داشته باشد. لذا بکارگیری تکنیک هایی که علاو بر کاهش تعداد نمونه های آموزشی، دقت طبقه بندی را بالاتر ببرد حائز اهمیت می گردد. این مقاله از روش طبقه بند شبکه عصبی در طبقه بندی تصاویر ابرطیفی به کمک ادغام ویژگی طیفی و مکانی در دو روش پشته و روش مبتنی بر گراف دودویی بهره گرفته است. علاوه بر روش متداول پشته یاstack، استفاده از روش گراف دودویی ناحیه ای به منظور ادغام مناسب اطلاعات طیفی و مکانی یک روش مطلوب برای استفاده همزمان از اطلاعات طیفی در کنار اطلاعات مکانی (Feature Fusion) در طبقه بندی تصویر ابرطیفی می باشد. در هریک ازاین روش ها طبقه بند شبکه عصبی روی ویژگیهای طیفی و مکانی به صورت مجزاو ادغام شده بکار گرفته شده است و سپس با عملکرد طبقه بند ماشین بردار پشتیبان در شرایط مشابه مقایسه شده است. نتایج طبقه بندی بیانگر برتری طبقه بند شبکه عصبی است.

متن کامل مقاله های این شماره به زبان انگلیسی می باشد، لطفا برای مشاهده متن کامل مقالات به بخش انگلیسی مراجعه فرمایید.لطفا برای مشاهده متن کامل این مقاله اینجا را کلیک کنید.