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.

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.

امروزه تصویربرداری ابرطیفی به منظور طبقه بندی داده های سطح زمین با دقت و جزئیات بالا بسیار مورد توجه است. به دلیل کمبود نمونه آموزشی در دسترس، کاهش ابعاد داده ابرطیفی به عنوان یک گام مهم پیش پردازش در تحلیل و طبقه بندی تصاویر ابرطیفی به شمار می رود. در این مقاله یک روش استخراج ویژگی پیشنهاد شده که سعی می کند، علاوه بر افزایش جدایی پذیری طبقه ها، ساختار داده را نیز حفظ کند. برای این منظور، دو تابع هدف پیشنهاد شده است. تابع هدف نخست از نمونه های آموزشی برچسب دار بهره می برد و سعی می کند نمونه های هم طبقه را در فضای کاهش یافته تا جای ممکن به هم نزدیک کند. تابع هدف دوم از نمونه های بدون برچسب خوشه بندی شده بهره برده و سعی می کند نمونه های متعلق به یک خوشه را در فضای کاهش یافته، تا جای ممکن به هم نزدیک گرداند. روش پیشنهادی بر روی سه داده ابرطیفی واقعی مورد آزمایش قرار گرفته و برتری آن از نظر دقت طبقه بندی نسبت به تعدادی از روش های پرکاربرد استخراج ویژگی نشان داده شده است.

در این مقاله، پژوهشی نوین از تلفیق داده های ابرطیفی و لیدار را برای تشخیص و استخراج عوارض ساختمانی، با استفاده از الگوریتم یادگیری ماشین، بررسی کردیم. مجموعه داده هایی که بنیاد ملی علوم (NSF) در اختیار گذاشته (این بنیاد را مرکز ارزیابی لیزر هوایی(NCALM) تأسیس کرده است) و پیش تر، دانشگاه هیوستن در منطقة مجاور شهری به کار گرفته است مورد استفاده قرار گرفت. در این روش، ابتدا، فرض بر آن است که، با تلفیق داده های فراطیفی و لیدار که هریک توانایی استخراج برخی از ویژگی های عوارض ساختمانی را دارد، می توان همان عارضه را، با دقت و صحت بیشتری، استخراج کرد. اعمال روش یادگیری ماشین روی داده های ابرطیفی تصویرِ سطح بندی شده از عوارض ساختمانی و دیگر عوارض را ایجاد خواهد کرد. پس از اعمال سطح بندی، روش پیشنهادی و دیگر روش های موجود در این زمینه مقایسه می شوند تا کیفیت روش پیشنهادی مشخص شود. چنین مقایسه ای نیازمند بررسی تعدادی پارامتر ارزیابی است که، در قسمت کنترل کیفیت، مطرح خواهند شد. به هرحال، دقت به دست آمده از نتایج روش انجام گرفته در این مقاله برابر با 56/95%، میزان کامل بودن 100%، صحت کلی 66/98% و ضریب کاپا برابر با 9430/0 محاسبه شد. هدف این مقاله استخراج خودکار ساختمان های موجود در داده های ابرطیفی هوایی و لیدار دریافت شده از یک منطقه (automation)، استخراج حداکثر تعداد ساختمان های موجود در تصاویر نام برده شده (completeness) و افزایش دقت و صحت در استخراج ساختمان (accuracy and precision) بوده است که، براساس نتایج حاصل از پارامترهای ارزیابی، محقق شده اند.

معمولا کمبود عنصر یا عناصر غذائی در خاک بصورت کود اضافه می گردد. عدم وجود کود به میزان کافی ممکن است به ایجاد تنش هایی در گیاهان و در نتیجه کاهش محصول بیانجامد. بر طبق پژوهش های کشاورزی، خاک های شامل مقدار نیتروژن کلی 0.1- 0.15 درصد به عنوان خاک های با نیتروژن نرمال درنظر گرفته می شود. خاک های با نیتروژن بیش از 0.15 درصد به عنوان خاک های غنی از نیتروژن می باشد. داشتن اطلاعات دقیق و بهنگام در این رابطه می تواند در بالا بردن بهره زمین های کشاورزی موثر باشد. استفاده از کارشناسان و آزمایشگاه ها برای اندازه گیری میزان کود می تواند بسیار پرهزینه و وقت گیر باشد. فنآوری سنجش از دور که عموما بر اساس رفتار طیفی مواد عمل می کند، بعضا اطلاعات قابل قبولی را در مقیاسی بسیار وسیع تولید می نماید. هدف از این پژوهش، تولید الگوریتمی با استفاده از رفتار طیفی خاک ها برای تعیین نسبی محتوای کود در خاک های کشاورزی است. برای اینکار از رفتار طیفی مواد افزودنی به خاک و همچنین رفتار طیفی خاک های کشاورزی استفاده گردید. در این پژوهش با استفاده از رفتار طیفی نیتروژن موجود در کودهای ازته همچون نیترات آمونیوم و سولفات آمونیوم و همچنین طیف خاک های مساعد کشاورزی مانند خاک لوم شنی در محدوده فروسرخ (2500-1000) نانومتر، داده هایی شبیه سازی گردید. سپس خصوصیات محتوای خاک توسط یک مدل تطبیق طیفی (Spectral matching) مورد ارزیابی قرار گرفت. ارزیابی مدل حکایت از همبستگی بالا بین میزان واقعی مواد موجود در خاک و میزان برآورد شده دارد که در شرایط موجود بسیار ارزشمند است. در این پژوهش عدم قطعیت ها نیز مورد بحث و بررسی قرار گرفته است.

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.

یکی از پرکاربردترین روش های طبقه بندی نظارت شده، روش بیشترین احتمال است که در آن، به منظور طبقه بندی از پارامترهایی آماری مانند ماتریس واریانس کوواریانس استفاده می شود. در تصاویر ماهواره ای ابرطیفی، به علت محدودیت نمونه های آموزشی و ابعاد بالای طیفی (زیاد بودن تعداد باندها)، احتمال یکتا شدن ماتریس های برآورد شده و یا کاهش دقت طبقه بندی وجود دارد. به منظور حل این مشکل از روش های مختلفی همچون کاهش تعداد ویژگی ها (کاهش تعداد باندهای استفاده شده) و یا ترکیب طبقه بندی کننده ها استفاده می گردد. در این پژوهش از تلفیق این دو روش استفاده شده است، بدین ترتیب که برای کاهش ابعاد، روش استخراج ویژگی غیرپارامتریک وزن دار به علت مزایای متعدد آن به کار رفته است؛ و در مورد ترکیب طبقه بندی کننده ها برای ایجاد ترکیبات مناسب از طبقه بندی کننده ها، از روش تغییر ویژگی های ورودی و روش استخراج ویژگی بر مبنای کلاس استفاده شده است. همچنین در ترکیب خروجی طبقه بندی کننده ها، از روش های سطح اندازه گیری استفاده شده است. تصویر ابرطیفی مورد استفاده در این پژوهش، تصویر سنجنده AVIRIS مربوط به منطقه ای جنگلی / کشاورزی در شمال ایالت ایندیانا در امریکاست. پس از پیاده سازی روش استخراج ویژگی غیرپارامتریک وزن دار، دقت طبقه بندی کلی 85.67 درصد حاصل گردید. در ترکیب طبقه بندی کننده ها، دقت طبقه بندی کلی 89.26 درصد و در روش پیشنهادی دقت طبقه بندی کلی 89.34 درصد به دست آمد، که در قیاس با دو روش تشکیل دهنده آن، دقت طبقه بندی بهبود یافته است. به رغم کم بودن میزان بهبود دقت، به علت کاهش پیچیدگی محاسبات و همچنین امکان انجام محاسبات موازی، روش پیشنهادی در این پژوهش مناسب تر به نظر می رسد.