پیکسل های مخلوط، دقت کلی نقشه های پوششی تهیه شده از تصاویر سنجش از دور با قدرت تفکیک مکانی مختلف را تحت تاثیر قرار می دهند. یکی از الگوریتم هایی که در سال های اخیر به منظور حل مشکل پیکسل های مخلوط ارائه شده است تکنیک تهیه نقشه در سطح زیرپیکسل نرم-سپس-سخت موسوم به STHSRM (Soft-Then-Hard Super resolution mapping)است. در این تکنیک ابتدا با توجه به ضریب بزرگنمایی، هر یک از پیکسل های تصویر اولیه به تعدادی زیرپیکسل تقسیم، و برای هر یک از آن ها مقدار شاخصی تخمین زده می شود؛ سپس با مقایسه این مقادیر، برچسب زیرپیکسل ها مشخص می گردد. مدل جذب مکانی با تخمین میزان جاذبه میان زیرپیکسل ها و پیکسل های همسایه یکی از روش های محاسبه مقدار شاخص زیرپیکسل ها است. تکنیک برچسب گذاری در واحد کلاس (Unit Of Class) نیز از جمله روش های برچسب گذاری زیرپیکسل ها است، که براساس ترتیب کلاسی تعریف شده به مقایسه مقادیر شاخص زیرپیکسل ها در هر یک از کلاس های حاضر در سطح پیکسل مخلوط و برچسب گذاری آنها می پردازد. تحقیق حاضر، با توسعه مدل جذب مکانی و تعریف مدل جذب مکانی-طیفی و همچنین ارائه روش برچسب گذاری نوین مبتنی بر تکنیک (Unit Of Class) UOC، به تعیین بهترین حالت ممکن آرایش مکانی زیرپیکسل ها پرداخته است. روش برچسب گذاری پیشنهادی با تعریف تابع هزینه و محاسبه هزینه متناظر با آرایش مکانی زیرپیکسل ها در حالات مختلف ترتیب کلاسی، حالت بهینه جانمایی زیرپیکسل ها را تعیین می کند. پیاده سازی این مدل بر روی دو تصویر Worldview-3 و ROSIS-03 و مقایسه نتایج آن با روش های پیشین تهیه نقشه در سطح زیرپیکسل نرم-سپس-سخت گویای بهبود دقت نقشه تهیه شده در سطح زیرپیکسل با روش پیشنهادی به ویژه در عوارض خطی و مرز کلاس ها است. مقدار بهبود شاخص کاپا اصلاح شده الگوریتم پیشنهادی نسبت به مدل جذب مکانی همراه با روش برچسب گذاری در واحد کلاس تطبیقی (AUOC) در ضریب بزرگنمایی2، به ترتیب برای تصاویر مذکور 053/0 و 032/0 است.

آشکارسازی طیفی کانی ها با استفاده از تصاویر چند طیفی سنجنده ها، به منظور شناسایی و اکتشاف کانی های هر منطقه با بهره گیری از رفتارهای منحصربه فرد کانی ها شیوه ای نوین در زمینه علوم محیطی محسوب می گردد. تحقیق حاضر با استفاده از داده های سنجنده لندست 8 و با روش های مختلف پیکسل مبنا و زیرپیکسل مبنا مانند روش نسبت گیری باندی، آنالیز مولفه های انتخابی) کروستا (، نقشه بردار زاویه طیفی (SAM)، برازش مشخصه طیفی (SFF)، روش ACE و فیلتر انطباقی تعدیل یافته (MTMF) به مطالعه و شناسایی زون های دگرسانی در منطقه تنگ بستانک در استان فارس می پردازد. انجام پردازش های لازم و استفاده از تکنیک های ذکرشده منجر به شناسایی دگرسانی های مختلفی ازجمله آرژیلیک، فیلیک و پروپلیتیک شده است. همچنین در این تحقیق با در دست داشتن نقشه واقعیت زمینی منطقه دولومیتی از سطح منطقه، دقت های طبقه بندی از جمله دقت کلی، کاپا، دقت ناظر و دقت تولیدکننده محاسبه گشت. همچنین با استفاده از نمونه برداری تصادفی از سطح منطقه و انجام آزمایش ICP-MASS، مجموع مربعات باقیمانده برای هر کدام از روش های پیکسل مبنا و زیرپیکسل مبنا محاسبه و آنالیز XRD جهت تدقیق نتایج شناسایی اهداف با استفاده از نمونه برداری تصادفی روی مناطق مختلف انجام شد. نتایج نشان داد روش SFF با مجموع مربعات باقیمانده 1.5 و ضریب کایا و کلی 0.679 و 84.8 بیشترین دقت در شناسایی زون های دگرسانی و روش PCA با مجموع مربعات باقیمانده 3.46 و ضریب کاپا و کلی 0.279 و 44.4 کمترین دقت را در شناسایی این مناطق دارد. همچنین بعد از گزینش مناسب ترین روش شناسایی مساحت مناطق مختلف محاسبه گشت که مناطق دولومیتی، کلسیتی و کوارتز (سیلیسی) به ترتیب با 37.144، 33.32 و 27.86 کیلومترمربع بیشترین مساحت از سطح منطقه مورد مطالعه را به خود اختصاص داده اند.

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

آشکارسازی عوارض در سطح زیر پیکسل، یکی از مسائلی است که در سال های اخیر و در زمینه های مختلف کاربردی مطرح بوده و با توجه به ضعف توان تفکیک مکانی در بسیاری از سنجنده های ابرطیفی، روشی کارآمد معرفی شده است. ازجمله اطلاعات بسیار با ارزش در زمینه اکتشاف های معدنی، تفکیک واحدهای دگرسانی در هر منطقه است. در این پژوهش برای تهیه نقشه نواحی دگرسان، از منطقه آتشفشان مزاحم شهر بابک در ایران مرکزی و تصاویر سنجنده ابرطیفی هایپریون استفاده شده است و پس از حذف باندهای بد و پیکسل های معیوب، دو مرحله دیگر شامل حذف راه راه شدگی های تصویری و انحنای طیفی روی تصویر اعمال شد و در ادامه تصحیحات اتمسفری و هندسی روی آن انجام گرفت. سپس به منظور کاهش ابعاد داده ها از تبدیل حداقل سازی نویز روی تصاویر سنجنده هایپریون استفاده شد و به کمک فیلتر سازگاریافته تنظیم اختلاط و تحلیلی ابرداده های حاصل از ارزش های فراوانی اهداف و مقادیر ناممکن، حد آستانه های لازم برای استخراج اهداف به کار گرفته و به این ترتیب نقشه نواحی دگرسان به دست آمد. به منظور ارزیابی عملکرد روش مطرح شده از روش زیرپیکسل طیفی خطی و گزارش های موجود از منطقه مورد مطالعه استفاده شد. نتایج نشان دادند که روش آشکارسازی فیلتر سازگاریافته تنظیم اختلاط در قالب الگوریتم مطرح شده، به میزان 20 درصد دقت بهتری نسبت به روش زیرپیکسل طیفی خطی از خود ارائه کرده است. این بهبود در آشکارسازی به وسیله الگوریتم مطرح شده، در حد آستانه های مختلف نیز نتایج بهتری نسبت به زیرپیکسل طیفی خطی از خود نشان داد و مقادیر کاذب مثبت کمتری تولید کرد. افزون بر این، نتایج طبقه بندی نشان دادند که بخش عمده دگرسانی ها در ناحیه مرکزی آتشفشان مزاحم قرار گرفته و نواحی اطراف آن را دو ناحیه دگرسانی با شدت های کمتر دربرگرفته است.

تحقیقات مختلفی برای افزایش دقت مکانی تصاویر با هدف تجزیه پیکسل های مخلوط در سنجش از دور انجام شده است. این روش ها و مشکلات پیش رو در این تحقیق بررسی خواهند شد. در ادامه مبحث جدیدی برای افزایش دقت مکانی تصاویر پیشنهاد خواهد شد. در این روش یک تصویر با دقت مکانی کمتر، از تصویر ورودی استخراج می شود که همانند یک جدول جستجو عمل می کند. با تعریف یک معیار برای شباهت بهینه پیکسل ها در دو تصویر، برای هر پیکسل از تصویر ورودی یک پیکسل مشابه در جدول جستجو می یابیم. نشان خواهیم داد که پیکسل های مشابه در دو تصویر، دارای یک ساختار مشابه از زیرپیکسل های تشکیل دهنده آن پیکسل می باشند. با استفاده از این روش هر پیکسل مخلوط به تعدادی زیرپیکسل که اغلب خالص هستند، تجزیه خواهد شد. شبیه سازی های انجام شده بر روی اطلاعات ساختگی و واقعی نشان دهنده بهبود شاخصهای طبقه بندی توسط روش پیشنهادی و تجزیه بهتر پیکسل های مخلوط، نسبت به روش های قابل مقایسه است.

در این تحقیق از مدل جاذبه به منظور افزایش قدرت تفکیک مکانی DEM در دریاچه ی کوثر استفاده شد. مدل جاذبه در زیر پیکسل ها بر اساس مقادیر پیکسل های همسایه و تأثیر آن ها روی زیرپیکسل های یک پیکسل مرکزی می باشد. در این تحقیق از دو مدل همسایگی پیکسل های مماس و مدل همسایگی چهارگانه به منظور تخمین مقادیر زیر پیکسل ها استفاده شد. هر مدل دارای پیکسل های همسایه ی متفاوت اند که به کمک آن ها مقادیر جاذبه ی هر زیر پیکسل محاسبه می شود. پس از تولید تصاویر خروجی برای زیرپیکسل ها در مقیاس های 2، 3، 4 با همسایگی های متفاوت، بهترین مقیاس با مناسب ترین نوع همسایگی با استفاده از نقاط کنترل زمینی تعیین شد و مقادیر RMSE برای آن ها محاسبه شد. به منظور مقایسه ی صحت نتایج استخراج شده از مدل رقومی ارتفاع زمین، با استفاده از تصاویر لندست 8 شاخص NDVIاستخراج شد. سپس مرز دریاچه با استفاده از این شاخص به دست آمده است. نتایج نشان داد که با استفاده از مدل جاذبه، دقت و صحت تصاویر خروجی بهبود بخشیده شده و همچنین قدرت تفکیک مکانی آن ها نیز افزایش پیدا می کند.

قابلیت شناسایی ماهیتی پوشش های سطح در تصاویر ابرطیفی به نحو قابل توجهی فراهم شده است. دراین تصاویر طیف بازتابی سطح در محدوده مرئی و مادون قرمز نزدیک طیف الکترومغناطیس در باندهای بسیار باریک و پیوسته ثبت می شود. اما به دلایلی ازجمله وجود پیکسل های مخلوط و پایین بودن قدرت تفکیک مکانی این تصاویر، شناسایی دقیق موقعیتی پوشش های سطح در آنها دشوار است. روش های طبقه بندی نرم امکان برآورد سهم طبقه ها رادر داخل پیکسل های مخلوط فراهم می آورد، اما بااستفاده ازاین روش ها تنها اطلاعات ماهیتی درسطح زیرپیکسل تولید شده و آرایش مکانی طبقه ها نامعلوم باقی می ماند. جهت حل این مشکل، روش هایی بانام SRM ارائه شده که مقادیر عضویت حاصل از طبقه بندی نرم رادر زیرپیکسل ها جانمایی کرده و نقشه پوششی با توان تفکیک بالاتری تولید می کند. در این مقاله، از روش معاوضه پیکسلی، به عنوان یکی از الگوریتم های SRM استفاده و با تکرار آن برای هر طبقه، حالت چندکلاسه آن ایجاد شد. نکته اساسی که در طبقه بندی زیرپیکسلی مطرح می شود، ارزیابی این نوع طبقه بندی کنندهها است، که به دلیل اثرگذاری پارامترهای متنوع در طبقه بندی زیرپیکسلی، پیچیده است. از این رو به عنوان فعالیتی اصلی و نوآورانه اثرگذاری دو پارامتر سطح همسایگی و ضریب بزرگ نمایی در روش معاوضه پیکسلی تعمیم، شبیه سازی و تحلیل شده است. برای این منظور چارچوبی برای ارزیابی عملکرد طبقه بندی زیرپیکسلی، به دو صورت مستقل از خطای طبقه بندی نرم و وابسته به آن، پیشنهاد شد.