محبوبه محمدیوسفی بهلولی احمدی؛ عبدالرضا صفری؛ آناهیتا شهبازی
چکیده
میدان ثقل جهانی معمولاً توسط توابع پایهی هارمونیک کروی تا درجه معینی از قدرت تفکیک طیفی و مکانی مدل میشود. توزیع غیریکنواخت و کیفیت متفاوت دادهها، این توابع را در مدلسازی محلی میدان ثقل محدود میکند. این توابع بیشتر خاصیت جهانی میدان ثقل را نمایش میدهند و برای نمایش فرکانسهای پایین میدان ثقل مناسب هستند. در کاربردهای محلی، ...
بیشتر
میدان ثقل جهانی معمولاً توسط توابع پایهی هارمونیک کروی تا درجه معینی از قدرت تفکیک طیفی و مکانی مدل میشود. توزیع غیریکنواخت و کیفیت متفاوت دادهها، این توابع را در مدلسازی محلی میدان ثقل محدود میکند. این توابع بیشتر خاصیت جهانی میدان ثقل را نمایش میدهند و برای نمایش فرکانسهای پایین میدان ثقل مناسب هستند. در کاربردهای محلی، توابع پایهی شعاعی بر روی سطح کره با برخورداری از خاصیت محمل شبه محلی میتوانند به عنوان جایگزین مناسبی برای هارمونیکهای کروی استفاده شده و میدان گرانی زمین را تا درجهی بالایی از قدرت تفکیک طیفی و مکانی تقریب زنند. این مدلهای محلی معمولاً دقت بهتری در محل مورد نظر نسبت به مدلهای جهانی دارند. توابع پایهی شعاعی کروی معمولاً بر روی کره متعامد نیستند که این امر منجر به پیچیدگی بیشتر مسئله میشود. در این مقاله، عملکرد انواع مختلف توابع پایهی شعاعی کروی شامل کرنل جرم نقطهای، چندقطبی شعاعی، کرنل پواسن و ویولت پواسن در مدلسازی محلی میدان ثقل زمین با استفاده از دادههای شتاب گرانی در منطقهی فارس ساحلی مقایسه شده است. برای حل مسئلهی معکوس غیرخطی مدلسازی میدان گرانی زمین با استفاده از توابع پایهی شعاعی کروی، تکنیک "کمترین مربعات" به کار رفته است. بدین منظور، الگوریتم بهینهسازی لونبرگ-مارکواردت طی یک پروسهی تکراری با مینیمم کردن اختلاف بین مقادیر مشاهداتی و مقادیر مدل شده، پارامترهای مدلسازی را تخمین میزند. این پارامترها شامل تعداد، مکان، عمق و ضرایب مقیاس توابع پایه شعاعی هستند. به منظور افزایش کارایی عددی الگوریتم لونبرگ- مارکواردت در حل مسئلهی مدلسازی میدانگرانی، مقدار اولیهی پارامتر پایدارسازی از طریق رابطهای بر مبنای ژاکوبین تابع هدف تعیین و روشی برای به هنگامسازی این پارامتر ارائه شده است. نتایج این تحقیق نشان میدهد که در صورت انتخاب عمق مناسب توابع پایه، دقت مدلسازی محلی میدان گرانی برای انواع توابع پایهی شعاعی مورد بررسی تقریباً یکسان خواهد بود.
داود اکبری؛ عبدالرضا صفری؛ سعید همایونی
چکیده
فنآوری سنجش از دور ابرطیفی دارای کاربردهای فراوان در طبقه بندی پوشش های زمین و بررسی تغییرات آنها است. معمولترین روش جهت طبقهبندی تصاویر ابرطیفی، طبقه بندی مبتنی بر پیکسل بوده که در آن هر پیکسل فقط با اطلاعات طیفی خود و بدون در نظر گرفتن پیکسل های همسایه، به کلاس مشخصی اختصاص می یابد. پیشرفتهای اخیر و ایجاد تصاویری با قدرت تفکیک ...
بیشتر
فنآوری سنجش از دور ابرطیفی دارای کاربردهای فراوان در طبقه بندی پوشش های زمین و بررسی تغییرات آنها است. معمولترین روش جهت طبقهبندی تصاویر ابرطیفی، طبقه بندی مبتنی بر پیکسل بوده که در آن هر پیکسل فقط با اطلاعات طیفی خود و بدون در نظر گرفتن پیکسل های همسایه، به کلاس مشخصی اختصاص می یابد. پیشرفتهای اخیر و ایجاد تصاویری با قدرت تفکیک مکانی بالا، لزوم استفاده توأم از اطلاعات طیفی و مکانی را در طبقه بندی تصاویر ابرطیفی ایجاب می کند. در این تحقیق روشی جدید برای طبقه بندی طیفی-مکانی تصاویر ابرطیفی و بر اساس الگوریتم قطعه بندی هرمیمبتنی بر نشانه معرفی میشود. در میان الگوریتمهای مختلف طبقهبندی طیفی-مکانی تصاویر ابرطیفی، تاکنون الگوریتم قطعهبندی هرمی مبتنی بر نشانه در ترکیب با الگوریتم طبقه بندی ماشین بردار پشتیبان به بهترین نتایج دست یافته است. در روش پیشنهادی برای انتخاب نشانهها از ترکیب قطعهبندی واترشد (Watershed)و طبقهبندی ماشین بردار پشتیبان استفاده میشود. برای این منظور از میان پیکسلهای با بیشترین جمعیت برای هر ناحیه از نقشه قطعهبندی، آنهایی که دارای بالاترین درجه تعلق به یک کلاس هستند، به عنوان نشانه انتخاب میگردند. سپس بر روی نشانه های بدست آمده، الگوریتم قطعهبندی هرمی پیادهسازی میشود. در نهایت نقشه قطعه بندی بدست آمده به کمک قانون تصمیم رأی اکثریت با نقشه طبقهبندی ماشین بردار پشتیبان ترکیب می گردد. روش پیشنهادی بر روی سه تصویر ابرطیفی Pavia، Berlin و DC Mall پیادهسازی شد، نتایج آزمایشات بدست آمده برتری روش پیشنهادی را در مقایسه با الگوریتم هرمی مبتنی بر نشانه اولیه نشان میدهد. این برتری برابر با 4، 6 و 5 درصد در پارامتر ضریب کاپا و به ترتیب برای تصاویر Pavia، Berlin و DC Mall میباشد.
فریدون نوبخت ارسی؛ عبدالرضا صفری؛ محمدعلی شریفی
چکیده
هدف اصلی مقاله حاضر، استفاده از مدلهای احتمال اتورگرسیو میانگین متحرک(ARMA) به منظور مدلسازی سری زمانی موقعیت روزانه ایستگاه دائمی GPS میباشد. موقعیتهای روزانه ایستگاه دائمی LLAS در منطقه کالیفرنیای جنوبی از شبکه SCIGN با پوشش زمانی هفت سال از ژانویه 2000 تا دسامبر 2006 جهت ایجاد سری زمانی موقعیت و آنالیز آن انتخاب گردیده است. براساس سری ...
بیشتر
هدف اصلی مقاله حاضر، استفاده از مدلهای احتمال اتورگرسیو میانگین متحرک(ARMA) به منظور مدلسازی سری زمانی موقعیت روزانه ایستگاه دائمی GPS میباشد. موقعیتهای روزانه ایستگاه دائمی LLAS در منطقه کالیفرنیای جنوبی از شبکه SCIGN با پوشش زمانی هفت سال از ژانویه 2000 تا دسامبر 2006 جهت ایجاد سری زمانی موقعیت و آنالیز آن انتخاب گردیده است. براساس سری زمانی موقعیت روزانه و استفاده از روش کمترین مربعات وزندار، پارامترهای ژئودتیکی مانند: ترند خطی، نوسانات سالیانه و نیم سالیانه و نیز آفستها به طور همزمان برای ایستگاه دائمی LLAS برآورد شدهاند. در این مطالعه، توابع خود همبستگی(ACF) و خودهمبستگی جزئی(PACF)،به عنوان ابزارهای مطالعاتی برای شناسایی رفتار سری زمانی موقعیت روزانه ایستگاه دائمی GPS مورد استفاده قرار میگیرند و امکان بررسی وابستگی دادههای روزانه سری زمانی موقعیت را فراهم مینمایند. با توجه به اینکه ممکن است چند مدل احتمالاتی متفاوت برای یک سری زمانی موقعیت روزانه مناسب باشند، لذا محک اطلاعات آکاییک در مرحله شناسایی و انتخاب مدل مفید، مورد استفاده قرار گرفته است.در این مطالعه، نتایج عددی نشان میدهند که بهترین مدل احتمالاتی اتورگرسیو میانگین متحرک برای ایستگاه دائمی LLAS از مرتبه (1,1) برای جهت N میباشد. همچنین مدل احتمالاتی (ARMA(2,1 برای جهت E مناسب ترین مدل میباشد در حالی که برای جهت U مدل احتمالاتی (ARMA(1,2 بهترین مدل است. بعد از برآورد یک مدل احتمالاتی مناسب برای سری زمانی موقعیت روزانه ایستگاه دائمی GPS، میتوان آن سری زمانی موقعیت را همراه با ترند و مؤلفههای فصلی پیشبینی کرد.