دورسنجی
حسین نساری؛ رضا شاه حسینی؛ امیررضا گودرزی؛ سهیل سبحان اردکانی؛ سعید فرزانه
چکیده
محصولات عمق نوری ریزگرد اتمسفری (AOD) مبتنی بر ماهواره‌های در حال گردش مانند MODIS، VIIRS و NOAA میتوانند توزیع روزانه AOD جهانی و منطقه ای را ارائه دهند. کاربرد آنها برای نظارت بر کیفیت هوا در مقیاس های محلی مانند محیط های شهری به دلیل قدرت تفکیک مکانی پایین آنها محدود است. اخیراً، علاقه فزایندهای به بازیابی محصولات AOD بر اساس تصاویر ...
بیشتر
محصولات عمق نوری ریزگرد اتمسفری (AOD) مبتنی بر ماهواره‌های در حال گردش مانند MODIS، VIIRS و NOAA میتوانند توزیع روزانه AOD جهانی و منطقه ای را ارائه دهند. کاربرد آنها برای نظارت بر کیفیت هوا در مقیاس های محلی مانند محیط های شهری به دلیل قدرت تفکیک مکانی پایین آنها محدود است. اخیراً، علاقه فزایندهای به بازیابی محصولات AOD بر اساس تصاویر نوری با قدرت تفکیک بالا شکل گرفته است. هدف اصلی این پژوهش، ارزیابی بازیابی AOD در مناطق شهری با استفاده از تصاویر ماهواره‌ای با قدرت تفکیک مکانی بالا است. با فرض سطح لامبرتی، اصل بازیابی AOD توسعه یافته بر اساس تئوری انتقال تابشی با استفاده از معادله Tanré می باشد. برای حل معادله انتقال تابشی، مطالعه حاضر مدل انتقال تابشی شبیه‌سازی دوم سیگنال ماهواره‌ای در طیف خورشیدی (6S) را اتخاذ و یک جدول جستجو را با فرض یک مدل ریزگرد قاره‌ای ساخت. بازتاب سطح زمین در کل دوره مطالعه با استفاده از Landsat 8 OLI برای دوره 2016-2015 تنوع بسیار کمی به صورت ماهانه نشان داد. بازیابی AOD با مقایسه بازتاب TOA اندازه گیری شده و شبیه سازی شده انجام گرفت. اعتبارسنجی با استفاده از یک سایت زمینی مستقر در پشت بام مرکز منطقه ای هواشناسی با نام Tamanrasset_INM واقع در منطقه تامنراست، الجزایر انجام شد. اعتبارسنجی نشان می دهد که روش بازیابی AOD منجر به خطای استاندارد 0.1068 می شود و با برابر با 70.9% همبستگی خوبی نشان می دهد.
دورسنجی
مهدیه فتحی؛ رضا شاه حسینی
چکیده
برنج اصلی ترین محصول غذایی بیش از نیمی از مردم جهان است. نظارت بر سطح زیر کشت محصول برنج، نقش مهمی در برنامه ریزی های کشاورزی دارد. امروزه می توان با تکیه بر فنآوری سنجش از دور و روش های یادگیری ماشین، روش های مدیریتی را بهبود بخشید. تحقیق فوق با هدف شناسایی برنج در سال 2020 به کمک نقشه های سری زمانی شاخص های NDVI ...
بیشتر
برنج اصلی ترین محصول غذایی بیش از نیمی از مردم جهان است. نظارت بر سطح زیر کشت محصول برنج، نقش مهمی در برنامه ریزی های کشاورزی دارد. امروزه می توان با تکیه بر فنآوری سنجش از دور و روش های یادگیری ماشین، روش های مدیریتی را بهبود بخشید. تحقیق فوق با هدف شناسایی برنج در سال 2020 به کمک نقشه های سری زمانی شاخص های NDVI و LST استخراج شده از تصاویر لندست-8، با الگوریتم SVM در ایالت کالیفرنیا، انجام گرفته است. یکی از انگیزه های اصلی این تحقیق، بررسی قابلیت های نقشه های سری زمانی شاخص LST در کنار نقشه های سری زمانی شاخص NDVI به منظور بهبود دقت شناسایی مزارع برنج ، با الگوریتم SVM است. در گام اول از روش پیشنهادی پس از اخذ سری زمانی تصاویر لندست-8 و انجام تصحیحات رادیومتری و اتمسفری، نقشه های سری زمانی دو شاخص NDVI و LST تولید شد. در گام دوم، شناسایی مزارع برنج با الگوریتم طبقه بندی SVM در دو سناریوی وجود یا عدم وجود نقشه ی سری زمانی LST در کنار نقشه ی سری زمانی NDVI پیشنهاد شد. در نهایت از الگوریتم های طبقه بندی نزدیکترین همسایگی، درخت تصمیم گیری، رگرسیون لجستیک و پرسپکترون چند لایه برای مقایسه ی روش پیشنهادی استفاده شد. نتایج حاصل از شاخص پیشنهادی باعث بهبود دقت کلی به مقدار متوسط 3.572 درصد و ضریب کاپا به مقدار متوسط 7.112 درصد در روش های شناسایی مزارع برنج هنگام بکار گیری همزمان نقشه های سری زمانی شاخص LST و NDVI با کاهش خطای نوع اول به کمک استخراج ویژگی های فصل رشد حرارتی (حذف کلاس های غیر برنج همچون پنبه، لوبیای سبز و ... از کلاس برنج) شد. همچنین الگوریتم ماشین بردار پشتیبان، بالاترین دقت کلی 94.28 درصد و ضریب کاپای 88.29 درصد را در شناسایی مزارع برنج از سایر مزارع کشاورزی، در مقایسه با سایر روش های مقایسه ای نشان داد. نتایج حاصل از روش های مقایسه ای کارآیی پایین الگوریتم درخت تصمیم گیری را در شناسایی لبه های مزارع برنج، نشان داد.
