محسن عابدی؛ محمد سعادت سرشت؛ رضا شاه حسینی
چکیده
امروزه به روزرسانی اطلاعات در مناطق شهری اهمیت بالایی دارد، زیرا این اطلاعات، اساس بسیاری از کاربردها را فراهم می کند که شامل مطالعات تغییرات پوشش اراضی و مطالعات محیطی است. روش های متعددی برای شناسایی تغییرات با به کارگیری داده های سنجش از دوری توسعه داده شده اند و روش های جدیدی در حال ظهور هستند. در بسیاری از روش ...
بیشتر
امروزه به روزرسانی اطلاعات در مناطق شهری اهمیت بالایی دارد، زیرا این اطلاعات، اساس بسیاری از کاربردها را فراهم می کند که شامل مطالعات تغییرات پوشش اراضی و مطالعات محیطی است. روش های متعددی برای شناسایی تغییرات با به کارگیری داده های سنجش از دوری توسعه داده شده اند و روش های جدیدی در حال ظهور هستند. در بسیاری از روش های شناسایی عوارض زمینی، این عوارض با استفاده از پیش دانسته هایی از جمله ساختار، بافت، خصوصیات بازتابی و غیره شناسایی می شوند. هدف از این تحقیق ارایه روشی برای شناسایی تغییرات ساختمان ها در دو منطقه شهری و در بازه های زمانی 5 ساله و 3 ساله می باشد. در این تحقیق با توجه نوع داده های مورد استفاده و مناطق مورد مطالعه و تراکم ساختمان های شهری، روش شیءمبنا برای طبقه بندی عوارض و شناسایی ساختمان ها استفاده شده است. این روش شیءگرا، قطعه بندی چندمقیاسه است که با استفاده از آن توصیف گرهای مناسب طیفی، بافتی و ساختاری استخراج و با استفاده از روش های فازی، طبقه بندی می شوند و پس از طبقه بندی در دو اپک و استخراج ساختمان های حاصل از طبقه بندی، تغییرات ارتفاعی آنها محاسبه می شود. روش های شناسایی این تغییرات بر مبنای روش مبتنی بر یادگیری عمیق است و ارزیابی آن با استفاده از روش تفاضل DSM می باشد. در روش تفاضل DSM با استفاده از یک حدآستانه ارتفاعی تغییرات شناسایی می شوند، سپس در روش مبتنی بر یادگیری عمیق با استفاده از یک شبکه عصبی کانولوشن بار دیگر با در اختیار داشتن مشخصه های ارتفاعی و داده های واقعیت زمین ایجادشده از شناسایی تغییرات در حالت تفاضلی، این تغییرات ارتفاعی آشکار می شوند و با تغییرات شناسایی شده در روش تفاضلی ارزیابی می شوند. نتایج آزمون ها نشان داد با توجه نوع داده مورد استفاده، منطقه مورد مطالعه و تراکم ساختمان های موجود، حدود 96% ساختمان ها از تصاویر هوایی در گام اول شناسایی و استخراج شدند. همچنین در گام دوم شناسایی تغییرات ساختمانی به روش شبکه عصبی با صحت کلی 90% انجام شده است.
بهرام چوبین؛ کریم سلیمانی؛ محمود حبیب نژاد؛ آرش ملکیان
چکیده
مدیریت آبخیزها نیازمند درک شرایط آبخیزها در حوضه های دارای آمار و فاقد آمار است. شناسایی زیرحوضه های همگن ب همنظور اجرای هماهنگ عملیات آبخیزداری و کنترل سیلاب و نیز اولویت دادن به زیرحوضه ها از اهمیت بسزایی برخوردار است. در این پژوهش به منظور خوشه بندی زیرحوضه های آبخیز کرخه از شاخص های مکانی و فیزیکی (شامل خصوصیات توپوگرافی، مورفولوژیکی، ...
بیشتر
مدیریت آبخیزها نیازمند درک شرایط آبخیزها در حوضه های دارای آمار و فاقد آمار است. شناسایی زیرحوضه های همگن ب همنظور اجرای هماهنگ عملیات آبخیزداری و کنترل سیلاب و نیز اولویت دادن به زیرحوضه ها از اهمیت بسزایی برخوردار است. در این پژوهش به منظور خوشه بندی زیرحوضه های آبخیز کرخه از شاخص های مکانی و فیزیکی (شامل خصوصیات توپوگرافی، مورفولوژیکی، خاک و کاربری اراضی) استفاده شد و تعداد 53 شاخص برای زیرحوضه های کرخه استخراج گردید. برای کاهش تعداد متغیرها تحلیل عاملی به طور جداگانه برای هر گروه از شاخص ها انجام شد. نتایج تحلیل عاملی نشان داد که از بین 53 شاخص فیزیکی- مکانی، 9 شاخص (4 شاخص مورفولوژیکی، 3 شاخص کاربری اراضی و 2 پارامترخاک) دارای بار عاملی بیشتر نسبت به سایر شاخص ها هستند. بنابراین، از بین شاخص مورفولوژیکی، شاخص های سطح حوضه، کشیدگی حوضه، میانگین طول زهکش ها و کل پستی و بلندی؛ از بین شاخص کاربری اراضی، شاخص های درصد سطح مراتع، درصد سطح اراضی کشاورزی و درصد سطح اراضی بایر و از بین پارامترهای خاک، شاخص ظرفیت آب موجود در لایه خاک و شاخص هدایت هیدرولیکی اشباع شده به عنوان شاخص های نهایی جهت گروه بندی زیرحوضه ها انتخاب شدند. بااستفادهازروشفازی (FCM)[1] 38 زیرحوضه مطالعاتی در سه گروه همگن قرار گرفتند. تعداد خوشه‌های بهینه از طریق سعی و خطا و توابع ارزیابی ضریب افزار و آنتروپی افزار تعیین شدند. نتایج نشان داد که گروه های سه گانه شامل زیرحوضه های مناطق شمال شرقی و بخ شهایی از مناطق مرکزی حوضه کرخه (گروه 1)،مناطق شمال غربی- جنوب شرقی به همراه مناطق جنوبی حوضه کرخه (گروه 2) و مناطق مرکزی و بخشهایی از مناطق جنوب غربی حوضه کرخه (گروه 3) رادربرمیگیرند. تفکیک یک حوضه به زیرحوض هها و گروه بندی آنها در دسته های مشابه از نظر خصوصیات مشابه می تواند به عنوان روشی در جهت اجرای عملیات آبخیزداری، کنترل سیلاب و اولویت قائل شدن برای زیرحوضه های بحرانی به کار گرفته شود.
5- Fuzzy C-Mean
