داده¬های پلاریمتری به دلیل وجود اطلاعاتی به مراتب بیشتر نسبت به داده¬های معمولی sar نقش مهمی در تعیین پوشش زمین و همچنین مدیریت محیط زیست ایفا کرده¬اند؛ با توجه به این مطلب در این تحقیق، هدف طبقه¬بندی پوشش زمین با استفاده از داده¬های پلاریمتری (polsar) در نظر گرفته شد. برای رسیدن به این هدف الگوریتم¬های بسیاری تحت عنوان الگوریتم¬های تجزیه جهت استخراج اطلاعات از این تصاویر ارائه شده است و خروجی این الگوریتم¬ها به عنوان داده¬های ورودی الگوریتم¬های طبقه¬بندی مورد استفاده قرار گرفته است. مشکل عمده الگوریتم¬های طبقه¬بندی تصاویر پلاریمتری استفاده از تعداد ویژگی¬های محدود به یکی از الگوریتم¬های تجزیه می¬باشد؛ لذا در این پژوهش سعی شده است که از تمام اطلاعات استخراج شده از الگوریتم¬های تجزیه استفاده شود. برای این منظور ابتدا با استفاده از الگوریتم¬های تجزیه همدوس و ناهمدوس ویژگی¬هایی برای فرآیند طبقه¬بندی استخراج شد، سپس ویژگی¬های بهینه با استفاده از الگوریتم ژنتیک بدست آمد. در ادامه این ویژگی¬های بهینه به عنوان ورودی الگوریتم پس انتشار خطا در نظر گرفته شد. علاوه براین الگوریتم¬های نظارت شده مانند الگوریتم بیشترین شباهت، الگوریتم کمترین فاصله و الگوریتم پس انتشار خطا و الگوریتم نظارت نشده مانند الگوریتم¬های k-means, fcm و som جهت طبقه بندی تصاویر پلاریمتری sar بکار گرفته شدند. در این الگوریتمها ویژگی-های مختلفی برای طبقه بندی در نظر گرفته شدند. از آنجایی که الگوریتم¬های نظارت نشده قادر به تعیین برچسب پیکسل¬ها نیستند از الگوریتم پس انتشار خطا برای تعیین برچسب پیکسل¬ها استفاده شد. برای ارزیابی و تست الگوریتم¬های طبقه¬بندی از تصویر پلاریمتری شهر سانفرانسیسکو مربوط به سنجنده هوابرد airsar و تصویر پلاریمتری شهر مونترال مربوط به سنجنده هوابرد convair استفاده شد. نتایج حاصل نشان می¬دهند که ترکیب الگوریتم ژنتیک و الگوریتم پس انتشار خطا دارای دقتی به مراتب بالاتر از دیگر الگوریتم¬های طبقه¬بندی به ازای ویژگی¬های مختلف می¬باشد، همچنین از میان الگوریتم¬های نظارت نشده الگوریتم som دارای دقت بالاتری است.

منطقه مختاران واقع در جنوب شهرستان بیرجند، با دارا بودن شاخص های کنترل کننده کانی سازی های مس پورفیری و طلای اپی ترمال، منطقه مناسبی جهت پی جویی این کانی های فلزی محسوب می شود. از مهمترین این شاخص ها، وجود دگرسانی های گرمابی و نزدیکی به عوارض ساختاری از جمله خطوار ه ها و گسل ها می باشد. در این پایان نامه از تصاویر ماهواره ای etm+ و aster برای بارزسازی دگرسانی های هیدروکسیل دار (آرژیلیک و سریسیتیک)، پروپیلیتیک و حاوی اکسید آهن استفاده شده است. روش های مختلف از جمله ترکیب رنگی باندها، نسبت باندی، تحلیل استاندارد و انتخابی مولفه های اصلی (pca)، طبقه بندی نظارت شده ماکزیمم شباهت، و یا ترکیبی از این روش ها برای بارزسازی این دگرسانی ها مورد استفاده قرار گرفته اند. در روش ترکیب رنگی باندها برای نمایش بهترین ترکیب از فاکتوری با نام فاکتور شاخص بهینه (oif) استفاده شده است که با توجه به میزان همبستگی میان باندها و انحراف معیارشان، مناسب ترین ترکیب 3 تایی را برای انتخاب می کند. نسبت باندی 1/3 تصویر etm+ برای دگرسانی های اکسید آهن دار، روش pca انتخابی 4 باندی تصویر aster برای دگرسانی های هیدروکسیل دار و نسبت باندی 8/(9+7) برای دگرسانی پروپیلیتیک بهترین نتایج را ایجاد کردند. در این پایان نامه همچنین با استفاده از اعمال فیلتر های جهت دار مختلف به تصویر باند 8 سنجنده etm+ خطوار ه های موجود در منطقه مختاران استخراج شده است. به منظور تهیه نقشه های پتانسیل معدنی با استفاده از gis، نتایج بدست آمده به صورت لایه های اطلاعاتی شاخص کنترل کننده کانی سازی مس پورفیری و طلای اپی ترمال ذخیره شده اند. این لایه های اطلاعاتی با استفاده از روش همپوشانی شاخص وزن دار با لایه های اطلاعاتی دیگر شامل سنگ منشأ، سنگ میزبان و گسل ها تلفیق شده و نقشه پتانسیل معدنی کانی های مس پورفیری و طلای اپی ترمال در منطقه مختاران را تولید کرده اند. در نهایت بازدید صحرایی از منطقه مختاران صحت نتایج بدست آمده را تایید کرد.

شناسایی و تفکیک محصولات کشاورزی بعنوان یکی از پایه ای ترین فعالیت های حوزه کشاورزی مطرح می باشد. این امر بعنوان مقدمه اصلی در تخمین سطح زیر کشت و میزان محصولات بوده که بعنوان اطلاعات اصلی مورد نیاز در مدیریت منابع کشاورزی مطرح می باشند. در این تحقیق از تصاویر چند زمانی سنجنده liss iii ماهواره irs-p6 جهت تفکیک محصولات در قالب چهار حالت کلی، بصورت روش های مبتنی بر ورودی های تک زمانی، روش های مبتنی بر ورودی های چند زمانی، روش های مبتنی بر ورودی های بهینه چند زمانی و روش های سلسله مراتبی استفاده شده است. همچنین در این تحقیق از چهار طبقه بندی کننده کمترین فاصله، بیشترین شباهت، فازی ساده و شبکه های عصبی بعنوان ابزارهای هر روش مورد استفاده قرار گرفته شده است. در روش های تک زمانی، بر اساس نتایج بدست آمده در این تحقیق، طبقه بندی کننده بیشترین شباهت نسبت به سایر طبقه بندی کننده ها از دقت بهتری (کاپای 0.66) برخوردار است. با این وجود از دقت مناسبی جهت شناسایی و تفکیک محصولات برخوردار نمی باشد. از طرفی بدلیل تغییرات طیفی محصولات در طول دوره رشد(مطابق با تغییرات بیولوژیکی محصول) بکارگیری تصاویر چند زمانی مطابق با تقویم زراعی محصولات، نقش مهمی را در تفکیک محصولات ایفا می نماید. بطوری که میزان دقت طبقه بندی به روش بیشترین شباهت و شبکه های عصبی با ورودی های چند زمانی به 0.80 می رسد. با این وجود مشکل اصلی روش های چند زمانی آماری، افزایش وابستگی بین ویژگی های مقاطع مختلف زمانی و برای شبکه های عصبی همگرایی ناقص است. در مورد شبکه های عصبی می توان با بهینه سازی پارمترهای شبکه عصبی به دقت بهتری دست پیدا کرد. براساس نتایج حاصله در این تحقیق، تعداد نرون های لایه میانی و ترتیب معرفی نمونه های آموزشی بیشترین اثر را در همگرایی دارند که با بهینه سازی این پارمترها دقت طبقه بندی شبکه عصبی به 0.84 می رسد. برای بکارگیری از قابلیت دادهای چند زمانی در روش های آماری و فازی، می بایست برای هر طبقه بندی کننده ورودی های بهینه انتخاب شوند. براساس نتایج حاصله در این تحقیق، الگوریتم ژنتیک با معیار شایستگی کاپا بهترین عملکرد را در انتخاب ورودی های بهینه نسبت به روش های ترتیبی داراست. بهترین دقت با ورودی های بهینه طیفی مربوط به طبقه بندی کننده بیشترین شباهت (081) است که همچنان از دقت مناسبی جهت تفکیک محصولات برخوردار نمی باشد. لذا می توان از توانایی شاخص های گیاهی، مولفه های اصلی بهمراه دادهای طیفی جهت تفکیک محصولات استفاده کرد. در این صورت بهترین دقت مربوط به طبقه بندی کننده فازی ساده (کاپای 0.88) با ورودی های بهینه شده از تمامی ویژگی ها است. با این وجود در تمامی روش ها، ورودی های بهینه برای تمامی کلاس ها بطور یکسان در نظر گرفته شده است که این برخلاف واقعیت است. بنابراین در روش فازی ساده به منظور بهره گیری از دقت بهتر، بجای بهینه سازی ورودی های برای تمامی کلاس ها از بهینه سازی ویژگی های کلاسی استفاده شده است. که در نتیجه دقت 0.92 حاصل شد. یکی دیگر از روش های تفکیک محصولات استفاده از روش های سلسله مراتبی است که امکان بکارگیری از چندین طبقه بندی کننده و ویژگی های مختلف را در سطوح مختلف فراهم می نماید. به این منظور میتوان از روش های درختی و ماسکینگ استفاده کرد. در روش های درختی می توان به دو صورت آستانه گذاری یا طبقه بندی کننده در هر گره بهره برد که دراین میان روش طبقه بندی کننده کمترین فاصله درهر گره نسبت به فازی ساده و آستانه گذاری از دقت (0.91) بهتری در این تحقیق برخوردار شده است. بر اساس نتایج حاصله در این تحقیق بهترین تفکیک پذیری بین محصولات کشاورزی در میان تمامی روش های ذکر شده مربوط به روش ماسکینگ با طبقه بندی کننده فازی ساده (کاپای 0.93) است که اکثر جفت کلاس های مشابه از یکدیگر بخوبی تفکیک شده اند.

جامعه ی بشری به دلیل استفاده ی غیرمنطقی ا نسان از منابع طبیعی، با تهدیدهای بی سابقه ای مواجه است. انسان به طور فزاینده ای به دنبال استفاده از ظرفیت های جهان برای انجام فعالیت های خود است و به طور آشکار باعث کاهش و از بین بردن اکوسیستم های طبیعی و گونه های شده است. در این میان بی شک سنجش از دور به عنوان یکی از ابزارهای ضروری برای تعیین تغییرات در اشکال گوناگون تنوع بیولوژیکی، در طول زمان مطرح است. روش های زیادی برای تعیین تغییرات در جنگل ها و مناطق حفاظت شده، با استفاده از تصاویر ماهواره ای وجود دارد. در این تحقیق پس از معرفی روش های مختلف تعیین تغییرات و بیان معایب و مزایای هرکدام، با استفاده از روش amuse تغییرات منطقه ی جنگلی و حفاظت شده ی پارک ملی گلستان را مورد بررسی قرار خواهیم داد. این روش نخستین بار در سال 2009، توسط fraser ارائه شد و توسط سازمان حفاظت از پارک های ملی و مناطق حفاظت شده کانادا، در پارک های کانادا و به هدف حفظ و صیانت از پارک های ملی، پیاده سازی شد. هدف این مطالعه بومی سازی روش amuse، برای پارک های ملی ایران است. عوامل تنش زای داخلی و خارجی بسیاری که این مناطق حفاظت شده بسیار مهم را تحت تاثیر قرار می دهد، انگیزه بومی سازی این روش در کشف تغییرات پارک های ملی است. در روش amuse، از متد آنالیز بردار تغییرات (cva) برای تعیین وقوع تغییر و از signature extension برای تعیین ماهیت تغییر استفاده شد. همچنین بررسی پارامتر های بومی سازی در دقت روش نیز مدنظر قرار گرفته است. ورودی های این تحقیق دو تصویر لندست از منطقه ی مربوط به سال های 1998 و 2010 است که تغییرات در این بازه ی زمانی به روش اتوماتیک، با دقت 75% مشخص شده است و نتیجه این کشف تغییرات مشخص کردن مناطقی است که بنا به دلایل طبیعی و یا غیر طبیعی دچار تخریب شده اند، تا بتوان با هشدار های بهنگام جلوی تخریب بیشتر این گنجینه طبیعی را گرفت. کلمات کلیدی: signature extension، cva، amuse، تغییر بیولوژیک

فشرده سازی هنر و علم ذخیره سازی داده ها در حجمی کمتر می باشد و در دنیای پردازش تصاویر دیجیتالی، فشرده سازی تصاویر یکی از پرکاربردترین و موفق ترین تکنولوژی ها می باشد. فشرده سازی تصاویر می تواند lossy یا lossless باشد. در اکثر تصاویر سنجش از دوری که تصاویر حجم وسیعی از اطلاعات را دارا می باشد، از دست رفتن اطلاعات قابل قبول نیست. بنابراین استفاده از الگوریتم های lossless یا visually lossless در فشرده سازی تصاویر سنجش از دور، ترجیح داده می شود. در این پایان نامه، دو روش فشرده سازی برای تصاویر ماهواره ای معرفی گردید. در رابطه با روش اول، یک روش جدید برای فشرده سازی تصاویر سنجش از دوری با تکیه بر حفظ داده معرفی شد. روش فشرده سازی پیشنهادی بر اساس یک روش انتقال جدید و کد گذاری هافمن بهینه شده توسعه داده شد. در این پایان نامه، روش انتقال جدید بر مبنای استفاده از پیش بینی کننده ها استوار می باشد. روش پیشنهادی برای انتقال تصاویر سنجش از دوری به دلیل توانایی آن در کاهش افزونگی داده و پایین بودن پیچیدگی محاسباتی مناسب می باشد. روش انتقال جدید قابلیت پیش بینی روش dpcmرا تقویت می کند و سبب رسیدن به میزان فشردگی انرژی بالاتر و مقدار آنتروپی پایین تر می شود. بعد از اثبات توانایی روش جدید با ترکیب روش پیشنهادی انتقال با روش کدگذاری هافمن بهینه شده به یک روش قدرتمند فشرده سازی lossless رسیدیم. روش فشرده سازی معرفی شده دارای پیچیدگی پایین و مناسب برای پیاده سازی سخت افزاری می باشد. در ادامه روش پیشنهادی فشرده سازی بر روی انواع داده ها (تصاویر رستری لیدار، تصاوی سنجش از دوری و تصاویر مرجع پردازش تصاویر) اعمال شد و نتایج حاصل با روش های دیگر مقایسه شد. نرخ فشرده سازی، جایگاه و سادگی به عنوان سه معیار برای ارزیابی روش های مختلف انتخاب شد. روش پیشنهادی از نقطه نظر نرخ فشرده سازی کارا و از لحاظ پیچیدگی محاسباتی بسیار ساده بود. در نتیجه روش پیشنهادی قابلیت فشرده سازی تصاویر سنجش از دور را دارا می باشد. به عبارت دیگر، به دلیل سادگی و کارایی الگوریتم پیشنهادی، این روش برای کاربردهای بلادرنگ که نیاز به پیاده سازی سخت افزاری می باشد مناسب است. در ادامه، به دلیل وابستگی بالای باندهای همسایه و گرایش به رسیدن به یک نرخ فشرده سازی بالاتر، روش های سازگار برای فشرده سازی تصاویر ابرطیفی معرفی گردید. این روش ها بر اساس ماهیت آنها از روش های متفاوت فشرده سازی lossless، visually lossless و فشرده ساختن باند های خراب در 10 بایت استفاده میکرد. باندهای خراب پس از آنالیزهای هیستوگرام از باندهای غیر خراب جدا می شد. سپس برای تفکیک باندهای غیر خراب و فشرده سازی آنها به دو صورت lossless و visually lossless از الگوریتم بهینه سازی پیشنهادی bhgapso استفاده شد. روش visually lossless پیشنهادی به گونه ای عمل میکند که تصاویر فشرده شده پس از مرحله دوبارهسازی از لحاظ بصری lossless بوده و عینا شبیه تصویر اولیه باشد. روش های سازگار پیشنهادی در این پایان نامه یا کاملا lossless بوده و یا برای فشرده سازی برخی از باند ها به صورت visually lossless عمل می کند. سپس در روش دوم از دو شاخص نرخ فشرده سازی و نسبت سیگنال به نویز برای ارزیابی باندهایی که به صورت visually lossless فشرده شده بود استفاده شد. مقدار بالای نسبت سیگنال به نویز گویای قدرت روش فشرده سازی پیشنهادی و شباهت بالای تصویر ورودی و تصویر دوباره سازی شده بود. از مزایای استفاده از روش دوم، رسیدن به نرخ فشرده سازی بسیار بالا می باشد. لازم به ذکر است که روش بهینه سازی پیشنهادی (bhgapso) از ga در پیدا کردن نتایج بهتر در تکرارهای کمتر بهتر عمل کرده است.

با توجه به افزایش روزافزون جمعیت جهان و به تبع آن گسترش دامنه تاثیر مناطق شهری، کنترل، مدیریت و برنامه ریزی در این مناطق به موضوع مهم و پیچیده ای تبدیل شده است. روش های سنتی استخراج اطلاعات از قبیل تفسیر بصری تصاویر هوایی و روش های برداشت زمینی، اغلب پرهزینه، وقت گیر و وابسته به نوع و کیفیت مهارت اپراتور هستند. با ظهور تصاویر بزرگ مقیاس ماهواره ای، از قبیل ikonos و quickbird فرصتها و امکانات فراوانی جهت بررسی و آنالیز نواحی شهری، فراهم شده است. در کشور ما ایران، به علت رشد ناهمگون نواحی شهری، استخراج این اطلاعات دارای دشواری دو چندانی است. در این پایان نامه منطقه مورد مطالعه، از یک منطقه پیچیده و متراکم از شهر شیراز انتخاب شد. هدف این انتخاب، ارائه راه حلی برای تولید اطلاعات در اینگونه مناطق است که تقریبا بخش اعظمی از ایران عزیز را شامل می شوند. گرچه مطالعات شهری برای بیشتر محققان جذاب است اما این نواحی پیچیده و چالش انگیزاند. خوشبینانه است که فرض کنیم یک سنجنده به تنهایی می تواند همه ی اطلاعات لازم جهت استخراج جز به جز المانهای شهری را فراهم کند. بیشتر تحقیقات در تلاش است تا تصاویر چندمرجعه را بر نواحی شهری ترکیب کنند. بنابراین، روش های تلفیق تصویر در سه سطح پیکسل، ویژگی و تصمیم گیری توسعه یافت. در کاربردهای مختلف و به منظور دریافت اطلاعات خاص از تصویر تلفیقی، از روشهای تلفیق در سطح ویژگی و تصمیم گیری استفاده میشود. روشهای تلفیق در سطح پیکسل، به علت گستردگی و سادگی استفاده و همچنین، با توجه به اینکه میتواند به عنوان پایه و اساس الگوریتم های تلفیق در سطح ویژگی و تصمیم گیری باشند، مورد توجه بیشتری قرار گرفته اند. روش ihs یکی از معروفترین روشهای تلفیق است که به علت کارایی و توان تفکیک مکانی بالای خروجی بسیار استفاده می شود. گرچه، خروجی این روش به علت جایگزینی تصویر شدت با تصویر پانکروماتیک انحراف طیفی دارد. در این تحقیق، یک روش جدید برای بهبود کیفیت طیفی تصویر تلفیقی معرفی می شود. در روش پیشنهادی، تصویر با رزولوشن مکانی بالاتر (hr) و تصویر شدت بر اساس اطلاعات آماری شان تلفیق می شوند. سپس تصویر تلفیقی جایگزین تصویر شدت شده و تبدیل معکوس ihs اعمال می شود. روش پیشنهادی بر دو مجموعه داده الف) تصاویر چندطیفی و پانکروماتیک سنجنده آیکونوس، ب) تصویر چندطیفی سنجنده آیکونوس و تصویر hh سنجنده terrasar-x اعمال شد. جهت ارزیابی قابلیت روش پیشنهادی، روش های ihs، gungor، brovey و svr نیز پیاده سازی شد. نتایج، انحراف طیفی کمتر روش پیشنهادی نسبت به دیگر روش های پیاده سازی شده را نشان می دهد. جهت مقایسه اثر تلفیق، تصاویر تلفیقی به روش پیشنهادی با هر دو مجموعه داده الف و ب، طبقه بندی شدند. نتایج، بترتیب افزایش 6/5 و 2 درصدی دقت کلی طبقه بندی در تصویر تلفیقی با دو مجموعه داده الف و ب را نشان می دهد.

کشاورزی به عنوان یکی از اساسی‏ترین نیازهای هر کشور، مطرح است. مدیریت صحیح این بخش یکی از مهترین راه کارها در زمینه افزایش بهروری کشاورزی هر کشور محسوب می‏شود. سنجش از دور به عنوان ابزاری جهت تولید اطلاعات جامع و با استفاده از فن آوری ماهواره‏ای برای مدیریت یکپارچه و جامع کشاورزی مطرح می‏شود. تشخیص نوع محصولات کشاورزی با استفاده از تصاویر ماهواره‏ای و با کمترین سطح نیاز به دست‏رسی مستقیم به زمین‏های کشاورزی موجب کاهش چشمگیر هزینه‏ها در بخش مدیریت کشاورزی در سطح کلان جهت تعیین سطح زیر کشت انواع محصولات کشاورزی می‏شود. از میان روش‏های مختلف تشخیص نوع محصولات کشاورزی، آنچه مناسب‏ترین روش برای کشور ایران با توجه به موقعیت جغرافیایی و سیاسی آن به نظر می‏‏رسد، استفاده از تصاویر اپتیکی چند زمانه مطابق با دوره تقویم زراعی محصولات منطقه مورد مطالعه است. استفاده از تصاویر چند طیفی چند زمانه راه کاری است که پیش از این تحقیقات جامعی بر روی آن انجام پذیرفته است. آنچه در این تحقیق مورد نظر است افزایش دقت تفکیک محصولات کشاورزی یک منطقه با استفاده از اطلاعات مرز زمین‏های کشاورزی استخراج شده از تصویر با قدرت تفکیک مکانی بالا است. در واقع الگوریتم پیشنهادی در این تحقیق اضافه کردن یک مرحله پردازش بر روی نتایج طبقه‏بندی کننده‏های آماری و غیرآماری نظیر طبقه‏بندی کننده بیشترین شباهت و طبقه‏بندی کننده شبکه عصبی در کلاس‏بندی زمین‏های کشاورزی می‏باشد. در الگوریتم پیشنهادی به هر زمین کشاورزی به عنوان یک واحد جداگانه نگاه شده و پس از پردازش پیکسل‏مبنای هر زمین کشاورزی، کلاسی که بیشترین پوشش را در سطح زمین مورد بررسی داشته باشد تعیین کننده نوع محصول آن مزرعه می‏باشد. در واقع مرز زمین‏های کشاورزی از تصویر با قدرت تفکیک مکانی بالا استخراج شده و نوع محصول پیکسل‏مبنا نیز با استفاده از تصاویر چند طیفی چند زمانه مشخص می‏گردد و الگوریتم پیشنهادی با تلفیق این دو داده به طبقه‏بندی شیء‏مبنای تصویر می‏پردازد. با استفاده از الگوریتم پیشنهادی، شاهد افزایش دقت 12% درصدی در زمینه تفکیک محصولات کشاورزی هستیم که دقت تفکیک محصولات کشاورزی را از 80% به 92% افزایش داده است. واژگان کلیدی: سطح زیر کشت، تفکیک محصولات کشاورزی، طبقه‏بندی پیکسل‏مبنا، طبقه‏بندی شیء‏مبنا، تصاویر اپتیکی، طبقه‏بندی شبکه عصبی، طبقه‏بندی بیشترین شباهت

چکیده با توجه به تشکیل شدن اکثر زیست توده جنگل ها از کربن و اهمیت نقش منابع کربن در تغییرات آب و هوا، تخمین دقیق زیست توده به منظور ارزیابی منابع کربن، مقدار انرژی ذخیره شده در جنگل ها، میزان چوب و همچنین تغییرات زیست محیطی بسیار مورد توجه می باشد. محدودیت، زمانبر بودن و سختی جمع آوری داده های زمینی در اندازه گیری های زمینی بسیار حائز اهمیت بوده و برای مناطق با وسعت بالا فوق العاده سخت و پر هزینه می باشد. این چالش ها موجب تحولی شگرف در استفاده از تکنیک های سنجش دوری شد. همچنین زیست توده تحت تاثیر عوامل مختلف جغرافیایی و محیطی بوده و تخمین زیست توده به کمک سنجش از دور، به مسئله پیچیده ای تبدیل شده است. در این تحقیق مروری بر روش ها و مطالعات صورت گرفته در مورد برآورد زیست توده انجام شد. نهایتاً با در نظر داشتن پیچیدگی تخمین زیست توده و منطقه مورد مطالعه، استفاده از تصویر اپتیک alos avnir-2 شامل 4 باند و تصویر راداری alos palsar با دو پلاریزاسیون hh , hv مد نظر قرار گرفت. از داده های زمینی 246 پلات برای بررسی و ارزیابی نتایج استفاده شد. داده های زمینی شامل مقدار زیست توده در این پلات ها بود که با اندازه گیری های زمینی و معادلات مربوطه محاسبه شده است. از تصاویر مورد استفاده در این تحقیق، ویژگی هایی اعم از نسبت گیری باندی، شاخص های گیاهی و اندازه گیری های بافت از محدوده 246 پلات استخراج شده است. انتخاب بهترین ویژگی ها جهت تخمین زیست توده از بین چندین وِیژگی استخراج شده از تصاویر، از اهمیت ویژه ای برخوردار است. ویژگی های انتخابی باید وابستگی بالا با زیست توده و وابستگی کمی با یکدیگر داشته باشند. یک الگوریتم بهینه سازی همانند الگوریتم ژنتیک توانایی بسزایی در انتخاب بهترین ویژگی ها با توجه به معیارگفته شده دارد. مجموعاً 5 ویژگی، سه ویژگی از تصویر اپتیک و 2 ویژگی از تصویر رادار انتخاب شدند. شبکه های عصبی قابلیت بالایی در ترکیب اطلاعات با توزیع آماری متفاوت و از منابع مختلف را دارند. با توجه به اینکه ویژگی های انتخابی از دو سنجنده متفاوت می باشند، جهت ترکیب آن ها از یک شبکه عصبی سه لایه mlpn، با یک لایه ورودی، یک لایه میانی و یک لایه خروجی استفاده شد. در پایان نتایج بدست آمده مورد ارزیابی قرار گرفته و راهکارها و پیشنهاد هایی جهت کارایی بیشتر الگوریتم و بهبود دقت نتایج ارائه شد.

با توجه به لزوم به روز رسانی مکرر سنجنده های ماهواره ای و تصاویر به دست آمده از آن ها، توجه به روش های کالیبراسیون کم هزینه حتی با دقتی کمتر رو به افزایش است. تصاویر حاصل از ماهواره لندست به دلیل دقت تفکیک مکانی متوسط و پوشش زمینی گسترده، در تهیه نقشه های پوششی از طریق سنجش از دور و دیگر تحقیقات در زمینه تغییرات جهانی اهمیت بسیاری دارد. در این تحقیق هدف، کالیبراسیون تصاویر سنجنده tm ماهواره لندست با عدم قطعیت 4.6% از طریق مرجع قرار دادن تصاویر سنجنده etm+ با عدم قطعیت 2.9% و تصحیح ضرایب کالیبراسیون این سنجنده در هر باند است. این کار با استفاده از روش بازتاب مبنا بر روی باندهای خورشیدی (باندهای 1-5 و 7) تصاویر به دست آمده از سایت کالیبراسیون rvpn در روز 1 ژوئن 1999 دو سنجنده صورت گرفت. از آنجا که مقادیر تابش بالای سطح اتمسفر و خروجی رقومی متناظر سنجنده از طریق ضرایب کالیبراسیون آن سنجنده همبسته هستند، جهت تصحیح ضرایب کالیبراسیون سنجنده tm، به تصحیح تابش بالای سطح اتمسفر این سنجنده توسط تابش بالای سطح اتمسفر به دست آمده از سنجنده etm+ می پردازیم. جهت مقایسه مقادیر دو سنجنده و تصحیح مقادیر تابش سنجنده tm، نیاز است تا بازتاب بالای سطح اتمسفر دو سنجنده را در هر باند داشته باشیم. سپس با انجام تصحیحات تابع توزیع بازتاب دوراستایی، به مقدار بازتاب تصحیح شده برای سنجنده tm می رسیم. برای اطمینان از صحت روش و ارزیابی نتایج به دست آمده، به مقایسه بازتاب های بالای سطح اتمسفر تصحیح شده با بازتاب های متناظر به دست آمده از روش کالیبراسیون بین سنجنده ای با زمان پشت سر هم که توسط teillet و همکارانش در سال 2001 صورت گرفته، برداشت های زمینی و بازتاب های سنجنده etm+ می پردازیم. در نهایت از طریق روابط موجود، از بازتاب به دست آمده، تابش بالای سطح اتمسفر و ضرایب کالیبراسیون تصحیح شده برای سنجنده tm در هر باند محاسبه می گردد. در تحقیقات بعدی این ضرایب می تواند جایگزین ضرایب حاصل از کالیبراسیون پیش از پرتاب و حین پرتاب شود. در کالیبراسیون بین سنجنده ای با استفاده از روش بازتاب مبنا، اثر زاویه زنیت خورشیدی به دلیل اختلاف زمانی میان کسب اطلاعات حذف می شود و مقادیر اختلاف چگالی تابش خورشیدی خارج از اتمسفر حاصل باندهای طیفی متفاوت جبران می گردد. در این تحقیق با ارزیابی نتایج توسط داده های بازتاب زمینی تصحیح اتمسفری شده، نشان داده شد، عدم قطعیت بازتاب تصحیح شده از طریق روش باقیمانده ارائه شده در این تحقیق 3.3% است که نسبت به عدم قطعیت 3.8% بدست آمده از روش کالیبراسیون بین سنجنده ای با استفاده از تصاویر پشت سرهم، نتایج بهتری حاصل می گردد. علاوه بر اینکه با توجه به فرض های صورت گرفته در روش کالیبراسیون با استفاده از تصاویر پشت سرهم، این روش تنها در مورد تصاویر با اختلاف زمانی کمتر از یک ساعت به کار می رود، در صورتی که روش ارائه شده در این تحقیق در مورد تصاویر با اختلاف زمانی بیشتر حتی تا 1 روز نیز کاربرد دارد و دارای مراحل کمتر، ساده تر و درنتیجه صرف زمان کمتری است. همچنین در این پروژه، از میان دو روش نسبت و باقیمانده، جهت برقراری رابطه میان مقادیر بازتاب و توابع توزیع بازتاب دوراستایی دو سنجنده، روش باقیمانده دارای دقت بالاتری است.

استفاده از داده‏های چند کاناله سنجنده‏های رادار با روزنه مجازی (sar ) به دلیل مستقل بودن از شرایط جوی و نور خورشید و نیز دارا بودن قابلیت بالا در استخراج تغییرات در مقایسه با حالت تک کاناله، در کاربردهای مختلفی مانند نظارت بر محیط زیست و مدیریت بلایای طبیعی بسیار توجیه‏پذیر است. با این حال، بهره‏برداری از این قابلیت‏ها نیازمند استفاده از روش‏های دقیق و اتوماتیک برای تولید نقشه‏های تغییرات از تصاویر اخذ شده از منطقه جغرافیایی یکسان، در پلاریزاسیون‏ها و یا فرکانس‏های مختلف مربوط به زمان‏های متفاوت می‏باشد. از طرف دیگر، در نظرگرفتن وابستگی مکانی مابین پیکسل‏های همسایه می‏تواند به حذف خطاهای برچسب‏گذاری پیکسل‏های منفرد کمک کرده و نقشه تغییرات را بهبود ‏بخشد. حذف نویز نقطه‏ای و ماهیت ایزوتروپیک مدل‏سازی میدان‏های تصادفی مارکوف، موجب نرم شدن مرزهای مکانی بین مناطق تغییریافته و تغییرنیافته در نقشه تغییرات نهایی می‏گردد. به منظور حذف یا حتی‏الامکان کاهش این اثر نامطلوب، استفاده از مدل‏ مارکوف در راستای دخیل نمودن اطلاعات لبه‏ها‏ در فرآیند برچسب‏گذاری پیشنهاد می‏گردد. این روند موجب بهبود دقت لبه‏ها در محل مرزهای مکانی شده و دقت آشکارسازی تغییرات را ارتقاء می‏بخشد. در این تحقیق، یک مدل مارکوف به منظور تشخیص نظارت‏نشده تغییرات از طریق ترکیب اطلاعات موجود در هر یک از کانال‏هایsar ، اطلاعات بافت مکانی و نیز اطلاعات لبه معرفی شده و با استفاده از "توابع انرژی" فرموله شده است. به منظور برآورد پارامترهای مدل، الگوریتم‏ بیشینه‏سازی امید ریاضی( em) با روش مشتقات لگاریتمی (molc ) ترکیب شده است. الگوریتم پیشنهادی با داده‏های واقعی و نیمه‏شبیه‏سازی شده asar-envisat ارزیابی شده است. بر اساس نتایج، اضافه نمودن اطلاعات لبه برای داده‏های نیمه‏شبیه‏سازی‏شده، دقت کلی را به طور متوسط 12% و برای داده‏های واقعی به طور متوسط 6% افزایش داده است. الگوریتم پیشنهادی قابلیت شناسایی هر سه نوع تغییرات (کم- متوسط- زیاد) را دارا می‏باشد، این در حالی است که با در نظر گرفتن اطلاعات باندها و بافت مکانی، قدرت شناسایی تغییرات کم و متوسط بسیار پایین برآورد شده است. همچنین با توجه به تعداد دفعات تکرار پایین، زمان اجرای الگوریتم تا حد بالایی کاهش یافته است.

یکی از چالش‏های بسیار مهم در تهیه نقشه پوشش اراضی با استفاده از تصاویر سنجش از دور، مشکل مربوط به پیکسل‏های مخلوط می‏باشد. با توسعه روش‏های تجزیه اختلاط طیفی و طبقه‏بندی کننده‏های نرم، امکان برآورد سهم کلاس‏ها در سطح زیرپیکسل فراهم آمده و برچسب‏های چندگانه به پیکسل‏ها اختصاص داده می‏شود. با این وجود، تولید نقشه پوششی در سطح زیرپیکسل نیازمند جانمایی مکانی زیرپیکسل‏ها می‏باشد. در سال‏های اخیر، روش‏های تهیه نقشه در سطح زیرپیکسل (srm) توسعه یافته‏اند که با استفاده از نتایج طبقه‏بندی کننده‏های نرم و بهره‏گیری از مفاهیم وابستگی مکانی، آرایش مکانی زیرپیکسل‏ها را بهینه‏سازی می‏نمایند.‏ در تحقیق حاضر، دو الگوریتم معاوضه پیکسلی و شبیه‏سازی تبرید جهت تهیه نقشه پوشش اراضی در سطح زیرپیکسل مورد بحث و بررسی قرار گرفته است. در این راستا، الگوریتم باینری معاوضه پیکسلی برای حالت چندمتغیری توسعه داده شده و تأثیر پارامترهای مختلف مانند ضریب بزرگنمایی، سطح همسایگی و تابع وزن در عملکرد این الگوریتم بررسی شده است. همچنین یک روش نوین برای جانمایی اولیه غیرتصادفی زیرپیکسل‏ها و در نتیجه کاهش حجم محاسبات در الگوریتم معاوضه پیکسلی ارائه شده است. از طرف دیگر با بررسی الگوریتم شبیه‏سازی تبرید، یک مکانیزم نوین در این روش برای تولید جواب‏های جدید در هر مرحله از الگوریتم پیشنهاد شده و با نتایج روش موجود مقایسه شده است. همچنین پارامترهای موثر بر عملکرد این الگوریتم مانند ضریب بزرگنمایی، نوع تابع خنک‏سازی و تکرارهای ایستا و پویا مورد بحث و بررسی قرار گرفته است. لازم به ذکر است که به منظور تأمین ورودی هر یک از الگوریتم‏ها، از مدل اختلاط طیفی خطی (lsmm) استفاده شده و بدین منظور یک روش نوین برای بهینه‏سازی نتایج شاخص درجه خلوص پیکسلی (ppi) در استخراج عناصر خالص ارائه گردیده است. برای ارزیابی دقت هر یک از الگوریتم‏های srm، دو حالت مستقل از خطای طبقه‏بندی نرم و وابسته به آن لحاظ شده است. بر اساس نتایج تحقیق، دقت کلی الگوریتم‏های srm به طور قابل توجهی به دقت ورودی الگوریتم (نتایج طبقه‏بندی نرم) وابسته می‏باشد. همچنین مشخص گردید که با افزایش ضریب بزرگنمایی، دقت کلی الگوریتم‏ها کاهش می‏یابد. همچنین سطح همسایگی دوم و توابع معکوس و مجذور معکوس فاصله، بیشترین دقت را در الگوریتم معاوضه پیکسلی به همراه دارند. روش پیشنهادی برای جانمایی اولیه غیرتصادفی زیرپیکسل‏ها نیز تا حدود 20 درصد سرعت محاسبات را بهبود داده است. در مورد الگوریتم شبیه‏سازی تبرید، تابع خنک‏سازی هندسی به لحاظ دقت و زمان اجرای الگوریتم، به عنوان تابع بهینه انتخاب شده است. از طرف دیگر، تکرارهای پویا نیز دقت بیشتری را نسبت به حالت ایستا به همراه داشته است. به عنوان دستآورد مهم تحقیق، روش پیشنهادی برای تولید جواب‏های جدید در الگوریتم شبیه‏سازی تبرید دقت کلی را نسبت به روش موجود افزایش داده و همچنین زمان اجرای الگوریتم را تا بیش از 50 درصد کاهش داده است. به طور کلی دقت الگوریتم‏های معاوضه پیکسلی و شبیه‏سازی تبرید تقریبا یکسان بوده و روش پیشنهادی برای شبیه‏سازی تبرید اندکی از دقت بالایی برخوردار می‏باشد. اما سرعت محاسباتی الگوریتم معاوضه پیکسلی به مراتب بیشتر از الگوریتم‏های پایه و پیشنهادی شبیه‏سازی تبرید می‏باشد. به طور کلی با در نظر گرفتن ضریب بزرگنمایی کمتر از 3 در هر دو الگوریتم و در حالت مستقل از خطای طبقه‏بندی نرم دقت کلی در حدود 95 درصد و در حالت وابسته به خطای طبقه‏بندی نرم در حدود 85 درصد برآورد گردید.

طبقه بندی پوشش زمین بویژه در مناطق شهری یکی از مهم ترین کاربردهای تصاویر پلاریمتری sar (polsar) محسوب می شود. به منظور استفاده از پتانسیل بالای اطلاعاتی این تصاویر ویژگی های متعددی را می توان از آن ها استخراج کرد. اگرچه هر یک از این ویژگی ها می تواند اطلاعات مناسبی را درباره عوارض مختلف فراهم کند ولی هیچ یک به تنهایی برای توصیف کامل یک عارضه کافی نمی باشد و از طرفی امکان استفاده از تمامی ویژگی ها وجود ندارد. بنابراین انتخاب ویژگی نقش مهمی در طبقه بندی تصاویر پلاریمتری ایفا می کند. هدف از این تحقیق، تعیین زیرمجموعه ویژگی بهینه از داده پلاریمتری به منظور بهبود طبقه بندی پوشش زمینی می باشد. در این راستا سه گام اساسی در طبقه بندی اتخاذ شده است: 1) استخراج ویژگی در قالب سه گروه ویژگی های داده اصلی، ویژگی های تجزیه هدف، و تفکیک کننده های polsar؛ 2) انتخاب ویژگی در چارچوب بهینه سازی تک هدفه و چند هدفه؛ و 3) طبقه بندی با استفاده از ویژگی های انتخابی بهینه. در انتخاب ویژگی تک هدفه، روش های تلفیقی از الگوریتم ژنتیک (ga) و شبکه های عصبی پرسپترون چند لایه (mlp) و همچنین ماشین های بردار پشتیبان (svms) به منظور بیشینه کردن دقت طبقه بندی بکار گرفته شد. در انتخاب ویژگی چند هدفه به منظور کمینه سازی خطای طبقه بندی و همزمان تعداد ویژگی های انتخابی polsar، الگوریتم ژنتیک با مرتب سازی نامغلوب 2 (nsga-ii) در مرحله جستجو و دو طبقه بندی کننده ماشین بردار پشتیبان و سیستم استنتاج عصبی- فازی تطبیقی (anfis) در مرحله ارزیابی مورد استفاده قرار گرفت. برای بررسی عملکرد الگوریتم ها از تصویر پلاریمتری شهر سانفرانسیسکو مربوط به سنجنده فضابرد رادارست 2 استفاده شد. نتایج حاصل کارایی برتر ا لگوریتم های چندهدفه را نسبت به سایر روش های مورد استفاده نشان می دهد. برای الگوریتم چندهدفه با طبقه بندی کننده svm تعداد ویژگی 16 و دقت کلی 87/95 و برای الگوریتم چندهدفه با طبقه بندی کننده anfis تعداد ویژگی 14 و دقت کلی 3/97 حاصل شد.

طبقه بندی پوشش اراضی شهری همیشه به علت قابلیت برقراری ارتباط عناصر انسانی با محیط های فیزیکی و استفاده در مدیریت بهتر منابع دارای اهمیت بوده و هست. نیاز به دانش به روز، صحیح و دارای جزئیات از اطلاعات پوشش اراضی شهری حاصل از داده های سنجش از دور به طور فزاینده ای در میان بسیاری از جوامع احساس می شود. با پیشرفت های اخیر در داده، فن آوری، و نظریه های سنجش از دور، ضرورت این امر بیشتر نیز می شود. پیشرفت سنجنده های جدید، پتانسیل بالایی برای طبقه بندی شهری را نشان می دهد. با این وجود، عملکرد روش های طبقه بندی مرسوم و قدیمی به علت پیچیدگی تفسیر تصویر، محدود بوده؛ و مطالعه روش های جدیدتر برای رفع این محدودیت ها بیشتر احساس می شود. از طرف دیگر، روش های جدید در بازشناسی الگو همانند جنگل تصادفی (rf )، به عنوان یک الگوریتم یادگیری ماشینی جدید، توجه بسیاری را در زمینه طبقه بندی تصویر و بازشناسی الگو به خود جلب کرده است. چندین تحقیق نیز مزایای rf در طبقه بندی کاربری اراضی را نشان داده است. با این حال، تعداد کمی از این تحقیقات در زمینه شهری و استفاده از تصاویر ماهواره ای جدید و لیدار تمرکز داشته است. در این تحقیق یک صحنه شهری با روشی جدید مبتنی بر تلفیق روش شی گرا و طبقه بندی rf برای بهبود طبقه بندی پیشنهاد شده و مورد بررسی قرار گرفته است. برای مقایسه، روش های طبقه بندی مرسوم نیز انجام شده است. در طبقه بندی پیکسل-مبنا با الگوریتم های مختلف طبقه بندی، rf بالاترین دقت کلی را در حدود 82%، و در طبقه بندی شی-مبنا svm بالاترین دقت کلی را در حدود 79% و rf دقت 77% را تولید کرد. در طبقه بندی ویژگی های شی-مبنا برای اشیا حاصل از قطعه بندی یک سطح با روش پیشنهادی دقت کلی الگوریتم rf از 75% به 76%، دقت کلی الگوریتم svm از 75% به 78%، دقت کلی شبکه عصبی از 70% به 75% و دقت کلی الگوریتم بیشینه شباهت از 44% به 77% ارتقا داده شد. بنابراین نتایج این تحقیق نشان می دهد که روش پیشنهادی می تواند عملکرد طبقه بندی را از نظر دقت و سرعت بهبود بخشد.

تصاویر راداری به دلیل مزایایی از جمله توانایی اخذ تصویر در تمامی شرایط آب و هوایی و در تمامی ساعات شبانه روز و اخذ اطلاعات متفاوت با تصاویر مرئی در بسیاری از مطالعات مانند هیدرولوژی، خاک، شناسایی کشتی، تشخیص لکه های نفتی و غیره کاربرد دارند. با وجود مزایای یادشده، وجود نویز لکه اخذ اطلاعات از این تصاویر را دچار مشکل می کند. در نتیجه کاهش اثر این نویز همواره مورد توجه محققین بوده است. در این مطالعه کاهش اثر این نویز بر اساس تبدیل کرولت مورد بحث و بررسی قرار گرفت. زیرا تبدیل کرولت توانایی تغییر پخش انرژی سیگنال و نویز و نمایش بیشتر انرژی سیگنال در تعداد ضرایب محدود را دارد. بعلاوه این تبدیل در حفظ و نمایش لبه ها توانمند است. این دو ویژگی امکان حذف نویز و درعین حال حفظ لبه را توسط این تبدیل محتمل می سازد. در نتیجه کاهش نویز لکه بر اساس تبدیل کرولت هدف اصلی این مطالعه قرار گرفت. بدین منظور جهت توسعه روشی کارآمد برای تمامی تصاویر راداری بدون اطلاعات قبلی از نویز و توزیع آن روش آستانه گذاری ضرایب کرولت جهت کاهش نویز تصاویر راداری انتخاب شد. در این روش، ابتدا نویز ضرب شونده لکه توسط تبدیل لگاریتمی به نویز افزایشی تبدیل شده و تصویر حاصل به فضای کرولت منتقل می گردد. سپس تابع آستانه گذار و حد آستانه تعیین شده و ضرایب کرولت جهت حذف انرژی نویز آستانه گذاری می شوند. در انتها نیز تبدیل معکوس کرولت و تبدیل نمایی اعمال و تصویر فیلتر شده حاصل می شود. در این مطالعه توابع مختلفی مانند توابع سخت، نرم، zhang 1998، zhang 2001 و nasri جهت آستانه گذاری ضرایب کرولت به منظور حذف انرژی نویز مورد بررسی قرار گرفتند. بعلاوه به جهت اهمیت تعیین حد آستانه در تصویر خروجی فیلتر از سه روش متفاوت جهت تعیین این مقدار استفاده شد. در روش اول که روش متداول مورد استفاده دیگر محققین است و از آن به عنوان روش starck یاد می شود، حد آستانه توسط انحراف معیار نویز و متوسط توزیع انرژی نویز در هر زیرباند ضرایب کرولت تعیین می شود. در روش دوم پیشنهادی از ویژگی های آماری ضرایب کرولت جهت انطباق حد آستانه با شرایط متفاوت زیرباندها استفاده می شود که به این جهت از این روش به عنوان روش انطباقی یاد می شود. در روش سوم با عنوان شبکه عصبی آستانه گذار، برای اولین بار با ترکیب مفهوم شبکه عصبی و حذف نویز لکه در حوزه کرولت با استفاده از آموزش با نظارت و بدون نظارت این حد آستانه تعیین می شود. به منظور بررسی نتایج فیلترهای پیشنهادی با فیلترهای متداول از جمله frost، gamma، kuan، lee و آستانه گذاری سخت و نرم موجک هار با یک سطح تجزیه از معیارهای متفاوتی استفاده شد. معیارهای مورد استفاده را می توان در سه معیار کلی حفظ لبه، حفظ خصوصیات رادیومتریکی و کاهش نویز تصاویر راداری دسته بندی کرد. فیلترهای مبتنی بر تبدیل کرولت در تمامی معیارهای مورد بررسی به نتایج بهتری دست یافته اند (به عنوان مثال معیار میانگین مربعات خطا 78/16%، معیار s/mse که معادل معیار سیگنال به نویز است 113%، معیار میانگین نویز 5/23%، معیار انحراف معیار نویز 7/30% و معیار تعداد دید معادل 26/43% بهبودیافته اند). از میان توابع آستانه گذار نیز، توابع نرم، zhang 1998 و garrote به نتایج بهتری دست یافتند. همچنین روش های پیشنهادی تعیین حد آستانه یعنی روش انطباقی و شبکه عصبی آستانه گذار نیز در تعیین حد آستانه به نتایج بهتری نسبت به روش starck دست یافتند.

چکیده امروزه کشف تغییرات به عنوان ابزاری برای تعیین تحولات محیطی و مشخص نمودن علت های آن بسیار مورد استفاده قرار می گیرد. یکی از روش های پرکاربرد در کشف تغییرات مقایسه دو تصویر اخذ شده در دو بازه زمانی مختلف است. ظهور تصاویر چندزمانه که در هر زمان با قدرت تفکیک مناسبی اطلاعات مربوط به پوشش سطح را در اختیار قرار می دهند به تولید تکنیک های نوین و بالا رفتن سطح کیفیت نتایج در این زمینه بسیار سودمند بوده است. بررسی رشد و توسعه شهری از جمله موضوعاتی است که تحقیقات بسیاری در مورد آن صورت گرفته. مشخص کردن میزان تغییرات در طول یک بازه زمانی علاوه بر این که ابزار مهمی در تصمیم گیری است می تواند برای مدیریت بحران نیز به خوبی مفید واقع شود. در این تحقیق از روشcellular automata برای کشف تغییرات با استفاده از تصاویر ماهواره ای استفاده می شود. با استفاده از مفاهیم مربوط به cellular automataروش جدیدی برای قطعه بندی بر مبنای کشف مرز در ناحیه ارائه خواهد شد. این روش می تواند مرزها را در محدوده شهری با دقت خوبی تعیین نماید. در ادامه برای تعیین بهترین حد آستانه مدل cellular automata برای انجام قطعه بندی بر مبنای تعیین مرز از الگوریتم ژنتیک استفاده نموده و در دو روش ca مرسوم به روش های چهار همسایگی یا von neumman و هشت همسایگی یا moore بهترین حد آستانه بدست می آید. برای این منظور از دو تصویر ماهواره ای landsat مربوط به سال های 2010 و 1988 مربوط به شمال تهران استفاده شد. برای ارزیابی دقت کمی و کیفی کشف تغییرات با استفاده از الگوریتم مورد نظر، نتایج با سه روش کشف تغییرات شامل تعیین مرز با استفاده از روش های لاپلاسین، کلاسه بندی بی نظارت،sobel و کلاسه بندی نظارت شده مورد ارزیابی قرار گرفت. دقت کلی برای روش های ارزیابی شده 1/73 درصد برای روش کلاسه بندی بی نظارت، 96/64درصد برای روش ca بر مبنای همسایگی moore، 08/63درصد برای روش ca بر مبنای همسایگی von neumman، 30/58 درصد برای روش لاپلاسین و 07/48درصد برای روشsobel بوده است. همچنین ضریب کاپا برای روش های بیان شده به ترتیب عبارتند از: 0.6264درصد برای روش کلاسه بندی بی نظارت، 0.4471درصد برای روش ca بر مبنای همسایگی moore، 0.4024درصد برای روش ca بر مبنای همسایگی von neumman، 0.3485درصد برای روش لاپلاسین و 0.1049درصد برای روشsobel.

امروزه در تولید تصویر های هوایی و ماهواره ای و دیگر داده هایی چون لیدار و نظیر آن نسبت به گذشته سرعت و تسهیل وجود دارد که این امر تولید نقشه های کاربری و طبقه بندی های مورد نیاز برای اهداف مربوطه را با سهولت بیشتری ممکن می سازد. علوم فتوگرامتری و سنجش از دور با پیشرفت هایی که در سال های اخیر در زمینه شناسایی و استخراج عوارض داشته اند نقش بزرگی در زمینه تولید داده های مکانی و نیز تأمین و بروز رسانی پایگاه داده مکانی دارند. تحقیق پیش روی با موضوع استخراج اتوماتیک مرز اراضی در مناطق غیر شهری از تصاویر رقومی با استفاده از منحنی فعال، گامی در جهت تولید نقشه از مزارع می باشد. ارزش تولید چنین نقشه هایی به منظور هدایت برنامه های کشاورزی دقیق است و نیز داده پایه ای در بررسی دقیق تر مسائل مربوط به تخمین خسارت های ناشی از خشکسالی، سرمازدگی، آفت و غیره است. در زمینه استخراج مرز عوارض ساخت دست بشر مانند ساختمان، شبکه راه، بررسی تغییرات شهرها و مسیل ها و نیز شناسایی و طبقه بندی گیاهان تحقیقات زیادی صورت گرفته است اما در زمینه استخراج مرز اراضی کشاورزی به طور پیشرفته تحقیقات چندانی انجام نشده است. با توجه به کمبود داده های مکانی دقیق در مورد مساحت و موقعیت زمین های کشاورزی در کشورمان، هدف اساسی در این پایان نامه توسعه مدلی ناحیه مبنا از مدل های منحنی فعال غیر پارامتریک برای استخراج مرز اراضی می باشد. بدین منظور با بررسی سه مدل معروف از مدل های غیر پارامتریک منحنی فعال : local binary fitting, multi phase ,active contour without edges، مدل local binary fitting با قابلیت لازم برای استخراج مرز اراضی تشخیص داده شد. بهبود روند تشخیص مرز اراضی توسط این مدل با افزودن دو لایه بافت به تصویر ورودی و توسعه تابع انرژی خارجی انجام شده است. با توجه به این نکته که اکثر زمین های کشاورزی چسبیده به هم می باشند برای تشخیص چندین ناحیه در یک تصویر، مدل lbfبه صورت چند سطحی توسعه داده شد تا موفقیت بیشتری در شناسایی ناحیه ها داشته باشد. ارزیابی مرزهای استخراج شده از روش پیشنهادی برای شاخص های دقت کلی، صحت کاربر، صحت فرآورده و ضریب کاپا به ترتیب 89.53% ، 65.93% ، 86.13% و 86.52% است.

سطح زمین در مقیاس محلی، منطقه ای، ملی و جهانی به سرعت در حال تغییر است و این موضوع با انعکاس قابل توجهی در زندگی مردم، اقتصاد، و محیط زیست همراه است. آشکارسازی تغییرات کاربری وپوشش زمین به منظور تصمیم‏گیری صحیح و به تبع آن تسهیل مدیریت و استفاده بهینه از منابع، بسیار حائز اهمیت است. در این تحقیق توسعه شهر تهران در طول 22 سال با استفاده از تصاویر چندزمانه لندست بررسی شده است. پس از انجام تصحیحات رادیومتریک و هندسی بر روی تصاویر ماهواره ای سنجنده tm در سال های 1988 و 2010 و محاسبه اختلاف درجات خاکستری در تمام باندها داده های آموزشی و تست به صورت جداگانه جمع آوری شده و نمونه های آموزشی به منظور کشف قوانین تغییر در اختیار الگوریتم کلونی مورچگان قرار گرفت. درنهایت قوانین حاصل از الگوریتم بر روی تصاویر اعمال شده و نقشه تغییرات به دست آمد. سپس با استخراج اطلاعات همسایگی پیکسل ها قوانینی بر این اساس برای تغییرات توسط الگوریتم به دست آمده و بر روی نقشه تغییرات به دست آمده به صورت پس پردازش اعمال شد و نقشه تغییرات نهایی ساخته شد. این نقشه با در نظر گرفتن داده های تست مورد ارزیابی قرار گرفت و دقت آشکارسازی، نرخ هشدار اشتباه و نرخ خطای کل برآورد ‏گردید و به دقت سراسری 86.45 درصد دست یافتیم. این پژوهش نشان داد که الگوریتم های هوشمند پتانسیل بالایی در آشکارسازی تغییرات در تصاویر ماهواره ای داشته و می توانند دقت قابل قبولی در این زمینه ارائه دهند.

طبقه¬بندی و تهیه نقشه کاربری از مناطق شهری یکی از کاربردهای گسترده در سنجش ازدور جهت برنامه ریزی و مدیریت این مناطق است. نیاز به افزایش دقت طبقه¬بندی یکی از موضوعات مهم در سنجش ازدور است. تلفیق داده¬های سنجش ازدوری می¬تواند به عنوان یک روش پرکاربرد برای افزایش دقت طبقه¬بندی استفاده شود. تلفیق داده¬ها از منابع مختلف یکی از تکنیک¬های قدرتمند است که تصاویر و داده¬های جمع آوری شده از سنسورهای مختلف را ترکیب و یک داده تلفیقی تولید می¬کند که اطلاعات و جزئیات بیشتری نسبت به هر منبع داده به تنهایی دارد. از طرفی با ظهور سنجنده¬های نوین در سنجش ازدور امکان دسترسی به داده¬ها و تصاویری با پتانسیل اطلاعاتی بالا وجود دارد که امر تلفیق را تسهیل می¬سازد. علاوه بر این، مناطق شهری بسیار ناهمگن هستند، وجود عوارض مختلف مثل عوارض طبیعی، عوارض ساخته دست بشر و عوارض غیرقابل پیش بینی مثل وسایل نقلیه طبقه¬بندی این مناطق را بسیار پیچیده می¬کند و استفاده از یک منبع داده به تنهایی منجر به نتایج دقیق جهت تهیه نقشه کاربری از این مناطق نخواهد شد. در این پایان¬نامه از دو روش تلفیق در سطح ویژگی و تصمیم گیری دو منبع داده پلاریمتریک راداری (polsar) از سنجنده رادارست-2 و فراطیفی (hyperspectral) از سنجنده هایپریون جهت طبقه¬بندی منطقه شهری سانفرانسیسکو استفاده شده است. علت استفاده از این دو منبع داده، به این خاطر است که این دو منبع داده ماهیت متفاوت و مکمل نسبت به یکدیگر دارند. داده¬ فراطیفی اطلاعات را از سطح و طیف عوارض در تعداد زیاد باند فراهم می¬کند درحالی که داده راداری از ویژگی¬های فیزیکی و دی الکتریک تارگت¬ها اطلاعات را ارائه می¬کند. در روش تلفیق در سطح ویژگی ابتدا ویژگی¬های هر داده به طور جداگانه استخراج شدند و سپس در یک فضای ویژگی جدید با یکدیگر در سطح ویژگی تلفیق شدند و درنهایت با استفاده از الگوریتم ga-svm طبقه بندی شدند. در روش تلفیق در سطح تصمیم¬گیری ابتدا دو تصویر به طور جداگانه طبقه¬بندی می¬شوند و سپس نتایج طبقه¬بندی دو داده در سطح تصمیم و با استفاده از قوانین تلفیق در سطح تصمیم گیری با یکدیگر تلفیق می¬شوند. در این پایان¬نامه نتایج طبقه¬بندی نرم داده راداری به روش ga-svm و تصویر فراطیفی به روش ga-svm و نیز نتیجه طبقه¬بندی نرم داده راداری به روش ga-svm و نتیجه فراوانی¬های تصویر فراطیفی به روش تجزیه طیفی خطی (lsu) با استفاده از روش¬های تلفیق در سطح تصمیم که شامل روش رتبه، میانگین (میانگین حسابی)، ضرب (میانگین هندسی)، ماکسیمم و مینیمم و همچنین این روش¬ها به صورت وزن¬دار است، با یکدیگر تلفیق شدند. نتایج نشان می¬دهند که دو روش تلفیق در سطح ویژگی و تصمیم گیری به طور قابل توجهی دقت طبقه¬بندی منطقه شهری موردمطالعه را نسبت به هر منبع داده به تنهایی افزایش می-دهند و نیز با مقایسه نتایج طبقه¬بندی این دو روش تلفیق درمیابیم که روش تلفیق در سطح ویژگی دقت بالاتری نسبت به روش تلفیق در سطح تصمیم را ارائه کرده است

پارامترهای سطح خاک عنصر کلیدی در چرخه های جهانی آب و انرژی است. از این رو بررسی وضعیت پارامترهای خاک برای هیدرولوژی، هواشناسی، اقلیم شناسی، کشاورزی و بسیاری از علوم زمینی مناسب است. پتانسیل sar برای بازیابی پارامترهای سطح خاک بیش از 30 سال است که شناخته شده است، اما آنچه که امروزه اهمیت دارد استفاده بهینه از سنجنده¬ها و روش¬های مناسب برای بازیابی پارامترهای خاک است. استفاده از مدل¬های بازپراکنش سطحی بهینه¬ترین روش برای این کار است، استفاده گسترده از این مدل¬ها به شکل¬ها و روش¬های مختلف در طول این سال¬ها صورت گرفته است. ارتباط بین پارامترهای سطح خاک و سنجنده توسط تابع بازپراکنش به خوبی صورت می¬گیرد؛ لذا می¬توان با استفاده از انواع مختلف داده¬ها و روش¬های متفاوت ریاضی نتایج دقیق¬تر و صحیح¬تر به دست آورد و نیز با استفاده از روش¬های ریاضی مانند هوش محاسباتی، سرعت حصول نتایج را نیز افزایش داد. به¬دست آوردن نتایجی با حداکثر نزدیکی به داده¬های زمینی باعث افزایش اعتمادپذیری روش می¬شود و کمک شایانی در امر نمایش منظم پارامترها به صورت مکانی و ایجاد دید کلی از آن¬ها می¬کند. بر این اساس در این تحقیق سعی بر انتخاب بهترین مدل برای تخمین پارامترهای سطح خاک با استفاده از داده¬های smex03 در منطقه اوکلاهومای جنوبی است. با استفاده از مدل¬های بازپراکنشی oh، dubois و iem در سه باند l، c و p ابتدا به مقایسه ضرایب بازپراکنشی حاصل از مدل و تصویر در پلاریزاسیون¬های hh و vv پرداخته شده است؛ سپس با استفاده از معکوس همان مدل¬ها و روش¬های ریاضی، پارامترهای زبری سطح، ضریب ثابت دی¬الکتریک و طول همبستگی محاسبه شده و نتایج با مقادیر اندازه¬گیری¬شده زمینی مقایسه شده است. در بخش مقایسه ضرایب بازپراکنش، مدل oh در باند c بهترین دقت را دارد. در این بخش مدل¬های dubois و iem در باند l دقت¬های مناسبی دارند، اما نسبت به بهترین حالت نتایج ضعیف¬تری داشتند. در بخش بازیابی پارامترهای سطح خاک به عنوان اصلی¬ترین هدف تحقیق، روش حل معادلات با استفاده از سرشکنی که روی مدل iem صورت گرفت، در تخمین تمامی پارامترها نتایج با دقت بهتری به دست آمدند، هرچند که مدل oh در باند c برای تخمین زبری سطح و همین مدل در باند l برای تخمین ضریب ثابت دی¬الکتریک نتایج مناسبی به دست آمد. از جمله نتایج این تحقیق می¬توان به نتایج نامناسب باند p اشاره کرد، که نتایج بسیار نامناسبی نسبت به سایر مدل¬ها دارد، هم چنین نتایج ضعیف¬تر مدل¬های تجربی در تخمین پارامترهای سطح خاک نسبت به مدل تئوری iem اشاره کرد. هم¬چنین پیشنهاد می¬شود در صورت امکان از داده¬های زمینی با دقت مکانی بیشتر استفاده کرد.

تالاب ها از مناظر مهمی هستند که می توانند در نگهداری و رهاسازی آرام آب سیلاب، بازسازی آب های زیرزمینی، فیلتر پاک کننده آب آلوده و بهبود کیفی آن، و فراهم کردن زیستگاه حیات وحش برای گونه های در معرض تهدید و خطر، استفاده شوند. پوشش گیاهی یک بخش مهم سیستم زیست محیطی تالاب را تشکیل داده است. پوشش گیاهی فراهم کننده پناهگاه و زیستگاه پرندگان آبزی و کنار آبزی است. در این تحقیق با توجه به تناسب تفکیک مکانی ماهواره landsat8 با تراکم پوشش گیاهی تالاب میقان، همچنین دسترسی آسان و رایگان به تصاویر، از این ماهواره در انجام تحقیق استفاده شده است. از شاخص های پوشش گیاهی ndvi، savi، ndwi، dvi و pca2 در طبقه بندی شبکه عصبی استفاده شده است. از داده های آموزشی و آزمایشی استخراج شده از نقشه کاربری 1:100000 در طبقه بندی و ارزیابی دقت، استفاده شده است. از 6 و 11 ویژگی به ترتیب برای دو روش طبقه بندی شبکه عصبی مصنوعی (ann) و ماشین بردار پشتیبان (svm) در بررسی پوشش گیاهی تالاب استفاده شده است. دقت کلی روش ann و svm به ترتیب 69.21 و 69.04 درصد بوده است. طبقه بندی ترکیبی شبکه عصبی مصنوعی بهتر توانسته کلاس ها پوشش گیاهی راتفکیک کند.

این پایان نامه به تجزیه و تحلیل داده های رادار پلاریمتری چندمنظر به منظور آشکارسازی تغییرات می پردازد. عدم وابستگی رادار با روزنه مجازی به شرایط اتمسفر و نور خورشید از یک سو و در اختیار داشتن تصاویر راداری با فواصل کوتاه زمانی از سطح زمین از سویی دیگر، جذابیت و پتانسیل کاربردهای آشکارسازی و پایش را بسیار بالا می برد. علاوه بر این رادار پلاریمتری با افزایش تعداد باندهای پلاریمتری در مقایسه با رادار تک-پلاریزاسیونه، قابلیت تمایز اهداف روی زمین را افزایش می دهد.