نام پژوهشگر: سمانه لسانی گویا
سمانه لسانی گویا علیرضا امیری سیمکویی
امروزه استفاده از روش ها و تجهیزات صوتی برای برداشت اطلاعات و نقشه برداری از بستر آبها، بطور چشمگیری گسترش یافته است. اکوساندر چند پرتویی (mbes) از جمله سیستم های صوتی است که قادر به اندازه گیری همزمان عمق و شدت موج برگشتی از بستر آبها می باشد. این سیستم ها می توانند یک دسته پرتو با فواصل مساوی به سمت بستر ارسال و شدت موج برگشتی وابسته به زاویه تلاقی پرتو با سطح بستر (طبق قانون لامبرت) را دریافت نمایند. یکی از مهمترین کاربردهای این داده برای کلاسه بندی رسوبات است که در مطالعات مختلف از وابستگی زاویه ای بدین منظور استفاده شده است. در این روش، زمانی که در طول یک نوار برداشت، نوع رسوبات تغییر کند، پیچیدگی هایی ظاهر می گردد، چراکه نمی توان بین تغییرات زاویه ای پرتوها و تغییرات واقعی در نوع رسوبات تفکیک قائل شد. بنابراین پیشنهاد می شود که این داده ها مستقل از زاویه شوند. در این پایان نامه دو روش آماری بر مبنای هیستوگرام برای حذف اثر وابستگی زاویه ای ارائه می گردد، که در هردو روش هیستوگرام های داده ها در زاویه تقاطع نزدیک به نادیر به هیستوگرام داده ها در یک زاویه فرودی کوچک (داده های مرجع) منطبق می شوند. سپس با داشتن این داده ها که تصحیحات لازم بر روی آنها انجام شده است، الگوریتم نوینی برای کلاسه بندی رسوبات بستر ارائه می دهیم که هدف اصلی آن تشکیل موزاییک تصویری از آنهاست. در واقع پس از تصحیح داده ها با انتخاب روش درونیابی مناسب به آنها ساختار منظم داده و تصویر رسوبات بستر آب تهیه خواهد شد. در ادامه با استفاده از روش های پردازش تصویری لازم، کیفیت تصاویر را بهبود می بخشیم زیرا در تصاویر با وضوح بیشتر شناسایی نوع رسوبات دقیق تر خواهد بود. در این الگوریتم با توجه به نوع رفتار رسوبات در تصاویر بدست آمده، برای کلاسه بندی نیازمند قطعه بندی تصویر می باشیم. در انتها با کمک اندازه دانه بندی متوسط نمونه های زمینی، به هر قطعه نوع ویژه ای از رسوب بعنوان یک کلاس خاص، اختصاص می دهیم. الگوریتم مورد نظر بر روی داده های اکوساندر چند پرتویی حاصل از رودخانه وال هلند پیاده سازی شده است. دقت قطعه بندی تصاویر تهیه شده با یک روش خاص، با استفاده از محاسبه ی ضریب همبستگی با مقادیر واقعی، در حدود 65% می باشد. با بررسی نتایج تصویری می توان بیان کرد که این الگوریتم نسبت به روش های پیشین کلاسه بندی داده های اکوساندر چند پرتویی، بهبود کیفی و بصری در تأمین هدف موردنظر داشته است.