اگر در مرحله ای از رشد گیاه، آب مورد نیاز به طور کامل به آن نرسد گیاه تحت تنش آبی قرار گرفته، بخشی از فعالیتهای فیزیولوژیکی آن مختل شده و منجر به کاهش محصول می گردد. در مدیریت کشاورزی، آگاهی بهنگام از میزان آب گیاه برای پایش سلامت و پیشگیری از بروز تنش آبی و به تبع آن جلوگیری از کاهش عملکرد محصولات کشاورزی عامل بسیار مهمی می باشد. استفاده از نیروی انسانی در پایش این رفتار گیاه، هزینه ی نگهداری را به میزان زیادی افزایش میدهد. با استفاده از طیف سنج های ابرطیفی و مدلسازی رفتار طیفی گیاه در رطوبت های مختلف، میتوان این مهم را به بهترین نحو انجام داد چرا که این طیف سنج ها اطلاعاتی با قدرت تفکیک طیفی بالا تولید می کنند. در واقع با بدست آوردن محتوای آب گیاه و مقایسه ی آن با اطلاعات متخصصین کشاورزی در زمینه ی آستانه ی تنش هر گیاه، درصورتیکه رطوبت گیاه از آن آستانه ی تنش کمتر باشد می توان به تنش آبی آن گیاه پی برد. با توجه به اهمیت یونجه و پراکنش وسیع آن در سطح کشور، در این پژوهش روشی جهت تخمین محتوای آب این گیاه در سطح برگ و تاج پوشش گیاهی ارائه گردید. در این پایان نامه با استفاده از اطلاعات بدست آمده از طیف سنج ابرطیفی در پایگاه داده ی lopex93 که شامل منحنی های طیفی برگ یونجه با محتوای آب مختلف است، مدلی جهت تخمین ضخامت آب معادل برگ و تاج پوشش گیاهی یونجه ارائه شده است (با بکارگیری نرم افزار winsail و منحنی های طیفی برگ، منحنی های تاج پوشش گیاهی نیز ایجاد شدند). طول موج های 970، 1240، 1450، 1600، 1940، 2200 و 2500 نانومتر به عنوان باندهای مناسب جهت طراحی مدل انتخاب شدند. به روش درونیابی تعداد منحنی های طیفی برگ و تاج پوشش به 100 عدد افزایش یافتند و شاخص هایی خطی با استفاده از ترکیب 2، 3، 4، 5، 6 و 7 باند به روش کمترین مربعات طراحی گردیدند. به منظور ارزیابی دقت مدل های طراحی شده از 50 منحنی برگ و 50 منحنی تاج پوشش استفاده شد. مقادیر rmse حاصل از پیاده سازی شاخص های طراحی شده در سطح برگ و تاج پوشش گیاهی نشان می دهند که شاخص هایی با rmse کم (0=rmse) می توانند به عنوان شاخص های تخمین ewt در سطح برگ و تاج پوشش گیاهی در کاربردهای زمینی مورد استفاده قرار بگیرند. جهت طراحی شاخصی در سطح تاج پوشش گیاهی یونجه برای تصویر هایپریون، با توجه به اینکه عملیات smoothing بر روی باندهای تصویر موجود انجام شده بود، با استفاده از فیلتر میانگین منحنی های تاج پوشش گیاهی موجود را هم smooth کرده و سپس به آنها نویز اضافه نمودیم. این نویز در واقعیت می تواند اثر زاویه ی برگ، اثر برق خورشید روی برگ، اثر سایه، اثر شاخ و برگ و اثر خاک پس زمینه باشد. چون تصویر هایپریون موجود فاقد داده های زمینی بود، مقایسه ای با مقادیر واقعی انجام نشد و نتایج با شاخص های متداول مقایسه گردیدند و نشان دادند که مقادیر ewtcanopy و شاخص wi همبستگی مطلوبی با یکدیگر ندارند (با ضریب همبستگی 19/0). در مقابل همبستگی نسبتاً خوبی با ضریب همبستگی 62/0 میان ewtcanopy و شاخص های msi و ndii وجود دارد و ضریب همبستگی میان ewtcanopy و شاخص ndwi، 41/0 می باشد.

سودمندی و اعتبار داده های ماهواره ای قویاً به شرایط جوی وابسته است. گرد و غبارهای جوی ، گازها و بویژه حضور ابرها می توانند به طور قابل توجهی بر انرژی بازتابیده از سطح اثر گذاشته و قرائت سنجنده های اپتیکی را با خطا مواجه سازند. پیکسل های آلوده به ابر غالباً بازتابندگی پوشش های زمینی را افزایش داده و دمای آن ها را پایین تر از مقدار واقعی خود نشان می دهند. ابرهای کوچک تر از ابعاد پیکسل که قابل مشاهده نیستند ،باعث افزایش بازتابندگی پیکسل شده و ایجاد خطا می کنند. با توجه به اینکه ابرهای مختلف برهم کنش های مختلفی با طیف های مختلف دارند ، می توان با ترکیب و آنالیز باندهای مختلف طیفی modis میزان ابرناکی بودن پیکسل را تعیین کرد.با استفاده از این روش می توان پیکسل های آلوده به ابر را سریع تر و با روشی ساده تر تعیین نمود.الگوریتم modis cloud mask برای اولین بار توسط آکرمن و همکاران در سال 2006 ارائه گردید.در این تحقیق ابتدا اقدام به شناسایی پیکسل های ابری در تصویرmodis به کمک مدل پنج مرحله ای موجود در modis cloud mask کردیم و در ادامه جهت ارتقاء مدل و تعیین درصد ابر موجود در یک پیکسل برای ابرهای کوچک تر از ابعاد پیکسل، با استفاده از دمای درخشندگی باند 14 سنجنده aster ( )در داخل پیکسل دمای درخشندگی باند 31 سنجنده modis ( ) جستجو و درصد پوشش ابری هر پیکسل به دست آمد. ارزیابی مدل حکایت از همبستگی بالای بیش از 0.93 بین میزان واقعی کسر پوشش ابر موجود در تصویر aster و میزان اندازه گیری شده توسط مدل دارد که با توجه به قدرت تفکیک مکانی پایین سنجنده modis، بسیار امیدوار کننده است.

پوشش برف و تغییرات زمانی آن، پارامترهای اساسی در مطالعات هیدرولوژیکی و اقلیم شناسی است. در مناطق گسترده ای از جهان پوشش برف و یخ و رواناب حاصل از ذوب آن ها، منابع تولید آب جهت مصارف شهری، کشاورزی و صنعتی هستند. سطوح برفی دارای تغییرات زیادی نسبت به زمان بوده و در نتیجه پایش آن ها نیازمند استفاده از تصاویری با قدرت تفکیک زمانی مناسب است. در این رابطه سنجنده modis مستقر بر روی ماهواره های terra/aqua ، به علت پوشش مناسب و قدرت تفکیک زمانی مناسب، کاربرد زیادی دارد. پارامترهای مختلفی ممکن است بر صحت برآورد سطح پوشش برف تاثیرگذار باشند. توپوگرافی سطح (شیب و جهت شیب) یکی از این پارامترها است. قدرت تفکیک مکانی پایین modis و وجود پیکسل های مختلط، سبب کاهش دقت برآورد سطح پوشش برف (scs) با استفاده از این تصاویر می شود. در این تحقیق سعی شده، نتایج scs حاصل از تصاویر modis، از طریق مقایسه با تصاویر دارای قدرت تفکیک مکانی متوسط مانند aster واقع بر یک سکوهای مشابه modis، ارزیابی شود. در اکثر مطالعات پیشین، توجه زیادی به تخمین scs در مناطق مسطح و یا دارای شیب کم، شده است. در این پژوهش شاخص ndsiی modis و aster در مناطقی با شیب 20 تا50 درصد مقایسه و دو مدل پیشنهادی، mod-m-aster وmod-f-aster جهت بهبود دقت تخمین scs توسط modis ایجاد و بررسی شد. در مدل mod-m-aster، بر روی مقادیر ndsiی aster حدآستانه 4/0 اعمال شده و رابطه بین ndsiی modis و میانگین ndsiی پیکسل های برفی aster بررسی شد. این مدل دارای همبستگی در حدود 88 درصد و rmse در حدود 04/0 است. مدل mod-f-aster، که جهت تخمین کسر پوشش برف در هر پیکسل طراحی شده، دارای همبستگی ای در حدود 87 درصد و rmse در حدود 09/0 در مقایسه با کسر پوشش برف محاسبه شده توسط aster است. درنهایت، مقایسه نتایج حاصل با مقادیر بدست آمده از کارهای قبلی نشان دهنده بهبود در شاخص ndsi و برآورد سطح پوشش برف است

چکیده آلبیدوی پهن باند سطح زمین، پارامتر فیزیکی بسیار مهمی در مطالعات زیست محیطی، هواشناسی و مطالعات انتقال تابشی محسوب می شود. اندازه گیری تغییرات زمانی- مکانی آلبیدو، در بررسی تغییرات پوشش سطح زمین و تغییرات آب و هوا نقش کلیدی دارد. سنجنده modis پرکاربردترین سنجنده در تولید محصولات آلبیدو به صورت جهانی و مستمر، اما با قدرت تفکیک مکانی پایین است. خطا در محصولات آلبیدوی این سنجنده می تواند نتایج خروجی مدل های آب و هوایی و اقلیمی استفاده کننده از این محصولات را تحت تاثیر قرار دهد. از طرفی می توان از بازتابندگی های سطحی حاصل از داده های دیگر سنجنده های چند طیفی مانند aster نیز برای برآورد آلبیدوهای پهن باند سطح استفاده نمود. این کار از طریق روابط تبدیل موجود برای سنجنده های مختلف صورت می پذیرد. در این تحقیق از آلبیدوهای پهن باند موج کوتاه و مرئی محاسبه شده از تصاویر aster، جهت ارزیابی دقت آلبیدوهای موج کوتاه و مرئی واقعی بدست آمده از محصولات mcd43a3 سنجنده modis در منطقه ای همگن، نیمه خشک، فاقد پوشش گیاهی و نسبتاً هموار در شمال استان قم استفاده شد. دلیل انتخاب سنجنده ی aster برای ارزیابی محصولات آلبیدوی 16 روزه modis، قرارگرفتن این دو سنجنده بر روی یک ماهواره و قدرت تفکیک مکانی و رادیومتریکی بالای سنجنده ی aster در مقایسه با سنجنده modis بوده است. نتایج این ارزیابی نشان داد که در شرایط ایده-آل، چنانچه شرایط جوی در پریود زمانی 16 روزه ی modis حاکی از عدم تغییر عمده جوی بوده و با شرایط جوی در زمان اخذ تصویر aster مشابه باشد، تفاوت مقادیر آلبیدوهای پهن باند موج کوتاه و مرئی modis نسبت به aster به ترتیب در حدود 6 درصد، و 7 درصد و rmsd اختلافات نسبی برای هر دو آلبیدوی موج کوتاه و مرئی در حدود 4 درصد می باشد. درغیر اینصورت با توجه به میزان و شدت تغییرات جوی در طول پریود زمانی 16 روزه ی modis در مقایسه با روز اخذ تصویر aster، اختلاف آلبیدوهای پهن باند modis نسبت به aster مقادیر بیشتری خواهد بود. در این پژوهش الگوی رفتاری آلبیدوهای پهن باند موج کوتاه، مرئی و مادون قرمز نزدیک سطح، در منطقه مورد تحقیق که منطقه ای همگن و پوشیده از خاک لخت می باشد نیز مورد بررسی قرارگرفت. ملاحظه شد که برای سطح خاک لخت، از میان سه آلبیدوی پهن باند، آلبیدوی مرئی کمترین مقدار و آلبیدوی مادون قرمز نزدیک بیشترین مقدار را داراست و آلبیدوی موج کوتاه نیز مقادیری مابین این دو اتخاذ می نماید. کلید واژه ها: brdf، ارزیابی، آلبیدو، modis، aster، سنجش ازدور.

در این پژوهش به دنبال توسعه الگوریتم های ناحیه ای برای استخراج پروفایل های دما و رطوبت جو از تصاویر سنجنده modis هستیم. در این راستا تحقیقات مختلف انجام شده در زمینه استخراج پروفایل های جوی از داده های رایومتریک مورد بررسی قرار گرفته و با توجه به بررسی های انجام شده دو روش استخراج از طریق رگرسیون های آماری روش های فیزیکی برای پیاده سازی انتخاب شدند. سپس سعی در تنظیم این مدل ها برای یک اقلیم و یک منطقه خاص که ترجیحاً در آن ها داده های زمینی با دقت بالا و به تعداد کافی موجود باشد، گردید. جهت انجام پیاده سازی های مورد نظر در این پژوهش، پیاده سازی های انجام شده در آزمایش های مختلف این پژوهش با استفاده از اندازه گیری های ایستگاه های سینوپتیک فرودگاه مهرآباد، کرمانشاه و بندرعباس انجام گردید. همچنین جهت ارزیابی کارایی الگوریتم های مورد استفاده در این پژوهش از داده های کل ایستگاه های سینوپتیک موجود در ایران که در آن ها داده های رادیوساند بصورت نسبتاً مرتب جمع آوری می شود، استفاده گردید. برای دستیابی به اهداف پژوهش، آزمایش های مختلفی پیاده سازی گردید. در آزمایش اول و دوم، روش استخراج از طریق رگرسیون های آماری، که همان روش تولید محصول پروفایل های جوی modis است، به ترتیب برای استخراج پروفایل های دما و رطوبت پیاده سازی گردید. در این آزمایش ها برای جلوگیری از خطاهای وارد شده به مدل به دلیل استخراج ضرایب با استفاده از داده های جهانی، سعی در محاسبه این ضرایب در مقیاس محلی شده است. این روش در این تحقیق lsrpr نامیده شد و روش اصلاح شیب نیز برای بهبود کارایی آن مورد استفاده قرار گرفت. در آزمایش اول مقدار میانگین rmse بین دمای محاسبه شده از روش lsrpr پس از اصلاح شیب و اندازه گیری شده توسط رادیوساند، k 82/1 به دست آمد که این مقدار در مقایسه با مقدار محاسبه شده توسط محصول modis که 16/7 بود، بهبود قابل ملاحظه ای را نشان داد. همچنین این مقادیر در مورد پروفایل های رطوبت به ترتیب g/kg 71/0 و 21/1 بود که نشان دهنده بهبود دقت بود. در آزمایش سوم روش های فیزیکی استخراج پروفایل های جوی، پیاده سازی گردید. در این آزمایش از مقادیر محاسبه شده توسط روش lsrpr به عنوان حدس اولیه و روش drad استفاده گردید. نتایج به دست آمده نشان داد که مقدار پارمتر chi2 در روش استخراج فیزیکی، حداکثر پس از 2 مرحله تکرار به کمتر از 1 رسیده و حداکثر پس از 6 مرحله به مقدار ثابتی همگرا گردید. در آزمایش چهارم روش lsrpr به دلیل کارایی و نیز سرعت نسبتاً بالا، برای تولید نقشه های همدما و هم رطوبت جو که برای پیش بینی های هواشناسی حیاتی هستند، به کار گرفته شده است. متوسط rmse بین پروفایل دمای استخراج شده از الگوریتم lsrpr و اندازه گیری های رادیوساند برای تمام ایستگاه های رادیوساند کشور 43/3 درجه کلوین و متوسط rmse بین پروفایل دمای استخراج شده از الگوریتم modis و داده رادیوساند برای تمام ایستگاه های کشور 66/4 درجه کلوین به دست آمد. همچنین این مقادیر برای پروفایل رطوبت به ترتیب 27/1 و 41/1 g/kg محاسبه شد. در آزمایش پنجم، به دلیل وجود منابع خطا و عدم قطعیت های مختلف در روش استخراج پروفایل از طریق رگرسیون های آماری، از الگوریتم ژنتیک برای بهبود دقت این مدل ها استفاده شده است. در این آزمایش دو روش که imga و tmga نامیده شد، پیاده سازی گردید. در روش tmga میانگین مقادیر rmse پروفایل دمای استخراج شده از الگوریتم با مقادیر حاصل از رادیوساند 92/2 کلوین به دست آمد، که این مقدار در مقایسه با محصول modis که مقدار rmse آن با اندازه گیری رادیوساند 94/6 بود، بهبود قابل ملاحظه ای را نشان می دهد. در روش imga که در فواصل ارتفاعی 500 متری میانگین گیری گردید، مقدار rmse بین نتایج به دست آمده با رادیوساند تا حد 34/2 محاسبه شد. در آزمایش ششم سعی در تنظیم مدل optran در مقیاس محلی و بهبود دقت محاسبه چگالی شار تابش با استفاده از مدل crtm داشتیم. در این آزمایش مقدار میانگین rmse چگالی شار محاسبه شده از مدل crtm با مقدار اندازه گیری شده در شب توسط سنجنده moids از ایستگاه سینوپتیک بندرعباس و آب های عمیق نزدیک به آن، 47/0 محاسبه گردید که با اعمال تصحیحات ارائه شده در این پژوهش این مقدار به 39/0 تغییر یافت. دمای درخشندگی میانگین معادل این چگالی شار ها نیز به ترتیب 45/6 و 27/5 درجه کلوین محاسبه گردید. آزمایش هفتم به ارائه روشی جهت محاسبه پارامترهای وارونگی جوی نظیر عمق و قدرت وارونگی با استفاده از الگوریتم ژنتیک پرداخته است. روش ارائه شده در این پژوهش برای ایستگاه سینوپتیک فرودگاه مهرآباد نشان داد که قدرت وارونگی دمایی با rmse، 6/0 سانتیگراد و عمق وارونگی دمایی با rmse، 59/45 متر قابل تشخیص است. این مقادیر برای ایستگاه کرمانشاه 03/1 سانتیگراد و 17/67 متر محاسبه گردید. همچنین بررسی های انجام شده در این پژوهش نشان داد که محصول پروفایل های سنجنده modis قادر به تشخیص وارونگی های جوی نبود. به طور کلی به نظر می رسد استفاده از داده های محلی و انجام مدل سازی در مقیاس محلی، می تواند منجر به افزایش دقت استخراج پروفایل های دما و رطوبت جوی شده و استفاده از الگوریتم های هوش مصنوعی نظیر الگوریتم ژنتیک نیز می تواند در این راستا راهگشا باشد. همچنین می توان با استفاده از روش الگوریتم ژنتیک در تصاویر modis وارونگی های دمایی را تشخیص داد که این مهم با استفاده از محصولات پروفایل های جوی modis قابل تشخیص نیست.

موضوع استخراج اطلاعات و تهیه نقشه های موضوعی، یکی از اهداف اصلی مورد بحث در تحلیل و پردازش تصاویر سنجش ازدور است. در این راستا، یکی از مهمترین و بهترین روش های دست یابی به این هدف، طبقه بندی تصاویر می باشد. توابع طبقه بندی کننده، عمدتاً از نمونه های آموزشی کلاس ها و اطلاعات و دانش جمع آوری شده در مورد آن ها جهت توصیف بهینه پراکندگی کلاس ها و انجامِ طبقه بندی استفاده می نمایند. لاکن، زمانی عمل کرد طبقه بندی کننده ها قابل اطمینان خواهد بود، که نمونه های آموزشی هر کلاس، نماینده های مناسبی برای آن ها بوده و به تعداد کافی برای هر کلاس موجود باشند. از طرف دیگر، با افزایش تعداد باندها، تعداد جزئیّات موجود در فضای ویژگی به صورت نمایی رشد خواهند کرد. ازاین رو، برای نمایش بهتر کلاس ها، تعداد بسیار بالایی از نمونه های آموزشی برای هرکلاس، مورد نیاز خواهد بود. امّا جمع آوری تعداد بالای نمونه های آموزشی، بسیار پُرهزینه و زمان بر می باشد. از طرفی در سنجش ازدور، جمع آوری نمونه های آموزشی در نزدیک ترین زمان به زمان تصویربرداری بسیار حائز اهمیت است، که این خود بر محدودیت تعداد نمونه های آموزشی جمع آوری شده می افزاید. محدودیت های مذکور، مشکلات متعددی را در تخمین پارامترهای آماری کلاس ها و توصیف آن ها ایجاد نموده و باعث می شوند که روش های تخمین پارامترهای آماریِ مورد استفاده در تصاویر چند طیفی، برای تصاویر ابرطیفی جوابگو نباشند. موارد فوق الذکر و مسائل بسیارِ دیگر در زمینه اخذ و تحلیل داده های ابرطیفی، دلایل محکمی بر بکارگیری روش های کاهش تعداد ابعاد نظارت نشده هستند. در این راستا، تحقیق حاضر سعی بر آن دارد که بتواند الگوریتم هایی را در زمینه کاهش تعداد ابعاد نظارت نشده ارائه نماید، به طوری که پیاده سازی و استفاده از آن بسیار ساده بوده و از کارایی بالایی نیز در حفظ تفکیک پذیری کلاس های تصویر برخوردار باشند. بدین منظور، دو روش انتخاب ویژگی pfs و mtd و دو روش استخراج ویژگی pfe و nwpfe در فضای پدیده ارائه گردیدند. این روش ها از خصوصیات و قابلیت های فضای پدیده بهره جسته و کاهش بهینه تعداد ابعاد تصاویر ابرطیفی را فراهم می نمایند. روش pfs با انتخاب اطلاعات دارترین باند به عنوان اولین ویژگی و استفاده از تکنیک osp در فضای پدیده، ویژگی های مستقل را بر مبنای اولین ویژگیِ مذکور انتخاب می نماید. روش mtd از طریق تانژانت زاویه بین بردارهای باندی در فضای پدیده، دو معیار برای تشخیص استقلال باندها تعریف نموده و نهایتاً مستقل ترین باندها را به عنوان ویژگی های مناسب برمی گزیند. تعیین خودکارِ تعداد بهینه ویژگی های مناسب را می توان به عنوان خصوصیت دیگر این روش برشمرد. روش های استخراج ویژگی pfe و nwpfe با الگوریتم های نسبتاً مشابه، باندها را در فضای پدیده خوشه بندی نموده و نماینده هر خوشه را به عنوان ویژگی استخراج شده جدید معرفی می نمایند. خوشه بندی باندها، در واقع باندهای مشابه را در یک خوشه قرار داده و عملاً استقلالِ بین خوشه ها و نهایتاً ویژگی های استخراج شده را برقرار می نماید. اختلاف اصلی این دو روش در تعیین نماینده خوشه های باندی است، به طوری که روش pfe میانگین حسابی باندهای یک خوشه را به عنوان نماینده آن ها معرفی می نماید، درحالیکه روش nwpfe برحسب اطلاعات داربودن باندها در هر خوشه، وزنی را به هرکدام از باندها اختصاص داده و در انتها میانگین وزن دار آن ها (باندهای هر خوشه) را به عنوان نماینده خوشه باندی درنظر می گیرد. پیش از ارائه روش های کاهش تعداد ابعاد، به منظور بهره برداری بهتر از فضای پدیده، مطالعه جامعی برروی نحوه ساخت این فضا و انتخاب ویژگی های جذبی به عنوان ویژگی های بهینه، جهت انجام این مهم صورت گرفت. در این راستا، روشی به نام cdaf ارائه گردید، که ضمن انتخاب ویژگی های جذبیِ طیف های پیکسل های تصویر در فضای طیفی، اقدام به طبقه بندی آن ها نیز می کند. روش های کاهش تعداد ابعاد ارائه شده در این پژوهش، بر روی چندین داده ابرطیفیِ واقعی و یک داده شبیه سازی شده در دو snr مختلف، مورد ارزیابی قرار گرفتند. برای بررسی اثرات نویز، ارزیابی ها روی هر دو داده اولیه و سفید-نویزشده اعمال گردیدند. مجموعه آزمایش ها حاکی از آن بودند که روش های ارائه شده در این تحقیق دارای کارایی بالایی بوده و نتایج قابل توجهی را ارائه می نمایند. ضمناً، این روش ها با الگوریتم های پُرکاربرد دیگر نیز مقایسه شدند که روش pfs در بین روش های انتخاب ویژگی و روش nwpfe در بین روش های استخراج ویژگی، همواره برتری خود را بر روش های مورد مقایسه حفظ نموده و به اثبات رساندند. ضمناً، به طور کلّی، روش nwpfe به عنوان یک روش استخراج ویژگی، نتایج بسیار بهتری را در مقایسه با همه روش ها حاصل نموده و به عنوان قوی ترین روش معرفی می گردد.

تاکنون شاخص¬های زیادی مبتنی بر بازتابندگی برگ برای برآورد کلروفیل گیاه به کار گرفته شده است ولی تقریباً تمامی آن ها نسبت به گونه¬ی گیاه حساس می¬باشند. به منظور طبقه¬بندی برگ¬های گیاهان بر اساس محتوای کلروفیل، ابتدا باید مقادیر کلروفیل از طریق یک یا چند شاخص مناسب با دقت خوب برآورد شوند. هدف این مطالعه ایجاد یک مدل جهت تخمین کلروفیل است بگونه¬ای که نسبت به گونه¬ی گیاه غیر حساس باشد. برای این کار از مجموعه داده¬های lopex93 و داده¬های برگ گندم استفاده شد. در این تحقیق، ابتدا یک مدل خطی 6 پارامتری با استفاده از بازتابندگی نقاط اکستریمم در ناحیه¬ی مرئی و طول موج های متناظر از طریق روش کمترین مربعات ایجاد شد. سپس، در هر مرحله با اضافه کردن یکسری از پارامترهای دیگر، دقت بطور قابل توجهی افزایش پیدا کرد. مشکلی که در مدل وجود داشت این بود که در برگ¬های تازه¬ای که حاوی آب فراوان بودند، مقدار کلروفیل کم برآورد می¬شد. برای حل این مشکل، از مقدار بازتابندگی در طول موج 1534 نانومتر که با محتوای آب ارتباط نزدیکی داشته و بالاترین همبستگی را با مقادیر کلروفیل تولید کرد، استفاده شد. قبل از واردکردن پارامتر آب، rmse خروجی مدل نسبت به مقادیر اندازه¬گیری شده کلروفیل 0164/0 (mg/cm2) و مقدار نسبی آن 44 بوده و ضریب تعیین (r^2) 51/0 محاسبه¬ گردید اما با اضافه شدن ویژگی جذبی آب در مدل نهایی، rmse از 0164/0 به 0134/0 (mg/cm2) و rmse نسبی از 44 به 36 درصد کاهش یافته و ضریب تعیین از 51/0 به 73/0 افزایش پیدا¬ کرد. مدل ارائه شده نسبت به ساختار داخلی برگ¬ها و بازتابندگی سطوح مومی شکل مختلف روی برگ¬ها و محتوای آب، غیر حساس بوده و مقدار کلروفیل را با دقتی مناسب و ضریب تعیین بالا برآورد¬ می¬کند. پس از برآورد کلروفیل، طبقه¬بندی برگ¬ها بر اساس محتوای کلروفیل و با استفاده از شبکه¬ی عصبی انجام شد. نتایج طبقه¬بندی عملکرد خوب شاخص تولید شده را تایید کردند.

شاخص سطح برگ (lai)، حاصل تقسیم مجموع مساحت برگ¬های سبز یک بوته یا درخت به مساحت سطح زمین زیرین آن می¬باشد. برآورد صحیح از این شاخص در سطحی وسیع، می¬تواند در پایش محصولات مورد استفاده¬ی زیادی قرار گیرد.با توجه به اهمیت زیاد برآورد این شاخص، یکی از اهداف سنجش ¬از دور نیز تعیین دقیق این شاخص می¬باشد. تمامی مدل¬های مربوط به برآورد lai که توسط روش¬های سنجش از دوری بدست می¬آیند را می¬توان به سه گروه کلی تقسیم¬بندی کرد: مدل¬های آماری، مدل¬های فیزیکی و مدل¬های ترکیبی. مدل¬های آماری که بر اساس رابطه¬ی آماری بین شاخص سطح برگ و دیگر شاخص های گیاهی تعریف می¬شوند، زمانی¬که شاخص سطح برگ به مقادیر بالا می¬رسد، اشباع می¬شوند و هیچ رابطه¬ی واحدی بین یک شاخص گیاهی خاص و شاخص سطح برگ را نمی¬توان تعریف کرد. در مدل¬های فیزیکی که بر اساس حل معکوس معادلات انتقال انرژی، تعریف می¬شوند، اطلاعات مربوط به مدل بازتابندگی تاج پوشش گیاهی موردنیاز است. محدودیت اصلی این مدل¬ها، محاسبات پیچیده و زیاد آن ها است و در مطالعات جهانی و منطقه¬ای کاربرد عملیاتی زیادی ندارند. الگوریتم¬های ترکیبی هم که از ترکیب مدل¬های آماری و فیزیکی بدست می¬آیند، با وجود دقت بالا، دارای محاسبات پیچده¬ای می¬باشند و نیازمند اطلاعات مربوط به مدل بازتابندگی خیمه¬ی گیاهی هستند. با توجه به توضیحات بالا، تحقیق در مورد کاهش معایب این مدل¬ها و یا ارائه¬ی روش¬های جدیدتر و دقیق تر برای رسیدن به دقت بهتر به¬منظور برآورد lai با استفاده از تصاویر ماهواره¬ای، ضروری به نظر می¬رسد. در این پایان¬نامه، برای برآورد شاخص سطح برگ، از اطلاعات پوشش گیاهی موجود در نمودار پراکنش باندهای قرمز و مادون¬قرمزنزدیک تصاویر +7etm، استفاده شده است. ابتدا 9 پارامتر مختلف شامل 4 زاویه و 5 فاصله از این نمودار استخراج شد و از ترکیب¬های مختلف این 9 پارامتر، 511 مدل مختلف برای برآورد lai تولید گردید. بهترین مدل (مدل 5p-lai1) با استفاده از 3 پارامتر زاویه و 2 پارامتر فاصله بدست آمد. در مرحله¬ی دوم، مثلث ایجادشده در نمودار پراکنش red-nir با توجه به شاخص گیاهی pvi به 3 ناحیه تقسیم شد و 3 مدل متفاوت برای هر یک از نواحی ارائه گردید. در حالت کلی استفاده از این روش ناحیه¬بندی، باعث بهبود اندکی در نتایج شد، به طور¬یکه نسبت به مدل کلی 5p-lai1، rmse از 75/0 به 68/0 کاهش، rrmse از 30% به 26% کاهش و r از 94/0 به 95/0 افزایش یافت. در این پژوهش از داده¬های میدانی پروژه¬ی bigfoot استفاده شده است و از طریق مقایسه با نتایج سایر مدل¬های پروژه¬ی bigfoot این نتیجه بدست آمد که مدل کلی 5p-lai1، علی¬رغم سادگی و استفاده از اطلاعات فقط دو باند قرمز و مادون¬قرمزنزدیک، دارای دقت قابل قبولی نسبت به دیگر مدل¬های bigfoot که مدل¬های پیچیده¬ای هستند، می¬باشد. همچنین مدل ارئه¬شده از طریق ناحیه¬بندی مثلث ایجادشده در نمودار پراکنش red-nir، دارای بالاترین دقت در بین تمامی این مدل¬ها بود. به ¬نظر این پژوهشگر مدل¬های ارائه¬ شده در این پژوهش را می¬توان با استفاده از پارامترهای دیگری مانند نوع پوشش گیاهی، درصد گیاه، درصد خاک، زمان رشد گیاه، رطوبت خاک و موارد دیگر بهبود بخشید.

الگوی زمانی – مکانی دمای هوا در نزدیکی سطح زمین به شدت تابع ویژگی های سطحی زمین و هوای بالای آن می باشد چرا که هم در طول زمان و هم در نقاط مختلف زمین متغیر می باشد. این مطالب باعث می شود که برآورد دمای هوا در طول زمان و در مکان های مختلف با شرایط متفاوت اهمیت داشته باشد. بیشتر اندازه گیری هایی که تا به امروز صورت پذیرفته است، اندازه گیریهایی می باشد که در ایستگاه-های هواشناسی در نقاط مختلف زمین و در زمان های مشخص جمع آوری شده اند. از آنجا که دمای هوا تحت تاثیر سایر ویژگی های طبیعی می باشد در این تحقیق سعی شده است به کمک برخی از این پارامترها دمای هوا مدل سازی شود. پارامترهای استفاده شده در این تحقیق شامل دمای سطح زمین، ndvi، آب قابل بارش کلی و li می باشند که جهت تاثیر هر کدام، 15 مدل خطی مختلف پیاده سازی شد. علاوه بر مدل سازی خطی، چند مدل غیرخطی و رگرسیون بردار پشتیبان نیز انجام گرفت. از آنجا که هدف مدل سازی جامع بود از داده های سری زمانی ایالت آرکانزاس در آمریکا در طول 11 سال استفاده و جهت ارزیابی مدل از داده های هواشناسی ایالت میسوری و اندازه گیری های میدانی ورامین استفاده شد. هر یک از این پارامترها از تولیدات سنجنده modis استخراج شد که در کل دقت قابل قبولی را داشتند. با جایگذاری هر یک از این پارامترها، تاثیر و دقت آن در مدل کنترل شد و در پایان مشخص گردید که دمای سطح زمین و آب قابل بارش کلی بیشترین تاثیر به صورت مثبت، شاخص li با تاثیر زیاد به صورت منفی و ndvi با تاثیر جزئی به صورت مثبت دمای هوا را کنترل می نمایند. بدین ترتیب دقت بدست آمده از بهترین مدل خطی که تمامی پارامترها را شامل می شد 33/2 درجه سانتیگراد با ضریب همبستگی 94/0 حاصل شد. علاوه بر مدل سازی خطی صورت گرفته، مدل های غیرخطی نیز بررسی شد که افزایش دقت محسوسی مشاهده نگردید وتنها باعث افزایش زمان محاسبات گردید. مدل رگرسیون بردار پشتیبان بر بهترین مدل خطی که شامل همه پارامترها بود اعمال گردید که سبب کاهش دقت داده ها گشت. دقت بدست آمده از این مدل 45/3 درجه سانتی گراد بود.

داده های اقلیمی که در ایستگاه های محدودی برداشت می شوند نمی توانند برای پهنه بندی های اقلیمی در محدوده های بزرگ از دقت کافی برخوردار باشند. به عبارتی دیگر در منطقه ای با مساحت محدود ممکن است که اقلیم های کاملا متفاوتی وجود داشته باشد. از طرف دیگر تقسیم بندی اقلیمی رایج کاملا خشک و انعطاف ناپذیر است و نمی تواند برای تمامی کاربردها قابل استفاده باشد. هدف کلی در این پژوهش، تهیه لایه هایی از پارامترهای محیطی موثر در اقلیم و ارائه مدلی پویا برای استخراج نقشه های اقلیمی با انعطاف در تعریف پارامترهای اقلیمی توسط کاربر با استفاده از تصاویر ماهواره ای مودیس در محدوده منطقه مطالعاتی (کشور ایران) می باشد. بدیهی است که این روش می تواند برای سایر مناطق جهان نیز بکار گرفته شود. این پژوهش در چند مرحله کلی انجام شده است. مرحله اول ارائه مدلی جهت ایجاد لایه اطلاعاتی دمای هوا (pat) می باشد که در این مدل از اطلاعات دمای سطح، پوشش گیاهی، فشارجزئی بخارآب استخراج شده از تصاویر مودیس و داده کمکی ارتفاع استفاده می گردد. برای این کار از اطلاعات 115 ایستگاه هواشناسی در روزهای مختلف فصل تابستان سال 2012، به عنوان نقاط مدل جهت تعیین ضرایب مدل و حدود 115 ایستگاه به عنوان نقاط ارزیابی به منظور ارزیابی عملکرد مدل استفاده گردید. مقادیر ضریب همبستگی و rmse بدست آمده به ترتیب 0.92 و ? 2.4 است که نشان از کیفیت نسبتا قابل قبول مدل pat دارد. در مرحله دوم مدلی جهت تولید لایه اطلاعاتی رطوبت نسبی ارائه گردید که در آن از خروجی مرحله اول و فشار جزئی بخارآب محصول مودیس استفاده گردید. همچنین در این مرحله، با استفاده از نقاط ارزیابی این لایه اطلاعاتی نیز مورد ارزیابی واقع گردید. در مرحله سوم لایه اطلاعاتی پوشش سبز و پهنه های آبی از فرآورده پوشش زمینی (mcd12q1) و فرآورده پوشش گیاهی مودیس تولید گردید. بالاخره در مرحله نهایی، با ورود لایه های اطلاعاتی سنجش از دوری به محیط سیستم اطلاعات مکانی(gis) و تصمیم گیری در وزن دهی این سیستم بر اساس نیاز و محدوده های مد نظر کاربر و اقلیم شناس، پهنه ها و مناطق مورد نظر اقلیم شناس قابل استخراج خواهد بود.

به علت ضعف روش های موجود خوشه بندی، معمولا در تحلیل تصاویر ماهواره ای نتایج آن با اعتماد کمتری مورد استفاده قرار گرفته و از آن به عنوان روشی غیرمستقل یا مرحله ای از یک روش تحلیل ترکیبی استفاده می شود. همپوشانی طیفی عوارض در فضای ویژگی، بزرگترین اثر را روی دقت خوشه بندی دارد و با بالا رفتن شباهت طیفی عوارض، تشخیص خوشه ها برای الگوریتم های خوشه بندی دشوار می گردد. یکی از راهکارهای پیشنهادی در برای بالا بردن دقت خوشه بندی، خوشه بندی نیمه نظارت شده است که در این روش از انواع قیود برای کنترل فرآیند خوشه بندی استفاده می شود. یکی از پرکاربردترین قیود متداول، قیود مکانی هستند که از اطلاعات مکانی سطح تصویر علاوه بر اطلاعات طیفی فضای ویژگی استفاده می شود. در این تحقیق یک روش خوشه بندی توسعه داده شد که بتواند تا حد ممکن ضمن استفاده از قابلیت های خوشه بندی، با کمک اطلاعات مکانی تصویر، دقت خوشه بندی را بالا برده و از ضعف های روش های موجود تا حد ممکن اجتناب نماید.

چکیده ندارد.

چکیده ندارد.

مواد معلق، عمده ترین عامل آلودگی هم در مقیاس وزنی و هم حجمی در آب های شیرین سطحی هستند و می توانند نقش کلیدی در فرآیندهای زیست محیطی داشته باشند. این پارامتر می تواند به سرعت تغییر کند و غیر یکنواخت باشد. این بدان معنی است که روش های سنتی پایش رسوبات معلق که به نیروی کار میدانی، ابزار و آنالیز نمونه های آب نیاز دارند، نمی توانند مدل درستی که نماینده کل پیکره آبی باشد تولید کنند. این تحقیق، امکان سنجی استفاده از تصاویر سنجش از دوری برای توسعه مدل پایش رسوبات معلق در دهانه رودخانه بهمنشیر را که دقیق، قابل تکرار و مقرون به صرفه باشد، بررسی می کند. همچنین در این پژوهش، مدلی برای تعیین سهم مواد معلقی که در منطقه حضور دارند، توسعه داده می شود. به دلیل ویژگی های منحصر به فرد سنجنده aster در پایش آب با قدرت تفکیک طیفی و مکانی بالا، از داده های دیجیتالی این سنجنده جهت تخمین درصد رسوبات و همچنین بدست آوردن رابطه منطقی جهت تخمین غلظت رسوبات معلق استفاده شد. داده های میدانی به صورت همزمان با گذر ماهواره از منطقه مورد مطالعه درماه مه سال 2003، طی چندین سفر با قایق و از ایستگاه های مختلف برداشت شد. برای کاهش خطای جوی و واسنجی رادیومتریکی و همچنین کاهش خطاهای هندسی تصویر، تصاویر کاملا اصلاح گردید. برای بدست آوردن درصد مواد معلق از روش کد نویسی در نرم افزار matlab با روش حداقل مجذور مربعات استفاده شده است. جهت مدلسازی بین بازتابندگی رسوبات معلق و غلظت های اندازه گیری شده از شبکه عصبی مصنوعی در مقابل آنالیز های رگرسیون های خطی استفاده شد. مقادیر r2 و rmse از آنالیز های رگرسیونی به ترتیب 0/877 و 310 میلی گرم بر لیتر و برای شبکه عصبی برای حالت تست به ترتیب 0/987 و 13/381 میلی گرم بر لیتر می باشند. نتایج حاکی از آن است که شبکه عصبی به مراتب بهتر از آنالیزهای رگرسیونی عمل کرده است. این تحقیق نشان می دهد که تولیدات سنجش از دور، قادرند تا به عنوان ابزاری مهم به مدیران منابع آب در ارزیابی شرایط در دهانه های بزرگی همچون بهمنشیر به صورت اجمالی، و مکرر کمک کند.

فرآیند سنجش ازدور تحت تاثیر چندین نوع خطا، شامل اعوجاجات هندسی، عدم تعادل رادیومتریک و اثرات جوی است. از این میان اثرات جوی نقش بسیار مهمی دارد. "اصلاح جوی" درواقع بازتاب سطح تصاویر سنجش ازدور را از طریق حذف اثرات جوی بازیابی می کند. مدل 6s قادر است با شبیه سازی، این مشکل را حل کند (vermote et al,1997). تا کنون نرم افزارهای زیادی مبتنی بر استفاده از معادلات انتقال انرژی برای حذف اثر جو از تصاویر ماهواره ای تولید و مورد استفاده قرار گرفته است. از آن جمله می توان از flash،6s ،atcor وmodtran-n نام برد. تمامی این مدل ها ساختاری مشابه داشته و اساس آن ها بر استفاده از مدل های جوی برای اقلیم های خاصی مبتنی بوده و پارامترهای اقلیمی و سینوپتیکی خاصی را طلب می کنند. مدل هایی که در اختیار عموم قرار دارند اغلب بطور تقریبی جواب داده و نمی توان از آن ها در مناطق مختلف استفاده نمود. هر کشوری نیازمند تعریف و تدوین مدل خاصی برای مناطق مختلف و در فصول مختلف خود می باشد. در این مقاله، تلاش شده است تا با استفاده از داده های رادیوساوند مدل جوی برای منطقه مورد مطالعه تعریف شود. سپس با استفاده از مدل جوی استخراج شده و کد 6s، اصلاح جوی برای تصاویر منطقه ی مورد مطالعه صورت گرفته است و نتایج با مدل های پیش فرض کد 6s مقایسه گردیده است. نتایج نشان داد که اصلاح جوی تصاویر با استفاده از مدل جوی استخراج شده برای منطقه ی مورد مطالعه در باند های جذب بخار آب کاملا متفاوت با تصاویر اصلاح شده با مدل های پیش فرض می باشد. همچنین برای مقایسه بیشتر از ndvi استفاده شده است. نتایج در این منطقه نشان می دهد که بعد از اصلاح جوی ndviهای کمتر از 4/0 کاهش و ndviهای بیشتر از 5/0 افزایش یافته اند که با نتایج محققین دیگر در این زمینه تقریبا همخوانی دارد.

در شهرهای ساحلی ورود املاح دریایی از طریق هوا یک امر اجتناب ناپذیر است. این پدیده موجب بروز خسارتها و ناهنجاریهایی در محیط زیست انسان چه درکوتاه مدت و چه در درازمدت می شود. اثر کلر و ترکیبات گوگردی که قسمت مهمی از نمکهای دریایی را تشکیل می دهند بر روی فرآیندهای گیاهی، مصالح ساختمانی، کاغذ، چرم، فلزات و غیره تا حدی شناخته شده است. میزان تخریب بستگی به مقدار غلظت نمک در هوا و همچنین مدت زمان مجاورت جسم در چنین هوای آلوده ای دارد. هدف این پژوهش برآورد چگونگی گسترش و نفوذ نمک در دریا از طریق هوا و میزان غلظت نمک هوا در نقاط مختلف ساحلی شهر بندرعباس بوده است. برای تعیین غلظت نمک در هر نقطه از هوا از روشهای فیزیکی و شیمیایی استفاده شده است. همزمان با آن پارامترهای هواشناسی و وضعیت جوی نیز مورد مطالعه قرار گرفته است و تغییرات جوی بر روی انتقال املاح از طریق هوا بررسی شده است. برآوردها نشان می دهد که در نزدیکی ساحل غلظت املاح با ارتفاع و فاصله از ساحل شدیدا تغییر می کند ولی این تغییرات با دور شدن از ساحل از بین رفته و چگالی تقریبا به سمت یکنواختی میل می کند.