جمع آوری داده توسط سنجش از دور یک مرحله اساسی در مدیریت پایدار زمین می باشد. یکی از پردازش های مهم و پرکاربرد بر روی تصاویر سنجش از دور، طبقه بندی است. از دیدگاه تصمیم گیری، نقشه های حاصل از طبقه بندی می توانند مفید واقع شوند، زیرا، این الگوریتم ها اطلاعات پیچیده طیفی- مکانی را در تعداد محدودی کلاس مورد نیاز، خلاصه می کنند. داده های پلاریمتریک sar به دلیل دارا بودن اطلاعات غنی از محیط، در چند دهه اخیر به یکی از پراستفاده ترین داده های سنجش از دوری تبدیل شده اند. به طور کلی، برای طبقه بندی تصاویر پلاریمتریک از دو منبع اطلاعاتی شامل، نوع مکانیسم پراکنش عوارض و توزیع آماری داده ها استفاده می کنند. معروف ترین توزیع آماری تصاویر پلاریمتریک، توزیع ویشارت بوده، و طبقه بندی کننده ویشارت نیز یکی از روش های پایه برای طبقه بندی این تصاویر محسوب می شود. همان طور که می دانیم یکی از مشکلات روش های طبقه بندی پیکسل پایه مخصوصاً به دلیل وجود اسپکل در تصاویر sar، وجود کلاس های ناهمگن و پیکسل های پراکنده در خروجی نقشه طبقه بندی شده می باشد. در این تحقیق، برای غلبه بر این مشکل و بهبود نتایج طبقه بندی، در روند طبقه بندی تصاویر پلاریمتریک sar علاوه بر استفاده از توزیع ویشارت، از اطلاعات موجود در همسایگی پیکسل ها نیز استفاده شد. برای مدل سازی اطلاعات همسایگی پیکسل ها، میدان های تصادفی مارکوف را به کار گرفته و تلفیق آن با توزیع آماری تصاویر یعنی توزیع ویشارت، طبقه بندی را انجام دادیم. برای مدل سازی اطلاعات همسایگی توسط میدان‎ های تصادفی مارکوف، از یک مدل ایزوتروپیک با یک سیستم همسایگی مرتبه دوم و برای پیدا کردن ماکزیمم احتمال موخر (مینیمم تابع انرژی) از روش icm استفاده نمودیم. هدف اصلی این تحقیق، پیاده سازی و اجرای الگوریتم طبقه بندی به صورت نظارت شده می باشد. ولی در کنار این تحقیق، با استفاده از نتایج طبقه بندی بر مبنای فضای h/? (طبقه بندی نظارت نشده)، طبقه بندی را به صورت نظارت نشده نیز انجام دادیم. استفاده از ویژگی های آنتروپی و زاویه آلفا در طبقه بندی نظارت نشده، بیشتر برای آنالیزهای پلاریمتریکی کلاس ها مفید بودند. از آنجا که تخمین پارامترها در حالت نظارت شده بر مبنای داده های آموزشی جمع آوری شده است، نتایج بدست آمده در طبقه بندی نظارت شده مستحکم و اعتمادپذیر می باشند. برای ارزیابی نتایج طبقه بندی نظارت شده از ماتریس خطا و برای طبقه بندی نظارت نشده از معیار purity استفاده نمودیم. با توجه به پیچیدگی و مشابهت کلاس های منطقه، به منظور بهبود نتایج طبقه بندی و افزایش قدرت تفکیک پذیری کلاس ها، به طور همزمان از دو تصویر پلاریمتریک sar مربوط به دو فصل زمستان و تابستان از یک منطقه مشابه، در طبقه بندی استفاده کردیم. البته، طبقه بندی در حالت تک تصویر نیز اجرا شد. با توجه به نتایج بدست آمده، بیشترین مقدار بهبود در دقت کلی طبقه بندی با روش wmrf (تلفیق mrf و ویشارت) نسبت به روش ویشارت، در حالت تلفیق دو تصویر و فیلتر اسپکل با پنجره 3×3 حاصل شد. در این حالت دقت کلی با روش ویشارت و روش wmrf به ترتیب برابر با، 65.4% و 76.4% بدست آمد. به عبارتی، میزان بهبود در دقت کلی برابر 11% بوده، در حالی که بدون در نظر گرفتن کلاس آب (در هر دو روش دارای دقت 100% و بدون اطلاعات بافت) برای 4 کلاس باقی مانده، میزان بهبود به 15% افزایش می یابد. بیشترین دقت کلی حاصله برای طبقه بندی، در حالت تلفیق دو تصویر و فیلتر اسپکل با پنجره 7×7 بدست آمد. در این حالت، دقت روش ویشارت و روش wmrfبه ترتیب برابر با، 79.6% و 84.7% بودند.

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.

درفعالیت های مربوط به صنعت نفت به خصوص اکتشاف چشمه های نفتی، داده های سنجش از دوری می توانند کمک بسزایی را داشته باشند. از جمله مزیت های استفاده از این داده ها می توان به کاهش هزینه و ریسک موجود در فعالیت های اکتشافی اشاره کرد. چشمه های نفتی تاثیراتی را بر محیط پیرامون خود می گذارند که با در نظر گرفتن آن ها می توان دقت کار اکتشافی را بالا برد و هم چنین از ایجاد هزینه های گزاف جلوگیری کرد. در این تحقیق به ارزیابی پتانسیل تصاویر فراطیفی در آشکارسازی چشمه های نفتی پرداخته شده است. این کار با استفاده از تصویر فراطیفی سنجنده هایپریون، مربوط به منطقه کمارون در نزدیکی شهرستان ایذه، و به کارگیری الگوریتم های ace، cem، mf و mtmf در شناسایی و آشکارسازی هدف در سطح زیر پیکسل صورت گرفته است. در ابتدا پردازش های لازم برای آماده سازی تصویر انجام شد. طیف ورودی به الگوریتم ها نیز از طریق عملیات طیف سنجی میدانی بدست آمد. پس از پیاده سازی الگوریتم ها و اعمال حدآستانه ها، در نهایت چهار نقطه به عنوان تراوشات نفتی بدست آمد. نقطه 1 به مختصات 5/3548917 شمالی و 5/365182 شرقی (متر) توسط هر 4 الگوریتم، نقطه 2 به مختصات 5/3545782 شمالی و 5/366007 شرقی (متر) توسط الگوریتم های cem، mf و mtmf، نقطه 3 به مختصات 3541447.5 شمالی و 5/369067 شرقی (متر) توسط الگوریتم های ace، cem، mf و نقطه 4 به مختصات 5/3547117 شمالی و 5/364057 شرقی (متر) تنها توسط الگوریتم ace به دست آمدند. با مقایسه نتایج با نقشه موجود از تراوشات منطقه، صحت نقاط 1 و 2 مورد تایید واقع شد و به منظور بررسی دو مورد دیگر، نیاز به عملیات میدانی می باشد. کلمات کلیدی: تصویر فراطیفی، الگوریتم های شناسایی هدف، طیف سنجی میدانی، تراوشات هیدروکربنی

در دهه های اخیر، با توجه به ظهور سنجنده های پلاریمتریک رادار، تحقیقات فراوانی در زمینه استفاده از داده های این سنجنده ها بعنوان ابزاری مناسب در مطالعه پوشش سطح زمین مطرح شده است. طبقه بندی کلاس های پوشش دهنده ی سطح زمین، یکی از مهم ترین کاربرد های تصاویر پلاریمتریک رادار می باشد. با استفاده از تصاویر پلاریمتریک می توان توصیفگرهای بسیاری را استخراج نمود که بیشتر این توصیفگرها از توزیع آماری خاصی پیروی نمی کنند، در این تحقیق از طبقه بندی کننده ماشین های بردار پشتیبان که یک طبقه بندی کننده غیرپارامتریک می باشد، استفاده شده است. بطور کلی این تحقیق دو هدف عمده و اصلی را دنبال می کند که این دو عبارت اند از: امکان سنجی تاثیر زاویه فرودهای مختلف در بهبود طبقه بندی و طبقه بندی با استفاده از توصیفگرهای بهینه استخراج شده از تصاویر با زاویه فرودهای مختلف. به منظور امکان سنجی تاثیر زاویه فرود های مختلف در بهبود طبقه بندی از روش های طبقه بندی wishart و طبقه بندی ماشین های بردار پشتیبان (svm)، استفاده شده است. همچنین به منظور دستیابی به هدف دوم، با توجه به بالا بودن تعداد توصیفگرهای استخراج شده از هر تصویر، ابتدا با استفاده از الگوریتم ژنتیک توصیفگرهای بهینه هر تصویر انتخاب شده و در نهایت طبقه بندی ماشین های بردار پشتیبان svm بر روی توصیفگرهای انتخاب شده هر حالت اعمال شده است. در نهایت پس از انجام مراحل فوق الذکر این نتیجه بدست آمد که استفاده از تصاویر با زاویه فرودهای مختلف می تواند به بهبود نتایج حاصل از طبقه بندی کمک کند. همچنین در حالت استفاده از توصیفگرهای بهینه استخراج شده از دو تصویر به صورت همزمان دقت کلی 11/88 درصد و ضریب کاپا 89/85 درصد بدست آمد.

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.

از آنجا که پلاریمتری راداری زمینه¬ای به نسبت نوظهور در سنجش از دور می¬باشد، تحقیقات محدودی در مورد طبقه¬بندی این تصاویر صورت گرفته است. ویژگی¬های خاص تصاویر پلاریمتری مانند مستقل بودن از شرایط آب و هوایی، قابلیت اخذ تصویر در هر زمان از شبانه¬روز، حساسیت به ساختار هندسی و فیزیکی اشیا همچنین ظهور سنجنده¬های پلاریمتریک راداری خصوصا سنجنده های فضابرد در دهه¬های اخیر، سبب شده که پلاریمتری راداری به عنوان زمینه¬ای نوید¬بخش در سنجش از دور مطرح گردد. به علت ماهیت همدوس تصاویر پلاریمتری تعداد قابل توجهی ویژگی از این تصاویر قابل تولید است که می-تواند در تشخیص نوع پوشش¬های زمینی موثر واقع شود. در کنار این امتیازات تصاویر پلاریمتری دارای مشکلاتی در آنالیز و استخراج اطلاعات نیز می¬باشند که اعوجاجات هندسی و رادیومتریکی و مشکلات ویژه داده با ابعاد بالا از جمله آنها است. در این پایان¬نامه ضمن بررسی مبانی تئوری پلاریمتری و روش¬های تجزیه تارگت سعی در تولید تعداد قابل توجهی ویژگی جهت تشخیص هرچه بهتر پوشش¬های زمینی از این تصاویر شده است. علاوه بر این با استفاده از انتخاب ویژگی و ترکیب طبقه بندی¬کننده¬ها سعی در ارائه راه¬حل¬هایی جهت حل مشکلات داده با ابعاد بالا در تصاویر پلاریمتری شده است. دو مجموعه داده alos-palsar از شهر شیراز وradarsat2 از منطقه felevoland با قدرت¬ تفکیک مکانی متفاوت به منظور پیاده¬سازی روش¬ها و ارزیابی نتایج مورد استفاده قرار گرفت. با انجام 6 آزمایش بر روی هر دو مجموعه داده روش¬های wfs، wcbfs، fcbfs، ssnfs، sscbfs، rsce مورد ارزیابی قرار گرفت که نتایج حاصل بیانگر افزایش قابل توجه صحت طبقه بندی در روش های کلاس مبنا نسبت به روش های غیر کلاس مبنا بود (7/2% برای داده radarsat در طبقه بندی کننده svm-rbf در روش¬های نظارت شده و 93/1% برای داده alos) که سهم عمده این افزایش مربوط به افزایش صحت در کلاس¬های سخت می¬باشد (01/3% در داده radarsat و 11/3% برای داده alos). همچنین دو روش سریع نیمه نظارت شده با معیارهای غیر¬پارامتریک در این پایان نامه ارائه گردید. طبقه¬بندی¬کننده svm نسبت به تمامی طبقه¬بندی¬کننده¬ها به ویژه شبکه عصبی دارای صحت بالاتری بود (01/8% در داده alos و 85/4% در داده radarsat). انتخاب پر¬تعداد برخی از ویژگی¬ها مانند ویژگی¬های مارپیچ و ارتفاع پدستال بیانگر کارایی این ویژگی¬ها در افزایش تفکیک پذیری بین کلاس¬های مختلف و انتخاب پر¬تعداد ویژگی¬های ناشی از تجزیه تارگت¬های همدوس در داده radarsat2 بیانگر کارایی این ویژگی¬ها در قدرت تفکیک مکانی بالا می¬باشد.

کاربرد رادار با روزنه¬ی مجازی (sar) در بسیاری از زمینه¬ها ثابت شده است. در تمام این زمینه¬ها، از مقدار پارامترهای مختلف راداری مانند ضریب بازپراکنش استفاده می¬شود. بنابراین ضروری است تمام عوامل تأثیرگذار روی مقدار پارامترهای مذکور شناخته شوند. عوامل محیطی مانند رطوبت خاک، رطوبت سطح (ناشی از باران، شبنم و مه)، تغییرات دمایی، برف، سیلاب، باد و طوفان، و برفک و یخ از جمله فاکتورهایی هستند که روی میزان پراکنش تأثیر می¬گذارند. بنابراین برای رسیدن به خروجی¬های صحیح¬تر و در نظر گرفتن تصاویر مناسب برای کاربردهای مختلف، ضروری است که تأثیر آنها در نظر گرفته شود. در این کار هدف این است که تأثیر تغییر یک پارامتر سنجنده (مدار) و دو عامل محیطی دما و رطوبت روی ضرایب بازپراکنش راداری در پولاریزاسیون¬های مختلف، انواع مکانیزم های پراکنش، ارتفاع پدستال، امضای پلاریمتریک و طبقه-بندی برای کلاسهای مختلف در یک منطقه¬ی جنگلی در نظر گرفته شود. برای بررسی هر یک از این عوامل و همچنین اعتبارسنجی نتایج، سه دسته از تصاویر رادارست-2 انتخاب شدند که حتی-الامکان سایر پارامترهای تأثیرگذار به جز پارامتر مورد بررسی ثابت باشند. سپس ماتریس کووریانس برای تمام تصاویر استخراج شده و تصحیح زمینی و ژئوکد شدند. در مرحله¬ی بعد، با کمک داده های زمینی مقدار متوسط ضرایب بازپراکنش در هر سه پولاریزاسیون، ارتفاع پدستال، امضای پلاریمتریک برای هر کلاس محاسبه شده و متوسط فاصله¬ی ویشارت هر کلاس نسبت به کلاسهای دیگر به دست آمد. برای بررسی تأثیر عوامل محیطی روی مکانیزم های پراکنش، تجزیه¬ی freeman-durden روی تصاویر انجام گرفت و این تصاویر نیز به طور جداگانه تصحیح زمینی و ژئوکد شدند. سپس سهم متوسط هر یک از مکانیزم های پراکنش برای هر یک از کلاسها در هر تاریخ برای تمام کلاسها محاسبه شد. در نهایت، تغییر تمام پارامترهای مذکور در تاریخ های مختلف بررسی شده و تفسیر نتایج انجام گرفت. یافته¬ها در مورد تأثیر مدار نشان دادند که با ثابت ماندن مقدار سایر متغیرها، تغییر مدار سبب تغییر میزان بازپراکنش می¬شود که این میزان تغییر بستگی به فصل و شرایط منطقه¬ی مطالعاتی دارد. مهم¬ترین نتایجی که با تفسیر داده های مربوط به تغییرات دمایی به دست آمدند، این بود که دما به طور مستقیم روی بازپراکنش تأثیر نمی¬گذارد بلکه با تغییر سایر پارامترهای محیطی سبب تغییر میزان بازپراکنش می¬شود. وجود برف در منطقه-ی مورد مطالعه چه روی درخت و چه روی زمین سبب افزایش پراکنش سطحی شده و عدم وجود آن روی درخت سبب افزایش پراکنش حجمی می¬گردد. در کلاسهایی که شامل گیاه هستند، ارتفاع پدستال در دماهای زیر صفر کمتر از دماهای بالای صفر است. تفاوت قابل توجهی بین رفتار گونه¬های پهن برگ و سوزنی برگ در اثر تغییر دما مشاهده نمی¬شود، اگرچه برخی تفاوت¬های ظریف وجود دارند. در تمام تاریخ¬ها، پراکنش دوجهشه کمترین سهم را در بازپراکنش کلی داشت که به علت عمق نفوذ کمتر در باند c است. تصاویری که پوشیده از برف نیستند و در دمای صفر یا بالای صفر اخذ شده¬اند، برای طبقه¬بندی مناسب¬تر از تصاویری هستند که در آنها عوارض پوشیده از برف بوده و در دمای زیر صفر اخذ شده¬اند. یافته¬ها در مورد رطوبت سطح نشان دادند که وجود این عامل سبب افزایش بازپراکنش می¬شود و بیشترین تأثیر را روی پراکنش حجمی یا پولاریزاسیون hv می¬گذارد. بهترین تصاویر برای تفکیک گیاهان زمینی از سایر کلاسها تصاویری هستند که در آنها رطوبت سطح گیاهان بالاست. همچنین، مقدار میانگین ارتفاع پدستال با کاهش زاویه¬ی فرودی کاهش پیدا می¬کند. اگرچه نتایج مذکور از اهمیت برخوردارند، به پارامترهای سنسور و منطقه¬ی مورد مطالعه وابسته هستند. بنابراین به طور کلی، این کار یک دانش کلی از چگونگی تغییر پارامترهای مختلف در اثر تغییر عوامل محیطی در مناطق جنگلی و با سنجنده¬ی رادارست-2 ارائه می¬دهد و قابل تعمیم به تمام مناطق مطالعاتی یا پیکربندی دیگری از سنجنده نمی¬باشد.

تصاویر ماهواره ای به دلیل مزایای بسیاری که دارند از شروع تولید و بکارگیری به عنوان یکی از بهترین و به صرفه ترین روش ها برای تهیه نقشه های پوششی زمین بکار گرفته می شوند. رسیدن به یک راهکار مناسب برای تهیه دقیق این نقشه ها دغدغه مهم مهندسان سنجش از دور از ابتدا تاکنون بوده است. روش های مختلفی تاکنون برای طبقه بندی تصاویر و تهیه نقشه کاربری اراضی و پوشش زمین ارائه شده اند. به دلیل ماهیت پیکسلی این تصاویر برای بیش از دو دهه روش های آماری برای طبقه بندی این تصاویر استفاده می شد که تماماً روش های مبتنی بر پیکسل بودند. به کلاس های حاصل از این روش ها کلاس های طیفی می گفتند. در روش های سنتی تمرکز بیشتر بر روی ابعاد طیفی داده های سنجش از دور قرار دارد و از وابستگی های مکانی پیکسل های مجاور غفلت شده است. به همین دلیل این گونه طبقه بندی کننده ها با مشکلاتی مانند اثر نمک فلفلی در تصویر طبقه بندی شده و یا هم پوشانی طیفی برخی از کلاس ها مخصوصاً در لبه ها مواجه هستند که باعث می شوند نتوانند بازسازی مناسبی از محیط واقعی را ارائه دهند. روش های شئ گرا برای برطرف کردن ضعف های روش های پیکسل مبنا ابداع شدند. در این روش ها چند پیکسل که ماهیت یکسانی دارند و در همسایگی هم هستند، به عنوان یک شئ در نظر گرفته می شوند. به دست آوردن قطعات در آنالیز شئ گرای تصاویر ابتدایی ترین مرحله این گونه آنالیزها است. در روش های معمول طبقه بندی های شئ گرا، اشیا مورد نیاز را با استفاده از پیاده سازی الگوریتم های قطعه بندی بر روی تصویر به دست می آورند. طبقه بندی نهایی قطعات به دست آمده از این روش ها اگرچه ممکن است به دقت بالایی برسد، ولی این اشیاء نمی توانند عوارض واقعی سطح زمین را به خوبی بازسازی کنند. در روش هایی که به تازگی مورد توسعه قرارگرفته اند اشیا مورد نیاز جهت انجام آنالیز شئ گرا از داده های جانبی مانند نقشه های مکانی منطقه استخراج می شوند. در این تحقیق، هشت ویژگی بافت در دو جهت و در چهار باند استخراج می شوند که تشکیل 64 ویژگی جدید می دهند. این 64 ویژگی به همراه ویژگی ndvi استخراج شده از تصویر و چهار باند اصلی تصویر تشکیل یک فضای ویژگی 69 بعدی را می دهند. سپس با استفاده از الگوریتم ژنتیک فضای ویژگی بهینه انتخاب می شود. در ادامه اشیاء مورد نیاز برای آنالیز شئ گرای تصویر، از لایه های جی آی اس استخراج می شوند. سپس ویژگی مکانی نسبت طول به عرض از اشیاء استخراج شده از داده های gis، محاسبه می شود. این ویژگی هم به فضای ویژگی بهینه اضافه شده و فضای ویژگی جدید تشکیل می شود. ویژگی ها با در نظر گرفتن توزیع نرمال برای آن ها، وارد رابطه محاسبه شباهت ها در قانون بیز می شوند. با ترکیب اشیاء استخراج شده و شباهت های محاسبه شده برای پیکسل های داخل هر شئ، میزان شباهت هر شئ به هر کلاس محاسبه می شود. و درنهایت با انجام طبقه بندی بیشینه شباهت در سطح اشیا، برچسب گذاری اشیا انجام می گیرد. درنهایت مشخص می شود که در فرایند بهبودی الگوریتم دقت کلی طبقه بندی به میزان 18 درصد افزایش می یابد.

استفاده از سنجش از دور برای کاربردهای کشاورزی یکی از عمده ترین زمینه های کاربردی تکنیک های سنجش از دور می باشد. در این میان طیف سنجییکی از روش های مورد استفاده برای دریافت اطلاعات علمی و عملی، با استفاده از برهم کنش انرژی الکترومغناطیس و ماده مورد طیف سنجیاست. بر همین اساس، یکی از روش های اصلی و متداول تشخیص و تمییز مواد مختلف، تحلیل طیف بازتابی آن ها است. تهیه ی اطلاعات مربوط به سطح زیر کشت گندم و جو و میزان محصول آن ها، تأمین کننده ی مدیریت موفق و پایدار در سیاست گذاری های اقتصادی برای این دو کالای راهبُردی می باشند. برآورد میزان تولید این دو محصول، مستلزم برآورد سطح زیر کشت و تعیین نوع ارقام آن هاست چرا که هر یک از ارقام، میزان تولید متفاوتی دارند. به همین منظوردر این تحقیق به آنالیز تفکیک پذیری ارقام گندم و جوی ایرانی و ارزیابی پتانسیل این داده ها جهت طبقه بندی تصاویر سنجش از دوری پرداخته شده است. منحنی رفتار طیفی مربوط به 7 رقم گندم و 7 رقم جو در مزرعه ی موسسه ی تحقیقات اصلاح و تهیه نهال و بذر واقع در کرج در چهار مرحله از مقاطع رشد، اندازه گیری شدند. مشاهدات توسط دستگاه طیف سنج میدانیfieldspec®3 در دامنه ی طول موج 350 تا 2500 نانومتر در نور و شرایط طبیعی اخذ گردیدند. بعد از حذف محدوده ی نویزی متأثر از بخار آب و کنار گذاشتنمشاهدات اشتباه با استفاده از روش های آماری، به منظور بارز سازی تفاوت های احتمالی بازتاب طیفی ارقام مورد مطالعه، 65 شاخص گیاهی طیفی مهم و حساس به غلظت کلروفیل، شدت فتوسنتز، نیتروژن و میزان آب موجود در تاج گیاه و غیره برای طیف های هر چهار مرحله مشاهداتی محاسبه شدند. سپس از آنالیز آماری واریانس و آزمون جفتی توکی جهت بررسی تفکیک پذیری ارقام مختلف گندم و جو استفاده شد. نتایج نشان می دهند که در مرحله ی مشاهداتی سوم شاخص های بیشتری می توانند تعداد ارقام بیشتری را از همدیگر تفکیک کنند. در ادامه به منظور بررسی توانمندی سنجنده های سنجش از دوری چند طیفی در تفکیک این ارقام از همدیگر، سعی شد با استفاده از کتابخانه ی طیفی تشکیل شده، تصاویر سنجنده-ی oli از ماهواره ی لندست 8 طبقه بندی شوند.در این بخش از مطالعه، 27 شاخص گیاهی و 9 معیار شباهت طیفی به کار گرفته شدند. البته در این بخش فقط طیف های ارقام گندم استفاده شدند. آنالیز تفکیک پذیری ارقام مختلف هم به صورت تک تصویر و هم به صورت سری زمانی ارزیابی شد. نتایج حاصله تفکیک کامل گندم یاواروس را از سایر ارقام نشان می دهد.

تصاویر ماهواره ای به دلیل مزایای بسیاری که دارند از شروع تولید و بکارگیری به عنوان یکی از بهترین و به صرفه ترین روش ها برای تهیه نقشه های پوششی زمین بکار گرفته می شوند. رسیدن به یک راهکار مناسب برای تهیه دقیق این نقشه ها دغدغه مهم مهندسان سنجش از دور از ابتدا تاکنون بوده است. روش های مختلفی تاکنون برای طبقه بندی تصاویر و تهیه نقشه کاربری اراضی و پوشش زمین ارائه شده اند. به دلیل ماهیت پیکسلی این تصاویر برای بیش از دو دهه روش های آماری برای طبقه بندی این تصاویر استفاده می شد که تماماً روش های مبتنی بر پیکسل بودند. به کلاس های حاصل از این روش ها کلاس های طیفی می گفتند. در روش های سنتی تمرکز بیشتر بر روی ابعاد طیفی داده های سنجش از دور قرار دارد و از وابستگی های مکانی پیکسل های مجاور غفلت شده است. به همین دلیل این گونه طبقه بندی کننده ها با مشکلاتی مانند اثر نمک فلفلی در تصویر طبقه بندی شده و یا هم پوشانی طیفی برخی از کلاس ها مخصوصاً در لبه ها مواجه هستند که باعث می شوند نتوانند بازسازی مناسبی از محیط واقعی را ارائه دهند. روش های شئ گرا برای برطرف کردن ضعف های روش های پیکسل مبنا ابداع شدند. در این روش ها چند پیکسل که ماهیت یکسانی دارند و در همسایگی هم هستند، به عنوان یک شئ در نظر گرفته می شوند. به دست آوردن قطعات در آنالیز شئ گرای تصاویر ابتدایی ترین مرحله این گونه آنالیزها است. در روش های معمول طبقه بندی های شئ گرا، اشیا مورد نیاز را با استفاده از پیاده سازی الگوریتم های قطعه بندی بر روی تصویر به دست می آورند. طبقه بندی نهایی قطعات به دست آمده از این روش ها اگرچه ممکن است به دقت بالایی برسد، ولی این اشیاء نمی توانند عوارض واقعی سطح زمین را به خوبی بازسازی کنند. در روش هایی که به تازگی مورد توسعه قرارگرفته اند اشیا مورد نیاز جهت انجام آنالیز شئ گرا از داده های جانبی مانند نقشه های مکانی منطقه استخراج می شوند. در این تحقیق، هشت ویژگی بافت در دو جهت و در چهار باند استخراج می شوند که تشکیل ?? ویژگی جدید می دهند. این ?? ویژگی به همراه ویژگی ndvi استخراج شده از تصویر و چهار باند اصلی تصویر تشکیل یک فضای ویژگی ?? بعدی را می دهند. سپس با استفاده از الگوریتم ژنتیک فضای ویژگی بهینه انتخاب می شود. در ادامه اشیاء مورد نیاز برای آنالیز شئ گرای تصویر، از لایه های جی آی اس استخراج می شوند. سپس ویژگی مکانی نسبت طول به عرض از اشیاء استخراج شده از داده های gis، محاسبه می شود. این ویژگی هم به فضای ویژگی بهینه اضافه شده و فضای ویژگی جدید تشکیل می شود. ویژگی ها با در نظر گرفتن توزیع نرمال برای آن ها، وارد رابطه محاسبه شباهت ها در قانون بیز می شوند. با ترکیب اشیاء استخراج شده و شباهت های محاسبه شده برای پیکسل های داخل هر شئ، میزان شباهت هر شئ به هر کلاس محاسبه می شود. و درنهایت با انجام طبقه بندی بیشینه شباهت در سطح اشیا، برچسب گذاری اشیا انجام می گیرد. درنهایت مشخص می شود که در فرایند بهبودی الگوریتم دقت کلی طبقه بندی به میزان ?? درصد افزایش می یابد.

طبقه بندی پوشش زمین یکی از کاربرد های مهم استفاده از داده های سنجش از دوری است. از میان تصاویر و داده های مورد استفاده در این مورد، داده های پلاریمتری راداری به خاطر امکان استخراج ویژگی های زیاد و متنوع میتوانند برای طبقه بندی گزینه مناسبی باشند. در این تحقیق یک روش عارضه مبنا برای طبقه بندی مناطق شهری با استفاده از داده های پلاریمتری راداری به صورت تلفیق نتایج پیکسل مبنای طبقه بندی svm و قطعات تصویری ارائه می گردد و همچنین برای رسیدن به دقت مناسب طبقه بندی از مجموعه ویژگی های بهینه استفاده شده است. بدین منظور، از روش طبقه بندی کننده های چندگانه svm استفاده شده است. برای نیل به این هدف، معیار دقت کلاس و معیار فاصله حاشیه (margin)svm در طبقه بندی svm جهت انتخاب ویژگی به صورت کلاس مبنا و همچنین انتخاب ویژگی به صورت تصادفی مورد استفاده قرار گرفته است. در تصاویر پلاریمتری به خاطر اسپکل، گاها نتایج طبقه بندی پیکسل مبنا ممکن است راضی کننده نباشد. لذا در این تحقیق از ویژگی های مربوط به فضای تصویر یا قطعات تصویری استفاده شده است. بطور کلی روش ارائه شده سه گام اصلی دارد: انتخاب ویژگی , طبقه بندی پیکسل مبنا و تلفیق نتایج پیکسل مبنا و قطعات تصویری. بهبود دقت طبقه بندی بعنوان دستاورد مهم این تحقیق معرفی شده اند. نتایج عملی نشان میدهد که دقت کلی روش ارائه شده در بهترین حالت طبقه بندی چندگانه عارضه مبنا با استفاده از معیار دقت کلاس در انتخاب ویژگی کلاس مبنا 07/90 درصد و بهترین حالت طبقه بندی چندگانه عارضه مبنا با استفاده از معیار حاشیه svm در انتخاب ویژگی کلاس مبنا 24/89 درصد بدست امد. همچنین برای حالت انتخاب ویژگی تصادفی , دقت کلی طبقه بندی چندگانه عارضه مبنا 75/87 درصد حاصل شد که نشان دهنده افزایش دقت طبقه بندی نسبت به حالت پیکسل مبنا و طبقه بندی کننده ی تک می باشد.

تحقیقات اخیر نشان داده است که طبقه بندی تصاویر سنجش ازدور با کمک روش هایی که از اطلاعات مکانی در کنار اطلاعات طیفی استفاده می کند، نسبت به روش های مبتنی بر فقط اطلاعات طیفی، دقیق تر می باشد. اگرچه طبقه بندی به روش ماشین بردار پشتیبان دارای نتایج دقیق در بیشتر تصاویر سنجش ازدور می باشد ولی این طبقه بندی کننده ذاتا بر مبنای فقط اطلاعات تک پیکسل عمل می کند، که این یک محدودیت برای استفاده از آن می باشد. در این مقاله، تلفیق ماشین بردار پشتیبان با میدان های تصادفی مارکوف به منظور طبقه بندی داده های پلاریمتری رادار با روزنه مصنوعی از یک منطقه شامل گونه های مختلف جنگلی، پوشش گیاهی و آب بر اساس افزودن اطلاعات مکانی انجام می شود. به منظور انتخاب ویژگی های پلاریمتری مناسب و همچنین برآورد خودکار پارامترهای بهینه مورد نیاز، از الگوریتم ژنتیک استفاده می شود. در نهایت نتایج نشان می دهد دقت کلی طبقه بندی با روش پیشنهادی نسبت به روش ماشین بردار پشتیبان، حدود 6 درصد بهبود داشته است.

اخیرا مد جدیدی در سیستم های تصویربرداری dual polarimetry ارائه شده است که compact polarimetry (cp) نامیده می شود. این مد چندین مزیت مهم را نسبت به مد full polarimetry دارا می باشد که از جمله آنها می توان به قابلیت کاهش در پیچیدگی، هزینه و نرخ داده های sar اشاره کرد. همچنین این مد پهنای نوار وسیع تری را نسبت به مد fp دارد. بنابراین این مد می تواند برای کاربردهای بزرگ مقیاس مانند کنترل و پایش مناطق جنگلی مناسب باشد. در این تحقیق پتانسیل داده های cp در طبقه بندی پوشش های جنگلی بررسی و ارزیابی شده است.