طبقه بندی گیاهان برحسب گونه آنها یکی از مهمترین اهداف سنجش از دور در کشاورزی دقیق است. برای تهیه آلگوریتمی که بتواند این مهم را انجام دهد، نیاز به داده های زمینی با اطمینان بالا وجود دارد. بنابراین نیازمند تهیه راهکاری برای استخراج اطلاعاتی قابل اعتماد زمینی از خود تصاویر هستیم. در این تحقیق با استفاده از منحنی های طیفی آزمایشگاهی گیاهان روشی آسان برای شناسائی پیکسل های با پوشش کامل گیاهی معرفی می شود. سپس با استفاده از این پیکسل ها روشی هیبریدی برای طبقه بندی گیاهان به کمک شبکه عصبی مصنوعی معرفی می گردد. در این روش از مقادیر بازتابندگی گیاهان مختلف در سه مقدار بیشینه سبز، کمینه قرمز و بیشینه فروسرخ نزدیک بهمراه روش شبکه عصبی مصنوعی استفاده می شود. با استفاده از داده های با اطمینان بالا با نتایج حاصل از روش پیشنهادی صحت کلی 94 درصد را نشان می دهد. این روش برای طبقه بندی گیاهان با استفاده از تصاویر ابرطیفی پیشنهاد می شود.

ابرها با توجه به اینکه اثرهای گسترده و وسیعی برروی موازنه انرژی در سطح زمین و در جو دارند همواره مورد توجه محققین مختلف هواشناسی و اقلیم شناسی بوده است. از جمله مسایلی که تحقیق در مورد این پدیده جوی را با مشکلاتی مواجه کرده است، تغییرپذیری زیاد ابرها در مکان ها و زمان های مختلف است که خود منشأهای متفاوتی دارد. با این حال توانایی سنجش از دور در برآورد خصوصیات و ویژگی های ابرها در بررسی تغییرات آن ها در مکان ها و زمان های مختلف این فرصت را در اختیار محققین مختلف قرار داده است تا از سنجش از دور به عنوان مرجعی جهت اعتبارسنجی مدل های هواشناسی و برآورد و پیش بینی آن ها استفاده کنند. یکی از جنبه های تحقیقاتی مهم در ارتباط با ابرها ارتفاع آن ها می باشد، که در تحقیق حاضر نیز هدف تعیین آن با استفاده از تصاویر modis می باشد. به این ترتیب که ابتدا با استفاده از داده های رادیوساوند موجود در دو ایستگاه مهرآباد و کرمانشاه پروفایل دمایی اتمسفر نسبت به ارتفاع استخراج گردید. سپس با استفاده از یک مدل پنج مرحله ای جهت شناسایی ابرهای موجود در تصویر، پیکسل های تصویر مورد نظر به چهار دسته ابری، احتمالاً ابری، احتمالاً بدون ابر و غیر ابری تقسیم شدند، که در مراحل بعدی فعالیت ها فقط به پیکسل های ابری منحصر شدند. سپس با استفاده از دمای درخشندگی سطح ابرها و مقایسه آن با پروفایل دمایی استخراج شده، برآورد اولیه ای از ارتفاع ابرها به عمل آمد. اما با توجه به اینکه دمای درخشندگی تفاوتاتی با دمای واقعی دارد تلاش در برآورد مقدار گسیلمندی ابرها شد. در نهایت با استفاده از مدل lse در باندهای 31 و 32 سنجنده مذکور گسیلمندی ابرها برآورد گردید. سپس با استفاده از گسیلمندی برآورد شده، دمای واقعی و در نهایت ارتفاع واقعی آن ها استخراج گردید. مقایسه دو ارتفاع استخراج شده حاکی از این بود که ارتفاع ابرها در حالت دمای واقعی به طور میانگین 11.807 درصد کمتر از ارتفاع آن ها در حالت دمای درخشندگی می باشد. در آخر نیز جهت اعتبارسنجی ارتفاعات استخراج شده به طور نسبی، فاز ابرها برآورد گردید که مقایسه آن با ارتفاع ابرها؛ به طور ضمنی تأیید کننده صحت مدل ارائه شده جهت تعیین ارتفاع ابرها می باشد.

ذرات معلق آلاینده هوا، ممکن است باعث بروز اثرات شدیدی از قبیل ایجاد و یا تشدید بیماری های قلبی – عروقی و تنفسی گردند. مشخصه های نوری و فیزیکی هواویزها به کمک روش های میدانی و سنجش از دور، قابل محاسبه هستند. در روش های میدانی، غلظت آلاینده های هوا توسط ایستگاه های زمینی سنجش آلودگی هوا اندازه گیری می شود. تعداد این ایستگاه ها با توجه به وسعت شهرها، بسیار اندک بوده و از توزیع یکنواختی برخوردار نمی باشند. از این رو با توجه به در دسترس بودن امکانات ماهواره ای در کشور در سال های اخیر، نیاز به پایش و کنترل آلاینده های هوا، در سطح وسیع و با روش هایی که از سرعت و دقت بیشتر و هزینه ی کمتری برخوردار باشند احساس می شود. یکی از مهم ترین آلاینده هایی که پایش آن در جو توسط فناوری سنجش از دور میسر می باشد، غلظت ذرات معلق (pm10) با استفاده از تصاویر سنجندهmodis است. از این رو مدت هاست که کاربرد این سنجنده برای سنجش آلودگی ذرات معلق مورد توجه متخصصین و مدیران شهری قرار گرفته است. هدف این پژوهش، بررسی توانایی داده های سنجنده modis، در سنجش آلودگی هوا در مناطق شهری و تولید نقشه های روزانه آلودگی هوا با استفاده از این داده ها در محدوده طیفی مرئی و مادون قرمز میانی می باشد. برای این منظور از تصاویر ماهواره ای modis level 1b-1km و modis level 1b-250m و داده های mod04-level 2 برای مدل سازی استخراج اطلاعات از تصاویر ماهواره ای به همراه داده های حاصل از اندازه گیری در ایستگاه های زمینی سنجش آلودگی هوا برای انجام تحلیل های کیفی و کمّی این مدل ها در سطح شهر تهران، استفاده شد. نتایج نشان می دهند که بطورکلی، همبستگی نسبتاّ خوبی میان محاسبات سنجش از دوری و اندازه گیری های زمینی وجود دارد. این همبستگی مدل سازی گردید مدل مبتنی بر استفاده از تجزیه طیفی خطی برای تفکیک سهم دو عضو خالص می باشد که یکی بازتابندگی سطح و دیگری بازتابندگی ناشی از ذرات معلق است. در این رابطه اولی از تصاویر در یک روز پاک و دومی از یک روز کاملا آلوده که در آن سطح زمین دیده نمی شود استخراج شده است. نتیجه مدل سازی تشخیص کمّی آلودگی pm10 با دقت بالای 70 درصد و rmse معادل با 22/132در سطح شهر تهران بود. مقایسه rmse و مقادیر غلظت زمینی pm10 نشان داد که برای مقادیر غلظت pm10 (حدود 100 میکروگرم بر متر مکعب) درصد خطای مدل سازی بالا بوده و مدل در پیش بینی مقادیر مبالغه می کند، اما بطورکلی، وجود وابستگی میان محاسبات سنجش از دوری و اندازه گیری های زمینی، حاکی از قابل استفاده بودن تصاویر ماهواره ای در نظارت بر وضعیت آلودگی هایی از نوع ذرات معلق در مناطق شهری و با پوشش وسیع می باشد. همچنین در این پژوهش، منابع عدم قطعیت و پژوهش های آتی مورد بحث و نتیجه گیری قرار گرفته است.

برای مدیریت ریسک در کشاورزی با مقیاس بزرگ لازم است در زمان مناسب آفت محصول شناسایی شود. گاهاً قسمتی از زمین دچار آفت می شود و تا وقتی که مسئولان مربوطه متوجه شوند آفت مقدار زیادی از محصول را از بین می برد. همچنین شناسایی زودهنگام تنش در گیاه که امکان کاربرد بهتر و کارآمدتر آب و مواد شیمیایی کشاورزی را فراهم می کند موجبات بهبود و ارتقای مدیریت پایدار را فراهم می آورد. روشهای سنجش از دور ابرطیفی با بهره گیری از دستگاه های اندازه گیر بازتابندگی در باندهایی با عرض باریک و پیوسته، برای اهداف گوناگون در زمینه کشاورزی و مدیریت محصول اعم از شناسایی و طبقه بندی گونه های گیاهی، برآورد محصول، اندازه گیری و آنالیز پارامترهای گوناگون مربوط به محصول پیشنهاد می شود. علت این پیشنهاد به تاثیر عوامل و شرایط مختلف مانند شرایط ارگونومیک، آفات، وضعیت گیاه، پاتولوژی و فرآیندهای گوناگون بیوفیزیکی گیاه در خصوصیات طیفی محصول برمی گردد. در این پژوهش سعی بر آن شده است که از طریق معرفی شاخصهای طیفی، روشی را برای شناسایی گیاه آفت زده و میزان این آفت زدگی را با استفاده از داده های ابرطیفی تولید شده توسط اسپکترورادیومتر ارائه -شود. برای این کار، رفتار بازتابندگی طیفی برگ گیاه در نواحی مرئی و فروسرخ در درجات مختلف آفت زدگی مورد بررسی و آنالیز قرار گرفت و شاخصی برای تشخیص میزان آفت زدگی در سه سطح سالم و جزئی، متوسط، و پیشرفته تعریف و پس از انجام آزمون مورد تایید قرار گرفت.

یک روش برآورد غلظت ذرات معلق استفاده از داده های ضخامت نوری هواویز (aod ) می باشد. در این تحقیق یک مدل شبه تجربی با روش الگوریتم ژنتیک برای برآورد غلظت ذرات معلق در زمان عبور ماهواره و در مقیاس محلی معرفی شده است. برای این کار از مقادیر تصحیح شده aod بدست آمده از تصاویر سنجنده modis ، استفاده گردیده است. بدین منظورaod نسبت به رطوبت نسبی و ارتفاع اختلاط تصحیح شده است. در مدل شبه تجربی، برخی داده های هواشناسی نیز وارد رابطه شده و با استفاده از الگوریتم ژنتیک تاثیر آنها در نظر گرفته شده است. وارد شدن دما و رطوبت نسبی به مدل، موجب بهبود برآورد غلظت ذرات معلق شده است. در نهایت این مدل برای منطقه تهران اعتبار سنجی شده است و همبستگی قابل قبولی (r2=0. 51) با تغییرات غلظت ذرات معلق سطحی با انحراف معیاری معادل 28 بدست آمد. با توجه به قدرت تفکیک 10 کیلومتر داده های aod و وسعت شهر تهران، امکان تهیه نقشه توزیع ذرات معلق از این داده ها وجود ندارد. بنابراین برای تهیه این نقشه از روشی با عنوان acr استفاده شد. در این روش با استفاده از روابط تجربی موجود بین بازتابندگی در طول موج های مختلف، اقدام به برآورد بازتابندگی ناشی از ذرات معلق می شود. با استفاده از رگرسیون خطی، بین بازتابندگی ناشی از هواویز (acr) استخراج شده از داده های سنجنده modis و غلظت ذرات معلق با قطر کمتر از 5/2 میکرومتر اندازه گیری شده توسط ایستگاه های آلودگی سنج شهر تهران یک ارتباط برقرار شد. این ارتباط نشان دهنده آن بود که روش acr در روزهایی که پوشش گیاهی در سطح شهر تهران موجود است (اواسط بهار، تابستان و اوایل پاییز)، قادر خواهد بود با همبستگی نسبتا خوبی (تا r=0.7) به صورت روزانه غلظت ذرات معلق را برآورد کند. با استفاده از نقشه توزیع آلودگی ذرات معلق که از این روش ترسیم شد، تاثیر ترافیک و راه های اصلی شهر و صنایع بر آلودگی شهر تهران مورد بررسی قرار گرقت، که در نتیجه آن مشخص شد این موارد نقش بسزایی در گسترش آلودگی تهران دارند. در نهایت با بررسی ارتباط بین نقشه توزیع ذرات معلق مناطق شهر تهران و ابتلای شهروندان تهرانی به سرطان ریه، یک همبستگی مثبت بین این دو دیده شد و مشخص شد احتمال ابتلا به این بیماری در مکان هایی با آلودگی زیاد ذرات معلق، بیشتر است.

پهنه بندی گسیلمندی سطح یک نیاز مهم در سنجش از دور حرارتی می باشد. با داشتن مقادیر دقیق گسیلمندی، می توان دمای سطح را به طور دقیق مشخص نمود که در بسیاری از مطالعات زیست محیطی، اقلیمی، و مدلهای پیش بینی هوا کاربرد دارد. با توجه به اهمیت گسیلمندی سطح و دقت در برآورد آن، در این مطالعه به بررسی دقت در برآورد گسیلمندی برای دو سنجندهmodis و aster پرداخته شده است. برای اعتبار سنجی و بررسی دقت این دو سنجنده از مقادیر گسیلمندی اندازه گیری شده زمینی و آزمایشگاهی در 6 منطقه امریکای شمالی استفاده گردیده است. دراین تحقیق، گسیلمندی سنجنده aster از روش tes و محصولات گسیلمندی modis از دو نسخه041 و 005استخراج گردید. سپس اختلاف مقادیر به دست آمده با مقادیر زمینی محاسبه و آنگاه دقت نتایج به دست آمده از دوسنجنده در دو باند 8.5 و 11 میکرون برای تصاویر همزمان این دو سنجنده مقایسه شد. همچنین برای اطمینان بیشتر از نتایج و به منظور مقایسه دقت، از متوسط گسیلمندی به دست آمده توسط دو سنجنده در طول دوره زمانی و در محدوده 11 میکرون استفاده گردید. نتایج به دست آمده از تصاویر همزمان این دوسنجنده نشان می دهد که سنجنده aster درمحدوده 8.5 میکرون و درتمامی مناطق مورد مطالعه به طور متوسط از دقت بالاتری به میزان 4.6% نسبت به modis برخوردار است. همچنین در محدوده 11 میکرون، aster به طور متوسط درتمامی مناطق از دقتی در حدود 0.7% برخوردار بوده ولی سنجنده modis خطایی بالغ بر 1.2% را دارد. میزان خطا در سنجنده modis برای پوششهایی که گسیلمندی واقعی آنها نسبتا پایین باشد بیشتر نیز می گردد. در مجموع سنجنده aster نسبت به سنجنده modis نتایج قابل قبول تری ارائه می دهد. این یافته باید در زمان استفاده از گسیلمندی در مدلهای هواشناسی و در دیگر کاربردهایی که نیازمند گسیلمندی دقیق است مورد توجه قرار گیرد.

در سال های اخیر استخراج اطلاعات از تصاویر ابر طیفی هدف بسیاری از تحقیقات و پژوهش های سنجش از دور بوده است. برخی از این اطلاعات شامل نوع و میزان مواد پوشش دهنده سطح می-باشد. تشخیص نوع مواد از طریق برهمکنش آن ها با نواحی مختلف طیف الکترومغناطیسی میسر است و تعیین مقدار آن ها به ابعاد پیکسل وابسته می باشد. با تلفیق داده های ابرطیفی و داده های با قدرت تفکیک مکانی بالا امکان دستیابی همزمان به این اطلاعات در مقیاس مناسب ایجاد می شود. در مطالعاتی همچون بررسی پوشش زمین، پایش آلودگی هوا و مطالعات گازهای جوی نیاز محققان به استفاده از تصاویر ابر طیفی بیش از پیش آشکار می شود. اگر چه تصاویری همچون geoeye-1 بر روی پایگاه داده google earth و تصاویر ikonos توانایی تفکیک مکانی عوارض را با دقت بالایی دارند، اما به دلیل توان تفکیک طیفی پایین قادر به تشخیص دقیق پوشش های شهری نمی باشند. در این تحقیق به منظور ارتقاء اطلاعات طیفی تصاویر با قدرت تفکیک مکانی بالا (geoeye-1 ) از تصاویر با قدرت تفکیک طیفی بالا (تصاویر hyperion) استفاده شده است. در این تحقیق کلاس-های مختلف از تصویر اخذشده از سرور google earth با قدرت تفکیک مکانی 1.65 متر و با استفاده از طبقه بندی بدون نظارت دو مرحله ای که جداسازی اجزاء خالص تصویر را با دقت مناسبی امکان پذیر می سازد، انجام شد. سپس با استفاده از تصاویر ابر طیفی و حل معکوس معادلات، طیف کلاس های مختلف محاسبه گردید. در نهایت این طیف ها به تصاویر با قدرت تفکیک مکانی بالا افزوده و تصاویری با قدرت تفکیک مکانی و طیفی تولید گردید. در این تحقیق میانگین مقادیر فاکتور های rmse و r_error در مقایسه تصویر اصلی و بازسازی شده با طیف های حاصل از حل معادلات بترتیب 47/4% و 017/0 بدست آمد. بمنظور بررسی و ارزیابی نتایج، طیف های بدست آمده با طیف های میدانی جمع آوری شده مقایسه و نمودار پراکندگی برای آن ها ترسیم شد.

بیماری زنگ قهوه ای از جمله مهمترین بیماری های گندم می¬باشد که بیشترین فراوانی را در بین بیماری های زنگ گندم داشته و سالانه بیشترین خسارت را بر این محصول راهبردی وارد می-سازد. این بیماری در مراحل اولیه با تولید لکه های رنگی زرد و نارنجی برروی برگ ظهور کرده و در مراحل پیشرفته، به رنگ های قهوه ای و خشک بر روی برگ ظاهر می شود. در این پژوهش راهکار تشخیص این بیماری با استفاده از رفتار طیفی برگ گیاه بیمار مورد بررسی قرار گرفت. برای اینکار بازتابندگی برگ های سالم و بیمار گندم در مراحل مختلف توسعه بیماری با استفاده از اسپکترورادیومتر جمع آوری شد. نسبت بیماری سطح برگ به کل مساحت برگ و سهم درجات مختلف بیماری شامل زرد، نارنجی، قهوه ای تیره و خشک با دوربین دیجیتال استخراج گردید. با داشتن سهم دقیق مراحل مختلف بیماری و طیف بازتابندگی برگ بیمار، طیف¬های بازتابندگی مربوط به مراحل مختلف بیماری با استفاده از ترکیب طیفی خطی و روش کمترین مربعات استخراج شدند. منحنی بازتابندگی مراحل مختلف بیماری در طول موجهای 450 تا 1000 نانومتر جهت یافتن طول موج مناسب برای تخمین بیماری مورد ارزیابی قرار گرفت. با بررسی منحنی¬های بازتابندگی با تابع فیشر دو شاخص مبتنی بر بازتابندگی در طول موجهای 605 و 695 و 455 نانومتر برای تخمین بیماری زنگ قهوه ای ارائه گردیدند. برای هر دو شاخص ضریب همبستگی بین مقادیر تخمینی نسبت بیماری و مقادیر واقعی آن، بیشتر از 95/0 بدست آمد. نتایج آزمایش ها نشان دادند که شاخص های ارائه شده امکان تشخیص دقیق بیماری زنگ قهوه ای را با وجود مراحل مختلف آن فراهم می آورند. در ادامه برای نخستین بار، تابعی برای تخمین پیشرفت مراحل بیماری در یک سختی مشخص از بیماری ارائه گردید. بر اساس نتایج بدست آمده از این تابع، طول موج های 775 و 675 نانومتر بیشترین مقدار را نشان دادند. لذا از نسبت بازتابندگی در طول موج های 775 و 675 به عنوان نسبت طیفی مناسب، جهت تشخیص پیشرفت بیماری استفاده گردید. دقت کلی و دقت کاپا برای تشخیص شدت بیماری در چهار سطح مختلف، به ترتیب 74/0و 66/0 بدست آمد. طیف های خالص بازتابندگی استخراج شده برای انتخاب طول موج های مناسب جهت تخمین سهم مراحل بیماری مورد بررسی قرار گرفتند. نتایج نشان داد، مقادیر بازتابندگی در14 طول موج شامل 450، 500 ، 530، 550، 570، 680، 670، 700، 710، 730، 750، 800، 970 و 900 نانومتر، قادر به تخمین مراحل مختلف بیماری با دقت مناسب هستند. با استفاده از مقادیر بازتابندگی دراین طول موج ها، می توان سهم هر یک از مراحل مختلف بییماری را با افزایش 10 درصدی آنها، برآورد نمود. ضریب همبستگی بین مقادیر تخمینی و واقعی برای نواحی زرد، نارنجی، قهوه ای تیره، خشک به ترتیب مقادیری برابر با 65/0، 71/0، 76/0 و 84/0 بدست آمد، که گویای دقت طول موج های مورد استفاده در این تحقیق برای شناسائی سهم مراحل مختلف بیماری است.در ادامه شاخص های پوشش گیاهی و تکنیک های چند متغیره آماری، جهت تخمین میزان بیماری مورد ارزیابی قرار گرفتند. در بیشتر شاخص های پوشش گیاهی با افزایش سختی بیماری، مقادیر شاخص ها بصورت پراکنده تغییر می نماید. این تغییر با افزایش پراکندگی داده های شاخص های پوشش گیاهی همراه است و این افزایش از دقت شاخص ها می کاهد. دلیل کاهش دقت شاخص ها، حضور ترکیبات مختلف از مراحل مختلف بیماری، در یک سختی مشخص از بیماری می باشد. تکنیک های چند متغیره آماری مورد استفاده شامل شبکه عصبی و رگرسیون حداقل مربعات جزئی بود. همانگونه که قایل پیش بینی بود، ضریب تعیین (9/0<r2) بالائی را بین سختی بیماری تخمینی و مشاهده ای نشان دادند.