چکیده به منظور تفکیک نواحی اکولوژیکی بر اساس عوامل محیطی در بخشی از طالقان میانی واقع در ارتفاعات البرز، 16 ویژگی محیطی شامل خاک (13 ویژگی) و توپوگرافی (3 ویژگی) بررسی شد. منطقه مورد مطالعه با همپوشانی لایه های زمین شناسی، شیب و ارتفاع به مناطق همگن تقسیم گردید و در نهایت در پنج واحد کاری نمونه برداری انجام شد. نمونه برداری پوشش گیاهی به روش تصادفی-سیستماتیک در طول ترانسکت انجام شد. همچنین در ابتدا و انتهای هر ترانسکت پروفیل حفر و از عمق صفر تا 30 سانتی متر نمونه خاک برداشت شد. برای بررسی تشابه و عدم تشابه موجود بین نواحی اکولوژیکی، تجزیه خوشه ای بر اساس شاخص همبستگی به روش واردز انجام شد. نتیجه بصورت دندروگرام ترسیم شد. پس از آن برای مقایسه عوامل محیطی، تجزیه واریانس یک طرفه و روش دانکن استفاده شد. برای تعیین مهمترین عامل های محیطی موثر در تفکیک نواحی اکولوژیک از تجزی? مولفه های اصلی استفاده شد. نتایج حاصل از تجزیه خوشه ای 5 گروه گیاهی متفاوت را در سطح عدم تشابه 57 درصد نشان داد. نتایج تجزیه واریانس نیز نشان داد که کربن، ازت، آهک، اسیدیته، پتاسیم و عمق خاک دارای تغییرات معنی داری در ارتباط با تفاوت بین نواحی اکولوژیک است. نتایج تجزیه مولفه های اصلی نیز نشان داد ازت، پتاسیم، کربن، کلسیم، رس و شیب مهمترین عوامل تأثیرگذار بر تفکیک نواحی اکولوژیک بوده است.

بازیابی تصویر مبتنی بر محتوی (cbir)، به معنای بازیابی تصاویر با استفاده از ویژگی های سطح پایین همچون رنگ، بافت و شکل می باشد. در این نوع بازیابی، شکاف معنایی به معنای اختلاف در تفسیر تصاویر، بین انسان و الگوریتم کامپیوتری می باشد. برای کاهش این فاصله، بهتر است تا ابتدا کاربر انسانی تصاویر پایگاه تصویر را شرح گذاری کند و سپس بازیابی از تصاویر شرح گذاری شده انجام پذیرد. به دلیل تعداد زیاد تصاویر در پایگاه های تصویری، شرح گذاری تمامی آنها توسط انسان امکان پذیر نمی باشد. با توجه به حجم انبوه تصاویر در حوزه های مختلف و رشد روزافزون این تصاویر، نیاز به روش های کامپیوتری که به صورت خودکار شرح گذاری را بر روی این تصاویر انجام دهند امری ضروری می باشد. اولین الگوریتم شرح گذاری که تنها از ویژگی رنگ در آن استفاده می گردید در سال 1996 ارائه گردید. در این الگوریتم ها، جهت یادگیری روش شرح گذاری که توسط انسان انجام می شود، از چهار رویکرد آماری، مبتنی بر طبقه بند، مبتنی بر گراف و مبتنی بر جستجو در وب استفاده می شود. در این حوزه، نگاشت غیرصحیح ویژگی های سطح پایین تصویر به معانی سطح بالا، سبب می شود تا دقت شرح گذاری کاهش یابد. در روش هایی که تاکنون در شرح گذاری تصویر ارائه گردیده است، پس از استخراج بردارهای ویژگی رنگ، بافت و شکل، تحلیلی در موضوع فضای معنا و فضای ویژگی صورت نپذیرفته است. هر چند که با تغییر در بافت، رنگ و یا شکل تصویر، از نظر انسان معنا تغییری نکرده است، ولی به دلیل تغییر غیر پیوسته در بردار ویژگی های سطح پایین تصویر، شرح گذاری در تمامی موارد به درستی انجام نمی شود. در این رساله جهت همسو سازی فضای ویژگی با فضای معنا، از رویکرد کاهش ابعاد بردارهای ویژگی به صورت غیر خطی استفاده می شود. کاهش ابعاد بردارهای ویژگی به صورت غیرخطی که یادگیری منیفلد نیز نامیده می شود به معنای جستجوی ساختارهایی با ابعاد کم است که به صورت ذاتی و غیرخطی در مشاهدات با ابعاد بالا وجود دارد. تحقیقات پایه در روش های یادگیری منیفلد از سال 1998 با ارائه روش ایزومپ آغاز گردیده است. در این رساله در راستای حل دو مسأله حساسیت به نویز و نیز عدم استفاده از داده های برچسب دار در روش های پایه یادگیری منیفلد و همچنین در راستای کاربردی سازی یادگیری منیفلد در شرح گذاری خودکار تصویر، دو مدل بدون نظارت و بانظارت در یادگیری منیفلد ارائه شده است. در مدل بدون نظارتی، تمامی داده ها بدون برچسب هستند و در مدل بانظارتی، از برچسب داده های برچسب دار استفاده شده است. نوآوری اصلی در مدل بدون نظارتی، استخراج یک فضای ویژگی از چند فضای ویژگی می باشد که با رویکرد ارائه شده در این مدل، اثر منفی نویز در دقت یادگیری منیفلد کاهش می یابد. با نتایج بدست آمده از مدل بدون نظارتی، مدل بانظارت ارائه گردیده است. نوآوری اصلی ارائه شده در این مدل، چگونگی انتقال معانی از فضای معنا به فضای ویژگی با استفاده از عملگر ضرب معنایی می باشد. در ارزیابی دو مدل پیشنهادی در رسیدن به اهداف این رساله، از دادگان های بخش b از mpeg-7، fish، corel 5k و iapr tc-12 استفاده شده است. مدل بدون نظارت در دادگان بخش b از mpeg-7 سبب افزایش دقت بازیابی از 94/84% در روش ایزومپ به 73/89% در روش پیشنهادی گردیده است. موثر بودن این مدل در دادگان fish نیز نسبت به روش ایزومپ در نمودارهای دقت و فراخوان آورده شده است. مدل بانظارت نیز در دادگان های بخش b از mpeg-7، corel 5k و iapr tc-12 به ترتیب سبب افزایش دقت از 22/97% به 64/98% و افزایش f1 از 0.21 به 312/0 و 2/0 به 302/0 در استفاده از فضای منیفلد به جای فضای مشاهده، گردیده است.