24 نتیجه برای سنجش از دور
جمیل جلالی، فریدون رادمنش، عبدعلی ناصری، محمدعلی آخوندعلی، حیدرعلی زارعی،
جلد 24، شماره 3 - ( 9-1399 )
چکیده
تبخیر یکی از پارامترهای مهم در مدیریت پیکرههای آبی، تغییرات تراز آب در آنها و محاسبه بیلان آب است که برآورد دقیق آن با مشکلات و پیچیدگیهای خاصی روبهرو است. توجه به محدودیت روشهای فیزیکی و تجربی برآورد تبخیر، استفاده از فناوری سنجش از دور بهدلیل امکان برآورد مکانی اطلاعات و همچنین حداقل کردن استفاده از دادههای هواشناسی میتواند کاربرد وسیعی در محاسبه تبخیر داشته باشد. الگوریتمهای زیادی برای برآورد تبخیر و تعرق با استفاده از فناوری سنجش از دور توسعه داده شدهاند. از جمله این الگوریتمها، SEBAL و SEBS هستند. در این پژوهش با استفاده از این الگوریتمها برای محاسبه آلبیدوی سطح، دمای سطحی و شاخص وضعیت پوشش گیاهی از دادههای ماهوارهای چندطیفی و اطلاعات هواشناسی مانند درجه حرارات، ساعتهای آفتابی، باد، فشار بخار اشباع، رطوبت خاک و غیره استفاده و درنهایت تبخیر- تعرق در کشت و صنعت نیشکر واحد امیرکبیر واقع در جنوب غربی خوزستان، محاسبه و نقشههای تبخیر- تعرق برای سال 1397 تهیه شد. همچنین تبخیر- تعرق واقعی با استفاده از روش Priestly- Taylor محاسبه شد و با روش SEBAL و SEBS مورد مقایسه قرار گرفت. تفاضل مطلق برای الگوریتم SEBAL در دوره مورد تحقیق بین 0/1 تا 0/27 متغیر بود و برای الگوریتم SEBS این مقدار از 0/09 تا 19/2 بهدست آمد که برای هر دو الگوریتم قابل قبول است اما نتایج نشان میدهد الگوریتم SEBAL کارایی قابل قبولتری نسبت به الگوریتم SEBS دارد.
مرتضی کفاش، حسین ثنایی نژاد،
جلد 25، شماره 2 - ( 6-1400 )
چکیده
دمای سطح زمین (LST) پارامتری مهم در سیستمهای اقلیمی و آب و هوایی است. یکی از راههای منحصر بهفرد تخمین این پارامتر مهم اقلیمی، استفاده از فناوری سنجش از دور است. اما محصولات ماهوارهای یا دارای قدرت تفکیک مکانی پایین هستند یا دارای قدرت تفکیک زمانی پایین که پتانسیل کاربرد آنها را در مطالعات مختلف با محدودیت مواجه میسازد. در سال های اخیر، استفاده از تکنیک های ادغام مکانی- زمانی بهمنظور تولید تصاویر با قدرت تفکیک مکانی و زمانی زیاد همزمان، مورد تحقیق و بررسی گستردهای قرار گرفته اند. در این مطالعه برای تولید تصاویر LST با قدرت تفکیک مکانی سنجنده TIRS لندست و قدرت تفکیک زمانی سنجنده مودیس، از الگوریتم انعطافپذیر ادغام داده مکانی- زمانی (FSDAF) استفاده شد. اعتبارسنجی کمی و کیفی تصاویر تولید شده توسط مقایسه با LST واقعی لندست انجام شد. نتایج نشان داد الگوریتم FSDAF هم از لحاظ کیفی و هم از لحاظ کمی، از دقت بالایی در برآورد داده های روزانه LST برخوردار است. میزان پارامترهای RMSE و MAE تصاویر مصنوعی نسبت به تصاویر واقعی بهترتیب بین 1/18 تا 1/71 و 88/0 تا 1/29 درجه سانتی گراد بود. میزان همبستگی بالاتر از 0/87 و اریبی بین 0/6- تا 1/45 درجه سانتی گراد نیز مؤید دقت و صحت بالای الگوریتم در برآورد LST شبه لندست در مقیاس زمانی روزانه است.
آذین نوروزی، محمدرضا انصاری،
جلد 25، شماره 3 - ( 9-1400 )
چکیده
در حال حاضر رخداد طوفان ریزگرد از مهمترین معضلات زیستمحیطی استان خوزستان است و ناحیه جنوب و جنوب شرق اهواز بهعنوان یکی از کانونهای داخلی منشأ ریزگرد شناخته شده و در اولویت اول اجرای عملیات اصلاحی قرار دارد. با توجه به اینکه تغییرات کاربری اراضی از عوامل بیابانزایی در منطقه مذکور است، مدلسازی تغییرات آن ضروری و اطلاعات مفیدی را برای برنامهریزان بهمنظور مهار و احیای اراضی تخریب شده فراهم میکند. این پژوهش با هدف ارزیابی کارایی مدل CA-Markov در پیشبینی روند تغییرات کاربری اراضی در منطقه مذکور بر اساس دو رویکرد بلندمدت و کوتاهمدت انجام شد. در رویکرد بلندمدت از نقشههای کاربری اراضی سالهای 1986 و 2002 و در رویکرد کوتاهمدت از نقشههای کاربری اراضی سالهای 2002 و 2007 برای پیشبینی کاربری اراضی سال 2016 استفاده و سپس نتایج مدلسازی اعتبارسنجی شد. بر اساس نتایج مقادیر خطای مکانی، خطای کمی و ضریب کاپا برای رویکرد بلندمدت بهترتیب برابر با 42/55 درصد، 13/95 درصد و 0/08 و برای رویکرد کوتاهمدت بهترتیب 12/56 درصد، 10/42 درصد و 0/22 حاصل شد که مبین توانایی ضعیف مدل CA-Markov در پیشبینی روند تغییرات کاربری اراضی در کانون ریزگرد جنوب و جنوب شرق اهواز است. استفاده از قانون یکنواخت در طول شبیهسازی بدون درنظر گرفتن عوامل و فرایندهای مؤثر بر تغییرات کاربری اراضی، یکسان نبودن روند تغییرات کاربری اراضی طی دورههای مطالعاتی، تغییرات متأثر از فعالیتهای انسانی، وقوع خشکسالی و طولانی بودن دوره پیشبینی را میتوان از دلایل عملکرد ضعیف مدل CA-Markov دانست.
ثریا بندک، سید علیرضا موحدی نائینی، چوقی بایرام کمکی، محمد کاکوئی، جوکم ورلست،
جلد 27، شماره 3 - ( 9-1402 )
چکیده
کربن آلی خاک (SOC) که یکی از حیاتیترین خصوصیات فیزیکی و شیمیایی خاک است، نقش مهمی در تولید پایدار کشاورزی دارد و از تخریب و فرسایش خاک جلوگیری میکند. دادهکاوی و مدلسازی مکانی همراه با تکنیکهای یادگیری ماشینی بهمنظور بررسی میزان کربن آلی خاک مبتنی بر دادههای سنجش از دور بهصورت گسترده مورد توجه قرار گرفته است. هدف از این مطالعه بررسی تغییرات مقدار SOC با استفاده از تکنیک سنجش از دور در مقایسه با روشهای نمونهبرداری مزرعهای در مناطقی از گنبد کاووس و جنگل نیلی آزادشهر است. نمونههای خاک بهمنظور اندازهگیری مقدار SOC در آزمایشگاه جمعآوری شد. دادهها به دو دسته 70 درصد برای واسنجی (آموزشی) و 30 درصد اعتبارسنجی (آزمون) دستهبندی شدند و از الگوریتمهای یادگیری ماشین شامل جنگل تصادفی، ماشین بردار پشتیبان، درخت تصمیم پیشرفته، و افزایش گرادیان اکسترمم برای برآورد و تهیه نقشه کربن آلی خاک استفاده شد. متغیرهای کمکی پیشبینی کربن آلی خاک شامل باندها، شاخصهای منتج از ماهواره لندست 8 و سنتینل 2، اقلیم و توپوگرافی است. نتایج نشان داد که استخراج مؤلفههای مربوط به باندها همراه با محاسبه شاخصهایی مانند تفاوت پوشش گیاهی نرمال شده، شاخص خیسی، شاخص همواری دره بهعنوان متغیرهای کمکی نقش مهمی در برآورد صحیحتر مقدار ماده آلی خاک دارند. همچنین مقایسه رگرسیونهای مختلف تخمین نشان داد، مدل جنگل تصادفی در ماهواره سنتینل 2 و مدل درخت تصمیم پیشرفته در لندست 8 بهترتیب با مقادیر ضریب تبیین، خطای جذر میانگین مربعات و میانگین خطای مطلق 0/64، 0/05 و 0/17 بهترین کارایی را نسبت به سایر رویکردهای استفاده شده در برآورد کربن آلی خاک سطحی در منطقه مطالعاتی ارائه کردند. نتایج این مطالعه بر قابلیت دادهای سنجش از دور و مدل یادگیری در تخمین مکانی کربن آلی خاک دلالت دارد و میتواند بهعنوان روشی جایگزین برای روشهای آزمایشگاهی در تعیین برخی ویژگیهای خاک از جمله کربن آلی خاک مورد توجه قرار گیرد.