به‌ منظور استفاده هم‌زمان از اطلاعات طیفی و مکانی تصاویر ماهواره‌ای از روش‌های مختلف تلفیق تصاویر استفاده می‌گردد، اما روش‌های ادغام تصاویر معمولاً با اعوجاجات طیفی و مکانی در تصویر خروجی همراه بوده که میزان این انحرافات با توجه به روش و نیز داده‌های مورد استفاده متغیر است. هدف از این تحقیق کاربرد تلفیق تصاویر سنجش از دوری لندست 8 (OLI) مربوط به 18 دی 1396 و سنتینل-2 مربوط به 21 دی 1396 با روش‌های ادغام تصاویر، Gram Schmidt، CN، Brovey، DWT، SFIM و Multiplication در پایش شهر اهواز است. به‌منظور ارزیابی کیفیت تصاویر حاصل از ادغام، از شاخص‌های CC، SAM،PSNR، SIMM و فیلتر لاپلاسین استفاده گردید. نتایج تحقیق حاضر نشان داد که بین روش‌های مورد استفاده روش‌های DWT و Brovey به ترتیب بهترین روش از لحاظ حفظ اطلاعات طیفی و مکانی می‌باشند. همچنین بیشترین اعوجاجات از نظر طیفی با مقدار 1.18 در شاخص SAM مربوط به روش Multiplication و بیشترین انحراف مکانی در شاخص DWT با مقدار همبستگی 0.47 با تصویر مرجع مشاهده شد. همچنین نتایج نشان داد که روش‌ SFIM از جنبه طیفی و مکانی دارای دقت مناسب می‌باشد. Manuscript profile

شناسایی موقعیت درختان اولین گام جهت مدیریت فضای سبز، باغ‌ها و جنگل‌ها است. تهیه نقشه موقعیت درختان می‌تواند با عملیات زمینی نقشه‌برداری که نیاز به هزینه و زمان زیادی دارد یا با استفاده از تصاویر هوایی یا ماهواره‌ای انجام شود. در این پژوهش از تصاویر ماهواره‌ای با قدرت تفکیک مکانی بالای گوگل ارث برای تشخیص و استخراج درختان نخل با توجه به نقش و اهمیت درخت نخل در مناطق جنوبی ایران استفاده شده است، اما تشخیص خودکار درخت از تصاویر ماهواره‌ای یک چالش است. در این راستا روش‌های یادگیری عمیق به عنوان یک راه‌حل مهم برای استخراج اشیا از تصاویر مطرح هستند. در این تحقیق از روش‌های یادگیری عمیق باقیمانده با تعداد لایه‌های 18، 34 و 50 استفاده شده است. ابتدا بیش از 3000 نمونه تصویر در دو کلاس حاوی درخت نخل و بدون درخت نخل با ابعاد 64 در 64 پیکسل بریده شده و سپس مدل‌ها با 80 درصد نمونه‌ها برای یادگیری و 20 درصد برای اعتبارسنجی با 30 دوره تکرار و دقت بالای 99 درصد برای هر سه مدل آموزش داده شده است. مدل آموزش دیده بر روی 500 نمونه تست اجرا شده و نتایج ارزیابی هرسه مدل نشان داد که معیار دقت بیش از 0.96 و معیار بازیابی برابر 1 و معیار F1Score بیش از 0.98 است. اجرای مدل‌ها بر روی تصاویر ماهواره‌ای گوگل ارث با حرکت پنجره 64 در 64 پیکسل با گام 16 پیکسل و سپس اعمال روش سرکوب غیرحداکثری نشان می‌دهد که می‌توان از تصاویر ماهواره‌ای سامانه گوگل ارث برای تهیه نقشه موقعیت درختان نخل استفاده نمود. با توجه به زمان پردازش و امکان برآورد بهتر تعداد و استخراج موقعیت درختان نخل، مدل یادگیری عمیق باقیمانده با 34 لایه پیشنهاد شد. Manuscript profile

برای رسیدن به امنیت آبی و غذایی پایش به‌هنگام، دقیق و با قابلیت تکرار پذیری سطوح زیر کشت لازم و ضروری است. در این راستا تحقیق حاضر با هدف ارزیابی قابلیت تلفیق تصاویر سنتینل1 و سنتینل2 جهت تفکیک سطوح زیر کشت گندم، کلزا، نخلستان‌ها و اراضی کشت تابستانه در منطقه شمال شرق اهواز انجام شد. برای رسیدن به هدف تحقیق، براساس داده‌های در دسترس سه گروه ترکیبات سری زمانی ایجاد شد. گروه اول شامل ترکیب سری زمانی سنتینل1و2 به همراه شاخص NDVI برای کل دوره مورد بررسی، گروه دوم ترکیبات سری زمانی سنتینل1 و2 براساس دوره اوج سبزینگی و گروه سوم ترکیبات از ترکیب تک تصاویر سنتینل1 و 2 در دوره اوج سبزینگی ایجاد شدند. سپس با استفاده از الگوریتم‌های یادگیری ماشین حداکثر احتمال و ماشین بردار پشتیبان اقدام به طبقه‌بندی تصاویر شد و نقشه‌های موضوعی سطوح زیر کشت به این ترتیب تهیه شد. درنهایت صحت نتایج بدست آمده با استفاده از شاخص‌های صحت کلی و ضریب کاپا ارزیابی شد. براساس نتایج بدست آمده مشخص شد که ترکیب سری زمانی تصاویر سنتینل1 و2 به‌همراه شاخصNDVI برای کل دوره مورد بررسی (ترکیب شماره 3) به روش ماشین بردار پشتیبان جهت استخراج سطوح زیر کشت منطقه مورد مطالعه دارای بالاترین دقت کلی و ضریب کاپا بوده که بترتیب 22/91 درصد و 89/0 می‌باشد. همچنین نتایج بدست آمده بیان‌گر این واقعیت بود که الگوریتم ماشین بردار پشتیبان برای ترکیبات سری زمانی بالاترین دقت کلی و ضریب کاپا را دارد و برای روش‌های تک تصویر الگوریتم حداکثر احتمال دارای بالاترین دقت کلی و ضریب کاپا می‌باشد. براساس یافته‌ها نتیجه‌گیری می‌شود که ترکیبات سری زمانی تصاویر سنتینل2 و الگویتم ماشین بردار پشتیبان جهت استخراج سطوح زیر کشت دارای صحت بالایی نسبت به روش تک تصویر هستند و تلفیق قطبش VH سنتینل1 به سری زمانی سنتینل2 سبب افزایش صحت به میزان 5 درصد می‌شود. Manuscript profile

طبقه‌بندی و تفکیک پوشش زمین از مهم‌ترین کاربردهای سنجش از دور می‌باشد. برای انجام طبقه‌بندی، داده‌های ماهوارهای چندطیفی ابزاری کارآمد می‌باشند، اما متاسفانه در برخی از شرایط، مانند آب و هوای ابری در دسترس نیستند. همچنین اکثر الگوریتم‌های طبقه‌بندی داده‌های سنجش از دور بر اساس ویژگی‌ها و اطلاعات طیفی پیکسل‌ها عمل می‌کنند که این مسئله باعث نادیده گرفتن اطلاعات مکانی مفید قابل استخراج از تصاویر، از جمله؛ بافت تصاویر می‌شود. استفاده همزمان از بافت و اطلاعات طیفی مبحثی است که به آن کمتر پرداخته شده است. بنابراین با در نظر گرفتن این ایده جهت انتخاب ویژگی‌های بهینه برای تهیه نقشه پوشش‌های زمین از دو روش استفاده شد. روش اول بازتاب نرمال شده عوارض با توجه به ویژگی‌های استخراج شده و روش دوم اعمال شاخص ضریب بهینه (Optimum Index Factor) بروی ویژگی-های بافتی و طیفی استخراج شده می‌باشد. به این منظور فرآیند طبقه‌بندی با استفاده از روش ماشین بردار (Support Vector Machine)، برروی تصویر راداری سنتینل-1و تصویر چندطیفی سنتینل- 2، ویژگی‌های بهینه انتخاب شده با دو روش و ترکیب باندهای تصویر با ویژگی‌های بهینه انتخاب شده با دو روش و در آخر با تلفیق بهترین ترکیب باندهای رادار و اپتیک انجام گرفت. با توجه به نتایج بدست آمده، طبقه‌بندی با استفاده از ویژگی‌های طیفی دقت بالاتری نسبت به طبقه‌‌بندی با استفاده از ویژگی‌های بافت دارد. با تلفیق ویژگی‌های اپتیک و رادار و بدست آمدن مقادیر 07/97 درصد برای دقت کلی و 96/0 برای ضریب کاپا دقت طبقه بندی تا حد زیادی بهبود داده شد. این تحقیق نشان داد که با انتخاب ویژگی‌های بهینه و تلفیق داده‌های طیفی و راداری می‌توان از ویژگی‌های متفاوت هر یک از داده‌ها استفاده کرد و به نتایج بهتری رسید. همچنین تلفیق ویژگی بافتی از تصویر راداری و ویژگی طیفی از تصویر اپتیکی می‌تواند تاثیر بسیار خوبی در بهبود نتایج طبقه‌بندی پوشش زمین داشته باشد. Manuscript profile