۲-در فصل دوم برخی از مطالعات خارجی و داخلی مرتبط با زمینه تحقیق به اختصار توضیح داده شد .
۳- در فصل سوم علاوه بر مباحث عمومی سنجش از دور مختصری در مورد تصاویر فراطیفی ، سنجنده هایپریون و الگوریتم های طبقه بندی اشاره شده است و خصوصیات طیفی پوشش گیاهی توضیح داده شد .
۴- در فصل چهارم ، منطقه مورد مطالعه معرفی ، مواد و ابزار تحقیق بیان شده است و با بهره گرفتن از روش های آزمایشگاهی طبقه بندی تصویر با بهره گرفتن از الگوریتم های ذکر شده در این فصل انجام پذیرفت .
۵- و در نهایت در فصل پنجم ارزیابی صحت الگوریتم ها انجام پذیرفت و نتایج به دست آمده و دستاورد ها در این تحقیق عنوان گردید .
فصـل دوم :
پیشینه های تحقیق
۲-۱ مطالعات خارجی
تا کنون در زمینه کاربرد تصاویر چندطیفی و فراطیفی برای شناسایی و بررسی محصولات کشاورزی مطالعات بسیار زیادی انجام شده است. گستردگی این مطالعات پس از تصویر برداری سنجنده هایپریون که از همه مناطق جهان تصویر برداری می کند توسعه چشمگیری داشته است که در ادامه برخی از این مطالعات را به صورت مختصر مرور می کنیم.
( اینجا فقط تکه ای از متن پایان نامه درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )
باناری[۱] و همکاران در سال ۲۰۰۵ در کانادا با بهره گرفتن از تصاویر فراطیفی (Probe-1) وikonos برای تفکیک مزارع کشاورزی استفاده کردند آنها با تکیه بر شاخص سبزینگی به این نتیجه رسیدند که تصاویر فراطیفی به دلیل قدرت تفکیک طیفی بالاتر آن در محدوده طیفی SWIR[2] (مادون قرمز کوتاه) نسبت به IKONOS ارجحیت دارد.
تامپسون و بارتلت [۳]در سال ۱۹۸۲ در ایالت تگزاس با بهره گرفتن از مدل LASIE در رابطه خطی بین بازتاب طیفی محصولات کشاورزی در طول فصل رشد ، بازدهی گندم را با داده های MSS بر آورد کردند و با ترکیب این رابطه با اطلاعات هواشناسی و کشاورزی دقیق به نتایج قابل قبولی رسیدند.
دوسیک و جکسون [۴]در سال ۱۹۸۵ و بررسی بازتاب طیفی گندم در طول دوره رشد پرداختند و تمام شرایط از قبیل آبیاری، شرایط رشد، شاخص NDVI و رطوبت خاک را مد نظر قرار دادند و به شاخص گندم با بهره گرفتن از دستگاه رادیومتر رسیدند.
هاکمن و ویسرز[۵] در سال ۲۰۰۳ به کمک داده های راداری و با بهره گرفتن از روش های Object و الگوریتم Polarimetic در کانادا محصولات مختلف کشاورزی از جمله گندم را با دقت ۹۶ درصد تفکیک کردند.
تاکر و اریکان [۶]در سال ۲۰۰۰ در ترکیه با بهره گرفتن از تصاویر ETM+با طبقه بندی مرحله به مرحله و با اعمال ماسک های متناوب در تصاویر اقدام به تهیه نقشه غلات نمودند.
وادلا [۷]و همکاران در سال ۲۰۰۶ به بررسی روند زمانی داده های شاخص های گیاهی برای طبقه بندی مزارع بزرگ کشاورزی شامل یونجه، ذرت، سویا و گندم با بهره گرفتن از ۱۲ تصویر MODIS با قدرت تفکیک ۲۵۰ متر پرداختند و با توجه به دوره های زمانی مختلف شاخص های EVI و NDVI کلاس های مختلف را از هم تفکیک کردند و نتایج آنها نشان داد که تفکیک پذیری غلات در دوره های بلوغ محصولات نسبت به دوره ی رشد محصولات چشمگیر تر می باشد .
لتیو[۸] و همکاران در سال ۲۰۰۵ با بهره گرفتن از تصاویر هایپریون ۵ گونه گیاهی مختلف نیشکر را در جنوب برزیل شناسایی کردند.
رگار[۹] و همکاران در سال ۲۰۰۴ تغییرات پوشش محصولات زمستانی را با بهره گرفتن از داده های MSS،TMوETM+ به کمک GIS انجام دادند. آنها با بهره گرفتن از طبقه بندی نظارت شده تصویر را کلاس بندی کردند، نتایج آن ها نشان داد که مناطق زیر پوشش محصولات زمستانی در طی سالهای ۱۹۷۷ تا ۲۰۰۰ به صورت قابل توجهی تغییر کرده است. همچنین مطالعات آنها نشان داد که منطقه بزرگی در حال حاضر زیر کشت زمستانی می باشد که در طی ۱۹۹۷-۲۰۰۰ از یک الگو پیروی می کنند که این الگو نشان دهنده توسعه اراضی کشاورزی در منطقه مورد مطالعه می باشد.
پراسد[۱۰] و همکاران در سال ۲۰۱۰ برای مطالعه و طبقه بندی پوشش گیاهی جنگل های بارانی آفریقایی داده های سنجنده هایپریون،IKONOS ، ALIو ETM+ را با هم مقایسه نمودند. نتایج مقایسه آنها نشان داد که داده های هایپریون با داشتن باندهای طیفی باریک مدل هایی که تولید می کند تغییر پذیری در بیومس جنگل های بارانی را با دقت ۳۶ – ۸۳/۰ نشان می دهد.
فودگ[۱۱] و مادور در سال ۲۰۰۲ درطبقه بندی سه کلاس گندم پاییزه، جو بهاره و نیشکر بر روی تصاویر سنجنده SPOT الگوریتم های مختلف داده ها را با بهره گرفتن از روش SVM بررسی نمودند. نتایج آن ها نشان داد که دقت کلی حاصل از الگوریتم های مختلف تقریبا یکسان بوده و هم چنین دقت طبق بندی برای گندم در حدود ۸۰ درصد می باشد.
۲-۲ مطالعات داخلی
در ایران تحقیقات زیادی در زمینه پوشش گیاهی و مخصوصا محصولات کشاورزی انجام شده است که به برخی از این موارد اشاره می شود:
اداره جهاد و کشاورزی استان گیلان در سال ۱۳۷۲ و ۱۳۷۳ اقدام به تهیه نقشه تصویری اراضی برنجکاری با بهره گرفتن از تصاویر TM کرد. (اداره کشاورزی استان گیلان ۱۳۷۴، ۱-۷۳) بلافاصله پس از این مطالعه، ژاله دریایی و همکارانش در اداره کل آمار و اطلاعات وزارت جهاد کشاورزی مازندران، با بهره گرفتن از تصاویر TM سال ۱۹۹۳ و بهره گیری از اطلاعات ماهواره ای، اقدام به برآورد سطح زیر کشت و تهیه نقشه برنجکاری استان مازندران کردند.
فهیم نژاد و همکاران در سال ۱۳۸۶ با بهره گرفتن از الگوریتم های SAM وLSU در تصاویر هایپریون در منطقه زراعی در جنوب تهران دو محصول جو وگندم را از هم تفکیک نمودند که روش LSU از دقت بالاتری برخوردار بود.
محمدرضا مباشری و همکاران در سال ۲۰۰۷ پارامتر های کیفیت پوشش گیاهی را با بهره گرفتن از تصاویر هایپریون با کاربرد اندازه گیری دقیق کشاورزی انجام دادند و نتایج طبقه بندی آن ها نشان داد که با طبقه بندی می توان استرس آبی محصولات سالم وغیر سالم را نشان داد.
جلال عبدللهی و همکاران در سال ۱۳۸۵ با بهره گرفتن از تصویر لندست ۷ به تعیین درصد پوشش گیاهی مناطق خشک در حوزه ی آب خیز ندوشن استان یزد پرداختند و نتایج آن ها نشان داد که استفاده همزمان از چندین پارامتر منجر به نتیجه گیری بهتری برای تغیین درصد پوشش گیاهی مرتع در مناطق خشک می شود.
مرتضی آشورلو و همکاران در سال ۱۳۸۵ شناسایی گندم را از سایر گونه های گیاهی بر روی تصاویر ماهواره ای انجام دادند و نتایج آن ها نشان داد که روش پیکسل مبنا در تفکیک گندم از سایر کلاس ها از جمله جو دقت بیشتری دارد.
نیما قاسملو و همکاران در سال ۱۳۸۸ گیاه یونجه را بر روی تصویر هایپریون با بهره گرفتن از ویژگی های طیفی و الگوریتم شبکه عصبی شناسایی کردند و نتایج آن ها نشان داد که روشی مبتنی بر شبکه عصبی از دقت بالاتری نسبت به روش بیشترین شباهت برخوردار است.
پرویز ضیاییان فیروز آباری و همکاران در سال ۱۳۸۸ از تصاویر دریافتی ماهواره رادار ست برای تهیه نقشه و تخمین سطح زیر کشت برنج در شهرستان ساری استفاده کردند و از روش های متفاوت پردازش تصویر از جمله طبقه بندی بر مبنای روش حداکثر شباهت برای شناسایی زمین های برنج کاری شده استفاده کردند و مقایسه نتایج بدست آمده با نقشه های زیر کشت برنج موجود بیانگر آن است که روش های کسب آمار محصولات کشاورزی از طریق فناوری سنجش از دور، بسیار دقیق تر از روش های سنتی کسب آمار و اطلاعات می باشد.
کاظم رنگزن و همکاران درسال ۱۳۸۹ با بهره گرفتن از تصاویر هایپریون خوزستان با بهره گرفتن از الگوریتم SAM و طیف سنج میدانی به شناسایی محصولات کشاورزی پرداخته و با دقت بالایی برنج و گندم و ذرت را از هم تفکیک کردند .
مقداد موسوی در سال ۱۳۹۰ در پایان نامه مقطع کارشناسی ارشد روش های کشف و شناسایی خودکار اهداف در تصاویر فراطیفی را بررسی و با بهره گرفتن از الگوریتم SVM آشکارسازی اهداف زیر پیکسلی را با دقت بالایی انجام داد .
داوود اکبری در سال ۱۳۸۷ در پایان نامه مقطع کارشناسی ارشد خود ۱۴ الگوریتم آشکارسازی طیفی را جهت آشکارسازی بام ساختمان ها در تصاویر فراطیفی مورد ارزیابی قرار داده است .
حمید رضا متین فر و همکاران در سال ۱۳۸۹ با بهره گرفتن از تصاویر سنجنده ETM+ و بهره گیری از روش های MLC ، SVM ، SAM ، BE و شبکه های عصبی تفکیک مزارع دشت خرم آباد را در منطقه مورد مطالعه انجام و به این نتیجه رسیدند که الگوریتم MLC از دقت بالایی نسبت به سایر الگوریتم ها برخوردار است.
فصـل سوم :
اصول و مفاهیم پایه
۳-۱ مقدمه
سنجش از دور[۱۲] علم و هنر بدست آوردن اطلاعات درباره ی عوارض و فرایندها ، از طریق آنالیز داده های اخذ شده بوسیله ی سنجنده بدون تماس با آن عوارض و فرایندها اطلاق می شود. این عمل به وسیله ی ثبت انرژی انعکاسی از سطح عوارض انجام میگیرد (لایلسند و کیفر[۱۳] ۲۰۰۰) سنجش از دور یکی از ابزارهای مناسب مدیریتی منابع زمینی است که اطلاعات بروز را توسط سنجنده های مختلف در زمینه های مختلف در زمینه های گوناگون منابع زمینی ثبت می کند. داده های ماهواره ای، منطقه وسیعی را نسبت به سایر ابزارها مانند عکس های هوایی و نقشه برداری زمینی پوشش می دهند. همچنین ثبت انعکاسات انرژی الکترومغناطیسی علاوه بر طیف مرئی در طول موج هایی خارج از طیف مرئی نیز صورت می گیرد. پوشش تکراری داده های ماهواره ای، برای هر منطقه در یک فاصله ی زمانی منظم، امکان مطالعه و نمایش تغییرات فرایندهای پویا را برای آن منطقه امکان پذیر می سازد. این خصوصیات به همراه سایر خصوصیت های بارز علم سنجش از دور، باعث شده است که سنجش از دور به عنوان مهم ترین ابزار در منابع طبیعی معرفی شود. (علوی پناه ،۱۳۸۲ )
تکنیک های طیف سنجی انعکاسی و تلفیق آن با داده های سنجش از دور ما را در امکان شناسایی و تفکیک عوارض سطح زمین یاری می کند. درک صحیح و سیستماتیک رفتار پدیده ها در طول موج های مختلف به وسیله ی طیف سنجی انعکاسی ما را در شناسایی و تفکیک پدیده ها در داده های سنجش از دور یاری می کند. (حسن شاهی ، ۱۳۸۹)
۳-۲ سنجنده ها[۱۴]
هر وسیله ای که اشعه الکترو مغناطیسی منعکس شده از پدیده های مختلف یا سایر انرژی های ساطع شده (مثل مادون قرمز حرارتی) را جمع آوری نموده و به شکلی مناسب، برای کسب اطلاعات از محیط اطراف ارائه دهد، سنجنده نامیده می شود. (زبیری و مجد ، ۱۳۸۵) . سنجنده را می توان دستگاهی دانست که انرژی الکترومغناطیسی را دریافت کرده و انرژی دریافتی را پس از اعمال یک سری تبدیلات به صورتی قابل بازیافت (به صورت عددی یا آنالوک) ذخیره می نماید. شناخت خصوصیات سنجنده ها در انتخاب هر چه بهتر تصویرهای مورد نیاز در یک پروژه کمک می کند. در کنار اصطلاح سنجنده ، دو اصطلاح دیگر نیز بکار برده می شود که عبارتند از : آشکارساز (Detector) و دستگاه (Instrument) . آشکار سازی منحصر به جز اندازه گیری انرژی اطلاق می گردد .(فاطمی و رضایی ، ۱۳۸۵).
در ادامه به این چهار خصوصیات که برای تحقیقات در زمینه سنجش از دور بسیار مهم می باشد اشاره میشود . مشخصه سنجده های تصویر برداری که در محدوده مرئی و مادون قرمز کار می کنند را می توان در عبارت قدرت تفکیک(Resolution) بیان کرد که عبارتند از :
قدرت تفکیک مکانی [۱۵]، قدرت تفکیک طیفی[۱۶] ، قدرت تفکیک رادیومتریکی[۱۷] و قدرت تفکیک زمانی[۱۸]. از دیگر مشخصه های مهم می توان به رفتار بخش اسکن کننده ی دستگاه و خواص هندسی تصاویر فراهم شده توسط سیستم اشاره کرد. رابطه بین توان تفکیک مکانی سنجنده و دوره تناوب مداری سکو، تعداد دفعاتی که یک نقطه- ی مشخص روی زمین در طول هر پاره ی زمانی دلخواه مشاهده می شود را تعیین می کنند. در قسمت زیر انواع قدرت تفکیک به طور خلاصه شرح داده شده است .
۳-۲-۱ قدرت تفکیک مکانی
برای تعریف توان تفکیک مکانی از چهار معیار خواص هندسی سیستم تصویر بردار ، قابلیت تشخیص بین نقاط نشانه ، قابلیت اندازه گیری تناوب نشانه های تکراری و قابلیت اندازه گیری خواص طیفی نشانه های کوچک استفاده می کنند . مورد استفاده ترین معیار سنجش ، بر اساس خواص هندسی سیستم تصویر برداری ، میدان دید لحظه ای (IFOV[19]) سیستم هستند. IFOV در تئوری ، مساحتی است روی زمین که توسط دستگاه از یک ارتفاع مشخص ودر یک لحظه دلخواه دیده می شود . IFOV را می توان به دو روش بیان کرد ، یکی به صورت زاویه و دیگری بصورت فاصله متناظرX-Y روی زمین. (امینی ، ۱۳۸۸)
شکل (۳-۱) نمای شماتیک میدان دید لحظه ای
۳-۲-۲ قدرت تفکیک رادیومتری
قدرت تفکیک رادیومتری یا حساسیت رادیومتریکی ، به تعداد سطوح کوانتیزه شده ی رقومی مورد استفاده در بیان داده های گردآوری شده توسط سنجنده ، اشاره می کند . به طور کلی هر چه سطوح کوانتیزه بیشتر باشد، جزئیات اطلاعات جمع آوری شده توسط سنجنده بیشتر خواهد بود .هر زمان که تصویری بر روی فیلم و یا توسط یک سنجنده دریافت می گردد ، حساسیت آن نسبت به انرژی الکترومغناطیسی، تعیین کننده قدرت تفکیک رادیومتریک سنجنده است . در حالت ساده می توان یک تصویر رقومی را با دو سطح در نظر گرفت که در آن سطح صفر به صورت مشکی و سطح یک به صورت سفید نمایش داده شود. اگر تعداد سطوح به ۱۶ افزایش یابد میزان جزئیات قابل مشاهده برروی تصویر نیز بیشتر میشود.(امینی ، ۱۳۸۸)
۳-۲-۳ قدرت تفکیک طیفی
این خصوصیت در سنجنده ها را می توان به دو بخش تقسیم نمود. اولین مورد تعداد و دومین مورد فاصله میان باندها بر حسب طول موج در طیف الکترو مغناطیس می باشد . برداشت اطلاعات از پدیده ها در سنجنده ها ی دارای باند های بیشتر منجر به بالا رفتن قدرت تمایز میان اشیاء گوناگون می شود.
قدرت تفکیک طیفی یک سنجنده تعداد باند و کمترین پهنای باندی است که سنجنده می تواند تشخیص دهد، که به میکرومتر یا نانومتر اندازه گیری می شود . به عنوان مثال قدرت تفکیک طیفی باند یک سنجنده ی AVHRR برابر۱/۰ میکرون (۶/۰-۵/۰) است در حالی که قدرت تفکیک طیفی سنجنده ی HYPERION که یک سنجنده ی فراطیفی است در حدود ۱۰ نانومتر یعنی ۱۰ برابر بیشتر است. بنابراین قدرت تفکیک طیفی وقتی بالاترین مقدار را دارا می باشد که باندها کمترین عرض ممکن را داشته باشد. البته این باریک سازی باند باعث افزایش حجم اطلاعات می شود و در نتیجه روش های ذخیره سازی و فشرده سازی این داده ها نسبت به داده های چند طیفی متفاوت می گردد.
عرض باند وسیع معمولا منجر به میانگین گیری انرژی دریافتی و در نهایت ایجاد ابهام در داده های جمع آوری شده می شود. بر عکس این مسئله، عرض باند کوچک باعث پایین آوردن نسبت سیگنال[۲۰] به نویز[۲۱]خروجی سنجنده شده و از سهم محتوای اطلاعاتی داده ها می کاهد. هر چه عرض باند باریکتر باشد می توان از فرمول های دقیق تر (در محاسبات باندی) برای محاسبه مقادیردلخواه استفاده کرد و به همین صورت محاسبه فرمول ها نیز دقیق تر خواهد بود. به طور مثال تصور کنید که یک شئ در طول موج ۶۵/۰ میکرومتر یک رفتار طیفی خاص دارد. حال اگر سنجنده قادر به اندازه گیری انرژی در این بخش با عرض باند باریک باشد. رفتار طیفی مذکور هر چه بهتر در داده های نهایی ظاهر می شوند. هرچه عرض باند وسیع تر باشد انرژی های مربوط به طول موج های دیگر نیز در این بخش جمع آوری شده و بررسی آن رفتار دلخواه را دچار ابهام می سازد .(فاطمی و رضایی ، ۱۳۸۵)
در یک حالت ایده آل تعداد باندهای سنجنده و هم چنین فاصله ی آن ها باید به گونه ای باشد که خروجی آنها کاملا مطابق با منحنی رفتار طیفی عوارض باشد. این حالت را معمولا سنجنده های فراطیفی تا حد زیادی بر قرار می سازند. سنجنده های فراطیفی نظیر AVIRIS با۲۲۴ باند طیفی و هایپریون [۲۲]با ۲۴۲ باند طیفی به خوبی منحنی های طیفی را حفظ کرده و قابلیت تمایز اشیاء را با بهره گرفتن از اطلاعات طیفی در اختیار کاربران قرار می دهند .(رضایی ، ۱۳۸۹)
۳-۲-۴ قدرت تفکیک زمانی
علاوه بر قدرت تفکیک های رادیومتری، طیفی و مکانی ، قدرت تفکیک زمانی نیز برای سنجنده از اهمیت زیادی برخوردار است.