-
سنجش از دور چیست
-
کاربرد سنجش از دور در اکتشاف معادن
-
سنجنده ها
-
سنجنده لندست 8
-
ماهواره Aster
-
محدودۀ طیفی مرئی و مادون قرمز نزدیک
-
محدوده طیفی مادون قرمز طول موج کوتاه
-
محدوده طیفی مادون قرمز حراراتی
-
پیش پردازش و پردازش داده های ماهواره ای
-
ترکیب رنگی مجازی
-
نسبت گیری باندی
-
کاربرد نسبت گیری باندی
-
طبقه بندی نظارت شده
-
روش های طبقه بندی نظارت شده
-
طبقه بندی نظارت نشده
-
تصویر برداری زاویه طیفی
-
تحلیل مولفه های اصلی
-
کاربرد سنجش از دور در نقشه برداری
-
سنجش از دور در کشاورزی
سنجش از دور چیست
علم پردازش تصویر یکی از علوم پرکاربرد و مفید است که از دیر باز مطالعات و تحقیقات گستردهای در این زمینه صورت گرفته و پیشرفتها به حدی بوده است که اکنون و پس از مدت زمان کوتاهی میتوان تأثیر پردازش تصویر را در بسیاری از علوم و صنایع به وضوح مشاهده نمود.
دور سنجی یا سنجش از دور (Remote Sensing) دانشی است که با اندازهگیری اشعه الکترومغناطیس حاصل از انعکاس و نشر نور خورشید از یک شی و با مشاهده آن از فاصله دور و بدون تماس فیزیکی با آن، میتواند اطلاعات ارزندهای را ارائه نماید. با استفاده از این اطلاعات در مراحل بعدی و با تجزیه و تحلیل آنها، میتوان نتایج مفیدی را از آن شی استخراج کرد.
نور خورشید بهعنوان منبع اصلی انرژی الکترومغناطیس از جو میگذرد و به زمین میتابد. اشعه الکترومغناطیس پس از برخورد به زمین بخشی از آن جذب، بخشی توسط جو زمین (Atmosphere) پراکنده و بخشی دیگر منعکس (Reflection) و یا بصورت گرما نشر (Emission) پیدا میکند.
اشعه الکترومغناطیس انعکاسی و منتشر شده پس از عبور مجدد از جو توسط سنجنده ماهوارهای (Sensor) که بر روی سکوی ماهوارهای (Platform) در ارتفاع حدود ۱۰۰۰ کیلومتری در مدار زمین واقع شدهاند دریافت و اندازهگیری میشوند. با تجزیه و تحلیل میزان اشعه الکترومغناطیسی دریافت شده که تابع طول موج و فرکانس میباشد، میتوان عوارض سطح زمین (objects) را شناسایی نمود.
از آنجایی که اشعه الکترو مغناطیس همانند پدیده موج و با طول موجهای خاص رفتار میکند، این اشعه میتواند به باند و یا کانالهای مجزا تقسیم و تصاویر با محدودههای دارای طول موجهای خاص را ایجاد نماید. علاوه بر این، برای یک باند یا کانال خاص یک طول موج، فتون و یا ذرات کوانتوم دریافتی توسط سنجنده شارژ الکتریکی تولید میشود و زمینه را برای تفکیک تغییرات روشنایی در محدوده طول موج خاص ایجاد مینماید. این عمل باعث تولید تصویر رقومی میشود.
کاربرد سنجش از دور در اکتشاف معادن
امروزه از تکنیکهای دور سنجی در جهان استفادههای زیادی میشود که یکی از کاربردهای مهم آن در، اکتشاف ذخایر معدنی میباشد. استفاده از تکنیکهای دورسنجی امکان شناسایی و پی جویی مواد معدنی یک ناحیه وسیع را با دقت و سرعت بالا و هزینه کم بطور مستقیم یا غیر مستقیم میسر میسازد.
همچنین در اکتشاف مقدماتی میتوان از دادههای ماهوارهای با دقت بالا در تهیه نقشه زمینشناسی بعنوان نقشه پایه و همچنین تعیین و تفکیک عوارض کنترلکننده کانیسازی از آنها استفاده نمود. دادههای ماهوارهای بصورت رقومی برداشت میشوند و این مسأله امکان اعمال برخی روشهای ریاضی و تکنیکهای پردازش را به ما میدهد.
با استفاده از تکنیکهای پردازش دادههای ماهوارهای (Image Preprocessing) میتوان عوارض تصویر را واضح و کارایی تصویر حاصله را زیاد کرد.
طیف الکترومغناطیس اطلاعاتی که میتوانند از دادههای دورسنجی استخراج شوند به نوع انرژی که سنجندهها شناسایی میکنند، بستگی دارد. شکل اصلی انرژی دریافت شده توسط سیستمهای دورسنجی، انرژی الکترومغناطیس میباشد. نور مریی، اشعه X، اشعه گاما، امواج ماوراء بنفش، امواج رادیویی، امواج راداری و حرارتی همگی بخشهای مختلف طیف الکترومغناطیس را تشکیل میدهند.
در شکل زیر یک شِمای کلی از نحوه دریافت دادهها رقومی در رابطه با عواض زمینی از طریق سنجنده ماهوارهای را نشان داده است.
عناصر نامگذاری شده عبارتند از:
- A. منبع انرژی که معمولا به دو صورت فعال (نور خورشید) و غیر فعال (مانند امواج رادار ارسالی توسط سنجنده به زمین) میباشد.
- B. انتشار انرژی از میان جو و برخورد آن به سطح زمین و انعکاس آن.
- C. فعل و انفعالات انرژی بر اثر برخورد با عوارض سطحی زمین.
- D. سنجندههای هوایی و یا فضایی.
- E. انتقال اطلاعات کسب شده به ایستگاهها زمینی.
- F. دریافت اطلاعات اولیه و تولید دادهها بصورت رقومی و یا تصویری
- G. فرآیند تجزیه و تحلیل داده، شامل بررسی و تعبیر و تفسیر دادهها با بکارگیری وسایل مختلف دیداری و کامپیوتری به منظور آنالیز دادههای حاصل از سنجندهها.
سنجندهها (Sensors)
اندازهگیری و ثبت خصوصیات فیزیکی و شیمیایی جَو و سطح زمین از فاصله دور به وسیله ابزارهای ویژهای بنام سنجنده (Sensor) انجام میگیرد که بر روی سکوهای مختلف مانند ماهوارهها و هواپیماها نصب میشوند.
سنجش از دور و کاربردهای آن با استفاده از علم دورسنجی در تعیین اکتشاف محدودههای معدنی از اوایل دهۀ ۷۰ میلادی با پرتاب ماهوارۀ لندست ۱ مطرح شد. به طور کلی ماهوارههای مورد استفاده در علم دورسنجی با رویکرد اکتشافی به دو دستۀ مولتی اسپکترال و هایپراسپکترال تقسیم میشوند. (تفاوت تصویر multispectral و تصویر hyperspectral) از تصاویر مولتی اسپکترال یا چند طیفی میتوان به تصاویر سنجندهی ETM+ و ASTER اشاره کرد.
این سنجندهها گرچه دارای قدرت تفکیک طیفی بسیار کمتری نسبت به تصاویر هایپراسپکترال هستند اما همچنان در پیدا کردن دگرسانیهای مرتبط با کانیزاییهای مختلف و یا تشخیص مستقیم کانیزایی نقش اساسی در تعیین محدودههای پرپتانسیل معدنی دارد. تصاویر هایپر اسپکترال یا فرا طیفی نیز به دلیل قدرت تفکیک طیفی بسیار بالاتر امکان تشخیص دقیقتری از کانیزاییها و دگرسانیهای مرتبط با آن را دارد.
سنجندۀ Hyperion، Worldview-۳ و AVHRR از جمله سنجندههای فراطیفی به شمار میروند. از چالشهای پیشرو در تحلیل و پردازش دادههای فراطیفی روبهرو بودن با دادههای بسیار زیاد یا همان Big Data است که نیاز به روشهای مورد اطمینان برای تحلیل آنها میباشد.
همانطور که در شکل نمایش داده شده است میتوان سنجندهها را به دو دسته تقسیم کرد:
1) سنجندههای فعال: همانطور که در مورد این سنجندهها توضیح داده شد این سنجندهها هم دارای فرستنده امواج و هم دارای گیرنده امواج میباشند مانند b
2) سنجندههای غیر فعال: این سنجندهها تنها دارای گیرنده میباشند و فرستنده ندارند و این سنجندهها از منبع طبیعی به نام خورشید استفاده کرده مانند a
ماهواره لندست ۸
ماهواره لندست ۸ (۸ Landsat) در تاریخ ۱۱ فوریه ۲۰۱۳ راهاندازی شده است. این هشتمین ماهواره در برنامه ماهوارههای لندست، و هفتمین ماهوارهای است که با موفقیت به مدار رسیده است. این ماهواره که در اصل Landsat Data Continuity Mission) LDCM) نامیده میشود، محصول همکاری بین ناسا و سازمان زمینشناسی ایالات متحده (USGS) است.
با بازنشستگی لندست ۵ در اوایل سال، ۲۰۱۳ ماهواره لندست ۷ به عنوان تنها ماهواره موجود از سری ماهوارههای لندست بر روی مدار وجود داشت، و لندست ۸ اخذ مستمر داده و در دسترس بودن دادههای لندست را با استفاده از دو حسگر، یکی سنسور عملیاتی تصویرساز سر زمین (OLI: Operational Land Imager) و دیگری سنسور حرارتی مادون قرمز (TIRS: Thermal InfraRed Sensor) تضمین خواهد کرد.
این دو سنسور به ترتیب، اطلاعات تصویر برای نه باند موج کوتاه و دو باند طول موج حرارتی را جمعآوری میکنند. طراحی ماهواره ۵٫۲۵ سال طول کشیده است، با این حال این ماهواره سوخت کافی برای انجام عملیات به مدت بیش از ده سال را دارد. با ارائه تصاویر با رزولوشن متوسط از ۱۵ متر تا ۱۰۰ متر از سطح زمین و مناطق قطبی، لندست ۸ در محدوده نور مرئی، مادون قرمز نزدیک (near-infrared)، موج کوتاه مادون قرمز (short wave infrared)، و طیف مادون قرمز حرارتی (thermal infrared) به کار گرفته میشود.
لندست ۸ حدود ۴۰۰ تصویر در روز میگیرد، که نسبت به ۲۵۰ تصویر در روز در ماهواره لندست ۷ افزایش قابل توجهی یافته است. سنسورهای OLI و TIRS نسبت سیگنال به نویز (SNR) را در عملکرد رادیومتری بهبود بخشیدهاند.
قدرت تفکیک | طول موج | باند طیفی |
|---|---|---|
30 متر | 0/433 - 0/453 µm | باند 1 - باند Coastal/Aerosol |
30 متر | 0/450 - 0/515 µm | باند 2 - آبی |
30 متر | 0/525 - 0/600 µm | باند 3 - سبز |
30 متر | 0/630 - 0/680 µm | باند 4 - قرمز |
30 متر | 0/845 - 0/885 µm | باند 5 - مادون قرمز نزدیک |
30 متر | 1/560 - 1/660 µm | باند 6 - مادون قرمز طول موج کوتاه |
30 متر | 2/100 - 2/300 µm | باند 7 - مادون قرمز طول موج کوتاه |
15 متر | 0/50 - 0/680 µm | باند 8 - Panchromatic |
30 متر | 1/360 - 1/390 µm | باند 9 - Cirrus |
100 متر | 10/30 - 11/30 µm | باند 10 - مادون قرمز طول موج بلند |
100 متر | 11/50 - 12/50 µm | باند 11 - مادون قرمز طول موج بلند |
با توجه به جدید بودن فناوری و تصاویر ماهواره لندست ۸ تا کنون بررسیهای مربوط به اکتشافات مواد معدنی با استفاده از تصاویر این سنجنده به ندرت مشاهده شده است. روشهای موجود بیشتر بر پایه دادههای ماهواره قبلی لندست (لندست ۷) استوار است. اما میتوان با دانستن محدودههای عملیاتی دو سنجنده روشهای مورد استفاده را بازنویسی نمود.
ماهواره ASTER
پرتوسنج حرارتی تابشی و بازتابشی فضابرد پیشرفته دوربین دیجیتالی بزرگ است که در سال ۱۹۹۹ با همکاری ناسا و ژاپن، در مدار زمین قرار گرفت و توسط ماهوارهای بنام Terra که به اندازه یک اتوبوس کوچک است، حمل میشود. فاصله آن از زمین ۵۰۷ کیلومتر، گردش آن بصورت قطبی – قطبی است. و از ساعت ۱۰:۳۰ به وقت محلی و تقریباً هر ۱۰۰ دقیقه از عرض استوا عبور میکند.
این دوربین توانایی گرفتن ۶۰۰ عکس با قدرت تفکیک بالا در یک روز را دارد. هر عکس، منطقهای به وسعت ۶۰×۶۰ کیلومتر را پوشش میدهد که اندازه هر پیکسل آن برای باندهای، ۱-۳ ۵۱ متر است. تفاوت عمده این دوربین با دوربینهای عکاسی این است که اولاً، برای هر رنگ (یا دقیقتر، هر محدوده طول موج یا باند) یک تصویر مجزا ایجاد میشود، چرا که دارای ۱۴ باند بوده و ۱۴ تصویر مختلف میتواند ایجاد کند.
استر ۱۴ باند دارد که دامنۀ طول موجی ۰/۲۵ تا ۱۱/۵۶ میکرون را در سه محدودۀ طیفی VNIR، SWIR، TIR پوشش میدهد؛ Aster دارای سه لنز است که به نام تلسکوپ نیز نامیده میشود: VNIR، SWIR، TIR. هر کدام از آنها برای یک بخش متفاوت طیفی در نظر گرفته شدهاند.
محدودۀ طیفی مرئی و مادون قرمز نزدیک (VNIR)
در این محدوده که شامل دامنۀ طول موجی ۰/۲۵ تا ۰/۶۸ میکرون میشود، سه باند وجود دارد. قدرت تفکیک فضایی در باندها در این محدوده ۱۵ متر و پوشش نهایی در جهت عمود به وسیلۀ نقطه (قابلیت نقطهای) ۲۳۲ کیلومتر معادل ۲۴± درجه و عرض پیمایش ۶۰ کیلومتر است.
محدوده طیفی مادون قرمز طول موج کوتاه (SWIR)
در این محدوده، برداشت در دامنه طول موجی ۱/۶ تا ۲/۳۴ میکرون و در شش باند صورت میگیرد. قدرت تفکیک فضایی باندهای این محدوده ۳۰ متر و پوشش نهایی در جهت عمود بوسیلهی نقطه (قابلیت نقطهای)، ۸/۵۵± درجه است
محدوده طیفی مادون قرمز حرارتی (TIR):
در محدوده طیفی مادون قرمز حرارتی برداشت در دامنۀ طول موجی ۸/۵۲۱ تا ۱۱/۵۶ میکرون در پنج باند انجام میشود. قدرت تفکیک فضایی باندها، ۹۰ متر و پوشش نهایی در جهت عمود بوسیلۀ نقطه (قابلیت نقطهای)، ۸/۵۵± درجه است. یکی از ویژگیهای بارز تصاویر Aster قدرت تفکیک بالای آن در مقایسه با لندست است که از آن در مدیریت گردشگاهها و پارکهای جنگلی برای تعیین تغییر وضعیت آنها استفاده میشود. در تصاویر Aster پوشش گیاهی زنده به رنگ قرمز که قرمز روشن یا تیره نشانگر میزان سلامت گیاهان است.
پدیدههای ساخته دست انسان مثل ساختمانها متمایل به آبی روشن یا خاکستری، خاك به رنگهای متنوع که روشنی آن بستگی به مواد تشکیل دهنده آن دارد و آب به رنگ بسیار تیره دیده میشود.
پیش پردازش و پردازش دادههای ماهوارهای
مراحل آمادهسازی، پیشپردازش و پردازش دادههای ماهوارهای طبق فلوچارت زیر انجام میشود:
استفاده از سنسورهای قابل نصب بر روی پهپادها نیز روشی دقیقتر برای عملیات اکتشافی محسوب میشود. پردازش اولیۀ دادههای خروجی این سنسورها نیاز به تخصص عملیات پردازش تصویر دارد که تیم زمین هوش به کمک زبان برنامهنویسی R و با استفاده از کتابخانههای RGDAL و Raster پیشپردازش دادههای خام را انجام میدهد.
پردازش این دادهها نیز به کمک کتابخانههای دستۀ ML و SP صورت میپذیرد. به طور کلی الگوریتمهای خوشهبندی یا طبقهبندی در علم دورسنجی با رویکرد اکتشافی به دو الگوریتم کلی نظارت نشده (unsupervised) و نظارت شده (supervised) تقسیمبندی میشوند.
در روش نظارت نشده صرفاً به کمک دادههای ماهوارهای و با مقایسه طیفهای کانیهای حاصل از آن با کتابخانۀ طیفی به تعیین محدودههای مورد نظر پرداخته میشود. مشخص است که در این روش هرچه نمونههای طیفی یا به طور کلی تصاویر ماهوارهای با تفکیک طیفی بهتری وجود داشته باشند نتایج دقیقتری ارائه میگردد که تصاویر هایپراسپکترال در این زمینه گزینۀ بسیار مناسبی میباشند.
در طبقهبندی نظارت شده با حضور کارشناس سر زمین و نمونهبرداری به کمک روشهای SVM و یا حل معادلۀ بیشترین درستنمایی به کمک تصاویر ماهوارهای چند طیفی، فراطیفی و تصاویر گرفته شده از سنجندههای قابل نصب بر روی پهپاد انجام میپذیرد. در این روش اکثر الگوریتمهای یادگیری ماشین قابل اجراست.
به طور کلی فارغ از هر گونه الگوریتم خاص، فرآیند تهیۀ مدل برای تشخیص محدودههای پرپتانسیل معدنی به قرار زیر است:
با توجه به نوع کانیسازی، جایگیری در زون زمینشناسی، ژنز و با درنظر گرفتن پیچیدگی زمین، انتخاب الگوریتم طبقهبندی از مهمترین گامهای شناسایی مناطق پرپتانسیل معدنی به شمار میرود.
دراین جا لازم به ذکر است که با مدل کردن ریاضی و استفاده از پردازش دادههای ماهوارهای میتوان کارایی تصویر را به شکل مطلوبتری افزایش داد. تکنیکهای پیشپردازش شامل انجام تصحیحات و پردازشی که عموما بکار گرفته شده عبارتند از:
ترکیب رنگی مجازی (RGB)، نسبت باندی، طبقهبندی نظارت شده و نظارت نشده، تصویربرداری زاویه طیفی، تحلیل مؤلفههای اصلی و تلفیقی از روشهای فوق میباشد. مرحله پیشپردازش در تمامی مواردی که به تصاویر رقومی نیاز است ضروری میباشد. مرحله بارزسازی تصویر و استخراج اطلاعات نیز برای هر نوع کاربردی اجتنابناپذیر است.
ترکیب رنگی مجازی (RGB)
در بحث پردازش تصاویر ماهوارهای یکی از مهمترین بحثها که باعث ایجاد اطلاعات جدید میشود، استفاده از تبدیلات است. در این زمینه آموزش ترکیب رنگی در سنجش از دور مبحث این مقاله است.
تبدیلات اطلاعات تصویر را به گونهای تغییر میدهند که میتوان اطلاعات جدید طیفی را از تصاویر استخراج کرد.
در سیستمهای رنگی در عموم کارها، از سیستم رنگی RGB استفاده میشود. بقیه رنگها با ترکیبهای مختلف این سه رنگ ایجاد میشود. در واقع میتوان گفت که RGB سیستم رنگی پایه و مبنا است.
اما تصاویر ماهوارهای که تهیه میشود در طیف خاکستری ایجاد میشود (یعنی از سفید به سیاه) روشنایی و تیرگی در بحث تبدیلات و سیستمهای رنگی است که میتوان این طیفها را رنگی کرد.
هر چه مقدار عددی یک تصویر بیشتر باشد، رنگ روشنتر در طیف سیاه و سفید را نشان میدهد. هر چه مقدار عددی کمتر باشد در طیف تیرهتر نشان داده میشود.
در ترکیب رنگی واقعی True Color Composite تصویری ایجاد میشود که در واقع پدیدهها به رنگی واقعی و طبیعی نمایش داده میشود. یعنی برای هر رنگ، باند متناظر انتخاب میشود.
اما در ترکیب رنگی کاذب False Color Composite برای هر رنگ مانیتور، رنگی متفاوت از امواج طیف الکترومغناطیس انتخاب میشود و تصویر ایجاد شده False color composite است. در این تصاویر پدیدهها با رنگهای طبیعی موجود در طبیعت نمایش داده نمیشود. بدین ترتیب امواجی بارز میشود که با امواج غیرمسلح قابل دیدن نیستند.
ترکیب رنگ شبه واقعی برای رنگ قرمز SWIR۱ باند ۶، برای، رنگ سبز NIR باند ۵، برای رنگ آبیRED باند ۴، یک ترکیب رنگی غیر واقعی ایجاد میشود اما برخی پدیدهها را تقریباً به رنگ واقعی نمایش داده میشود. مثلاً پوشش گیاهی سبز نشان داده میشود اما نه سبز طبیعی که با چشم بتوان دید.
سؤال: در کدام ترکیب رنگی، چه پدیدهای با چه رنگی نمایش داده میشود؟
مثلاً گیاه در ترکیب رنگی ۵۴۳ به دلیل بازتاب گیاه در NIR به رنگی قرمز نشان داده میشود. چون برای رنگ قرمز باند ۵ که باند NIR است معرفی میشود. که بیشترین بازتاب را دارد. برای رنگ سبز باند ۴ که Red معرفی میشود. که بیشترین جذب را دارد. برای رنگ آبی باند ۳ که Blue است معرفی میشود.
چون باند مادون قرمز بیشترین مقدار را در طول موجها دارد اگر ترکیب رنگی زیر اجرا شود، پوششهای گیاهی به رنگ آبی خواهند بود. برای رنگ آبی باند ۵ NIR، برای رنگ سبز باند ۴ RED، برای رنگ قرمز باند ۳ Blue.
نسبتگیری باندی
این پردازش عموماً به دو صورت band ratio و band math اجرا میشود. در حالت اول که نوع سادهی این پردازش است یک باند به باند دیگر تقسیم میشود. در این حالت که جهت افزایش اختلاف طیفی بین باندها و در بعضی موارد برای کاهش اثرات توپوگرافی استفاده میشود شدت باند نسبی را فراهم میکند.
در حالت دوم عموماً از نسبتگیری بین دو یا سه باند بر اساس رفتار طیفی پدیده و همچنین باندهای سنجندۀ مورد نظر استفاده میشود. حالت دوم در بارزسازی پدیدۀ مورد نظر، میتواند کمک شایانی به کاربر داشته باشد. البته باید دقت کرد که band math صرفاً برای نسبتگیری باندی استفاده نمیشود و میتواند کاربردهای دیگری نیز داشته باشد اما در این بخش، نحوۀ استفاده از این قابلیت در بارزسازی پدیدهها بررسی میشود.
کاربرد نسبتگیری باندی
با توجه رفتار خاص هر پدیده در یک محدودۀ خاص از طول موج الکترومغناطیس، میتوان به سادگی بیشتر پدیدههای سطح زمین را از پس زمینه آن جدا کرد. در این حالت کاربر میتواند به شناسایی پدیدۀ مورد نظر خود بپردازد. این پدیده میتواند پوشش گیاهی، منطقه شهری و یا یک معدن خاص باشد.
طبقهبندی نظارت شده
یکی از متداولترین روشهای طبقهبندی، طبقهبندی نظارت شده میباشد. در این روش کاربر نظارت کامل بر فرآیند کاری داشته است. این روش میتواند خیلی تحت تأثیر توانایی کاربر باشد. با این وجود روشهای مختلفی برای آن توسعه پیدا کرده است. در این روش کاربر ابتدا نمونههایی برداشت کرده که خود برداشت این نمونهها باید از پیکسلهای خالص با توزیع، تعداد و پراکنش یکسان باشد. سپس بعد از برداشت نمونهها، به نرمافزار کلاسبندیهای خود را مشخص میکنیم.
در طبقهبندی نظارت شده برای هر کلاس باید نمونههای مجزا برداشت شود. سپس نمونهها به نرمافزار معرفی و بر اساس رفتار طیفی یا امضاء طیفی این نمونهها، طبقهبندی صورت میگیرد. روشهای مختلفی برای طبقهبندی نظارت شده ارائه شده است که در زیر لیستی از آن ارائه شده است.
روشهای طبقهبندی نظارت شده
- طبقه بندی حداکثر احتمال (Maximum likelihood)
- حداقل فاصله (Minimum-distance)
- روش شبکه عصبی (neural network)
- روش ماشین بردار (Support vector machine)
- روش parallelepiped
- روش Principal components
طبقهبندی نظارت نشده
در طبقهبندی نظارت نشده کاربر بحز تعیین تعداد کلاس دخالتی در فرآیند طبقهبندی ندارد. در این حالت به عنوان خروجی در نظر گرفته نشده است و بیشتر برای شناخت منطقه و شناسایی کلاسهای ممکن برای طبقهبندی نظارت شده است. این روش ساده و بدون دخالت کاربر یعنی نمونهبرداری است. در این روش بر اساس میزان و مقادیر پیکسلها و روابط ریاضی بین آنها ابتدا خوشهبندی صورت گرفته و سپس هر خوشه به کلاسهایی تعمیم داده میشود.
از جمله مشهورترین روشهای نظارت نشده که در بسیاری از نرمافزار مورد استفاده قرار میگیرد: K-means ،ISODATA
تصویربرداری زاویه طیفی (SAM)
بیشتر روشهای سنجش از دور بر این حقیقت استوار است که تصاویر سنجش از دور در باندهای طیفی متعدد و پهنای باندی کوچک تصویربرداری شده باشند. و بتوان طیف پیکسل را استخراج کرد. این طیف سپس با طیف مواد شناخته شده خالص مانند کانی، سنگ، آب، خاک و… مقایسه میشود و پیکسلهایی که با این طیفهای شناخته شده شباهت دارند، مشخص میشوند. با وجود اینکه این روشها بیشتر مختص تصاویر ابرطیفی بوده ولی در خیلی از موارد در تحلیل تصاویر چند طیفی مانند استر میتوان از آنها استفاده کرد. از نقشهبرداری زاویه طیفی (SAM) با استفاده از طیف استخراج شده از تصاویر استر برای بارزسازی پدیدههای زمین شناختی استفاده میشود.
تحلیل مولفههای اصلی (PCA)
الگوریتم تحلیل مؤلفههای اصلی یا PCA یک روش کاهش ابعاد است که اغلب برای کاهش ابعاد مجموعه دادههای بزرگ استفاده میشود، به بیانی دیگر، تبدیل یک مجموعه بزرگ از متغیرها به یک مجموعۀ کوچکتر که همچنان حاوی بیشترین اطلاعات مجموعه بزرگ است. به طور خلاصه، ایده PCA ساده است، کاهش تعداد متغیرهای یک مجموعه داده، با حفظ بیشترین اطلاعات.
کاربرد سنجش از دور در نقشه برداری
سنجش از دور یکی از گرایشهای مهم رشته مهندسی نقشهبرداری و یا به عبارت دیگر ژئوماتیک میباشد که در آن به شناسایی ساختار اجسام، بدون تماس مستقیم به آنها میپردازد. که شامل تهیه مدل رقومی زمین DEM، به هنگامسازی نقشههای کاربری و پوششی زمین و هم چنین تهیه نقشههای پوششی کشور است. نقشهای که از تصاویر ماهوارهای به دست میآید در طرحهای توسعه شهری استفاده خواهد شد. این طرحها در یک قالب کلی به منظور روند رشد هستند.
برای این منظور لازم است از تجهیزات ویژهای استفاده شود که هر یک از این تجهیزات میتواند میزان دقت شناسایی ما را تحت کنترل قرار دهد. پیشرفت علم و تکنولوژی به ما فرصت داده است تا بتوانیم با به کارگیری محصولاتی با کیفیت، میزان دقت، شناخت خودمان را افزایش دهیم و پیشبینی کنیم که با گذر زمان میتوانیم به دادههای بسیار دقیق نزدیک شویم.
سنجش از دور در کشاورزی
جمعیت کره زمین روز به روز در حال افزایش است، بر همین اساس و به دلیل افزایش جمعیت دیگر محصولات کشاورزی نمیتوانند نیاز تمامی افراد را بر طرف کنند. چرا که با وجود افزایش جمعیت، کشاورزان نمیتوانند با استفاده از روشها و تکنیکهای قدیمی محصولات کافی را برای مصرفکنندگان تأمین کنند. به همین منظور کشاورزان باید به دنبال راه کارهایی برای افزایش بازدهی محصولات و همچنین مزارع خود باشند.
کشاورزی مدرن رویکردی در حال تحول در کشاورزی است که به کشاورزان کمک میکند تا بهرهوری تولید را افزایش داده و میزان مصرف منابع تجدیدپذیر و غیرتجدیدپذیر مانند آب، خاک، انرژی و غیره را کاهش دهند.
یکی از این راه کارها سنجش از دور است. در واقع سنجش از دور یک علم است که به کمک آن کشاورز بدون تماس فیزیکی میتواند مزارع خود را آنالیز و مورد سنجش قرار دهد.
اما خوب شاید از خودتان بپرسید این روش چگونه میتواند سبب افزایش تولید محصولات شود؟
باید به شما بگوییم، زمانی که کشاورز اطلاعات کافی از مزرعه و زمین کشاورزی خود داشته باشد میتواند مزرعه خود را به شکل راحتتری اداره کند.
به طور مثال امروزه کشاورزانی که در کشورهای پیشرفته نظیر کشورهای اروپایی و آمریکایی زندگی میکنند، سعی میکنند تا با استفاده از ماهوارههایی که در مدار زمین واقع شده و تصاویر گرفته شده توسط آنها مزرعه خود را آنالیز و مورد سنجش قرار دهند.
آنها با استفاده از چنین تصویرهایی میتوانند از سطح زیر کشت محصولات، خسارتهای ناشی از حمله آفات، سرمازدگی، سیل و آتش سوزیها اطلاعات مفیدی به دست بیاورند.
همچنین میتوانند متوجه شوند که به طور حدودی محصولات خود در چه زمانی تولید میشوند.
برای دانلود PDF مقاله دورسنجی فرم زیر را پر کنید.
"*"فیلدهای ضروری را نشان می دهد
مهندس انیس رحمن خواه
کارشناس تولید محتوا