پایان نامه رایگان درمورد محصولات کشاورزی، پوشش گیاهی، کارشناسی ارشد، سنجش از دور

دانلود پایان نامه ارشد

ل از این الگوریتم ها ما را در بهبود طبقه بندی و یا آشکار سازی اهداف مورد نظر یاری خواهد کرد. یعنی اینکه کدام یک از الگوریتمها در آشکار سازی محصول برنج از کارایی بالاتری برخوردار است .

1-3 ضرورت و انگیزه تحقیق
شناسایی اهداف گوناگون در تصاویر فراطیفی بیشتر با هدف آشکارسازی با کمک اطلاعات اولیه موجود از ویژگی های طیفی منحصربفرد هر یک از اهداف و مقایسه آن با کتابخانه های طیفی آزمایشگاهی انجام می شود و منجر به شناسایی و تشخیص هدف یا پدیده مورد نظر و جداسازی آن از سایر اهداف موجود در تصویر می شود .
به علت تنوع و تعدد الگوریتم های طبقه بندی که طراحی و جهت طبقه بندی در اختیار مفسران تصاویر فراطیفی قرارگرفته، مدیریت و نحوه استفاده از آن در شرایط مختلف و نوع استفاده از این تصاویر جهت کاربردهای کشاورزی، نظامی، معدنی و…. متفاوت می باشد. در کشاورزی دقیق استفاده از تصاویر فراطیفی کارایی بسیار بالایی از خود نشان داده است ولیکن الگوریتم های طبقه بندی تا کنون کمتر مورد ارزیابی و دقت سنجی قرار گرفته اند، بدین معنی که در استفاده از تصاویر هایپریون بتوان الگوریتم هایی که طبقه بندی را با دقت بالاتری انجام می دهند را مورد استفاده قرار داد.
در این تحقیق ما بر آن شدیم که از بین الگوریتم های تمام پیکسل پنج الگوریتم را برای نمونه ارزیابی و صحت آن را برآورد نماییم . از سری الگوریتم های کلاسیک ، بیشترین شباهت و از سری الگوریتم های اندازه گیری قطعی ، SAM و BEC و از اندازه گیری های غیر قطعی ، الگوریتم SID و الگوریتم پنجم SVM را بررسی و نتایج را مقایسه کنیم.

1-4 اهداف تحقیق
همان طور که قبلا اشاره شد یکی از جنبه های مهم کاربرد تصاویر فراطیفی در بخش کشاورزی ،پایش و ارزیابی و تعیین سطح زیر کشت این محصولات بصورت دقیق می باشد. با توجه به اینکه تحقیقات در زمینه شناسایی و تفکیک محصولات کشاورزی و به نقشه در آوردن و تعیین سطح زیر کشت محصولات امری وقت گیر و هزینه براست و تا کنون هم ارزیابی و برآورد سطح زیر کشت و تهیه نقشه آن از طریق سنتی و کارشناسی و یا با دقت کمتر توسط سنجندهای چند طیفی انجام شده است برآن شدیم، این روشهای طبقه بندی محصول مهمی همچون برنج را بصورت علمی ارزیابی و در اختیار متخصصان این فن قرار دهیم.

1-5 سوالات تحقیق
قابلیت داده های سنجنده هایپریون در تهیه نقشه سطح زیر کشت برنج به چه اندازه است؟
کدام یک از الگوریتم های طبقه بندی استفاده شده در این تحقیق کارایی بالاتری جهت طبقه بندی برنج دارد [S.J8]؟

1-6 فرضیات تحقیق
در این تحقیق برای رسیدن به اهداف تعیین شده و دستیابی به نتایج درست ، فرضیاتی در نظر گرفته شده که به ترتیب ذیل می باشند :
تصاویر فراطیفی سنجنده هایپریون به علت دارا بودن باند های طیفی زیاد و پیوسته دارای قابلیت بالایی در طبقه بندی و تهیه نقشه سطح زیر کشت محصول برنج می باشد .
الگوریتم های آشکارسازی طیفی نسبت به الگوریتم های کلاسیک متداول دارای صحت بالاتری می باشند.

1-7 ساختار پایان نامه
به منظور ارزیابی الگوریتم های نظارت شده در تصاویر فراطیفی هایپریون جهت تهیه نقشه سطح زیرکشت برنج که هدف اصلی این تحقیق می باشد، این پایان نامه در5 فصل تهیه و تدوین گردیده است که به شرح زیر می باشد.
فصل اول : مقدمه و کلیات
فصل دوم : پیشینه تحقیق
فصل سوم : اصول و مفاهیم پایه
فصل چهارم : مواد و روشهای کار، بررسی و اجرا
فصل پنجم : نتایج و پیشنهادات
1-در فصل اول در ابتدا مقدمه ای بر موضوع مورد مطالعه مطرح شده است و ضرورت و اهداف تحقیق شرح داده شد .
2-در فصل دوم برخی از مطالعات خارجی و داخلی مرتبط با زمینه تحقیق به اختصار توضیح داده شد .
3- 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 .
4- در فصل چهارم ، منطقه مورد مطالعه معرفی ، مواد و ابزار تحقیق بیان شده است و با استفاده از روش های آزمایشگاهی طبقه بندی تصویر با استفاده از الگوریتم های ذکر شده در این فصل انجام پذیرفت .
5- 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

2-1 مطالعات خارجی[S.J9]
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.
باناری[S.J10]1 و همکاران در سال 2005 در کانادا با استفاده 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 SWIR2 (مادون قرمز کوتاه) نسبت به IKONOS ارجحیت دارد.
تامپسون و بارتلت [S.J11]3در سال 1982 در ایالت تگزاس با استفاده از مدل LASIE در رابطه ی 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 4در سال 1985 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 استفاده از دستگاه رادیومتر رسیدند.
هاکمن و ویسرز5 در سال 2003 به کمک داده های راداری و با استفاده از روش های Object و الگوریتم Polarimetic در کانادا محصولات مختلف کشاورزی از جمله گندم را با دقت 96 درصد تفکیک کردند.
تاکر و اریکان 6در سال 2000 در ترکیه با استفاده از تصاویر ETM+با طبقه بندی مرحله به مرحله و با اعمال ماسک های متناوب در تصاویر اقدام به تهیه نقشه غلات نمودند.
وادلا 7و همکاران در سال 2006 به بررسی روند زمانی داده های شاخص های گیاهی برای طبقه بندی مزارع بزرگ کشاورزی شامل یونجه، ذرت، سویا و گندم با استفاده از 12 تصویر MODIS با قدرت تفکیک 250 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 .
لتیو8 و همکاران در سال 2005 با استفاده از تصاویر هایپریون 5 گونه گیاهی مختلف نیشکر را در جنوب برزیل شناسایی کردند.
رگار9 و همکاران در سال 2004 تغییرات پوشش محصولات زمستانی را با استفاده از داده های MSS،TMوETM+ به کمک GIS انجام دادند. آنها با استفاده از طبقه بندی نظارت شده تصویر را کلاس بندی کردند، نتایج آن ها نشان داد که مناطق زیر پوشش محصولات زمستانی در طی سالهای 1977 تا 2000 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 1997-2000 از یک الگو پیروی می کنند که این الگو نشان دهنده توسعه اراضی کشاورزی در منطقه مورد مطالعه می باشد.
پراسد10 و همکاران در سال 2010 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 36 – 83/0 نشان می دهد.
فودگ11 و مادور در سال 2002 درطبقه بندی سه کلاس گندم پاییزه، جو بهاره و نیشکر بر روی تصاویر سنجنده SPOT الگوریتم های مختلف داده ها را با استفاده 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 80 درصد می باشد.
2-2 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 1372 و 1373 اقدام به تهیه نقشه تصویری اراضی برنجکاری با استفاده از تصاویر TM کرد. (اداره کشاورزی استان گیلان 1374، 1-73) بلافاصله پس از این مطالعه، ژاله دریایی و همکارانش در اداره کل آمار و اطلاعات وزارت جهاد کشاورزی مازندران، با استفاده از تصاویر TM سال 1993 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 1386 با استفاده 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 2007 پارامتر های کیفیت پوشش گیاهی را با استفاده 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 1385 با استفاده از تصویر لندست 7 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 1385 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 1388 گیاه یونجه را بر روی تصویر هایپریون با استفاده 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 1388 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 1389 با استفاده از تصاویر هایپریون خوزستان با استفاده 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 1390 در پایان نامه مقطع کارشناسی ارشد روش های کشف و شناسایی خودکار اهداف در تصاویر فراطیفی را بررسی و با استفاده از الگوریتم SVM آشکارسازی اهداف زیر پیکسلی را با دقت بالایی انجام داد .
داوود اکبری در سال 1387 در پایان نامه مقطع کارشناسی ارشد خود 14 الگوریتم آشکارسازی طیفی را جهت آشکارسازی بام ساختمان ها در تصاویر فراطیفی مورد ارزیابی قرار داده است .
حميد رضا متين فر و همکاران در سال 1389 با استفاده 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.[S.J12]

فصـل سوم :
اصول و

پایان نامه
Previous Entries پایان نامه رایگان درمورد پردازش تصویر، تصاویر ماهواره ای، ماشین بردار پشتیبان، نمونه برداری Next Entries پایان نامه رایگان درمورد سنجش از دور، مدل سازی ریاضی، تصاویر ماهواره ای، انتقال اطلاعات