پایش سطح زمین در مناطق مشکوک به فرونشست در اثر استخراج سیالات زیر سطحی بسیار حائز اهمیت است. تکنیک تداخل سنجی راداری در میان روشهای زمینی و فضایی به عنوان کاراترین روش دراندازه گیری تغییرات سطح زمین محسوب می گردد. در این پایان نامه، فرونشست ناشی از استخراج آبهای زیر زمینی و نفت با استفاده از تکنیک تداخل سنجی راداری مورد مطالعه قرار می گیرد. درابتدا، فرونشست دشت هشتگرد ناشی از استخراج آبهای زیر زمینی با استفاده از تکنیک تداخل سنجی راداری اندازه گیری شد. تحلیل سری زمانی فرونشست به کمک الگوریتم خط مبنای کوتاه (sbas) ، با استفاده از 4 تصویر راداری ماهواره envisat asar در بازه زمانی 4 ماه در سال 2008 انجام شد. سرعت متوسط فرونشست در این منطقه 47 میلیمتر در ماه برآورد شد. به منظور ارزیابی نتایج حاصل از تداخل سنجی راداری یک شبکه متراکم سیستم تعیین موقعیت جهانی (gps) در منطقه پیاده سازی شد. ایستگاههای gps در بازه زمانی مشترک با تصاویر رادار، اقدام به برداشت مشاهدات نمودند. جابجایی قائم و افقی ایستگاهها محاسبه شده و سری زمانی حاصل از دو روش با یکدیگر مقایسه گردید. مقدار خطای مربع برآورد شده میان تداخل سنجی راداری و مشاهدات gps 005/0 متر می باشد. سپس، سطح زمین در میدان نفتی مسجد سلیمان با استفاده از تداخل سنجی راداری پایش شد. به دلیل عدم کارایی روش تداخل سنجی راداری متداول در این منطقه، روش تلفیق تداخل سنجی راداری مبتنی بر پراکنش کننده های دائمی و خط مبنای کوتاه مورد استفاده قرار گرفت. برای این منظور، از 19 تصویر راداری envisat asar گذر پایین در بازه زمانی 2003 تا 2008 و 14 تصویر گذر بالا در بازه زمانی 2004 تا 2008 استفاده گردید. نتایج حاصل از پردازش، سیگنال تغییر شکلی را در داخل محدوده میدان نفتی نشان نداد. دو فرضیه برای عدم مشاهده سیگنال فرونشست در نظر گرفته شد. اول آنکه هیچ فرونشستی در میدان نفتی وجود ندارد. دوم آنکه فرونشست ناچیز در این منطقه به دلایل احتمالی قرارگیری میدان نفتی بر روی ساختار دارای گسل که موجب بالاآمدگی آن بر روی راندگی می شود، همگرایی صفحات اوراسیا و عربستان که موجب بالا آمدگی ناحیه می گردد و استحکام بالای لایه های زمین شناسی در میدان که مانع از بروز نشست لایه های زیرین بر روی سطح زمین می شود قابل آشکارسازی نمی باشد. اما، یک سیگنال تغییر شکل در غرب مسجد سلیمان شناسایی گردید. پس از قرارگیری سیگنال بر روی نقشه زمین شناسی منطقه، مشخص شد که جابجایی مشاهده شده به زمین لغزش موجود در منطقه مرتبط است. اگرچه عوامل دیگری مانند فروچاله های ایجاد شده در قله ارتفاعات ناشی از نهشته های تحکیم نیافته که در جنوب غربی سیگنال تغییر شکل قرار دارند و نیز پیش آمدگی گسل لهبری در غرب ناحیه جابجا شده، می توانند در تغییر شکل صورت گرفته موثر باشند. سپس نتایج به دست آمده از تکنیک تلفیق باز پراکنش کننده های دائمی و خط مبنای کوتاه برای دو مجموعه داده گذر بالا و پایین به منظور تجزی? بردار جابجایی در دو راستای افقی (شرقی-غربی) و قائم با یکدیگر تلفیق شدند. بیشینه مقدار جابجایی افقی و قائم به ترتیب برابر با 7.55- و 12.4- میلیمتردر سال می باشد.

سنجنده های ابرطیفی قابلیت جمع آوری داده در تعداد باندهای طیفی بسیار زیاد را دارند، به نحوی که می توان به کمک این سنجنده ها به یک منحنی طیفی تقریباً پیوسته برای اشیاء زمینی رسید. به همین دلیل برای طبقه بندی دقیق بسیار مناسب هستند. طبقه بندی وظیفه مهمی در بسیاری از زمینه های کاربردی است. با این وجود، ابعاد بالای داده ها، چالش هایی را برای آنالیز تصاویر ابرطیفی نشان می دهند. در حالی که اکثر تکنیک های طبقه بندی پیشنهاد شده ی قبلی هر پیکسل را بصورت مستقل و بدون در نظر گرفتن اطلاعاتی در مورد ساختار های مکانی، پردازش می کنند، تحقیقات اخیر در پردازش تصاویر ابرطیفی بر اهمیت مشارکت محتوای مکانی در طبقه بندی کننده ها متمرکز شده اند. در این تحقیق روشها و الگوریتم های جدید طیفی_مکانی، برای طبقه بندی داده ابر طیفی ارائه شده است. روش پیشنهادی در این تحقیق با استفاده ی همزمان از اطلاعات طیفی و اطلاعات مکانی حاصل از آنالیز مورفولوژی، نتایج نهایی طبقه بندی را در تصاویر ابر طیفی بهبود می بخشد. ابتدا با استفاده از نمونه های آموزشی محدود، ویژگی های منتخب اولیه را استخراج کرده و پس از اعمال آنالیزهای مورفولوژی بر روی هر یک از ویژگی های منتخب اولیه، پروفایل های مورفولوژی تشکیل می شود و از ترکیب پروفایل ها، پروفایل مورفولوژی گسترده شده تولید می شود. سپس پروفایل مورفولوژی گسترده شده با ویژگی های منتخب اولیه ترکیب شده و مجددا استخراج ویژگی نهایی انجام می شود. ویژگی های منتخب نهایی با استفاده از طبقه بندی کننده ماشین بردار پشتیبان طبقه بندی می شوند. سپس پس پردازش تصویر نهایی با استفاده از فیلتر رای گیری اکثریت انجام می شود. روش پیشنهادی، روی داده شهری و نیمه شهری از سنجنده rosis تست شد. دقت طبقه بندی نهایی از ‏ 98.86 و 82.70 در روش های معمولی به 99.36 و 95.75 در روش پیشنهادی به ترتیب در تصویر منطقه شهری و نیمه شهری افزایش می یابد.

تکنیک تداخل سنجی راداری(d-insar) به عنوان یک روش مناسب جهت آشکار سازی تغییرات بوجود آمده در سطح زمین می باشد. محاسبه جابجایی های رخ داده در سطح زمین با استفاده از تکنیک d-insar شامل قابلیت های منحصر بفردی در ابعاد هزینه، زمان و دقت نسبت به تکنیکهای دیگر سنجش است. در مطالعه حاضر نرخ و دامنه فرونشست در سطح دشت مرند، با استفاده از تکنیک d-insar در بازه زمانی خرداد 1383- بهمن 1389 محاسبه و تعیین گشت. بدین منظور داده های sar از دو سنجنده مختلف asar و palsar که به ترتیب در باند c و l راداری می باشند مورد استفاده قرار گرفتند. تداخل نگارهای حاصل از سنجنده asar به دلیل ویژگی خاص منطقه مورد مطالعه از لحاظ پوشش گیاهی دارای مقادیر پایین تری از مقادیر همدوسی نسبت به تداخل نگارهای palsarبوده اند که خود بر کیفیت نقشه های فرونشست موثر بوده است. مقدار تجمعی تجمعی فرونشست محاسبه شده از asar موید میزان نشستی برابر با 87.54 سانتی متر و از تداخل نگارهای palsar به میزان 33.75 سانتی متر در بازه زمان زمانی 2055 و 828 روز بوده است. میانگین روزانه فرونشست نیز برابر با 0.4 و 0.43 میلی متر در روز به ترتیب از داده های asar و palsar حاصل گشته است. توزیع فضایی نواحی نشست یافته نیز حاکی از بیشینه رخداد نشست در عرصه های شرقی، شمالی و شمال غربی دشت مرند است. همنهاد سازی نقشه های فرونشست حاصل با لایه های کاربری اراضی و زمین شناسی منطقه نیز بیانگر نقش استحصال بی رویه آب زیر زمینی در رخداد فرونشست در دشت مرند می باشد. همچنین همبستگی تغییرات سطح پیزومتری با میزان فرونشست (ضرایب همبستگی برابر با 0.8 و 0.78 به ترتیب با تداخل نگار های asar و palsar) نیز حاکی از ارتباط مستقیم افت سطح آب زیر زمینی با میزان نشست رخداده در سطح زمین است.

در اوایل قرن 21ام یکی از بزرگترین پدیده های زیست محیطی با حضور یک گونه غیر بومی(مهاجم) در دریای خزر روی داده است. شانه دار مهاجم از طریق آب توازن کشتی ها از دریای سیاه و دریای آزوف از مسیر کانال ولگا دون به دریای خزر راه یافت. با توجه به اینکه سنجش از دور بعنوان ابزاری بهینه در مطالعات زیست محیطی مطرح می باشد، می توان از طریق این فناوری جهت مشخص نمودن محل های پراکندگی این گونه استفاده نمود. این تحقیق در واقع اولین تلاش ها برای توسعه یک مدل پیش بینی کننده مکانی براساس داده های محیطی استخراج شده از تصاویر سنجنده modis و داده های میدانی از زیست توده شانه دار مهاجم دریای خزر را ارائه می دهد. جهت مدلسازی مکانی حضور این گونه، رگرسیون خطی و شبکه های عصبی مصنوعی به کار بسته شده است. جهت برازش مدل از سه پارامتر میانگین ماهیانه غلظت کلروفیل و دمای سطح آب و فاصله از ساحل استفاده شده است. مدلسازی براساس استخراج این سه پارامتر از تصاویر modis در جولای 2005- 2002 انجام شده است و جهت اعتبار سنجی مدل نیز از مقادیر مربوط به ماه جولای 2006 استفاده می شود. بر اساس ارزیابی نتایج روش رگرسیون خطی با میانگین خطای نسبی 78/0 تنها با ورود پارامتر غلظت کلروفیل و روش شبکه های عصبی با میانگین خطای نسبی 31/0 با ورود هر سه پارامتر، قادر به تخمین پتانسیل حضور شانه دار مهاجم می باشند. در نهایت نیز براساس مدل منتخب نقشه پراکنش شانه دار مهاجم ارائه می-گردد. ضمناً اولویت بندی این سه پارامتر نیز در دستور کار قرار گرفته است. پارامتر غلظت کلروفیل با فاصله نسبتاً زیادی نسبت به دو پارامتر دیگر در مدلسازی نقش دارد. پس از آن پارامتر دمای سطح آب است و پارامتر سوم که از اهمیت کمتری نسبت به غلظت کلروفیل و دمای سطح آب برخوردار است، فاصله از ساحل می باشد.

رشد روزافرون جمعیت و توسعه جوامع بشری باعث گردیده تا اطلاعات مکانی یکی از مهمترین ابزارها در کاربردهایی نظیر برنامه ریزی شهری، مدیریت بحران، ایجاد و بهنگام رسانی پایگاه داده های موجود، شناسایی تغییرات و . . . باشند. در پروسه تهیه ی نقشه از تصاویر هوایی و ماهواره ای، مهمترین بخش مربوط به بخش استخراج اتوماتیک عوارض می باشد. با نگاهی اجمالی به مراحل پیشرفت فتوگرامتری و سنجش از راه دور، هدف کاهش زمان و هزینه تهیه نقشه، بهبود دقت، افزایش سطح اتوماسیون و کاهش نقش عامل انسانی می باشد تا بتوان سیستم های فتوگرامتری آنی را طراحی نمود بنحوی که بتوان در لحظه اخذ تصویر، تهیه نقشه امکان پذیر باشد. در زمینه فتوگرامتری با توجه به اینکه در تصاویر-هوایی و ماهواره ای از مناطق شهری و نیمه شهری، ساختمان ها و جاده ها دارای بیشترین تعداد در تهیه نقشه می باشند و این اشکال دارای هندسه ساده تر و منظمی می-باشند، استخراج این عوارض در اولویت های تحقیقاتی قرار دارند. تحقیق پیشرو دارای دو مرحله اصلی شناسایی و استخراج عارضه ساختمان می باشد. مرحله اول هدف شناسایی پیکسل های یا نقاط مربوط به عارضه ساختمان که برای این منظور ابتدا از داده های لیدار مدل رقومی زمین (dtm ) استخراج شده ، سپس مدل رقومی نرمالیزه سطح (ndsm ) که حاصل تفاضل مدل رقومی سطح (dsm ) و مدل رقومی زمین می باشد.

استخراج خودکار اطلاعات مختلف از تصاویر هوایی و ماهواره ای، سال های زیادی است که بخش زیادی از تحقیقات را در سراسر دنیا، به خود اختصاص داده است. با وجود این حجم وسیعی از تحقیقات، بکارگیری فناوری سنجش از دور در قبال توانایی و پتانسیل این علم بسیار بسیار ناچیز است. در این سال ها استراتژی-های گوناگونی جهت تحقق اهداف در راستای استخراج اطلاعات از داده های سنجش از دوری، بکارگرفته شده است. به طور کلی می توان روش های استخراج اطلاعات در حیطه سنجش از دور را بر مبنای واحدهای تصویری تحت آنالیز در دو استراتژی پیکسل مبنا و شئ مبنا خلاصه کرد. روش های سنتی پیکسل مبنا، آنالیزهای خود را بر پایه واحدهای اصلی تصویر یعنی پیکسل های تصویری استوار ساخته اند. دلایل زیادی در تحقیقات مختلف جهت تشریح علل شکل گرفتن آنالیزهای شئ مبنا جهت غلبه بر ضعف های روش های سنتی ارائه شد است. مهمترین دلیل را می توان عدم توانایی درک اینگونه از روش ها از وابستگی های مکانی میان پیکسل های همجوار عنوان کرد. شاید بتوان این ضعف را به گونه ای دیگر نیز عنوان کرد. در حقیقت روش های سنتی توجه خود را به ابعاد طیفی داده های سنجش از دور و عدم توجه به قابلیت های مکانی اینگونه داده ها معطوف ساخته اند. روش های شئ مبنا برمبنای قطعه بندی داده های تصویری و تشکیل واحدهایی جدید به نام اشیاء که این اشیا عوارض نهایی مورد نظر کاربر نمی باشد و سپس آنالیز این واحدها جهت رسیدن به عوارض مورد نظر کاربر استوار است. امروزه توجه بسیاری از تحقیقات به بکارگیری آنالیزهای شئ مبنا جلب شده است. بسیار از این تحقیقات، تلاش خود را بر روی مرحله مبنایی آنالیزهای شئ مبنا، یعنی مرحله قطعه بندی تصویر متمرکز ساخته اند. قطعه بندی به عنوان گام مبنایی آنالیزهای شئ مبنا اهمیت ویژه ای را در کارایی یک آنالیز شئ مبنا دارا می-باشد. در این تحقیق نیز هدف معرفی یک روش خودکار جهت اجرای یک قطعه بندی مناسب است. سال های زیادی نیز از بکارگیری روش های بهینه سازی مختلف در تحقیقات مختلف و بخصوص آنالیزهای سنجش از دوری نمی گذرد. اما در طی این سال ها اینگونه روش ها کاربرد زیادی را در تحقیقات مختلف داشته اند. الگوریتم ژنتیک به عنوان یکی از توانمند ترین این روش ها، جهت انجام بخش بهینه سازی در روش پیشنهادی بهره گیری شده است. یکی از مهمترنی انواع استراتژی های قطعه بندی، روش های ناحیه مبنا می باشند. جهت انجام این امر از یک روش قطعه بندی ناحیه مبنای پرکاربرد که ساختار امروزی آنالیزهای شئ مبنا را جهت دهی کرده است، بهره گیری شده است. روش قطعه بندی چندمقیاسه یک روش ادغام نواحی پایین به بالا می باشد که فرآیند خود را از پیکسل های منفرد شروع کرده و برمبنای 2 معیار عدم شباهت شکلی (هندسی) و طیفی استوار است. معیار عدم شباهت شکلی خود دارای دو پارامتر نرمی و فشردگی میباشد که یکی وابسته به دیگری است. چنانچه یک تصویر دارای 3 باند باشد، 6 پارامتر جهت تولید یک قطعه بندی توسط روش چندمقیاسه نیاز است. چنانچه هر پارامتر تنها با دقت 1/0 مدنظر باشد، 1000000 حالت مختلف جهت تولید یک قطعه بندی وجود دارد. در این تحقیق از الگوریتم ژنتیک جهت بهینه سازی این فضای پارامتری و در نهایت تولید یک قطعه بندی مناسب در منطقه مورد مطالعه بهره گیری شده است. در این تحقیق جهت اجرای فرآیند بهینه سازی از 7 تابع هزینه مختلف طیفی و هندسی بهره گیری شده است. در این تحقیق از دو استراتژی کیفی و کمی جهت ارزیابی نتایج بهره گیری شده است. هم از جهت کیفی و هم از نقطه نظر کمی بهینه سازی با استفاده از تابع هزینه دقت کلی دارای دقت 86% در تعمیم پذیری فرآیند قطعه بندی بهینه، بهترین نتیجه را در میان توابع هزینه مختلف داشته است. واژگان کلیدی: قطعه بندی چند مقیاسه ، الگوریتم ژنتیک ، بهینه سازی ، توابع هزینه ، آنالیز شئ مبنا ، روش سلسله مراتبی

سنجش از دور می تواند به عنوان یک ابزار قدرتمند با به کار گیری داده از منابع مختلف و تلفیق آنها با یکدیگر برای طبقه-بندی انواع پوشش گیاهی و کاربری اراضی مورد استفاده قرار گیرد. در این میان محققین در برخی از مناطق مانند مناطق کوهستانی به دلیل شرایط ارتفاعی منطقه و رفتار طیفی نزدیک برخی از گونه های پوشش گیاهی، به سمت استفاده از منابع داده های کمکی در کنار داده های سنجش از دور از منابع مختلف سوق پیدا کرده اند. طبقه بندی انواع مراتع فراهم کننده ی اطلاعات کلیدی برای آنالیز بهره وری کشاورزی، محاسبه ی کربن و شناسایی تنوع زیستی است و در همین راستا علاقه ی روزافزونی برای شناسایی و حفاظت از علفزارهای بومی وجود دارد. اولین مجموعه داده های مورد استفاده در این تحقیق شامل تصویر لندست tm (thematic mapper) اخذ شده در تاریخ 1/6/2009 و دومین مجموعه داده ها، تصویر راداری envisat asar اخذ شده در تاریخ 9/6/2009 برای منطقه مورد مطالعه واقع در محدوده ی شمال غربی شهر تهران (البرز جنوبی) استفاده شد. هدف از این تحقیق استفاده از تصویر لندست tm و تصویر راداری envisat asar برای طبقه بندی انواع مراتع می باشد. در تحقیق حاظر پس از اعمال چندین روش تصحیح توپوگرافی تصویر نوری که همگی جزو روشهای غیرلامبرتی-اند و با توجه به معیارهای ارزیابی این روشها روش scsc به عنوان روش مورد استفاده برای تصحیح تصویر نوری در نظر گرفته شد. در ادامه سودمندی و بهبودی که با استفاده از ویژگیهای استخراج شده از تصویر رادار و نوری که شامل بافت آنها می باشد و در تلفیق با باندهای طیفی تصویر نوری مورد استفاده قرار گرفته است بر روی نتایج طبقه بندی نهایی بررسی شده است و برای انتخاب ویژگیهای مستقل که منتج به بالاترین دقت نتایج شود از الگوریتم ژنتیک استفاده گردید. دقت کلی طبقه بندی بیشترین شباهت با این روش از 77.74 برای تصویر نوری اولیه به 78.71 و در روش کمترین فاصله از 77.11 به 77.91 افزایش یافته است. تاثیر استفاده از داده های ارتفاعی منطقه و شاخص های گیاهی تصویر نوری بر نتایج نهایی طبقه بندی در بخش دیگری از تحقیق بررسی گردید و باندهای بهینه انتخاب شد و در این حالت نیز دقت کلی روش بیشترین شباهت از 77.74 به 83.37 افزایش یافته است که بهترین نتایج طبقه بندی در همین حالت حاصل شده است در حالی که دقت کلی روش کمترین فاصله از 77.11 به 77.14 رسید که نشان دهنده ی این است که تغییر چندانی در نتایج این روش ایجاد نشده است. همچنین نتایج استفاده از آنالیز مولفه های اصلی برای انتخاب باندهای بهینه دارای دقت کمتری نسبت به تصویر نوری اولیه است به گونه ای که دقت کلی طبقه بندی بیشترین شباهت از 77.74 به 74.67 کاهش یافته است.

تهیه اطلاعات مکانی دقیق از جمله نقشه تیپ جنگل و پراکنش مکانی گونه ها و توده های مختلف، لازمه مدیریت پایدار جنگل ها می باشد. با توجه به زمان بر و هزینه بر بودن روش های میدانی تهیه این چنین اطلاعاتی، تحقیقات زیادی به منظور تهیه نقشه جنگل با استفاده از داده های ماهواره ای چند طیفی انجام شده است. سنجش از دور می تواند به عنوان یک ابزار قدرتمند با به کار گیری داده از منابع مختلف و تلفیق آن ها با یکدیگر برای طبقه بندی انواع پوشش گیاهی و کاربری اراضی مورد استفاده قرار گیرد. در این میان محققین در برخی از مناطق مانند مناطق کوهستانی به دلیل شرایط ارتفاعی منطقه و رفتار طیفی نزدیک برخی از گونه های پوشش گیاهی، به سمت استفاده از منابع داده های کمکی در کنار داده های سنجش از دور از منابع مختلف سوق پیدا کرده اند. به منظور تفکیک تیپ های جنگل، تحقیق حاضر در جنگل آموزشی و پژوهشی خیرودکنار نوشهر بر روی تصاویر نوری و رادار سنجنده های ماهواره alos انجام گرفت. مجموعه داده های مورد استفاده در این تحقیق تصویر نوری alos avnir-2 با رزولوشن مکانی 10 متر و تصویر راداری alos palsar با دو پلاریزاسیون hh , hv با رزولوشن مکانی 12.5 متر برای منطقه مورد مطالعه واقع در منطقه خیرودکنار نوشهر می باشد. بر روی تصاویر نوری و رادار مورد استفاده در این تحقیق، تصحیحات هندسی و رادیومتریکی انجام شده بود و تصاویر مورد تصحیح توپوگرافی قرار گرفتند. جهت بارزسازی تصویر رادار از فیلتر گاما استفاده شد. سپس شاخص های طیفی و مکانی مختلف از تصاویر نوری و رادار استخراج گردیدند و با استفاده از روش بهینه سازی فیشر و معیار تفکیک پذیری آن ویژگی های بهینه جهت طبقه بندی نهایی انتخاب شده و ترکیب آن ها به عنوان ورودی طبقه بندی استفاده شد. از روش های طبقه بندی مختلف از جمله بیشترین شباهت و شبکه عصبی استفاده شد و طبقه های راش خالص، راش آمیخته، ممرز خالص، ممرز آمیخته، توسکای آمیخته، پهن برگ آمیخته و مناطق جنگل کاری تفکیک گردیدند. به منظور برآورد میزان صحت و درستی نقشه های حاصل از طبقه بندی تصاویر به روش های مختلف، نقشه واقعیت زمینی تیپ های جنگل که به صورت نمونه ای و به روش میدانی تهیه شده بود در این تحقیق استفاده شد. در ادامه سودمندی و بهبودی که با استفاده از ویژگی های استخراج شده از تصویر رادار و نوری بر روی نتایج طبقه بندی حاصل می شود بررسی شده است. نتایج بررسی صحت نشان می دهند که روش بهینه سازی فیشر جهت تلفیق اطلاعات طیفی و مکانی دو مجموعه تصاویر رادار و نوری به نحو موثری ویژگی های مناسب را رتبه بندی کرده و با استفاده از رتبه بندی ویژگی ها و تشکیل فضای ویژگی بهینه، موجب بهبود صحت کلی از 67.54 درصد به 77.34 درصد شد (با شبکه عصبی). پس از طبقه بندی نهایی، پس پردازش به روش رأی گیری اکثریت انجام شد و موجب بهبود دقت طبقه بندی تا 79.94 درصد شد.

در دهه های اخیر، با توجه به ظهور سنجنده های پلاریمتریک رادار، تحقیقات فراوانی در زمینه استفاده از داده های این سنجنده ها بعنوان ابزاری مناسب در مطالعه پوشش سطح زمین مطرح شده است. طبقه بندی کلاس های پوشش دهنده ی سطح زمین، یکی از مهم ترین کاربرد های تصاویر پلاریمتریک رادار می باشد. با استفاده از تصاویر پلاریمتریک می توان توصیفگرهای بسیاری را استخراج نمود که بیشتر این توصیفگرها از توزیع آماری خاصی پیروی نمی کنند، در این تحقیق از طبقه بندی کننده ماشین های بردار پشتیبان که یک طبقه بندی کننده غیرپارامتریک می باشد، استفاده شده است. بطور کلی این تحقیق دو هدف عمده و اصلی را دنبال می کند که این دو عبارت اند از: امکان سنجی تاثیر زاویه فرودهای مختلف در بهبود طبقه بندی و طبقه بندی با استفاده از توصیفگرهای بهینه استخراج شده از تصاویر با زاویه فرودهای مختلف. به منظور امکان سنجی تاثیر زاویه فرود های مختلف در بهبود طبقه بندی از روش های طبقه بندی wishart و طبقه بندی ماشین های بردار پشتیبان (svm)، استفاده شده است. همچنین به منظور دستیابی به هدف دوم، با توجه به بالا بودن تعداد توصیفگرهای استخراج شده از هر تصویر، ابتدا با استفاده از الگوریتم ژنتیک توصیفگرهای بهینه هر تصویر انتخاب شده و در نهایت طبقه بندی ماشین های بردار پشتیبان svm بر روی توصیفگرهای انتخاب شده هر حالت اعمال شده است. در نهایت پس از انجام مراحل فوق الذکر این نتیجه بدست آمد که استفاده از تصاویر با زاویه فرودهای مختلف می تواند به بهبود نتایج حاصل از طبقه بندی کمک کند. همچنین در حالت استفاده از توصیفگرهای بهینه استخراج شده از دو تصویر به صورت همزمان دقت کلی 11/88 درصد و ضریب کاپا 89/85 درصد بدست آمد.

الگوریتم تشخیص تغییرات ارائه شده در این پایان نامه تغییرات را در فضای آماری زیرباندهای موجک شناسایی می کند. در واقع پس از آنکه تصاویر به فضای موجک انتقال یافتند پارامترهای آماری آنها استخراج شده و با استفاده از دیورژانس kullback-leibler مقایسه شده و در نهایت با استفاده از یک روش حد آستانه گذاری مانند otsu نقشه تغییرات نهایی حاصل می شود. از آن جایی که الگوریتم تشخیص تغییرات ارائه شده در فضای آماری تغییرات را شناسایی می کند و در آن مقایسه پیکسلی انجام نمی شود، این روش قادر است تغییرات را بین گروه های مختلف تصویری شناسایی کند. با استفاده از الگوریتم ارائه شده در این پایان نامه، تغییرات بین گروه های مختلف تصاویر sar، اپتیک، اپتیک- sar و تلفیقی- sar شناسایی شده است و نتایج آنها با یکدیگر مقایسه شدند. نتایج حاصل نشان داده است که الگوریتم ارائه شده توانسته بین تصویر اپتیک قبل و تصویر sar بعد تغییرات را با دقت خوبی شناسایی کند. این الگوریتم در تمامی کاربردها دقت خوبی بدست می دهد و قادر به شناسایی تغییرات مختلف بین تصاویر و اپتیک با درصد طبقه بندی صحیح %48/89 است و به دلیل آنکه دسترسی به داده های مورد نیاز آن در زمان کمی میسر است علاوه بر پایش تغییرات شهری می توان در بلایای طبیعی نیز به منظور مدیریت امدادرسانی از آن بهره برد.

از زمان پیدایش ccd ها در صنعت تصویر برداری علیرغم پیشرفت ها و مزایای آن مشکلاتی از قبیل کوچک بودن سنسور ها ، نویز و اختلاط نیز به همراه آن بوده است. استفاده از این سنسور ها در سنجش از دور از 3 دهه ی پیش مرسوم شده است. تلاش محققین در جهت کوچک نمودن سنسور ها و به تبع آن افزایش قدرت تفکیک تصاویر اخذ شده همواره ادامه داشته اما به جهت مشکلات تکنولوژی این پیشرفت تا حدودی محدود مانده است. از آنجا که یکی از مهمترین کاربردهای سنجش از دور طبقه بندی تصاویر و تهیه ی نقشه ی پوششی است ، افزایش قدرت تفکیک مکانی نقش بسزایی در دقیق تر شدن نتایج ایفا می کند. super resolution یکی از روش هایی است که در افزایش قدرت تفکیک تصاویر دیجیتال گام های مناسبی برداشته است. atkinson با الهام گیری و توسعه ی این روش بر روی نقشه های طبقه بندی شده ی سنجش از دور توانست نقشه های طبقه بندی در سطح زیر پیکسل ایجاد کند. پس از او محققان دیگری نیز با توسعه ی روش های مختلف در راستای تهیه ی نقشه ی زیر پیکسل تلاش نمودند. هر کدام از این روش ها مزایا و معایبی دارد . در راستای بهبود این روند، تحقیق پیش رو روشی ابتکاری بر پایه ی بهینه سازی مکانی و بر روی تصویر فرا طیفی ارایه می دهد. در روش پیشنهادی با استفاده از اطلاعات طیفی طبقه بندی نرم صورت می گیرد و با استفاده از روابط همسایگی نقشه ی طبقه بندی شده ای در سطح زیر پیکسل از منطقه ی مورد مطالعه ارایه می گردد. ارزیابی انجام شده حکایت از دقت نسبی روش و نیز سرعت اجرای روش بیانگر عملکرد مناسب آن در مقایسه با روش های دیگر است. نقشه ی زیر پیکسل تهیه شده دارای دقتی در حدود 90 درصد در مقایسه با تصویر اولیه و نقشه ی مرجع بوده و همچنین زمان اجرای الگوریتم برای تصویری با 36000 زیر پیکسل کمتر از 15 دقیقه محاسبه گردید. همچنین روش ارایه شده دارای قابلیت توسعه در جهت افزایش کلاس ها بوده و قابل توسعه بر داده های دیگر سنجش از دور نیز هست.

طبقه بندی پوشش زمین یکی از کاربرد های مهم استفاده از داده های سنجش از دوری است. از میان تصاویر و داده های مورد استفاده در این مورد، داده های پلاریمتری راداری به خاطر امکان استخراج ویژگی های زیاد و متنوع میتوانند برای طبقه بندی گزینه مناسبی باشند. در این تحقیق یک روش عارضه مبنا برای طبقه بندی مناطق شهری با استفاده از داده های پلاریمتری راداری به صورت تلفیق نتایج پیکسل مبنای طبقه بندی svm و قطعات تصویری ارائه می گردد و همچنین برای رسیدن به دقت مناسب طبقه بندی از مجموعه ویژگی های بهینه استفاده شده است. بدین منظور، از روش طبقه بندی کننده های چندگانه svm استفاده شده است. برای نیل به این هدف، معیار دقت کلاس و معیار فاصله حاشیه (margin)svm در طبقه بندی svm جهت انتخاب ویژگی به صورت کلاس مبنا و همچنین انتخاب ویژگی به صورت تصادفی مورد استفاده قرار گرفته است. در تصاویر پلاریمتری به خاطر اسپکل، گاها نتایج طبقه بندی پیکسل مبنا ممکن است راضی کننده نباشد. لذا در این تحقیق از ویژگی های مربوط به فضای تصویر یا قطعات تصویری استفاده شده است. بطور کلی روش ارائه شده سه گام اصلی دارد: انتخاب ویژگی , طبقه بندی پیکسل مبنا و تلفیق نتایج پیکسل مبنا و قطعات تصویری. بهبود دقت طبقه بندی بعنوان دستاورد مهم این تحقیق معرفی شده اند. نتایج عملی نشان میدهد که دقت کلی روش ارائه شده در بهترین حالت طبقه بندی چندگانه عارضه مبنا با استفاده از معیار دقت کلاس در انتخاب ویژگی کلاس مبنا 07/90 درصد و بهترین حالت طبقه بندی چندگانه عارضه مبنا با استفاده از معیار حاشیه svm در انتخاب ویژگی کلاس مبنا 24/89 درصد بدست امد. همچنین برای حالت انتخاب ویژگی تصادفی , دقت کلی طبقه بندی چندگانه عارضه مبنا 75/87 درصد حاصل شد که نشان دهنده افزایش دقت طبقه بندی نسبت به حالت پیکسل مبنا و طبقه بندی کننده ی تک می باشد.

برای این منظور در این تحقیق از تصاویر ماهواره ای با رزولوشن بالای ماهواره های geoeye-1 و quickbird-1 جهت شناسایی تغییرات در منطقه مطالعاتی شهرک آزاد شهر واقع در ناحیه هشت از منطقه 22 استان تهران، استفاده شده است. تصاویر ماهواره ای quickbird-1 متعلق به سال 1385 و geoeye-1 متعلق به سال 1389 است. به منظور بهبود صحت آشکارسازی تغییرات، از آنالیز های شیءگرای تصاویر استفاده شد.در این پایان نامه هدف آشکارسازی تغییرات شیء مبنا با استفاده از روش قطعه بندی چند مقیاسه و طبقه بندی کننده ماشین بردار پشتیبان است، که با دو روش طبقه بندی کننده نزدیک ترین همسایگی و سلسله مراتبی مقایسه شده است.در این پایان نامه از سه تکنیک استفاده شده است در دو روش اول تصاویر با روش چندمقیاسه قطعه بندی می شوند و سپس با استفاده از روش ماشین بردار پشتیبان طبقه بندی می شوند با این تفاوت که درروش دوم دو تصویر باهم ادغام می شوند.در تکنیک سوم از روش پیکسل مبنا استفاده شده است به این صورت که ابتدا دو تصویر به روش ماشین بردار پشتیبان طبقه بندی شده سپس برای حصول به نقشه ماهیت تغییرات این دو تصویر با روش مقایسه پس از طبقه بندی باهم مقایسه می شوند. پس از مشاهده نقشه ماهیت تغییرات هر سه تکنیک این نتیجه حاصل شد که روشی به کار رفته در تکنیک دوم هم ازلحاظ کیفی و هم ازلحاظ طیفی دارای بالاترین دقت است. و دارای دقت کلی 91.59 و ضریب کاپای 89.14 است.