تصاویر راداری به دلیل مزایایی از جمله توانایی اخذ تصویر در تمامی شرایط آب و هوایی و در تمامی ساعات شبانه روز و اخذ اطلاعات متفاوت با تصاویر مرئی در بسیاری از مطالعات مانند هیدرولوژی، خاک، شناسایی کشتی، تشخیص لکه های نفتی و غیره کاربرد دارند. با وجود مزایای یادشده، وجود نویز لکه اخذ اطلاعات از این تصاویر را دچار مشکل می کند. در نتیجه کاهش اثر این نویز همواره مورد توجه محققین بوده است. در این مطالعه کاهش اثر این نویز بر اساس تبدیل کرولت مورد بحث و بررسی قرار گرفت. زیرا تبدیل کرولت توانایی تغییر پخش انرژی سیگنال و نویز و نمایش بیشتر انرژی سیگنال در تعداد ضرایب محدود را دارد. بعلاوه این تبدیل در حفظ و نمایش لبه ها توانمند است. این دو ویژگی امکان حذف نویز و درعین حال حفظ لبه را توسط این تبدیل محتمل می سازد. در نتیجه کاهش نویز لکه بر اساس تبدیل کرولت هدف اصلی این مطالعه قرار گرفت. بدین منظور جهت توسعه روشی کارآمد برای تمامی تصاویر راداری بدون اطلاعات قبلی از نویز و توزیع آن روش آستانه گذاری ضرایب کرولت جهت کاهش نویز تصاویر راداری انتخاب شد. در این روش، ابتدا نویز ضرب شونده لکه توسط تبدیل لگاریتمی به نویز افزایشی تبدیل شده و تصویر حاصل به فضای کرولت منتقل می گردد. سپس تابع آستانه گذار و حد آستانه تعیین شده و ضرایب کرولت جهت حذف انرژی نویز آستانه گذاری می شوند. در انتها نیز تبدیل معکوس کرولت و تبدیل نمایی اعمال و تصویر فیلتر شده حاصل می شود. در این مطالعه توابع مختلفی مانند توابع سخت، نرم، zhang 1998، zhang 2001 و nasri جهت آستانه گذاری ضرایب کرولت به منظور حذف انرژی نویز مورد بررسی قرار گرفتند. بعلاوه به جهت اهمیت تعیین حد آستانه در تصویر خروجی فیلتر از سه روش متفاوت جهت تعیین این مقدار استفاده شد. در روش اول که روش متداول مورد استفاده دیگر محققین است و از آن به عنوان روش starck یاد می شود، حد آستانه توسط انحراف معیار نویز و متوسط توزیع انرژی نویز در هر زیرباند ضرایب کرولت تعیین می شود. در روش دوم پیشنهادی از ویژگی های آماری ضرایب کرولت جهت انطباق حد آستانه با شرایط متفاوت زیرباندها استفاده می شود که به این جهت از این روش به عنوان روش انطباقی یاد می شود. در روش سوم با عنوان شبکه عصبی آستانه گذار، برای اولین بار با ترکیب مفهوم شبکه عصبی و حذف نویز لکه در حوزه کرولت با استفاده از آموزش با نظارت و بدون نظارت این حد آستانه تعیین می شود. به منظور بررسی نتایج فیلترهای پیشنهادی با فیلترهای متداول از جمله frost، gamma، kuan، lee و آستانه گذاری سخت و نرم موجک هار با یک سطح تجزیه از معیارهای متفاوتی استفاده شد. معیارهای مورد استفاده را می توان در سه معیار کلی حفظ لبه، حفظ خصوصیات رادیومتریکی و کاهش نویز تصاویر راداری دسته بندی کرد. فیلترهای مبتنی بر تبدیل کرولت در تمامی معیارهای مورد بررسی به نتایج بهتری دست یافته اند (به عنوان مثال معیار میانگین مربعات خطا 78/16%، معیار s/mse که معادل معیار سیگنال به نویز است 113%، معیار میانگین نویز 5/23%، معیار انحراف معیار نویز 7/30% و معیار تعداد دید معادل 26/43% بهبودیافته اند). از میان توابع آستانه گذار نیز، توابع نرم، zhang 1998 و garrote به نتایج بهتری دست یافتند. همچنین روش های پیشنهادی تعیین حد آستانه یعنی روش انطباقی و شبکه عصبی آستانه گذار نیز در تعیین حد آستانه به نتایج بهتری نسبت به روش starck دست یافتند.

با توجه به نقش تعیین کننده موقعیت شکستگی ها و گسل ها در بوجود آمدن و ماندگاری ذخایر هیدروکربنی و همچنین اهمیت این موضوع در فرآیند حفر چاه های اکتشافی، هدف این پایان نامه استخراج خطواره های مورد نظر در نقشه های زمین شناسی به منظور اکتشاف منابع و ذخایر هیدروکربنی (نفت و گاز) از تصاویر اپتیکی و راداری و تلفیق نتایج حاصل از آن است. منطقه مورد مطالعه، در محدوده کلات نادری در شمال شرقی استان خراسان رضوی قرار دارد. استخراج خطواره ها در دو مرحله انجام می شود؛ مرحله ی اول استخراج خطواره ها از تصاویر asar سنجنده ی envisat1 با استفاده از الگوریتم کشف لبه کنی است. پارامترهای بهینه کشف لبه کنی برای استخراج خطواره ها از تصاویر راداری با روزنه ی ترکیبی با استفاده از متریک پرات، سیگمای 1 و حد آستانه 0.6 برآورد شد. همچنین شروط هندسی اولیه و شروط هندسی اصلی برای بهبود خطواره ها، برآورد و بر روی خطواره های برداری شده استخراجی از تصاویر راداری، اعمال گردید. شرط اختلاف زاویه اتصال دو خطواره، 10 درجه و شرط فاصله ی اتصال، 225 متر برآورد شد. میزان تطابق میانگین زاویه امتداد خطواره های استخراجی از تصاویر راداری با کل گسلهای مرجع، 74.95، گسل های اصلی مرجع، 70.39، گسلهای فرعی مرجع، 96.45، گسلهای پنهان مرجع، 77.17 و گسلهای تراستی مرجع، 63.95درصد می باشد. مرحله دوم، استخراج بصری خطواره ها از باند 6 تصاویر سنجنده ی etm+ ماهواره لندست7 می باشد. در این مرحله، از خطواره ها استخراجی مرحله اول به صورت ماسک روی باند 6 etm+ استفاده شده که استخراج خطواره ها را آسان تر نموده است. درصد تطابق میانگین زاویه امتداد خطوارههای استخراجی از تصاویر اپتیکی با کل گسلهای مرجع، 91.90، گسل های اصلی مرجع، 96.45، گسلهای فرعی مرجع، 70.05، گسلهای پنهان مرجع، 89.70 و گسلهای تراستی مرجع، 97.12 درصد می باشد. در آخر با اجتماع از خطواره های استخراجی از تصاویر اپتیکی و راداری، یک مجموعه خطواره از کل منطقه مطالعه ایجاد شده است. درصد تطابق میانگین زاویه امتداد خطواره های استخراجی از تصاویر اپتیکی و راداریبا کل گسلهای مرجع، 79.73، گسل های اصلی مرجع، 75.18، گسلهای فرعی مرجع، 98.43، گسلهای پنهان مرجع، 81.95 و گسلهای تراستی مرجع، 68.73درصد می باشد. با توجه به نتایج، برای استخراج خطوارههای اصلی و پنهان و تراستی باید از تصاویر اپتیکی و برای استخراج خطوارههای فرعی از مجموع دو دسته خطواره استفاده نمود.

پایش و نظارت رشد شهری دقیق و سریع، با توجه به تغییرات وسیع این مناطق در سراسر جهان، نیازمند روش¬ها و تکنیک¬های قدرتمندی است. این در حالی است که روش¬های سنتی نقشه برداری توانایی لازم برای ارائه اطلاعات مقرون به صرفه و به هنگام را ندارند. این امر متخصصین را به سمت استفاده از تصاویر ماهواره¬ای و فناوری سنجش از دور سوق داده است. بزرگ ترین چالش در آشکارسازی و ارزیابی تغییرات با استفاده از فناوری سنجش از دور به خصوص برای مناطق شهری، شناسایی دقیق سهم نسبی بازتابش مواد مختلف است. دستیابی به این مهم نیازمند توان تفکیک بالای تصاویر اخذ شده از منطقۀ مورد مطالعه، به منظور تمایز بهتر میان انواع مختلف کلاس¬¬های کاربری و پوشش زمینی، می¬باشد. این پایان¬نامه پتانسیل استفاده از سنجنده¬های ابرطیفی و بزرگ مقیاس اپتیکی را برای آشکارسازی تغییرات مناطق شهری، از طریق تلفیق آنها مورد ارزیابی قرار می¬دهد. در این راستا داده¬های پانکروماتیک با حد تفکیک مکانی بالا ( تصاویر پانکروماتیک irs-pan مربوط به سنجنده cartosat_1 و عکس هوایی) با تصاویر ابرطیفی hyperion مربوط به نسیم¬شهر با استفاده از الگوریتم¬های مختلف تلفیق مثل روش¬های تبدیل ویولت، آنالیز مؤلفه اصلی ، gram-schmidt ترکیب شدند. . نتایج حاصل از تلفیق، با داده¬های اولیه hyperion از نظر کیفیت طیفی و با داده¬های irs-pan و عکس هوایی از نظر کیفیت مکانی مقایسه شدند. نتایج حاصل از ارزیابی طیفی تصاویر تلفیق شده نشان می¬دهد روش haar-wavelet در حفظ خصوصیات طیفی در تصویر نهایی بهتر عمل کرده است. ارزیابی کیفی تصاویر بدست آمده حاکی از آنست که افزایش قابل توجهی در کیفیت مکانی هر یک از تصاویر تلفیقی در مقایسه با داده ابرطیفی hyperion حاصل شده است. تصویر تلفیقی حاصل در مرحله آشکارسازی تغییرات مورد استفاده قرار گرفته است. روش¬های زیادی جهت آشکارسازی تغییرات با استفاده از داده¬های منابع مختلف سنجش از دور توسعه یافته است. در این پایان¬نامه تکنیک¬هایی نظیر روش تفاضل باندها ، شناسایی تغییرات چندمتغیری برمبنای پس¬پردازش kernel-pca و مقایسه بعد از طبقه¬بندی شیءگرای تصاویر جهت کشف تغییرات تصویر تلفیق شده حاصل از داده¬های ابرطیفی hyperion و بزرگ مقیاس اپتیکی (تصاویر پانکروماتیک و عکس هوایی) مورد استفاده قرار گرفته¬اند. بطورکلی دقت روش¬های آشکارسازی بهبود یافته است. با مقایسه عملکرد روش¬های مختلف با استفاده از روش ماتریس خطا و داده رفرانس می¬توان گفت، روش مقایسه بعد از طبقه¬بندی شیءگرا بدلیل دقت بالای طبقه¬بندی از بین تکنیک¬های بکار رفته دارای دقت بهتری در آشکارسازی تغییرات شهری منطقه مورد مطالعه داشته است. نتایج حاصل نمایانگر پتانسیل استفاده از داده¬های ابرطیفی به همراه داده بزرگ مقیاس اپتیکی بصورت ترکیبی با استفاده از روش مقایسه بعد از طبقه¬بندی شیءگرا جهت کشف تغییرات می¬باشد. بطوریکه دقت کلی حاصل از آشکارسازی تغییرات با استفاده از این روش 82% و ضریب کاپای بدست آمده 8/0 می¬باشد.

شناسایی عارضه ساختمان در سال های اخیر به دلیل رشد شهرنشینی و گسترش دامنه شهرها اهمیت بالایی یافته است. شناسایی ساختمان ها به عنوان مهم ترین عارضه ی شهری جهت پیشبرد سیاست های توسعه شهری، برنامه ریزی و طراحی شهری، آمادگی در برابر خطرات بلایای طبیعی نظیر سیل و زلزله و یا حوادث غیرمترقبه نظیر آتش سوزی مورد تحقیق بسیاری از محققان بوده است. منظر شهری بسیار پیچیده و متراکم است از این رو با توجه به مزایایی که داده لایدار و تصاویر بزرگ مقیاس در آن واحد در اختیار ما قرار می دهند؛ این دو داده به عنوان ورودی الگوریتم پیشنهادی انتخاب می شوند. در این تحقیق دو مجموعه داده جهت پردازش به الگوریتم معرفی می شوند. مجموعه داده اول شامل تصویر طیفی هوایی و داده لایدار است. مجموعه داده دوم شامل تصویر ماهواره ای و داده لایدار می باشد. تحقیق پیش رو سه فاز اصلی را در بر می گیرد. در فاز اول تصاویر طیفی با مقیاس بالا پیش پردازش می شوند تا برای ورود به الگوریتم آماده گردند. پیش-پردازش برروی داده لایدار با هدف حذف نویز و تولید لایه dsmn انجام می گیرد. لایه های رستری شده لایدار با داده طیفی هم مرجع می شود. هم مرجع کردن دو داده از اهمیت بالایی برخوردار است چرا که سنگ بنای پردازش ها و آنالیز شی مبناست. فاز دوم شامل انتخاب پارامترهای مناسب قسمت بندی سلسله مراتبی و اعمال آن ها به لایه های ورودی است. انتخاب این پارامترها به صورت سعی و خطاست که از طریق ارزیابی بصری نتایج حاصل از قسمت بندی انجام می شود. روش قسمت بندی، روش چند مقیاسه است که امکان انتساب وزن به لایه های ورودی نیز در آن وجود دارد. آنالیز شی مبنا بر روی مجموعه داده اول به دلیل بالا بودن سطح جزئیات در سه سطح قسمت بندی انجام می گیرد. برای مجموعه داده دوم تنها یک سطح قسمت بندی داریم. بعد از تولید اشیا باید ویژگی های مناسب جهت انجام کلاسه بندی شی مبنا معرفی شوند. انتخاب ویژگی مرحله ای حساس و مهم است چرا که دقت نتایج کلاسه بندی را کنترل می نماید. انتخاب ویژگی نیاز به دانش درباره منطقه مطالعاتی و خصوصیات داده مورد نظر دارد. بعد از انتخاب ویژگی ها، کلاسه بندی بر روی مجموعه داده اول به چهار روش حدآستانه گذاری، نزدیک ترین همسایه، نزدیک ترین همسایه فازی و ماشین بردار پشتیبان انجام می شود .سه روش حدآستانه گذاری، نزدیک ترین همسایه و ماشین بردار پشتیبان نیز بر روی مجموعه داده دوم اعمال می شوند. در فاز سوم ارزیابی و تفسیر نتایج صورت می گیرد. جهت مقایسه نتایج روش کلاسه بندی شی مبنای مجموعه داده اول از روش آنالیز پیکسل مبنا با روش کلاسه بندی درخت تصمیم گیری استفاده می شود. کلاس های اصلی ساختمان، درختان، بوته، چمن و راه هستند. در نهایت با ارزیابی نتایج کلاسه بندی بر روی مجموعه داده اول مشخص گردید، دقت کلی روش نزدیک ترین همسایه در سطح اول سلسله مراتب 1 است که بالاترین مقدار را نشان می دهد. ضریب کاپا، دقت تولیدکننده و دقت کاربر برای کلاس ساختمان در این سطح برابر 1 می باشد. در سطح دوم سلسله مراتب و در ارزیابی پنج روش با حضور پنج کلاس دقت کلی در مجموع برای روش نزدیک ترین همسایه ماکزیمم است و برابر 0/982 می باشد. ضریب کاپا، دقت تولیدکننده و دقت کاربر به ترتیب 0/938، 0/95و 1 هستند. ارزیابی نتایج کلاسه بندی مجموعه داده دوم نشان می دهد، نزدیک ترین همسایه با دقت کلی 0/92 بهترین عملکرد را داشته است. دقت تولید کننده، دقت کاربر و ضریب کاپای کلاس ساختمان برای این روش به ترتیب برابر 0/95 ، 0/934 و 0/87 می باشد. با این وجود پارامترهای دقت مجموعه داده دوم پایین تر از پارامترهای دقت مجموعه داده اول می باشد. این امر را می توان به پایین تر بودن قدرت تفکیک مکانی و عدم حضور باند مادون قرمز نزدیک در این مجموعه داده نسبت داد.

بر اثر فعالیت های انسانی و پدیده های طبیعی، همواره چهره زمین دستخوش تغییرات می شود. شناسایی این تغییرات به خصوص در شبکه راه ها که به عنوان یکی از مهمترین عوارض ساخته دست بشر تلقی می شوند، از جمله نیازهای برنامه ریزی و مدیریت شهری به شمار می آید. انعطاف پذیری و قابلیت های بالای روش های طبقه بندی باعث شده است تا به عنوان یکی از مهمترین روش های آشکارسازی تغییرات عوارض، از جمله راه ها، در تصاویر ماهواره ای مورد استفاده قرار گیرند. روش های طبقه بندی شئ گرا به دلیل درنظر گرفتن ویژگی هایی نظیر بافت، خصوصیات هندسی و شاخص های شکل نسبت به روش های پیکسل مبنا از جایگاه ویژه ای برخوردارند. در این راستا اولین گام برای دست یافتن به نتایج قابل قبول طبقه بندی شئ گرا، قطعه بندی مناسب می باشد. یکی از روش های قطعه بندی که در سال های اخیر مورد توجه قرار گرفته است، قطعه بندی چند مقیاسه می باشد. این روش جزء معدود روش هایی است که علاوه بر به کارگیری اطلاعات ثبت شده در تصاویر )مقادیر طیفی( پارامترهای هندسی را نیز درنظر می گیرد. اما این الگوریتم نیاز به یک سری پارامترهایی دارد که معمولا به روش سعی و خطا به دست می آید. درنتیجه هزینه و زمان زیادی را به خود اختصاص می دهد. بنابراین، یافتن پارامترهای بهینه به صورت خودکار امری اجتناب ناپذیر است. در میان الگوریتم های موجود برای تعیین پارامترهای بهینه، الگوریتم ژنتیک یکی از پرکاربردترین روش ها محسوب می شود. یکی از اجزای اصلی الگوریتم ژنتیک تابع شایستگی می باشد که به طور چشمگیری نتایج را تحت تاثیر قرار داده و کل فرآیند را کنترل می کند. بنابراین این تابع باید متناسب با مسئله موردنظر به بهترین نحو طراحی شود. در این پایان نامه از طبقه بندی پیکسل مبنا و شئ گرا به منظور آشکارسازی تغییرات با تاکید بر عارضه راه استفاده شده است. طبقه بندی شئ گرا برمبنای نزدیکترین همسایگی فازی و طبقه بندی نظارت شده پیکسل مبنا به روش بیشترین احتمال، متوازی السطوح و کمترین فاصله روی تصویر پیاده سازی شده است. علاوه براین با به کارگیری الگوریتم ژنتیک، پارامترهای قطعه بندی چند مقیاسه بهینه سازی شده است. با توجه به نقش تابع شایستگی در یافتن جواب بهینه الگوریتم ژنتیک، یک تابع شایستگی مناسب برای قطعه بندی راه پیشنهاد شده و علاوه بر بررسی آن، به بررسی اجزای تشکیل دهنده آن پرداخته می شود. به منظور برآورد دقت و عملکرد روش پیشنهادی، از تصاویر پن شارپ شده آیکونوس محدوده ای از شهر شیراز استفاده شده است. ارزیابی کلی نتایج بر اساس ارزیابی کمی و تفسیر بصری در فازهای مختلف انجام می شود. دقت کلی بالاتر از 93% در مرحله بهینه سازی قطعه بندی حاکی از آن است که به کارگیری الگوریتم ژنتیک و تابع شایستگی طراحی شده نقش بسزایی در دقت قطعه بندی داشته است. دقت کلی بالاتر از 92% در مرحله طبقه بندی شئ گرا، استحکام روش شئ گرا را در طبقه بندی نشان می دهد. به طور کلی برآورد پارامترهای مختلف ارزیابی دقت، کارائی روش پیشنهادی در این تحقیق را به اثبات می رساند.

شناسایی عارضه ساختمان در سال های اخیر به دلیل رشد شهرنشینی و گسترش دامنه شهرها اهمیت بالایی یافته است. شناسایی ساختمان ها به عنوان مهمترین عارضه شهری جهت پیشبرد سیاست های توسعه شهری، برنامه ریزی و طراحی شهری، آمادگی در برابر خطرات بلایای طبیعی نظیر سیل و زلزله و یا حوادث غیرمترقبه نظیر آتش سوزی مورد تحقیق بسیاری از دانشمندان بوده است. منظر شهری بسیار پیچیده و متراکم است از این رو با توجه به مزایایی که داده لیدار و تصاویر هوایی بزرگ مقیاس در آن واحد در اختیار محقق قرار می دهند؛ این دو داده به عنوان ورودی الگوریتم پیشنهادی انتخاب شدند. تحقیق به این شرح می باشد، در مرحله اول پیش پردازش داده های لیدار با حذف نویز انجام می شود، در مرحله دوم تصویر هوایی پیش پردازش شده با لایه های رستری اولین و آخرین بازگشت فاصله لیدار و داده شدت هم مرجع شده تا برای ورود به الگوریتم آماده گردد. هم مرجع کردن دو داده از اهمیت بالایی برخوردار است چرا که سنگ بنای پردازش ها و آنالیز شی مبناست. در مرحله سوم به منظور تولید مدل رقومی و سطح نرمالایز شده زمین از دو روش فیلترینگ موفق سال های اخیر چندجهتی و مورفولوژیک بهبودیافته استفاده می شود، با مقایسه نتایج دو الگوریتم فوق، الگوریتم موفولوژیک بهبودیافته جهت ادامه کار انتخاب می گردد. در مرحله چهارم لایه های شیب و جهت شیب از روی ndsm تولیدشده در مرحله قبل، ساخته می شوند. در مرحله پنجم ویژگی های مختلف جهت ورود به طبقه بندی کننده های مرحله بعد انتخاب می شود که این ویژگی ها در سه دسته کلی ویژگی های استخراج شده از تصویر هوایی و داده لیدار و ویژگی های شی مبنا دسته بندی می شوند. در مرحله ششم طبقه بندی کلاس ساختمان در دو آنالیز شی-مبنا و پیکسل مبنا انجام می شود که طبقه بندی کننده های شی مبنا شامل حدآستانه گذاری، نزدیک ترین همسایگی و ماشین بردار پشتیبان است و روش های بیشترین شباهت و ماشین بردار پشتیبان در آنالیز پیکسل مبنا بررسی می شود، آنالیزهای پیکسل مبنا در حالت اول و دوم با ویژگی های متفاوت طبقه بندی را انجام می دهند که حالت اول شامل ویژگی های ndvi، ndsm، باند قرمز، سبز، مادون قرمز، شیب می-باشد و در حالت دوم علاوه بر ویژگی های ذکرشده، سه ویژگی جهت شیب و اولین بازگشت فاصله و شدت لیدار اضافه می شود. مرحله هفتم شامل انتخاب پارامترهای مناسب قسمت بندی و اعمال آن ها به لایه های ورودی است. انتخاب این پارامترها به صورت سعی و خطاست که از طریق ارزیابی بصری نتایج حاصل از قسمت بندی انجام می شود. روش قسمت بندی، چند مقیاسه در نظر گرفته شده است که امکان انتساب وزن به لایه های ورودی نیز در آن وجود دارد. مرحله هشتم شامل پس پردازش نتایج حاصل از طبقه بندی می باشد که با استفاده از توابع مورفولوژی این نتایج بهبود میابند. در نهایت در مرحله پایانی نتایج حاصل از هر طبقه بندی با داده مرجع مقایسه شده و ارزیابی می شوند. که با مقایسه ضرایب کاپای روش های حدآستانه گذاری، نزدیک ترین همسایگی، ماشین بردار پشتیبان با آنالیز شی مبنا که به ترتیب 0/98 ، 0/97 ، 0/97می باشد و ضرایب روش پیکسل مبنای بیشترین شباهت در حالت اول و دوم به ترتیب 0/42و 0/52 می باشد و ضرایب ماشین بردار پشتیبان با آنالیز پیکسل مبنا در دو حالت به ترتیب 0/63 و 0/70می باشد، این نتایج حاصل می شود که به طور کلی در این تحقیق آنالیز شی مبنا به دلیل استفاده از ویژگی های شی مبنا نتایج مطلوب تری نسبت به آنالیز پیکسل مبنا دارد. از طرفی اضافه شدن جهت شیب و اولین بازگشت فاصله و شدت لیدار در حالت دوم هر دو روش پیکسل مبنا، نتایج را بهبود داده است.

استفاده از سنجش از دور برای کاربردهای کشاورزی یکی از عمده ترین زمینه های کاربردی تکنیک های سنجش از دور می باشد. در این میان طیف سنجییکی از روش های مورد استفاده برای دریافت اطلاعات علمی و عملی، با استفاده از برهم کنش انرژی الکترومغناطیس و ماده مورد طیف سنجیاست. بر همین اساس، یکی از روش های اصلی و متداول تشخیص و تمییز مواد مختلف، تحلیل طیف بازتابی آن ها است. تهیه ی اطلاعات مربوط به سطح زیر کشت گندم و جو و میزان محصول آن ها، تأمین کننده ی مدیریت موفق و پایدار در سیاست گذاری های اقتصادی برای این دو کالای راهبُردی می باشند. برآورد میزان تولید این دو محصول، مستلزم برآورد سطح زیر کشت و تعیین نوع ارقام آن هاست چرا که هر یک از ارقام، میزان تولید متفاوتی دارند. به همین منظوردر این تحقیق به آنالیز تفکیک پذیری ارقام گندم و جوی ایرانی و ارزیابی پتانسیل این داده ها جهت طبقه بندی تصاویر سنجش از دوری پرداخته شده است. منحنی رفتار طیفی مربوط به 7 رقم گندم و 7 رقم جو در مزرعه ی موسسه ی تحقیقات اصلاح و تهیه نهال و بذر واقع در کرج در چهار مرحله از مقاطع رشد، اندازه گیری شدند. مشاهدات توسط دستگاه طیف سنج میدانیfieldspec®3 در دامنه ی طول موج 350 تا 2500 نانومتر در نور و شرایط طبیعی اخذ گردیدند. بعد از حذف محدوده ی نویزی متأثر از بخار آب و کنار گذاشتنمشاهدات اشتباه با استفاده از روش های آماری، به منظور بارز سازی تفاوت های احتمالی بازتاب طیفی ارقام مورد مطالعه، 65 شاخص گیاهی طیفی مهم و حساس به غلظت کلروفیل، شدت فتوسنتز، نیتروژن و میزان آب موجود در تاج گیاه و غیره برای طیف های هر چهار مرحله مشاهداتی محاسبه شدند. سپس از آنالیز آماری واریانس و آزمون جفتی توکی جهت بررسی تفکیک پذیری ارقام مختلف گندم و جو استفاده شد. نتایج نشان می دهند که در مرحله ی مشاهداتی سوم شاخص های بیشتری می توانند تعداد ارقام بیشتری را از همدیگر تفکیک کنند. در ادامه به منظور بررسی توانمندی سنجنده های سنجش از دوری چند طیفی در تفکیک این ارقام از همدیگر، سعی شد با استفاده از کتابخانه ی طیفی تشکیل شده، تصاویر سنجنده-ی oli از ماهواره ی لندست 8 طبقه بندی شوند.در این بخش از مطالعه، 27 شاخص گیاهی و 9 معیار شباهت طیفی به کار گرفته شدند. البته در این بخش فقط طیف های ارقام گندم استفاده شدند. آنالیز تفکیک پذیری ارقام مختلف هم به صورت تک تصویر و هم به صورت سری زمانی ارزیابی شد. نتایج حاصله تفکیک کامل گندم یاواروس را از سایر ارقام نشان می دهد.