علم سنجش‌ازدور با به‌کارگیری تصاویر چند زمانه ماهواره‌ای، امکان پایش تغییرات در فواصل زمانی مختلف را فراهم کرده است. رویکرد پیکسل مبنا در شناسایی تغییرات توانایی ارائه ‌دقت بالا را ندارد و ازاین‌رو باید ویژگی‌های مکانی در کنار ویژگی‌های طیفی بکار روند. استفاده از روش‌های سنتی تولید ویژگی‌ مکانی مانند ماتریس هم رخداد با چالش‌هایی روبه‌رو است. تولید این ویژگی‌ها علاوه بر این‌که وابسته به انتخاب کاربر است، به‌صورت ناخواسته باعث افزایش فضای ویژگی می‌گردد. تمرکز اصلی مقاله حاضر در به‌کارگیری ویژگی‌های طیفی-مکانی در راستای حل محدودیت روش‌های سنتی در شناسایی تغییرات می‌باشد. در این تحقیق، ویژگی‌های طیفی-مکانی توسط خود شبکه یادگیری عمیق پیشنهادی استخراج شده و در طبقه‌بندی بکار گرفته‌شده‌اند. تصاویر لندست-8، ورودی شبکه بوده و فرایند استخراج ویژگی‌ به‌صورت سلسله مراتبی صورت گرفته است. بر اساس ویژگی‌های طیفی-مکانی عمیق تولیدی از لایه‌های شبکه، خروجی شبکه تصاویر طبقه‌بندی‌شده‌ی قبل و بعد می‌باشد. درنهایت، بر اساس رویکرد پساطبقه‌بندی نقشه تغییرات حاصل می‌گردد. از شبکه پیشنهادی جهت ارزیابی تغییرات شهر سهند با استفاده از تصاویر سنجنده لندست-8 در بین سال‌های 2013 تا 2021 استفاده ‌شده است. برای اثبات قابلیت شبکه پیشنهادی در به‌کارگیری ویژگی و طبقه‌بندی دقیق تصاویر، نتایج حاصل‌شده با نتایج روش‌های جنگل تصادفی و شبکه عصبی مصنوعی مقایسه ‌شده است. نتایج شناسایی تغییرات نشان داد که به‌کارگیری شبکه یادگیری عمیق پیشنهادی دقت کلی شناسایی تغییرات باینری را به ترتیب به میزان 88/13% و 80/12% نسبت به شبکه عصبی مصنوعی و جنگل تصادفی افزایش می‌دهد. همچنین به‌کارگیری شبکه پیشنهادی دقت کلی نقشه ماهیت تغییرات را به ترتیب به میزان 81/57% و7/65% در مقایسه با جنگل تصادفی و شبکه عصبی مصنوعی افزایش داده است. روش‌های جنگل تصادفی و شبکه عصبی مصنوعی علیرغم اینکه توانسته‌اند محل تغییرات را شناسایی کنند اما در ارائه نوع ماهیت تغییرات عملکرد نامناسبی ارائه کرده‌اند. تفاصيل المقالة

ظرفیت گرمایی کمیتی فیزیکی از سطح بوده که با میزان انرژی گرمایی لازم بمنظور تغییر دمای آن ارتباط مستقیم دارد. مناطق وسیع با ظرفیت گرمایی بالا بروز شرایط اقلیمی معتدل و وجود سطوح با ظرفیت گرمایی پایین یکی از عوامل بروز شرایط اقلیمی کویری محسوب می‌شوند. اختلاف دمایی ایجاد شده در سطح به ازای جذب انرژی گرمایی یکنواخت ارتباط معکوسی با ظرفیت گرمایی دارد. اما خورشید بعنوان مهمترین عامل نشر انرژی گرمایی در طول روز تابش یکنواختی را به سطح زمین ندارد. در این مقاله با تنظیم اثر سایه، تمایز در میزان انرژی الکترومغناطیس رسیده به بخش‌های مختلف از سطح زمین در منطقه مورد مطالعه مدلسازی شده و در ادامه با محاسبه‌ی اختلاف دمای سطح در طول روز راهکاری بمنظور تولید نقشه‌ی ظرفیت گرمایی نسبی پیشنهاد شده است. در این روش از سری زمانی دمای سطح برای روز و شب با هدف تعدیل اثر عوامل مخرب جوی در بازیابی دما استفاده شده و با تحلیل‌های مکانی در مدل رقومی ارتفاعی نقشه درصد رخداد سایه در طول روز تولید شده است. کالیبراسیون روش پیشنهادی به کمک واقعیت‌های زمینی شناسایی شده توسط عامل متخصص به اجرا رسیده و نتایج حاکی از دقت 93 درصدی در رده‌بندی نسبی سطح از منظر ظرفیت گرمایی بوده است. تفاصيل المقالة

Hyperspectral sensors collect information from the earth's surface in the form of images with a large number of electromagnetic bands. Accurate classification of hyperspectral images has been one of the hot topics in remote sensing. Spatial information as a complementary source for spectral information helps increase the classification accuracy of hyperspectral images (HSI). Local covariance matrix descriptor (LCMD) is the new spatial-spectral feature generation method for HSI classification. Although the LCMD is easy to use and performs well in HSI classification, it has some limitations, such as discarding the nonlinear relationships between features, which are useful in HSI classification. To address these issues, we propose a local kernel matrix descriptor (LKMD) for the classification of HSIs. In this study, the performance of LCMD is compared with LKMD with two widely used kernels, RBF and polynomial, and final classification results on two real HSIs, Indian Pines and Pavia University, proved the superiority of LKMD over LCMD. تفاصيل المقالة