بخشی از مقاله
چکیده
یکی از هیجان انگیزترین پیشرفتهاي زمان معاصر، ظهور ماهواره است. ماهوارهها براي اهداف متفاوتی مانند پیشبینی وضع هوا، مخابرات، مطالعه زمین، بررسی فضا و سیارههاي دیگر و... استفاده میشوند. ولی یکی از جنبههاي مهم کاربرد آنها مطالعه زمین و محیط زیست است که توسط ماهواره تکنولوژي منابع زمین انجام شده است.
ثروت حاصل از اطلاعاتی که به کمک روشهاي »سنجش از دور«1 درباره منابع و محیط اطراف خود به دست میآوریم براي کشورهاي در حال توسعه ارزش بسیار زیادي دارد و جنبه غالب تکنولوژي سنجش از دور براي کسانی که به طور تمام وقت به آن اشتغال دارند، سرعت تغییر و تحول آن است، به طوري که حتی براي فراگیري و کاربرد کامل وسایل و روشهاي جدید سنجش از دور، به سرعتی که خلق میشوند، وقت کافی وجود ندارد و همزمان با پیشرفت تکنولوژي، تکنیک هاي جدید و پرقدرتی در زمینه سنجش از دور ارائه می شوند که یکی از این تکنولوژي ها، شبکه هاي عصبی مصنوعی2 هستند که در زمینه هاي مختلف از جمله سنجش از دور کاربرد وسیعی دارند.
اندازه گیري خصوصیات فیزیکی و هیدرولیکی خاك، یک کار وقت گیر و بسیار پرهزینه است و همچنین به علت وجود ناهمگنی فضایی بسیار زیاد و وجود یک رابطه غیرخطی بین خصوصیات خاك، این اندازه گیري ها خیلی دقیق نمی باشند؛ بنابراین لازم است که روش هاي ساده تري براي اندازه گیري خصوصیات خاك، در مقیاس وسیع ابداع شوند. پس براي تعیین خصوصیات فیزیکی خاك، در نواحی بسیار دوري که استفاده از روش هاي اندازه گیري معمول در آن ها غیرممکن و یا بسیار پرهزینه و زمان بر است؛ از تکنیک تلفیقی شبکه هاي عصبی مصنوعی و سنجش از دور استفاده شده است.
-1 مقدمه
فن استفاده از هوا و فضا براي جمعآوري اطلاعات زمینی و مطالعه و شناسایی این منابع، بدون تماس فیزیکی با آنها، امروزه به عنوان تکنولوژي سنجش از دور به طور گستردهاي مورد استفاده کشورهاي مختلف قرار میگیرد و در زمانهاي کوتاهحجم قابل ملاحظهاي از اطلاعات زمینی جمعآوري میشود که این اطلاعات اساس برنامهریزيهاي مختلف را تشکیل میدهند ب1م. واژه سنجش از دور به فنون دریافت اطلاعات از راه دور اطلاق میگردد و بسیاري از روشهاي مورد استفاده در سنجش از دور بر محور بینایی استوارند.
به علت اهمیت موضوع و نقش سنجش از دور و تصاویر ماهوارهاي در شناخت بهتر و بیشتر محیط پیرامون ما و همچنین پیدایش روش نوین شبکه هاي عصبی مصنوعی، تصمیم گرفته شد که در این مطالعه به بررسی دورسنجی، شبکه هاي عصبی مصنوعی و کاربرد شبکه هاي عصبی مصنوعی در دورسنجی پرداخته شود. از کاربرد شبکههاي عصبی در سنجش از دور میتوان به دسته بندي تصاویر سنجش از دور، استخراج اطلاعات از داده هاي سنجش از دور و... اشاره نمود.
داده هاي سنجش از دور می توانند به صورت عکس، اندازه گیري هاي نقطه اي و خطی در طول خط پرواز و یا تصاویري با ساختار برداري با تصویري باشند. سیستم هاي سنجش از دور به ویژه آن هایی که بر روي ماهواره ها قرار دارند کره زمین را به صورت دائم و دوره اي مورد نگرش و تصویربرداري قرار می دهند. بعضی از کاربردهاي فن آوري سنجش از دور عبارتند از:
نظارت و تعیین تغییرات جهانی، کشاورزي، کشف منابع غیر قابل تجدید، نظارت بر منابع طبیعی تجدید شونده، هواشناسی، تهیه نقشه و مراقبت هاي نظامی. به منظور پاسخ گویی به نیازهاي متفاوت کاربران، سیستم هاي سنجش از دور زیادي به وجود آمده اند که داده هایی با ویژگی هاي مختلف مکانی، طیفی و زمینی تولید می کنند.
-2 مبانی رادیومتري سنجش از دور
پایه و اساس سنجش از دور بر اندازه گیري انرژي بازتابشی پدیده ها از را ه دور می باشد از این رو اشعه الکترومغناطیس مبانی فیزیکی آن را تشکیل می دهد، هر چند که اشعه الکترومغناطیس داراي طیف وسیع و گسترده اي می باشد ولی تنها بخش مرئی تا میکروویو آن در سنجش از دور مورد توجه و استفاده قرار می گیرد.
براي سیستم هاي سنجش غیر فعال، خورشید به عنوان مهم ترین منبع انرژي مطرح است، ضمن آن که کره زمین نیز به دلیل تشعشعات خود- به ویژه در محدوده مادون قرمز حرارتی- خود یک منبع انرژي می باشد. آن دسته از باندهاي سنجنده هاي چند طیفی که در محدوده مادون قرمز حرارتی، فعال می باشند؛ نظیر باند 6 سنجنده ق1 ، در واقع تشعشعات کره زمین را مورد سنجش قرار می دهند. خورشید با درجه حرارتی حدود 6000 درجه کلوین داراي تشعشعاتی نظیر تشعشات یک جسم سیاه با همان درجه حرارت و حداکثر تشعشعات در محدوده سبز می باشد. اشعه خورشید به هنگام عبور از اتمسفر شدیداً تحت تأثیر قرار گرفته و ضعیف می شود، به طوري که تنها بخش هایی از آن به سطح زمین میرسد
-3 مبانی شبکههاي عصبی مصنوعی
شبکههاي عصبی مصنوعی دستگاهها یا نرمافزارهایی هستند که بر اساس ساختمان عصبی مغز انسان سازمان یافتهاند و رفتارهایی را از خود نشان میدهند که مشابه آن در کارکرد مغز انسان وجود دارد و یا آن که قابل تفسیر به یکی از رفتارهاي آدمی است. بررسیها نشان میدهد که این شبکهها قابلیت یادگیري، یادآوري، فراموش کردن، استنتاج، شناخت الگو، طبقهبندي اطلاعات و بسیاري دیگر از مهارتهاي مغز انسان را دارند
- 1-3 اجزاي تشکیلدهنده شبکه عصبی مصنوعی نرونها - عناصر محاسباتی -
نرون عنصر اصلی شبکه عصبی مصنوعی می باشد و کوچکترین واحد پردازشگر اطلاعات است که اساس عملکرد شبکههاي عصبی را تشکیل میدهد. نرون یک تابع محرك - تبدیل - ریاضی را براي پردازش اطلاعات بردار ورودي بهکار میبرد و یک بردار خروجی به عنوان نتیجه تولید میکند. مانند سیستم عصبی بیولوژیکی، نرونها به وسیله رشتههایی به هم مرتبط هستند که سیگنالها را در سرتاسر آن ها انتقال میدهند. هر رشته ارتباطی یک بردار وزن همراه دارد که سیگنال انتقالی را تنظیم میکند
لایهها یک شبکه عصبی مصنوعی در حالت کلی سه لایه دارد. لایه ورودي، میانی - پنهان - ، خروجی. لایه ورودي، اطلاعات - مجموعهاي از ترکیبهاي معرف الگو - را از محیط دریافت کرده و آن را به لایه میانی انتقال میدهد. هر نرون واقع شده در لایه ورودي با تمام نرون ها در لایه میانی مرتبط است، به طوري که عملکرد پردازش اطلاعات به صورت موازي و همزمان انجام میگیرد. به طور مشابه، لایه میانی با لایه خروجی ارتباط دارد. لایه میانی، لایهاي است که تحلیلهاي واقعی اطلاعات را از محیط به شبکه عرضه می کند. لایه خروجی این تحلیل را دریافت میکند و آن را به یک تفسیر معنیدار تبدیل کرده و پس از محاسبه به محیط برمیگرداند
- 2-3 مفاهیم شبکههاي عصبی مصنوعی مشخصات اساسی یک شبکه عصبی مصنوعی به چهار بخش تقسیم میگردد:
الف - ساختار شبکه: معین میکند که شبکه از چند نرون تشکیل شده و چگونه این نرونها در شبکه آرایش یافته و به چه شکل به همدیگر اتصال یافتهاند. هر نرون یا عنصر پردازشگر مشابه با نرون طبیعی داراي تعدادي ورودي، قدرت سیناپس، تابع محرك، تعدادي خروجی و بایاس میباشد.
ب - توابع محرك: خروجی یک نرون را به ازاي یک ورودي معین مشخص می کند.
ج - الگوریتم آموزش شبکه: نحوه آموزش شبکه را براي یک سري الگوهاي آموزشی معین نشان میدهد.
د - شیوه بهکارگیري شبکههاي عصبی مصنوعی: نشان میدهد که چگونه میتوان پاسخ شبکه یا خروجی آن را به ازاي یک الگوي ورودي مشخص کرد
- 3-3 ساختار شبکههاي عصبی مصنوعی ساختار شبکههاي عصبی مصنوعی به صورت لایهاي است و از یک لایه ورودي، یک لایه خروجی و یک یا چند لایه میانی تشکیل شدهاند. هر لایه شامل تعدادي گره یا نرون میباشد که گرهها به وسیله شبکه و با وزن هاي متفاوت به هم مربوط شدهاند. بر اساس نحوه اتصال گرهها به یکدیگر شبکههاي عصبی به دو گروه تقسیم میشوند:
شبکههاي عصبی مصنوعی پیشخور و شبکههاي عصبی مصنوعی پسخور
شبکههاي عصبی مصنوعی پیشخور در این نوع شبکهها، چون ورودي - ها - براي تولید خروجی - ها - از میان نرون عبور می کنند؛ به شبکههاي پیشخور معروفند. در اینجا نوعی از شبکههاي عصبی مصنوعی پیشخور، که به شبکه عصبی چند لایه پیشخور موسوم است؛ معرفی میشود.
