سلمان احمدی

افزایش جمعیت کره زمین همواره سبب افزایش تقاضا برای مواد اولیه معدنی در جهان شده است که این میزان تقاضا سبب گشته است که بسیاری از فلزات سمی(علی رغم استفاده در صنایع) مانند سرب وارد چرخه گیاهی و غذایی موجودات زنده شوند و با وارد شدن به بدن موجودات زنده، اثر سوء بر سلامت آن ها به ویژه انسان داشته باشد؛ در ضمن خاک آلوده به فلز سرب و مواد سربدار توسط آب و عمل فرسایش خاک توانایی جابه جایی را دارند و مکان های بیشتری را می توانند آلوده سازند. با توجه به قدرت طیفی بالای تصاویر ابرطیفی و قدرت مکانی بالای تصاویر چندطیفی سنجش از دوری در این پژوهش با استفاده از الگوریتم های GSA، CNMF، Fuse و SFIM عملیات تلفیق تصاویر ابرطیفی و چندطیفی در سطح پیکسل، جهت بهبود طیفی و مکانی تصاویر اولیه انجام شد. برای کشف مواد آلوده کننده سربدار موجود در خاک محل مورد مطالعه، با استفاده روش طیف مبنای انطباق الگوی طیفی، کانی گالن(Pb2S) در منطقه مورد مطالعه تشخیص داده شد. سپس ارزیابی کارایی روش های کلاسه بندی، از روش های یادگیری ماشین غیرپارامتریک بردار ماشین پشتیبان و پارامتریک های کمترین فاصله و متوازی السطوح جهت کلاسه بندی تصاویر بهبود یافته شده حاوی سرب، استفاده شد. اما به منظور پایش دقت داده ها، 60 ٪ از داده زمینی برداشت شده از محل به عنوان داده آموزشی و از 40 درصد باقی مانده داده ها جهت ارزیابی کلاسه بندی انجام شد. سپس، ارزیابی توسط دقت کلی و ضریب کاپا انجام شدند. نتایج حاصل از تجزیه و تحلیل تصاویر نشان می دهد که تصویر تلفیق شده به روش CNMF با بالاترین ارزیابی کیفیت تلفیق با مقادیر (SAM=0.346° , ED=0.006 ,PSNR=38.407,ERGAS=4.880) بهترین تصویر تلفیق شده است و روش کمترین فاصله با ضریب کاپا 0.78 و دقت کلی 91.10، توانست پیکسل های حاوی آلودگی به سرب(گالن Pb2S) را به مساحت 738 مترمربع بر روی تصویر تلفیق شده به روش CNMF را تشخیص دهد.