کشف رازهای سیاره ما از بالا: دوره جامع سنجش از دور و تحلیل داده‌های ماهواره‌ای با رویکرد هوش مصنوعی و پهپادها

مقدمه

سنجش از دور، به عنوان یک علم و مهندسی نوظهور و پویا، انقلابی در نحوه درک و تعامل ما با سیاره زمین ایجاد کرده است. این رشته شامل جمع‌آوری اطلاعات در مورد یک شی یا پدیده از راه دور، بدون تماس فیزیکی، اغلب با استفاده از تصاویر ماهواره‌ای، هوایی، و اخیراً پهپادی است. هدف اصلی سنجش از دور، به دست آوردن بینش‌های ارزشمند برای مطالعات علمی، پایش محیط زیست، برنامه‌ریزی شهری، مدیریت منابع طبیعی و حتی مقابله با بلایای طبیعی است.

در دنیای امروز که داده‌ها با سرعت بی‌سابقه‌ای در حال تولید هستند، توانایی جمع‌آوری، پردازش، تحلیل و تفسیر داده‌های سنجش از دور به یک مهارت حیاتی تبدیل شده است. این مهارت‌ها نه تنها برای متخصصان جغرافیا، علوم محیطی، و مهندسی ضروری هستند، بلکه در صنایع مختلفی از جمله کشاورزی، شهرسازی، مدیریت سواحل، امنیت و حتی هنر نیز کاربرد فراوان دارند. رشد بی‌سابقه در استفاده از فناوری‌های حسگرهای ماهواره‌ای، هواپایه و پهپادی برای شناسایی و طبقه‌بندی عوارض روی زمین، در حال تغییر نحوه کسب و کار در سراسر جهان است. این فناوری‌های مکانی-زمانی (Geospatial Technologies) همه چیز را از ردیابی طوفان‌ها، زمین‌لرزه‌ها و فرسایش گرفته تا برنامه‌ریزی شهری متحول می‌کنند. این امر تقاضای شدیدی را در بسیاری از صنایع برای متخصصانی با مهارت‌های مناسب برای تولید تحلیل‌های بینش‌بخش از داده‌های سنجش از دور برای حل مشکلات دنیای واقعی ایجاد کرده است، به ویژه در بخش‌های تجاری و دولتی.

این دوره آموزشی جامع با هدف ارائه یک درک عمیق از اصول علمی و مهندسی پشت سنجش از دور، و آشنایی با آخرین دستاوردهای این حوزه، از جمله کاربرد هوش مصنوعی و پهپادها، طراحی شده است. شما در این دوره، دانش نظری را با فعالیت‌های تجربی عملی ترکیب خواهید کرد تا نه تنها مفاهیم و نظریه‌ها را درک کنید، بلکه با مجموعه‌ای از بسته‌های نرم‌افزاری کلیدی مورد استفاده برای تحلیل‌های سنجش از دور نیز آشنا شوید.

چکیده

دوره آموزشی “کشف رازهای سیاره ما از بالا” یک برنامه جامع است که برای توانمندسازی شرکت‌کنندگان با اصول علمی و مهندسی سنجش از دور طراحی شده است. این دوره شامل درک آخرین فناوری‌های حسگر ماهواره‌ای، هوایی و پهپادی است. این آموزش، تئوری‌های بنیادی را با تمرین‌های عملی ترکیب می‌کند تا اطمینان حاصل شود که دانشجویان نه تنها مفاهیم را درک می‌کنند، بلکه قادر به استفاده از ابزارهای نرم‌افزاری کلیدی (مانند ArcGIS، QGIS، و پایتون) برای تجزیه و تحلیل داده‌ها نیز هستند. موضوعات کلیدی شامل مبانی تابش الکترومغناطیسی، ویژگی‌های ماهواره‌ها، پردازش و طبقه‌بندی تصاویر ماهواره‌ای، پردازش تصاویر هوشمند با هوش مصنوعی و یادگیری ماشین، و کاربردهای سنجش از دور در حوزه‌هایی مانند کشاورزی، امنیت غذایی، تغییرات اقلیمی، مدیریت بلایای طبیعی و پایش محیط زیست با تمرکز ویژه بر کاربرد پهپادها در مناطق ساحلی است. شرکت‌کنندگان مهارت‌های لازم برای دسترسی، تفسیر و تحلیل داده‌های سنجش از دور ناسا و سایر منابع باز را کسب کرده، و برای مواجهه با چالش‌های دنیای واقعی در این زمینه مجهز خواهند شد.

مدرس دوره آموزشی:

• دکتر سعید جوی‌زاده
• عنوان: کوچ پژوهشی با بیش از 25 سال سابقه
• شماره تماس: 09120438874
• وب‌سایت: www.gisland.org
• پست الکترونیک: saeedjavizadeh@gmail.com

مخاطبین هدف

این دوره برای طیف وسیعی از افراد و حرفه‌ای‌ها که به دنبال کسب یا ارتقاء مهارت‌های خود در سنجش از دور و تحلیل داده‌های مکانی-زمانی هستند، طراحی شده است:

• حرفه‌ای‌ها بدون تجربه قبلی در سنجش از دور: این آموزش‌ها برای متخصصانی که هیچ تجربه قبلی در سنجش از دور ندارند، مناسب است.
• تحلیلگران و متخصصان سنجش از دور: افرادی که در حال حاضر در زمینه سنجش از دور فعالیت می‌کنند و به دنبال ارتقاء مهارت‌های پیشرفته، به ویژه در زمینه کاربرد هوش مصنوعی و یادگیری ماشین هستند.
• متخصصان GIS و دانشمندان داده: کسانی که به دنبال بهره‌برداری کامل از داده‌های سنجش از دور در طیف وسیعی از کاربردهای GIS هستند.
• دانشمندان محیط زیست و محققان: افرادی که به تحلیل داده‌های مکانی-زمانی برای درک و مدیریت مسائل محیطی نیاز دارند.
• برنامه‌ریزان شهری و توسعه‌دهندگان زیرساخت: کسانی که از داده‌های سنجش از دور برای نقشه‌برداری، نظارت بر تغییرات کاربری اراضی و برنامه‌ریزی شهری استفاده می‌کنند.
• متخصصان کشاورزی، جنگلداری و مدیریت بلایا: افرادی که به دنبال استفاده از فناوری‌های سنجش از دور و GIS برای مدیریت محصولات کشاورزی، پایش سلامت جنگل‌ها، پیش‌بینی عملکرد محصول و ارزیابی ریسک بلایا هستند.
• کارمندان دولت و سیاست‌گذاران: افرادی که در بخش‌های دولتی و عمومی مشغول به کار هستند و به دنبال استفاده از داده‌های سنجش از دور برای تصمیم‌گیری‌های مبتنی بر شواهد هستند.
• سازمان‌های غیردولتی و توسعه‌ای: پرسنل سازمان‌های غیردولتی که به دنبال استفاده از ابزارهای مکانی-زمانی برای برنامه‌های توسعه، کمک‌های بشردوستانه و ارزیابی نیازها هستند.
• فارغ‌التحصیلان دانشگاهی: دانشجویان و فارغ‌التحصیلان مقاطع کارشناسی، کارشناسی ارشد و دکترا در رشته‌هایی مانند منابع طبیعی، جنگلداری، مهندسی، علوم زمین، جغرافیا، علوم محیط زیست و بوم‌شناسی.
• افرادی که قصد ورود به برنامه‌های کارشناسی ارشد را دارند: افرادی که در حال حاضر در نیروی کار هستند و قصد ورود به برنامه کارشناسی ارشد را دارند، اما احساس می‌کنند قبل از اقدام به دانش پایه بیشتری در زمینه GIS و سنجش از دور نیاز دارند.
• دانشجویان با درک پایه از QGIS: این دوره برای دانشجویانی که با مبانی QGIS آشنایی دارند و می‌خواهند مهارت خود را در سنجش از دور گسترش دهند، طراحی شده است.

چشم‌انداز دوره آموزشی

چشم‌انداز این دوره آموزشی، ایجاد نسلی از متخصصان توانمند در سنجش از دور است که قادر به رهبری و نوآوری در عرصه تحلیل داده‌های مکانی-زمانی برای حل پیچیده‌ترین چالش‌های جهانی هستند.

این دوره به دنبال اهداف کلیدی زیر است:

• فراهم آوردن درک عمیق از اصول بنیادی: ارائه یک درک جامع از اصول علمی و مهندسی پشت سنجش از دور، و آشنایی با وضعیت هنری این رشته.
• پر کردن شکاف مهارتی: رفع کمبود متخصصان واجد شرایطی که می‌دانند چگونه از نرم‌افزارهای مدرن سنجش از دور و بسته‌های تحلیلی به‌طور کامل بهره‌برداری کنند.
• توانمندسازی با ابزارهای پیشرفته: آموزش استفاده از داده‌های جمع‌آوری شده از پهپادها، ماهواره‌ها و لایدار (Lidar) برای ایجاد بینش‌های مکانی در تصمیم‌گیری‌های بهبود یافته.
• آماده‌سازی برای کاربردهای عملی: تجهیز شرکت‌کنندگان به دانش و مهارت‌های لازم برای جمع‌آوری و تحلیل اطلاعات عملیاتی که از کارهای حرفه‌ای یا حل مشکلات تحقیقاتی پشتیبانی می‌کند.
• تشویق به نوآوری از طریق برنامه‌نویسی: توانمندسازی دانشجویان برای سفارشی‌سازی نرم‌افزارهای مکانی-زمانی از طریق برنامه‌نویسی برای گسترش قابلیت‌های داخلی آن و خودکارسازی وظایف تکراری.
• آشنایی با مقررات و بهترین شیوه‌ها: آگاهی‌بخشی در مورد چارچوب‌های نظارتی برای سیستم‌ها و عملیات هوایی بدون سرنشین (UAS) و بهترین شیوه‌های کاربرد.
• دسترسی به داده‌های رایگان: توانمندسازی شرکت‌کنندگان برای شروع استفاده از داده‌ها و منابع سنجش از دور رایگان و با دسترسی آزاد ناسا.

اهداف کلی و فرعی

هدف کلی: فراهم آوردن یک درک جامع از اصول علمی و مهندسی پشت سنجش از دور و ارائه آموزش‌های عملی برای کاربرد پیشرفته‌ترین فناوری‌ها و ابزارها در تحلیل داده‌های مکانی-زمانی، با تمرکز بر هوش مصنوعی و پهپادها.

اهداف فرعی:

1. درک مبانی سنجش از دور:
   • آشنایی با اصول تابش الکترومغناطیسی مرتبط با سنجش از دور.
   • شناخت ابزارهای مورد استفاده در سنجش از دور و کاربرد مناسب آنها.
   • آشنایی با سخت‌افزارها و نرم‌افزارهای کامپیوتری مورد استفاده در سنجش از دور.
2. تسلط بر پردازش و تحلیل تصاویر:
   • کسب مهارت‌های پیشرفته در به‌کارگیری هوش مصنوعی برای پردازش و تحلیل خودکار تصاویر.
   • یادگیری استفاده از ابزارها و تکنیک‌های هوش مصنوعی برای بهبود جریان‌های کاری سنجش از دور.
   • افزایش توانایی پردازش و تحلیل کارآمد مجموعه داده‌های بزرگ سنجش از دور.
   • توسعه مهارت در یکپارچه‌سازی فناوری‌های هوش مصنوعی در کاربردهای عملی سنجش از دور.
   • افزایش تخصص در استفاده از فناوری‌های پیشرفته برای تحلیل و تفسیر داده‌ها.
   • توانایی یافتن و دانلود تصاویر ماهواره‌ای.
   • توانایی نمایش تصاویر ماهواره‌ای در ترکیب‌های رنگ واقعی و کاذب.
   • توانایی محاسبه انواع شاخص‌های طیفی (مانند NDVI, NDWI).
   • توانایی انجام طبقه‌بندی نظارت‌شده و نظارت‌نشده و ارزیابی دقت طبقه‌بندی.
3. کاربرد پهپادها در سنجش از دور:
   • درک نحوه استفاده از پهپادها برای مدیریت اکوسیستم‌های ساحلی و شیلات.
   • آشنایی با کاربردهای پهپادها در ارزیابی کیفیت محیطی و وضعیت زیستگاه، ارزیابی خطرات و آسیب‌های ساحلی، و مدیریت گونه‌ها و حیات وحش.
   • کسب دانش در مورد چارچوب نظارتی و الزامات FAA برای عملیات سیستم‌های هوایی بدون سرنشین.
   • آموزش بهترین شیوه‌ها در برنامه‌ریزی و اجرای مأموریت‌های پهپادی.
4. کاربردهای تخصصی سنجش از دور:
   • کسب مهارت‌های عملی در فناوری‌های GIS و سنجش از دور برای استفاده در کاربردهای کشاورزی و تغییرات اقلیمی.
   • افزایش توانایی تفسیر داده‌های مکانی و تحلیل اهمیت آن‌ها برای امنیت غذایی و پایش اقلیم.
   • به دست آوردن تجربه عملی با منابع داده‌های سنجش از دور مانند Landsat، Sentinel و سایر تصاویر ماهواره‌ای.
   • توسعه راه‌حل‌های مبتنی بر داده برای کاهش اثرات تغییرات اقلیمی بر کشاورزی.
   • توانایی شناسایی محصولات داده‌ای ناسا برای شناسایی و پایش بلایا و حمایت از تصمیم‌گیری.
5. یکپارچه‌سازی و مهارت‌های مکمل:
   • استفاده از روش‌های محاسباتی برای خودکارسازی تحلیل مکانی داده‌های دیده‌بانی زمین و یکپارچه‌سازی این مهارت‌ها در جریان کار GIS.
   • افزایش اعتماد به نفس در استفاده از ابزارهای GIS و داده‌های سنجش از دور برای حل مسائل واقعی محیط زیستی و کشاورزی.
   • آمادگی برای شرکت در آزمون‌های گواهینامه GISP، ASPRS و/یا USGIF.
6. اخلاق و مقررات:
   • آگاهی از مسائل حریم خصوصی و حقوقی مربوط به عملیات پهپادها در فضاهای عمومی یا خصوصی.
   • درک استانداردهای رفتار دانشگاهی و پیامدهای تخلفات علمی.

سرفصل کامل و جامع دوره آموزشی سنجش از دور

این سرفصل با دقت و جزئیات کامل طراحی شده است تا تمام جنبه‌های سنجش از دور، از اصول پایه تا کاربردهای پیشرفته و مسائل اخلاقی، را پوشش دهد.

ماژول 1: مقدمه‌ای بر سنجش از دور و مبانی آن (Introduction to Remote Sensing and Its Fundamentals)

• 1.1. سنجش از دور چیست؟ تعریف، تاریخچه و قلمرو
  • تعریف جامع سنجش از دور: جمع‌آوری اطلاعات در مورد یک شیء یا پدیده از راه دور، بدون تماس فیزیکی مستقیم.
  • نقش حیاتی در تحلیل‌های محیطی و جغرافیایی.
  • مزایای اصلی: قابلیت جمع‌آوری داده‌ها از مناطق غیرقابل دسترس، پوشش گسترده و پایش مستمر.
  • تاریخچه تحلیل تصاویر دیجیتال و تکامل سیستم‌های سنجش از دور.
  • مزایای عمومی سنجش از دور: فراهم آوردن اطلاعات در مکان‌هایی که اندازه‌گیری زمینی وجود ندارد؛ ارائه مشاهدات جهانی سازگار؛ ارائه پایش مداوم سیاره ما.
  • مدل‌های سیستم‌های زمین، مشاهدات زمینی و سنجش از دور را یکپارچه می‌کنند و اطلاعات گریدبندی‌شده و مکرر پارامترهای داده منابع آب را ارائه می‌دهند.
  • داده‌ها به صورت رایگان در دسترس هستند و ابزارهای مبتنی بر وب برای تجزیه و تحلیل داده‌ها وجود دارد.
  • معایب و محدودیت‌ها: نیاز به درک اصول و تئوری‌ها، چالش‌های مرتبط با نصب نرم‌افزار و مجموعه داده‌های بزرگ، مسائل مربوط به دسترسی به اینترنت و انطباق (به‌ویژه با داده‌های بزرگ).
• 1.2. اصول تابش الکترومغناطیسی (Electromagnetic Radiation – EMR)
  • مبانی فیزیکی سنجش از دور: انرژی دریافتی زمین از خورشید، که تابش الکترومغناطیسی نامیده می‌شود.
  • نحوه تعامل انرژی با اتمسفر و سطح زمین: تابش، جذب و انتشار.
  • طیف الکترومغناطیسی: گستره کامل فرکانس‌های موجی که تابش خورشیدی را توصیف می‌کنند.
    • بخش‌های مختلف طیف (امواج رادیویی، مایکروویو، فروسرخ، نور مرئی، فرابنفش، اشعه ایکس، گاما).
    • محدودیت‌های دید انسانی و حسگرهای ماهواره‌ای در تشخیص طیف.
  • امضاهای طیفی: چگونه مواد مختلف طول موج‌های متفاوتی از تابش الکترومغناطیسی را بازتاب و جذب می‌کنند.
    • تحلیل منحنی‌های بازتاب طیفی برای شناسایی انواع مواد (مانند برف و یخ، ابرها، پوشش گیاهی، خاک خشک و مرطوب، آب کدر و شفاف).
• 1.3. سیستم‌ها و پلتفرم‌های سنجش از دور
  • سنسورها و ماهواره‌ها: چگونگی اندازه‌گیری تابش منعکس‌شده یا ساطع‌شده از منابع زمینی و اتمسفری توسط ابزارها یا سنسورهای ماهواره‌ای.
  • ویژگی‌های ماهواره‌ها:
    • مدارها: مدار قطبی/غیر قطبی در مقابل زمین‌ایستا.
    • منبع انرژی: پلتفرم‌های پسیو (passive) در مقابل اکتیو (active).
    • طیف خورشیدی و زمینی: مرئی، فرابنفش، فروسرخ، مایکروویو و غیره.
    • تکنیک اندازه‌گیری: اسکن، غیر اسکن، تصویربردار (Imager)، صداگیر (Sounders).
  • پلتفرم‌های پرواز:
    • فضایی: ماهواره‌ها، ایستگاه فضایی.
    • ارتفاع بالا: بالون‌ها.
    • هوایی: هواپیماهای ثابت‌بال، هلیکوپترها.
    • پهپادها (Drones/UAS): ثابت‌بال، VTOL (برخاست و فرود عمودی)، کوپتر.
      • انواع پهپادها در علوم دریایی و حفاظت: چند روتور، ثابت بال و ترکیبی (transitional).
      • ویژگی‌های عملکردی پهپادها: وزن، زمان پرواز، هزینه و مهارت مورد نیاز خلبان.
      • نوع داده بهینه و کاربرد بهینه برای هر پلتفرم (بازرسی/نظارت، نقشه‌برداری پایه، تصاویر/ویدئو).
  • انواع و کیفیت وضوح تصویر (Resolution):
    • وضوح مکانی (Spatial Resolution): مساحت سطح زمین که یک پیکسل در تصویر را تشکیل می‌دهد.
      • مثال‌ها: DigitalGlobe (<1m-4m)، Landsat (30m)، MODIS (250m-1km)، GPM IMERG (~10km).
      • رابطه بین وضوح مکانی و وسعت مکانی (هرچه وضوح مکانی بالاتر باشد، مساحت کمتری با یک تصویر پوشش داده می‌شود).
    • وضوح طیفی (Spectral Resolution): تعداد و عرض باندهای طیفی حسگر.
      • تصاویر چندطیفی (Multispectral) (معمولاً 3 تا 10 باند) در مقابل تصاویر ابرطیفی (Hyperspectral) (صدها یا هزاران باند باریک‌تر).
      • تصاویر پانکروماتیک (Panchromatic) (یک باند وسیع).
    • وضوح زمانی (Temporal Resolution): زمان لازم برای ماهواره برای تکمیل یک چرخه مداری (زمان بازبینی).
      • وابستگی به قابلیت‌های ماهواره/حسگر، همپوشانی مسیر و عرض جغرافیایی.
    • وضوح رادیومتریک (Radiometric Resolution): توانایی حسگر در تشخیص تفاوت‌های کوچک در انرژی تابشی.
• 1.4. مقدمه‌ای بر کاربردهای سنجش از دور
  • مروری کلی بر کاربردهای تصاویر سنجش از دور.
  • نقش سنجش از دور در مشاهده و پایش شرایط زمین و اقیانوس‌ها که از طریق مشاهدات زمینی قابل مشاهده نیستند.
  • مثال‌ها: نقشه‌برداری آتش‌سوزی‌های جنگلی، مشاهده کاربری اراضی، پیش‌بینی الگوهای آب و هوا، ردیابی تغییرات لرزه‌ای و آتشفشان‌ها، نقشه‌برداری کف اقیانوس، پایش فرسایش ساحلی و تغییرات جزر و مدی.
  • ارتباط سنجش از دور با سیستم‌های اطلاعات جغرافیایی (GIS).

ماژول 2: کسب و پیش‌پردازش داده‌های سنجش از دور (Remote Sensing Data Acquisition and Preprocessing)

• 2.1. طراحی پروژه سنجش از دور
  • مراحل طراحی یک پروژه سنجش از دور: از تعیین نیازهای اطلاعاتی تا انتخاب داده‌ها و ابزارها.
  • مدل چرخه حیات داده (Data Lifecycle): جمع‌آوری و کنترل کیفیت، ذخیره‌سازی، توصیف، بایگانی و نگهداری، دسترسی و کشف، استفاده مجدد و تبدیل.
  • اهمیت برنامه‌ریزی دقیق برای اطمینان از خروجی‌های بهینه.
• 2.2. جمع‌آوری و دسترسی به داده‌های ماهواره‌ای و هوایی
  • نحوه دسترسی به داده‌های سنجش از دور ناسا (ARSET) و منابع رایگان.
  • دسترسی به داده‌های Sentinel-2 و Landsat 9.
  • استفاده از پلتفرم‌هایی مانند Google Earth Engine.
  • جمع‌آوری داده‌ها از طریق پهپادها و هواپیماهای بدون سرنشین (UAVs).
• 2.3. تکنیک‌های پیش‌پردازش تصویر
  • بهبود کنتراست (Contrast Enhancement):
    • کشش کنتراست خطی (Linear Contrast Stretch).
    • برابرسازی هیستوگرام (Histogram Equalization).
    • کشش درصدی (Percentage Stretch).
    • کشش انحراف معیار (Standard Deviation Stretch).
    • کشش قطعه‌ای (Piecewise Stretch).
  • فیلترگذاری مکانی (Spatial Filtering):
    • مفهوم پنجره متحرک (Moving Window Concept).
    • فیلترگذاری فرکانس پایین (Low Frequency Filtering) برای هموارسازی.
    • فیلترگذاری فرکانس بالا (High Frequency Filtering) برای تیز کردن لبه‌ها.
    • تشخیص لبه (Edge Detector).
  • نسبت‌گیری تصاویر (Image Ratioing):
    • نسبت‌گیری 2 باند.
    • شاخص‌گذاری اختلاف نرمال‌شده (Normalized Difference Indexing).
    • شاخص‌های پوشش گیاهی (Vegetation Indices): NDVI (Normalized Difference Vegetation Index).
    • شاخص‌های آب: NDWI (Normalized Difference Water Index).
    • شاخص تنش رطوبتی: MSI (Moisture Stress Index).
    • مفهوم Tasseled Cap Transformation.
  • ابزارها و تکنیک‌های وضوح مکانی:
    • نمایش تصویر (Image Display).
    • زیرمجموعه‌سازی تصویر (Image Subsetting).
    • نمونه‌برداری مجدد تصویر (Image Resampling).
• 2.4. مدیریت داده‌های سنجش از دور
  • استراتژی‌های مدیریت داده و بایگانی: با توجه به افزایش تصاعدی داده‌های دیجیتال، توسعه استراتژی‌های بهتر برای مدیریت داده‌ها ضروری است.
  • سطوح مختلف نگهداری داده‌ها و هزینه‌های مرتبط.
  • اهمیت فراداده (Metadata) و سازماندهی آن در فایل‌ها برای ساده‌سازی خروجی‌ها و دسترسی بهینه.
  • ابزارهای هوش مصنوعی در حال توسعه برای پردازش داده‌ها و ایجاد رکوردهای فراداده‌ای قوی.
  • مدل چرخه حیات داده: شامل جمع‌آوری و کنترل کیفیت، ذخیره‌سازی، توصیف، بایگانی و نگهداری، دسترسی و کشف، و استفاده مجدد و تبدیل.
  • نقش پایگاه‌های داده مکانی-زمانی (Geospatial Databases) و پلتفرم‌های ابری در مدیریت داده‌های بزرگ.
  • اهمیت توسعه فراداده‌های استاندارد برای فناوری سنجش از دور.
  • ابزارهای کاربردی مانند Survey 123 برای ورود فراداده پرواز.
  • نیاز به یک مکان متمرکز برای تصاویر پهپادی یا حداقل یک پورتال فراداده (مانند SCiDUC در کارولینای جنوبی).

ماژول 3: تفسیر و طبقه‌بندی تصاویر (Image Interpretation and Classification)

• 3.1. مبانی تفسیر تصویر هوایی و ماهواره‌ای
  • شناسایی عوارض و پدیده‌ها بر اساس ویژگی‌های بصری (تنالیته، بافت، الگو، اندازه، شکل، سایه و ارتباط).
  • اصول تفسیری برای داده‌های چند طیفی و ابرطیفی.
• 3.2. طبقه‌بندی تصاویر ماهواره‌ای
  • انواع طبقه‌بندی:
    • طبقه‌بندی نظارت‌نشده (Unsupervised Classification): اصول و الگوریتم‌های خوشه‌بندی، اضافه کردن کلاس‌های بیشتر و آزمایش با لایه‌های توپوگرافی.
    • طبقه‌بندی نظارت‌شده (Supervised Classification): انتخاب مناطق آموزشی، الگوریتم‌های طبقه‌بندی رایج (مانند حداکثر احتمال، ماشین بردار پشتیبان، شبکه‌های عصبی).
  • پردازش و طبقه‌بندی تصاویر رادار.
  • ارزیابی دقت طبقه‌بندی: ماتریس خطا، شاخص کاپا.
• 3.3. هوش مصنوعی و یادگیری ماشین در سنجش از دور
  • مقدمه‌ای بر هوش مصنوعی (AI) و یادگیری ماشین (ML) در سنجش از دور:
    • مفاهیم پایه AI و ML.
    • اهمیت AI در پردازش تصاویر سنجش از دور.
    • انواع تکنیک‌های AI مورد استفاده (یادگیری عمیق، شبکه‌های عصبی).
  • ابزارها و پلتفرم‌های هوش مصنوعی برای سنجش از دور:
    • مروری بر ابزارها و نرم‌افزارهای AI (مانند TensorFlow، PyTorch).
    • تکنیک‌های آموزش مدل‌های هوش مصنوعی بر روی داده‌های سنجش از دور.
    • یکپارچه‌سازی ابزارهای هوش مصنوعی با پلتفرم‌های سنجش از دور (مانند ArcGIS، QGIS).
    • نصب و استفاده از بسته‌های پایتون (مانند ipwgml) برای دسترسی به داده‌ها و تحلیل.
    • مثال عملی با U-net برای پیش‌بینی نرخ بارش از مشاهدات ماهواره‌ای مایکروویو پسیو.
    • نیاز به GPU برای آموزش مدل‌های یادگیری عمیق به دلیل حجم بالای محاسبات.
  • چرا یادگیری ماشین؟
    • بسیاری از کاربردهای سنجش از دور غنی از داده هستند.
    • روابط بین مشاهدات و متغیرهای مورد علاقه (مانند پروفایل‌های دما، بارش سطحی) اغلب پیچیده (غیر خطی، غیر منحصر به فرد) هستند و ایجاد برنامه‌های صریح برای تخمین متغیرهای هدف از مشاهدات را دشوار می‌سازند.
  • بهینه‌سازها و زمان‌بندی نرخ یادگیری:
    • ایده‌های اساسی پشت نزول گرادیان تصادفی (SGD) برای مقیاس‌بندی آموزش شبکه‌های عصبی به مجموعه داده‌های بزرگ حیاتی هستند.
    • با این حال، همگرایی SGD می‌تواند کند باشد؛ بنابراین بهینه‌سازهای مختلفی برای غلبه بر این مسائل طراحی شده‌اند.
  • مطالعات موردی:
    • استفاده از AI/اتوماسیون برای تشخیص و شمارش خودکار حیوانات در تصاویر.
    • تکنیک‌های فتوگرامتری برای ارزیابی وضعیت بدنی حیوانات (مانند فوک‌های خاکستری).
    • نقش هوش مصنوعی در آینده سنجش از دور (خوراک ویدئویی جهانی، گروه‌های رباتیک، بهبود پردازش روی برد).

ماژول 4: یکپارچه‌سازی با سیستم‌های اطلاعات جغرافیایی (GIS Integration)

• 4.1. مقدمه‌ای بر نرم‌افزارهای GIS
  • مروری بر نرم‌افزارهای GIS پرکاربرد: ArcGIS (ArcMap, ArcGIS Pro, ArcOnline) و QGIS (منبع آزاد).
  • دسترسی به ENVI و ArcGIS: از طریق خرید لایسنس دانشجویی یا استفاده از UFApps برای UF (یونیورسیتی فلوریدا).
  • نحوه دانلود و نصب نرم‌افزارهای مورد نیاز و دسترسی کارآمد به منابع دانشگاه.
  • پشتیبانی از نرم‌افزارهای مرتبط با دوره.
• 4.2. تحلیل مکانی با GIS
  • مفاهیم تحلیل مکانی و مدل‌سازی.
  • انواع داده‌های مکانی و مدیریت آن‌ها.
  • پردازش داده‌های مکانی و خودکارسازی آن به روشی پیشرفته.
  • ابزارهای IT برای پردازش داده‌های مکانی.
• 4.3. برنامه‌نویسی برای GIS و سنجش از دور (Python for Remote Sensing)
  • اصول برنامه‌نویسی برای سنجش از دور با پایتون.
  • کسب دانش لازم برای استفاده از زبان پایتون در پردازش داده‌های جمع‌آوری شده با روش‌های سنجش از دور.
  • آموزش نحوه ارتباط برنامه‌های توسعه‌یافته با ابزارهای موجود.
  • کتابخانه‌های پایتون برای پردازش داده‌های سنجش از دور.
  • چگونگی استفاده از پایتون با داده‌های سنجش از دور.
  • انجام تحلیل مکانی در چارچوب زبان برنامه‌نویسی.
  • مراحل کارگاه: شامل بخش طراحی، جمع‌آوری داده‌ها، پیش‌پردازش داده‌ها، آماده‌سازی یک برنامه در پایتون، آماده‌سازی گزارش.
  • توسعه مهارت‌های برنامه‌نویسی برای گسترش قابلیت‌های نرم‌افزارهای مکانی-زمانی و خودکارسازی وظایف تکراری.
• 4.4. یکپارچه‌سازی داده‌های سنجش از دور در GIS
  • نحوه استفاده از داده‌های تصویری و داده‌های مدل سه‌بعدی زمین در سناریوهای کاربردی رایج.
  • استفاده از لایدار (Lidar) هوابرد توپوگرافیک برای ایجاد مدل‌های ارتفاعی برای کاربردهای GIS.
  • یکپارچه‌سازی تحلیل‌های سنجش از دور و GIS برای تصمیم‌گیری‌های بهتر در حوزه‌های مختلف.
  • مدیریت داده‌های مکانی و مدیریت داده‌های Web GIS.

ماژول 5: کاربردهای پیشرفته سنجش از دور و پهپادها (Advanced Applications of Remote Sensing and Drones)

• 5.1. پهپادها در مدیریت مناطق ساحلی (Drones in Coastal Zone Management)
  • مقدمه‌ای بر پهپادها در مناطق ساحلی: کارگاه‌هایی برای پیشبرد سیستم‌های هوایی بدون سرنشین در مدیریت اکوسیستم‌های ساحلی و شیلات.
  • کیفیت‌های پنج‌گانه پهپادها: مقرون‌به‌صرفه بودن، بی‌واسطه بودن، کارایی، کیفیت و ایمنی.
  • نیازهای مدیریت ساحلی:
    • کیفیت محیطی و وضعیت زیستگاه: نظارت بر تالاب‌ها، صخره‌های مرجانی، حرا و سواحل.
      • مثال‌ها: ردیابی جریان‌های اقیانوسی با کوادکوپترها، پایش زیست‌توده Spartina، بازسازی پوشش گیاهی پس از طوفان‌ها.
      • مزایای پهپادها در پایش محیطی: استقرار سریع، دقت در موقعیت‌یابی، تکرارپذیری برای پایش، ارائه سوابق تصویری دائمی.
      • قابلیت نظارت بر زیستگاه‌های حساس و مکان‌های با دسترسی محدود.
      • چالش‌ها: قوانین FAA، عمر باتری، کیفیت تصویر به دلیل تابش خیره‌کننده خورشید.
    • ارزیابی خطرات و آسیب‌های ساحلی: پس از طوفان‌ها و برای مدیریت فرسایش.
    • مدیریت گونه‌ها و حیات وحش: ارزیابی فراوانی حیوانات.
      • مثال‌ها: ارزیابی جمعیت گاوهای دریایی، استفاده از پهپادها برای سنجش جمعیت‌ها (فوک‌های خاکستری).
      • پاسخ اسب‌های وحشی به پهپادها: به حداقل رساندن اختلال در پروازها.
      • شکاف‌های تحقیقاتی و نیازهای فناوری: هوش مصنوعی برای تشخیص حیوانات، ضدآب بودن برای بررسی‌های روی آب، بهبود حسگرهای تصویربرداری (فروسرخ نزدیک، چندطیفی).
  • مسائل مربوط به زباله‌های دریایی و پهپادها: نقش پهپادها در شناسایی، نقشه‌برداری و ویژگی‌بندی زباله‌ها.
  • برنامه‌ریزی مأموریت پهپادها: استفاده از ابزارهای برنامه‌ریزی و نمایش زنده.
  • چالش‌ها و موانع: هزینه پهپادهای با کیفیت، پیچیدگی قوانین و مقررات محلی، ایالتی و فدرال، نیاز به آموزش و تخصص مستمر.
• 5.2. سنجش از دور در کشاورزی و تغییرات اقلیمی (Remote Sensing in Agriculture and Climate Change)
  • نقش سنجش از دور در امنیت غذایی و تغییرات اقلیمی: ارائه دانش عمیق و مهارت‌های عملی در استفاده از GIS و سنجش از دور برای حل چالش‌های امنیت غذایی و تغییرات اقلیمی.
  • موضوعات کلیدی:
    • نقشه‌برداری و پایش محصول: متغیرهای بیوفیزیکی، فنولوژی، تبخیر و تعرق.
    • پایش مواد مغذی و کربن: در خاک و پوشش گیاهی.
    • پایش شیوه‌های مدیریت کشاورزی:.
    • پایش عوامل استرس‌زای زیستی و غیرزیستی محصول:.
    • تأثیر آب و هوای شدید و پیش‌بینی عملکرد:.
    • کاربردها در مدیریت مزرعه، سیاست‌ها و صنعت/تجارت:.
  • انواع داده‌ها و مدل‌ها:
    • استفاده از داده‌های ماهواره‌ای SAR، چندطیفی، ابرطیفی و حرارتی.
    • نمونه‌برداری درجا (in-situ) و ارزیابی دقت.
    • مدل‌های رشد محصول، مدل‌های مبتنی بر داده و مدل‌های ترکیبی.
  • مطالعات موردی و تمرین‌های عملی:
    • مقدمه‌ای بر GIS و سنجش از دور برای امنیت غذایی و تغییرات اقلیمی:
      • مطالعه موردی: پایش تأثیر خشکسالی بر تولید محصول در شرق آفریقا.
    • مبانی نرم‌افزار GIS و مدیریت داده:
      • تمرین عملی: ناوبری نرم‌افزار GIS برای نقشه‌برداری کاربری اراضی.
      • مطالعه موردی: تحلیل تغییر کاربری اراضی در واکنش به گسترش کشاورزی در آسیای جنوب شرقی.
    • درک داده‌های سنجش از دور:
      • تمرین عملی: دانلود و پردازش تصاویر Landsat.
      • مطالعه موردی: استفاده از تصاویر Sentinel-2 برای پایش جنگل‌زدایی در آمازون.
    • کاربری اراضی کشاورزی و پایش محصول با استفاده از GIS:
      • تمرین عملی: تحلیل روندهای تولید محصول با استفاده از GIS.
      • مطالعه موردی: پایش تولید گندم در هند با استفاده از سنجش از دور و GIS.
    • تغییرات اقلیمی و کشاورزی:
      • تمرین عملی: تحلیل داده‌های دما و بارش برای نقشه‌برداری ریسک اقلیمی.
      • مطالعه موردی: نقشه‌برداری تأثیر الگوهای بارندگی در حال تغییر بر تولید ذرت در جنوب صحرای آفریقا.
    • سنجش از دور برای پایش تغییرات اقلیمی:
      • تمرین عملی: استفاده از داده‌های MODIS برای پایش تغییرات دمای سطح زمین.
      • مطالعه موردی: پایش عقب‌نشینی یخچال‌ها در آلپ با استفاده از سنجش از دور.
    • GIS برای ارزیابی و نقشه‌برداری امنیت غذایی:
      • تمرین عملی: ایجاد نقشه‌های ریسک امنیت غذایی.
      • مطالعه موردی: نقشه‌برداری ناامنی غذایی در اتیوپی با استفاده از GIS و داده‌های سنجش از دور.
    • آسیب‌پذیری تغییرات اقلیمی و مدیریت ریسک بلایا:
      • تمرین عملی: نقشه‌برداری آسیب‌پذیری برای مناطق مستعد سیل.
      • مطالعه موردی: مدیریت ریسک بلایا مبتنی بر GIS در مناطق مستعد سیل در بنگلادش.
    • سیستم‌های پشتیبانی تصمیم برای سازگاری اقلیمی و امنیت غذایی:
      • تمرین عملی: توسعه یک مدل پشتیبانی تصمیم ساده برای انتخاب محصول بر اساس داده‌های اقلیمی.
      • مطالعه موردی: سیستم‌های پشتیبانی تصمیم برای مدیریت منابع آب در کنیا.
    • روندهای آینده و نوآوری‌ها در GIS و سنجش از دور برای امنیت غذایی و تغییرات اقلیمی:
      • فناوری‌های نوظهور: هوش مصنوعی، یادگیری ماشین و کلان‌داده در GIS و سنجش از دور.
      • کاربردهای آینده در سازگاری با تغییرات اقلیمی و کشاورزی پایدار.
      • تمرین عملی: بررسی یکپارچه‌سازی هوش مصنوعی با GIS برای مدل‌سازی پیش‌بین.
      • مطالعه موردی: نوآوری‌های آینده در پایش ماهواره‌ای برای امنیت غذایی جهانی.
• 5.3. سنجش از دور برای سناریوهای بلایا (Remote Sensing for Disaster Scenarios)
  • پایش و مدیریت بلایا با سنجش از دور: استفاده از داده‌های مکانی-زمانی در فازهای مختلف مدیریت بلایا (پیش‌بینی، واکنش، بازیابی).
  • سناریوهای بلایا: طوفان‌های گرمسیری، سیل، زلزله، و رانش زمین.
  • شناسایی محصولات داده‌ای ناسا: استفاده از محصولات داده‌ای ناسا برای ویژگی‌بندی و پایش بلایا و حمایت از تصمیم‌گیری.
  • محدودیت‌های محصولات داده‌ای موجود: درک نقاط قوت و ضعف داده‌ها.
  • کاربرد پهپادها در کاهش ریسک بلایای سیل، ارزیابی و بازیابی:.

ماژول 6: جنبه‌های نظارتی، اخلاقی و حرفه‌ای (Regulatory, Ethical, and Professional Aspects)

• 6.1. مقررات، سیاست‌ها و ملاحظات اخلاقی برای عملیات پهپادها
  • ملاحظات حریم خصوصی و حقوقی: مسائل مربوط به عملیات پهپادها در فضاهای عمومی یا خصوصی.
  • مقررات FAA (اداره هوانوردی فدرال): الزامات و دستورالعمل‌ها (مانند گواهینامه Part 107).
  • جدول‌های زمانی صدور مجوزهای آژانس‌ها: چالش‌های مرتبط با فرآیندهای اداری.
  • الزامات آموزشی NOAA (اداره ملی اقیانوسی و جوی): حفظ مهارت برای اپراتورهای سیستم‌های بدون سرنشین.
  • صلاحیت‌های پایه بدون سرنشین وزارت دفاع (DoD BUQ): الزامات پرواز در فضای هوایی وزارت دفاع و محدودیت‌های آن.
  • تغییرات مداوم مقررات: نیاز به آگاهی مداوم از قوانین ایالتی و فدرال.
• 6.2. بهترین شیوه‌ها در عملیات پهپادها
  • ایجاد یک برنامه پهپادی معتبر: شامل ایمنی، مدیریت ریسک عملیاتی (ORM)، انتخاب پلتفرم‌ها و حسگرها، منابع انرژی، پردازش روی برد، مدیریت داده، نگهداری، آموزش، مدیریت پروژه و چک‌لیست‌ها.
  • برنامه‌ریزی مأموریت و طراحی بررسی: اصول و رویکردهای موثر برای برنامه‌ریزی مأموریت‌های هوایی بدون سرنشین و طراحی بررسی برای برآوردن نیازهای خاص مدیریت ساحلی.
  • ذخیره‌سازی و بایگانی داده‌ها: اهمیت نگهداری و بایگانی مناسب داده‌های جمع‌آوری شده.
  • حفظ توانمندی: نیاز به توسعه حرفه‌ای مستمر برای آشنایی با چشم‌انداز نظارتی و فناوری روز.
• 6.3. توسعه حرفه‌ای و گواهینامه‌ها
  • اهمیت آموزش: برای درک علم، اطمینان از رعایت الزامات قانونی و اخلاقی، استفاده از بهترین شیوه‌ها، برنامه‌ریزی و اجرای ایمن و موفقیت‌آمیز وظایف، و استفاده از داده‌های حاصل برای دستیابی به اهداف.
  • مثال‌هایی از برنامه‌های درسی آموزشی:
    • مدل ADDIE (Analysis, Design, Develop, Implement, Evaluation): رویکردی برای توسعه برنامه‌های آموزشی سفارشی.
    • آموزش سیستم‌های پهپادی زیست‌محیطی و اکولوژیکی: برنامه آموزشی مدولار توسعه‌یافته توسط آزمایشگاه Duke MaRRS.
  • برنامه‌های گواهینامه:
    • برنامه‌های گواهینامه ASPRS (انجمن فتوگرامتری و سنجش از دور آمریکا).
    • آمادگی برای آزمون‌های گواهینامه GISP، ASPRS و/یا USGIF.
    • دریافت گواهینامه موسسه تحقیقات عمقی (IRES) که توسط سازمان ملی آموزش صنعتی (NITA) تأیید شده است.
    • برنامه‌های گواهینامه فارغ‌التحصیلی دانشگاه‌های معتبر (مانند دانشگاه کانتیکت، پن استیت).

در پایان دوره آموزشی انتظار می‌رود که:

در پایان این دوره آموزشی جامع، شرکت‌کنندگان به مجموعه کاملی از دانش‌ها و مهارت‌ها مجهز خواهند شد که آن‌ها را برای موفقیت در حوزه‌های مختلف مرتبط با سنجش از دور آماده می‌کند. به طور خاص، انتظار می‌رود که:

• درک جامعی از سنجش از دور کسب کنید: شما با مبانی علمی و مهندسی پشت سنجش از دور، از جمله تابش الکترومغناطیسی و ویژگی‌های مختلف حسگرها و پلتفرم‌ها، آشنا خواهید شد.
• با داده‌های ناسا کار کنید: شما قادر خواهید بود تا از داده‌ها و منابع سنجش از دور رایگان و با دسترسی آزاد ناسا استفاده کنید.
• در پردازش و تحلیل تصاویر مهارت پیدا کنید: شما مهارت‌های پیشرفته‌ای در استفاده از هوش مصنوعی و یادگیری ماشین برای پردازش و تحلیل خودکار تصاویر، از جمله طبقه‌بندی نظارت‌شده و نظارت‌نشده، کسب خواهید کرد.
• توانایی استفاده از ابزارهای نرم‌افزاری کلیدی را داشته باشید: شما قادر به کار با نرم‌افزارهای پیشرو GIS و سنجش از دور مانند ArcGIS و QGIS خواهید بود و توانایی استفاده از برنامه‌نویسی پایتون برای خودکارسازی و سفارشی‌سازی تحلیل‌ها را خواهید داشت.
• به کاربردهای پهپادها مسلط شوید: شما درک عمیقی از چگونگی استفاده از پهپادها در مدیریت اکوسیستم‌های ساحلی، پایش حیات وحش، ارزیابی بلایا و سایر کاربردها خواهید داشت و با چارچوب‌های نظارتی مربوطه آشنا خواهید شد.
• در حوزه کشاورزی و تغییرات اقلیمی متخصص شوید: شما مهارت‌های عملی را در به‌کارگیری فناوری‌های GIS و سنجش از دور برای پایش سلامت محصولات، پیش‌بینی عملکرد، ارزیابی امنیت غذایی و تحلیل اثرات تغییرات اقلیمی بر کشاورزی کسب خواهید کرد.
• برای مدیریت بلایا آماده باشید: شما قادر خواهید بود تا محصولات داده‌ای ناسا را برای شناسایی، ویژگی‌بندی و پایش بلایا (مانند سیل، طوفان، رانش زمین) به کار بگیرید و از آن‌ها در فرآیند تصمیم‌گیری پشتیبانی کنید.
• بینش‌های مکانی برای تصمیم‌گیری ارائه دهید: شما قادر به جمع‌آوری و تحلیل اطلاعات قابل اقدام خواهید بود که از کارهای حرفه‌ای یا حل مسائل تحقیقاتی پشتیبانی می‌کند.
• برای توسعه حرفه‌ای آماده شوید: شما با بهترین شیوه‌ها در عملیات سنجش از دور و پهپادها آشنا خواهید شد و برای ادامه یادگیری و کسب گواهینامه‌های حرفه‌ای آماده خواهید بود.
• توانایی حل مسائل را تقویت کنید: شما مهارت‌های حل مسئله، خودآموزی و یافتن راه‌حل‌های فردی را بهبود خواهید بخشید.

با گذراندن این دوره، شما نه تنها به یک متخصص در سنجش از دور تبدیل خواهید شد، بلکه یک “اندیشمند انتقادی” و “دانشمند خوب” خواهید بود که در کنار مهارت‌های عملی، قادر به رهبری و نوآوری در این زمینه پویا هستید.

---

فصل ۱: پنجره‌ای به جهان از دوردست – اصول، کاربردها و آموزش‌های سنجش از دور

چکیده: سنجش از دور، به عنوان یک فناوری کلیدی در عصر اطلاعات، فرآیند کسب اطلاعات در مورد یک شیء یا پدیده بدون تماس فیزیکی با آن است [۳۹, ۱۱۸, ۱۲۶]. این فصل به بررسی جامع اصول علمی و مهندسی پشت سنجش از دور می‌پردازد و درک جامعی از وضعیت هنر در این حوزه را ارائه می‌دهد [۲]. ما تعریف سنجش از دور، طیف الکترومغناطیس و امضاهای طیفی را بررسی خواهیم کرد که اساس درک ما از داده‌های جمع‌آوری‌شده از پلتفرم‌های مختلف را تشکیل می‌دهند [۱۱۹, ۱۲۷]. این پلتفرم‌ها شامل ماهواره‌ها، هواپیماها (از جمله پهپادها) و سیستم‌های زمینی می‌شوند [۱۱۸, ۱۲۶]. جزئیات انواع تفکیک‌پذیری (مکانی، طیفی، زمانی، رادیومتریک) که کیفیت داده‌های سنجش از دور را تعیین می‌کنند، مورد بحث قرار خواهد گرفت [۱۲۰, ۱۲۱, ۱۲۲, ۱۲۳, ۱۲۴, ۱۲۸, ۱۲۹, ۱۳۰, ۱۳۱, ۱۳۲, ۱۳۳]. بخش مهمی از این فصل به کاربردهای گسترده سنجش از دور در زمینه‌هایی مانند پایش محیطی، مدیریت منابع طبیعی، مدیریت بلایا، کشاورزی دقیق و مطالعات تغییرات اقلیمی اختصاص دارد [۹, ۶۸, ۸۷, ۸۸, ۹۰, ۹۱, ۹۲, ۹۳, ۹۴, ۹۵, ۹۶, ۹۷, ۹۸, ۱۰۹, ۱۵۴, ۱۵۵, ۱۶۶, ۱۶۷, ۱۶۸, ۳۰۸, ۳۰۹, ۳۱۰, ۳۱۱]. علاوه بر این، نقش هوش مصنوعی و یادگیری ماشین در پردازش و تحلیل خودکار تصاویر سنجش از دور، از جمله شبکه‌های عصبی و یادگیری عمیق، مورد تأکید قرار خواهد گرفت [۱۵, ۲۴, ۳۰, ۳۶, ۹۸, ۱۵۴, ۱۵۵, ۱۶۷, ۱۶۸, ۲۴۸, ۲۶۰, ۲۶۴, ۲۷۱, ۲۹۸]. در نهایت، این فصل به بررسی فرصت‌های آموزشی و مسیرهای یادگیری در سنجش از دور می‌پردازد، از دوره‌های دانشگاهی و گواهینامه‌های تخصصی گرفته تا برنامه‌های آموزشی پیشرفته [۹, ۱۵, ۲۴, ۲۹, ۳۰, ۳۱, ۳۲, ۳۳, ۳۴, ۳۵, ۳۶, ۳۷, ۳۸, ۴۱, ۱۴۶, ۱۴۸, ۱۴۹, ۱۵۰, ۱۵۱, ۱۵۴, ۱۵۶, ۱۵۷, ۱۵۸, ۱۵۹, ۱۶۰, ۱۶۱, ۱۶۲, ۱۶۳, ۱۶۴, ۱۶۵, ۱۶۶, ۱۶۷, ۱۶۸, ۱۷۲, ۱۸۴, ۱۸۵, ۱۸۸, ۱۹۲, ۲۱۴, ۲۱۵, ۲۱۷, ۲۱۹, ۲۲۰, ۲۲۳, ۲۲۴, ۲۲۵, ۲۲۸, ۲۲۹, ۲۳۰, ۲۳۱, ۲۳۲, ۲۳۳, ۲۳۴, ۲۳۷, ۲۴۵, ۲۴۶, ۲۴۷, ۳۱۴, ۳۱۵, ۳۱۶, ۳۱۹, ۳۲۲, ۳۲۵, ۳۲۶, ۳۲۷, ۳۲۸, ۳۲۹, ۳۳۰, ۳۳۱, ۳۳۲, ۳۳۳, ۳۳۷, ۳۳۹, ۳۴۰, ۳۴۷, ۳۵۵, ۳۵۶, ۳۵۷, ۳۵۸, ۳۵۹, ۳۶۰, ۳۶۱, ۳۶۲, ۳۶۳, ۳۶۴].

مقدمه: در دنیای امروز که داده‌ها به سرعت در حال رشد هستند، توانایی جمع‌آوری اطلاعات دقیق و به‌روز در مورد محیط اطرافمان، بدون نیاز به تماس فیزیکی مستقیم، اهمیت بی‌سابقه‌ای یافته است [۳۹, ۷۹]. اینجاست که علم و فناوری سنجش از دور وارد می‌شود [۳۹, ۱۱۸, ۱۲۶]. سنجش از دور (Remote Sensing)، روشی برای کسب اطلاعات در مورد اجسام یا پدیده‌ها از فاصله دور است [۳۹, ۱۱۸, ۱۲۶]. عکاسی یک شکل بسیار رایج از سنجش از دور محسوب می‌شود [۱۱۸, ۱۲۶]. در اغلب موارد، سنجش از دور به مشاهده و کسب اطلاعات درباره زمین، اغلب توسط ماهواره یا تصویربرداری هوایی اشاره دارد [۳۹]. این حوزه شامل اصول علمی و مهندسی است که امکان درک و به‌کارگیری این فناوری پیشرفته را فراهم می‌آورد [۲].

هدف این دوره، آشنایی دانشجویان با اصول علمی و مهندسی پشت سنجش از دور و ارائه درکی از وضعیت هنر در این حوزه است [۲]. با استفاده از سنجش از دور، دانشمندان و سازمان‌ها می‌توانند بینش‌هایی را درباره اشیاء مورد مشاهده خود برای مطالعات علمی به دست آورند [۳۹]. این فناوری به ما امکان می‌دهد تا با استفاده از عکاسی و ویدئو، چیزهای بسیار بیشتری را نسبت به آنچه که می‌توان از روی زمین مشاهده کرد، ببینیم [۳۹]. همچنین می‌توانیم از دوربین‌های خاص برای مشاهده تغییرات تابش و دما یا از سونار برای اندازه‌گیری فواصل از کف اقیانوس تا سطح استفاده کنیم [۳۹].

رشد بی‌سابقه در استفاده از فناوری‌های حسگر ماهواره‌ای، هواپایه و پهپاد برای شناسایی و طبقه‌بندی اشیاء روی زمین، نحوه انجام کسب‌وکار در سراسر جهان را متحول کرده است [۲۴۶]. این فناوری‌های مکانی-فضایی، همه‌چیز را از ردیابی طوفان‌ها، زمین‌لرزه‌ها و فرسایش گرفته تا برنامه‌ریزی شهری، متحول می‌کنند [۲۴۶]. در نتیجه، تقاضای زیادی در بسیاری از صنایع برای متخصصانی با مهارت‌های لازم برای تولید تحلیل‌های هوشمندانه از داده‌های سنجش از دور برای حل مشکلات دنیای واقعی، ایجاد شده است [۲۴۶]. این تقاضا به ویژه در بخش‌های تجاری و دولتی مشهود است [۲۴۶]. این فصل به کاوش در این موضوعات می‌پردازد و راهنمای جامعی برای درک و به‌کارگیری سنجش از دور ارائه می‌دهد.

۱. سنجش از دور چیست؟ سنجش از دور اساساً فرآیند جمع‌آوری اطلاعات از یک شیء یا پدیده بدون تماس فیزیکی مستقیم با آن است [۳۹, ۱۱۸, ۱۲۶]. این مفهوم گسترده‌ای است که شامل بسیاری از روش‌های جمع‌آوری داده می‌شود. عکاسی، به عنوان مثال، یک شکل بسیار رایج و قابل دسترس از سنجش از دور است [۱۱۸, ۱۲۶]. با این حال، دامنه سنجش از دور فراتر از آنچه چشم انسان می‌تواند ببیند، گسترش می‌یابد. در زمینه علوم زمین، سنجش از دور معمولاً به مشاهده و کسب اطلاعات درباره زمین اشاره دارد که اغلب توسط ماهواره‌ها یا سیستم‌های تصویربرداری هوایی (مانند هواپیماها و پهپادها) انجام می‌شود [۳۹, ۱۱۸, ۱۲۶].

اساس کار سنجش از دور بر پایه طیف الکترومغناطیس استوار است [۱۱۹, ۱۲۷]. طیف الکترومغناطیس شامل کل محدوده فرکانس‌های موج است که مشخص‌کننده تابش خورشیدی هستند [۱۱۹, ۱۲۷]. اگرچه ما درباره نور صحبت می‌کنیم، اما بیشتر طیف الکترومغناطیس توسط چشم انسان قابل تشخیص نیست [۱۱۹, ۱۲۷]. حتی آشکارسازهای ماهواره‌ای نیز تنها بخش کوچکی از کل طیف الکترومغناطیس را ثبت می‌کنند [۱۱۹, ۱۲۷].

نکته کلیدی در سنجش از دور این است که مواد مختلف، طول موج‌های مختلف تابش الکترومغناطیس را منعکس و جذب می‌کنند [۱۱۹, ۱۲۷]. با بررسی طول موج‌های منعکس‌شده که توسط یک حسگر شناسایی می‌شوند، می‌توان نوع ماده‌ای که تابش از آن منعکس شده است را تعیین کرد [۱۱۹, ۱۲۷]. این ویژگی به عنوان امضای طیفی شناخته می‌شود [۱۱۹, ۱۲۷]. به عنوان مثال، در یک نمودار، می‌توان رابطه بین درصد بازتاب و طول موج‌های بازتابی اجزای مختلف سطح زمین، مانند برف و یخ، ابرها، پوشش گیاهی برگ‌پهن، پوشش گیاهی سوزنی‌برگ، خاک خشک، خاک مرطوب، آب کدر و آب شفاف را مقایسه کرد [۱۱۹, ۱۲۷]. این امضاهای طیفی به ما امکان می‌دهند تا اشیاء و پدیده‌ها را بر اساس پاسخ طیفی منحصربه‌فردشان شناسایی و طبقه‌بندی کنیم.

پلتفرم‌های سنجش از دور به سه دسته اصلی تقسیم می‌شوند:

• پلتفرم‌های زمینی (Ground-Based): اینها شامل حسگرهایی هستند که بر روی زمین نصب شده‌اند، مانند رادارها یا دوربین‌های ثابت که داده‌ها را از یک نقطه جمع‌آوری می‌کنند [۱۱۸, ۱۲۶].
• پلتفرم‌های هوایی (Airborne): شامل حسگرهایی هستند که بر روی هواپیماها یا پهپادها نصب شده‌اند [۱۱۸, ۱۲۶, ۷۹]. این پلتفرم‌ها انعطاف‌پذیری بیشتری در زمان‌بندی جمع‌آوری داده و تفکیک‌پذیری مکانی بالاتر نسبت به ماهواره‌ها ارائه می‌دهند [۷۷, ۸۴].
• پلتفرم‌های فضایی (Spaceborne): شامل ماهواره‌هایی هستند که در مدارهای مختلف به دور زمین می‌چرخند و داده‌ها را در مقیاس جهانی جمع‌آوری می‌کنند [۱۱۸, ۱۲۰, ۱۲۶, ۱۲۸].

هر روش جمع‌آوری داده و هر حسگر، بسته به کاربرد مورد نظر، متفاوت عمل می‌کند [۱۱۸, ۱۲۶]. این تنوع در پلتفرم‌ها و حسگرها، سنجش از دور را به ابزاری قدرتمند و چندمنظوره برای پایش و مدیریت محیط زیست تبدیل کرده است.

۲. ویژگی‌های کلیدی داده‌های سنجش از دور: انواع تفکیک‌پذیری کیفیت و کاربری داده‌های سنجش از دور به چهار نوع اصلی از تفکیک‌پذیری بستگی دارد [۱۲۰, ۱۲۸]. طراحی حسگر و پیکربندی مدار ماهواره، بر تفکیک‌پذیری‌های مختلف تأثیر می‌گذارد [۱۲۱, ۱۲۲, ۱۲۳, ۱۲۴, ۱۲۹, ۱۳۰, ۱۳۱, ۱۳۲, ۱۳۳].

۲.۱. تفکیک‌پذیری مکانی (Spatial Resolution): تفکیک‌پذیری مکانی به مساحت سطح زمینی اشاره دارد که یک پیکسل را در تصویر تشکیل می‌دهد [۱۲۲, ۱۳۰]. این معمولاً به عنوان یک مقدار واحد نشان داده می‌شود که طول یک ضلع مربع را بیان می‌کند [۱۲۲, ۱۳۰]. هرچه تفکیک‌پذیری مکانی بالاتر باشد، مساحت کمتری توسط یک پیکسل واحد پوشش داده می‌شود [۱۲۲, ۱۳۰]. به عنوان مثال، یک تصویر با تفکیک‌پذیری ۱ متر، جزئیات بیشتری را نسبت به یک تصویر با تفکیک‌پذیری ۳۰ متر نشان می‌دهد [۱۲۲, ۱۳۰]. با تفکیک‌پذیری مکانی بالاتر، حتی می‌توان اشیاء کوچک‌تر از یک پیکسل را نیز تشخیص داد [۱۲۲, ۱۳۰]. حسگرهای مختلف دارای تفکیک‌پذیری مکانی متفاوتی هستند:

• DigitalGlobe و دیگران: کمتر از ۱ متر تا ۴ متر [۱۲۳, ۱۳۱]
• Landsat: ۳۰ متر [۱۲۳, ۱۳۱]
• MODIS: ۲۵۰ متر تا ۱ کیلومتر [۱۲۳, ۱۳۱]
• GPM IMERG: تقریباً ۱۰ کیلومتر [۱۲۳, ۱۳۱] به طور کلی، هرچه تفکیک‌پذیری مکانی بالاتر باشد، مساحت کمتری توسط یک تصویر واحد پوشش داده می‌شود [۱۲۳, ۱۳۱]. به عنوان مثال، MODIS (با تفکیک‌پذیری ۲۵۰ متر تا ۱ کیلومتر) منطقه وسیع‌تری را پوشش می‌دهد در حالی که Landsat OLI (با تفکیک‌پذیری ۳۰ متر) منطقه کوچک‌تری را با جزئیات بیشتر پوشش می‌دهد [۱۲۳, ۱۳۱].

۲.۲. تفکیک‌پذیری طیفی (Spectral Resolution): تفکیک‌پذیری طیفی به تعداد و عرض نوارهای طیفی حسگر اشاره دارد [۱۲۱, ۱۲۹]. هرچه تفکیک‌پذیری طیفی بالاتر باشد، محدوده طول موج برای یک کانال یا باند معین، باریک‌تر است [۱۲۱, ۱۲۹]. کانال‌های طیفی بیشتر و دقیق‌تر، امکان سنجش از دور بخش‌های مختلف سطح زمین را فراهم می‌کنند [۱۲۱, ۱۲۹]. به طور معمول:

• تصاویر چندطیفی (Multispectral): به ۳ تا ۱۰ باند اشاره دارند [۱۲۱, ۱۲۹]. این حسگرها شامل RGB (قرمز، سبز، آبی) در جمع‌آوری خود هستند، اما باندهای اضافی مانند مادون قرمز نزدیک (NIR) یا لبه قرمز (RE) را نیز ارائه می‌دهند که برای ارزیابی سلامت پوشش گیاهی مفید هستند [۸۵]. بسیاری از این دوربین‌ها دارای حسگر نور روز و گزینه کالیبراسیون رادیومتریک هستند که به عادی‌سازی جمع‌آوری داده‌ها بدون توجه به شرایط نوری کمک می‌کند [۸۵].
• تصاویر فراطیفی (Hyperspectral): شامل صدها یا هزاران باند (یعنی تفکیک‌پذیری طیفی بالاتر) هستند [۱۲۱, ۱۲۹]. حسگرهای فراطیفی فشرده اکنون در دسترس هستند که می‌توانند به هواپیماهای مولتی‌روتور بزرگ‌تر (به دلیل محدودیت‌های وزن بار) متصل شوند، که به کاربران امکان می‌دهد صدها تا هزاران باند طیفی را جمع‌آوری کنند [۸۵].
• پَنکروماتیک (Panchromatic): یک باند وسیع واحد است که طیف وسیعی از طول موج‌ها را جمع‌آوری می‌کند [۱۲۱, ۱۲۹].

۲.۳. تفکیک‌پذیری زمانی (Temporal Resolution): تفکیک‌پذیری زمانی به مدت زمانی اشاره دارد که یک ماهواره برای تکمیل یک چرخه مداری نیاز دارد، که به آن “زمان بازبینی” نیز می‌گویند [۱۲۳, ۱۳۲]. این ویژگی به قابلیت‌های ماهواره/حسگر، همپوشانی مسیرها و عرض جغرافیایی بستگی دارد [۱۲۳, ۱۳۲]. برخی از ماهواره‌ها تفکیک‌پذیری زمانی بالاتری دارند زیرا می‌توانند حسگرهای خود را مانور دهند یا همپوشانی بیشتری در عرض‌های جغرافیایی بالاتر داشته باشند [۱۲۳, ۱۳۲]. مثال‌هایی از زمان بازبینی حسگرها:

• Landsat: ۱۶ روز [۱۲۴, ۱۳۲]
• MODIS: ۲ روز [۱۲۴, ۱۳۲]
• تجاری (OrbView): ۱ تا ۲ روز [۱۲۴, ۱۳۲]

۲.۴. تفکیک‌پذیری رادیومتریک (Radiometric Resolution): تفکیک‌پذیری رادیومتریک، توانایی یک حسگر را در تشخیص تفاوت‌ها در انرژی (یا تابش) توصیف می‌کند [۱۲۴, ۱۳۲]. هرچه تفکیک‌پذیری رادیومتریک بهتر باشد، حسگر نسبت به تفاوت‌های کوچک در انرژی حساس‌تر است [۱۲۴, ۱۳۲]. هرچه این عدد بزرگ‌تر باشد، تفکیک‌پذیری رادیومتریک بالاتر و تصویر واضح‌تر خواهد بود [۱۲۴, ۱۳۲]. مثال‌هایی از تفکیک‌پذیری رادیومتریک:

• حسگر ۱۲ بیتی، ۴۰۹۶ سطح: Landsat OLI [۱۲۴, ۱۳۲]
• حسگر ۱۰ بیتی، ۱۰۲۴ سطح: AVHRR [۱۲۴, ۱۳۲]
• حسگر ۸ بیتی، ۲۵۶ سطح: Landsat TM [۱۲۴, ۱۳۲]
• حسگر ۶ بیتی، ۶۴ سطح: Landsat MSS [۱۲۵, ۱۳۳] تصاویر نشان می‌دهند که چگونه یک صحنه با سطوح مختلف تفکیک‌پذیری رادیومتریک (۲ بیتی، ۴ بیتی و ۸ بیتی) ظاهر می‌شود؛ هرچه بیت‌ها بیشتر باشند، جزئیات ظریف‌تر قابل مشاهده هستند [۱۲۵, ۱۳۳].

۳. پلتفرم‌ها و حسگرهای سنجش از دور جمع‌آوری داده‌های سنجش از دور به پلتفرم‌های مختلفی بستگی دارد که حسگرها را حمل می‌کنند. این پلتفرم‌ها می‌توانند زمینی، هوایی یا فضایی باشند و هر کدام ویژگی‌ها و کاربردهای خاص خود را دارند [۱۱۸, ۱۲۶].

۳.۱. ماهواره‌ها: ماهواره‌ها پلتفرم‌های فضایی هستند که اطلاعات را از مدار به دور زمین جمع‌آوری می‌کنند. ویژگی‌های ماهواره شامل موارد زیر است:

• مدارها: ماهواره‌ها می‌توانند در مدارهای قطبی/غیرقطبی یا مدار زمین‌ایستا قرار گیرند [۱۲۰, ۱۲۸]. ماهواره‌های زمین‌ایستا در ارتفاعات بالا نسبت به یک نقطه ثابت روی زمین قرار می‌گیرند و برای پایش مداوم یک منطقه خاص مفید هستند [۱۲۰, ۱۲۸].
• منبع انرژی: حسگرها می‌توانند منفعل (Passive) یا فعال (Active) باشند [۱۲۰, ۱۲۸]. حسگرهای منفعل، تابش منعکس‌شده از خورشید را اندازه‌گیری می‌کنند (مانند دوربین‌های اپتیکال)، در حالی که حسگرهای فعال، تابش خود را به سمت زمین می‌فرستند و بازتاب آن را اندازه‌گیری می‌کنند (مانند رادار) [۱۲۰, ۱۲۸].
• طیف خورشیدی و زمینی: حسگرهای ماهواره‌ای در بخش‌های مختلف طیف الکترومغناطیس مانند مرئی، فرابنفش، فروسرخ و مایکروویو عمل می‌کنند [۱۲۰, ۱۲۸]. دوربین‌های حرارتی (مادون قرمز میان‌موج و بلندموج) با حسگر RGB جفت می‌شوند و امکان ثبت همزمان هر دو مجموعه تصویر را فراهم می‌کنند [۸۵].
• تکنیک اندازه‌گیری: شامل اسکنینگ، غیر اسکنینگ، تصویربرداری (Imager) و سوندینگ (Sounders) است [۱۲۰, ۱۲۸].
• کاربرد: ماهواره‌ها برای کاربردهای متعددی مانند پیش‌بینی آب و هوا، پایش رنگ اقیانوس، نقشه‌برداری زمینی، کیفیت هوا و بودجه تابش استفاده می‌شوند [۱۲۰, ۱۲۸].

۳.۲. پهپادها (Uncrewed Aircraft Systems – UAS): پهپادها، که با نام‌های Unoccupied Aircraft Systems (سیستم‌های هواپیمای بدون سرنشین) یا Remotely Piloted Aircraft Systems (سیستم‌های هواپیمای هدایت‌پذیر از راه دور) نیز شناخته می‌شوند، به طور فزاینده‌ای در دسترس قرار گرفته‌اند و حسگرها و بارهای مفید آن‌ها قادر به جمع‌آوری ویدئوهای با وضوح بالا و همچنین تصاویر ثابت در باندهای رنگی، حرارتی یا چندطیفی هستند [۷۹]. پهپادها ابزارهای فزاینده مقرون‌به‌صرفه‌ای برای تحقیق و ارزیابی مناطق ساحلی هستند [۷۷]. پهپادها مزایای مهمی را ارائه می‌دهند:

• مقرون‌به‌صرفه بودن (Affordability): ارزان و با قیمت مناسب [۸۰]. با این حال، سیستم‌های پهپاد تجاری ممکن است فاقد دوام یا عملکرد لازم برای کاربردهای علمی یا نقشه‌برداری باشند [۸۰]. پهپادهای نقشه‌برداری با حسگرهای پیشرفته و بارهای مفید می‌توانند بسیار پرهزینه باشند و ابزارهای نرم‌افزاری برای تفسیر و پردازش تصویر نیز ممکن است گران باشند [۸۰].
• فوریت (Immediacy): باعث درگیری مستقیم و فوری می‌شود [۸۰].
• کارایی (Efficiency): دستیابی به حداکثر بهره‌وری با حداقل تلاش یا هزینه هدررفته [۸۰].
• کیفیت (Quality): استاندارد نتایج پروژه نسبت به روش‌های دیگر؛ درجه تعالی [۸۰].
• ایمنی (Safety): محافظت در برابر خطر، ریسک یا آسیب به محققان، سوژه‌های مورد مطالعه و محیط‌های عملیاتی آن‌ها [۸۰].

انواع پهپادها بر اساس کیفیت ساخت و ابزار دقیق تعبیه‌شده:

• پهپادهای مصرف‌کننده (Consumer Drones): دارای دوام کمتر، گزینه‌های محدود برای بارهای قابل تعویض و سیستم‌های موقعیت‌یابی با دقت پایین هستند [۸۲]. وزن سبک (کمتر از ۱ کیلوگرم) و زمان پرواز تقریباً ۲۰ دقیقه [۸۴]. کاربرد بهینه برای بازرسی/نظارت و نقشه‌برداری پایه [۸۴]. هزینه کمتر از ۲ هزار دلار [۸۴]. مهارت خلبانی: مبتدی [۸۴].
• سیستم‌های حرفه‌ای-مصرف‌کننده (Prosumer Systems): دارای دوام ارتقاءیافته و قابلیت‌های حسگر بهتر هستند، اما هنوز توانایی سفارشی‌سازی حسگرهای مستقرشده را ندارند [۸۲]. وزن سبک (۱ تا ۲ کیلوگرم) و زمان پرواز ۲۵ تا ۳۰ دقیقه [۸۴]. کاربرد بهینه برای نقشه‌برداری دقیق [۸۵]. هزینه می‌تواند با گزینه‌های اضافی (RTK، حسگر چندطیفی) بیشتر باشد، بین ۲ تا ۷ هزار دلار [۸۴]. مهارت خلبانی: مبتدی تا متوسط [۸۴].
• سیستم‌های تحقیقاتی/نقشه‌برداری (Research/Survey-Grade Systems): دارای سیستم‌های موقعیت‌یابی با دقت بالا (مانند تصحیح Real Time Kinematic یا RTK) و توانایی پرواز با چندین حسگر تحقیقاتی هستند [۸۲]. وزن آن‌ها در نوع روتاری متوسط تا سنگین (۵ تا ۲۰ کیلوگرم) و در نوع بال ثابت سبک (کمتر از ۳ کیلوگرم) است [۸۴]. زمان پرواز در نوع روتاری ۱۰ تا ۳۰ دقیقه و در نوع بال ثابت ۴۵ تا ۹۰ دقیقه است [۸۴]. کاربرد بهینه در نوع روتاری برای فیلم‌برداری حرفه‌ای، سیستم‌های چندحسگره و بارهای تخصصی (لیدار، هایپراسپکترال) و در نوع بال ثابت برای نقشه‌برداری دقیق [۸۵]. هزینه این سیستم‌ها بالاتر است، بین ۱۰ تا ۲۰ هزار دلار با حسگرهای استاندارد [۸۴]. مهارت خلبانی: متوسط تا پیشرفته [۸۴].

بارهای مفید حسگر پهپادها: بارهای مفید حسگر پهپادها پیشرفت‌های چشمگیری داشته‌اند و انواع مختلفی از حسگرها برای استفاده با پهپادها به صورت داخلی یا به صورت اتصالات یا اصلاحات سفارشی در دسترس هستند [۸۵].

• دوربین‌های نوری RGB (قرمز، سبز، آبی): حسگر اصلی و پایه‌ای هستند که تصاویر یا ویدئوهای استاندارد را ثبت می‌کنند [۸۵]. بیشتر حسگرهای استاندارد RGB، حتی آنهایی که داخلی هستند، اکنون دارای وضوح بالا هستند و می‌توانند برای تولید ارتوموزائیک‌های (orthomosaics) دوخته‌شده و مدل‌های سطح سه‌بعدی در صورت جمع‌آوری با برنامه‌های پروازی مناسب استفاده شوند [۸۵].
• حسگرهای چندطیفی (Multispectral): شامل RGB در جمع‌آوری خود هستند، اما باندهای اضافی مانند مادون قرمز نزدیک (NIR) یا لبه قرمز (RE) را ارائه می‌دهند که برای ارزیابی سلامت پوشش گیاهی مفید هستند [۸۵]. بسیاری از این دوربین‌ها دارای حسگر نور روز و گزینه کالیبراسیون رادیومتریک هستند که به عادی‌سازی جمع‌آوری داده‌ها بدون توجه به شرایط نوری کمک می‌کند [۸۵].
• دوربین‌های حرارتی (Thermal Cameras): (مادون قرمز میان‌موج و بلندموج) با حسگر RGB جفت می‌شوند و امکان ثبت همزمان هر دو مجموعه تصویر را فراهم می‌کنند [۸۵]. هواپیماهای مولتی‌روتور کوچک با بار مفید دو حسگر می‌توانند فید ویدئوی زنده با ویدئوی سیاه و سفید با وضوح بالا که با امضاهای حرارتی پوشش داده شده است، ارائه دهند [۸۵].
• حسگرهای فراطیفی فشرده (Compact Hyperspectral Sensors): اکنون در دسترس هستند که می‌توانند به هواپیماهای مولتی‌روتور بزرگ‌تر (به دلیل محدودیت‌های وزن بار) متصل شوند و به کاربران امکان جمع‌آوری صدها تا هزاران باند طیفی را می‌دهند [۸۵].

۴. کاربردهای سنجش از دور سنجش از دور به دلیل توانایی‌اش در جمع‌آوری داده‌های مکانی-زمانی دقیق و جامع، در طیف وسیعی از حوزه‌ها کاربرد دارد. افزایش جمعیت در حوضه‌های آبریز ساحلی طی دهه‌های گذشته، استفاده از اکوسیستم‌های ساحلی و خورها را افزایش داده، اما همچنین فشارهای بیشتری را بر این منابع طبیعی وارد کرده است [۷۹, ۸۷]. مدیران ساحلی به ابزارهایی نیاز دارند که تصاویر با وضوح بالا، داده‌های مشتق‌شده و تجسم‌ها را به سرعت، به طور مکرر و با دقت بالا ارائه دهند تا وضعیت محیطی و زیستگاه را ارزیابی کنند، تأثیرات ناشی از خطرات ساحلی را تشخیص دهند و جمعیت‌های حیات وحش و جوامع بیولوژیکی را مستند و پایش کنند [۷۷, ۸۷].

۴.۱. پایش کیفیت محیطی و وضعیت زیستگاه: بیش از نیمی از شرکت‌کنندگان در یک کارگاه سنجش از دور، پایش کیفیت محیطی و وضعیت زیستگاه را به عنوان اولویت اصلی شناسایی کردند [۷۸, ۸۷].

• پایش تالاب‌ها و زیستگاه‌های حساس: به طور سنتی، پایش زیستگاه‌های ساحلی از تصاویر هوایی (هلیکوپتر یا هواپیما)، تصاویر ماهواره‌ای یا تیم‌های میدانی با قایق یا روی زمین استفاده می‌کرد [۸۸]. پایش هوایی منابع زیادی را مصرف می‌کند و امکان پایش مکرر را نمی‌دهد [۸۸]. پایش زمینی می‌تواند زیستگاه‌های حساس مانند تپه‌های شنی، باتلاق‌های نمکی و صخره‌های صدف را به طور منفی تحت تأثیر قرار دهد [۸۸]. پهپادها برای پایش باتلاق‌ها، صخره‌های صدف و مانگروها، و همچنین کیفیت محیطی خطوط ساحلی بسیار مفید هستند [۸۹].
• تصویربرداری جامع از مناطق وسیع: مشاهده هوایی برای پایش کیفیت محیطی و وضعیت زیستگاه در مناطق ساحلی استفاده می‌شود، زیرا UAS می‌تواند تصاویر جامعی از سایت‌ها در مناطق وسیع (به عنوان مثال، چندین کیلومتر مربع) را ثبت کند [۸۹].
• شناسایی جلبک‌های سمی: استفاده از داده‌های فراطیفی برای شناسایی جلبک‌های سمی [۹۳].
• ارزیابی وضعیت پوشش گیاهی: استفاده از داده‌های چندطیفی برای ارزیابی فصلی و پس از طوفان وضعیت پوشش گیاهی باتلاق [۹۳].
• ردیابی تغییرات ساحلی: تحقیقات از UAS برای مستندسازی سرنوشت رسوبات لایروبی‌شده در بازسازی زیستگاه‌های باتلاقی استفاده می‌کند [۹۰]. با استفاده از پهپادها و تحلیل تصاویر، می‌توان تغییرات ارتفاع از جمله تپه‌های شنی طبیعی و مصنوعی و راه‌های عبور از تپه‌ها را با دقت ۲۵ سانتی‌متر شناسایی کرد [۹۰]. این تکنیک برای پایش از دست رفتن موانع شنی در طول زمان و تخمین طول عمر آن‌ها استفاده می‌شود [۹۰].
• تخمین زیست‌توده (Biomass) گیاهی: استفاده از UAS در پایش علف باتلاقی Spartina و پیشرفت‌های تکنولوژی در تخمین معیارهای زیست‌توده پوشش گیاهی [۹۱]. با استفاده از DJI Matrice 210 با دوربین Micasense Altum ۶ باندی، محققان توانسته‌اند زیست‌توده Spartina alterniflora را در گرجستان ساحلی نقشه‌برداری کنند [۹۱]. مدل رگرسیونی توسعه‌یافته از پروازها می‌تواند برای پایش باتلاق‌های مجاور و پاسخ سریع به کاهش باتلاق اعمال شود [۹۱].
• بازسازی پوشش گیاهی پس از طوفان: پهپادها برای تشخیص تغییرات و بازیابی پوشش گیاهی در مناطق دورافتاده پورتوریکو پس از طوفان‌ها، پیشرفت‌هایی را ممکن ساخته‌اند [۹۲]. با استفاده از فتوگرامتری UAS با DJI Phantoms II و III مجهز به دوربین RGB، تغییرات پوشش زمین و ترکیب گیاهی پس از طوفان به مدت ۱۲ ماه پایش شد [۹۲].

۴.۲. مدیریت گونه‌ها و حیات وحش: مدیریت گونه‌ها و حیات وحش (ارزیابی فراوانی حیوانات) دومین اولویت شرکت‌کنندگان در کارگاه بود [۷۸, ۸۷].

• پایش گاوهای دریایی (Manatees): پهپادها ابزار بسیار مفیدی برای پایش گاوهای دریایی در آب‌های خلیج جوبوس با هزینه نسبتاً پایین و منافع بالا هستند [۹۶]. این تلاش منجر به شناسایی ۱۳۶ گاو دریایی، از جمله تشخیص گوساله‌ها و حیوانات دارای زخم قایق شد. رفتارهای تنفسی نیز پایش شدند [۹۶].
• ارزیابی وضعیت بدنی مهر و موم‌ها (Grey Seals): کاربرد UAS و تحلیل فتوگرامتری Structure from Motion برای ارزیابی وضعیت بدنی مهر و موم‌های خاکستری در شرق کانادا [۹۷]. این روش می‌تواند راهی سریع و غیرتهاجمی برای انجام چنین ارزیابی‌هایی باشد [۹۷].
• شمارش خودکار جمعیت پرندگان دریایی: کاربرد تکنیک‌های یادگیری عمیق برای تخمین چگالی و فراوانی آلباتروس‌های ابرومشکی و پنگوئن‌های راک‌هاپر در جزایر فالکلند [۹۸]. تصاویر پهپادی از پلتفرم‌های بال ثابت و مولتی‌کوپتر استفاده شد. شبکه‌های عصبی پیچشی (CNN) برای شناسایی پرندگان منفرد و تخمین چگالی و فراوانی در چندین کلونی استفاده شده است [۹۸]. این تکنیک‌ها پتانسیل زیادی برای پایش پرندگان دریایی در کلونی‌های بزرگ و از نظر مکانی پیچیده دارند، با دقت ۹۷.۶۶% در تشخیص و شمارش صحیح پرندگان و ۸۷.۱۶% در شمارش خودکار با انحراف کمتر از ۵% از شمارش دستی [۹۸]. نتایج نشان می‌دهد که روش‌های CNN ابزاری قابل دوام برای ارزیابی جمعیت هستند و فرصت‌هایی برای کاهش کار دستی، هزینه و خطای انسانی فراهم می‌کنند [۹۸].
• پایش زیستگاه‌های پرندگان ساحلی: پایش زیستگاه‌های لانه سازی پرندگان ساحلی دورافتاده و با دسترسی دشوار [۹۳].

۴.۳. ارزیابی خطرات و آسیب‌های ساحلی: ارزیابی خطرات و آسیب‌های ساحلی (مانند فرسایش، مدیریت آتش‌سوزی، و آوار دریایی) نیز یک اولویت مهم بود [۷۸, ۸۷].

• فرسایش و مدیریت آتش‌سوزی: شناسایی الزامات پایگاه‌های نظامی در زمینه‌های مدیریت منابع، فرسایش خطوط ساحلی و مدیریت آتش‌سوزی که می‌توانند از کاربردهای UAS بهره‌مند شوند [۹۵]. آزمایش‌ها بهبود کارایی نقشه‌برداری UAS برای نقشه‌برداری فرسایش پس از طوفان‌ها، پایش آتش‌سوزی و ردیابی حیات وحش را ارزیابی کردند [۹۵].
• آوار دریایی: آوار دریایی در محیط‌های اقیانوسی ساحلی تأثیر منفی بر منابع طبیعی دارد [۹۴]. تشخیص و شناسایی آوار و ارتباط آن با زیستگاه‌ها یا مناطق حساس، اولین گام برای ارزیابی تأثیرات و اولویت‌بندی تلاش‌های حذف است [۹۴]. پهپادها در تلاش‌های تشخیص و شناسایی آوار دریایی کمک می‌کنند [۹۴].

۴.۴. کشاورزی و امنیت غذایی: سنجش از دور نقش حیاتی در کشاورزی ایفا می‌کند.

• نقشه‌برداری و پایش محصول: نقشه‌برداری از کاربری اراضی کشاورزی و انواع محصولات و استفاده از GIS برای پایش سلامت محصول و پیش‌بینی عملکرد [۱۶۷].
• مدل‌های رشد محصول: این دوره پوشش داده‌های SAR (رادار دهانه ترکیبی)، چندطیفی، فراطیفی و حرارتی ماهواره‌ای، و همچنین نمونه‌برداری داده‌های درون‌جا (in-situ) و ارزیابی دقت، مدل‌های رشد محصول، مدل‌های مبتنی بر داده و مدل‌های ترکیبی را پوشش خواهد داد [۱۱۰].
• مطالعات موردی: پایش تولید گندم در هند با استفاده از سنجش از دور و GIS [۱۶۷].
• امنیت غذایی و تغییرات اقلیمی: استفاده از GIS برای ارزیابی عوامل خطر امنیت غذایی و نقشه‌برداری از ناامنی غذایی و شناسایی جمعیت‌های در معرض خطر [۱۶۸]. تحلیل روند تغییرات اقلیمی در طول زمان با استفاده از ابزارهای سنجش از دور [۱۶۸]. مطالعات موردی مانند پایش عقب‌نشینی یخچال‌ها در آلپ [۱۶۸].

۵. پردازش و تحلیل داده‌های سنجش از دور جمع‌آوری داده‌ها تنها نیمی از فرآیند است؛ تحلیل و استخراج اطلاعات معنادار از این داده‌ها به همان اندازه حیاتی است. این بخش به ابزارها و تکنیک‌های مورد استفاده در پردازش و تحلیل داده‌های سنجش از دور می‌پردازد.

۵.۱. تحلیل تصویر رقومی: پردازش تصاویر رقومی شامل تکنیک‌های مختلفی برای بهبود، تحلیل و طبقه‌بندی تصاویر سنجش از دور است [۱۵, ۲۴, ۱۳۵].

• بهبود تصویر: تکنیک‌هایی مانند کشش درصدی، کشش انحراف معیار و کشش قطعه‌ای (piecewise stretch) برای بهبود کنتراست و وضوح تصویر استفاده می‌شوند [۱۳۸].
• فیلترینگ مکانی: مفهوم پنجره متحرک، فیلترینگ فرکانس پایین و بالا، و تشخیص لبه‌ها برای برجسته‌سازی ویژگی‌های خاص یا حذف نویز در تصاویر استفاده می‌شود [۱۳۸].
• نسبت‌گیری تصویر و شاخص‌های گیاهی: تکنیک‌هایی مانند نسبت‌گیری ۲ باند و شاخص‌های تفاوت نرمال‌شده (Normalized Difference Indexing) برای برجسته‌سازی اطلاعات خاص از باندهای طیفی مختلف به کار می‌روند. شاخص‌های گیاهی (Vegetation Indices) مانند VARI (Visible Atmospherically Resistant Index) برای تأکید بر پوشش گیاهی استفاده می‌شوند [۹۲, ۱۳۸].
• طبقه‌بندی تصویر: شامل طبقه‌بندی نظارت‌شده و نظارت‌نشده است [۱۳۹, ۳۳۹].
  • طبقه‌بندی نظارت‌نشده (Unsupervised Classification): در آن الگوریتم‌ها به طور خودکار گروه‌های پیکسلی مشابه را بر اساس ویژگی‌های طیفی‌شان شناسایی می‌کنند.
  • طبقه‌بندی نظارت‌شده (Supervised Classification): نیاز به نمونه‌های آموزشی (training samples) از انواع پوشش زمین شناخته شده دارد. روش‌هایی مانند حداقل فاصله (Minimum Distance Classification)، طبقه‌بندی بافت (Textural Classification)، حداکثر احتمال (Maximum Likelihood Classifier) و طبقه‌بندی فازی (Fuzzy Classification) از جمله تکنیک‌های مورد استفاده هستند [۱۳۹].
• تحلیل مؤلفه‌های اصلی (Principal Components Analysis – PCA): یک تکنیک آماری برای کاهش ابعاد داده‌ها و شناسایی الگوهای اصلی در آن‌ها است [۱۳۹].
• استخراج ویژگی و بافت تصویر (Feature Extraction using spatial frequency and image texture): برای شناسایی و استخراج ویژگی‌های معنادار از تصاویر [۱۳۹].
• صحه‌گذاری زمینی و ارزیابی دقت (Ground Truthing and Accuracy Assessment): برای تأیید صحت نتایج طبقه‌بندی و نقشه‌برداری با داده‌های جمع‌آوری‌شده از میدان [۱۳۹, ۳۳۹].

۵.۲. هوش مصنوعی (AI) و یادگیری ماشین (Machine Learning) در سنجش از دور: هوش مصنوعی (AI) و یادگیری ماشین (ML) به طور فزاینده‌ای برای بهبود پردازش و تحلیل خودکار تصاویر در کاربردهای سنجش از دور مورد استفاده قرار می‌گیرند [۱۵, ۲۴].

• مدل‌ها و وظایف: یادگیری ماشین در سنجش از دور از مدل‌های مختلفی مانند Auto Encoder، Random Forests، Gradient-boosted Trees، K-means clustering و Bayesian Neural Network استفاده می‌کند. وظایف شامل خوشه‌بندی (Clustering) هستند [۲۴۸].
• شبکه‌های عصبی (Neural Networks – NN): در PyTorch، شبکه‌های عصبی برای مدل‌سازی روابط پیچیده بین داده‌های ورودی و خروجی استفاده می‌شوند [۲۶۰]. می‌توان از لایه‌های خطی (nn.Linear) و توابع فعال‌سازی غیرخطی (nn.ReLU) برای ساخت شبکه‌های عصبی با لایه‌های پنهان استفاده کرد [۲۶۲].
• بهینه‌سازی (Optimization):
  • گرادیان کاهشی (Gradient Descent – GD): یک طرح بهینه‌سازی عمومی است که با یک حدس اولیه برای مقدار بهینه شروع می‌شود، گرادیان را محاسبه می‌کند و سپس در جهت مخالف گرادیان حرکت می‌کند [۲۵۴].
  • گرادیان کاهشی تصادفی (Stochastic Gradient Descent – SGD): برای مقابله با نیاز GD به تکرار بر روی تمام داده‌های آموزشی برای محاسبه یک مرحله بهینه‌سازی، SGD از یک زیرمجموعه تصادفی از داده‌های آموزشی استفاده می‌کند [۲۵۷].
• توابع زیان (Loss Functions): تابع زیان تعیین می‌کند که مدل چه چیزی را یاد می‌گیرد. برای طبقه‌بندی، مدل‌ها معمولاً برای پیش‌بینی احتمالات آموزش داده می‌شوند [۲۹۲]. MSE (Mean Squared Error) یک تابع زیان رایج است [۲۶۱, ۲۶۲, ۲۷۲].
• تعدیل نرخ یادگیری (Learning Rate Schedules): آموزش شبکه‌های عصبی عموماً از کاهش نرخ یادگیری در طول زمان بهره می‌برد [۲۸۱]. رویکردهای رایج شامل Cosine Annealing با راه‌اندازی مجدد هستند [۲۸۲].
• تنظیم و تعمیم (Regularization and Generalization): برای جلوگیری از بیش‌برازش (Overfitting)، تکنیک‌هایی مانند کاهش وزن (Weight Decay) (که به عنوان نرمال‌سازی L2 نیز شناخته می‌شود) یا Dropout (به طور تصادفی بخش‌هایی از مدل را حذف می‌کند) استفاده می‌شوند [۲۸۸].
• پردازش خودکار تصاویر: دوره آموزشی IRES بر استفاده از AI برای بهبود پردازش و تحلیل خودکار تصاویر در کاربردهای سنجش از دور تمرکز دارد [۱۵, ۲۴]. شرکت‌کنندگان یاد می‌گیرند چگونه فناوری‌های AI می‌توانند پردازش داده‌های سنجش از دور را ساده کنند، دقت را بهبود بخشند و بینش‌های عملی تولید کنند [۲۴]. این دوره تکنیک‌ها و ابزارهای AI و ادغام آن‌ها در گردش کارهای سنجش از دور را پوشش می‌دهد [۲۴].
• پایش بارش: استفاده از شبکه‌های عصبی (MLP و U-Net) برای بازیابی بارش از مشاهدات ماهواره‌ای (سنسور GMI) [۲۶۴, ۲۷۱, ۲۹۸, ۳۰۲, ۳۰۴]. داده‌ها قبل از ورود به شبکه عصبی نرمال‌سازی می‌شوند [۲۶۹]. معماری U-Net شامل یک رمزگذار (encoder) است که اندازه تصویر را به تدریج کوچک می‌کند تا ویژگی‌های سطح بالا را از داده‌های ورودی استخراج کند، و یک رمزگشا (decoder) که این ویژگی‌ها را به اندازه ورودی بازمی‌گرداند. خروجی‌های هر مرحله رمزگذار به ورودی‌های مرحله رمزگشای مربوطه اضافه می‌شوند و اتصالات پرشی (skip connections) را تشکیل می‌دهند [۲۹۸].

۵.۳. سیستم‌های اطلاعات جغرافیایی (GIS) و ابزارهای مرتبط: GIS ابزار قدرتمندی برای مدیریت، تحلیل و تجسم داده‌های مکانی است که به طور جدایی‌ناپذیری با سنجش از دور مرتبط است [۳۱, ۳۳, ۳۴, ۳۵, ۳۷, ۳۸, ۱۴۶, ۱۴۷, ۱۴۸, ۱۴۹, ۱۵۰, ۱۵۱, ۱۵۲, ۱۵۴, ۱۵۵, ۱۶۶, ۱۶۷, ۱۶۸, ۱۷۰, ۳۲۷].

• QGIS: یک سیستم اطلاعات جغرافیایی منبع باز و رایگان (Free and Open Source Geographic Information System) است [۱۱]. دوره‌هایی برای سنجش از دور با QGIS وجود دارد که به دانشجویان آموزش می‌دهد چگونه تحلیل‌ها و رویه‌های مختلف سنجش از دور را با QGIS به کار ببرند [۳۳۹]. این شامل نمایش باندهای طیفی به صورت ترکیبات رنگ واقعی و رنگ کاذب، محاسبه شاخص‌های طیفی، طبقه‌بندی نظارت‌شده و نظارت‌نشده، و ارزیابی دقت طبقه‌بندی است [۳۳۹].
• ArcGIS: یکی از پرکاربردترین نرم‌افزارهای GIS است و در دوره‌های مختلف آموزش داده می‌شود [۳۱, ۳۴, ۳۷, ۳۸, ۱۵۱]. مهارت‌های مرتبط شامل تجزیه و تحلیل مکانی، داده‌پردازی مکانی، نقشه‌برداری مکانی-فضایی و مدیریت داده‌ها است [۳۱, ۳۴, ۳۷, ۳۸].
• PostGIS: برای مدیریت حجم بالای داده در محیط‌های GIS استفاده می‌شود [۱۲].
• Google Earth Engine: یک پلتفرم قدرتمند برای تجزیه و تحلیل داده‌های سنجش از دور در مقیاس بزرگ است [۳۴۱].
• Esri: منابع آموزشی ارائه می‌دهد، از جمله MOOC “Imagery in Action” و “Introduction to Imagery and Remote Sensing” [۳۴۱].

۵.۴. مدیریت و آرشیو داده‌ها: سازمان‌هایی مانند NOAA با افزایش تصاعدی داده‌های رقومی مواجه هستند [۱۰۱]. استراتژی‌هایی برای مدیریت داده‌ها از طریق ابتکارات علم و فناوری NOAA توسعه می‌یابند [۱۰۱]. این شامل سازماندهی داده‌ها و برنامه‌ریزی مدیریت داده است که از جمله شامل تعبیه فراداده‌ها (metadata) در فایل‌ها به جای سوابق خارجی می‌شود [۱۰۱]. ابزارهای هوش مصنوعی نیز در حال توسعه هستند تا بتوانند رسانه‌ها را پردازش کرده و سوابق فراداده قوی ایجاد کنند [۱۰۱]. NOAA در حال ایجاد یک جامعه عملی برای کمک به ادغام بهتر فرمت‌ها و سبک‌های آرشیو مختلف مورد استفاده در جامعه علمی است [۱۰۱].

۶. آموزش و مسیرهای یادگیری در سنجش از دور با توجه به اهمیت رو به رشد سنجش از دور، فرصت‌های آموزشی متعددی در سطوح مختلف آکادمیک و حرفه‌ای ارائه می‌شود.

۶.۱. دوره‌های دانشگاهی و گواهینامه‌ها: دانشگاه‌ها و موسسات آموزشی مختلفی برنامه‌های تخصصی در سنجش از دور ارائه می‌دهند:

• دانشگاه فلوریدا (UF): دوره SUR 4380 “Remote Sensing” با هدف ارائه درکی از اصول علمی و مهندسی پشت سنجش از دور و وضعیت هنر در این زمینه است [۲]. این دوره شامل مباحث کلی، انتظارات حضور و غیاب، اجتناب از سرقت علمی، آداب معاشرت در فضای مجازی و راهبردهای یادگیری است [۱, ۳].
• دانشگاه فورد آتلانتیک (FAU): برنامه‌ای متشکل از سه دوره سنجش از دور ارائه می‌دهد [۱۳۵, ۳۱۹, ۳۲۵].
  • GIS 4037C & GIS 5033C: “Digital Image Analysis” (تحلیل تصویر رقومی) که دومین دوره در این مجموعه است [۱۳۴, ۱۳۵, ۳۱۹]. این دوره به اصول اولیه فناوری سنجش از دور در تحلیل‌های محیطی و شهری می‌پردازد [۱۳۵].
  • GIS 5038C: “Remote Sensing of the Environment” (سنجش از دور محیط زیست) که اولین دوره در این مجموعه است [۳۲۵].
  • GEO 6032C: “LiDAR Remote Sensing” (سنجش از دور لیدار) [۳۲۲].
  • این دوره‌ها به صورت آنلاین برگزار می‌شوند و بر پروژه‌های آزمایشگاهی عملی تأکید دارند که ۶۰ درصد نمره نهایی را تشکیل می‌دهند [۱۳۶, ۱۴۴, ۳۲۰, ۳۲۳].
• دانشگاه میشیگان (MSU onGEO): دوره آنلاین “Remote Sensing” (Geo 324) که یک دوره ۷ هفته‌ای است و برای گواهینامه حرفه‌ای GIS الزامی است [۳۱۴].
• دانشگاه ایالتی پنسیلوانیا (Penn State World Campus): گواهینامه آنلاین فارغ‌التحصیلی در “Remote Sensing and Earth Observation” را ارائه می‌دهد [۳۲۶, ۳۴۰, ۳۴۷]. این برنامه ۴ دوره و ۱۲ واحدی است که به صورت ترم‌های ۱۰ هفته‌ای برگزار می‌شود [۳۲۷]. مهارت‌های کسب‌شده شامل کار با تصاویر سنجش از دور و مدل‌های سه‌بعدی، استفاده از روش‌های محاسباتی برای تحلیل خودکار داده‌های مشاهده زمین و ادغام آنها در گردش کار GIS است [۳۲۷]. همچنین، جمع‌آوری داده و تحلیل تصاویر برای ارائه بینش‌های مکانی برای بهبود تصمیم‌گیری در تجارت، مدیریت بحران، منابع طبیعی و انرژی، برنامه‌ریزی شهری و ایمنی عمومی از اهداف این دوره است [۳۲۷]. برای این گواهینامه، داشتن دانش کاری از مفاهیم مکانی-فضایی و تجربه قبلی با ArcGIS در سطح مقدماتی الزامی است [۳۳۱].
• دانشگاه کنتیکت (UConn): گواهینامه آنلاین فارغ‌التحصیلی در “Remote Sensing & Geospatial Data Analytics” را ارائه می‌دهد [۲۴۵, ۲۴۶]. این برنامه نیز ۴ دوره و ۱۲ واحدی است که هدف آن پر کردن شکاف مهارت‌های موجود در بازار کار است [۲۴۷].
• دانشگاه آقا (AGH) در لهستان: دوره “Python for Remote Sensing” را ارائه می‌دهد که یک دوره اجباری در مطالعات چرخه دوم (فوق لیسانس) است [۳۱۵]. این دوره ۱۰ واحد ECTS دارد و شامل ۱۴۰ ساعت کلاس کارگاهی است [۳۱۶]. هدف آن کسب دانش لازم برای استفاده از زبان پایتون در پردازش داده‌های جمع‌آوری‌شده با روش‌های سنجش از دور و رابط کاربری برنامه‌های توسعه‌یافته با ابزارهای موجود است [۳۱۶].
• دانشگاه کلرادو بولدر (University of Colorado Boulder): در دانشکده مهندسی هوافضا، گواهینامه “Remote Sensing” و همچنین تمرکز بر سنجش از دور، علوم زمین و فضا (RSESS) را در برنامه‌های کارشناسی ارشد و دکترا ارائه می‌دهد [۱۷۵, ۱۷۶, ۱۷۸, ۲۳۰]. برای دانشجویان کارشناسی ارشد که از گواهینامه سنجش از دور برای تکمیل الزامات مدرک خود به جای پایان‌نامه استفاده می‌کنند، حداکثر ۲ از ۴ دوره الزامی RSESS می‌تواند برای گواهینامه حساب شود [۲۱۴]. این برنامه شامل دوره‌هایی در روش‌های تحلیل داده یا عددی، مبانی ابزار دقیق، علوم فیزیکی زمین و فضا، و آسترودینامیک یا سیستم‌های مهندسی هوافضا است [۲۱۴, ۲۱۵].

۶.۲. برنامه‌های آموزشی حرفه‌ای: علاوه بر برنامه‌های آکادمیک، سازمان‌های متعددی دوره‌های آموزشی حرفه‌ای برای متخصصان ارائه می‌دهند:

• برنامه آموزشی سنجش از دور کاربردی ناسا (NASA ARSET): برنامه‌ای خودآموز و مقدماتی است که درک اساسی از ماهواره‌ها، حسگرها، داده‌ها، ابزارها و کاربردهای ناسا در پایش و مدیریت محیطی را به شرکت‌کنندگان ارائه می‌دهد [۹]. این آموزش‌ها برای متخصصانی که تجربه قبلی در سنجش از دور ندارند، مناسب است [۹]. شرکت‌کنندگان پس از اتمام موفقیت‌آمیز، گواهینامه دریافت می‌کنند [۹]. ARSET دوره‌های آنلاین متعددی ارائه می‌دهد، از جمله “Remote Sensing for Disasters Scenarios” برای مدیریت بلایایی مانند سیل، طوفان و رانش زمین [۱۰, ۳۰۸, ۳۰۹, ۳۵۵, ۳۵۶, ۳۵۷]. این برنامه از داده‌های رایگان و باز ناسا استفاده می‌کند [۹].
• مؤسسه تحقیقاتی عمیق (Indepth Research Institute – IRES): دوره‌های آموزشی متنوعی در زمینه GIS و سنجش از دور ارائه می‌دهد، از جمله:
  • “Automated Image Processing and Analysis: Leveraging AI for Remote Sensing Applications” (پردازش و تحلیل خودکار تصویر: بهره‌گیری از هوش مصنوعی برای کاربردهای سنجش از دور) [۱۵, ۱۷, ۲۴]. این دوره ۵ روزه بر استفاده از هوش مصنوعی برای بهبود پردازش و تحلیل خودکار تصاویر در سنجش از دور تمرکز دارد [۲۴].
  • “GIS and Remote Sensing in Food Security and Climate Change” (GIS و سنجش از دور در امنیت غذایی و تغییرات اقلیمی) [۱۵۴, ۱۵۶]. این دوره ۱۰ روزه، مهارت‌های عملی در فناوری‌های GIS و سنجش از دور را برای کاربردهای کشاورزی و تغییرات اقلیمی آموزش می‌دهد [۱۶۶].
  • “GIS Mapping and Spatial Analysis in Early Warning Systems” (نقشه‌برداری GIS و تحلیل مکانی در سیستم‌های هشدار اولیه) [۱۴۸, ۱۴۹].
  • “Comprehensive GIS Data Collection, Visualization, and Mapping” (جمع‌آوری، تجسم و نقشه‌برداری جامع داده‌های GIS) [۱۴۹, ۱۵۰].
  • “GIS for Humanitarian Assistance” (GIS برای کمک‌های بشردوستانه) [۱۵۰].
  • “ArcMap, ArcGIS Pro, and ArcOnline Training Course” [۱۵۱].
  • این دوره‌ها به صورت حضوری در مکان‌های مختلف در آفریقا و دبی برگزار می‌شوند [۱۸, ۱۹, ۲۰, ۲۱, ۲۲, ۲۳, ۱۴۸, ۱۴۹, ۱۵۰, ۱۵۱, ۱۵۷, ۱۵۸, ۱۵۹, ۱۶۰, ۱۶۱, ۱۶۲, ۱۶۳, ۱۶۴, ۱۶۵].
• آزمایشگاه رباتیک دریایی و سنجش از دور دانشگاه دوک (Duke University Marine Robotics and Remote Sensing Lab): سیستمی آموزشی مدولار را توسعه داده است که بر علم، کاربردها و بهترین شیوه‌های UAS، علاوه بر الزامات قانونی و نظارتی، تمرکز دارد [۱۰۴]. هدف نهایی این سیستم آموزشی، داشتن مجموعه‌ای از بخش‌های مدولار است که می‌توانند برای مشتریان هدفمند (مانند دانشجویان کارشناسی، کارشناسی ارشد، یا اجرایی) استخراج و استفاده شوند [۱۰۴].
• Attollo LLC: دوره‌های آموزشی سفارشی UAS را توسعه و ارائه می‌دهد که نیازهای آژانس‌های دولتی را برآورده می‌کند [۱۰۳]. آموزش‌ها هم FAA Part 107 (قوانین عملیاتی UAS زیر ۵۵ پوند) و هم Joint Unmanned Aircraft Systems Minimum Training Standards را پوشش می‌دهند [۹۹, ۱۰۰, ۱۰۳].

۶.۳. گواهینامه‌های حرفه‌ای:

• برنامه‌های گواهینامه انجمن آمریکایی فتوگرامتری و سنجش از دور (ASPRS): این سازمان یک گواهینامه UAS ارائه می‌دهد [۶۱, ۱۰۵]. گواهینامه با مجوز متفاوت است؛ مجوز صلاحیت قانونی را اعطا می‌کند، در حالی که گواهینامه استاندارد بالاتری را تعیین می‌کند که نشان‌دهنده سطح استثنایی از اعتبار و تخصص است که توسط همتایان به رسمیت شناخته می‌شود [۱۰۵]. ASPRS دو سطح گواهینامه UAS (حرفه‌ای و تکنسین) را حفظ می‌کند [۱۰۵].

۶.۴. اهمیت آموزش سنجش از دور و جامعه عمل: مقاله “More than counting pixels – perspectives on the importance of remote sensing training in ecology and conservation” (بیش از شمردن پیکسل‌ها – دیدگاه‌هایی در مورد اهمیت آموزش سنجش از دور در بوم‌شناسی و حفاظت) اهمیت رویکردهای آموزشی سنجش از دور را برجسته می‌کند [۳۵۸]. این آموزش‌ها به دانشجویان در مسیر شغلی‌شان کمک کرده و نیاز به بهبود بیشتر را نشان می‌دهند [۳۵۸].

در پایان کارگاه “Drones in the Coastal Zone” (پهپادها در منطقه ساحلی)، شرکت‌کنندگان علاقه خود را به تشکیل یک تیم راهبری برای توسعه دامنه فعالیت‌های یک جامعه عملی منطقه‌ای ابراز کردند [۱۰۶]. این جامعه عملی شامل آژانس‌های دولتی، دانشگاه‌ها، صنعت و سازمان‌های حفاظت محیط زیست در جنوب شرق و کارائیب ایالات متحده خواهد بود [۱۰۶]. این نشان‌دهنده نیاز به همکاری و اشتراک‌گذاری بهترین شیوه‌ها و رویکردهای استاندارد برای استفاده از پهپادها در تحقیقات و مدیریت ساحلی است تا مقایسه در مناطق و سایت‌های مطالعاتی مختلف امکان‌پذیر شود [۸۰].

نتیجه‌گیری: سنجش از دور یک حوزه میان‌رشته‌ای حیاتی است که درک ما از زمین و توانایی ما در مدیریت منابع طبیعی و واکنش به چالش‌های زیست‌محیطی را متحول کرده است [۳۹, ۷۹]. از درک مبانی طیف الکترومغناطیس و امضاهای طیفی گرفته تا به‌کارگیری پلتفرم‌های پیشرفته مانند ماهواره‌ها و پهپادها با حسگرهای پیچیده، سنجش از دور ابزارهای بی‌نظیری را برای جمع‌آوری اطلاعات فراهم می‌کند [۱۱۹, ۸۵, ۱۲۰, ۱۲۶, ۱۲۷, ۱۲۸]. همانطور که در این فصل مشاهده شد، کاربردهای آن بسیار گسترده است، شامل پایش سلامت زیستگاه‌های ساحلی، ردیابی جمعیت حیات وحش، ارزیابی آسیب‌های ناشی از بلایا و کمک به کشاورزی دقیق و امنیت غذایی [۷۸, ۷۹, ۸۷, ۸۹, ۹۰, ۹۱, ۹۲, ۹۳, ۹۴, ۹۵, ۹۶, ۹۷, ۹۸, ۱۰۹, ۱۵۴, ۱۵۵, ۱۶۶, ۱۶۷, ۱۶۸, ۳۰۸].

علاوه بر این، ادغام هوش مصنوعی و یادگیری ماشین، به ویژه یادگیری عمیق، در پردازش و تحلیل داده‌های سنجش از دور، به طور چشمگیری توانایی‌ها را افزایش داده است، از خودکارسازی طبقه‌بندی تصویر گرفته تا پیش‌بینی‌های پیچیده مانند بازیابی بارش [۱۵, ۲۴, ۳۰, ۳۶, ۹۸, ۲۴۸, ۲۶۰, ۲۶۴, ۲۷۱, ۲۹۸]. این پیشرفت‌ها نه تنها کارایی را بهبود بخشیده‌اند، بلکه دقت و بینش‌های عملی را از مجموعه داده‌های بزرگ سنجش از دور نیز افزایش داده‌اند [۲۴, ۹۸].

با وجود مزایای فراوان، چالش‌هایی مانند هزینه، پیچیدگی قوانین و مقررات، و نیاز به قابلیت همکاری بین سیستم‌ها همچنان وجود دارد [۷۷, ۸۰]. با این حال، اهمیت آموزش و توسعه مهارت‌ها در این زمینه از طریق دوره‌های دانشگاهی، گواهینامه‌های تخصصی و برنامه‌های آموزشی حرفه‌ای تأکید می‌شود [۹, ۱۵, ۲۹, ۳۰, ۳۱, ۳۲, ۳۳, ۳۴, ۳۵, ۳۶, ۳۷, ۳۸, ۴۱, ۱۴۶, ۱۵۴, ۱۷۲, ۲۴۵, ۳۱۴, ۳۱۵, ۳۱۹, ۳۲۲, ۳۲۵, ۳۲۶, ۳۳۹, ۳۴۰, ۳۴۷, ۳۵۵, ۳۵۸]. تشکیل جوامع عملی و اشتراک‌گذاری بهترین شیوه‌ها نیز برای رشد و استانداردسازی آینده این حوزه حیاتی است [۸۰, ۱۰۱, ۱۰۶]. سنجش از دور، با تکامل مداوم فناوری و روش‌های تحلیلی، همچنان به عنوان یک نیروی محرکه برای درک بهتر سیاره ما و اتخاذ تصمیمات آگاهانه برای آینده عمل خواهد کرد.

نکات کلیدی:

• سنجش از دور: کسب اطلاعات از یک شیء یا پدیده بدون تماس فیزیکی، اغلب با استفاده از ماهواره‌ها یا تصویربرداری هوایی از زمین [۳۹, ۱۱۸, ۱۲۶].
• طیف الکترومغناطیس و امضای طیفی: اساس درک چگونگی تعامل مواد مختلف با تابش الکترومغناطیس و شناسایی آن‌ها [۱۱۹, ۱۲۷].
• انواع تفکیک‌پذیری:
  • مکانی: اندازه کوچک‌ترین جزئی که در تصویر قابل تشخیص است (مثلاً ۱ متر یا ۳۰ متر) [۱۲۲, ۱۳۰].
  • طیفی: تعداد و عرض باندهای طیفی که یک حسگر جمع‌آوری می‌کند (چندطیفی در مقابل فراطیفی) [۱۲۱, ۱۲۹].
  • زمانی: دفعات بازبینی یک منطقه توسط ماهواره (مثلاً ۱۶ روز برای Landsat) [۱۲۳, ۱۳۲].
  • رادیومتریک: توانایی حسگر در تشخیص تفاوت‌های کوچک در انرژی (مثلاً ۸ بیتی در مقابل ۱۲ بیتی) [۱۲۴, ۱۳۲].
• پلتفرم‌های سنجش از دور: شامل ماهواره‌ها (مدارهای قطبی/غیرقطبی، زمین‌ایستا)، پهپادها (مصرف‌کننده، حرفه‌ای-مصرف‌کننده، تحقیقاتی/نقشه‌برداری) و سیستم‌های زمینی [۱۱۸, ۱۲۰, ۱۲۶, ۱۲۸, ۸۲].
• حسگرهای پهپاد: شامل دوربین‌های RGB، چندطیفی، حرارتی و فراطیفی [۸۵].
• کاربردها: پایش محیطی (تالاب‌ها، آوار دریایی، کیفیت آب)، مدیریت بلایا (سیل، آتش‌سوزی، فرسایش)، کشاورزی (پایش محصول، امنیت غذایی)، و مدیریت حیات وحش (شمارش حیوانات) [۶۸, ۸۷, ۸۹, ۹۰, ۹۱, ۹۲, ۹۳, ۹۴, ۹۵, ۹۶, ۹۸, ۱۰۹, ۱۵۴, ۱۶۷, ۱۶۸, ۳۰۸, ۳۰۹].
• پردازش و تحلیل داده: شامل تحلیل تصویر رقومی (بهبود تصویر، فیلترینگ، طبقه‌بندی، صحه‌گذاری زمینی) [۱۳۸, ۱۳۹, ۳۳۹] و ادغام GIS (QGIS, ArcGIS) [۱۱, ۳۱, ۳۴, ۳۷, ۳۸, ۳۳۹].
• هوش مصنوعی و یادگیری ماشین: استفاده از شبکه‌های عصبی (MLP, U-Net)، گرادیان کاهشی، و تکنیک‌های تنظیم (weight decay) برای پردازش خودکار تصویر، بازیابی اطلاعات و بهبود دقت [۱۵, ۲۴, ۹۸, ۲۴۸, ۲۵۴, ۲۵۷, ۲۶۰, ۲۶۱, ۲۶۴, ۲۷۱, ۲۷۵, ۲۸۸, ۲۹۸].
• آموزش و توسعه مهارت: دسترسی به دوره‌های دانشگاهی (UF, FAU, Penn State, UConn, MSU, CU Boulder, AGH)، برنامه‌های آموزشی حرفه‌ای (NASA ARSET, IRES, Attollo LLC)، و گواهینامه‌ها (ASPRS) برای توسعه متخصصان سنجش از دور [۹, ۱۵, ۲۹, ۳۰, ۳۱, ۳۲, ۳۳, ۳۴, ۳۵, ۳۶, ۳۷, ۳۸, ۴۱, ۱۴۶, ۱۵۴, ۱۷۲, ۲۴۵, ۳۱۴, ۳۱۵, ۳۱۹, ۳۲۲, ۳۲۵, ۳۲۶, ۳۳۹, ۳۴۰, ۳۴۷, ۳۵۵, ۳۵۸].
• چالش‌ها: هزینه، قوانین پیچیده، و نیاز به قابلیت همکاری بین ابزارها و سازمان‌ها [۷۷, ۸۰].

سوالات تفکر برانگیز:

1. چگونه پیشرفت‌های آتی در هوش مصنوعی و یادگیری ماشین می‌توانند کاربردهای سنجش از دور را فراتر از پایش و طبقه‌بندی فعلی گسترش دهند؟ آیا این امر می‌تواند به مدل‌های پیش‌بینی‌کننده دقیق‌تری منجر شود؟
2. با توجه به پیچیدگی قوانین و مقررات مربوط به استفاده از پهپادها در مناطق مختلف (مانند منطقه ساحلی)، چه گام‌هایی می‌توان برای استانداردسازی و ساده‌سازی این چارچوب‌ها برای تسهیل کاربرد گسترده‌تر سنجش از دور برداشت؟
3. آیا مدل‌های آموزشی فعلی در سنجش از دور (اعم از دانشگاهی و حرفه‌ای) به اندازه کافی بر جنبه‌های اخلاقی و حریم خصوصی جمع‌آوری داده‌ها توسط پهپادها و ماهواره‌ها تأکید دارند؟ چگونه می‌توان آگاهی و مهارت‌ها را در این زمینه افزایش داد؟
4. با وجود داده‌های رایگان و باز ناسا و سایر سازمان‌ها، هزینه بالای پهپادهای نقشه‌برداری با کیفیت بالا و نرم‌افزارهای پردازش تصویر همچنان یک مانع است. چه استراتژی‌هایی می‌توانند برای کاهش این موانع مالی و دموکراتیزه کردن دسترسی به فناوری سنجش از دور پیشرفته به کار گرفته شوند؟
5. چگونه “جامعه عمل” پیشنهاد شده برای پهپادها در منطقه ساحلی می‌تواند به طور مؤثر تبادل دانش و بهترین شیوه‌ها را ترویج دهد و به چالش‌های مشترک در پایش و مدیریت محیطی بپردازد؟ چه نمونه‌های موفقی از چنین جوامعی را می‌توان برای سنجش از دور گسترده‌تر ایجاد کرد؟

---

 

فصل ۱: پنجره‌ای به جهان از دوردست – اصول، کاربردها و آموزش‌های سنجش از دور

چکیده: سنجش از دور، به عنوان یک فناوری کلیدی در عصر اطلاعات، فرآیند کسب اطلاعات در مورد یک شیء یا پدیده بدون تماس فیزیکی با آن است [۳۹, ۱۱۸, ۱۲۶]. این فصل به بررسی جامع اصول علمی و مهندسی پشت سنجش از دور می‌پردازد و درک جامعی از وضعیت هنر در این حوزه را ارائه می‌دهد [۲]. ما تعریف سنجش از دور، طیف الکترومغناطیس و امضاهای طیفی را بررسی خواهیم کرد که اساس درک ما از داده‌های جمع‌آوری‌شده از پلتفرم‌های مختلف را تشکیل می‌دهند [۱۱۹, ۱۲۷]. این پلتفرم‌ها شامل ماهواره‌ها، هواپیماها (از جمله پهپادها) و سیستم‌های زمینی می‌شوند [۱۱۸, ۱۲۶]. جزئیات انواع تفکیک‌پذیری (مکانی، طیفی، زمانی، رادیومتریک) که کیفیت داده‌های سنجش از دور را تعیین می‌کنند، مورد بحث قرار خواهد گرفت [۱۲۰, ۱۲۱, ۱۲۲, ۱۲۳, ۱۲۴, ۱۲۸, ۱۲۹, ۱۳۰, ۱۳۱, ۱۳۲, ۱۳۳]. بخش مهمی از این فصل به کاربردهای گسترده سنجش از دور در زمینه‌هایی مانند پایش محیطی، مدیریت منابع طبیعی، مدیریت بلایا، کشاورزی دقیق و مطالعات تغییرات اقلیمی اختصاص دارد [۹, ۶۸, ۸۷, ۸۸, ۹۰, ۹۱, ۹۲, ۹۳, ۹۴, ۹۵, ۹۶, ۹۷, ۹۸, ۱۰۹, ۱۵۴, ۱۵۵, ۱۶۶, ۱۶۷, ۱۶۸, ۳۰۸, ۳۰۹, ۳۱۰, ۳۱۱]. علاوه بر این، نقش هوش مصنوعی و یادگیری ماشین در پردازش و تحلیل خودکار تصاویر سنجش از دور، از جمله شبکه‌های عصبی و یادگیری عمیق، مورد تأکید قرار خواهد گرفت [۱۵, ۲۴, ۳۰, ۳۶, ۹۸, ۱۵۴, ۱۵۵, ۱۶۷, ۱۶۸, ۲۴۸, ۲۶۰, ۲۶۴, ۲۷۱, ۲۹۸]. در نهایت، این فصل به بررسی فرصت‌های آموزشی و مسیرهای یادگیری در سنجش از دور می‌پردازد، از دوره‌های دانشگاهی و گواهینامه‌های تخصصی گرفته تا برنامه‌های آموزشی پیشرفته [۹, ۱۵, ۲۴, ۲۹, ۳۰, ۳۱, ۳۲, ۳۳, ۳۴, ۳۵, ۳۶, ۳۷, ۳۸, ۴۱, ۱۴۶, ۱۴۸, ۱۴۹, ۱۵۰, ۱۵۱, ۱۵۴, ۱۵۶, ۱۵۷, ۱۵۸, ۱۵۹, ۱۶۰, ۱۶۱, ۱۶۲, ۱۶۳, ۱۶۴, ۱۶۵, ۱۶۶, ۱۶۷, ۱۶۸, ۱۷۰, ۱۷۲, ۱۸۴, ۱۸۵, ۱۸۸, ۱۹۲, ۲۱۴, ۲۱۵, ۲۱۷, ۲۱۹, ۲۲۰, ۲۲۳, ۲۲۴, ۲۲۵, ۲۲۸, ۲۲۹, ۲۳۰, ۲۳۱, ۲۳۲, ۲۳۳, ۲۳۴, ۲۳۷, ۲۴۵, ۲۴۶, ۲۴۷, ۳۱۴, ۳۱۵, ۳۱۶, ۳۱۹, ۳۲۲, ۳۲۵, ۳۲۶, ۳۲۷, ۳۲۸, ۳۲۹, ۳۳۰, ۳۳۱, ۳۳۲, ۳۳۳, ۳۳۷, ۳۳۹, ۳۴۰, ۳۴۷, ۳۵۵, ۳۵۶, ۳۵۷, ۳۵۸, ۳۵۹, ۳۶۰, ۳۶۱, ۳۶۲, ۳۶۳, ۳۶۴].

مقدمه: در دنیای امروز که داده‌ها به سرعت در حال رشد هستند، توانایی جمع‌آوری اطلاعات دقیق و به‌روز در مورد محیط اطرافمان، بدون نیاز به تماس فیزیکی مستقیم، اهمیت بی‌سابقه‌ای یافته است [۳۹, ۷۹]. اینجاست که علم و فناوری سنجش از دور وارد می‌شود [۳۹, ۱۱۸, ۱۲۶]. سنجش از دور (Remote Sensing)، روشی برای کسب اطلاعات در مورد اجسام یا پدیده‌ها از فاصله دور است [۳۹, ۱۱۸, ۱۲۶]. عکاسی یک شکل بسیار رایج از سنجش از دور محسوب می‌شود [۱۱۸, ۱۲۶]. در اغلب موارد، سنجش از دور به مشاهده و کسب اطلاعات درباره زمین، اغلب توسط ماهواره یا تصویربرداری هوایی اشاره دارد [۳۹]. این حوزه شامل اصول علمی و مهندسی است که امکان درک و به‌کارگیری این فناوری پیشرفته را فراهم می‌آورد [۲].

هدف این دوره، آشنایی دانشجویان با اصول علمی و مهندسی پشت سنجش از دور و ارائه درکی از وضعیت هنر در این حوزه است [۲]. با استفاده از سنجش از دور، دانشمندان و سازمان‌ها می‌توانند بینش‌هایی را درباره اشیاء مورد مشاهده خود برای مطالعات علمی به دست آورند [۳۹]. این فناوری به ما امکان می‌دهد تا با استفاده از عکاسی و ویدئو، چیزهای بسیار بیشتری را نسبت به آنچه که می‌توان از روی زمین مشاهده کرد، ببینیم [۳۹]. همچنین می‌توانیم از دوربین‌های خاص برای مشاهده تغییرات تابش و دما یا از سونار برای اندازه‌گیری فواصل از کف اقیانوس تا سطح استفاده کنیم [۳۹].

رشد بی‌سابقه در استفاده از فناوری‌های حسگر ماهواره‌ای، هواپایه و پهپاد برای شناسایی و طبقه‌بندی اشیاء روی زمین، نحوه انجام کسب‌وکار در سراسر جهان را متحول کرده است [۲۴۶]. این فناوری‌های مکانی-فضایی، همه‌چیز را از ردیابی طوفان‌ها، زمین‌لرزه‌ها و فرسایش گرفته تا برنامه‌ریزی شهری، متحول می‌کنند [۲۴۶]. در نتیجه، تقاضای زیادی در بسیاری از صنایع برای متخصصانی با مهارت‌های لازم برای تولید تحلیل‌های هوشمندانه از داده‌های سنجش از دور برای حل مشکلات دنیای واقعی، ایجاد شده است [۲۴۶]. این تقاضا به ویژه در بخش‌های تجاری و دولتی مشهود است [۲۴۶]. این فصل به کاوش در این موضوعات می‌پردازد و راهنمای جامعی برای درک و به‌کارگیری سنجش از دور ارائه می‌دهد.

۱. سنجش از دور چیست؟ سنجش از دور اساساً فرآیند جمع‌آوری اطلاعات از یک شیء یا پدیده بدون تماس فیزیکی مستقیم با آن است [۳۹, ۱۱۸, ۱۲۶]. این مفهوم گسترده‌ای است که شامل بسیاری از روش‌های جمع‌آوری داده می‌شود. عکاسی، به عنوان مثال، یک شکل بسیار رایج و قابل دسترس از سنجش از دور است [۱۱۸, ۱۲۶]. با این حال، دامنه سنجش از دور فراتر از آنچه چشم انسان می‌تواند ببیند، گسترش می‌یابد. در زمینه علوم زمین، سنجش از دور معمولاً به مشاهده و کسب اطلاعات درباره زمین اشاره دارد که اغلب توسط ماهواره‌ها یا سیستم‌های تصویربرداری هوایی (مانند هواپیماها و پهپادها) انجام می‌شود [۳۹, ۱۱۸, ۱۲۶].

اساس کار سنجش از دور بر پایه طیف الکترومغناطیس استوار است [۱۱۹, ۱۲۷]. طیف الکترومغناطیس شامل کل محدوده فرکانس‌های موج است که مشخص‌کننده تابش خورشیدی هستند [۱۱۹, ۱۲۷]. اگرچه ما درباره نور صحبت می‌کنیم، اما بیشتر طیف الکترومغناطیس توسط چشم انسان قابل تشخیص نیست [۱۱۹, ۱۲۷]. حتی آشکارسازهای ماهواره‌ای نیز تنها بخش کوچکی از کل طیف الکترومغناطیس را ثبت می‌کنند [۱۱۹, ۱۲۷].

نکته کلیدی در سنجش از دور این است که مواد مختلف، طول موج‌های مختلف تابش الکترومغناطیس را منعکس و جذب می‌کنند [۱۱۹, ۱۲۷]. با بررسی طول موج‌های منعکس‌شده که توسط یک حسگر شناسایی می‌شوند، می‌توان نوع ماده‌ای که تابش از آن منعکس شده است را تعیین کرد [۱۱۹, ۱۲۷]. این ویژگی به عنوان امضای طیفی شناخته می‌شود [۱۱۹, ۱۲۷]. به عنوان مثال، در یک نمودار، می‌توان رابطه بین درصد بازتاب و طول موج‌های بازتابی اجزای مختلف سطح زمین، مانند برف و یخ، ابرها، پوشش گیاهی برگ‌پهن، پوشش گیاهی سوزنی‌برگ، خاک خشک، خاک مرطوب، آب کدر و آب شفاف را مقایسه کرد [۱۱۹, ۱۲۷]. این امضاهای طیفی به ما امکان می‌دهند تا اشیاء و پدیده‌ها را بر اساس پاسخ طیفی منحصربه‌فردشان شناسایی و طبقه‌بندی کنیم.

پلتفرم‌های سنجش از دور به سه دسته اصلی تقسیم می‌شوند:

• پلتفرم‌های زمینی (Ground-Based): اینها شامل حسگرهایی هستند که بر روی زمین نصب شده‌اند، مانند رادارها یا دوربین‌های ثابت که داده‌ها را از یک نقطه جمع‌آوری می‌کنند [۱۱۸, ۱۲۶].
• پلتفرم‌های هوایی (Airborne): شامل حسگرهایی هستند که بر روی هواپیماها یا پهپادها نصب شده‌اند [۱۱۸, ۱۲۶, ۷۹]. این پلتفرم‌ها انعطاف‌پذیری بیشتری در زمان‌بندی جمع‌آوری داده و تفکیک‌پذیری مکانی بالاتر نسبت به ماهواره‌ها ارائه می‌دهند [۷۷, ۸۴].
• پلتفرم‌های فضایی (Spaceborne): شامل ماهواره‌هایی هستند که در مدارهای مختلف به دور زمین می‌چرخند و داده‌ها را در مقیاس جهانی جمع‌آوری می‌کنند [۱۱۸, ۱۲۰, ۱۲۶, ۱۲۸].

هر روش جمع‌آوری داده و هر حسگر، بسته به کاربرد مورد نظر، متفاوت عمل می‌کند [۱۱۸, ۱۲۶]. این تنوع در پلتفرم‌ها و حسگرها، سنجش از دور را به ابزاری قدرتمند و چندمنظوره برای پایش و مدیریت محیط زیست تبدیل کرده است.

۲. ویژگی‌های کلیدی داده‌های سنجش از دور: انواع تفکیک‌پذیری کیفیت و کاربری داده‌های سنجش از دور به چهار نوع اصلی از تفکیک‌پذیری بستگی دارد [۱۲۰, ۱۲۸]. طراحی حسگر و پیکربندی مدار ماهواره، بر تفکیک‌پذیری‌های مختلف تأثیر می‌گذارد [۱۲۱, ۱۲۲, ۱۲۳, ۱۲۴, ۱۲۹, ۱۳۰, ۱۳۱, ۱۳۲, ۱۳۳].

۲.۱. تفکیک‌پذیری مکانی (Spatial Resolution): تفکیک‌پذیری مکانی به مساحت سطح زمینی اشاره دارد که یک پیکسل را در تصویر تشکیل می‌دهد [۱۲۲, ۱۳۰]. این معمولاً به عنوان یک مقدار واحد نشان داده می‌شود که طول یک ضلع مربع را بیان می‌کند [۱۲۲, ۱۳۰]. هرچه تفکیک‌پذیری مکانی بالاتر باشد، مساحت کمتری توسط یک پیکسل واحد پوشش داده می‌شود [۱۲۲, ۱۳۰]. به عنوان مثال، یک تصویر با تفکیک‌پذیری ۱ متر، جزئیات بیشتری را نسبت به یک تصویر با تفکیک‌پذیری ۳۰ متر نشان می‌دهد [۱۲۲, ۱۳۰]. با تفکیک‌پذیری مکانی بالاتر، حتی می‌توان اشیاء کوچک‌تر از یک پیکسل را نیز تشخیص داد [۱۲۲, ۱۳۰]. حسگرهای مختلف دارای تفکیک‌پذیری مکانی متفاوتی هستند:

• DigitalGlobe و دیگران: کمتر از ۱ متر تا ۴ متر [۱۲۳, ۱۳۱]
• Landsat: ۳۰ متر [۱۲۳, ۱۳۱]
• MODIS: ۲۵۰ متر تا ۱ کیلومتر [۱۲۳, ۱۳۱]
• GPM IMERG: تقریباً ۱۰ کیلومتر [۱۲۳, ۱۳۱] به طور کلی، هرچه تفکیک‌پذیری مکانی بالاتر باشد، مساحت کمتری توسط یک تصویر واحد پوشش داده می‌شود [۱۲۳, ۱۳۱]. به عنوان مثال، MODIS (با تفکیک‌پذیری ۲۵۰ متر تا ۱ کیلومتر) منطقه وسیع‌تری را پوشش می‌دهد در حالی که Landsat OLI (با تفکیک‌پذیری ۳۰ متر) منطقه کوچک‌تری را با جزئیات بیشتر پوشش می‌دهد [۱۲۳, ۱۳۱].

۲.۲. تفکیک‌پذیری طیفی (Spectral Resolution): تفکیک‌پذیری طیفی به تعداد و عرض نوارهای طیفی حسگر اشاره دارد [۱۲۱, ۱۲۹]. هرچه تفکیک‌پذیری طیفی بالاتر باشد، محدوده طول موج برای یک کانال یا باند معین، باریک‌تر است [۱۲۱, ۱۲۹]. کانال‌های طیفی بیشتر و دقیق‌تر، امکان سنجش از دور بخش‌های مختلف سطح زمین را فراهم می‌کنند [۱۲۱, ۱۲۹]. به طور معمول:

• تصاویر چندطیفی (Multispectral): به ۳ تا ۱۰ باند اشاره دارند [۱۲۱, ۱۲۹]. این حسگرها شامل RGB (قرمز، سبز، آبی) در جمع‌آوری خود هستند، اما باندهای اضافی مانند مادون قرمز نزدیک (NIR) یا لبه قرمز (RE) را نیز ارائه می‌دهند که برای ارزیابی سلامت پوشش گیاهی مفید هستند [۸۵]. بسیاری از این دوربین‌ها دارای حسگر نور روز و گزینه کالیبراسیون رادیومتریک هستند که به عادی‌سازی جمع‌آوری داده‌ها بدون توجه به شرایط نوری کمک می‌کند [۸۵].
• تصاویر فراطیفی (Hyperspectral): شامل صدها یا هزاران باند (یعنی تفکیک‌پذیری طیفی بالاتر) هستند [۱۲۱, ۱۲۹]. حسگرهای فراطیفی فشرده اکنون در دسترس هستند که می‌توانند به هواپیماهای مولتی‌روتور بزرگ‌تر (به دلیل محدودیت‌های وزن بار) متصل شوند، که به کاربران امکان جمع‌آوری صدها تا هزاران باند طیفی را می‌دهند [۸۵].
• پَنکروماتیک (Panchromatic): یک باند وسیع واحد است که طیف وسیعی از طول موج‌ها را جمع‌آوری می‌کند [۱۲۱, ۱۲۹].

۲.۳. تفکیک‌پذیری زمانی (Temporal Resolution): تفکیک‌پذیری زمانی به مدت زمانی اشاره دارد که یک ماهواره برای تکمیل یک چرخه مداری نیاز دارد، که به آن “زمان بازبینی” نیز می‌گویند [۱۲۳, ۱۳۲]. این ویژگی به قابلیت‌های ماهواره/حسگر، همپوشانی مسیرها و عرض جغرافیایی بستگی دارد [۱۲۳, ۱۳۲]. برخی از ماهواره‌ها تفکیک‌پذیری زمانی بالاتری دارند زیرا می‌توانند حسگرهای خود را مانور دهند یا همپوشانی بیشتری در عرض‌های جغرافیایی بالاتر داشته باشند [۱۲۳, ۱۳۲]. مثال‌هایی از زمان بازبینی حسگرها:

• Landsat: ۱۶ روز [۱۲۴, ۱۳۲]
• MODIS: ۲ روز [۱۲۴, ۱۳۲]
• تجاری (OrbView): ۱ تا ۲ روز [۱۲۴, ۱۳۲]

۲.۴. تفکیک‌پذیری رادیومتریک (Radiometric Resolution): تفکیک‌پذیری رادیومتریک، توانایی یک حسگر را در تشخیص تفاوت‌ها در انرژی (یا تابش) توصیف می‌کند [۱۲۴, ۱۳۲]. هرچه تفکیک‌پذیری رادیومتریک بهتر باشد، حسگر نسبت به تفاوت‌های کوچک در انرژی حساس‌تر است [۱۲۴, ۱۳۲]. هرچه این عدد بزرگ‌تر باشد، تفکیک‌پذیری رادیومتریک بالاتر و تصویر واضح‌تر خواهد بود [۱۲۴, ۱۳۲]. مثال‌هایی از تفکیک‌پذیری رادیومتریک:

• حسگر ۱۲ بیتی، ۴۰۹۶ سطح: Landsat OLI [۱۲۴, ۱۳۲]
• حسگر ۱۰ بیتی، ۱۰۲۴ سطح: AVHRR [۱۲۴, ۱۳۲]
• حسگر ۸ بیتی، ۲۵۶ سطح: Landsat TM [۱۲۴, ۱۳۲]
• حسگر ۶ بیتی، ۶۴ سطح: Landsat MSS [۱۲۵, ۱۳۳] تصاویر نشان می‌دهند که چگونه یک صحنه با سطوح مختلف تفکیک‌پذیری رادیومتریک (۲ بیتی، ۴ بیتی و ۸ بیتی) ظاهر می‌شود؛ هرچه بیت‌ها بیشتر باشند، جزئیات ظریف‌تر قابل مشاهده هستند [۱۲۵, ۱۳۳].

۳. پلتفرم‌ها و حسگرهای سنجش از دور جمع‌آوری داده‌های سنجش از دور به پلتفرم‌های مختلفی بستگی دارد که حسگرها را حمل می‌کنند. این پلتفرم‌ها می‌توانند زمینی، هوایی یا فضایی باشند و هر کدام ویژگی‌ها و کاربردهای خاص خود را دارند [۱۱۸, ۱۲۶].

۳.۱. ماهواره‌ها: ماهواره‌ها پلتفرم‌های فضایی هستند که اطلاعات را از مدار به دور زمین جمع‌آوری می‌کنند. ویژگی‌های ماهواره شامل موارد زیر است:

• مدارها: ماهواره‌ها می‌توانند در مدارهای قطبی/غیرقطبی یا مدار زمین‌ایستا قرار گیرند [۱۲۰, ۱۲۸]. ماهواره‌های زمین‌ایستا در ارتفاعات بالا نسبت به یک نقطه ثابت روی زمین قرار می‌گیرند و برای پایش مداوم یک منطقه خاص مفید هستند [۱۲۰, ۱۲۸].
• منبع انرژی: حسگرها می‌توانند منفعل (Passive) یا فعال (Active) باشند [۱۲۰, ۱۲۸]. حسگرهای منفعل، تابش منعکس‌شده از خورشید را اندازه‌گیری می‌کنند (مانند دوربین‌های اپتیکال)، در حالی که حسگرهای فعال، تابش خود را به سمت زمین می‌فرستند و بازتاب آن را اندازه‌گیری می‌کنند (مانند رادار) [۱۲۰, ۱۲۸].
• طیف خورشیدی و زمینی: حسگرهای ماهواره‌ای در بخش‌های مختلف طیف الکترومغناطیس مانند مرئی، فرابنفش، فروسرخ و مایکروویو عمل می‌کنند [۱۲۰, ۱۲۸]. دوربین‌های حرارتی (مادون قرمز میان‌موج و بلندموج) با حسگر RGB جفت می‌شوند و امکان ثبت همزمان هر دو مجموعه تصویر را فراهم می‌کنند [۸۵].
• تکنیک اندازه‌گیری: شامل اسکنینگ، غیر اسکنینگ، تصویربرداری (Imager) و سوندینگ (Sounders) است [۱۲۰, ۱۲۸].
• کاربرد: ماهواره‌ها برای کاربردهای متعددی مانند پیش‌بینی آب و هوا، پایش رنگ اقیانوس، نقشه‌برداری زمینی، کیفیت هوا و بودجه تابش استفاده می‌شوند [۱۲۰, ۱۲۸].

۳.۲. پهپادها (Uncrewed Aircraft Systems – UAS): پهپادها، که با نام‌های Unoccupied Aircraft Systems (سیستم‌های هواپیمای بدون سرنشین) یا Remotely Piloted Aircraft Systems (سیستم‌های هواپیمای هدایت‌پذیر از راه دور) نیز شناخته می‌شوند، به طور فزاینده‌ای در دسترس قرار گرفته‌اند و حسگرها و بارهای مفید آن‌ها قادر به جمع‌آوری ویدئوهای با وضوح بالا و همچنین تصاویر ثابت در باندهای رنگی، حرارتی یا چندطیفی هستند [۷۹]. پهپادها ابزارهای فزاینده مقرون‌به‌صرفه‌ای برای تحقیق و ارزیابی مناطق ساحلی هستند [۷۷]. پهپادها مزایای مهمی را ارائه می‌دهند:

• مقرون‌به‌صرفه بودن (Affordability): ارزان و با قیمت مناسب [۸۰]. با این حال، سیستم‌های پهپاد تجاری ممکن است فاقد دوام یا عملکرد لازم برای کاربردهای علمی یا نقشه‌برداری باشند [۸۰]. پهپادهای نقشه‌برداری با حسگرهای پیشرفته و بارهای مفید می‌توانند بسیار پرهزینه باشند و ابزارهای نرم‌افزاری برای تفسیر و پردازش تصویر نیز ممکن است گران باشند [۸۰].
• فوریت (Immediacy): باعث درگیری مستقیم و فوری می‌شود [۸۰].
• کارایی (Efficiency): دستیابی به حداکثر بهره‌وری با حداقل تلاش یا هزینه هدررفته [۸۰].
• کیفیت (Quality): استاندارد نتایج پروژه نسبت به روش‌های دیگر؛ درجه تعالی [۸۰].
• ایمنی (Safety): محافظت در برابر خطر، ریسک یا آسیب به محققان، سوژه‌های مورد مطالعه و محیط‌های عملیاتی آن‌ها [۸۰].

انواع پهپادها بر اساس کیفیت ساخت و ابزار دقیق تعبیه‌شده:

• پهپادهای مصرف‌کننده (Consumer Drones): دارای دوام کمتر، گزینه‌های محدود برای بارهای قابل تعویض و سیستم‌های موقعیت‌یابی با دقت پایین هستند [۸۲]. وزن سبک (کمتر از ۱ کیلوگرم) و زمان پرواز تقریباً ۲۰ دقیقه [۸۴]. کاربرد بهینه برای بازرسی/نظارت و نقشه‌برداری پایه [۸۴]. هزینه کمتر از ۲ هزار دلار [۸۴]. مهارت خلبانی: مبتدی [۸۴].
• سیستم‌های حرفه‌ای-مصرف‌کننده (Prosumer Systems): دارای دوام ارتقاءیافته و قابلیت‌های حسگر بهتر هستند، اما هنوز توانایی سفارشی‌سازی حسگرهای مستقرشده را ندارند [۸۲]. وزن سبک (۱ تا ۲ کیلوگرم) و زمان پرواز ۲۵ تا ۳۰ دقیقه [۸۴]. کاربرد بهینه برای نقشه‌برداری دقیق [۸۵]. هزینه می‌تواند با گزینه‌های اضافی (RTK، حسگر چندطیفی) بیشتر باشد، بین ۲ تا ۷ هزار دلار [۸۴]. مهارت خلبانی: مبتدی تا متوسط [۸۴].
• سیستم‌های تحقیقاتی/نقشه‌برداری (Research/Survey-Grade Systems): دارای سیستم‌های موقعیت‌یابی با دقت بالا (مانند تصحیح Real Time Kinematic یا RTK) و توانایی پرواز با چندین حسگر تحقیقاتی هستند [۸۲]. وزن آن‌ها در نوع روتاری متوسط تا سنگین (۵ تا ۲۰ کیلوگرم) و در نوع بال ثابت سبک (کمتر از ۳ کیلوگرم) است [۸۴]. زمان پرواز در نوع روتاری ۱۰ تا ۳۰ دقیقه و در نوع بال ثابت ۴۵ تا ۹۰ دقیقه است [۸۴]. کاربرد بهینه در نوع روتاری برای فیلم‌برداری حرفه‌ای، سیستم‌های چندحسگره و بارهای تخصصی (لیدار، هایپراسپکترال) و در نوع بال ثابت برای نقشه‌برداری دقیق [۸۵]. هزینه این سیستم‌ها بالاتر است، بین ۱۰ تا ۲۰ هزار دلار با حسگرهای استاندارد [۸۴]. مهارت خلبانی: متوسط تا پیشرفته [۸۴].

بارهای مفید حسگر پهپادها: بارهای مفید حسگر پهپادها پیشرفت‌های چشمگیری داشته‌اند و انواع مختلفی از حسگرها برای استفاده با پهپادها به صورت داخلی یا به صورت اتصالات یا اصلاحات سفارشی در دسترس هستند [۸۵].

• دوربین‌های نوری RGB (قرمز، سبز، آبی): حسگر اصلی و پایه‌ای هستند که تصاویر یا ویدئوهای استاندارد را ثبت می‌کنند [۸۵]. بیشتر حسگرهای استاندارد RGB، حتی آنهایی که داخلی هستند، اکنون دارای وضوح بالا هستند و می‌توانند برای تولید ارتوموزائیک‌های (orthomosaics) دوخته‌شده و مدل‌های سطح سه‌بعدی در صورت جمع‌آوری با برنامه‌های پروازی مناسب استفاده شوند [۸۵].
• حسگرهای چندطیفی (Multispectral): شامل RGB در جمع‌آوری خود هستند، اما باندهای اضافی مانند مادون قرمز نزدیک (NIR) یا لبه قرمز (RE) را ارائه می‌دهند که برای ارزیابی سلامت پوشش گیاهی مفید هستند [۸۵]. بسیاری از این دوربین‌ها دارای حسگر نور روز و گزینه کالیبراسیون رادیومتریک هستند که به عادی‌سازی جمع‌آوری داده‌ها بدون توجه به شرایط نوری کمک می‌کند [۸۵].
• دوربین‌های حرارتی (Thermal Cameras): (مادون قرمز میان‌موج و بلندموج) با حسگر RGB جفت می‌شوند و امکان ثبت همزمان هر دو مجموعه تصویر را فراهم می‌کنند [۸۵]. هواپیماهای مولتی‌روتور کوچک با بار مفید دو حسگر می‌توانند فید ویدئوی زنده با ویدئوی سیاه و سفید با وضوح بالا که با امضاهای حرارتی پوشش داده شده است، ارائه دهند [۸۵].
• حسگرهای فراطیفی فشرده (Compact Hyperspectral Sensors): اکنون در دسترس هستند که می‌توانند به هواپیماهای مولتی‌روتور بزرگ‌تر (به دلیل محدودیت‌های وزن بار) متصل شوند و به کاربران امکان جمع‌آوری صدها تا هزاران باند طیفی را می‌دهند [۸۵].

۴. کاربردهای سنجش از دور سنجش از دور به دلیل توانایی‌اش در جمع‌آوری داده‌های مکانی-زمانی دقیق و جامع، در طیف وسیعی از حوزه‌ها کاربرد دارد. افزایش جمعیت در حوضه‌های آبریز ساحلی طی دهه‌های گذشته، استفاده از اکوسیستم‌های ساحلی و خورها را افزایش داده، اما همچنین فشارهای بیشتری را بر این منابع طبیعی وارد کرده است [۷۹, ۸۷]. مدیران ساحلی به ابزارهایی نیاز دارند که تصاویر با وضوح بالا، داده‌های مشتق‌شده و تجسم‌ها را به سرعت، به طور مکرر و با دقت بالا ارائه دهند تا وضعیت محیطی و زیستگاه را ارزیابی کنند، تأثیرات ناشی از خطرات ساحلی را تشخیص دهند و جمعیت‌های حیات وحش و جوامع بیولوژیکی را مستند و پایش کنند [۷۷, ۸۷].

۴.۱. پایش کیفیت محیطی و وضعیت زیستگاه: بیش از نیمی از شرکت‌کنندگان در یک کارگاه سنجش از دور، پایش کیفیت محیطی و وضعیت زیستگاه را به عنوان اولویت اصلی شناسایی کردند [۷۸, ۸۷].

• پایش تالاب‌ها و زیستگاه‌های حساس: به طور سنتی، پایش زیستگاه‌های ساحلی از تصاویر هوایی (هلیکوپتر یا هواپیما)، تصاویر ماهواره‌ای یا تیم‌های میدانی با قایق یا روی زمین استفاده می‌کرد [۸۸]. پایش هوایی منابع زیادی را مصرف می‌کند و امکان پایش مکرر را نمی‌دهد [۸۸]. پایش زمینی می‌تواند زیستگاه‌های حساس مانند تپه‌های شنی، باتلاق‌های نمکی و صخره‌های صدف را به طور منفی تحت تأثیر قرار دهد [۸۸]. پهپادها برای پایش باتلاق‌ها، صخره‌های صدف و مانگروها، و همچنین کیفیت محیطی خطوط ساحلی بسیار مفید هستند [۸۹].
• تصویربرداری جامع از مناطق وسیع: مشاهده هوایی برای پایش کیفیت محیطی و وضعیت زیستگاه در مناطق ساحلی استفاده می‌شود، زیرا UAS می‌تواند تصاویر جامعی از سایت‌ها در مناطق وسیع (به عنوان مثال، چندین کیلومتر مربع) را ثبت کند [۸۹].
• شناسایی جلبک‌های سمی: استفاده از داده‌های فراطیفی برای شناسایی جلبک‌های سمی [۹۳].
• ارزیابی وضعیت پوشش گیاهی: استفاده از داده‌های چندطیفی برای ارزیابی فصلی و پس از طوفان وضعیت پوشش گیاهی باتلاق [۹۳].
• ردیابی تغییرات ساحلی: تحقیقات از UAS برای مستندسازی سرنوشت رسوبات لایروبی‌شده در بازسازی زیستگاه‌های باتلاقی استفاده می‌کند [۹۰]. با استفاده از پهپادها و تحلیل تصاویر، می‌توان تغییرات ارتفاع از جمله تپه‌های شنی طبیعی و مصنوعی و راه‌های عبور از تپه‌ها را با دقت ۲۵ سانتی‌متر شناسایی کرد [۹۰]. این تکنیک برای پایش از دست رفتن موانع شنی در طول زمان و تخمین طول عمر آن‌ها استفاده می‌شود [۹۰].
• تخمین زیست‌توده (Biomass) گیاهی: استفاده از UAS در پایش علف باتلاقی Spartina و پیشرفت‌های تکنولوژی در تخمین معیارهای زیست‌توده پوشش گیاهی [۹۱]. با استفاده از DJI Matrice 210 با دوربین Micasense Altum ۶ باندی، محققان توانسته‌اند زیست‌توده Spartina alterniflora را در گرجستان ساحلی نقشه‌برداری کنند [۹۱]. مدل رگرسیونی توسعه‌یافته از پروازها می‌تواند برای پایش باتلاق‌های مجاور و پاسخ سریع به کاهش باتلاق اعمال شود [۹۱].
• بازسازی پوشش گیازی پس از طوفان: پهپادها برای تشخیص تغییرات و بازیابی پوشش گیاهی در مناطق دورافتاده پورتوریکو پس از طوفان‌ها، پیشرفت‌هایی را ممکن ساخته‌اند [۹۲]. با استفاده از فتوگرامتری UAS با DJI Phantoms II و III مجهز به دوربین RGB، تغییرات پوشش زمین و ترکیب گیاهی پس از طوفان به مدت ۱۲ ماه پایش شد [۹۲].

۴.۲. مدیریت گونه‌ها و حیات وحش: مدیریت گونه‌ها و حیات وحش (ارزیابی فراوانی حیوانات) دومین اولویت شرکت‌کنندگان در کارگاه بود [۷۸, ۸۷].

• پایش گاوهای دریایی (Manatees): پهپادها ابزار بسیار مفیدی برای پایش گاوهای دریایی در آب‌های خلیج جوبوس با هزینه نسبتاً پایین و منافع بالا هستند [۹۶]. این تلاش منجر به شناسایی ۱۳۶ گاو دریایی، از جمله تشخیص گوساله‌ها و حیوانات دارای زخم قایق شد. رفتارهای تنفسی نیز پایش شدند [۹۶].
• ارزیابی وضعیت بدنی مهر و موم‌ها (Grey Seals): کاربرد UAS و تحلیل فتوگرامتری Structure from Motion برای ارزیابی وضعیت بدنی مهر و موم‌های خاکستری در شرق کانادا [۹۷]. این روش می‌تواند راهی سریع و غیرتهاجمی برای انجام چنین ارزیابی‌هایی باشد [۹۷].
• شمارش خودکار جمعیت پرندگان دریایی: کاربرد تکنیک‌های یادگیری عمیق برای تخمین چگالی و فراوانی آلباتروس‌های ابرومشکی و پنگوئن‌های راک‌هاپر در جزایر فالکلند [۹۸]. تصاویر پهپادی از پلتفرم‌های بال ثابت و مولتی‌کوپتر استفاده شد. شبکه‌های عصبی پیچشی (CNN) برای شناسایی پرندگان منفرد و تخمین چگالی و فراوانی در چندین کلونی استفاده شده است [۹۸]. این تکنیک‌ها پتانسیل زیادی برای پایش پرندگان دریایی در کلونی‌های بزرگ و از نظر مکانی پیچیده دارند، با دقت ۹۷.۶۶% در تشخیص و شمارش صحیح پرندگان و ۸۷.۱۶% در شمارش خودکار با انحراف کمتر از ۵% از شمارش دستی [۹۸]. نتایج نشان می‌دهد که روش‌های CNN ابزاری قابل دوام برای ارزیابی جمعیت هستند و فرصت‌هایی برای کاهش کار دستی، هزینه و خطای انسانی فراهم می‌کنند [۹۸].
• پایش زیستگاه‌های پرندگان ساحلی: پایش زیستگاه‌های لانه سازی پرندگان ساحلی دورافتاده و با دسترسی دشوار [۹۳].

۴.۳. ارزیابی خطرات و آسیب‌های ساحلی: ارزیابی خطرات و آسیب‌های ساحلی (مانند فرسایش، مدیریت آتش‌سوزی، و آوار دریایی) نیز یک اولویت مهم بود [۷۸, ۸۷].

• فرسایش و مدیریت آتش‌سوزی: شناسایی الزامات پایگاه‌های نظامی در زمینه‌های مدیریت منابع، فرسایش خطوط ساحلی و مدیریت آتش‌سوزی که می‌توانند از کاربردهای UAS بهره‌مند شوند [۹۵]. آزمایش‌ها بهبود کارایی نقشه‌برداری UAS برای نقشه‌برداری فرسایش پس از طوفان‌ها، پایش آتش‌سوزی و ردیابی حیات وحش را ارزیابی کردند [۹۵].
• آوار دریایی: آوار دریایی در محیط‌های اقیانوسی ساحلی تأثیر منفی بر منابع طبیعی دارد [۹۴]. تشخیص و شناسایی آوار و ارتباط آن با زیستگاه‌ها یا مناطق حساس، اولین گام برای ارزیابی تأثیرات و اولویت‌بندی تلاش‌های حذف است [۹۴]. پهپادها در تلاش‌های تشخیص و شناسایی آوار دریایی کمک می‌کنند [۹۴].
• مدیریت بلایا: برنامه آموزشی ناسا ARSET دوره‌هایی مانند “Remote Sensing for Disasters Scenarios” را برای مدیریت سیل، طوفان‌ها و رانش زمین ارائه می‌دهد [۳۰۸, ۳۰۹]. همچنین به استفاده از پهپادها برای کاهش خطر بلایای سیل، ارزیابی و بازیابی پس از آن اشاره شده است [۳۱۱].

۴.۴. کشاورزی و امنیت غذایی: سنجش از دور نقش حیاتی در کشاورزی ایفا می‌کند.

• نقشه‌برداری و پایش محصول: نقشه‌برداری از کاربری اراضی کشاورزی و انواع محصولات و استفاده از GIS برای پایش سلامت محصول و پیش‌بینی عملکرد [۱۶۷].
• مدل‌های رشد محصول: این دوره پوشش داده‌های SAR (رادار دهانه ترکیبی)، چندطیفی، فراطیفی و حرارتی ماهواره‌ای، و همچنین نمونه‌برداری داده‌های درون‌جا (in-situ) و ارزیابی دقت، مدل‌های رشد محصول، مدل‌های مبتنی بر داده و مدل‌های ترکیبی را پوشش خواهد داد [۱۱۰].
• مطالعات موردی: پایش تولید گندم در هند با استفاده از سنجش از دور و GIS [۱۶۷].
• امنیت غذایی و تغییرات اقلیمی: استفاده از GIS برای ارزیابی عوامل خطر امنیت غذایی و نقشه‌برداری از ناامنی غذایی و شناسایی جمعیت‌های در معرض خطر [۱۶۸]. تحلیل روند تغییرات اقلیمی در طول زمان با استفاده از ابزارهای سنجش از دور [۱۶۸]. مطالعات موردی مانند پایش عقب‌نشینی یخچال‌ها در آلپ [۱۶۸].

۵. پردازش و تحلیل داده‌های سنجش از دور جمع‌آوری داده‌ها تنها نیمی از فرآیند است؛ تحلیل و استخراج اطلاعات معنادار از این داده‌ها به همان اندازه حیاتی است. این بخش به ابزارها و تکنیک‌های مورد استفاده در پردازش و تحلیل داده‌های سنجش از دور می‌پردازد.

۵.۱. تحلیل تصویر رقومی: پردازش تصاویر رقومی شامل تکنیک‌های مختلفی برای بهبود، تحلیل و طبقه‌بندی تصاویر سنجش از دور است [۱۵, ۲۴, ۱۳۵].

• بهبود تصویر: تکنیک‌هایی مانند کشش درصدی (Percentage Stretch)، کشش انحراف معیار (Standard Deviation Stretch) و کشش قطعه‌ای (Piecewise Stretch) برای بهبود کنتراست و وضوح تصویر استفاده می‌شوند [۱۳۸].
• فیلترینگ مکانی: مفهوم پنجره متحرک، فیلترینگ فرکانس پایین و بالا، و تشخیص لبه‌ها برای برجسته‌سازی ویژگی‌های خاص یا حذف نویز در تصاویر استفاده می‌شود [۱۳۸].
• نسبت‌گیری تصویر و شاخص‌های گیاهی: تکنیک‌هایی مانند نسبت‌گیری ۲ باند و شاخص‌های تفاوت نرمال‌شده (Normalized Difference Indexing) برای برجسته‌سازی اطلاعات خاص از باندهای طیفی مختلف به کار می‌روند. شاخص‌های گیاهی (Vegetation Indices) مانند VARI (Visible Atmospherically Resistant Index) برای تأکید بر پوشش گیاهی استفاده می‌شوند [۹۲, ۱۳۸].
• طبقه‌بندی تصویر: شامل طبقه‌بندی نظارت‌شده و نظارت‌نشده است [۱۳۹, ۳۳۹].
  • طبقه‌بندی نظارت‌نشده (Unsupervised Classification): در آن الگوریتم‌ها به طور خودکار گروه‌های پیکسلی مشابه را بر اساس ویژگی‌های طیفی‌شان شناسایی می‌کنند.
  • طبقه‌بندی نظارت‌شده (Supervised Classification): نیاز به نمونه‌های آموزشی (training samples) از انواع پوشش زمین شناخته شده دارد. روش‌هایی مانند حداقل فاصله (Minimum Distance Classification)، طبقه‌بندی بافت (Textural Classification)، حداکثر احتمال (Maximum Likelihood Classifier) و طبقه‌بندی فازی (Fuzzy Classification) از جمله تکنیک‌های مورد استفاده هستند [۱۳۹].
• تحلیل مؤلفه‌های اصلی (Principal Components Analysis – PCA): یک تکنیک آماری برای کاهش ابعاد داده‌ها و شناسایی الگوهای اصلی در آن‌ها است [۱۳۹].
• استخراج ویژگی و بافت تصویر (Feature Extraction using spatial frequency and image texture): برای شناسایی و استخراج ویژگی‌های معنادار از تصاویر [۱۳۹].
• صحه‌گذاری زمینی و ارزیابی دقت (Ground Truthing and Accuracy Assessment): برای تأیید صحت نتایج طبقه‌بندی و نقشه‌برداری با داده‌های جمع‌آوری‌شده از میدان [۱۳۹, ۳۳۹].

۵.۲. هوش مصنوعی (AI) و یادگیری ماشین (Machine Learning) در سنجش از دور: هوش مصنوعی (AI) و یادگیری ماشین (ML) به طور فزاینده‌ای برای بهبود پردازش و تحلیل خودکار تصاویر در کاربردهای سنجش از دور مورد استفاده قرار می‌گیرند [۱۵, ۲۴].

• مدل‌ها و وظایف: یادگیری ماشین در سنجش از دور از مدل‌های مختلفی مانند Auto Encoder، Random Forests، Gradient-boosted Trees، K-means clustering و Bayesian Neural Network استفاده می‌کند. وظایف شامل خوشه‌بندی (Clustering) هستند [۲۴۸].
• شبکه‌های عصبی (Neural Networks – NN): در PyTorch، شبکه‌های عصبی برای مدل‌سازی روابط پیچیده بین داده‌های ورودی و خروجی استفاده می‌شوند [۲۶۰]. می‌توان از لایه‌های خطی (nn.Linear) و توابع فعال‌سازی غیرخطی (nn.ReLU) برای ساخت شبکه‌های عصبی با لایه‌های پنهان استفاده کرد [۲۶۲].
• بهینه‌سازی (Optimization):
  • گرادیان کاهشی (Gradient Descent – GD): یک طرح بهینه‌سازی عمومی است که با یک حدس اولیه برای مقدار بهینه شروع می‌شود، گرادیان را محاسبه می‌کند و سپس در جهت مخالف گرادیان حرکت می‌کند [۲۵۴].
  • گرادیان کاهشی تصادفی (Stochastic Gradient Descent – SGD): برای مقابله با نیاز GD به تکرار بر روی تمام داده‌های آموزشی برای محاسبه یک مرحله بهینه‌سازی، SGD از یک زیرمجموعه تصادفی از داده‌های آموزشی استفاده می‌کند [۲۵۷].
• توابع زیان (Loss Functions): تابع زیان تعیین می‌کند که مدل چه چیزی را یاد می‌گیرد. برای طبقه‌بندی، مدل‌ها معمولاً برای پیش‌بینی احتمالات آموزش داده می‌شوند [۲۹۲]. MSE (Mean Squared Error) یک تابع زیان رایج است [۲۶۱, ۲۶۲, ۲۷۲].
• تعدیل نرخ یادگیری (Learning Rate Schedules): آموزش شبکه‌های عصبی عموماً از کاهش نرخ یادگیری در طول زمان بهره می‌برد [۲۸۱]. رویکردهای رایج شامل Cosine Annealing با راه‌اندازی مجدد هستند [۲۸۲].
• تنظیم و تعمیم (Regularization and Generalization): برای جلوگیری از بیش‌برازش (Overfitting)، تکنیک‌هایی مانند کاهش وزن (Weight Decay) (که به عنوان نرمال‌سازی L2 نیز شناخته می‌شود) یا Dropout (به طور تصادفی بخش‌هایی از مدل را حذف می‌کند) استفاده می‌شوند [۲۸۸].
• پردازش خودکار تصاویر: دوره آموزشی IRES بر استفاده از AI برای بهبود پردازش و تحلیل خودکار تصاویر در کاربردهای سنجش از دور تمرکز دارد [۱۵, ۲۴]. شرکت‌کنندگان یاد می‌گیرند چگونه فناوری‌های AI می‌توانند پردازش داده‌های سنجش از دور را ساده کنند، دقت را بهبود بخشند و بینش‌های عملی تولید کنند [۲۴]. این دوره تکنیک‌ها و ابزارهای AI و ادغام آن‌ها در گردش کارهای سنجش از دور را پوشش می‌دهد [۲۴].
• پایش بارش: استفاده از شبکه‌های عصبی (MLP و U-Net) برای بازیابی بارش از مشاهدات ماهواره‌ای (سنسور GMI) [۲۶۴, ۲۷۱, ۲۹۸, ۳۰۲, ۳۰۴]. داده‌ها قبل از ورود به شبکه عصبی نرمال‌سازی می‌شوند [۲۶۹]. معماری U-Net شامل یک رمزگذار (encoder) است که اندازه تصویر را به تدریج کوچک می‌کند تا ویژگی‌های سطح بالا را از داده‌های ورودی استخراج کند، و یک رمزگشا (decoder) که این ویژگی‌ها را به اندازه ورودی بازمی‌گرداند. خروجی‌های هر مرحله رمزگذار به ورودی‌های مرحله رمزگشای مربوطه اضافه می‌شوند و اتصالات پرشی (skip connections) را تشکیل می‌دهند [۲۹۸].

۵.۳. سیستم‌های اطلاعات جغرافیایی (GIS) و ابزارهای مرتبط: GIS ابزار قدرتمندی برای مدیریت، تحلیل و تجسم داده‌های مکانی است که به طور جدایی‌ناپذیری با سنجش از دور مرتبط است [۳۱, ۳۳, ۳۴, ۳۵, ۳۷, ۳۸, ۱۴۶, ۱۴۷, ۱۴۸, ۱۴۹, ۱۵۰, ۱۵۱, ۱۵۲, ۱۵۴, ۱۵۵, ۱۶۶, ۱۶۷, ۱۶۸, ۱۷۰, ۳۲۷].

• QGIS: یک سیستم اطلاعات جغرافیایی منبع باز و رایگان (Free and Open Source Geographic Information System) است [۱۱]. دوره‌هایی برای سنجش از دور با QGIS وجود دارد که به دانشجویان آموزش می‌دهد چگونه تحلیل‌ها و رویه‌های مختلف سنجش از دور را با QGIS به کار ببرند [۳۳۹]. این شامل نمایش باندهای طیفی به صورت ترکیبات رنگ واقعی و رنگ کاذب، محاسبه شاخص‌های طیفی، طبقه‌بندی نظارت‌شده و نظارت‌نشده، و ارزیابی دقت طبقه‌بندی است [۳۳۹].
• ArcGIS: یکی از پرکاربردترین نرم‌افزارهای GIS است و در دوره‌های مختلف آموزش داده می‌شود [۳۱, ۳۴, ۳۷, ۳۸, ۱۵۱]. مهارت‌های مرتبط شامل تجزیه و تحلیل مکانی، داده‌پردازی مکانی، نقشه‌برداری مکانی-فضایی و مدیریت داده‌ها است [۳۱, ۳۴, ۳۷, ۳۸].
• PostGIS: برای مدیریت حجم بالای داده در محیط‌های GIS استفاده می‌شود [۱۲].
• Google Earth Engine: یک پلتفرم قدرتمند برای تجزیه و تحلیل داده‌های سنجش از دور در مقیاس بزرگ است [۳۴۱].
• Esri: منابع آموزشی ارائه می‌دهد، از جمله MOOC “Imagery in Action” و “Introduction to Imagery and Remote Sensing” [۳۴۱].

۵.۴. مدیریت و آرشیو داده‌ها: سازمان‌هایی مانند NOAA با افزایش تصاعدی داده‌های رقومی مواجه هستند [۱۰۱]. استراتژی‌هایی برای مدیریت داده‌ها از طریق ابتکارات علم و فناوری NOAA توسعه می‌یابند [۱۰۱]. این شامل سازماندهی داده‌ها و برنامه‌ریزی مدیریت داده است که از جمله شامل تعبیه فراداده‌ها (metadata) در فایل‌ها به جای سوابق خارجی می‌شود [۱۰۱]. ابزارهای هوش مصنوعی نیز در حال توسعه هستند تا بتوانند رسانه‌ها را پردازش کرده و سوابق فراداده قوی ایجاد کنند [۱۰۱]. NOAA در حال ایجاد یک جامعه عملی برای کمک به ادغام بهتر فرمت‌ها و سبک‌های آرشیو مختلف مورد استفاده در جامعه علمی است [۱۰۱].

۶. آموزش و مسیرهای یادگیری در سنجش از دور با توجه به اهمیت رو به رشد سنجش از دور، فرصت‌های آموزشی متعددی در سطوح مختلف آکادمیک و حرفه‌ای ارائه می‌شود.

۶.۱. دوره‌های دانشگاهی و گواهینامه‌ها: دانشگاه‌ها و موسسات آموزشی مختلفی برنامه‌های تخصصی در سنجش از دور ارائه می‌دهند:

• دانشگاه فلوریدا (UF): دوره SUR 4380 “Remote Sensing” با هدف ارائه درکی از اصول علمی و مهندسی پشت سنجش از دور و وضعیت هنر در این زمینه است [۲]. این دوره شامل مباحث کلی، انتظارات حضور و غیاب، اجتناب از سرقت علمی، آداب معاشرت در فضای مجازی و راهبردهای یادگیری است [۱, ۳].
• دانشگاه فورد آتلانتیک (FAU): برنامه‌ای متشکل از سه دوره سنجش از دور ارائه می‌دهد [۱۳۵, ۳۱۹, ۳۲۵].
  • GIS 4037C & GIS 5033C: “Digital Image Analysis” (تحلیل تصویر رقومی) که دومین دوره در این مجموعه است [۱۳۴, ۱۳۵, ۳۱۹]. این دوره به اصول اولیه فناوری سنجش از دور در تحلیل‌های محیطی و شهری می‌پردازد [۱۳۵].
  • GIS 5038C: “Remote Sensing of the Environment” (سنجش از دور محیط زیست) که اولین دوره در این مجموعه است [۳۲۵].
  • GEO 6032C: “LiDAR Remote Sensing” (سنجش از دور لیدار) [۳۲۲].
  • این دوره‌ها به صورت آنلاین برگزار می‌شوند و بر پروژه‌های آزمایشگاهی عملی تأکید دارند که ۶۰ درصد نمره نهایی را تشکیل می‌دهند [۱۳۶, ۱۴۴, ۳۲۰, ۳۲۳].
• دانشگاه میشیگان (MSU onGEO): دوره آنلاین “Remote Sensing” (Geo 324) که یک دوره ۷ هفته‌ای است و برای گواهینامه حرفه‌ای GIS الزامی است [۳۱۴].
• دانشگاه ایالتی پنسیلوانیا (Penn State World Campus): گواهینامه آنلاین فارغ‌التحصیلی در “Remote Sensing and Earth Observation” را ارائه می‌دهد [۳۲۶, ۳۴۰, ۳۴۷]. این برنامه ۴ دوره و ۱۲ واحدی است که به صورت ترم‌های ۱۰ هفته‌ای برگزار می‌شود [۳۲۷]. مهارت‌های کسب‌شده شامل کار با تصاویر سنجش از دور و مدل‌های سه‌بعدی، استفاده از روش‌های محاسباتی برای تحلیل خودکار داده‌های مشاهده زمین و ادغام آنها در گردش کار GIS است [۳۲۷]. همچنین، جمع‌آوری داده و تحلیل تصاویر برای ارائه بینش‌های مکانی برای بهبود تصمیم‌گیری در تجارت، مدیریت بحران، منابع طبیعی و انرژی، برنامه‌ریزی شهری و ایمنی عمومی از اهداف این دوره است [۳۲۷]. برای این گواهینامه، داشتن دانش کاری از مفاهیم مکانی-فضایی و تجربه قبلی با ArcGIS در سطح مقدماتی الزامی است [۳۳۱].
• دانشگاه کنتیکت (UConn): گواهینامه آنلاین فارغ‌التحصیلی در “Remote Sensing & Geospatial Data Analytics” را ارائه می‌دهد [۲۴۵, ۲۴۶]. این برنامه نیز ۴ دوره و ۱۲ واحدی است که هدف آن پر کردن شکاف مهارت‌های موجود در بازار کار است [۲۴۷].
• دانشگاه آقا (AGH) در لهستان: دوره “Python for Remote Sensing” را ارائه می‌دهد که یک دوره اجباری در مطالعات چرخه دوم (فوق لیسانس) است [۳۱۵]. این دوره ۱۰ واحد ECTS دارد و شامل ۱۴۰ ساعت کلاس کارگاهی است [۳۱۶]. هدف آن کسب دانش لازم برای استفاده از زبان پایتون در پردازش داده‌های جمع‌آوری‌شده با روش‌های سنجش از دور و رابط کاربری برنامه‌های توسعه‌یافته با ابزارهای موجود است [۳۱۶].
• دانشگاه کلرادو بولدر (University of Colorado Boulder): در دانشکده مهندسی هوافضا، گواهینامه “Remote Sensing” و همچنین تمرکز بر سنجش از دور، علوم زمین و فضا (RSESS) را در برنامه‌های کارشناسی ارشد و دکترا ارائه می‌دهد [۱۷۵, ۱۷۶, ۱۷۸, ۲۳۰]. برای دانشجویان کارشناسی ارشد که از گواهینامه سنجش از دور برای تکمیل الزامات مدرک خود به جای پایان‌نامه استفاده می‌کنند، حداکثر ۲ از ۴ دوره الزامی RSESS می‌تواند برای گواهینامه حساب شود [۲۱۴]. این برنامه شامل دوره‌هایی در روش‌های تحلیل داده یا عددی، مبانی ابزار دقیق، علوم فیزیکی زمین و فضا، و آسترودینامیک یا سیستم‌های مهندسی هوافضا است [۲۱۴, ۲۱۵].

۶.۲. برنامه‌های آموزشی حرفه‌ای: علاوه بر برنامه‌های آکادمیک، سازمان‌های متعددی دوره‌های آموزشی حرفه‌ای برای متخصصان ارائه می‌دهند:

• برنامه آموزشی سنجش از دور کاربردی ناسا (NASA ARSET): برنامه‌ای خودآموز و مقدماتی است که درک اساسی از ماهواره‌ها، حسگرها، داده‌ها، ابزارها و کاربردهای ناسا در پایش و مدیریت محیطی را به شرکت‌کنندگان ارائه می‌دهد [۹]. این آموزش‌ها برای متخصصانی که تجربه قبلی در سنجش از دور ندارند، مناسب است [۹]. شرکت‌کنندگان پس از اتمام موفقیت‌آمیز، گواهینامه دریافت می‌کنند [۹]. ARSET دوره‌های آنلاین متعددی ارائه می‌دهد، از جمله “Remote Sensing for Disasters Scenarios” برای مدیریت بلایایی مانند سیل، طوفان و رانش زمین [۱۰, ۳۰۸, ۳۰۹, ۳۵۵, ۳۵۶, ۳۵۷]. این برنامه از داده‌های رایگان و باز ناسا استفاده می‌کند [۹].
• مؤسسه تحقیقاتی عمیق (Indepth Research Institute – IRES): دوره‌های آموزشی متنوعی در زمینه GIS و سنجش از دور ارائه می‌دهد، از جمله:
  • “Automated Image Processing and Analysis: Leveraging AI for Remote Sensing Applications” (پردازش و تحلیل خودکار تصویر: بهره‌گیری از هوش مصنوعی برای کاربردهای سنجش از دور) [۱۵, ۱۷, ۲۴]. این دوره ۵ روزه بر استفاده از هوش مصنوعی برای بهبود پردازش و تحلیل خودکار تصاویر در سنجش از دور تمرکز دارد [۲۴].
  • “GIS and Remote Sensing in Food Security and Climate Change” (GIS و سنجش از دور در امنیت غذایی و تغییرات اقلیمی) [۱۵۴, ۱۵۶]. این دوره ۱۰ روزه، مهارت‌های عملی در فناوری‌های GIS و سنجش از دور را برای کاربردهای کشاورزی و تغییرات اقلیمی آموزش می‌دهد [۱۶۶].
  • “GIS Mapping and Spatial Analysis in Early Warning Systems” (نقشه‌برداری GIS و تحلیل مکانی در سیستم‌های هشدار اولیه) [۱۴۸, ۱۴۹].
  • “Comprehensive GIS Data Collection, Visualization, and Mapping” (جمع‌آوری، تجسم و نقشه‌برداری جامع داده‌های GIS) [۱۴۹, ۱۵۰].
  • “GIS for Humanitarian Assistance” (GIS برای کمک‌های بشردوستانه) [۱۵۰].
  • “ArcMap, ArcGIS Pro, and ArcOnline Training Course” [۱۵۱].
  • این دوره‌ها به صورت حضوری در مکان‌های مختلف در آفریقا و دبی برگزار می‌شوند [۱۸, ۱۹, ۲۰, ۲۱, ۲۲, ۲۳, ۱۴۸, ۱۴۹, ۱۵۰, ۱۵۱, ۱۵۷, ۱۵۸, ۱۵۹, ۱۶۰, ۱۶۱, ۱۶۲, ۱۶۳, ۱۶۴, ۱۶۵].
• آزمایشگاه رباتیک دریایی و سنجش از دور دانشگاه دوک (Duke University Marine Robotics and Remote Sensing Lab): سیستمی آموزشی مدولار را توسعه داده است که بر علم، کاربردها و بهترین شیوه‌های UAS، علاوه بر الزامات قانونی و نظارتی، تمرکز دارد [۱۰۴]. هدف نهایی این سیستم آموزشی، داشتن مجموعه‌ای از بخش‌های مدولار است که می‌توانند برای مشتریان هدفمند (مانند دانشجویان کارشناسی، کارشناسی ارشد، یا اجرایی) استخراج و استفاده شوند [۱۰۴].
• Attollo LLC: دوره‌های آموزشی سفارشی UAS را توسعه و ارائه می‌دهد که نیازهای آژانس‌های دولتی را برآورده می‌کند [۱۰۳]. آموزش‌ها هم FAA Part 107 (قوانین عملیاتی UAS زیر ۵۵ پوند) و هم Joint Unmanned Aircraft Systems Minimum Training Standards را پوشش می‌دهند [۹۹, ۱۰۰, ۱۰۳].

۶.۳. گواهینامه‌های حرفه‌ای:

• برنامه‌های گواهینامه انجمن آمریکایی فتوگرامتری و سنجش از دور (ASPRS): این سازمان یک گواهینامه UAS ارائه می‌دهد [۶۱, ۱۰۵]. گواهینامه با مجوز متفاوت است؛ مجوز صلاحیت قانونی را اعطا می‌کند، در حالی که گواهینامه استاندارد بالاتری را تعیین می‌کند که نشان‌دهنده سطح استثنایی از اعتبار و تخصص است که توسط همتایان به رسمیت شناخته می‌شود [۱۰۵]. ASPRS دو سطح گواهینامه UAS (حرفه‌ای و تکنسین) را حفظ می‌کند [۱۰۵].

۶.۴. اهمیت آموزش سنجش از دور و جامعه عمل: مقاله “More than counting pixels – perspectives on the importance of remote sensing training in ecology and conservation” (بیش از شمردن پیکسل‌ها – دیدگاه‌هایی در مورد اهمیت آموزش سنجش از دور در بوم‌شناسی و حفاظت) اهمیت رویکردهای آموزشی سنجش از دور را برجسته می‌کند [۳۵۸]. این آموزش‌ها به دانشجویان در مسیر شغلی‌شان کمک کرده و نیاز به بهبود بیشتر را نشان می‌دهند [۳۵۸].

در پایان کارگاه “Drones in the Coastal Zone” (پهپادها در منطقه ساحلی)، شرکت‌کنندگان علاقه خود را به تشکیل یک تیم راهبری برای توسعه دامنه فعالیت‌های یک جامعه عملی منطقه‌ای ابراز کردند [۱۰۶]. این جامعه عملی شامل آژانس‌های دولتی، دانشگاه‌ها، صنعت و سازمان‌های حفاظت محیط زیست در جنوب شرق و کارائیب ایالات متحده خواهد بود [۱۰۶]. این نشان‌دهنده نیاز به همکاری و اشتراک‌گذاری بهترین شیوه‌ها و رویکردهای استاندارد برای استفاده از پهپادها در تحقیقات و مدیریت ساحلی است تا مقایسه در مناطق و سایت‌های مطالعاتی مختلف امکان‌پذیر شود [۸۰].

نتیجه‌گیری: سنجش از دور یک حوزه میان‌رشته‌ای حیاتی است که درک ما از زمین و توانایی ما در مدیریت منابع طبیعی و واکنش به چالش‌های زیست‌محیطی را متحول کرده است [۳۹, ۷۹]. از درک مبانی طیف الکترومغناطیس و امضاهای طیفی گرفته تا به‌کارگیری پلتفرم‌های پیشرفته مانند ماهواره‌ها و پهپادها با حسگرهای پیچیده، سنجش از دور ابزارهای بی‌نظیری را برای جمع‌آوری اطلاعات فراهم می‌کند [۱۱۹, ۸۵, ۱۲۰, ۱۲۶, ۱۲۷, ۱۲۸]. همانطور که در این فصل مشاهده شد، کاربردهای آن بسیار گسترده است، شامل پایش سلامت زیستگاه‌های ساحلی، ردیابی جمعیت حیات وحش، ارزیابی آسیب‌های ناشی از بلایا و کمک به کشاورزی دقیق و امنیت غذایی [۷۸, ۷۹, ۸۷, ۸۹, ۹۰, ۹۱, ۹۲, ۹۳, ۹۴, ۹۵, ۹۶, ۹۸, ۱۰۹, ۱۵۴, ۱۵۵, ۱۶۶, ۱۶۷, ۱۶۸, ۳۰۸].

علاوه بر این، ادغام هوش مصنوعی و یادگیری ماشین، به ویژه یادگیری عمیق، در پردازش و تحلیل داده‌های سنجش از دور، به طور چشمگیری توانایی‌ها را افزایش داده است، از خودکارسازی طبقه‌بندی تصویر گرفته تا پیش‌بینی‌های پیچیده مانند بازیابی بارش [۱۵, ۲۴, ۳۰, ۳۶, ۹۸, ۲۴۸, ۲۶۰, ۲۶۴, ۲۷۱, ۲۹۸]. این پیشرفت‌ها نه تنها کارایی را بهبود بخشیده‌اند، بلکه دقت و بینش‌های عملی را از مجموعه داده‌های بزرگ سنجش از دور نیز افزایش داده‌اند [۲۴, ۹۸].

با وجود مزایای فراوان، چالش‌هایی مانند هزینه، پیچیدگی قوانین و مقررات، و نیاز به قابلیت همکاری بین سیستم‌ها همچنان وجود دارد [۷۷, ۸۰]. با این حال، اهمیت آموزش و توسعه مهارت‌ها در این زمینه از طریق دوره‌های دانشگاهی، گواهینامه‌های تخصصی و برنامه‌های آموزشی حرفه‌ای تأکید می‌شود [۹, ۱۵, ۲۹, ۳۰, ۳۱, ۳۲, ۳۳, ۳۴, ۳۵, ۳۶, ۳۷, ۳۸, ۴۱, ۱۴۶, ۱۵۴, ۱۷۲, ۲۴۵, ۳۱۴, ۳۱۵, ۳۱۹, ۳۲۲, ۳۲۵, ۳۲۶, ۳۳۹, ۳۴۰, ۳۴۷, ۳۵۵, ۳۵۸]. تشکیل جوامع عملی و اشتراک‌گذاری بهترین شیوه‌ها نیز برای رشد و استانداردسازی آینده این حوزه حیاتی است [۸۰, ۱۰۱, ۱۰۶]. سنجش از دور، با تکامل مداوم فناوری و روش‌های تحلیلی، همچنان به عنوان یک نیروی محرکه برای درک بهتر سیاره ما و اتخاذ تصمیمات آگاهانه برای آینده عمل خواهد کرد.

نکات کلیدی:

• سنجش از دور: کسب اطلاعات از یک شیء یا پدیده بدون تماس فیزیکی، اغلب با استفاده از ماهواره‌ها یا تصویربرداری هوایی از زمین [۳۹, ۱۱۸, ۱۲۶].
• طیف الکترومغناطیس و امضای طیفی: اساس درک چگونگی تعامل مواد مختلف با تابش الکترومغناطیس و شناسایی آن‌ها [۱۱۹, ۱۲۷].
• انواع تفکیک‌پذیری:
  • مکانی: اندازه کوچک‌ترین جزئی که در تصویر قابل تشخیص است (مثلاً ۱ متر یا ۳۰ متر) [۱۲۲, ۱۳۰].
  • طیفی: تعداد و عرض باندهای طیفی که یک حسگر جمع‌آوری می‌کند (چندطیفی در مقابل فراطیفی) [۱۲۱, ۱۲۹].
  • زمانی: دفعات بازبینی یک منطقه توسط ماهواره (مثلاً ۱۶ روز برای Landsat) [۱۲۳, ۱۳۲].
  • رادیومتریک: توانایی حسگر در تشخیص تفاوت‌های کوچک در انرژی (مثلاً ۸ بیتی در مقابل ۱۲ بیتی) [۱۲۴, ۱۳۲].
• پلتفرم‌های سنجش از دور: شامل ماهواره‌ها (مدارهای قطبی/غیرقطبی، زمین‌ایستا)، پهپادها (مصرف‌کننده، حرفه‌ای-مصرف‌کننده، تحقیقاتی/نقشه‌برداری) و سیستم‌های زمینی [۱۱۸, ۱۲۰, ۱۲۶, ۱۲۸, ۸۲].
• حسگرهای پهپاد: شامل دوربین‌های RGB، چندطیفی، حرارتی و فراطیفی [۸۵].
• کاربردها: پایش محیطی (تالاب‌ها، آوار دریایی، کیفیت آب)، مدیریت بلایا (سیل، آتش‌سوزی، فرسایش)، کشاورزی (پایش محصول، امنیت غذایی)، و مدیریت حیات وحش (شمارش حیوانات) [۶۸, ۸۷, ۸۹, ۹۰, ۹۱, ۹۲, ۹۳, ۹۴, ۹۵, ۹۶, ۹۸, ۱۰۹, ۱۵۴, ۱۶۷, ۱۶۸, ۳۰۸, ۳۰۹].
• پردازش و تحلیل داده: شامل تحلیل تصویر رقومی (بهبود تصویر، فیلترینگ، طبقه‌بندی، صحه‌گذاری زمینی) [۱۳۸, ۱۳۹, ۳۳۹] و ادغام GIS (QGIS, ArcGIS) [۱۱, ۳۱, ۳۴, ۳۷, ۳۸, ۳۳۹].
• هوش مصنوعی و یادگیری ماشین: استفاده از شبکه‌های عصبی (MLP, U-Net)، گرادیان کاهشی، و تکنیک‌های تنظیم (weight decay) برای پردازش خودکار تصویر، بازیابی اطلاعات و بهبود دقت [۱۵, ۲۴, ۹۸, ۲۴۸, ۲۵۴, ۲۵۷, ۲۶۰, ۲۶۱, ۲۶۴, ۲۷۱, ۲۷۵, ۲۸۸, ۲۹۸].
• آموزش و توسعه مهارت: دسترسی به دوره‌های دانشگاهی (UF, FAU, Penn State, UConn, MSU, CU Boulder, AGH)، برنامه‌های آموزشی حرفه‌ای (NASA ARSET, IRES, Attollo LLC)، و گواهینامه‌ها (ASPRS) برای توسعه متخصصان سنجش از دور [۹, ۱۵, ۲۹, ۳۰, ۳۱, ۳۲, ۳۳, ۳۴, ۳۵, ۳۶, ۳۷, ۳۸, ۴۱, ۱۴۶, ۱۵۴, ۱۷۲, ۲۴۵, ۳۱۴, ۳۱۵, ۳۱۹, ۳۲۲, ۳۲۵, ۳۲۶, ۳۳۹, ۳۴۰, ۳۴۷, ۳۵۵, ۳۵۸].
• چالش‌ها: هزینه، قوانین پیچیده، و نیاز به قابلیت همکاری بین ابزارها و سازمان‌ها [۷۷, ۸۰].

سوالات تفکر برانگیز:

1. چگونه پیشرفت‌های آتی در هوش مصنوعی و یادگیری ماشین می‌توانند کاربردهای سنجش از دور را فراتر از پایش و طبقه‌بندی فعلی گسترش دهند؟ آیا این امر می‌تواند به مدل‌های پیش‌بینی‌کننده دقیق‌تری منجر شود؟
2. با توجه به پیچیدگی قوانین و مقررات مربوط به استفاده از پهپادها در مناطق مختلف (مانند منطقه ساحلی)، چه گام‌هایی می‌توان برای استانداردسازی و ساده‌سازی این چارچوب‌ها برای تسهیل کاربرد گسترده‌تر سنجش از دور برداشت؟
3. آیا مدل‌های آموزشی فعلی در سنجش از دور (اعم از دانشگاهی و حرفه‌ای) به اندازه کافی بر جنبه‌های اخلاقی و حریم خصوصی جمع‌آوری داده‌ها توسط پهپادها و ماهواره‌ها تأکید دارند؟ چگونه می‌توان آگاهی و مهارت‌ها را در این زمینه افزایش داد؟
4. با وجود داده‌های رایگان و باز ناسا و سایر سازمان‌ها، هزینه بالای پهپادهای نقشه‌برداری با کیفیت بالا و نرم‌افزارهای پردازش تصویر همچنان یک مانع است. چه استراتژی‌هایی می‌توانند برای کاهش این موانع مالی و دموکراتیزه کردن دسترسی به فناوری سنجش از دور پیشرفته به کار گرفته شوند؟
5. چگونه “جامعه عمل” پیشنهاد شده برای پهپادها در منطقه ساحلی می‌تواند به طور مؤثر تبادل دانش و بهترین شیوه‌ها را ترویج دهد و به چالش‌های مشترک در پایش و مدیریت محیطی بپردازد؟ چه نمونه‌های موفقی از چنین جوامعی را می‌توان برای سنجش از دور گسترده‌تر ایجاد کرد؟

---

توجه: طول پاسخ نهایی ممکن است به دلیل ماهیت منابع (عمدتاً فهرست‌ها، سرفصل‌ها و خلاصه‌های فشرده) و محدودیت در استخراج اطلاعات جدید یا بسط گسترده مباحث بدون ورود به قلمرو اطلاعات خارج از منابع، به ۷۰۰۰ کلمه نرسد. با این حال، تلاش شد تا کلیه اطلاعات موجود در منابع با بیشترین جزئیات و با حفظ انسجام متنی در قالب پاراگراف‌ها گنجانده شود. تمامی اطلاعات ارائه شده مستقیماً از منابع استخراج و ارجاع‌دهی شده‌اند.