{
    "metadata": {
        "dataset_id": "shahroodut-thesis",
        "record_id": "Q148",
        "title": "پیش‌بینی مکانی-زمانی داده‌های سنجش از دور با استفاده از یادگیری عمیق",
        "publisher": "دانشگاه صنعتی شاهرود",
        "owner": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "license": "CC-BY-4.0",
        "license_url": "https://creativecommons.org/licenses/by/4.0/",
        "license_text": "استفاده، بازنشر، تحلیل، پردازش و بهره برداری پژوهشی، آموزشی و صنعتی با ذکر منبع دانشگاه صنعتی شاهرود مجاز است.",
        "publication_date": "1398",
        "last_update": "2026-07-11",
        "language": "fa",
        "format": "application/json",
        "contact": "thesis@shahroodut.ac.ir",
        "access": {
            "fulltext_available": "true",
            "public_access": "true"
        }
    },
    "data": {
        "thesis_id": "Q148",
        "title": "پیش‌بینی مکانی-زمانی داده‌های سنجش از دور با استفاده از یادگیری عمیق",
        "degree": null,
        "faculty": "مهندسی کامپیوتر ",
        "year": 1398,
        "authors": [
            {
                "name": "الهام زنگنه",
                "role": "پدیدآور اصلی"
            },
            {
                "name": "هدی مشایخی",
                "role": "استاد راهنما"
            },
            {
                "name": "سعیده فردوسی",
                "role": "استاد راهنما"
            },
            {
                "name": "سعید قره چلو",
                "role": "استاد مشاور"
            }
        ],
        "keywords": [
            "یادگیری عمیق",
            "پیش‌بینی",
            "مکانی-زمانی",
            "سری زمانی"
        ],
        "abstract": "سنجش از دور به معنای دریافت اطلاعات بدون تماس مستقیم با سطح است که نیازمند واسطه امواج مغناطیسی است. داده‌های این فناوری از نوع داده‌های مکانی-زمانی هستند. ماهواره لندست از جمله ماهواره‌هایی است که دارای انواع مختلف ۵، ۷ و۸ است. درک و تحلیل تغییرات داده‌های مکانی-زمانی در جنبه‌های مختلف از جمله برای انجام اقدامات حفاظتی اهمیت زیادی دارد. همچنین  اخیرا شبکه عصبی با توجه به کارایی و دقت بالا، در تحلیل داده‌های مختلف از جمله داده‌های سنجش از دور اهمیت زیادی یافته است. به همین منظور در این تحقیق به پیش‌بینی مکانی-زمانی داده‌های سنجش از دور در ناحیه‌ای از شرق کشور ایران می‌پردازیم. مجموعه داده انتخاب شده از داده‌های مکانی-زمانی ماهواره لندست ۵، ۷ و ۸ می‌باشند. این داده‌ها‌ شامل تصاویر از سال 2000 تا  2018، مربوط به چهار فصل سال در  نواحی شمال و شرق شهرستان شاهرود در استان سمنان می‌باشند. شاخص‌های استخراج شده از مجموعه داده جهت پیش‌بینی از دسته شاخص‌های پوشش گیاهی با عنوانNDVI،  SAVI و RVI هستند. روش پیشنهادی جهت پیش‌بینی تغییرات این شاخص‌ها مبتنی بر یادگیری عمیق است. در مطالعات گذشته از روش‌های مارکوف و روش‌های بر مبنای مقایسه جهت پیش‌بینی تغییرات آینده استفاده می‌شده است که دقت گزارش شده در این مطالعات مقدار متوسطی است. در الگوریتم پیشنهادی پس از انجام اصلاحات اتمسفری روی تصاویر، شاخص‌های مورد نظر استخراج می‌شوند و سپس داده‌ها به سری زمانی تبدیل می‌شوند. در نهایت پیش‌بینی این داده‌ها توسط الگوریتم یادگیری عمیق  انجام می‌شود.\r\n جهت اندازه‌گیری دقت الگوریتم از   میانگین مجذور خطا ریشه  یا RMSE  استفاده می‌شود. نتایج حاصل از آزمایش‌ها دقت بالای الگوریتم را بازگو می‌کند به طوریکه شبکه  عصبی با وجود تغییرات موجود در شاخص‌ها، به خوبی آموزش دیده و مقادیر را پیش‌بینی می‌کند. میزان خطای شبکه بدون وجود داده‌های اضافی برای شاخص NDVI برابر با 0.02، شاخص SAVI برابر با  0.03  و شاخص  RVI برابر  با 0.05 گزارش می‌شود. با اتخاذ روش ارائه شده در این تحقیق، پیش‌بینی تغییرات پوشش گیاهی می‌تواند  با دقتی بیش از ۹۹ درصد انجام شود. در مطالعات گذشته  با استفاده از مدل مارکوف و رگرسیون  لجستیک تغییرات پوشش گیاهی داده‌های ماهواره لندست، مورد بررسی قرار گرفتند و پیش‌بینی‌های انجام شده دقت کار  را تا ۸۰ درصد گزارش می‌کند.",
        "repository": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "note": "حقوق مادی و معنوی متعلق به دانشگاه صنعتی شاهرود می باشد.",
        "download_url": "https://shahroodut.ac.ir/fa/thesis/files/somefiles/sf_Q148.pdf"
    },
    "dictionary": {
        "thesis_id": "شناسه پایان نامه",
        "title": "عنوان پایان نامه",
        "degree": "مقطع تحصیلی",
        "faculty": "دانشکده",
        "year": "سال دفاع",
        "authors": "پدیدآورندگان",
        "keywords": "کلیدواژه ها",
        "abstract": "چکیده",
        "repository": "محل نگهداری",
        "note": "یادداشت",
        "download_url": "آدرس فایل پایان نامه"
    }
}