دکتر ایمان خسروی

استادیار

گروه مهندسی نقشه‌برداری
دانشکده عمران و حمل‌و‌نقل

پست الکترونیکی

i.khosravi@cet.ui.ac.ir

تلفن

03137935275

آدرس

دانشگاه اصفهان میدان آزادی اصفهان، ایران
کد پستی : 8174673441

معرفی کلی

درباره من

اینجانب، استادیار و عضو هیأت علمی گروه مهندسی نقشه برداری، دانشکده مهندسی عمران و حمل و نقل، دانشگاه اصفهان هستم. مدرک دکتری در زمینه مهندسی سنجش از دور از دانشگاه تهران بین سال‌های 1393 تا 1396 اخذ کردم. از سال 1397، به عنوان پژوهشگر پسادکتری در گروه سنجش از دور و سیستم‌های اطلاعات جغرافیایی دانشکده جغرافیا دانشگاه تهران مشغول به فعالیت شدم. جهت آشنایی بیشتر با سوابق تحصیلی، آموزشی، پژوهشی و اجرایی اینجانب لطفاً به مابقی قسمت‌های سایت مراجعه فرمایید.

علاقه مندی پژوهشی

- سنجش از دور نوری و راداری - طبقه‌بندی پوشش/کاربری زمینی - تهیه نقشه نوع محصولات کشاورزی - مدیریت منابع و پایش مخاطرات محیطی

فعالیت‌های حرفه‌ای

- نقشه برداری و ژئوماتیک - سنجش از دور - فتوگرامتری - پردازش تصاویر رقومی - شناسایی الگو، یادگیری ماشین، داده کاوی

سابقه تحصیلی

کارشناسی, مهندسی عمران نقشه‌برداری, دانشگاه اصفهان-1389 [اصفهان - ایران]
کارشناسی ارشد, مهندسی نقشه‌برداری سنجش از دور, دانشگاه اصفهان-1391 [اصفهان - ایران]
دکتر, مهندسی نقشه‌برداری سنجش از دور, دانشگاه تهران-1396 [تهران - ایران]
پسادکتری, سنجش از دور و GIS, دانشگاه تهران-1398 [تهران - ایران]

دروس

- نقشه‌برداری مهندسی (کارشناسی) - نقشه‌برداری مسیر (کارشناسی) - زبان تخصصی در نقشه‌برداری (کارشناسی) - کارتوگرافی رقومی (کارشناسی) - هوش مصنوعی (کارشناسی ارشد) - روش تحقیق در علوم زمین (کارشناسی ارشد) - سنجش از دور مایکرویو (کارشناسی ارشد/دکتری) - تداخل‌سنجی راداری (دکتری)

برونداد‌های پژوهشی

همه موارد

مقالات

کتاب

مقالات لاتین

2025

Advancements in crop mapping through remote sensing: A comprehensive review of concept, data sources, and procedures over four decades

( Article . )

Khosravi, I.

Remote Sensing Applications: Society and Environment (23529385)38

Towards sustainable agriculture in Iran using a machine learning-driven crop mapping framework

( Article . )

Khosravi, I.

European Journal of Remote Sensing (22797254)58(1)

2023

Enhancing Crop Classification Accuracy through Synthetic SAR-Optical Data Generation Using Deep Learning

( Article . Gold )

Mirzaei, A., Bagheri, H., Khosravi, I.

ISPRS International Journal of Geo-Information (22209964)12(11)

Crop classification using remote sensing data has emerged as a prominent research area in recent decades. Studies have demonstrated that fusing synthetic aperture radar (SAR) and optical images can significantly enhance the accuracy of classification. However, a major challenge in this field is the limited availability of training data, which adversely affects the performance of classifiers. In agricultural regions, the dominant crops typically consist of one or two specific types, while other crops are scarce. Consequently, when collecting training samples to create a map of agricultural products, there is an abundance of samples from the dominant crops, forming the majority classes. Conversely, samples from other crops are scarce, representing the minority classes. Addressing this issue requires overcoming several challenges and weaknesses associated with the traditional data generation methods. These methods have been employed to tackle the imbalanced nature of training data. Nevertheless, they still face limitations in effectively handling minority classes. Overall, the issue of inadequate training data, particularly for minority classes, remains a hurdle that the traditional methods struggle to overcome. In this research, we explore the effectiveness of a conditional tabular generative adversarial network (CTGAN) as a synthetic data generation method based on a deep learning network, for addressing the challenge of limited training data for minority classes in crop classification using the fusion of SAR-optical data. Our findings demonstrate that the proposed method generates synthetic data with a higher quality, which can significantly increase the number of samples for minority classes, leading to a better performance of crop classifiers. For instance, according to the G-mean metric, we observed notable improvements in the performance of the XGBoost classifier of up to 5% for minority classes. Furthermore, the statistical characteristics of the synthetic data were similar to real data, demonstrating the fidelity of the generated samples. Thus, CTGAN can be employed as a solution for addressing the scarcity of training data for minority classes in crop classification using SAR–optical data. © 2023 by the authors.

2022

Segment-based fusion of multi-sensor multi-scale satellite soil moisture retrievals

( Article . Green )

Attarzadeh, R., Bagheri, H., Khosravi, I., Niazmardi, S., Akbari, D.

Remote Sensing Letters (2150704X)13(12)pp. 1260-1270

2021

An ensemble method based on rotation calibrated least squares support vector machine for multi-source data classification

( Article . )

Khosravi, I., Razoumny, Y., Hatami afkoueieh, J., Alavipanah, S.K.

International Journal of Image and Data Fusion (19479832)12(1)pp. 48-63

دکتر ایمان خسروی

پست الکترونیکی

تلفن

آدرس

درباره من

علاقه مندی پژوهشی

فعالیت‌های حرفه‌ای

سابقه تحصیلی

دروس

برونداد‌های پژوهشی

Advancements in crop mapping through remote sensing: A comprehensive review of concept, data sources, and procedures over four decades

Towards sustainable agriculture in Iran using a machine learning-driven crop mapping framework

Enhancing Crop Classification Accuracy through Synthetic SAR-Optical Data Generation Using Deep Learning

Segment-based fusion of multi-sensor multi-scale satellite soil moisture retrievals

An ensemble method based on rotation calibrated least squares support vector machine for multi-source data classification

شیء‌گرایی در پردازش تصاویر سنجش از دور