نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

 

خلاصه

فلات لس چین از فرسایش جدی خندقی ناشی از علل طبیعی و انسانی رنج می برد. شناسایی نواحی متاثر از خندق کار اساسی در این منطقه برای ارزیابی و پایش فرسایش خندقی است. برای اولین بار از یک هواپیمای بدون سرنشین (UAV) برای استخراج ویژگی های خندق در این منطقه استفاده شد. دو حوضه معمولی در Changwu و Ansai به ترتیب برای نشان دادن مناطق دشت لس و مناطق تپه ای لس انتخاب شدند. برای گرفتن تصویر از یک کوادروکوپتر پرقدرت (md4-1000) مجهز به دوربین غیر متریک استفاده شد. InPho و MapMatrix برای گردش کار نیمه اتوماتیک از جمله مثلث سازی هوایی و تولید مدل استفاده شدند. بر اساس تصویربرداری استریو و نقاط کنترل زمینی، مدل‌های ارتفاعی دیجیتال با جزئیات بالا (DEMs) و ارتوموزائیک‌ها تولید شدند. متعاقبا، یک رویکرد مبتنی بر شی همراه با طبقه‌بندی‌کننده تصادفی جنگل برای شناسایی مناطق آسیب‌دیده از خندق طراحی شده است. دو آزمایش برای بررسی تأثیرات استراتژی تقسیم‌بندی و انتخاب ویژگی انجام شد. نتایج نشان داد که خطاهای عمودی و افقی ریشه میانگین مربع به ترتیب زیر 0.5 و 0.2 متر بودند که برای منطقه فلات لس ایده آل بودند. دقت کلی استخراج در Changwu و Ansai به ترتیب 84.62% و 86.46% بود که پتانسیل جریان کاری پیشنهادی برای استخراج ویژگی‌های خندق را نشان می‌دهد. این مطالعه نشان داد که پهپاد می‌تواند شکاف بین اندازه‌گیری میدانی و سنجش از راه دور مبتنی بر ماهواره را پر کند و تعادلی در وضوح و کارایی برای تحقیقات فرسایش خندقی در مقیاس حوضه به دست آورد. دو آزمایش برای بررسی تأثیرات استراتژی تقسیم‌بندی و انتخاب ویژگی انجام شد. نتایج نشان داد که خطاهای عمودی و افقی ریشه میانگین مربع به ترتیب زیر 0.5 و 0.2 متر بودند که برای منطقه فلات لس ایده آل بودند. دقت کلی استخراج در Changwu و Ansai به ترتیب 84.62% و 86.46% بود که پتانسیل جریان کاری پیشنهادی برای استخراج ویژگی‌های خندق را نشان می‌دهد. این مطالعه نشان داد که پهپاد می‌تواند شکاف بین اندازه‌گیری میدانی و سنجش از راه دور مبتنی بر ماهواره را پر کند و تعادلی در وضوح و کارایی برای تحقیقات فرسایش خندقی در مقیاس حوضه به دست آورد. دو آزمایش برای بررسی تأثیرات استراتژی تقسیم‌بندی و انتخاب ویژگی انجام شد. نتایج نشان داد که خطاهای عمودی و افقی ریشه میانگین مربع به ترتیب زیر 0.5 و 0.2 متر بودند که برای منطقه فلات لس ایده آل بودند. دقت کلی استخراج در Changwu و Ansai به ترتیب 84.62% و 86.46% بود که پتانسیل جریان کاری پیشنهادی برای استخراج ویژگی‌های خندق را نشان می‌دهد. این مطالعه نشان داد که پهپاد می‌تواند شکاف بین اندازه‌گیری میدانی و سنجش از راه دور مبتنی بر ماهواره را پر کند و تعادلی در وضوح و کارایی برای تحقیقات فرسایش خندقی در مقیاس حوضه به دست آورد. که برای منطقه فلات لس ایده آل بودند. دقت کلی استخراج در Changwu و Ansai به ترتیب 84.62% و 86.46% بود که پتانسیل جریان کاری پیشنهادی برای استخراج ویژگی‌های خندق را نشان می‌دهد. این مطالعه نشان داد که پهپاد می‌تواند شکاف بین اندازه‌گیری میدانی و سنجش از راه دور مبتنی بر ماهواره را پر کند و تعادلی در وضوح و کارایی برای تحقیقات فرسایش خندقی در مقیاس حوضه به دست آورد. که برای منطقه فلات لس ایده آل بودند. دقت کلی استخراج در Changwu و Ansai به ترتیب 84.62% و 86.46% بود که پتانسیل جریان کاری پیشنهادی برای استخراج ویژگی‌های خندق را نشان می‌دهد. این مطالعه نشان داد که پهپاد می‌تواند شکاف بین اندازه‌گیری میدانی و سنجش از راه دور مبتنی بر ماهواره را پر کند و تعادلی در وضوح و کارایی برای تحقیقات فرسایش خندقی در مقیاس حوضه به دست آورد.
کلید واژه ها:

وسیله نقلیه هوایی بدون سرنشین (UAV) ؛ فرسایش خندقی ; مناطق آسیب دیده خندق ؛ تجزیه و تحلیل تصویر مبتنی بر شی ; جنگل تصادفی ; فلات لس

 

1. معرفی

فرسایش خاک یک مشکل جدی زیست محیطی است که باعث هزینه های اقتصادی بالا می شود [ 1 ]. رویکردهای زیادی برای پایش و پیش‌بینی فرسایش خاک در مقیاس‌های مختلف پیشنهاد شده است [ 2 ، 3 ، 4 ، 5 ]. فرسایش خندقی، نوع اصلی فرسایش خاک توسط آب، یک فرآیند عمده تخریب زمین است که بر مدیریت زمین و کشاورزی تأثیر منفی می گذارد [ 6 ]. در قرن گذشته، تعداد فزاینده ای از تحقیقات بر روی فرسایش خندقی به دلیل فراگیر بودن و شدت آن متمرکز شده است [ 7]]. ارزیابی نواحی آسیب‌دیده خندق مبنای کنترل و پایش فرسایش خندقی است. به این ترتیب، تشخیص این مناطق به یک علاقه فزاینده در جامعه فرسایش خندقی تبدیل شده است [ 8 ، 9 ، 10 ].
روش استخراج خندق بستگی به توسعه اکتساب داده های جغرافیایی دارد. بررسی میدانی سنتی ترین روش است. در مراحل اولیه معمولاً از نوارها، خط کش ها و پروفیل های میکرو توپوگرافی استفاده می شود [ 11 ، 12 ]. اخیراً، آخرین فن‌آوری‌های اندازه‌گیری، مانند اسکن لیزری زمینی (TLS) [ 13 ]، اسکن لیزری هوابرد (ALS) [ 14 ]، بازسازی عکس سه بعدی [ 15 ]، و ایستگاه کل [ 16 ]، اتخاذ شده‌اند. هر دو TLS و ALS می توانند به طور موثر مجموعه داده با وضوح بالا را برای پایش فرسایش و مطالعات ژئومورفولوژی رودخانه ای مربوط به دست آورند [ 3 ، 17 ، 18]. آزمایش‌های اخیر در مناطق مختلف از جمله استرالیا، پرو و ​​انگلستان ثابت می‌کند که TLS نسبت به ALS برای مطالعات در مقیاس حوضه مورد پذیرش بیشتری قرار می‌گیرد، زیرا انعطاف‌پذیرتر و دقیق‌تر است [ 19 ، 20 ، 21 ]. با این حال، کار میدانی سنگین کاربرد چنین روشی را برای یک منطقه بزرگ پیچیده می کند [ 18 ].
با پرتاب تعداد زیادی از ماهواره های رصد زمین، می توان از تصاویر فراوان برای ارزیابی فرسایش خندقی استفاده کرد [ 22 ]. حسگرهای ماهواره ای نوری، از جمله تصاویر با وضوح متوسط ​​(مثلاً Landsat و Spot) و تصاویر با وضوح بالا (به عنوان مثال، IKONOS و Quick Bird)، به طور فزاینده ای در دسترس هستند. تصاویر رایج فعلی که اغلب در علم زمین مورد استفاده قرار می گیرند Worldview-3 و Pleiades [ 23 ، 24 ] با فاصله نمونه برداری از زمین در حالت پانکروماتیک به ترتیب 0.31 و 0.5 متر و 1.00 و 2.00 متر در حالت چند طیفی هستند. روش مبتنی بر سنجش از دور برای استخراج ویژگی‌های خندق دو مزیت را نسبت به بررسی میدانی نشان می‌دهد. از یک طرف، داده های جغرافیایی چند زمانی و چند وضوحی که تقریباً جهان را پوشش می دهند به راحتی به دست می آیند.25 ، 26 ، 27 ]. از سوی دیگر، سنجش از دور نه تنها اطلاعات طیف و بافت را فراهم می‌کند، بلکه مدل‌های ارتفاعی دیجیتال (DEMs) را نیز زمانی که ماهواره دارای قابلیت‌های استریوسکوپی باشد، تولید می‌کند [ 28 ، 29 ]. سنجش از دور عمدتاً بر روی هواپیماهای ماهواره ای یا سرنشین دار انجام می شود که به دلیل پوشش گسترده و عملکرد پایدار، گزینه های خوبی برای جمع آوری داده در مقیاس منطقه ای هستند [ 30 ]. با این وجود، استفاده از سکوهای معمولی برای تقاضای فزاینده مدل‌سازی محیطی در مقیاس حوضه به دلیل هزینه بالا، انعطاف‌پذیری کم و وضوح مکانی و زمانی ضعیف محدود است [31 ] .
استفاده از وسیله نقلیه هوایی بدون سرنشین (UAV) می تواند شکاف بین تحقیقات میدانی و سنجش از دور ماهواره ای و هواپیما را پر کند [ 32 ]. سنجش از دور مبتنی بر پهپاد برای بررسی‌های در مقیاس حوضه مناسب است که نسبت به سنجش از دور سنتی انعطاف‌پذیرتر است. اخیراً، بسیاری از نشریات ثابت کرده اند که پهپاد می تواند به عنوان یک ابزار معتبر برای نظارت بر فرسایش خاک [ 33 ]، منطقه ساحلی [ 34 ]، کشاورزی دقیق [ 35 ]، دینامیک یخچال های طبیعی [ 36 ] و لغزش زمین [ 37 ] در نظر گرفته شود، که در آنها ایجاد شده است. موزاییک های DEM و تصویر ارتو با وضوح بالا می توانند اطلاعات دقیق بیشتری را ارائه دهند.
همانطور که روش اکتساب داده ها از تحقیقات میدانی به سنجش از دور منتقل می شود، روش استخراج نیز تا حد زیادی بهبود می یابد. در مرحله اولیه، تفسیر بصری، که مبتنی بر تفاوت طیف و دانش مفسر است، انتخاب اصلی است [ 38 ، 39 ]. با این حال، تفسیر دستی محدود به راندمان و عدم قطعیت کم است که با روش خودکار جایگزین شده است. پیکسل و مبتنی بر شی دو نوع روش خودکار برای استخراج ویژگی خندق هستند. اگرچه، روش مبتنی بر پیکسل در بسیاری از مطالعات استفاده شده است [ 40 ، 41]، ثابت شده است که روش مبتنی بر شیء پیشرفته تر است زیرا می تواند اطلاعات طیفی، شکل و بافت را به جای اطلاعات طیفی تنها یکپارچه کند [ 42 ، 43 ]. مقالات اخیر نشان می دهد که روش مبتنی بر شی جریان اصلی در پردازش تصاویر با وضوح بالا است [ 44 ، 45 ، 46 ، 47 ].
اگرچه پهپاد پتانسیل در استخراج ویژگی های خندق را در مقیاس حوضه نشان می دهد، مطالعات موجود در مناطق محدودی مانند مراکش [ 32 ] و استان لس ساکسون [ 33 ] انجام می شود. بر اساس آزمایشات در سراسر جهان، سهم فرسایش آبکندی در نرخ کلی از دست دادن خاک و نرخ تولید رسوب توسط فرسایش آبی از 10٪ تا 94٪ است [6 ] . تفاوت های قابل توجه در شرایط فرسایش آبکندی منجر به تغییر اندازه، شکل و تراکم خندق در مناطق مختلف می شود. بنابراین، مطالعات بیشتری برای بررسی روش مبتنی بر پهپاد برای استخراج ویژگی خندق در سایر مناطق معمولی مورد نیاز است.
فلات لس چین به دلیل فرسایش شدید خاک و تخریب زمین، که توسط عوامل طبیعی و انسانی ایجاد می شود، شناخته شده است [ 48 ]. فرسایش آبکندی در این منطقه 60 تا 70 درصد از کل لس خاک [ 49 ] را تشکیل می دهد، با تعداد زیادی آبکند توسعه یافته شکل زمین لس مشخص را شکل می دهد [ 50 ]. خطوط شانه لوس کل منطقه را به نواحی مرتفع و متاثر از آبکند با علائم توپوگرافی، کاربری زمین و انواع فرسایش خاک کاملاً متفاوت تقسیم می کند [ 51 ]. خندق های این منطقه را می توان به سه نوع خندق کف، کرانه و شیب تپه تقسیم کرد [ 52] .]. اگرچه برخی از مطالعات استخراج ویژگی های خندق در فلات لس چین، به ویژه در مقیاس حوضه [ 53 ، 54 ، 55 ] را مورد بحث قرار داده اند، استفاده از پهپاد در حال حاضر محدود است. هدف مطالعه حاضر این است: (1) استفاده از پهپاد در فلات لس چین برای تولید DEMs با وضوح بالا و ارتوموزائیک. و (2) روش مبتنی بر شی را برای تشخیص مناطق آسیب‌دیده از خندق با استفاده از مجموعه داده‌های بدست‌آمده از پهپاد بررسی کنید.

2. منطقه مطالعه

فلات لس در میان و بالای رودخانه زرد واقع شده است و مساحتی معادل 640000 کیلومتر مربع را پوشش می دهد [ 56 ] . بر اساس چشم انداز لس، فلات لس را می توان به مناطق دشت لس و مناطق تپه ای لس [ 51 ] تقسیم کرد. دشت لس را می توان به عنوان مرحله اولیه لندفرم لسی در نظر گرفت، که شکل زمین های دیرینه اولیه خود را با یک منطقه دشت بزرگ حفظ می کند. با توسعه فرسایش، منطقه دشت به تدریج کاهش می یابد و با پشته های لس باریک و تپه های لس جدا شده جایگزین می شود [ 57 ]. مناطق تپه ای لس از فرسایش خاک شدیدتر از منطقه دشت لس رنج می برند. در نتیجه، چشم انداز ژئومورفولوژیکی اولی ویران و پیچیده می شود.
در این مورد، دو سایت مطالعه برای نشان دادن دو لندفرم معمولی لسی انتخاب شدند. سایت مطالعه نشان دهنده دشت لس در شمال غربی شهرستان چانگوو، که بخشی از حوضه آبریز Xialiu است، واقع شده است. این سایت مورد مطالعه که از ناحیه دشت، دامنه تپه و خندق های عمیق تشکیل شده است، تقریباً 2.33 کیلومتر مربع را پوشش می دهد . ارتفاع در این سایت از 981 تا 1220 متر است. سایت مورد مطالعه دیگر بخشی از حوضه آبریز Zhifang است که 3.42 کیلومتر مربع را پوشش می دهد و در جنوب شهرستان آنسای واقع شده است. این منطقه یک منطقه تپه ای معمولی لس است که ارتفاع آن از 1129 تا 1417 متر است. منطقه تحت تاثیر خندق بیش از 60 درصد از کل مساحت را پوشش می دهد و خندق های بسیار توسعه یافته زیادی دارد. مکان ها و تصاویر مکان های مطالعه در شکل 1 نشان داده شده است.

3. روش

دو روش مورد استفاده در این مقاله ( شکل 2 ) عبارتند از: (1) فتوگرامتری پهپاد برای به دست آوردن DEM با وضوح بالا و ارتوموزائیک. و (2) تشخیص مبتنی بر شی مناطق تحت تأثیر خندق با استفاده از مجموعه داده های تولید شده. در حین جمع‌آوری داده‌ها، باید مقررات سخت‌گیرانه‌ای از نظرسنجی در فضای باز تا پردازش تصویر داخل ساختمان رعایت شود تا معیارهای دقت بتوانند الزامات را برآورده کنند. برای بخش تشخیص، رویکرد مبتنی بر شی و طبقه‌بندی‌کننده جنگل تصادفی (RF) با دو آزمایش برای بهینه‌سازی مراحل تقسیم‌بندی و طبقه‌بندی استفاده شد.

3.1. اکتساب داده مبتنی بر پهپاد

3.1.1. توضیحات پهپاد

در این مطالعه از میکروپروپ md4-1000 استفاده شده است ( شکل 3 a) که یک هواپیمای کوچک VTOL (برخاست و فرود عمودی) است. کل سیستم شامل یک وسیله نقلیه هوایی، یک ایستگاه زمینی با نرم افزار برنامه ریزی ماموریت و کنترل پرواز، یک فرستنده کنترل رادیویی و یک سیستم تله متری [ 58 ] است. Md4-1000 می تواند تقریباً 45 دقیقه (بسته به بار و باد) با سرعت 15 متر بر ثانیه پرواز کند. این میکرو پهباد می تواند با کنترل از راه دور یا به صورت خودکار با استفاده از نرم افزار مسیریابی نقطه راه GPS میکروپروپ پرواز کند.
حداکثر بار توصیه شده برای پهپاد md4-1000 0.80 کیلوگرم است. یک دوربین سیستم دیجیتال سونی ILCE-7R (شرکت سونی، توکیو، ژاپن)، بر روی این پهپاد نصب شده بود. این دوربین تصاویر را با رنگ واقعی (باندهای قرمز، سبز و آبی) با وضوح رادیومتری 8 بیتی به دست آورد. این دوربین همچنین مجهز به لنز زوم 50 میلی متری بود. سنسور دوربین 7360 × 4912 پیکسل است و تصاویر در یک کارت SD دیجیتال ایمن ذخیره می شوند. راه اندازی تصویر با توجه به مسیر پرواز برنامه ریزی شده توسط پهپاد فعال می شود. این دوربین همچنین به گیرنده GPS، ارتفاع سنج و باد سنج مجهز شده بود، به طوری که سیستم کامپیوتری آنبورد می تواند یک مهر زمانی، مکان GPS، ارتفاع پرواز و محورهای اصلی وسیله نقلیه (پیچ، رول و حرکت) را در زمان هر عکسبرداری ثبت کند. .

3.1.2. نظرسنجی در فضای باز

بررسی فضای باز را می توان به دو مرحله تقسیم کرد: جمع آوری تصویر و بررسی کنترل زمین. برای گرفتن تصویر، سه نفر، یعنی یک اپراتور ایستگاه زمینی، یک خلبان رادیو کنترل و یک ناظر بصری، برای استفاده ایمن از پهپاد مورد نیاز بودند. وضعیت آب و هوا نیز باید در نظر گرفته شود، به ویژه برای جلوگیری از نفوذ باد و باران. در این مطالعه، عملیات پهپاد در صبح زمانی که باد نسبتا کم بود برای اطمینان از ثبات پرواز و کیفیت تصویر انجام شد [ 36]]. نقشه های پرواز در دو منطقه مطالعاتی با استفاده از نرم افزار برنامه ریزی پرواز طراحی شد. تصاویر با میانگین همپوشانی 70 درصد در جهت پرواز و 60 درصد همپوشانی در نوار پرواز گرفته شده اند. لازم به ذکر است که فاصله بین خطوط پرواز در آنسای ناهموار است. به این دلیل است که تراس های بیشتری در قسمت سمت راست توزیع شده است و به دلیل توپوگرافی ملایم به خط پروازی کمتری نیاز است.
نقاط کنترل زمینی (GCPs) برای به روز رسانی دقت افقی و عمودی مورد نیاز است. اگر چه سیستم ژئوارفرانس مستقیم در برخی از مطالعات [ 59 ] استفاده می شود، اما الزامات بالایی برای دوربین و GPS وجود دارد که در این مرحله گران و سنگین هستند. دو نوع GCP، یعنی نقاط کنترل پایه (BCP) و نقاط کنترل عکس (PCPs)، برای به دست آوردن اطلاعات مختصات بسیار دقیق پیاده سازی شدند. در هر منطقه مورد مطالعه، سه BCP برای ساخت شبکه GPS که کل منطقه مورد مطالعه را پوشش می دهد، نصب شد. هر BCP برای نزدیک به 1.5 ساعت با Topcon HIPERⅡG در حالت استاتیک اندازه گیری شد ( شکل 3ب). در مقایسه با BCP، PCP های بیشتری مورد نیاز است. قرار دادن PCP ها باید بین خطوط پرواز و در مناطق همپوشانی قرار گیرد. در این مطالعه، 38 PCP و 53 PCP به ترتیب برای Changwu و Ansai با استفاده از کاوشگر GPS جمع‌آوری شد ( شکل 3 ج). مختصات افقی به سیستم مختصات ژئودتیک چین 2000 ارجاع داده شد و مقادیر عمودی به داده عمودی ملی 1985 ارجاع شد. مکان GCP ها و خطوط پرواز را می توان در شکل 4 مشاهده کرد .

3.1.3. پردازش تصویر داخلی

پردازش تصویر داخلی شامل مثلث سازی هوایی، تولید DEM و محاسبه ارتو موزاییک است. مثلث سازی هوایی به فرآیندی برای به دست آوردن موقعیت ها و جهت گیری های واقعی تصاویر با استفاده از عکس هایی که یک جسم مشابه را می پوشانند و از موقعیت های مختلف در معرض دید قرار می گیرند، اطلاق می شود. تعداد GCPها معمولاً محدود است. به این ترتیب، تعداد زیادی از نقاط پیوند برای نقاط مزدوج شناسایی شده در چندین تصویر ایجاد می شود [ 60 ]. داده های ورودی برای مثلث بندی هوایی شامل تصاویر اسکن شده، کالیبراسیون دوربین و GCP ها می باشد. مثلث بندی هوایی در Trimble’s Inpho 6.0 با استفاده از تنظیم بلوک بسته، که به طور گسترده در مطالعات قبلی مورد استفاده قرار گرفته است، انجام شد [ 31]]. برای موفقیت مثلث‌سازی، ریشه میانگین مربعات خطا (RMSE) برای جهت‌گیری بلوک تصویر محاسبه شد. اگر خطا از مقدار آستانه فراتر رفت، با حذف نقاط اتصال اشتباه، اصلاح لازم است.
پس از فرآیند مثلث بندی، DEM ها و ارتو موزاییک ها را می توان با وضوح بالا به دلیل همپوشانی استریوسکوپی تصاویر ایجاد کرد [ 32]. فقط جفت های تصویر با همپوشانی مناسب و کیفیت خوب انتخاب شدند. حذف تصاویر اضافی می تواند زمان پردازش را کاهش دهد. MapMatrix 4.0 توسعه یافته توسط Visiontek Inc برای این مرحله استفاده شد. اگرچه MapMatrix می تواند با استفاده از فناوری تطبیق ویژگی ها به طور خودکار یک DEM تولید کند، ویرایش دستی نیز برای مناطق مورد مطالعه با برجسته سازی بزرگ ضروری است. در این مطالعه از الگوریتم خودکار نیز برای تولید یک سطح مقاوم استفاده شد. متعاقباً، ویژگی‌های زمین، مانند نقاط پیک، خطوط خط الراس، و خطوط دره، برای ایجاد یک DEM با وضوح بالا جمع‌آوری شدند. برای بهبود کیفیت DEM، کار ویرایش برای اصلاح ارتفاع برای از بین بردن تأثیر ساختمان ها و پوشش گیاهی مورد نیاز است. در نهایت، DEM در وضوح 1 متر صادر شد، و موزاییک های تصویر ارتو در 0.

3.1.4. ارزیابی دقت

برای بررسی صحت داده های DEM، به برخی از نقاط حقیقت زمینی مستقل نیاز است. داده های پیوسته مکانی مناسب ترین گزینه ها هستند [ 61 ]; با این حال، هیچ داده مرجعی برای منطقه مورد مطالعه انتخاب شده با چنین الزامات وضوح بالا در دسترس نیست. در عوض، برخی از نقاط چک مستقل (ICP) با 33 ICP در Changwu و 37 ICP در Ansai مورد بررسی قرار گرفتند. با توجه به الزامات پایش خندق ها، اکثر این نقاط در امتداد خطوط مرزی خندق انتخاب شدند ( شکل 4).). اندازه‌گیری‌های ICP شبیه به اندازه‌گیری‌های GCP بود. خطای عمودی با تفاوت بین ارتفاع ICPها و داده های DEM محاسبه شد. انحراف افقی با اندازه گیری جابجایی بین ICPs و ارتو موزاییک محاسبه شد. RMSE برای ارزیابی دقت طبق رابطه (1) استفاده شد:

R MاسEz=1n∑i = 1n(زدمن–زr i)2————–√آرماس��=1�∑من=1�(زدمن-ز�من)2

که در آن Z di i- مین مقدار اندازه گیری شده از DEM یا ortho-mosaics است و Zri داده مرجع مربوطه از ICPها است.

3.2. تشخیص نواحی متاثر از خندق مبتنی بر شی

3.2.1. آماده سازی داده ها

علاوه بر DEM با وضوح بالا و ارتوموزائیک، مقدار زیادی اطلاعات باید برای استخراج ویژگی خندق تهیه شود. در مقالات موجود، ویژگی های توپوگرافی به دست آمده از DEM پتانسیل هایی را در تشخیص اشیاء طبیعی مرتبط با عوامل زمین، مانند لغزش [ 62 ]، منظر رودخانه [ 63 ] و فرسایش خندقی [ 45 ] نشان می دهد. در مطالعه حاضر، برجستگی سایه‌دار، شیب، ناهمواری، و حوضه حوضه خاص (SCA) [ 64 ]، که در مراحل تقسیم‌بندی و طبقه‌بندی بیشتر نقش داشتند، از DEM اصلی ایجاد شدند.
داده های مرجع بخش ضروری این روش هستند. داده های مرجع در حوزه آموزش برای بهینه سازی پارامترها و تعیین مجموعه قوانین استفاده شد. برای منطقه آزمون، از داده های مرجع برای ارزیابی دقت استفاده شد. تحقیقات میدانی در آوریل 2016 برای به دست آوردن مرجع معتبر و درک بیشتر از شکل، توزیع و توسعه خندق ها در این دو منطقه مورد مطالعه انجام شد. داده‌های مرجع نهایی به صورت دستی از طریق یکپارچه‌سازی ویژگی‌های تصویری، دانش تخصصی و تحقیقات میدانی دیجیتالی شدند.

3.2.2. تقسیم بندی

در مقایسه با روش مبتنی بر پیکسل، واحد تجزیه و تحلیل روش مبتنی بر شی از یک پیکسل به شیء منتقل می شود، که در آن تقسیم بندی تصویر مرحله کلیدی است. در میان انواع روش های تقسیم بندی، الگوریتم تقسیم بندی تصویر با وضوح چندگانه (MRIS) [ 65 ] بیشترین کاربرد را دارد و در نرم افزار eCognition پیاده سازی می شود. MRIS یک الگوریتم در حال رشد منطقه است که از یک پیکسل با ادغام پیکسل های مجاور بر اساس یک معیار ناهمگنی شروع می شود [ 66 ].
تقسیم بندی تصویر مستقیماً بر نتیجه طبقه بندی نهایی تأثیر می گذارد. انتخاب لایه ها مسئله کلیدی برای به دست آوردن اشیاء مناسب با استفاده از eCognition است. در مطالعات موجود برای استخراج ویژگی خندق، تنها از تصاویر در مرحله تقسیم‌بندی استفاده می‌شود و اطلاعات زمین نادیده گرفته می‌شود. DEM ها و لایه های توپوگرافی مشتق شده از آن پتانسیل بهبود نتیجه تقسیم بندی در نقشه برداری ژئومورفیک را ثابت کرده است [ 67 , 68]. در این مقاله، دو استراتژی تقسیم‌بندی برای ارزیابی اینکه آیا اطلاعات توپوگرافی می‌تواند دقت تقسیم‌بندی را بهبود بخشد، طراحی شد: (1) فقط ارتو موزاییک با سه باند نوری (استراتژی DOM) استفاده شد. و (2) DEM و ارتو موزاییک، شامل سه نوار نوری، شیب، ناهمواری، و برجستگی سایه دار (تپه‌سایه)، ادغام شدند (استراتژی OSRH).
معیار ناهمگونی به لایه ها و پارامترهای قطعه بندی شده از جمله مقیاس، شکل و فشردگی بستگی دارد. ضریب مقیاس اندازه شی را کنترل می کند، که عامل کلیدی در MRIS است. دو روش معمولا برای به دست آوردن پارامتر مقیاس بهینه استفاده می شود: (1) روش مبتنی بر واریانس محلی [ 69 ]. و (2) روش مبتنی بر خودهمبستگی فضایی [ 70 ]. از آنجایی که Drǎguţ [ 71 ] تخمین پارامتر مقیاس (ESP) را با استفاده از روش واریانس محلی در سال 2010 پیشنهاد کرد، ESP-Tool به طور گسترده برای تعیین پارامتر مقیاس استفاده شده است زیرا کاربر پسند است. نسخه بهبودیافته که از پارامترسازی چند لایه پشتیبانی می‌کند، در مطالعه حاضر مورد استفاده قرار گرفت [ 72]. علاوه بر ضریب مقیاس، ضریب شکل، وزن ناهمگونی شکل را تعیین می کند و ناهمگونی رنگ نیز باید مورد تاکید قرار گیرد. در معیار شکل، تخصیص وزن بین فشردگی و صافی با ضریب فشردگی تعیین می‌شود. با این حال، توجه بیشتری به انتخاب پارامتر مقیاس شده است، بحث بستر برای شکل و فشردگی انجام شده است.

در این مطالعه، مقیاس، شکل و فشردگی همگی برای تعیین مناسب‌ترین ترکیب پارامتر در نظر گرفته شدند. ابتدا، ارزیابی بصری، که می تواند هزینه زمانی را کاهش دهد، برای تعیین محدوده احتمالی هر پارامتر استفاده شد ( جدول 1 ). دوم، ESP-Tool برای هر ترکیب پارامتر استفاده شد. هر مقدار مقیاس حذف شده در محدوده می تواند برای بررسی بیشتر ذخیره شود. سوم، خوب بودن بخش‌بندی با استفاده از معیارهای زیر ارزیابی شد: زیربخش‌بندی، بیش‌بخش‌بندی و فاصله اقلیدسی [ 73 ، 74 ]:

O R = 1 –∑ |rمن∩سک|∑ |rمن|�آر=1-∑|�من∩سک|∑|�من|
UR = 1 –∑ |rمن∩سک|∑ |سک|�آر=1-∑|�من∩سک|∑|سک|
ED = s qr t (Oآر2+ Uآر22)��=س��تی(�آر2+�آر22)

که r داده مرجع و s مجموعه داده تقسیم بندی است. OR و UR معیارهای مبتنی بر ناحیه هستند که درجه تطابق بین نتایج واقعی و تقسیم‌بندی را توصیف می‌کنند. ED معیارهای ترکیبی است که می تواند به عنوان “نزدیک بودن” به نتیجه تقسیم بندی ایده آل در نظر گرفته شود.

3.2.3. طبقه بندی تصویر: RF

RF یک الگوریتم یادگیری ماشینی است که توسط لئو بریمن [ 75] پیشنهاد شده است]. این روش نظارت شده می تواند یک جنگل درخت تصمیم را بر اساس الگوریتم درخت طبقه بندی و رگرسیون (CART) بسازد. در مقایسه با الگوریتم CART، دو پیشرفت با استفاده از نمونه‌گیری بوت استرپ و بهینه‌سازی گره تصادفی به دست آمد. برای هر درخت، bootstrap، نوعی نمونه‌گیری تصادفی با جایگزینی، انجام شد. از این رو، یک نمونه ممکن است چندین بار انتخاب شود، در حالی که سایرین اصلاً انتخاب نمی شوند. برای برآورد عملکرد مدل RF، خطای خارج از کیسه در تکنیک اعتبارسنجی متقاطع محاسبه شد. برای هر گره، به جای استفاده از تمام ویژگی‌ها، تصمیم با تعداد ویژگی‌های تعریف‌شده توسط کاربر به‌طور تصادفی انتخاب شد. این دو مکانیسم باعث شدند که RF توانایی طبقه بندی و سرعت پردازش بالایی را نشان دهد. در حال حاضر، RF به طور گسترده در جامعه علوم زمین استفاده می شود [ 76].
دو عامل تعریف شده توسط کاربر در مدل RF دخیل هستند: تعداد درختانی که رشد خواهند کرد (nTree) و تعداد ویژگی های انتخاب شده تصادفی (mTry). بر اساس نتایج منتشر شده بر روی داده ها، nTree معمولاً روی 500 تنظیم می شود و mTry بر روی ریشه دوم متغیر عدد [ 76] تنظیم می شود.]. در حال حاضر، بسیاری از مطالعات بر تأثیر انتخاب ویژگی بر دقت طبقه‌بندی تمرکز دارند. در روش RF، از اهمیت متغیر (VI) برای بهینه‌سازی فضای ویژگی براساس میانگین کاهش در جینی (MDG) یا کاهش میانگین در دقت (MDA) استفاده می‌شود. MDG توضیح می دهد که چگونه هر متغیر به همگنی گره ها کمک می کند. MDA اندازه گیری مبتنی بر محاسبه خطای خارج از کیسه است. هرچه دقت به دلیل حذف یک متغیر کاهش یابد، MDA بالاتر خواهد بود. در این مطالعه از MDA برای انتخاب ویژگی استفاده شد، همانطور که اکثر گزارش ها انجام دادند.
محاسبه متریک هر شیء بین مراحل تقسیم بندی و طبقه بندی مورد نیاز است. چهار نوع معیار، از جمله اطلاعات طیفی، بافتی، هندسی و توپوگرافی، برای هر شی محاسبه شد ( جدول 2 ). از مجموع 36 متغیر، ویژگی های طیفی و هندسی معمولاً در تجزیه و تحلیل تصویر مبتنی بر شی استفاده می شود. ویژگی های بافت، که می تواند طبقه بندی را بهبود بخشد، نیز به طور گسترده استفاده می شود. هشت ویژگی مشتق شده از ماتریس هم‌وضعیت سطح خاکستری (GLCM) پیشنهاد شده توسط هارالیک [ 77] بر اساس دو باند محاسبه شد. یکی از ویژگی ها نوار قرمز است که بافت تصویر را نشان می دهد و دیگری لایه برجسته سایه دار ایجاد شده در ArcMap است که نشان دهنده بافت زمین است. علاوه بر این، توپوگرافی یک عامل کلیدی برای شروع و توسعه خندق ها است [ 78 ]. در این مقاله، مقادیر میانگین شیب، زبری، برجستگی سایه‌دار و SCA برای هر شی محاسبه شد.

4. نتایج

4.1. DEM و Ortho-Mosaics Generation

پس از بررسی میدانی و پردازش تصویر داخلی در آوریل 2016، DEM و ارتو موزاییک با وضوح بالا تولید شدند. شکل 5 تصاویر برجسته سایه دار هر دو ناحیه را نشان می دهد. وضوح 1 متر DEM می تواند شرایط فرسایش کلی، ویژگی های مورفولوژیکی و میکرو توپوگرافی را با اطلاعات دقیق منعکس کند. دو منطقه بزرگ برای هر منطقه مورد مطالعه انتخاب شد که به نمایندگی از مناطق طبیعی تحت تاثیر خندق و مناطق تراس ساخته دست بشر است. برای تحقیقات فرسایش خندقی، تجزیه و تحلیل زمین دیجیتال مبتنی بر DEM مهم است. ارتوموزائیک‌هایی که در آن زمینه تصویر و ادراک سه‌بعدی برای تفسیر بصری و استخراج منظر مفید است نیز مورد نیاز است. همانطور که در شکل 6 نشان داده شده استمقدار زیادی از اطلاعات سطح زمین مانند زمین های زراعی، پوشش گیاهی و خانه ها را می توان بیان کرد.
ارزیابی دقت قبل از استفاده از داده ها ضروری است. ICP برای هر دو منطقه در طول بررسی در فضای باز اندازه گیری شد. خطای عمودی بین ارتفاع ICPها و مقادیر مربوطه از DEM محاسبه شد. علاوه بر این، خطای افقی با توجه به تفاوت بین ICP و ارتو موزاییک تعیین شد. شکل 7 و جدول 3آمار را خلاصه کنید RMSE عمودی در Changwu و Ansai به ترتیب 0.245 و 0.339 است. خطاهای افقی نسبتاً کمتر هستند و RMSE به 0.083 و 0.143 می رسد. بسیاری از عوامل، از جمله خطای سیستم GPS، خطای اندازه گیری برای GCP ها و خطاهای ناشی از پردازش تصویر داخلی، در خطای خروجی نقش دارند. ویژگی های زمین تأثیر قابل توجهی بر دقت دارد. دو منطقه مطالعاتی انتخاب شده همگی در فلات لس قرار دارند. تسکین توپوگرافی بزرگ باعث ایجاد مشکل در بررسی GCP ها می شود. علاوه بر این، بازیابی فتوگرامتری و استخراج DEM در این دو منطقه مورد مطالعه نیاز به کار دستی بیشتری دارد که به تخمین خطا نیز کمک می کند. از این رو، دقت نسبتاً کمتر از فتوگرامتری پهپاد در مناطق ساحلی [ 34 ] و گل و لای [ 34] است.79 ]. دلیل اینکه Changwu دارای دقت بالاتری نسبت به Ansai است را نیز می توان با این دلیل توضیح داد. با این وجود، در مطالعه حاضر، دقت با توجه به الزامات برای تشخیص مناطق آسیب‌دیده از خندق رضایت‌بخش است.

4.2. شناسایی مناطق آسیب دیده خندق

با توجه به بحث در بخش 3.2.2 ، از دو استراتژی تقسیم بندی استفاده شد. ارزیابی های خوب تقسیم بندی با استفاده از پارامترهای کاندید از جدول 4 ، جدول 5 ، جدول 6 و جدول 7 برای تعیین مناسب ترین پارامترهای تقسیم بندی نشان داده شده است. مقدار ED برای تعیین مطلوب ترین پارامترهای تقسیم بندی استفاده می شود. معیارهای خطا بر اساس استراتژی OSRH به وضوح کمتر از مقادیر مربوطه بر اساس استراتژی DOM است، که ثابت می کند اطلاعات توپوگرافی می تواند نتایج تقسیم بندی را به طور قابل توجهی بهبود بخشد. دو مجموعه از پارامترها بر اساس OSRH در نهایت به دست آمد: 481، 0.4، و 0.7 برای Changwu، و 327، 0.3، و 0.7 برای Ansai.
با توجه به نتایج تقسیم‌بندی، می‌توان از مدل RF برای پیش‌بینی ناحیه آسیب‌دیده خندق استفاده کرد. 15 ویژگی انتخاب شده در دو منطقه مورد مطالعه در شکل 8 نشان داده شده استپس از محاسبه مقدار میانگین MDA از تکرارهای 10 برابری. ویژگی‌های توپوگرافی در دو منطقه مورد مطالعه در بالاترین رتبه قرار می‌گیرند، در نتیجه نشان می‌دهد که توزیع خندق با ویژگی‌های زمین مرتبط است. ویژگی‌های بافت نیز در رتبه‌بندی VI غالب هستند که هفت مورد در Changwu و هشت مورد در Ansai انتخاب شده‌اند. به طور قابل توجهی، ویژگی های بافت به دست آمده از DEM به موقعیت های نسبتاً بهتری در رتبه VI نسبت به ارتوموزائیک ها دست می یابد. این به این دلیل است که بافت زمین سطح زمین را بدون تأثیر پوشش گیاهی و ساختمان‌های ساخته شده توسط انسان منعکس می‌کند. از این رو، بافت زمین عملکرد بهتری برای بهبود دقت نسبت به بافت تصویر دارد. به جز روشنایی که رتبه سوم را در Ansai به خود اختصاص داد، تقریباً تمام معیارهای طیفی و شکلی فراتر از جایگاه پانزدهم قرار دارند.
برای بررسی تأثیرات عدد ویژگی بر دقت طبقه‌بندی، مدل RF با استفاده از تعداد ویژگی‌های مختلف بر اساس رتبه VI ساخته شد. ارزیابی های طبقه بندی مدل RF در شکل 9 و شکل 10 نشان داده شده است. به طور کلی، Changwu و Ansai هر دو با استفاده از همه ویژگی‌ها، با 84.62% در Changwu و 86.46% در Ansai، به بالاترین اندازه‌های F خود می‌رسند. دقت در Changwu زمانی که ویژگی‌های انتخاب‌شده بیش از 8 باشد ثابت به نظر می‌رسد. وقتی تعداد ویژگی کمتر از 8 می‌شود، دقت تولیدکننده (PA) به‌طور چشمگیری کاهش می‌یابد که منجر به اندازه‌گیری F پایین می‌شود. با این حال، دقت کاربر (UA) در این محدوده حتی افزایش جزئی را تجربه می کند. چنین رفتار طبقه‌بندی‌کننده RF ناشی از مشکل عدم تعادل کلاس است که در آن کلاس اقلیت بیش از حد پیش‌بینی می‌شود [ 80 ]. تخمین کلاس تعادل به عنوان یک حدس هوشمندانه در طراحی مدل RF در نظر گرفته می شود [ 62]. در این مقاله، بحث بیشتر در مورد چنین مشکلی تنها به دلیل جدی نبودن آن در محدوده توصیه شده (8-36) انجام نمی شود. نتایج در Ansai تقریباً یکسان است. اگر عدد انتخاب شده بیش از 10 باشد، نتایج طبقه‌بندی می‌تواند قابل قبول باشد. وقتی تعداد ویژگی کمتر از 10 باشد، PA و UA به طور همزمان کاهش می‌یابند. مشکل عدم تعادل طبقاتی در Ansai اتفاق نمی افتد، که می توان توضیح داد که توزیع طبقاتی طبیعی در Ansai بیشتر از Changwu به نمونه متعادل نزدیک است. مدل های RF بر اساس تمام ویژگی ها مناسب ترین عملکرد را نشان می دهند. بنابراین، این مدل‌ها برای به‌دست آوردن نواحی آسیب‌دیده نهایی در هر دو ناحیه مورد استفاده قرار گرفتند ( شکل 11 ).
منطقه Ansai از فرسایش آبکندی جدی تری با توپوگرافی تندتر رنج می برد، اما دقت بالاتری نسبت به چانگوو به دست می آورد. این پدیده را می توان با استراتژی نمونه برای تولید مجموعه داده های آموزشی و آزمایشی توضیح داد. یک حوضه یکپارچه می تواند به عنوان واحد ایده آل برای تولید نمونه های آموزشی نماینده در نظر گرفته شود. در این مطالعه، آزمایش‌ها در انسایی مطابق با این نیاز بود. حوضه فرعی سمت چپ به عنوان منطقه تمرین و قسمت سمت راست که شامل یک زیرحوضه دیگر و یک بخش از دامنه دامنه بود، به عنوان منطقه آزمایشی انتخاب شد. برای چانگوو، کل منطقه بررسی فقط شامل یک حوضه است. از این رو هیچ مرز طبیعی برای تولید مجموعه داده آموزشی وجود نداشت. استراتژی نمونه فعلی ممکن است جانبدارانه باشد، که منجر به دقت کمتر از حد انتظار می شود.

5. بحث

5.1. مقایسه با مطالعات موجود

فتوگرامتری پهپاد، یک فناوری پیشرفته، در دو حوضه آبریز فلات لس چین به کار گرفته شد. کار میدانی روش مبتنی بر پهپاد بسیار کمتر از روش پیمایش مرسوم است. در همین حال، انعطاف پذیری عملیات بالاتر از روش مبتنی بر RS است.
همانطور که تقاضا برای داده های توپوگرافی با وضوح بالا به طور چشمگیری افزایش می یابد، فتوگرامتری مبتنی بر پهپاد در حال توسعه انفجاری است. تارولی اظهار داشت که داده های توپوگرافی با وضوح بالا می توانند فرصتی برای درک بهتر فرآیند سطح زمین فراهم کنند [ 81 ]. از این رو، فتوگرامتری پهپاد علاوه بر استخراج ویژگی های آبکندی موجود در این مقاله، زمینه های کاربردی مختلفی نیز دارد.
در این مقاله از رویکرد مبتنی بر شی نیز استفاده شده است که توانایی خود را در مناطق مختلف به اثبات رسانده است. با این وجود، تنها تعداد کمی از مطالعات این روش را در منطقه فلات لس برای استخراج ویژگی‌های خندق اتخاذ می‌کنند. در مطالعات قبلی، مقدار قابل توجهی از کار بر روی استخراج خط مرزی خندقی (همچنین به نام خط شانه لس) متمرکز شده است. اگرچه از خط مرزی خندق نیز می توان برای تعیین مناطق آسیب دیده از خندق استفاده کرد، روش های استخراج نامشخص و عمومی نیستند [ 82 ، 83] .]. دسترسی به داده ها تأثیر قابل توجهی بر طراحی روش دارد. در مطالعات موجود، DEM با وضوح بالا در دسترس نیست. از این رو، استخراج خط مرزی بر اساس تفاوت خاکستری عملی تر از نقشه برداری در سطح منطقه است. روش پیشنهادی چندین مزیت را نشان می دهد. ابتدا اطلاعات به دست آمده از DEM و ارتو موزاییک با وضوح بالا به طور کامل مورد استفاده قرار می گیرد که مطابق با روند توسعه است. دوم، روش ما یک گردش کار عمومی است که می تواند به راحتی به سایر حوضه ها گسترش یابد. سوم، دقت تشخیص بالا و پایدار است. علاوه بر این، رویکرد مبتنی بر شی می تواند از طبقه بندی سلسله مراتبی پشتیبانی کند. در نتیجه می توان هم مناطق آسیب دیده خندق و هم خندق های مستقل را استخراج کرد.

5.2. محدودیت های استفاده از پهپاد در منطقه تپه لوس

هزینه زمانی برای استفاده از پهپاد در دو منطقه مورد مطالعه بیش از حد انتظار است، حدود دو روز برای بررسی فضای باز در آنسای و یک و نیم روز در چانگوو صرف شد. قرار دادن و بررسی GCP ها، به ویژه برای GCP های واقع در مناطق آسیب دیده خندق که دسترسی به آنها سخت است، زمان بر است. اگرچه پردازش فتوگرامتری نسبت به توزیع و تعداد GCPها معقول است [ 32]، تعادل بین دقت و هزینه زمان باید در نظر گرفته شود. چنین تعادلی یک مشکل رایج برای منطقه ای است که با توپوگرافی شیب دار مشخص می شود. برای پردازش داخلی، تکنیک تطبیق مبتنی بر ویژگی که در Inpho و MapMatrix به کار گرفته شده است، امکان تولید خودکار DEM و ortho-mosaics را فراهم می‌کند. با این حال، پردازش خودکار بدون دخالت اپراتور ممکن است باعث خطاهای سیستماتیک قابل توجهی در مناطق با توپوگرافی شیب دار شود. بنابراین، یک گردش کار نیمه خودکار در مناطق مورد مطالعه ما اعمال شد. این دو دلیل باعث کاهش کارایی فتوگرامتری پهپاد در لوس فلات در مقایسه با مطالعات منتشر شده در مناطق با توپوگرافی ملایم می شود.
این مطالعه عمدتاً با هدف شناسایی منطقه تحت تأثیر خندق است که می تواند به عنوان یک نوع خاص از شکل زمین در نظر گرفته شود [ 84 ]. برخی از مطالعات بر استخراج انواع خاصی از خندق ها متمرکز شدند [ 85 ]. در منطقه فلات لس چین، خندق ها را می توان به سه نوع تقسیم کرد: خندق های شیب دار، ساحلی و کفی. همانطور که در شکل 5 و شکل 6 نشان داده شده است، 1 متر DEM برای تشخیص منطقه آسیب دیده از خندق کافی است و شیب تپه ها و خندق ها نیز قابل تشخیص هستند. از فتوگرامتری پهپاد می توان برای نقشه برداری ویژگی خندق در سطوح مختلف استفاده کرد. مطالعات موجود پتانسیل های آن را در استخراج خندق های تپه ای نشان داد [ 33 ، 70]]. با این حال، چالش ها هنوز وجود دارد. خندق‌های کف، که در کف دره ایجاد می‌شوند، به سختی با استفاده از فتوگرامتری پهپاد منعکس می‌شوند، زیرا موقعیت عمیق و باز بودن زمین کوچک است. اندازه گیری میدان سنتی هنوز در این مورد مناسب تر است. برای خندق های بانکی، فتوگرامتری پهپاد برای مدل سازی آبکندها در شیب بسیار تند، به دلیل محدودیت زاویه عکسبرداری، مشکلاتی دارد. تصویربرداری مورب هوایی که مکمل عکاسی عمودی سنتی است را می توان در مطالعه بیشتر برای غلبه بر چنین محدودیتی استفاده کرد [ 72 ، 86 ].

6. نتیجه گیری

ما با الهام از کاربرد پهپاد در مدل‌سازی محیطی، از یک دستگاه کم‌هزینه و بسیار کارآمد برای استخراج ویژگی‌های خندق در منطقه لوس فلات چین استفاده کردیم. اگرچه تسکین توپوگرافی در دو منطقه مورد مطالعه انتخاب شده ناشی از فرسایش آبکندی بالاست، پهپاد هنوز هم می‌تواند موزاییک‌های تصویر ارتو 1 متری و 0.2 متری را با موفقیت به دست آورد. با توجه به تولیدات بسیار دقیق، یک روش مبتنی بر شی همراه با طبقه‌بندی کننده RF برای شناسایی مناطق آسیب‌دیده از خندق استفاده شد.
سه مشارکت در این مقاله ارائه شده است: (1) یک گردش کار یکپارچه برای تشخیص نواحی متاثر از خندق که شامل فتوگرامتری پهپاد برای تولید داده و رویکرد مبتنی بر شی برای نگاشت ویژگی است. (2) مرحله تقسیم بندی با در نظر گرفتن بهبود ویژگی های توپوگرافی بهینه شد. و (3) آزمایش‌ها در دو حوضه آبریز فلات لس چین روش جدیدی برای استخراج ویژگی‌های خندق در این منطقه ارائه کرد.
مطالعات بیشتر برای افزایش دقت برای شناسایی مناطق آسیب دیده خندق و خندق های مستقل مورد نیاز است. علاوه بر این، داده‌های پهپاد چند زمانی برای نظارت بر توسعه خندق به دست خواهد آمد.

منابع

  1. وانگ، بی. ژنگ، اف. Römkens، MJM; Darboux، F. فرسایش پذیری خاک برای فرسایش آبی: دیدگاه و تجربیات چینی. ژئومورفولوژی 2013 ، 187 ، 1-10. [ Google Scholar ] [ CrossRef ]
  2. دی ونته، جی. پوسن، جی. پیش‌بینی فرسایش خاک و عملکرد رسوب در مقیاس حوضه: مسائل مقیاس و مدل‌های نیمه کمی. علوم زمین Rev. 2005 , 71 , 95-125. [ Google Scholar ] [ CrossRef ]
  3. لونگونی، ال. پاپینی، م. برامبیلا، دی. بارازتی، ال. Roncoroni، F. اسکایونی، م. ایوانف، VI پایش فرسایش سواحل رودخانه در حوضه های آبریز کوهستانی با استفاده از اسکن لیزری زمینی. Remote Sens. 2016 , 8 , 241. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  4. فو، بی جی؛ ژائو، WW; چن، LD; ژانگ، QJ; Lv، YH; گولینک، اچ. پوسن، جی. ارزیابی فرسایش خاک در مقیاس بزرگ حوضه با استفاده از RUSLE و GIS: مطالعه موردی در فلات لس چین. تخریب زمین توسعه دهنده 2005 ، 16 ، 73-85. [ Google Scholar ] [ CrossRef ]
  5. لیو، ک. تانگ، جی. جیانگ، ال. زو، تبر; یانگ، جی. آهنگ، XD محاسبه در مقیاس منطقه ای عامل LS با استفاده از پردازش موازی. محاسبه کنید. Geosci. 2015 ، 78 ، 110-122. [ Google Scholar ] [ CrossRef ]
  6. پوسن، جی. Nachtergaele, J.; ورستراتن، جی. والنتین، سی. فرسایش خندقی و تغییرات محیطی: اهمیت و نیازهای پژوهشی. کاتنا 2003 ، 50 ، 91-133. [ Google Scholar ] [ CrossRef ]
  7. کاستیو، سی. گومز، JA یک قرن تحقیق در مورد فرسایش خندقی: فوریت، پیچیدگی و رویکردهای مطالعه. علوم زمین Rev. 2016 , 160 , 300-319. [ Google Scholar ] [ CrossRef ]
  8. Maugnard، A. کوردونیه، اچ. درجه، ا. دیمارسین، پی. پینوکس، ن. Bielders، CL ارزیابی عدم قطعیت شناسایی زودگذر خندق، ویژگی ها و آستانه توپوگرافی هنگام استفاده از عکس های هوایی در تنظیمات کشاورزی. زمین گشت و گذار. روند. Landf. 2014 ، 39 ، 1319-1330. [ Google Scholar ] [ CrossRef ]
  9. ژورچسکو، ام. Grecu، F. مدل سازی وقوع خندق ها در دو مقیاس فضایی در حوضه زهکشی Olteţ (رومانی). نات خطرات 2015 ، 79 ، 255-289. [ Google Scholar ] [ CrossRef ]
  10. ژانگ، جنوب غربی؛ لی، اف. لی، TQ; یانگ، جی سی. بو، ک. چانگ، LP; وانگ، WJ; یان، YC نظارت سنجش از دور خندق‌ها در مقیاس منطقه‌ای: مطالعه موردی منطقه Kebai در استان Heilongjiang، چین. چانه. Geogr. علمی 2015 ، 25 ، 602-611. [ Google Scholar ] [ CrossRef ]
  11. کازالی، جی. لوپز، جی جی. گیرالدز، JV فرسایش خندقی زودگذر در جنوب ناوارا (اسپانیا). کاتنا 1999 ، 36 ، 65-84. [ Google Scholar ] [ CrossRef ]
  12. کازالی، جی. لویزو، جی. Campo، MA; De Santisteban، LM دقت روشهای ارزیابی میدانی فرسایش آبکندی و زودگذر. کاتنا 2006 ، 67 ، 128-138. [ Google Scholar ] [ CrossRef ]
  13. کوچیوبا، دبلیو. جانیکی، جی. رودزیک، جی. Stępniewski، K. مقایسه روش‌های حجمی و سنجش از دور (TLS) برای ارزیابی توسعه یک خندق لس جنگلی دائمی. نات خطرات 2015 ، 79 ، 139-158. [ Google Scholar ] [ CrossRef ]
  14. کنر، آر. بوهلر، ی. دلالوی، آر. گینزلر، سی. فیلیپس، ام. نظارت بر حرکات توده بالا آلپ با ترکیب اسکن لیزری با فتوگرامتری دیجیتالی هوابرد. ژئومورفولوژی 2014 ، 206 ، 492-504. [ Google Scholar ] [ CrossRef ]
  15. گیمنز، آر. مارزولف، آی. Campo، MA; سیگر، م. Ries، JB; کازالی، جی. Álvarez-Mozos، J. دقت اندازه‌گیری‌های فتوگرامتری با وضوح بالا خندق‌ها با مورفولوژی متضاد. زمین گشت و گذار. روند. Landf. 2009 ، 34 ، 1915-1926. [ Google Scholar ] [ CrossRef ]
  16. کاستیو، سی. پرز، آر. جیمز، MR; کوینتون، JN; تاگواس، EV; گومز، JA مقایسه دقت چند روش میدانی برای اندازه‌گیری فرسایش خندقی. علم خاک Soc. صبح. J. 2012 , 76 , 1319–1332. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  17. هوهنتال، جی. آلهو، پی. Hyyppä، J.; Hyyppä، H. کاربردهای اسکن لیزری در مطالعات رودخانه ای. Prog. فیزیک Geogr. 2011 ، 35 ، 782-809. [ Google Scholar ] [ CrossRef ]
  18. برمر، ام. Sass, O. ترکیب اسکن لیزری هوابرد و زمینی برای تعیین کمیت فرسایش و رسوب توسط یک رویداد جریان زباله. ژئومورفولوژی 2012 ، 138 ، 49-60. [ Google Scholar ] [ CrossRef ]
  19. گودوین، NR; آرمستون، جی. استیلر، آی. Muir, J. ارزیابی تکرارپذیری اسکن لیزری زمینی برای نظارت بر توپوگرافی آبکند: مطالعه موردی از آراتولا، کوئینزلند، استرالیا. ژئومورفولوژی 2016 ، 262 ، 24-36. [ Google Scholar ] [ CrossRef ]
  20. Heritage, GL; Hetherington، D. به سوی یک پروتکل برای اسکن لیزری در ژئومورفولوژی رودخانه. زمین گشت و گذار. روند. Landf. 2007 ، 32 ، 66-74. [ Google Scholar ] [ CrossRef ]
  21. هوفل، بی. گریسبام، ال. Forbriger، M. تشخیص خندق‌ها مبتنی بر GIS در داده‌های LiDAR زمینی Cerro Llamoca Peatland (پرو). Remote Sens. 2013 ، 5 ، 5851–5870. [ Google Scholar ] [ CrossRef ]
  22. Vrieling، A. سنجش از دور ماهواره ای برای ارزیابی فرسایش آب: بررسی. Catena 2006 ، 65 ، 2-18. [ Google Scholar ] [ CrossRef ]
  23. لی، دی. که، ی. گونگ، اچ. Li، X. طبقه بندی گونه های درختی شهری مبتنی بر شی با استفاده از تصاویر Bi-Temporal WorldView-2 و WorldView-3. Remote Sens. 2015 ، 7 ، 16917–16937. [ Google Scholar ] [ CrossRef ]
  24. استامف، ا. Malet، JP; علامند، پ. Ulrich, P. بازسازی سطح و اندازه گیری جابجایی زمین لغزش با تصاویر ماهواره ای Pléiades. ISPRS J. Photogramm. 2014 ، 95 ، 1-12. [ Google Scholar ] [ CrossRef ]
  25. چن، جی. داومن، آی. لی، اس. Li، ZL; مدن، م. میلز، جی. پاپرودیتیس، ن. روتنشتاینر، اف. سستر، ام. توث، سی. و همکاران اطلاعات از تصاویر: بینش علمی و دستور کار تحقیقاتی ISPRS. ISPRS J. Photogramm. 2016 ، 115 ، 3-21. [ Google Scholar ] [ CrossRef ]
  26. وانگ، RH; ژانگ، جنوب غربی؛ یانگ، جی سی. Pu، LM; یانگ، CB; یو، LX; چانگ، LP; Bu، K. استفاده یکپارچه از GCM، RS، و GIS برای ارزیابی شیب تپه و فرسایش خندقی در حوضه فرعی رودخانه موشی، شمال شرقی چین. پایداری 2016 ، 8 ، 317. [ Google Scholar ] [ CrossRef ]
  27. وانگ، RH; ژانگ، جنوب غربی؛ Pu، LM; یانگ، جی سی. یانگ، CB; چن، جی. گوان، سی. وانگ، کیو. چن، دی. فو، BL; و همکاران نقشه برداری و پایش فرسایش خندقی در مقیاس های چندگانه بر اساس داده های سنجش از دور چند منبعی حوضه آبریز رودخانه سانچا، شمال شرقی چین. ISPRS Int. J. Geo-Inf. 2016 ، 5 ، 200. [ Google Scholar ] [ CrossRef ]
  28. کورنوس، دبلیو. علموس، ر. رویز، ا. تولید Talaya، J. DEM از SPOT-5 3 برابر در طول مسیر تصاویر استریوسکوپی با استفاده از کالیبراسیون خودکار. ISPRS J. Photogramm. 2006 ، 60 ، 147-159. [ Google Scholar ] [ CrossRef ]
  29. مرکر، ام. Quénéhervé، G. باکوفر، اف. موری، S. یک روش ارزیابی ساده DEM برای تجزیه و تحلیل سیستم خندقی در منطقه دریاچه مانیارا، شمال تانزانیا. نات خطرات 2015 ، 79 ، 235-253. [ Google Scholar ] [ CrossRef ]
  30. وایتهد، کی. Hugenholtz، CH سنجش از دور محیط با سیستم‌های هواپیمای بدون سرنشین کوچک (UAS)، بخش 1: مروری بر پیشرفت و چالش‌ها. J. بدون سرنشین Veh. سیستم 2014 ، 2 ، 69-85. [ Google Scholar ] [ CrossRef ]
  31. کلومینا، آی. Molina, P. سیستم های هوایی بدون سرنشین برای فتوگرامتری و سنجش از دور: یک بررسی. ISPRS J. Photogramm. 2014 ، 92 ، 79-97. [ Google Scholar ] [ CrossRef ]
  32. D’Oleire-Oltmanns، S. مارزولف، آی. پیتر، KD; ریس، وسیله نقلیه هوایی بدون سرنشین JB (UAV) برای نظارت بر فرسایش خاک در مراکش. Remote Sens. 2012 , 4 , 3390–3416. [ Google Scholar ] [ CrossRef ]
  33. التنر، ا. باومگارت، پ. ماس، HG; Faust, D. داده‌های پهپاد چند زمانی برای اندازه‌گیری خودکار فرسایش شیاری و بین‌شیاری در خاک لس. زمین گشت و گذار. روند. لانف. 2015 ، 40 ، 741-755. [ Google Scholar ] [ CrossRef ]
  34. Gonçalves، JA; Henriques, R. فتوگرامتری پهپاد برای پایش توپوگرافی مناطق ساحلی. ISPRS J. Photogramm. 2015 ، 104 ، 101-111. [ Google Scholar ] [ CrossRef ]
  35. گونزالس-دوگو، وی. زارکو-تجادا، پ. نیکلاس، ای. نورتس، PA; آلارکون، جی جی؛ Intrigliolo، DS; Fereres، E. استفاده از تصاویر حرارتی پهپاد با وضوح بالا برای ارزیابی تغییرپذیری در وضعیت آب پنج گونه درخت میوه در یک باغ تجاری. دقیق کشاورزی 2013 ، 14 ، 660-678. [ Google Scholar ] [ CrossRef ]
  36. Immerzeel، WW; Kraaijenbrink، PDA; شی، جی.ام. شرستا، AB; پلیچیوتی، اف. Bierkens، MFP; de Jong, SM پایش با وضوح بالا دینامیک یخچالهای طبیعی هیمالیا با استفاده از وسایل نقلیه هوایی بدون سرنشین. سنسور از راه دور محیط. 2014 ، 150 ، 93-103. [ Google Scholar ] [ CrossRef ]
  37. لوسییر، آ. دی یونگ، اس. ترنر، دی. نقشه برداری جابجایی زمین لغزش با استفاده از ساختار از حرکت (SfM) و همبستگی تصویر عکاسی با پهپاد چند زمانی. Prog. فیزیک Geogr. 2014 ، 38 ، 97-116. [ Google Scholar ] [ CrossRef ]
  38. فاضل، HM; صالح، AA; علی، IA; Inanaga، S. استفاده از سنجش از دور برای نقشه برداری از فرسایش خندقی در امتداد رودخانه Atbara، سودان. بین المللی J. Appl. زمین Obs. Geoinf. 1999 ، 1 ، 175-180. [ Google Scholar ] [ CrossRef ]
  39. مک اینز، جی. ویجیاک، او. Roberts, AM با استفاده از Google Earth برای نقشه برداری از گستره خندق در منطقه West Gippsland (ویکتوریا، استرالیا). بین المللی کنگره مدل. شبیه سازی 2011 ، 49 ، 3370-3376. [ Google Scholar ]
  40. مترنیخت، GI; Zinck, JA ارزیابی محتوای اطلاعات JERS-1 SAR و داده‌های Landsat TM برای تمایز ویژگی‌های فرسایش خاک. ISPRS J. Photogramm. 1998 ، 53 ، 143-153. [ Google Scholar ] [ CrossRef ]
  41. Vrieling، A. رودریگز، SC; بارتولومئوس، اچ. Sterk، G. شناسایی خودکار خندق‌های فرسایشی با تصاویر ASTER در سرادوس برزیل. بین المللی J. Remote Sens. 2007 , 28 , 2723-2738. [ Google Scholar ] [ CrossRef ]
  42. کرمی، ع. خورانی، ع. نوهگر، ع. شمسی، SRF; موسوی، وی. نقشه برداری فرسایش خندقی با استفاده از روش های طبقه بندی تصاویر مبتنی بر شی و مبتنی بر پیکسل. محیط زیست مهندس Geosci. 2015 ، 21 ، 101-110. [ Google Scholar ] [ CrossRef ]
  43. دورو، دی سی؛ فرانکلین، SE; Dubé، MG مقایسه تحلیل تصویر مبتنی بر پیکسل و شی با الگوریتم‌های یادگیری ماشین انتخاب شده برای طبقه‌بندی مناظر کشاورزی با استفاده از تصاویر SPOT-5 HRG. سنسور از راه دور محیط. 2012 ، 118 ، 259-272. [ Google Scholar ] [ CrossRef ]
  44. شروتی، RBV; کرل، ن. جتن، وی. عبدالله، ل. Machach، I. کمی سازی تغییرات زمانی در مناطق فرسایش خندقی با تجزیه و تحلیل شی گرا. Catena 2015 ، 128 ، 262-277. [ Google Scholar ] [ CrossRef ]
  45. شروتی، RBV; کرل، ن. جتن، V. استخراج ویژگی خندق مبتنی بر شی با استفاده از تصاویر با وضوح فضایی بالا. ژئومورفولوژی 2011 ، 134 ، 260-268. [ Google Scholar ] [ CrossRef ]
  46. شروتی، RBV; کرل، ن. جتن، وی. Stein، A. پیش‌بینی سیستم خندقی مبتنی بر شی از تصاویر با وضوح متوسط ​​با استفاده از جنگل‌های تصادفی. ژئومورفولوژی 2014 ، 216 ، 283-294. [ Google Scholar ] [ CrossRef ]
  47. وانگ، تی. او، اف. ژانگ، ا. گو، ال. ون، ی. جیانگ، دبلیو. Shao, H. مطالعه کمی فرسایش خندقی بر اساس تکنیک های تجزیه و تحلیل شی گرا: مطالعه موردی در حوضه Beiyanzikou از Qixia، شاندونگ، چین. علمی World J. 2014 ، 149-168. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  48. تانگ، GA; Li، FY; لیو، XJ; لانگ، ی. یانگ، ایکس. تحقیق در مورد طیف شیب فلات لس. علمی چین سر. E 2008 ، 51 ، 175-185. [ Google Scholar ] [ CrossRef ]
  49. زو، ی. Cai، Q. فرآیندهای فرسایش شیاری و عوامل آن در خاک های مختلف. در فرسایش خندقی تحت تغییر جهانی ; Li, Y., Poesen, J., Valentin, C., Eds. انتشارات علم و فناوری سیچوان: چنگدو، چین، 2004; صص 96-108. [ Google Scholar ]
  50. ژو، TX خندق و فرسایش تونل در منطقه تپه‌ای فلات لس، چین. ژئومورفولوژی 2012 ، 153 ، 144-155. [ Google Scholar ] [ CrossRef ]
  51. ژو، ی. تانگ، جی. یانگ، ایکس. شیائو، سی سی؛ ژانگ، ی. Luo, ML زمین های مثبت و منفی در شمال فلات Shaanxi Loess. جی. جئوگر. علمی 2010 ، 20 ، 64-76. [ Google Scholar ] [ CrossRef ]
  52. وو، ی. چنگ، اچ. نظارت بر فرسایش خندقی در فلات لس چین با استفاده از یک سیستم موقعیت‌یابی جهانی. کاتنا 2005 ، 63 ، 154-166. [ Google Scholar ] [ CrossRef ]
  53. جیانگ، اس. تانگ، جی. لیو، ک. یک روش جدید استخراج خط شانه لس بر اساس اپراتور مار-هیلدرث و ماسک زمین. PLoS ONE 2015 ، 10 ، e0123804. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  54. لی، ز. ژانگ، ی. زو، س. سلام.؛ یائو، دبلیو. ارزیابی توسعه خندق بانک و پوشش گیاهی در فلات لس چین. ژئومورفولوژی 2015 ، 228 ، 462-469. [ Google Scholar ] [ CrossRef ]
  55. لی، ز. ژانگ، ی. زو، س. یانگ، اس. لی، اچ. Ma، H. یک مدل ارزیابی فرسایش خندقی برای فلات لس چین بر اساس تغییرات در طول و مساحت خندق. کاتنا 2016 . [ Google Scholar ] [ CrossRef ]
  56. فنگ، ایکس. فو، بی. لو، ن. زنگ، ی. وو، بی. چگونه بازسازی اکولوژیکی خدمات اکوسیستم را تغییر می‌دهد: تحلیلی از ترسیب کربن در فلات لس چین. علمی Rep. 2013 , 3 , 2846. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  57. ژنگ، اف. وانگ، ب. فرسایش خاک در منطقه لوس فلات چین. در بازسازی و توسعه فلات تخریب شده لس، چین ؛ Tsunekawa, A., Liu, G., Yamanaka, N., Du, S., Eds. Springer: Nishikanda، ژاپن، 2014; صص 77-92. [ Google Scholar ]
  58. تورس سانچز، جی. لوپز-گرانادوس، اف. د کاسترو، هوش مصنوعی؛ Peña-Barragán، JM پیکربندی و مشخصات یک وسیله نقلیه هوایی بدون سرنشین (UAV) برای مدیریت اولیه علف های هرز خاص سایت. PLoS ONE 2013 ، 8 ، e58210. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  59. ترنر، دی. لوسییر، آ. والاس، L. ارجاع جغرافیایی مستقیم تصاویر پهپاد با وضوح فوق العاده بالا. IEEE Trans. Geosci. Remote Sens. 2014 , 52 , 2738–27450. [ Google Scholar ] [ CrossRef ]
  60. وایتهد، کی. هوگنهولتز، CH; میشک، س. براون، او. LeClair، A. تامینگا، ا. بارچین، تی. مورمن، بی. Eaton، B. سنجش از دور محیط با سیستم‌های هواپیمای بدون سرنشین کوچک (UAS)، بخش 2: کاربردهای علمی و تجاری. J. بدون سرنشین Veh. سیستم 2014 ، 2 ، 86-102. [ Google Scholar ] [ CrossRef ]
  61. چندلر، جی. کاربرد مؤثر فتوگرامتری دیجیتالی خودکار برای تحقیقات ژئومورفولوژیکی. زمین گشت و گذار. روند. Landf. 1999 ، 24 ، 51-63. [ Google Scholar ] [ CrossRef ]
  62. استامف، ا. Kerle، N. نقشه برداری شی گرا زمین لغزش ها با استفاده از جنگل های تصادفی. سنسور از راه دور محیط. 2011 ، 115 ، 2564-2577. [ Google Scholar ] [ CrossRef ]
  63. دمارچی، ال. بیزی، اس. Piégay، H. نقشه برداری سلسله مراتبی مبتنی بر شی از واحدهای منظره رودخانه و زیستگاه های درون جریان با استفاده از تصاویر LiDAR و VHR. Remote Sens. 2016 , 8 , 97. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  64. Tarboton, DG روشی جدید برای تعیین جهت جریان و نواحی شیب در مدل‌های رقومی ارتفاعی شبکه. منبع آب Res. 1997 ، 33 ، 309-319. [ Google Scholar ] [ CrossRef ]
  65. بااتز، ام. Schäpe، A. بخش‌بندی چند رزولوشن: یک رویکرد بهینه‌سازی برای تقسیم‌بندی تصویر در مقیاس چندگانه با کیفیت بالا. در Angewandte Geographische Informationsverarbeitung XII ; Herbert Wichmann Verlag: هایدلبرگ، آلمان، 2000; ص 12-23. [ Google Scholar ]
  66. بنز، UC؛ هافمن، پی. ویلهاک، جی. لینگنفلدر، آی. Heynen، M. تجزیه و تحلیل فازی با وضوح چندگانه، شی گرا داده های سنجش از دور برای اطلاعات آماده GIS. ISPRS J. Photogramm. 2004 ، 58 ، 239-258. [ Google Scholar ] [ CrossRef ]
  67. اندرس، NS; Seijmonsbergen، AC; Bouten، W. بهینه سازی بخش بندی و تجزیه و تحلیل مبتنی بر شی طبقه بندی شده برای نقشه برداری ژئومورفولوژیکی نیمه خودکار. سنسور از راه دور محیط. 2011 ، 115 ، 2976-2985. [ Google Scholar ] [ CrossRef ]
  68. دراگوت، ال. Eisank، C. طبقه بندی خودکار توپوگرافی مبتنی بر شی از داده های SRTM. ژئومورفولوژی 2012 ، 141 ، 21-33. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  69. اسپیندولا، جنرال موتورز; کامارا، جی. ریس، IA; Bins، LS; Monteiro، انتخاب پارامتر AM برای الگوریتم‌های تقسیم‌بندی تصویر در حال رشد با استفاده از همبستگی خودکار فضایی. بین المللی J. Remote Sens. 2006 ، 27 ، 3035-3040. [ Google Scholar ] [ CrossRef ]
  70. Woodcock، CE; Strahler, AH عامل مقیاس در سنجش از دور. سنسور از راه دور محیط. 1987 ، 21 ، 311-332. [ Google Scholar ] [ CrossRef ]
  71. Drǎguţ، L. تاید، دی. Levick، SR ESP: ابزاری برای تخمین پارامتر مقیاس برای تقسیم‌بندی تصویر با وضوح چندگانه داده‌های سنجش از راه دور. بین المللی جی. جئوگر. Inf. علمی 2010 ، 24 ، 859-871. [ Google Scholar ] [ CrossRef ]
  72. دراگوت، ال. سیلیک، او. آیسانک، سی. Tided، D. پارامترسازی خودکار برای تقسیم بندی تصویر در مقیاس چندگانه در چندین لایه. ISPRS J. Photogramm. 2014 ، 88 ، 119-127. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  73. کلینتون، ن. هولت، ا. اسکاربرو، جی. یان، ال. Gong, P. سنجش دقت برای تقسیم بندی تصویر مبتنی بر شی. فتوگرام مهندس Remote Sens. 2010 , 76 , 289-299. [ Google Scholar ] [ CrossRef ]
  74. لیو، ی. بیان، ال. منگ، ی. وانگ، اچ. ژانگ، اس. یانگ، ی. شائو، ایکس. وانگ، ب. معیارهای اختلاف برای انتخاب ترکیب بهینه مقادیر پارامتر در تجزیه و تحلیل تصویر مبتنی بر شی. ISPRS J. Photogramm. 2012 ، 68 ، 144-156. [ Google Scholar ] [ CrossRef ]
  75. بریمن، L. جنگل های تصادفی. ماخ فرا گرفتن. 2001 ، 45 ، 5-32. [ Google Scholar ] [ CrossRef ]
  76. بلژیک، م. Drăguţ، L. جنگل تصادفی در سنجش از دور: بررسی برنامه‌ها و جهت‌های آینده. ISPRS J. Photogramm. 2016 ، 114 ، 24-31. [ Google Scholar ] [ CrossRef ]
  77. Haralick، RM رویکرد آماری و ساختاری به بافت. Proc. IEEE 1979 ، 67 ، 786-804. [ Google Scholar ] [ CrossRef ]
  78. گومز-گوتیرز، Á. کونوسنتی، سی. Angileri، SE; روتیگلیانو، ای. Schnabel, S. استفاده از ویژگی های توپوگرافی برای ارزیابی استعداد فرسایش خندقی (حساسیت) در دو حوضه مدیترانه ای: مزایا و محدودیت ها. نات خطرات 2015 ، 79 ، 291-314. [ Google Scholar ] [ CrossRef ]
  79. جاود، م. گراسو، اف. لو دانتک، ن. ورنی، آر. دلاکورت، سی. امان، جی. دلوفر، جی. Grandjean، P. پتانسیل پهپادها برای نظارت بر مورفودینامیک گل و لای (کاربرد برای مصب سن، فرانسه). ISPRS Int. J. Geo-inf. 2016 ، 5 ، 50. [ Google Scholar ] [ CrossRef ]
  80. گارسیا، وی. مولیندا، آر. سانچز، جی. آلجو، آر. Sotoca, J. هنگامی که همپوشانی به طور غیرمنتظره اثرات عدم تعادل را تغییر می دهد. در تشخیص الگو و تجزیه و تحلیل تصویر ; Martí, J., Benedí, J., Mendonça, A., Serrat, J., Eds. Springer: برلین/هایدلبرگ، آلمان، 2007; صص 499-506. [ Google Scholar ]
  81. تارولی، پی. توپوگرافی با وضوح بالا برای درک فرآیندهای سطح زمین: فرصت ها و چالش ها. ژئومورفولوژی 2014 ، 216 ، 295-312. [ Google Scholar ] [ CrossRef ]
  82. آهنگ، X. تانگ، جی. Li، FY; جیانگ، ال. ژو، ی. Qian، KJ استخراج خط شانه لس بر اساس مدل مار موازی GVF در منطقه تپه ای لس چین. محاسبه کنید. Geosci. 2013 ، 52 ، 11-20. [ Google Scholar ] [ CrossRef ]
  83. لی، ام. یانگ، ایکس. Xiong، LY Point Cloud Oriented Shoulder Line Extraction در منطقه تپه لوس. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2016 ، XLI-B3 ، 279–282. [ Google Scholar ]
  84. D’Oleire-Oltmanns، S. مارزولف، آی. تاید، دی. Blaschke، T. تشخیص مناطق آسیب دیده خندق با استفاده از تجزیه و تحلیل تصویر مبتنی بر شی (OBIA) در منطقه Taroudannt، مراکش. Remote Sens. 2014 , 6 , 8287–8309. [ Google Scholar ] [ CrossRef ]
  85. فیوروچی، اف. آردیزون، اف. روسی، ام. Torri, D. استفاده از تصاویر ماهواره ای استریوسکوپی برای نقشه برداری از رودخانه ها و خندق های زودگذر. Remote Sens. 2015 ، 7 ، 14151–14178. [ Google Scholar ] [ CrossRef ]
  86. لین، ی. جیانگ، م. یائو، ی. ژانگ، LF; Lin, JY استفاده از تصویربرداری مورب پهپاد برای تشخیص تک تک درختان در محیط های مسکونی. شهری برای. سبز شهری. 2015 ، 14 ، 404-412. [ Google Scholar ] [ CrossRef ]
Ijgi 05 00238 g001 550
شکل 1. مکان مناطق مورد مطالعه، تصاویر جهان بینی-3 و عکس های گرفته شده در طول بررسی پرونده در ( A ) Ansai و ( B ) Changwu.
Ijgi 05 00238 g002 550
شکل 2. نمودار جریان روش پیشنهادی.
Ijgi 05 00238 g003 550
شکل 3. تصویر هواپیمای بدون سرنشین (UAV) و بررسی در فضای باز: ( الف ) میکروپهپاد md4-1000; ( ب ) نقشه برداری نقاط کنترل پایه. و ( ج ) مریخ نورد مورد استفاده برای اندازه گیری نقاط کنترل عکس.
Ijgi 05 00238 g004 550
شکل 4. نمای کلی طرح بررسی شامل خطوط پرواز، مکان نقاط کنترل پایه (BCP)، نقاط کنترل عکس (PCP) و نقاط چک مستقل (ICP). تصاویر پس‌زمینه از Google TM Earth گرفته شده‌اند. تغییرات از سیستم مختصات ژئودتیک چین 2000 به مرکاتور برای تمام نقاط کنترل زمینی (GCPs) و خطوط مبارزه با استفاده از ابزار طرح ریزی در ArcMap انجام شد.
Ijgi 05 00238 g005 550
شکل 5. تصاویر برجسته سایه دار از مدل های زمین دیجیتال (DEMs) برای: Changwu ( سمت چپ ). و انسایی ( سمت راست ).
Ijgi 05 00238 g006 550
شکل 6. ارتو موزاییک برای: Changwu ( سمت چپ ); و انسایی ( سمت راست ).
Ijgi 05 00238 g007 550
شکل 7. نمودارهای جعبه خطای اندازه گیری شده بین نقاط کنترل مستقل و DEM تولید شده (عمودی) و ارتو موزاییک (افقی).
Ijgi 05 00238 g008 550
شکل 8. اهمیت ویژگی برای: ( الف ) Changwu. و ( ب ) انسایی.
Ijgi 05 00238 g009 550
شکل 9. تکامل دقت طبقه بندی مربوط به تعداد متغیرهای انتخاب شده در Changwu.
Ijgi 05 00238 g010 550
شکل 10. تکامل دقت طبقه بندی مربوط به تعداد متغیرهای انتخاب شده در Ansai.
Ijgi 05 00238 g011 550
شکل 11. مناطق آسیب دیده خندق در: Changwu ( سمت چپ ) شناسایی شده است. و انسایی ( سمت راست ).
جدول
جدول 1. محدوده انتخاب پارامتر برای تقسیم بندی.
جدول
جدول 2. مروری بر ویژگی های اتخاذ شده برای تشخیص مناطق آسیب دیده خندق در این مقاله.
جدول
جدول 3. آمار خطای عمودی و خطای افقی (همه مقادیر بر حسب متر).
جدول
جدول 4. معیارهای دقت تقسیم بندی برای Changwu بر اساس استراتژی DOM. (Cpt: فشردگی، سیستم‌عامل: بیش از حد تقسیم‌بندی، ایالات متحده: تحت تقسیم‌بندی، ED: فاصله اقلیدسی.)
جدول
جدول 5. معیارهای دقت تقسیم بندی برای Changwu بر اساس استراتژی OSRH.
جدول
جدول 6. معیارهای دقت تقسیم بندی برای Ansai بر اساس استراتژی DOM.
جدول
جدول 7. معیارهای دقت تقسیم بندی برای Ansai بر اساس استراتژی OSRH.

;کاربردهای GISمقالات

آموزش کاربردی ArcGISالهام ابراهیم زادهکاربرد جی ای اسکاربرد جی ای اس در زمین شناسیکاربردهای GIs در زمین شناسی

بدون نظر

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

همواره حمایت دانشجویان عزیزمان همراه ما بوده و این سببب شده که گامی محکم به‌سوی ایجاد یک مرجع برای آموزش GIS برداریم. با این امید که بتوانیم قدردان حمایت شما بزرگواران باشیم.

  • خانه
  • آموزش
  • فیلم آموزشی
  • تماس با ما
  • درباره ما
  • وبلاگ
  • سمنان /خیابان کاشانی/ساختمان فناوری اطلاعات/پ 8
  • 09120049370