نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

 

چکیده

تجزیه و تحلیل تغییر پوشش زمین یکی از چالش‌های اصلی در حوزه سنجش از دور و GIS است، به‌ویژه زمانی که تحلیل‌های چند زمانی یا چند سنسوری انجام می‌شوند. یکی از دلایل این است که خطاها و نادرستی از مجموعه داده های متعدد (به عنوان مثال ناشی از سوگیری حسگر یا ثبت نامناسب فضایی) انباشته شده و می تواند منجر به مقدار زیادی از تغییرات اشتباه شود. یک رویکرد امیدوارکننده برای مقابله با این چالش، کمی کردن و تجسم عدم قطعیت است، به عنوان مثال، به جای نادیده گرفتن نقص با آن مقابله کنید. در حال حاضر، در GIS گنجاندن عدم قطعیت در تجزیه و تحلیل تغییرات به راحتی امکان پذیر نیست. ما مفهومی را برای تجزیه و تحلیل تغییر آگاه از عدم قطعیت با استفاده از رویکرد تجزیه و تحلیل geovisual (GVA) ارائه می‌کنیم. این مبتنی بر دو عنصر اصلی است: اول، ادغام نزدیک تر مراحل تشخیص و تجزیه و تحلیل تغییرات. و دوم، ارتباط بصری عدم قطعیت در طول تجزیه و تحلیل. مزایای بالقوه شامل تجزیه و تحلیل تغییرات با اطلاعات بهتر، پشتیبانی از انتخاب پارامترهای تشخیص تغییر و کاهش تغییرات اشتباه با فیلتر کردن است. در یک مطالعه موردی با یک سناریوی تغییر در منطقه ای نزدیک هامبورگ، آلمان، نشان می دهیم که چگونه می توان تغییرات اشتباه را با استفاده از عدم قطعیت فیلتر کرد. برای این کار، ما یک نمونه اولیه نرم افزار را با توجه به مفهوم ارائه شده پیاده سازی کردیم.
کلید واژه ها: 

سنجش از دور ؛ تجزیه و تحلیل تغییر ؛ عدم قطعیت ؛ ژئوتصویرسازی ; تجزیه و تحلیل ژئو بصری

 

1. مقدمه

عدم قطعیت در داده‌های مکانی ذاتی است و می‌تواند تأثیرات شدیدی بر تحلیل مکانی و زمانی داشته باشد [ 1 ]]. با این حال، هنوز هم معمول است که فرض کنیم داده‌ها بدون خطا هستند، اگرچه نشان داده شده است که «داده‌های مملو از خطا، که بدون در نظر گرفتن عدم قطعیت ذاتی آنها استفاده می‌شوند، به احتمال زیاد به اطلاعاتی با ارزش مشکوک منجر می‌شوند» (ص. 3). این امر به ویژه برای تشخیص و تجزیه و تحلیل تغییرات صادق است زیرا صحنه های سنجش از راه دور (RS) متعددی درگیر هستند. عدم قطعیت در صحنه ها جمع می شود و عدم قطعیت بیشتر معرفی می شود، به عنوان مثال، در مرحله طبقه بندی در تشخیص تغییر پس از طبقه بندی. بنابراین، تجزیه و تحلیل تغییرات شناسایی شده باید با درجه بالایی از عدم قطعیت کنار بیاید. تجزیه و تحلیل حساسیت، انجام شده توسط پونتیوس و لیپیت، نشان داد که نیمی از تمام “تغییرات” شناسایی شده ناشی از خطا است، اگرچه دقت کلی برای هر یک از مجموعه داده های ورودی 91٪ تعیین شد [ 2 ].]. این یکی از دلایلی است که چرا ما نیاز به مفهومی را برای گنجاندن عدم قطعیت در تحلیل تغییر به جای صرفا نادیده گرفتن آن می بینیم.
به طور سنتی، GIS برای استفاده از داده های جغرافیایی دقیق ایجاد می شود، که استفاده از آنها را برای تجزیه و تحلیل آگاه از عدم قطعیت دشوار می کند. یکی از دلایل این امر این است که عدم قطعیت به عنوان یک لایه داده جداگانه ذخیره می شود و نه به عنوان بخشی یکپارچه از یک مجموعه داده. دلیل دیگر این است که تشخیص تغییر و تجزیه و تحلیل تغییرات به صورت مراحل جداگانه انجام می شود ( شکل 1 ). در گذشته، تلاش زیادی برای تقویت مرحله تشخیص، اغلب با هدف اتوماسیون کامل [ 3 ] انجام می شد. ما رویکرد متفاوتی را دنبال می‌کنیم و ادغام دقیق‌تری از مراحل تشخیص و تجزیه و تحلیل تغییر و ادغام عدم قطعیت از طریق تجسم را پیشنهاد می‌کنیم.
ساختار این مقاله به شرح زیر است: ما این مفهوم را در بخش 2 با تمرکز بر تجزیه و تحلیل زمین بصری و معیاری برای عدم قطعیت تغییر معرفی می کنیم. برنامه های کاربردی ممکن در بخش 3 ارائه شده است. در بخش 4 ، یک مطالعه موردی نشان می‌دهد که چگونه این مفهوم می‌تواند پیاده‌سازی شود و مزایا و معایب بالقوه را مورد بحث قرار می‌دهد. از این، ما نتیجه‌گیری می‌کنیم و چشم‌اندازی از کار آینده در بخش 5 ارائه می‌کنیم.
Ijgi 03 01122 g001 1024
شکل 1. گردش کار مشترک شامل تشخیص و تجزیه و تحلیل تغییرات به عنوان مراحل جداگانه.

2. مفهوم

در این بخش، مفهومی را برای مقابله با چالش‌های موجود در تحلیل تغییر که در بخش 1 توضیح داده شده است، ارائه می‌کنیم. ایده اصلی تسهیل تجزیه و تحلیل تغییر آگاه از عدم قطعیت با استفاده از گردش‌های کاری تکراری با درجه بالایی از تعامل کاربر است. در بخش‌های فرعی زیر، این مفهوم را به دنبال رویکرد تحلیل ژئوبصری (GVA) معرفی می‌کنیم و معیار عدم قطعیت را برای تغییر پس از طبقه‌بندی تعریف می‌کنیم.

2.1. تجزیه و تحلیل ژئوویژوال

ما یک رویکرد تجزیه و تحلیل geovisual (GVA) را برای مقابله با چالش‌های مورد بحث در بالا پیشنهاد می‌کنیم. GVA یک زمینه بین رشته ای است که از یک الگوی جدید پیروی می کند که چگونه فناوری اطلاعات می تواند برای پردازش اطلاعات پیچیده جغرافیایی برای تسهیل تصمیم گیری، حل مسئله و بینش در موقعیت های جغرافیایی استفاده شود [ 4 ] (ص 23). GVA دیدگاه‌هایی را از تجزیه و تحلیل بصری (مبتنی بر تجسم اطلاعات و علمی) و علم اطلاعات جغرافیایی (به ویژه در کارهای مربوط به تجسم جغرافیایی، معناشناسی جغرافیایی و مدیریت دانش، محاسبات جغرافیایی و تجزیه و تحلیل فضایی) یکپارچه می‌کند .] (ص 174). ابزارهای GVA با یکپارچه‌سازی الگوریتم‌ها و ورودی‌های کاربر با کمک رابط‌های بصری، «پیوند روش‌ها و ابزارهای بصری و محاسباتی برای استخراج فرضیه‌ها و اطلاعات از داده‌های مکانی» را برقرار می‌کنند [ 6 ] (p.126). GVA بر اساس تجزیه و تحلیل بصری است که با موفقیت در زمینه های دیگر مانند تحقیقات سلامت [ 7 ] یا تجزیه و تحلیل مالی [ 8 ] استفاده شده است، جایی که نه تجزیه و تحلیل خودکار و نه دستی به تنهایی نمی تواند بینش مورد نیاز را ارائه دهد.
این تحقیق بر اساس کار مرتبط از دو دسته مختلف است: اول، ابزارهای بصری که عدم قطعیت را در تجزیه و تحلیل داده های RS قابل استفاده می کنند. و دوم، تجزیه و تحلیل تغییر از طریق تجزیه و تحلیل / تجزیه و تحلیل بصری. بیشتر کارهای دسته اول بر طبقه بندی داده های RS متمرکز است، به عنوان مثال، یک ابزار بصری توسط Arko Lucieer به نام Parbat از بهینه سازی پارامترهای تقسیم بندی با تجسم عدم قطعیت در طول طبقه بندی [ 9 ] پشتیبانی می کند. کارهای دیگر به تقویت تعاریف طبقاتی می پردازد، به عنوان مثال، اهلکویست از تجسم شباهت معنایی و همپوشانی بین تعاریف طبقاتی برای رسیدگی به ناسازگاری های تعاریف طبقاتی برای پوشش زمین و کاربری زمین استفاده کرد [ 10 ]. بر اساس کار از FLIERSپروژه (اطلاعات زمین فازی از سنجش از دور محیطی)، باستین و همکاران. یک جعبه ابزار به نام VTBeans را برای تقویت طبقه بندی داده های RS با کمک عدم قطعیت [ 11 ] توسعه داد. نماهای پیوندی چندگانه را می توان برای تجسم عدم قطعیت از منابع مختلف ترکیب کرد و به عنوان مثال، امضاهای طیفی فازی را برای بهبود تعاریف کلاس بررسی کرد.
در دسته دوم در مورد تجزیه و تحلیل تغییرات بصری از داده های RS، تعدادی رویکرد امیدوارکننده نیز وجود دارد که به عنوان مبنایی برای کار ما عمل می کند. زوریتا میلا و همکاران بسته نرم افزاری GIS ILWIS (سیستم اطلاعات یکپارچه زمین و آب) را با افزودن جعبه ابزاری به نام SITS (سری زمانی تصاویر ماهواره ای) گسترش داد [ 12 ]. استفاده از انیمیشن و تعامل برای تجزیه و تحلیل تغییرات بر اساس تصاویر را تسهیل می‌کند و قابلیت فیلتر و تجمیع را برای انجام تحلیل‌ها در سطوح مختلف دانه‌بندی فراهم می‌کند. مثال دیگر Change Matters است، یک برنامه کاربردی مبتنی بر وب برای تجزیه و تحلیل تغییرات تعاملی تصاویر ماهواره‌ای Landsat [ 13 ].]. یک پوشش تغییر در بالای تصاویر نمایش داده می شود و کاربر می تواند آستانه ها را تغییر دهد، به عنوان مثال، برای افزایش و کاهش پوشش گیاهی. بر این اساس، می توان نقشه های تغییر را به صورت تعاملی ایجاد کرد و در اینترنت توزیع کرد. یک رویکرد جالب برای تحلیل تغییرات چند زمانی توسط هوبر و همکاران ارائه شد. آنها از نمودارهای تفاوت مکانی-زمانی برای نمایش تغییرات در چندین نقطه زمانی در GTDiff استفاده می کنند، سیستمی که کاوش تعاملی تغییرات چند زمانی را تسهیل می کند [ 14 ].
در مجموع، کار قابل توجهی در رابطه با استفاده از تجزیه و تحلیل بصری و GVA برای کشف عدم قطعیت در داده‌های مکانی یا تجزیه و تحلیل تغییرات بصری بدون در نظر گرفتن عدم قطعیت انجام شده است. با این حال، ما نیاز به مفهومی را می بینیم که این دو رویکرد را ادغام کند و نقاط قوت GVA و تجسم عدم قطعیت را ادغام کند. بنابراین، اولین هدف این مفهوم استفاده از GVA برای ادغام تشخیص و تجزیه و تحلیل تغییرات و هدف دوم استفاده از مزایای بالقوه عدم قطعیت با ارتباط بصری این اطلاعات در طول تجزیه و تحلیل است.
برای طراحی سیستماتیک و مستندسازی گردش کار، مفهوم توصیف گردش کار را در قالب یک نمودار ایجاد کردیم. این شامل دسته بندی های زیر است ( شکل 2 ):

  • داده ها: داده های مورد استفاده در طول تجزیه و تحلیل (به عنوان مثال، تصاویر RS، لایه های GIS، و غیره )
  • کاربر: تعامل کاربر (به عنوان مثال، انتخاب یک آستانه)
  • فرضیه: یک فرضیه در مورد تغییر (به عنوان مثال، “این منطقه به اشتباه به عنوان تغییر تشخیص داده شد”)
  • محاسبه: مراحل محاسباتی در گردش کار (به عنوان مثال، طبقه بندی داده های RS)
  • تجسم: ارتباط بصری با کاربر (مثلاً نمایش عدم قطعیت تغییر در نقشه)
  • نتیجه: مجموعه تغییرات حاصل
همانطور که قبلا ذکر شد، هسته اصلی این مفهوم ترکیبی از الگوریتم های خودکار (“محاسبات”) و رابط های بصری (“Visualization”) است. در تعامل نزدیک با این دو مؤلفه، کاربر فرضیه هایی را تولید می کند، قابل قبول بودن آنها را با کمک ابزار تجسم ارزیابی می کند و آنها را به طور مکرر بازبینی می کند. هنگامی که کاربر یک فرضیه را تأیید می کند، نتایج نهایی می تواند صادر شود. نمونه توصیف گردش کار در بخش 3 ارائه شده است.
Ijgi 03 01122 g002 1024
شکل 2. مفهوم اصلی تجزیه و تحلیل تکراری که تجزیه و تحلیل ژئو بصری را تسهیل می کند.

2.2. تغییر عدم قطعیت

تشخیص تغییر بر اساس داده های سنجش از راه دور معمولاً دارای درجه بالایی از عدم قطعیت است. نادیده گرفتن این واقعیت می تواند تحلیل بیشتر تغییرات را مشکوک کند [ 2 ]. در طی تشخیص تغییر، عدم قطعیت از چندین صحنه RS (خطاها و نادرستی‌های ناشی از سوگیری حسگر، ثبت اشتباه و غیره ) در طول فرآیند جمع می‌شود، به خصوص زمانی که چند زمانی (شامل بیش از دو صحنه) یا چند حسی (با استفاده از داده‌های سنسورهای مختلف) باشد. تشخیص اعمال می شود.
در زمینه RS و GIS، تحقیقات بر روی مدل‌سازی عدم قطعیت در داده‌های مکانی برای دهه‌ها انجام شده است. انواع مختلف عدم قطعیت (به عنوان مثال، ویژگی، موقعیت، و زمانی) و توصیفات رسمی آنها در ادبیات مورد بحث قرار گرفته است [ 1 ، 15 ، 16 ]. کار قابل توجهی در مورد توصیف عدم قطعیت در تغییر پوشش زمین توسط فیشر و همکارانش ارائه شد [ 17 ]]. آنها ماتریس تغییر پرکاربرد را گسترش دادند تا مقادیر تغییر فازی را شامل شود و مدلی برای توصیف عدم قطعیت تغییر ارائه کردند. آنها با استفاده از یک مطالعه موردی، نشان دادند که چگونه داده‌های تغییر فازی می‌توانند تغییرات ظریفی را نشان دهند که با تشخیص تغییر بولی قابل تشخیص نبودند. در همان زمان، آنها خاطرنشان کردند که «اینکه آیا نگاشتهای فازی شخصیت منظره را بهتر از بولی منعکس می‌کند، همچنان یک سؤال باز باقی می‌ماند، و همانطور که واقعیت تفاوت‌های ذکر شده در اینجا بین ماتریس‌های بولی و فازی تغییرات واقعی است». [ 17 ] (ص 176). به طور کلی، حداقل سه راه برای تعیین کمیت عدم قطعیت در تغییر پوشش زمین وجود دارد:

  • از ارزیابی دقت (ویژه کلاس) [ 1 ]،
  • از اطمینان طبقه بندی، به عنوان مثال، احتمال عضویت در کلاس (پیکسل/اشیاء خاص) [ 18 ]، و،
  • از دانش تخصصی، به عنوان مثال، تخمین شباهت های طبقاتی (ویژه کلاس) [ 19 ].
از آنجایی که هدف ما به تصویر کشیدن عدم قطعیت جغرافیایی متغیر است، معیارهای کلاس خاص در نظر گرفته نمی شوند زیرا آنها فقط یک مقدار عدم قطعیت یکنواخت را برای همه نمونه ها (پیکسل ها یا اشیاء) از نوع تغییر ارائه می دهند. بنابراین، ما بر معیارهای عدم قطعیت که با اطمینان طبقه بندی کمی می شوند، تمرکز کردیم. بر اساس کار فیشر و همکارانش، ما یک اندازه گیری عدم قطعیت ساده برای تغییر پوشش زمین بر اساس مقادیر عضویت فازی تعریف کردیم. تقاطع مقادیر عضویت μ i از هر صحنه با اعمال حداقل عملگر [ 17 ] انجام می شود. مکمل حداقل مقدار عضویت مقداری برای عدم قطعیت تغییر به دست می دهد:

نوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونت نوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونتنوع گره ناشناخته: فونت نوع گره ناشناخته: فونتنوع گره ناشناخته: فونت
Ijgi 03 01122 g003 1024
شکل 3. مثالی برای اندازه گیری عدم قطعیت تغییر (در اینجا: هر پیکسل و دو زمانی). شماتیک (ردیف بالا) و مثال داده واقعی (ردیف پایین). عدم قطعیت با مقیاس خاکستری از سیاه (0.0) تا سفید (1.0) نشان داده می شود.
این اندازه گیری عدم قطعیت از 0.0 (بدون عدم قطعیت) تا 1.0 (حداکثر عدم قطعیت) متغیر است. محاسبه ساده است و می تواند برای واحدهای فضایی مختلف (پیکسل ها، اشیاء) و برای هر تعداد صحنه (دو یا بیشتر) اعمال شود. این یک معیار ترکیبی است که منعکس کننده عدم اطمینان از تمام صحنه های ناشی از اشتباهات و عدم دقت در تصاویر، ابهام در تعاریف طبقه پوشش زمین، ابهام در تعیین طبقه در طول طبقه بندی و غیره است. شکل 3.محاسبه اندازه گیری را برای دو مجموعه داده RS، 0 و 1، به صورت شماتیک (ردیف بالا) و با داده های واقعی (ردیف پایین) نشان می دهد. دو ستون اول مقادیر عضویت هر مجموعه داده و به دنبال آن حداقل مقادیر عضویت از هر دو مجموعه داده را نشان می دهد. تفریق از 1.0 مقدار عدم قطعیت را به دست می دهد. یک تقسیم نمونه به دو کلاس “بالا” و “کم” در ستون آخر ارائه شده است. این یک مرحله اختیاری است، اما در بسیاری از موارد داده‌های عدم قطعیت طبقه‌بندی‌نشده ممکن است برای تفسیر بسیار پیچیده باشد. تعداد مناسبی از کلاس‌های عدم قطعیت ممکن است به کار بستگی داشته باشد، اما برای بسیاری از کاربردها دو کلاس، یعنی “عدم قطعیت کم” و “عدم قطعیت زیاد” کافی است. یک جایگزین، مراحل درصدی است، به عنوان مثال، استفاده از سه کلاس 0، 50، و 100%.

3. برنامه های کاربردی

همانطور که قبلا ذکر شد، ما چندین مزیت بالقوه از ترکیب عدم قطعیت در تجزیه و تحلیل تغییرات را می بینیم. در ادامه، سه کاربرد خاص را برای نشان دادن این موضوع مورد بحث قرار می‌دهیم: امکان تجزیه و تحلیل آگاهانه‌تر از تغییرات شناسایی‌شده، بهینه‌سازی پارامترهای مورد استفاده برای تشخیص تغییر، و فیلتر کردن توسط عدم قطعیت برای کاهش تغییرات مثبت کاذب.

3.1. تجزیه و تحلیل آگاهانه بهتر را فعال کنید

هنگامی که یک تحلیلگر انسانی نتایج تشخیص تغییر را بررسی می کند، فرضیه هایی در مورد تغییر پوشش زمین ایجاد می کند. به عنوان مثال، زمانی که سکونتگاه‌های غیررسمی از تصاویر ماهواره‌ای شناسایی می‌شوند، تحلیلگر ممکن است این فرضیه را ارائه دهد که یک سکونتگاه خاص در طول زمان رشد کرده است. با این حال، سکونتگاه های غیررسمی معمولاً به سختی ترسیم می شوند و دارای مرزهای فازی هستند، بنابراین اندازه دقیق یک سکونتگاه شناسایی شده را نمی توان تعیین کرد. در چنین مواردی، عدم قطعیت تغییر می تواند اطلاعات بیشتری را برای کمک به تفسیر تغییر شناسایی شده ارائه دهد. به عنوان مثال، یک سکونتگاه غیررسمی شناسایی شده ممکن است عدم اطمینان کمتری را در داخل خود نشان دهد (این قسمت را قابل اطمینان تر می کند) و عدم اطمینان بیشتری را در مرزهای آن، که در آن منطقه انتقال به سمت سکونتگاه های شهری رسمی ممکن است وجود داشته باشد. هنگامی که تحلیلگر می خواهد مساحت یک سکونتگاه (و تعداد افرادی که در آنجا زندگی می کنند) را تعیین کند، عدم قطعیت می تواند اطلاعاتی در مورد محدوده مکان های احتمالی مرز منطقه ارائه دهد و بنابراین می تواند به تخمین بهتر منطقه واقعی کمک کند. به این ترتیب، اطلاعات مربوط به عدم قطعیت می‌تواند یک فرضیه را بهتر تعریف و قابل قبول‌تر کند.

3.2. بهینه سازی پارامترهای تشخیص تغییر

یکی دیگر از کاربردهای عدم قطعیت که به طور بالقوه می تواند به تحلیل تغییر کمک کند، بهینه سازی پارامترهای مورد استفاده برای تشخیص آن است. با تشخیص تغییر پس از طبقه‌بندی، که ما در اینجا بر آن تمرکز می‌کنیم، قابلیت اطمینان تغییرات شناسایی‌شده به شدت به کیفیت طبقه‌بندی‌های فردی که مرحله تشخیص تغییر براساس آن است، بستگی دارد. نشان داده شد که طبقه بندی نادرست می تواند تا حد زیادی بر خطای تغییر تأثیر بگذارد [ 20]. بنابراین، اغلب تنها راه برای به حداقل رساندن خطای تغییر، افزایش کیفیت مجموعه داده های طبقه بندی شده است. با این حال، بهینه سازی پارامترهای طبقه بندی بی اهمیت نیست و اصلاحات تکراری پارامترها برای یافتن یک مجموعه پارامتر معقول ضروری است. برای پشتیبانی از این فرآیند، اطلاعات مربوط به عدم قطعیت تغییر می تواند کمک کند. گردش کار نشان داده شده در شکل 4نشان می دهد که کاربر می تواند پس از طبقه بندی اولیه تک صحنه ها و مرحله تشخیص تغییر، یک نتیجه را به صورت بصری بررسی کند. در حالی که به طور مکرر پارامترها را اصلاح می کند، تحلیلگر بازخورد بصری فوری در مورد مجموعه داده های طبقه بندی شده حاصل دریافت می کند و بنابراین، تغییرات شناسایی شده را دریافت می کند. هنگامی که نتیجه رضایت بخش باشد، تغییرات فعلی را می توان به عنوان نتایج نهایی صادر کرد. در طول فرآیند، همچنین امکان نمایش نتایج برای مجموعه پارامترهای مختلف به طور همزمان وجود دارد تا تحلیلگر بتواند آنها را با هم مقایسه کرده و بهترین مجموعه را انتخاب کند.
این گردش کار برای سایر رویکردهای تشخیص تغییر نیز قابل استفاده است، به عنوان مثال، زمانی که تفاوت یا نسبت تصویر انجام می شود، باید آستانه ای بین تغییر و عدم تغییر تعریف شود. به روشی مشابه، همانطور که در بالا توضیح داده شد، انتخاب آستانه تغییر را می توان به طور مکرر بهینه کرد.
Ijgi 03 01122 g004 1024
شکل 4. گردش کار: بهینه سازی پارامترهای تغییر.

3.3. تغییر مثبت کاذب را کاهش دهید

سومین مزیت بالقوه استفاده از عدم قطعیت تغییر در کاهش تغییرات نادرست شناسایی شده نهفته است. ایده اصلی این است که از عدم قطعیت بالا به عنوان شاخصی برای تغییرات اشتباه استفاده کنید تا فیلتر کردن بر اساس عدم قطعیت بتواند نتایج را بهبود بخشد. در گردش کار ارائه شده در شکل 5، کاربر نتیجه را از تشخیص تغییر پس از طبقه بندی و عدم قطعیت مربوطه وارد می کند. مرحله بعدی اعمال فیلترینگ است تا فقط تغییراتی از نوع خاصی باقی بماند. دلیل آن این است که احتمال یافتن آستانه مناسب برای یک نوع تغییر بیشتر از تغییرات مربوط به همه انواع است. این زیر مجموعه از تغییرات در حال حاضر همراه با عدم قطعیت مرتبط به تصویر کشیده شده است. فرضیه اولیه این است که این مجموعه تغییرات بهینه (از نظر صحت) است. اکنون، کاربر می تواند فیلتری را اعمال کند تا فقط تغییرات با عدم قطعیت کمتر از یک آستانه خاص (به عنوان مثال، <80٪) باقی بماند (که می تواند به عنوان یک فرضیه تجدید نظر شده دیده شود). هنگام تغییر آستانه فیلتر، کاربر بازخورد بصری فوری دریافت می کند تا به او کمک کند تا در مورد اینکه آیا نتیجه بهبود یافته است یا خیر.
Ijgi 03 01122 g005 1024
شکل 5. گردش کار: فیلتر کردن تغییر بر اساس عدم قطعیت برای کاهش تغییرات مثبت کاذب.

4. مطالعه موردی

مطالعه موردی زیر به عنوان اثبات مفهوم عمل می‌کند و مزایا و محدودیت‌های بالقوه رویکرد تحلیل تغییر آگاه از عدم قطعیت را که در اینجا ارائه می‌کنیم، برجسته می‌کند. ما یک سناریوی تغییر را بر اساس دو صحنه ماهواره ای از منطقه ای در مجاورت رودخانه البه، در شمال غربی هامبورگ، آلمان ایجاد کردیم. این تصاویر در سال 2010، در 5 ژوئن و 16 ژوئیه، توسط RapidEye گرفته شده است، یک سیستم ماهواره ای که تصاویری با وضوح هندسی 5 متر (شارپ) و فرکانس زمانی حداکثر یک تصویر در هر 24 ساعت در شرایط ایده آل ارائه می دهد. شرایط ( http://www.blackbridge.com/rapideye/). این حسگر پنج کانال طیفی، از جمله کانال به اصطلاح “لبه قرمز” بین قرمز و نزدیک مادون قرمز را پوشش می دهد، که به حسگر مزایای بالقوه برای نقشه برداری پوشش گیاهی در مقایسه با سایر حسگرهای نوری می دهد [ 21 ]. تصاویری که ما در اینجا استفاده کردیم از نظر رادیومتری تصحیح و تصحیح شد (RapidEye Ortho-Level 3A). از طریق RapidEye Science Archive (RESA) که تصاویر را برای استفاده علمی رایگان ارائه می‌کند ( http://resa.blackbridge.com/ ) به دست آمد.

4.1. تشخیص تغییر

منطقه تحت پوشش تصاویر ماهواره ای یک منطقه کشاورزی روستایی 25 کیلومتر × 25 کیلومتر بین Stade و Pinneberg در مجاورت رودخانه البه است. از آنجایی که این تصاویر در تابستان گرفته شده اند و تنها شش هفته بین ثبت آنها فاصله وجود داشت، انتظار داشتیم که بیشتر تغییرات مربوط به پوشش گیاهی و بدنه های آبی (به دلیل رشد/برداشت گیاه و تغییرات جزر و مد) باشد. بنابراین، ما دو صحنه را به طور جداگانه با استفاده از طبقه‌بندی بدون نظارت ISODATA با هشت کلاس طبقه‌بندی کردیم و آنها را در هر دو مجموعه داده جمع‌آوری کردیم و سه کلاس را به دست آوردیم: “آب”، “منطقه گیاهی” ( به عنوان مثال ، زمین‌های قابل کشت گیاهی، مراتع، جنگل و غیره ) و «منطقه بدون پوشش گیاهی» (شهرک‌ها، جاده‌ها، زمین‌های زراعی بدون پوشش گیاهی و غیره ).). برای هر دو صحنه، بیشتر پوشش زمین منطقه پوشش گیاهی است که عمدتاً از محصولات کشاورزی، مراتع و جنگل ها تشکیل شده است ( شکل 6 ). منطقه بدون پوشش گیاهی از خاک برهنه یا آبادی ها و جاده ها و همچنین سواحل رودخانه ها تشکیل شده است. بیشتر منطقه ای که به عنوان آب طبقه بندی می شود به رودخانه تعلق دارد – بخش کوچکی از چند توده آبی کوچک تشکیل شده است.
Ijgi 03 01122 g006 1024
شکل 6. دو مجموعه داده طبقه بندی شده از تصاویر RapidEye که در این مطالعه موردی استفاده کردیم.
از مجموعه داده‌های انباشته شده با سه کلاسی که در بالا توضیح داده شد، امضاهای طیفی ایجاد کردیم و طبقه‌بندی را با استفاده از الگوریتم Maximum Likelihood دوباره اجرا کردیم تا اطلاعات بیشتری در مورد مقادیر عضویت هر پیکسل بدست آوریم. با تقاطع دو مجموعه داده طبقه بندی شده، یک مجموعه داده تغییر ایجاد کردیم که شامل نواحی تغییر یافته و نوع آنهاست ( شکل 7 ). بر اساس مقادیر عضویت در کلاس، معیار عدم قطعیت تغییر را محاسبه کردیم (به بخش 2 مراجعه کنید ). ما یک منطقه بدون داده را در گوشه جنوب شرقی صحنه حذف کردیم و همه تغییراتی را که در مناطق کوچکتر از حداقل واحد نقشه برداری 1000 متر مربع رخ داده بود فیلتر کردیم .
Ijgi 03 01122 g007 1024
شکل 7. تغییر مجموعه داده ( سمت چپ ) و عدم قطعیت مرتبط ( راست ).

4.2. تجزیه و تحلیل تغییر

هنگام تجزیه و تحلیل نتیجه، اولین مشاهده این است که 22٪ از منطقه مورد مطالعه تغییر یافته است. بیشترین تغییرات مربوط به نوع “غیر پوشش گیاهی به پوشش گیاهی” (58٪ از منطقه تغییر یافته)، پس از آن “پوشش گیاهی به غیر گیاهی” (28.5٪)، و “آب به غیر پوشش گیاهی” (13٪) است. همچنین مقدار بسیار کمی تغییر از آب به منطقه پوشش گیاهی (حدود 0.5٪) وجود داشت که ما در این تجزیه و تحلیل در نظر نگرفتیم. به طور کلی، انواع تغییرات شناسایی‌شده و نسبت‌های مساحت ناشی از آن‌ها با توجه به دو صحنه مربوط به ژوئن و ژوئیه، زمانی که رشد پوشش گیاهی و برداشت برخی از انواع محصولات رایج است، قابل قبول به نظر می‌رسد و بنابراین ممکن است بیشتر تغییرات شناسایی‌شده را توضیح دهد.
به منظور ارزیابی دقت تغییر شناسایی شده، ما یک ارزیابی بصری با نمونه‌برداری نقطه‌ای تصادفی طبقه‌بندی شده در کل منطقه انجام دادیم. ما تعداد نقاط را پس از روش تقریبی تورتورا تعیین کردیم [ 22 ]. با میانگین دقت تخمینی 70 درصد و تحمل خطا 5 درصد، حجم نمونه مورد نیاز 323 امتیاز را به دست آوردیم. ما بر روی تغییرات مثبت کاذب تمرکز کردیم، به عنوان مثال ، تغییراتی که به اشتباه شناسایی شده اند، زیرا آنها یک چالش رایج در تجزیه و تحلیل تغییرات هستند (به بخش 1 مراجعه کنید.). بنابراین، ما فقط مناطق شناسایی شده به عنوان تغییرات را ارزیابی کردیم و نه مناطق بدون تغییر (منفی کاذب). داده های مرجع از یک منبع متفاوت برای دو تاریخ دقیق در دسترس نبود، بنابراین ما به صورت بصری هر یک از نقاط را بر اساس تصاویر موجود بررسی کردیم و صحت تغییر را در هر موقعیت تخمین زدیم. در نتیجه، از آنجایی که ارزیابی انجام شده در اینجا بر داده‌های مستقل متکی نیست، الزامات یک ارزیابی دقیق آماری را برآورده نمی‌کند. با این حال، برای این منظور در اینجا ما آن را کافی می بینیم تا تصوری در مورد کیفیت مجموعه تغییرات به دست آوریم. جدول 1 انواع تغییرات، نسبت آنها به سطح کلی و تعداد متناظر نقاط نمونه آنها را نشان می دهد. دو ستون آخر شامل نتیجه ارزیابی بصری است.
جدول
جدول 1. نمونه برداری نقطه طبقه بندی شده و نتایج ارزیابی بصری صحت تغییر.
Ijgi 03 01122 g008 1024
شکل 8. تغییر عدم قطعیت برای “منطقه آب به غیر پوشش گیاهی”.
در ادامه بر روی نوع تغییر «منطقه آب به غیر پوشش گیاهی» تمرکز کردیم زیرا بیشترین میزان تغییر اشتباه (33.3 درصد) را نشان داد. نرخ خطای بالا با عدم قطعیت در جداسازی آب از مناطق خالی قابل توضیح است. تغییرات از آب به مناطق بدون پوشش گیاهی به دلیل سطوح مختلف آب رودخانه در دو تاریخ است. در مورد عدم قطعیت تغییر، اولین مشاهده این بود که همه تغییرات از این نوع که مستقیماً در امتداد ساحل رودخانه رخ نمی‌دهند بسیار نامشخص بودند. برخی از مناطق کوچک از این طبیعت شناسایی شد. این با این فرض مطابقت دارد که تغییرات از آب به مناطق بدون پوشش گیاهی فقط در امتداد سواحل رودخانه رخ می دهد. توده های آبی کوچک به طور بالقوه می توانند در تابستان خشک شوند، اما از آنجایی که این امر در مدت زمان کوتاهی بعید است (حداقل برای منطقه مورد تحقیق) ما فرض می کنیم که این تغییرات منطقه کوچک ناشی از طبقه بندی اشتباه بوده است. مشاهده دوم این است که بیشتر مناطقی که مستقیماً در لبه آب قرار دارند به نظر می رسد به طور همگنی مطمئن هستند و هر چه از لبه آب دورتر باشند ناهمگن تر می شوند.شکل 8 یک منطقه تغییر نمونه در قسمت شرقی رودخانه را نشان می دهد. توزیع عدم قطعیت محتمل به نظر می رسد، زیرا این تغییر مستقیماً در بستر رودخانه بیشتر از زمانی است که از لبه آب دور می شویم. بدیهی است که مرز بین بستر رودخانه (متعلق به طبقه “آب”) و گل و لای در سواحل (متعلق به طبقه “مناطق بدون پوشش گیاهی”) نقش مهمی برای این نوع تغییر ایفا می کند و در این نوع تغییر بسیار نامشخص است. همان زمان.
برای نگاهی دقیق تر به تغییرات از آب به مناطق پوشش گیاهی، ما 41 نقطه نمونه تصادفی اضافی را در منطقه تحت پوشش این نوع تغییر ایجاد کردیم تا به 50 نقطه تصادفی دست یابیم ( شکل 9 )، که از قانون کلی پیشنهاد شده توسط Congalton و Green پیروی می کند [ 23 ]. ]. دوباره، ما یک ارزیابی بصری بدون داده‌های مرجع مستقل انجام دادیم. نتیجه این بود که تغییرات شناسایی شده در 72٪ از نقاط درست بود، در حالی که 28٪ به دلیل طبقه بندی اشتباه نادرست بود. برای اکثر برنامه ها این سطح از دقت قابل قبول به نظر نمی رسد و مجموعه داده تغییر باید بهبود یابد. در ادامه، می‌خواهیم نشان دهیم که چگونه اطلاعات مربوط به عدم قطعیت تغییر می‌تواند به افزایش دقت مجموعه داده تغییر کمک کند.
Ijgi 03 01122 g009 1024
شکل 9. نقاط نمونه (قرمز) در ناحیه تغییر از آب به منطقه بدون پوشش گیاهی (زرد).

4.3. تغییر مثبت کاذب را کاهش دهید

در بخش 3 فرض کردیم که اگر با اعمال یک آستانه مناسب، تغییرات نامطمئن را فیلتر کنیم، دقت تغییر شناسایی شده را می‌توان افزایش داد. ما این فرضیه را با استفاده از سناریوی تغییر خود آزمایش کردیم. برای این کار، ما از یک نمونه اولیه ساده شامل کلاینت نقشه و لغزنده برای فیلتر کردن تغییرات بر اساس عدم قطعیت استفاده کردیم ( شکل 10 ). نمونه اولیه به زبان جاوا نوشته شده است و بر اساس سرویس گیرنده نقشه geotools ( http://www.geotools.org/ ) است که عملکرد استاندارد نقشه (پن، زوم و غیره ) را ارائه می دهد.) تحت یک مجوز رایگان و متن باز. تصاویر RS در پس‌زمینه نشان داده می‌شوند و پیکسل‌های زرد روی نقشه نشان‌دهنده تغییرات هستند. عدم قطعیت تغییر با استفاده از یک طرح رنگ از آبی (0٪ عدم قطعیت) به زرد (50٪) تا قرمز (100٪) تجسم می شود. از نوار لغزنده در پایین پنجره می توان برای فیلتر کردن تغییرات به صورت تعاملی با عدم قطعیت استفاده کرد که با آستانه اولیه 100٪ شروع می شود (به این معنی که هیچ تغییری فیلتر نمی شود).
Ijgi 03 01122 g010 1024
شکل 10. نمونه اولیه نرم افزار برای فیلتر تکراری بر اساس عدم قطعیت.
برای اینکه نشان دهیم چگونه می‌توان تغییرات اشتباه را با آستانه‌گذاری فیلتر کرد، منطقه‌ای به ابعاد 5 کیلومتر × 5 کیلومتر با منطقه بزرگ تغییر از آب به منطقه بدون پوشش گیاهی را انتخاب کردیم ( شکل 11).). برای شروع، آستانه را کاهش دادیم تا پیکسل های تغییر یافته با عدم قطعیت بیش از 50 درصد فیلتر شوند. یک بررسی بصری نشان داد که این امر تعدادی از زمینه‌های تغییر مشکوک را حذف کرد، اما نه همه آنها. پس از چندین بار اصلاح آستانه و بررسی بصری نتیجه، متوجه شدیم که با تنظیم آستانه عدم قطعیت روی 40 درصد، بسیاری از نقاط پرت که روی نقشه شناسایی کرده بودیم، فیلتر شد و به وضوح نتیجه را در مقایسه با حالت اولیه بهبود بخشید. در حالی که آستانه فقط برای منطقه کوچک ارائه شده در اینجا تعیین شده بود، ما علاقه مند بودیم ببینیم که آیا برای کل صحنه کار می کند یا خیر. پس از نگاهی دقیق به نقاط نمونه ما، مشخص شد که تمام 17 نقطه طبقه بندی اشتباه فیلتر شده اند، یعنی، تمام تغییرات اشتباه را می توان از طریق آستانه گذاری ساده حذف کرد. علاوه بر این، تنها یک نقطه با تغییر صحیح (به اشتباه) حذف شد. این نشان می دهد که آستانه انتخاب شده برای یک منطقه محلی می تواند برای یک منطقه بزرگتر مانند یک صحنه کامل ماهواره کار کند. اما این احتمال وجود دارد که این موضوع در مورد صحنه‌هایی که تغییرات طیفی بیشتری را نشان می‌دهند مانند صحنه‌هایی که در اینجا استفاده کردیم صادق نباشد.

4.4. بحث

مطالعه موردی ارائه شده در اینجا، پتانسیل تجزیه و تحلیل تغییر آگاه از عدم قطعیت را با استفاده از رویکرد GVA برجسته کرد. اول، می توان نشان داد که تحلیل تغییرات با اطلاعات بهتر امکان پذیر است و عدم قطعیت می تواند اطلاعات ارزشمندی را در طول تفسیر تغییر شناسایی شده ارائه دهد. جدا از این، همانطور که در مطالعه موردی نشان داده شده است، عدم قطعیت می تواند به عنوان یک شاخص برای تغییر اشتباه عمل کند و می تواند برای فیلتر کردن استفاده شود. مشخص شد که این یک شاخص کاملاً قابل اعتماد نیست، اما می تواند به عنوان یک معیار در هنگام تصمیم گیری در مورد اینکه آیا یک تغییر به درستی تشخیص داده شده است یا خیر. معیارهای بیشتری باید در نظر گرفته شود تا تغییر تشخیص داده شود، به عنوان مثال، اندازه یا امضای طیفی یک منطقه تغییر یافته. مشخص شد که یک آستانه مناسب را می توان به صورت محلی تعیین کرد، به عنوان مثال، برای یک منطقه تغییر، اما این یک آستانه کلی برای کل صحنه (اگرچه فقط برای یک نوع تغییر است) اغلب واقع بینانه به نظر نمی رسد، بسته به نوع تغییر و تنوع در تصویر. یکی از نکات منفی این مفهوم که به آن اشاره کردیم این است که با گنجاندن عدم قطعیت در تجزیه و تحلیل و در نتیجه افزودن بعد داده دیگری، تجزیه و تحلیل تغییر پیچیده تر می شود. این امر بر اهمیت به حداقل رساندن پیچیدگی تاکید می کند، به عنوان مثال با پایین نگه داشتن بار بصری برای کاربر.
Ijgi 03 01122 g011 1024
شکل 11. فیلتر تکراری تغییر با 100% ( بالا سمت چپ )، 50% ( بالا سمت راست )، 30% ( سمت چپ پایین )، و 40% ( پایین سمت راست ) عدم قطعیت.
در این مطالعه موردی، ما یک تحلیل را با کمک یک نمونه اولیه ساده انجام دادیم. در مقایسه با GIS استاندارد، اصلاح ساده آستانه فیلتر را تسهیل می‌کند و بازخورد فوری روی نقشه ارائه می‌کند. ابزار ساده‌ای که ما در اینجا استفاده کردیم، تحلیل تکراری را روان‌تر و شهودی‌تر می‌کند – با این حال، این فرض هنوز در مطالعات کاربر ارزیابی نشده است. ما متقاعد شده‌ایم که با جریان‌های کاری پیچیده‌تر، به عنوان مثال، زمانی که اطلاعات بیشتری در مورد یک تغییر تجسم می‌شود (مثلاً مساحت، امضای طیفی و عدم قطعیت)، مزایای آن در مقایسه با تجزیه و تحلیل متداول GIS آشکارتر می‌شود.

5. نتیجه گیری ها

در این مقاله مفهومی را برای بهبود تحلیل تغییرات حاصل از سنجش از دور (RS) ارائه کردیم. ایده این بود که اطلاعات مربوط به عدم قطعیت در مورد تغییرات شناسایی شده را در تجزیه و تحلیل ترکیب کنیم. ما یک رویکرد تجزیه و تحلیل جغرافیایی (GVA) را پیشنهاد کردیم که تجزیه و تحلیل دستی و خودکار را با کمک رابط‌های بصری ترکیب می‌کند. این به یکپارچگی بهتر تشخیص و تجزیه و تحلیل تغییر و همچنین به افزایش ارتباطات بصری عدم قطعیت در طول تجزیه و تحلیل کمک می کند. ما معیاری را برای عدم قطعیت تغییر تعریف کردیم و کاربردهای بالقوه این مفهوم را شناسایی کردیم. در یک مطالعه موردی، ما از یک نمونه اولیه نرم افزار ساده استفاده کردیم که تغییرات را روی نقشه نشان می داد و با عدم قطعیت فیلتر می کرد. این مطالعه شامل یک سناریوی تغییر دوزمانی با داده‌های RS در مجاورت رودخانه البه در نزدیکی هامبورگ، آلمان بود. و نشان داد که چگونه تغییرات مثبت کاذب را می توان با موفقیت با استفاده از آستانه عدم قطعیت فیلتر کرد. ما اشاره کردیم که به طور کلی، عدم قطعیت می تواند یک شاخص برای تغییر اشتباه باشد، با این حال، محدودیت هایی دارد زیرا سطح بحرانی عدم قطعیت (برای تمایز بین تغییر صحیح و اشتباه) ممکن است در یک مجموعه داده متفاوت باشد. بنابراین، ما استفاده از سایر نشانگرهای اضافی را برای کمک به تصمیم گیری در مورد صحیح بودن تغییرات توصیه می کنیم، به عنوان مثال، مساحت یک تغییر یا امضای طیفی آن. محدودیت هایی دارد زیرا سطح بحرانی عدم قطعیت (برای تمایز بین تغییر صحیح و اشتباه) ممکن است در یک مجموعه داده متفاوت باشد. بنابراین، ما استفاده از سایر نشانگرهای اضافی را برای کمک به تصمیم گیری در مورد صحیح بودن تغییرات توصیه می کنیم، به عنوان مثال، مساحت یک تغییر یا امضای طیفی آن. محدودیت هایی دارد زیرا سطح بحرانی عدم قطعیت (برای تمایز بین تغییر صحیح و اشتباه) ممکن است در یک مجموعه داده متفاوت باشد. بنابراین، ما استفاده از سایر شاخص‌های اضافی را برای کمک به تصمیم‌گیری درباره درست بودن تغییرات توصیه می‌کنیم، به عنوان مثال، مساحت یک تغییر یا امضای طیفی آن.
در مجموع، نشان داده شد که ابزارهایی که این مفهوم را پیاده‌سازی می‌کنند، پتانسیل مقابله با چالش‌های موجود در تحلیل تغییر مانند میزان بالای تغییرات مثبت کاذب را دارند. در عین حال، تجزیه و تحلیل به طور طبیعی پیچیده تر می شود زیرا عدم قطعیت بعد دیگری به داده ها اضافه می کند که باید در نظر گرفته شود. این واقعیت بر اهمیت رابط های بصری به خوبی ساخته شده و عملکرد تعامل برای به حداقل رساندن بار کاربر تأکید می کند. مطالعات کاربر برای ارزیابی اینکه آیا تحلیلگران می توانند از اطلاعات عدم قطعیت زمانی که به صورت بصری به تصویر کشیده می شود استفاده کنند و چگونه با پیچیدگی و بار بصری که هنگام ترکیب عدم قطعیت اضافه می شود کنار می آیند، ضروری است.
مطالعه موردی که در اینجا ارائه کردیم، شامل یک تحلیل دو زمانی از تغییر بود. اما این مفهوم امکان تجزیه و تحلیل بیش از دو مجموعه داده RS را در یک زمان فراهم می کند و ما فرض می کنیم که این یکی از نقاط قوت این رویکرد است. این باید در مطالعات آینده شامل بیش از دو صحنه RS آزمایش شود.
نمونه اولیه نرم افزاری که ما در مطالعه موردی استفاده کردیم، باید به عنوان نقطه شروعی برای ابزارهای تحلیل تغییرات پیچیده تر از این نوع باشد. بنابراین، بخش مهمی از کار آینده، استخراج دستورالعمل‌ها و توصیه‌هایی برای حمایت از توسعه ابزارهای تحلیل تغییر بر اساس این مفهوم خواهد بود. اینها باید شامل تکنیک های توصیه شده برای تجسم عدم قطعیت و تعامل با کاربر باشد. در مجموع، ما حمایت از توسعه ابزار GVA را گامی مهم برای نزدیک‌تر شدن به هدف ایجاد ابزارهایی برای تجزیه و تحلیل آگاهانه از عدم قطعیت از تغییرات می‌دانیم که می‌تواند در عمل مورد استفاده قرار گیرد.

منابع

  1. ژانگ، جی. Goodchild، MF عدم قطعیت در اطلاعات جغرافیایی ; تیلور و فرانسیس: لندن، بریتانیا، 2002. [ Google Scholar ]
  2. پونتیوس، آر جی، جونیور؛ لیپیت، سی دی آیا خطا می تواند تفاوت های نقشه را در طول زمان توضیح دهد؟ کارتوگر. Geogr. Inf. علمی 2008 ، 33 ، 159-171. [ Google Scholar ] [ CrossRef ]
  3. کاپین، پی. Jonckheere، I. Nackaerts، K. Muys، B. روش‌های تشخیص تغییر دیجیتال در پایش اکوسیستم: یک بررسی. بین المللی J. Remote Sens. 2004 ، 25 ، 1565-1596. [ Google Scholar ] [ CrossRef ]
  4. De Chiara, D. From GeoVisualization to Visual-Analytics: Methodologys and Techniques for Human-Information Discourse. دکتری پایان نامه، دانشگاه سالرنو، سالرنو، ایتالیا، فوریه 2012. [ Google Scholar ]
  5. توماشفسکی، بی.ام. رابینسون، AC; ویور، سی. استرایکر، ام. MacEachren، AM Geovisual Analytics و مدیریت بحران. در مجموعه مقالات چهارمین کنفرانس بین المللی سیستم های اطلاعاتی برای واکنش و مدیریت بحران (ISCRAM)، دلفت، هلند، 13 تا 16 مه 2007.
  6. Schiewe, J. Geovisualisation and Geovisual Analytics: دیدگاه بین رشته ای در نقشه برداری. در مجموعه مقالات بیست و ششمین کنفرانس بین المللی کارتوگرافی ICC 2013، درسدن، آلمان، 25 تا 30 اوت 2013. صص 122-126.
  7. وانگ، تی دی. وانگسوفاساوات، ک. پلازانت، سی. Shneiderman، B. استخراج بینش از پرونده های سلامت الکترونیکی: مطالعات موردی، یک مدل فرآیند تجزیه و تحلیل بصری، و توصیه های طراحی. جی. مد. سیستم 2011 ، 35 ، 1135-1152. [ Google Scholar ] [ CrossRef ]
  8. شرک، تی. تکوشووا، تی. کوههامر، جی. Fellner, D. تحلیل بصری مبتنی بر مسیر داده‌های سری زمانی بزرگ مالی. ACM SIGKDD Explor. Newsl. 2007 ، 9 ، 30-37. [ Google Scholar ] [ CrossRef ]
  9. لوسییر، الف. عدم قطعیت در تقسیم بندی و تجسم آنها. دکتری پایان نامه، دانشگاه اوترخت، Enschede، هلند، 2004. [ Google Scholar ]
  10. Ahlqvist, O. گسترش تشخیص تغییر پس از طبقه بندی با استفاده از معیارهای تشابه معنایی برای غلبه بر ناهمگونی طبقاتی: مطالعه ای در مورد تغییرات پایگاه داده پوشش زمین ملی ایالات متحده در سال های 1992 و 2001. سنسور از راه دور محیط. 2008 ، 112 ، 1226-1241. [ Google Scholar ] [ CrossRef ]
  11. باستین، ال. فیشر، پی. وود، جی. تجسم عدم قطعیت در تصاویر سنجش از دور چند طیفی. محاسبه کنید. Geosci. 2002 ، 28 ، 337-350. [ Google Scholar ] [ CrossRef ]
  12. زوریتا میلا، ر. بلوک، سی. Retsios، V. تجزیه و تحلیل ژئو بصری سری زمانی تصاویر ماهواره ای. در مجموعه مقالات کنگره بین المللی مدل سازی و نرم افزار محیطی 2012، لایپزیگ، آلمان، 1 تا 5 ژوئیه 2012. Seppelt, R., Voinov, AA, Lange, S., Bankamp, ​​D., Eds. انجمن بین المللی مدلسازی محیطی و نرم افزار (iEMSs): لایپزیگ، آلمان، 2012; ص 1431-1438. [ Google Scholar ]
  13. گرین، ک. تغییر مهم است. فتوگرام مهندس Remote Sens. 2011 ، 77 ، 305-309. [ Google Scholar ] [ CrossRef ]
  14. هوبر، او. ویلسون، جی. هاردینگ، اس. انگوهارد، آر. Devillers, R. بصری نشان دهنده تفاوت های جغرافیایی-زمانی. در مجموعه مقالات کنفرانس IEEE در علم و فناوری تجزیه و تحلیل بصری 2010، سالت لیک سیتی، ایالات متحده، 25-26 اکتبر 2010. MacEachren, A., Miksch, S., Eds. IEEE Press: نیویورک، نیویورک، ایالات متحده آمریکا، 2010; صص 229-230. [ Google Scholar ]
  15. فودی، جنرال موتورز; اتکینسون، PM (ویراستار.) عدم قطعیت در سنجش از دور و GIS ; Wiley: Hoboken، NJ، ایالات متحده، 2002. [ CrossRef ]
  16. شی، دبلیو. فیشر، پی اف. Goodchild، MF (Eds.) کیفیت داده های مکانی ; تیلور و فرانسیس: نیویورک، نیویورک، ایالات متحده آمریکا، 2002.
  17. فیشر، پی. آرنوت، سی. وادسورث، آر. Wellens, J. تشخیص تغییر در تفسیرهای مبهم از مناظر. Ecol. به اطلاع رساندن. 2006 ، 1 ، 163-178. [ Google Scholar ] [ CrossRef ]
  18. براون، KM; فودی، جنرال موتورز; اتکینسون، PM استخراج معیارهای عدم قطعیت موضوعی در سنجش از دور با استفاده از خروجی های طبقه بندی. در مجموعه مقالات هفتمین سمپوزیوم بین المللی ارزیابی دقت فضایی در منابع طبیعی و علوم محیطی، لیسبون، پرتغال، 5-7 ژوئیه 2006. Caetano، M.، Painho، M.، Eds. Instituto Geográfico Português: لیسبون، پرتغال، 2006. [ Google Scholar ]
  19. لوری، جی اچ. رمزی، RD; لانگز استونر، ال. کربی، جی. شولز، ک. چارچوب اکولوژیکی برای ارزیابی خطاهای نقشه با استفاده از مجموعه های فازی. فتوگرام مهندس Remote Sens. 2008 , 74 , 1509-1519. [ Google Scholar ] [ CrossRef ]
  20. Burnicki، AC مدل‌سازی احتمال طبقه‌بندی اشتباه در نقشه تغییر پوشش زمین. فتوگرام مهندس Remote Sens. 2011 ، 77 ، 39-49. [ Google Scholar ]
  21. شوستر، سی. فورستر، ام. Kleinschmit، B. آزمایش کانال لبه قرمز برای بهبود طبقه بندی کاربری زمین بر اساس داده های ماهواره ای چند طیفی با وضوح بالا. بین المللی J. Remote Sens. 2012 ، 33 ، 5583-5599. [ Google Scholar ] [ CrossRef ]
  22. خرم، س. ارزیابی دقت تشخیص تغییر حاصل از سنجش از دور . انجمن آمریکایی فتوگرامتری و سنجش از دور: Bethesda، MD، ایالات متحده آمریکا، 1999. [ Google Scholar ]
  23. Congalton، RG; گرین، ک. ارزیابی دقت داده‌های سنجش از راه دور: اصول و روش‌ها ، ویرایش دوم. CRC Press/Taylor & Francis: Boca Raton، FL، USA، 2009. [ Google Scholar ]

;کاربردهای GISمقالات

آموزش کاربردی ArcGISالهام ابراهیم زادهکاربرد جی ای اسکاربرد جی ای اس 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