نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

 

خلاصه

توسعه سریع و افزایش دسترسی به تصاویر ماهواره ای با وضوح بالا (HRS) فرصت های بیشتری برای نظارت بر پوشش زمین در مقیاس بزرگ فراهم می کند. با این حال، ناکارآمدی و استقلال بیش از حد در دانش تخصصی، استفاده از تصاویر HRS را در مقیاس بزرگ محدود می‌کند. به عنوان یک سازماندهی دانش و روش نمایش، هستی شناسی می تواند به بهبود کارایی استخراج خودکار یا نیمه خودکار اطلاعات پوشش زمین، به ویژه برای تصاویر HRS کمک کند. این مقاله یک چارچوب مبتنی بر هستی‌شناسی را ارائه می‌کند که برای مدل‌سازی دانش استخراج پوشش زمین و تفسیر تصاویر سنجش از دور HRS در سطح منطقه‌ای استفاده شد. ساختار هستی شناسی پوشش زمین به صراحت تعریف شده است و ویژگی های طیفی، بافتی و شکلی را در نظر می گیرد و امکان تفسیر خودکار نتایج استخراج شده را فراهم می کند. با کمک نمونه های اولیه منطقه ای برای کلاس پوشش زمین ذخیره شده در فایل Web Ontology Language (OWL)، سپس استخراج خودکار پوشش زمین از منطقه مورد مطالعه انجام می شود. آزمایش‌ها با استفاده از تصاویر ZY-3 (Ziyuan-3) انجام می‌شوند که در تابستان‌های 2012 و 2013 برای منطقه جیانگ شیا، ووهان، چین به دست آمدند. روش آزمایشی نتایج خوبی را برای استخراج پوشش زمین ارائه کرد زیرا دقت کلی به 65.07٪ رسید. . به خصوص برای سطوح خالی، بزرگراه ها، حوضچه ها و دریاچه ها که دقت تولید کننده و کاربر هر دو بالاتر از 75٪ بود. نتایج، قابلیت روش مبتنی بر هستی شناسی را برای استخراج خودکار پوشش زمین با استفاده از تصاویر ZY-3 HRS برجسته می کند. آزمایش‌ها با استفاده از تصاویر ZY-3 (Ziyuan-3) انجام می‌شوند که در تابستان‌های 2012 و 2013 برای منطقه جیانگ شیا، ووهان، چین به دست آمدند. روش آزمایشی نتایج خوبی را برای استخراج پوشش زمین ارائه کرد زیرا دقت کلی به 65.07٪ رسید. . به خصوص برای سطوح خالی، بزرگراه ها، حوضچه ها و دریاچه ها که دقت تولید کننده و کاربر هر دو بالاتر از 75٪ بود. نتایج، قابلیت روش مبتنی بر هستی شناسی را برای استخراج خودکار پوشش زمین با استفاده از تصاویر ZY-3 HRS برجسته می کند. آزمایش‌ها با استفاده از تصاویر ZY-3 (Ziyuan-3) انجام می‌شوند که در تابستان‌های 2012 و 2013 برای منطقه جیانگ شیا، ووهان، چین به دست آمدند. روش آزمایشی نتایج خوبی را برای استخراج پوشش زمین ارائه کرد زیرا دقت کلی به 65.07٪ رسید. . به خصوص برای سطوح خالی، بزرگراه ها، حوضچه ها و دریاچه ها که دقت تولید کننده و کاربر هر دو بالاتر از 75٪ بود. نتایج، قابلیت روش مبتنی بر هستی شناسی را برای استخراج خودکار پوشش زمین با استفاده از تصاویر ZY-3 HRS برجسته می کند. که دقت سازنده و کاربر هر دو بالاتر از 75٪ بود. نتایج، قابلیت روش مبتنی بر هستی شناسی را برای استخراج خودکار پوشش زمین با استفاده از تصاویر ZY-3 HRS برجسته می کند. که دقت سازنده و کاربر هر دو بالاتر از 75٪ بود. نتایج، قابلیت روش مبتنی بر هستی شناسی را برای استخراج خودکار پوشش زمین با استفاده از تصاویر ZY-3 HRS برجسته می کند.
کلید واژه ها: 

هستی شناسی ; پوشش زمین ؛ طبقه بندی ; ZY-3 ; نمونه اولیه

 

1. معرفی

داده های ماهواره ای با وضوح بالا (HRS) به طور گسترده ای برای نظارت بر پوشش زمین توسط بخش های کاربردی مختلف استفاده می شود [ 1 ]. به عنوان مثال، مأموریت نظارت بر شرایط ملی جغرافیایی چین (CGNCM) اطلاعات جغرافیایی اساسی در چین را با استفاده از تصاویر HRS، مانند تصاویر ZY-3 [ 2 ] نظارت می کند. اکثر اطلاعات جغرافیایی که توسط این ماموریت نظارت می شود با پوشش زمین مرتبط است که از برنامه ریزی کوتاه مدت و بلندمدت زمین و تصمیم گیری دولتی پشتیبانی می کند.
تفسیر تصاویر ماهواره ای چالش برانگیز است [ 1 ]. برای دستیابی به دقت بالای تفسیر تصویر، داده های سنجش از راه دور HRS در اکثر برنامه ها و مطالعات با مزیت وضوح بالا استفاده می شود [ 2 ]. کاربری زمین و پوشش زمین نشان دهنده تأثیر فعالیت های انسانی بر محیط طبیعی و اکوسیستم است [ 3 ]. تکنیک‌های سنجش از دور و سیستم اطلاعات جغرافیایی برای انجام تحقیقاتی مانند تجزیه و تحلیل تشخیص تغییر پوشش زمین و پیش‌بینی سناریوی آینده بسیار مفید هستند [ 4]]. همانطور که ذکر شد، ماموریت CGNCM که توسط اداره ملی نقشه برداری، نقشه برداری و اطلاعات جغرافیایی چین پیشنهاد و اجرا می شود، نیاز به نظارت سالانه پوشش زمین از طریق داده های سنجش از دور HRS دارد. علاوه بر این، برای تأیید صحت داده‌های سنجش از راه دور، ترسیم‌های دستی پوشش زمین مورد نیاز است. اجرای این خطوط دستی پوشش زمین، که کل چین را پوشش می دهد، حتی به صورت سالانه زمان بر و چالش برانگیز است. بنابراین، یک روش سریع و موثر استخراج پوشش زمین به صورت خودکار یا نیمه اتوماتیک مورد نیاز است.
استخراج تصویر مبتنی بر پیکسل یک فرآیند استخراج متداول برای مدت طولانی است. با این حال، اطلاعات موجود در یک تصویر به طور کامل استفاده نمی شود و برای تصاویر با وضوح بالا نامناسب است [ 1 ، 5 ]. استخراج ویژگی شی گرا از اطلاعات تقسیم بندی، طیفی، بافت و شکل استفاده می کند و به طور گسترده برای استخراج ویژگی تصویر در بازه های زمانی معین استفاده می شود [ 5 ، 6 ، 7 ].
با این حال، استخراج ویژگی شی گرا نیز دارای محدودیت هایی است. روش های تجزیه و تحلیل تصویر مبتنی بر شی جغرافیایی (GEOBIA) به ندرت قابل انتقال هستند، زیرا مبتنی بر دانش تخصصی و اجرای زنجیره های پردازش کنترل نشده هستند [ 8 ]. بنابراین، تجزیه و تحلیل تصویر پوشش زمین نیاز به دانش تخصصی از متخصصان سنجش از دور دارد، که به ندرت رسمی و خودکار کردن آن دشوار است [ 1 ].
علاوه بر این، روش شی گرا با قابلیت استفاده مجدد و اتوماسیون آن محدود می شود، به ویژه هنگامی که توسط افراد غیر حرفه ای یا در فرآیندهای دسته ای استفاده می شود [ 5 ، 8 ]. نرم‌افزار تجاری که عمدتاً از روش شی گرا استفاده می‌کند، برای چنین کارهای استخراجی، عمدتاً به دلیل فرآیند آزمون و خطای ذاتی، نسبتاً ناکارآمد است. این فرآیندها به ویژه در مقیاس های بزرگ، مانند مأموریت های GCNCM در مقیاس ملی، دشوار می شوند.
کاربرد هستی شناسی برای استخراج تصویر سنجش از دور در سیستم اطلاعات جغرافیایی (GIS) و جوامع سنجش از دور مورد بحث قرار گرفته است [ 5 ، 9 ]. هستی شناسی شامل نمایش مفاهیم، ​​مصادیق، روابط و بدیهیات است و استنباط دانش ضمنی را مجاز می سازد [ 10 ]. هستی شناسی ها به طور موثر دانش حوزه های مختلف را در زمینه علوم کامپیوتر بیان کرده اند [ 1 ].
هستی شناسی می تواند برای ارائه دانش تخصصی و بهبود فرآیند اتوماسیون استخراج تصاویر ماهواره ای با توصیف بخش های تصویر بر اساس ویژگی های طیفی، بافتی و شکل استفاده شود [ 1 ]. بسیاری از مطالعات ثابت کردند که هستی شناسی می تواند به طور عملی از نمایش معنایی تصاویر سنجش از راه دور پشتیبانی کند [ 1 ، 6 ، 11 ، 12 ، 13 ]. آرور و همکاران [ 8 ] پیشنهاد کرد که هستی شناسی ها در GEOBIA، به ویژه برای کشف داده ها، تفسیر خودکار تصویر، قابلیت همکاری داده ها، مدیریت گردش کار، و انتشار داده ها سودمند خواهند بود.
با این حال، این مطالعات فعلی دارای محدودیت‌هایی هستند. به عنوان مثال، مقادیر ویژگی های ذخیره شده توسط کلاس های هستی شناسی مختلف بر اساس دانش و تجربیات قبلی یک متخصص در یک منطقه مورد مطالعه است. بنابراین، نتایج به شدت به دانش متخصص و تجربیات قبلی از یک حوزه خاص بستگی دارد که ممکن است به طور قابل توجهی بین کارشناسان و کاربران متفاوت باشد. محدودیت دوم مربوط به تنوع شی است. این تنوع ها شامل تغییرات در اشکال و ویژگی های طیفی اشیاء پوشش زمین است. تغییرات شکل ممکن است به دلیل تفاوت های الگوریتم تقسیم بندی یا به دلیل کیفیت تصویر سنجش از راه دور ایجاد شود. تغییرات مشخصه طیفی ممکن است به دلیل مواد مختلف پوشیده شده بر روی اشیاء باشد، حتی برای اشیاء هم کلاس. علاوه بر این،14 ].
این مطالعه سعی دارد از هستی شناسی سلسله مراتبی با دانش رسمی برای استخراج داده های پوشش منطقه ای استفاده کند. یک طبقه بندی اطلاعات جغرافیایی بنیادی (FGIC) توسط اداره نقشه برداری، نقشه برداری و اطلاعات جغرافیایی چین پیشنهاد شده است. FGIC تقریباً شامل تمام کلاس هایی است که در نقشه های توپوگرافی ظاهر می شوند، از جمله پوشش زمین. برخی از محققین هستی شناسی های FGIC را بر اساس مقوله FGIC ایجاد کرده اند. وانگ و لی یک هستی شناسی FGIC را ایجاد کردند که شامل پارامترهای شکل، مکان و تابع بود [ 15]]. طبق هستی‌شناسی FGIC، داده‌های کلاس اطلاعات جغرافیایی سنجش از راه دور را می‌توان بر اساس ویژگی‌های مرتبط و برخی ویژگی‌های ویژگی سنجش از دور اضافی مانند طیف، بافت و غیره رسمیت داد. اگرچه مطالعات متعددی پوشش زمین را با استفاده از برنامه‌های سنجش از دور بررسی کرده‌اند، تنها بخش کوچکی از دانش مرتبط ذخیره، استفاده مجدد یا به اشتراک گذاشته شده است. بنابراین، یک پایگاه دانش پوشش زمین با سنجش از دور مورد نیاز است.
ایجاد یک پایگاه دانش دشوار است زیرا دانش اغلب ضمنی است و در اختیار متخصصان است [ 16 ]. بنابراین، شکاف معنایی بین کارشناسان و کاربران غیر متخصص باید کاهش یابد [ 17 ]. نظریه نمونه اولیه در روانشناسی شناختی یک نقطه شروع بالقوه برای پایگاه دانش فراهم می کند [ 18 ]. مدین و اسمیت [ 19] پیشنهاد کرد که یک مفهوم انتزاع طبقات مختلف است و نمونه اولیه بازنمایی ایده آلیستی این مفهوم است. به عبارت دیگر، نمونه اولیه یک انتزاع است که شامل تمام ویژگی های ویژگی متمرکز مفهوم یا کلاس است. نمونه اولیه را می توان برای طبقه بندی شی ناشناخته دیگر استفاده کرد. ایجاد یک نمونه اولیه کلاس پوشش زمین ممکن است برای سازماندهی دانش سنجش از دور و فرآیندهای استخراج تصویر نیز مفید باشد. دانش استخراج پوشش زمین را می توان برای هر طبقه پوشش زمین ذخیره کرد و توسط تجزیه و تحلیل های آینده استفاده کرد.
ماموریت CGNCM از دانش در فرآیندهای اتوماسیون یا استخراج نیمه اتوماسیون استفاده می کند. این دانش به طور قابل توجهی کارایی و اثربخشی استخراج اطلاعات پوشش زمین را بهبود می بخشد. همانطور که توسط CGNCM مورد نیاز است، شرایط جغرافیایی سالانه باید در طول تابستان نظارت شود، که می تواند به عنوان نقطه شروعی برای دانش هستی شناختی پوشش زمین باشد.
در این مقاله، ما توانایی هستی شناسی ها را برای تسهیل طبقه بندی پوشش زمین با استفاده از تصاویر ماهواره ای بررسی می کنیم. ما بر روی استفاده از هستی شناسی پوشش زمین و نمونه اولیه منطقه ای تمرکز می کنیم که برای انجام استخراج پوشش زمین منطقه ای استفاده می شود. این مطالعه یک چارچوب و روش مبتنی بر هستی شناسی را برای استخراج پوشش زمین معرفی می کند. این روش از هستی شناسی پوشش زمین استفاده می کند و یک نمونه اولیه کلاس پوشش زمین منطقه ای برای استخراج تصویر خودکار ایجاد می کند. این مقاله در چهار بخش تنظیم شده است. داده های تصویر و روش در بخش 2 توضیح داده شده است . بخش 3 نتایج تجربی روش پیشنهادی را مورد بحث قرار می دهد. در نهایت، نتیجه گیری در بخش 4 ارائه شده است .

2. داده ها و روش ها

2.1. داده ها

به عنوان اولین ماهواره غیرنظامی با وضوح بالا در چین، ZY-3 (Ziyuan-3, Resource-3) در 19 ژانویه 2012 توسط مرکز کاربردی نقشه برداری و نقشه برداری ماهواره ای (SASMAC)، اداره ملی نقشه برداری، نقشه برداری و جغرافیایی پرتاب شد. اطلاعات (NASG)، چین، با هدف بررسی و نظارت بر منابع زمین. ZY-3 مجهز به دستگاه‌های 2.1 متری پانکروماتیک با تأخیر در زمان و یکپارچه شدن شارژ (TDI-CCD) و دوربین‌های چند طیفی 5.8 متری است. دومی شامل چهار باند در فیلترهای باند آبی، سبز، قرمز و نزدیک به مادون قرمز است [ 20]]. تصاویر ZY-3 به طور گسترده برای مدیریت زمین، نقشه برداری و مطالعات زیست محیطی در چین استفاده می شود که منبع اصلی داده برای ماموریت CGNCM است. تصاویر ZY-3 مورد استفاده در این مطالعه توسط SASMAC، NASG ارائه شده است. تصحیح قائم‌سازی و تشعشع برای تصویر بازتابی کامل شده است، نتیجه کمی ارائه می‌کند و از اثرات مربوط به تغییرات زمانی و محیطی اجتناب می‌کند [ 21]]. تصاویر پانکروماتیک (رزولوشن فضایی 2.1 متر) با تصاویر چند طیفی (رزولوشن فضایی 5.8 متر) با استفاده از روش گرم اشمیت ادغام می شوند و در نتیجه یک تصویر با وضوح فضایی 2.1 متر با چهار باند طیفی ایجاد می شود. زمان دریافت تصاویر ZY-3 شامل 20 جولای 2012 و 7 آگوست 2013 است. علاوه بر نقشه پوشش زمین در سال 2012، تصویر قبلی برای تجزیه و تحلیل ویژگی های پوشش زمین استفاده می شود و داده های ویژگی ویژگی به عنوان نمونه اولیه ذخیره می شوند. سپس پوشش زمین تصویر 2013 برای آزمایش استخراج می شود. مشابه با الزامات استخراج پوشش زمین ماموریت CGNCM، ما آزمایش استخراج را در فصل تابستان مطالعه می کنیم، زمانی که ویژگی پوشش زمین به ویژه برای پوشش گیاهی آشکارتر است.
این آزمایش بر روی نظارت بر پوشش زمین ناحیه جیانگ شیا در ووهان متمرکز است، که در دشت جیانگگان شرقی در تقاطع بخش میانی رودخانه‌های یانگ تسه و هان قرار دارد. تابستان در ووهان طولانی و گرم است و از ماه می تا آگوست هر سال به طول می انجامد و میانگین دمای آن 28.7 درجه سانتیگراد است. نواحی شهری در ناحیه جیانگ شیا اخیراً گسترش یافته است که هر ساله منجر به تغییرات قابل توجهی در پوشش زمین می شود. محدوده مورد مطالعه شامل محدوده شهری و برون شهری است که بخشی از آن در حال ساخت است.

2.2. مواد و روش ها

مطالعه ما ابتدا یک هستی شناسی بر اساس طبقات پوشش زمین، ویژگی ها و یک سیستم سلسله مراتبی ایجاد می کند. هستی شناسی پوشش زمین بر اساس پوشش زمین FGIC چینی [ 22 ]. هستی شناسی از ویژگی های طبقه بندی پوشش زمین طیفی، بافتی، فضایی و تقسیم بندی از تصاویر سنجش از دور استفاده می کند. نقشه پوشش زمین 2012 و تصویر ZY-3 برای تجزیه و تحلیل ویژگی های پوشش زمین و تخمین محدوده ارزش متمرکز برای هر ویژگی استفاده می شود. سپس یک نمونه اولیه هستی شناسی پوشش زمین ایجاد می شود. در نهایت، هستی شناسی و نمونه اولیه برای استخراج داده های 2013 استفاده می شود.

2.2.1. سلسله مراتب پوشش زمین

پوشش اراضی منطقه مورد مطالعه از هشت طبقه شامل ساختمان، جاده، سطح برهنه، علفزار، زمین های زیر کشت، جنگل ها، باغ ها و آب ها تشکیل شده است. برخی از این کلاس‌ها شامل زیر کلاس‌ها می‌شوند، مانند ساختمان‌های بلند و کم‌مرتبه برای کلاس ساختمان. بر اساس هستی شناسی FGIC پیشنهاد شده توسط وانگ و لی [ 15 ]، کلاس های پوشش زمین برای ایجاد هستی شناسی پوشش زمین انتخاب می شوند و سلسله مراتب آنها از طریق Protégé 3.4.7. که توسط دانشگاه استنفورد، کالیفرنیا، ایالات متحده ارائه شده است، ایجاد می شود. رابطه اصلی بین این طبقات بر اساس “is-a” است که ساختار پوشش زمین سلسله مراتبی را می سازد ( شکل 1 ).
افزایش تنوع اشیاء پوشش زمین ممکن است دقت استخراج ویژگی را کاهش دهد. این ممکن است برای اشیایی با یک کلاس که از مواد مختلف تشکیل شده اند رخ دهد. در این حالت، ویژگی‌های طیفی و بافتی دو شیء ممکن است علیرغم تعلق به یک کلاس، کاملاً متفاوت باشد و می‌توان آنها را به اشتباه در کلاس‌های مختلف استخراج کرد ( شکل 2) .آ). به عنوان مثال، سقف های ساختمان های کم ارتفاع ممکن است با مواد مختلفی مانند کاشی های فولادی، آجری یا سیمانی پوشانده شوند و ممکن است در طبقات مختلف طبقه بندی شوند. سناریوی مشابهی ممکن است برای اشیاء در یک کلاس با اشکال مختلف رخ دهد که ممکن است به دلیل الگوریتم تقسیم بندی یا کیفیت تصویر باشد. به عنوان مثال، جاده های اصلی را می توان به بخش های مختلف، از جمله بخش های مستقیم و تکه تکه تقسیم کرد. این بخش‌های مختلف ویژگی‌های طیفی و بافتی مشابهی را نشان می‌دهند، اما اشکال متمایزی را نشان می‌دهند که ممکن است باعث خطاهای محاسبه ویژگی شکل شوند و بر نتایج استخراج تأثیر بگذارند ( شکل 2 ب).
با ایجاد زیر کلاس ها از این مشکلات جلوگیری می شود. به عنوان مثال، ساختمان‌های کم‌مرتبه بر اساس مصالحشان به سه زیر طبقه طبقه‌بندی می‌شوند که شامل ساختمان‌های کم‌مرتبه با سقف‌های فولادی، آجری و سیمانی می‌شود. جاده های اصلی را می توان بر اساس شکل به بخش های مستقیم و تکه تکه تقسیم کرد. زیر کلاس ها در هستی شناسی ذخیره می شوند و برای کاربران نامرئی هستند. پس از استخراج، زیر کلاس ها بر اساس کلاس های اصلی ترکیب می شوند.

2.2.2. خواص پوشش زمین

معمولاً برای شناسایی اشیاء در تصاویر ماهواره ای باید ویژگی های زیادی در نظر گرفته شود، به عنوان مثال، پاسخ طیفی، شکل، بافت و روابط فضایی در تصاویر ماهواره ای مورد بررسی قرار گرفت [ 8 ]. [ 1 ] یک توصیف معنایی از اشیاء تصویر موجود در یک تصویر Landsat TM از آمازون برزیل ارائه می‌کند، که برای طبقه‌بندی منطقه با استفاده از قوانین طیفی تعریف‌شده در هستی‌شناسی استفاده شد. [ 12 ، 23 ] هستی شناسی ها و استفاده از ویژگی های طیفی و هندسی را برای تفسیر اشیاء شهری (مانند جاده ها، پوشش گیاهی، آب و خانه ها) با موفقیت ترکیب کرد.
در هستی‌شناسی، ویژگی‌های مربوط به ویژگی‌های سنجش از دور پوشش زمین را می‌توان به‌عنوان ویژگی‌های هستی‌شناسی پوشش زمین در نظر گرفت و نشان داد، یعنی از ویژگی‌های طیفی، بافتی و شکلی برای نمایش ویژگی‌های پوشش زمین استفاده می‌شود که به عنوان ویژگی‌های هستی‌شناختی سازمان‌دهی می‌شوند.
ویژگی های طیفی برای هر باند تصویر ورودی محاسبه می شود. مقدار مشخصه برای یک خوشه پیکسل خاص بر اساس باند داده ورودی محاسبه می‌شود، جایی که برچسب تقسیم‌بندی تصویر همان مقدار را دارد. ویژگی های طیفی عبارتند از: میانگین ، مقدار متوسط ​​پیکسل های تشکیل دهنده منطقه در باند x. انحراف استاندارد ، مقدار انحراف استاندارد پیکسل‌هایی که منطقه را در باند x تشکیل می‌دهند. حداکثر مقدار ، حداکثر مقدار پیکسل های تشکیل دهنده منطقه در باند x. و مقدار minimun ، حداقل مقدار پیکسل‌هایی که منطقه را در باند x تشکیل می‌دهند.
ویژگی های بافت برای هر باند تصویر ورودی محاسبه می شود. ویژگی های بافت نیاز به یک فرآیند دو مرحله ای دارند. مرحله اول یک هسته مربعی با اندازه از پیش تعریف شده را به باند تصویر ورودی اعمال می کند. سپس مشخصه ها برای تمام پیکسل ها در پنجره هسته محاسبه می شوند و نتیجه به پیکسل هسته مرکزی ارجاع می شود. در مطالعه ما، اندازه پنجره هسته بر روی 3 تنظیم شده است. سپس، نتایج مشخصه در هر پیکسل در خوشه پیکسل به طور میانگین محاسبه می شود تا مقدار مشخصه برای برچسب تقسیم بندی آن باند ایجاد شود. ویژگی های بافت، از جمله مقدار میانگین ، واریانس ، محدوده داده و آنتروپی وجود دارد . میانگین مقدار میانگین پیکسل‌هایی است که ناحیه داخل هسته را تشکیل می‌دهند.واریانس میانگین واریانس پیکسل هایی است که ناحیه داخل هسته را تشکیل می دهند. محدوده به معنای میانگین محدوده داده پیکسل هایی است که منطقه داخل هسته را تشکیل می دهند. و آنتروپی میانگین مقدار آنتروپی پیکسل هایی است که ناحیه داخل هسته را تشکیل می دهند.
ویژگی‌های فضایی (اشکال) با استفاده از چند ضلعی که مرز خوشه پیکسل را مشخص می‌کند، محاسبه می‌شوند. ویژگی های فضایی شامل مساحت ، فشردگی ، تحدب ، استحکام ، گردی ، ضریب فرم ، کشیدگی و تناسب مستطیلی است که همگی شکل جسم را منعکس می کنند. مساحت کل مساحت چند ضلعی منهای مساحت سوراخ ها است. فشردگی به معنای اندازه گیری شکل است که فشردگی چند ضلعی را نشان می دهد . تحدب این است که چند ضلعی ها یا محدب هستند یا مقعر. این ویژگی تحدب چند ضلعی را اندازه گیری می کند.جامدادی اندازه گیری شکلی است که مساحت چند ضلعی را با ناحیه بدنه محدب اطراف چند ضلعی مقایسه می کند. گرد بودن اندازه گیری شکلی است که مساحت چند ضلعی را با ناحیه بدنه محدب اطراف چند ضلعی مقایسه می کند. ضریب شکل یک اندازه گیری شکل است که مساحت چند ضلعی را با مربع کل محیط مقایسه می کند. طویل شدنبه معنای اندازه گیری شکل است که نسبت محور اصلی چند ضلعی به محور فرعی چند ضلعی را نشان می دهد. محورهای اصلی و فرعی از یک جعبه مرزی جهت دار مشتق شده اند که حاوی چند ضلعی است. تناسب مستطیلی اندازه‌گیری شکلی است که نشان می‌دهد چقدر شکل با یک مستطیل به خوبی توصیف شده است. این ویژگی مساحت چند ضلعی را با مساحت جعبه مرزی جهت دار که چند ضلعی را در بر می گیرد مقایسه می کند. همه روش های محاسبه ویژگی ها را می توان به [ 24 ] اشاره کرد.
ویژگی های طبقه پوشش زمین سنجش از راه دور نشان دهنده ویژگی های استخراج شده است که در OWL با کمک Protégé 3.4.7 ذخیره می شوند.

2.2.3. نمونه اولیه کلاس پوشش زمین ایجاد کنید

دانش استخراج پوشش زمین را می توان در طول زمان هنگام انجام وظایف مختلف جمع آوری کرد. یک روش بازنمایی و سازماندهی دانش پوشش زمین مناسب برای استفاده مجدد کارآمد از این دانش مورد نیاز است. در این مطالعه از یک رویکرد نمونه اولیه که ریشه در نظریه بازنمایی دانش روانشناسی شناختی دارد استفاده شده است. نمونه های متعددی از پوشش زمین برای منطقه مورد مطالعه وارد شده است. سپس یک روش آماری برای محاسبه محدوده متمرکز هر ویژگی برای هر کلاس استفاده شد که برای ایجاد یک نمونه اولیه برای هر کلاس استفاده شد.
لایه برداری پوشش زمین را می توان بر اساس نقشه پوشش زمین ایجاد کرد. سپس IDL برای تقسیم بندی تصویر ZY-3 به اشیاء مطابق با لایه برداری پوشش زمین استفاده می شود. این اشیاء به طبقات پوشش زمین مربوطه تعلق دارند. سپس ویژگی های این اشیاء برای هر کلاس تجزیه و تحلیل می شود.
در سطح منطقه، تنوع محلی تغییرات پوشش زمین/کاربری آشکار فضایی، انواع مختلفی از کاهش منابع طبیعی را نشان می‌دهد [ 25 ]. ویژگی های پوشش زمین ممکن است در مناطق مختلف، به ویژه ویژگی های طیفی متفاوت باشد. به عنوان مثال، ویژگی های طیفی بلوط ممکن است بین شمال و جنوب چین در ماه ژوئن متفاوت باشد. در مقابل، پوشش زمین در همان منطقه یا مناطق مشابه ممکن است ویژگی های مشخصه مشابهی را نشان دهد. بنابراین، امکان ایجاد نمونه اولیه پوشش زمین در مقیاس منطقه ای وجود دارد.
برای ایجاد نمونه اولیه از تصاویر HRS و نقشه های طبقه بندی شده استفاده می شود. کل منطقه ووهان شرایط جغرافیایی و آب و هوایی مشابهی دارد. بنابراین می توان نمونه اولیه پوشش زمین را برای این منطقه ایجاد کرد. فقط منطقه جیانگ شیا برای ایجاد یک نمونه اولیه در این آزمایش انتخاب شده است. تصویر بازتاب ZY-3 2012 و نقشه پوشش زمین در این بخش از تجزیه و تحلیل استفاده شده است. بنابراین، سال 2012 را می توان سال پایه برای نظارت بر پوشش زمین ناحیه جیانگ شیا در نظر گرفت. با توجه به نمونه اولیه، تجزیه و تحلیل استخراج پوشش زمین را می توان در تابستان سال بعد (2013) انجام داد، که الزامات ماموریت CGNCM را برآورده می کند.
ویژگی های انعکاس پوشش زمین ممکن است به صورت فصلی متفاوت باشد، به ویژه برای کلاس پوشش گیاهی [ 25 ]. بنابراین، مطالعات سالانه پایش پوشش زمین باید از تصاویر مربوط به همان فصل استفاده کند که باعث بهینه‌سازی مقایسه بین تصاویر می‌شود. به عنوان مثال، ماموریت های CGNCM نیاز به نظارت بر پوشش زمین در طول تابستان هر سال دارند [ 2 ]. در این پژوهش سعی شده است پوشش زمین در تابستان 1391 مورد تجزیه و تحلیل قرار گیرد.
فواصل اطمینان با استفاده از یک روش آماری تخمین زده می شود و برای دستیابی به مقادیر مشخصه متمرکز برای هر کلاس استفاده می شود. سپس یک توزیع نرمال با داده های ویژگی پوشش زمین، که برای ایجاد فواصل اطمینان برای هر کلاس ویژگی استفاده می شود، متناسب می شود.
نمونه اولیه یک کلاس ترکیبی از همه ویژگی ها در یک فاصله اطمینان است. به عنوان مثال، کلاس ساختمان های مرتفع شامل 500 شی بر اساس تصویر مرجع و نقشه پوشش زمین است. میانگین مقدار بافت را می توان برای این 500 شی محاسبه کرد. اگر داده های شی با توزیع نرمال مطابقت داشته باشد، فاصله اطمینان را می توان میانگین بافت ساختمان بلندمرتبه تعیین کرد. فواصل اطمینان سایر ویژگی ها (مثلاً میانگین طیفی، انحراف معیار، حداقل، و غیره ؛ واریانس بافتی، آنتروپی و غیره ؛ و مساحت شکل، ازدیاد طول، گردی و غیره) .) نیز قابل محاسبه است. این فواصل اطمینان برای ایجاد نمونه اولیه ساختمان مرتفع استفاده می شود. این اطلاعات ویژگی به عنوان ویژگی های داده در Protégé ذخیره می شود. بنابراین، نمونه اولیه این کلاس آماده استفاده است ( شکل 3 ). پس از ایجاد هستی شناسی و ذخیره نمونه اولیه برای یک منطقه مورد مطالعه، کلاس های پوشش زمین را می توان به طور خودکار در همان زمان یا فصل هر سال استخراج کرد.

2.2.4. استخراج پوشش زمین

همانطور که در روش های GEOBIA، روش مربوط به اشیاء جغرافیایی و تصویری بر یک مرحله تقسیم بندی و یک مرحله طبقه بندی تکیه دارد [ 26 ]. بخش بندی یک مرحله مهم استخراج ویژگی GEOBIA است. این مطالعه از ابزار تقسیم بندی ENVI EX برای این مرحله استفاده می کند. این ابزار از روش تقسیم بندی مبتنی بر تشخیص لبه استفاده می کند و جزئیات روش را می توان در راهنمای کاربر ENVI [ 4 ] پیدا کرد. اگر اشیاء مورد نظر دارای لبه های تیز باشند، تقسیم بندی مبتنی بر لبه برای تشخیص لبه های ویژگی مناسب است. پارامترهای سطح مقیاس باید به طور موثر تنظیم شوند تا ویژگی ها را مشخص کنند.
از آنجایی که توصیفات موجودات جغرافیایی و نمایش های مربوطه در تصاویر وابسته به مقیاس هستند، مقیاس باید هنگام انجام تحلیل های جغرافیایی در نظر گرفته شود [ 27 ، 28 ]. مطالعات از تصاویر سنجش از دور استفاده کرده اند تا نشان دهند که دقت تقسیم بندی می تواند استخراج شی گرا را محدود کند [ 8 ]. هیچ روش تقسیم‌بندی به دلیل کیفیت تصویر، روش‌های پیش پردازش و تغییرات پیچیدگی شی کاملاً برای همه طبقات پوشش زمین مناسب نیست [ 5 ، 8 ].
مقیاس تقسیم‌بندی استخراج پوشش اراضی مورد استفاده در این مطالعه توسط کارشناسان ارائه شده است. با استفاده از فرآیند آزمون و خطا، پارامترهای ورودی الگوریتم تقسیم بندی را می توان تنظیم کرد [ 8 ]. پس از تنظیمات دستی، پارامتر سطح مقیاس تقسیم بندی مناسب برای تصویر ذوب شده 2.1 متری ZY-3 روی 20 تنظیم شد. مقدار سطح مقیاس نیز در یک فایل OWL ذخیره می شود.
بر اساس هستی شناسی و نمونه اولیه از سال 2012، ابزار استخراج پوشش زمین را می توان با استفاده از ENVI/IDL ایجاد کرد. یک تصویر اوت 2013 از همان منطقه به عنوان ورودی استفاده می شود. این برنامه کلاس های پوشش زمین و نمونه اولیه را از هستی شناسی بارگذاری می کند و یک ماژول استخراج مبتنی بر قانون ایجاد می کند ( شکل 4 ).

2.2.5. ارزیابی دقت

نقشه پوشش زمین تولید شده در تابستان 1392 منطقه مورد مطالعه به عنوان داده های صحت زمین برای ارزیابی صحت نتایج استخراج استفاده می شود. این نقشه پوشش اراضی ارجاع شده در مقیاس 1:25000 است و حدود 2 متر در هر پیکسل است. میانگین خطا کمتر از یک پیکسل است. همچنین در این نقشه پوشش اراضی هشت طبقه وجود دارد که شامل ساختمان، جاده، سطح برهنه، علفزار، زمین زیر کشت، جنگل، باغ و آب است. با کمک داده های حقیقت زمین، ارزیابی دقت را می توان برای آزمایش استخراج ما از پوشش زمین در سال 2013 انجام داد. در ارزیابی دقت، ابتدا ماتریس سردرگمی همه کلاس ها را محاسبه می کنیم. از ماتریس سردرگمی، می توان دقت کاربر و دقت سازنده را تخمین زد. سپس، دقت کلی و ضریب کاپا را برای تجزیه و تحلیل بیشتر نتایج تجربی تجزیه و تحلیل می‌کنیم. در مطالعه ما، پردازش پس از طبقه‌بندی پس از استخراج خودکار پوشش زمین استخدام نمی‌شود. ما فقط نتیجه استخراج خودکار را برای ارزیابی دقت در نظر می گیریم. به دلیل پردازش پس از طبقه بندی، که اغلب در طول کاربردهای عملی استفاده می شود، تا حدودی ذهنی است. عدم قطعیت مربوط به اپراتورها ممکن است در نتایج پردازش وجود داشته باشد.

3. نتایج و بحث

ENVI/IDL برای استخراج پوشش زمین استفاده می شود. مقیاس تقسیم بندی در این تحقیق 20 و مقیاس ادغام 90 است. این دو پارامتر در استخراج تصویر بعدی استفاده می شود. طبقه بندی کننده ENVI EX مبتنی بر قانون روی 4.8، مقدار آستانه اطمینان 0.40 و مقدار تحمل فازی پیش فرض روی 5٪ تنظیم شده است. S-Type به عنوان نوع مجموعه تابع عضویت پیش‌فرض انتخاب شد.
ما نقشه پوشش زمین 2013 را برای نشان دادن واقعیت زمین تنظیم کردیم، که برای محاسبه یک ماتریس سردرگمی استفاده شد. ضریب کاپا آزمایش 0.59 و دقت کلی 65.07٪ است. دقت تولید کننده و نتایج دقت کاربر را می توان در جدول 1 مشاهده کرد .
کلاس ساختمان کم ارتفاع بالاترین دقت تولید کننده 86.52% را نشان می دهد، اما دقت کاربر نسبتاً پایین 68.63% ( جدول 1 ). در شکل 5 ، این اختلاف به دلیل سردرگمی ساختمان‌های کم‌مرتبه و بلند است، زیرا ساختمان‌های کم‌مرتبه ویژگی‌های مشابه ساختمان‌های بلند را نشان می‌دهند. قسمت اعظم مسیر بیش از حد قطعه بندی شده است. بنابراین، اگر ساختمان های کم ارتفاع تا حدی پوشیده از گرد و غبار باشند، ممکن است به اشتباه طبقه بندی شوند.
کلاس شالیزار نیز دقت تولیدکننده بالا و کاربر پایین را به ترتیب 81.18% و 53.27% نشان می دهد ( جدول 1 ). همانطور که در شکل 5 نشان داده شده است، کلاس شالیزار دقت تولید کننده قابل قبولی را نشان می دهد، اما همچنان به اشتباه در کلاس های دیگر، مانند کلاس های باغ، جنگل، و ساختمان های کم طبقه طبقه بندی می شود. این سردرگمی باعث می شود دقت کاربر شالیزار پایین باشد.
دقت کاربر کلاس های سطح برهنه، جنگل، بزرگراه، حوض، دریاچه و مسیر همگی بالاتر از 75 درصد است که نشان می دهد اکثر اشیاء در این کلاس ها به درستی استخراج شده اند. کلاس‌های سطح برهنه، حوضچه و دریاچه دقت تولیدکننده و کاربر را بیش از 75 درصد نشان می‌دهند ( جدول 1 ). این نتایج را می توان در شکل 5 نیز مشاهده کرد . طبقات ساختمان های مرتفع و علفزار به درستی استخراج نشدند، زیرا دقت تولید آنها کمتر از 50٪ است.
جزئیات نتایج استخراج را می توان در ماتریس سردرگمی در جدول 2 و نمودار وتر در شکل 6 مشاهده کرد . در نمودار وتر شکل 6، رنگ های مختلف نشان دهنده طبقات مختلف پوشش زمین است. طول قوس برای هر کلاس نشان دهنده تعداد پیکسل ها است، واحد هزاران پیکسل است. نوار پیوند بین کلاس های مختلف به معنای پیکسل های اشیایی است که به اشتباه در کلاس دیگر طبقه بندی شده اند. همانطور که در نتایج ما نشان داده شده است، بیش از نیمی از زمین های شالیزاری به درستی استخراج شده اند. با این حال، بخش‌های خاصی از شالیزار درست نیست که بیشتر آن‌ها باغ، علفزار و جنگل است و به نظر می‌رسد که شالیزار به اشتباه به باغ میوه طبقه‌بندی می‌شود. دو دلیل وجود دارد؛ یکی اینکه چون باغ همیشه درختان کم ارتفاعی در آن کاشته می شود و تابستان دوره شکوفایی آن به ویژه برای برگ های آن است و شالیزار نیز در تابستان پوشیده از پوشش گیاهی است. با این حال، در تصویر 2.1 متری، بافت های این دو طبقه متفاوت بسیار نزدیک هستند، همراه با طیف و شکل مشابه، اجسام شالیزار به راحتی به اشتباه به عنوان باغ تفسیر می شوند. این در حالی است که حدود 1/6 باغات در واقع شالیزار هستند. برای اشیاء ساختمانی کم‌مرتبه استخراج‌شده، که بیشتر آنها درست هستند، اما ساختمان‌های کم‌مرتبه را می‌توان به راحتی در انواع دیگر طبقات پوشش زمین طبقه‌بندی کرد. در مقایسه، سطح لخت، خشکی، حوضچه ها و دریاچه ها نتایج خوبی در استخراج دارند. اما ساختمان‌های کم‌مرتبه را می‌توان به راحتی در انواع دیگر طبقات پوشش زمین طبقه‌بندی کرد. در مقایسه، سطح لخت، خشکی، حوضچه ها و دریاچه ها نتایج خوبی در استخراج دارند. اما ساختمان‌های کم‌مرتبه را می‌توان به راحتی در انواع دیگر طبقات پوشش زمین طبقه‌بندی کرد. در مقایسه، سطح لخت، خشکی، حوضچه ها و دریاچه ها نتایج خوبی در استخراج دارند.
تغییرات واضحی را می توان بین تصاویر پوشش زمین در سال های 2012 و 2013 مشاهده کرد. به عنوان مثال، نسبت بیشتری از سطح برهنه را می توان در سال 2012 مشاهده کرد و خاک و گرد و غبار منطقه وسیعی از ناحیه جیانگ شیا را پوشانده است ( شکل 7 سمت چپ). با این حال، اکثر ساختمان ها و جاده ها در سال 2013 تکمیل شده اند. بنابراین، برخی از مناطق مسکونی جدید و شبکه های جاده ای (شامل جاده های اصلی، جاده های فرعی و بزرگراه ها) را می توان در شکل 7 (سمت راست) مشاهده کرد. علاوه بر این، پس از اتمام ساخت، مناطق جنگلی نیز کاشته شد. با این حال، برخی از مناطق هنوز در حال ساخت در تصویر 2013 هستند. اطلاعات دقیق در مورد تغییر پوشش زمین بین سالهای 2012 و 2013 در جدول 3 قابل مشاهده است .
نتایج نشان می دهد که هستی شناسی و نمونه اولیه را می توان برای انجام کارآمد و موثر استخراج خودکار پوشش زمین مورد استفاده قرار داد. طبقات سطح برهنه، حوضچه و دریاچه دقت بالایی را نشان دادند. طبقات ساختمان های کم ارتفاع، شالیزار، جنگل، باغ میوه، جاده اصلی، جاده فرعی و بزرگراه دقت متوسطی را نشان دادند.
اگرچه دقت کلی 65.07٪ خیلی زیاد نیست، اما در مقایسه با آن، کارایی و راحتی روش پیشنهادی ما هنوز آشکار است. با کمک هستی شناسی پوشش زمین و نمونه اولیه، استخراج را می توان به سرعت بدون کار زیاد روی آزمون و خطای پارامترها، آماده سازی دانش تخصصی، بدون ذکر خط کشی دستی، تکمیل کرد، همانطور که در بالا در ارزیابی دقت 2.2.5 ذکر شد. پردازش پس از طبقه بندی پس از استخراج خودکار پوشش زمین در مطالعه ما اعمال نمی شود، که در نظر گرفته می شود که به طور قابل توجهی بهبود نتیجه استخراج را تسهیل می کند و اغلب در کار عملی مورد نیاز است. به عبارت دیگر، هنگامی که این روش استخراج مبتنی بر هستی شناسی در کار واقعی استفاده می شود، با بهره گیری بیشتر از پردازش پس از طبقه بندی،

4. نتیجه گیری

مطالعه ما یک روش استخراج تصویر مبتنی بر هستی‌شناسی را برای پوشش زمین پیشنهاد می‌کند. هستی شناسی پوشش زمین ابتدا برای منطقه مورد مطالعه، از جمله ویژگی های طیفی، بافت، و شکل ایجاد می شود. سپس یک نقشه پوشش زمین ارجاع شده و تصویر ZY-3 برای ایجاد یک نمونه اولیه منطقه ای پوشش زمین برای منطقه مورد مطالعه استفاده می شود که در یک فایل OWL ذخیره می شود. سپس یک آزمایش استخراج پوشش زمین برای منطقه مورد مطالعه سال بعد از سال مورد اشاره انجام می شود. نتایج این مطالعه نشان می‌دهد که استفاده از نمونه‌های اولیه منطقه‌ای می‌تواند به سازماندهی دانش استخراج پوشش زمین در مناطق مختلف مطالعاتی کمک کند و از واریانس و ذهنیت معرفی شده توسط کارشناسان مختلف سنجش از دور اجتناب کند. علاوه بر این، این فرآیند به کاربران غیرمتخصصی که تجزیه و تحلیل پوشش زمین را انجام می دهند، سود می رساند، زیرا آنها فقط به نقشه پوشش زمین یا نقشه طبقه بندی مرجع و تصویر HRS نیاز دارند. همانطور که کار استخراج مرحله بعدی به طور خودکار تکمیل می شود. رویکرد هستی‌شناختی از دانش استفاده مجدد می‌کند و تحلیل‌های زمانی و مکانی را ساده می‌کند.
سهم اصلی این مطالعه تلاش برای استفاده از روش‌های هستی‌شناختی و نمونه‌های اولیه برای استخراج پوشش زمین در مقیاس‌های منطقه‌ای خاص است. این روش دارای مزیت قابلیت استفاده مجدد از دانش ویژگی های سنجش از دور پوشش زمین است و روشی خودکارتر، کارآمدتر و کمتر وابسته به دانش تخصصی را برای پایش پوشش زمین فراهم می کند.
مطالعات آتی باید شامل عوامل اضافی مانند شاخص‌های NDVI و NDWI یا نسبت‌های باند اضافی باشد که می‌تواند دقت طبقه پوشش زمین را بهبود بخشد. علاوه بر این، این مطالعه فقط فصل تابستان را تجزیه و تحلیل کرد، بنابراین وضوح و تغییرات زمانی باید در مطالعات آینده مورد توجه قرار گیرد. این قطعنامه ها باید شامل مقیاس های فصلی یا حتی ماهانه باشد. مناطق بزرگتر نیز در مطالعات آینده، از جمله نظارت بر پوشش زمین در مقیاس استان بر اساس ترکیب نمونه های اولیه منطقه ای، تجزیه و تحلیل خواهند شد. نقشه ها و تصاویر پوشش زمین اضافی برای مطالعات در مقیاس بزرگتر مورد نیاز است و ابزار خودکارتری باید توسعه یابد. بنابراین، یک هستی شناسی پوشش زمین در مقیاس استان با یک نمونه اولیه منطقه ای، تفسیر پوشش زمین و استخراج داده ها را ساده می کند. در این مورد،

منابع

  1. آندرس، اس. آرور، دی. پیرکوت، سی. رویکردی هستی‌شناختی برای طبقه‌بندی تصاویر سنجش از دور. در مجموعه مقالات هشتمین کنفرانس بین المللی فناوری تصویر سیگنال و سیستم های مبتنی بر اینترنت (Sitis 2012)، ناپل، FL، ایالات متحده آمریکا، 25 نوامبر 2012; صص 825-832.
  2. لی، دی. سویی، اچ. شان، جی. بحث در مورد فن آوری های کلیدی پایش شرایط ملی geogrpahic. Geomat. Inf. علمی دانشگاه ووهان 2012 ، 37 ، 505-512. [ Google Scholar ]
  3. ژو، Q. Sun، B. تحلیل الگوی مکانی- زمانی و نیروی محرکه تغییر پوشش زمین با استفاده از تصاویر سنجش از دور چند زمانی. علمی فناوری چین علمی 2010 ، 53 ، 111-119. [ Google Scholar ] [ CrossRef ]
  4. احمد، بی. احمد، آر. مدل‌سازی پویایی رشد پوشش زمین شهری با استفاده از تصاویر ماهواره‌ای چند زمانی: مطالعه موردی داکا، بنگلادش. ISPRS Int. J. Geo-Inf. 2012 ، 1 ، 3-31. [ Google Scholar ] [ CrossRef ]
  5. بلاشکه، تی. هی، GJ; کلی، م. لانگ، اس. هافمن، پی. آدینک، ای. فیتوسا، RQ; ون در میر، اف. ون در ورف، اچ. ون کویلی، اف. و همکاران تجزیه و تحلیل تصویر مبتنی بر شی جغرافیایی – به سوی یک پارادایم جدید. ISPRS J. Photogramm. Remote Sens. 2014 ، 87 ، 180-191. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  6. فارستیر، جی. پوسانت، ا. ومرت، سی. Gancarski، P. برچسب‌گذاری منطقه مبتنی بر دانش برای تفسیر تصویر سنجش از دور. محاسبه کنید. محیط زیست سیستم شهری 2012 ، 36 ، 470-480. [ Google Scholar ] [ CrossRef ]
  7. بارالدی، ع. Boschetti، L. سیستم های درک تصویر سنجش از دور خودکار عملیاتی: فراتر از تجزیه و تحلیل تصویر مبتنی بر شی و شی گرا جغرافیایی (GEOBIA/GEOOIA). بخش 1: مقدمه. Remote Sens. 2012 , 4 , 2694–2735. [ Google Scholar ] [ CrossRef ]
  8. آرور، دی. دوریو، ال. آندرس، اس. Laporte، MA پیشرفت در تجزیه و تحلیل تصویر مبتنی بر شیء جغرافیایی با هستی شناسی: بررسی مشارکت ها و محدودیت های اصلی از دیدگاه سنجش از دور. ISPRS J. Photogramm. Remote Sens. 2013 ، 82 ، 125-137. [ Google Scholar ] [ CrossRef ]
  9. آگاروال، پی. ماهیت رقابتی مکان: نگاشت دانش برای حل تمایزات هستی شناختی بین مفاهیم جغرافیایی. در علم اطلاعات جغرافیایی، مجموعه مقالات ; Egenhofer, MJ, Freksa, C., Miller, HJ, Eds. Springer-Verlag Berlin: برلین، آلمان، 2004; ص 1-21. [ Google Scholar ]
  10. Fonseca، FT; Egenhofer، MJ; آگوریس، پ. Câmara, G. استفاده از هستی شناسی برای سیستم های اطلاعات جغرافیایی یکپارچه. ترانس. GIS 2002 ، 6 ، 231-257. [ Google Scholar ] [ CrossRef ]
  11. فارستیر، جی. ومرت، سی. Puissant، A. تفسیر تصویر ساحلی با استفاده از دانش پس زمینه و معناشناسی. محاسبه کنید. Geosci. 2013 ، 54 ، 88-96. [ Google Scholar ] [ CrossRef ]
  12. دوراند، ن. دریوو، اس. فارستیر، جی. ومرت، سی. گانکارسکی، پ. بوسعید، او. Puissant، A. تشخیص شی مبتنی بر هستی شناسی برای تفسیر تصویر سنجش از دور. در مجموعه مقالات نوزدهمین کنفرانس بین المللی IEEE در مورد ابزارهای با هوش مصنوعی (ICTAI 2007)، پاتراس، یونان، 29 تا 31 اکتبر 2007. صص 472-479.
  13. هاشیموتو، اس. تادونو، تی. اونوساتو، ام. هوری، م. موریاما، تی. IEEE. چارچوبی از پردازش اطلاعات دانش مبتنی بر هستی شناسی برای تشخیص تغییر در داده های سنجش از دور . IEEE: نیویورک، نیویورک، ایالات متحده آمریکا، 2011؛ صص 3927–3930. [ Google Scholar ]
  14. جنسن، JR سنجش از دور محیط زیست: چشم انداز منابع زمین . Pearson Prentice Hall: Upper Saddle River، نیوجرسی، ایالات متحده آمریکا، 2009. [ Google Scholar ]
  15. وانگ، اچ. لی، ال. می، ی. Song, PC Concepts’ Relationship of Geo-Ontology ; انتشارات خانه الکترونیک صنعت: پکن، چین، 2008; ص 217-221. [ Google Scholar ]
  16. تنجس، آر. گرو، اس. باکنر، جی. Liedtke، CE تفسیر مبتنی بر دانش تصاویر سنجش از دور با استفاده از شبکه های معنایی. فتوگرام مهندس Remote Sens. 1999 , 65 , 811-821. [ Google Scholar ]
  17. رجیچی، س. چابانه، ف. Tupin، F. روش مبتنی بر دانش تخصصی برای تحلیل و تفسیر سری زمانی تصاویر ماهواره ای. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2015 ، 8 ، 2138-2150. [ Google Scholar ] [ CrossRef ]
  18. گالوتی، KM روانشناسی شناختی در داخل و خارج از آزمایشگاه . SAGE: Thousand Oaks، CA، USA، 2013. [ Google Scholar ]
  19. مدین، دی ال. اسمیت، EE مفاهیم و شکل گیری مفهوم. آنو. روانی کشیش 1984 ، 35 ، 113-138. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  20. لی، ال. لو، اچ. او، من Zhu، HH ارزیابی کیفیت تصویر کاربر گرا از تصاویر ماهواره ای zy-3. IEEE J. Sel. بالا. Appl. رصد زمین. Remote Sens. 2014 , 7 , 4601–4609. [ Google Scholar ] [ CrossRef ]
  21. آهنگ، سی. Woodcock، CE; Seto، KC; لنی، نماینده مجلس؛ Macomber، SA طبقه بندی و تشخیص تغییر با استفاده از داده های Landsat TM: چه زمانی و چگونه اثرات جوی را اصلاح کنیم؟ سنسور از راه دور محیط. 2001 ، 75 ، 230-244. [ Google Scholar ] [ CrossRef ]
  22. لی، ال. Wang., H. طبقه بندی اطلاعات جغرافیایی بنیادی بر اساس هستی شناسی رسمی. Geomat. Inf. علمی دانشگاه ووهان 2006 ، 31 ، 253-256. [ Google Scholar ]
  23. پوسانت، ا. دوراند، ن. شیرن، دی. وبر، سی. Gancarski، P. هستی شناسی شهری برای تفسیر معنایی تصاویر چند منبعی، 2nd. در مجموعه هستی شناسی های کارگاهی برای توسعه شهری: مدل های مفهومی برای پزشکان، کاستلو دل والنتینو، تورین، ایتالیا، 18 اکتبر 2007.
  24. ITT-راه حل های اطلاعات بصری. راهنمای کاربر ENVI EX ; ITT-راه‌حل‌های اطلاعات بصری: بولدر، CO، ایالات متحده آمریکا، 2010. [ Google Scholar ]
  25. یانسن، LJM; کرای، جی. موراندینی، ال. Cerutti، PO; اسپیسنی، الف. تجزیه و تحلیل جنبه های مکانی-زمانی و معنایی پویایی تغییر پوشش/کاربری زمین 1991-2001 در آلبانی در سطوح ملی و منطقه ای. محیط زیست نظارت کنید. ارزیابی کنید. 2006 ، 119 ، 107-136. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  26. لانگ، اس. تجزیه و تحلیل تصویر مبتنی بر شی برای برنامه‌های سنجش از راه دور: مدل‌سازی واقعیت – مقابله با پیچیدگی. در تجزیه و تحلیل تصویر مبتنی بر شی ; Blaschke, T., Lang, S., Hay, G., Eds.; Springer: برلین/هایدلبرگ، آلمان، 2008; صص 3-27. [ Google Scholar ]
  27. Agarwal, P. ملاحظات هستی شناختی در علم. بین المللی جی. جئوگر. Inf. علمی 2005 ، 19 ، 501-536. [ Google Scholar ] [ CrossRef ]
  28. مارک، دی. اسمیت، بی. اگنهوفر، ام. هیرتل، اس. مبانی هستی شناختی برای علم اطلاعات جغرافیایی. Res. چال. Geogr. Inf. علمی 2004 ، 28 ، 335-350. [ Google Scholar ]
Ijgi 05 00031 g001 1024
شکل 1. سلسله مراتب هستی شناسی پوشش زمین. طبق طبقه بندی اطلاعات جغرافیایی بنیادی چین، طبقات پوشش زمین برای هستی شناسی پوشش زمین انتخاب می شوند. طبقات پوشش زمین در سلسله مراتب هستی شناسی رابطه “is-a” دارند.
Ijgi 05 00031 g002 1024
شکل 2. تنوع اشیاء پوشش زمین. ( الف ) تنوع طیفی ناشی از تفاوت مصالح را نشان می دهد، به عنوان مثال، ساختمان کم ارتفاع. و ( ب ) در مورد تنوع شکل است، که ممکن است نتیجه کیفیت تصویر یا الگوریتم تقسیم بندی باشد، به عنوان مثال، جاده اصلی ممکن است بیش از حد قطعه قطعه شده باشد.
Ijgi 05 00031 g003 1024
شکل 3. ایجاد نمونه اولیه برای پوشش زمین. با کمک تصویر مرجع و نقشه پوشش زمین می توان فاصله محرمانه هر ویژگی را محاسبه کرد. سپس، تمام این داده ها در Protégé 3.4.7 ذخیره می شوند.
Ijgi 05 00031 g004 1024
شکل 4. روش استفاده از هستی شناسی و نمونه اولیه در استخراج پوشش زمین. با کمک نمونه اولیه که از داده‌های مثال ایجاد می‌شود، محدوده داده‌های ویژگی‌ها در فرآیند استخراج وارد می‌شوند و سپس استخراج خودکار پوشش زمین برای تصویر بعدی انجام می‌شود.
Ijgi 05 00031 g005 1024
شکل 5. مقایسه نتایج استخراج پوشش زمین. ستون های سبز نشان دهنده دقت تولید کننده برای استخراج پوشش زمین و ستون های قرمز نشان دهنده دقت کاربر است.
Ijgi 05 00031 g006 1024
شکل 6. نمودار وتر ماتریس سردرگمی برای استخراج پوشش زمین. رنگ های مختلف نشان دهنده طبقات مختلف پوشش زمین است. طول قوس برای هر کلاس نشان دهنده تعداد پیکسل ها است، واحد هزاران پیکسل است. نوار پیوند بین کلاس های مختلف به معنای پیکسل های اشیایی است که به اشتباه در کلاس دیگر طبقه بندی شده اند.
Ijgi 05 00031 g007 1024
شکل 7. نتیجه طبقه بندی منطقه مورد مطالعه. سمت چپ نتیجه استخراج برای منطقه مورد مطالعه در سال 2012 است. سمت راست نتیجه در سال 2013 است. از نتایج می توان دریافت که مناطق خاصی از سطح خالی در سال 2013 به جاده یا ساختمان تبدیل می شوند.
جدول
جدول 1. ارزیابی دقت استخراج پوشش زمین.
جدول
جدول 2. ماتریس سردرگمی پوشش زمین.
جدول
جدول 3. ماتریس پوشش زمین بین سالهای 2012 و 2013 تغییر می کند. واحد متر مربع است .

;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