نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

چکیده

:

هدف پروژه GeoMemories انتشار بر روی وب و حفظ دیجیتالی عکس‌های هوایی تاریخی است که در حال حاضر به شکل فیزیکی در آرشیو Aerofototeca Nazionale در رم ذخیره می‌شوند. ما سیستمی را توصیف می کنیم که در http://www.geomemories.org موجود است، که به کاربران امکان می دهد تکامل چشم انداز ایتالیا را در طول قرن گذشته تجسم کنند. پورتال وب امکان مقایسه تصاویر ماهواره‌ای اخیر را با چندین لایه نقشه‌های تاریخی که از عکس‌های هوایی از طریق یک گردش کاری پیچیده که آنها را با هم ادغام می‌کند، به دست آمده است. ما چندین مطالعه موردی را ارائه می کنیم که با همکاری زمین شناسان، مورخان و باستان شناسان انجام شده است که پتانسیل عظیم سیستم ما را در زمینه های مختلف تحقیقاتی نشان می دهد.
کلید واژه ها: 

برنامه وب ; حفظ دیجیتال ؛ میراث فرهنگی ; سیستم اطلاعات جغرافیایی تاریخی ; ارجاع جغرافیایی ; نقشه های املایی ; نظارت بر محیط زیست ؛ دوخت تصویر ؛ بینایی کامپیوتری

 

1. مقدمه

عکس‌های تاریخی روشی را برای نگاه کردن به چیزها مانند گذشته ارائه می‌دهند و با استفاده از عکس‌های مدرن، آنها را با زمان حال مقایسه می‌کنند. از زمان تولد هوانوردی مدرن، عکس‌های هوایی منبعی غنی برای درک تغییرات جغرافیایی و توسعه تاریخی بوده‌اند (برای مقدمه، و همچنین یک بحث گسترده در مورد باستان‌شناسی هوایی، به [ 1 ، 2 ، 3 ، 4 ] مراجعه کنید).
Aerofototeca Nazionale (AFN) Istituto Centrale per il Catalogo e la Documentazione ( http://www.iccd.beniculturali.it/ ) وزارت میراث فرهنگی ایتالیا در رم مجموعه گسترده ای از چنین عکس های هوایی را نگهداری می کند که یک آرشیو حافظه مهم قلمرو ایتالیا از اواخر قرن نوزدهم. این آرشیو وسیع، با میلیون‌ها عکس، تصویری از ایتالیا را به همان شکلی که قبل از دگرگونی آن در جریان بازسازی پس از جنگ [ 5 ]، رونق اقتصادی [ 6 ] و همچنین پس از تغییرات ناشی از بلایای طبیعی مانند زلزله‌های شدید و تغییراتی بود، ارائه می‌کند. سیل [ 7]. از آنجایی که بیشتر عکس‌های موجود در آن – و همچنین بیشتر نمایه‌های بازیابی آنها – هنوز فقط بر روی کاغذ وجود دارد و بسیار فاسد شدنی هستند، به دلیل تلاش‌های پرزحمت و تخصص مورد نیاز برای تفسیر فیزیکی، تنها تعداد کمی از کارشناسان به آرشیو دسترسی دارند. شاخص ها
در سال 2010، AFN و مؤسسه انفورماتیک و تله ماتیک ( http://www.iit.cnr.it/ ) CNR (Consiglio Nazionale delle Ricerche) در پیزا توافق نامه ای امضا کردند تا این آرشیو از طریق اینترنت قابل دسترسی باشد. پروژه GeoMemories با کمک مالی از طرف ثبت دامنه های اینترنتی ایتالیایی با اهداف زیر راه اندازی شد:

  • حفظ و انتشار دیجیتالی عکس‌های هوایی تاریخی آرشیو AFN و تأکید بر اهمیت آن‌ها به عنوان سوابق گذشته.
  • برای پیاده سازی یک برنامه وب که راهی برای “سفر به گذشته” ارائه می دهد، تجسم تکامل چشم انداز ایتالیایی با مقایسه تصاویر ماهواره ای اخیر با نقشه های بدست آمده از ادغام عکس های هوایی با یکدیگر.
  • همکاری با دانشمندان (مثلاً زمین شناسان، مورخان، باستان شناسان و غیره ) که می خواهند نتایج مطالعات خود را به مردم نشان دهند و/یا با داده های آرشیو AFN کار کنند.
  • برای پیشبرد خودکارسازی کارهای سنگین (ژئوارفرنس، موزاییک و غیره ) درگیر در همه پروژه‌های این نوع، با توسعه الگوریتم‌های پردازش تصویر خاص .
این مقاله روش‌شناسی ما، معماری نرم‌افزار با پیاده‌سازی نمونه اولیه سیستم، و همچنین نتایجی را که در دو سال کار به‌دست‌آمده و منتشر کردیم، ارائه می‌کند. آخرین نسخه سیستم به صورت رایگان در http://www.geomemories.org/ قابل دسترسی است.
مقاله به صورت زیرادامه پیدا می کند. اطلاعات پس زمینه در بخش 2 با جزئیات در مورد نقشه برداری ایتالیایی و مفاهیم پردازش تصویر ارائه شده است. آثار مرتبط نیز در آن بخش ارائه شده است. آرشیو AFN و عکس های تاریخی به تفصیل توضیح داده می شوند ( بخش 3 ). دو بخش سیستم GeoMemories را ارائه می‌کنند که با روش‌شناسی و معماری زیربنایی شروع می‌شود ( بخش 4.1 )، و سپس به تمرکز فنی ( بخش 4.2 )، که در آن جزئیات پیاده‌سازی داده می‌شود، تغییر می‌کند. بخش 5 استفاده از نمونه اولیه برنامه و برخی از مطالعات موردی را با مثال های بصری فراوان شرح می دهد. نتیجه گیری در بخش 6 آورده شده است، و پس از آن بحث در مورد کار در حال پیشرفت و کارهای آینده انجام می شود.

2. پس زمینه

به دلیل به روز رسانی های مختلف در کارتوگرافی ایتالیایی در قرن گذشته، باید چندین سیستم مرجع و پیش بینی هنگام کار با داده های جغرافیایی در مورد قلمرو ایتالیا در نظر گرفته شود:

  • ROMA40/Gauss–Boaga East (EPSG:3004) و ROMA40/Gauss–Boaga West (EPSG:3003) از زمان تأسیس در سال 1940 توسط Istituto Geografico Militare (IGM) استاندارد اکثر نقشه‌برداری‌های ملی و منطقه‌ای شدند.
  • ED50/UTM 32N (EPSG:23032) و ED50/UTM 33N (EPSG:23033) در سال 1950 به دنبال یک توصیه اروپایی به تصویب رسیدند.
  • WGS84/UTM 32N (EPSG:32632) و WGS84/UTM 33N (EPSG:32633) به دلیل نیاز به هماهنگ سازی جهانی داده ها به منظور پشتیبانی از سیستم موقعیت یاب جهانی (GPS) توصیه های فعلی هستند.
طرح‌بندی مرتبط دیگر در زمینه پروژه ما، تصویری است که توسط تصاویر ماهواره‌ای Google استفاده می‌شود (پیش‌بینی کروی مرکاتور غیرمتعارف، به [ 8 ] مراجعه کنید).
پروژه GeoMemories استفاده از برخی تکنیک‌های پردازش تصویر و بینایی کامپیوتری [ 9 ] را برای بهبود گردش کار با کاهش تلاش دستی در نظر می‌گیرد. هدف الگوریتم‌های استخراج ویژگی و تطبیق گرفتن اطلاعات از تصاویر، به منظور استفاده از چنین اطلاعاتی برای انجام یک کار خاص است. برای مثال، آن‌ها می‌توانند نقاط مرتبطی را شناسایی کنند که می‌توانند برای فرآیند ارجاع جغرافیایی یا یافتن تطابق بین یک تصویر و نقشه مرجع استفاده شوند.
یک کار رایج که در آن استخراج ویژگی مفید است ، دوخت تصویر است که در آن عکس‌های مختلف از یک سوژه در یک تصویر بزرگ‌تر ادغام می‌شوند. تکنیک های متعلق به این زمینه برای خودکارسازی ایجاد موزاییک عکس های هوایی مفید است. برخی از الگوریتم‌های رایج مورد استفاده عبارتند از SIFT (تبدیل ویژگی متغیر مقیاس)، برای استخراج ویژگی‌های ثابت متمایز از تصاویر که می‌توانند برای انجام تطبیق مطمئن بین نماهای مختلف یک شی یا صحنه استفاده شوند [ 10 ] و RANSAC (توافق نمونه تصادفی)، الگوریتم تکراری که می تواند برای حذف تطابقات نادرست SIFT استفاده شود [ 11 , 12 , 13]. ایده پشت SIFT یافتن خودکار نقاطی است که به نوعی در تصویر برجسته می شوند. چنین نقاطی بدون توجه به مقیاس و جهت توسط آشکارساز پیدا می شود. الگوریتم تمام نقاط غالب در یک تصویر را با تمام نقاط غالب در تصویر دیگر مطابقت می دهد. یک نقطه غالب در یک تصویر باعث پاسخ بالای آشکارساز می شود و احتمال بیشتری برای ایجاد پاسخ بالا در تصویر دیگر نیز دارد. یک مرحله تطبیق، پیکسل های اطراف نقاط غالب در هر دو تصویر را با هم مقایسه می کند تا تصمیم بگیرد که آیا نقاط دارای همسایگی مشابه هستند یا خیر. این معمولاً مستلزم کار اضافی برای کنترل تفاوت در چرخش و مقیاس بین تصاویر است. هر چه محله ها شبیه تر باشند، پاسخ در تطابق بالاتر است. این برای تعیین نقاط مربوطه آزمایشی استفاده می شود. حتی بهترین همتایان هم اشتباه می کنند،درونی ها ). انطباق‌های کاذب ( پرت ) باید توسط RANSAC حذف شوند، یعنی صلیب‌های قرمز در شکل 1 حذف شوند، در حالی که صلیب‌های سبز درونی هستند.
RANSAC یکی از متداول‌ترین الگوریتم‌هایی است که برای جداسازی مقادیر درونی از پرت استفاده می‌شود. الگوریتم با انتخاب تصادفی حداقل تعداد نقاط مورد نیاز برای تعیین تبدیل تصویری بین تصاویر (یک هموگرافی ) شروع می شود [ 14 ، 15 ]. مجموعه تناظرها با استفاده از این تبدیل امتیازدهی می‌شوند، به طوری که تعداد ورودی‌هایی که کمتر از یک تحمل از پیش تعریف‌شده مشخص E می‌باشد.
محاسبه شده است. این بدان معنی است که وقتی تبدیل می شود، آن نقاط به اندازه کافی به تطابق مربوطه نزدیک می شوند و بنابراین به عنوان موارد درونی در نظر گرفته می شوند، در حالی که بقیه نقاط پرت در نظر گرفته می شوند. این فرآیند تا زمانی تکرار می شود که احتمال یافتن یک تبدیل بهتر کمتر از آستانه از پیش تعریف شده باشد.
Ijgi 02 00432 g001 1024
شکل 1. دو عکس با نقاط مشخصه به صورت ضربدر نشان داده شده است. توسط الگوریتم نقاط سبز به عنوان نقاط متناظر (نقاط تطبیق) یافت می شود. قرمزها کبریت کاذب هستند و برای دوخت استفاده نمی شوند (©MiBAC-ICCD، Aerofototeca Nazionale، fondo RAF).
سایر تکنیک های مربوط به پردازش تصویر، آنهایی هستند که برای انجام وظایف تشخیص تغییر استفاده می شوند. با تجزیه و تحلیل خودکار تفاوت‌ها بین عکس‌های یک مکان گرفته‌شده در لحظات مختلف، چنین روش‌هایی می‌توانند اندازه‌گیری کمی و نمایش بصری تغییرات چشم‌انداز را ارائه دهند ( شکل 2 را ببینید ).
Ijgi 02 00432 g002 1024
شکل 2. نمونه ای از نتیجه به دست آمده با اجرای یک الگوریتم تشخیص تغییر خودکار روی دو تصویر اول، نشان دهنده حومه پیزا در سال های 1954 و 1968. گسترش شهری در طول 14 سال در تصویر سمت راست با رنگ قرمز مشخص شده است (© MiBAC-ICCD، Aerofototeca Nazionale).
در نهایت، الگوریتم‌های طبقه‌بندی تصویر می‌توانند به طور خودکار یک تصویر را با دسته‌بندی متعلق به مجموعه‌ای از پیش‌تعریف‌شده از دسته‌ها مرتبط کنند. به عنوان مثال، آنها می توانند تشخیص دهند که آیا یک عکس هوایی یک خط ساحلی، برخی زمین های کشاورزی یا یک شهر را نشان می دهد. تمام تکنیک های توصیف شده در حال حاضر در GeoMemories در حال بررسی و آزمایش هستند.
مطالعه تغییرات چشم‌انداز از طریق تجزیه و تحلیل عکس‌های هوایی تاریخی به وضوح چیز جدیدی نیست: آثار اخیر در مورد این موضوع در ادبیات [ 16 ] یافت می‌شود که قلمرو ایتالیا را نیز پوشش می‌دهد [ 17 ، 18 ]. این آثار بر اساس عکس‌هایی از کمپین‌های پروازی برگزار شده در سال 1930 (SARA—Societ Autonoma Rilevamenti Aerofotogrammetrici)، از 1943-1945 (IGM-Istituto Geografico Militare و RAF-Royal نیروی هوایی) و از 1954-1955 (GAI-Gruppo) هستند. Italiano)، همراه با تصاویر اخیر. با توجه به تمرکز آنها بر دستیابی به نتایج علمی جدید در تحلیل منظر، زیرساخت ارائه عمومی در چنین آثاری در نظر گرفته نشده است.
درعوض، دسترسی آزادانه به آرشیوهای نقشه برداری برای شهروندان و کارشناسان قلمرو، هدف اصلی ابتکاراتی مانند ژئوپورتال های هر منطقه اداری ایتالیا است – به عنوان مثال، منطقه ونتو ( http://mapserver.iuav.it/website/ foto aeree/ ) یا Regione Sardegna (http://www.sardegnageoportale.it/)— و پورتال ملی توسط IGM ( http://www.igmi.org/voli/ ). چنین برنامه هایی به وضوح از روند رو به رشد ادارات و آرشیوهای ملی پیروی می کنند تا داده های خود را برای عموم باز کنند.
علاوه بر این، اجازه دادن به کاربران برای پیمایش آزادانه و شهودی در نقشه‌ها، کلید خدمات و برنامه‌های موفقی مانند Google Maps ( http://maps.google.com ) و Google Earth ( http://www.google.com/ earth/index) است. .html )، Bing Maps ( http://www.bing.com/maps/ ) یا MapQuest ( http://www.mapquest.com/ ). حتی پیمایش در زمان یک ویژگی جدید نیست و در برنامه‌های کاربردی وب درباره میراث فرهنگی مانند Historypin (یک جامعه جهانی با همکاری پیرامون تاریخ http://www.historypin.com/ )، یا اطلس‌های تاریخی مانند تاریخ درگیری (مرور) یافت می‌شود. جدول زمانی جنگ و درگیری در سراسر جهان http://www.conflicthistory.com/). بازنمایی نقشه نیز به طور فزاینده ای برای داستان سرایی وب مورد استفاده قرار می گیرد، به عنوان مثال، نقشه های داستان توسط ESRI ( http://storymaps.esri.com/home/ ). با این حال، نقشه های تاریخی که مقادیر قابل توجهی از قلمرو را پوشش می دهند، هنوز در این سیستم ها نادر هستند. از نسخه 5.0، Google Earth شامل یک جدول زمانی برای نمایش تصاویر تاریخی است. این ویژگی جدید دارای محدودیت‌های مهمی است، به ویژه، بیشتر تصاویر گوگل از ماهواره‌ها و نسبتاً جدید هستند. به عنوان مثال، ایتالیا تنها از سال 2003 پوشش قابل توجهی دارد. تنها نمونه‌های تصاویر تاریخی واقعی (1943) مربوط به برخی شهرهای بزرگ (رم، فلورانس، ناپل، تورین، تریست و ونیز) است و وضوح تصویر بسیار پایین است.
چشم انداز GeoMemories از ترکیب رویکردها و موضوعات فوق به دست آمد: مطالعه دقیق تغییر منظر، زمینه تفسیر عکس هوایی، داده های باز و ابتکارات میراث فرهنگی و برنامه های کاربردی وب بصری و گسترده.

3. عکس های تاریخی

آرشیو AeroFototeca Nazionale بیش از دو میلیون عکس فیزیکی را در 29 مجموعه مختلف نگهداری می کند. این حجم عظیم از نکات مثبت، فیلم ها و اسلایدها فقط تا حدی نمایه شده است، عمدتاً در کتاب های فیزیکی. این امر تشخیص اینکه کدام قسمت از منظره به تصویر کشیده شده است بسیار دشوار است، مگر اینکه عکس موجود در فهرست الکترونیکی AFN ذکر شده باشد. در این فهرست، هر رکورد تخمینی از منطقه تحت پوشش عکس ارائه می‌کند که از یک ارجاع جغرافیایی دانه درشت تصویر انجام شده توسط فوتومفسران AFN مشتق شده است. متأسفانه، فهرست الکترونیکی تنها حاوی حدود 130000 رکورد است که تنها 5275 مورد (حدود 4٪) مربوط به عکس هایی است که قبلاً به عنوان تصاویر دیجیتال در دسترس هستند. هر مجموعه ای ویژگی های خاص خود را دارد، اما ما بیشتر مطالعه خود را بر روی مجموعه RAF (نیروی هوایی سلطنتی بریتانیا) متمرکز کردیم که حدود 74٪ از کل آرشیو الکترونیکی را پوشش می دهد. یکی دیگر از مجموعه های مرتبط VB (Volo Base-1954-1955)، حدود 13 درصد از آرشیو است.
عکس‌های RAF یک مطالعه موردی مرتبط برای یک تحلیل مکانی-زمانی را تشکیل می‌دهند. یک بررسی اولیه که بر روی نمایه الکترونیکی AFN انجام شد نشان داد که این مجموعه مقدار قابل توجهی از خاک ایتالیا را پوشش می دهد ( شکل 3 )، که بازه زمانی بین سال های 1943 و 1945 را در بر می گیرد، زمانی که ایتالیا توسط نیروهای آلمانی و متفقین در طول جنگ جهانی دوم اشغال شد.
Ijgi 02 00432 g003 1024
شکل 3. پوشش مجموعه RAF از قلمرو ایتالیا در سمت چپ نشان داده شده است. ناحیه زرد به عنوان اتحاد مناطق تحت پوشش هر عکس محاسبه می شود. تنها رکوردهایی که در فهرست الکترونیکی هستند در این نقشه گزارش شده است. برآورد پوشش به محض دیجیتالی شدن و ارجاع جغرافیایی عکس‌های فیزیکی جدید بهبود خواهد یافت. در سمت راست، مناطق تحت پوشش سیستم ما در این زمان.
اکثریت قریب به اتفاق عکس‌های RAF، عکس‌های عمودی هستند ، یعنی به صورت عمودی از هواپیما گرفته شده‌اند، در حالی که تعداد کمی از آن‌ها مایل هستند ، یعنی با زاویه گرفته شده‌اند. مقیاس تصاویر معمولاً بین 1:6000 تا 1:50000 است، در حالی که فرمت های اصلی مثبت ها 24×24 و 18×24 سانتی متر است. عکس های عمودی از هواپیماهای RAF در طی گذرهای مختلف گرفته شده است، با هدف به دست آوردن نقشه قلمرو. این روش بسیار شبیه به روش نقشه برداری مدرن است، با این تفاوت که پروازهای RAF لزوماً به سمت نقاط اصلی هدایت نمی شدند، ارتفاع ثابتی را حفظ نمی کردند و گاهی اوقات از مسیر خود منحرف می شدند (مثلاً برای جاخالی دادن گلوله های ضد هوایی). همه آن مشکلات، تصحیح و ارجاع جغرافیایی را بسیار پیچیده می‌کند.
بیشتر نکات مثبت نواری را نشان می دهند که در آن تاریخ، شماره اصلی قاب، فاصله کانونی دوربین و میانگین ارتفاع حفظ شده در طول پرواز گزارش شده است. با این حال، برخی از عکس‌ها به مرور زمان خراب شدند و نوار داده‌های آنها دیگر قابل خواندن نیست. برای تعداد زیادی از موارد مثبت، جهت یا حتی منطقه به تصویر کشیده شده یا تاریخ ناشناخته است. مشکلی که تقریباً در همه تصاویر مشترک است، نور ناهموار است که به دلیل کیفیت دوربین های استفاده شده یا شعله های نور ناشی از اشیاء بازتابنده درخشان روی زمین است. نمونه ای از یک عکس عمودی RAF در شکل 4 نشان داده شده است ، جایی که اطلاعات فوق در مورد پرواز قابل مشاهده است.
Ijgi 02 00432 g004 1024
شکل 4. یک عکس دیجیتالی RAF، با اطلاعات مربوط به پرواز در پایین: این عکس در ساعت 9:05 صبح در 13 آوریل 1944، از ارتفاع 21 تا 23000 پا، با دوربینی با فاصله کانونی 36 اینچ گرفته شده است. نگاتیو دارای عدد پیشرونده 4080 است. برج کج معروف پیزا و Duomo در سمت چپ قابل مشاهده هستند (©MiBAC-ICCD، Aerofototeca Nazionale، fondo RAF).

4. سیستم GeoMemories

4.1. روش شناسی و معماری

عکس‌های هوایی عموماً در مجموعه‌هایی در دسترس هستند، جایی که هر مجموعه از عکس‌هایی تشکیل شده است که طی یک یا چند پاس گرفته شده‌اند. این عکس‌ها با هم همپوشانی دارند تا تمام قلمروی که هواپیما را در برگرفته است را کاملاً پوشش دهند. برای به دست آوردن نقشه هایی مانند نقشه های موجود در Google Earth یا سایر برنامه های GIS، باید عکس ها را دیجیتالی کنیم و تصاویر را به هم بچسبانیم. این کار با استفاده از الگوریتم‌های دوخت، که در بخش 2 ذکر شد، انجام می‌شود . نتیجه یک تصویر کلی است که موزاییک نامیده می شود، که با اتصال مجموعه ای از نقاط تصویر به نقاط متناظر آنها در یک نقشه مرجع، در مورد ما نقشه های Google Earth، ارجاع جغرافیایی می شود. این عملیات امکان قرار دادن موزاییک در مکان مناسب را فراهم می کند، به طوری که می توان مشاهده کرد که چگونه یک منطقه در زمان های مختلف تغییر کرده است. اندازه تصویر موزاییک به طور کلی بیش از حد بزرگ است که نمی توان آن را به طور موثر انجام داد. بنابراین تصویر هرمی می شود: به کاشی های کوچکتر با وضوح های مختلف تقسیم می شود به طوری که هر بار مجموعه محدودی از کاشی های کوچک بارگذاری می شود. کل روش در شکل 5 نشان داده شده است .
Ijgi 02 00432 g005 1024
شکل 5. این تصویر کل فرآیند کار (مراحل دستی، خودکار و نیمه خودکار) را از عکس های اصلی تا انتشار وب خلاصه می کند. چهار بلوک در وسط مراحلی هستند که بسته به رویه واقعی می توانند ادغام شوند یا به ترتیب متفاوتی انجام شوند.
به منظور دستیابی به مخاطبان گسترده ای از متخصصان و کاربران نهایی، ما طراحی و پیاده سازی معماری مبتنی بر وب را انتخاب کردیم. عکس‌ها و فهرست الکترونیکی AeroFototeca Nazionale ورودی سیستم GeoMemories را تشکیل می‌دهند. این سیستم رابط هایی را برای نرم افزار GIS، یک رابط کاربری WebGIS که به طور خاص برای پروژه طراحی و پیاده سازی شده است و پورتال وب عمومی GeoMemories ارائه می دهد ( شکل 6 را ببینید ).
به عنوان اولین گام، نمایه دیجیتال از AFN به یک پایگاه داده جدید طراحی شده وارد شد، که در آن داده های مکانی با فناوری پیشرفته و فرمت های استاندارد مدیریت می شود. یک عملکرد صادراتی برای حفظ سازگاری با ابزارهای موجود ارائه شده است. یک برنامه WebGIS (نگاه کنید به شکل 7 ) برای پرس و جو و مدیریت این پایگاه داده جدید پیاده سازی شده است. یک رابط اختصاصی نیز برای رسیدگی به مصنوعات جدید ایجاد شده در سیستم GeoMemories، مانند تصاویر جغرافیایی، موزاییک ها و توضیحات نقشه ارائه شده است (به زیر مراجعه کنید).
در حالی که پایگاه های داده دیجیتالی AFN نقطه شروع خوبی برای این پروژه بود، اکثریت قریب به اتفاق عکس ها هنوز دیجیتالی می شدند. بنابراین، ما تجزیه و تحلیلی را انجام دادیم تا مشخص کنیم که کدام رزولوشن بهترین مبادله بین کیفیت و اندازه دیسک است، در حالی که هدف حفظ دیجیتال خود را در نظر داشتیم. ابتدا، یک عکس بسیار دقیق که بخشی از مرکز یک شهر را نشان می دهد، بنابراین با محتوای آموزنده بالا، انتخاب شد. تصویر در 2400 نقطه در اینچ به دست آمد، سپس در نرم افزار به 1200، 600، 300 و 150 نقطه در اینچ نمونه برداری شد. از هر یک از تصاویر به دست آمده، یک فرآیند درون یابی برای تولید یک تصویر جدید در 2400 نقطه در اینچ استفاده شد. سپس، این تصاویر درون یابی شده به صورت بصری و عددی با تصویر اصلی 2400 dpi مقایسه شدند. مقایسه نشان داد که بیشتر محتوای آموزنده هنگام استفاده از وضوح بیشتر از 1200 dpi حفظ می شود. تجزیه و تحلیل بصری نشان داد که از دست دادن وضوح بین 600 dpi و 1200 dpi با از دست دادن اطلاعات واقعی مطابقت ندارد، زیرا تفاوت های اصلی در تصویر مربوط به عیوب ناشی از گرد و غبار یا خراش است. ما تصمیم گرفتیم عکس‌ها را با رزولوشن 600 نقطه در اینچ به دست آوریم تا از ذخیره اطلاعات غیرضروری در پایگاه داده جلوگیری کنیم: یک عکس معمولی 24 × 24 سانتی‌متری که در 2400 نقطه در اینچ به دست می‌آید، حدود 490 مگابایت وزن دارد، در حالی که همان عکس دیجیتالی شده با 600 نقطه در اینچ، وزن آن 31 مگابایت است. سپس یک عکس دیجیتالی جدید توسط کارشناسان آرشیو مورد تجزیه و تحلیل قرار گرفت تا متادیتا از نوار داده استخراج شود (نگاه کنید به 200 dpi با از دست دادن اطلاعات واقعی مطابقت ندارد، زیرا تفاوت های اصلی در تصویر مربوط به عیوب ناشی از گرد و غبار یا خراش است. ما تصمیم گرفتیم عکس‌ها را با رزولوشن 600 نقطه در اینچ به دست آوریم تا از ذخیره اطلاعات غیرضروری در پایگاه داده جلوگیری کنیم: یک عکس معمولی 24 × 24 سانتی‌متری که در 2400 نقطه در اینچ به دست می‌آید، حدود 490 مگابایت وزن دارد، در حالی که همان عکس دیجیتالی شده با 600 نقطه در اینچ، وزن آن 31 مگابایت است. سپس یک عکس دیجیتالی جدید توسط کارشناسان آرشیو مورد تجزیه و تحلیل قرار گرفت تا متادیتا از نوار داده استخراج شود (نگاه کنید به 200 dpi با از دست دادن اطلاعات واقعی مطابقت ندارد، زیرا تفاوت های اصلی در تصویر مربوط به عیوب ناشی از گرد و غبار یا خراش است. ما تصمیم گرفتیم عکس‌ها را با رزولوشن 600 نقطه در اینچ به دست آوریم تا از ذخیره اطلاعات غیرضروری در پایگاه داده جلوگیری کنیم: یک عکس معمولی 24 × 24 سانتی‌متری که در 2400 نقطه در اینچ به دست می‌آید، حدود 490 مگابایت وزن دارد، در حالی که همان عکس دیجیتالی شده با 600 نقطه در اینچ، وزن آن 31 مگابایت است. سپس یک عکس دیجیتالی جدید توسط کارشناسان آرشیو مورد تجزیه و تحلیل قرار گرفت تا متادیتا از نوار داده استخراج شود (نگاه کنید به در حالی که همان عکس دیجیتالی شده در 600 dpi وزن 31 مگابایت است. سپس یک عکس دیجیتالی جدید توسط کارشناسان آرشیو مورد تجزیه و تحلیل قرار گرفت تا متادیتا از نوار داده استخراج شود (نگاه کنید به در حالی که همان عکس دیجیتالی شده در 600 dpi وزن 31 مگابایت است. سپس یک عکس دیجیتالی جدید توسط کارشناسان آرشیو مورد تجزیه و تحلیل قرار گرفت تا متادیتا از نوار داده استخراج شود (نگاه کنید بهبخش 3 )، و به طور تقریبی مکان نمایش داده شده را تعیین کنید. این مرحله همچنین باید تصاویر دیجیتالی شمال گرا را ارائه دهد تا کار ارجاع جغرافیایی ریز دانه بعدی را ساده کند. این تجزیه و تحلیل دستی یک نقطه بحرانی از گردش کار را نشان می دهد. کار کردن با برخی عکس‌ها ممکن است بسیار دشوار باشد.
Ijgi 02 00432 g006 1024
شکل 6. معماری GeoMemories. داده‌های آرشیو AFN پردازش و در یک پایگاه داده داخلی ذخیره می‌شوند، سپس نتایج توسط ماژول‌های رابط کاربری مختلف قابل دسترسی هستند. خطوط ضخیم نشان دهنده ماژول های توسعه یافته در زمینه پروژه است.
Ijgi 02 00432 g007 1024
شکل 7. تصویری از رابط سیستم WebGIS سفارشی که برای پرس و جو در آرشیو GeoMemories ایجاد شده است.
مختصات زمانی عکس، تفسیر شده از نوار داده، با در نظر گرفتن عدم قطعیت مدل‌سازی می‌شوند. به همین دلیل، برخی از عکس‌ها در پایگاه داده GeoMemories مرتبط با یک بازه زمانی به جای یک لحظه ذخیره می‌شوند. چنین ابرداده ای یا به صورت دستی در رابط ورودی داده WebGIS وارد می شود یا برای اطلاع رسانی مراحل بعدی گردش کار استفاده می شود.
به منظور ایجاد نقشه‌های زیبا از منظره، که بیش از منطقه به تصویر کشیده شده در یک عکس را پوشش می‌دهد، گروه‌هایی از عکس‌های مجاور به یکدیگر ارجاع داده می‌شوند و به هم دوخته می‌شوند تا به اصطلاح موزاییک ایجاد کنند. هر عکس دیجیتالی شده برش داده می شود تا مرزهای حاوی اطلاعات مربوط به پرواز حذف شود و فقط عکس زمین باقی بماند. البته تصاویر اصلی نیز بدون تغییر در پایگاه داده نگهداری می شوند. علاوه بر این، روشنایی اصلاح می شود [ 19 ] تا هر گونه تفاوت در نوردهی را از بین ببرد. بدون این اصلاح، تغییرات ناگهانی در شدت نور در انتقال از یک عکس به عکس دیگر در تصاویر دوخته شده قابل مشاهده است [ 15 ]]. از این رو، مهم است که عکس‌های مجزا دارای شدت کلی مشابهی باشند تا بتوان ترکیب خوبی [ 20 ] بین عکس‌هایی که همپوشانی دارند انجام داد.
عکس نشان داده شده در شکل 4 نمونه ای از روشنایی ناهموار را نشان می دهد: عکس در وسط تیره تر و به سمت لبه ها روشن تر است.
با توجه به زاویه بین هواپیما و زمین، تصاویر حاوی اعوجاج های پرسپکتیو هستند که با تصحیح راستا [ 21 ] حذف می شوند. این معمولاً شامل ارجاع جغرافیایی [ 22 ] می‌شود، که در آن نقاط کلیدی با یک نقشه مدرن تطبیق داده می‌شوند تا نقاط متناظر ایجاد شوند. به منظور دستیابی به اثر ترکیبی مورد نظر کنترل فیدر در پورتال وب عمومی (به بخش 5 مراجعه کنید )، یک مطابقت عکاسی با یک تصویر ماهواره‌ای مدرن جستجو می‌شود. به دلیل در دسترس بودن و محبوبیت آنها، تصاویر گوگل به عنوان پایگاه نقشه برداری انتخاب شدند.
ما یک رویکرد فتوگرامتری را با استفاده از تصاویر با همپوشانی طولی (جفت‌های استریوگرافی) اتخاذ کردیم. برای هر جفت تصویر A و B، حداقل چهار نقطه کنترل زمینی (تطابق تصویر با نقشه مرجع) و شش نقطه تلاقی (تطابق تصویر A با تصویر B) به صورت دستی توسط یک متخصص تفسیر عکس پیدا شد. ما یک ریشه میانگین مربعات خطا (RMSE) را برای نقاط کنترل زمینی زیر 2 به دست آوردیم. با تعریف چند نقطه چک ( یعنی نقاطی که برای محاسبه مثلث استفاده نمی شوند)، حداکثر خطای پلان متری زیر 6 متر را در x به دست آوردیم و y و حداکثر خطای ارتفاع حدود 9 متر است.
اصلاحات املایی با استفاده از یک DTM با گام 20 متری، ارائه شده توسط Istituto Superiore per la Protezione e la Ricerca Ambientale (ISPRA) انجام شد. داده های georeference حاصل در پایگاه داده GeoMemories با استفاده از WGS84/UTM 32N و WGS84/UTM 33N، آخرین توصیه ها برای کارتوگرافی ایتالیایی (به بخش 2 مراجعه کنید ) ذخیره می شود. در نتیجه این مرحله، تصاویر تصحیح شده را می توان به هم پیوند زد [ 23 ، 24 ] تا نقشه ای را تشکیل دهد که کل منطقه هر پرواز را پوشش می دهد.
همراه با رویکرد دستی، این سیستم مجموعه‌ای از رویه‌های موازی را با هدف آزمایش در خودکارسازی کارهای سنگین مانند ارجاع جغرافیایی و موزاییک کردن تصاویر ارائه می‌کند. این روش‌ها شامل یافتن نقاط کلیدی (نقاط مشخصه [ 25 ]) با استفاده از برخی آشکارسازهای ویژگی (SIFT، SURF [ 26 ]، و غیره ) در تصاویر، و یافتن نقاط تطبیق واقعی با استفاده از RANSAC یا روش‌های مشابه [ 27 ، 28 ] است که حذف هر گونه تطابق نادرست همه این الگوریتم ها معمولاً در زمینه بینایی رایانه استفاده می شوند (به بخش 2 مراجعه کنید). SIFT به دلیل قوی بودن، تغییر ناپذیر نسبت به پوسته پوسته شدن و چرخش یکنواخت و تا حدی نسبت به تغییرات روشنایی انتخاب شد.
نقاط مشخصه را می توان با استفاده از برخی آشکارسازهای گوشه ای مانند آشکارساز هریس [ 25 ] یا آشکارسازهای حباب مانند تفاوت گوسی ها (DOG) از یک عکس استخراج کرد که توسط SIFT یا تعیین کننده ماتریس هسین استفاده شده توسط SURF استفاده می شود. به دلیل ماهیت تصادفی آن، نتیجه RansAC ممکن است در هر اجرا متفاوت باشد، به این معنی که ممکن است برخی از موارد درونی پیدا نشوند. این چیزی است که ما در حال حاضر با آن کار می کنیم و قصد داریم RANSAC را طوری تغییر دهیم که همیشه مجموعه بهینه را پیدا کند، به عنوان مثال ، همه موارد درونی را در هر اجرا پیدا کند. شکل 1 نشان می دهد که چگونه نقاط پیوند در دو تصویر پیدا می شود (در سمت چپ همان عکس در شکل 4 است.، با روشنایی اصلاح شده) که دارای یک ناحیه همپوشانی هستند. صلیب های سبز نقاطی هستند که مطابقت دارند، به عنوان مثال ، متناظر هستند، در حالی که صلیب های قرمز نقاط مشخصه ای هستند که مطابقت ندارند.
دگرگونی‌های بین تصاویر [ 14 ] از نقاط متناظر واقعی محاسبه می‌شوند تا تصاویر را بتوان با استفاده از روش تنظیم بسته‌ای [ 29 ، 30 ] با هم تراز و ترکیب کرد تا نقشه املایی نهایی را تشکیل دهد. نمونه ای از دو عکس (آنهایی که در شکل 1 ) به هم دوخته شده اند در شکل 8 نشان داده شده است .
روش‌های دیگری برای هم‌ترازی تصویر وجود دارد، مانند همبستگی فاز [ 31 ، 32 ]. با این حال، برای ارجاع جغرافیایی، به دست آوردن برخی از نکات کلیدی ضروری است و اغلب استفاده از نقاط ویژگی به دست آمده، به عنوان مثال، توسط SIFT یا SURF عملی است. نکات کلیدی اضافی نیز می تواند توسط کاربر درج شود تا اطمینان حاصل شود که نقشه نهایی تا حد امکان صحیح است.
موزاییک‌های حاصل از پردازش ما، با اندازه‌ی بایت آن‌قدر زیاد که نمی‌توان مستقیماً به یک سرویس‌گیرنده وب ارائه شود، سپس تحت یک مرحله هرمی‌سازی قرار می‌گیرد: موزاییک با وضوح بالا به بسیاری از تصاویر کوچک ( کاشی‌ها ) تبدیل می‌شود و هر یک به آن ارسال می‌شود. مرورگر فقط در صورت لزوم، یعنی فقط در صورتی که در نمای برنامه قرار گیرد. به منظور پشتیبانی از یک نمای کلی از نقشه (به عنوان مثال ، سطوح زوم کم)، کاشی ها به گروه های چهارتایی (2×2) تقسیم می شوند، سپس هر گروه ادغام شده و به تصویری با وضوح کمتر تبدیل می شود. هنگامی که نقشه از “بالا بالا” دیده می شود، به جای بارگیری تمام کاشی های اصلی، کاشی های کمتری با وضوح مناسب بارگذاری می شوند.
Ijgi 02 00432 g008 1024
شکل 8. دو عکس با استفاده از تبدیل محاسبه شده از نقاط مربوطه (صلیب های سبز در شکل 1 ) در ناحیه همپوشانی به هم دوخته شده اند. (©MiBAC-ICCD، Aerofototeca Nazionale، fondo RAF).
سپس موزاییک های هرمی به صورت دستی در قسمت خاصی از پایگاه داده بارگذاری می شوند که پورتال وب لیست ویژگی های موجود را از آنجا بارگیری می کند. این مرحله آخر مرحله ای است که در آن یک توصیف فرامتنی است
اضافه شده است که همچنین می تواند فیلم ها، عکس های اضافی و لینک های قابل کلیک را که به نقاط جالب نقشه های تاریخی منتهی می شود، داشته باشد. به منظور پشتیبانی از اکوسیستم بزرگ نرم افزار GIS، تصمیم گرفتیم یک پایگاه داده جغرافیایی و چارچوبی را اتخاذ کنیم که کتابخانه ها و ابزارهای رایج GIS را در معرض دید قرار دهد. اطلاعات دقیق در مورد ابزارها و نرم افزارها در قسمت زیر ارائه شده است.

4.2. تمرکز فنی

سیستم GeoMemories شامل بسیاری از برنامه های نرم افزاری مختلف با اهدافی از مدیریت سیستم های مرجع تا ارائه رابط کاربری وب می باشد. کدهای سمت سرور با استفاده گسترده از زبان برنامه نویسی پایتون ( http://www.python.org )، که مقدار زیادی اتصالات را برای کتابخانه های مرتبط با GIS ارائه می دهد، نگه داشته می شود. ما تصمیم گرفتیم از چارچوب وب GeoDjango استفاده کنیم ( http://geodjango.org/ )، که هم مشکلات کار با داده های جغرافیایی و هم تعامل با مشتری مرورگر را برطرف می کند. ثابت شده است که این فریم ورک انتخاب خوبی است و به کد پایتون ما این امکان را می دهد که پرس و جوهای مکانی را به پایگاه داده فضایی PostGIS ( http://postgis.net/ ارسال کند)، و امکان مدیریت فرمت های استاندارد داده مانند GeoTIFF و KML و تبدیل بین سیستم های مختصات مختلف را ارائه می دهد. از اسکریپت‌های پایتون برای وارد کردن داده‌هایی که از پایگاه داده قدیمی AFN که با استفاده از مایکروسافت اکسس ایجاد شده بود، و برای بارگیری داده‌های متفرقه مانند مختصات مناطق IGM استفاده شد (به بخش 2 مراجعه کنید )، که از ROMA40/Gauss-Boaga با استفاده از ترجمه شده است. نرم افزار Traspunto ( http://www.mondogis.com/traspunto.html ). رابط داربست GeoDjango برای خدمت به عنوان رابط کاربری ورودی داده سفارشی شد و از چارچوب نیز برای ساخت یک API وب استفاده شد که داده‌های JSON ( http://www.json.org/ ) و KML را در اختیار مشتریان قرار می‌دهد.
هم WebGIS و هم پورتال عمومی GeoMemories که ما توسعه داده‌ایم از فناوری AJAX برای بارگیری داده‌ها از سرور به صورت ناهمزمان استفاده می‌کنند، یعنی بدون بارگیری مجدد کل صفحه. اجزای رابط کاربری با استفاده از فناوری‌های jQuery ( http://jquery.com/ ) و jQuery UI ( http://jqueryui.com/ ) ایجاد شدند. نقشه پورتال عمومی GeoMemories با استفاده از پلاگین Google Earth و API ( https://developers.google.com/earth/ ) پیاده سازی شده است، که یک عملکرد آماده برای استفاده برای کنترل ترکیب یک تصویر همپوشانی با نقشه ماهواره ای زیرین این ویژگی می تواند با تلاش معقول و با استفاده از فناوری های به روزتر مانند Google Maps API مجدداً پیاده سازی شود (نگاه کنید بهبخش 6 ). نقشه WebGIS که به این قابلیت ترکیبی نیاز نداشت، به جای آن با استفاده از Google Maps API پیاده سازی شد.
کد پردازش تصویری که ما در حال توسعه آن هستیم در Matlab® نوشته شده است . کد RANSAC با استفاده از الگوریتم های ارائه شده توسط پیتر کووسی در صفحه اصلی خود [ 33 ] توسعه یافته است. در حال حاضر، ما در حال انتقال این کد به پایتون هستیم و قصد داریم به زودی آن را در دسترس عموم قرار دهیم. نرم افزار ارجاع جغرافیایی، بازپروژه و موزاییکی که استفاده شده است، ترکیبی از کدهای سفارشی نوشته شده در جاوا است که عمدتاً هنگام کار با موزاییک های با اندازه متوسط ​​استفاده می شود، و مجموعه های تجاری مانند ERDAS IMAGINE و LPS که به ما در برخورد با آنها کمک می کنند. گروه های گسترده از ده ها عکس. هرمی سازی تصاویر موزاییکی که یک تصویر بزرگ را در یک سلسله مراتب سیستم فایل از JPG، PNG و KML تبدیل می کند، با Maptiler ساخته شده است.http://www.maptiler.org/ )، با کمک برخی از اسکریپت های سفارشی ساخته شده برای مدیریت شفافیت تصویر در گوشه های مختلفی که با آنها مواجه شدیم.

5. نمونه اولیه کاربرد و مطالعات موردی

نسخه فعلی برنامه GeoMemories در شکل 9 نشان داده شده است . هنگامی که برنامه شروع می شود، یک کره نشان داده می شود، و مسیریابی به همان روشی که در Google Earth انجام می شود کار می کند. با این حال، علاوه بر این، کاربران می توانند با حرکت دادن نوار لغزنده بزرگ در بالای نقشه، بازه زمانی مورد نظر خود را انتخاب کنند. با انجام این کار، لیست نقشه های موجود برای بازه زمانی مشخص شده (قابل مشاهده در سمت چپ) به روز می شود. کاربران می‌توانند نقشه‌هایی را که می‌خواهند روی نقشه Google Earth همپوشانی داشته باشند، انتخاب کنند و با استفاده از یک نوار لغزنده، آن‌ها را ترکیب کنند. در شکل، تنها یک نقشه نشان داده شده است که از عکس های گرفته شده از یک پرواز گرفته شده در اوت 1943 توسط RAF بریتانیا بر فراز پیزا در ایتالیا تشکیل شده است. کاربر می‌تواند چندین نقشه را انتخاب کند که روی هم قرار می‌گیرند، و ترکیب را می‌توان به طور جداگانه برای هر یک کنترل کرد.
توضیحات محتوای انتخاب شده که در قسمت سمت چپ رابط نمایش داده می شود می تواند شامل تصاویر، فیلم ها و پیوندها نیز باشد. نوع خاصی از پیوند، که به رنگ سبز نشان داده شده است، برای وسط و بزرگنمایی نقشه بر روی جزئیات توصیف شده استفاده می شود. با خواندن متن و کلیک بر روی این پیوندها، کاربران می توانند توری را دنبال کنند که آنها را به کشف نقاط جالب روی نقشه های تاریخی هدایت می کند.
Ijgi 02 00432 g009 1024
شکل 9. برنامه GeoMemories. به ابزارهای ناوبری Google Earth در سمت راست، نوار لغزنده برای انتخاب یک چارچوب زمانی در بالا و انتخابگر نقشه تاریخی در سمت چپ توجه کنید. یک نقشه تاریخی انتخاب شده است که متشکل از چندین عکس است که توسط RAF در طی یک پرواز در اوت 1943 بر فراز شهر پیزا در ایتالیا گرفته شده است. (©MiBAC-ICCD، Aerofototeca Nazionale، fondo RAF. ©2010 Google).
تغییرات در قلمرو که در طول زمان رخ می دهد را می توان با محو کردن عکس قدیمی در داخل یا خارج با عکس مدرن به عنوان پس زمینه تجسم کرد. نمای نزدیک در شکل 10 ، انتخابگر نقشه تاریخی را نشان می دهد، جایی که نقشه ای از سال 1944 انتخاب شده و تا حدی ترکیب شده است. در گوشه بالا سمت راست، می توان مشاهده کرد که چگونه زمین کشاورزی در حال تبدیل شدن به منظر شهری مدرن شهر پیزا است.
Ijgi 02 00432 g010 1024
شکل 10. نمای نزدیک از برنامه که نشان می دهد چگونه یک نقشه از سال 1944 انتخاب شد و اطلاعات اضافی درباره آن نقشه (به زبان ایتالیایی) ظاهر می شود. از نوار لغزنده می توان برای ترکیب نقشه روی هم رفته با نقشه Google Earth استفاده کرد. برای رفتن به قسمت توصیف شده نقشه می توان روی پیوندهای سبز کلیک کرد. (©MiBAC-ICCD، Aerofototeca Nazionale، fondo RAF. ©2010 Google).
دو نقشه در حال ترکیب در شکل 11 نشان داده شده است ، جایی که ساختمان های مدرن Via Angelo Battelli و Via di Pratale قابل مشاهده هستند. در سمت چپ زمین‌های کشاورزی قدیمی قرار دارند که روی آن قرار گرفته‌اند، جایی که Via di Pratale از سمت چپ به راست در بالا عبور می‌کند. می توان دید که واقعاً همان چیزی بود که از نامش پیداست، یعنی یک میدان، که در ایتالیایی Prato است .
Ijgi 02 00432 g011 1024
شکل 11. نمای نزدیک از دو نقشه که در شکل 10 با هم ترکیب شده اند . ساختمان های جدید اکنون زمین های کشاورزی قدیمی را پوشش می دهند. (©MiBAC-ICCD، Aerofototeca Nazionale، fondo RAF. ©2010 Google).
بخش بعدی این بخش مجموعه‌ای از مطالعات موردی را ارائه می‌کند که توانایی GeoMemories را برای نمایش تغییرات قلمرو با مقایسه تصویر نشان می‌دهد. همچنین نمونه‌هایی از همکاری با متخصصان در زمینه تفسیر عکس تاریخی، با بهره‌برداری از پتانسیل سیستم GeoMemories را به نمایش می‌گذارد.

5.1. مطالعه موردی خط ساحلی

در سمت راست در شکل 12 یک عکس فوری از برنامه وجود دارد که نقشه ماهواره‌ای Google Earth از دهانه رودخانه آرنو در خارج از پیزا در ایتالیا را نشان می‌دهد. در وسط، نقشه و یک عکس 1943 از همان منطقه با هم ترکیب شده اند. به راحتی می توان دید که بخش قابل توجهی از زمین های ساحلی ناپدید شده و خط ساحلی حتی تا بیش از 400 متر حرکت کرده است. تصویر سمت چپ عکس سال 1943 را نشان می دهد که بدون ترکیب روی هم قرار گرفته است.
در شکل 13 در سمت چپ یک عکس فوری است که یک نقشه کاداستر را نشان می دهد که در سال 1765 منتشر شد و رسما توسط پیترو لئوپولدو دوک بزرگ توسکانی صادر شد. در وسط یک عکس هوایی از سال 1962 است و در سمت چپ این دو با عکس‌های شکل 12 ترکیب شده‌اند (عکس Google Earth و RAF 1943). این ترکیب مطالعه چگونگی تغییر و حرکت خط ساحلی را در طول زمان و مکان ممکن می‌سازد: حدود 1.85 کیلومتر مربع از ساحل از سال 1765، حدود 1 کیلومتر مربع از سال 1943، و حدود 0.31 از سال 1962 ناپدید شده است.
Ijgi 02 00432 g012 1024
شکل 12. عکس های فوری از برنامه که دهانه رودخانه آرنو را در نزدیکی پیزا نشان می دهد. سمت چپ : یک عکس تاریخی از سال 1943. وسط : فرآیند ترکیب در عمل. سمت راست : عکس Google Earth (2012). می توان متوجه شد که چگونه ساحل در سمت شمالی رودخانه توسط دریا سبقت گرفته شده است (©MiBAC-ICCD, Aerofototeca Nazionale, fondo RAF. ©2010 Google).
Ijgi 02 00432 g013 1024
شکل 13. تصاویری از دهانه رودخانه آرنو، نزدیک پیزا. سمت چپ : نقشه کاداستر از سال 1765. وسط : عکس هوایی از سال 1962. سمت راست : پوششی از نقشه کاداستر، عکس‌های تاریخی سال‌های 1943 و 1962 و عکس ماهواره‌ای مدرن Google Earth. کاربر می تواند تغییرات خط ساحلی را در طول دو قرن و نیم به صورت بصری در یک تصویر درک کند (©MiBAC-ICCD, Aerofototeca Nazionale, fondo RAF. ©2010 Google).

5.2. مطالعه موردی کورس رودخانه

در زمان های قدیم، پیزا در محل تلاقی دو رودخانه، آرنو و اوسر (که اکنون سرچیو نامیده می شود و بیشتر از قبل به سمت شمال جریان دارد) قرار داشت. مطالعات تفسیر عکس انجام شده توسط Marcello Cosci (Marcello Cosci Aerial Photography Documentation Centre, http://www.marcellocosci.it/drupal/centro ) پیچ و خم های باستانی بستر رودخانه های دیرینه را در داخل و اطراف شهر نشان می دهد. در برنامه ما، یک لایه برداری نشان داده شده است ( شکل 14) که از تصاویر به دست آمده با استفاده از تکنیک های تقویت کننده تصاویر ماهواره ای لندست، سایوز و اسپات و همچنین تصاویر هوایی مانند تصاویر RAF به دست آمده است. تغییرات رنگی برجسته، به دلیل تفاوت در غلظت پوشش گیاهی، مناطق زیرزمینی را نشان می دهد که رطوبت نسبی بالاتری دارند. چنین مناطقی با مسیرهای باستانی دو رودخانه مطابقت دارد [ 34 ].
Ijgi 02 00432 g014 1024
شکل 14. نتیجه یک مطالعه بر روی بستر رودخانه های دیرینه در منطقه اطراف پیزا که توسط Marcello Cosci انجام شد. رنگ‌های مختلف با انواع مختلفی از تحلیل‌ها در منابع مختلف عکس مطابقت دارند. قرمز، آبی روشن، آبی: تصاویر ماهواره ای لندست، سایوز و اسپات؛ بنفش، نارنجی: تصاویر هوایی RAF و Regione Toscana. زرد: تصاویر چندطیفی (©Marcello Cosci Aerial Photography Documentation Centre. ©2010 Google).
Ijgi 02 00432 g015 1024
شکل 15. رودخانه آرنو با مداخله انسان در طول قرن ها صاف شده است تا ترافیک راحت تر انجام شود. دوره قبلی را می توان در عکس سمت چپ، که توسط Marcello Cosci توضیح داده شده است، تشخیص داد. در سمت راست یک عکس ماهواره‌ای مدرن است (©Marcello Cosci Aerial Photography Documentation Centre. ©2010 Google).
رودخانه آرنو در طول قرن ها بارها مسیر خود را تغییر داده است و به خصوص از قرن پانزدهم تلاش های زیادی برای صاف کردن آن صورت گرفته است تا رفت و آمد آسان شود. در شکل 15 ، عکسی که توسط Marcello Cosci به تصویر کشیده شده است را می توان با عکس ماهواره ای Google Earth مقایسه کرد و مسیر قبلی رودخانه را تشخیص داد.

5.3. مطالعه موردی گسترش شهری

علاوه بر مورد فوق الذکر شهر پیزا (نگاه کنید به شکل 11 )، مکان های زیادی وجود دارد که کاربرد ما در آنها پدیده گسترش شهری را آشکار می کند. به عنوان مثال، شهر جنوا ایتالیا، همانطور که در شکل 16 نشان داده شده است، دستخوش تغییرات چشمگیری در توپولوژی چشم انداز خود شده است . این تصاویر ساخت فرودگاه کریستوفورو کلمبو را نشان می دهد که در دریای مدیترانه با پر کردن منطقه خلیج با آوار ساخته شده است. قبل از ساخت و ساز، این منطقه ساحلی بود که قبلاً مکانی محبوب برای مردم محلی بود و قلعه ای بین سال های 1881 و 1885 به نام Castello Raggio ساخته شد.که در طول جنگ جهانی دوم به شدت آسیب دید و در نهایت برای ساختن فرودگاه تخریب شد.
Ijgi 02 00432 g016 1024
شکل 16. سمت چپ : خلیج جنوا در سال 1943 قبل از ساخت فرودگاه، که یک ساحل محبوب برای مردم محلی بود. سمت راست : خلیجی که اکنون هست، توسط فرودگاه کریستوفورو کلمبو (©MiBAC-ICCD, Aerofototeca Nazionale, fondo RAF. ©2010 Google) گرفته شده است.

5.4. مطالعه موردی تاریخی و باستان شناسی

برنامه GeoMemories همچنین دارای پتانسیل زیادی برای تبدیل شدن به یک منبع ارزشمند برای مورخان و باستان شناسان است [ 35 ].
در شکل 17 ، به اصطلاح علائم برش [ 36 ] در سمت چپ قابل مشاهده است. متأسفانه، آنها تقریباً به طور کامل توسط ساختمان های مدرن پوشیده شده اند که در تصویر ماهواره ای Google Earth اخیر در سمت راست دیده می شود. با این وجود، به لطف تصاویر ارائه شده توسط AFN، باستان شناسان هنوز هم می توانند با استفاده از برنامه GeoMemories این سایت را مطالعه کنند، علیرغم اینکه هیچ کاوشی نمی تواند انجام شود. تصور می‌شود که علائم موجود در عکس‌ها نشانه‌هایی از تقسیم زمین کشاورزی روم باستان (کانال‌ها یا مرزهای مزرعه) را نشان می‌دهند [ 37 ]. باز هم می توان از تفاوت های رنگی برای جداسازی مناطقی استفاده کرد که رشد پوشش گیاهی در آنها تحت تأثیر آثار نهرهای آب قدیمی مدفون در زمین قرار دارد.
نمونه دیگری از تصاویر مرتبط تاریخی، تصویری است که مکان اصلی صومعه سن ساوینو را نشان می‌دهد ، که در طی سیل بین سال‌های 1111 و 1117 ویران شد و سپس در موقعیتی بالاتر بازسازی شد. این کشف توسط Marcello Cosci انجام شد، او متوجه شد که در یک عکس هوایی در سال 1966 ویرانه های ساختمان در رودخانه نزدیک شهر Riglione قابل مشاهده است ( شکل 18 ).
Ijgi 02 00432 g017 1024
شکل 17. نشانه‌های محصول قابل مشاهده از دوران روم ( چپ ) که برخی از بخش‌های کشاورزی (کانال‌ها یا مرزهای مزرعه) و سازه‌های مدرن ( راست ) را نشان می‌دهد که همان منطقه را پوشش می‌دهند (©MiBAC-ICCD، Aerofototeca Nazionale، fondo RAF. ©2010 Google) .
Ijgi 02 00432 g018 1024
شکل 18. سمت چپ : ویرانه های صومعه سان ساوینو در آب رودخانه آرنو (گوشه پایین سمت چپ) قابل مشاهده است. سمت راست : رودخانه آرنو و شهر ریگلیونه امروز (© مرکز اسناد عکاسی هوایی مارچلو کوسی. ©2010 Google).
Ijgi 02 00432 g019 1024
شکل 19. دو نمونه از شواهد تاریخی جنگ جهانی دوم در مقایسه با تصاویر اخیر: یک استحکامات آلمانی ( بالا ) و یک فرودگاه ( پایین )، که در آن یک هواپیمای غول پیکر Messerschmitt 323 را می توان در گوشه سمت چپ بالا مشاهده کرد (©MiBAC-ICCD , Aerofototeca Nazionale, fondo RAF. ©2010 Google).

6. نتیجه گیری

هدف پروژه GeoMemories این است که آرشیو AFN را از طریق برنامه‌ای در دسترس عموم قرار دهد که امکان کاوش در ایتالیا را در زمان و مکان فراهم می‌کند. وب بدون شک بستر انتخابی برای دستیابی به تعداد زیادی از کاربران، اعم از دانشگاهی و غیرمتخصص است. تمرکز ما بر ارائه یک تجربه بصری از تغییرات در چشم‌انداز ایتالیایی، ما را به اجرای رفتار محو شدن سوق داد، که به کاربران اجازه می‌دهد تا با کنترل مستقیم متغیر زمان، تکامل قلمرو را به صورت بصری درک کنند. این انتخاب ها ما را به پذیرش فناوری Google Earth و جستجوی یک ارجاع جغرافیایی با دقت بالا در سطح عکاسی سوق داد.
چالش‌های دیجیتالی کردن میلیون‌ها عکس، مانند تنظیم آن‌ها برای تناسب با محیط Google Earth، بسیار زیاد و زمان‌بر است. ما در تلاش بوده‌ایم تا این فرآیند را با بیشترین سرعت ممکن بدون قربانی کردن کیفیت میراث حفظ‌شده انجام دهیم. ما تصمیم گرفتیم که عمدتاً بر روی عکس‌های RAF از شهرها تمرکز کنیم تا در عین حال جالب‌ترین (و همچنین برای ارجاع جغرافیایی کمتر) تصاویر را کاهش دهیم. نتایج تجزیه و تحلیل ما در مورد محتوای آموزنده عکس های AFN مقدار بهینه 600 نقطه در اینچ را برای فرآیند اکتساب در اختیار ما قرار داد. انتخاب تکیه شدید بر تکنیک‌های بینایی کامپیوتری به پروژه کمک کرد تا بسیاری از مراحل را خودکار کند و موزاییک‌ها و تصاویر بزرگ‌تر را با کیفیت بهتر به دست آورد. بنابراین، نقشه‌هایی را در اختیار کاربران قرار می‌دهیم که ده‌ها کیلومتر را در بر می‌گیرد، با نوردهی یکنواخت.
در شکل فعلی، این برنامه به کاربر اجازه می‌دهد تا لایه‌های مختلف عکس‌های مربوط به زمان‌های مختلف را با عکس‌های ماهواره‌ای Google Earth مقایسه کند. در این مقاله ما چندین نمونه از تغییرات محیطی در ایتالیا را که هم توسط انسان و هم توسط طبیعت ایجاد شده است، ارائه کرده‌ایم، اما مطمئناً نمونه‌های بسیار بیشتری از آنچه در نقشه‌هایی که دیجیتالی کرده‌ایم و در برنامه درج کرده‌ایم، وجود دارد. بدون شک، با اضافه شدن عکس هایی از آرشیو AFN به برنامه، موارد بیشتری نیز در شرف کشف شدن هستند.
عکاسی هوایی منبع مهمی برای حفاری در گذشته ثابت شده است. برنامه GeoMemories می تواند چنین تحقیقاتی را تسهیل کند و بنابراین ابزاری ارزشمند در زمینه های مختلف است. جنبه های مختلف خود برنامه در طول زمان پس از اعمال بازخورد کاربران بهبود می یابد.
GeoMemories هم به عنوان یک پورتال وب (با حدود 200 بازدیدکننده در روز برای سه ماه اول)، و هم در سه جشنواره علمی به عموم مردم معرفی شد. این پروژه همچنین در برخی از ستون های مطبوعاتی برجسته شده است. نظرات کاربران مثبت و دلگرم کننده بوده است، و بسیاری از آنها طبیعی است که بخواهند با خاطرات گذشته خود در پروژه مشارکت کنند. علاوه بر این، بسیاری از دانشمندان، کارشناسان و مؤسسات در حال مطالعه منظر، تاریخ و باستان‌شناسی، مانند مرکز اسناد عکاسی هوایی مارچلو کوسی، قبلاً علاقه خود را به این پروژه ابراز کرده‌اند و همکاری‌های خود را آغاز کرده‌اند.
گردش کار برای ایجاد نقشه‌های تاریخی به دلیل گام‌های فردی بسیار سنگین است که اغلب به ورودی و راهنمایی انسان نیاز دارد. چندین مرحله حیاتی در ثبت عکس های تاریخی وجود دارد که می تواند بهبود یافته و تا حدی خودکار شود. به طور خاص، اگر نقاط کنترل زمینی به طور خودکار پیدا شوند، می‌توان ژئو ارجاع را آسان‌تر کرد. ما در حال حاضر در حال توسعه جایگزین‌هایی برای SIFT هستیم که می‌تواند برای تطبیق عکس‌های هوایی تاریخی با عکس‌های ماهواره‌ای جدید استفاده شود، کاری که در حال حاضر هیچ آشکارساز ویژگی به خوبی از عهده آن بر نمی‌آید، زیرا تفاوت‌ها بسیار زیاد است. با این وجود، همیشه نیاز به کنترل و مداخله انسانی در فرآیند وجود خواهد داشت تا از ثبت صحیح تصاویر اطمینان حاصل شود. به خصوص زمانی که تغییر آنقدر زیاد است که الگوریتم‌های بینایی کامپیوتری نمی‌توانند هیچ تناسبی را تعیین کنند. هنگامی که کاربران با کنترل محو شدن تعامل دارند، مهم است که همپوشانی تا حد امکان دقیق باشد. در غیر این صورت نمی توانند از آنچه می بینند نتیجه گیری کافی بگیرند. علاوه بر این، اندازه‌گیری‌ها در تصاویر اگر تفاوت‌های زیادی بین مکان‌ها وجود داشته باشد، درست نخواهد بود.
در فرآیند کنونی ما، بسیاری از عکس‌ها به هم می‌چسبند و با هم ترکیب می‌شوند [ 24 ] تا نقشه‌ای را تشکیل دهند که متعاقباً به کاشی‌های کوچک‌تر مناسب برای برنامه‌های وب هرمی تبدیل می‌شود. این یک محدودیت مقیاس پذیری در تعداد عکس هایی که می توانند با هم ادغام شوند ایجاد می کند. از آنجایی که هر تصویر حدود 20 تا 40 مگابایت است، تهیه نقشه ای با بیش از 30 عکس فرآیند بسیار طاقت فرسایی خواهد بود و موزاییکی را تولید می کند که به طور نامطلوبی عظیم است. هدف ما این است که مرحله موزاییک کردن را با هرمی شدن ادغام کنیم، بنابراین از دوختن تعداد زیادی عکس به عنوان یک تصویر بزرگ با محاسبه کاشی های جداگانه به طور مستقیم از هر تصویر جلوگیری می کنیم. از این رو، ترکیب باید در صورت لزوم فقط در سطح پایین هرم انجام شود، یعنی.، زمانی که بخش هایی از دو تصویر جغرافیایی ارجاع شده در یک کاشی قرار می گیرند. با توسعه چنین تکنیک‌هایی، GeoMemories می‌تواند موزاییک‌های بزرگ‌تر، حتی نقشه‌های کل قلمرو ایتالیا را مدیریت کند.
پورتال وب عمومی GeoMemories را می توان برای اجتناب از نیاز به افزونه Google Earth، با استفاده از فناوری های به روزتر مانند Google Maps API پیاده سازی کرد. با این حال، تغییر اساسی در ماژول های مربوط به KML سیستم ضروری خواهد بود. این سوئیچ فناوری در حال حاضر در دست بررسی است و نمونه اولیه یک رابط جدید در حال حاضر در http://www.geomemories.org/minimal/ آنلاین است. این نمونه اولیه همچنین تلاش می‌کند تا برخی از مشکلات قابلیت استفاده سیستم فعلی را حل کند و به سمت کاربران غیرمتخصص طیف متمایل شود.
نقشه‌های باستانی منبع بسیار ارزشمند دیگری از داده‌های تاریخی و جغرافیایی هستند [ 38 ، 39 ]، اگرچه چالش‌های جدیدی برای پروژه ایجاد می‌کنند [ 40 ، 41 ]. ما یک نقشه کاداستر 1765 داریم که قبلاً در سیستم خود یکپارچه شده است، اما مایلیم تعداد بیشتری را اضافه کنیم. دو نمونه از آرشیوهای غنی نقشه های باستانی http://www.igmi.org/ancient/ و http://etc.usf.edu/maps/galleries/Europe/italy/index.php هستند.. علاوه بر این، می‌توان یک زیرساخت همکاری اجتماعی با تقلید از رفتار نرم‌افزار ویکی در نظر گرفت که می‌تواند امکان جمع‌آوری حافظه تاریخی را از کاربران نهایی باز کند. اندازه آرشیو AFN باعث می‌شود که در مرحله ارجاع جغرافیایی این رویه نیز به دنبال مشارکت از کاربران داوطلب باشیم.

منابع

  1. بورژوا، ج. Meganck, M. عکاسی هوایی و باستان شناسی 2003: یک قرن اطلاعات ; گزارش های باستان شناسی؛ انتشارات آکادمیک: Waltham، MA، ایالات متحده آمریکا، 2005. [ Google Scholar ]
  2. بروفی، ک. Cowley, D. From the Air: Understanding Aerial Archeology ; Tempus Publishing Ltd.: Gloucestershire, UK, 2005. [ Google Scholar ]
  3. رایلی، دی. عکاسی هوایی و باستان شناسی ; انتشارات دانشگاه پنسیلوانیا: فیلادلفیا، PA، ایالات متحده آمریکا، 1987. [ Google Scholar ]
  4. Wilson, DR Air Photo Interpretation for Archaeologists , 2nd ed.; The History Press Ltd.: Gloucestershire، UK، 2000. [ Google Scholar ]
  5. کرک، تی . معماری ایتالیای مدرن: چشم‌اندازهای آرمان‌شهر، 1900 تا کنون . The Architecture of Modern Italy, Princeton Architectural Press: نیویورک، نیویورک، ایالات متحده آمریکا، 2005. [ Google Scholar ]
  6. Dunnage، J. قرن بیستم ایتالیا: یک تاریخ اجتماعی . Prentice Hall: Upper Saddle River، نیوجرسی، ایالات متحده آمریکا، 2002. [ Google Scholar ]
  7. Llc, B. بلایای طبیعی در ایتالیا: زلزله در ایتالیا، سیل در ایتالیا، 2009 زلزله لاکویلا، 1966 سیل رودخانه آرنو ; کتاب‌های عمومی: ممفیس، TN، ایالات متحده آمریکا، 2010. [ Google Scholar ]
  8. Google Maps/Bing Maps کروی Mercator Projection. در دسترس آنلاین: http://alastaira.wordpress.com/2011/01/23/the-google-maps-bing-maps-spherical-mercator-projection/ (دسترسی در 5 دسامبر 2012).
  9. Szeliski, R. Computer Vision: Algorithms and Applications , 1st ed.; Springer-Verlag New York, Inc.: New York, NY, USA, 2010. [ Google Scholar ]
  10. Lowe, DG ویژگی های تصویر متمایز از نقاط کلیدی تغییرناپذیر مقیاس. بین المللی جی. کامپیوتر. چشم انداز 2004 ، 60 ، 91-110. [ Google Scholar ] [ CrossRef ]
  11. فیشلر، MA; بولس، اجماع نمونه تصادفی RC: الگویی برای تطبیق مدل با کاربردهای آنالیز تصویر و کارتوگرافی خودکار. اشتراک. ACM 1981 ، 24 ، 381-395. [ Google Scholar ] [ CrossRef ]
  12. راگورام، آر. فرام، ج.ام. Pollefeys، M. تجزیه و تحلیل مقایسه ای تکنیک های RANSAC که منجر به اجماع نمونه تصادفی تطبیقی ​​در زمان واقعی می شود. در مجموعه مقالات دهمین کنفرانس اروپایی بینایی کامپیوتری: قسمت دوم (ECCV ’08)، مارسی، فرانسه، 12 تا 18 اکتبر 2008. Springer-Verlag: برلین/هایدلبرگ، آلمان؛ صص 500-513.
  13. هاست، ا. Marchetti، A. یک پیش شرط کارآمد و یک RANSAC اصلاح شده برای تطبیق سریع و قوی ویژگی ها. در مجموعه مقالات کنفرانس های بین المللی در اروپای مرکزی در زمینه گرافیک کامپیوتری، تجسم و بینایی کامپیوتری (WSCG 2012)، پیلسن، جمهوری چک، 25-28 ژوئن 2012; صص 11-18.
  14. هارتلی، RI; Zisserman، A. تخمین دوبعدی تبدیل های فرافکنی. In Multiple View Geometry ، ویرایش دوم. انتشارات دانشگاه کمبریج: کمبریج، انگلستان، 2003; صص 87-90، 121-122. [ Google Scholar ]
  15. براون، م. Lowe، DG دوخت خودکار تصویر پانوراما با استفاده از ویژگی‌های ثابت. بین المللی جی. کامپیوتر. چشم انداز 2007 ، 74 ، 59-73. [ Google Scholar ] [ CrossRef ]
  16. بیورک، AA; Kjær، KH; کورسگارد، نیوجرسی؛ خان، س. Kjeldsen، KK; اندرسن، CS; لارسن، NK; فاندر، اس. نمایی هوایی از 80 سال نوسانات یخچال های طبیعی مرتبط با آب و هوا در جنوب شرقی گرینلند. نات. Geosci. 2012 . [ Google Scholar ] [ CrossRef ]
  17. جنارتی، اف. ریپا، MN; گوباتونی، اف. بوچیا، ال. Pelorosso, R. یک روش پیشنهادی برای تجزیه و تحلیل تغییر پوشش زمین با استفاده از عکس های هوایی تاریخی. جی. جئوگر. Reg. طرح. 2011 ، 4 ، 542-556. [ Google Scholar ]
  18. Scardozzi, G. سهم عکس های هوایی و ماهواره ای تاریخی در تحقیقات باستان شناسی و زمین باستان شناسی: مطالعات موردی در ایتالیا و ترکیه. Adv. Geosci. 2010 ، 24 ، 111-123. [ Google Scholar ] [ CrossRef ]
  19. هاست، ا. Marchetti، A. تصحیح روشنایی گذشته نگر عکس های هوایی تاریخی در مقیاس خاکستری. در مجموعه مقالات ICIAP ’11، راونا، ایتالیا، 14-16 سپتامبر 2011; جلد 16، ص 1-10.
  20. برت، پی جی؛ Adelson, EH یک اسپلاین با وضوح چندگانه با کاربرد در موزاییک های تصویری. ACM Trans. نمودار. 1983 ، 2 ، 217-236. [ Google Scholar ] [ CrossRef ]
  21. Aguilar، MA; آگوئرا، اف. Aguilar، FJ; کارواخال، اف. ارزیابی دقت هندسی فرآیند تصحیح از تصاویر ماهواره ای با وضوح بسیار بالا برای اهداف سیاست کشاورزی مشترک. بین المللی J. Remote Sens. 2008 , 29 , 7181-7197. [ Google Scholar ] [ CrossRef ]
  22. Hill, LL Georeferencing ; انتشارات MIT: کمبریج، MA، ایالات متحده آمریکا، 2006. [ Google Scholar ]
  23. براون، م. Lowe، DG دوخت خودکار تصویر پانوراما با استفاده از ویژگی‌های ثابت. بین المللی جی. کامپیوتر. چشم انداز 2007 ، 74 ، 59-73. [ Google Scholar ] [ CrossRef ]
  24. Szeliski، R. تراز و دوخت تصویر: یک آموزش. پیدا شد. روند. محاسبه کنید. نمودار. Vis. 2006 ، 2 ، 1-104. [ Google Scholar ] [ CrossRef ]
  25. هریس، سی. Stephens، M. تشخیص گوشه و لبه. در مجموعه مقالات کنفرانس الوی ویژن، منچستر، بریتانیا، 31 اوت تا 2 سپتامبر 1988. صص 147-151.
  26. بی، اچ. تویتلارس، تی. van Gool، L. SURF: افزایش سرعت ویژگی های قوی. در مجموعه مقالات نهمین کنفرانس اروپایی بینایی کامپیوتری (ECCV’06)، گراتس، اتریش، 7 تا 13 مه 2006. Springer-Verlag: Berlin/Heidelberg, Germany, 2006. Part I. pp. 404-417. [ Google Scholar ]
  27. مایکلسن، ای. فون هانسن، دبلیو. کیرشوف، ام. میدو، جی. استیلا، U. برآورد ماتریس اساسی: GOODSAC در مقابل RANSAC. در مجموعه مقالات چشم انداز کامپیوتری فتوگرامتری، بن، آلمان، 20-22 سپتامبر 2006. صص 1-6.
  28. هاست، ا. مارکتی، الف. تجزیه و تحلیل تطابق فرضی – جایگزینی قابل تکرار برای RANSAC برای تطبیق تصاویر هوایی. در مجموعه مقالات کنفرانس بین المللی نظریه و کاربردهای بینایی رایانه، رم، ایتالیا، 24 تا 26 فوریه 2012. صص 1-4.
  29. مکلاچلان، پی اف. Jaenicke، A. Xh، موزاییک تصویر GG با استفاده از تنظیم متوالی دسته. در مجموعه مقالات کنفرانس بینایی ماشین بریتانیا، بریستول، انگلستان، 11-14 سپتامبر 2000. صص 751-759.
  30. Blonquist، KF; بسته، RT یک رویکرد تنظیم بسته نرم افزاری با محدودیت های داخلی برای طرح ریزی املایی مقیاس شده. ISPRS J. Photogramm. 2011 ، 66 ، 919-926. [ Google Scholar ] [ CrossRef ]
  31. کلر، ی. Averbuch، A. یک فرمت مبتنی بر طرح ریزی برای همترازی تصویر همبستگی فاز. فرآیند سیگنال 2007 ، 87 ، 124-133. [ Google Scholar ] [ CrossRef ]
  32. کوگلین، سی. هاینز، دی. روش همترازی تصویر همبستگی فاز. در مجموعه مقالات کنفرانس IEEE Cybernet، سانفرانسیسکو، CA، ایالات متحده آمریکا، 23-25 ​​سپتامبر 1975; صص 163-165.
  33. Kovesi، P. MATLAB و توابع اکتاو برای بینایی کامپیوتری و پردازش تصویر . در دسترس آنلاین: http://www.csse.uwa.edu.au/pk/research/matlabfns/ (دسترسی در 5 دسامبر 2012).
  34. Cosci، M. Ricerche Aeree در توسکانا. در In volo nel Passato. Aerofotografia e Cartografia Archeologica ; All’Insegna del Giglio: Siena، ایتالیا، 2005; صص 263-272. [ Google Scholar ]
  35. مارکتی، آ. هاست، ا. راپیساردا، بی. شپرد، ج. Tesconi، M. Geomemories-A Spatial-Temporal Atlas of Italian Landscape. در مجموعه مقالات سمپوزیوم بین المللی واقعیت مجازی، باستان شناسی و میراث فرهنگی، پراتو، ایتالیا، 18-21 اکتبر 2011; ص 41-44.
  36. باجر. عکاسی هوایی و اصلاح دستی: راهنمای کوتاه . 2012. در دسترس آنلاین: www.bajr.org/Documents/AerialSurvey.pdf (دسترسی در 5 دسامبر 2012).
  37. آنیچینی، ف. فابیانی، ف. گاتیگلیا، جی. Gualandi، ML Mappa-جلد 1 مهندس. روش های بکار رفته در پیش بینی پتانسیل باستان شناسی ; Edizioni Nuova Cultura: پیزا، ایتالیا، 2012. [ Google Scholar ]
  38. بروولی، MA; مینگینی، ام. گیوری، جی. Beretta، M. خدمات زمینی وب و نقشه های کاداستر باستانی: پروژه وب CARTE. ترانس. GIS 2012 ، 16 ، 125-142. [ Google Scholar ] [ CrossRef ]
  39. هوانگ، اس. کاوش نقشه جهان ماتئو ریچی. در دیدگاه های جدید در مورد تحقیق فرهنگ چینی ; Springer: برلین/هایدلبرگ، آلمان، 2013; صص 119-136. [ Google Scholar ]
  40. Mastronunzio، M. Laccuratezza planimetrica della cartografia storica a grande scala. GEOmedia 2012 ، 15 ، 40-42. [ Google Scholar ]
  41. بله، ز. ژوانگ، ال. وو، جی. دو، سی. وی، بی. Zhang، Y. استفاده عمیق از نقشه های باستانی چینی: یک رویکرد ترکیبی برای دیجیتالی کردن منابع نقشه در CADAL. در مجموعه مقالات دهمین کنفرانس مشترک سالانه در کتابخانه های دیجیتال، ساحل طلایی، QLD، استرالیا، 21 تا 25 ژوئن 2010. ACM: نیویورک، نیویورک، ایالات متحده آمریکا، 2010; صص 263-272. [ Google Scholar ]

;کاربردهای GISمقالات

آموزش کاربردی ArcGISالهام ابراهیم زادهکاربرد جی ای اسکاربردهای 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