فهرست نشریات علمی دسترسی آزاد ایران

استخراج اطلاعات مکانی سه‌بعدی از سطح زمین، با بهره‌گیری از داده‌های سنجش ‌از دور و فتوگرامتری، یکی از موضوعات محوری و پرکاربرد در حوزة علوم زمین محسوب می‌شود که در سال‌های اخیر، توجه بسیاری از پژوهشگران را به خود جلب کرده است. یکی از مهم‌ترین محصولات حاصل از این داده‌ها مدل رقومی سطح (DSM) است که علاوه‌بر مدل ارتفاعی زمین (DEM)، تمامی عوارض طبیعی و ساخت‌ بشر نظیر پوشش‌های گیاهی، درختان، ساختمان‌ها و سایر سازه‌های انسانی را نیز شامل می‌شود. استخراج DSM نقش مهمی در کاربردهای گوناگون، ازجمله طراحی شهری، شناسایی و استخراج ساختمان‌ها، مدیریت بحران، مدل‌سازی سه‌بعدی و پایش تغییرات ایفا می‌کند. در سال‌های اخیر، پیشرفت چشمگیر در حوزة یادگیری عمیق در فرایند استخراج اطلاعات سه‌بعدی برمبنای داده‌های سنجش ‌از دور تأثیر درخور ‌توجهی داشته است. روش‌های معمول بازسازی سه‌بعدی با چالش‌هایی همچون مدیریت حجم انبوه داده‌ها، پیچیدگی در استخراج ویژگی‌ها و دشواری در دستیابی به جزئیات دقیق روبه‌رو هستند. در این راستا، بهره‌گیری از شبکه‌های عصبی عمیق برای استخراج ویژگی‌های پیچیده از تصاویر چندمنظری، زمینه‌ساز تحول در این حوزه شده است. یکی از الگوریتم‌های نوین مبتنی‌بر یادگیری عمیق که به‌تازگی توسعه یافته است، Sat-MVSF نام دارد. این الگوریتم با هدف استخراج DSM از تصاویر ماهواره‌ای چندمنظری طراحی شده است و تمامی مراحل، از پیش‌پردازش تصاویر تا تولید نهایی DSM را برمبنای یادگیری عمیق انجام می‌دهد. با توجه به محدودیت داده‌های آموزشی و همچنین ادعای نویسندگان مبنی‌بر امکان تعمیم گستردة وزن‌های آموزش‌دیده، هدف این پژوهش ارزیابی عملکرد الگوریتم Sat-MVSF در تولید مدل رقومی سطح، با استفاده از تصاویر ماهواره‌ای با حد تفکیک مکانی بالاست. نوآوری این تحقیق شامل این موارد است: 1) آماده‌سازی سه دسته‌دادة ماهواره‌ای از سنجندة Worldview-3 و دو دسته‌دادة ماهواره‌ای از سنجندة ZY3-2، به‌منظور تصحیح ضرایب RPC با استفادة سرشکنی بلوک تصاویر، برای هر دسته از داده‌ها و تهیة DSM مرجع از ابر نقاط لیدار؛ 2) استخراج DSM با استفاده از الگوریتم یادگیری عمیق Sat-MVSF، برای تصاویر ماهواره‌ای چندمنظری WorldView-3 و ZY3-2 و ارزیابی و مقایسة آن‌ با DSM استخراج‌شده، با استفاده از الگوریتم‌های S2P و SS-DSM و نرم‌افزارهای تجاری CATALYST و ERDAS IMAGINE. به‌منظور ارزیابی دقیق‌تر، عملکرد تمامی الگوریتم‌ها در سه نوع منطقه، شامل ۱) مناطق غیرساختمانی، ۲) مناطق ساختمانی با تغییرات ارتفاعی متوسط و ۳) مناطق ساختمانی با تغییرات ارتفاعی زیاد تحلیل شده است. داده‌های به‌کاررفته شامل پنج مجموعه‌تصویر ماهواره‌ای‌اند (سه مجموعه‌دادة WorldView-3 و دو مجموعه‌دادة ZY3-2) که هریک سه تصویر پوشش‌دار را دربرمی‌گیرد. براساس نتایج به‌دست‌آمده، الگوریتم Sat-MVSF در مقایسه با بسیاری از الگوریتم‌ها و نرم‌افزارهای تجاری، عملکرد مطلوب‌تری در استخراج DSM دربر داشته است. در تصاویر WorldView-3، این الگوریتم با میانگین دقت ارتفاعی ۱/۱ متر و کامل‌بودن ارتفاعی %۸۷، بر الگوریتم SS-DSM و نرم‌افزارهای تجاری برتری دارد. ازسوی‌دیگر الگوریتم S2P با استخراج DSM با میانگین دقت ارتفاعی 1 متر، ازلحاظ دقت ارتفاعی، عملکردی بهتر از الگوریتم Sat-MVSF دارد. بااین‌حال عملکرد الگوریتم S2P در مجموعه‌دادة WV3-3، با توجه به کامل‌بودن ارتفاعی پایین آن، بسیار وابسته به منطقة مطالعاتی است. در داده‌های ZY3-2، عملکرد الگوریتم Sat-MVSF با دقت‌های ارتفاعی 43/2 و 27/3 متر، نتایج مورد قبولی داشته است. دقیق‌تر آنکه، در دو مجموعه‌دادة اول WorldView-3، الگوریتم S2P با کامل‌بودن 76/90% و 16/90% و دقت‌های 94/0 و ۱/۱ متر، بهترین عملکرد را داشته است. در مجموعة سوم، الگوریتم Sat-MVSF با کامل‌بودن ۸۳% و دقت 04/1 متر، از سایر الگوریتم‌ها پیشی گرفته است. نتایج نشان می‌دهد که الگوریتم S2P در مناطق ساختمانی با تغییرات ارتفاعی زیاد در دسته‌دادة اول، دوم و سوم، به‌ترتیب، با 03/1، 14/1 و 88/0 متر و نرم‌افزار CATALYST در مناطق غیرساختمانی در دسته‌داده‌های اول، دوم و سوم، به‌ترتیب، با مقدار 71/0و 12/1 و 68/0 متر، در مقایسه با سایر الگوریتم‌ها، بهترین عملکرد را ازلحاظ دقت ارتفاعی دارند. به‌طور کلی، مطابق نتایج، نرم‌افزارهای تجاری CATALYST و ERDAS IMAGINE در مناطق ساختمان دارای اختلاف ارتفاعی، خطای ارتفاعی بیشتری به‌نسبت الگوریتم‌های Sat-MVSF و S2P دارند زیرا این نرم‌افزارها از روش‌های درون‌یابی برای پرکردن گپ‌ها استفاده می‌کنند که سبب کاهش دقت در مناطق ساختمانی دارای اختلاف ارتفاع می‌شود. باید توجه داشت ‌که در محاسبة معیارهای ارزیابی دقت ارتفاعی و کامل‌بودن ارتفاعی، اگر حد آستانة ارتفاعی عددی بزرگ در نظر گرفته شود، خطا بالا می‌رود؛ یعنی پیکسل‌های با خطای ارتفاعی زیاد به‌منزلة پیکسل‌های صحیح در نظر گرفته می‌شوند و هم معیار دقت ارتفاعی و هم کامل‌بودن ارتفاعی به‌صورت خوش‌بینانه مقداری بالا خواهند داشت. در حد آستانة ارتفاعی اندک، هر دو معیار به همین صورت مقداری پایین خواهند داشت. درواقع، الگوریتمی بهتر عمل می‌کند که در عین داشتن دقت ارتفاعی کمتر، معیار کامل‌بودن بیشتری داشته باشد. ازاین‌رو در این تحقیق، تأثیر حد آستانة ارتفاعی در ارزیابی و محاسبة معیار دقت ارتفاعی و کامل‌بودن نیز بررسی شد. بر این اساس، آستانه‌هایی بین ۱ تا ۶ متر به کار رفت و نتایج نشان دادند که در بازة 5/2 تا ۶ متر (یعنی حدود چهاربرابر تفکیک مکانی DSM)، دقت الگوریتم‌های Sat-MVSF و S2P بهتر از نرم‌افزارهای تجاری است. همچنین، با کاهش آستانه از ۶ به ۳ متر، در معیارهای دقت و کامل‌بودن در نرم‌افزارهای CATALYST و ERDAS IMAGINE کاهشی چشمگیر مشاهده شد. این نکته نیز از روش‌های درون‌یابی این نرم‌افزارها ناشی می‌شود که برآوردهای خوش‌بینانه در آستانه‌های بالا و کاهش دقت در آستانه‌های پایین را در پی دارند‌. نتایج این پژوهش نشان می‌دهد که الگوریتم Sat-MVSF، به‌ویژه در شرایطی که داده‌های با حد تفکیک مکانی بالا در دسترس باشد، قادر است DSMهایی با دقت و کامل‌بودن مناسب تولید کند. در مقایسه با نرم‌افزارهای تجاری و الگوریتم‌های سنتی، این الگوریتم در بسیاری موارد عملکرد بهتری دارد و می‌تواند به‌منزلة روشی کارآمد، برای استخراج DSM از تصاویر ماهواره‌ای چندمنظری مطرح شود.