قطعه بندی

شناسایی لندفرم های غالب مناظر طبیعی در انواع برنامه ریزی های شهری، آمایش، گردشگری و ... کاربرد و اهمیت فراوان دارد. در این پژوهش، لندفرم های حوضة یزد اردکان، به دو روش بصری و خودکار، شناسایی و سپس مقایسه شدند. در روش شناسایی خودکار لندفرم ها، از قطعه بندی تصویر با دو الگوریتم قدرت تفکیک چندگانه و تباین پیکسلی، در قالب مفاهیم شیء پایه، استفاده شد. نتایج نشان داد قطعه بندی به روش قدرت تفکیک چندگانه، به دلیل لحاظ کردن معیار شکل در تشخیص ساختار و مرز طبیعی لندفرم ها مانند مخروط افکنه، مناسب به نظر می رسد ولی قطعه بندی به روش تباین پیکسلی، در شناسایی میکرولندفرم مانند کانال های گیسویی در سطح مخروط افکنه، مناسب است. نتایج حاصل از مقایسه شناسایی بصری و خودکار لندفرم ها نشان داد، در روش بصری، فقط امکان شناسایی لندفرم های بزرگ همچون توده های کوهستانی، انواع دشت سرها، کفة اردکان و به سختی تلماسه ها وجود داشت. ولی در روش خودکار مبتنی بر شیء، نه تنها لندفرم های مذکور بلکه لندفرم های کوچک تر مثل تپه های عرضی، مخروط افکنه ها، هزاردره ها، کوه های منفرد نیز شناسایی شدند. برای ارزیابی دقت مدل های شناسایی خودکار لندفرم ها، از دو روش کیفی و کمّی استفاده شد؛ در ارزیابی کیفی، از تکنیک هم پوشانی به منظور بررسیِ چشمی میزان تطابق و رویِ هم قرارگیری نقشه حاصل از مدل با تصاویر گوگل ارث و در ارزیابی کمّی، از ماتریس درهمی استفاده شد. نتایج ارزیابی ها نشان دادند که الگوریتم قدرت تفکیک چندگانه در شناسایی و قطعه بندی لندفرم ها دارای صحت کلی و ضریب کاپای است. همچنین، خطاهای کُمیسیون و اُمیسیون نشان دادند که کمترین خطاهای شناسایی مربوط به لندفرم هایی با بافت نرم، مانند دشت، است ولی بیشترین خطاهای شناسایی به لندفرم هایی با بافت خشن، مثل کوهستان، بازمی گردد.

تشخیص و طبقه بندی زمین لغزش ها یک نیاز حیاتی در تجزیه و تحلیل خطر قبل و بعد از وقوع فاجعه است. و دردرجه اول از طریق نقشه برداری زمینی یا تفسیر سنتی تصاویر انجام      می گردد. در این مقاله به شناسایی و طبقه بندی انواع زمینلغزش با رویکرد روش شیءگرا، پرداخته شده است. داده های مورد استفاده در این پژوهش شامل تصاویر رنگی کاذب مستخرج از داده های ماهواره Resourcesat-1 با قدرت تفکیک مکانی 5.8  متر و مدل ارتفاع رقومی  با قدرت تفکیک 10 متری حاصل از تصاویر 2.5 متری ماهواره Cartosat-1استفاده گردیده است. این روش برای قسمت شمال غرب حوضه آبریز به کار گرفته شد و پس از آن بدون اصلاحات بیشتر در قسمت های شرقی حوضه مورد استفاده واقع شداز این بین 70 درصد زمین لغزش ها برای اجرای مدل و 30 درصد دیگر برای اعتبارسنجی به کار رفته است. با توجه به نتایج بدست آمده 02/34 درصد از اراضی محدوده مورد مطالعه به عنوان منطقه ای با پتانسیل خیلی زیاد و زیاد برای وقوع زمین لغزش در نظر گرفته شده اند. همچنین، درصد قابل توجهی از زمین لغزش ها در طبقه با حساسیت زیاد و خیلی زیاد(05/57) قرار دارند. در مجموع سه نوع لغزش با استفاده از این روش با دقت شناسایی71.11٪ و دقت کلاس بندی91.4٪ تشخیص داده شده است. لذا می توان گفت دقت مدل های بکار رفته در پهنه بندی حساسیت وقوع زمین لغزش قابل قبول و خوب است.

روش های اتوماتیک شناسایی و استخراج عارضه ساختمان از منابع گوناگون اطلاعاتی همچون تصاویر هوایی و ماهواره ای و داده های لیدار دارای کاربردهای بسیار وسیع و مهم مانند به روزرسانی نقشه ها، مدلسازی و آنالیز رشد و پیشرفت در مناطق شهری و نیمه شهری به دست می آید. هدف اصلی مقاله طرح روش جدید اتوماتیک استخراج ساختمان با تلفیق داده های لیدار و تصویر هوایی است. برا ی این منظور در مرحله اول، انواع روش های شناسایی ساختمان (SVM 1 ، MD 2 و ANN 3 ) در دو سطح پیکسل پایه و شیء مبنا بررسی و ارزیابی شد. نتایج حاصل از شناسایی حاکی از توانایی بالای روش SVM، در مقایسه با دیگر روش ها، در دو سطح پیکسل پایه و شیء مبناست که دقت کلی 95.9٪ و خطای نوع اول 6.2٪ و خطای نوع دوم 3.2٪ را نشان می دهد که در حالت پیکسل مبنا به منزله روش منتخب شناسایی است. در مرحله دوم، براساس روش منتخب شناسایی مرز دقیق ساختمان بازسازی می شود. بنابراین با استفاده از قطعه بندی برمبنای طیفی و هندسی، لبه هر ساختمان به صورت قطعات مجزا تفکیک شد. سپس لبه های هر ساختمان براساس معادلات کمترین مربعات بازسازی می شود. نتایج روش پیشنهادی استخراج ساختمان با دقت کلی 96.85٪ ، خطای نوع اول 5.9٪ و خطای نوع دوم 2.5٪ برای الگوریتم پیشنهادی استخراج است.

تغییرات در محیط زیست شهری، عمدتاً در ساخت، تخریب یا بازسازی ساختمان ها، تحت تأثیر عواملی نظیر بلایای طبیعی و یا گسترش شهری به وجود می آیند. شناسایی این تغییرات می تواند نقش بسزایی در بروز رسانی مدل های سه بُعدی شهری و تصمیم گیری صحیح مدیران در مدیریت سوانح و بحران ها داشته باشد. از میان تمامی روش های آشکارسازی تغییرات که به دو دسته دوبعدی و سه بُعدی تقسیم می شوند، روش های آشکارسازی سه بُعدی تغییرات ساختمان ها، به دلیل مرتفع بودن عارضه ساختمان، مناسب تر هستند و نتایج حاصل از آن ها به واقعیت نزدیک تر است. هدف از این مطالعه ارائه روشی مؤثر برای آشکارسازی سه بُعدی تغییر در ساختمان های مناطق شهری براساس مدل های رقومی ارتفاعی است. روش ارائه شده در این مقاله شامل سه مرحله اصلی است: 1) تولید مدل رقومی سطح، مدل رقومی زمین و مدل رقومی سطح نرمال در دو بازه زمانی، 2) انجام تجزیه و تحلیل شی ء مبنا شامل قطعه بندی و طبقه بندی ساختاری مدل های رقومی ارتفاعی به منظور تولید نقشه های طبقه بندی چندزمانه، 3) تهیه نقشه های تغییر و تجزیه و تحلیل درصد تغییر بین کلاس های مختلف عوارض در مناطق شهری. توانایی الگوریتم پیشنهادی در یک منطقه شهری در حال توسعه سریع در تهران، در فاصله زمانی 9 ساله ارزیابی شد. نتایج به دست آمده حاکی از کاهش سطح زمین و خاک لخت در حدود 37/1% است و همچنین، ساختمان های کم ارتفاع (کمتر از 3 طبقه) نیز در حدود 6/7% کاهش یافته اند. علاوه بر این، کلاس ساختمان های مرتفع (بیش از سه طبقه) در حدود 4/16% افزایش یافته که علاوه بر نوسازی ساختمان های کم ارتفاع، سازه های جدید را نیز شامل می شود. واژه های کلیدی: شکارسازی تغییرات، ساختمان ، مدل سه بُعدی شهری، تحلیل شی ء مبنا، قطعه بندی، ویژگی های ساختاری .

تهیه نقشه اراضی کشاورزی یکی از لایه های اطلاعاتی مورد نیاز در مدیریت این زمین ها محسوب می شود. چنین نقشه هایی امکان پایش مستمر زمین های کشاورزی را در طول دوره کشت، فراهم می کنند. در این مطالعه، راهکاری به منظور تولید نقشه اراضی کشاورزی شهرستان شهرکرد، در دو کلاس زراعی و غیرزراعی، با استفاده از سری زمانی شاخص های مستخرج از تصاویر سنتینل 2 داده شده است. ازآن جا که استفاده از منابع داده حجیم یکی از موانع بهبود روش های مبتنی بر سری زمانی تصاویر ماهواره ای به شمار می رود، در این پژوهش از بستر پردازشی گوگل ارث انجین استفاده شده است. روش مطرح شده برمبنای تلفیق نتایج طبقه بندی نظارت شده پیکسل مبنا با نتایج قطعه بندی عمل می کند؛ به نحوی که ابتدا داده های آموزشی طبقه بندی نظارت شده، طی یک فرایند پالایشی سخت گیرانه، بدون نیاز به عملیات میدانی فراهم می شوند. سپس با محاسبه تفکیک پذیری دو کلاس هدف در سری زمانی هر شاخص، شاخص های بهینه انتخاب می شود. در نهایت، با تلفیق نتایج روش های قطعه بندی و طبقه بندی براساس آرای به دست آمده از نتایج طبقه بندی، به هر قطعه تصویری کلاس زراعی یا غیرزراعی نسبت داده می شود. این اقدام، علاوه بر دخالت دادن اطلاعات مکانی اعم از لبه ها و مجاورت های مکانی، توانسته است نویز و نتایج متخلخل طبقه بندی پیکسل مبنا را بهبود بخشد و دقت کلی نقشه نهایی را از 7/90 به 05/96 افزایش دهد. همچنین دقت کاربر دو کلاس زراعی و غیرزراعی به ترتیب 27/3 و 97/7% بهبود را نشان می دهند.

سنجنده های رادار با روزنه مجازی، با داشتن ویژگی های گسترده، پتانسیل بسیاری در انواع کاربردهای سنجش از دوری دارند؛ ازجمله در قطعه بندی به هنگام پوشش و کاربری اراضی. با وجود دو رویکرد مستقل قطعه بندی ناحیه مبنا و مرزمبنا، به دست آوردن نتایج رضایت بخش در صورت استفاده از هریک از رویکردها در تصاویر SAR دشوار بوده است؛ درحالی که می توان با استفاده از اطلاعات مکمل هر دو روش، محدودیت های موجود را برطرف کرد و نتایج حاصل را بهبود بخشید. در این پژوهش، روش نوینی در قطعه بندی با استفاده از تصاویر پلاریمتری SAR و با هدف بهبود نتایج قطعه بندی مطرح شده که از ادغام هر دو رویکرد بهره گرفته است. روش پیشنهادی Felzenszwalb به منزله الگوریتم پیشنهادی ناحیه مبنا، از مجموعه روش های سوپرپیکسل، با دو روش Quickshift و SLIC مقایسه شد. نتیجه مشخص کرد که روش پیشنهادی توانسته است از قطعه بندی بیش ازحد تصویر جلوگیری کند و کارآیی آنالیز قطعه بندی را افزایش درخور توجهی بخشد. روش پیشنهادی قطعه بندی مرزمبنای آنتروپی شانون نیز، در مقایسه با دو روش گرادیان مبنای کنی و لاپلاسین، مرزهای قطعات تصویری را تا اندازه چشمگیری حفظ کرده است. مقایسه نتایج حاصل از اجرای این روش با داده های مرجع، مقادیر 39/10% و 25/11% را درمورد خطای کل، به ترتیب برای تصویر زمان اول و دوم، نشان می دهد. خطای کل، در مقایسه با عملکرد دو روش دیگر، 81/5 و 73/9% در تصویر اول و 16/11 و 86/13% در تصویر دوم بهبود داده شده است. در نهایت، ادغام دو رویکرد پیشنهادی قطعه بندی سبب شده است بهبود دقت در قطعه بندی تصویر پلاریمتری دستاورد مهم این پژوهش محسوب شود.