لیدار

امروزه لیزر اسکنر هوایی (لیدار) نقش مهمی در برداشت اطلاعات سه بعدی عوارض سطح زمین ایفا می کند. استخراج عوارض از داده های لیدار، به صورت دستی زمان بر و پرهزینه است. راه ها مهمترین گروه عوارض خطی هستند و استخراج اطلاعات مربوط به آنها اهمیت ویژه ای برای سازمان ها و نهادهای مرتبط در هر کشوری دارد. هدف پژوهش حاضر، ارائه الگوریتمی برای آشکارسازی راه هاست که در آن منحصراً از داده های لیدار، استفاده شود. برای این منظور، ابتدا داده های شدت و سپس هر دو داده شدت و فاصله لیدار با استفاده از ماشین بردار پشتیبان طبقه بندی گردیدند. سپس با استفاده از الگوریتم فیلتر کردن شیب مبنا، عوارض ارتفاعی از مجموعه داده ها حذف شدند و مدل رقومی زمین و مدل رقومی عوارض غیرزمینی به دست آمد. در ادامه، نتایج مرحله طبقه بندی با بهره گیری از لایه اطلاعاتی مدل رقومی عوارض غیرزمینی بهبود داده شد. سرانجام با انجام عملیات پس پردازش شامل 5 مرحله، پاکسازی مورفولوژی، حذف عناصر کوچک، اتصال قطع شدگی های راه ها، حذف عناصر ناپیوسته و انسداد مورفولوژی، راه ها از داده های لیدار شناسایی گردید. با مقایسه نتایج حاصل از اجرای الگوریتم با داده های مرجع، مقادیر 35/84 درصد برای پارامتر «کامل بودن»، 61/71 درصد برای پارامتر «صحیح بودن» و 22/63 درصد برای پارامتر «کیفیت» به دست آمد.

فرآیند تولید اطلاعات توپوگرافی در سه دهه اخیر، شاهد حرکت تکنولو ژی تهیه داده ها، از نقشه برداری سنتی و زمینی به سمت روش های غیر فعال(1)اندازه گیری و ثبت سطوح (مانند فتوگرامتری و سنجش از دور) و اخیراً به سمت روش های فعال(2) (مانند رادار و لیدار)(3) بوده است. لیدار(4)یک تکنیک جمع آوری اطلاعات از سطح اشیاء است که برمبنای اندازه گیری فاصله بوسیله لیزر عمل می کند. اندازه گیری لیدار براین اصل استوار است که مختصات هر نقطه روی زمین با مشخص بودن مختصات محل ارسال لیزر، اندازه گیری طول فاصله مایل بین نقطه ارسال پالس و سطح زمین و اندازه گیری زاویه ارسال موج از محل ارسال پالس تا سطح زمین قابل محاسبه می باشد. تصاویر مربوط به داده های لیدار به ابعاد 697*472 پیکسل هستند. در واقع، تکنولوژی لیدار ابزار مکملی جهت اخذ اطلاعات سه بعدی در کنارفتوگرامتری فضایی و سنجش از دور است. مهمترین فاکتوری که از این دستگاه به دست می آید، فاصله بین سنسور و سطح زمین است که با محاسبه مدت زمان طی شده از هنگام برخورد پالس به سطح زمین تا بازگشت آن به سنسور اندازه گیری می شود. بعلاوه فاصله بین سطح پرواز هواپیما و سطح زمین هم به طور مداوم اندازه گیری گردیده و نتیجه به دست آمده از آن سطح زمین و پوشش گیاهان را نیز مشخص می کند. محصولاتی که از لیدار بدست می آید مدل رقومی ارتفاعی و مدل رقومی سطحی است. از لیدار می توان خصوصیاتی از جمله پارامترهای داخل پلات مثل میانگین ارتفاع درخت، سطح تاج پوشش، ارتفاع تاج پوشش، قطر برابر سینه، تک درختان و ساختار جنگل را استخراج نمود. این مقاله سعی دارد ضمن معرفی سنجنده لیدار نحوه عملکرد و کاربردهای آن را بررسی نماید.

در سال های اخیر پیشرفت تکنولوژی های سنجش از دور و افزایش تنوع داده های قابل استفاده موجب شده تا ارزیابی و قابلیت سنجی داده های مختلف از اهمیت زیادی برخوردار بوده و به همین دلیل به عنوان مسأله ای که کمتر در تحقیقات گذشته بدان پرداخته شده است، هدف اصلی این تحقیق قرار گیرد. در این تحقیق داده های مستخرج از تصاویر وردویو-2 و اسپات-5 شامل اطلاعات بافتی این تصاویر و نیز خصوصیات آماری مستخرج از داده های لیدار به صورت مستقل برای تخمین پارامترهای ساختاری جنگل کاج تک گونه[1] استفاده گردید و نتایج حاصل از هر داده با نتایج حاصل از داده های دیگر مورد مقایسه قرار گرفت. نتایج حاصل از این تحقیق نشان داد در حالی که داده های وردویو-2 برای برآورد تراکم و قطر درختان دارای بهترین عملکرد است، داده های لیدار برای تخمین ارتفاع میانگین و حجم درختان مناسب است. در ضمن تفاوت آماری معنی داری بین داده های مختلف سنجش ازدور برای برآورد رویه سطح درختان وجود ندارد، همچنین در میان پارامترهای ساختاری، در حالی که ارتفاع میانگین و قطر درختان با خطایی قابل قبول برآورد شدند، تخمین تراکم، حجم و رویه سطح درختان با دقت کمتری انجام شد. [1]. Pinus Radiata

در این مقاله، پژوهشی نوین از تلفیق داده های ابرطیفی و لیدار را برای تشخیص و استخراج عوارض ساختمانی، با استفاده از الگوریتم یادگیری ماشین، بررسی کردیم. مجموعه داده هایی که بنیاد ملی علوم (NSF) در اختیار گذاشته (این بنیاد را مرکز ارزیابی لیزر هوایی(NCALM) تأسیس کرده است) و پیش تر، دانشگاه هیوستن در منطقة مجاور شهری به کار گرفته است مورد استفاده قرار گرفت. در این روش، ابتدا، فرض بر آن است که، با تلفیق داده های فراطیفی و لیدار که هریک توانایی استخراج برخی از ویژگی های عوارض ساختمانی را دارد، می توان همان عارضه را، با دقت و صحت بیشتری، استخراج کرد. اعمال روش یادگیری ماشین روی داده های ابرطیفی تصویرِ سطح بندی شده از عوارض ساختمانی و دیگر عوارض را ایجاد خواهد کرد. پس از اعمال سطح بندی، روش پیشنهادی و دیگر روش های موجود در این زمینه مقایسه می شوند تا کیفیت روش پیشنهادی مشخص شود. چنین مقایسه ای نیازمند بررسی تعدادی پارامتر ارزیابی است که، در قسمت کنترل کیفیت، مطرح خواهند شد. به هرحال، دقت به دست آمده از نتایج روش انجام گرفته در این مقاله برابر با 56/95%، میزان کامل بودن 100%، صحت کلی 66/98% و ضریب کاپا برابر با 9430/0 محاسبه شد. هدف این مقاله استخراج خودکار ساختمان های موجود در داده های ابرطیفی هوایی و لیدار دریافت شده از یک منطقه (automation)، استخراج حداکثر تعداد ساختمان های موجود در تصاویر نام برده شده (completeness) و افزایش دقت و صحت در استخراج ساختمان (accuracy and precision) بوده است که، براساس نتایج حاصل از پارامترهای ارزیابی، محقق شده اند.

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.

ارتفاع ساختمان از عوامل مهم در ساماندهی منظر شهری و از پارامترهای تأثیرگذار بر تراکم شهری است. استفاده از روش ها و ابزارهای نوین، نقش مهمی در استخراج ارتفاع ساختمان ها دارد. یکی از این ابزارها، [1]LIDAR است که یک فناوری نسبتاً جدید و یک روش سریع برای نمونه برداری با چگالی و دقت بالا درجهت به دست آوردن مدل های دیجیتال از سطح زمین (DSM[2]) است. آنچه در این پژوهش مدنظر بوده، ارزیابی استفاده از یک ابزار نوین در برنامه ریزی شهری مبنی بر استخراج ارتفاع ساختمان ها و تعداد طبقات ساختمانی است که با استفاده از ابرنقاط لیدار و تصاویر اولتراکم در دو مرحله آشکارسازی ساختمان ها و محاسبه تعداد طبقات آن ها، در محدوده ای از شهر بندر انزلی به مساحت 23 هکتار (شامل 417 ساختمان) و با استفاده از نرم افزارهای ARCGIS،[3]ENVILIDAR   کلاسه بندی و استخراج شدند. تمامی الگوریتم های به کارگرفته شده، سیستم را قادر کرد تا ساختمان ها به صورت موفقیت آمیز از داده های لیدار استخراج شوند. داده های به دست آمده و تطبیق آن ها با نمونه های برداشت شده در پیمایش میدانی، نشان دهنده دقت مرز و طبقات استخراج شده است. به طورکلی سیستم پیشنهادی از نظر کامل بودن، صحت و تطابق داده ها دارای عملکرد خوبی است. با توجه به یافته های تحقیق می توان گفت تکنولوژی لیدار هوایی قابلیت فوق العاده ایدر جمع آوری نمونه های بسیار دقیق و متراکم از اندازه گیری های ارتفاعی سطح زمین فراهم کرده است و می توان ابعاد جدیدی از جزئیات دقیق ارتفاع ساختمان ها را به طور اتوماتیک و کار آمد از داده های لیدار هوایی استخراج کرد.   [1] - Light Detection and Ranging [2] - Digital Surface Model [3] - Environment for Visualizing Images Light Detection and Ranging