تصاویر هوایی

از آنجایی که درصد تراکم تاج پوشش از متغیرهای مهم زیست سنجی در مدیریت جنگل به شمار می آید، یافتن راهکاری مناسب برای برآورد آن اهمیت زیادی دارد. مطالعه این مشخصه در جنگل در داده های سنجش از دور، به دلیل فراهم آمدن امکان دید از بالا، با صحت و دقتی بالاتر از اندازه گیری های میدانی همراه است. یکی از پرکاربردترین روش های مورد استفاده بدین منظور روی داده های سنجش از دور، شبکه نقطه چین است. این پژوهش با هدف ارزیابی صحت و دقت روش یادشده، با استفاده از تصاویر هوایی UltraCam-D انجام گرفته است. منطقه ای به مساحت 30 هکتار از جنگل های زاگرس در استان کهگیلویه و بویراحمد به عنوان منطقه مورد مطالعه انتخاب گردید و آماربرداری کامل شد. سپس شبکه های نقطه چین مختلف براساس درصد اشتباه آماربرداری (از 55 تا 20 درصد) در سامانه اطلاعات مکانی تهیه و به کار گرفته شدند. مقایسه آماری نتایج به دست آمده، مشخص ساخت که تغییر در تعداد نقاط شبکه ها تأثیری بر صحت آن ندارد و نتایج به دست آمده از تمام شبکه ها (جز 9 و 14 درصد) فاقد اختلاف معنی دار با واقعیت زمینی اند؛ گو اینکه با افزایش تعداد نقاط، بر میزان دقت نتایج نیز افزوده می شود. به طور کلی می توان گفت که شبکه نقطه چین کارایی لازم را در برآورد درصد تراکم تاج پوشش دارد ولی بین صحت و دقت آن ارتباط مستقیمی به چشم نمی خورد.

امروزه به دلیل رشد فزاینده شهرنشینی، بسیاری از شهرهای بزرگ دنیا با موضوع کمبود زمین برای ساخت وساز و همچنین رکود اقتصاد بهره برداری از زمین و املاک مواجه شده اند و مسئولین شهرها برای مقابله با این مشکلات به فکر مدیریت بهینه املاک افتاده اند، بر این اساس هدف پژوهش حاضر تولید مدل سه بعدی کاداستر شهری جهت بهبود وضعیت مدیریت املاک در کلان شهر تهران با رویکردی اجرایی می باشد. در این تحقیق سه دستگاه آپارتمان در محدوده منطقه 5 شهرداری تهران سه فاز تحقیقاتی مورد مطالعه قرار گرفت هاند. فاز اول، موضوع شناختی تحقیق بر مبنای استاندارد جهانی LADM . فازدوم،ضرورت تحقیق در شهر تهران جهت نیل به سوی توسعه پایدار. فاز سوم، عملیات و نتایج بر اساس نقشه 1:1000 شهر تهران که طی سال های 1389 تا 1393 تولیدشده است،موردارزیابی قرارگرفته است. جهت پیاده سازی این مدل هاازتصاویرهوایی بامقیاس 1:3000 وازنرم افزارهای ArcGIS10 و SketchUp جهت تولیدوبصری سازی استفاده گردید،وبه منظورارزیابی دقت هندسی مدل از جذر میانگین مربعات خطا و ضریب همبستگی بهره گرفته شد. نتایج پیاده سازی بر روی مجموع سه دستگاه ساختمان مورد مطالعه نشان داد، که دقت مسطحاتی مؤلفه X و Y به ترتیب با جذر میانگین مربعات خطا 1.451 مترو 1.431 متروباضریب همبستگی 93.7 % و 97.1 % ودقت مؤلفه ارتفاعی باجذرمیانگین مربعات خطا 2.605 متروضریب همبستگی 66.5 % دارای تطابق زیادی باداده های مرجع بوده اند. بعلاوه جهت آنالیز روش پیشنهادی تحقیق، مدل تولید شده با روش های آنالیز شی گرا، شبکه عصبی مصنوعی، دیجیتایز دستی و روش خوش برش - صادقیان (2016)، مورد مقایسه قرار گرفت که نتیجه آن مناسب ارزیابی شد. به نحوی که تنها در یک مورد دقت مسطحاتی و یک مورد دقت ارتفاعی، روش دیجیتایز دستی دارای نتیجه بهتری نسبت به روش پیشنهادی بود.

توسعه سیستم های خودکار تشخیص جاده و ساختمان در تصاویر هوایی همواره با چالش های مهمی مانند متفاوت بودن ظاهر ساختمان ها، تغییرات روشنایی، زاویه تصویربرداری و فشرده و چگال بودن جاده ها و ساختمان ها در نواحی شهری روبه روست. در چند سال اخیر، استفاده از شبکه های عصبی مصنوعی چندلایه (شبکه های عصبی عمیق) مورد توجه بسیاری از پژوهشگران این حوزه (و حوزه های مشابه) قرار گرفته و نتایج خیره کننده ای با به کارگیری آنها حاصل شده است. باوجوداین، به دلیل استفاده از لایه های کاملاً متصل در راهکار های داده شده، میانگین مدت زمان پردازش هنوز بسیار زیاد است و مدل ساخته شده نیز به سرعت دچار پدیده بیش برازش می شود. علاوه براین، در بیشتر روش های پیشنهادی، برای تفسیر تصاویر هوایی براساس چنین راهکاری از رویکرد تک کلاس استفاده شده است. به عبارتی، تشخیص جاده ها و ساختمان ها از عوارض طبیعی به طور هم زمان امکان پذیر نیست و لازم است مدل های جداگانه ای برای تشخیص هریک از آنها ایجاد شود. هدف اصلی، در این پژوهش، طراحی معماری جدیدی است که مدل ساخته شده با استفاده از آن بتواند، هم زمان، جاده ها و ساختمان ها را از عوارض طبیعی تشخیص دهد و به این ترتیب، پیچیدگی عمل طبقه بندی را به حداقل برساند. همچنین، در طراحی معماری پیشنهادی، حذف لایه های کاملاً متصل از معماری چندلایه ای مرسوم و در نتیجه، کاهش میانگین مدت زمان پردازش مورد توجه قرار گرفته است. نتایج آزمایش های انجام گرفته روی بانک تصاویر هوایی ماساچوست نشان می دهد عملکرد معماری پیشنهادی %۳۸ سریع تر از دیگر روش های مبتنی بر شبکه های عصبی چندلایه بوده است و دقت تشخیص را به طور میانگین، %۲ افزایش می دهد.