تشخیص خودکار خط الراس ها با استفاده از تحلیل الگوی همسایگی کرنل

پیشینه و هدف لندفرم به هر عارضه فیزیکی سطح زمین با ساختار و شکل قابل تشخیص اطلاق می­ شود. عناصر لندفرمی و ساختارهای وابسته به فرم که بر روی سطح زمین قرار دارند، به صورت مستقیم و یا غیر مسیتقیم بسیاری از متغیرهای محیطی دیگر را کنترل می کنند. نمایش عددی سطح و الگوی ناهموار زمین، موضوعی مشترک در مطالعات جغرافیایی، ژئومورفولوژیکی، نقشه کشی مخاطرات زمین و ژئوفیزیک و همچنین اکتشافات کف دریا است. ترکیب علوم زمین و کامپیوتر به همراه ریاضیات و مهندسی ژئومورفومتری در تعامل با لندفرمهای گسسته و پیوسته قرار دارد. ژئومورفومتری به حدود ۱۵۰ سال قبل و کارهای الکساندر فون همبلت و زمین ریخت شناسان برمی­ گردد و امروزه با انقلاب در علوم کامپیوتر و خصوصا مدل های رقومی کامپیوتری به شدت در حال توسعه است. تشخیص و طبقه بندی لندفرم ها یکی از اهداف توسعه دهندگان GIS، محققین علوم زمین و ژئومورفولوژیست ها است. در این مسیر، انتظار می رود که استخراج این واحدها با سرعت و دقت بیشتری انجام گرفته و نتایج به صورت نقشه های برداری و رستری ارائه گردد. رویکردهای موجود عمدتا بر اساس ارتفاع، مشتق سطح زمین، گرادیان، انحنا، جهت جریان، موقعیت شیب، نمایه­های مورفومتریکی و مواردی از این قبیل قرار دارد. همچنین به چالش تناسب مقیاس تشخیصی با مقیاس لندفرمی کمتر توجه شده و بیشتر مدل­ها دارای این نقیصه هستند. از طرف دیگر به امکان برداریسازی نتایج خروجی از  مدل­ها و همچنین به تحلیل حساسیت و پاسخ زمانی الگوریتم­ها به پردازش­های ماشینی کمتر توجه شده است. در این پژوهش با استفاده از الگوریتم ­های پایه ای آنالیز رستری و کدنویسی، روش ­ها و الگوریتم­ های جدیدی در تشخیص خودکار عوارض زمین ارائه گردیدهاست. همچنین آنالیز­های رستری از نوع کانونی (Focal) مورد تاکید قرار گرفته است و از تکنیک پنجره متحرک به منظور پیاده ­سازی الگوریتم­ ها استفاده شده است. مواجه با چالش مقیاس، آنالیز حساسیت و پاسخ الگوریتم ­ها به تغییرات ورودی و نیز ارزیابی صحت نیز از جنبه­ های دیگری است که در این پژوهش به آن پرداخته شده است.مواد و روش ­ها در این پژوهش از داده های ارتفاعی سطحی (DSM) منتشر شده توسط آژانس فضایی ژاپن در ماه می و اکتبر ۲۰۱۵ با رزولوشن افقی در حدود ۳۰ متر برای بررسی توپوگرافی منطقه، مورد استفاده قرار گرفت. این داده ها از تصاویر ماهواره ALOS به دست آمده است. این پایگاه بر اساس داده های DSM (نسخه شبکه ۵ متری) توپوگرافی سه بعدی از جمله دقیق ترین داده های ارتفاعی در مقیاس جهانی بهدست آمده است. مدل رقومی ارتفاعی در محیط کدنویسی پایتون به ساختار ماتریسی تبدیل شد. سپس ساختار آنالیز رستری با استفاده از تکنیک پنجره متحرک پیادهسازی گردید. الگوریتم پنجره متحرک به صورتی کدنویسی شد که ابعاد پنجره متحرک به صورت آزاد قابل تعیین و تغییر باشد. متناسب با اندازه پنجره متحرک، الگوریتم مواجه با اثر حاشیهای کدنویسی گردید تا تصحیح و سازماندهی اثر حاشیهای متناسب با اندازه پنجره متحرک، به صورت خودکار انجام گیرد. در گام بعدی سه الگوریتم تشخیص درجه شباهت به قلل در ساختارهای شبکه رستری تک باند با استفاده از مدلسازی الگوهای کرنلی انجام گرفت. هر سه الگوریتم قابلیت انطباق با تغییرات اندازه پنجره متحرک را داراست که از نقاط قوت این سه الگوریتم به حساب میآید. ابعاد سلولهای شبکه رستری و اندازه پنجره متحرک، فاکتورهای تغییر مقیاس در هر یک از این سه الگوریتم هستند. در نهایت حساسیت سنجی زمانی هر یک از این سه الگوریتم به نسبت تغییرات اندازه پنجره متحرک، تغییرات دقت مکانی شبکه رستری و تغییرات وسعت شبکه رستری انجام گرفت. تمامی پروسه به صورتی طراحی گردید که به سادگی قابلیت به کارگیری در یک نرم افزار رسمی را داشته باشد و به طور کامل با ساختار پردازش ماشینی هماهنگی و سازگاری داشته باشد در ضمن اتوماتیک بودن و قابلیت اجرا بر روی پلاتفرم های مختلف نیز از اولویت های ما در این بخش مورد نظر قرار داشت.نتایج و بحث در تشخیص خودکار قلل و خط­الراس ­ها با استفاده از مدل رقومی زمین، از آنالیز الگوی مکانی کرنل استفاده شد. در این راستا سه الگوریتم پیشنهادی در این زمینه طراحی، طرح­بندی، کدنویسی و اجرا گردید. نتایج خروجی از هر یک از الگوریتم ­ها به صورت ساختار­های رستری و برداری ارائه شد. ارزیابی صحت و حساسیت­سنجی به نسبت تغییرات اندازه پنجره متحرک، رزولوشن و وسعت شبکه رستری برای هر یک از الگوریتم ­ها انجام گرفت. الگوریتم MLMSR، در ابعاد پائین­ تر پنجره متحرک تمایل به تفکیک باینری داشته، در صورتی که الگوریتم ­های CMLSR و SPSR اینگونه عمل نمی­ کنند. در تمامی الگوریتم ­ها، افزایش ابعاد پنجره متحرک باعث کلی ­سازی نتایج و حذف جزئیات می­گردد. الگوریتم ­های CMLSR و SPSR به دلیل درجه استدراج بیشتر در تفکیک عوارض، برای مقاصد کارتوگرافیکی و نمایشی مناسب­تر هستند. از لحاظ عملکرد زمانی یا حساسیت به تغییرات ورودی، الگوریتم SPSR عملکرد بهتری از خود نشان می­ دهد. این موضوع خصوصا در مواردی که حجم فایل ورودی پرحجم و تعداد سطر و ستون­ها زیاد باشد، اهمیت بیشتری خواهد داشت. با توجه به نتایج اعتبارسنجی و ارزیابی صحت، الگوریتم MLMSR و سپس SPSR عملکرد بهتری داشته ­اند و الگوریتم CMLSR به نسبت سایر روش­ ها عملکرد ضعیف ­تری از خود نشان داده است. در طراحی و اجرای تمامی الگوریتم­ها و نیز در بخش حساسیت ­­سنجی و اعتبارسنجی، به طور گسترده از زبان برنامه­ نویسی پایتون استفاده شده است و مجموعا بیش از ۵۰۰ خط کدنویسی بدین منظور انجام گرفت. تمامی الگوریتم­ ها به طور خودکار بوده و با استفاده از پردازش ماشینی قادر به اجرا و ذخیره­سازی نتایج به فرمت رستر و بردار می­باشند.نتیجه­ گیری نتایج نشان می دهد که الگوریتم MLMSR، در ابعاد پائین ­تر پنجره متحرک تمایل به تفکیک باینری داشته، در صورتی که الگوریتم ­های CMLSR و SPSR اینگونه عمل نمی­کنند. در تمامی الگوریتم ­ها، افزایش ابعاد پنجره متحرک باعث کلی­ سازی نتایج و حذف جزئیات می­گردد. الگوریتم های CMLSR و SPSR به دلیل درجه استدراج بیشتر در تفکیک عوارض، برای مقاصد کارتوگرافیکی و نمایشی مناسب ­تر هستند. از لحاظ عملکرد زمانی یا حساسیت به تغییرات ورودی، الگوریتم SPSR عملکرد بهتری از خود نشان می­ دهد. این موضوع خصوصا در مواردی که حجم فایل ورودی پرحجم و تعداد سطر و ستون­ ها زیاد باشد، اهمیت بیشتری خواهد داشت. با توجه به نتایج اعتبارسنجی و ارزیابی صحت، الگوریتم MLMSR و سپس SPSR عملکرد بهتری داشته ­اند و الگوریتم CMLSR به نسبت سایر روش­ ها عملکرد ضعیف­ تری از خود نشان داده است.

کلیدواژه ها:

کرنل ، الگوی همسایگی ، تشخیص خودکار ، خط الراس