ارزیابی الگوریتم مبتنی بر یادگیری عمیق Sat-MVSF در تولید مدل رقومی سطح از تصاویر ماهواره ای با حد تفکیک مکانی بالا

استخراج اطلاعات مکانی سه بعدی از سطح زمین، با بهره گیری از داده های سنجش از دور و فتوگرامتری، یکی از موضوعات محوری و پرکاربرد در حوزه علوم زمین محسوب می شود که در سال های اخیر، توجه بسیاری از پژوهشگران را به خود جلب کرده است. یکی از مهم ترین محصولات حاصل از این داده ها مدل رقومی سطح (DSM) است که علاوه بر مدل ارتفاعی زمین (DEM)، تمامی عوارض طبیعی و ساخت بشر نظیر پوشش های گیاهی، درختان، ساختمان ها و سایر سازه های انسانی را نیز شامل می شود. استخراج DSM نقش مهمی در کاربردهای گوناگون، ازجمله طراحی شهری، شناسایی و استخراج ساختمان ها، مدیریت بحران، مدل سازی سه بعدی و پایش تغییرات ایفا می کند. در سال های اخیر، پیشرفت چشمگیر در حوزه یادگیری عمیق در فرایند استخراج اطلاعات سه بعدی برمبنای داده های سنجش از دور تاثیر درخور توجهی داشته است. روش های معمول بازسازی سه بعدی با چالش هایی همچون مدیریت حجم انبوه داده ها، پیچیدگی در استخراج ویژگی ها و دشواری در دستیابی به جزئیات دقیق روبه رو هستند. در این راستا، بهره گیری از شبکه های عصبی عمیق برای استخراج ویژگی های پیچیده از تصاویر چندمنظری، زمینه ساز تحول در این حوزه شده است. یکی از الگوریتم های نوین مبتنی بر یادگیری عمیق که به تازگی توسعه یافته است، Sat-MVSF نام دارد. این الگوریتم با هدف استخراج DSM از تصاویر ماهواره ای چندمنظری طراحی شده است و تمامی مراحل، از پیش پردازش تصاویر تا تولید نهایی DSM را برمبنای یادگیری عمیق انجام می دهد. با توجه به محدودیت داده های آموزشی و همچنین ادعای نویسندگان مبنی بر امکان تعمیم گسترده وزن های آموزش دیده، هدف این پژوهش ارزیابی عملکرد الگوریتم Sat-MVSF در تولید مدل رقومی سطح، با استفاده از تصاویر ماهواره ای با حد تفکیک مکانی بالاست. نوآوری این تحقیق شامل این موارد است: ۱) آماده سازی سه دسته داده ماهواره ای از سنجنده Worldview-۳ و دو دسته داده ماهواره ای از سنجنده ZY۳-۲، به منظور تصحیح ضرایب RPC با استفاده سرشکنی بلوک تصاویر، برای هر دسته از داده ها و تهیه DSM مرجع از ابر نقاط لیدار؛ ۲) استخراج DSM با استفاده از الگوریتم یادگیری عمیق Sat-MVSF، برای تصاویر ماهواره ای چندمنظری WorldView-۳ و ZY۳-۲ و ارزیابی و مقایسه آن با DSM استخراج شده، با استفاده از الگوریتم های S۲P و SS-DSM و نرم افزارهای تجاری CATALYST و ERDAS IMAGINE. به منظور ارزیابی دقیق تر، عملکرد تمامی الگوریتم ها 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. داده های به کاررفته شامل پنج مجموعه تصویر ماهواره ای اند (سه مجموعه داده WorldView-۳ و دو مجموعه داده ZY۳-۲) که هریک سه تصویر پوشش دار را دربرمی گیرد. براساس نتایج به دست آمده، الگوریتم Sat-MVSF در مقایسه با بسیاری از الگوریتم ها و نرم افزارهای تجاری، عملکرد مطلوب تری در استخراج DSM دربر داشته است. در تصاویر WorldView-۳، این الگوریتم با میانگین دقت ارتفاعی ۱/۱ متر و کامل بودن ارتفاعی %۸۷، بر الگوریتم SS-DSM و نرم افزارهای تجاری برتری دارد. ازسوی دیگر الگوریتم S۲P با استخراج DSM با میانگین دقت ارتفاعی ۱ متر، ازلحاظ دقت ارتفاعی، عملکردی بهتر از الگوریتم Sat-MVSF دارد. بااین حال عملکرد الگوریتم S۲P در مجموعه داده WV۳-۳، با توجه به کامل بودن ارتفاعی پایین آن، بسیار وابسته به منطقه مطالعاتی است. در داده های ZY۳-۲، عملکرد الگوریتم Sat-MVSF با دقت های ارتفاعی ۴۳/۲ و ۲۷/۳ متر، نتایج مورد قبولی داشته است. دقیق تر آنکه، در دو مجموعه داده اول WorldView-۳، الگوریتم S۲P با کامل بودن ۷۶/۹۰% و ۱۶/۹۰% و دقت های ۹۴/۰ و ۱/۱ متر، بهترین عملکرد را داشته است. در مجموعه سوم، الگوریتم Sat-MVSF با کامل بودن ۸۳% و دقت ۰۴/۱ متر، از سایر الگوریتم ها پیشی گرفته است. نتایج نشان می دهد که الگوریتم S۲P در مناطق ساختمانی با تغییرات ارتفاعی زیاد در دسته داده اول، دوم و سوم، به ترتیب، با ۰۳/۱، ۱۴/۱ و ۸۸/۰ متر و نرم افزار CATALYST در مناطق غیرساختمانی در دسته داده های اول، دوم و سوم، به ترتیب، با مقدار ۷۱/۰و ۱۲/۱ و ۶۸/۰ متر، در مقایسه با سایر الگوریتم ها، بهترین عملکرد را ازلحاظ دقت ارتفاعی دارند. به طور کلی، مطابق نتایج، نرم افزارهای تجاری CATALYST و ERDAS IMAGINE در مناطق ساختمان دارای اختلاف ارتفاعی، خطای ارتفاعی بیشتری به نسبت الگوریتم های Sat-MVSF و S۲P دارند زیرا این نرم افزارها از روش های درون یابی برای پرکردن گپ ها استفاده می کنند که سبب کاهش دقت در مناطق ساختمانی دارای اختلاف ارتفاع می شود. باید توجه داشت که در محاسبه معیارهای ارزیابی دقت ارتفاعی و کامل بودن ارتفاعی، اگر حد آستانه ارتفاعی عددی بزرگ در نظر گرفته شود، خطا بالا می رود؛ یعنی پیکسل های با خطای ارتفاعی زیاد به منزله پیکسل های صحیح در نظر گرفته می شوند و هم معیار دقت ارتفاعی و هم کامل بودن ارتفاعی به صورت خوش بینانه مقداری بالا خواهند داشت. در حد آستانه ارتفاعی اندک، هر دو معیار به همین صورت مقداری پایین خواهند داشت. درواقع، الگوریتمی بهتر عمل می کند که در عین داشتن دقت ارتفاعی کمتر، معیار کامل بودن بیشتری داشته باشد. ازاین رو در این تحقیق، تاثیر حد آستانه ارتفاعی در ارزیابی و محاسبه معیار دقت ارتفاعی و کامل بودن نیز بررسی شد. بر این اساس، آستانه هایی بین ۱ تا ۶ متر به کار رفت و نتایج نشان دادند که در بازه ۵/۲ تا ۶ متر (یعنی حدود چهاربرابر تفکیک مکانی DSM)، دقت الگوریتم های Sat-MVSF و S۲P بهتر از نرم افزارهای تجاری است. همچنین، با کاهش آستانه از ۶ به ۳ متر، در معیارهای دقت و کامل بودن در نرم افزارهای CATALYST و ERDAS IMAGINE کاهشی چشمگیر مشاهده شد. این نکته نیز از روش های درون یابی این نرم افزارها ناشی می شود که برآوردهای خوش بینانه در آستانه های بالا و کاهش دقت در آستانه های پایین را در پی دارند . نتایج این پژوهش نشان می دهد که الگوریتم Sat-MVSF، به ویژه در شرایطی که داده های با حد تفکیک مکانی بالا در دسترس باشد، قادر است DSMهایی با دقت و کامل بودن مناسب تولید کند. در مقایسه با نرم افزارهای تجاری و الگوریتم های سنتی، این الگوریتم در بسیاری موارد عملکرد بهتری دارد و می تواند به منزله روشی کارآمد، برای استخراج DSM از تصاویر ماهواره ای چندمنظری مطرح شود.

کلیدواژه ها:

بازسازی سه بعدی ، استخراج مدل رقومی سطح ، تصاویر ماهواره ای بزرگ مقیاس ، یادگیری عمیق