آستانه گذاری محلی تطبیقی برای بهبود تشخیص تغییرات ارتفاعی در محیط های شهری با استفاده از داده های لایدار دوزمانه

سال انتشار: 1405
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 89

فایل این مقاله در 20 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_GIS-18-1_004

تاریخ نمایه سازی: 14 تیر 1405

چکیده مقاله:

مقدمه: تغییرات سه بعدی در محیط های شهری یکی از مهم ترین موضوعات در مطالعات تغییرات محیط زیست شهری و پایش تغییرات ساختاری آن است. با توجه به رشد سریع شهرها و افزایش تعداد پروژه های ساخت وساز، شناسایی و پایش این تغییرات اهمیت بسیاری یافته است. ازسوی دیگر، امکان شبیه سازی و پیش بینی تغییرات شهری می تواند به برنامه ریزان شهری و مقامات مسئول، در اتخاذ تصمیمات بهینه، کمک کند. در این راستا، استفاده از داده های سه بعدی مانند ابر نقاط لایدار یکی از روش های موثر در شبیه سازی دقیق تغییرات سه بعدی در سطح شهر است.مواد و روش ها: هدف این تحقیق توسعه الگوریتمی درزمینه شناسایی و تحلیل تغییرات ارتفاعی در مناطق شهری، با استفاده از پردازش داده های لایدار دوزمانه است. این تغییرات ممکن است از عوامل متفاوتی، مانند ساخت و تخریب ساختمان ها، تغییرات کاربری اراضی و یا تغییرات در رشد پوشش گیاهی ناشی شوند. در این تحقیق، داده های ابر نقطه لایدار متعلق به سال های ۲۰۱۴ و ۲۰۱۹، از منطقه ساحلی داک در کارولینای شمالی، در اختیار قرار گرفت. این داده ها شامل نقاط سه بعدی با مولفه های X، Y و Z و شدت نور است که با استفاده از سنجشگر لایدار، از سطح زمین برداشت شده اند. در این مطالعه، برای شناسایی تغییرات ارتفاعی، فاصله بین دو ابر نقطه محاسبه شد. فاصله بین دو ابر نقطه با به کاربردن فاصله مجموعه ای نقاط از شبکه نامنظم مثلثی ایجادشده از سری دیگر نقاط به دست آمد. سپس روش آستانه گذاری محلی تطبیقی استفاده شد که قادر است تغییرات ارتفاعی در مقیاس های متفاوت را شناسایی کند.نتایج: در این پژوهش، دو ابر نقطه در مجموعه داده ای، برای شناسایی تغییرات ارتفاعی در مناطق شهری، ترکیب شدند. این روش موجب ایجاد ابر نقطه واحد، با چگالی بیشتر، در نواحی بدون تغییر می شود؛ درحالی که در نواحی دارای تغییرات ارتفاعی، سطح های ارتفاعی متفاوتی ایجاد شد که سبب افزایش واریانس ارتفاعی می شود. به ویژه درمواردی که کاربری زمین تغییر کرده و یا ساختمان ها تخریب و بازسازی شده اند، این تفاوت های واریانس را می شد به وضوح مشاهده کرد. در مناطق دارای تغییر، مقدار واریانس ارتفاعی نقاط ترکیبی افزایش چشمگیری یافت که نشان دهنده تغییرات واقعی در سطح زمین بود. در مقابل، در مناطقی که تغییرات ارتفاعی نداشتند، واریانس ارتفاعی نقاط ترکیبی در محدوده پایین باقی ماند. این روش، به ویژه برای شناسایی تغییرات کوچک که ممکن است در روش های سراسری نادیده گرفته شوند، مناسب است.بحث و نتیجه گیری: برای ارزیابی دقت نتایج، معیارهایی چون کامل بودن، درستی، کیفیت کلی و امتیاز F۱ محاسبه شد. نتایج نشان داد که روش پیشنهادی، در شناسایی تغییرات ارتفاعی در مناطق شهری، عملکرد بسیار خوبی داشته است. به طور خاص، در مناطقی که تغییرات ارتفاعات ساختمان ها یا تغییرات کاربری زمین، مانند تبدیل زمین به ساختمان یا درخت به ساختمان، روی داده بود، با استفاده از الگوریتم پیشنهادی می توان تغییرات را به درستی و بسیار دقیق تر شناسایی کرد. به ویژه، در دو زیرمجموعه اول از منطقه مورد مطالعه که تغییرات ارتفاعی در سطوح تخریب و یا ساخت ساختمان ها دیده می شد، دقت شناسایی تغییرات در معیار کامل بودن بیش از ۹۸% بود و در سایر معیارها، این دقت بین ۸۶ تا ۹۸% متغیر است. در زیرمجموعه سوم از منطقه مورد مطالعه که پوشش گیاهی به کاربری مسکونی تبدیل شده بود، دقت شناسایی تغییرات در معیار کامل بودن ۸۵% بود و در سایر معیارها نیز، دقت بین ۸۳ تا ۹۸% متغیر است. روش آستانه گذاری محلی تطبیقی که در این تحقیق مطرح شد، قادر است تغییرات ارتفاعی در محیط های شهری پیچیده را به خوبی شناسایی کند. این روش، به ویژه در شناسایی تغییرات کوچک و محلی که ممکن است در روش های سراسری نادیده گرفته شوند، عملکرد مناسبی دارد. استفاده از نتایج این تحقیق در برنامه ریزی شهری، پایش تغییرات زیرساخت ها و مدیریت بلایا می تواند به بهبود تصمیم گیری ها کمک کند. پیشنهاد می شود که در پژوهش های آینده، این شیوه در مناطق گوناگون شهری آزموده شود و به ویژه کارآیی محاسباتی آن مورد توجه قرار گیرد.

کلیدواژه ها:

نویسندگان

وحید احمدی

مرکز مطالعات سنجش از دور و GIS، دانشکده علوم زمین، دانشگاه شهید بهشتی، تهران، ایران

علی اکبر متکان

مرکز مطالعات سنجش از دور و GIS، دانشکده علوم زمین، دانشگاه شهید بهشتی، تهران، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Abellan, A., Derron, M.-H. & Jaboyedoff, M., ۲۰۱۶, Use of ...
  • Aljumaily, H., Laefer, D.F., Cuadra, D. & Velasco, M., ۲۰۲۱, ...
  • Basgall, P.L., Kruse, F.A. & Olsen, R.C., ۲۰۱۴, Comparison of ...
  • Bonczak, B. & Kontokosta, C.E., ۲۰۱۹, Large-Scale Parameterization of ۳D ...
  • Candan, L. & Kaçar, E., ۲۰۲۳, Methodology of Real-Time ۳D ...
  • De Gelis, I., Lefevre, S. & Corpetti, T., ۲۰۲۱, ۳D ...
  • Dong, P. & Chen, Q., ۲۰۱۷, LiDAR Remote Sensing and ...
  • Du, S., Zhang, Y., Qin, R., Yang, Z., Zou, Z., ...
  • Hermosilla, T., Ruiz, L.A., Recio, J.A. & Estornell, J., ۲۰۱۱, ...
  • Krichen, M., Abdalzaher, M.S., Elwekeil, M. & Fouda, M.M., ۲۰۲۴, ...
  • Ku, T., Galanakis, S., Boom, B., Veltkamp, R.C., Bangera, D., ...
  • Lague, D., Brodu, N. & Leroux, J., ۲۰۱۳, Accurate ۳D ...
  • Li, Z., Chen, B., Wu, S., Su, M., Chen, J.M. ...
  • Liu, D., Li, D., Wang, M. & Wang, Z., ۲۰۲۱, ...
  • Niemeyer, J., Rottensteiner, F. & Soergel, U., ۲۰۱۴, Contextual Classification ...
  • Okyay, U., Telling, J., Glennie, C.L. & Dietrich, W.E., ۲۰۱۹, ...
  • Otepka, J., Ghuffar, S., Waldhauser, C., Hochreiter, R. & Pfeifer, ...
  • Paes, V.D.C., Pessoa, C.H.M., Pagliusi, R.P., Barbosa, C.E., Argôlo, M., ...
  • Qin, R. & Gruen, A., ۲۰۱۴, ۳D Change Detection at ...
  • Reyes, M.F., Xie, Y., Yuan, X., d’Angelo, P., Kurz, F., ...
  • Rusu, R.B. & Cousins, S., ۲۰۱۱, ۳D Is Here: Point ...
  • Singh, A., ۱۹۸۹, Review Article Digital Change Detection Techniques Using ...
  • Sithole, G. & Vosselman, G., ۲۰۰۴, Experimental Comparison of Filter ...
  • Smith, D.M. (Ed.)., ۲۰۲۳, Living under Apartheid: Aspects of Urbanization ...
  • Stal, C., Tack, F., De Maeyer, P., De Wulf, A. ...
  • Stilla, U. & Xu, Y., ۲۰۲۳, Change Detection of Urban ...
  • Stular, B. & Lozić, E., ۲۰۲۰, Comparison of Filters for ...
  • Sun, T., Qi, J. & Huang, H., ۲۰۲۰, Discovering Forest ...
  • Teo, T.A. & Shih, T.Y., ۲۰۱۳, Lidar-Based Change Detection and ...
  • Tran, T.H.G., Ressl, C. & Pfeifer, N., ۲۰۱۸, Integrated Change ...
  • Uciechowska-Grakowicz, A., Herrera-Granados, O., Biernat, S. & Bac-Bronowicz, J., ۲۰۲۳, ...
  • Wang, K., Wang, T. & Liu, X., ۲۰۱۸a, A Review: ...
  • Wang, R., Peethambaran, J. & Chen, D., ۲۰۱۸b, Lidar Point ...
  • Wang, Y., Jiang, T., Liu, J., Li, X. & Liang, ...
  • Wang, Z. & Menenti, M., ۲۰۲۱, Challenges and Opportunities in ...
  • Weng, Q., ۲۰۱۲, Remote Sensing of Impervious Surfaces in the ...
  • Xiao, W., Cao, H., Tang, M., Zhang, Z. & Chen, ...
  • Yan, W.Y., Shaker, A. & El-Ashmawy, N., ۲۰۱۵, Urban Land ...
  • Yang, W., Liu, Y., He, H., Lin, H., Qiu, G. ...
  • Yu, D. & Fang, C., ۲۰۲۳, Urban Remote Sensing with ...
  • Yu, X., Hyyppä, J., Kaartinen, H. & Maltamo, M., ۲۰۰۴, ...
  • Zhang, L., Zhang, Z., Zhang, J., Qiao, X., Zhang, Z., ...
  • Zhao, F.H., Zhu, A.X. & Qin, C.Z., ۲۰۲۴, Spatial Distribution ...
  • Zhou, G., Song, C., Simmers, J. & Cheng, P., ۲۰۰۴, ...
  • نمایش کامل مراجع