سنجش از دور
مهدی حسنلو؛ زهره رودسرابی؛ پروین حسن تیموری
چکیده
پیشینه و اهداف: آتشسوزیهای گسترده جنگلی با تخریب پوشش گیاهی، تشدید ناپایداری خاک و تغییر کارکرد زیستبومها، به یکی از جدیترین چالشهای محیطی عصر حاضر تبدیل شدهاند و شناسایی دقیق نواحی سوخته پس از حریق، پیشنیاز ارزیابی خسارت، برنامهریزی احیا و مدیریت خطر است. دادههای اپتیکی ماهوارهای، بهویژه تصاویر سنتینل-۲، همراه ...
بیشتر
پیشینه و اهداف: آتشسوزیهای گسترده جنگلی با تخریب پوشش گیاهی، تشدید ناپایداری خاک و تغییر کارکرد زیستبومها، به یکی از جدیترین چالشهای محیطی عصر حاضر تبدیل شدهاند و شناسایی دقیق نواحی سوخته پس از حریق، پیشنیاز ارزیابی خسارت، برنامهریزی احیا و مدیریت خطر است. دادههای اپتیکی ماهوارهای، بهویژه تصاویر سنتینل-۲، همراه با شاخصهای طیفی پرکاربرد، ابزار قدرتمندی برای نقشهبرداری مناطق سوخته فراهم میکنند، اما کارایی آنها به انتخاب مناسب شاخصها و مدلهای طبقهبندی وابسته است. هدف این پژوهش، ارزیابی و مقایسه کارایى یک روش آماری کلاسیک، سه الگوریتم یادگیری ماشین و دو معماری یادگیری عمیق در تشخیص نواحی سوخته، بر پایه ترکیب باندهای سنتینل-۲ و شاخصهای طیفی، در آتشسوزی جنگلی Kenneth در لسآنجلس است.روشها: در این پژوهش، پس از انتخاب تصویر پساحریق سنتینل-۲ و اعمال ماسک ابر، هشت باند طیفی اصلی (شامل باندهای مرئی، فروسرخ نزدیک، لبه قرمز و فروسرخ موج کوتاه) بههمراه پنج شاخص طیفی پرکاربرد مرتبط با سوختگی، پوشش گیاهی و رطوبت استخراج شد و یک تصویر ۱۵ متغیره بهعنوان ورودی مدلها تشکیل گردید. دادههای مرجع دودویی سوخته و نسوخته از پایگاه رسمی ثبت آتشسوزیها برداشت شد و نمونهها بهصورت تصادفی انتخاب و به دو زیرمجموعه آموزشی (۷۰ درصد) و آزمایشی (۳۰ درصد) تفکیک شدند. تمامی ویژگیها با روش نرمالسازی خطی مقیاسبندی شدند. در ادامه، یک روش آماری مبتنی بر بیشینه شباهت (MLE)، سه الگوریتم یادگیری ماشین شامل تقویت تطبیقی (Adaboost)، جنگل تصادفی (RF) و ماشین بردار پشتیبان (SVM) و دو مدل یادگیری عمیق شامل شبکه عصبی کانولوشنی (CNN) و شبکه پرسپترون چندلایه (MLP) آموزش داده شد. ارزیابی مدلها بر اساس ماتریس درهمریختگی و شاخصهایی نظیر Accuracy، Precision، Recall، F1-score و IoU انجام گرفت و اهمیت نسبی باندها و شاخصها در هر مدل نیز محاسبه شد.یافتهها: نتایج این پژوهش نشان داد تمامی مدلها قادر به تفکیک الگوی کلی سوختگی از پسزمینه نسوخته بودند، اما در دقت عددی و نویز مکانی اختلاف قابل توجهی داشتند. روش آماری مبتنی بر MLE، اگرچه دقتی نزدیک به ۹۸ درصد را بهدست آورد، بهدلیل مقدار بالای طبقهبندی نادرست پیکسلهای نسوخته بهعنوان سوخته و تولید لکههای پراکنده در حاشیه ناحیه سوخته، کمترین قابلیت اعتماد را ارائه نمود. در میان الگوریتمهای یادگیری ماشین، RF بهترین عملکرد را داشت؛ بهگونهای که با Accuracy حدود ۹۹٫۶۷ درصد، F1-score نزدیک به ۹۷ درصد و بیشترین IoU، کمترین میزان خطا در تشخیص پیکسلهای سوخته و نسوخته (FP و FN) را ثبت نمود. SVM نیز با F1-score بیش از ۹۶ درصد عملکردی پایدار نشان داد، هرچند نسبت به RF تا حدی خطای بیشتری در مرزهای لکه سوختگی داشت. الگوریتم Adaboost، با وجود بهبود محسوس نسبت به روش آماری، بهسبب حساسیت به نمونههای دشوار، میزان بالاتری از عدم شناسایی پیکسلهای سوخته را ایجاد کرد. دو مدل یادگیری عمیق، یعنی CNN و MLP، نقشههایی پیوسته و کمنویز تولید نمودند و از نظر Accuracy ، F1-score و IoU نتایجی بسیار نزدیک به RF بهدست آوردند. تحلیل اهمیت ویژگیها نشان داد باندهای فروسرخ موج کوتاه (SWIR-1,2) و شاخصهای مرتبط با سوختگی و پوشش گیاهی، بهویژه شاخصهای NBR، NDVI و SAVI، بیشترین سهم را در تصمیمگیری مدلها داشتهاند و باندهای ناحیه مرئی نقش فرعیتری ایفا کردهاند.نتیجهگیری: برآیند نتایج نشان میدهد که ادغام باندهای فروسرخ سنتینل-۲ با شاخصهای پوشش گیاهی و رطوبتی، در ترکیب با مدلهای یادگیری ماشین و یادگیری عمیق، چارچوبی دقیق و قابل اتکا برای پایش پساحریق و نقشهبرداری نواحی سوخته در چشماندازهای ناهمگن فراهم میکند. در این میان، RF و سپس مدلهای CNN و MLP، بهعنوان گزینههای بهینه برای پیادهسازی عملی پیشنهاد میشوند، در حالی که روش آماری MLE و الگوریتم Adaboost بیشتر بهعنوان خطوط پایه مقایسه قابل استفادهاند. از مهمترین محدودیتهای مطالعه حاضر میتوان به تکیه بر یک رویداد آتشسوزی و استفاده از داده تکزمانه پساحریق اشاره کرد؛ بنابراین، تعمیم مدل به آتشسوزیها، تیپهای پوشش گیاهی و شرایط توپوگرافی متنوعتر، همراه با بهرهگیری از دادههای چندزمانه و ادغام سنجندههای راداری و ارتفاعی، بهعنوان مسیرهای اصلی پژوهشهای آینده پیشنهاد میشود. نتایج این تحقیق میتواند در طراحی سامانههای عملیاتی پایش آتشسوزی، اولویتبندی مناطق احیا و برنامهریزی پایدار منابع طبیعی در مناطق مستعد حریق مورد استفاده قرار گیرد.
سنجش از دور
مهدی حسنلو؛ علیرضا ابراهیمی
چکیده
پیشینه و اهداف: امروزه با توسعه شهر نشینی، ضرورت به روزرسانی خودکار نقشههای تغییرات بیش از پیش اهمیت یافته است. به روزرسانی نقشههای مکانی، نظارت بر ساخت و ساز و پایش مناطق توسعه یافته نیازمند اطلاعات دقیق از بافت شهری و نقشههای جدید تغییرات میباشد. از آنجا که روشهای سنتی پایش اغلب به تحلیل دو بعدی تغییرات پرداخته و حساسیت ...
بیشتر
پیشینه و اهداف: امروزه با توسعه شهر نشینی، ضرورت به روزرسانی خودکار نقشههای تغییرات بیش از پیش اهمیت یافته است. به روزرسانی نقشههای مکانی، نظارت بر ساخت و ساز و پایش مناطق توسعه یافته نیازمند اطلاعات دقیق از بافت شهری و نقشههای جدید تغییرات میباشد. از آنجا که روشهای سنتی پایش اغلب به تحلیل دو بعدی تغییرات پرداخته و حساسیت کافی در ثبت تغییرات بعد سوم یا ارتفاع را ندارند، لذا این محدودیت موجب عدم تشخیص ساخت و سازهای طبقهای شده که در نتیجه آن، نقص اطلاعات در پایش را به همراه خواهد داشت. با پیشرفت در سنجش ازدور و روشهای نوین یادگیری عمیق، آشکارسازی تغییرات سه بعدی شهری امکان پذیر شده است که تاکنون نتایج برتری را نسبت به روشهای کلاسیک ارائه دادهاند. این پژوهش با هدف بهبود عملکرد در آشکارسازی تغییرات سه بعدی شهری، رویکردی بر مبنای یادگیری عمیق با استفاده از دادههایی با منابع مختلف ارائه میدهد تا انواع تغییرات ساختمانی به طور خودکار شناسایی و تفکیک نماید. هدف اصلی تفکیک چهار نوع تغییر ساختمانی از جمله ساخت جدید، تخریب کامل، افزایش ارتفاع و کاهش ارتفاع در کنار نواحی بدون تغییر میباشد تا نقشه جامعی از تغییرات سه بعدی شهری ارائه گردد.روشها: مجموعه داده مورد استفاده در این پژوهش شامل تصاویر هوایی رنگی (RGB) با وضوح مکانی بالا به همراه دادههای مدل رقومی سطح (DSM) مربوط به دو بازهی زمانی مختلف از محدوده شهری والادولید اسپانیا میباشد. داده ورودی شامل تصاویر رنگی قبل و بعد از تغییر به همراه مدل ارتفاعی متناظر آن به صورت یک ورودی هشت بانده با یکدیگر ترکیب شده تا شبکه به طور همزمان اطلاعات طیفی و ارتفاعی را مشاهده کند و جهت ورود به فرآیند آموزش مدل، دادهها به نسبت 90 به 10درصد به دو دسته آموزش و آزمایش تقسیمبندی میشوند. جهت افزایش تنوع دادههای آموزش و جلوگیری از برازش بیش از حد از روشهایی چون وارونسازی افقی و عمودی، چرخش تصادفی و تاری گاوسی بهره گرفته شده است. معماری مدل متشکل از یک شبکهی عمیق ResNet-34به عنوان بخش ویژگی یاب و از شبکه UNet++ جهت بازسازی پیکسل به پیکسل تغییرات میباشد. همچنین برای به روزرسانی پارامترهای مدل از الگوریتم Adam بهره گرفته شده است. در مرحله نخست مدل شبکه عمیق به صورت دودویی (تغییر/عدم تغییر) آموزش داده شده و عملکرد آن در مقایسه با روش کلاسیک جنگل تصادفی، تفاضل یا نسبت گیری و روش ترکیبی تحلیل مولفههای اصلی (PCA) و خوشه بندی K-Means مقایسه میشود. پس از آن شبکه با برچسبهای پنج کلاسه شامل چهار نوع تغییر گفته شده و برچسب عدم تغییر مجددا آموزش داده و جهت بهبود فرآیند یادگیری از یک تابع هزینه ساز بر مبنای بهینه سازی مستقیم معیار (IoU) استفاده شده است. جهت مقایسه عملکرد مدلها از معیارهایی نظیر Accuracy، Recall، F1-score و Precision استفاده شده است.یافتهها: در مرحله نخست این شبکه پس از 50 اپک آموزش اغلب تغییرات واقعی را شناسایی کرده و در عین حال نرخ هشدار غلط را پایین نگه داشته است که معیارهای ارزیابی Recall، Accuracy و F1-score با مقادیر 98.5% و 98.5% و 0.92 این نتایج را تأکید میکنند و این ارقام به طور محسوسی بهتر از روشهای کلاسیک بوده. همچنین در مدل یادگیری عمیق بر خلاف دیگر روشها تقریبا تمامی موارد ساخت و ساز یا تخریب در مقیاسهای کوچک تشخیص داده شده است. در مرحله پنج کلاسه، تغییرات به خوبی توسط مدل شناسایی و طبقه بندی شدهاند و معیارهای Recall، Accuracy و F1-score به ترتیب برابر با 96.32% و 96% و 0.95 میباشد. تمامی سازههای جدید احداث شده و ساختمانهای کاملا تخریب شده در نقشه خروجی مدل با برچسب درست تشخیص داده شده اند و بخش وسیعی از مناطق بدون تغییر هیچ برچسب اشتباهی دریافت نکردهاند.نتیجهگیری: نتایج نشاندهنده آن است که ترکیب دادههای ارتفاعی با تصاویر دو بعدی و به کارگیری مدلهای یادگیری عمیق به طرز چشمگیری کاستیهای روش سنتی تشخیص تغییرات را برطرف کرده و افزایش دقت را به همراه خواهد داشت. این مدل توسعه یافته قادر است که نه تنها مکان تغییر بلکه نوع تغییر را شناسایی کند. لازم به ذکر است که از این شیوه نوین میتوان جهت پایش ساخت و سازهای غیر مجاز، به روز رسانی پایگاههای داده مکانی و ارزیابی تغییرات شهری استفاده شود. مهمترین محدودیت این پژوهش وابستگی به دادههای ارتفاعی دقیق میباشد که تهیه منظم آن در تمامی شهرها امکان پذیر نمیباشد. به علاوه آموزش مدلهای عمیق نیازمند دادههای برچسب دار گسترده و توان پردازشی بالا میباشد که ممکن است در کاربردهای عملی محدودیت ایجاد کند.
