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.
سنجش از دور
سمیه بیات؛ فاطمه طبیب محمودی
چکیده
پیشینه و اهداف: همزمان با توسعهی شهرنشینی، افزایش جمعیت ساکن در شهرها و به تبع آن رشد و گسترش شهری، پوشش زیست محیطی و طبیعی نواحی پیرامون کلانشهرهایی نظیر تهران، دستخوش تغییراتی گردید تا به واسطهی آن برای سکونت سرریز جمعیت شهری، آماده گردد. اینگونه تغییرات در پوشش طبیعی اراضی، نه تنها تعادل گرمایی را بر هم میزند، بلکه تأثیرات ...
بیشتر
پیشینه و اهداف: همزمان با توسعهی شهرنشینی، افزایش جمعیت ساکن در شهرها و به تبع آن رشد و گسترش شهری، پوشش زیست محیطی و طبیعی نواحی پیرامون کلانشهرهایی نظیر تهران، دستخوش تغییراتی گردید تا به واسطهی آن برای سکونت سرریز جمعیت شهری، آماده گردد. اینگونه تغییرات در پوشش طبیعی اراضی، نه تنها تعادل گرمایی را بر هم میزند، بلکه تأثیرات منفی بر چشمانداز، بهره وری انرژی، سلامت و کیفیت زندگی انسان نیز دارد. بنابراین، آگاهی از روند تغییرات پوشش و کاربری اراضی خصوصاٌ در محدودهی کلانشهرها، طی دوره های زمانی بلندمدت برای برنامه ریزان و مدیران شهری، به منظور ارزیابی و پیشبینی مشکلات ناشی از این تغییرات، حائز اهمیت است. داده های سنجش از دور چندزمانه یکی از ابزارهای قدرتمند برای تشخیص تغییرات کاربری و پوشش زمین به دلیل رشد روزافزون شهری و به روزرسانی مدلهای سه بعدی شهر است.روشها: در این تحقیق، از تصاویر ماهواره ای لندست 7 و لندست 8 در دو بازهی زمانی با فاصله 17 سال، بین سالهای 1381 تا 1398 به منظور بررسی تغییرات پوشش و کاربری اراضی در منطقهی پردیس استفاده شده است. پس از اعمال پردازش های اولیه بر روی تصاویر و انجام قطعهبندی، سه کلاس عارضهی سازههای مسکونی، پوشش گیاهی و خاک به روش شیء مبنا، تشخیص داده شدند. سپس، تغییرات صورت گرفته در هر کلاس عارضه به روش پس طبقهبندی، تخمین زده شد. به منظور آشکارسازی تغییرات در این تحقیق، ضمن مقایسه و تفاضل کلاس های عارضه تشخیص داده شده در نقشه های طبقه بندی، نتایج آشکارسازی تغییرات محیط از جمله، تعیین میزان افزایش ساخت و سازها، تغییرات مساحت زمینهای خاکی و پوشش گیاهی بهدست میآید.یافتهها: نقشهی تغییرات کاربری/ پوشش اراضی تولید شده بین سالهای 1381 تا 1398 نشان داد که ساخت و سازها در منطقهی پردیس، به سرعت در حال افزایش است و این امر، اثرات جدی بر محیط زیست دارد. با توجه به نتایج تشخیص تغییر پس طبقهبندی بهدست آمده، کلاس عارضهی خاک حدود 17% کاهش و کلاس عارضهی سازهها حدود 184% افزایش یافته است. در منطقهی مورد مطالعه در این تحقیق، زمینهای کشاورزی نیز عمدتاً نابود و به جای آنها سازهها و ساختمانها، بنا شدهاند. افزایش تقریبی 104درصدی پوشش گیاهی این منطقه، به دلیل کاشت درختان و ایجاد فضای سبز در اطراف نواحی مسکونی میباشد. برای ارزیابی نتایج آشکارسازی تغییرات در این تحقیق، از ارزیابی نقشه های طبقه بندی استفاده شد. در این راستا، مقادیر صحت کلی و ضریب کاپای نقشهی طبقهبندی پوشش/ کاربری اراضی سال 1381 به ترتیب 41/98% و 86/0 و برای سال 1398 به ترتیب 01/97% و 87/0 بهدست آمده است. استفاده از قابلیتهای روش آنالیز شئ مبنا در این تحقیق، در کنار دقت مکانی 15 متری تصاویر لندست، موجب شد که نقشههای طبقهبندی دقت قابل قبولی داشته باشند.نتیجهگیری: با توجه به اینکه ساخت و ساز با تغییر اکوسیستم همراه است، ساخت واحدهای مسکن مهر پردیس نیز در مناطقی منجر به تخریب محیط زیست کوهستانی و در مناطقی نیز منجر به از دست رفتن پوشش گیاهی شده است. بر این اساس، رشد 184 درصدی ساخت و سازها بدون در نظر گرفتن زیرساختهای مناسب و رعایت نکردن استانداردهای زیست محیطی، مشکلات فراوانی را برای منطقهی پردیس ایجاد کرده است. استفاده از پیشرفتهای مطرح در فناوریهای برداشت دادههای سنجش از دور در قالب ادغام دادهها و همچنین، استفاده از روشهای نوین پردازش تصاویر و تشخیص الگو نظیر یادگیری عمیق، میتواند به عنوان راه حل مناسبی برای کنترل نرخ ساخت و ساز و تغییرات محیطی در نظر گرفته شود.
سنجش از دور
داریوش عباسی مقدم؛ علی محمدی
چکیده
پیشینه و اهداف: همزمان با توسعه شهرنشینی، افزایش جمعیت ساکن در شهرها و به تبع آن رشد و گسترش شهری، پوشش زیست محیطی و طبیعی نواحی پیرامون کلانشهرهایی نظیر تهران، دستخوش تغییراتی گردید تا به واسطه آن برای سکونت سرریز جمعیت شهری، آماده گردد. اینگونه تغییرات در پوشش طبیعی اراضی، نه تنها تعادل گرمایی را بر هم میزند، بلکه تأثیرات ...
بیشتر
پیشینه و اهداف: همزمان با توسعه شهرنشینی، افزایش جمعیت ساکن در شهرها و به تبع آن رشد و گسترش شهری، پوشش زیست محیطی و طبیعی نواحی پیرامون کلانشهرهایی نظیر تهران، دستخوش تغییراتی گردید تا به واسطه آن برای سکونت سرریز جمعیت شهری، آماده گردد. اینگونه تغییرات در پوشش طبیعی اراضی، نه تنها تعادل گرمایی را بر هم میزند، بلکه تأثیرات منفی بر چشمانداز، بهره وری انرژی، سلامت و کیفیت زندگی انسان نیز دارد. بنابراین، آگاهی از روند تغییرات پوشش و کاربری اراضی، خصوصاٌ در محدوده کلانشهرها، طی دورههای زمانی بلندمدت برای برنامهریزان و مدیران شهری، به منظور ارزیابی و پیشبینی مشکلات ناشی از این تغییرات، حائز اهمیت است. دادههای سنجش از دور چندزمانه، یکی از ابزارهای قدرتمند برای تشخیص تغییرات کاربری و پوشش زمین به دلیل رشد روزافزون شهری و به روزرسانی مدلهای سهبعدی شهر است.روشها: در این تحقیق، از تصاویر ماهوارهای لندست 7 و لندست 8 در دو بازه زمانی با فاصله 17 سال، بین سالهای 1381 تا 1398 به منظور بررسی تغییرات پوشش و کاربری اراضی در منطقه پردیس استفاده شده است. پس از اعمال پردازشهای اولیه بر روی تصاویر و انجام قطعهبندی، سه کلاس عارضه سازههای مسکونی، پوشش گیاهی و خاک به روش شیء مبنا، تشخیص داده شدند. سپس، تغییرات صورت گرفته در هر کلاس عارضه به روش پس طبقهبندی، تخمین زده شد. به منظور آشکارسازی تغییرات در این تحقیق، ضمن مقایسه و تفاضل کلاسهای عارضه تشخیص داده شده در نقشههای طبقهبندی، نتایج آشکارسازی تغییرات محیط از جمله، تعیین میزان افزایش ساخت و سازها، تغییرات مساحت زمینهای خاکی و پوشش گیاهی بهدست میآید.یافتهها: نقشه تغییرات کاربری/ پوشش اراضی تولید شده بین سالهای 1381 تا 1398 نشان داد که ساخت و سازها در منطقه پردیس، به سرعت در حال افزایش است و این امر، اثرات جدی بر محیط زیست دارد. با توجه به نتایج تشخیص تغییر پس طبقهبندی بهدست آمده، کلاس عارضه خاک حدود 17% کاهش و کلاس عارضه سازهها حدود 184% افزایش یافته است. در منطقه مورد مطالعه در این تحقیق، زمینهای کشاورزی نیز عمدتاً نابود و به جای آنها، سازهها و ساختمانها، بنا شدهاند. افزایش تقریبی 104درصدی پوشش گیاهی این منطقه، به دلیل کاشت درختان و ایجاد فضای سبز در اطراف نواحی مسکونی میباشد. برای ارزیابی نتایج آشکارسازی تغییرات در این تحقیق، از ارزیابی نقشههای طبقهبندی استفاده شد. در این راستا، مقادیر صحت کلی و ضریب کاپای نقشه طبقهبندی پوشش/ کاربری اراضی سال 1381 به ترتیب 41/98% و 86/0 و برای سال 1398 به ترتیب 01/97% و 87/0 بهدست آمده است. استفاده از قابلیتهای روش آنالیز شئ مبنا در این تحقیق، در کنار دقت مکانی 15 متری تصاویر لندست، موجب شد که نقشههای طبقهبندی، دقت قابل قبولی داشته باشند.نتیجهگیری: با توجه به اینکه ساخت و ساز با تغییر اکوسیستم همراه است، ساخت واحدهای مسکن مهر پردیس نیز در مناطقی منجر به تخریب محیط زیست کوهستانی و در مناطقی نیز، منجر به از دست رفتن پوشش گیاهی شده است. بر این اساس، رشد 184 درصدی ساخت و سازها بدون در نظر گرفتن زیرساختهای مناسب و رعایت نکردن استانداردهای زیست محیطی، مشکلات فراوانی را برای منطقه پردیس ایجاد کرده است. استفاده از پیشرفتهای مطرح در فناوریهای برداشت دادههای سنجش از دور در قالب ادغام دادهها و همچنین، استفاده از روشهای نوین پردازش تصاویر و تشخیص الگو نظیر یادگیری عمیق، میتواند به عنوان راه حل مناسبی برای کنترل نرخ ساخت و ساز و تغییرات محیطی در نظر گرفته شود.
