کاربردهای GIS در جنگلداری :حفاظت از منابع طبیعی خدادای

ابزار QGIS برای شناسایی خودکار سقف آزبست

چکیده 

قرار گرفتن در معرض الیاف آزبست به معنای یک خطر طولانی مدت برای سلامت انسان است. بنابراین، توسعه سیستم های اطلاعاتی که قادر به تشخیص میزان و وضعیت آزبست در یک قلمرو خاص هستند، به یک اولویت تبدیل شده است. این کار ابزاری را ارائه می‌کند (بر اساس نرم‌افزار منبع باز سیستم اطلاعات جغرافیایی، QGIS) که برای شناسایی خودکار ساختمان‌های دارای سقف آزبست طراحی شده است. منطقه مورد بررسی منطقه شهری اطراف پراتو (ایتالیا) است. تجزیه و تحلیل عملکرد این سیستم با طبقه بندی تصاویری که توسط حسگر WorldView-3 به دست آمده بود انجام شد. این تصاویر در مقایسه با تصاویر به دست آمده از طریق بررسی های هوایی با هزینه کم در دسترس هستند و سطوح وضوح کافی را برای طبقه بندی سقف ها ارائه می دهند. ابزار، یک پلاگین QGIS، عملکرد نسبتاً خوبی در شناسایی سقف آزبستی، با برخی منفی کاذب و برخی مثبت کاذب هنگام اعمال طبقه بندی در هر پیکسل نشان داده است. با در نظر گرفتن درصد پیکسل های آزبست موجود در هر سقف از تصویر تجزیه و تحلیل شده، بهبود عملکرد قابل دستیابی است. این مقدار با افزونه نیز موجود است. در آینده، این ابزار باید نظارت بر فرآیند برداشتن سقف آزبست را در طول زمان در منطقه مورد نظر، مطابق با سایر داده‌های تصویری که شواهدی از چنین برداشت‌هایی ارائه می‌دهند، ممکن سازد. این مقدار با افزونه نیز موجود است. در آینده، این ابزار باید نظارت بر فرآیند برداشتن سقف آزبست را در طول زمان در منطقه مورد نظر، مطابق با سایر داده‌های تصویری که شواهدی از چنین برداشت‌هایی ارائه می‌دهند، ممکن سازد. این مقدار با افزونه نیز موجود است. در آینده، این ابزار باید نظارت بر فرآیند برداشتن سقف آزبست را در طول زمان در منطقه مورد نظر، مطابق با سایر داده‌های تصویری که شواهدی از چنین برداشت‌هایی ارائه می‌دهند، ممکن سازد.
کلمات کلیدی: شناسایی آزبست ; تجزیه و تحلیل تصویر ; سیستم اطلاعات جغرافیایی منبع باز ; سنجش از دور

1. معرفی

بین دهه‌های 1970 و 1990، آزبست به دلیل ویژگی‌های خاص مقاومت و ویژگی‌های عایق خوبی که داشت، به طور گسترده در ساختمان‌ها مورد استفاده قرار گرفت. به طور خاص، ورق های مسطح و تخته های سیمانی حاوی آزبست به عنوان مصالح ساختمانی در سقف ها، هم در زیرساخت های صنعتی و هم در زیرساخت های غیرنظامی استفاده می شود. چند سال پس از نصب، چنین صفحاتی تمایل به انتشار مقدار زیادی الیاف، ذرات و بخش‌هایی از آزبست داشتند که اندازه قابل استنشاقی داشتند. مشکل اصلی در این واقعیت نهفته است که الیاف آزبست تمایل دارند از طول به فیبریل های نازک تری تقسیم شوند که به اندازه کافی کوچک هستند تا به آلوئول های ریه نفوذ کنند و در نتیجه باعث بیماری های بسیار جدی می شوند [ 1 ، 2 ].
با وجود این خطر، و صرف نظر از ممنوعیت استفاده از آزبست در هر زمینه تجاری، ممنوعیتی که در بسیاری از کشورها انجام می شود، هنوز ساختمان های بسیاری با سقف آزبست وجود دارد. در ایتالیا، بسیاری از ساختمان های قدیمی هنوز دارای روکش Eternit (الیاف آزبست تقویت شده با مواد سیمان) هستند، حتی اگر قانون ملی (شماره 257 مارس 1992) استفاده از آزبست را ممنوع کرده است.
اکثر مردم از خطر آگاه نیستند و بنابراین ممکن است در حین بازسازی سقف به درستی آن را دفع نکنند. بر این اساس، فهرست کامل و دقیقی از سقف‌هایی که از نظر آلودگی آزبست در معرض خطر هستند، مورد نیاز است [ 3 ].
بنابراین، یکی از اولویت ها راه اندازی و نهایی کردن سیستم های اطلاعاتی است که قادر به توصیف میزان و شرایط مواد مرتبط با آزبست در یک منطقه خاص باشد.
رویکردهای مختلفی برای این شناسایی وجود دارد. استفاده از داده های سنجش از دور ابزار خوبی برای شناسایی و ارزیابی وضعیت سقف های ساخته شده از مواد سیمانی الیاف آزبست است، به عنوان مثال، با استفاده از تصاویر از سنجش از دور در فضا [ 4 ، 5 ، 6 ، 7 ، 8 ] . با توجه به ویژگی های طیفی سقف های آزبست، تصاویر سنجش از راه دور فراطیفی اغلب برای شناسایی سقف آزبست استفاده می شود [ 3 ، 9 ، 10 ، 1112 , 13 , 14 , 15 , 16 ].
شایان توجه است که حسگرهای فضابردی فضای پوشش بیشتری را فراهم می‌کنند و در مقایسه با حسگرهای هوابرد، مانند حسگر فوق طیفی MIVIS (طیف‌سنج تصویربرداری مرئی مادون قرمز چند طیفی) می‌توانند ارزان‌تر باشند [ 17 ]. بدیهی است که استفاده از تصاویر حسگرهای فضایی به این معنی است که وضوح فضایی و طیفی کمتر از حسگرهای هوابرد خواهد بود.
مقالات اخیر امکان بهره برداری از تصاویر سنجش از راه دور از حسگرهای روی ماهواره های WorldView را نشان می دهد. Pacifici نشان می‌دهد که بهبود در دقت طبقه‌بندی با استفاده از باندهای طیفی WorldView-3 در مقایسه با پلت‌فرم‌های معمولی‌تر [ 17 ] قابل حصول است. برخی از محققان از یک رویکرد مبتنی بر شی برای استخراج اطلاعات از تصاویر استفاده کردند و ثابت کرده‌اند که روش‌های پردازش آنها پتانسیل تشخیص مواد سقف را از تصاویر WorldView-2 دارد [ 18 ، 19 ]. اخیراً، سایر نویسندگان تحقیقات انجام شده با تجزیه و تحلیل تابع متمایز (DFA) و جنگل تصادفی (RF) در تصاویر WorldView-2 [ 20 ] را نشان داده‌اند.]. هدف آنها آشکار کردن کارایی این طبقه‌بندی‌کننده‌ها و کارآیی pansharpening بود. بهترین نتایج توسط RF با هر دو کلاس سه و شش به دست آمد. نتایج آخرین مقاله برخی از انتخاب‌هایی را که در طول تحقیق ما انجام شد تأیید می‌کند.
این کار از این زمینه ناشی می شود و هدف آن ارائه فهرستی است که در آن تمام ساختمان های دارای روکش آزبست می توانند برای یک منطقه مشخص فهرست شوند. برای برآورده کردن این نیاز، این مقاله یک ابزار کم‌هزینه را پیشنهاد می‌کند که برای شناسایی خودکار ساختمان‌های دارای سقف آزبست در یک منطقه خاص طراحی شده است. وظیفه آن شناسایی روکش آزبست در تصاویر سنجش از راه دور است، اما نه طبقه بندی انواع مختلف سقف. این ابزار به عنوان یک پلاگین QGIS با نام “RoofClassify” طراحی شده است. QGIS یک سیستم اطلاعات جغرافیایی منبع باز است که تحت مجوز عمومی عمومی گنو [ 21]. نسخه استفاده شده در این کار QGIS 2.18 است. همان ابزار ارائه شده در اینجا باید در آینده امکان نظارت بر کل فرآیند برداشتن سقف آزبستی در یک منطقه انتخاب شده را در طول زمان و با استفاده از تصویربرداری دیجیتال بعدی فراهم کند.
در چارچوب این برنامه، منطقه در نظر گرفته شده، منطقه بزرگ شهری اطراف پراتو است که دومین شهر پرجمعیت توسکانی (ایتالیا) است. تصاویر به دست آمده توسط حسگر WorldView-3 انتخاب و پردازش شدند. مشخص است که طبقه بندی این تصاویر کار دشواری است، زیرا مناطق شهری با ویژگی های سطحی متفاوتی که پاسخ های طیفی مشابهی دارند، مشخص می شوند [ 22 ]. بنابراین احتمال طبقه بندی نادرست این سطوح افزایش می یابد. طبقه بندی های سنتی مبتنی بر پیکسل نامناسب به نظر می رسند، در حالی که طبقه بندی های شی گرا توصیه می شود [ 18 ، 19 ، 23 ].
پلاگین RoofClassify از تکنیک های یکپارچه سازی داده ها (بردار و شطرنجی) برای نمایش داده های WorldView-3 در یک شبکه مشترک استفاده می کند. سپس اشیاء ساختمان را با استفاده از ویژگی‌های قالب برداری انتخاب می‌کند و در نهایت یک روش طبقه‌بندی را برای سقف ساختمان‌ها اعمال می‌کند. نتیجه این فرآیند یک ویژگی جدید برای هر ساختمان – شی است. این ویژگی بلافاصله در محیط سیستم اطلاعات جغرافیایی یکپارچه (GIS) برای تجزیه و تحلیل هر مشخصه نقطه (اطلاعات برداری و شطرنجی)، و برای بررسی آماری منطقه مشاهده شده قابل استفاده است.
این رویکرد فیلتر کردن تصاویر را بدون استفاده یا آموزش الگوریتم‌های طبقه‌بندی شی گرا یا شبکه‌های عصبی ممکن می‌سازد [ 20 ]. علاوه بر این، کاهش خطاهای ناشی از مثبت کاذب را که توسط اجسامی مانند آسفالت در جاده ها نشان داده می شود، ممکن می سازد. در نهایت می توان از بسته های نرم افزاری سریعی استفاده کرد که به طور خاص برای طبقه بندی تصاویر مبتنی بر پیکسل طراحی شده اند.
بخش 2 بر توجیه انتخاب تصاویر طبقه بندی شده تمرکز دارد. در همین بخش روش مورد استفاده برای تشخیص روکش Eternit و ابزار نرم افزار منبع باز طراحی شده ارائه می شود. نتایج به‌دست‌آمده و توضیحات اعتبارسنجی‌ها در بخش 3 گزارش شده‌اند .

2. مواد و روش ها

2.1. طبقه بندی سقف ها

طبقه بندی سقف از طریق پردازش تصویر دیجیتال در منطقه انتخاب شده انجام شد. اولین گام شامل انواع تصاویری بود که ابزار نرم افزاری پیشنهادی می توانست روی آنها اعمال شود.

2.1.1. انتخاب تصویر و پیش پردازش

سیستم‌های زیر از جمله تصاویر هوایی مختلف بودند که برای بازتولید منطقه شهرداری پراتو استفاده شدند:
  • Orthophoto: عکس‌های هوایی یا تصاویری که از نظر هندسی تصحیح و ارجاع داده شده‌اند، با وضوح رادیومتری در چهار باند طیفی (R، G، B، NIR) و با پوشش طیفی تا 800 نانومتر. چنین تصاویری به صورت رایگان در رصدخانه ژئوسکوپی در توسکانی ( http://www502.regione.toscana.it/geoscopio/ortofoto.html ) در دسترس هستند. وضوح طیفی پایین آنها امکان استفاده از آنها را در هیچ طبقه بندی آزبست فراهم نمی کند.
  • فایل های گرافیکی برداری، موجود در رصدخانه ژئوسکوپی در توسکانی. پس از دسترسی به وب سایت Geoscope، لایه ای با اطلاعات درخواستی را می توان انتخاب کرد. به عنوان مثال، نقشه های نقشه بردار.
  • تصاویر با وضوح طیفی بالا، به دست آمده توسط حسگرهای هوابرد (MIVIS) [ 14 ]. در صورت وجود رویه های خاص، آنها بسیار گران هستند. پتانسیل گسترده نمایندگی آنها به دلیل نویزهای رخ داده در باندهای با عمق بالا محدود شده است.
  • تصاویر ماهواره ای به دست آمده توسط حسگر WorldView-3 که بر روی هشت باند طیفی کار می کند. اگر مقایسه ای بین آرشیوها انجام شود، تصاویر ماهواره ای WorldView اغلب گرانتر از تصاویر هوایی RGB هستند. در مورد ارائه شده، هیچ تصویر هوایی بایگانی در دسترس نیست، و علاوه بر این، تصاویر WorldView از منطقه مورد علاقه را می توان با قیمت های نسبتاً پایین (حدود 2200 یورو) خریداری کرد [ 24 ].
نیاز به تصویربرداری چند طیفی و وضوح فضایی بالا [ 25 ] در حالی که سعی می‌شود هزینه‌ها را پایین نگه دارد، بر انتخاب تصاویری که برای این تحقیق استفاده می‌شود، تأثیر گذاشت و به نفع تصاویری بود که توسط حسگر WorldView-3 به‌دست آمد. این حسگر، متعلق به DigitalGlobe، بر روی یک ماهواره تجاری رصد زمین [ 24 ] نصب شده است. در آگوست 2014، DigitalGlobe این ماهواره چند باری، فوق طیفی و وضوح فضایی بسیار بالا را به فضا پرتاب کرد. WorldView-3 که در ارتفاع 620 کیلومتری کار می کند، تصاویر پانکروماتیک با حداکثر وضوح فضایی 0.31 متر، هشت باند مرئی و مادون قرمز نزدیک (VNIR) با حداکثر وضوح مکانی 1.24 متر، و هشت باند مادون قرمز موج کوتاه (SWIR) در 3.7 متر [ 17]. از آنجایی که این تصاویر طول موج انتشار آزبست را پوشش نمی دهند، با تجزیه و تحلیل امضای طیف سنجی مربوطه، یعنی با تجزیه و تحلیل ویژگی های انعکاس معمولی این ماده در چنین طول موج هایی، می توان سقف الیاف سیمان را تشخیص داد. بنابراین، فرآیند طبقه‌بندی بر این اساس تنظیم شد تا از تک تک اطلاعاتی که می‌توان از تصاویر ماهواره‌ای موجود به‌دست آورد، به‌طور کامل بهره‌برداری کرد.
شکل 1 مراحل فرآیند طبقه بندی را نشان می دهد که در یک نمودار بلوکی سازماندهی شده است.
دو مرحله فرآیند را تشکیل می دهد. اولین مرحله غیر خودکار بر پیش پردازش داده های موجود متمرکز بود و شامل سه مرحله بود.
  • Pansharpening ، فرآیندی که ادغام اطلاعات جمع‌آوری‌شده از تصویربرداری ماهواره‌ای را که توسط حسگر WorldView-3 به دست آمده است، به منظور ایجاد یک تصویر واحد با وضوح تصویر پانکروماتیک اولیه را امکان‌پذیر می‌سازد ( شکل 2 ).
    تصویر با وضوح پایین با درون یابی دو مکعبی درون یابی شد. در این فعالیت، pansharpening با استفاده از الگوریتم جایگزینی مولفه انجام شد. الگوریتم RCS (جایگزینی نسبی مؤلفه) از طریق جعبه ابزار Orfeo [ 26 ]، یک نرم افزار ادغام شده در QGIS، از بین الگوریتم های موجود انتخاب شد.
    جدول 1 ویژگی های تصاویر مورد استفاده برای چنین پردازشی را شرح می دهد:
    • تصویر پانکروماتیک با وضوح فضایی بالاتر (50 سانتی متر).
    • یک تصویر چند طیفی دارای هشت باند طیفی (ساحلی، آبی، سبز، زرد، قرمز، لبه قرمز، NIR-1، NIR-2) و با وضوح فضایی 2 متر مشخص می شود.
    این تصاویر در UTM33 WGS84 ارجاع داده شدند و تصحیح شدند. آنها همچنین کالیبره و اصلاح شدند. تحقیقات ما در سال 2016 آغاز شد و هدف آن مستندسازی انتشار سقف های آزبست در منطقه پراتو در سال 2014 بود. به همین دلیل، تصاویر منتخب جزو تصاویری بودند که در سال 2014 به دست آمدند. در واقع، از آن لحظه به بعد، مقامات پراتو پایگاه داده خود را با وارد کردن مراحل حذف مصنوعات آلوده به آزبست توسط افراد و شرکت ها به روز کرد.
  • فیلتر تصویر شطرنجی ، به معنای فیلتر شبکه پیکسل، از طریق یک ماسک برداری از ناحیه انتخاب شده به دست آمد. ماسک برداری چیزی بود که از لایه شکل کاداستر ناشی می شد، یعنی از نقشه نقشه بردار که در آن تمام ساختمان های مرتبط با منطقه انتخاب شده از طریق یک ویرایشگر گرافیک برداری توصیف شدند ( شکل 3 ). ماسک استنباط شده فقط حاوی اطلاعات مربوط به سقف ساختمان ها بود. این فرآیند حذف همه چیز به جز سقف ساختمان ها را از تصویر ماهواره ای اولیه امکان پذیر کرد ( شکل 4 ). عملیات کشت با استفاده از توابع مربوطه ارائه شده توسط QGIS و بر اساس کتابخانه های Gdal انجام شد.
  • پارتیشن بندی تصویر فیلتر شده به صورت کاشی ، یعنی مقاطعی که ابعاد مناسبی داشته باشند تا طبقه بندی در سریع ترین زمان ممکن انجام شود. پارتیشن بندی تصویر ماهواره ای با پلاگینی به نام GridSplitter انجام شد و بدین ترتیب 49 بخش به دست آمد که هر کدام از آنها به درستی با توجه به طرح تصویر اصلی به درستی ارجاع جغرافیایی داشتند. چنین کاشی‌هایی در یک پوشه واحد که فقط و منحصراً این فایل‌ها را شامل می‌شود، ذخیره می‌شوند.

2.1.2. روش طبقه بندی

مرحله دوم طبقه بندی واقعی روکش های موجود در منطقه با توجه به تصویر از پیش پردازش شده بود. تکنیک‌های طبقه‌بندی تصویر دیجیتال، پیکسل‌ها را در کلاس‌هایی گروه‌بندی می‌کنند تا انواع مختلف داده‌های پوشش زمین را نشان دهند. سه رویکرد اصلی در طبقه بندی تصاویر دیجیتال وجود داشت: نظارت شده، بدون نظارت و شی گرا. روش اعمال شده از این پس بر اساس طبقه‌بندی نظارت‌شده بود، که یک طبقه‌بندی در هر پیکسل از تصویر را با چند نمونه معرف، نقاط واقعی، برای هر طبقه داده پوشش زمین که در تصویر دیجیتال ظاهر می‌شد، اجرا می‌کرد. انتخاب یک رویکرد نظارت شده محدود کننده نبود، زیرا استفاده بعدی از یک طبقه بندی شی گرا را در صورت لزوم، همانطور که در ادامه نشان داده شده است، امکان پذیر می کرد.
در این مطالعه موردی، شش کلاس انتخاب شده وجود داشت: روکش آزبست، روکش سیمان فیبر، سقف قرمز/قرمز، سیاه/سایه، سبز و زمینه. آخرین کلاس پیکسل ها را از اشیایی که با سقف متفاوت بودند جمع آوری کردند. این پیکسل ها به دلیل پردازش نادرست تصویر، مانند ارجاع جغرافیایی نادرست، ممکن است به اشتباه روی سقف ساختمان قرار گیرند. پیکسل‌های پس‌زمینه سفید شکل 4 نیز در صورت در نظر گرفتن فرآیند طبقه‌بندی، به این کلاس کمک می‌کنند.
شش مجموعه آموزشی مربوطه از نمونه هایی تشکیل شده بود که طی یک کمپین نظرسنجی انجام شده در منطقه پراتو جمع آوری شدند. در هر سایت، موقعیت جغرافیایی (عرض جغرافیایی، طول جغرافیایی، داده WGS84) سطح شناسایی شد، و پیوندی با رکورد برداری ساختمان، همانطور که توسط ثبت زمین ارائه شده بود، مرتبط شد.
بنابراین نرم افزار طبقه بندی تصویر با مجموعه های آموزشی برای تعریف انواع پوشش زمین در کل تصویر کار کرد. طبقه‌بندی تصویر دیجیتال عضویت در هر کلاس را با توجه به «شباهت» ویژگی‌های تابشی شی مشاهده‌شده با ویژگی‌های تعریف‌شده در مجموعه آموزشی تعیین می‌کند. از بین الگوریتم‌های مختلف که طبقه‌بندی‌های نظارت شده را اجرا می‌کنند، الگوریتم جنگل تصادفی انتخاب و بر روی تصاویر موجود اعمال شد. در واقع، این الگوریتم مناسب تر به نظر می رسید، زیرا به عنوان مجموعه ای از طبقه بندی کننده ها، قادر بود هر پیکسل را با توسل به ویژگی های آن طبقه بندی کند، مانند: ویژگی های طیفی آن در هشت باند مختلف سنسور ماهواره، مقدار پانکروماتیک آن، و عضویت آن در کلاس ساختمان. علاوه بر این، زمانی که داده‌های آموزشی همگن در دسترس بود، به خوبی کار می‌کرد و نسبت به موارد پرت نسبتاً قوی بود. آخرین، اما نه کم اهمیت، اجرای این الگوریتم سرعت محاسباتی بالایی را تضمین کرد [ 19 ، 27 ، 28 ، 29 ]. در این کار، فرآیند طبقه‌بندی کاملاً خودکار بود و با الگوریتمی که به طور خاص از طریق یک پلاگین QGIS طراحی شده بود، پیاده‌سازی شد.

2.2. پلاگین RoofClassify

محیط منبع باز QGIS هر مجموعه داده ای را که از منابع مختلف (رستر، برداری، پایگاه داده و غیره) به دست می آید را قادر می سازد تا برای ساخت یک پروژه واحد از تجزیه و تحلیل فضایی استفاده شود که قادر به پاسخگویی به عملکردهای اساسی است که یک GIS باید با آنها مقابله کند. با. علاوه بر این، یکی از جنبه‌های مفید QGIS، گزینه گسترش قابلیت‌های اساسی از طریق افزونه‌های زبان پایتون است که درک آن برای هر کاربر ساده است. این بدان معناست که کتابخانه‌های پایتون که به مدیریت و پردازش تصویر مرتبط هستند، می‌توانند با عملکردهایی که یک GIS دارد (به عنوان مثال نمایش یک نقشه فهرست‌شده در برخی از سیستم‌های مرجع) تعامل داشته باشند. این منجر به امکان ایجاد یک برنامه کاربردی ساده می شود که به طور موثر با یک مشکل خاص مقابله می کند: نرم افزار برنامه دارای یک رابط کاربری است،
پلاگین RoofClassify در زمینه کاربردی این مقاله فعلی توسعه یافته است و طبقه بندی یک تصویر ماهواره ای از پیش پردازش شده را ممکن می سازد، همانطور که قبلاً در بخش 2.1.1 توضیح داده شد . خروجی‌های پلاگین شامل تصویری بود که پیکسل‌های آن طبقه‌بندی شده بود، و یک شکل فایل اختیاری که نتیجه را «توضیح» می‌کرد، یعنی یک شکل فایل حاوی تمام اطلاعات مربوط به تعداد پیکسل‌ها برای هر چند ضلعی در هر کلاس از تصویر درصد پیکسل های طبقه بندی شده به عنوان آزبست در هر چند ضلعی به صورت اختیاری گزارش شد.

2.2.1. رابط کاربری افزونه (UI)

این فرض بر اساس طبقه بندی تصویر اولیه به عنوان چیزی است که در یک پوشه سازماندهی شده است، که فقط شامل کاشی هایی است که تصویر از آنها ساخته شده است یا کل خود تصویر.
به عنوان یک طبقه بندی نظارت شده، همچنین فرض می شود که کاربر دارای یک شطرنجی با برخی نکات واقعی است، یعنی روکش برخی از ساختمان ها در یک ماده کاملاً شناخته شده، که می تواند به عنوان مجموعه آموزشی طبقه بندی استفاده شود. هر کلاس منفرد توسط یک shapefile، با یک shapefile متفاوت برای هر کلاس، شناسایی می‌شود، بنابراین به‌طور منحصربه‌فرد نوعی روکش که از قبل شناخته شده است شناسایی می‌شود. برای راحتی کار، این شکل فایل‌ها در یک پوشه تنها حاوی چنین فایل‌هایی ذخیره می‌شوند.
به طور خلاصه، باید وجود داشته باشد:
  • تصویری که باید طبقه بندی شود، خواه تک باشد یا به کاشی تقسیم شده، در یک پوشه واحد نگهداری می شود.
  • پوشه ای حاوی اشکال مربوط به هر کلاس شناسایی شده.
  • تصویری که باید به عنوان یک مجموعه آموزشی استفاده شود، جایی که اشکال مختلف نمایش داده می شود.
رابط پلاگین در شکل 5 نشان داده شده است . موارد مختلف معانی زیر را دارند:
  • انتخاب رستر(های) برای طبقه بندی (پوشه) : با انتخاب دکمه “مرور”، امکان جستجو در پوشه ای که تصویر (یا تصاویر) طبقه بندی می شود وجود دارد.
  • انتخاب شکل‌های آموزشی (پوشه) : با انتخاب دکمه «مرور»، می‌توانید پوشه‌ای را که دارای فایل‌های شکلی مربوط به کلاس‌های مختلف مجموعه آموزشی است جستجو کنید.
  • انتخاب شطرنجی آموزشی (tif.) : با انتخاب دکمه «مرور»، می‌توان تصویر ارجاع‌شده جغرافیایی (پسوند نام فایل «.tif») را جستجو کرد که پیکسل‌های آن با فایل‌های شکل موجود در نقطه ۲ مطابقت دارد.
  • ایجاد تعداد شکل : با علامت زدن این (که اختیاری است)، افزونه نه تنها یک تصویر طبقه بندی شده، بلکه یک فایل شکل (*.dbf) ایجاد می کند که شامل همه چند ضلعی های مربوط به هر روکش است. در این شکل، هر چند ضلعی (ساختمان) با اطلاعات زیر ارائه می شود: کد شناسایی، تعداد کل پیکسل هایی که هر چند ضلعی دارد و شماره پیکسل هر کلاس شناسایی شده در چند ضلعی.
  • ایجاد درصد شکل : با علامت زدن این (که اختیاری است)، افزونه نه تنها یک تصویر طبقه بندی شده، بلکه یک فایل شکل (*.dbf) حاوی تمام چند ضلعی های مربوط به هر روکش ایجاد می کند. در این شکل، هر چند ضلعی (ساختمان) با اطلاعات زیر ارائه می شود: کد شناسایی، و درصد پیکسل های طبقه بندی شده در هر چند ضلعی برای هر کلاس شناسایی شده در آن چند ضلعی.
  • فایل (.shp) را برای ایجاد تعداد/درصد شکل انتخاب کنید : چه یکی از دو گزینه ذکر شده قبلی یا هر دو علامت زده شده باشد، این کادر امکان انتخاب شکل فایل مورد استفاده در هنگام محاسبه آمار مورد نیاز را فراهم می کند. به طور کلی، این شکل فایل همان فایلی است که در مرحله فیلتر کردن تصویر ماهواره ای استفاده می شود.
  • پوشه خروجی را انتخاب کنید : با کلیک بر روی «مرور»، می‌توانید پوشه‌ای را انتخاب کنید که فایل‌های خروجی در آن ذخیره می‌شوند.

2.2.2. تمرکز بر نحوه سازماندهی پلاگین طبقه بندی

پلاگین طبقه بندی را بر اساس نکات رویه ای زیر انجام می دهد:
  • وارد کردن تصویر شطرنجی برای طبقه بندی (تصاویر موجود در پوشه انتخابی به عنوان مجموعه داده ورودی) به یک ساختار داده پایتون (چند آرایه)، که در آن هر پیکسل دقیقاً با سلولی از ساختار، ساخته شده از هشت مؤلفه (یکی برای هر باند).
  • وارد کردن تصویر شطرنجی، که مجموعه آموزشی انتخاب شده را برای اهداف طبقه بندی نشان می دهد (همان نقطه 1).
  • استخراج مجموعه آموزشی از shapefile: یک shapefile برای هر کلاس که باید شناسایی شود، تعریف می‌شود و شامل چند ضلعی‌های منطبق با سقف مربوطه می‌شود. همانطور که قبلا توضیح داده شد، هر شکل (یک شکل مطابق با کلاس آزبست، یک شکل برای سقف قرمز، و غیره) در یک پوشه ذخیره می شود. الگوریتم به صورت بازگشتی به این پوشه دسترسی پیدا می کند و به دنبال اشکال برای استخراج مجموعه آموزشی می گردد. این داده ها همچنین به یک چند آرایه پایتون وارد می شوند.
  • آموزش فایل طبقه بندی کننده: الگوریتم آموزش و طبقه بندی متعلق به کتابخانه Python “Scikit-learn” است. تابع طبقه بندی چند کلاسه RandomForest در این مورد استفاده شد که برای سرعت اجرا مناسب تر بود. ورودی ها عبارت بودند از: شطرنجی چند آرایه ای مجموعه آموزشی (نقطه 2). اشکال چند آرایه ای مجموعه آموزشی (نقطه 3).
  • طبقه بندی با توجه به عملکرد انتخاب شده. خروجی یک آرایه چندگانه خواهد بود که شامل مقادیر پیکسل های طبقه بندی شده است.
  • بازسازی و ذخیره تصویر به درستی ارجاع جغرافیایی به عنوان تصویر شروع برای استفاده، با خروجی ارائه شده در نقطه 5 شروع می شود.
برخی موارد به دلیل اختصار از توضیحات بالا حذف شدند، یعنی گزینه ایجاد شکل فایل با تمام اطلاعات طبقه بندی.

3. نتایج طبقه بندی و اعتبار سنجی

نتیجه ای که با اعمال افزونه بر روی تصویر از پیش پردازش شده به دست می آید، تصویری است که دارای پیکسل هایی است که بر اساس انواع مختلف سقف طبقه بندی شده اند. چنین تصویری با توجه به تصویر ماهواره ای منبع به درستی ارجاع جغرافیایی دارد. شکل 6 نمونه ای از بخشی از یک تصویر با پیکسل های طبقه بندی شده است.
با توجه به هر ساختمان در فایل شکل ورودی (ماسک Shapefile)، پس از در دسترس بودن تصویر طبقه بندی شده، الگوریتم طراحی شده تعداد کل پیکسل های آن تصویر و برای هر کلاس شناسایی شده، تعداد کل پیکسل های متعلق به آن تصویر را مشخص می کند. کلاس
هنگامی که طبقه بندی کامل شد، شایستگی چنین فرآیندی باید با اعتبارسنجی نتیجه آن نشان داده شود. با این حال، با توجه به ماهیت این استفاده، به ویژه، عدم وجود نمونه های کافی با ماهیت شناخته شده، به ویژه در برخورد با آزبست به عنوان کلاس مورد علاقه، انجام اعتبارسنجی با معیارها و تکنیک هایی که در ادبیات رایج ترین هستند.
بنابراین، اقدامات زیر برای بررسی شایستگی این روش طبقه بندی انجام شد:
  • شناسایی سقف ساختمان با مصالح ساختمانی شناخته شده و همچنین برچسب گذاری آنها بر اساس طبقه مربوطه.
  • ایجاد یک شکل فایل برای هر کلاس، که شامل انواع سقف های برچسب گذاری شده قبلی برای هر فایل، با توجه به یک کلاس خاص است.
  • توسعه اسکریپت پایتون این اسکریپت با داده های ورودی، که هم از تصویر ایجاد شده از فرآیند طبقه بندی و هم از فایل های شکل، همانطور که در نقطه 2 توضیح داده شد، تشکیل شده است، می تواند یک ماتریس سردرگمی را به عنوان خروجی ارائه دهد.
  • تجزیه و تحلیل ماتریس سردرگمی و برآورد هرگونه خطای طبقه بندی احتمالی.
مرحله اول بسیار حیاتی است، و در فرآیند اعتبار سنجی خط می کشد. در واقع، فرآیند طبقه‌بندی، هر پیکسل را بر اساس کلاس‌های غالب طبقه‌بندی می‌کند، اما در مورد کلاس‌های آزبست و فیبرسیمان، ابهامی ایجاد می‌شود. در واقع، با تخصیص صحیح برچسب “سیمان” یا “آزبست” به پیکسل های متعلق به تصاویر موجود مشکل وجود دارد.
اقدامی که به منظور رسیدگی به وضعیت مشابه برای چنین سطوحی انجام شد، استفاده از “نقاط واقعی” مربوطه بود – که بدیهی است آنهایی که برای مجموعه آموزشی انتخاب شده اند نیستند – به عنوان ساختمان های آزمایشی برای کلاس آزبست. سایر سازه های بدون آزبست، تازه ثبت شده و اخیراً ساخته شده به عنوان ساختمان های آزمایشی برای کلاس سیمان مورد استفاده قرار گرفتند.
نتایج در جدول 2 توضیح داده شده است که نشان دهنده ماتریس سردرگمی است، یا در نظر گرفتن نتایج طبقه بندی اشتباه مربوط به بخش های تصویر: سلول های خط اول کلاس های واقعی را نشان می دهند، در حالی که سلول های ستون اول نشان می دهند. کلاس های خروجی با توجه به ابزار طبقه بندی. با توجه به تعداد کلاس‌هایی که سقف و پس‌زمینه را جمع‌آوری کردند، شش کلاس واقعی/خروجی از این ماتریس وجود داشت.
در این راستا، اگر به هفت سطر نشان دهنده کلاس های واقعی یک اندیس «i» و به هفت کلاس خروجی شاخص «j» نیز اختصاص داده شود، سلول مربوط به ردیف نمایه شده با «i» و «j» ستون “-indexed تعداد پیکسل هایی را نشان می دهد که طبق فرآیند طبقه بندی به کلاس “j” ایندکس شده برچسب گذاری شده اند، در حالی که در واقعیت به کلاس نمایه شده “i” تعلق دارند.
به منظور ارزیابی کیفیت نتایج، سطر هشتم و ستون هشتم به ترتیب حاوی مقادیر درصدی از دقت کمیسیون (CA)، یعنی دقت کاربر و دقت حذف (OA) اضافه شدند [ 30 ]. خطاهای حذف نشان دهنده منفی کاذب است. خطاهای کمیسیون نشان دهنده مثبت کاذب است. دقت کلی یا متوسط ​​81.77٪ بود (در گوشه سمت راست پایین ماتریس گزارش شده است). شاخص کاپا طبقه بندی کننده 0.7514 [ 31 ] بود.
همانطور که از جدول مشخص است، تعداد زیادی پیکسل متعلق به کلاس های “سیمانی” و “آزبست” با توجه به کلاس های دیگر مانند “سبز” یا “سایه” در این تست استفاده شده است. انگیزه این انتخاب روش طبقه بندی بود که بر روی تشخیص آزبست متمرکز بود. بنابراین، هنگام محاسبه دقت فرآیند، باید توجه بیشتری به کلاسی که باید تشخیص داده شود، و همچنین سایر کلاس‌هایی که آزبست ممکن است به اشتباه طبقه‌بندی شده باشد، داده می‌شود.
به نظر می رسد که درصد طبقه بندی تصحیح که مربوط به تشخیص آزبست بود در هنگام تجزیه و تحلیل ماتریس سردرگمی به 75.12٪ رسید.
اعتبار سنجی دیگری بر اساس داده های جمع آوری شده در سیستم اطلاعات بهداشتی برای پیشگیری جمعی (SISPC) [ 32 ] انجام شد.]، که یک پایگاه داده منطقه ای است که ابزاری برای مدیریت فعالیت ها و داده های بهداشتی به روشی یکسان در سراسر قلمرو منطقه ای در اختیار ذینفعان قرار می دهد. طرح‌های پاک‌سازی، و همچنین مراحل حذف و دفع محصولات و مصنوعات آلوده به آزبست، به‌وسیله SISPC به صورت آنلاین ارائه می‌شوند. بنابراین، این سیستم داده‌هایی را با بالاترین ارزش «شواهد» ارائه می‌کرد که برای اعتبارسنجی کامل داده‌های طبقه‌بندی مورد نیاز بود. اعتبار سنجی داده های SISPC با بررسی بصری انجام شد، جایی که مکان آلودگی مربوط به آن از طریق نقشه های گوگل بررسی شد، با شناسایی سقفی که می تواند با اصلاح اعلام شده مطابقت داشته باشد، و با تأیید اینکه آیا طبقه بندی قبلاً روی تصویر انجام شده است یا خیر. قبل از هر گونه عملیات پاکسازی، آزبست را در آن منطقه شناسایی کرده بود. انتخابی برای ساختمان های مسکونی و صنعتی با 11 آدرس مختلف انجام شد. در مورد دقت طبقه بندی، نتایج روی پیکسل های طبقه بندی شده با آزبست بهتر از نتیجه به دست آمده با روش اعتبارسنجی توضیح داده شده قبلی بود. در واقع، پلاگین RoofClassify 90 درصد سقف های آزبست را شناسایی کرد. تفاوت بین تست های اعتبار سنجی در ابهامات طیفی پایین ساختمان های انتخاب شده در روش اعتبار سنجی دوم نهفته است.

4. بحث

ابزار QGIS توصیف شده در این مقاله برای شناسایی سقف های ساختمان با آزبست طراحی شده است. طبقه بندی سقف از طریق پردازش دیجیتالی تصاویر به دست آمده توسط حسگر WorldView-3 انجام شد. چنین تصاویری از قبل پردازش شده بودند تا برای طبقه بندی بعدی مناسب شوند [ 20 ]. نتایج، همانطور که در یک زمینه باز به دست آمد، تحت یک فرآیند اعتبار سنجی قرار گرفتند که شامل تجزیه و تحلیل ماتریس سردرگمی، و متعاقبا ارزیابی خطاهای طبقه‌بندی بود. با توجه به اینکه دشوارترین کار آزمایش تاثیر ابزار در تشخیص آزبست و سیمان بود، طبق بررسی‌های اخیر، تصمیم گرفته شد که فقط از سازه‌هایی با مصالح سقفی معروف به عنوان ساختمان‌های آزمایشی استفاده شود [ 18 ، 19 ، 20 ]. اعتبار سنجی دوم بر اساس یک فرآیند تأیید انجام شد، با داده هایی که در سیستم اطلاعات بهداشتی برای پیشگیری جمعی (SISPC) جمع آوری شد [ 32 ].
نتایج به‌دست‌آمده از اعتبارسنجی اول نشان داد که حدود 25 درصد از سقف‌های آزبست منفی کاذب بود. در همان زمان، تعداد زیادی از پیکسل های آزبست به عنوان پیکسل های سیمانی طبقه بندی شدند، زیرا سیمان تقویت شده با آزبست اغلب حاوی تنها 6٪ الیاف آزبست است. این مشاهدات می تواند به این نتیجه برسد که عملکرد ضعیفی با روش طبقه بندی به دست آمده است [ 20 ، 30 ].
هنگام توسل به طبقه بندی شی گرا، بهبود در شناسایی سقف آزبست امکان پذیر است [ 22 ]]. همانطور که قبلا ذکر شد، الگوریتم طراحی شده تعداد کل پیکسل های آن تصویر و تعداد کل پیکسل های متعلق به هر کلاس خاص را مشخص می کند. این افزونه همچنین می‌تواند یک شکل فایل اختیاری بسازد که تمام اطلاعات مربوط به تعداد پیکسل‌ها در هر کلاس را برای هر چندضلعی که تصاویر را می‌سازد، توصیف می‌کند. به صورت اختیاری، این افزونه درصد پیکسل هایی را که به عنوان آزبست طبقه بندی می شوند، در هر چند ضلعی ارائه می دهد. این شکل فایل اختیاری تخمین احتمال وجود سقف آزبستی ساختمان را ممکن می سازد. بنابراین، می توان به هر سقف برچسب “آزبست” یا “نه آزبست” اختصاص داد. این روش باید به طور قابل توجهی عملکرد طبقه بندی را بهبود بخشد. این مرحله آخر به کاربر واگذار می شود، که می تواند داده های استخراج شده از الگوریتم را تجسم کند.
ابزار شناسایی آزبست در پلت فرم QGIS نیاز به درک اولیه از GIS دارد، اما محیط منبع باز آن را برای استفاده از نرم افزار و توزیع الگوریتم آسان تر می کند. یک محدودیت پلاگین در الگوریتم تعبیه شده است که تنها برای شناسایی آزبست در نظر گرفته شده است. به طور دقیق، این ویژگی را نمی توان یک نقص یا محدودیتی در انعطاف پذیری در نظر گرفت: در واقع، این افزونه برای انجام یک طبقه بندی خاص از آزبست است و برای این هدف فردی بهینه شده است و آن را از سایر نرم افزارهای اختصاصی متفاوت می کند.

5. نتیجه گیری ها

این مقاله بر روی یک سیستم شناسایی آزبست برای حمایت از سیاست‌ها و برنامه‌های دفع سقف آزبست در مناطق جغرافیایی کوچک متمرکز شده است. ابزار طبقه بندی بر اساس نرم افزار منبع باز GIS است و برای تجزیه و تحلیل تصاویر ماهواره ای ناحیه پراتو به دست آمده با حسگر WorldView-3 استفاده شد. ابزار QGIS عملکرد بسیار خوبی در شناسایی سقف های آزبستی هنگام اعمال طبقه بندی در هر پیکسل نشان داده است. درصد پیکسل های آزبست موجود در هر سقف از تصویر تجزیه و تحلیل شده را نیز می توان با این ابزار تعیین کرد. این مقدار می تواند برای بهبود فرآیند طبقه بندی استفاده شود. روش‌های طبقه‌بندی ارائه‌شده را می‌توان از نظر بازگرداندن یک برگه داده یا فهرستی از سوابق روی ساختمان‌های بام آزبست توضیح داد و می‌تواند مبنایی کم‌هزینه برای ایجاد یک پایگاه‌داده دانش بزرگ‌تر فراهم کند.

مشارکت های نویسنده

مفهوم سازی، مائوریتزیو توماسینی و مونیکا گراردلی. روش شناسی، مائوریتزیو توماسینی؛ نرم افزار، الساندرو باچیوتینی; اعتبار سنجی، الساندرو باچیوتینی؛ تحلیل رسمی، مائوریزیو توماسینی و مونیکا گراردلی. سرپرستی داده ها، الساندرو باچیوتینی؛ نوشتن – آماده سازی و ویرایش پیش نویس اصلی، مونیکا گراردلی; سرپرستی، مائوریتزیو توماسینی و مونیکا گراردلی.

منابع مالی

بودجه این تحقیق توسط شهرداری پراتو تامین شده است. APC هیچ کمک مالی خارجی دریافت نکرد.

تضاد علاقه

نویسندگان هیچ تضاد منافع را اعلام نمی کنند. تامین کننده هیچ نقشی در طراحی مطالعه نداشت. در جمع آوری، تجزیه و تحلیل یا تفسیر داده ها؛ یا در نگارش نسخه خطی. سرمایه گذار انتشار نتایج را تایید کرد.

منابع

  1. بارتریپ، PWJ تاریخچه بیماری مرتبط با آزبست. تحصیلات تکمیلی. پزشکی J. 2004 ، 80 ، 72-76. در دسترس آنلاین: https://pmj.bmj.com/content/postgradmedj/80/940/72.full.pdf (دسترسی در 1 فوریه 2019).[ نسخه سبز ]
  2. سوزوکی، ی. یوئن، اس آر. Ashley, R. الیاف کوتاه و نازک آزبست به ایجاد مزوتلیومای بدخیم انسانی کمک می کند: شواهد پاتولوژیک. بین المللی جی. هیگ. محیط زیست هلت 2005 ، 208 ، 201-210. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  3. سابو، اس. بورای، پ. کواچ، ز. سابو، جی. کرنی، ا. فازکاس، آی. پالادی، م. بودای، تی. Szabó، G. الگوریتم های آزمایش برای شناسایی سقف آزبست بر اساس داده های فراطیفی. محیط زیست مهندس مدیریت J. 2014 ، 143 ، 2875-2880. [ Google Scholar ] [ CrossRef ]
  4. باریل، وی. بیلوتا، جی. Pannuti، F. مقایسه بین روش ها – یک اپراتور تخصصی، تجزیه و تحلیل تصویر شی گرا و پیکسل گرا – برای تشخیص پوشش های آزبست در سقف های ساختمان با استفاده از داده های سنجش از راه دور. در مجموعه مقالات آرشیو بین المللی فتوگرامتری، سنجش از دور و علوم اطلاعات فضایی، XXI کنگره ISPRS، پکن، چین، 3 تا 11 ژوئیه 2008. جلد XXXVII، ص 427–434. در دسترس آنلاین: http://www.isprs.org/proceedings/XXXVII/congress/8_pdf/2_WG-VIII-2/51.pdf (در 22 ژانویه 2019 قابل دسترسی است).
  5. باسکاران، س. پاراماناندا، اس. Ramnarayan، M. روش های طبقه بندی بر پیکسل و شی گرا برای نقشه برداری ویژگی های شهری با استفاده از داده های ماهواره ای Ikonos. Appl. Geogr. 2010 ، 30 ، 650-665. [ Google Scholar ] [ CrossRef ]
  6. طاهرزاده، ا. شفری، HZM; منصور، س. آشوروف، آر. مقایسه داده های فراطیفی و تصاویر WorldView-2 برای تشخیص سطح غیرقابل نفوذ. در مجموعه مقالات چهارمین کارگاه 2012 در مورد تصویر فراطیفی و پردازش سیگنال (WHISPERS)، شانگهای، چین، 4 تا 7 ژوئن 2012. ص 1-4. [ Google Scholar ] [ CrossRef ]
  7. بان، ی. یعقوب، ا. داده های SAR گامبا، P. Spaceborne برای نقشه برداری شهری جهانی با وضوح 30 متر با استفاده از استخراج کننده شهری قوی. ISPRS J. Photogramm. Remote Sens. 2015 ، 103 ، 28-37. [ Google Scholar ] [ CrossRef ]
  8. سامسودین، ش. شفری، HZM; حامدیان فر، ع. توسعه شاخص های طیفی برای تشخیص وضعیت وضعیت مصالح بام با استفاده از طیف سنجی میدانی و داده های جهان بینی-3. J. Appl. Remote Sens. 2016 , 10 , 025021–025038. [ Google Scholar ] [ CrossRef ]
  9. مارینو، سی ام. پانیگادا، سی. Busetto، L. کاربردهای سنجش از دور ابرطیفی هوابرد در مناطق شهری: شناسایی و نقشه برداری ورق بتن آزبست. در مجموعه مقالات کارگاه مشترک IEEE/ISPRS در مورد سنجش از دور و تلفیق داده ها در منطقه شهری، رم، ایتالیا، 8-9 نوامبر 2001. صص 7541–7544. [ Google Scholar ]
  10. فیومی، L. ارزیابی داده های فراطیفی MIVIS برای نقشه برداری مواد پوششی. در مجموعه مقالات کارگاه مشترک IEEE/ISPRS در مورد سنجش از دور و تلفیق داده ها در مناطق شهری، رم، ایتالیا، 8-9 نوامبر 2001. صص 324-327. [ Google Scholar ]
  11. بسانی، ج. کاوالی، آر.ام. کاوالکانته، اف. کومو، وی. پالمبو، ا. پاسکوچی، اس. Pignatti، S. وضعیت بدتر شدن ورق های سقف آزبست سیمان با تجزیه و تحلیل داده های فراطیفی ارزیابی شده است. سنسور از راه دور محیط. 2007 ، 109 ، 361-378. [ Google Scholar ] [ CrossRef ]
  12. فیومی، ال. کامپوپیانو، آ. کاسیاردی، اس. رامیرز، دی. روش اعتبارسنجی برای شناسایی سقف آزبست – سیمان. Appl. ژئومات. 2012 ، 4 ، 55-64. [ Google Scholar ] [ CrossRef ]
  13. فراسی، اف. کاندیانی، جی. میانتی، پ. مارکسی، آ. نوداری، FR; رامینی، م. آلبونیکو، سی. Gianinetto، M. سنجش از راه دور هوابرد برای نقشه برداری سقف های آزبست در دره آئوستا. در مجموعه مقالات سمپوزیوم بین المللی زمین شناسی و سنجش از دور IEEE (IGARSS 2012)، مونیخ، آلمان، 22 تا 27 ژوئیه 2012. صص 7541–7544. [ Google Scholar ]
  14. فراسی، اف. کاندیانی، جی. رامینی، م. میانتی، پ. مارکسی، آ. روتا نوداری، ف. دالا ویا، جی. آلبونیکو، سی. Gianinetto، M. نقشه برداری سقف آزبست سیمانی با سنجش از دور فراطیفی بر روی یک منطقه کوهستانی بزرگ از آلپ غربی ایتالیا. سنسورها 2014 ، 14 ، 15900-15913. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  15. فیومی، ال. کونگدو، ال. Meoni, C. توسعه روش‌شناسی سریع برای نقشه‌برداری پوشش‌های سقف آزبست سیمانی بر روی قلمرو منطقه لاتزیو. Appl. ژئومات. 2014 ، 6 ، 37-48. [ Google Scholar ] [ CrossRef ]
  16. سیلیا، سی. پانیگادا، سی. روسینی، ام. کاندیانی، جی. پپه، م. Colombo, R. نقشه برداری از سقف های آزبست سیمانی و وضعیت هوای آنها با استفاده از تصاویر هوایی فراطیفی. ISPRS Int. J. Geo-Inf. 2015 ، 4 ، 928-941. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  17. Pacifici, F. On the Predictive Value of the WorldView3. باندهای طیفی VNIR و SWIR. در مجموعه مقالات سمپوزیوم بین المللی علوم زمین و سنجش از دور IEEE (IGARSS 2016)، پکن، چین، 10 تا 15 ژوئیه 2016؛ صص 898-901. [ Google Scholar ] [ CrossRef ]
  18. طاهرزاده، ا. شفری، توسعه HZM یک مدل عمومی برای تشخیص مصالح سقف بر اساس رویکرد مبتنی بر شی با استفاده از تصاویر ماهواره‌ای Worldview-2. Adv. Remote Sens. 2013 , 2 , 312-321. [ Google Scholar ] [ CrossRef ]
  19. جبرئیل، MBA؛ شفری، HZM; نقشه برداری نیمه خودکار جدید سقف های آزبست سیمانی با استفاده از آنالیز تصویر مبتنی بر قاعده و تکنیک بهینه سازی تاگوچی از تصاویر WorldView-2. بین المللی J. Remote Sens. 2017 ، 38 ، 467–491. [ Google Scholar ] [ CrossRef ]
  20. ابریها، د. کواچ، ز. نینسوات، س. برتالان، ال. بالاز، بی. Szabó، S. شناسایی مصالح سقف با تجزیه و تحلیل عملکرد متمایز و طبقه‌بندی‌کننده‌های جنگل تصادفی در تصاویر WorldView-2 با سطح تیز شده – مقایسه. آویزان شد. Geogr. گاو نر 2018 ، 67 ، 375-392. [ Google Scholar ] [ CrossRef ]
  21. QGIS. در دسترس آنلاین: https://qgis.org/en/site/forusers/download.html (در 15 ژانویه 2019 قابل دسترسی است).
  22. Myint، SW; گوبر، پ. برازل، ا. گروسمن کلارک، اس. Weng، Q. طبقه‌بندی بر پیکسل در مقابل شیء مبتنی بر استخراج پوشش زمین شهری با استفاده از تصاویر با وضوح فضایی بالا. سنسور از راه دور محیط. 2011 ، 115 ، 1145-1161. [ Google Scholar ] [ CrossRef ]
  23. Blaschke, T. تجزیه و تحلیل تصویر مبتنی بر شی برای سنجش از راه دور. ISPRS J. Photogramm. Remote Sens. 2010 , 65 , 2-16. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  24. دیجیتال گلوب. در دسترس آنلاین: https://www.digitalglobe.com/ (در 22 ژانویه 2019 قابل دسترسی است).
  25. جنسون، جی آر. Cowen، DC سنجش از دور زیرساخت‌های شهری/حومه‌ای و ویژگی‌های اجتماعی-اقتصادی. فتوگرام مهندس Remote Sens. 1999 , 65 , 611-622. [ Google Scholar ]
  26. جعبه ابزار Orfeo. در دسترس آنلاین: https://www.orfeo-toolbox.org/ (در 22 ژانویه 2019 قابل دسترسی است).
  27. کولکارن، م. Lowe, B. الگوریتم جنگل تصادفی برای طبقه بندی پوشش زمین. بین المللی J. نوآوری اخیر. محاسبه گرایش ها اشتراک. 2016 ، 4 ، 58-63. [ Google Scholar ]
  28. ویتکامب، جی. مقدم، م. مک دونالد، ک. کلندورفر، جی. Podest، E. Wetlands نقشه آلاسکا با استفاده از تصاویر ماهواره ای رادار L-Band. می توان. J. Remote Sens. 2009 ، 35 ، 54-72. [ Google Scholar ] [ CrossRef ]
  29. تسو، بی. Mather, P. روش‌های طبقه‌بندی برای داده‌های سنجش از راه دور . تیلور و فرانسیس: لندن، انگلستان، 2001; صص 309-326. [ Google Scholar ]
  30. ریچاردز، JA Classifier عملکرد و دقت نقشه. سنسور از راه دور محیط. 1996 ، 57 ، 161-166. [ Google Scholar ] [ CrossRef ]
  31. مکلور، دی کی فریدل، MA برآورد اطمینان طبقه‌بندی پوشش زمین در مقیاس پیکسل با استفاده از روش‌های یادگیری ماشین ناپارامتریک. IEEE Trans. Geosci. Remote Sens. 2001 ، 39 ، 1959-1968. [ Google Scholar ] [ CrossRef ]
  32. SISPC – منطقه توسکانی در دسترس آنلاین: http://opendata.prevenzionecollettiva.toscana.it/ (دسترسی در 15 ژانویه 2019).
شکل 1. تصویری از مراحل مختلف پردازش فرآیند طبقه بندی. VNIR قابل مشاهده و نزدیک به مادون قرمز است.
شکل 2. تصویر چند طیفی به دست آمده از طریق pansharpening (رزولوشن: 50 سانتی متر).
شکل 3. همپوشانی ماسک شیپ فایل مربوط به ساختمان ها، با استفاده از گزیده تصویر ماهواره ای تیز شده.
شکل 4. نتایج فیلتر ماسک مربوط به ساختمان های درگیر.
شکل 5. رابط کاربری پلاگین RoofClassify.

بدون دیدگاه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.