در نظر گرفتن سطح اطمینان در عمق سنجی چند رویکردی مشتق از ماهواره

خلاصه

سرویس هیدروگرافی کانادا (CHS) نمودارهای دریایی را منتشر می کند که تمام آب های کانادا را پوشش می دهد. از طریق پروژه‌هایی با آژانس فضایی کانادا، CHS تکنیک‌های سنجش از دور را برای پشتیبانی از کاربردهای هیدروگرافی بررسی کرده است. یکی از چالش‌هایی که CHS با آن مواجه شده است مربوط به تعیین کمیت اعتماد آن در محصولات سنجش از دور است. این امر به‌ویژه با Bathymetry مشتق از ماهواره (SDB) که در آن حداقل داده‌های درجا ممکن است برای اعتبارسنجی وجود داشته باشد چالش برانگیز است. این مقاله یک رویکرد سطح اطمینان را پیشنهاد می‌کند که در آن حداقل تعداد تکنیک‌های SDB مورد نیاز است تا در یک سطح تعریف‌شده به توافق برسند تا تخمین‌های SDB حفظ شوند. این رویکرد برای یک سایت قطب شمال کانادا، شامل چهار تکنیک: تجربی، طبقه‌بندی و فتوگرامتری (اتوماتیک و دستی) اعمال شد. بر اساس دستورالعمل‌های سازمان بین‌المللی هیدروگرافی (IHO)، هر رویکرد فردی نتایجی را ارائه می‌دهد که نیاز سطح C رده مناطق اطمینان (CATZOC) را برآورده می‌کند. با استفاده از رویکرد سطح اطمینان، که در آن ترکیب‌های تکنیک در فاصله 1 متری توافق شده است (به عنوان مثال، همه موافق، سه موافق، دو موافق) بخش‌های بزرگی از عمق‌سنجی استخراج‌شده اکنون می‌تواند نیاز CATZOC A2/B را برآورده کند. مناطقی که حداقل سه رویکرد در آنها توافق شده است، دقت 1.2 متر دارند و 81٪ از سطح کل را نشان می دهند. تکنیک پیشنهادی نه تنها دقت کلی را افزایش می‌دهد، بلکه برخی از عدم قطعیت‌های مرتبط با SDB را نیز حذف می‌کند، به‌ویژه برای مکان‌هایی که داده‌های اعتبارسنجی درجا در دسترس نیستند. این رویکرد می تواند گزینه ای برای دفاتر هیدروگرافی برای افزایش اعتماد به SDB فراهم کند.

کلید واژه ها:

خدمات هیدروگرافی کانادا ; حمام سنجی مشتق از ماهواره ; تجربی ; طبقه بندی ; فتوگرامتری ؛ سطح اعتماد به نفس

1. معرفی

سرویس هیدروگرافی کانادا (CHS) مسئول ارائه محصولات و خدمات هیدروگرافی برای اطمینان از استفاده ایمن، پایدار و قابل کشتیرانی از آبراه های کانادا است. از آنجایی که کانادا دارای طولانی ترین خط ساحلی در جهان است، CHS با حمایت آژانس فضایی کانادا از طریق پروژه برنامه ابتکاری مرتبط با دولت (GRIP)، در حال بررسی فناوری های سنجش از دور برای کمک به بهبود محصولات دریایی خود است. GRIP CHS بر کاربردهای خاص داده های رصد زمین (EO) متمرکز است: استخراج خط ساحلی، تشخیص تغییر و عمق سنجی مشتق از ماهواره (SDB).

تا به امروز، تحقیقات SDB بر توسعه رویکردهای تجربی جدید [ 1 ، 2 ، 3 ] و مبتنی بر فیزیک [ 4 ، 5 ]، و همچنین کاربرد این تکنیک ها [ 6 ، 7 ، 8 ] متمرکز شده است. تحقیقات CHS تجربی [ 9 ] و فتوگرامتری [ 10تکنیک‌های SDB پتانسیل این رویکردها را برای استخراج تخمین‌های عمق سنجی دقیق در آب‌های کانادا نشان داده‌اند. در حالی که نشان دهنده پیشرفت عالی برای تخمین عمق آب از تصاویر ماهواره ای است، چالش های قابل توجهی با ارائه دفاتر هیدروگرافی (HOs) با اطمینان کافی در تخمین های SDB برای اجازه دادن به اطلاعات در محصولات رسمی دریایی وجود دارد. در سطح بین‌المللی، همه منابع اطلاعات عمق آب باید دارای مشخصات دقت برای محدوده‌های عمقی خاص باشند، که توسط سطوح رده مناطق مطمئن (CATZOC) سازمان بین‌المللی هیدروگرافی (IHO) تعریف شده است (به بخش 4.3 مراجعه کنید تا یک نمای کلی از سطوح CATZOC را ببینید ) [ 11 ] . همانطور که CHS در [ 9 ] و [ 10 نشان داده است]، SDB که از طریق تکنیک‌های مختلف به دست می‌آید می‌تواند مرتباً به سطح CATZOC C برسد. در حالی که این نشان‌دهنده دقت معقولی برای اطلاعات مشتق‌شده از ماهواره است، سازمان‌ها تمایل دارند تا اعتماد خود را به نتایج SDB بهبود بخشند. همچنین، تعیین‌های CATZOC تنها زمانی به دست می‌آیند که اطلاعات عمق سنجی درجا در دسترس باشد، و اطمینان HO را در نتایج SDB زمانی که فقط اطلاعات عمق درجا محدود یا بدون اطلاعات درجا در دسترس باشد محدود می‌کند.

این مقاله یک تکنیک جدید برای کمی کردن اطمینان در برآوردهای SDB پیشنهاد می‌کند: سطحی از ارزیابی اطمینان. این روش با تعیین سطح توافق بین چندین تکنیک SDB اعمال شده در یک سایت واحد عمل می کند. در ابتدا، توافق بین تمام تکنیک‌های کاربردی (چهار مورد برای این مطالعه: تجربی، طبقه‌بندی و فتوگرامتری (اتوماتیک و دستی)) ارزیابی می‌شود. توافق بعدی سپس برای ترکیب های مختلف تکنیک ها ارزیابی می شود (به عنوان مثال، سه موافق، دو موافق)، اجازه می دهد پوشش SDB به تدریج افزایش یابد و در عین حال بالاترین درجه اطمینان ممکن را در نتایج حفظ کند. برآوردهای نهایی SDB از طریق میانگین نتایج SDB برای تکنیک های گنجانده شده در هر ترکیب به دست می آید.

نتایج این کار مزایای تکمیل سطح ارزیابی اطمینان را نشان می‌دهد و رویکرد جدیدی را برای سازمان‌ها برای ارزیابی نتایج SDB پیشنهاد می‌کند:

استفاده از رویکرد سطح اطمینان، دقت کلی SDB را افزایش داد، و به تخمین‌ها اجازه داد که به طور مداوم به دقت سطح CATZOC A2/B در مقایسه با عمق‌سنجی درجا برسند.
درک توافق بین تکنیک های مختلف SDB باعث افزایش اطمینان در کاربرد SDB می شود، به ویژه برای مناطقی که عمق سنجی درجا محدود یا در دسترس نیست (به عنوان مثال، اگر چهار تکنیک SDB نتایج مشابهی ایجاد کنند، اطمینان کلی در صحت هر نتیجه افزایش می یابد).
ماهیت انعطاف‌پذیر این رویکرد اجازه می‌دهد تا هر شکلی از تکنیک SDB گنجانده شده و ارزیابی شود، و امکان استفاده بیشتر از نقاط قوت رویکردهای تجربی، فیزیک و فتوگرامتری را به صورت ترکیبی فراهم می‌کند.
سطوح اطمینان ایجاد شده به عنوان بخشی از فرآیند همچنین می‌تواند به عنوان ابزار کنترل کیفیت (QC) برای مناطقی که تکنیک‌های کمتری موافق هستند (مثلاً ارزیابی عدم توافق چندین تکنیک برای یک منطقه خاص) استفاده شود.

CHS معتقد است که از طریق تکمیل ارزیابی سطح اطمینان، HOهای بین المللی می توانند اعتماد کلی خود را به SDB افزایش دهند و به طور بالقوه امکان افزایش استفاده از SDB را در محصولات هیدروگرافی بین المللی فراهم کنند.

2. مواد و روشها

2.1. سایت مطالعه

استفاده اولیه CHS از SDB در قطب شمال کانادا خواهد بود، جایی که بیشترین غلظت شکاف ها در بررسی های هیدروگرافی CHS وجود دارد. مکان این مطالعه در آب‌های نزدیک خلیج کمبریج (69°07’N، 105°02’W)، دهکده‌ای واقع در جزیره ویکتوریا، نوناووت ( شکل 1 ) واقع شده است. آب در خلیج کمبریج به طور کلی شفاف با دید عمقی حدود 15 متر است. قسمت پایین عمدتاً از ماسه و سنگ تشکیل شده است، اما محیط اعماق دریا ناهمگن تر است و دارای تکه های متعددی از پوشش گیاهی است که این سایت را تا حدودی برای SDB پیچیده می کند.

2.2. تصویربرداری ماهواره ای

یک جفت استریو WorldView-2 که در 20 سپتامبر 2015 در خلیج کمبریج به دست آمد برای این مطالعه استفاده شد ( شکل 2 ). تصویر رو به جلو برای رویکردهای تجربی و طبقه‌بندی SDB استفاده شد. جدول 1 جزئیات هندسه مشاهده جفت تصویر را ارائه می دهد.

2.3. بررسی های هیدروگرافی

برای این تحقیق، اطلاعات هیدروگرافی درجا برای دو جنبه مطالعه مورد نیاز بود: آموزش مدل‌های مورد استفاده برای رویکردهای تجربی و طبقه‌بندی و برای ارزیابی دقت تمام تکنیک‌ها. مجموعه داده درجا از پنج بررسی هیدروگرافیک CHS تشکیل شده است: سه بررسی سونار چند پرتویی که در سال‌های 2014، 2015 و 2017 به دست آمد، و همچنین دو بررسی تشخیص نور و محدوده (LiDAR) که در سال‌های 1985 و 1992 با استفاده از سیستم Larsen 500 به دست آمدند (جدول 2 ) . . سن مجموعه داده های LiDAR کمتر از حد ایده آل است و منجر به برخی عدم قطعیت ها نسبت به مجموعه داده های چند پرتو می شود (به یک بحث مفصل در [ 10 مراجعه کنید.]). با این وجود، بررسی‌های LiDAR منبع مهمی از اطلاعات اعتبارسنجی برای اعماق کم، به‌ویژه از ۰ تا ۲ متر است. پوشش جغرافیایی اندازه‌گیری‌های LiDAR نیز گسترده‌تر از بررسی‌های چند پرتوی است ( شکل 3 )، که آن را برای درک الگوهای فضایی عدم قطعیت در تخمین‌های SDB حیاتی می‌سازد.

2.4. روش های SDB

برآوردهای SDB به طور مستقل از تصاویر WorldView-2 از طریق چهار تکنیک که در زیر توضیح داده شده است، استخراج شد. نتایج حاصل از این تکنیک‌ها سپس برای توسعه تخمین‌های نهایی SDB از طریق رویکرد سطح اطمینان مورد استفاده قرار گرفت.

2.4.1. تجربی

روش‌های تجربی SDB رابطه‌ای بین عمق آب (معمولاً از طریق اندازه‌گیری عمق در محل) و مقادیر باند نوری ایجاد می‌کنند تا امکان تخمین عمق در یک تصویر را فراهم کند. برای این مطالعه، رویکرد چند باند توسعه یافته توسط Lyzenga [ 2 ] برای استفاده انتخاب شد زیرا به طور مداوم در تحقیقات قبلی CHS به دقت خوبی دست یافته است [ 9 ، 12 ]. این روش ابتدا درخشندگی آب را شناسایی می کند ( Lw) مقادیر برای آب های عمیق نوری ( L∞). فرض بر این است که هر پیکسلی حاوی مقادیر بالا باشد L∞از انعکاس سطح زیر آب، که به طور تصاعدی توسط ستون آب ضعیف می شود، مشارکت دارند. بنابراین، ثابت ها را می توان به صورت تجربی تعیین کرد تا تفاوت تصحیح شده با ورود به سیستم را به هم پیوند دهند Lwو L∞باندهای متعدد به عمق، همانطور که در رابطه (1) نشان داده شده است [ 2 ]:

z=آ0+∑من=1نآمن لn[Lwمن-L∞من]

(1)

جایی که zعمق است، منپارامترهای باند خاص را نشان می دهد و آنشان دهنده ثابت های تعیین شده تجربی است. با توجه به ویژگی‌های آن، این روش به شدت به عمق آب ورودی مورد استفاده برای تمرین و همچنین ویژگی‌های تصویر (به عنوان مثال، درجه دید به پایین، حضور درخشش خورشید و ویژگی‌های جوی) وابسته است. داده‌های نظرسنجی مورد استفاده برای تامین عمق آب آموزشی بهترین موجود را برای سایت نشان می‌دهد، در حالی که تصاویر ورودی WorldView حاوی دید خوب پایین، تأثیر محدود جو و حداقل درخشش خورشید بود.

مدل چند باندی فرض می کند که مقادیر خاکستری هر نوار دارای یک رابطه خطی با عمق آب است. برای تعیین اینکه کدام باندها برای هر مکان مطالعه در مدل بهترین هستند، نمودارهای پراکنده مقادیر باند نسبت به عمق بررسی تولید شد که اجازه می‌دهد درجه خطی بودن رابطه ارزیابی شود. برای این مطالعه از نوارهای چندطیفی آبی، سبز، قرمز و زرد WorldView-2 استفاده شد.

2.4.2. طبقه بندی

یک تکنیک طبقه بندی درخت تصمیم گیری تصادفی جنگل [ 13 ] نیز استفاده شد. به عنوان اولین گام، مناطق آموزشی در تصویر WorldView-2 بر اساس ویژگی های طیفی مشابه مشخص شدند. سپس این چند ضلعی ها با کلاس های عمقی خاص (فاصله های 0.5 متر) با استفاده از اعماق بررسی هیدروگرافی موجود مرتبط شدند. طبقه بندی جنگل تصادفی با استفاده از این مناطق آموزشی با باندهای چندطیفی WorldView-2 (قرمز، سبز، آبی و زرد) با استفاده از زبان آماری R [ 14] اعمال شد.]. مشابه رویکرد تجربی، تکنیک طبقه‌بندی به عمق آب مورد استفاده برای توسعه مدل و همچنین ویژگی‌های تصویر حساس است. با این حال، این تکنیک نیازی ندارد که هر باند رابطه خاصی با عمق داشته باشد.

2.4.3. فتوگرامتری خودکار

استخراج خودکار فتوگرامتری تکنیک‌های تطبیق تصویر را با اصول مثلث‌سازی فتوگرامتری ترکیب می‌کند. روش ضریب همبستگی برای تطبیق استریو در دهه 1970 توسعه یافت [ 15 ]. از آن زمان، پیشرفت‌های زیادی برای به‌روزرسانی عملکرد تطبیق تصویر انجام شده است [ 16 ، 17 ، 18 ]. هیرشمولر [ 19] مفهوم یک الگوریتم تطبیق نیمه جهانی (SGM) را معرفی کرد که بر اساس تطبیق پیکسل به پیکسل بین تصاویری است که یک جفت استریو را تشکیل می دهند. این الگوریتم به ویژه هنگام استفاده از جفت‌های استریو با وضوح بالا مفید است زیرا ویژگی‌های یکسان را می‌توان به راحتی بین جفت‌ها در داده‌های با وضوح بالا شناسایی کرد. این مطالعه از یک رویکرد SGM موجود در PCI Geomatica 2017 برای استخراج خودکار یک مدل سطح دیجیتال برای تصویر WorldView-2 استفاده کرد. تصحیح انکسار نور، همانطور که در [ 10 ] توضیح داده شد، برای محاسبه تأثیر شکست و رابط هوا و آب اجرا شد.

برخلاف رویکردهای تجربی و طبقه‌بندی، رویکرد فتوگرامتری خودکار برای تخمین SDB به عمق آب درجا تکیه نمی‌کند و از سوگیری‌های احتمالی ناشی از داده‌های آموزشی جلوگیری می‌کند. با این حال، این روش به ویژگی‌های سایت و تصاویر بسیار حساس است زیرا ویژگی‌های متضاد برای پشتیبانی از تطابق تصویر مورد نیاز است. از طریق ارزیابی اولیه CHS از فتوگرامتری خودکار برای تخمین عمق سنجی [ 10 ]، اشاره شد که این تکنیک در هنگام تلاش برای تطبیق جفت‌های استریو در مناطق همگن بستر دریا با چالش‌هایی مواجه شد. همچنین، مناطقی که دارای تنوع زمانی قوی هستند (به عنوان مثال، مناطق حاوی امواج) را نمی توان به راحتی از طریق این رویکرد مطابقت داد.

2.4.4. فتوگرامتری دستی

فتوگرامتری اطلاعات سه بعدی را بر اساس دو صحنه مختلف که به صورت متوالی با هندسه مشاهده متفاوت به دست آمده اند استخراج می کند. این تصاویر برای ایجاد یک نمای سه بعدی، شبیه به اثری که توسط چشم انسان انجام می شود، استفاده می شود. فتوگرامتری ها از دید دوچشمی و درک عمق برای استخراج مختصات XYZ ویژگی های جفت استریو استفاده می کنند. موقعیت ها از طریق مثلث بندی با در نظر گرفتن هندسه مشاهده سنسور در زمان بدست آوردن محاسبه می شوند. در اینجا، یک تحلیل فتوگرامتری معمولی برای استخراج دستی عمق از تصاویر استریو با استفاده از نرم افزار SOCET SET استفاده شد. فتوگرامتری از تعداد کمی از داده‌های بررسی در محل در مکان‌های مختلف داخل تصویر برای تصحیح تأثیر شکست نور و اثرات جزر و مدی بر عمق تخمینی آب هنگام استخراج مختصات XYZ استفاده کرد. در مقایسه با روش‌های دیگر، تکنیک فتوگرامتری دستی سوگیری‌ها را از منابع اطلاعات آموزشی و محدودیت‌های تطبیق خودکار جفت را حذف می‌کند. با این حال، این تکنیک به شدت تحت تأثیر فردی است که تطبیق استریو را تکمیل می کند، که منجر به مشکلاتی در تکرار نتیجه می شود. قابلیت فتوگرامتری دستی برای تخمین عمق آب قبلاً در [ با این حال، این تکنیک به شدت تحت تأثیر فردی است که تطبیق استریو را تکمیل می کند، که منجر به مشکلاتی در تکرار نتیجه می شود. قابلیت فتوگرامتری دستی برای تخمین عمق آب قبلاً در [ با این حال، این تکنیک به شدت تحت تأثیر فردی است که تطبیق استریو را تکمیل می کند، که منجر به مشکلاتی در تکرار نتیجه می شود. قابلیت فتوگرامتری دستی برای تخمین عمق آب قبلاً در [10 ، 20 ].

2.4.5. آموزش رویکرد تجربی و طبقه بندی

برای رویکردهای تجربی و طبقه‌بندی، نمونه‌ای تصادفی از داده‌های بررسی موجود به منظور توسعه مدل تجربی و آموزش طبقه‌بندی تصادفی جنگل انتخاب شد. برای رویکرد تجربی، داده‌های نظرسنجی به مناطقی از پایین که به وضوح در تصاویر قابل مشاهده بودند، محدود شد. داده های نظرسنجی در مناطق تاریک (به عنوان مثال، پوشش گیاهی زیر آب و آب عمیق) حذف شدند. برای رویکرد طبقه‌بندی، عمق بررسی از 0 تا 20 متر برای آموزش مدل حفظ شد، زیرا دید از طریق ستون آب در اعماق بیشتر محدود بود. برای هر دو رویکرد، 10٪ از داده های نظرسنجی که این محدودیت ها را برآورده می کردند، برای آموزش انتخاب شدند.

2.5. رویکرد سطح اعتماد

روش سطح اطمینان پیشنهادی از طریق درک سطح توافق بین هر یک از تکنیک‌های SDB کاربردی عمل می‌کند. هدف آن ایجاد یک برآورد نهایی SDB است که در آن بیشترین تعداد تکنیک ها در محدوده اختلاف مجموعه ای برای بزرگترین منطقه جغرافیایی مطابقت دارند. این امر از طریق مراحل زیر حاصل می شود:

حداکثر اختلاف مجاز بین برآوردهای SDB تعیین می شود. برای این کار، اختلاف 1 متر به عنوان هدف CHS برای دستیابی به برآوردهای SDB در 1 متر از عمق سنجی دنیای واقعی انتخاب شد.
تفاوت های مطلق بین هر تکنیک کاربردی محاسبه می شود (به عنوان مثال، طبقه بندی تجربی منهای، طبقه بندی منهای فتوگرامتری دستی، و غیره).
پیکسل‌هایی که در آن‌ها همه تکنیک‌ها در سطح تفاوت تعریف‌شده (یعنی ۱ متر) توافق دارند، شناسایی می‌شوند. اینها مکان‌هایی را نشان می‌دهند که می‌توانیم بیشترین اطمینان را به نتایج داشته باشیم، زیرا همه تکنیک‌ها پاسخ مشابهی را تولید می‌کنند.
تخمین نهایی SDB از طریق میانگین نتایج SDB از تمام تکنیک ها برای پیکسل های شناسایی شده محاسبه می شود. این رویکرد پتانسیل برای نقاط پرت را کاهش می دهد، که ممکن است در صورتی رخ دهد که تنها از یک تکنیک برای تولید SDB برای یک پیکسل معین استفاده شود.
مراحل 2 تا 3 به طور مکرر تکرار می شوند تا مکان هایی را شناسایی کنند که تعداد کمتری از تکنیک ها در سطح تعریف شده مطابقت دارند. برای این کار، نویسندگان مکان‌هایی را شناسایی کردند که در آن سه تکنیک در فاصله 1 متری توافق داشتند، سپس در آن دو روش با یکدیگر موافق بودند.
مرحله 4 سپس برای هر ترکیب تکنیک بررسی شده تکرار می شود، با نتایج متوسط فقط برای پیکسل هایی که در توافق بین تعداد بیشتری از تکنیک های ترکیبی وجود نداشتند، به دست می آید. به عنوان مثال، میانگین SDB برای مکان‌هایی که سه تکنیک با هم موافق هستند، محاسبه نمی‌شود، اگر برای مکان‌های مشابه، چهار تکنیک موافق باشند، زیرا میانگین نتیجه از چهار تکنیک حفظ می‌شود.

2.5.1. ترکیب چند رویکرد

برای مرحله 5، که در بالا ذکر شد، چندین ترکیب از سه و دو تکنیک وجود دارد که می توان آنها را انتخاب کرد. نویسندگان برای تعیین ترکیبی از تکنیک‌ها در مدل SDB چند رویکردی، و همچنین زمان استفاده از آن‌ها، دقت کلی هر ترکیب را در مقایسه با داده‌های نظرسنجی موجود ارزیابی کردند (به بخش 2.5.2 مراجعه کنید .زیر). به هر ترکیب بر اساس این دقت ها رتبه ای اختصاص داده شد. این رتبه ترتیبی را تعیین می کند که هر ترکیب در برآورد نهایی SDB مشارکت داشته است. ترکیب‌های رتبه‌بندی پایین‌تر فقط برای پیکسل‌هایی استفاده می‌شوند که سطح توافق تعریف شده ۱ متری را در ترکیب‌های رتبه‌بندی بالاتر برآورده نمی‌کنند. ترکیب‌هایی که تعداد بیشتری از تکنیک‌ها را در خود جای داده بودند، به‌طور خودکار رتبه بیشتری را به خود اختصاص دادند، حتی اگر به یک ریشه میانگین مربع خطای بالاتر (RMSE) دست یافتند. پیکسل‌هایی که در فاصله 1 متری برای ترکیبی از تکنیک‌ها مطابقت نداشتند، از نتیجه نهایی SDB حذف شدند، همانطور که پیکسل‌هایی که حاوی نتایج همه تکنیک‌ها نبودند. تکنیک رتبه‌بندی اولین تکرار را برای گروه‌بندی خودکار SDB تکنیک‌های مختلف در یک مدل ارائه می‌کند، اما همانطور که در بخش 3.1 توضیح داده شد.، عوامل دیگری می توانند بر نتایج رویکردهای مختلف تأثیر بگذارند. به منظور استفاده تا حد امکان از نقاط قوت هر رویکرد، تکمیل یک QC بصری از هر ترکیب مهم است. نواحی که با سه یا چند تکنیک مطابقت دارند سطح بالایی از اعتماد به نفس دارند و بنابراین نیازی به مداخله دستی ندارند. مناطقی که فقط با دو یا کمتر رویکرد مرتبط هستند، سطح اطمینان کمتری دارند و باید به صورت بصری بررسی شوند تا اطمینان حاصل شود که بهترین نتایج در محصولات نهایی استفاده می شود.

2.5.2. ارزیابی دقت

ارزیابی دقت برای تعیین رتبه ترکیب تکنیک های مختلف (همانطور که در بخش 2.5.1 توضیح داده شد ) استفاده شد. داده های بررسی درجا CHS شرح داده شده در بخش 2.3 برای محاسبه آمار RMSE برای تفاوت بین اعماق تخمینی SDB و اعماق بررسی درجا استفاده شد. RMSEهای کلی برای اعماق تا 10 متر به منظور درک دقت کلی هر ترکیب محاسبه شد. اعماق بیشتر از این ارزیابی حذف شد زیرا برخی از رویکردها در هنگام تخمین آب عمیق تر با محدودیت مواجه شدند.

ارزیابی‌های دقت نیز برای برآورد نهایی SDB که از رویکرد سطح اطمینان حاصل می‌شود و برای تکنیک‌های SDB فردی تکمیل شد. این امکان را برای درک درجه بهبود دقت (در صورت وجود) در هنگام اجرای رویکرد سطح اطمینان فراهم کرد. برای این ارزیابی‌ها، خطای خطی در سطح اطمینان 90 درصد (LE90) برای هر رویکرد محاسبه شد، که امکان درک سطحی را فراهم می‌کند که در آن انتظار می‌رود 90 درصد از خطاهای SDB نسبت به داده‌های بررسی به طور کلی و برای عمق خاص رخ دهد. محدوده (به عنوان مثال، 0-2 متر). محاسبه LE90 امکان مقایسه مستقیم با الزامات CATZOC را فراهم می کند (به بخش 4.3 مراجعه کنید ). سوگیری کلی نیز برای ارزیابی روند خطا برای هر رویکرد محاسبه شد.

3. نتایج

3.1. رویکردهای فردی

از نظر سطح کل عمق سنجی استخراج شده پس از اعمال چهار روش SDB، روش استخراج فتوگرامتری دستی رویکردی بود که بیشترین پوشش SDB را ارائه کرد و به دنبال آن رویکردهای طبقه بندی، تجربی و استخراج خودکار فتوگرامتری (شکل 4) قرار گرفتند . تکنیک فتوگرامتری دستی 100٪ از منطقه را برای اعماق 0-20 متر استخراج کرد، که 81٪ از طبقه بندی، 59٪ از روش تجربی و 39٪ از رویکرد فتوگرامتری خودکار دنبال شد.

جدول 3نتایج ارزیابی دقت را برای هر یک از تکنیک‌های SDB منفرد نسبت به داده‌های اعتبارسنجی عمق سنجی درجا ارائه می‌کند. تکنیک‌های SDB منفرد به طور کلی نتایج خوبی ایجاد می‌کنند، با اکثر آنها LE90 نزدیک به 1 متر برای محدوده‌های عمقی فردی به دست می‌آیند. رویکرد تجربی بهترین نتیجه کلی را با LE90 0.95 متر برای اعماق 0-10 متر ارائه کرد. متأسفانه، پایداری محدود رویکرد تجربی برای اعماق 0-4 متر (احتمالاً به دلیل تعداد کمتر نقاط بررسی برای این اعماق و/یا اتکای بیش از حد به اندازه‌گیری‌های LiDAR) از کاربرد طبقه‌بندی CATZOC A2/B جلوگیری می‌کند. روش فتوگرامتری خودکار دومین بهترین دقت کلی را ارائه می دهد و سپس روش فتوگرامتری دستی را ارائه می دهد. روش فتوگرامتری خودکار نتایج خوبی برای اعماق 0-4 متر به دست آورد. در حالی که تکنیک فتوگرامتری دستی نتایج ثابتی را برای همه دامنه‌های عمق ایجاد کرد، اگرچه در سطح اطمینان بدتری نسبت به بسیاری از تکنیک‌های دیگر. نتایج تصادفی جنگل بدترین سطح اطمینان را از 0 تا 10 متر ارائه کرد اما نتایج خوبی برای اعماق کم (تا 4 متر) ایجاد کرد. بر اساس این نتایج، ذکر این نکته حائز اهمیت است که هر یک از رویکردها دارای نقاط قوت و ضعف مربوط به محدوده عمق و ویژگی‌های فیزیکی محل مطالعه است. در حالی که هر تکنیک می تواند نتایج خوبی برای برخی از محدوده های عمق ایجاد کند، ناسازگاری های واضحی در پایداری نتایج بین تکنیک ها وجود دارد. نتایج تصادفی جنگل بدترین سطح اطمینان را از 0 تا 10 متر ارائه کرد اما نتایج خوبی برای اعماق کم (تا 4 متر) ایجاد کرد. بر اساس این نتایج، ذکر این نکته حائز اهمیت است که هر یک از رویکردها دارای نقاط قوت و ضعف مربوط به محدوده عمق و ویژگی‌های فیزیکی محل مطالعه است. در حالی که هر تکنیک می تواند نتایج خوبی برای برخی از محدوده های عمق ایجاد کند، ناسازگاری های واضحی در پایداری نتایج بین تکنیک ها وجود دارد. نتایج تصادفی جنگل بدترین سطح اطمینان را از 0 تا 10 متر ارائه کرد اما نتایج خوبی برای اعماق کم (تا 4 متر) ایجاد کرد. بر اساس این نتایج، ذکر این نکته حائز اهمیت است که هر یک از رویکردها دارای نقاط قوت و ضعف مربوط به محدوده عمق و ویژگی‌های فیزیکی محل مطالعه است. در حالی که هر تکنیک می تواند نتایج خوبی برای برخی از محدوده های عمق ایجاد کند، ناسازگاری های واضحی در پایداری نتایج بین تکنیک ها وجود دارد.

سایر عوامل فیزیکی می توانند نقش عمده ای در دقت SDB ایفا کنند و باید هنگام انتخاب یک رویکرد در نظر گرفته شوند. یکی از این عوامل نوع بستر دریا است. برای هر یک از تکنیک های مورد بررسی، ویژگی های بستر دریا می تواند اثرات مفید و مضری داشته باشد. ویژگی‌های تاریک، که معمولاً توسط پوشش گیاهی زیر آب ایجاد می‌شوند، برای رویکرد تجربی نگرانی خاصی دارند زیرا ویژگی‌های تاریک را با آب‌های عمیق اشتباه می‌گیرند ( شکل 5 ). در مقابل، تکنیک های فتوگرامتری خودکار و دستی تحت تأثیر ویژگی های تاریک زیر آب قرار نمی گیرند. رویکردهای فتوگرامتری در واقع از چنین مناطق تاریکی سود می برند، زیرا لبه های ایجاد شده توسط این ویژگی ها به تطابق تصویر کمک می کنند [ 10 ، 20]]. محیط اعماق دریا نیز چالش هایی را برای طبقه بندی تصادفی جنگل ایجاد می کند اما نتایج بهبود یافته ای را نسبت به رویکرد تجربی نشان می دهد. این عمدتاً به این دلیل است که رویکرد طبقه‌بندی درخت تصمیم، مجموعه قوانین خاصی را بر اساس تعریف منطقه آموزشی تعریف می‌کند. مدل درخت تصمیم تصادفی جنگل برای گرفتن غیرخطی در داده ها با تقسیم داده های کلی به فضاهای فرعی کوچکتر (درخت تصمیم) بر اساس کلاس های آموزشی تعریف شده، بهتر عمل می کند. این بر نتیجه کلی تأثیر می گذارد و برای تمایز بین ویژگی های تاریک و آب عمیق آشکارتر است.

در حالی که رویکردهای فتوگرامتری از یک کف متغیر سود می برند، انواع کف همگن (به عنوان مثال، ماسه) می توانند تأثیر منفی داشته باشند، به ویژه برای روش خودکار [ 10 ، 20 ]. از آنجایی که تکنیک فتوگرامتری خودکار مبتنی بر تطابق تصویر است، ناهمگونی درون تصویر تطبیق پیکسل را تسهیل می‌کند. در مناطق همگن، الگوریتم با مشکلات تطبیق پیکسل‌ها مواجه می‌شود و از دستیابی به همبستگی جلوگیری می‌کند.

3.2. سطح اعتماد و مدل SDB چند رویکردی

جدول 4 RMSE های کلی را برای هر ترکیبی از تکنیک های ارزیابی شده برای این مطالعه به همراه رتبه اختصاص داده شده به هر ترکیب ارائه می دهد. درصد مساحت تحت پوشش چهار، سه و دو ترکیب نیز ذکر شده است. این ترتیبی را تعیین کرد که در آن هر ترکیب برای تولید مدل ترکیبی SDB چند رویکردی اعمال شد.

شکل 6 یک نمایش جغرافیایی از مکان هایی را نشان می دهد که در آن چهار، سه و دو تکنیک توافق شده اند. 81% از مقادیر دارای سطح بالایی از اطمینان بودند (یعنی حداقل سه رویکرد موافق هستند) و بنابراین نیازی یا نیاز به QC کمتری ندارند. مقادیری که با حداقل دو رویکرد موافق بودند، 19 درصد از کل منطقه همپوشانی را نشان می دادند. برای این مناطق، سطح اطمینان کمتری تعیین شده است و باید در آینده توسط یک متخصص سنجش از دور بررسی شود. نقاط قوت و ضعف هر رویکرد همانطور که در بخش 3.1 توضیح داده شد باید برای تصمیم گیری مناسب در مورد ترکیبی از تکنیک ها استفاده شود. شکل 7مثالی را ارائه می دهد که در آن ماسک اطمینان سطح پایین را می توان به عنوان یک ابزار QC استفاده کرد. در این مثال، از آنجایی که محیط کف در حال ایجاد مشکلاتی برای تکنیک های تجربی و طبقه بندی است، اولویت باید به رویکردهای فتوگرامتری داده شود.

جدول 5 نتایج ارزیابی دقت را برای مدل SDB چند رویکردی نهایی ارائه می دهد. به منظور مقایسه نتایج با الزامات IHO، LE90 برای هر محدوده عمق محاسبه شد. در مقایسه با نتایج برای تکنیک‌های فردی ( جدول 3 )، میانگین‌گیری رویکردها باعث کاهش تعصب به سطوح ناچیز، در کمتر از 0.2 متر برای هر مقدار ترکیب ترکیبی شد. با ترکیب توافقی که در آن چهار و سه تکنیک موافق هستند، دقت را برای عمق 0 تا 10 متر حفظ می کنیم. نتایج مشابهی نیز برای آب های عمیق تر از 10 متر به دست می آید. در جایی که چهار و سه تکنیک موافق هستند، به ترتیب دقت 1.00 متر و 1.24 متر به دست می آید. شکل 8 یک نمای کلی از نتایج SDB چند رویکردی را ارائه می دهد.

4. بحث

4.1. بهبود دقت سطح اطمینان

از نتایج ارزیابی دقت ارائه شده در جدول 5 ، استفاده از تکنیک سطح اطمینان برای ساخت مدل SDB چند رویکردی منجر به بهبود قابل توجهی در مقادیر LE90 برای اکثر محدوده‌های عمق در مقایسه با نتایج برای تکنیک‌های SDB منفرد شد (جدول 3) .). در حالی که برخی از تکنیک‌های فردی نتایج بهتری را برای محدوده‌های عمقی خاص به دست آوردند، تکنیک چند رویکردی منجر به تغییرپذیری کمتر در همه محدوده‌های عمق شد. این نشان می دهد که با ترکیب نتایج جداگانه SDB از طریق یک رویکرد توافقی، از نقاط قوت هر تکنیک برای ایجاد یک نتیجه کلی بهبود یافته استفاده می شود. با میانگین تخمین عمق از چندین تکنیک SDB، نقاط دور از تکنیک های فردی کاهش می یابد و کیفیت کلی تخمین های SDB را بهبود می بخشد. روش پیشنهادی چند رویکردی نه تنها نتایج و اعتماد به داده‌ها را بهبود بخشید، بلکه تلاش QC مورد نیاز را نیز کاهش داد، زیرا منطقه‌ای که نیاز به QC دقیق‌تر داشت به 19٪ از سایت کاهش یافت. به منظور ساده‌سازی QC و خودکارتر کردن فرآیند، می‌توان یک طبقه‌بندی نوع بستر دریا را در سیستم رتبه‌بندی پیاده‌سازی کرد.

4.2. پوشش جغرافیایی

پوشش جغرافیایی نتایج SDB فردی ( شکل 4 ) بیشتر است، در برخی موارد به طور قابل توجهی، از پوشش ارائه شده توسط رویکرد سطح اطمینان ( شکل 8)). برای برخی از مکان ها، این به دلیل تنها یک تکنیک است که نتیجه را ایجاد می کند. بنابراین، می توان استدلال کرد که برخی از نتایج به دلیل حداقل نیاز برای حضور نتایج برای حداقل دو تکنیک در هر پیکسل، ناعادلانه از تکنیک سطح اطمینان حذف می شوند. با این حال، برای مناطق دیگر، پوشش از رویکرد سطح اطمینان حذف می‌شود، زیرا هیچ یک از تکنیک‌های SDB در فاصله 1 متری یکدیگر نتیجه نمی‌دهند. در چنین مواردی، مناسب بودن استفاده از هر تکنیک SDB در این مکان ها می تواند مورد تردید قرار گیرد. این یک ملاحظات مهم برای سازمان‌هایی است که اعتماد به اطلاعات یک نگرانی مهم است. در حالی که استفاده از رویکرد سطح اطمینان منجر به کاهش پوشش جغرافیایی می شود،

4.3. سازگاری استاندارد بین المللی

مناسب بودن بررسی های هیدروگرافیک برای برنامه های کاربردی نمودار با استفاده از استاندارد IHO S-57 [ 11 ] تعیین می شود. این استاندارد سطوح CATZOC را تعریف می کند که حاوی مشخصات دقت عمق برای محدوده های عمقی خاص است. جدول 6 خلاصه ای از الزامات دقت را برای هر سطح CATZOC برای اعماق تا 30 متر ارائه می دهد. برآوردهای SDB باید به سطح CATZOC اختصاص داده شود تا امکان ادغام در محصولات دریایی فراهم شود.

مقایسه تعاریف CATZOC با نتایج SDB به دست آمده برای هر تکنیک ( جدول 3) نشان می دهد که تمام تخمین های SDB با سطح CATZOC C مطابقت دارند. برای تکنیک‌ها و محدوده‌های عمقی خاص، دقت CATZOC A2/B به دست می‌آید. با این حال، ناسازگاری در نتایج بین تکنیک‌ها در اعماق مختلف، ناپایداری‌های موجود در رویکردهای فردی را برجسته می‌کند و درجه اطمینانی را که می‌توان در هر رویکرد واحدی قرار داد محدود می‌کند. در حالی که هر رویکرد پتانسیل دستیابی به دقت سطح CATZOC A2/B را دارد، پتانسیل وجود نقاط پرت در سرتاسر منطقه پوشش وجود دارد، به ویژه در جایی که داده های نظرسنجی برای اعتبار سنجی در دسترس نیست. این نشان دهنده یک مانع مهم برای ادغام SDB در محصولات هیدروگرافی است، زیرا HO ها به درجه بالایی از اطمینان در داده هایی که استفاده می کنند نیاز دارند.

استفاده از رویکرد سطح اطمینان منجر به بهبود دقت کلی و همچنین دقت برای محدوده‌های عمقی خاص شد ( جدول 5). در حالی که بهبود نسبت به تکنیک‌های SDB منفرد به طور کلی قابل‌توجه نیست، ثبات نتیجه و در نتیجه اطمینان کلی افزایش می‌یابد زیرا بیش از یک رویکرد برای یک مکان یک نتیجه مشابه ایجاد می‌کند. این امر به‌ویژه برای مناطق خارج از پوشش داده‌های نظرسنجی درجا مهم است زیرا نوعی اعتبار بخشی را ارائه می‌دهد. در حالی که به اندازه مقایسه با اطلاعات درجا قوی نیست، دانستن اینکه حداقل دو یا چند تکنیک SDB در یک سطح تعریف شده توافق شده اند، به طور قابل توجهی بهتر از عدم درک مناسب بودن SDB در خارج از مکان های داده نظرسنجی است. این یک ملاحظات مهم برای HO ها است، به خصوص که آنها برای اختصاص طبقه بندی CATZOC به تخمین های SDB کار می کنند. با به کارگیری این تکنیک،

4.4. استفاده از دفتر هیدروگرافی

CHS چندین استفاده بالقوه از رویکرد سطح اطمینان توسط HOها را برای افزایش ادغام SDB در محصولات دریایی پیش بینی می کند:

سطوح توافق خاص بین تکنیک‌های SDB را می‌توان برای کاربردهای فردی یا مناطق جغرافیایی تعیین کرد که بسته به نیازهای یک HO امکان انعطاف‌پذیری را فراهم می‌کند.
حداقل تعداد رویکردهایی که نیاز به توافق دارند را می توان برای محدود کردن استفاده از SDB به مکان های با اطمینان بالا تعریف کرد.
این رویکرد ممکن است فرصتی برای ارزیابی کامل‌تر کاربرد تکنیک‌های SDB مبتنی بر فیزیک باشد، زیرا می‌توان توافق آنها را نسبت به رویکردهای تجربی و فتوگرامتری ارزیابی کرد.
HO ها می توانند رویکردهای ترکیبی و/یا رتبه بندی متناسب با نیازهای فردی خود را توسعه دهند. به عنوان مثال، در صورت تمایل می توان به تکنیک های خاص به طور کلی یا برای مناطق جغرافیایی تعریف شده وزن بیشتری داد.

4.5. تحقیقات آینده

در حالی که رویکرد پیشنهادی روش جالبی را برای افزایش اعتماد کلی به نتایج SDB پیشنهاد می‌کند، کاربرد آن از تحقیقات بیشتر سود می‌برد:

تکرارپذیری – این مطالعه یک کاربرد واحد از رویکرد را در یک سایت نشان می دهد. برای درک بهتر مزایا و کاستی‌های این رویکرد، باید پیاده‌سازی‌های اضافی را در سایر مناطق جغرافیایی بررسی کرد.
وزن دهی تکنیک – این تجزیه و تحلیل تمام رویکردهای SDB اعمال شده را در هنگام توسعه ترکیب ها و ایجاد تخمین ترکیبی SDB نهایی به عنوان یکسان در نظر گرفت. با این حال، ممکن است موقعیت‌هایی وجود داشته باشد که در آن تکنیک‌های خاصی باید سنگین‌تر از سایر تکنیک‌ها وزن شوند (به عنوان مثال، دقت کلی، بازنمایی اعماق خاص، و دقت تخمین برای انواع مختلف پایین). درک اینکه آیا و چه زمانی رویکردهای خاص باید کمک بیشتری به رویکرد سطح اطمینان داشته باشند، احتمالاً اعتماد به نتایج رویکرد را بهبود می بخشد. این همچنین ممکن است منجر به گزینه‌هایی برای حفظ نتایج برای مکان‌هایی شود که در آن تنها یک تکنیک SDB را تولید می‌کند، اگر مناسب تشخیص داده شود.
سناریوهای تصویری چندگانه – در حالی که این مقاله فقط از یک تصویر استفاده می‌کند، برای سایت‌های خاص ممکن است چندین تصویر ماهواره‌ای در دسترس باشد. بررسی اینکه چگونه می‌توان این رویکرد را اصلاح کرد تا بفهمد چگونه نتایج SDB از تصاویر چندگانه با هم تداخل دارند، برای افزایش اعتماد به نتیجه کلی می‌تواند مفید باشد. رویکرد ارائه شده در [ 21 ] ممکن است نقطه شروع جالبی برای چنین تحقیقی باشد.

5. نتیجه گیری ها

برای سال‌های متمادی، SDB پتانسیل ارائه یک منبع دقیق و ارزان قیمت بیشتر از اطلاعات آب‌سنجی را ارائه کرده است. در حالی که نشان دهنده یک منبع داده بالقوه مهم برای بسیاری از HO ها است، جذب اطلاعات SDB برای استفاده در محصولات رسمی دریایی محدود شده است. بسیاری از دلایل این جذب محدود به دلیل سطح اطمینانی است که HOها به راحتی در منابع داده قرار می دهند. به عنوان یک موضوع مشترک در طول اولین کارگاه بین‌المللی سنجش از دور هیدروگرافیک با پشتیبانی IHO شناسایی شد (کارگاه توسط CHS با همکاری Service Hydrographique et Océanographique de la Marine (SHOM) و اداره ملی اقیانوسی و جوی (NOAA) میزبانی شد، 18 تا 20 سپتامبر 2018، اتاوا، انتاریو، کانادا.)، HO ها از اطلاعات SDB استفاده نخواهند کرد مگر اینکه بتوان آنها را تأیید کرد.

در این مقاله، CHS یک رویکرد سطح اطمینان را پیشنهاد کرده است تا ترکیبی از تخمین‌های SDB به‌دست‌آمده از تکنیک‌های متعدد را در جایی که آنها در یک سطح تعریف‌شده (مثلاً 1 متر) توافق دارند، ارائه دهد. از طریق یک طرح رتبه‌بندی، ترکیب‌های مختلفی از تکنیک‌ها برای ایجاد یک برآورد نهایی SDB ایجاد می‌شوند که در آن توافق در میان تکنیک‌ها برای بزرگ‌ترین منطقه ممکن بالاترین است. نتایج ارائه شده در این کار نشان می دهد که رویکرد سطح اطمینان آمار LE90 را به طور کلی و برای محدوده عمق فردی در بیشتر موارد بهبود می بخشد. اطمینان کلی CHS در سطح نتایج اطمینان نیز افزایش یافت، زیرا برای همه مکان‌های حاوی تخمین‌های SDB، حداقل دو تکنیک کاربردی در فاصله 1 متری توافق را نشان دادند.

CHS معتقد است تکنیک پیشنهادی به HO اجازه می دهد تا اعتماد بیشتری در نتایج SDB به دست آورند و امکان اجرای گسترده تر در محصولات دریایی را فراهم کند. HOها قادر خواهند بود سطح توافق مورد نیاز را تعریف کنند و همچنین تعداد مناسبی از تکنیک‌ها را تعیین کنند که باید برآوردهای SDB را برای یک منطقه ایجاد کنند. این رویکرد همچنین اجازه می دهد تا درک بهتری از مناسب بودن تکنیک های SDB در مناطقی که هیچ داده بررسی درجا وجود ندارد، فراهم شود، و اجازه می دهد تا نوعی اعتبار برای کل پوشش جغرافیایی برآوردهای SDB وجود داشته باشد. در حالی که نشان‌دهنده اولین قدم جالب است، تحقیقات آینده برای درک تکرارپذیری رویکرد، پتانسیل افزودن رویکردهای وزن‌دهی و چگونگی استفاده از این تکنیک برای ترکیب نتایج SDB به‌دست‌آمده از تصاویر متعدد مورد نیاز خواهد بود.

منابع

تکنیک‌های سنجش از دور غیرفعال Lyzenga، DR برای نقشه‌برداری عمق آب و ویژگی‌های پایین. Appl. انتخاب کنید 1978 ، 17 ، 379-383. [ Google Scholar ] [ CrossRef ] [ PubMed ]
Lyzenga، DR عمق سنجی آب کم عمق با استفاده از داده های ترکیبی LiDAR و اسکنر چندطیفی غیرفعال. بین المللی J. Remote Sens. 1985 ، 6 ، 115-125. [ Google Scholar ] [ CrossRef ]
Stumpf، RP; هولدرید، ک. سینکلر، ام. تعیین عمق آب با تصاویر با وضوح بالا بر روی انواع پایین متغیر. لیمنول اقیانوسگر. 2003 ، 48 ، 547-556. [ Google Scholar ] [ CrossRef ]
لی، ز. Carder، KL; موبلی، سی دی; Steward, RG; پچ، سنجش از دور فراطیفی JS برای آب های کم عمق: 2. استخراج اعماق پایین و ویژگی های آب با بهینه سازی. Appl. انتخاب کنید 1999 ، 38 ، 3831-3843. [ Google Scholar ] [ CrossRef ] [ PubMed ]
هدلی، جی. رولفسما، سی. وارونگی مدل انتقال تابشی کارآمد Phinn، SR برای کاربردهای سنجش از راه دور. سنسور از راه دور محیط. 2009 , 113 . [ Google Scholar ] [ CrossRef ]
میشرا، د. نارومالانی، س. لاوسون، ام. Rundquist، D. نقشه برداری عمق سنجی با استفاده از داده های چندطیفی IKONOS. GISci. Remote Sens. 2004 , 41 , 301-321. [ Google Scholar ] [ CrossRef ]
سو، اچ. لیو، اچ. هیمن، WD استخراج خودکار اطلاعات عمق سنجی از تصاویر ماهواره ای چند طیفی با استفاده از یک مدل وارونگی غیر خطی. Mar. Geodesy 2008 , 31 , 281-298. [ Google Scholar ] [ CrossRef ]
لیون، ام. فین، اس. Roelfsema، C. یکپارچه سازی ماهواره چند طیفی Quickbird و داده های میدانی: نقشه برداری عمق سنجی، پوشش علف دریایی، گونه های علف دریایی و تغییر در مورتون خلیج، استرالیا در سال 2004 و 2007. Remote Sens. 2011 ، 3 ، 42-64. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
چنیر، آر. فاچر، M.-A. Ahola, R. Bathymetry مشتق از ماهواره برای بهبود نمودارهای خدمات هیدروگرافی کانادا. ISPRS Int. J. Geo-Inf. 2018 ، 7 ، 306. [ Google Scholar ] [ CrossRef ]
چنیر، آر. فاچر، M.-A. آهولا، ر. شلات، ی. ساگرام، M. فتوگرامتری Bathymetric برای به روز رسانی نمودارهای CHS: مقایسه رویکردهای دستی سه بعدی متداول و خودکار. ISPRS Int. J. Geo-Inf. 2018 ، 7 ، 395. [ Google Scholar ] [ CrossRef ]
سازمان بین المللی هیدروگرافی (IHO). S-57 Supplement No. 3—اطلاعات تکمیلی برای رمزگذاری S-57 Edition 3.1 ENC Data. سازمان بین المللی هیدروگرافی، موناکو 2014. در دسترس آنلاین: https://www.iho.int/iho_pubs/standard/S-57Ed3.1/S-57_e3.1_Supp3_Jun14_EN.pdf (دسترسی در 5 ژوئن 2018).
آهولا، ر. چنیر، آر. فاچر، M.-A. هورنر، بی. Sagram، M. Bathymetry مشتق از ماهواره برای نمودار قطبی: مروری بر حسگرها و تکنیک‌های پیاده‌سازی عملیاتی در سرویس هیدروگرافی کانادا. در مجموعه مقالات SPIE 10784، سنجش از دور اقیانوس، یخ دریا، آب‌های ساحلی و مناطق بزرگ آب، برلین، آلمان، 10 تا 13 سپتامبر 2018؛ پ. 1078407. [ Google Scholar ] [ CrossRef ]
Ho، TK جنگل‌های تصمیم تصادفی. در مجموعه مقالات سومین کنفرانس بین المللی تجزیه و تحلیل و شناسایی اسناد، مونترال، QC، کانادا، 14 تا 16 اوت 1995. [ Google Scholar ] [ CrossRef ]
تیم اصلی R. R: زبان و محیطی برای محاسبات آماری. بنیاد R برای محاسبات آماری: وین، اتریش. 2018. در دسترس آنلاین: http://www.R-project.org/ (دسترسی در 10 مه 2018).
Helava، همبستگی دیجیتال UV در ابزارهای فتوگرامتری. Photogrammetria 1978 ، 34 ، 19-41. [ Google Scholar ] [ CrossRef ]
بولاتوف، دی. ورنروس، پی. Heipke, C. تطبیق متراکم چند نمای پشتیبانی شده توسط مش های مثلثی. ISPRS J. Photogramm. Remote Sens. 2011 , 66 , 907–918. [ Google Scholar ] [ CrossRef ]
هاروین، اس. Lucieer, A. ارزیابی دقت ابرهای نقطه جغرافیایی مرجع تولید شده از طریق چند نمای استریوپسیس از تصاویر وسایل نقلیه هوایی بدون سرنشین (UAV). Remote Sens. 2012 ، 4 ، 1573-1599. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Knapitsch، A. پارک، جی. ژو، Q. Koltun، V. Tanks and Temples: Benchmarking Large-scale Scene Reconstruction. ACM Trans. نمودار. 2017 ، 36 ، 78. [ Google Scholar ] [ CrossRef ]
Hirschmüller, H. پردازش استریو دقیق و کارآمد با تطبیق نیمه جهانی و اطلاعات متقابل. در مجموعه مقالات کنفرانس انجمن کامپیوتری IEEE در سال 2005 در مورد دید رایانه و تشخیص الگو، سن دیگو، کالیفرنیا، ایالات متحده آمریکا، 20 تا 25 ژوئن 2005. [ Google Scholar ] [ CrossRef ]
هودول، م. پرنده ها.؛ نادبی، ا. Chénier, R. حمام سنجی فوتوگرامتری مشتق از ماهواره. ISPRS J. Photogramm. Remote Sens. 2018 , 142 , 268–277. [ Google Scholar ] [ CrossRef ]
تراگانوس، دی. پورسانیدیس، د. آگاروال، بی. کریسولاکیس، ن. Reinartz، P. برآورد عمق سنجی مشتق از ماهواره (SDB) با موتور Google Earth و Sentinel-2. Remote Sens. 2018 , 10 , 859. [ Google Scholar ] [ CrossRef ]

شکل 1. محل مطالعه خلیج کمبریج در جزیره ویکتوریا، نوناووت.

شکل 2. جفت استریو WorldView-2 برای هر تکنیک عمق سنجی مشتق شده از ماهواره (SDB) استفاده می شود. ( الف ) تصویر رو به جلو، برای رویکردهای تجربی و طبقه‌بندی استفاده می‌شود. ( ب ) تصویر عقب، فقط برای تکنیک های فتوگرامتری استفاده می شود. Imagery © 2015, DigitalGlobe, Inc.

شکل 5. نتایج بیش از ویژگی های تاریک (به عنوان مثال، پوشش گیاهی زیر آب). ( الف ) تصویر WorldView-2 با پوشش گیاهی زیر آب قابل مشاهده است. ( ب ) رویکرد تجربی، ( ج ) روش فتوگرامتری دستی، ( د ) روش فتوگرامتری خودکار و ( ه ) رویکرد طبقه‌بندی. به تنوع عمق بیشتر در نتایج تجربی و طبقه‌بندی توجه کنید که احتمالاً به دلیل وجود ویژگی تاریک است. Imagery © 2015, DigitalGlobe, Inc.

شکل 7. تصویر استفاده بالقوه از تکنیک سطح اطمینان برای کنترل کیفیت (QC). ( الف ) بخش تصاویر WorldView-2 و ( ب ) تعداد مرتبط با رویکردهای SDB. توجه داشته باشید که تعداد تکنیک های تطبیق برای مناطق تاریک پایین تر است، احتمالاً به دلیل وجود پوشش گیاهی. اگر بتوان انتظار داشت که برای آن مکان‌ها عملکرد بهتری داشته باشند، می‌توان تکنیک‌های خاصی را برای مناطقی هدف قرار داد که دو یا کمتر رویکرد موافق هستند (به عنوان مثال، تکنیک‌های فتوگرامتری برای مناطق پایین ناهمگن). Imagery © 2015, DigitalGlobe, Inc.

مقالات داخلی و بین المللی

خلاصه

کلید واژه ها:

1. معرفی