جستجو ...

نقشه برداری میکروتوپوگرافی از طریق LiDAR زمینی در محیط های ساحلی با پوشش گیاهی متراکم

مقالات داخلی و بین المللی نقشه برداری میکروتوپوگرافی از طریق LiDAR زمینی در محیط های ساحلی با پوشش گیاهی متراکم
آموزش کاربرد نقشه های اتوکد AutoCAD در ArcGIS

نقشه برداری میکروتوپوگرافی از طریق LiDAR زمینی در محیط های ساحلی با پوشش گیاهی متراکم

چکیده

تشخیص و محدوده نور زمینی (LiDAR) که به آن اسکن لیزری زمینی (TLS) نیز گفته می شود، از نظر ارائه میکروتوپوگرافی بسیار دقیق با دقت و دقت اندازه گیری میلی متری، محبوبیت فزاینده ای به دست آورده است. با این حال، به تصویر کشیدن دقیق زمین در زیر پوشش گیاهی متراکم، به دلیل مسدود شدن سیگنال و نبود زمین مجاور، یک چالش باقی می‌ماند. بدون وابستگی به داده‌های تاریخی، این تحقیق یک راه‌حل جدید و سریع برای نقشه‌برداری محیط‌های ساحلی با پوشش گیاهی متراکم با ادغام LiDAR زمینی با بررسی‌های GPS پیشنهاد می‌کند. برای تأیید و بهبود کاربرد LiDAR زمینی در مناطق با پوشش گیاهی متراکم ساحلی، یازده اسکن از LiDAR زمینی را در اکتبر 2015 در امتداد یک درخت شنی با پوشش گیاهی کاشته شده در Plaquemines Parish در لوئیزیانا تنظیم کردیم. همزمان، 2634 نقطه GPS برای ارزیابی دقت نقشه برداری زمین و تصحیح زمین جمع آوری شد. طبقه بندی شی گرا برای طبقه بندی کل برگ به پوشش گیاهی بلند، پوشش گیاهی کم و زمین لخت، با دقت کلی 92.7٪ و مقدار کاپا 0.89 استفاده شد. بر اساس نتایج طبقه بندی، اصلاح زمین به ترتیب برای مناطق با پوشش گیاهی مرتفع و کم پوشش انجام شد. یک ضریب تصحیح تطبیقی ​​برای منطقه با پوشش گیاهی بلند اعمال شد و خطای صدک 95 به عنوان ضریب تصحیح از مدل سطح به جای مدل زمین برای منطقه کم پوشش گیاهی محاسبه شد. روش تصحیح زمین با موفقیت میانگین خطا را از 0.407 متر به -0.068 متر (خطای RMSE از 0.425 متر به 0.146 متر) در پوشش گیاهی کم و از 0.993 متر به -0.098 متر (RMSE از 1.070 متر به 0) کاهش داد.
کلمات کلیدی: LiDAR زمینی ; نقشه برداری میکرو توپوگرافی ; پوشش گیاهی متراکم ؛ محیط های ساحلی

1. مقدمه 

مجموعه داده‌های توپوگرافی دقیق به طور فزاینده‌ای برای تشخیص تغییرات مورفولوژیکی سریع ساحلی [ 1 ] مورد نیاز است، که برای انجام یک شبیه‌سازی قابل اعتماد فرسایش ساحلی [ 2 ] و پیش‌بینی مناطق در معرض خطر سیل طوفان [ 3 ] حیاتی هستند. نقشه برداری توپوگرافی به موقع برای ارزیابی تغییرات مورفولوژی ساحلی به دنبال اختلال (به عنوان مثال، سیل، طوفان و طوفان) به درک پایداری جوامع ساحلی، ساختارها و اکوسیستم ها کمک می کند [ 4 ]]. پروفیل ارتفاع، اندازه گیری شده توسط کل ایستگاه، ابزار تسطیح و سیستم موقعیت جهانی (GPS) در مکان های نماینده، معمولا برای نقشه برداری توپوگرافی ساحلی و تجزیه و تحلیل استفاده می شود [ 5 ، 6 ، 7 ]. با این حال، با توجه به ناهمگونی فضایی اراضی ساحلی و هیدرودینامیک، تجزیه و تحلیل بر اساس تعداد محدودی از پروفایل ها ممکن است برای بررسی دقیق تغییرات مورفولوژیکی در منطقه بزرگ کافی نباشد [ 8 ]]. نمونه‌های پروفیل گسسته ممکن است مناطقی با تغییرات شدید رسوب را نادیده بگیرند، زیرا نیاز به از پیش تعیین مکان‌های نمایه برای بررسی‌های دوره‌ای همراه با مشکل در پیش‌بینی مکان‌های تغییرات شدید است. نقشه برداری توپوگرافی با دقت بالا به آرایه بزرگی از حسگرها یا اندازه گیری های بیشتری نیاز دارد [ 9 ]، که می تواند در محیط های صحرایی با استفاده از این روش های اندازه گیری گسسته چالش برانگیز و پرهزینه باشد.
در دهه‌های اخیر، با پیشرفت‌های سنجش از دور پیشرفته، داده‌های سنجش از دور مختلف نقش اساسی در نقشه‌برداری و مدل‌سازی مورفولوژی ساحلی ایفا کرده‌اند [ 10 ]. تصاویر ماهواره‌ای، مانند تصاویر نقشه‌برداری موضوعی لندست (TM)، به طور گسترده در مطالعات تحقیقات مورفولوژیکی ساحلی [ 11 ] استفاده می‌شوند، اما به دلیل وضوح مکانی و زمانی نسبتاً پایین به مطالعات مقیاس بزرگ محدود می‌شوند. علاوه بر این، تعداد فزاینده ای از روش های سنجش از راه دور، مانند نقشه برداری استریو فتوگرامتری [ 12 ]، رادار [ 13 ] و تشخیص نور و محدوده (LiDAR) [ 14 ]]، برای تجزیه و تحلیل مورفولوژیکی ساحلی مورد استفاده قرار گرفته اند و مزایای برتری نسبت به روش های نمونه برداری گسسته نشان داده اند. با این حال، نقشه برداری توپوگرافی دقیق در محیط های ساحلی برای مناطق تحت پوشش پوشش گیاهی متراکم که به تثبیت رسوب و جلوگیری از از دست دادن زمین کمک می کند، چالش برانگیز است [ 15 ، 16 ]. مطالعات قبلی نشان داده‌اند که پوشش گیاهی مانند درختان، درختچه‌ها و علف‌ها می‌تواند باعث خطاهای قابل‌توجهی در نقشه‌برداری زمین شود [ 17 ، 18 ، 19 ، 20 ] که منجر به انتشار خطا در تحلیل دینامیک رسوب و تغییرات مورفولوژیکی زیر می‌شود [ 21 ].، 22 ]. هاتون و برازیر (2012) [ 22 ] تأثیر عدم قطعیت در مأموریت توپوگرافی رادار شاتل (SRTM؛ وضوح 90 متر برای جهانی و 30 متر برای ایالات متحده) را بر روی شاخص های توپوگرافی بررسی کردند و تأثیرات قابل توجهی بر تجزیه و تحلیل مقیاس حوضه یافتند. دیگران انتشار خطا در بیومس بالای زمین [ 23 ]، رشد گیاه [ 24 ] و تخمین کربن [ 25 ] را مطالعه کرده اند.
در میان فناوری‌های جدید سنجش از دور، LiDAR زمینی مزایای قابل توجهی را برای نقشه‌برداری سریع و دقیق توپوگرافی سه بعدی نشان داده است [ 26 ]]، و شروع به پر کردن شکاف بین نقشه برداری سنجش از دور مبتنی بر ماهواره و بررسی های میدانی خسته کننده مبتنی بر نقطه کرد. LiDAR زمینی که اسکن لیزری زمینی نیز نامیده می شود، یک سیستم نقشه برداری قابل حمل است که بر روی سه پایه نصب شده است که می تواند 360 درجه بچرخد تا ابرهای نقطه متراکم با کد رنگی شبیه واقعیت مجازی محیط اطراف را بدست آورد. از طریق موقعیت یابی اسکنر در مکان های متعدد و ثبت چند سایت، سیستم می تواند به نقشه برداری مناطق بزرگ گسترش یابد. علاوه بر این، فناوری LiDAR برای تولید چندین لایه در مناطق پوشش گیاهی به خوبی شناخته شده است و مزایایی را در توصیف ساختارهای عمودی پوشش گیاهی فراهم می کند.
سیستم زمینی LiDAR که به عنوان یک ابزار نقشه برداری با دقت و وضوح بالا شناخته می شود، یک رویکرد سریع و عملی برای نقشه برداری میکروتوپوگرافی ساحلی ارائه می دهد که تأثیر قابل توجهی بر هیدرولوژی، تنوع زیستگاه از جمله الگوهای پوشش گیاهی و عملکرد دارد. اکوسیستم ها [ 27 ، 28 ، 29 ]. با این حال، عدم قطعیت بالا در زیر پوشش گیاهی متراکم به دلیل ناتوانی سیگنال های لیزری برای نفوذ در پوشش گیاهی بلند و متراکم، یک چالش مهم باقی می ماند [ 30 ]. Coveney and Fotheringham (2011) [ 31] خطای اسکن لیزری زمینی را در حضور پوشش گیاهی متراکم زمین بررسی کرد و سهم مؤلفه در خطای ارتفاع ناشی از انسداد پوشش گیاهی، خطاهای ثبت نام مشترک اسکن، خطاهای ارجاع جغرافیایی نقطه-ابر و تعریف موقعیت هدف را روشن کرد. در مقایسه با سایر عوامل تأثیر، آنها دریافتند که خطای ناشی از انسداد پوشش گیاهی نسبتاً قابل توجه است. فن و همکاران (2014) [ 32 ] فیلترهای محلی-بالاترین نقطه و محلی-پایین ترین نقطه را به ترتیب برای استخراج ارتفاع پوشش گیاهی و خطای ارتفاع ناشی از پوشش گیاهی اعمال کرد. آنها دریافتند که خطای ارتفاع ناشی از پوشش گیاهی زمین تحت تأثیر پارامترهای مختلفی است، به ویژه ارتفاع و تراکم پوشش گیاهی، فاصله اسکن، وضوح اسکن و زاویه فرود.
خطاهای بزرگ برآورد زمین توسط LiDAR زمینی در مناطق پوشش گیاهی به طور کلی منجر به یک نقشه برداری میکروتوپوگرافی غیر قابل اعتماد می شود. نقشه برداری میکروتوپوگرافی با دقت پایین نمی تواند ورودی برای تجزیه و تحلیل مورفولوژیکی آینده باشد، بنابراین نتایج به دست آمده از LiDAR زمینی در محیط های پوشش گیاهی نیاز به اصلاحات بیشتری برای نقشه برداری میکروتوپوگرافی با کیفیت دارد. گوارنیری و همکاران (2009) [ 33] یک طرح فیلتر جدید برای فیلتر کردن ابر نقطه‌ای LiDAR زمینی ارائه کرد که با نقاط نظرسنجی GPS یکپارچه شده است تا نقاط زمین را در پوشش گیاهی کم و متراکم تعریف کند. آنها نقاط زمینی را از پوشش گیاهی بر اساس نقاط بررسی GPS جدا کردند و نتایج طبقه بندی را برای پوشش گیاهی متراکم و پراکنده، با در نظر گرفتن بازتاب شدت بازگشت لیزر، اصلاح کردند. این رویکرد در یک محیط باتلاق جزر و مدی با پوشش گیاهی پیوسته در یک شیب ملایم اعمال شد و نتیجه معقول است. رودریگز-کابالرو و همکاران (2016) [ 34] این روش را با تطبیق اندازه پنجره با توجه به انواع و اندازه های مختلف گیاهان بهبود بخشید. دقت DEM های نهایی (مدل های ارتفاعی دیجیتال)، که سطح زمین برهنه را بدون تمام ویژگی های طبیعی و ساخته شده نشان می دهد، تا 30٪ در گیاهان تاج پوشش متراکم و بیش از ~40٪ در فضاهای باز بین گیاهان بهبود یافته است. چه و اولسن (2017) [ 35] یک فیلتر سریع زمینی برای داده های LiDAR زمینی از طریق تحلیل تراکم اسکن لاین پیشنهاد کرد. آنها ابتدا نقاط زمین، ویژگی های چگالی و نقاط ناشناس را بر اساس تجزیه و تحلیل چگالی نقطه در هر خط اسکن جدا کردند. سپس، آنها نامزدهای زمین را بر اساس رشد منطقه خوشه‌بندی کردند و نقاط زمین را بیشتر اصلاح کردند. این رویکرد اثربخشی و استحکام را با مجموعه داده‌های هر دو محیط شهری و طبیعی نشان می‌دهد. محققان نقشه برداری میکروتوپوگرافی را با فیلتر کردن یا تصحیح زمین بهبود بخشیده اند، اما بیشتر آنها بر روی محیط های پوشش گیاهی کم یا کوتاه متمرکز شده اند. با این وجود، چگونگی واکنش LiDAR زمینی در محیط ساحلی با پوشش گیاهی متراکم به طور عمیق مورد بررسی قرار نگرفته است.
هدف این مطالعه کاهش مشکلات و چالش‌ها در نقشه‌برداری توپوگرافی در زیر پوشش گیاهی متراکم و توسعه یک روش اصلاحی محلی-تطبیقی ​​جدید با ادغام ساختارهای تاج از LiDAR زمینی با نمونه‌های زمینی محدود از GPS برای یک راه‌حل نقشه‌برداری قابل حمل، انعطاف‌پذیر و سریع است.

2. محل مطالعه و جمع آوری داده های میدانی

از آنجایی که ایالت 80 درصد از تالاب های ایالات متحده را به خود اختصاص می دهد، لوئیزیانا به دلیل عوامل ترکیبی از جمله افزایش سطح دریا، نفوذ آب نمک و فعالیت های انسانی، از دست دادن سریع تالاب را تجربه می کند [ 36 ]. تالاب‌های سمت غربی رودخانه می‌سی‌سی‌پی در نزدیکی خلیج باراتاریا در منطقه Plaquemines به عنوان یک منطقه از دست دادن زمین، که در آن مناطق وسیعی از تالاب‌ها در دهه‌های گذشته ناپدید شده‌اند، نمایانگر هستند [ 37 ]. محل مورد مطالعه که در بندر قایق بوراس، پریش پلاکمینز، لوئیزیانا (29°20′51.27″ شمالی، 89°32′9.25″ غربی) واقع شده است، همانطور که در شکل 1 نشان داده شده است، دچار تخریب شدید تالاب شد.b,c، از سال 1998 تا 2013. برای جلوگیری از تلفات بیشتر تالاب و حفاظت از ایمنی سیل‌ها، پروژه احیای تالاب از طریق لایروبی رسوبات و بازسازی توده‌های شنی در امتداد ساحل تالاب قبلی در آگوست 2014 انجام شد. منطقه مورد بررسی برم شنی شمال غربی است که در مستطیل قرمز در میان سه برم بازسازی شده نشان داده شده در شکل 1 d مشخص شده است. این تورگ ماسه ای تقریباً 380 متر طول و 25 متر عرض دارد و در سال 2014 با سه نوع پوشش گیاهی بازسازی شد. پس از یک سال، دو نوع پوشش گیاهی کاشته شده بر روی درختچه غالب شد. یکی چمن بلند و متراکم صاف ( spartina alterniflora ) بود که در نواحی کم ارتفاع رشد می کرد و دیگری پاسپالوم کم ساحل بود. panicum vaginatum sw ) در نواحی مرتفع نزدیک به خط مرکزی برم گسترش می یابد. چند گونه گیاهی محلی دیگر به طور پراکنده در مناطق مرتفع یافت شد.
ما جمع‌آوری داده‌های میدانی را در 1 اکتبر 2015 با استفاده از LiDAR زمینی، با یازده ایستگاه اسکن که به طور مساوی در مناطقی با زمین خالی و پوشش گیاهی کم توزیع شده‌اند، انجام دادیم. سیستم LiDAR زمینی مورد استفاده در این تحقیق Riegl VZ-1000 با دقت اندازه گیری برد 5 میلی متر و دقت 8 میلی متر برای برد 100 متر است. قابلیت اندازه گیری با چگالی بالا تا 122000 اندازه گیری در ثانیه، میدان دید 360 درجه افقی و 100 درجه عمودی و محدوده اسکن 1400 متر را فراهم می کند. یک گیرنده GPS Trimble R10 با دسترسی به شبکه بلادرنگ C4G دانشگاه ایالتی لوئیزیانا، که دقت اندازه گیری در سطح سانتی متر را ارائه می دهد، با LiDAR زمینی ادغام شد تا دقت محلی سازی را بهبود بخشد. پس از اسکن LiDAR، سیستم GPS 2634 نقطه را در امتداد هفتاد و شش ترانسکت عرضی با فاصله 5 متری و نیم متر در امتداد ترانسکت و یازده ترانسکت مستقل دیگر (شش ترانسکت برم و پنج ترانسکت در امتداد برم) برای ارزیابی دقت جمع آوری کرد. . همه بررسی‌های GPS در هواپیمای ایالتی جنوبی لوئیزیانا با داده NAD 1983 و با داده عمودی عمودی آمریکای شمالی 1988 (NAVD 88) انجام شد.

3. روش شناسی

3.1. مروری بر یک روش تطبیقی ​​برای تصحیح زمین

این بخش یک روش تطبیقی ​​برای تعیین عوامل تصحیح زمین در محیط‌های با پوشش گیاهی متراکم بر اساس ساختارهای تاج به‌دست‌آمده از LiDAR زمینی، انواع پوشش گیاهی از طبقه‌بندی شی‌گرا و نمونه‌های زمین از داده‌های GPS ارائه می‌کند. گردش کار مفهومی شامل سه مرحله اصلی است که در شکل 2 نشان داده شده است. مرحله 1 اسکن LiDAR زمینی را انجام می دهد و یک DEM اولیه را به دنبال مراحل ثبت چند ایستگاه، حذف نویز و برش سایت، و یک فرآیند تکراری فیلتر زمین ایجاد می کند. مرحله 2 طبقه بندی شی گرا را بر اساس لایه های شطرنجی آماری تولید شده از درون یابی و نمونه برداری مجدد آماری از ابر نقطه فیلتر نشده از مرحله 1 اعمال می کند و آن را با طبقه بندی مبتنی بر پیکسل مقایسه می کند. مرحله 3 بر اساس نتیجه طبقه بندی مرحله 2، زمین را برای مناطق کم پوشش گیاهی و با پوشش گیاهی بلند تصحیح می کند. برای تصحیح زمین، ضریب تصحیح خطاهای 95 به مدل سطح دیجیتال (DSM) در منطقه کم پوشش گیاهی اختصاص داده شده است. ، و ضریب تصحیح تنظیم شده مبتنی بر رگرسیون به DEM در منطقه با پوشش گیاهی بلند اختصاص داده می شود. DSM هر دو ویژگی های طبیعی و مصنوعی را از محیط می گیرد و DSM عمدتاً سطح پوشش گیاهی را در این مقاله نشان می دهد. بخش‌های زیر کاربرد این روش را از طریق سایت احیای تالاب ساحلی با پوشش گیاهی متراکم نشان می‌دهد و تأیید می‌کند.

3.2. مرحله 1: تولید اولیه DEM

از طریق ردیابی زمان وقوع پالس در پرتو لیزر، همانطور که توسط یک جسم تحریک می شود، فناوری LiDAR می تواند مکان جسم را اندازه گیری کند و از این رو، ابرهای نقطه ای متراکم با مختصات X، Y و Z برای اجسام روی یا بالای آن ایجاد می کند. سطح زمین. ابرهای نقطه LiDAR خام به دست آمده از اسکن چند سایتی مناظر معمولی ساحلی، مخلوطی از اندازه‌گیری‌ها از زمین، مرداب‌ها، پرندگان و قایق‌ها، و از تأسیسات مصنوعی مانند شناورها و ساختمان‌ها، و همچنین سایر زیرساخت‌های بندر هستند [ 19 ]. ، 26 ، 38]. برای تولید DEM از این بررسی‌های نقطه‌ای متراکم، نقاط منعکس‌شده از سطح زمین باید ابتدا فیلتر شوند و سپس در مدل‌های زمین سه بعدی از زمین درونیابی شوند [ 39 ].
در این تحقیق، پردازش داده های LiDAR زمینی جمع آوری شده با استفاده از نرم افزار RiSCAN PRO که نرم افزار همراه سیستم های LiDAR زمینی RIEGL است، انجام شد. یک اسکن منفرد منجر به میلیون‌ها نقطه داده با مختصات X، Y و Z می‌شود و ابر نقطه را می‌توان به صورت دو بعدی یا سه بعدی با کدگذاری رنگی با اسکن دامنه و شدت نقطه مشاهده کرد تا اشیاء مورد مطالعه را افزایش دهد. پس از جمع‌آوری تمام داده‌های LiDAR زمینی از میدان، اولین مرحله پردازش ثبت همه موقعیت‌های اسکن با هم از طریق ثبت چند ایستگاه در سیستم مختصات هواپیمای جنوبی لوئیزیانا در سال 1983 بود. در این مرحله، عملکرد ثبت به دقت GPS مرتبط با LiDAR زمینی و اهداف بستگی داشت. یکپارچه با شبکه بلادرنگ C4G دانشگاه ایالتی لوئیزیانا، GPS توانایی به دست آوردن موقعیت های بسیار دقیق را فراهم می کند. سپس، مرحله دوم حذف نقاط پر سر و صدا به صورت دستی و برش کل مجموعه داده در منطقه محل مطالعه تعیین شده بود. در RiSCAN PRO، صحنه سه بعدی ابر نقطه به کاربران اجازه می دهد تا ابر نقطه را از زوایای مختلف بچرخانند و مشاهده کنند. نقاط پر سر و صدا، که عمدتاً در اثر بازتاب ذرات کوچک موجود در هوا یا اشیاء غیرمنتظره مانند پرندگان و قایق‌ها، در بالای اسکله و روی سطح آب مجاور ایجاد می‌شوند. نقاط پر سر و صدا به صورت بصری شناسایی و با مشاهده آنها از زوایای مختلف در صحنه سه بعدی به صورت دستی حذف شدند. در این مرحله به دلیل حجم زیاد داده، حذف نویز به ترتیب برای هر اسکن به جای کل مجموعه داده پردازش شد. تمام داده های تمیز برای مرحله بعدی پردازش ادغام شدند. بر اساس نتایج دو مرحله اول، یک فرآیند تکراری اعمال شد که یک تابع ترکیبی شامل فیلتر کردن، مثلث‌سازی و جداسازی برای تولید ابرهای نقطه‌ای برای DEM بود. ما فرآیند تکراری سه مرحله‌ای را با استفاده از توابع داخلی در RiSCAN PRO، از جمله فیلتر شطرنجی 2.5 D، مثلث‌سازی صفحه و مقایسه سطح انجام دادیم. مرحله 1: فیلتر شطرنجی تابع 2.5 D با انتخاب پایین ترین نقطه در هر سلول شطرنجی، که بر اساس صفحه مرجع XY و عرض شطرنجی تصمیم گرفته شد، یک ابر نقطه شطرنجی ایجاد کرد. مرحله 2: مثلث بندی صفحه تابع یک سطح مشبک را بر اساس ابرهای نقطه ای از فیلتر شطرنجی 2.5 D ایجاد کرد. مرحله 3: مقایسه سطح عملکرد از سطح مشبک به عنوان سطح مرجع استفاده کرد. و نقاط غیرزمینی در ابرهای نقطه ای که خارج از آستانه فاصله از سطح مرجع قرار دارند را انتخاب و حذف کرد. فرآیند تکراری از تکرار مراحل 1-3 با کاهش عرض شطرنجی در فیلتر شطرنجی 2.5 D و کاهش آستانه فاصله در مقایسه سطح استفاده کرد. ما پنج تکرار را با پارامترهایی که در شکل نشان داده شده است، انجام دادیم میز 1
پس از حذف نقاط غیرزمینی از فرآیند تکراری، یک ابر نقطه ای با فرمت *.las با فاصله نقطه متوسط ​​6 سانتی متر در هواپیمای ایالت جنوبی لوئیزیانا تولید کردیم که دارای داده NAD 1983 و عمودی آمریکای شمالی بود. مبدأ 1988 (NAVD 88) مبدأ عمودی. ابر نقطه به ArcGIS وارد شد تا یک DEM شطرنجی اولیه تولید کند. درون یابی binning قبلا ثابت شده بود که یک روش موثر برای ایجاد تصاویر شطرنجی از ابرهای نقطه LiDAR [ 40 , 41 , 42]، و نوع انتساب سلول را حداقل و روش void fill را به عنوان همسایه طبیعی برای درونیابی binning قرار می دهیم. اندازه سلول شطرنجی DEM خروجی، بر اساس میانگین فاصله نقطه ابرهای نقطه، 6 سانتی متر انتخاب شد [ 43 ، 44 ].

3.3. مرحله 2: طبقه بندی شی گرا

هنگام استفاده از LiDAR زمینی در محیط‌های ساحلی، برخورد سیگنال لیزر با نفوذ در پوشش گیاهی متراکم به زمین دشوار است. مطالعه قبلی ما نشان داد که فیلتر زمین در مناطقی با شیب تند و پوشش گیاهی متراکم یا کم مشکل ساز است [ 19 ]]. بنابراین، مشکلات در این سایت مطالعه به طور بالقوه می تواند در مناطقی که به طور متراکم توسط پوشش گیاهی بلند و کوتاه پوشیده شده است رخ دهد. به عنوان مثال، چمن بلند صاف و بلند به طور متراکم بیشتر مناطق را در امتداد هر دو طرف شنی پوشانده است، در حالی که پاسپالوم ساحلی عمدتاً در قسمت میانی به مرکز برم با ارتفاع بالاتر تسلط داشت. تعداد کمی از گونه های دیگر از خاک سرچشمه گرفته و پس از سال اول ساخت و ساز در جمعیت های نسبتاً کوچک تری رشد کردند. پوشش گیاهی می تواند سطوح مختلفی از عدم قطعیت را در مدل سازی مورفولوژیکی ایجاد کند و از این رو، باید در صورت امکان کمی سازی و اصلاح شود.
تفاوت در ویژگی های پوشش گیاهی، مانند ارتفاع، تراکم و غیره، منجر به تأثیرات متفاوتی بر انتقال سیگنال می شود. بنابراین، اصلاح DEM بر اساس طبقه بندی پوشش زمین امکان پذیر است. هلادیک و همکاران (2013) [ 16 ] با ادغام داده های LiDAR موجود در هوا با تصاویر فراطیفی، تصحیح زمین موفقی را در یک باتلاق نمکی انجام داد. آنها این طبقه بندی را با DEM مشتق شده از LiDAR برای تصحیح خطاهای ارتفاعی ترکیب کردند و میانگین کلی خطا و ریشه میانگین مربعات خطا (RMSE) DEM را کاهش دادند. مک کلور و همکاران (2016) [ 45] فاکتورهای اصلاحی را برای گونه‌های گیاهی مربوطه اعمال کرد و دقت عمودی یک DEM مشتق شده از LiDAR 1 متری را با استفاده از مجموعه داده GPS RTK و داده‌های پوشش گیاهی محلی در یک باتلاق نمکی جزر و مدی بهبود بخشید.
در این مطالعه، ابر نقطه تولید شده از داده‌های LiDAR زمینی به ArcGIS 10.3 وارد شد و در رسترها درون‌یابی شد. در نتیجه، چهار شطرنجی شامل حداکثر ارتفاع، حداقل ارتفاع، میانگین ارتفاع و اختلاف ارتفاع از درون یابی به دست آمد. وضوح این شطرنجی ها با وضوح DEM اولیه 6 سانتی متر مطابقت داشت. هر چهار رستر به eCognition، یک بسته نرم‌افزار طبقه‌بندی مبتنی بر فناوری استخراج اطلاعات شی‌گرا، برای انجام طبقه‌بندی شی‌گرا وارد شدند. از آنجایی که دو نوع پوشش گیاهی اصلی در برم غالب بود، می‌توانیم کل سایت مورد مطالعه را به سه کلاس طبقه‌بندی کنیم: پوشش گیاهی بلند تحت سلطه علف‌های صاف، پوشش گیاهی کم تحت سلطه پاسپالوم ساحلی، و سایر مناطق زمین برهنه. 46 ، 47 ، 48 ، 49 ، 50 ]. برای مقایسه آن با طبقه‌بندی مبتنی بر پیکسل، یک طبقه‌بندی نظارت شده با استفاده از طبقه‌بندی‌کننده ماشین بردار پشتیبان (SVM) انجام شد. SVM در بسیاری از مطالعات ثابت شده است که یک روش قوی و قابل اعتماد است [ 51 ، 52 ، 53 ، 54 ].
اولین مرحله طبقه بندی شی گرا، تقسیم بندی تصویر بود که اشیاء تصویری را بر اساس ویژگی های طیفی و بافتی آنها تولید می کرد. در این فرآیند، ما از الگوریتم تقسیم‌بندی با وضوح چندگانه و تقسیم‌بندی اختلاف طیفی با وزن دهی یکسان هر چهار شطرنجی استفاده کردیم. پس از تقسیم بندی، یک طبقه بندی بر اساس آستانه برای زمین خالی اعمال شد. نمونه های آموزشی به طور تصادفی بر روی اجسام طبقه بندی نشده باقیمانده برای پوشش گیاهی بلند و پوشش گیاهی کم انتخاب شدند. در نهایت، بر اساس این نمونه های انتخاب شده، طبقه بندی نزدیکترین همسایه انجام شد. برای طبقه‌بندی مبتنی بر پیکسل، مجموعه‌ای از چند ضلعی‌ها (حدود 100 پیکسل در هر چند ضلعی) به‌طور تصادفی روی برم به عنوان نمونه‌های آموزشی برای طبقه‌بندی کننده SVM انتخاب شدند.
برای مقایسه این دو روش طبقه بندی، ارزیابی دقت طبقه بندی را با استفاده از 47 نمونه برای زمین خالی، 47 نمونه برای پوشش گیاهی کم و 56 نمونه برای پوشش گیاهی بلند انجام دادیم ( شکل 3 ).

3.4. مرحله 3: تصحیح زمین

3.4.1. تصحیح DEM برای پوشش گیاهی بلند

اصلاح DEM برای مناطقی که به دلیل انسداد سیگنال لیزری تحت پوشش پوشش گیاهی بلند و متراکم هستند، ضروری است. ثابت شده است که فیلتر کردن یک روش کارآمد برای تولید DEM در مناطق پوشش گیاهی است [ 40 ، 41 ، 42 ]. پنجره فیلتر را می توان با توجه به پیچیدگی زمین تنظیم کرد تا تضمین کند که سیگنال می تواند به زمین برخورد کند و توسط LiDAR زمینی دریافت شود. با این حال، تنظیم اندازه پنجره در مناطق وسیعی از پوشش گیاهی متراکم به دلیل عدم وجود زمین مجاور، مانند سایت مورد مطالعه در این تحقیق، بی‌اثر است و منجر به برآورد بیش از حد قابل توجهی از زمین می‌شود. این خطاها برای تمام استفاده های بعدی نیاز به اصلاح دارند.
چگالی چمن صاف بالا بود، اما ارتفاع آن نسبتا ثابت بود. برای بهبود DEM می توان از فاکتورهای اصلاحی برای این نوع پوشش گیاهی استفاده کرد. با این حال، در این مورد، ارتفاع چمن صاف حدود 2 متر بود که بالاتر از موقعیت های اسکن بود، که منجر به مسدود شدن سیگنال بین اسکنر و بالای پوشش گیاهی شد. در نتیجه، DEM اصلاح شده با اعمال ضریب تصحیح جهانی کمتر از واقعیت بود. برای به حداقل رساندن خطا بر اساس این ویژگی های پوشش گیاهی، این تحقیق یک ضریب تصحیح DEM تطبیقی ​​را برای مناطقی که با چمن بند ناف صاف پوشیده شده بودند، اعمال کرد. فن (2014) [ 32] رابطه بین ارتفاع پوشش گیاهی و خطاها را بررسی کرد و دریافت که میانگین عمق نفوذ، که معادل اختلاف ارتفاع چمن و خطای پوشش گیاهی است، حدود 35 درصد ارتفاع چمن است. خطاها با کم کردن ارتفاع GPS بررسی شده از ارتفاع DEM در مختصات x/y مربوطه به دست آمد. ارتفاع چمن را می توان با کم کردن DEM از DSM محاسبه کرد، به طوری که خطاها با تفریق DEM از DSM همبستگی دارند و معادله

خطاها = (1 – 35٪) * (DSM – DEM) = 0.65 * (DSM – DEM) = 0.65 * DSM – 0.65 * DEM
بر اساس همبستگی فوق، محاسبه خطاها امکان پذیر است و این خطاها عوامل تصحیح تطبیقی ​​برای تصحیح DEM هستند. در این تحقیق، DEM و DSM اولیه به دلیل انسداد سیگنال در پوشش گیاهی متراکم و بلند با واقعیت متفاوت بودند. بررسی یک معادله همبستگی جدید ضروری بود و عوامل تصحیح تطبیقی ​​برای این تحقیق با معادله جدید استخراج شد.

3.4.2. تصحیح DEM برای پوشش گیاهی کم

در مقایسه با چمن صاف، پاسپالوم ساحلی در سایت مورد مطالعه کمتر بود، با میانگین ارتفاع 0.37 متر بر اساس بررسی‌های پلات گیاهی، که کمتر از ارتفاع اسکنر بود. در نتیجه، سیگنال لیزری پرتاب شده از اسکنر می‌تواند برای DSM دقیق‌تر از DEM به بالای اکثر پوشش‌های گیاهی برخورد کند. با این حال، اکثر تحقیقات از عوامل تصحیح بر اساس DEM به جای DSM برای تصحیح DEM هنگام استفاده از داده های LiDAR موجود در هوا استفاده کردند. هلادیک و آلبر (2012) [ 15] DEM را در محیط های ساحلی پوشش گیاهی با استفاده از خطای میانگین به عنوان ضریب تصحیح تصحیح کرد و دقت DEM مشتق شده از LiDAR را بهبود بخشید. آنها میانگین خطاها را برای هر طبقه پوشش زمین با کم کردن ارتفاع بررسی شده توسط GPS از DEM محاسبه کردند و آنها را به یک ضریب تصحیح منفرد تبدیل کردند.
برای تصحیح DEM در مناطق با پوشش گیاهی کم و ارتفاع تاج نسبتا همگن، این تحقیق ضریب تصحیح را بر اساس DSM استخراج کرد، به این معنی که DEM نهایی با کم کردن ضریب تصحیح از DSM تولید شد. علاوه بر میانگین خطا، سایر پارامترهای آماری مانند خطای صدک 75 و خطای صدک 95 نیز مورد آزمایش قرار گرفتند. ضریب تصحیح با بالاترین دقت برای تصحیح DEM اعمال شد. پس از اصلاح DEM برای مناطق با پوشش گیاهی کم و بلند به ترتیب، DEM های اصلاح شده با DEM زمین خالی ادغام شدند.

4. نتایج و بحث

4.1. تولید اولیه DEM و ارزیابی دقت

پس از پردازش داده ها در RiSCAN PRO، ابر نقطه حاصل به ArcGIS وارد شده و با وضوح 6 سانتی متر در DEM درونیابی شد. از آنجایی که فرآیند درون یابی سطح مصنوعی را در نواحی خالی نزدیک لبه برم ایجاد کرد، ما برم را با توجه به پوشش داده از ابر نقطه ترسیم کردیم و DEM اولیه را به شکل ترسیم شده برش دادیم. DEM شطرنجی در شکل 4 نشان داده شده است .
محدوده ارتفاعی DEM اولیه 4.07 متر بود که بسیار بالاتر از واقعیت بود. برآورد بیش از حد ناشی از انسداد سیگنال لیزر در مناطق پوشش گیاهی [ 55 ]، به ویژه در مناطق با پوشش گیاهی بلند بود. سیگنال نمی توانست از میان پوشش گیاهی متراکم عبور کند تا به زمین برخورد کند، که منجر به ارتفاع نسبتاً بالاتر از سطح واقعی زمین شد. به دلیل مسدود شدن سیگنال توسط پوشش گیاهی متراکم، دقت DEM تولید شده نامشخص بود و لازم بود یک ارزیابی دقت برای ارزیابی قابلیت اطمینان نتایج نقشه برداری زمین و مقایسه دقت قبل و بعد از اصلاح زمین انجام شود [ 56 ]]. بنابراین، مجموعه ای از ضبط های GPS به طور جداگانه برای زمین خالی، پوشش گیاهی بلند، و پوشش گیاهی کم در امتداد ترانسکت های به طور مساوی توزیع شده انتخاب شد. در نتیجه، به ترتیب 56 نقطه در زمین خالی، 61 نقطه در پوشش گیاهی کم و 55 نقطه در پوشش گیاهی بلند انتخاب شدند. این سه مجموعه از نمونه های بررسی شده از طریق گیرنده GPS دارای RMS 0.016 متر برای دقت افقی و RMS 0.022 متر برای دقت عمودی بودند.
جدول 2 نتایج ارزیابی دقت را نشان می دهد، که در آن مقادیر مثبت نشان دهنده تخمین بیش از حد مقادیر ارتفاع است. برای سطح زمین لخت، میانگین خطا و انحراف استاندارد به ترتیب 0.003- و 0.023 متر بود، که نشان می‌دهد LiDAR زمینی قادر به تولید یک DEM قابل اعتماد و دقیق بدون تأثیر پوشش گیاهی است. بنابراین، اصلاح DEM برای مناطق برهنه ضروری نبود. با این حال، میانگین خطاها در پوشش گیاهی کم و بلند به ترتیب 0.377 متر و 0.993 متر بود که باعث خطاهای قابل توجهی برای تجزیه و تحلیل مورفولوژیکی بعدی شد [ 57 ]. بنابراین، می توان نتیجه گرفت که اصلاح DEM برای محیط های ساحلی با پوشش گیاهی متراکم ضروری و حیاتی است [ 58 ].

4.2. طبقه بندی پوشش زمین

دقت طبقه بندی کلی برای طبقه بندی شی گرا و مبتنی بر پیکسل به ترتیب 92.7% و 82.0% با آمار کاپا 0.89 و 0.73 بود. برای طبقه‌بندی شی‌گرا و طبقه‌بندی مبتنی بر پیکسل، دقت کاربر در کلاس‌های فردی از 88.9٪ تا 95.8٪ و از 60.8٪ تا 97.9٪، و دقت سازنده از 88.9٪ تا 96.9٪ و از 74.6٪ تا 88٪ متغیر بود. ، به ترتیب. ارزیابی دقت ثابت کرد که روش شی گرا نتیجه طبقه بندی بهتری با دقت کلی و مقدار کاپا بالاتر دارد. هر دو تصویر طبقه بندی در شکل 5 و شکل 6 نشان داده شده است.

4.3. تصحیح DEM برای پوشش گیاهی بلند

با توجه به تجزیه و تحلیل دقت DEM اولیه، پوشش گیاهی متراکم بلند تأثیرات قابل توجهی بر دقت نقشه برداری دارد. منطقه مورد مطالعه به پوشش گیاهی بلند، پوشش گیاهی کم و زمین برهنه طبقه بندی شد. بر اساس نتیجه طبقه بندی، DEM برای پوشش گیاهی بلند و کم به طور جداگانه اصلاح شد. تحقیقات قبلی عوامل تصحیح را برای اصلاح DEM طبقه بندی شده به کار بردند و به بهبود قابل توجهی دست یافتند [ 15 , 16]. این تحقیق بر اساس شرایط محلی از ضریب اصلاح تطبیقی ​​برای پوشش گیاهی بلند استفاده کرد. ضریب تصحیح تعدیل شده با بررسی همبستگی بین خطاها و DEM اولیه و DSM تصمیم گرفته شد. ساخت همبستگی شامل 800 نقطه GPS در پوشش گیاهی بلند برای استخراج ضریب تصحیح تنظیم شده بود. معادله (2) همبستگی بین خطاها و DEM و DSM اولیه را نشان می دهد.

خطاها = 1.055 ∗ DEM − 0.019 ∗ DSM − 0.284
مربع R معادله رگرسیون به اندازه 0.733 بود. شکل 7 پراکندگی نقاط را نشان می دهد. با تفریق ضریب اصلاح تعدیل شده از DEM اولیه برای پوشش گیاهی بلند، اصلاح DEM به دست آمد. شکل 8 DEM اصلاح شده را نشان می دهد.

4.4. تصحیح DEM برای پوشش گیاهی کم

در این تحقیق ضریب تصحیح با کم کردن داده های GPS بررسی شده از ارتفاع DSM در مختصات x/y GCP و استخراج پارامتر آماری محاسبه شد. ارتفاع نهایی با کم کردن ضریب تصحیح از ارتفاع DSM به دست آمد.

ارتفاع نهایی = DSM – ضریب تصحیح
نشان دهنده اختلاف میانگین بین ارتفاعات DEM و GPS، میانگین خطا قبلاً به عنوان یک ضریب تصحیح برای اصلاح موفقیت آمیز DEM اعمال می شد [ 15 ]]. میانگین خطا زمانی موثر عمل می کند که شرایط پوشش گیاهی در منطقه مورد مطالعه ثابت باشد، به این معنی که خطاهای ناشی از بلوک پوشش گیاهی به طور گسترده ای متفاوت نیست. در این تحقیق، پوشش گیاهی کم ارتفاعات متنوعی را ارائه کرد که منجر به خطاهای گسترده ای شد. در نتیجه، تصحیح DEM با میانگین خطا به عنوان ضریب تصحیح ممکن است محصولی با دقت پایین ایجاد کند. علاوه بر میانگین خطا، دو پارامتر آماری حاصل از خطاها (خطای صدک 75 و 95) با استفاده از میانگین خطای سوگیری (MBE) و RMSE مورد آزمایش قرار گرفتند. MBE سوگیری کلی را کمی می کند و تشخیص می دهد که آیا DEM اصلاح شده تخمین بیش از حد تولید می کند (MBE> 0) یا کمتر برآورد (MBE <0). تصحیح DEM با استفاده از خطای صدک 95 (0. جدول 3 ). ما تصحیح DEM را برای منطقه کم پوشش گیاهی با اعمال خطای صدک 95 به عنوان ضریب تصحیح انجام دادیم و DEM اصلاح شده را تولید کردیم ( شکل 9 ). پس از اصلاح هم برای منطقه با پوشش گیاهی بلند و هم برای منطقه کم پوشش گیاهی، همه DEM های اصلاح شده در DEM نهایی ادغام شدند ( شکل 10 ).

4.5. بکارگیری روشهای تصحیح موجود

ثابت شده است که فیلتر کردن یک روش کارآمد برای تولید DEM در مناطق پوشش گیاهی است [ 59 ، 60 ]. پنجره فیلتر را می توان بر اساس پیچیدگی زمین تنظیم کرد تا سیگنال بتواند به زمین برخورد کند و توسط LiDAR زمینی دریافت شود. تنظیم اندازه پنجره یک روش جایگزین برای فیلتر کردن زمین در منطقه پوشش گیاهی است. اندازه پنجره بزرگتر می تواند شانس یافتن زمین نزدیک را افزایش دهد و بنابراین می تواند خطا در تخمین ارتفاع زمین را کاهش دهد. با این حال، این جزئیات توپوگرافی را قربانی می کند. دقت و ویژگی‌های فضایی سطح زمین هنگام انتخاب اندازه پنجره باید متعادل شود [ 34]. روشی که اندازه پنجره فیلتر بر دقت تصحیح DEM تأثیر می گذارد به ترتیب برای مناطق با پوشش گیاهی کم و پوشش گیاهی بلند مورد مطالعه قرار گرفت. اندازه پنجره ابتدا 6 × 6 سانتی متر مربع، همان وضوح DEM تعیین شد و سپس از 10 × 10 سانتی متر مربع به 100 × 100 سانتی متر مربع افزایش یافت. دقت DEM های اصلاح شده در هر اندازه پنجره به ترتیب برای مناطق کم پوشش گیاهی و با پوشش گیاهی بلند ارزیابی شد و با نتایج به دست آمده توسط روش های ما مقایسه شد.
برای منطقه با پوشش گیاهی بلند، RMSE و MBE به تدریج با افزایش اندازه پنجره فیلتر کاهش یافت، به جز در 10 سانتی متر، که در آن حداکثر خطا وجود داشت. حتی زمانی که اندازه پنجره روی 100 سانتی متر تنظیم شده بود، RMSE و MBE همچنان به ترتیب 0.63 متر و 0.76 متر بودند ( شکل 11 ) که علاوه بر کاهش قابل توجه جزئیات توپوگرافی، برای تجزیه و تحلیل توپوگرافی بسیار بالا بودند. در مقابل، RMSE و MBE با استفاده از روش پیشنهادی، با اندازه پنجره 6 سانتی‌متری به 0.17 متر و 0.10- متر کاهش یافت ( شکل 11).). RMSE و MBE برای منطقه کم پوشش گیاهی روند مشابهی را برای منطقه با پوشش گیاهی بلند نشان داد. با استفاده از روش ما، RMSE و MBE نیز به طور قابل توجهی به 0.15 متر و -0.06 متر بهبود یافتند ( شکل 12 ).

5. نتیجه گیری ها

این مقاله با ادغام ساختارهای تاج از LiDAR زمینی با نمونه‌های زمین از GPS، یک راه‌حل نقشه‌برداری سریع و انعطاف‌پذیر زمین را برای محیط‌های با پوشش گیاهی متراکم معرفی می‌کند. یک فرآیند تکراری فیلتر زمین ابتدا DEM اولیه را با برآورد بیش از حد قابل توجه در پوشش گیاهی کم و بلند ایجاد کرد. یک فرآیند تصحیح زمین، چشم‌انداز را بر اساس تقسیم‌بندی و روش طبقه‌بندی SVM نظارت شده طبقه‌بندی کرد، سپس زمین را در مناطق پوشش گیاهی بر اساس خطاهای نمونه‌های آموزشی در کلاس مربوطه تصحیح کرد.
برای بهبود دقت از طریق ترکیب ویژگی‌های گیاهی، این تحقیق یک روش تصحیح زمین را پیشنهاد می‌کند که عوامل اصلاحی را از طریق رگرسیون خطی با DEM در پوشش گیاهی بلند و از طریق خطای صدک 95 زمین در پوشش گیاهی کم اختصاص می‌دهد.
یکی از چالش‌های اصلی در این تحقیق، طبقه‌بندی پوشش زمین بر اساس LiDAR زمینی، بدون وابستگی به داده‌های تاریخی یا تصاویر دیگر است، که برای مناظر ساحلی همیشه در حال تغییر حیاتی است. طبقه بندی شی گرا با چهار رستر آماری به عنوان ورودی می تواند پوشش زمین را به پوشش گیاهی بلند، پوشش گیاهی کم و زمین لخت تفکیک کند، که مبنای مرحله بعدی اصلاح DEM است. در فرآیند طبقه‌بندی شی‌گرا، یک طبقه‌بندی مبتنی بر آستانه، پس از تقسیم‌بندی، زمین برهنه را از پوشش گیاهی کم ارتفاع و بلند جدا کرد. سپس، یک طبقه بندی SVM نظارت شده، اشیاء باقی مانده را به پوشش گیاهی کم و بلند طبقه بندی کرد. دقت کلی و مقدار کاپا برای طبقه بندی شی گرا 92.7% و 0.89 در مقایسه با 82.0% و 0 بود. 73 از روش طبقه بندی مبتنی بر پیکسل. نتایج نشان می‌دهد که روش شی‌گرا می‌تواند نتیجه طبقه‌بندی بهتری را به همراه داشته باشد. چالش دیگر استفاده از این روش تصحیح زمین، حجم کاری جمع آوری داده های GPS است. در این تحقیق، مجموعه هزاران نقطه GPS یک بار کاری دو روزه را تشکیل می‌دهد و در مطالعات آتی، تأثیر کاهش نقاط GPS بر عملکرد نهایی DEM را بررسی خواهیم کرد. به غیر از جمع آوری داده های GPS، حذف نویز یکی دیگر از فرآیندهای وقت گیر است و حذف خودکار نقاط پر سر و صدا ممکن است پردازش را به طور کلی تسریع کند. مجموعه هزاران نقطه GPS یک بار کاری دو روزه را تشکیل می دهد و در مطالعات آینده، تأثیر کاهش نقاط GPS را بر عملکرد نهایی DEM بررسی خواهیم کرد. به غیر از جمع آوری داده های GPS، حذف نویز یکی دیگر از فرآیندهای وقت گیر است و حذف خودکار نقاط پر سر و صدا ممکن است پردازش را به طور کلی تسریع کند. مجموعه هزاران نقطه GPS یک بار کاری دو روزه را تشکیل می دهد و در مطالعات آینده، تأثیر کاهش نقاط GPS را بر عملکرد نهایی DEM بررسی خواهیم کرد. به غیر از جمع آوری داده های GPS، حذف نویز یکی دیگر از فرآیندهای وقت گیر است و حذف خودکار نقاط پر سر و صدا ممکن است پردازش را به طور کلی تسریع کند.
بر اساس نتایج طبقه بندی، اصلاح DEM را به طور جداگانه برای پوشش گیاهی کم و پوشش گیاهی بلند انجام دادیم. برای پوشش گیاهی بلند، یک همبستگی آماری بین خطا و DEM اصلی و DSM برای اصلاح DEM اعمال شد. برای پوشش گیاهی کم، زمین را با کم کردن ضریب تصحیح خطای صدک 95 از ارتفاع DSM اصلاح کردیم. هر دو DEM تصحیح شده نتایج بهتری نسبت به موارد اصلاح شده با روش موجود تنظیم اندازه پنجره فیلتر نشان دادند. روش تصحیح زمین با موفقیت میانگین خطا را از 0.407 متر به 0.068- متر (خطاهای RMSE از 0.425 متر به 0.146 متر) در پوشش گیاهی کم و از 0.993 متر به 0.098- متر (RMSE از 1.070 متر به 0.144 متر) کاهش داد. با وضوح بالای 6 سانتی متر و دقت بالا،

مشارکت های نویسنده

Xukai Zhang الگوریتم را توسعه داد، داده ها را پردازش کرد و پیش نویس اولیه را نوشت. Xuelian Meng به طراحی مجموعه داده های میدانی، پردازش داده ها و اصلاح نسخه خطی کمک کرد. چونیان لی از طریق رهبری پروژه مشترک احیای تالاب از مطالعه حمایت کرد و در نگارش نسخه خطی مشارکت داشت. نان شانگ، جیازه وانگ و یاپینگ ژو در نگارش این دست نوشته مشارکت داشتند. تائو وو و کلیف موگنیر در جمع‌آوری داده‌های میدانی و نوشتن دست‌نوشته مشارکت داشتند. همه نویسندگان نسخه منتشر شده نسخه خطی را خوانده و با آن موافقت کرده اند.

منابع مالی

بودجه این کار توسط مارتین اکوسیستمز از طریق پروژه احیای تالاب بورس تامین شد.

بیانیه در دسترس بودن داده ها

قابل اجرا نیست.

قدردانی

دستیابی به سیستم زمینی LiDAR توسط دفتر تحقیقات و توسعه اقتصادی (ORED)، دانشگاه ایالتی لوئیزیانا پشتیبانی شد. دسترسی به شبکه بلادرنگ C4G توسط مرکز ژئوانفورماتیک LSU پشتیبانی می شود.

تضاد علاقه

نویسندگان هیچ تضاد منافع را اعلام نمی کنند.

منابع

  1. Almeida، LP; آلمار، ر. برگسما، EW; برتیه، ای. باپتیستا، پی. گارل، ای. دادا، OA; Alves، B. استخراج توپوگرافی ساحلی با وضوح فضایی بالا از تصاویر استریو ماهواره ای زیر متر. Remote Sens. 2019 , 11 , 590. [ Google Scholar ] [ CrossRef ]
  2. مانچینی، اف. دوبینی، م. گاتلی، ام. استچی، اف. فابری، اس. Gabbianelli، G. استفاده از وسایل نقلیه هوایی بدون سرنشین (uav) برای بازسازی توپوگرافی با وضوح بالا: ساختار از رویکرد حرکت در محیط‌های ساحلی. Remote Sens. 2013 , 5 , 6880–6898. [ Google Scholar ] [ CrossRef ]
  3. وبستر، TL; فوربس، دی ال. دیکی، اس. Shreenan، R. استفاده از لیدار توپوگرافی برای ترسیم خطر سیل ناشی از حوادث طوفان در شارلوت تاون، جزیره پرنس ادوارد، کانادا. می توان. J. Remote Sens. 2004 ، 30 ، 64-76. [ Google Scholar ] [ CrossRef ]
  4. منتاشی، ال. ووسدوکاس، MI; پکل، J.-F. وکووالاس، ای. Feyen, L. مشاهدات بلند مدت جهانی فرسایش و برافزایش ساحلی. علمی Rep. 2018 , 8 , 1-11. [ Google Scholar ] [ CrossRef ]
  5. Masselink، G. Pattiaratchi، CB تغییرات فصلی در مورفولوژی ساحل در امتداد خط ساحلی محافظت شده پرث، استرالیای غربی. مارس جئول. 2001 ، 172 ، 243-263. [ Google Scholar ] [ CrossRef ]
  6. دیل، اچ جی. مریفیلد، MA; Bevis, M. تغییرات مورفولوژی ساحل شیب دار به دلیل نیروی موج پرانرژی. مارس جئول. 2000 ، 162 ، 443-458. [ Google Scholar ] [ CrossRef ]
  7. کوپس، اچ. گیلن، ن. Verheij، HJ تعامل بین امواج، فرسایش بانک و پوشش گیاهی نوظهور: یک مطالعه تجربی در یک مخزن موج. آکوات. ربات 1996 ، 53 ، 187-198. [ Google Scholar ] [ CrossRef ]
  8. پالمستن، ام ال. بررسی آزمایشگاهی هولمن، RA در مورد فرسایش تپه های شنی با استفاده از ویدئوهای استریو. ساحل. مهندس 2012 ، 60 ، 123-135. [ Google Scholar ] [ CrossRef ]
  9. اریکسون، LH; هانسون، اچ. روشی برای استخراج داده های مخزن موج با استفاده از تصاویر ویدئویی و مقایسه آن با تکنیک های جمع آوری داده های مرسوم. محاسبه کنید. Geosci. 2005 ، 31 ، 371-384. [ Google Scholar ] [ CrossRef ]
  10. ژائو، کیو. بای، جی. Huang, L. مروری بر روش ها و شاخص های موفقیت برای احیای تالاب ساحلی. Ecol. اندیک. 2016 ، 60 ، 442-452. [ Google Scholar ] [ CrossRef ]
  11. جانگیر، ب. ساتیانارایانا، ANV؛ Swati, S. ترسیم تغییرات مکانی-زمانی خط ساحلی و ویژگی‌های ژئومورفولوژیکی سواحل اودیشا هند با استفاده از تکنیک‌های سنجش از دور و GIS. نات. خطرات 2016 ، 82 ، 1437-1455. [ Google Scholar ] [ CrossRef ]
  12. هلند، KT; پولئو، جی. کونی، TN کمی سازی جریان های swash با استفاده از سرعت سنجی تصویر ذرات مبتنی بر ویدئو. ساحل. مهندس 2001 ، 44 ، 65-77. [ Google Scholar ] [ CrossRef ]
  13. دیکسون، تی. آملونگ، اف. Ferretti، A. ژئودزی فضایی: فرونشست و سیل در نیواورلئان. طبیعت 2006 ، 441 ، 587-588. [ Google Scholar ] [ CrossRef ]
  14. هاوسر، سی. هاپکه، سی. همیلتون، S. کنترل مورفولوژی تپه های ساحلی، فرسایش خط ساحلی و پاسخ جزیره مانع به طوفان های شدید. ژئومورفولوژی 2008 ، 100 ، 223-240. [ Google Scholar ] [ CrossRef ]
  15. هلادیک، سی. آلبر، ام. ارزیابی دقت و تصحیح یک مدل ارتفاعی رقومی باتلاق نمکی مشتق شده از LIDAR. سنسور از راه دور محیط. 2012 ، 121 ، 224-235. [ Google Scholar ] [ CrossRef ]
  16. هلادیک، سی. شالس، جی. Alber, M. ارتفاع باتلاق نمک و نقشه برداری زیستگاه با استفاده از داده های ابرطیفی و لیدار. سنسور از راه دور محیط. 2013 ، 139 ، 318-330. [ Google Scholar ] [ CrossRef ]
  17. سو، جی. بورک، E. تأثیر پوشش گیاهی، شیب، و زاویه نمونه برداری لیدار بر دقت دم. فتوگرام مهندس از راه دور. Sens. 2006 , 72 , 1265-1274. [ Google Scholar ] [ CrossRef ]
  18. میراث، جی. Hetherington، D. به سوی یک پروتکل برای اسکن لیزری در ژئومورفولوژی رودخانه. گشت و گذار در زمین. روند. Landf. 2007 ، 32 ، 66-74. [ Google Scholar ] [ CrossRef ]
  19. منگ، XL; وانگ، ال. Silvan-Cardenas, JL یک الگوریتم چند جهته فیلتر زمین برای LIDAR در هوا. ISPRS J. Photogramm. Remote Sens. 2009 ، 64 ، 117-124. [ Google Scholar ] [ CrossRef ]
  20. منگ، XL; کریت، ن. ژائو، الگوریتم های فیلتر زمینی KG برای داده های هوابرد LiDAR: مروری بر مسائل مهم. Remote Sens. 2010 , 2 , 833-860. [ Google Scholar ] [ CrossRef ]
  21. هبلر، اف. Purves، RS تاثیر عدم قطعیت ارتفاع در استخراج شاخص های توپوگرافی. ژئومورفولوژی 2009 ، 111 ، 4-16. [ Google Scholar ] [ CrossRef ]
  22. هاتن، سی. Brazier، R. کمی سازی ساختار منطقه ساحلی از لیدار هوابرد: فیلتر گیاهی، درونیابی ناهمسانگرد، و انتشار عدم قطعیت. جی هیدرول. 2012 ، 442-443 ، 36-45. [ Google Scholar ] [ CrossRef ]
  23. چن، کیو. واگلیو لورین، جی. والنتینی، آر. عدم قطعیت زیست توده بالای زمین سنجش از راه دور بر روی یک جنگل استوایی آفریقا: انتشار خطاها از درختان به قطعه به پیکسل. سنسور از راه دور محیط. 2015 ، 160 ، 134-143. [ Google Scholar ] [ CrossRef ]
  24. هاپکینسون، سی. چسمر، ال. هال، RJ عدم قطعیت در پیش‌بینی رشد مزارع مخروطیان از مجموعه داده‌های چند زمانی لیدار. سنسور از راه دور محیط. 2008 ، 112 ، 1168-1180. [ Google Scholar ] [ CrossRef ]
  25. ماسکارو، جی. دتو، ام. Asner, GP ارزیابی عدم قطعیت در نقشه برداری کربن جنگل با LiDAR موجود در هوا. سنسور از راه دور محیط. 2011 ، 115 ، 3770-3774. [ Google Scholar ] [ CrossRef ]
  26. منگ، ایکس. ژانگ، ایکس. سیلوا، آر. لی، سی. Wang, L. تاثیر نقشه برداری توپوگرافی با وضوح بالا بر تجزیه و تحلیل مورفولوژیکی ساحل بر اساس LiDAR زمینی و تکامل ساحل شی گرا. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 147. [ Google Scholar ] [ CrossRef ]
  27. موزر، ک. آن، سی. Noe, G. خصوصیات میکروتوپوگرافی و تأثیر آن بر الگوهای پوشش گیاهی در تالاب های ایجاد شده. Wetlands 2007 , 27 , 1081-1097. [ Google Scholar ] [ CrossRef ]
  28. موزر، KF; آن، سی. Noe, GB تأثیر میکروتوپوگرافی بر عناصر غذایی خاک در تالاب های کاهش دهنده ایجاد شده. بازیابی. Ecol. 2009 ، 17 ، 641-651. [ Google Scholar ] [ CrossRef ]
  29. پولاک، MM; Naiman، RJ; هانلی، TA غنای گونه های گیاهی در تالاب های ساحلی – آزمونی از نظریه تنوع زیستی. اکولوژی 1998 ، 79 ، 94-105. [ Google Scholar ]
  30. کارستنز، اس. ژوراسینسکی، جی. گلاتزل، اس. Buczko، U. دینامیک ارتفاع سطح و میکروتوپوگرافی در مناطق مختلف یک تالاب فراگمیت ساحلی. Ecol. مهندس 2016 ، 94 ، 152-163. [ Google Scholar ] [ CrossRef ]
  31. کاونی، اس. خطای اسکن لیزری Fotheringham، AS زمینی در حضور پوشش گیاهی متراکم زمین. فتوگرام ضبط 2011 ، 26 ، 307-324. [ Google Scholar ] [ CrossRef ]
  32. فن، L. عدم قطعیت در اسکن لیزری زمینی برای اندازه گیری حرکات سطحی در مقیاس محلی . دانشگاه ساوتهمپتون: ساوتهمپتون، بریتانیا، 2014. [ Google Scholar ]
  33. گوارنیری، آ. وتور، ا. پیروتی، F. بازیابی مورفولوژی مرداب کوچک برجسته از اسکنر لیزری زمینی، فیلتر فضایی بهینه، و شدت بازگشت لیزر. ژئومورفولوژی 2009 ، 113 ، 12-20. [ Google Scholar ] [ CrossRef ]
  34. رودریگز-کابالرو، ای. آفانا، ع. چامیزو، اس. سول بنت، آ. Canton, Y. یک روش تطبیقی ​​جدید برای فیلتر کردن ابرهای نقطه اسکنر لیزری زمینی با استفاده از فیلترهای مورفولوژیکی و اطلاعات طیفی برای حفظ ریز توپوگرافی سطح. ISPRS J. Photogramm. 2016 ، 117 ، 141-148. [ Google Scholar ] [ CrossRef ]
  35. Che، EZ; اولسن، MJ فیلتر سریع زمین برای داده های TLS از طریق تجزیه و تحلیل چگالی Scanline. ISPRS J. Photogramm. Remote Sens. 2017 , 129 , 226–240. [ Google Scholar ] [ CrossRef ]
  36. Theriot، JP American Energy، Imperiled Coast: Oil and Gas Development in Wetlands Louisiana . انتشارات دانشگاه ایالتی لوئیزیانا: باتون روژ، لس آنجلس، ایالات متحده آمریکا، 2014. [ Google Scholar ]
  37. مورتون، RA; برنیر، جی سی. باراس، JA شواهدی از فرونشست منطقه ای و از دست دادن تالاب داخلی مرتبط ناشی از تولید هیدروکربن، منطقه ساحل خلیج، ایالات متحده آمریکا. محیط زیست جئول 2006 ، 50 ، 261-274. [ Google Scholar ] [ CrossRef ]
  38. ژائو، KG; گارسیا، ام. لیو، اس. Guo، QH; چن، جی. ژانگ، XS؛ ژو، YY; Meng، XL زمینی لیدار سنجش از راه دور جنگلها: برآوردهای حداکثر احتمال از نمایه تاج پوشش، شاخص سطح برگ، و توزیع زاویه برگ. کشاورزی برای. هواشناسی 2015 ، 209 ، 100-113. [ Google Scholar ] [ CrossRef ]
  39. منگ، XL; کریت، ن. وانگ، ال. یانگ، XJ ساختمان‌های مسکونی را از عکس‌های لیدار و هوایی از طریق طبقه‌بندی کاربری زمین شی گرا تشخیص می‌دهد. فتوگرام مهندس رم Sens. 2012 ، 78 ، 35-44. [ Google Scholar ] [ CrossRef ]
  40. بینزاروا گرگلوا، م. لبانت، اس. میزک، ج. ساستک، پ. Leicher, L. فهرستی از مکان‌های کارهای معدنی قدیمی با استفاده از داده‌های LiDAR: مطالعه موردی در اسلواکی. پایداری 2021 ، 13 ، 6981. [ Google Scholar ] [ CrossRef ]
  41. لی، ال. نزدیک شدن، MA; نیکولز، MH; پولیاکوف، VO; Guertin، DP; کاوانو، ML اثرات درونیابی DEM بر کمی کردن زبری سطح خاک با استفاده از LiDAR زمینی. خاک ورزی خاک Res. 2020 ، 198 ، 104520. [ Google Scholar ] [ CrossRef ]
  42. Cățeanu، M. Ciubotaru، A. اثر تراکم نمونه برداری لیدار بر دقت DTM برای مناطق با پوشش جنگلی سنگین. Forests 2021 , 12 , 265. [ Google Scholar ] [ CrossRef ]
  43. لنگریج، RM; ریس، WF; فریر، تی. بارت، NC; خواجوی، ن. De Pascale، GP توسعه زیر 5 متری DEM های LiDAR برای بخش های جنگلی گسل های آلپ و امید، جزیره جنوبی، نیوزیلند: مفاهیمی برای تفسیرهای ساختاری. جی. ساختار. جئول 2014 ، 64 ، 53-66. [ Google Scholar ] [ CrossRef ]
  44. شی، دبلیو. دنگ، اس. Xu, W. استخراج ویژگی های مورفولوژیکی زمین لغزش در مقیاس چندگانه بر اساس Gi * محلی با استفاده از DEM مشتق شده از LiDAR در هوا. ژئومورفولوژی 2018 ، 303 ، 229-242. [ Google Scholar ] [ CrossRef ]
  45. مک کلور، ا. لیو، XH; هاینز، ای. Ferner, MC ارزیابی تکنیک‌های کاهش خطا در مدل ارتفاعی رقومی باتلاق نمکی مشتق شده از لیدار. ساحل جی. Res 2016 , 32 , 424-433. [ Google Scholar ]
  46. گائو، ی. Mas، JF; Maathuis، BHP; ژانگ، XM؛ Van Dijk، PM مقایسه رویکردهای طبقه‌بندی تصویر مبتنی بر پیکسل و شی‌گرا – مطالعه موردی در منطقه آتش‌سوزی زغال سنگ، وودا، مغولستان داخلی، چین. بین المللی J. Remote Sens. 2006 ، 27 ، 4039-4055. [ Google Scholar ]
  47. یو، کیو. گونگ، پی. کلینتون، ن. بیگینگ، جی. کلی، م. Schirokauer, D. طبقه بندی دقیق پوشش گیاهی مبتنی بر شی. با تصاویر سنجش از دور با وضوح فضایی بالا در هوا. فتوگرام مهندس رم Sens. 2006 , 72 , 799-811. [ Google Scholar ] [ CrossRef ]
  48. پلات، RV; Rapoza, L. ارزیابی یک پارادایم شی گرا برای طبقه بندی کاربری زمین/پوشش زمین. پروفسور Geogr. 2008 ، 60 ، 87-100. [ Google Scholar ] [ CrossRef ]
  49. Myint، SW; گوبر، پ. Brazel، A. 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 ]
  50. دورو، دی سی؛ فرانکلین، SE; Dube، MG مقایسه تجزیه و تحلیل تصویر مبتنی بر پیکسل و شی با الگوریتم‌های یادگیری ماشین انتخاب شده برای طبقه‌بندی مناظر کشاورزی با استفاده از تصاویر spot-5 hrg. سنسور از راه دور محیط. 2012 ، 118 ، 259-272. [ Google Scholar ] [ CrossRef ]
  51. لیو، کیو جی. جینگ، LH; وانگ، ام.اف. Lin، QZ طبقه بندی تصاویر سنجش از دور فراطیفی بر اساس svm بهینه شده توسط انتخاب کلونال. Spectrosc. Spect. مقعدی 2013 ، 33 ، 746-751. [ Google Scholar ]
  52. نیو، ایکس. داده‌های sar قطبی رادارسات-2 چند زمانی Ban، YF برای طبقه‌بندی پوشش زمین شهری با استفاده از ماشین بردار پشتیبانی مبتنی بر شی و رویکرد مبتنی بر قانون. بین المللی J. Remote Sens. 2013 ، 34 ، 1-26. [ Google Scholar ] [ CrossRef ]
  53. نخل.؛ Mather، ماشین‌های بردار پشتیبان PM برای طبقه‌بندی در سنجش از دور. بین المللی J. Remote Sens. 2005 ، 26 ، 1007-1011. [ Google Scholar ] [ CrossRef ]
  54. ژانگ، سی. Xie، ZX Data fusion و تکنیک‌های گروه طبقه‌بندی برای نقشه‌برداری پوشش گیاهی در جنگل‌های ساحلی. Geocarto Int. 2014 ، 29 ، 228-243. [ Google Scholar ] [ CrossRef ]
  55. فن، ال. پاوری، دبلیو. اسمتورست، جی. اتکینسون، PM؛ انیشتین، H. اثر پوشش گیاهی زمین کوتاه بر اسکن لیزری زمینی در مقیاس محلی. ISPRS J. Photogramm. 2014 ، 95 ، 42-52. [ Google Scholar ] [ CrossRef ]
  56. منگ، ایکس. شانگ، ن. ژانگ، ایکس. لی، سی. ژائو، ک. کیو، ایکس. Weeks، E. نقشه برداری پهپاد فتوگرامتری از زمین تحت پوشش گیاهی متراکم ساحلی: یک الگوریتم گروه طبقه بندی شی گرا برای طبقه بندی و تصحیح زمین. Remote Sens. 2017 , 9 , 1187. [ Google Scholar ] [ CrossRef ]
  57. میلان، دی جی; Heritage، GL; بزرگ، AR؛ فولر، خطای فضایی فیلتر IC از DEMs: مفاهیمی برای تخمین تغییرات مورفولوژیکی. ژئومورفولوژی 2011 ، 125 ، 160-171. [ Google Scholar ] [ CrossRef ]
  58. کوپر، اچ ام. ژانگ، سی. دیویس، SE; Troxler، TG تصحیح مبتنی بر شی DEM های LiDAR با استفاده از داده های RTK-GPS و مدل سازی یادگیری ماشین در اورگلیدز ساحلی. محیط زیست مدل. نرم افزار 2019 ، 112 ، 179–191. [ Google Scholar ] [ CrossRef ]
  59. Streutker، DR; اندازه گیری Glenn، NF LiDAR ارتفاع پوشش گیاهی استپی درمنه. سنسور از راه دور محیط. 2006 ، 102 ، 135-145. [ Google Scholar ] [ CrossRef ]
  60. وانگ، سی. مننتی، م. استول، نماینده مجلس؛ فئولا، ا. بلوکو، ای. مارانی، م. جداسازی نشانه‌های زمین و کم پوشش گیاهی در اندازه‌گیری‌های لیدار محیط‌های باتلاقی نمکی. IEEE Trans. Geosci. Remote Sens. 2009 , 47 , 2014–2023. [ Google Scholar ] [ CrossRef ]
Ijgi 10 00665 g001 550
شکل 1. ( الف ) محل مطالعه در بندر قایق بوراس، محله پلاکمینز، لوئیزیانا. تصاویر ( b ، c ) عکس‌های هوایی از وب‌سایت USGS هستند که تخریب تالاب را از سال 1998 تا 2013 نشان می‌دهد . تصویر ( e ) تصویری است که در سال 2016 از Google Earth به دست آمده است.
Ijgi 10 00665 g002 550
شکل 2. گردش کار برای تصحیح DEM با ادغام داده های GPS.
Ijgi 10 00665 g003 550
شکل 3. توزیع نمونه برای ارزیابی دقت طبقه بندی.
Ijgi 10 00665 g004 550
شکل 4. DEM اولیه با وضوح 6 سانتی متر.
Ijgi 10 00665 g005 550
شکل 5. نتیجه طبقه بندی بر اساس روش شی گرا.
Ijgi 10 00665 g006 550
شکل 6. نتیجه طبقه بندی بر اساس روش مبتنی بر پیکسل.
Ijgi 10 00665 g007 550
شکل 7. رابطه بین خطاها و DEM و DSM اولیه.
Ijgi 10 00665 g008 550
شکل 8. DEM اصلاح شده برای پوشش گیاهی بلند.
Ijgi 10 00665 g009 550
شکل 9. DEM اصلاح شده برای پوشش گیاهی کم.
Ijgi 10 00665 g010 550
شکل 10. DEM تصحیح شده برای کل سایت مطالعه.
Ijgi 10 00665 g011 550
شکل 11. مقایسه خطا برای پوشش گیاهی بلند بین نتایج به دست آمده از طریق تنظیم اندازه پنجره و نتایج به دست آمده با استفاده از روش ما.
Ijgi 10 00665 g012 550
شکل 12. مقایسه خطا برای پوشش گیاهی کم بین نتایج به دست آمده از طریق تنظیم اندازه پنجره و نتایج به دست آمده با استفاده از روش ما.

مقالات داخلی و بین المللی

نقشه برداری میکروتوپوگرافی از طریق LiDAR زمینی در محیط های ساحلی با پوشش گیاهی متراکم

مطالب مرتبط ...

8 نظرات

دیدگاهتان را بنویسید