خلاصه

صخره های مرجانی آب سرد کانون های تنوع زیستی هستند و نقش مهمی به عنوان کارخانه های کربنات در چرخه جهانی کربن دارند. مرجان های صخره ساز را می توان در آب های سرد اقیانوسی در سراسر جهان یافت. دانش دقیق در مورد موقعیت مکانی و توزیع صخره های مرجانی برای مدیریت فضایی، حفاظت و علم اهمیت دارد. تپه‌های کربناته (صخره‌ها) به راحتی در داده‌های پژواک چند پرتوی با وضوح بالا قابل شناسایی هستند، اما برنامه‌های نقشه‌برداری سیستماتیک تا کنون بیشتر بر تفسیر بصری و دیجیتال‌سازی دستی متکی بوده‌اند. توسعه روش‌های خودکارتر به کاهش زمان صرف شده برای این کار پرزحمت کمک می‌کند و علاوه بر این منجر به نتایج عینی‌تر و تکرارپذیرتر می‌شود. در این صفحه، ما تلاشی را برای آزمایش اینکه آیا طبقه‌بندی مبتنی بر قانون می‌تواند جایگزین نقشه‌برداری دستی در هنگام نقشه‌برداری تپه‌های کربنات مرجانی آب سرد شود، ارائه می‌کنیم. برای این منظور، ما دقت نقشه برداری دستی، تجزیه و تحلیل زمین مبتنی بر پیکسل و تجزیه و تحلیل تصویر مبتنی بر شی را برآورد و مقایسه کرده ایم. برای تأیید نتایج نگاشت، ما یک مجموعه داده مرجع از نقاط حضور/غیاب ایجاد کردیم که مورد توافق سه کارشناس نقشه برداری بود. هیچ تفاوت آماری معنی داری در دقت کلی نقشه های تولید شده توسط سه رویکرد وجود نداشت. نتیجه می‌گیریم که روش‌های مبتنی بر قانون نیمه خودکار ممکن است گزینه مناسبی برای نقشه‌برداری تپه‌های کربناتی با جزئیات فضایی بالا در مناطق بزرگ باشد. تجزیه و تحلیل زمین مبتنی بر پیکسل و تجزیه و تحلیل تصویر مبتنی بر شی. برای تأیید نتایج نگاشت، ما یک مجموعه داده مرجع از نقاط حضور/غیاب ایجاد کردیم که مورد توافق سه کارشناس نقشه برداری بود. هیچ تفاوت آماری معنی داری در دقت کلی نقشه های تولید شده توسط سه رویکرد وجود نداشت. نتیجه می‌گیریم که روش‌های مبتنی بر قانون نیمه خودکار ممکن است گزینه مناسبی برای نقشه‌برداری تپه‌های کربناتی با جزئیات فضایی بالا در مناطق بزرگ باشد. تجزیه و تحلیل زمین مبتنی بر پیکسل و تجزیه و تحلیل تصویر مبتنی بر شی. برای تأیید نتایج نگاشت، ما یک مجموعه داده مرجع از نقاط حضور/غیاب ایجاد کردیم که مورد توافق سه کارشناس نقشه برداری بود. هیچ تفاوت آماری معنی داری در دقت کلی نقشه های تولید شده توسط سه رویکرد وجود نداشت. نتیجه می‌گیریم که روش‌های مبتنی بر قانون نیمه خودکار ممکن است گزینه مناسبی برای نقشه‌برداری تپه‌های کربناتی با جزئیات فضایی بالا در مناطق بزرگ باشد.

کلید واژه ها:

تپه کربنات ؛ مرجان های آب سرد ؛ حمام سنجی ; نقشه برداری خودکار ؛ نقشه برداری دستی ؛ طبقه بندی ; دقت نقشه

1. معرفی

صخره‌های مرجانی که اغلب با دریاهای گرمسیری کم عمق و نورانی مرتبط هستند، در آب‌های عمیق قفسه‌های قاره‌ای، دامنه‌ها، کوه‌های دریایی و سیستم‌های پشته‌ای در سراسر جهان به طور گسترده یافت می‌شوند [1 ] . چنین صخره های مرجانی آب سرد (CWC) از اهمیت بالایی برخوردار هستند زیرا به افزایش تنوع زیستی کمک می کنند [ 2 ]، شرایط مناسبی را برای مهد کودک برای لارو ماهی ها ایجاد می کنند [ 3 ، 4 ]، غذای بسیاری از موجودات را تامین می کنند [ 5 ، 6 ] و به عنوان کارخانه های کربنات [ 7 ، 8 ].
در عین حال، صخره‌های CWC ساختارهای سه‌بعدی شکننده و با رشد آهسته‌ای هستند که در برابر تأثیرات مختلف انسانی آسیب‌پذیر هستند، مانند ماهیگیری از کف [ 9 ، 10 ، 11 ]، استخراج معدن [ 12 ]، حفاری هیدروکربنی [ 13 ] و تغییرات آب و هوایی. (گرم شدن اقیانوس [ 14 ] و اسیدی شدن [ 6 ، 15 ]). دانش در مورد توزیع فضایی و الزامات زیستگاهی آنها برای جلوگیری یا به حداقل رساندن آسیب به صخره های CWC بسیار مهم است.
CWCها عموماً به آبهای اقیانوسی با دمای 4 تا 12 درجه سانتیگراد محدود می شوند که به معنی عمق آب تقریباً 50 تا 1000 متر در عرض های جغرافیایی بالا و تا 4000 متر در عرض های جغرافیایی پایین است [1 ] . CWCها در شمال شرقی اقیانوس اطلس طیف وسیعی از شرایط محیطی را تحمل می کنند، اگرچه به نظر می رسد که به توده های آب میانی در یک پوشش چگالی معین محدود می شوند [ 16 ]. در مقیاس محلی، وقوع CWC با در دسترس بودن مواد آلی حساس تازه [ 17 ] و وجود بستر سخت برای نشست لارو مرتبط است. صخره‌های CWC غالباً در لندفرم‌های دارای نقش برجسته، مانند پشته‌های سنگ بستر و زمین‌های لغزشی زیردریایی [ 18 ، 19] رخ می‌دهند.]. لندفرم های یخبندان، مانند شخم های کوه یخ، دراملین ها و خطوط یخبندان در مقیاس بزرگ ممکن است بسترهای کف سخت را فراهم کنند، که اغلب در معرض جریان های تقویت شده ای قرار می گیرند که غذا را به سمت ساختارهای صخره می برد [18 ، 20 ] .
رویکردهای مختلفی برای نقشه‌برداری از گونه‌های CWC و صخره‌ها با هدف ارائه اطلاعات حیاتی برای برنامه‌ریزی و حفاظت فضایی دریایی وجود دارد. یکی بر پایگاه‌های داده‌های صخره‌های مرجانی، مانند پایگاه‌های مرکز نظارت بر حفاظت از محیط زیست سازمان ملل متحد [ 21 ] متکی است. پایگاه‌های داده سوابق وقوع را ارائه می‌دهند، اما پوشش مکانی متغیر و محدود است، در حالی که دقت موقعیت‌یابی ممکن است گاهی پایین باشد، به عنوان مثال، زمانی که سوابق ماهیگیران گنجانده شود. رویکرد گسترده‌تر دیگر شامل مدل‌سازی توزیع گونه‌ها در چارچوب‌سازی است. بر اساس سوابق حضور (و عدم حضور) گونه‌های CWC و متغیرهای محیطی مربوطه، پیش‌بینی فضایی احتمال وقوع گونه‌های مرجانی مانند Lophelia pertusa امکان‌پذیر است.. با این حال، چنین مدل‌هایی ممکن است به دلیل عدم وجود گونه‌های ثبت‌شده، دقت پایین مدل‌های عمق‌سنجی و فقدان داده‌ها در مورد ژئومورفولوژی و بستر در مقیاس‌هایی که با گونه‌های مدل‌سازی‌شده مناسب هستند، در هنگام آزمایش در برابر داده‌های اعتبارسنجی میدانی مستقل، ضعیف عمل کنند [22 ] . رویکرد سوم، نقشه‌برداری مستقیم تپه‌های کربناتی است که محصولات زمین‌شناسی صخره‌های CWC هستند [ 23 ]. این امر با افزایش در دسترس بودن داده های اکوصوت چند پرتوی با وضوح بالا (MBES) امکان پذیر می شود. اگرچه مطالعات موردی ارائه شده است که نشان می دهد چگونه تپه های کربناته را می توان به روش نیمه خودکار نقشه برداری کرد [ 24 ، 25 ]، نقشه برداری دستی هنوز هم رایج است [ 26 ].
تپه‌های کربناته از مناطق یا رخساره‌های مختلف [ 27 ] تشکیل شده‌اند که از مرجان‌های زنده گرفته تا ماتریس مرجانی مرده و قلوه سنگ مرجانی را شامل می‌شود. چنین پهنه‌بندی رخساره‌ای حتی در داده‌های MBES با وضوح بالا قابل تشخیص نیست، اما یک تحلیلگر ماهر می‌تواند ویژگی‌های تپه را در نقشه‌های برجسته سایه‌دار شناسایی کند [ 28 ]. در آبهای فراساحلی نروژ، برنامه نقشه برداری دریایی MAREANO (پایگاه داده منطقه دریایی برای سواحل و مناطق دریایی نروژ) نقشه هایی را در مقیاس منطقه ای از توزیع فضایی رسوبات بیوکلاستیک منتشر کرده است (شکل 1)، که اساساً رسوباتی هستند که تفسیر می شوند از زنده یا مرده منشاء می گیرند . صخره های CWC [ 26]. این نقشه ها بر اساس تفسیر متخصص و دیجیتال سازی دستی است. این روش ها که معمولاً ممکن است ذهنی و وقت گیر باشند را می توان با استفاده از روش های نقشه برداری نیمه خودکار بهبود بخشید.
اهداف اصلی این مطالعه (1) توسعه و آزمایش روش‌های مبتنی بر قانون نیمه خودکار و (2) ارزیابی اینکه آیا چنین روش‌هایی می‌توانند جایگزین روش‌های دستی در آینده شوند یا خیر. ما خروجی های نقشه برداری از دو رویکرد نیمه خودکار مختلف و تفسیر متخصص دستی را در برابر مجموعه داده مرجع حضور و عدم حضور تپه کربنات مقایسه می کنیم. هدف این است که بررسی شود آیا روش‌های نیمه خودکار مبتنی بر قوانین محصولات دقیق‌تر، سریع‌تر، تکرارپذیرتر و مقرون‌به‌صرفه‌تر تولید می‌کنند یا خیر.

2. روش ها

در میان طیف وسیعی از روش‌های نیمه خودکار ممکن نقشه‌برداری تپه‌های کربناته، ما دو مورد را برای این مطالعه انتخاب کردیم: تجزیه و تحلیل تصویر مبتنی بر شی جغرافیایی (GEOBIA) و طبقه‌بندی بر اساس تجزیه و تحلیل زمین پیکسل‌ها ( شکل 1 ). آزمایش‌های نقشه‌برداری به‌طور جداگانه توسط دو محقق منفرد انجام شد و نفر سوم یک نقشه دیجیتالی دستی بر اساس تفسیر متخصص تهیه کرد. هر سه آزمایش‌کننده روش به‌طور مستقل کار می‌کردند، اما همه به مجموعه داده‌های عمق سنجی و متغیرهای زمین مشتق شده دسترسی داشتند ( جدول 1 ). مجموعه داده های متغیر زمین (BPI و مساحت سطح تا ناحیه مسطح) از عمق سنجی با استفاده از ابزار Benthic Terrain Modeler برای ESRI ArcGIS [ 29 ] استخراج شد. کارهای قبلی 26، 30 ، 31 ] پیشنهاد کرده اند که مشتقات مناسب آب سنجی برای طبقه بندی تپه های کربناتی، شیب، انحنا و شاخص موقعیت یابی عمق سنجی (BPI) است. علاوه بر این، ما سطح به مساحت مسطح و تبدیل چند جمله‌ای مرتبه دوم را وارد کردیم که برای افزایش دقت در ایجاد مجموعه داده مرجع استفاده شد. در این مطالعه، GEOBIA با استفاده از نرم افزار eCognition [ 32 ] انجام شد و تمام مشتقات عمق سنجی در ESRI ArcGIS تولید شدند.

2.1. ورودی داده ها و حوزه مطالعه

ما آنالیزها را با داده‌های منطقه‌ای به مساحت 76 کیلومتر مربع واقع در Skjoldryggen در فلات قاره در شمال نروژ با عمق آب 270-680 متر انجام دادیم ( شکل 1 ). تپه‌های کربناته در منطقه مورد مطالعه معمولاً ویژگی‌های دراز و برجسته هستند که اغلب 10-20 متر عرض و 30-90 متر طول دارند. بسیاری از شخم های کوه یخ منحنی خطی به طول یک کیلومتر با نقش برجسته منطقه مورد مطالعه را قطع می کنند و اندازه آنها تا 100 متر برم به برم می رسد ( شکل 2 c-e). Skjoldryggen یک مورن پایانی بسیار بزرگ است که دورترین پیشروی صفحه یخی Fennoscandian تمام یخبندان واقع در سواحل نروژ را نشان می دهد. 36]]. پراکنش رسوبات بیوکلاستیک قبلاً در این منطقه نقشه برداری شده است. متغیرهای تسکین سایه‌دار و زمین از مجموعه داده‌های عمق‌سنجی MBES با وضوح افقی 5 متر × 5 متر استخراج شدند.

2.2. دیجیتال سازی دستی

در رقومی‌سازی دستی ویژگی‌های تپه در ESRI ArcMap، انحنا (شامل انحنای پلان و پروفیل) و شیب متغیرهای زمینی هستند که به بهترین وجه به تفسیر کارشناسان منطقه مورد مطالعه کمک می‌کنند. برای ترسیم دقیق ویژگی‌ها و تمایز بین تپه‌های کربناته فرضی و سایر برآمدگی‌ها یا تپه‌های موجود در منطقه که مربوط به علائم گاوآهن کوه یخ است ( شکل 3 )، مفسر از نقشه برجسته سایه‌دار استفاده کرد. مقیاس دیجیتالی کردن تقریباً 1:5000 بود، به این معنی که در مکان‌هایی که تپه‌ها خوشه‌بندی می‌شدند، این تپه‌ها به جای جدا کردن چند ضلعی‌های کوچک مطابق با مقیاس نقشه‌برداری، در چندضلعی‌های بزرگ‌تر جمع می‌شدند.

2.3. تجزیه و تحلیل زمین مبتنی بر پیکسل

برای شناسایی خودکار تپه‌های کربنات در مجموعه داده‌های عمق‌سنجی، آزمایش‌کننده روش با ابزارهای شطرنجی مبتنی بر ESRI ArcGIS کار می‌کند و با ارزیابی بصری متغیرهای زمین موجود ( جدول 1 ) شروع به کار کرد. هدف شناسایی یک متغیر مناسب بود که بتواند به طور قابل اعتمادی بین ویژگی‌های تپه‌مانند و سایر عناصر مورفولوژیکی، مانند شخم‌های کوه یخ، تمایز قائل شود. تعدادی از ابزارهای تخصصی برای مدل‌سازی زمین به‌عنوان پسوند بسته ArcGIS در دسترس هستند، از جمله ابزارهایی که در مجموعه ابزار Benthic Terrain Modeler [ 29 ] و Geomorphometry & Gradient Metrics [ 35] یافت می‌شوند.]. اینها در ابتدا برای این مطالعه در نظر گرفته شدند، اما برای این دسته بندی حضور/غیاب نسبتاً ساده مناسب تر از ابزارهای استاندارد ArcGIS Spatial Analyst نیستند. پس از بازرسی بصری محصولات ابزارهای مختلف، یک شاخص موقعیت یابی عمق سنجی در همسایگی کوچک (BPI3) به عنوان مبنایی برای تجزیه و تحلیل بیشتر انتخاب شد. BPIها وابسته به مقیاس هستند [ 34 ]. آنها ویژگی های مختلف زمین را بر اساس رابطه بین اندازه ویژگی، وضوح تصویر و اندازه همسایگی BPI برجسته می کنند. BPI3 انتخاب شده به بهترین وجه تپه های کربناتی را نسبت به برم های شخم کوه یخ برجسته کرد. گردش کار در زیر و در شکل 4 خلاصه شده است .
  • انتخاب یک مقدار برش: داده‌های شطرنجی BPI3 در ابتدا در یک GIS با روش‌های طبقه‌بندی شطرنجی مختلف برای تسهیل انتخاب یک مقدار برش نمایش داده شدند. پس از بررسی بصری نتایج برای مثبت کاذب، ما بر روی یک مقدار برش 0.3+ تصمیم گرفتیم تا رستر BPI3 را در حضور و عدم وجود تپه ها طبقه بندی کنیم. با وضوح شطرنجی و ویژگی های مشخصه داده شده در این مورد، یک مقدار BPI3 که بالاتر از 0.3 است احتمالاً یک ویژگی تپه را نشان می دهد.
  • ایجاد چند ضلعی از داده های شطرنجی طبقه بندی شده: ابزار ArcGIS Raster to Polygon برای ایجاد لایه ای از چند ضلعی ها که مناطق با BPI بالا را نشان می دهد استفاده شد.
  • چند ضلعی های بافر: یک روش مبتنی بر BPI برای شناسایی سازه های مرتفع عمدتاً بالاترین ارتفاعات را برجسته می کند. با افزودن یک منطقه حائل 10 متری، هدف ما گنجاندن کل منطقه هر ویژگی تپه در منطقه مورد مطالعه است ( شکل 5 ). اندازه بافر پس از آزمایش و ارزیابی بصری نتایج انتخاب شد.
  • حذف نتایج بر اساس اندازه چند ضلعی: بسیاری از موارد مثبت کاذب در طبقه‌بندی مبتنی بر پیکسل، سلول‌های تکی هستند که به طور اتفاقی مقداری بالاتر از حد برش دارند، زیرا اگر مقدار برش را خیلی بالا تنظیم کنیم، در خطر از دست دادن ویژگی‌های واقعی هستیم. این موارد را می توان به صورت اختیاری در مرحله چند ضلعی با حذف چند ضلعی هایی که کوچکتر از اندازه مشخص شده (700 متر مربع ) هستند حذف کرد.

2.4. جئوبیا

در GEOBIA، اولین گام مهم تقسیم‌بندی تصویر است [ 37 ، 38 ]، که در آن تصویر به چند ضلعی‌های غیر همپوشانی (اشیاء) در فضای تصویر بر اساس همگنی [ 39 ] تقسیم می‌شود تا ناهمگنی در اشیاء تصویر را به حداقل برساند. 25] .]. این اشیا واحدهای اصلی تجزیه و تحلیل هستند که طبقه بندی مبتنی بر شی را به طور اساسی با روش های مبتنی بر پیکسل متفاوت می کند. اشیاء تصویر به دست آمده را می توان با ویژگی های مختلفی مانند مقادیر لایه (میانگین، انحراف معیار، چولگی و غیره)، هندسه (وسعت، شکل و غیره) و بافت تصویر مشخص کرد. طبقه بندی بعدی بر اساس ترکیبی از این ویژگی های شی تصویر است. این را می توان با اعمال سیستماتیک قوانینی که درک تحلیلگر از تصویر را فرموله می کند یا به روشی مبتنی بر داده از طریق طبقه بندی نظارت شده (مانند یادگیری ماشین) انجام داد. در اینجا، طبقه بندی مبتنی بر قانون انجام شد. تمام پارامترهای مجموعه قوانین پس از آزمایشات و ارزیابی بصری نتایج انتخاب شدند. ما از نرم افزار eCognition v9.2 برای تجزیه و تحلیل GEOBIA استفاده کردیم. گردش کار در زیر و در خلاصه شده استشکل 6 .
  • تقسیم بندی: تمام مشتقات عمق سنجی به eCognition [ 32 ] وارد شدند و با استفاده از تقسیم بندی چند تفکیک پذیری با پارامتر مقیاس 5 و ترکیب فشردگی معیار همگنی 0.1 قطعه بندی شدند. وزن 2 به BPI5، BPI20، شیب و انحنا داده شد، در حالی که 1 به تبدیل چند جمله ای مرتبه دوم داده شد.
  • طبقه بندی: یک طبقه بندی مبتنی بر قانون از اشیاء انجام شد. قوانین زیر اعمال شد: میانگین مقدار BPI5 و BPI20 ≥ 0، میانگین شیب ≥ 5، انحراف معیار شیب ≥ 2.3 و انحراف استاندارد انحنای ≥ 20.
  • صادرات به ArcGIS: داده های طبقه بندی شده به شکل فایل ArcGIS به عنوان یک چند ضلعی صاف شده صادر شدند.
  • چند ضلعی های بافر: یک بافر 5 متری در اطراف چند ضلعی های طبقه بندی شده با هدف گنجاندن قسمت های پایینی تپه های کربناته اعمال شد. اندازه بافر پس از آزمایشات و ارزیابی بصری نتایج انتخاب شد ( شکل 7 ).

2.5. داده های مرجع و ارزیابی دقت

برآورد دقت سه خروجی نقشه شامل سه عنصر است: طراحی نمونه، طراحی پاسخ و تجزیه و تحلیل دقت نقشه [ 40 ، 41 ].

2.5.1. طراحی نمونه گیری

ما یک طرح نمونه‌برداری طبقه‌ای-تصادفی با حداکثر وسعت تپه‌های کربناته (که از ادغام هر سه خروجی به دست می‌آید) و عدم وجود تپه به عنوان دو لایه انتخاب کردیم. نمونه‌گیری تصادفی طبقه‌ای یک طرح عملی توصیه‌شده است که اهداف اولیه ارزیابی دقت را برآورده می‌کند [ 40 ]. حجم نمونه بر اساس فرمول زیر [ 40 ، 42 ] برآورد شد:

n=(∑دبلیومناسمن)2[اس(O^)]2+(1/ن)∑دبلیومناسمن2

که در آن N تعداد واحدهای منطقه مورد نظر است، اس(O^)خطای استاندارد دقت کلی تخمین زده شده است که می خواهیم به آن برسیم، W i نسبت نگاشت شده مساحت کلاس i و S i انحراف استاندارد طبقه i است ، اسمن=Uمن(1-Uمن)با U i که دقت کاربر از کلاس i است .

2.5.2. طراحی پاسخ
هنگامی که نقاط داده مرجع ایجاد شدند ( شکل 8 )، این نقاط توسط سه متخصص بر اساس ارزیابی بصری مشتقات با وضوح بالاتر (2 متر × 2 متر) (به علاوه مساحت سطح تا سطح مسطح) و نقشه های برجسته سایه دار برچسب گذاری شدند (شکل 1) . ). پروتکل برچسب‌گذاری مرجع، تحلیلگران را ملزم می‌کرد تا نقاط مرجع را به‌عنوان حضور یا عدم وجود تپه کربنات برچسب‌گذاری کنند و یک رتبه اطمینان ذهنی (بالا، متوسط، پایین) ارائه دهند. ارزیابی ها در ابتدا به صورت مستقل انجام شد. هنگامی که پس از ارسال اولیه، بین برچسب ها اختلاف نظر وجود داشت، از تحلیلگران خواسته شد تا یک اجماع پیدا کنند. نقاط داده مرجع حاصل برای تخمین دقت نقشه استفاده شد ( شکل 1 ).
2.5.3. تحلیل و بررسی

کلاس‌های پیش‌بینی‌شده (حضور یا عدم حضور تپه) با استفاده از یک Join فضایی در ArcGIS به مجموعه داده‌های مرجع متصل شدند. دقت ها با استفاده از تابع confusionMatrix () از بسته caret [ 43 ] در R تجزیه و تحلیل شد. ما دقت پیش بینی ها را با سه معیار به طور گسترده اعمال شده، که می تواند از یک جدول احتمالی مشتق شود، ارزیابی کردیم ( جدول 2 ). اینها عبارتند از دقت کلی (درصد طبقه بندی صحیح، PCC)، حساسیت و ویژگی. PCC نسبت حضور و غیاب به درستی طبقه بندی شده است ( جدول 2 و معادله (2)). حساسیت مقدار پیش بینی حضور واقعی به عنوان نسبتی از تعداد کل مشاهدات حضور است ( جدول 2و معادله (3)). ویژگی مقدار پیش بینی غیاب واقعی به عنوان نسبتی از تعداد کل مشاهدات غیبت است ( جدول 2 و معادله (4)).

PCC=(TN+TP)(TN+FN+FP+TP)
حس=TP(FN+TP)
مشخصات=TN(TN+FP)
اهمیت آماری تفاوت ها در دقت کلی تخمین زده شده نقشه ها با آزمون χ 2 مک نمار برای نمونه های مرتبط با تصحیح پیوستگی [ 44 ] آزمایش شد. از مقادیر χ 2 محاسبه شده و درجات آزادی (df = 1)، یک p -value را می توان از جداول منتشر شده یا ماشین حساب های آنلاین (به عنوان مثال، https://www.socscistatistics.com/pvalues/chidistribution.aspx ) به دست آورد. برای یک پ 0.05، مقدار χ 2 باید بالاتر از 3.84 باشد.

3. نتایج

3.1. داده های مرجع

حداکثر وسعت تپه های کربناته 12.3 درصد از کل مساحت بوده و از این رو، عدم وجود تپه دارای مساحت نسبی 87.7 درصد بوده است. تعداد واحدها در منطقه مورد مطالعه 3271 چند ضلعی منفرد بود. بر اساس تجربه قبلی [ 45 ]، ما دقت کاربر را 0.9 برای حضور تپه و 0.85 برای عدم حضور تپه برآورد کردیم. ما یک خطای استاندارد هدف را برای دقت کلی 0.02 مشخص کردیم. از این رو، با توجه به رابطه (1) حجم نمونه 303 را برآورد کردیم. تخصیص متناسب نقاط نمونه منجر به 37 نمونه برای حضور تپه و 266 نمونه برای عدم حضور تپه می شود. برای اینکه تعداد نمونه کافی برای حضور تپه فراهم شود، 100 نقطه نمونه را به این کلاس و بقیه (203) را به کلاس عدم حضور تپه اختصاص دادیم.
برچسب‌های کلاسی که به‌طور مستقل توسط سه تحلیل‌گر اختصاص داده شده بودند، در 280 مورد از 303 مورد (92.4٪) موافقت کردند. هنگامی که اختلاف نظر وجود داشت، اطمینان در برچسب‌گذاری معمولاً کم یا متوسط ​​ارزیابی می‌شد. پس از اجماع در موارد بلاتکلیف، 73 نقطه نمونه به عنوان حضور تپه و 230 نقطه به عنوان عدم وجود تپه برچسب‌گذاری شدند که منجر به شیوع 0.24 و نرخ بدون اطلاعات (NIR) 0.76 شد (جدول 3 ) .

3.2. دقت نقشه

بر اساس مجموعه داده مرجع، ما دقت نقشه سه رویکرد مختلف را برآورد کردیم ( جدول 4 ). همه روش ها به دقت کلی (PCC) بالاتر از نرخ بدون اطلاعات (NIR = 0.759) دست یافتند. تفاوت در PCC کوچک بود، از 91.09٪ (دستی) تا 89.11٪ (تحلیل زمین) تا 88.45٪ (GEOBIA). علاوه بر این، فواصل اطمینان 95 درصد همپوشانی داشتند ( شکل 9 ). در واقع، تفاوت در PCC بر اساس آزمون χ 2 مک نمار برای نمونه‌های مرتبط با تصحیح پیوستگی معنی‌دار نبود . ( جدول 5 ).
بیشترین حساسیت برای تحلیل زمین با 80.82 درصد و کمترین برای GEOBIA با 64.38 درصد بود. از سوی دیگر، ویژگی با 96.09٪ برای هر دو طبقه بندی دستی و GEOBIA بالاترین بود.

3.3. مقایسه فضایی

دیجیتالی سازی دستی 3559 چند ضلعی تولید کرد ( جدول 6 ). طبقه بندی نیمه خودکار بر اساس تجزیه و تحلیل مبتنی بر پیکسل منجر به 3247 چند ضلعی شد، در حالی که GEOBIA 4866 ویژگی را ارائه داد. مناطق تپه کربناته نقشه برداری شده به ترتیب برای نقشه برداری دستی، تجزیه و تحلیل زمین و GEOBIA به 6.01 کیلومتر مربع ، 7.35 کیلومتر مربع و 5.01 کیلومتر مربع بالغ شد . مقایسه خروجی های مختلف نقشه در شکل 10 نشان داده شده است .

4. بحث

ما سه روش مختلف (رقومی‌سازی دستی، تجزیه و تحلیل زمین مبتنی بر پیکسل و تجزیه و تحلیل تصویر مبتنی بر شی) را برای طبقه‌بندی تپه‌های کربنات از عمق‌سنجی شبکه ۵ متری و مشتقات آن ارائه کرده‌ایم و دقت نقشه را بر اساس یک مجموعه داده مرجع تخمین زده‌ایم. ما دو روش مبتنی بر قانون را انتخاب کردیم (یکی مبتنی بر پیکسل، دیگری مبتنی بر شی) زیرا آنها امکان ادغام آسان‌تر درک تحلیلگر از تصویر و اطلاعات زمینه‌ای را فراهم می‌کنند. اخیراً، روش‌های یادگیری ماشین و یادگیری عمیق در تحلیل تصویر به کار گرفته شده‌اند. چنین روش‌های طبقه‌بندی مبتنی بر داده نویدبخش هستند و نشان داده شده است که برای نقشه‌برداری تپه کربنات CWC قابل استفاده هستند [ 25]]. با این حال، نتایج به شدت به کیفیت داده های موجود برای نقشه برداری بستگی دارد، که هنوز هم می تواند یک عامل محدود کننده در برنامه های نقشه برداری دریایی باشد. علاوه بر این، ادغام دانش تحلیلگر، که اغلب در مواقعی که باید بر مشکلات کیفیت داده غلبه کرد، ضروری است، پیچیده تر است. بنابراین، در حالی که بررسی بیشتر عملکرد روش‌های پیشرفته طبقه‌بندی مبتنی بر داده‌ها جالب خواهد بود، این فراتر از محدوده این مقاله است. علاوه بر این، تمام روش‌های بکار رفته در این مطالعه به دقت کلی بالای تقریباً 90 درصد دست یافتند. تفاوت بین روش ها در دقت کم بود و از نظر آماری معنی دار نبود.
طبق دانش ما، روش مورد استفاده برای استخراج مجموعه داده مرجع در نقشه برداری دریایی جدید است. به طور معمول، مشاهدات مستقیم بستر دریا با ویدئوهای زیر آب و تصاویر ثابت یا نمونه های فیزیکی گرفته شده با چنگال ها و هسته ها به عنوان داده های مرجع استفاده می شود. با این حال، بازیابی و تجزیه و تحلیل آنها اغلب پرهزینه است و از این رو تعداد آنها محدود است. در این مورد، ما تصمیم گرفتیم با تجزیه و تحلیل مستقیم داده های عمق سنجی اکوسوندر چند پرتوی با وضوح بالا، یک مجموعه داده مرجع ایجاد کنیم. فرآیند ایجاد یک مجموعه داده مرجع باید از کیفیت بالاتری نسبت به فرآیند تهیه نقشه برخوردار باشد [ 40]. در اینجا، ما از همان داده‌های MBES شبکه‌بندی شده با وضوح بهتر (2 متر در مقابل 5 متر) و برچسب‌گذاری توافقی سه تحلیلگر برای تولید یک مجموعه داده مرجع استفاده کردیم. بنابراین، ما فرآیند برچسب‌گذاری مرجع را از کیفیت بالاتری نسبت به فرآیندهای نقشه‌سازی می‌دانیم. این رویکرد در اینجا قابل اجرا است زیرا تپه‌های کربنات ویژگی‌های قابل تشخیصی برای یک تحلیلگر ماهر هستند. برای محدود کردن عدم قطعیت در داده‌های مرجع، از یک پروتکل برچسب‌گذاری مرجع استفاده کردیم که تنوع مفسر را به حداقل رساند. از نتایج، بدیهی است که تنوع بین تحلیلگر کم است زیرا نقاط مرجع تنها در 8 درصد موارد متفاوت برچسب‌گذاری شده‌اند. این اغلب در مناطق انتقالی در پایین دامنه های تپه رخ داده است. اختلاف کم به احتمال زیاد به دلیل (1) این واقعیت است که تپه های کربنات ویژگی های آشکاری هستند که به راحتی از داده های MBES قابل شناسایی هستند [25 ] و (2) استفاده از یک طبقه بندی باینری ساده (حضور/غیاب) [ 46 ].
رویکرد برچسب‌گذاری مرجع که در پیش گرفته‌ایم چندین مزیت دارد. هیچ خطای موقعیت جغرافیایی در مجموعه داده مرجع وجود ندارد زیرا برچسب‌گذاری بر اساس همان داده‌های MBES (البته با وضوح بالاتر پردازش شده) است که داده‌های مورد استفاده برای نقشه‌برداری است. به همین ترتیب، هیچ عدم تطابق زمانی وجود ندارد زیرا داده های مورد استفاده برای نقشه برداری و استخراج مجموعه داده مرجع هم سن هستند. مهمتر از همه، مجموعه داده مرجع می تواند ارزان و سریع (در عرض یک روز) ایجاد شود، که به ما امکان می دهد توصیه هایی را برای اندازه نمونه و طراحی نمونه مناسب دنبال کنیم [ 40 ، 41 ]. این در تضاد با پارتیشن بندی داده است، که در آن یک مجموعه از نقاط داده واقعی به مجموعه داده های آموزشی و آزمایشی تقسیم می شود. 47]]. چنین رویکردی اغلب زمانی انجام می‌شود که جمع‌آوری داده‌های حقیقت زمینی مستقل در یک بررسی جداگانه پس از تولید نقشه امکان‌پذیر نباشد. با این حال، همواره به این معنی است که نمی‌توان توصیه‌های ثابت شده برای طراحی نمونه‌برداری را اعمال کرد. در نتیجه، چنین تقسیم‌بندی‌های منفرد به داده‌های آموزشی و آزمایشی اغلب منجر به واریانس بالایی در تخمین‌های دقت [ 48 ] می‌شود، اگرچه این مشکل ممکن است با اعمال تجمع بوت استرپ کاهش یابد [ 45 ].
تفاوت کمی در دقت کلی نقشه بین سه روش وجود داشت. با این حال، تفاوت ها از نظر حساسیت و ویژگی بارزتر بود. با پارامترهای مورد استفاده در این مطالعه، روش تحلیل زمین در پیش‌بینی حضور تپه‌ها (بالاترین حساسیت) و پیش‌بینی بزرگ‌ترین سطح تپه کربناته موفق‌ترین بود. جدول 5).). GEOBIA و طبقه‌بندی دستی در شناسایی عدم وجود تپه (بالاترین ویژگی) در راستای مناطق کوچک‌تر پیش‌بینی‌شده تپه‌های کربناتی در مقایسه با تجزیه و تحلیل زمین برتر بودند. انتخاب مناسب‌ترین روش نقشه‌برداری نه تنها به این تفاوت‌ها در آمار خطا، بلکه به کار در دست هم بستگی دارد. اگر لازم است که تا آنجایی که ممکن است تپه های کربناته به درستی طبقه بندی شود، نتایج ما نشان می دهد که تحلیل زمین ممکن است روش انتخابی باشد. با این حال، اگر وظیفه به حداقل رساندن تعداد مثبت کاذب است، ممکن است استفاده از GEOBIA یا تفسیر دستی مناسب تر باشد ( جدول 7 ).
تعداد چند ضلعی های تپه تولید شده از 3247 تا 4866 متغیر است. بسته به مقیاس نقشه برداری، نگاشت دستی منجر به تعمیم هایی می شود که در آن تپه های کربناته فردی ممکن است در مجاورت یکدیگر گروه بندی شوند. تعداد کمتر چند ضلعی های حاصل از تجزیه و تحلیل زمین در مقایسه با GEOBIA احتمالاً ناشی از اندازه بافر بزرگتر (10 متر در مقابل 5 متر) است که به طور جداگانه برای هر روش با هدف بهبود عملکرد نقشه برداری انتخاب شده است (همانطور که توسط قضاوت شده است. تحلیلگر). اینکه آیا نیاز به نقشه برداری تک تک تپه های کربناته تا حد امکان دقیق است یا تعمیم پذیرفتنی است به استفاده از محصولات نقشه بستگی دارد. روی هم رفته، این نشان می‌دهد که بعید به نظر می‌رسد رویکرد نقشه‌برداری «یک اندازه متناسب با همه» وجود داشته باشد. و مهم است که قبل از انتخاب مناسب ترین روش، ابتدا الزامات نقشه بر اساس استفاده پیش بینی شده را تا حد امکان دقیق مشخص کنید. معاوضه (به عنوان مثال، ترجیح دادن حساسیت بالا به ویژگی بالا) اجتناب ناپذیر خواهد بود.
تفاوت های آماری ناچیز در دقت کلی نشان می دهد که روش های نیمه خودکار مبتنی بر قوانین می توانند به طور قابل اعتمادی جایگزین روش های دستی وقت گیر و ذهنی شوند. منطقه نقشه‌برداری شده این مطالعه موردی در مقایسه با اندازه فلات قاره نروژی (≈1,400,000 کیلومتر مربع ) یا منطقه مناسب برای رشد CWC (≈1,000,000 کیلومتر مربع ) در آن [ 8 ] کوچک بود (76 کیلومتر مربع ). چنین مناطق بزرگی را می توان تنها به صورت دستی با افزایش تعمیم (کاهش مقیاس نقشه برداری) همانطور که قبلاً انجام شده بود، نقشه برداری کرد. 26] ترسیم کرد.]. برای حفظ سطح جزئیات موجود در داده‌های MBES 5 متری به سطحی از اتوماسیون نیاز دارد و همانطور که در اینجا نشان داده شده است، روش‌های مبتنی بر قانون گزینه مناسبی هستند. مجموعه قوانین GEOBIA اکنون توسعه یافته و آزمایش شده است. با این حال، اگر پارامترها در یک منطقه مطالعاتی جدید اعمال شوند، به طور بالقوه نیاز به تنظیم دارند. همین امر برای روش تجزیه و تحلیل زمین با جریان کار تعریف شده صدق می کند، اما برای به دست آوردن نتایج رضایت بخش یا ایجاد یک مدل با Model Builder، چند بار تکرار خواهد شد. دقت نقشه را می توان با تولید مجموعه داده های مرجع از طریق برچسب گذاری توسط کارشناسان به طور قابل اعتماد ارزیابی کرد. در نهایت، این بدان معنی است که تخصص تحلیلگران درگیر هنوز مورد نیاز است، اما تمرکز از تولید نقشه دستی به ایجاد داده های مرجع تغییر خواهد کرد. به این ترتیب، باید بتوان مناطق وسیعی از بستر دریا را با قدرت تفکیک فضایی بالا ترسیم کرد و دقت محصولات مشتق شده را ارزیابی و ارزیابی انتقادی کرد. چنین محصولاتی احتمالاً پایگاه داده را برای مدیریت و حفاظت فضایی بهبود می بخشد. تخمین مساحت تپه کربناته ممکن است به محدود کردن نرخ تولید کربنات صخره‌های CWC نیز کمک کند.8 ] و نقش آنها به عنوان غرق کربنات [ 7 ].

5. نتیجه گیری ها

دو روش مبتنی بر قانون نیمه خودکار (تحلیل زمین مبتنی بر پیکسل و GEOBIA) با نقشه برداری دستی در توانایی آنها برای نقشه برداری دقیق تپه های کربنات CWC بر اساس داده های عمق سنجی MBES با وضوح بالا مقایسه شدند. برای آزمایش دقت روش ها، با انتخاب 303 نقطه به صورت تصادفی طبقه بندی شده، یک مجموعه داده مرجع ایجاد کردیم. این نقاط متعاقباً توسط سه تحلیلگر خبره به عنوان وجود یا عدم وجود تپه کربنات طبقه بندی شدند. بر اساس داده های مرجع، ما دقت نقشه را تخمین زدیم و متوجه شدیم که همه روش ها نتایج بسیار دقیقی با دقت کلی تقریباً 90٪ تولید می کنند. علاوه بر این، هیچ تفاوت آماری معنی‌داری در این مقادیر دقت وجود نداشت، به این معنی که روش‌های نیمه خودکار با زمان کارآمدتر می‌توانند جایگزین نقشه‌برداری دستی پر زحمت در آینده شوند.

منابع

  1. رابرتز، جی.ام. ویلر، ای جی. Freiwald، A. Reefs of the Deep: The Biology and Geology of Cold-Water Coral Ecosystems. علوم 2006 ، 312 ، 543-547. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  2. بونگیورنی، ال. میا، م. گامبی، سی. پوسدو، ا. تاویانی، م. Danovaro، R. مرجان های scleractinian در آب های عمیق تنوع زیستی بالاتری را در مجموعه های meiofaunal اعماق دریا در امتداد حاشیه های قاره ترویج می کنند. Biol. حفظ کنید. 2010 ، 143 ، 1687-1700. [ Google Scholar ] [ نسخه سبز ]
  3. بایون، اس. همل، جی اف. Wareham، VE; مرسیر، A. مرجان های عمیق آب سرد به عنوان مهد کودک برای لارو ماهی. جلو. Ecol. محیط زیست 2012 ، 10 ، 351-356. [ Google Scholar ] [ CrossRef ]
  4. سوفکر، ام. اسلومان، کالیفرنیا؛ هال اسپنسر، JM مشاهدات درجا از ماهی های مرتبط با صخره های مرجانی در ایرلند. عمیق Res. قسمت اول Oceanogr. Res. پاپ 2011 ، 58 ، 818-825. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  5. کاستلو، ام جی; مک کریا، ام. فریوالد، ا. لوندالو، تی. جانسون، ال. بت، بی جی؛ ون ویرینگ، TCE; د هاس، اچ. رابرتز، جی.ام. آلن، دی. نقش صخره های مرجانی Lophelia pertusa آب سرد به عنوان زیستگاه ماهی در اقیانوس اطلس شمالی. در مرجان ها و اکوسیستم های آب سرد ؛ Springer: برلین، هایدلبرگ، 2005; صص 771-805. [ Google Scholar ]
  6. هوگ گولدبرگ، او. پولوچانسکا، ES; Skirving، W.; Dove، S. اکوسیستم های صخره مرجانی تحت تغییرات آب و هوا و اسیدی شدن اقیانوس. جلو. مارس Sci. 2017 ، 4 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  7. تیچاک، جی. باوم، دی. دی پل هولز، آر. لوپز کوریا، ام. فورستر، ن. فلوگل، اس. هبلن، دی. Freiwald، A. انباشتگی و تجمع کربناته صخره‌های مرجانی آب سرد نروژی هولوسن. رسوب شناسی 2015 ، 62 ، 1873-1898. [ Google Scholar ] [ CrossRef ]
  8. لیندبرگ، بی. Mienert, J. تولید کربنات پس از یخبندان توسط مرجان های آب سرد در قفسه نروژ و نقش آنها در بودجه کربنات جهانی. زمین شناسی 2005 ، 33 ، 537-540. [ Google Scholar ] [ CrossRef ]
  9. آلتائوس، اف. ویلیامز، ای. شلاچر، تی. کلوزر، آر جی. گرین، ام. بارکر، بی. باکس، ن. برودی، ص. تأثیرات ترال کف بر روی اکوسیستم‌های مرجانی عمیق کوه‌های دریایی طولانی‌مدت است. مارس اکل. Prog. سر. 2009 ، 397 ، 279-294. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  10. هال-اسپنسر، جی. آلن، وی. آسیب ترالینگ به صخره های مرجانی باستانی شمال شرقی اقیانوس اطلس. Proc. R. Soc. لندن. سر. B Biol. علمی 2002 ، 269 ، 507-511. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  11. Fosså، JH; مورتنسن، پی بی. Furevik، DM مرجان آبهای عمیق Lophelia pertusa در آبهای نروژ: تأثیرات توزیع و ماهیگیری. Hydrobiologia 2002 ، 471 ، 1-12. [ Google Scholar ] [ CrossRef ]
  12. رابرتز، جی.ام. کرنز، مرجان‌های آب سرد SD در اقیانوس در حال تغییر. Curr. نظر. محیط زیست حفظ کنید. 2014 ، 7 ، 118-126. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  13. فیشر، CR; Hsing، P.-Y.; Kaiser، CL; یورگر، DR. رابرتز، اچ. Shedd, WW; Cordes، EE; ساقه، TM; Berlet، SP; ساندرز، ام جی; لارکوم، EA؛ بروکس، JM Footprint of Deepwater Horizon بر جوامع مرجانی در اعماق آب تأثیر می گذارد. Proc. Natl. آکادمی علمی 2014 ، 111 ، 11744-11749. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  14. تورنتز، او. تامبوته، ای. کامینیتی، ن. گارابو، جی. آستانه حرارتی بالای جمعیت های کم عمق در مقابل عمیق مرجان قرمز گرانبهای مدیترانه ای Corallium rubrum (L.): ارزیابی اثرات بالقوه گرم شدن در شمال غربی مدیترانه. J. Exp. مارس بیو. Ecol. 2008 ، 357 ، 7-19. [ Google Scholar ] [ CrossRef ]
  15. گینوت، جی.ام. اور، جی. کرنز، اس. فریوالد، ا. مورگان، ال. جورج، آر. آیا تغییرات ناشی از انسان در شیمی آب دریا، توزیع مرجان های اسکلراکتینی در اعماق دریا را تغییر می دهد؟ جلو. Ecol. محیط زیست 2006 ، 4 ، 141-146. [ Google Scholar ] [ CrossRef ]
  16. دولو، دبلیو.-سی. فلوگل، اس. Rüggeberg، A. رشد مرجان های آب سرد در رابطه با هیدروگرافی حاشیه قاره اروپای سلتیک و شمال اروپا. مارس اکل. Prog. سر. 2008 ، 371 ، 165-176. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  17. کیریاکولاکیس، ک. فریوالد، ا. فیشر، ای. Wolff, GA کیفیت مواد آلی و عرضه به سیستم‌های مرجانی/تپه‌ای در آب‌های عمیق حاشیه قاره اروپا. بین المللی J. Earth Sci. 2007 ، 96 ، 159-170. [ Google Scholar ] [ CrossRef ]
  18. ادینگر، EN; شروود، OA; پایپر، DJW; Wareham، VE; بیکر، KD; گیلکینسون، KD; Scott, DB ویژگی های زمین شناسی که از زیستگاه مرجانی در اعماق دریا در اقیانوس اطلس کانادا پشتیبانی می کند. ادامه Shelf Res. 2011 ، 31 ، 69-84. [ Google Scholar ] [ CrossRef ]
  19. تورنس، تی. بلک، VK؛ دولان، صخره‌های مرجانی آب سرد MFJ و لندفرم‌های یخچالی از صخره سولا، قفسه نروژی میانی. جئول Soc. لندن، مم. 2016 ، 46 ، 307-308. [ Google Scholar ] [ CrossRef ]
  20. بوهل مورتنسن، ال. وانروسل، ا. گودی، ای جی. لوین، لس آنجلس; Priede، IG; بوهل مورتنسن، پ. گیراردین، اچ. کینگ، نیوجرسی؛ Raes, M. ساختارهای بیولوژیکی به عنوان منبع ناهمگونی زیستگاه و تنوع زیستی در حاشیه اعماق اقیانوس. مارس اکل. 2010 ، 31 ، 21-50. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  21. فریوالد، ا. راجرز، ا. هال اسپنسر، جی. گینوت، جی. دیویس، ا. یسون، سی. مارتین، سی. Weatherdon، L. توزیع جهانی مرجان های آب سرد (نسخه 5.0). پنجمین به روز رسانی مجموعه داده در فریوالد و همکاران. (2004) توسط UNEP-WCMC، با همکاری آندره فریوالد و جان گینوت.
  22. اندرسون، اف. گینوت، جی.ام. رودن، AA; کلارک، ام آر؛ مورمد، اس. دیویس، ای جی. Bowden، DA اعتبار سنجی میدانی مدل‌های مناسب زیستگاه برای اکوسیستم‌های دریایی آسیب‌پذیر در اقیانوس آرام جنوبی: پیامدهایی برای استفاده از مدل‌های مقیاس وسیع در مدیریت شیلات. ساحل اقیانوس. مدیریت 2016 ، 120 ، 110-126. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  23. ویلر، ای جی. بیر، ا. فریوالد، ا. د هاس، اچ. Huvenne، VAI؛ کوزاچنکو، م. اولو لی روی، ک. Opderbecke، J. مورفولوژی و محیط تپه‌های کربنات مرجانی آب سرد در حاشیه اروپای شمال غربی. بین المللی J. Earth Sci. 2007 ، 96 ، 37-56. [ Google Scholar ] [ CrossRef ]
  24. De Clippele، LH; گافیرا، ج. رابرت، ک. هنیگه، اس. لاوالی، ام اس; Duineveld، GCA; Huvenne، VAI؛ رابرتز، جی ام با استفاده از ابزارهای جدید نقشه برداری صوتی و تصویری برای پیش بینی توزیع فضایی در مقیاس کوچک چارچوب صخره های بیوژنیک زنده در زیستگاه های مرجانی آب سرد. صخره های مرجانی 2017 ، 36 ، 255-268. [ Google Scholar ] [ CrossRef ]
  25. در حال مرگ، م. Thorsnes، T. نقشه برداری از تپه های کربنات مرجانی آب سرد بر اساس ویژگی های ژئومورفومتریک: یک رویکرد مبتنی بر شی. Geosciences 2018 , 8 , 34. [ Google Scholar ] [ CrossRef ]
  26. بلک، VK؛ تورنس، تی. Bøe, R. نقشه برداری از رسوبات بیوکلاستیک – داده ها، روش ها و اطمینان. NGU-rapport 2014 ، 2014.006 ، 23. [ Google Scholar ]
  27. فریوالد، ا. هوهنرباخ، وی. لیندبرگ، بی. ویلسون، جی بی. کمپبل، جی. مجتمع صخره سولا، قفسه نروژی. رخساره 2002 ، 47 ، 179-200. [ Google Scholar ] [ CrossRef ]
  28. بلک، VK؛ بو، آر. رایز، ال. لپلند، آ. تورنس، تی. Bjarnadóttir، LR رسوبات بستر دریا (اندازه دانه) Nordland VI، فراساحلی شمال نروژ. J. Maps 2017 ، 13 ، 608–620. [ Google Scholar ] [ CrossRef ]
  29. رایت، دی جی؛ پندلتون، ام. بولور، جی. والبریج، اس. گرلت، بی. اسلینگر، دی. Sampson، DHE گردش کار تجزیه و تحلیل ژئومورفولوژی یکپارچه با مدل ساز زمین اعماق زمین. Geosciences 2018 , 8 , 94. [ Google Scholar ] [ CrossRef ]
  30. لی، جی. هیپ، AD; پاتر، ا. هوانگ، ز. دانیل، جی جی آیا می‌توانیم پیش‌بینی‌های فضایی رسوبات بستر دریا را بهبود ببخشیم؟ مطالعه موردی درون یابی فضایی محتوای گل در سراسر حاشیه جنوب غربی استرالیا. ادامه Shelf Res. 2011 ، 31 ، 1365–1376. [ Google Scholar ] [ CrossRef ]
  31. هوانگ، ز. سیوابسی، جی. نیکول، اس. اندرسون، تی. Brooke, B. نقشه‌برداری پیش‌بینی‌کننده انواع پوشش بستر دریا با استفاده از منحنی‌های پاسخ زاویه‌ای داده‌های پراکنده چند پرتو: آزمایش روش‌های مختلف تحلیل ویژگی. ادامه Shelf Res. 2013 ، 61-62 ، 12-22. [ Google Scholar ] [ CrossRef ]
  32. eCognition eCognition Developer 9. موجود به صورت آنلاین: https://www.ecognition.com/suite/ecognition-developer (در 10 مه 2018 قابل دسترسی است).
  33. ویلسون، MFJ; اوکانل، بی. براون، سی. Guinan, JC; Grehan، AJ تجزیه و تحلیل زمین چند مقیاسی داده های عمق سنجی چند پرتو برای نقشه برداری زیستگاه در شیب قاره. مار. جئود. 2007 ، 30 ، 3-35. [ Google Scholar ]
  34. Lundblad، ER; رایت، دی جی؛ میلر، جی. لارکین، ای.ام. راینهارت، آر. نار، دی اف. دوناهو، بی تی؛ اندرسون، اس ام. باتیستا، تی. طرح طبقه بندی زمین های اعماق دریا برای ساموآی آمریکایی. مار. جئود. 2006 ، 29 ، 89-111. [ Google Scholar ] [ CrossRef ]
  35. ArcGIS Pro مروری بر georeferencing. در دسترس آنلاین: https://pro.arcgis.com/en/pro-app/help/data/imagery/overview-of-georeferencing.htm (در 27 سپتامبر 2018 قابل دسترسی است).
  36. یاکوبسون، ام. جیلنکروتز، آر. مایر، لس آنجلس; داودسول، جی. کانال، م. تاد، بی‌جی؛ داودزول، EK; هوگان، کالیفرنیا؛ بعدی، نقشه برداری RD شکل های یخبندان زیردریایی با استفاده از روش های آکوستیک. جئول Soc. لندن، مم. 2016 ، 46 ، 17-40. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  37. بلاشکه، تی. هی، GJ; کلی، م. لانگ، اس. هافمن، پی. آدینک، ای. کی روش فیتوسا، آر. ون در میر، اف. ون در ورف، اچ. ون کویلی، اف. Tiede، D. تجزیه و تحلیل تصویر مبتنی بر شی جغرافیایی – به سوی یک پارادایم جدید. ISPRS J. Photogramm. Remote Sens. 2014 ، 87 ، 180-191. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  38. هی، GJ; Castilla, G. تجزیه و تحلیل تصویر مبتنی بر شی جغرافیایی (GEOBIA): نام جدیدی برای یک رشته جدید. در تجزیه و تحلیل تصویر مبتنی بر شی: مفاهیم فضایی برای کاربردهای سنجش از دور دانش محور . Blaschke, T., Lang, S., Hay, GJ, Eds. Springer: برلین، آلمان، 2008; صص 75-89. [ Google Scholar ]
  39. Schiewe, J. بخش بندی داده های سنجش از راه دور با وضوح بالا – مفاهیم، ​​برنامه ها و مشکلات. در مجموعه مقالات سمپوزیوم نظریه جغرافیایی، پردازش و کاربردها، اتاوا، ON، کانادا، 9 تا 12 ژوئیه 2002. [ Google Scholar ]
  40. اولوفسون، پی. فودی، جنرال موتورز; هرولد، ام. Stehman، SV; Woodcock، CE; Wulder، MA شیوه های خوب برای تخمین مساحت و ارزیابی دقت تغییر زمین. سنسور از راه دور محیط. 2014 ، 148 ، 42-57. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  41. Stehman، SV; Czaplewski، طراحی و تجزیه و تحلیل RL برای ارزیابی دقت نقشه موضوعی – برنامه ای از تصاویر ماهواره ای. سنسور از راه دور محیط. 1998 ، 64 ، 331-344. [ Google Scholar ] [ CrossRef ]
  42. کوکران، تکنیک‌های نمونه‌گیری WG ، ویرایش سوم. جان وایلی و پسران: نیویورک، نیویورک، ایالات متحده آمریکا، 1977. [ Google Scholar ]
  43. کوهن، ام. ساخت مدل های پیش بینی در R با استفاده از بسته کارت. J. Stat. نرم افزار 2008 ، 28 ، 1-26. [ Google Scholar ] [ CrossRef ]
  44. مقایسه نقشه موضوعی فودی، GM: ارزیابی اهمیت آماری تفاوت‌ها در دقت طبقه‌بندی. فتوگرام مهندس Remote Sens. 2004 ، 70 ، 627-633. [ Google Scholar ] [ CrossRef ]
  45. میچل، پی جی؛ داونی، A.-L. در حال مرگ، M. نقشه من چقدر خوب است؟ ابزاری برای نقشه برداری موضوعی نیمه خودکار و ارزیابی اطمینان صریح فضایی. محیط زیست مدل. نرم افزار 2018 ، 108 ، 111-122. [ Google Scholar ] [ CrossRef ]
  46. Ratray، AJ; ایرودیاکونو، دی. مونک، ج. لورنسون، ال. کندی، ص. کمی سازی عدم قطعیت فضایی و موضوعی در کاربرد ویدیوی زیر آب برای نقشه برداری زیستگاه های اعماق دریا. مار. جئود. 2014 ، 37 ، 315-336. [ Google Scholar ] [ CrossRef ]
  47. فیلدینگ، ق. Bell, JF مروری بر روش‌های ارزیابی خطاهای پیش‌بینی در مدل‌های حضور/غیاب حفاظتی. محیط زیست حفظ کنید. 1997 ، 24 ، 38-49. [ Google Scholar ] [ CrossRef ]
  48. لیون، مگابایت؛ کیت، دی. Phinn, SR; میسون، تی جی; الیت، جی. مقایسه روش‌های نمونه‌گیری مجدد برای طبقه‌بندی سنجش از دور و ارزیابی دقت. سنسور از راه دور محیط. 2018 ، 208 ، 145-153. [ Google Scholar ] [ CrossRef ]
Ijgi 08 00040 g001 550
شکل 1. نمودار جریان خلاصه آزمایش.
Ijgi 08 00040 g002 550
شکل 2. ( الف ) موقعیت منطقه مورد مطالعه واقع در Skjoldryggen در فلات قاره نروژ میانه. ( ب ) نمای نزدیک از منطقه مطالعه. همچنین رسوبات بیوکلاستیک نقشه برداری شده توسط برنامه MAREANO به عنوان پروکسی برای تپه های کربنات CWC [ 26 ] نشان داده شده است. ( ج ) مساحتی که بعداً در شکل 4 و 5 ارائه شده است. ( د ) ناحیه ای که بعداً در شکل 3 ارائه شده است . ( ه ) ناحیه ای که بعداً در شکل 8 نشان داده شده است. تپه های کربناته دراز را می توان مشاهده کرد که در جهت شمال غربی-جنوب شرقی روی یک سطح شیار شده توسط علائم گاوآهن کوه یخ ( c – e ) رشد می کنند.
Ijgi 08 00040 g003 550
شکل 3. مشتقات مختلف که توسط تپه های کربناته نقشه برداری دستی (به رنگ سبز) پوشانده شده اند: ( الف ) BPI20، ( ب ) شیب، ( ج ) انحنای پلان و ( د ) انحنای پروفیل.
Ijgi 08 00040 g004 550
شکل 4. فلوچارت خلاصه ای از فرآیند تجزیه و تحلیل زمین مبتنی بر پیکسل.
Ijgi 08 00040 g005 550
شکل 5. چند ضلعی های طبقه بندی شده بر اساس BPI3. ( الف ) چند ضلعی های طبقه بندی شده بدون بافر. ( ب ) طبقه بندی چند ضلعی ها پس از اعمال منطقه حائل 10 متری.
Ijgi 08 00040 g006 550
شکل 6. فلوچارت خلاصه ای از روند GEOBIA.
Ijgi 08 00040 g007 550
شکل 7. ( الف ) نمای نزدیک از طبقه‌بندی نیمه خودکار صادر شده از eCognition و ( ب ) نتیجه نمای نزدیک از طبقه‌بندی نیمه خودکار با بافر 5 متری به رنگ نارنجی که برای مقایسه استفاده می‌شود.
Ijgi 08 00040 g008 550
شکل 8. ( الف ) توزیع نقاط مرجع در کل منطقه مورد مطالعه. ( ب ) مثال با تعریف تپه ها بر اساس ادغام هر 3 طبقه بندی در یکی برای انتخاب تصادفی مجموعه داده نقاط مرجع.
Ijgi 08 00040 g009 550
شکل 9. مقایسه دقت کلی (PCC) میانگین (نقطه) و فاصله اطمینان 95 درصد (سبیل) برای سه روش.
Ijgi 08 00040 g010 550
شکل 10. ناحیه نشان دهنده توزیع نقاط مرجع و همپوشانی هر سه طبقه بندی همراه با رسوبات بیوکلاستیک [ 26 ].

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید