خلاصه

اندازه‌گیری‌های عمق سنجی نقش مهمی در ارزیابی میزان رسوب، رسوب آلاینده‌ها، نرخ فرسایش یا پایش تغییرات مورفولوژیکی در رودخانه، دریاچه یا حوضه تجمع دارند. به منظور ایجاد یک مدل ارتفاعی دیجیتالی منسجم و پیوسته (DEM) از بستر رودخانه، از روش‌های درونیابی داده‌های مختلف استفاده می‌شود، به ویژه زمانی که اندازه‌گیری‌های عمق سنجی تک پرتو کل منطقه را پوشش نمی‌دهند و زمانی که مناطقی وجود دارد که اندازه‌گیری نشده‌اند. روش‌های درون‌یابی مبتنی بر مدل‌های عددی هستند که برای مناظر طبیعی (مثلاً رودخانه پرپیچ‌وخم) با در نظر گرفتن مورفومتریک‌ها و ریخت‌شناسی‌های مختلف و طیف وسیعی از مقیاس‌ها اعمال می‌شوند. بدیهی است که هر روش درون یابی، که به شکل استاندارد یا سفارشی استفاده می شود، نتایج متفاوتی را به همراه دارد. هدف این مطالعه آزمایش چهار روش درونیابی به منظور تعیین مناسب ترین روشی است که بر اساس اندازه گیری های عمق سنجی تک پرتو، توصیف دقیقی از بستر رودخانه ارائه می دهد. چهار روش درونیابی انتخاب شده در تحقیق حاضر عبارتند از: وزن دهی معکوس فاصله (IDW)، تابع پایه شعاعی (RBF) با اسپلاین کاملاً منظم (CRS) که از درون یابی قطعی استفاده می کند، کریجینگ ساده (KRG) که یک روش زمین آماری است و Topo to Raster (TopoR)، یک روش خاص که به طور خاص برای ایجاد سطوح پیوسته از نقاط مختلف ارتفاع، کانتور یا داده های چند ضلعی، مناسب برای ایجاد سطوح برای تجزیه و تحلیل هیدرولوژیکی طراحی شده است. مدل‌های رقومی ارتفاع (DEM) مورد تجزیه و تحلیل آماری قرار گرفتند و دقت و خطاها مورد ارزیابی قرار گرفتند. اندازه گیری های عمق سنجی تک پرتو در رودخانه Siret، بین 0 تا 35 کیلومتر انجام شد. برای بررسی و اعتبارسنجی روش‌ها، آزمایش برای پنج مقطع به‌طور تصادفی انتخاب شده در مقطع 1500 متری رودخانه تکرار شد. سپس نتایج با داده های استخراج شده از هر مدل ارتفاعی تولید شده با هر یک از چهار روش درونیابی مقایسه شد. نتایج ما نشان می‌دهد که: 1) TopoR دقیق‌ترین تکنیک است، و 2) دو روش قطعی خطاهای بزرگی را در مناطق ساحلی، برای کل کانال رودخانه و برای مقطع‌های خاص می‌دهند. سپس نتایج با داده های استخراج شده از هر مدل ارتفاعی تولید شده با هر یک از چهار روش درونیابی مقایسه شد. نتایج ما نشان می‌دهد که: 1) TopoR دقیق‌ترین تکنیک است، و 2) دو روش قطعی خطاهای بزرگی را در مناطق ساحلی، برای کل کانال رودخانه و برای مقطع‌های خاص می‌دهند. سپس نتایج با داده های استخراج شده از هر مدل ارتفاعی تولید شده با هر یک از چهار روش درونیابی مقایسه شد. نتایج ما نشان می‌دهد که: 1) TopoR دقیق‌ترین تکنیک است، و 2) دو روش قطعی خطاهای بزرگی را در مناطق ساحلی، برای کل کانال رودخانه و برای مقطع‌های خاص می‌دهند.

کلید واژه ها:

درون یابی ; حمام سنجی رودخانه ; پژواک تک پرتو ; مقطع رودخانه ; رودخانه سیرت

1. معرفی

ارزیابی ویژگی‌های آب (دریاچه‌ها، رودخانه‌ها و غیره) از دانش مربوط به اندازه‌گیری‌های کیفیت آب، دما، شوری، حجمی و عمق استفاده می‌کند. آخرین مورد به نگهداری دقیق لایروبی کمک می کند و نقشه عمق سنجی دریاچه ها، رودخانه ها و نهرها و غیره فوق یخبندان و غیره. با استفاده از اندازه گیری عمق فناوری اسکن تشخیص و محدوده نور عمق سنجی (LIDAR) در حال حاضر کاربردی ترین روش پیمایشی برای جمع آوری داده ها است و برای گرفتن زمین و بستر دریا به طور همزمان، برای ایجاد یک مدل ارتفاع سه بعدی دقیق در امتداد خط ساحلی استفاده می شود [ 1 ]]. اگرچه این یک روش موثر و مقرون به صرفه است، به دلیل ناتوانی در اندازه‌گیری دقیق عمق در جاهایی که آب کدر یا کدر است، نمی‌تواند جزئیات کافی در مورد حمام‌سنجی رودخانه یا رودخانه ارائه دهد [ 2 ]. در برخی موارد، اندازه‌گیری‌های مستقل اضافی برای تأیید عملکرد عمق‌سنجی LIDAR مورد نیاز است، به‌ویژه در آب‌های عمیق و کدر یا آب‌های ابری رودخانه، همانطور که به عنوان مثال توسط Kinzel [ 3 ] و Saylam [ 4 ] ذکر شد. بنابراین، اگر LIDAR عمق سنجی در دسترس نباشد، زمانی که فناوری‌های سیستم موقعیت‌یابی جهانی سینماتیک (RTK) در زمان واقعی با پژواک‌صداهای چند پرتو یا تک پرتو ترکیب شوند، می‌توان یک DEM (مدل ارتفاعی دیجیتال) دقیق برای بستر رودخانه‌ها به دست آورد . ، 6 ].
عمق سنجی رودخانه یا به اصطلاح “توپوگرافی بستر” نقش مهمی در مدل سازی عددی دینامیک جریان، در مدل سازی انتقال رسوب، مدل سازی ژئومورفولوژیکی یا در ارزیابی های اکولوژیکی ایفا می کند [ 7 ]. بهترین راه برای جمع آوری داده های دقیق برای یک رودخانه، بررسی آن در یک جهت خاص، یعنی در مسیرهای مقطع عرضی است [ 8 ، 9 ].]. روش اندازه‌گیری عمق سنجی مبتنی بر یک دستگاه اکوسوندر تک پرتو یا چند پرتوی سوار بر قایق است که با یک سیستم موقعیت‌یابی جهانی (GPS) با تصحیح سینماتیک بلادرنگ (RTK) ترکیب شده است. با استفاده از این ترکیب اندازه گیری ها می توان یک سری داده های سه بعدی (x، y، z) جمع آوری کرد. وضوح فضایی داده‌های جمع‌آوری‌شده را می‌توان با استفاده از یک پژواک بسیار گران قیمت یا با استفاده از روش‌های مختلف درونیابی فضایی در یک مرحله پس از پردازش بهبود بخشید. درون یابی فضایی نقاط داده پراکنده یک موضوع تحقیقاتی فعال در دهه گذشته بوده است زیرا در زمینه های مختلف به کار گرفته شده است. به عنوان مثال، لی و هیپ [ 10] مروری بر 53 مطالعه تطبیقی ​​ارائه می کند که عملکرد 72 روش فرعی درونیابی و روش ترکیبی را که در حوزه های مختلف مورد استفاده قرار می گیرند، ارزیابی می کند. توجه ویژه ای به استفاده از تکنیک های درون یابی فضایی در هیدرولوژی، برای درونیابی داده های ارتفاعی پراکنده به منظور ایجاد مدل های ارتفاعی دیجیتال (DEM)، که شامل بستر فرعی کانال رودخانه است، می شود. با توجه به Liffner [ 11 ] و Merwade [ 12 ] و Merwade [ 13 ]، DEM مستقیماً تحت تأثیر نوع روش های درونیابی مورد استفاده قرار می گیرد.
هدف مطالعه حاضر نشان دادن اهمیت انتخاب روش های درونیابی فضایی مناسب برای درونیابی داده های عمق سنجی کانال رودخانه است. عملکرد چهار تکنیک درونیابی مختلف با استفاده از روش‌های آماری مختلف ارزیابی عملکرد، مانند: حداقل مقدار (MinV)، مقدار حداکثر (MaxV)، میانگین خطا (ME)، میانگین خطای مطلق (MAE)، میانگین مربع خطا (میانگین مربع) تجزیه و تحلیل شد. MSE)، ریشه میانگین مربعات خطا (RMSE)، ریشه میانگین مربع خطای استاندارد شده (RMSSE) و انحراف معیار (SD) [ 13 ، 14 ، 15 ، 16 ، 17 ، 18 ].

منطقه مطالعه

حوضه هیدروگرافی Siret در قسمت شرقی رومانی واقع شده است و حوضه زهکشی رودخانه Siret است که بزرگترین و مهمترین شاخه دانوب است [ 19 ]. حوضه رودخانه سیرت مساحتی معادل 42890 کیلومتر مربع در رومانی را پوشش می دهد که 28.116 کیلومتر مربع آن توسط اداره آب سیرت [ 20 ] تحت نام فضای هیدروگرافی Siret (SHS) مدیریت می شود. منطقه مورد مطالعه یک بخش 35 کیلومتری در بالادست رودخانه Siret، در امتداد Galati-Sendreni-Independenta، یعنی از محل تلاقی آن با دانوب، تا روستای Independenta را پوشش می دهد. رودخانه سیرت مرز طبیعی بین شهرستان های گالاتی و بریلا را تشکیل می دهد. شکل 1 یک نقشه هوایی از منطقه تحت بررسی را نشان می دهد.
مواد بستر رودخانه Siret از ترکیبی از شن و ماسه ریز و سیلت تشکیل شده است [ 21 ]. رودخانه پر ساحل در طول منطقه مورد مطالعه حدود 100 متر عرض دارد. از آنجایی که هیچ اندازه گیری عمق سنجی دقیقی در این منطقه انجام نشده است [ 22 ]، تجزیه و تحلیل عمق سنجی این جریان آب از نظر علمی مرتبط است. علاوه بر این، اندازه‌گیری‌ها و اطلاعات سه‌بعدی مربوط به این بخش رودخانه بیشترین کمک را برای گسترش پایگاه‌های اطلاعاتی ملی موجود دارد.

پژواک تک پرتو (SBES) رایج ترین ابزار مورد استفاده در بنادر و در بررسی دریاچه ها و رودخانه ها است، زیرا ابزاری کارآمد، کم هزینه و در دسترس است. SBES از اندازه‌گیری‌های عمق آکوستیک استفاده می‌کند، که بر اساس اندازه‌گیری زمان سپری شده که یک پالس صوتی برای حرکت از مبدل به پایین و عقب آبراه طول می‌کشد، انجام می‌شود. فرمول کلی عمق تصحیح شده توسط [ 23 ] ارائه می شود:

د=12( v ∗ t ) + k +دr.د=12(�∗تی)+ک+د�.

جایی که: d = عمق تصحیح شده. v = سرعت متوسط ​​صوت در آب. t = زمان از مبدل به پایین و عقب. k = ثابت شاخص سیستم. d r = فاصله از سطح آب مرجع تا مبدل.

2. مواد و روشها

2.1. مواد

داده های عمق سنجی با استفاده از یک صداگیر عمق آکوستیک تک پرتوی نصب شده روی قایق (SBES) متصل به یک سیستم موقعیت یابی جهانی سینماتیک (RTK) در زمان واقعی (GPS)، که می تواند دقت زیر دسی متری را برای نقاط بررسی شده فراهم کند، جمع آوری شد. شکل 2 چندین عکس گرفته شده در طول جمع آوری داده ها را نشان می دهد.
عمق عمق سنجی با استفاده از اکوسوند تک پرتو Ohmex SonarMite/BTX با فرکانس 235 کیلوهرتز اندازه گیری شد. دقت تجهیزات پژواک که برای جمع‌آوری داده‌های عمق عمق سنجی استفاده می‌شود 0.025 ± سانتی‌متر است، با گستره پرتو 4± درجه، قادر به کارکرد بین 0.30 متر تا 75.00 متر در محدوده عمق (نرم‌افزار محدود) است. سرعت صدا در آب بین 1400 تا 1600 متر بر ثانیه است، اما زمانی که پروفیل سرعت صدا (SVP) در دسترس نباشد، پژواک از مقدار متوسط ​​1500 متر بر ثانیه استفاده می کند. بسته به عمق آب، اکوسوندر نرخ پینگ اولتراسونیک 3 تا 6 هرتز را با محدوده داده خروجی 2 هرتز اعمال می کند [ 24 ].
اندازه‌گیری‌ها در 5 روز، در بازه زمانی 22.03.2017–01.04.2017 انجام شد. هر نقطه عمق سنجی با طول و عرض جغرافیایی به دست آمده از RTK GPS مشخص می شود، و با ارتفاع (z) که با کم کردن عمق آب از ارتفاع سطح آب ثبت شده در ایستگاه گیج به دست می آید. تغییرات سطح آب روزانه از ایستگاه سنج سندرنی به دست آمد. همانطور که شکل 3 نشان می دهد، سطح آب در طول کمپین اندازه گیری بین 435 تا 460 سانتی متر متغیر بود.
داده های عمق سنجی برای منطقه مورد بررسی ( شکل 4 و شکل 5 ) شامل مجموعه ای از 216816 (x, y, z) نقطه یا تقریباً 45000 نقطه در کیلومتر مربع است که در امتداد بستر کانال رودخانه اندازه گیری شده است.
شکل 4 و شکل 5 9 بخش از کل منطقه بررسی شده را نشان می دهد. طول کل مسیر بررسی شده به 103.22 کیلومتر با میانگین سرعت قایق 1.75 گره (0.9 متر بر ثانیه) رسید. فاصله بین مقطع بین 25 تا 100 متر است. این فاصله بستگی به این دارد که خطی یا سینوسی کانال اصلی رودخانه در مناطقی که مسیر رودخانه مستقیم است بزرگتر و در جایی که رودخانه پیچ خورده است کوچکتر باشد. از آنجایی که نرخ تخلیه آب در مورد رودخانه Siret بالا است (حدود 1000 متر مکعب بر ثانیه برای سطح آب 4 متری) [ 25 ]، حفظ فواصل برابر بین مقاطع اندازه گیری شده تقریبا غیرممکن بود.
یک اورتوتومپ با وضوح پلانیمتری 0.5 × 0.5 متر، تولید شده در سال 2016، به منظور نمایش داده ها از نظر موقعیت مکانی استفاده شد. این نقشه توسط آژانس ملی کاداستر و ثبت زمین رومانی (ANCPI) ارائه شده است. اندازه‌گیری‌های عمق سنجی و پردازش داده‌ها مطابق با مقررات S-44 سازمان بین‌المللی هیدروگرافی (IHO) است، زیرا رومانی مقررات ملی کاملاً تعریف‌شده‌ای برای اندازه‌گیری‌های عمق سنجی رودخانه ندارد. بر اساس این آیین نامه، دقت عمق عمق سنجی باید با الزامات دستور ویژه [ 26 ] مطابقت داشته باشد که فقط برای مناطقی استفاده می شود که در آن خلاصی از زیر تیغه حیاتی است. دقت داده های عمق توسط IHO-S44 [ 26تنظیم ] برای این نوع منطقه ± 0.25 متر با اعمال حداکثر عدم قطعیت عمودی کل مجاز (TVU) است، بنابراین نتایج ارائه شده توسط SBES مورد استفاده برای مقاله تحقیق حاضر با مقررات IHO S-44 مطابقت دارد.
مختصات Lat-Long و ارتفاع (Z) هر نقطه با تجهیزات RTK GPS – South S82-V اندازه‌گیری شد. South S82-V یک گیرنده RTK GNSS است که برای جمع آوری داده های دقیق طراحی شده است. این ابزار نقشه برداری می تواند سیگنال های GPS و ماهواره ای را از GLONASS و GALILEO دریافت کند. نقاط پلان متری در سیستم مختصات WGS84 و نقطه ارتفاعی در دریای سیاه 1975 ارتفاع Constanta اندازه گیری شد. علاوه بر این، با استفاده از روش RTK، دقت تا 8± میلی‌متر + 1 پی‌پی‌ام RMS (میانگین مربع ریشه) برای بررسی افقی داده‌ها و تا 15 ± میلی‌متر + 1 پی‌پی‌ام RMS برای نقشه‌برداری عمودی داده‌ها افزایش می‌یابد [ 27 ].
نقاط بانکی با استفاده از ایستگاه کل نقشه برداری Trimble M5 اندازه گیری شد. حداکثر فاصله بین نقاطی که سواحل چپ و راست رودخانه را مشخص می کنند 30 متر بود. ترکیبی از اندازه گیری های عمق سنجی و توپوگرافی به منظور دستیابی به دقت بالاتر زمانی که چهار روش درون یابی اعمال شد استفاده شد. دقت DEM به طور مستقیم به تعداد نقاط اندازه‌گیری شده بستگی دارد و برای نقشه‌برداری سیل و مدل‌سازی هیدرولیک بسیار مهم است.
برای انجام عملکردهای مختلف مانند توابع نقشه برداری خودکار، مدیریت داده یا تابع تحلیل فضایی، از ArcGIS نسخه 10.2. ارائه شده توسط ESRI (موسسه تحقیقات سیستم های محیطی) استفاده شد. یک نرم افزار GIS پر از داده های صحیح می تواند در سازماندهی، تفسیر و ارتباط داده های محیطی کمک کند. به عنوان مثال، این نرم افزار GIS خاص برای ایجاد نقشه دیجیتال خاک، تولید شده توسط درون یابی کریجینگ، در مناطق مختلف شهری استفاده شده است [ 28 ]. همچنین از نرم افزار GIS استفاده شد [ 29] برای مقایسه روش های درونیابی فضایی به منظور تخمین توزیع بارش. در مطالعه ما، نرم‌افزار GIS برای اکتشاف داده‌های مکانی و تولید سطح، انتخاب روش‌های درونیابی مختلف و تحلیل‌های آماری استفاده شد که امکان توسعه یک DEM برای کانال بستر رودخانه را از داده‌های مختلف اندازه‌گیری شده در نقاط گسسته فراهم می‌کند.

2.2. مواد و روش ها

مدل رقومی ارتفاع (DEM) یک محصول پرکاربرد است و یک نمایش سه بعدی (X، Y، Z) از مناطق مورد مطالعه را ارائه می دهد. به گفته بارو [ 30 ]، اصطلاح DEM را می توان به عنوان “نمایش ماتریسی منظم از تغییرات پیوسته واحدهای امداد فضایی” تعریف کرد. این بخش چهار روش مختلف را توصیف می‌کند که معمولاً برای درونیابی داده‌های نقطه پراکنده به منظور بدست آوردن یک DEM دقیق برای این بخش از رودخانه Siret استفاده می‌شود. محاسبات با استفاده از مقادیر z حاصل از اندازه‌گیری‌های میدان آب‌سنجی انجام شد.

2.2.1. وزن معکوس فاصله (IDW)

IDW یک مدل درونیابی فضایی قطعی را نشان می دهد، بر اساس این فرض که مقدار در یک نقطه نمونه برداری نشده را می توان با میانگین وزنی مقادیر مشاهده شده در یک محله جستجوی دایره ای تقریب زد [ 31 ]. شعاع دایره جستجو با محدوده تعداد ثابتی از نزدیکترین نقاط تعریف می شود. در بیشتر موارد، وزن‌های مورد استفاده برای میانگین‌گیری مقدار داده‌ها تابعی کاهشی از فاصله بین نقاط نمونه‌برداری شده و نمونه‌برداری نشده است [ 32 ، 33 ، 34 ]. معادله کلی مورد استفاده IDW به منظور تخمین یک مقدار در یک نقطه نمونه برداری نشده به صورت زیر است:

z∗=∑i = 1نλمنزمن .�*=∑من=1ن�منزمن .

که در آن Z i (i = 1، 2، …، N) مقادیر در N نقطه اندازه گیری می شود و λ i توسط:

λمن= (1دپمن/) / ( ∑i = 1ن1دپمن)�من=(1دمنپ)/( ∑من=1ن1دمنپ)

که در آن d i فاصله بین نقطه نمونه برداری شده ( z i ) و نقطه نمونه برداری نشده ( z * ) است و p متغیر توان است. توان بالاتر باعث تأثیر کمتری از نقاط دور می شود و بالعکس. مقدار توان استاندارد دو است.

2.2.2. کریجینگ ساده (KRG)

کریجینگ (KRG) روشی است که در دهه 1960 توسط ریاضیدان فرانسوی Matheron [ 35 ] توسعه یافت و Coburn [ 36 ] به طور جزئی آن را مثال زد. این یک روش درونیابی زمین آماری است که در زمینه های مختلف بسیار مفید است. نقشه های تولید شده توسط این روش ظاهر بصری بسیار خوبی دارند که همگی بر اساس داده های فضایی نامنظم هستند [ 35 ]. مدل کلی این روش مبتنی بر یک μ(های) ثابت برای مجموعه داده ها و خطاهای تصادفی ε(ها) است که وابستگی مکانی دارند [ 37 ، 38 ، 39 ، 40 ]:

ز( s ) = μ ( s ) + ε ( s ) . ز(س)=�(س)+�(س). 

پیش‌بینی مقدار در یک موقعیت سلول جدید با جمع کردن مقادیر وزن نقاط ضرب شده با مقدار Z داده‌های مورد استفاده در درون‌یابی انجام می‌شود [ 41 ]:

ز^(س0) =∑i = 1نλمنز(سمن) ،  ∑i = 1نλمن= 1ز^(س0)=∑من=1ن�منز(سمن)،  ∑من=1ن�من=1

از آنجایی که روشی بسیار انعطاف‌پذیر است، می‌توان آن را به‌طور پیش‌فرض مورد استفاده قرار داد یا برای مطابقت با داده‌ها با تعیین نزدیک‌ترین مدل نیمه‌واریوگرام، آن را سفارشی کرد. نیمه واریوگرام از دو جزء تشکیل شده است: نیمه متغیر تجربی (تجربی) و مدل نظری نیمه واریوگرام [ 42 ]. نیمه واریوگرام تجربی از محاسبه واریانس هر نقطه اندازه‌گیری شده در برابر سایر نقاط مورد استفاده در فضایی‌سازی نتیجه می‌شود [ 43 ]:

λ^(ساعتj¯¯¯) =12نj∑i = 1نj[ Z(سمن) – Z(سمن+ h ) ]2�^(ساعت�¯)=12ن�∑من=1ن�[ز(سمن)-ز(سمن+ساعت)]2

جایی که: N j مجموعه ای از جفت مکان هایی است که با فاصله h از هم جدا شده اند . ساعت¯ساعت¯– میانگین فاصله بین جفت های متمایز N j را نشان می دهد.

تجزیه و تحلیل داده ها برای درونیابی KRG با استفاده از دو مورد خاص از این روش، یعنی کریجینگ ساده (SKRG) و کریجینگ جهانی (UKRG) انجام شد.

روش SKRG شامل تعیین مقدار مجهول با تخمین مقادیر میانگین وزنی نقاط همسایه است [ 44 ]:

ز(س0) =∑i = 1نλمنز(سمن) ± ε .ز(س0)=∑من=1ن�منز(سمن)±�.

جایی که ز(س0)ز(س0)نشان دهنده مقدار تخمینی است، ز(سمن)ز(سمن)مقدار نقاط همسایه است، λمن�منضرایب وزن است که شرایط را برآورده می کند ∑نi = 1λمن= 1∑من=1ن�من=1، و ε�خطای پیش فرض تخمین است.

روش UKRG از این فرض استفاده می کند که تغییرات فضایی z به سه جزء وابسته است: ساختار مجموعه داده، یک جزء تصادفی همبسته، و یک خطای باقیمانده. این یک روش ترکیبی است، که در آن روند فضایی با سطوح چند جمله‌ای از مرتبه‌های مختلف، به‌صورت جهانی یا محلی [ 45 ] اندازه‌گیری می‌شود:

∑i = 1نλمنfک(سمن) =fک(س0) .∑من=1ن�من�ک(سمن)=�ک(س0).

جایی که ز(س0)ز(س0)مقدار تخمینی متغیر مجهول را نشان می دهد، μ (س0)�(س0)تابع قطعی است و ε (س0)�(س0)تنوع تصادفی است

2.2.3. تابع پایه شعاعی (RBF)

تابع پایه شعاعی (RBF) یک روش درون یابی شبیه به خانواده کریجینگ است، اما از مشارکت تحلیل داده های فضایی فضایی از طریق واریوگرام [ 46 ] بهره نمی برد:

ز^(س0) = ∑i = 1نωمنφ ( ∥سمن–س0∥ ) +ωn + 1.ز^(س0)= ∑من=1ن�من�(∥سمن-س0∥)+��+1.

جایی که φ ( r )�(�)تابع پایه شعاعی است، r = ∥سمن–س0∥�=∥سمن-س0∥فاصله شعاعی بین نقطه ای است که یک مقدار s 0 جدید برای آن محاسبه می شود و نقاط با مقادیر اندازه گیری شده s i است و ω نماد وزن هایی است که باید تخمین زده شوند.

توابع شعاعی پایه اغلب برای ایجاد شبکه های عصبی استفاده می شوند. این روش برای محاسبه سطوحی که از تعداد بسیار زیادی نقطه تشکیل شده اند استفاده می شود [ 47 ]. با توجه به Dumitrescu [ 48 ]، کاربردی ترین توابع RBF عبارتند از:

  • تابع چند چهارگانه (MQ):

    φ ( r ) =(r2+σ2)1/2 _ _.�(�)=(�2+�2)1/2.

  • اسپلاین صفحه نازک (TPS):

    φ ( r ) =( σ+ ر )2ln ( σ+ ر ) .�(�)=(�+�)2لوگاریتم(�+�).

  • اسپلاین با کشش (ST):

    φ ( r ) = ln σ∗r2+ک0σ∗ r +سیه�(�)=لوگاریتم�∗�2+ک0�∗�+سیه

    که در آن K 0 (x) تابع بسل اصلاح شده است.

  • اسپلاین کاملاً منظم (CRS):

    θ ( r ) = –∑n = 1∞( – 1 )n( σ∗ r )2 nn ! n= ln( σ∗r2)2+E1( σ∗r2)2+سیه.�(�)=-∑�=1∞(-1)�(�∗�)2��!�=لوگاریتم(�∗�2)2+�1(�∗�2)2+سیه.

    که در آن E 1 (x) تابع یکپارچه سازی نمایی است و C e ثابت اویلر است.

2.2.4. درون یابی توپو به شطرنجی (TopoR)
روش درونیابی Topo به Raster (TopoR) به طور خاص برای ایجاد مدل های ارتفاعی دیجیتالی صحیح هیدرولوژیکی (DEMs) طراحی شده است [ 49 ]. این بر اساس برنامه ANUDEM توسعه یافته توسط مایکل هاچینسون [ 50 ، 51 ، 52 ، 53 ] است. این روش برای استفاده از انواع داده‌های ورودی ممکن که معمولاً شکل‌های زمین (نقاط ارتفاعی، خطوط خطوط، خط مرکزی جریان، سینک، مرز، دریاچه، صخره، ساحل) را مشخص می‌کنند، طراحی شده است [ 54 ].

درونیابی Topo به Raster توسط ANU (دانشگاه ملی استرالیا) توسعه داده شد، اما این روش اغلب در بسیاری از کشورها و مقالات تحقیقاتی مورد استفاده قرار می گیرد [ 55 ، 56 ]. این روش از تکنیک درون یابی دیفرانسیل محدود استفاده می کند و برای ساده کردن روش محاسباتی درون یابی محلی مانند درون یابی IDW، بدون از دست دادن تداوم سطوح به دست آمده با روش های درون یابی کریجینگ یا RBF Spline، بهینه شده است. این تفاوت به عنوان درجه اول و دوم مشتق جزئی f از روش درونیابی توصیف شده توسط معادلات زیر تعریف می شود [ 56 ]:

جی1( ف) = 🔻(f2ایکس+f2y) دx dy. جی1(�)=🔻(�ایکس2+��2)دایکسد�. 
جی2( ف) = 🔻(f2x x+f2x y+f2yy) دx dy. جی2(�)=🔻(�ایکسایکس2+�ایکس�2+���2)دایکسد�. 

J 1 و J 2 باید به حداقل برسد تا حداکثر و حداقل اثر پیک (سطح بیش از حد صاف یا قله دار) از بین برود و زمین سطحی واقعی به دست آید. اگر فقط J 2 به حداقل برسد، یک سطح بسیار صاف به دست می آید و بالعکس، اگر فقط J 1 به حداقل برسد، حداکثر و حداقل پیک رخ می دهد [ 57 ]. هاچینسون [ 50 ] پیشنهاد می‌کند که با در نظر گرفتن وضوح سلول، مجازات زبری اعمال شود تا این اثر کاهش یابد:

جی( ف) = 0.5ساعت– 2جی1( ف) +جی2( ف) . جی(�)=0.5ساعت-2جی1(�)+جی2(�). 
اساسا، TopoR یک روش درونیابی ترکیبی است که از یک تکنیک گسسته مبتنی بر توابع چند جمله‌ای spline درجه m و صافی k استفاده می‌کند، که در آن زبری را می‌توان تغییر داد تا امکان تولید DEM با تغییرات شدید در میدان را فراهم کند، مانند مناطق تحت تأثیر اعماق. از جریان ها، پشته ها یا صخره ها. به این لندفرم ها حداکثرهای محلی یا حداقل های محلی نیز می گویند. در تحقیق حاضر از ویژگی های ارتفاعی نقطه استفاده شد.

3. نتایج و بحث

3.1. بلوک تجزیه و تحلیل عملکرد داده ها

پس از جمع‌آوری و اعتبارسنجی داده‌های توپوپاتیمتری، مدل‌های دیجیتالی با استفاده از چهار روش درون‌یابی که در بخش قبل توضیح داده شد ، تولید شدند ( شکل 6 ).
شکل 6 a-d چهار مدل ارتفاع رقومی را نشان می دهد: (الف) درون یابی وزن دهی معکوس فاصله (IDW). (ب) درونیابی کریجینگ (KRG). (ج) درون یابی تابع پایه شعاعی (RBF) با روش اسپلاین کاملاً منظم (CRS). (د) روش درونیابی توپو به رستر، برای یک بخش رودخانه انتخابی 1500 متری. رزولوشن فضایی 5×5 متر برای تمام DEM ها استفاده شد.
تمام روش های درونیابی با استفاده از ابزار تحلیل فضایی ArcGIS 10.2 اجرا شد. برای روش کریجینگ ساده، یک مدل واریوگرام کروی منفرد به واریوگرام نمونه همه داده‌ها با تغییر قطعه، آستانه و محدوده مختلف برای برازش مدل واریوگرام برازش داده شد. توجه ویژه ای به تطبیق شیب برای چندین تاخیر قابل اعتماد اولیه صورت گرفت. با توجه به این واقعیت، یک نیمه متغیروگرام کروی، با Nugget = 0.012، Sill = 1.15، محدوده = 106.44، و Lag Size = 13.30 اتخاذ شد.
در مورد روش درونیابی TopoR، تفاوت در محدوده ارتفاعی نسبت به روش های درونیابی IDW و RBF کمتر مشهود بود. TopoR DEM دارای نمایش گرافیکی بسیار روانتر و مسطح تر، با عناصر سینوسی کمتر است.
مقدار آماری اساسی که پراکندگی توزیع فرکانس انحرافات بین مقادیر درون یابی اندازه گیری شده و اندازه گیری نشده را تعریف می کند انحراف میانگین استاندارد (میانگین SD) است. شکل 7 نمایش منحنی گاوس (a) و نمودار جعبه (b) را برای هر مدل نشان می دهد که نشان می دهد مدل ایجاد شده تا چه حد مقادیر اندازه گیری شده را پیش بینی می کند. توزیع گاوس نشان داده شده در شکل 7 a ثابت می کند که باریک ترین خط به روش TopoR مرتبط است. یک مدل خوب با یک توزیع خطای باریک و یک SD کوچک و نزدیک به صفر توصیف می شود. هر دو نمودار در شکل 7 a,b نشان می دهد که TopoR بهترین مدل است، زیرا هیستوگرام خطای مرتبط باریک ترین و میانگین SD کوچکترین است.
برای مقایسه منصفانه نقاط درونیابی در بخش انتخاب شده، از همان تعداد نقاط و وضوح فضایی 5 متر × 5 متر شطرنجی استفاده شد. به منظور ارزیابی دقت هر یک از روش های درونیابی با اندازه گیری های SBES، برخی از آزمون های آماری که نتایج آن در جدول 1 و جدول 2 نشان داده شده است ، انجام شد. جدول 1 نتایج میانگین ارتفاع و واریانس به‌دست‌آمده را برای تمام نقاط در امتداد بخش رودخانه 1500 متری و تفاوت بین اندازه‌گیری‌های عمق (SBES) با چهار درون‌یابی را با استفاده از آزمون t دو دنباله توصیف می‌کند. مقادیر ضرایب همبستگی و نتایج تحلیل رگرسیون در جدول 2 نشان داده شده است.
نمودارهای پراکندگی مقادیر درون یابی (Vi) و اندازه گیری شده (Vm) را می توان در شکل 8 a-d همراه با ضریب همبستگی مربوطه مشاهده کرد. چهار روش نتایج قابل اعتمادی را برای اکثر مقادیر ارتفاع به جز فاصله 4-6 متر ارائه می دهند. ضرایب همبستگی برای همه روش ها نزدیک به 1 است ( جدول 2 را ببینید ). با این حال، همه روش ها نتایج مشابهی ندارند. جدول 2 نشان می دهد که روش RBF با کمترین ضریب رگرسیون، R 2 = 0.947 و ضریب همبستگی 0.973 کمترین عملکرد را دارد. این مطابق با Arseni [ 18 ] و Rosu [ 58 ] است که نتیجه مشابهی پیدا کردند.
روش درونیابی TopoR بهترین نتایج را با بالاترین مقادیر برای ضرایب رگرسیون و همبستگی (R2 = 0.973 و 0.988) ارائه می دهد. همچنین، DEM تولید شده با TopoR دارای کمترین تعداد نقاط در بخش مشکل 4-6 متر است. این مطابق با آرسنی [ 22 ] است که نتیجه مشابهی پیدا کرد.

3.2. تجزیه و تحلیل عملکرد مقطع محلی

به منظور درک بهتر کیفیت هر یک از چهار روش درونیابی، رفتار فردی مدل ها برای پنج مقطع انتخاب شده برای اعتبارسنجی نیز مورد تجزیه و تحلیل قرار گرفت. بنابراین، پنج مقطع تصادفی برای بررسی مکرر و اعتبارسنجی داده ها از منطقه 1500 متری مورد مطالعه انتخاب شد ( شکل 9 ).
مشخصات SBES از اندازه گیری ها با استفاده از روش خطی (بررسی مقطعی) به دست آمد. چهار پروفایل مدل شده با استخراج هر نقطه از DEM های تولید شده به دست آمد. هر مقطع بررسی شده توسط اندازه گیری های عمق سنجی SBES با مقادیر استخراج شده از هر مشخصه DEM هر روش درونیابی مقایسه شد. تفاوت بین هر مدل و اندازه گیری برای هر مقطع در شکل 10 نشان داده شده است . اطلاعات دقیق در مورد پنج پارامتر آماری (متغیرها) برای مدل ها و اندازه گیری ها در جدول A1 ( پیوست B ) ارائه شده است.: حداقل مقدار (MIN)، حداکثر مقدار (MAX)، مقدار میانگین (MEAN)، میانه (MEDIAN) و انحراف استاندارد (SD) که با استفاده از نرم افزار ArcGIS 10.4 محاسبه شده است. از این پارامترها برای ارزیابی موفقیت تجزیه و تحلیل داده ها استفاده شد.
تفاوت بین اندازه‌گیری‌های SBES و مقدار ارتفاع درون‌یابی شده، برای هر یک از بخش‌های پنج‌گانه، در شکل 10 به منظور ارزیابی مستقیم عملکرد هر مدل نشان داده شده است. شکل 10 نشان می دهد که همه مدل ها بستر رودخانه را به خوبی بازتولید می کنند، به جز دو منطقه حدود 20 تا 30 متری از سواحل رودخانه، که اساساً مناطقی با اعماق کوچک یا ارتفاع مثبت هستند (همانطور که در شکل A1 / ضمیمه A مشاهده می شود).
انحراف هنگام نزدیک شدن به هر دو بانک برای همه مدل ها افزایش می یابد. TopoR ارتفاع را برای همه بخش ها کمی بیش از حد برآورد می کند، در حالی که IDW و RBF ارتفاع در سواحل را دست کم می گیرند. مدل KRG دارای رفتار نامنظم است، با مقادیری که بزرگتر یا کوچکتر از اندازه گیری ها هستند. بدیهی است که مدل TopoR بهترین است، زیرا انحرافات از اندازه گیری ها کوچکترین هستند (1 متر). از سوی دیگر، IDW بدترین عملکرد را دارد، با تفاوت بین مدل و اندازه‌گیری میدانی بیش از 5 متر (5.35 متر برای مقطع 4، نزدیک به ساحل سمت راست جریان رودخانه). به نظر می رسد که روش های IDW، KRG و RBF تا زمانی که سواحل رودخانه دارای شیب تند باشند قابل اعتماد نیستند.

علاوه بر این، تمام داده ها با مقدار ارتفاع ( Z ) نرمال شده اند، که نشان دهنده ارتفاع کانال بستر رودخانه است. نرمال سازی با محاسبه مجدد مقادیر Z بین 0 و 1 با استفاده از فرمول زیر انجام شد:

زمن=ایکسمن– دقیقه ( X)حداکثر ( X) – دقیقه ( X)زمن=ایکسمن-دقیقه(ایکس)حداکثر(ایکس)-دقیقه(ایکس)

که در آن X = (X 1 , X 2 , …, X n ) و Z i نشان دهنده i مین داده نرمال شده است.

به این نوع نرمال‌سازی «مقیاس‌سازی ویژگی» یا «نرمال‌سازی مبتنی بر وحدت» نیز گفته می‌شود. نوع دیگری از نرمال سازی (مانند نرمال سازی با تقسیم به حداکثر مقدار) نمی تواند داده های مقیاس بندی شده بین 0 و 1 را با در نظر گرفتن مقادیر ارتفاع منفی ارائه دهد.
پروفیل های نرمال شده به دست آمده از اندازه گیری های SBES و چهار روش درونیابی برای هر مقطع در شکل 11 نشان داده شده است.
شکل 11 نشان می دهد که هر پروفیل عرضی به دست آمده با روش های درون یابی به طور منطقی نیمرخ اندازه گیری شده از مقاطع انتخابی کانال بستر رودخانه را توصیف می کند. عملکرد خوب TopoR DEM (خط سیاه) در شکل 11 نشان داده شده است ، زیرا نمایه مربوطه بسیار نزدیک (گاهی اوقات حتی روی هم قرار می گیرد) به نمایه داده شده توسط اندازه گیری های عمق سنجی SBES (خط قرمز) است. همانطور که در شکل 10 نشان داده شده است، سه مدل دیگر گاهی اوقات نتایج اشتباهی به خصوص در ناحیه نزدیک به کرانه های راست و چپ ارائه می دهند. این را می توان در پیوست A ، شکل A1 نیز مشاهده کرد، که در آن نمودارهای پروفایل های نرمال شده با پروفایل های واقعی مقایسه می شوند. این مطابق با پراکندگی بالاتر مشاهده شده برای اعماق کم (0-5 متر) در شکل 8 است.
شکل 12 نتایج تحلیل رگرسیون را برای هر یک از چهار روش در اندازه گیری SBES (مقادیر نرمال شده) نشان می دهد.
تجزیه و تحلیل رگرسیون نشان می دهد که روش IDW دارای پراکندگی داده پراکنده در هر 5 مقطع است. بنابراین، این نادرست ترین روش است. دو روش دیگر، یعنی KRG و RBF، رفتار منظم کمتری دارند و برای برخی از بخش ها پراکندگی داده بالاتری دارند. باز هم، TopoR کم‌ترین روش پراکندگی است، که نتایج آن تقریباً کاملاً خطی به اندازه‌گیری‌ها برای تمام مقاطع وابسته است.
تجزیه و تحلیل آماری با استفاده از ضریب همبستگی پیرسون (R) و ریشه میانگین مربعات خطا (RMSE) انجام شد. نتایج به دست آمده در شکل 13 نشان داده شده است. ریشه میانگین مربعات خطا (RMSE) یا به اصطلاح ریشه میانگین مربعات انحراف (RMSD) انحراف داده های خروجی را از داده های ورودی اولیه اندازه گیری می کند [ 59 ، 60 ]. یک RMSE کوچک همراه با R بالا نشان دهنده تناسب خوب مدل است. بدیهی است که TopoR بهترین عملکرد را دارد که از نزدیک با روش KRG دنبال می شود، در حالی که IDW ضعیف ترین روش درونیابی در همه موارد است.
نتایج ما با نتایج Curebal [ 61 ] برای حوضه Keçidere، یا برای مدل‌های ظرفیت ذخیره‌سازی مخزن سد بالا اسوان و توسعه مورفولوژی [ 62 ] مطابقت دارد، که هر دو نشان می‌دهند که TopoR دقیق‌ترین روش برای به دست آوردن DEM صحیح هیدرولوژیکی است. روش‌های IDW و KRG هنگام تجزیه و تحلیل توپوگرافی بستر رودخانه توسط Goff [ 63 ] و Merwade [ 13 ] نادرست گزارش شده‌اند. با این حال، گاهی اوقات روش کریجینگ (KRG) ارتفاع را بهتر از IDW برآورد می کند [ 64 ]. همچنین، Šiljeg [ 57] نشان می دهد که نتایج بر اساس TopoR در مقایسه با اندازه گیری های هوافتوگرامتری (که مدل پایه او را تشکیل می دهد) تفاوت معنی داری (خطاهای کوچک) ندارد. با این حال، Šiljeg [ 57 ] گزارش می دهد که TopoR برای تجزیه و تحلیل در سطح میکرو، به عنوان مثال، سنگ ها یا ریز لندفرم های خاص توصیه نمی شود. تجزیه و تحلیل پیچیده بسیاری از روش های درونیابی برای ایجاد DEM در منطقه بلگورود در Podsadneea [ 65 ]، نشان می دهد که TopoR دقیق ترین روش است. با این حال، علی‌رغم دقت تکنیک‌های درون‌یابی برای تولید DEM دقیق ارزیابی‌شده توسط چندین مطالعه، هنوز هیچ یافته ثابتی در مورد عملکرد درون‌یابی‌های فضایی برای حمام‌سنجی رودخانه وجود ندارد [ 66 ].

4. نتیجه گیری

ایجاد مدل رقومی ارتفاع یک منطقه به روش درونیابی بستگی دارد. یک DEM خوب به محاسبه دقیق تر نقشه و مناطق حجمی رودخانه کمک می کند. بنابراین، DEM می تواند برای ارزیابی هرگونه تغییر مورفومتریک بسیار مفید باشد. این مطالعه با هدف شناسایی بهترین روش درونیابی که می تواند دقیق ترین نمایش بستر رودخانه را از اندازه گیری های عمق سنجی رودخانه تک پرتو ارائه دهد، انجام شد.
بررسی عمق سنجی در بخش رودخانه Siret انجام شد و بر اساس پژواک تک پرتو ترکیب شده با یک سیستم RTK GPS بود. مدل های رقومی ارتفاع سنجی ایجاد شده با روش اندازه گیری تک پرتو به روش های درون یابی مورد استفاده بستگی دارد. به منظور ارزیابی دقت سطح درون یابی، روش های درون یابی معمول موجود مانند IDW، KRG، RBF و TopoR [ 61 ]] استفاده شده. میانگین انحراف معیار یکی از شاخص های آماری بود که برای ارزیابی دقت درونیابی استفاده شد. هیچ تفاوتی بین مقادیر درون یابی اندازه گیری شده و اندازه گیری نشده در مورد درونیابی دقیق (به عنوان مثال IDW) وجود نداشت. فقط می توان حدس زد که این تفاوت ها با اعتبارسنجی متقابل تعیین شده اند. اعتبارسنجی متقاطع داده‌های بلوک نشان داد که درونیابی TopoR کمترین انحراف استاندارد (0.306 متر) را دارد. ضرایب تعیین R 2 بین مقادیر پیش بینی شده و اندازه گیری شده R IDW 2 = 0.959، R RBF 2 = 0.947، R KRG 2 = 0.969 و R TopoR 2 بود.= 0.973، تایید می کند که TopoR دقیق ترین روش است. تفاوت هایی نیز در مورد نمایش مدل رقومی ارتفاع مشاهده شد. روش درونیابی TopoR یک DEM ضعیف و صاف شده را توصیف می کند ( پیوست A ، شکل A2 ، شکل A3 ، شکل A4 و شکل A5 ).
DEM به‌دست‌آمده با استفاده از چهار روش درون‌یابی با اندازه‌گیری‌های SBES برای پنج مقطع رودخانه به منظور بررسی صحت هر روش مقایسه شد. نمایه درونیابی TopoR تقریباً مشابه مشخصات اندازه گیری SBES است. پروفیل‌های به‌دست‌آمده با استفاده از روش‌های IDW، KRG و RBF در مقایسه با پروفیل اندازه‌گیری شده، به‌ویژه در مناطق نزدیک به سواحل رودخانه، تفاوت‌های قابل‌توجهی داشتند.
نتایج آماری نشان می دهد که تمام DEM ها صرف نظر از روش، از نظر آماری معنی دار هستند. با این حال، روش درون یابی TopoR بهترین است، با کوچکترین RMSE و بالاترین ضریب همبستگی پیرسون، هنگام مقایسه داده های عمق مدل شده و اندازه گیری شده. پارامترهای آماری عبارتند از: RMSE TopoR = 0.276 m و R TopoR = 0.997 m، در مقابل روش IDW که دارای میانگین RMSE IDW = 1.532 m و R IDW = 0.897 m است.
بنابراین، همه نتایج نشان می‌دهند که روش TopoR دقیق‌ترین روش درونیابی است که هنگام ایجاد یک DEM، برای تعداد معینی از نقاط و شبکه استفاده می‌شود.
ایده های یک مطالعه آینده از تجزیه و تحلیل این آزمایش ها پدید آمده است، و یکی به اضافه کردن اندازه گیری های طولی عمق سنجی (در امتداد کانال رودخانه یا عمود بر مقاطع عرضی) اشاره دارد، بنابراین یک شبکه اندازه گیری منظم تر ایجاد می کند. این ممکن است تجزیه و تحلیل روش های درون یابی را بهبود بخشد و همچنین منجر به دقت بالاتر می شود. تعداد نقاط و اندازه پیکسل (رزولوشن فضایی) پارامتر مهم دیگری است که ارزش در نظر گرفتن دارد. بررسی تاثیر اینها بر مدل های رقومی ارتفاعی در حال حاضر در راه است.

پیوست اول

Ijgi 08 00507 g0a1 550
شکل A1. شکل نمایه از سمت راست به سمت چپ SBES و استخراج شده از پروفیل های DEM برای رودخانه Siret: ( الف ) مقطع 1. ( ب ) مقطع 2; ( ج ) مقطع 3; ( د ) مقطع 4; ( ه ) مقطع 5.
Ijgi 08 00507 g0a2 550
شکل A2. نقشه عمق رودخانه سیرت با استفاده از روش درونیابی IDW بدست آمده است.
Ijgi 08 00507 g0a3 550
شکل A3. نقشه عمق رودخانه سیرت با استفاده از روش درونیابی KRG به دست آمده است.
Ijgi 08 00507 g0a4 550
شکل A4. نقشه عمق رودخانه سیرت با استفاده از روش درونیابی RBF به دست آمده است.
Ijgi 08 00507 g0a5 550
شکل A5. نقشه عمق رودخانه سیرت با استفاده از روش درونیابی TopoR به دست آمد.

ضمیمه B

جدول
جدول A1. آمار برازش مدل همانطور که توسط گزارش ArcGIS ارائه شده است.

منابع

  1. Quadros، فناوری ND در تمرکز: لیدار Bathymetric. GIM Int. جهانی Mag. Geomat. 2016 ، 30 ، 46-47. [ Google Scholar ]
  2. کوادروس، ن. Collier، P. ادغام LiDAR عمق سنجی و توپوگرافی: یک بررسی مقدماتی. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2008 ، 36 ، 1299-1304. [ Google Scholar ]
  3. Kinzel، PJ; Legleiter, CJ; نلسون، JM Mapping River Bathymetry With Small Footprint LiDAR سبز: کاربردها و چالش ها. JAWRA J. Am. منبع آب دانشیار 2013 ، 49 ، 183-204. [ Google Scholar ] [ CrossRef ]
  4. سایلام، ک. هاپ، جی آر؛ اورت، آر. گوتلیوس، WF; Gelhar، BW Airborne lidar bathymetry: ارزیابی تضمین کیفیت و روش های کنترل کیفیت با نمونه های Leica Chiroptera. بین المللی J. Remote Sens. 2018 , 39 , 2518–2542. [ Google Scholar ] [ CrossRef ]
  5. فالکوفسکی، تی. اوستروفسکی، پ. تغییرات مورفولوژی کانال Siwicki، PBM و رابطه آنها با زمین شناسی پایین دره و مداخلات انسانی. مطالعه موردی از دره ویستولا در ورشو. ژئومورفولوژی 2017 ، 297 ، 100-111. [ Google Scholar ] [ CrossRef ]
  6. چنیر، آر. فاچر، MA; آهولا، ر. شلات، ی. ساگرام، M. فتوگرامتری Bathymetric برای به روز رسانی نمودارهای CHS: مقایسه رویکردهای دستی و خودکار سه بعدی معمولی. ISPRS Int. J. Geo-Inf. 2018 ، 7 ، 395. [ Google Scholar ] [ CrossRef ]
  7. چاپلوت، وی. داربوکس، اف. بورنان، اچ. Leguédois, S. دقت تکنیک های درونیابی برای استخراج مدل های ارتفاعی رقومی در رابطه با انواع شکل زمین و چگالی داده ها. ژئومورفولوژی 2006 ، 77 ، 126-141. [ Google Scholar ] [ CrossRef ]
  8. بنجانکار، ر. تونینا، دی. Mckean، J. مدل سازی هیدرودینامیکی یک بعدی و دو بعدی خواص جریان مشتق شده: تأثیرات بر پیش بینی کیفیت زیستگاه های آبی. زمین گشت و گذار. روند. Landf. 2015 ، 40 ، 340-356. [ Google Scholar ] [ CrossRef ]
  9. Kinsman، N. داده‌های حمام‌سنجی تک پرتو جمع‌آوری‌شده در مناطق کم‌عمق در نزدیکی Gambell، Golovin، Hooper Bay، Savoonga، Shishmaref، و Wales، آلاسکا 2012-2013 . اداره منابع طبیعی بخش بررسی های زمین شناسی و ژئوفیزیک: فیربنکس، AK، ایالات متحده آمریکا، 2015.
  10. لی، جی. Heap، AD مروری بر مطالعات تطبیقی ​​روش‌های درون‌یابی فضایی در علوم محیطی: عوامل عملکرد و تأثیر. Ecol. آگاه کردن. 2011 ، 6 ، 228-241. [ Google Scholar ] [ CrossRef ]
  11. لیفنر، جی. هیوا، جی. Peel, M. حساسیت هیپسومتری حوضه و خواص هیپسومتری به وضوح DEM و نظم چند جمله ای. ژئومورفولوژی 2018 ، 309 ، 112-120. [ Google Scholar ] [ CrossRef ]
  12. مرواد، وی. Maidment، D. گاف، J. ملاحظات ناهمسانگرد در حین درونیابی عمق سنجی کانال رودخانه. جی هیدرول. 2006 ، 331 ، 731-741. [ Google Scholar ] [ CrossRef ]
  13. Merwade, V. تأثیر روندهای فضایی بر درونیابی عمق سنجی رودخانه. جی هیدرول. 2009 ، 371 ، 169-181. [ Google Scholar ] [ CrossRef ]
  14. پاتل، ا. کاتیار، SK; Prasad, V. ارزیابی عملکرد DEM های متن باز مختلف با استفاده از سیستم موقعیت یاب جهانی متفاوت (DGPS). مصر. J. Remote Sens. Space Sci. 2016 ، 19 ، 7-16. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  15. گرونولد، RA; Meeden, G. اندازه گیری چولگی و کورتوزیس. JR Stat. Soc. سر. D 1984 , 33 , 391. [ Google Scholar ] [ CrossRef ]
  16. Bhunia، GS; شیت، پی کی; Maiti, R. مقایسه روشهای درونیابی مبتنی بر GIS برای توزیع فضایی کربن آلی خاک (SOC). J. عربستان سعودی Soc. کشاورزی علمی 2018 ، 17 ، 114-126. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  17. آویلا، آر. هورن، بی. موریارتی، ای. هادسون، آر. Moltchanova، E. ارزیابی عملکرد مدل آماری در پیش‌بینی کیفیت آب. جی. محیط زیست. مدیریت 2018 ، 206 ، 910–919. [ Google Scholar ] [ CrossRef ]
  18. ارسنی، م. روزو، ا. نیکولای، A.-F. جورجسکو، PL; کنستانتین، دی مقایسه مدل‌ها و تعیین حجمی دریاچه کاتوزا، گالاتی. Tehnomus J. فناوری جدید. تولید ماخ Manuf. تکنولوژی 2007 ، 24 ، 67-71. [ Google Scholar ]
  19. رومانسکو، جی. Stoleriu, C. علل و اثرات سیل فاجعه بار در رودخانه Siret (رومانی) در ژوئیه تا اوت 2008. Nat. خطرات 2013 ، 69 ، 1351-1367. [ Google Scholar ] [ CrossRef ]
  20. دااسکالیتا، دی. دانیلا، پی. اولاریو، ص. جنبه های مربوط به برخی پدیده های آب اقلیمی با خصوصیات خطر از منطقه هیدروگرافی سیرت. اقدامات ساختاری و غیرساختاری پیشگیری و اورژانس. محیط کنونی حفظ کنید. توسعه دهنده 2008 ، 1 ، 318-332. [ Google Scholar ]
  21. گرکو، اف. زهاریا، ال. یوانا-توریماک، جی. Armaș، I. سیلاب ها و سیلاب های ناگهانی مرتبط با دینامیک کانال رودخانه. در دینامیک و تکامل شکل زمین در رومانی ؛ Springer: Cham, Switzerland, 2017; صص 821-844. [ Google Scholar ] [ CrossRef ]
  22. آرسنی، م. تکنیک های مدرن GIS برای تعیین خطرات سرزمینی تکنیک های مدرن GIS برای تعیین خطرات سرزمینی. Ph.D. پایان نامه، دانشگاه “Dunarea de Jos” از گالاتی، گالاتی، رومانی، 2018. [ Google Scholar ]
  23. سپاه مهندسین ارتش آمریکا نقشه برداری هیدروگرافی. جلد 5 . وزارت ارتش: واشنگتن، دی سی، ایالات متحده آمریکا، 2013.
  24. ارسنی، م. روزو، ا. جورجسکو، LP; موراریو، جی. تکنیک‌های اندازه‌گیری عمق آکوستیک تک پرتو و نقشه‌برداری عمق سنجی برای دریاچه کاتوزا، گالاتی. ان دانشگاه Dunarea Jos Galati Fascicle II ریاضی. فیزیک نظریه. مکانیک. 2016 ، 39 ، 281-287. [ Google Scholar ]
  25. موراریو، جی. پوشکاسو، جی. گوگونسه، وی. آنجلوپولوس، آ. Fildisis، T. ارزیابی سیل غیر خطی با شبکه عصبی. AIP Conf. Proc. 2010 ، 1203 ، 812-819. [ Google Scholar ] [ CrossRef ]
  26. سازمان بین المللی هیدروگرافی (IHO). استانداردهای بررسی هیدروگرافی ، ویرایش پنجم. مشخصات انتشار شماره 44; دفتر بین المللی هیدروگرافی: موناکو، 2008. [ Google Scholar ]
  27. مشخصات فنی SOUTH S82V. در دسترس آنلاین: https://geo-matching.com/gnss-receivers/s82v (در 19 ژوئیه 2019 قابل دسترسی است).
  28. پاندی، دی. ماهارجان، بی. شالیز، دی. Shrestha، RK; Twanabasu، B. نقشه برداری دیجیتالی خاک در ناحیه بارا نپال با استفاده از ابزار کریجینگ در ArcGIS. PLoS ONE 2018 , 13 , e0206350. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  29. دی بورخس، PA; فرانکه، جی. da Anunciação، YMT; ویس، اچ. Bernhofer, C. مقایسه روشهای درونیابی فضایی برای تخمین توزیع بارش در Distrito Federal, برزیل. نظریه. Appl. کلیماتول. 2016 ، 123 ، 335-348. [ Google Scholar ] [ CrossRef ]
  30. بارو، PA; MCDonnell، RA; Lloyd, CD Principles of Geographical Information Systems , 3rd ed.; انتشارات دانشگاه آکسفورد: آکسفورد، بریتانیا، 2015. [ Google Scholar ]
  31. هارمن، بی. کوسو اوغلو، اچ. Yigit، CO ارزیابی عملکرد روش های درون یابی IDW، کریجینگ و چند چهارگانه در تولید نقشه نویز: مطالعه موردی در شهر اسپارتا، ترکیه. Appl. آکوست. 2016 ، 112 ، 147-157. [ Google Scholar ] [ CrossRef ]
  32. او، س. ژانگ، ز. یی، C. درونیابی داده های طیفی فلورسانس سه بعدی با استفاده از IDW. اسپکتروشیم. Acta Part A Mol. بیومول. Spectrosc. 2008 ، 71 ، 743-745. [ Google Scholar ] [ CrossRef ]
  33. لی، ام. یوان، ی. وانگ، ن. لی، ز. لیو، ایکس. Zhang، X. مقایسه آماری الگوریتم‌های درونیابی مختلف برای بازسازی نقشه‌های یونوسفر شبکه منطقه‌ای بر روی چین. J. Atmos. Sol.-Terr. فیزیک 2018 ، 172 ، 129-137. [ Google Scholar ] [ CrossRef ]
  34. ژانگ، اچ. لو، ال. لیو، ی. لیو، دبلیو. استراتژی های نمونه برداری فضایی برای اثر دقت درونیابی. ISPRS Int. J. Geo-Inf. 2015 ، 4 ، 2742-2768. [ Google Scholar ] [ CrossRef ]
  35. Matheron, G. اصول زمین آمار. اقتصاد جئول 1963 ، 58 ، 1246-1266. [ Google Scholar ] [ CrossRef ]
  36. Coburn، TC; یاروس، JM; Chambers، RL مدلسازی تصادفی و زمین آمار: اصول، روش ها، و مطالعات موردی . انجمن زمین شناسان نفت آمریکا: تولسا، OK، ایالات متحده آمریکا، 2006; جلد 2. [ Google Scholar ]
  37. لیو، دبلیو. ژانگ، منابع انسانی؛ Yan، DP; Wang, SL مدلسازی سطح تطبیقی ​​خصوصیات خاک در اشکال پیچیده زمین. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 178. [ Google Scholar ] [ CrossRef ]
  38. کرسی، ن. ریشه های کریجینگ. ریاضی. جئول 1990 ، 22 ، 239-252. [ Google Scholar ] [ CrossRef ]
  39. اردوغان، اس. مقایسه روشهای درونیابی برای تولید مدلهای ارتفاعی دیجیتال در مقیاس میدانی. زمین گشت و گذار. روند. Landf. 2009 ، 34 ، 366-376. [ Google Scholar ] [ CrossRef ]
  40. چنگ، م. وانگ، ی. انگل، بی. ژانگ، دبلیو. پنگ، اچ. چن، ایکس. Xia، H. ارزیابی عملکرد درون یابی فضایی بارش برای شبیه سازی فرآیند هیدرولوژیکی در حوضه سه دره. Water 2017 , 9 , 838. [ Google Scholar ] [ CrossRef ]
  41. VerH oef, JM; Krivoruchko, K. با استفاده از ArcGIS Geostatistical Analyst ; Esri: Redlands، استرالیا، 2001. [ Google Scholar ]
  42. Gundogdu، KS; Guney، I. تجزیه و تحلیل فضایی سطوح آب زیرزمینی با استفاده از کریجینگ جهانی. J. Earth Syst. علمی 2007 ، 116 ، 49-55. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  43. Pebesma، EJ زمین آمار چند متغیره در S: بسته gstat. محاسبه کنید. Geosci. 2004 ، 30 ، 683-691. [ Google Scholar ] [ CrossRef ]
  44. پاتریش، روش‌های آماری رزومه کاربردی در اقلیم‌شناسی. Terra Nostra: Iasi، رومانی، 2009. [ Google Scholar ]
  45. تزیاکریس، پی. متاکسا، ای. پاپادوپولوس، اف. پاپادوپولو، م. مدل سازی فضایی و ارزیابی پیش بینی آهن خاک با استفاده از درونیابی کریجینگ با pH به عنوان اطلاعات کمکی. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 283. [ Google Scholar ] [ CrossRef ]
  46. اسمیت، ام جی. Goodchild، MF; Longley، PA تجزیه و تحلیل جغرافیایی: راهنمای جامع اصول، تکنیک ها و ابزارهای نرم افزاری . Troubador Publishing LTD: Leicester, UK, 2007. [ Google Scholar ]
  47. Buhman, MD توابع پایه شعاعی: نظریه و پیاده سازی ; انتشارات دانشگاه کمبریج: کمبریج، انگلستان، 2003. [ Google Scholar ]
  48. Dumitrescu، A. فضایی سازی پارامترهای هواشناسی و آب و هوایی توسط تکنیک های SIG. Ph.D. پایان نامه، دانشگاه بخارست، بخارست، رومانی، 2012. [ Google Scholar ]
  49. Childs، C. درونیابی سطوح در تحلیلگر فضایی ArcGIS. ArcUser جولای تا سپتامبر. 2004 ، 3235 ، 569. [ Google Scholar ]
  50. هاچینسون، MF یک روش جدید برای شبکه بندی داده های ارتفاع و خط جریان با حذف خودکار گودال های جعلی. جی هیدرول. 1989 ، 106 ، 211-232. [ Google Scholar ] [ CrossRef ]
  51. هاچینسون، MF یک رویکرد تطبیقی ​​محلی برای درونیابی مدل‌های ارتفاعی دیجیتال. در مجموعه مقالات سومین کنفرانس بین المللی / کارگاه آموزشی یکپارچه سازی (GIS) و مدل سازی محیطی . مرکز ملی اطلاعات و تحلیل جغرافیایی: سانتا باربارا، کالیفرنیا، ایالات متحده آمریکا، 1996; ص 21-26. [ Google Scholar ]
  52. هاچینسون، MF بهینه سازی درجه هموارسازی داده ها برای خطوط هموار دو متغیره المان محدود تطبیقی ​​محلی. ANZIAM J. 2000 , 42 , 774. [ Google Scholar ] [ CrossRef ]
  53. هاچینسون، MF; خو، تی. Stein، JA پیشرفت اخیر در روش شبکه بندی ارتفاعی ANUDEM. ژئومورفومتری 2011 ، 19-22. [ Google Scholar ]
  54. چن، سی. لی، ی. یان، سی. دای، اچ. لیو، جی. یک الگوریتم قوی از روش چند چهارگانه بر اساس یک تابع تلفات هوبر بهبود یافته برای درونیابی مجموعه داده های ارتفاعی مشتق از سنجش از دور. Remote Sens. 2015 ، 7 ، 3347–3371. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  55. وانگ، سی. یانگ، کیو. یوپ، دی. Pang, G. مدلسازی تغییر ساختارهای فضایی توپوگرافی با وضوح DEM با استفاده از تحلیل نیمه واریوگرام و بانک فیلتر. ISPRS Int. J. Geo-Inf. 2016 ، 5 ، 107. [ Google Scholar ] [ CrossRef ]
  56. سالکین، اس. برگس، جی. مورگنروث، جی. میسون، ای. Meason, D. A مطالعه مقایسه ای سه روش غیر زمین آماری برای بهینه سازی درونیابی مدل رقومی ارتفاع. ISPRS Int. J. Geo-Inf. 2018 ، 7 ، 300. [ Google Scholar ] [ CrossRef ]
  57. شیلژگ، ا. لوزیچ، اس. Radoš, D. اثر روش های درونیابی بر کیفیت یک مدل زمین دیجیتال برای تحلیل های ژئومورفومتریک. ته Vjesn. گز. 2015 ، 22 ، 1149-1156. [ Google Scholar ]
  58. روزو، ا. روزو، بی. کنستانتین، دی. وویکولسکو، ام. ارسنی، م. موراریو، جی. جورجسکو، LP همبستگی بین نقشه های توزیع NO 2 با استفاده از اندازه گیری های GIS و DOAS موبایل در شهر گالاتی. ان دانشگاه Dunarea Jos Galati 2018 ، 41 ، 23–31. [ Google Scholar ]
  59. محارنا، س. خاتوآ، KK پیش بینی ضریب زبری یک جریان کانال باز پرپیچ و خم با استفاده از سیستم استنتاج عصبی فازی. اندازه گیری 2014 ، 51 ، 112-123. [ Google Scholar ] [ CrossRef ]
  60. خو، ی. ژانگ، جی. لانگ، ز. تانگ، اچ. ژانگ، X. پیش‌بینی تقاضای آب شهری ساعتی با استفاده از شبکه دولتی پژواک باور عمیق. Water 2019 , 11 , 351. [ Google Scholar ] [ CrossRef ]
  61. کوربال، آی. افه، ر. اوزدمیر، اچ. سویکان، ع. Sönmez، S. رویکرد مبتنی بر GIS برای تجزیه و تحلیل سیل: مطالعه موردی رویداد سیل ناگهانی Keçidere (ترکیه). Geocarto Int. 2016 ، 31 ، 355-366. [ Google Scholar ] [ CrossRef ]
  62. الشاذلی، ع. Hoermann, G. توسعه ظرفیت ذخیره سازی و مورفولوژی مخزن سد بلند اسوان. هیدرول. علمی J. 2016 , 61 , 2639–2648. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  63. گاف، ج.ا. Nordfjord، S. درونیابی مورفولوژی رودخانه با استفاده از تبدیل مختصات کانال گرا: مطالعه موردی از قفسه نیوجرسی. ریاضی. جئول 2004 ، 36 ، 643-658. [ Google Scholar ] [ CrossRef ]
  64. زیمرمن، دی. پاولیک، سی. راگلز، ا. آرمسترانگ، MP مقایسه تجربی کریجینگ معمولی و جهانی و وزن دهی فاصله معکوس. ریاضی. جئول 1999 ، 31 ، 375-390. [ Google Scholar ] [ CrossRef ]
  65. Podsadneaea، EA؛ Pavliuc, B. روشهای درونیابی برای داده های ارتفاع. شهر مدیریت. عمل تئوری. 2017 ، 3 ، 52-60. [ Google Scholar ]
  66. Pankalakr، SS; Jarag، AP ارزیابی تکنیک های درونیابی فضایی برای تولید عمق سنجی رودخانه حوضه رودخانه پانچگانگا با استفاده از تکنیک های ژئوانفورماتیک. آسیایی J. Geoinform. 2016 ، 15 ، 9-15. [ Google Scholar ]
Ijgi 08 00507 g001 550
شکل 1. منطقه مورد مطالعه واقع در محل تلاقی رودخانه سیرت با دانوب. مساحت 35 کیلومتری اندازه گیری شده بین خطوط زرد قرار گرفته است.
Ijgi 08 00507 g002 550
شکل 2. سمت چپ: اندازه گیری عمق ثانویه با پژواک تک پرتو SonarMite (SBES) (روش نصب بر روی یک قایق صلب فایبرگلاس) متصل به South S82-V RTK GNSS. وسط: ابزار و لوازم جانبی GNSS و SBES. سمت راست: ایستگاه کل و South S82-V RTK GNSS برای اندازه گیری توپوگرافی استفاده می شود.
Ijgi 08 00507 g003 550
شکل 3. سطح آب در ایستگاه سنج سندرنی در طول کمپین اندازه گیری ثبت شده است. سطح سیل: CA (سطح توجه) = 550; CI (سطح سیل) = 600; CP (سطح خطر) = 650.
Ijgi 08 00507 g004 550
شکل 4. بالا و وسط: نماهای Ortopthomap از بخش S1 (پایین دست)–S4 (بالادست). خط آبی مسیر قایق را نشان می دهد. سواحل رودخانه با رنگ زرد مشخص شده است. پایین: نمای ortopthomap از کل منطقه بررسی عمق سنجی، با چهار بخش اول.
Ijgi 08 00507 g005 550
شکل 5. مانند شکل 4 ، اما برای پنج بخش آخر نقشه برداری آب سنجی: S5 (پایین دست)–S9 (بالا دست).
Ijgi 08 00507 g006 550
شکل 6. مدل رقومی ارتفاع (DEM) یک بخش رودخانه 1500 متری کانال اصلی که با استفاده از 4 روش درونیابی به دست آمده است: ( الف ) وزن دهی معکوس فاصله (IDW). ( ب ) کریجینگ (KRG)؛ ( ج ) تابع پایه شعاعی با اسپلاین کاملاً منظم (RBF). ( د ) توپو به رستر.
Ijgi 08 00507 g007 550
شکل 7. نتایج آماری تناسب مدل: ( الف ) فراوانی توزیع خطا برای هر یک از چهار مدل: IDW (آبی)، KRG (قرمز)، RBF (سبز)، TopoR (سرخابی). ( ب ) میانگین انحراف استاندارد بین مقادیر z اندازه گیری شده و درونیابی شده برای هر یک از چهار مدل. IDW، وزن معکوس فاصله؛ KRG، کریجینگ ساده؛ RBF، تابع پایه شعاعی.
Ijgi 08 00507 g008 550
شکل 8. رگرسیون خطی برای چهار روش درونیابی: ( الف ) IDW; ( ب ) اقلیم کردستان; ( ج ) RBF; ( د ) TopoR.
Ijgi 08 00507 g009 550
شکل 9. محل های پنج مقطع اندازه گیری شده با تکنیک SBES.
Ijgi 08 00507 g010a 550 Ijgi 08 00507 g010b 550
شکل 10. تفاوت بین اندازه‌گیری‌ها (توسط SBES) و مقادیر ارتفاع درون‌یابی شده از هر مدل DEM (SBES–DEM): IDW-خط قرمز، KRG-خط سبز، RBF-خط سرخابی، TopoR-خط سیاه. مقادیر منفی مربوط به تخمین بیش از حد ارتفاع است.
Ijgi 08 00507 g011 550
شکل 11. مقایسه بین پروفیل نرمال شده SBES (قرمز) و پروفیل های نرمال شده استخراج شده از DEM (نارنجی: KRG، سیاه: TopoR، سبز: IDW و آبی: RBF)، برای پنج مقطع برای River Siret: ( الف ) بخش 1؛ ( ب ) مقطع 2; ( ج ) مقطع 3; ( د ) مقطع 4; ( ه ) مقطع 5.
Ijgi 08 00507 g012 550
شکل 12. رگرسیون خطی ساده چهار پروفیل نرمال شده مبتنی بر DEM بر روی نمایه نرمال شده SBES (از چپ به راست: IDW، KRG، RBF، TopoR) برای هر مقطع انتخاب شده.
Ijgi 08 00507 g013 550
شکل 13. میله میانگین مربعات خطای ریشه (RMSE)، محور چپ، و الماس ضریب همبستگی پیرسون (R)، محور راست، برای مقادیر مدل شده برای مقاطع انتخابی: آبی: IDW، نارنجی: KRG، خاکستری: RPF، زرد: TopoR. لطفاً توجه داشته باشید که بهترین تناسب توسط R بالا و RMSE کوچک ارائه می شود.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید