خلاصه

آوارهای ناشی از زلزله در مناطق شهری باید نقشه برداری و مشخص شوند. مکان، حجم، وزن و اجزای تشکیل دهنده اطلاعات کلیدی به منظور پشتیبانی از فعالیت های اضطراری و مدیریت بهینه آوار هستند. رویه‌ای برای بررسی ویژگی‌های هندسی تپه‌های آوار قبلاً در کار قبلی گزارش شده است، در حالی که در اینجا یک روش اصلی برای بازیابی اجزای قلوه سنگ با استفاده از تکنیک‌های سنجش از دور فعال و غیرفعال، بر اساس هوابرد (LiDAR و RGB aero-) ارائه شده است. فتوگرامتری) و سنسورهای ماهواره ای (WorldView-3) با وضوح بسیار بالا (VHR)، ارائه شده است. با توجه به ناهمگونی طیفی بالای قلوه سنگ لرزه ای، تجزیه و تحلیل مخلوط طیفی، از طریق الگوریتم مخروط محدب حداکثر زاویه متوالی، برای به دست آوردن توزیع مدل مختلط خطی پاسخ های طیفی سنجش از دور مواد خالص (اعضای انتهایی) به تصویب رسید. سپس این اعضای انتهایی بر روی امضاهای فراطیفی مواد مختلف به دست آمده در سایت نقشه برداری شدند و طبقه بندی کننده های مختلف یادگیری ماشین را به منظور ارزیابی فراوانی نسبی آنها آزمایش کردند. بهترین نتایج توسط ماشین بردار C-Support ارائه شد که به ما امکان داد تا مشخصه‌های اجزای اصلی قلوه سنگ را با دقتی تا 88.8 درصد برای پیکسل‌های مخلوط کمتر و جنگل تصادفی که تنها قادر به تشخیص بود کار کنیم. وجود احتمالی آزبست آزمایش طبقه‌بندی‌کننده‌های مختلف یادگیری ماشین به منظور ارزیابی فراوانی نسبی آنها. بهترین نتایج توسط ماشین بردار C-Support ارائه شد که به ما امکان داد تا مشخصه‌های اجزای اصلی قلوه سنگ را با دقتی تا 88.8 درصد برای پیکسل‌های مخلوط کمتر و جنگل تصادفی که تنها قادر به تشخیص بود کار کنیم. وجود احتمالی آزبست آزمایش طبقه‌بندی‌کننده‌های مختلف یادگیری ماشین به منظور ارزیابی فراوانی نسبی آنها. بهترین نتایج توسط ماشین بردار C-Support ارائه شد که به ما امکان داد تا مشخصه‌های اجزای اصلی قلوه سنگ را با دقتی تا 88.8 درصد برای پیکسل‌های مخلوط کمتر و جنگل تصادفی که تنها قادر به تشخیص بود کار کنیم. وجود احتمالی آزبست

کلید واژه ها:

لرزه ای پس اضطراری ; مدیریت بلایا ؛ تجزیه و تحلیل محیطی LiDAR ; سنجش از دور ؛ WorldView-3 ; کوپرنیک ؛ چند طیفی ; فراطیفی ; قلوه سنگ شهری ; تجزیه و تحلیل مخلوط طیفی ; یادگیری ماشینی ؛ آزبست

1. معرفی

مقدار عظیمی از آوار ناشی از فروریختن جزئی یا کلی ساختمان ها/ساختارها ناشی از زلزله در مناطق شهری با مراکز تاریخی آسیب پذیر، مانند بسیاری از شهرهای ایتالیا، باید به سرعت نقشه برداری و پس از رویدادهای فاجعه بار مشخص شود. این فعالیت برای حمایت از فعالیت های اضطراری و اطمینان از دسترسی، نجات و کمک های اولیه به جمعیت اجباری است. در طول مرحله پس از اضطرار، اطلاعات قابل اعتماد در مورد توزیع و توصیف قلوه سنگ های لرزه ای از نظر حجم / وزن و نوع شناسی برای مدیریت صحیح آنها که شامل جابجایی، حذف، انباشته کردن و حمل و نقل به تاسیسات بازیافت یا مکان های دفع نهایی است، اساسی است [ 1 ].]. علیرغم اینکه این اطلاعات به ویژه برای بهینه‌سازی واکنش‌های پس از اضطرار ارزشمند است، روش‌های زیادی برای ارائه تخمین‌های گسترده و قابل اعتماد از مقدار قلوه سنگ‌های شهری لرزه‌ای از نظر حجم/وزن و توزیع گونه‌شناسی، از جمله شناسایی مواد احتمالاً خطرناک وجود ندارد. با این هدف، تکنیک‌های سنجش از دور، همراه با GIS، می‌توانند فرصت‌های ارزشمندی را فراهم کنند [ 2 ، 3 ، 4 ، 5 ، 6 ].
علاوه بر بررسی‌های هوایی مبتنی بر LiDAR ارتفاع‌سنجی (تشخیص و محدوده تصویربرداری لیزری) و داده‌های فتوگرامتری، تصاویر ماهواره‌ای با وضوح بالا/رزولوشن بسیار بالا (HR/VHR) به طور گسترده برای ارزیابی آسیب‌ها و توزیع دقیق آوار مرتبط با رویدادهای فاجعه‌بار از جمله زلزله استفاده شده است. [ 7 ، 8 ، 9 ، 10 ، 11 ، 12 ]، زیرا امکان بهره برداری از ظرفیت ذاتی برای اکتساب تکراری، چند طیفی و احتمالاً استریوسکوپی را فراهم می کند، که قادر به پشتیبانی از نظارت بر تکامل سناریوهای پس از اضطرار است. در واقع، داده های Sentinel-2 توسط سرویس مدیریت اضطراری کوپرنیک (EMS) مورد بهره برداری قرار گرفت [ 13 ،14 ] به منظور استخراج نقشه های آسیب ساختمان، که ما از آنها برای بومی سازی و تعیین مرزهای تپه های آوار استفاده کردیم [ 1 ].
آژانس ایتالیایی برای فناوری‌های جدید، انرژی و توسعه اقتصادی پایدار (ENEA) در چندین فعالیت برای حمایت از فعالیت‌های پس از وقوع زمین‌لرزه در 24 آگوست 2016 در ایتالیا مرکزی شرکت داشته است. در مقاله قبلی، ما یک برنامه اصلی مبتنی بر EO (مشاهده زمین) به منظور مشخص کردن حجم تپه‌های قلوه سنگ شهری که از ساختمان‌های متاثر از فروریختگی جزئی یا کلی سرچشمه می‌گیرد، پیشنهاد کردیم. این مطالعه بر روی منطقه شهر آماتریس، یکی از مناطق شهری آسیب دیده مرکزی آپنین در طول رویداد لرزه‌ای طولانی‌مدت سال‌های 2016-2017 متمرکز شد [ 1 ]]. این فعالیت‌ها با هدف بهینه‌سازی مدیریت مقادیر مربوطه قلوه سنگ‌های شهری به دنبال رویداد لرزه‌ای و اجرای شیوه‌های خوب و رویه‌های خاص برای برنامه‌ریزی کارآمد عملیات حذف و حمل و نقل بعدی انجام شد [ 15 ]. علاوه بر این، به منظور به اشتراک گذاشتن داده‌ها و خروجی‌های جغرافیایی با مقامات دولتی درگیر (به عنوان مثال، حفاظت مدنی)، یک زیرساخت داده‌های مکانی خاص (SDI) توسعه داده شد [ 16 ، 17 ] و پیاده‌سازی شد (آن توسط ENEA میزبانی می‌شود و با استفاده از یک سیستم قابل دسترسی است. رابط WebGIS).
ویژگی‌های اصلی قلوه سنگ‌های شهری که باید ارزیابی شوند عبارتند از مکان و حدود انبوه، حجم و وزن آن‌ها، و نوع‌شناسی مصالح ساختمانی اصلی فروریخته، از جمله اجزای خطرناک (یعنی آزبست)، که ممکن است تأثیر زیادی بر جابجایی آنها داشته باشد.
با توجه به ناهمگونی طیفی و فضایی بالای مناطق شهری، که به طور چشمگیری در مورد قلوه سنگ افزایش می یابد، ارزیابی این اطلاعات اغلب با استفاده از روش های معمول، که عمدتا بر اساس بررسی های درجا است، دشوار است [ 5 ، 18 ، 19 ]. پس از یک رویداد فاجعه بار، شرایط محلی اغلب امکان رسیدن به بسیاری از مکان‌ها و انجام مراحل نمونه‌برداری میدانی را کاهش می‌دهد، بنابراین بر زمان‌بندی و پایداری نتایج تأثیر می‌گذارد. در واقع، نظرسنجی‌هایی از جمله LiDAR ارتفاع‌سنجی و عکس‌های ارتوپدی از سکوهای هوایی می‌توانند اطلاعات دقیق و همدیدی را ارائه دهند [ 8 ، 11 ، 20 ]]، اما لزوم نظارت مکرر و گسترده بر مناطق اضطراری به منظور پیگیری پدیده ها و تحولات سناریوی بحران، آنها را به شدت سنگین و پرهزینه می کند. در حال حاضر، این نیازها را می‌توان با یکپارچه‌سازی داده‌های EO که توسط ماموریت‌های ماهواره‌ای نسل آخر مجهز به حسگرهای فعال (SAR) و غیرفعال (چند/فوق طیفی) HR/VHR (رزولیشن بالا/رزولیشن بسیار بالا) ارائه می‌شود، بهتر برآورده کرد. با امکان تکمیل بیشتر و کالیبره/ اعتبارسنجی با استفاده از داده های ارائه شده توسط اندازه گیری های درجا و سایر سکوهای هوافضایی نزدیک (یعنی پهپاد، وسیله نقلیه هوایی بدون سرنشین) در یک محیط GIS مناسب [ 2 ، 21 ، 22 ، 23 ، 24 ] .
اطلاعات به دست آمده از بررسی‌های هوایی انجام‌شده پس از یک رویداد لرزه‌ای می‌تواند یک مبنای کالیبراسیون قوی برای تمام داده‌هایی که متعاقباً توسط حسگرهای ماهواره‌ای چندطیفی با وضوح بالا شناسایی می‌شوند، فراهم کند، که بنابراین امکان نظارت کافی در تمام مراحل پس از اضطرار را فراهم می‌کند [ 9 ]. Sentinel-2 و دیگر حسگرهای ماهواره‌ای HR مشابه Landsat به طور گسترده برای ارزیابی شهری در کاربردهای مختلف مبتنی بر EO مورد استفاده قرار گرفته‌اند [ 24 ، 25 ، 26 ، 27 ].
در مقاله حاضر، با در نظر گرفتن کارهای قبلی [ 1 ، 3 ، 28 ، 29 ]، روشی برای ارزیابی گونه‌شناسی تپه‌های آوار در یک سناریوی اضطراری/پس از اضطرار لرزه‌ای واقعی گزارش شده است. برای این منظور، داده‌های EO موجود (LiDAR ارتفاع‌سنجی، ماهواره‌های چند / فراطیفی و تصاویر VHR هوابرد) به راحتی با تکنیک‌های GIS همراه شدند. از سوی دیگر، روش پیاده‌سازی شده در مقاله حاضر می‌تواند نه تنها برای حمایت از مداخلات و ارزیابی‌های پس از اضطرار، بلکه برای ارائه ابزاری ارزشمند برای تحلیل آسیب‌پذیری/ریسک لرزه‌ای ساختمان و زیرساخت‌ها در شرایط پیش‌اضطراری و مراحل آمادگی [ 7 ، 8].
با در نظر گرفتن تأثیر مربوط به غلظت قابل توجه مواد آزبست خطرناک در داخل توده‌های آوار، تشخیص و تعیین کمیت این جزء پوششی از طریق داده‌های چندطیفی VHR نیز مورد آزمایش قرار گرفت [ 30 ، 31]. برای تشخیص بهتر ناهمگونی بالای قلوه سنگ های لرزه ای، تجزیه و تحلیل مخلوط طیفی (SMA) به طرح های طبقه بندی سخت معمولی ترجیح داده شد، که در موارد شیوع پیکسل هایی با پوشش های همگن، که می توانند به طور یکسان با توجه به امضای طیفی آنها برچسب گذاری شوند، موثرتر هستند. . SMA مبتنی بر رویکرد طبقه‌بندی نرم است، که در آن هر پیکسل با وجود مواد خالص مختلف (اعضای انتهایی) مشخص می‌شود، که هر کدام دارای امضای طیفی خاص خود هستند و متناسب با فراوانی نسبی آن به طیف بازتاب پیکسل کمک می‌کنند. SMA به طور گسترده برای غلبه بر مشکل پیکسل های مختلط استفاده شده است، یک مسئله معمولی مرتبط با تصاویر سنجش از دور با وضوح متوسط ​​و درشت همچنین در کاربردهای شهری [ 32 ، 33 ،34 ، 35 ، 36]. امضاهای عضو انتهایی طیفی را می توان از تصاویر یا اندازه گیری های آزمایشگاهی/میدان به دست آورد. با این حال، به طور کلی، به دلیل پیکربندی طیفی مختلف، نویزهای جوی و تفاوت در شرایط اکتساب، این موارد اخیر با پاسخ طیفی تصاویر دیجیتال هوابرد یا ماهواره‌ای مطابقت ندارند. بنابراین، استخراج اعضای انتهایی مستقیماً از تصاویر می تواند سودمند باشد. معمولاً، اشتقاق اعضای انتهایی طیفی از تصاویر چند / فراطیفی معمولاً از طریق شاخص خلوص پیکسل ضمنی (PPI) یا استفاده صریح از هندسه محدب در فضای طیفی چند بعدی که در آن بازتاب پیکسل‌ها پخش می‌شود، به دست می‌آید. به طور کلی، PPI با تصاویر فراطیفی پس از تبدیل کسر نویز حداقل (MNF) برای به حداقل رساندن نویز در اجزای انتخاب شده استفاده می‌شود، در حالی که روش‌های هندسه محدب،32 ، 33 ، 34 ، 35 ]. علاوه بر اعضای انتهایی، رویکردهای مختلف SMA نیز با استفاده از پاسخ‌های بازتابی مختلط آن از طریق الگوریتم‌های مختلف، از جمله SMACC، به دست آوردن فراوانی آن‌ها در پیکسل را ممکن می‌سازد [ 19 ، 37 ].
حتی اگر محیط‌های شهری و حومه‌ای که با مناظر پیچیده و عناصر با نشانه‌های طیفی متفاوت مشخص می‌شوند، ممکن است عملکرد رویکردهای سنتی SMA را با مجموعه ثابتی از اعضای انتهایی کاهش دهند، بهبود رادیومتری، وضوح فضایی و طیفی نسل جدید حسگرهای VHR باعث می‌شود. امکان به دست آوردن عملکردهای زیر متری [ 37 ، 38 ] وجود دارد. در واقع، اگرچه رویکرد SMA به طور گسترده برای کاربردهای EO شهری با استفاده از داده‌های بازتاب فراطیفی استفاده شده است، اما نتایج مفیدی را با بهره‌برداری از اطلاعات ماهواره‌ای VHR چندطیفی همراه با الگوریتم‌های پیشرفته یادگیری ماشین در طرح‌های طبقه‌بندی و رگرسیون ارائه می‌دهد [ 24 ، 33 ، 38 ،39 ]. در این مطالعه، رویکرد SMA برای داده‌های شفاف شده WorldView-3 (WV3)، پس از پیش‌پردازش هندسی و جوی آن‌ها، برای ارائه مجموعه‌ها و فراوانی اعضای انتهایی طیفی از طریق الگوریتم SMACC [ 40 ] اعمال شد.
افزایش چشمگیر در دسترس بودن داده‌های رادار چند/فوق‌طیفی و مصنوعی VHR (SAR) که با افزایش تعداد مأموریت‌های سنجش از راه دور ماهواره‌ای عملیاتی ارائه می‌شود، باید به طور مناسب با رویکردهای پیشرفته مبتنی بر داده‌کاوی، یادگیری ماشین و طرح خوشه‌بندی همراه شود تا به درستی پایش و مشخص شود. مناطق شهری به طور فزاینده ناهمگن، پیچیده و گسترده. در این زمینه، جدیدترین الگوریتم‌های یادگیری ماشین مبتنی بر شبکه عصبی مصنوعی (ANN)، ماشین بردار پشتیبان (SVM)، نزدیک‌ترین همسایه K (KNN) و جنگل تصادفی (RF) نقش مرتبطی دارند [ 41 ].]. در روش پیاده‌سازی شده ما، هنگامی که امضاهای طیفی به‌دست‌آمده در محل به همان پیکربندی حسگر نمونه‌گیری شدند، این الگوریتم‌ها در یک طرح یادگیری نظارت‌شده برای نقشه‌برداری (طبقه‌بندی) اعضای انتهایی ارائه‌شده توسط SMA در مواد آوار مورد علاقه شناسایی‌شده در سایت آزمایش شدند. .

2. منطقه مطالعه

ایتالیا مرکزی یک منظره روستایی و کوهستانی با چندین روستای باستانی کوچک است که با ساختمان‌های با مهندسی ضعیف (واحدهای مسکونی قدیمی‌تر) و سازه‌های مدرن (ساختمان‌های جدیدتر و خطوط زندگی ساخته شده با معیارهای ضد لرزه) مشخص می‌شود. آپنین ها یک کمربند کوهستانی با جهت شمال غربی-جنوب شرقی هستند که تحت تأثیر تکتونیک انقباضی و کششی چند فازی قرار دارند [ 1 ]. این یکی از فعال ترین مناطق لرزه ای در ایتالیا و اروپا است، زیرا انباشته شدن حاشیه قاره اروپای آفریقایی در طول نئوژن یک کمربند سیستم گسل و رانش را تشکیل داد. زمین‌لرزه‌ها و پس‌لرزه‌ها به‌طور دوره‌ای در مرکز ایتالیا (جایی که مناطق لاتزیو، اومبریا، مارکه و آبروزو قرار دارند) رخ می‌دهد.
منطقه مورد مطالعه در 24 اوت 2016 با یک شوک اصلی Mw 6.0 برخورد کرد. حدود 300 نفر جان خود را از دست دادند و 20000 بی خانمان در یک منطقه وسیع باقی ماندند. توالی لرزه‌ای با یک شوک اصلی Mw 5.9 در 26 اکتبر و پس از آن یک Mw 6.5 در نزدیکی شهر Norcia در 30 اکتبر مشخص شد. آخرین شوک اصلی، با حداکثر مگاوات 5.5، در قسمت جنوبی در 18 ژانویه 2017 رخ داد، اما باعث سقوط بهمن شد که هتل ریگوپیانو را از بین برد و 29 قربانی دیگر را به همراه داشت.
آپنین مرکزی به صورت دوره ای تحت تأثیر توالی های گسلش طبیعی قرار می گیرد. این منطقه قبلاً توسط زمین لرزه های بزرگ ناپل و آکویلا در ژانویه تا فوریه 1703 به شدت آسیب دیده بود و قبلاً منبع یک زلزله قوی در اکتبر 1639 بود که در CPTI15 (کاتالوگ پارامتری زمین لرزه های ایتالیا) با Mw 6.2 و با مقدار کمتری پارامتر تعیین شده بود. توزیع آسیب شدید گسترده و شدت کمتری در مقایسه با سال 2016 به دست آمده است. در آن زمان بخش هایی از آماتریس در غرب آن واقع شده بود ( شکل 1)ب)، در حالی که زمین لرزه در لاکویلا، آسکولی پیچنو و ریتی احساس شد، اما در رم احساس نشد. به طور کلی، زلزله سال 2016 می تواند یک رویداد دوگانه نسبت به سال 1639 باشد که – با تفاوت های ناشی از طول گسیختگی و جهت – از همان منبع لرزه زایی مرتبط با تکتونیک گسترده ایجاد شده است. بنابراین، چنین رویدادهایی اغلب با پس لرزه های طولانی مدت همراه با لرزش های کم انرژی همراه است. بین سال‌های 2016 و 2017، بیش از 70000 زلزله در منطقه مورد مطالعه ثبت شده است [ 1 ].
پیامدهای چنین مجموعه طولانی از رویدادهای لرزه ای این است که فروریختن ساختمان می تواند چندین روز پس از آسیب جدی توسط شدیدترین زلزله ها رخ دهد.

3. مواد و روشها

3.1. مجموعه داده

داده ها و اطلاعات سرزمینی زیر استفاده شد:
  • یک قاب ماهواره ای با وضوح بسیار بالا (VHR) WorldView-3 (WV3) (رزولوشن 1.35 متر بالاتر از سطح زمین-agr-برای 8 کانال چند طیفی (VIS-NIR)؛ 0.33 متر برای کانال پانکروماتیک) که در 2016/08/25 به دست آمد، پس از اولین رویداد لرزه ای در آماتریس؛
  • امضاهای فراطیفی اجزای اصلی شهری قلوه سنگ لرزه ای، از طریق یک رادیومتر دستی ASD-FieldSpec Pro، بر روی توده های آوار مناطق آزمایشی واقع در مرکز آماتریس، در طی یک بررسی طراحی شده خاص که در دسامبر 2016 انجام شد، به دست آمد. امضاها (2300 باند باریک، طول موج بین 350-2500 نانومتر. 1.4-2 نانومتر به عنوان FWHM: عرض کامل-نیمه حداکثر) با قرار دادن پروب ASD به صورت عمود در فاصله حدود 0.25 متری از سطح قلوه سنگ های مختلف به دست آمد. بصری شناخته شده است. 25 درجه FOV ارائه شده توسط لوازم جانبی نوری به ما امکان می دهد تا بازتاب را از یک سطح دایره ای با شعاع حدود 11 سانتی متر ضبط کنیم. این امضاهای فراطیفی در رویکرد SMA اتخاذ شده برای مقابله بهتر با ناهمگونی طیفی و فضایی آوارهای شهری استفاده شد.
  • دو علامت فراطیفی از پوشش معمولی بدون رنگ (خاکستری، شبیه بتن) حاوی آزبست، در سطوح مختلف پیری، که شامل استعمار توسط میکرو فلور معمولی سقف‌ها است که علاوه بر این از ادبیات معرفی شده است [ 42 ]، که به طور قابل توجهی نماینده آن مواد خطرناکی است که احتمالاً در قلوه سنگ های لرزه ای؛
  • مدل زمین دیجیتال 1 متری پیکسل (DTM) برگرفته از داده‌های LiDAR به‌دست‌آمده در طول پرواز 2016 و عکس‌های ارتوفتو RGB (0.15 متر وضوح فضایی زمین، پرواز 2016) برای تصحیح هندسی هندسی تصاویر ماهواره‌ای.

3.2. پردازش داده ها

کل روش با توجه به طرح کلی که در شکل 2 نشان داده شده و در پاراگراف های زیر توضیح داده شده است، توسعه یافته است. سمت چپ شکل 2 (جعبه چین دار)، در رابطه با روش های بازیابی مرزهای انبوه آوار و حجم های نسبی، در واقع هدف کار قبلی بود [ 1 ]. از این رو، توصیف آن تنها در ضمیمه A گزارش شده است ، که هدف آن افزودن اطلاعات مهم در مورد اجزای اصلی (سطحی) تپه های قلوه سنگ به این اطلاعات هندسی است.

3.2.1. تعیین حجم هیپ

مرزهای تپه‌های قلوه سنگ اساساً توسط نقشه‌برداری EMS کوپرنیک ارائه شد، که با تفسیر بصری یک تفسیر عکس ارتوفتوس RGB 15 سانتی‌متری، بیشتر بهبود یافت (طبق هدف ما). برای تخمین حجم، مدل دیجیتال ارتفاع زمین (DTM) و مدل سطح دیجیتال (DSM)، تولید شده از بررسی‌های LiDAR، مورد بهره‌برداری قرار گرفتند: به ویژه DTM قبل از رویداد (DTMpre) و DTM و DSM پس از رویداد (DTMpost و DSMpost) در نظر گرفته شدند.
به هر چند ضلعی (یعنی مرز پشته) مقدار ارتفاع پایه ساختمان به صورت دستی اختصاص داده شد و آن را از DTMpost در متناظر با یک نقطه قابل مشاهده (به عنوان مثال، بخشی از خیابان های اطراف عاری از قلوه سنگ)، که نزدیک به آوار در نظر گرفته شده است، استخراج کرد. حجم یک تپه قلوه سنگ به عنوان فضای جامد (فضای سه بعدی) شامل بین سطح زیرین که توسط فونداسیون ساختمان در ارتفاع ثابت و سطح ناهموار بالایی که توسط مقادیر DSMpost در خود منطقه چند ضلعی نشان داده شده است، برآورد شد. به عبارت دیگر، حجم از طریق تفاوت بین مقادیر DSMpost و DTMpost (ارتفاع ثابت) در منطقه مشخص شده توسط محیط هیپ ارزیابی می شود. یک رویکرد جایگزین، انجام تخصیص مقادیر ارتفاعی پایه قلوه سنگ را به صورت خودکار امکان پذیر کرده است. مقادیر پایه به طور خودکار توسط DTMpre قبل از رویداد استخراج می شوند که می تواند به عنوان سطح پایین در نظر گرفته شود. بنابراین، محاسبه حجم مستقیماً با تفاوت ارتفاع بین DSMpost پس از رویداد و پیش رویداد (DTMpre بر روی محیط آوار) به دست می‌آید. برای اطلاعات بیشتر در مورد محاسبه حجم توده کاپوچی و همکاران. [1 ]، به پیوست A مراجعه کنید .
3.2.2. جمع آوری و پیش پردازش داده ها در محل
امضاهای فراطیفی مواد قلوه سنگ در طی یک بررسی میدانی که در 6 و 7 دسامبر 2016 انجام شد، جمع‌آوری شد. تا 150 امضای فراطیفی (هر کدام از حدود 2300 نوار باریک طیفی تشکیل شده است) به دست آمد. اکثر آنها به پنج مصالح ساختمانی اصلی (آوارهای قلوه سنگ، بتن، کاشی، آجر، سنگ های طبیعی) و بقیه به مواد ثانویه / جانبی (یعنی ناودان روی / مس، غلاف قیر) اشاره کردند. شایان ذکر است که امضاهای طیفی پنج مصالح ساختمانی اصلی به طور قابل‌توجهی در میان شمع‌ها/مکان‌های شهری مختلف متفاوت است. در نتیجه، پس از پیش پردازش معمول (الحاق در باندهای جذب بخار آب، فیلتر کردن و عادی سازی در صورت بروز خطاهای کالیبراسیون)، برای هر یک از پنج مصالح ساختمانی اصلی، چهار امضای میانگین متفاوت کار شده و در کتابخانه طیفی ذخیره شدند. بنابراین، کتابخانه طیفی حاصل از اندازه‌گیری‌های درجا شامل هشت کلاس کلان (پنج مصالح ساختمانی اصلی ذکر شده به اضافه سه ماده جانبی) بود که با بیست و سه امضای متوسط ​​مشخص می‌شد، با بیست (5×4) مربوط به پنج مورد اصلی. اجزای ساختمان و سه به مصالح جانبی).
علاوه بر این، دو علامت فراطیفی از مصالح ساختمانی آزبست با سن متفاوت و مستعمره (توسط گونه‌های گیاهی) از ادبیات بازیابی و در کتابخانه گنجانده شد تا امکان تشخیص این ماده خطرناک از طریق داده‌های ماهواره‌ای آزمایش شود [ 42 ]. بنابراین، در پایان 25 امضای فراطیفی توزیع شده در 9 کلاس کلان (با در نظر گرفتن یک کلاس کلان آزبست که به دو مرحله مختلف پیری تقسیم شده است) در نهایت در دسترس بودند.

برای سازگار کردن این امضاهای فراطیفی با پیکربندی طیفی حسگر WV3، آنها با استفاده از توابع فیلترهای طیفی باند مربوطه نمونه‌برداری شدند. سنسورهای ماهواره‌ای از فیلترهای باند گذر الکترونیکی برای دستیابی به پاسخ‌های باند طیفی مختلف از سیگنال ضبط شده با طیف گسترده استفاده می‌کنند. توابع فیلتر بیان تحلیلی آنها که به صورت f ij نشان داده شده است ( i ، j به ترتیب نشان دهنده طول موج و باند) و محدوده بین 0 و 1 هستند، می توانند برای استخراج امضاهای چند طیفی از ابرطیفی با انحراف آنها به صورت زیر استفاده شوند:

بj=∑راfمنj آرمن ∑راfمنj

که در آن b j مخفف پاسخ چند طیفی در باند j است، f ij تابع فیلتر باند j سنسور ماهواره (در دسترس از ارائه دهنده داده) و R i داده بازتاب ابرطیفی است. در این زمینه، این مرحله نمونه‌برداری مجدد برای سازگار کردن امضاهای ابرطیفی درجا با امضاهای چند طیفی قابل استخراج از داده‌های WV3 الزامی است.

3.2.3. داده های ماهواره ای
اکتساب و پیش پردازش (اصلاحات هندسی، رادیومتری و جوی) داده های سنجش از راه دور و کمکی ماهواره VHR.
پیش پردازش هندسی و تصحیح قاب‌های WV3 با استفاده از DEM مناسب و ضرایب چند جمله‌ای منطقی (RPC) ارائه‌شده با فایل‌های WV3 با پشتیبانی از نقشه‌نگاری دقیق در طرح‌بندی WGS 84 / UTM ناحیه 33N [ 43 ] انجام شد.
به طور کلی، تصاویر ماهواره ای بسته به کدورت اتمسفر، تحت تأثیر پراکندگی امواج نور و تضعیف مولکول های هوا، مه، بخار آب و ذرات است. این عوامل نویز ممکن است در هر صحنه مشخصی وجود داشته باشند و معمولاً به طور یکنواخت توزیع نمی شوند. با توجه به ضخامت اتمسفر عبوری توسط سیگنال های ماهواره ای که از سطح زمین می آیند، اثرات تخریبی معرفی شده ممکن است در بسیاری موارد مرتبط باشد، حتی در برخی موارد باعث می شود تصاویر سنجش از راه دور غیرقابل استفاده باشند. در مورد ما، با هدف بهره‌برداری از بازتاب ابرطیفی میدان مصالح ساختمانی خاص، حذف اثرات جوی از تصاویر ماهواره‌ای به منظور بازیابی بازتاب مربوطه در سطح زمین ضروری است. برای این منظور از کد FLAASH (تحلیل سریع اتمسفر خط دید ابرمکعب ها) استفاده کردیم.® نرم افزار تجزیه و تحلیل تصویر، که امکان بازیابی خودکار ضخامت نوری آئروسل را در فریم های پردازش شده با استفاده از الگوریتم های به خوبی تثبیت شده فراهم می کند [ 44 ، 45 ]. شایان ذکر است که از بین دو گزینه ای که ما آزمایش کردیم – ابتدا تصحیح اتمسفری تصاویر WV3 و سپس انجام پانشارپنینگ در مقابل انجام اول تشرپنینگ و سپس تصحیح اتمسفر – دومی هنگام بررسی بصری نتایج بهتری را ارائه داد.
علاوه بر این، به منظور بهبود دقت هندسی نتایج نهایی، داده‌های پانکروماتیک ارائه شده توسط حسگر WV3 در 0.33 متر برگرم با استفاده از روش pansharpening گرم-اشمیت مورد بهره‌برداری قرار گرفت. این انتخاب نشان دهنده مصالحه ای برای حفظ اطلاعات طیفی و فضایی، به طوری که دقت هندسی نتایج نهایی را بهبود بخشد [ 46 ]. اگرچه عملکرد آن برای ویژگی های طیفی در بالا نیست، اما بر اساس تفسیر بصری اولیه نتایج به دست آمده با استفاده از داده های جوی تصحیح شده انتخاب شد [ 47 ]]. علاوه بر این، با توجه به اینکه علاقه ما به بهبود وضوح فضایی بود و اینکه ارزیابی کیفی تصاویر pansharpened هنوز یک موضوع باز است، انتخاب همچنین با استفاده آسان و اجرای قوی الگوریتم در پراکنده ترین بسته ها برای سنجش از دور ماهواره ای تعیین شد. پردازش داده ها [ 46 ، 47 ].
به طور کلی، پیش‌پردازش اتمسفری داده‌های ماهواره‌ای برای بهبود نتایج طبقه‌بندی بعدی (بر اساس رویکرد برچسب‌گذاری طبقه‌ای) یا رگرسیون (بر اساس مدل‌سازی متغیرهای پیوسته) انجام می‌شود. تعداد کمی از نویسندگان با ارزیابی مناسب بودن توالی در انجام این دو مرحله پیش پردازش (تبدیل پذیری) برای این دو نیاز متفاوت سروکار داشته اند [ 48 ]. با این حال، در توافق با رویکرد اتخاذ شده در اینجا، گزارش شد که انجام تصحیح اتمسفر پس از تیز کردن، نتایج بهتری را در رویکردهای مدل‌سازی پیوسته ارائه می‌دهد [ 49 ].
3.2.4. SMA-SMACC

داده های ارائه شده توسط تصویر مصنوعی چندطیفی فوق به عنوان ورودی به روش SMA استفاده شد. در واقع، ماهیت ترکیبی اطلاعات طیفی سنجش از دور اغلب شناسایی دقیق و نقشه برداری از اجزای هدف سطح زمین را مختل می کند. SMA یک تکنیک به خوبی تثبیت شده و موثر برای رسیدگی به این مشکل مخلوط طیفی است. SMA طیف ترکیبی پیکسل را به عنوان یک ترکیب خطی یا غیرخطی از اجزای طیفی تشکیل دهنده آن (یا اعضای انتهایی طیفی) که با پوشش کسری زیرپیکسل آنها وزن شده است، مدل می کند. با وارونگی مدل SMA کسرهای عضو انتهایی زیرپیکسل [ 50]. مدل‌های SMA را می‌توان به مدل‌های خطی و غیرخطی طبقه‌بندی کرد، بسته به روشی که آنها پیچیدگی پراکندگی نور را در تجزیه و تحلیل مخلوط طیفی مدل‌سازی می‌کنند. در این مقاله، مخلوط‌های طیفی خطی را در نظر می‌گیریم که در صورت عدم وجود برهمکنش بین پاسخ‌های مؤلفه مؤثرتر در نظر گرفته می‌شود و ممکن است به صورت زیر بیان شود:

Y(من،ک)=∑j=1nfj (من) ایکسj(من،ک)+v(من،ک)

جایی که:

  • Y ( i,k ) = پاسخ طیفی پیکسل i در k باند طیفی.
  • X j ( i,k ) = پاسخ طیفی پیکسل من j امین عضو انتهایی در k باند طیفی.
  • f j ( i ) = فراوانی کسری پیکسل j امین عضو.
  • v ( i,k ) = نویز باقیمانده پیکسل در باند k ;
با ∑jnfj(من)=1به عنوان محدودیت اساسی برای مشارکت بازتاب پیکسل کسری.
در معادله (2)، Xj ( i ,k ) امضای طیفی عضو انتهایی j را نشان می‌دهد ، Y ( i,k ) پاسخ بازتاب پیکسلی است که از طریق الگوریتم SMACC با اعمال متوالی حداکثر محدودیت مخروط محدب یافت می‌شود. این الگوریتم همچنین فراوانی کسری مرتبط fj ( i ) را با به حداقل رساندن عبارت باقی‌مانده v ( i,k ) ارزیابی می‌کند. در مورد تعداد ثابت پیشینی اعضای پایانی، معمولاً ∑j=1nf(من)j<1محدودیت برای بهبود اثربخشی الگوریتم ها با معرفی یک عضو انتهایی در نظر گرفته شده است. این دومی شامل باقیمانده سهم بازتابی در وحدت است که به عنوان مثال از شرایط مختلف روشنایی ممکن قسمت‌های عضو انتهایی در پیکسل ناشی می‌شود. با فرض اینکه عضو انتهایی سایه به طور متناسب شامل تمام قسمت‌های کمتر روشن‌شده سایر قسمت‌های دیگر باشد که از طریق SMA تخمین زده می‌شود، نرمال‌سازی پیشگیرانه آنها در سطح پیکسل مورد نیاز است، با استفاده از مجموع آنها به عنوان ضریب نرمال‌سازی.
برای بازیابی اعضای انتهایی، الگوریتم SMACC نقاط انتهایی در مرزهای توزیع چندبعدی امضاهای طیفی پیکسل‌ها را انتخاب می‌کند و یک مخروط محدب ایجاد می‌کند که توسط بردارهای طیفی پیکسل افراطی مرتبط (امضای طیفی عضو انتهایی) مشخص شده است، که به عنوان اعضای انتهایی طیفی قرار گرفته و استفاده می‌شوند. الگوریتم با یک عضو انتهایی منفرد با حداکثر albedo شروع می‌شود و به تدریج تعداد آنها را با استفاده از طرح ریزی مورب افزایش می‌دهد که زاویه بین مجموعه قبلی بردارهای انتهایی پیکسل را به حداکثر می‌رساند تا عضو انتهایی بعدی را پیدا کند. مخروط با احاطه کردن اعضای انتهایی جدید رشد می‌کند، و این روند تکراری تکرار می‌شود تا زمانی که عضو انتهایی پیدا شود که از قبل در داخل مخروط محدب قرار دارد، یا تا زمانی که به حداکثر تعداد اعضای انتهایی تعریف‌شده توسط کاربر برسد. مخروط محدب تشکیل شده توسط بردارهای افراطی یا اعضای انتهایی شامل بردارهای داده باقیمانده است که می توانند با ترکیب خطی اعضای انتهایی با ضرایب مثبت که به عنوان فراوانی اعضای انتهایی مشخص می شوند، مدل شوند. شایان ذکر است که تعداد اعضای انتهایی می تواند به طور ایده آل از کانال های طیفی استفاده شده سنسور بیشتر شود. این یک ویژگی بسیار مفید است به خصوص زمانی که با داده های چند طیفی با تعداد محدودی باند بازتاب سروکار داریم. با این حال، تعداد آنها باید در یک سطح مشابه حفظ شود، حتی زمانی که یک پایه محدود اعضای انتهایی ممکن است تقریبی درشت از بسیاری از مواد و تغییرات طیفی آنها را که در قلوه سنگ‌های لرزه‌ای یافت می‌شود، نشان دهد/تضمین کند، تا اطمینان حاصل شود که شرایط مناسب و خطی مدل مستقل به دست می آید. در حقیقت، استخراج اعضای انتهایی از داده های ابر/چند طیفی با در نظر گرفتن واریانس بازتاب طیفی درون کلاس و مشارکت نویز از عوامل مختلف (حسگر، جو، روشنایی) به امضاهای عضو انتهایی، یک کار چالش برانگیز است. گاهی اوقات ممکن است یک عضو نهایی ترکیبی از مواد را مشخص کند که دارای امضاهای طیفی بسیار مشابه هستند به جای اینکه یک ماده واحد را نشان دهند. اعضای انتهایی بیشتری نسبت به کاورهای خالص اغلب در تصاویر سنجش از راه دور بازیابی می‌شوند و اغلب برخی از آنها که برای توصیف صحنه اهمیت کمتری دارند، می‌توانند در قسمت انتهایی سایه معرفی‌شده در بالا ترکیب شوند. گاهی اوقات ممکن است یک عضو نهایی ترکیبی از مواد را مشخص کند که دارای امضاهای طیفی بسیار مشابه هستند به جای اینکه یک ماده واحد را نشان دهند. اعضای انتهایی بیشتری نسبت به کاورهای خالص اغلب در تصاویر سنجش از راه دور بازیابی می‌شوند و اغلب برخی از آنها که برای توصیف صحنه اهمیت کمتری دارند، می‌توانند در قسمت انتهایی سایه معرفی‌شده در بالا ترکیب شوند. گاهی اوقات ممکن است یک عضو نهایی ترکیبی از مواد را مشخص کند که دارای امضاهای طیفی بسیار مشابه هستند به جای اینکه یک ماده واحد را نشان دهند. اعضای انتهایی بیشتری نسبت به کاورهای خالص اغلب در تصاویر سنجش از راه دور بازیابی می‌شوند و اغلب برخی از آنها که برای توصیف صحنه اهمیت کمتری دارند، می‌توانند در قسمت انتهایی سایه معرفی‌شده در بالا ترکیب شوند.
SMA از طریق SMACC بر روی داده های چند لایه 8 باند در 0.3 متر انجام شد. از agr، به دست آمده از WV3 pansharpening و فرآیندهای تصحیح اتمسفر، با در نظر گرفتن تنها پیکسل های متعلق به انبوه قلوه سنگ های شناسایی شده. منطقه بررسی شده از طریق SMA با پیکسل های متعلق به انبوه آوارهای شناسایی شده مطابقت دارد که با حذف آن پیکسل هایی که پوشش گیاهی آنها بیش از حد مرتبط بود (به عنوان مثال، قلوه سنگ های پخش شده بر روی لکه های پوشیده از درختان) کاهش بیشتری یافت. این تنها با انتخاب پیکسل هایی به دست آمد که مقادیر شاخص گیاهی تفاوت نرمال شده (NDVI) زیر یک آستانه مناسب بود.
با در نظر گرفتن تعداد باندهای موجود و تعداد موادی که باید متمایز شوند، تعداد اعضای انتهایی که باید توسط SMA کار شود بر روی 10 (به علاوه سایه) ثابت شد، با توجه به اینکه ممکن است مقدار کمی اضافی با روش بدون تحمل شود. استحکام آن را بیش از حد به خطر می اندازد. علاوه بر این، الگوریتم‌های SMA درصد این اعضای انتهایی را برای هر پیکسل در سطح پشته ارائه کردند.
3.2.5. فراگیری ماشین
سپس ما یک طرح طبقه‌بندی نظارت‌شده را بر اساس الگوریتم‌های مختلف یادگیری ماشین، با استفاده از ۲۵ امضای طیفی نمونه‌برداری‌شده مجدد از مواد موجود در کتابخانه (طیفی) به‌عنوان یک مجموعه آموزشی اتخاذ کردیم تا این امضاهای طیفی را به اعضای انتهایی بازیابی شده توسط SMACC پیوند دهیم. شایان ذکر است که ارتباط اعضای انتهایی بازیابی شده با امضای مواد قلوه سنگ به دست آمده در میدان، به دلیل عوامل نویز ذکر شده در بالا که بر تکنیک‌های سنجش از دور تأثیر می‌گذارند و تنوع طیفی ذاتی داده‌های میدانی، که در واقع با چندین مشخصه مشخص می‌شود، بسیار پیچیده بود. امضا برای همان مصالح ساختمانی شش الگوریتم یادگیری ماشین معمولی برای طبقه‌بندی نظارت شده اعضای نهایی انتخاب شدند. با در نظر گرفتن قابلیت ها و عملکرد متفاوت آنها در موقعیت های مختلف نویز، نمونه های کلاس محدود و حضور پرت در داده های ورودی. الگوریتم‌های انتخاب شده عبارتند از: C4.5 (درخت تصمیم)، C-SVC (ماشین بردار پشتیبان هسته – کلاس گسسته، ورودی پیوسته)، BVM (ماشین بردار توپ)، KNN (K-نزدیک‌ترین همسایه)، RF (جنگل تصادفی)، ANN (شبکه عصبی مصنوعی). اگرچه دومی در ابتدا نتایج بسیار ضعیفی ارائه کرد، بنابراین دیگر در زنجیره پردازش در نظر گرفته نشد.
C4.5 پیاده‌سازی مدل‌های طبقه‌بندی آسان برای تفسیر را با تقسیم سلسله مراتبی مجموعه داده‌های آموزشی ممکن می‌سازد. این الگوریتم بهترین زیرمجموعه از ویژگی ها را بر اساس معیار آنتروپی انتخاب می کند و کلاس ها را در یک ساختار مبتنی بر قانون درخت تصمیم سازماندهی می کند. هر گره درخت به شکافی در فضای ویژگی مربوط می شود که همیشه با محورهایش متعامد است [ 50 ، 51 ، 52 ]. C-SVC، که بیشتر در زمینه طبقه‌بندی هر پیکسل استفاده می‌شود، یک تکنیک یادگیری آماری نظارت شده ناپارامتریک با استحکام در برابر نقاط پرت و قطار محدود است. می تواند یک ابر صفحه را در فضای ویژگی تخمین بزند که طبقه بندی اشتباه را به حداقل می رساند [ 41 , 52]. BVM یک بهبود الگوریتم استاندارد SVM است که تکنیک‌هایی از هندسه محاسباتی مبتنی بر ابر کره‌ها را برای دستیابی به یک راه‌حل نزدیک به بهینه به طور موثر ترکیب می‌کند [ 53 ]. الگوریتم K-نزدیکترین همسایه (KNN) روشی برای طبقه‌بندی اشیا بر اساس نزدیک‌ترین مثال‌های آموزشی در یک فضای ویژگی n بعدی است. با توجه به یک الگوی مشخصه ناشناخته، طبقه‌بندی کننده فضای الگو را برای k تاپل‌های آموزشی که نزدیک‌ترین آنها به مجهول هستند جستجو می‌کند [ 53]. الگوریتم‌های ناپارامتری ANN مبتنی بر مفاهیم شبکه عصبی هستند و بدون فرضیات در مورد توزیع داده‌های ورودی و استقلال کار می‌کنند. آنها از مجموعه داده های آموزشی یاد می گیرند و روابط (شبکه ها) بین ورودی (ویژگی ها) و گره های خروجی (کلاس ها) را از طریق مدولاسیون وزن لایه اتصال نورون های پنهان ایجاد می کنند. در زمینه ما، یک مسئله حیاتی برای اثربخشی ANN ممکن است میزان وقوع آموزش باشد [ 41 ]. طبقه‌بندی‌کننده جنگل تصادفی شامل گروهی از درخت‌های تصمیم است که با زیر مجموعه‌های مختلف داده‌های آموزشی القا شده‌اند. هر درخت جنگل به کلاسی که یک واحد تحلیل معین (در این مورد، یک بخش معین) باید به آن مرتبط شود، رای می دهد. کلاسی که بیشترین آرا را دارد، کلاسی است که با بخش [ 41 ، 54 ] مرتبط است].
این الگوریتم‌های یادگیری ماشین به‌عنوان طبقه‌بندی‌کننده اعضای نهایی با هدف ارزیابی توانایی آن‌ها برای تمایز هرچه بیشتر بین ۲۵ ماده موجود در کتابخانه از جمله آزبست آزمایش شدند. انتخاب بر اساس به حداقل رساندن میزان خطا در تشخیص کلاس های مجموعه آموزشی همراه با تخصیص حداکثر تعداد مواد اصلی به اعضای نهایی انجام شد.
3.2.6. ارزیابی دقت
ارزیابی دقت نقشه‌های موضوعی به‌دست‌آمده از طرح طبقه‌بندی سخت معمول، یک مرحله اجباری است که با استفاده از نمونه‌های انتخابی تصادفی انجام می‌شود، جایی که انتساب کلاس طبقه‌بندی ارائه‌شده توسط الگوریتم طبقه‌بندی‌کننده از طریق مشاهدات مستقل تأیید می‌شود. با این حال، این رویکرد مستقیماً برای نتایج تجزیه و تحلیل SMACC SMA، که توزیع پیوسته فراوانی اعضای انتهایی را در هر پیکسل ارائه می‌کند، قابل اجرا نبود. بنابراین، یک رویکرد اصلی که همچنین به ما امکان می‌دهد دقت توزیع‌های فراوانی اعضای انتهایی مشتق از SMA را ارزیابی کنیم، اجرا شد. برای این منظور، تنها پیکسل‌هایی انتخاب شدند که یکی از اعضای انتهایی آن‌ها بر سایرین غالب است و فراوانی آن برتر از یک آستانه از پیش تعریف‌شده است تا از نظر طیفی شبه خالص در نظر گرفته شوند. برای این منظور، توزیع کلاس عضو انتهایی غالب پیکسل (PED) با حداکثر توزیع فراوانی (PMA) به دست آمد، که به نوبه خود از توزیع اعضای انتهایی با استفاده از آستانه‌های مختلف برای حذف پیکسل‌های با مقادیر PMA پایین‌تر به دست آمد. این به ما امکان داد تا توزیع‌های پیوسته فراوانی اعضای انتهایی چندلایه را به توزیع طبقه‌ای از کلاس‌های عضو انتهایی غالب (PED) تبدیل کنیم که یک طرح ارزیابی دقت کلاسیک برای آن اعمال شد.
بنابراین، دقت PED به‌دست‌آمده از نتایج SMACC SMA، با استفاده از داده‌های WV3 0.3 متری پان تیز شده، با استفاده از رویکرد تفسیر نوری از نمونه‌های نقطه تصادفی گزارش‌شده بر روی عکس‌های هوایی RGB (0.25 متر در گرما)، مورد آزمایش قرار گرفت. با تجزیه و تحلیل خوشه بندی اولیه بدون نظارت. برای تسهیل رویکرد تفسیر عکس، پنج کلاس کلان از مواد اصلی قلوه سنگ ( جدول 1 ) به سه دسته قابل تشخیص بصری دیگر گروه بندی شدند:
  • 1-آوار – بتن (که با سایه های خاکستری روشن مشخص می شود).
  • 2- کاشی آجر (که با سایه های مایل به قرمز مشخص می شود).
  • 3- سنگ طبیعی (که با سایه های خاکستری تیره مشخص می شود).
بر این اساس، PED بر روی سه گروه قبلی (دسته‌ها) از طریق خروجی طبقه‌بندی به‌دست‌آمده توسط الگوریتم یادگیری ماشین برای تولید یک نقشه موضوعی سه کلاسه از اعضای نهایی غالب، کدگذاری شد. سپس، دقت این اولی با استفاده از یک نمونه نقطه‌ای به‌طور تصادفی انتخاب شد که کلاس‌های آن به‌طور مستقل با استفاده از تفسیر نوری بر روی عکس‌های هوایی RGB مربوطه به دست آمدند. با این حال، شایان ذکر است که بدون در نظر گرفتن چند پیکسل مورد سوء استفاده برای استخراج اعضای انتهایی SMACC (از نظر آماری برای ارزیابی دقت مؤثر کافی نیست)، اکثر پیکسل‌های روبل ترکیبی از سه دسته‌ای هستند که قبلاً معرفی شده‌اند. در سطح پیکسل، اعضای انتهایی غالب (حداکثر فراوانی) با فراوانی های مختلف کمتر از 1 مشخص می شوند.
به طور کلی، مقادیر حداکثر فراوانی عضو انتهایی دو کلاس دیگر کمتر بود و این کلاس‌ها در تعداد کمی از پیکسل‌ها رایج بودند. البته، فراوانی دسته خاص در پیکسل بیشتر است و تفسیر عکس و در نتیجه برچسب گذاری موثرتر است. بنابراین، مقادیر آستانه فراوانی فزاینده در حال افزایش به منظور ارائه تعداد کافی آماری از نمونه‌ها برای هر سه کلاس معرفی شده در بالا اتخاذ شد.
بر این اساس، سه ماتریس سردرگمی مرتبط، یکی برای هر آستانه فراوانی انتخاب شده، محاسبه شد، که دقت‌های کلی مختلف و پارامترهای آماره k را نشان می‌دهد. سپس با استفاده از طبقه‌بندی اعضای انتهایی به 25 کلاس کتابخانه ارائه شده توسط طبقه‌بندی‌کننده‌های یادگیری ماشین، توزیع درصدی این کلاس‌ها محاسبه شد.
3.2.7. پردازش GIS
در نهایت، توصیف قلوه سنگ ها در منطقه آزمایش از طریق پردازش منطقه ای GIS پوشش چند ضلعی پشته ها به دست آمد. به طور خاص، برای هر پشته، مقادیر میانگین فراوانی کسری از سه جزء اصلی ارزیابی شد. البته با ضرب هر مقدار متوسط ​​در تعداد پیکسل‌های پشته‌ها، درصد سطح فراوانی مواد مربوطه (سطح) در سطح پشته محاسبه می‌شود.

4. نتایج

هشت جزء اصلی (کلان طبقه) قلوه سنگ شهری در میدان در طی بررسی دو روزه شناسایی شدند که طی آن 150 امضای فراطیفی (حدود 2300 نوار باریک برای هر امضای طیفی) به دست آمد. در جدول 1 ، 9 کلاس کلان مرتبط، از جمله کلاس کلان آزبست، که امضاهای طیفی آن از ادبیات مشتق شده است، گزارش شده است.
اکثر این داده‌های میدانی به مواد قلوه سنگ‌های فراوان‌تر مربوط می‌شوند، که مربوط به پنج کلاس کلان اول است، که نشانه‌های طیفی آن‌ها به طور قابل‌توجهی در میان توده‌ها و مکان‌های شهری مختلف متفاوت است. بنابراین، پس از تجزیه و تحلیل اولیه و به منظور حفظ تنوع طیفی این پنج ماده، چهار امضای میانگین متفاوت برای هر یک از آنها ثبت شد.
در شکل 3 ، چهار نمودار نشان می‌دهند: امضاهای فراطیفی درجا که روی بتن (نمودار بالا سمت چپ) و آجر (نمودار بالا سمت راست) پس از اولین مرحله پیش پردازش اما قبل از صاف کردن با فیلتر کردن به دست می‌آیند. امضاهای طیفی فیلتر شده مربوط به دسته بتن (گراف سمت چپ پایین) و نمودار آجری پایین سمت راست). تصویر پایین شکل 3 نمونه هایی از هشت نوع مواد قلوه سنگ را نشان می دهد.
نمودار در قسمت بالای شکل 4 نشانه های چند طیفی را نشان می دهد که با استفاده از عملکرد فیلتر حسگر WV3 نمونه برداری مجدد شده اند (امضای آزبست برای وضوح حذف شده اند). امضاهای چند طیفی 10 عضو انتهایی، استخراج شده از طریق SMACC از داده های WV3 توده های آوار، در نمودار پایینی شکل 4 گزارش شده است.
از تصاویر از پیش پردازش شده WV3 pansharpened تعداد کمی (10) از امضاهای مواد خالص، به عنوان مثال، اعضای انتهایی، از طریق الگوریتم SMACC به دست آمد تا به عنوان مرجع برای کلاس های مواد اصلی قلوه سنگ شهری، با تطبیق آنها با چند طیفی نمونه برداری مجدد استفاده شود. امضای مواد درجا با استفاده از طبقه‌بندی‌کننده‌های یادگیری ماشین. بنابراین الگوریتم SMACC توزیع چند لایه ای از ده عضو انتهایی به اضافه سایه ارائه می کند که آمار اولیه آن در جدول 2 نشان داده شده است.
همانطور که در جدول 2 گزارش شده است، پنج عضو پایانی اول به جز end3 ، به علاوه سایه، به طور متوسط ​​فراوان ترین هستند . به طور خاص، سایه مقادیر فراوانی بالایی را در تعداد پیکسل های مربوطه نشان می دهد، همانطور که در شکل 5 نشان داده شده است ، جایی که توزیع فراوانی سایه و پنج عضو انتهایی اول نشان داده شده است.
پس از نمونه‌گیری مجدد طیفی، هر یک از 25 امضای نمونه‌برداری‌شده، مربوط به یکی از 9 کلاس کلان اصلی مواد قلوه سنگ شهری شناسایی‌شده در میدان، با EMهای مشتق‌شده از داده‌های pansharpened WV3 با استفاده از چندین الگوریتم یادگیری ماشین مطابقت داده شد (طبقه‌بندی شد). . نتایج مرتبط در جدول 3 گزارش شده است. لطفاً توجه داشته باشید که پسوند x، x = 1 تا 4، در پنج برچسب کلاس اول و x = 1 تا 2 در برچسب‌های آزبست، به چهار امضای متوسط ​​ذخیره شده در کتابخانه برای هر یک از پنج ماده اصلی قلوه سنگ اشاره دارد و به دو امضای موجود برای آزبست، به ترتیب. در 25 ردیف اول جدول 3کلاس های قطار مربوط به 25 امضای طیفی ذخیره شده در کتابخانه (ستون “آموزش”) و برچسب های کلاس مربوطه اختصاص داده شده توسط طبقه بندی کننده های بهره برداری شده (ستون 3 تا 7) به ترتیب گزارش می شوند.
علاوه بر این، در ردیف اول جدول 3 ، در زیر هر برچسب طبقه‌بندی کننده، نرخ خطای مربوطه (تعداد نمونه‌های طبقه‌بندی شده اشتباه/تعداد کل نمونه) به‌دست‌آمده گزارش شده است که نشان‌دهنده C-SVC و RF به عنوان بهترین الگوریتم‌ها (حداقل میزان خطا) هستند. توجه داشته باشید که تناسب 100٪ RF در برابر مجموعه آموزشی به طور پیشینی توسط تعریف تضمین شده است). در ردیف باقی مانده، طبقه بندی ده عضو انتهایی (end1÷end10)، با استفاده از هر طبقه بندی، نشان داده شده است.
از آنجایی که الگوریتم C-SVC در برابر یک مجموعه آموزشی ضعیف شناخته شده است و قادر است یک طبقه اصلی (یعنی سنگ طبیعی) را بیشتر از RF تشخیص دهد، این نتایج طبقه بندی برای ارزیابی توزیع مواد اصلی انتخاب شدند. . در عوض، نتایج RF برای تشخیص وجود آزبست مورد استفاده قرار گرفت. با شروع از چند لایه فراوانی اعضای انتهایی، توزیع اعضای انتهایی غالب (PED)، برای سه دسته اصلی گروه بندی شده تعریف شده برای ارزیابی دقت، از طریق حداکثر فراوانی پیکسل (PMA) با استفاده از آستانه های مناسب به دست آمد.
همانطور که در شکل 6 نشان داده شده است ، فراوانی اولین کلاس ماکرو (آوارهای بتنی) در تعداد زیادی پیکسل رایج است ( شکل 6 b—PED را ببینید) و بالاترین مقادیر را نشان می دهد (همانطور که در شکل 6 a—PMA نشان داده شده است. ، در حالی که دو کلاس کلان دیگر از نظر ارزش کمتر و در تعداد کمی از پیکسل ها رایج هستند.
با در نظر گرفتن نتایج ذکر شده در بالا، توزیع های طبقه بندی PED مربوط به حداقل آستانه های مختلف PMA (0.25، 0.35 و 0.45)، انتخاب شده بر اساس هیستوگرام PMA ( شکل 7 )، برای استفاده برای ارزیابی دقت محاسبه شد. به این ترتیب سه بخش سمت راست توزیع هیستوگرام ( شکل 7 ) برای تولید نقشه هایی که دقت آنها ارزیابی شد، انتخاب شدند.
در شکل 8 توزیع PED مجدد کدگذاری شده با استفاده از آستانه 0.25 PMA نمایش داده شده است.
سپس ارزیابی دقت با مقایسه کلاس‌های PED در نقاطی که به‌طور تصادفی انتخاب شده‌اند با کلاس‌هایی که به‌طور مستقل (برای همان نقاط) به‌وسیله تفسیر نوری مشتق شده‌اند، انجام شد. نتایج ارزیابی دقت به‌دست‌آمده با استفاده از سه آستانه برای PMA، در ماتریس‌های سردرگمی زیر با پارامترهای دقت مرتبط گزارش شده‌اند ( جدول 4 ، جدول 5 و جدول 6 ).
نمونه تصادفی حدود 1-2٪ از کل جامعه بود، که در زمان استفاده از آستانه 0.25 در حداکثر آن قرار داشت و با افزایش آستانه به طور معقولی کاهش می یافت ( شکل 6 ). با این حال، باید تاکید کرد که تعداد نمونه‌هایی که به طور موثر برای آستانه PMA 0.25 مورد بهره‌برداری قرار گرفته‌اند، کمتر از نمونه‌های مربوط به 0.35 است، زیرا نمونه‌های آلوده به پوشش گیاهی در نظر گرفته نشده‌اند.
با توجه به نتایج طبقه بندی RF، اعضای انتهایی n. 5 (پراکسی توزیع آزبست) کار شده و در شکل 9 گزارش شده است. رنگ های مختلف نشان دهنده فراوانی نسبی آزبست در تپه های قلوه سنگ است.
باید تاکید کرد که احتمالاً به دلیل طبقه‌بندی اشتباه کاشی‌های قرمز تیره قدیمی که به اشتباه به آزبست فرسوده اختصاص داده شده‌اند، که همچنین به دلیل استعمار منتشر سقف‌های محلی توسط میکرو فلور ایجاد می‌شود، توزیع آزبست در ابتدا بالاترین غلظت‌های غیرمحتمل (فراوانی > 0.3) را نشان داد. به سقف های کاشی دست نخورده (تپه های آوار شماره 23-26، 27-29). بنابراین، پس از تجزیه و تحلیل بصری، حداکثر مقدار پذیرفته شده 0.25 برای جلوگیری از این تخمین بیش از حد اعمال شد، و توزیع واقعی تر آزبست را در داخل آوار ارائه داد. سپس، همانطور که در شکل 10 نشان داده شده است ، n. توده های 2، 4، 8، 9، 10، 42 آنهایی هستند که با مناطقی با بالاترین غلظت آزبست مشخص می شوند.
در نهایت، پردازش منطقه‌ای نقشه شطرنجی به دست آمده از طبقه‌بندی که توزیع هر پیکسل درصد اعضای انتهایی را اجرا می‌کند، درصدهای نسبی سه دسته اصلی مورد استفاده برای ارزیابی دقت را در انبوه آوارها به ما ارائه می‌دهد. توزیع تخمین زده شده از نوع شناسی مواد اصلی در شکل 9 نشان داده شده است. فراوان ترین گونه شناسی تپه قلوه سنگ (کلاس ماکرو) توسط بتن/آوار (محدوده: 50-40%)، پس از آن آجر/کاشی (محدوده: 25-30%) و سنگ های طبیعی (محدوده: 7-17%) نشان داده شده است. با سایر مواد (فلز، پلاستیک، غلاف قیر، و غیره) که از اعضای انتهایی باقیمانده که لیست را تکمیل می کنند (محدوده: 3-25٪) مشتق شده است.
در جدول 7 نمونه ای از نتایج کمی ارائه شده توسط کل روش برای چندین قلوه سنگ گزارش شده است. در واقع، برای هر پشته، این روش تعیین حجم و درصد اجزای اصلی، از جمله اطلاعات مربوط به وجود آزبست را ممکن می‌سازد.

5. بحث

انتخاب و بهره‌برداری از الگوریتم‌های یادگیری ماشین برای تطبیق (طبقه‌بندی) امضاهای طیفی اعضای انتهایی SMACC با آنهایی که از امضاهای فراطیفی میدانی مشتق شده‌اند، مرحله مهم و حیاتی کار بود.
ارزیابی کلی عملکرد الگوریتم‌ها با در نظر گرفتن طبقه‌بندی صحیح مواد آموزشی، که با نرخ خطای مرتبط خلاصه شده است ( جدول 3 )، و تعداد/نوع شناسی مواد اصلی (از جمله آزبست) شناسایی شده از طریق اعضای نهایی انجام شد.
اعضای انتهایی برچسب‌گذاری شده توسط طبقه‌بندی‌کننده BVM، چهار ماده اصلی ( cem، matc، lat، matn ) به‌علاوه gua را تشکیل می‌دهند ( جدول 3 را ببینید).)، اما در تفکیک نمونه های آموزشی ناکام ماند. علاوه بر این، نتایج یک انتساب غیر قابل اعتماد از کلاس آزبست را نشان داد. برعکس، C-SVC با توجه به طبقه بندی نمونه آموزشی بهترین عملکرد را داشت و همچنین توانست چهار عضو نهایی را با چهار ماده اصلی مرتبط کند. اگرچه عملکرد KNN در طبقه بندی مجموعه آموزشی کمی بهتر از BVM بود، اما نتوانست از برچسب زدن آزبست غیرواقعی برای سه نمونه آموزشی با توجه به سایر مواد قلوه سنگ جلوگیری کند. با این حال، این الگوریتم قادر به محاسبه چهار ماده قلوه سنگ اصلی از طریق اعضای انتهایی به عنوان RF بود. دومی، به ویژه، تنها کسی بود که قادر به تشخیص وجود احتمالی آزبست بود ( پایان 5). عضو انتهایی مرتبط (شماره 5) فراوانی متوسط ​​چند درصد را نشان داد اما با بالاترین انحراف استاندارد به معنی غلظت قابل توجهی از این ماده خطرناک در توده های خاص ( جدول 5 ). در نهایت، C4.5 بدترین عملکرد را داشت، هم در طبقه بندی مجموعه آموزشی و هم در تعداد مواد اصلی مرتبط با اعضای انتهایی.
با پیروی از این معیارها، C-SVC و RF بهترین عملکرد را داشتند. علاوه بر این، این دو الگوریتم با برچسب‌گذاری پنج عضو نهایی موافق بودند. آن‌ها توانستند چهار ماده اصلی را با تفاوت سنگ‌های طبیعی ( matn ) تشخیص دهند که توسط C-SVC تشخیص داده شد، اما توسط RF تشخیص داده نشد، که در عوض قادر به طبقه‌بندی آوارهای آوار ( کالک ) بود، که توسط طبقه‌بندی‌کننده دیگر نادیده گرفته شد. . بنابراین، ده عضو انتهایی ارائه شده توسط SMA از داده‌های WV3 تیز شده با استفاده از الگوریتم یادگیری ماشینی C-SVC، به‌طور رضایت‌بخشی به امضاهای طیفی درجای مواد قلوه سنگ نگاشت شدند، که این امکان را به دست آورد که مؤثرترین تمایز مصالح ساختمانی اصلی را به دست آورد. 5 عضو نهایی جدول 1 ).
در توافق با طرح کلی مدل نقشه برداری، که شامل اعتبار سنجی و ارزیابی دقت بر اساس اندازه گیری های مستقل است، یک روش اصلی برای انجام این آزمایش ضروری بر روی توزیع پیوسته گونه شناسی های قلوه سنگ اجرا شد. این مبتنی بر توزیع حداکثر فراوانی پیکسل (PMA) و عضو انتهایی غالب (PED) است که از خروجی های SMA مشتق شده است. توزیع هیستوگرام PMA ( شکل 6) یک بار دیگر ناهمگنی طیفی شدید قلوه سنگ را با حداکثر کمتر از 0.3 تأیید می کند. چنین رویکردی به ما اجازه داد تا توزیع‌های مختلف PED (به‌دست‌آمده با استفاده از آستانه‌های مختلف PMA) را با استفاده از روش تفسیر عکس، به عنوان مثال، با مقایسه مکان‌های متناظر روی آئروفتوهای با وضوح بالا RGB ارزیابی کنیم. با توجه به ارزیابی دقت موضوعی معمولی، امکان ارزیابی دقت کلی (OA) و پارامترهای K از طریق ماتریس های سردرگمی مرتبط وجود داشت. همانطور که انتظار می رفت، دقت کلی (OA) برای سه آستانه افزایش PMA ارزیابی شد ( جدول 4 ، جدول 5 و جدول 6) با افزایش آستانه به دلیل افزایش غلبه اعضای انتهایی در سطح پیکسل افزایش می یابد، که به نوبه خود تفسیر صحیح عکس را آسان تر می کند. در واقع، هر دو پارامتر کلی دقت OA و K حداکثر (به ترتیب 0.888 و 0.754) در آستانه 0.45 هستند که با نتایج تفسیر عکس مطابقت قابل توجهی دارد. اگر چه این مقدار فراوانی نسبی کم است، به نظر می رسد کافی است تا ماده اصلی پیکسل توسط مفسر متخصص مستقل شناسایی شود.
علاوه بر این، نقشه‌های PED به‌دست‌آمده با دو پایین‌ترین آستانه (0.35 و 0.25) مطابق با یک توافق ضعیف‌تر/متوسط ​​با تفسیر نوری مطابق با کاهش غلبه اعضای انتهایی [ 55 ] است.
طبقه بندی مواد موجود در سطح تپه های قلوه سنگ یکی از مهمترین نتایج به دست آمده در مطالعه حاضر است. در این میان، آزبست به دلیل پیامدهای آن بر سلامت انسان (هم برای جمعیت بازمانده از زلزله و هم برای تیم های نجات) از اهمیت زیادی برخوردار است. کار حاضر نشان داد که بقایای بتنی و کاشی‌های آجری ( جدول 7 و شکل 11 الف) در منطقه مورد مطالعه فراوان‌تر هستند و حدود 50 درصد از تپه‌های قلوه سنگ ممکن است حاوی آزبست باشد (در مقادیر مختلف؛ جدول 7 و شکل 11 ب).
این بدان معنا نیست که 50 درصد قلوه سنگ حاوی آزبست در غلظت هایی است که می تواند برای سلامتی انسان مضر باشد. با این حال، تحقیق حاضر نشان می‌دهد که امکان شناسایی حضور بالقوه این ماده خطرناک و پشتیبانی مدیریت پسماندها و قلوه سنگ‌ها وجود دارد. احیای پایدار زمین یکی از اهداف اصلی ENEA است زیرا دارای اهمیت اجتماعی-اقتصادی زیادی با تأثیر بالا بر توسعه اقتصادی است [ 56 ]. نتایج مطالعه حاضر بسیار مرتبط عملی و لجستیکی است و می‌تواند برای بهبود اثربخشی مدیریت در شرایط اضطراری پس از زلزله در سراسر جهان تکرار شود.

6. نتیجه گیری

پارامترهای تفکیک رادیومتری و هندسی حسگرهای راه دور نقش مهمی در اجازه دادن به نقشه برداری مناسب از ناهمگونی طیفی-فضایی معمول مناطق شهری و صنعتی/زیرساختی دارند. به ویژه، آنها برای تشخیص قلوه سنگ های لرزه ای در مقیاس مورد نیاز اساسی هستند. برای دستیابی به این هدف، اطلاعات پانکروماتیک و چند طیفی ارائه شده توسط حسگرهای WV3 با استفاده از روش پانشارپنینگ گرم اشمیت ترکیب شدند. پس از آن، آنها به منظور به دست آوردن ورودی مناسب در 31 سانتی متر از agr برای روش SMA اصلاح جوی شدند. به طور کلی، با وجود اینکه به طور گسترده برای وضوح هندسی بهبود یافته مورد استفاده قرار می گیرد، استفاده کمی از بازتاب طیفی مصنوعی محصولات pansharpened گسترده نیست. از آنجایی که کاهش کیفیت در طی فرآیندهای ذوب، حفظ کامل خواص طیفی اصلی کانال‌های اکتساب را ممکن نمی‌سازد. در این مورد، نتایج نسبتاً مؤثری با انجام فرآیند pansharpening با استفاده از روش محافظه‌کارانه طیفی گرم اشمیت قبل از تصحیح اتمسفر به دست آمد. روش معکوس (اصلاح جوی انجام شده قبل از فرآیند پان تیز کردن) سطح کیفی را در نتایج ایجاد نکرد.
روش اجرا شده توزیع فراوانی نسبی مواد قلوه سنگ در نظر گرفته شده را ارائه می کند. نتایج با اطلاعاتی که تاکنون در رابطه با حمل و نقل و دفع نهایی در دسترس بوده است مطابقت دارد. در واقع، بتن و آوار، فراوان‌ترین گونه‌شناسی قلوه سنگ‌های لرزه‌ای بودند. این یافته ها با نسبت معمولی مصالح ساختمانی در مرکز آماتریس و تمایل آوارها به پخش شدن روی سطح تپه ها در صورت ریزش ساختمان مطابقت دارند ( شکل 7 ، شکل 9).). پاکسازی و حذف آوار هنوز در آپنین مرکزی کامل نشده است و اطلاعات مربوطه به دست آمده در آینده برای اصلاح روش اجرا شده مفید خواهد بود. به عنوان مثال، یکی از بازخوردهای مهم، مطابقت بین توزیع مواد بازیابی شده در سطح و قسمت داخلی توده آوار خواهد بود.
اگرچه اطلاعات دقیقی در مورد توزیع آزبست بر روی تپه‌های قلوه سنگ در دسترس نبود، اما حضور جهانی این ماده خطرناک، عمدتاً به عنوان ترکیبی از پوشش‌های سقف، توسط مشاهدات مختلف مستقل انجام شده در میدان و توسط اپراتورهای حمل‌ونقل مسئول پاکسازی گزارش شده است. آوار از مرکز آماتریس. در این زمینه، امکان آزمایش دقت توزیع آزبست بازیابی شده از طریق الگوریتم یادگیری ماشین RF وجود نداشت.
در زمینه فعالیت‌های پس از رویداد مرتبط با رویدادهای لرزه‌ای، مدیریت مؤثر حجم عظیم قلوه سنگ‌ها و آوارهای حاصله در مناطق شهری یکی از موضوعات اصلی است و می‌تواند به طور مفیدی توسط برنامه‌های نظارت و نقشه‌برداری مبتنی بر EO و همچنین بهره‌برداری از آن پشتیبانی شود. آخرین نسل از سنسورهای چندطیفی VHR ماهواره ای. بررسی‌ها از سکوی هوایی می‌تواند اطلاعات دقیق و به‌روزی را ارائه دهد، اما برای نظارت مستمر مناطق اضطراری مورد نیاز برای کنترل تکامل سناریوی شهری زلزله، بسیار پرهزینه است، که در عوض می‌تواند به‌طور مکرر توسط حسگرهای موجود در مدار زمین نقشه‌برداری شود. پلتفرم های ماهواره ای، که می توانند مقدار فزاینده ای از داده های سرزمینی را با بهبود مستمر وضوح فضایی و طیفی ارائه دهند. نتایج به‌دست‌آمده در حال حاضر از طریق روش‌شناسی نوآورانه توسعه‌یافته در این کار، کاربرد داده‌های ماهواره‌ای WV3 VHR را برای ارائه تخمین‌های سطح مؤثر از توزیع انواع قلوه سنگ‌های لرزه‌ای در تپه‌های توزیع شده در مناطق شهری نشان می‌دهد. این اطلاعات را می توان به نحو سودمندی با حجم های مرتبط به دست آمده از بررسی های هوایی انجام شده پس از زلزله ادغام کرد.جدول 2 و جدول 7 ; شکل 8 و شکل 10 )، حمایت مناسبی از فعالیت های مدیریتی مرتبط با قلوه سنگ های شهری را فراهم می کند. قابلیت‌های استریوسکوپی حسگرهای ماهواره‌ای VHR همچنین می‌تواند از تخمین حجم در نظارت بر تکامل سناریوی اضطراری، احتمالاً با کالیبراسیون «یکباره» بر اساس اطلاعات LiDAR که از یک بررسی اولیه هوایی به دست می‌آید، پشتیبانی کند. تجزیه و تحلیل اولیه تپه های آوار با ابزارهای EO همچنین می تواند تأثیر مرتبطی بر هزینه اقدامات پس از اضطرار مانند مدیریت آوار و تعریف اولویت به منظور تضمین حفاظت از سلامت انسان داشته باشد.
بنابراین، این روش اصلی مبتنی بر EO به ما امکان می‌دهد تا تخمین‌های واقعی از انواع و حجم قلوه سنگ‌های لرزه‌ای در مرکز تاریخی آماتریس تولید کنیم. می‌توان آن را با درجه بالایی از اتوماسیون تعمیم داد و به راحتی می‌توان آن را در موقعیت‌های مشابه اعمال کرد، حتی با بهبودهای احتمالی ناشی از ادغام SAR (رادار دیافراگم مصنوعی) و داده‌های فراطیفی ارائه‌شده توسط ماموریت‌های EO در حال انجام (Copernicus Sentinel-1، Cosmo). SkyMed، PRISMA، EnMap). فعالیت‌های آتی شامل بهره‌برداری بیشتر از داده‌های ماهواره‌ای با وضوح بالا و ابرطیفی، برای ارزیابی حجم و گونه‌شناسی تپه‌های آوار زلزله، همچنین بررسی امکان شناسایی مواد آوار خطرناک (یعنی آزبست) خواهد بود.

پیوست اول

روش 1

رویکرد روش‌شناختی اجرا شده، که در سمت چپ شکل 2 نشان داده شده است، در مراحل زیر ساختار یافته است:
  • ساختمان‌های فروریخته (محیط‌های تپه‌های آوار) با استفاده از تفسیر تصویری بصری، با بهره‌گیری از وضوح بالای عکس‌های ارتو (15 سانتی‌متر) و همچنین با استفاده از داده‌های EMS از قبل موجود Copernicus مشخص شدند. چند ضلعی ها (P) با توجه به جابجایی ناشی از گرفتن عکس مورب (به عنوان مثال، با ادغام پست DTM و پست DSM در ارزیابی) ردیابی شدند. تا جایی که امکان داشت، یعنی زمانی که یک ساختمان به طور موثر به عنوان یک سازه منفرد کاملاً تعریف شده قابل تشخیص بود، یک تپه آوار منحصر به فرد برای هر ساختمان دیجیتالی می شد. یک چند ضلعی ترکیبی که به گروهی از ساختمان‌ها (غیر قابل تشخیص) اشاره دارد، در غیر این صورت ترسیم شده است.
  • یک طبقه بندی مناسب از “سطح آسیب” با اختصاص کدهای خاص به هر چند ضلعی گزارش شده است: (1) “کاملا فرو ریخته”; (2) “جزئی فرو ریخته”، (3) “آوارهای انباشته شده بر روی یک شیب”؛ (4) “عدم اطمینان در تعریف سطح خسارت”.
  • علاوه بر این، یک طبقه‌بندی از گونه‌شناسی ساختمان (تخصیص یک کلاس خاص، به عنوان مثال، «مذهبی»، «مسکونی»، «آموزشی، «پزشکی»، و غیره) به هر چند ضلعی انجام شد، که توسط داده‌های EMS کوپرنیک نیز پشتیبانی می‌شود. مانند سایر منابع وب مانند Google Maps.
  • به هر چند ضلعی، مقدار ارتفاع پایه ساختمان (B) تخصیص داده شد: از پست DTM مطابق با یک نقطه قابل مشاهده (به عنوان مثال، بخشی از خیابان های اطراف عاری از قلوه سنگ)، که نزدیک به بلوک ساختمانی/آوار در نظر گرفته شده است، مشتق شده است. . در صورت شیب قابل توجهی از خیابان‌های مجاور بلوک ساختمانی، حداقل مقدار ارتفاع از بین نقاط مختلف ممکن در نزدیکی منطقه مورد نظر انتخاب شد تا ارتفاع واقعی تپه‌های آوار دست کم نگیرد ( شکل A1 ).
  • بر اساس مراحلی که قبلا توضیح داده شد، حجم یک قلوه سنگ منفرد را می توان به صورت جامد (فضای سه بعدی) موجود بین چند ضلعی افقی مسطح، یعنی سطح پایین (B) که توسط شالوده ساختمان نشان داده شده است، تخمین زد. ارتفاع ثابت ( مقدار پست DTM انتخاب شده)، و سطح ناهموار بالایی که با مقادیر پست DSM بر روی خود ناحیه چند ضلعی نشان داده می شود. بنابراین، حجم از طریق تفاوت بین پست DSM و مقدار پست DTM انتخابی (ارتفاع ثابت B) در منطقه مشخص شده توسط محیط پشته، همانطور که توسط فرمول (1) بیان می شود، ارزیابی می شود:
Vم1=ب·∑ک=0n(nک)ساعتDاسمپoستی   [متر3]

که در آن B مقدار ارتفاع پایه پشته قلوه سنگ و h مقدار ارتفاع (بر حسب متر) استخراج شده از پست DSM برای هر پیکسل، n = تعداد پیکسل است. مقادیر حجم بر حسب متر مکعب بیان می شود .

این محاسبه در محیط GIS با استفاده از تابع ERDAS Imagine “zonal feature” (Zonal Statistics to Polygon Attributes: این عملگر ERDAS Imagine (توسط Hexagon Geospatial) آمار منطقه ای تصویر پس زمینه یک لایه ویژگی برداری را استخراج کرده و ذخیره می کند، انجام شد. آنها را به عنوان ویژگی های برداری) که اجازه می دهد تا مقدار حجم محاسبه شده را به عنوان یک ویژگی از چند ضلعی GIS مربوطه که نشان دهنده توده قلوه سنگ (در قالب فایل شکل) است، اختصاص دهیم.
Ijgi 09 00262 g0a1 550
شکل A1. نمونه ای از بازیابی ارتفاع پایه ساختمان. ارتفاع از پایین ترین نقطه (مرئی) در مجاورت تپه آوار تخمین زده می شود. به عنوان مثال، در مورد 2 ارتفاع پایین تر (سمت راست) انتخاب شده است.

روش 2

روش 2 از همان مراحل 1 و 2 M 1 پیروی می کند اما مرحله 3 متفاوت است، زیرا تخصیص مقادیر ارتفاعی پایه قلوه سنگ به صورت دستی انجام نمی شود. در عوض، مقادیر پایه به طور خودکار توسط DTM pre -event استخراج می شوند، که می تواند به عنوان سطح پایین فرض شود.

بنابراین، در زنجیره پردازش M2 ، محاسبه حجم مستقیماً با تفاوت ارتفاع بین پست DSM پس از رویداد و پیش رویداد (DTM قبل از محیط آوار (مرحله 3)، همانطور که در رابطه (2) توضیح داده شده است، به دست می‌آید:

Vم2=∑ک=0n(nک)ساعتDاسمپoستی-∑ک=0n(nک)ساعتDتیمپrه   [متر3]
روش شناسی فوق باید به عنوان [ 1 ] ذکر شود.

منابع

  1. کاپوچی، اس. د سکو، ال. گمری، ف. جووردانو، ال. مورتی، ال. پلوسو، آ. پولینو، M. ارزیابی حجم توده‌های آوار زلزله: رویکرد سریع از طریق مشاهده زمین و تکنیک‌های ژئوماتیک. لکت. یادداشت ها محاسبه. علمی 2017 ، 2 ، 261-277. [ Google Scholar ] [ CrossRef ]
  2. Rathje، EM; آدامز، بی‌جی نقش سنجش از دور در علم و مهندسی زلزله: فرصت‌ها و چالش‌ها. زمین Spectra 2008 , 24 , 471-492. [ Google Scholar ] [ CrossRef ]
  3. ریچی، پی. وردرام، جنرال موتورز; مانفردی، جی. پولینو، ام. بورفکیا، اف. د سکو، ال. مارتینی، اس. پاسکال، سی. ریستوراتوره، ای. جیمز، وی. ارزیابی آسیب‌پذیری لرزه‌ای با استفاده از روش‌های بررسی میدانی و سنجش از دور. در مجموعه مقالات علوم محاسباتی و کاربردهای آن – کنفرانس بین المللی ICCSA 2011، سانتاندر، اسپانیا، 20 تا 23 ژوئن 2011. Murgante, B., Gervasi, O., Iglesias, A., Taniar, D., Apduhan, BO, Eds.; Springer: برلین/هایدلبرگ، آلمان، 2011; جلد 2، ص 376-391. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  4. پولینو، ام. فاتوروسو، جی. لا پورتا، ال. دلا روکا، AB; جیمز، وی. ابزارها و نقشه‌های مکانی منبع باز مشترک که از برنامه‌ریزی واکنش به رویدادهای فاجعه‌بار زلزله پشتیبانی می‌کنند. اینترنت آینده 2012 ، 4 ، 451-468. [ Google Scholar ] [ CrossRef ]
  5. Kerle، N. سنجش از دور خطرات و بلایای طبیعی. در دایره المعارف مخاطرات طبیعی ; دایره المعارف سری علوم زمین; Bobrowsky، PT، Ed. Springer: Dordrecht، هلند، 2013; صص 838-847. شابک 978-90-481-8699-0. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  6. بورفکیا، اف. دی کانیو، جی. د سکو، ال. جوکولی، ا. گراوسو، اس. لا پورتا، ال. مارتینی، اس. پولینو، ام. روزلی، آی. Zini، A. نقشه‌برداری خطر زمین لغزش ناشی از زلزله در اطراف شبکه اصلی خط لوله نفت دره آگری (Basilicata، جنوب ایتالیا) با استفاده از دو رویکرد مدل‌سازی مبتنی بر GIS. نات. خطرات 2016 ، 81 ، 759. [ Google Scholar ] [ CrossRef ]
  7. جویس، KE; بللیس، SE; سامسونوف، اس وی؛ مک نیل، اس جی; Glassey, PJ مروری بر وضعیت سنجش از دور ماهواره ای و تکنیک های پردازش تصویر برای نقشه برداری از خطرات و بلایای طبیعی. Prog. فیزیک Geogr. 2009 ، 33 ، 183-207. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  8. ریچی، پی. Gaudio، CD; وردرام، جی. مانفردی، جی. پولینو، ام. Borfecchia، F. ارزیابی آسیب پذیری لرزه ای در مقیاس شهری بر اساس منابع داده های مختلف ساختمان. در مجموعه مقالات دومین کنفرانس بین المللی آسیب پذیری و تجزیه و تحلیل و مدیریت ریسک (ICVRAM)، لیورپول، انگلستان، 13 تا 16 ژوئیه 2014. پ. 12. [ Google Scholar ]
  9. کادر، ع. جهان، اول. مروری بر کاربرد فناوری های سنجش از دور در مدیریت بلایای زلزله: پتانسیل ها و چالش ها. در مجموعه مقالات کنفرانس بین المللی مدیریت خطر بلایا، داکا، بنگلادش، 12 تا 14 ژانویه 2019؛ پ. 6. [ Google Scholar ]
  10. جی، م. لیو، ال. دو، آر. ویژگی های شبکه عصبی Buchroithner، MF برای تشخیص ساختمان های فروریخته پس از زلزله با استفاده از تصاویر ماهواره ای قبل و بعد از رویداد. Remote Sens. 2019 , 11 , 1202. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  11. وانگ، ایکس. Li, P. استخراج ساختمان‌های فروریخته ناشی از زلزله با استفاده از تصاویر با وضوح بسیار بالا و داده‌های LiDAR موجود در هوا. بین المللی J. Remote Sens. 2015 ، 36 ، 2163-2183. [ Google Scholar ] [ CrossRef ]
  12. حسین، ا. اورال، اس. کیم، ک. فو، سی.- اس. Shan, J. استخراج ساختمان و نقشه برداری قلوه سنگ برای زلزله شهر پورتو پرنس پس از 2010 با تصاویر GeoEye-1 و داده های LiDAR. فتوگرام مهندس Remote Sens. 2011 ، 77 ، 1011-1023. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  13. در دسترس آنلاین: https://sentinel.esa.int/web/sentinel/missions/sentinel-2 (در 16 ژانویه 2020 قابل دسترسی است).
  14. در دسترس آنلاین: https://emergency.copernicus.eu/mapping (در 16 ژانویه 2020 قابل دسترسی است).
  15. Ouzonis، GK; سوئیل، پی. Pesaresi، M. شناسایی قلوه سنگ از داده های تصویربرداری هوایی VHR با استفاده از پروفایل های مورفولوژیکی دیفرانسیل. در مجموعه مقالات سی و چهارمین سمپوزیوم بین المللی سنجش از دور محیط زیست، سیدنی، استرالیا، 10-15 آوریل 2011; پ. 4. [ Google Scholar ]
  16. مودیکا، جی. پولینو، ام. لانوکارا، اس. لا پورتا، ال. پلیکون، جی. دی فازیو، اس. Fichera، CR ارزیابی تناسب زمین برای کشاورزی-جنگل: تعریف یک سیستم پشتیبانی تصمیم گیری فضایی مبتنی بر وب مبتنی بر وب (MC-SDSS): نتایج اولیه. در ICCSA 2016: نکات سخنرانی در علوم کامپیوتر ؛ Gervasi, O., Murgante, B., Misra, S., Rocha, AM, Torre, CM, Taniar, D., Apduhan, BO, Stankova, E., Wang, S., Eds. Springer: Cham, Switzerland, 2016; جلد 9788، ص 399–413. [ Google Scholar ] [ CrossRef ]
  17. دی پیترو، آ. لاوال، ال. لا پورتا، ال. پولینو، ام. طوفانی، ع. Rosato, V. طراحی DSS برای پشتیبانی از آمادگی و مدیریت موقعیت‌های غیرعادی در سناریوهای پیچیده. در مدیریت پیچیدگی زیرساخت های حیاتی ; مطالعات در سیستم ها، تصمیم گیری و کنترل. Setola, R., Rosato, V., Kyriakides, E., Rome, E., Eds. Springer: Cham, Switzerland, 2016; جلد 90. [ Google Scholar ]
  18. EPA (آژانس حفاظت از محیط زیست ایالات متحده). مدیریت زباله های خطرناک خانگی: کتابچه راهنمای برنامه های جمع آوری یک روزه جامعه . EPA530-R-92-026; EPA (آژانس حفاظت از محیط زیست ایالات متحده): واشنگتن، دی سی، ایالات متحده آمریکا، 1993; پ. 78.
  19. زی، اچ. لو، ایکس. خو، X. پان، اچ. تانگ، X. نقشه برداری خودکار سطح آب زیرپیکسلی از محیط های شهری ناهمگن با استفاده از تصاویر Landsat 8 OLI. Remote Sens. 2016 , 8 , 584. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  20. او، م. زو، س. دو، ز. متعجب.؛ دینگ، ی. Chen, M. توصیف‌کننده شکل سه‌بعدی بر اساس خوشه‌های کانتور برای تشخیص سقف آسیب‌دیده با استفاده از ابرهای نقطه‌ای LiDAR در هوا. Remote Sens. 2016 ، 8 ، 189. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  21. بایوچی، وی. دومینیسی، دی. کاربرد Mormile، M. UAV در محیط پس لرزه ای. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2013 ، 1 ، W2. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  22. دی کانیو، جی. روزلی، آی. جوکولی، ا. مونگلی، م. تاتی، ا. پولینو، ام. مارتینی، اس. د سکو، ال. لا پورتا، ال. Borfecchia، F. نظارت لرزه ای کلیسای جامع Orvieto: ترکیب InSAR ماهواره ای با تکنیک های درجا. در مجموعه مقالات هفتمین کنفرانس بین المللی نظارت بر سلامت ساختاری زیرساخت هوشمند، تورینو، ایتالیا، 1 تا 3 ژوئیه 2015. دی استفانو، ا.، اد. جلد 1، ص 415–425، ISBN 978-1-5108-2107-1. [ Google Scholar ]
  23. ممکن است.؛ چن، اف. لیو، جی. سلام.؛ دوان، جی. Li, X. یک رویه خودکار برای نگاشت تغییرات اولیه فاجعه بر اساس سنجش از راه دور نوری. Remote Sens. 2016 , 8 , 272. [ Google Scholar ] [ CrossRef ][ Green Version ]
  24. کوستانزو، ا. مونتووری، ا. سیلوا، جی پی؛ سیلوستری، م. موساکیو، م. دوماز، ف. استراموندو، اس. Buongiorno، MF استفاده ترکیبی از تکنیک‌های سنجش از دور هوابرد در یک محیط GIS برای ارزیابی آسیب‌پذیری لرزه‌ای مناطق شهری: یک کاربرد عملیاتی. Remote Sens. 2016 ، 8 ، 146. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  25. کاواکوبو، اف. موراتو، آر. مارتینز، ام. متولی، جی. نپوموچنو، پ. مارتینز، M. کمی سازی و تجزیه و تحلیل سطح غیرقابل نفوذ در منطقه شهری سائوپائولو، برزیل. Remote Sens. 2019 , 11 , 944. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  26. بورفکیا، اف. روزیاتو، وی. کایافا، ای. پولینو، ام. د سکو، ال. لا پورتا، ال. امبون، اس. باربیری، ال. بنلی، اف. Camerata، F. و همکاران تکنیک‌های سنجش از راه دور و داده‌کاوی برای ارزیابی آسیب‌پذیری پارچه شهری در برابر امواج گرما و UHI. پیش چاپ 2016 ، 2016080202. [ Google Scholar ] [ CrossRef ]
  27. زی، اس. دوان، جی. لیو، اس. دای، Q. لیو، دبلیو. ممکن است.؛ گوا، آر. Ma, C. جمع سپاری ارزیابی سریع ساختمانهای فروریخته در اوایل پس از زلزله بر اساس تصویر سنجش از دور هوایی: مطالعه موردی زلزله یوشو. Remote Sens. 2016 , 8 , 759. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  28. تورس، ی. Arranz، JJ; Gaspar-Escribano، JM; حقی، ع. مارتینز-کوواس، اس. بنیتو، بی. Ojeda، JC ادغام LiDAR و تصاویر چند طیفی برای برآورد آسیب پذیری در معرض و زلزله. برنامه در لورکا، اسپانیا. arXiv 2018 ، arXiv:1806.11019. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  29. بورفکیا، اف. د سکو، ال. پولینو، ام. لوگری، ع. مارتینی، اس. لا پورتا، ال. ریستوراتوره، ای. پاسکال، سی. سنجش از دور فعال و غیرفعال برای حمایت از ارزیابی آسیب‌پذیری لرزه‌ای شهری. ایتالیایی J. Remote Sens. 2010 ، 42 ، 129-141. [ Google Scholar ] [ CrossRef ]
  30. Krówczyńska، M. ویلک، ای. پابجانک، پ. Kycko، M. تبعیض فراطیفی سقف آزبست سیمان. Geomat. محیط زیست مهندس 2017 ، 11 ، 47-65. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  31. توماسینی، م. باچیوتینی، آ. Gherardelli، M. ابزار QGIS برای شناسایی خودکار سقف آزبست. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 131. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  32. نیرانجانی، ک. وانی، ک. استخراج عضو انتهایی هندسی و عدم اختلاط طیفی خطی تصویر چند طیفی. بین المللی علمی Press 2016 , 9 , 7-15. [ Google Scholar ]
  33. بنیتز، فلوریدا؛ منا، CF; زوریتا-آرتوس، L. تغییر پوشش زمین شهری در محیط‌های شکننده از نظر اکولوژیکی: مورد جزایر گالاپاگوس. Land 2018 , 7 , 21. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  34. تارامللی، ع. والنتینی، ای. اینوسنتی، سی. Cappucci, S. FHYL: کتابخانه های طیفی میدانی، تصاویر ابرطیفی هوابرد و داده های LiDAR توپوگرافی و عمق سنجی برای نقشه برداری پیچیده ساحلی. در مجموعه مقالات سمپوزیوم بین المللی علوم زمین و سنجش از دور-IGARSS، ملبورن، VIC، استرالیا، 21-26 ژوئیه 2013. ص 2270–2273. [ Google Scholar ]
  35. Wu، C. تجزیه و تحلیل مخلوط طیفی نرمال شده برای نظارت بر ترکیب شهری با استفاده از تصاویر ETM +. سنسور از راه دور محیط. 2004 ، 93 ، 480-492. [ Google Scholar ] [ CrossRef ]
  36. کاپوچی، اس. والنتینی، ای. مونته، دکتر پاسی، ام. فیلیپونی، اف. Taramelli، A. تشخیص ویژگی های طبیعی و انسان در جزایر کوچک. جی. ساحل. Res. 2017 ، 77 ، 73-87. [ Google Scholar ] [ CrossRef ]
  37. دنگ، ی. وو، سی. توسعه یک رویکرد تجزیه و تحلیل مخلوط طیفی چند عضو انتهایی کلاسی (C-MESMA) برای تجزیه و تحلیل محیط های شهری. Remote Sens. 2016 , 8 , 349. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  38. لو، دی. Weng، Q. تجزیه و تحلیل مخلوط طیفی منظر شهری در ایندیاناپولیس با Landsat ETM +. تصویر فتوگرام مهندس Remote Sens. 2004 , 70 , 1053-1062. [ Google Scholar ] [ CrossRef ]
  39. کونر، ای جی; شائو، ی. کمپبل، JB تشخیص آسیب شهری با استفاده از سنجش از دور و الگوریتم‌های یادگیری ماشین: بازبینی زلزله 2010 هائیتی. Remote Sens. 2016 , 8 , 868. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  40. گرونینگر، جی اچ. راتکوفسکی، ای جی؛ Hoke، ML مدل عضو انتهایی مخروط محدب حداکثر زاویه متوالی (SMACC). در الگوریتم‌ها و فناوری‌های تصاویر چندطیفی، فراطیفی و فراطیفی ؛ Proc. SPIE 5425; انجمن بین المللی اپتیک و فوتونیک، SPIE: بلینگهام، WA، ایالات متحده آمریکا، 2004. [ Google Scholar ]
  41. ویلند، ام. Pittore, M. ارزیابی عملکرد الگوریتم های یادگیری ماشین برای تشخیص الگوی شهری از تصاویر ماهواره ای چند طیفی. Remote Sens. 2014 , 6 , 2912–2939. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  42. سیلیا، سی. پانیگادا، سی. روسینی، ام. کاندیانی، جی. پپه، م. Colombo, R. نقشه برداری از سقف های آزبست سیمانی و وضعیت هوای آنها با استفاده از تصاویر هوایی فراطیفی. ISPRS Int. J. Geo-Inf. 2015 ، 4 ، 928-941. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  43. بله، جی. لین، ایکس. Xu, T. مدل‌سازی ریاضی و تست دقت جفت‌های استریو WorldView-2 Level-1B بدون نقاط کنترل زمینی. Remote Sens. 2017 , 9 , 737. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  44. ماناکوس، آی. مانفسکی، ک. کالایتزیدیس، سی. ادلر، دی. مقایسه بین ماژول‌های تصحیح جوی بر اساس تصاویر جهان‌بینی-2 و اندازه‌گیری‌های طیف رادیومتری درجا. در مجموعه مقالات هفتمین کارگاه آموزشی طیف‌سنجی تصویربرداری EARSeL SIG، ادینبورگ، بریتانیا، 11 تا 13 آوریل 2011. [ Google Scholar ]
  45. پان، PP; ساروتا، ک. تراتا، ی. چن، GY مقایسه تصحیح جوی کد FLAASH و 6S در تشخیص پوشش برف در استان آکیتا، ژاپن با استفاده از داده های تصویری MODIS. Appl. مکانیک. ماتر 2014 ، 541 ، 1394–1397. [ Google Scholar ] [ CrossRef ]
  46. گروچالا، ا. Kedzierski، M. روشی برای اصلاح تصویر پانکروماتیک برای تلفیق داده های تصویری ماهواره ای. Remote Sens. 2017 , 9 , 639. [ Google Scholar ] [ CrossRef ][ Green Version ]
  47. لونکان، ال. دی آلمیدا، LB; Bioucas-Dias، JM; بریوتت، ایکس. چانوسوت، جی. دوبیجون، ن. فابر، اس. لیائو، دبلیو. Licciardi، GA; Simões، M. و همکاران فراطیفی Pansharpening: مروری. IEEE Geosci. سنسور از راه دور Mag. 2015 ، 3 ، 27-46. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  48. ژانگ، هنگ کنگ؛ پانشارپنینگ تصویربردار زمین عملیاتی (OLI) از نظر محاسباتی ارزان قیمت Ro، DP. Remote Sens. 2016 ، 8 ، 180. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  49. گارزلی، ع. ایازی، بی. آلپارون، ال. لولی، س. Vivone، G. تیز کردن چندطیفی با مدل‌سازی تزریق جزئیات مبتنی بر انتقال تابشی برای حفظ تغییرات در پوشش گیاهی. Remote Sens. 2018 , 10 , 1308. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  50. سامرز، بی. آسنر، GP; لوران، تی. Coppin، P. Endmember variability in Spectral Mixture Analysis: A Review. سنسور از راه دور محیط. 2011 ، 115 ، 1603-1616. [ Google Scholar ] [ CrossRef ]
  51. Quinlan, R. C4.5: Programs for Machine Learning ; Morgan Kaufmann ناشران: برلینگتون، MA، ایالات متحده آمریکا، 1993; پ. 302. [ Google Scholar ]
  52. پینیو، CMD؛ سیلوا، اف سی؛ Fonsec، LMC؛ Monteiro، طبقه‌بندی پوشش زمین درون شهری AMV از تصاویر با وضوح بالا با استفاده از الگوریتم C4.5. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2008 ، XXXVII Pt B7 ، 695–700. [ Google Scholar ]
  53. تسانگ، دبلیو. کوچور، ا. Kwok، JT ماشین‌های بردار هسته ساده‌تر با توپ‌های محصورکننده. در مجموعه مقالات ICML ’07: بیست و چهارمین کنفرانس بین المللی در مورد یادگیری ماشین، Corvalis، OR، ایالات متحده آمریکا، 20-24 ژوئن 2007. ص 911-918. [ Google Scholar ]
  54. بریمن، ال. جنگل های تصادفی. ماخ فرا گرفتن. 2001 ، 45 ، 5-32. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  55. روانگا، ن. روانگا، اس. Ndambuki، J. ارزیابی دقت طبقه‌بندی کاربری/پوشش زمین با استفاده از سنجش از دور و GIS. بین المللی جی. ژئوشی. 2017 ، 8 ، 611-622. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  56. کاپوچی، اس. واکاری، م. فالکونی، م. تودور، تی. مدیریت پایدار منابع رسوبی. مطالعه موردی پروژه ایگادی. محیط زیست مهندس مدیریت J 2019 ، 18 ، 317-328. [ Google Scholar ]
Ijgi 09 00262 g001 550
شکل 1. ( الف ) مکان آماتریس (ایتالیای مرکزی). ( ب ) تصویر WorldView-3 (شهر داخلی آماتریس در کادر قرمز)؛ ( ج ) نمونه ای از پوشش ابر نقطه ای LiDAR و DSM مشتق شده. ( د ) رندر سه بعدی پس از رویداد Amatrice درون شهر (DSM برگرفته از LiDAR Point Cloud و بافت‌های orthophotos). ( ه ) مثالی از تحدید حدود قلوه سنگ در آماتریس.
Ijgi 09 00262 g002 550
شکل 2. نمودار جریان روش اجرا شده. داده‌های ورودی عبارتند از: (1) داده‌های ابر نقطه LiDAR، عکس‌های هوایی RGB، نقشه درجه آسیب‌رسان ساختمان کوپرنیک EMS. (2) داده های چندطیفی WorldView-3. (3) کتابخانه امضای فراطیفی. (4) پوشش چند ضلعی و ویژگی‌های مربوط به توده‌های قلوه سنگ، از رویه قبلی توسعه‌یافته [ 1 ]، در ورودی به پردازش SMACC و GIS. طرح کلی روش تخمین حجم آوار (جعبه چین دار) فقط برای کامل بودن در اینجا گنجانده شده است.
Ijgi 09 00262 g003 550
شکل 3. امضاهای فراطیفی درجا بتن ( بالا سمت چپ ) و آجر ( بالا سمت راست ) پس از اولین مرحله پیش پردازش اما قبل از صاف کردن با فیلتر کردن و علائم طیفی فیلتر شده مربوطه از دسته بتن ( سمت چپ پایین ) و آجر ( پایین سمت راست ) . در تصویر پایین چند نمونه از هشت نوع مواد قلوه سنگ (اعداد سفید که باید با افسانه در گوشه پایین سمت چپ تصویر مطابقت داده شود) نمایش داده شده است.
Ijgi 09 00262 g004 550
شکل 4. امضاهای چند طیفی نمونه برداری مجدد از 23 ماده قلوه سنگ درجا ( گراف بالا ). امضاهای چند طیفی عصاره اعضای انتهایی با استفاده از الگوریتم SMACC ( گراف پایین ).
Ijgi 09 00262 g005 550
شکل 5. توزیع هیستوگرام اولین فراوانی EM شامل سایه.
Ijgi 09 00262 g006 550
شکل 6. ( الف ) حداکثر فراوانی پیکسل (PMA) و ( ب ) توزیع عضو غالب (PED) که روی پس‌زمینه سطح خاکستری (قرمز تیز شده) نمایش داده می‌شود.
Ijgi 09 00262 g007 550
شکل 7. توزیع هیستوگرام PMA با آستانه های مورد استفاده برای ارزیابی دقت.
Ijgi 09 00262 g008 550
شکل 8. نقشه توزیع PED مجدد از سه دسته اصلی در آستانه 0.25 PAM.
Ijgi 09 00262 g009 550
شکل 9. توزیع آزبست روی تپه های قلوه سنگ با برچسب های سیاه و حاشیه قرمز. زمینه: رنگ واقعی تابه.
Ijgi 09 00262 g010 550
شکل 10. توزیع درصد تخمینی انواع مواد موجود در داخل تپه های آوار در مرکز شهر آماتریس. این چهار نقشه به ترتیب به موارد زیر اشاره دارند: آجر ( a )، سایر مصالح ساختمانی ( b )، بتن-آوار ( ج ) و سنگ طبیعی ( d ).
Ijgi 09 00262 g011 550
شکل 11. داده های جدول 7 درصد اجزای اصلی m 3 ( a ) را نشان می دهد. حتی اگر آزبست در پنج تا از چهارده قلوه سنگ در نظر گرفته شده شناسایی شود، می توان آن را در تقریباً 50 درصد کل حجم یافت (( b )؛ جدول 7 ).

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید