برآورد تغییرات ارتفاع سطح زیر سایبان مانگرو با استفاده از الگوریتم فیلتر SNERL و تکنیک DoD در داده های DSM مشتق از پهپاد

برآورد تغییرات ارتفاعی سطح در جنگل‌های حرا نیازمند تکنیکی برای فیلتر کردن تاج درخت حرا و تعیین کمیت تغییرات زیر آن است. از این رو، این مطالعه تغییرات ارتفاعی سطح زیر تاج حرا را از طریق فیلتر گیاهی و تکنیک‌های تفاوت DEM (DoD) با استفاده از دو دوره داده‌های وسیله نقلیه هوایی بدون سرنشین (UAV) که طی سال‌های 2016 و 2017 انجام شد، تخمین می‌زند. یک الگوریتم جدید فیلتر به نام برآورد سطحی از نزدیک‌ترین ارتفاع و کاهش تکراری (SNERL) برای تخمین ارتفاع ارتفاع در زیر سایبان حرا استفاده می شود. در نتیجه، تکنیک DoD برای تعیین کمیت نرخ تغییر ارتفاع در سطح زمین، که شامل فرسایش، برافزایش و رسوب است، استفاده می‌شود.³ . بیشترین افزایش فرسایش (کاهش سطح) در ROI 8 در -2.469 سانتی متر مکعب شناسایی ^شد . در مقابل، برای نرخ میانگین تغییرات عمودی، ROI 6 بالاترین افزایش عمودی (بالا بردن سطح) را در 1.281 متر تجربه کرد. در مقایسه، بیشترین افزایش فرسایش عمودی (کاهش سطح) در ROI 3 در -0.568 متر مشاهده شد. نقشه تشخیص تغییر و نرخ تغییرات ارتفاع سطح در رودخانه گلیم به مقامات این امکان را داد تا وضعیت را به طور کامل درک کنند و وضعیت آینده، از جمله تعامل آن با اثرات افزایش سطح دریا را نشان دهند.

کلید واژه ها:

نقشه برداری تغییرات ارتفاع سطح ; ژئومورفومتری سطح حرا ; فتوگرامتری پهپاد ; تشخیص تغییرات ژئومورفولوژیکی ; الگوریتم فیلترینگ

1. مقدمه

در منطقه جنگل حرا، محیط زیست بسیار پویا است زیرا پوشش گیاهی متراکم تاج و سیلاب جزر و مدی که باعث می شود ارتفاعات سطحی تا حدی زیر آب بنشیند، به ویژه در هنگام جزر و مد و بالاترین جزر و مد نجومی (HAT). رویکرد اندازه گیری فیزیکی به دلیل شرایط زمین ناهموار پر از ریشه های حرا و خاک گل آلود که کار فیزیکی را پیچیده می کند، چالش برانگیز است [ 1 ، 2 ]. ایستگاه های کل، اسکنرهای لیزری زمینی (TLS)، اندازه گیری فاصله الکترونیکی (EDM) و سایر تجهیزات نقشه برداری که به سه پایه نیاز دارند به سختی در این زمین راه اندازی می شوند. راه جایگزین برای نظارت بر فرسایش در محیط حرا، استفاده از جابجایی مرز/خط پوشش گیاهی حرا است، همانطور که توسط [ 3 ،4 ، 5]. با این حال، این مطالعه تنها به سطح سایبان حرا نگاه می کند و ویژگی های پنهان زیر آن را نادیده می گیرد. هر گونه تغییر فیزیکی روی زمین توسط پوشش گیاهی حرا به خصوص از دید هوایی پنهان می شود و این موانع الهام بخش این مطالعه بوده است. برای تعیین کمیت تغییرات ارتفاع سطح در سایت‌هایی با مناطق کوچک مقیاس، معمولاً از چند اندازه‌گیری زمینی مانند بررسی‌های فیزیکی، پین‌های فرسایش و روش جدول ارتفاع سطح – افق نشانگر (SET-MH) استفاده می‌شود. با این حال، نظارت هوایی در مقایسه با زمینی از نظر تحرک، زمان‌بر، فراوانی داده و توانایی پوشش دادن یک منطقه بزرگ در مدت زمان کوتاه هنوز راحت است. علاوه بر این، طغیان جزر و مدی در مناطق حرا که اغلب برای محققان مشکل ساز می شود (در صورت استفاده از روش بررسی فیزیکی) می تواند با استفاده از پایش هوایی اجتناب شود.6 ، 7 ].

اکثر تحقیقات استخراج سطح قبلی بر ارتفاع سطح و نظارت بر تغییرات سطح توپوگرافی زمین برهنه متمرکز شده است. مطالعات [ 8 ، 9 ، 10 ، 11 ، 12 ، 13 ] از تصاویر ماهواره ای برای نظارت بر فرسایش در منطقه ساحلی استفاده می کنند. در همین حال، [ 14 ، 15 ، 16 ، 17 ، 18 ، 19 ، 20] از تصاویر پهپاد برای ارزیابی فرسایش در مناطق برهنه استفاده کرد. محقق قبلی فرسایش را بر اساس تغییرات قابل مشاهده در توپوگرافی بر اساس تحلیل مکانی و زمانی زمین برهنه مشاهده می کند. محققان قبلی تلاش‌های کمتری برای ارزیابی تغییرات ارتفاع سطحی ناشی از فرسایش، برافزایش (رسوب‌گذاری) و نرخ‌های رسوب در نواحی ساحلی رودخانه‌ای که با سایبان‌ها یا درختان پوشیده شده‌اند، انجام داده بودند. در ناحیه ساحل رودخانه پوشیده از سایبان، سایبان سطح را مسدود کرده است، به ویژه از دید هوایی. سایبان حرا که کرانه رودخانه را پوشانده است باید با استفاده از روش فیلتر گیاهی برای نظارت بر فرسایش در منطقه تحت پوشش تاج برداشته شود.

برای یک منطقه زمین برهنه مانند ساحل یا ساحل رودخانه باز، هر گونه تغییر ژئومورفولوژیکی به راحتی با استفاده از چندین تجزیه و تحلیل تصویر، مانند تشخیص تغییر، طبقه بندی تصویر، آستانه گذاری، و سایر روش های مرتبط با سنجش از دور شناسایی می شود [ 21 ، 22 ، 23 ، 24 ، 25 ، 26 ، 27 ، 28 ، 29 ]. هر دو تصویر ماهواره ای داده های ارتفاعی با وضوح بالا را در مقیاس جهانی ارائه کردند و توسط محققان قبلی برای ارزیابی تغییرات سطح زمین در طول زمان مورد استفاده قرار گرفتند [ 30 ، 31 ، 32 ، 33 ، 34 ،35 ، 36 ، 37 ]. اکثر آنها از فرآیند عدم قطعیت مدل رقومی ارتفاع (DEM) بر اساس رویکرد مونت کارلو [ 38 ] با ابزارهای پس پردازش در نرم افزار SFM-georeferenceing [ 39 ] استفاده کردند. نقشه های دقیق با درون یابی انحراف استاندارد عمودی (H) تعیین شده از تخمین دقیق (اندازه شبکه 1 میلی متر) [ 40 ، 41 ، 42 ، 43 ] ایجاد شد.

برای چندین دهه، محققان بسیاری از روش‌های فیلتر کردن را برای حذف اجسام بالای زمین مانند پوشش گیاهی، ساختمان‌ها و دیگر سازه‌های ساخت بشر توسعه داده‌اند. روش‌های فیلتر کردن مانند تراکم شبکه‌های نامنظم مثلثی LAStools (TIN)، روش معمول در Agisoft Photoscan، و روش‌های دیگر برای فیلتر کردن ابرهای نقطه‌ای با استفاده از اسکنر لیزری هوابرد یا تشخیص و محدوده نور (LiDAR) استفاده شده‌اند [ 44 ، 45 ، 46 ] . مشابه داده های تصویربرداری پهپاد، از چندین الگوریتم استفاده می کند، به عنوان مثال، یک فیلتر مورفولوژیک پیشرونده (PMF)، یک فیلتر مورفولوژیکی ساده (SMRF) یا یک فیلتر شبیه سازی پارچه ای (CSF) و یک فیلتر ساختاری، Caractérisation de Nuages de Points ( CANUPO)، برای اهداف فیلتر گیاهی [ 47]. بر خلاف LiDAR، یک بررسی فتوگرامتری پهپاد نمی تواند تا حدی از لایه پوشش گیاهی نفوذ کند و بنابراین، ممکن است در ایجاد نقاط واقعی زمین در زیر یک سطح پوشش گیاهی شکست بخورد. عکس هوایی نمی تواند اطلاعات زیر پوشش گیاهی متراکم را با استفاده از یک حسگر معمولی (به عنوان مثال، یک حسگر قرمز، سبز و آبی (RGB)) بگیرد، مگر اینکه تصاویر RGB گرفته شده با استفاده از یک روش خاص، مانند شاخص سبزی بیش از حد گیاهی (ExG) تجزیه و تحلیل شوند. -VI)، برای استخراج سطحی در مناطق جنگلی متراکم [ 45 ].

مطالعات قبلی مربوط به فیلتر کردن پوشش گیاهی با استفاده از LiDAR قبلا توسط محققان دیگر انجام شده است که می تواند منجر به اختراع و بداهه سازی الگوریتم های مختلف فیلتر برای دقت خروجی بهتر شود [ 44 ، 45 ، 46 ]. با این حال، مطالعات کمتری توسط سایر محققان برای استفاده از محصولات UAS، به ویژه مدل DSM، در تخمین ارتفاع سطح زیر مناطق پوشیده از حرا انجام شد، زیرا به جای سطح زمین، فقط سطح بالای درختان حرا را می گرفت. آندرس و همکاران (2019) [ 45] مقایسه دقت DEM را با استفاده از الگوریتم‌های فیلتر رایج مانند روش استاندارد داخلی در Agisoft Photoscan، فیلتر رنگی با استفاده از شاخص گیاهی (VI)، کاهش سطح تکرار شونده (ISL)، شبکه‌های نامنظم مثلثی (TIN) ارزیابی کرد. ترکیبی از کاهش سطح تکراری و روش VI (ISL + VI). از آنجایی که آنها پتانسیل حسگر نوری UAS را در انجام وظیفه درست مانند LiDAR نشان دادند، این مطالعه الهام بخش این مطالعه برای استفاده از رویکرد UAS با یک الگوریتم فیلتر جدید SNERL برای ایجاد ارتفاع سطح در زیر مناطق پوشیده از حرا شد. به همین دلیل، گرفتن اطلاعات بالای سطح حرا یک راه کافی قبل از اقدام به پردازش تصویر با استفاده از ساختار از روش استریو با چند نمای حرکتی (SfM-MVS) است.

مشکل موجود در استفاده از پهپاد در مانیتورینگ تغییر سایبان حرا، دشواری استفاده از سنسور فتوگرامتری نوری (به عنوان مثال، نیمه هادی اکسید فلز مکمل RGB (CMOS) در تخمین تغییرات ارتفاع در زیر سایبان حرا است. سنسورهای نوری معمولاً سایبان حرا را تشخیص می دهند. به عنوان مدل ارتفاع سطح، نه به عنوان حداکثر ارتفاع بالای منطقه حرا. ارتفاع سطح پنهان حرا در زیر سایبان معمولاً مسدود می شود زیرا تعیین کمیت آن با استفاده از بررسی فتوگرامتری معمولی پهپاد دشوار است، مگر اینکه از یک الگوریتم فیلتر خاص برای کاهش مقدار استفاده شود. ارتفاع تاج حرا تا سطح زمین هنگامی که ارتفاع سطح پنهان حرا کشف شد، می توان با استفاده از تکنیک GCD نظارت بر تغییرات ارتفاع سطح انجام داد.

از این رو، این مطالعه بر بهبود الگوریتم فیلتر پوشش گیاهی برای استخراج ارتفاع سطح زیر سایه بان حرا برای تشکیل یک الگوریتم جدید به نام برآورد سطح از نزدیکترین ارتفاع و کاهش تکراری (SNERL) تمرکز دارد. این الگوریتم فیلتر سایبان حرا را از سطح زمین حذف می کند. سپس یک DEM تولید می کند که دقت آن تقریباً با اندازه گیری فیزیکی، با استفاده از ایستگاه کل، تراز کردن، یا سیستم ماهواره ای ناوبری جهانی (GNSS) قابل مقایسه است. مبنا عمودی زیر سایه بان حرا بر اساس نزدیکترین سطح شناسایی شده، مانند ساحل رودخانه یا سطح دهانه در وسط یک منطقه پوشش گیاهی متراکم است. مدل سطح دیجیتال (DSM)، که نشان دهنده ارتفاع در ارتفاع تاج حرا است، از داده‌های پهپاد جمع‌آوری شده است که شامل دو مدت زمان پرواز مختلف، در زمان جزر و مد است. داده های خام پهپاد (در تصاویر خام هوایی) بر اساس روش SfM-MVS با استفاده از نرم افزارهای تجاری مانند Agisoft Metashape پردازش می شوند. اگرچه می‌تواند مدل‌های ارتفتو، خطوط و مدل‌های سه بعدی (3D) تولید کند، DSM مهم‌ترین خروجی در این مطالعه است. نتایج دیگر، مانند ارتوفوتو، به عنوان داده های پشتیبانی عمل می کنند. از آنجایی که تصویر DSM از بررسی هوایی پهپاد تنها بالای ویژگی‌های توپوگرافی مانند پوشش گیاهی و ساختمان‌ها را به تصویر می‌کشد، به یک روش فیلتر برای فیلتر کردن و کاهش آن تا رسیدن به سطح زمین (سطح زمین) نیاز دارد. این مطالعه ممکن است به داده‌های اضافی، مانند داده‌های توپوگرافی فیزیکی از مشاهدات سینماتیک (RTK) در زمان واقعی نیاز داشته باشد تا صحت DEM فیلتر شده را تأیید کند. در هنگام جزر و مد داده های خام پهپاد (در تصاویر خام هوایی) بر اساس روش SfM-MVS با استفاده از نرم افزارهای تجاری مانند Agisoft Metashape پردازش می شوند. اگرچه می‌تواند مدل‌های ارتفتو، خطوط و مدل‌های سه بعدی (3D) تولید کند، DSM مهم‌ترین خروجی در این مطالعه است. نتایج دیگر، مانند ارتوفوتو، به عنوان داده های پشتیبانی عمل می کنند. از آنجایی که تصویر DSM از بررسی هوایی پهپاد تنها بالای ویژگی‌های توپوگرافی مانند پوشش گیاهی و ساختمان‌ها را به تصویر می‌کشد، به یک روش فیلتر برای فیلتر کردن و کاهش آن تا رسیدن به سطح زمین (سطح زمین) نیاز دارد. این مطالعه ممکن است به داده‌های اضافی، مانند داده‌های توپوگرافی فیزیکی از مشاهدات سینماتیک (RTK) در زمان واقعی نیاز داشته باشد تا صحت DEM فیلتر شده را تأیید کند. در هنگام جزر و مد داده های خام پهپاد (در تصاویر خام هوایی) بر اساس روش SfM-MVS با استفاده از نرم افزارهای تجاری مانند Agisoft Metashape پردازش می شوند. اگرچه می‌تواند مدل‌های ارتفتو، خطوط و مدل‌های سه بعدی (3D) تولید کند، DSM مهم‌ترین خروجی در این مطالعه است. نتایج دیگر، مانند ارتوفوتو، به عنوان داده های پشتیبانی عمل می کنند. از آنجایی که تصویر DSM از بررسی هوایی پهپاد تنها بالای ویژگی‌های توپوگرافی مانند پوشش گیاهی و ساختمان‌ها را به تصویر می‌کشد، به یک روش فیلتر برای فیلتر کردن و کاهش آن تا رسیدن به سطح زمین (سطح زمین) نیاز دارد. این مطالعه ممکن است به داده‌های اضافی، مانند داده‌های توپوگرافی فیزیکی از مشاهدات سینماتیک (RTK) در زمان واقعی نیاز داشته باشد تا صحت DEM فیلتر شده را تأیید کند. داده های خام پهپاد (در تصاویر خام هوایی) بر اساس روش SfM-MVS با استفاده از نرم افزارهای تجاری مانند Agisoft Metashape پردازش می شوند. اگرچه می‌تواند مدل‌های ارتفتو، خطوط و مدل‌های سه بعدی (3D) تولید کند، DSM مهم‌ترین خروجی در این مطالعه است. نتایج دیگر، مانند ارتوفوتو، به عنوان داده های پشتیبانی عمل می کنند. از آنجایی که تصویر DSM از بررسی هوایی پهپاد تنها بالای ویژگی‌های توپوگرافی مانند پوشش گیاهی و ساختمان‌ها را به تصویر می‌کشد، به یک روش فیلتر برای فیلتر کردن و کاهش آن تا رسیدن به سطح زمین (سطح زمین) نیاز دارد. این مطالعه ممکن است به داده‌های اضافی، مانند داده‌های توپوگرافی فیزیکی از مشاهدات سینماتیک (RTK) در زمان واقعی نیاز داشته باشد تا صحت DEM فیلتر شده را تأیید کند. داده های خام پهپاد (در تصاویر خام هوایی) بر اساس روش SfM-MVS با استفاده از نرم افزارهای تجاری مانند Agisoft Metashape پردازش می شوند. اگرچه می‌تواند مدل‌های ارتفتو، خطوط و مدل‌های سه بعدی (3D) تولید کند، DSM مهم‌ترین خروجی در این مطالعه است. نتایج دیگر، مانند ارتوفوتو، به عنوان داده های پشتیبانی عمل می کنند. از آنجایی که تصویر DSM از بررسی هوایی پهپاد تنها بالای ویژگی‌های توپوگرافی مانند پوشش گیاهی و ساختمان‌ها را به تصویر می‌کشد، به یک روش فیلتر برای فیلتر کردن و کاهش آن تا رسیدن به سطح زمین (سطح زمین) نیاز دارد. این مطالعه ممکن است به داده‌های اضافی، مانند داده‌های توپوگرافی فیزیکی از مشاهدات سینماتیک (RTK) در زمان واقعی نیاز داشته باشد تا صحت DEM فیلتر شده را تأیید کند. DSM مهمترین خروجی در این مطالعه است. نتایج دیگر، مانند ارتوفوتو، به عنوان داده های پشتیبانی عمل می کنند. از آنجایی که تصویر DSM از بررسی هوایی پهپاد تنها بالای ویژگی‌های توپوگرافی مانند پوشش گیاهی و ساختمان‌ها را به تصویر می‌کشد، به یک روش فیلتر برای فیلتر کردن و کاهش آن تا رسیدن به سطح زمین (سطح زمین) نیاز دارد. این مطالعه ممکن است به داده‌های اضافی، مانند داده‌های توپوگرافی فیزیکی از مشاهدات سینماتیک (RTK) در زمان واقعی نیاز داشته باشد تا صحت DEM فیلتر شده را تأیید کند. DSM مهمترین خروجی در این مطالعه است. نتایج دیگر، مانند ارتوفوتو، به عنوان داده های پشتیبانی عمل می کنند. از آنجایی که تصویر DSM از بررسی هوایی پهپاد تنها بالای ویژگی‌های توپوگرافی مانند پوشش گیاهی و ساختمان‌ها را به تصویر می‌کشد، به یک روش فیلتر برای فیلتر کردن و کاهش آن تا رسیدن به سطح زمین (سطح زمین) نیاز دارد. این مطالعه ممکن است به داده‌های اضافی، مانند داده‌های توپوگرافی فیزیکی از مشاهدات سینماتیک (RTK) در زمان واقعی نیاز داشته باشد تا صحت DEM فیلتر شده را تأیید کند. برای فیلتر کردن و کاهش آن تا رسیدن به سطح زمین (سطح زمین) به یک روش فیلتر نیاز دارد. این مطالعه ممکن است به داده‌های اضافی، مانند داده‌های توپوگرافی فیزیکی از مشاهدات سینماتیک (RTK) در زمان واقعی نیاز داشته باشد تا صحت DEM فیلتر شده را تأیید کند. برای فیلتر کردن و کاهش آن تا رسیدن به سطح زمین (سطح زمین) به یک روش فیلتر نیاز دارد. این مطالعه ممکن است به داده‌های اضافی، مانند داده‌های توپوگرافی فیزیکی از مشاهدات سینماتیک (RTK) در زمان واقعی نیاز داشته باشد تا صحت DEM فیلتر شده را تأیید کند.

2. منطقه مطالعه

رودخانه گلیم در جزیره لنکاوی، کداه، مالزی، به عنوان محل مطالعه انتخاب شده است ( شکل 1 ). این منطقه مورد مطالعه در سال 2007 به عنوان پارک ژئوجنگل گلیم کارست یونسکو (KKGP) تعیین شد. رودخانه گلیم جزر و مد نیمه روزانه دارد زیرا در 6°21.518’–6°26.093′ شمالی و 99°51.159′-99 درجه قرار دارد. 51.159′ E [ 4]. اگرچه رودخانه گلیم تقریباً سه کیلومتر با منطقه ساحلی فاصله دارد، اما اثر جزر و مدی هنوز وجود دارد و بر رودخانه گلیم تأثیر می گذارد. این منطقه به دلیل صخره های چشمگیر (سنگ آهک یا کارست)، غنای جنگل های حرا و اهمیت زمین شناسی منحصر به فردش، از سوی سازمان آموزشی، علمی و فرهنگی ملل متحد (یونسکو) وضعیت ژئوپارک را به خود اختصاص داده است. منطقه مورد مطالعه توپوگرافی طبیعی دره کوهستانی را با شیب متوسط 30 درجه و برخی مناطق تا 80 درجه نشان می دهد که پرواز خلبان هواپیمای بدون سرنشین بر فراز کل منطقه را بسیار چالش برانگیز می کند. منطقه مورد مطالعه همچنین توسط ساختارهای مختلف ژئومورفولوژیکی مانند خاک گل آلود در حاشیه رودخانه، جنگل انبوه حرا، سنگ آهک، کارست و انواع صخره‌ها در نواحی تپه‌ای احاطه شده است. این منطقه به‌عنوان منطقه مورد مطالعه انتخاب شد، زیرا دارای پوشش اضافی زمین شامل پوشش گیاهی با تراکم بالا، پوشش گیاهی کم، درختچه‌ها و ویژگی‌های مختلف ژئومورفولوژیکی است. رودخانه گلیم با توجه به مطالعه قبلی توسط [3 ] که تغییرات قابل توجهی در پویایی حرا در این منطقه کشف کرد.

3. مواد و روشها

3.1. داده ها

3.1.1. جمع آوری داده های پهپاد

وسیله نقلیه هوایی بدون سرنشین (پهپاد) مورد استفاده در این مطالعه یک مدل فانتوم 4 پیشرفته Da-Jiang Innovations (DJI) بود که توسط SZ DJI Technology Corporation Limited (شنژن، چین) تولید شد. مدل دوربین متصل شده دارای فاصله کانونی 3.61 میلی متر، وضوح 4000 × 3000 و اندازه پیکسل 1.56 × 1.56 میکرومتر است. برای برنامه ریزی مسیر پرواز و پارامترهای پرواز از نرم افزار DJI GO استفاده شده است. این شامل ارتفاع پرواز، همپوشانی جلویی و جانبی و اندازه منطقه تحت پوشش است. در سال 2016، ارتفاع پرواز در هنگام جزر 149 متر بود.

در همین حال، در سال 2017، ارتفاع پرواز در هنگام جزر 228 متر بود. دلیل انتخاب ارتفاع پروازی 228 متری از سطح زمین، شرایط توپوگرافی منطقه مورد مطالعه است که توسط تپه ها احاطه شده است. در حین جمع آوری داده های پهپاد، مسیر پرواز برای استقرار خودکار هواپیما با سیستم خلبانی خودکششی تعیین شد. برای انجام یک برخاست و فرود آرام، باید یک برنامه پرواز با در نظر گرفتن کامل تمام جوانب توسط خلبان تهیه شود. برای جلوگیری از هرگونه حادثه ناخواسته، به ویژه برخورد با تپه است. در این منطقه مورد مطالعه، حداکثر ارتفاع یک تپه حداکثر 200 متر نشان داده شد. به همین دلیل، 228 متر ارتفاع پرواز یک اقدام احتیاطی ایمن برای به حداقل رساندن خطر برخورد در طول فرآیند جمع‌آوری داده‌های پهپاد است.

بر اساس داده‌های پرواز برای هر دو دوره، هر پرواز تعداد متفاوتی از تصاویر هوایی را ثبت کرد. جمع‌آوری داده‌های پهپاد در سال 2016 به دلیل ارتفاع بالای آن، تصاویر و ایستگاه‌های دوربین بیشتری نسبت به سال 2017 ثبت کرد. برای منطقه تحت پوشش، 0.661 کیلومتر ^مربع کل منطقه تحت پوشش در هنگام جزر در سال 2016 بود، در حالی که 0.688 کیلومتر مربع ^در هنگام جزر در سال 2017 بود.

3.1.2. مشاهده داده های GNSS برای GCPها

برای این مطالعه، هشت هدف مصنوعی و یک تشک لاستیکی با علامت “X” (با ابعاد 2 متر × 2 متر) در مکان های توزیع شده در امتداد رودخانه گلیم (همانطور که در شکل 2 نشان داده شده است) نصب شد. مشاهده یک ساعته نظرسنجی GNSS با استفاده از مدل Topcon Trimble GR-5 برای اندازه گیری داده های افقی (طول و عرض جغرافیایی) و عمودی (ارتفاع بیضی) در GDM2000 در هر GCP انجام می شود. دقت مدل Topcon GR-5 هنگام استفاده از تکنیک استاتیک 3.0 میلی متر + 0.5 ppm (افقی) و 5.0 میلی متر + 0.5 ppm (عمودی) است، در حالی که 10 میلی متر + 1 ppm (افقی) و 15 میلی متر + 1 ppm است. (عمودی) هنگام اجرای تکنیک سینماتیک بلادرنگ (RTK) [ 48]. در این مطالعه، یک روش ایستا با مشاهده 1 ساعته نسبت به روش RTK برای اکتساب داده های GCP انتخاب شد. دلیل اصلی دقت GCP مشاهده شده است که با استفاده از روش استاتیک به 3.0 میلی متر + 0.5 پی پی ام (افقی) و 5.0 میلی متر + 0.5 پی پی ام (عمودی) می رسد، در حالی که روش RTK می تواند به 10 میلی متر + 1 پی پی ام (افقی) و 15 برسد. میلی متر + 1 ppm (عمودی). نه تنها برای جمع‌آوری داده‌های GCP استفاده می‌شود، بلکه یک ایستگاه مشابه نیز به عنوان ایستگاه پایه برای ارزیابی دقت عمودی GNSS به منظور تأیید کیفیت DEM فیلتر شده پس از عبور از الگوریتم فیلتر SNERL استفاده می‌شود.

دلیل دیگر استفاده از روش ایستا، نیاز به دقت زیاد در ارتفاع بیضی از مشاهدات GNSS به منظور تعیین ارتفاع ارتومتریک است. برای به دست آوردن بالاترین دقت ارتفاع ارتومتریک، بالاترین دقت ارتفاع بیضی از طریق روش ایستا ضروری است در حالی که ارتفاع زمین از مدل ژئوئید مالزی (MyGeoid) تعیین می شود. ارتفاع ارتومتریک با کم کردن ارتفاع بیضی (بررسی GNSS) از ارتفاع ژئوئید (مدل MyGeoid) شناسایی می شود تا اطمینان حاصل شود که داده های عمودی (ارتفاع متعامد) به میانگین سطح جهانی دریا (MSL) می رسد. از این رو، ارتفاع نهایی (z) همراه با مختصات (طول و عرض جغرافیایی) در هنگام پردازش تصویر درج شد و بر اساس ارتفاع ارتومتریک (ارتفاع بالاتر از میانگین سطح دریا) بود.

به عنوان یک سیستم مختصات ایالتی محلی که به طور خاص برای مناطق کداه و پرلیس اعمال می شود، از داده زمین مرکزی مالزی 2000 (GDM 2000) استفاده شد. برای اطمینان از اینکه داده‌های عمودی (ارتفاع ارتومتری) به میانگین سطح دریا می‌رسند، ارتفاع ارتومتریک با کم کردن ارتفاع بیضی (بررسی GNSS) از ارتفاع ژئوئید (مدل MyGeoid) محاسبه می‌شود. از این رو، داده‌های عمودی به‌عنوان ارتفاع ارتومتریک (ارتفاع بالاتر از میانگین سطح دریا) در طول فرآیند SfM-MVS، همراه با مختصات (طول و عرض جغرافیایی) GCPها درج شدند.

3.2. مواد و روش ها

3.2.1. تولید DSM مشتق از پهپاد از طریق روش SfM-MVS

تکنیک فتوگرامتری SfM-MVS برای ایجاد ابرهای نقطه سه بعدی (3D) استفاده شد که امکان بازسازی توپوگرافی را از تصاویر پراکنده و جهت‌دار تصادفی از دوربین‌های کالیبره‌نشده فراهم می‌کند. SfM-MVS برای بازسازی ساختار سه بعدی (3-D) از یک سری تصاویر همپوشانی انتخاب شد. این به دلیل این است که روش‌های تحلیلی آن مبتنی بر راه‌حلی به کمک رایانه از الگوریتم‌های ریاضی و کپی نرم دیجیتالی داده‌های مبتنی بر فتوگرامتری است که نیاز به سخت‌افزار اپتومکانیکی را از بین می‌برد. تصاویر با استفاده از نرم افزار تجاری موجود SfM، Agisoft Metashape v1.6.4، که از یک پیشرفت معمولی SfM-MVS استفاده می کند، پردازش شدند. پردازش داده ها با استفاده از پردازنده های Intel Core i7 3.6 گیگاهرتزی، پردازنده های گرافیکی NVIDIA Quadro K80 و 32 گیگابایت رم انجام شده است.

3.2.2. تفکیک مناطق پوشش گیاهی و غیر رویشی با استفاده از شاخص های پوشش گیاهی (VI)

شاخص‌های گیاهی متعددی برای کاربردهای مختلف وجود دارد، اما مؤثرترین آنها با استفاده از نوارهای سبز، قرمز، لبه قرمز، نزدیک به مادون قرمز و/یا مادون قرمز، مانند شاخص گیاهی تفاوت نرمال شده (NDVI) و پوشش گیاهی تقویت‌شده به دست می‌آیند. فهرست (EVI) (EVI). در پهپادهای سبک وزن، مانند مورد استفاده شده در این مطالعه (DJI Phantom 4 Advanced)، حداکثر بار قابل حمل محدود است. از این رو، انواع سنسورهای موجود بر اساس وزن آنها محدود می شود. در حالی که دوربین های چند طیفی فشرده تر می شوند و برخی از حسگرها را می توان در هواپیماهای کوچک نصب کرد (مثلاً Parrot Sequoia)، بسیاری از پهپادها در حال حاضر این قابلیت های جدید را اجرا می کنند. این دوربین‌ها دارای سنسورهای CMOS هستند که به نور مرئی تا نزدیک مادون قرمز (NIR) (400 تا 900 نانومتر) حساس هستند، همراه با کانال‌های RGB و فیلترهایی که تابش بیش از 650 نانومتر را مسدود می‌کنند.

شاخص‌های پوشش گیاهی صرفاً بر اساس نوارهای نور مرئی، مانند شاخص گیاهی مرئی ( VVI ) و سبزی بیش از حد ( ExG ، معادله (2)) وجود دارد که پوشش گیاهی را از زمین برهنه متمایز می‌کند. VVI مقیاسی از 0 تا 1 است که مقادیر کمتر آن نشان‌دهنده سطح لخت و مقادیر بالای پوشش گیاهی است، همانطور که در رابطه (1) نشان داده شده است.

(1)

R ، G و B به ترتیب مقادیر کانال قرمز، سبز و آبی هستند. RGB ₀ بردار رنگ سبز مرجع است (در این مورد، R ₀ = 40، G ₀ = 60، و B ₀ = 10)، و W یک جزء وزنی است (در اینجا 1) [ 49 ]. همانطور که در رابطه (2) نشان داده شده است، ExG یک شاخص پیوسته با مقادیر بالاتر است که سطوح بازتابنده سبز روشن مانند پوشش گیاهی را نشان می دهد و مقادیر پایین تر نشان دهنده زمین لخت یا موانع است.

(2)

مرحله اولیه استخراج شاخص گیاهی ( VI ) تولید شاخص گیاهی مرئی ( VVI ) است که سپس پارامترسازی ExG ( شکل 3 ) دنبال می‌شود. ExG یک شاخص پیوسته است که در آن مقادیر بزرگتر سطوح بازتابنده سبز روشن مانند پوشش گیاهی را نشان می دهد و مقادیر پایین تر نشان دهنده زمین های لخت یا موانع است. سپس مقادیر R ، G ، B نرمال، محاسبه و به صورت بصری مقایسه شدند تا مشخص شود چه مقدار پوشش گیاهی شناسایی شده است. مشخص شد که VVI برای تشخیص تغییرات جزئی بین انواع پوشش گیاهی و ExG مفید استتضاد بیشتری بین پوشش گیاهی و زمین بایر ایجاد کرد. ExG نشانگر انتخاب بود زیرا هدف طبقه بندی نقاط پوشش گیاهی و نقاط زمین بود. در طول فرآیند فیلتر کردن، هر نقطه در ابر نقطه با ExG بزرگتر از 0.1 حذف شد. خروجی این روش پوشش گیاهی فیلتر شده از DSM است که فقط از پوشش گیاهی با سبزی مشخص تشکیل شده است و سطوح لخت یا زمین را حذف می کند.

این فرآیند از VI به عنوان طبقه بندی کننده ویژگی های پوشش گیاهی و غیر گیاهی استفاده کرد. با استفاده از الگوریتم شاخص گیاهی متمایز نرمال شده (NDVI)، ویژگی هایی با VI بالاتر منطقه پوشش گیاهی در نظر گرفته شد و بالعکس. VI ویژگی هایی را که در نوار سبز (باند 2) بالاتر هستند به عنوان منطقه پوشش گیاهی انتخاب می کند، در حالی که نوار قرمز (باند 1) و نوار آبی (باند 3) که در VI کم هستند، غیر پوشش گیاهی هستند ( شکل 2 ) . .

سپس سبزی بیش از حد ( ExG ) با استفاده از تابع آستانه دودویی برای طبقه بندی بین پوشش گیاهی و غیر گیاهی با استفاده از اعداد باینری 0 (کم) و 1 (بالا) به عنوان شاخص انجام شد. بنابراین، هر ویژگی با ExG > 0.1 در شطرنجی تبدیل شده NDVI پوشش گیاهی در نظر گرفته شد و در حالی که بقیه حذف شدند، نگهداری شدند. شطرنج ExG قبل از اینکه به شکل فایل چند ضلعی تبدیل شود، همانطور که در شکل 2 نشان داده شده است، با استفاده از یک عدد صحیح (تحلیلگر فضایی) با عدد باینری (0، 1) از هم جدا شده است . آخرین فرآیند در این زیر بخش، انتخاب تنها ویژگی های با ExG است> 0.1 با داده های DSM پهپاد پوشانده شود و بنابراین برای حذف هر منطقه ناخواسته مورد علاقه (ROI) در کل داده های DSM بریده شود. از این رو، خروجی در این فرآیند DSM بریده‌شده است که روی داده‌های DSM پهپاد قرار می‌گیرد که در پردازش‌های بعدی استفاده خواهد شد. روند دقیق برای دوره دوم داده ها تکرار شد (Low tide 2017).

3.2.3. فیلتر گیاهی با استفاده از الگوریتم SNERL

الگوریتم‌های SNERL از یک پیش‌بینی خطی توسط [ 50 ] سرچشمه می‌گیرند، که بعداً به کاهش سطح تکرارشونده (ISL) تبدیل شد، قبل از اینکه به‌عنوان کاهش سطح تکرارشونده (ISL) + شاخص گیاهی (ISL + VI) ترکیب شود، همانطور که توسط [ 45 توضیح داده شد.]. الگوریتم های SNERL به عنوان یک الگوریتم هموارسازی برای ارتفاعات نامنظم پوشش گیاهی عمل می کنند در حالی که نزدیک ترین ارتفاع ارتفاع را به عنوان مرجع در نظر می گیرند. با استفاده از نزدیکترین ارتفاع ارتفاعی سطح (باقیمانده منفی) که توسط تاج پوشش گیاهی مسدود نمی شود، فیلترینگ تکراری برای داده های ابر نقطه ای انجام می شود، به طوری که می توان آن را تا رسیدن به سطح مبدأ عمودی کاهش داد. به عنوان یک داده عمودی مرجع، هر ارتفاع سطحی که پوشش گیاهی نداشته باشد، سطح زمین در نظر گرفته می شود که به عنوان «باقیمانده منفی» نیز شناخته می شود.

ارتفاع سطح یا توپوگرافی احتمال بیشتری برای داشتن باقیمانده منفی نسبت به نقطه پوشش گیاهی دارد که احتمال وجود پسماندهای کوچک منفی یا مثبت بیشتر است. از این رو، H _i به عنوان ارتفاع پوشش گیاهی، که با یک ابر نقطه یا پروفایل DSM نشان داده می شود، یک باقیمانده مثبت در این الگوریتم در نظر گرفته می شود. حذف باقیمانده ها بر اساس وزن محاسبه شده به طور مکرر انجام می شود تا زمانی که تمام نقاط پوشش گیاهی را حذف کند تا به سطح باقیمانده منفی برسد ( شکل 4 ). فرآیند تکراری حذف باقیمانده ها به مقدار وزن Ha _,b بستگی دارد که با استفاده از الگوریتم SNERL پیشنهادی در معادله (3) به صورت زیر محاسبه می شود (مثال در تکرار اول) :

(3)

تفاوت این الگوریتم با سایر روش های فیلتر در این است که یک سطح برهنه در وسط جنگل حرا به عنوان ارتفاع مرجع عمل می کند. در مفهوم فیلتر SNERL، سطح لخت در معرض ارتفاع ارتفاع را نشان می دهد و باقیمانده های منفی وجود خواهد داشت. چنین رویکردی می‌تواند پایین آمدن سطح حرا را به سمت یک ارتفاع خاص هدایت کند و فرآیند فیلتر کردن باقیمانده‌ها را حذف می‌کند و به طور مکرر به سمت دقت بالاتر سطح زمین پنهان می‌رود. دقت بالاتر سطح زمین فیلتر شده در زیر سایبان حرا در مطالعه بیشتر ژئومورفولوژی حرا مفید خواهد بود و بنابراین جایگزینی برای محققان برای استفاده از یک پلت فرم از راه دور برای تحقیقات پیشرفته مرتبط به جای تنها تکنیک های فیزیکی فراهم می کند.

برنامه نویسی الگوریتم SNERL در نرم افزار R، همانطور که در شکل 3 نشان داده شده است، انجام شد . ارتفاع سطح فیلتر نشده در DSM به چند دسته ارتفاع دسته بندی شد که در آن هر نوع یک ویژگی خاص را نشان می داد. به عنوان مثال، هر ویژگی دارای یک محدوده ارتفاع آشکار است. به عنوان مثال، زمین برهنه از 0 تا 1 متر، چمن کوتاه بین 20 تا 25 سانتی متر، چمن بلند از 2.1 متر ارتفاع با ریشه های امتداد یافته به داخل خاک تا 1.8 متر، بوته های فرعی از 1 تا 2 متر، بوته های کوچک در بازه زمانی متفاوت بود. از 1 تا 2 متر و بوته های بلند بین 2 تا 5 متر متغیر بودند. الگوریتم SNERL ارتفاع DSM را فیلتر می کند تا زمانی که به سومین تکرار به عنوان آخرین و پایین ترین خوشه DSM برسد. این دسته با ارتفاعی بین 15 تا 20 متر، بالاترین خوشه DSM در نظر گرفته شد.

در اولین تکرار، فرآیند فیلتر کردن فقط بر ارتفاع سطح آب بین 15 تا 20 متر تأثیر می گذارد. در ارتفاعی بین 10 تا 15 متر، این دسته به عنوان خوشه DSM متوسط در نظر گرفته شد. سپس در تکرار دوم، فرآیند فیلتر کردن تنها بر ارتفاع سطح بین 10 تا 15 متر تأثیر می‌گذارد، در حالی که برای دسته دیگری از ارتفاع، تأثیری بر فرآیند فیلتر کردن نخواهد داشت. نوع دیگر ارتفاع بین 5 تا 10 متر بود و تکرار سوم بر ویژگی های موجود در این گروه از ارتفاع تأثیر می گذارد. سطح باقیمانده DSM، که ارتفاع بیشتری از 5 متر ندارد، در نظر گرفته شد که به سطح زمین رسیده است و دیگر پوشش گیاهی سطح زمین را ندارد. در این حالت، DSM دیگر دارای پوشش گیاهی یا بوته ای نیست و می تواند یک مدل ارتفاعی دیجیتال (DEM) باشد. از این رو،

3.2.4. کمی سازی تغییرات ارتفاع سطح با استفاده از روش تشخیص تغییرات ژئومورفولوژیکی (GCD)

GCD تکنیکی برای اندازه‌گیری فرآیندهای تغییرات ژئومورفولوژیکی روی سطح است که شامل فرسایش، برافزایش (رسوب‌گذاری) و رسوب‌گذاری ناشی از بررسی‌های توپوگرافی زمانی است. به دلیل نتایج کیفی و صریح فضایی، GCD به سرعت در حال تبدیل شدن به یک روش نظارت و احیای رودخانه رایج‌تر است. تغییر حجمی با مقایسه ارتفاع سطح مدل رقومی ارتفاع (DEM) به دست آمده از بررسی توپوگرافی دوره ای با DEM تعیین می شود. هر DEM یک نمایش سطح مبهم دارد، اما GCD می تواند تغییرات را در چندین بررسی زمانی شناسایی کند. عدم قطعیت DEM شامل دو وضعیت است: پیچیده و ساده. حداقل سطح تشخیص (MinLoD) برای عدم قطعیت ساده استفاده می شود، در حالی که تنوع فضایی از طریق یک سیستم استنتاج فازی (FIS) برای عدم قطعیت پیچیده استفاده می شود. برای تجزیه و تحلیل تفاوت DEM (DoD)، GCD ابزارهایی برای کمی سازی و انتشار عدم قطعیت ها در هر DEM [51 ].

تجزیه و تحلیل وزارت دفاع برای تشخیص تغییرات در توپوگرافی خاک در طول زمان و تعیین کمیت حجم رسوبات فرسایش یافته یا رسوب شده استفاده شده است [ 52 ]. مدل‌های رقومی ارتفاع به‌دست‌آمده از هر بررسی برای ارائه هر نتیجه وزارت دفاع متفاوت است. از DoD ها برای محاسبه تغییر حجمی خالص در یک دسترسی با پیشرفت آن در طول زمان استفاده می شود. از دیدگاه ژئومورفیک، تغییر در ذخیره سازی را از نظر بودجه رسوبی (به دلیل فرسایش و رسوب) توصیف می کند. همانطور که در رابطه (4) نشان داده شده است، DEM های دوره های متعدد از یکدیگر کم می شوند تا یک شطرنجی تغییر مورفولوژیکی تشکیل شود، که در آن t 1 زمان اولیه و t 2 زمان بعدی DEM است.تحصیل.

(4)

فرآیند با انتخاب DEM فیلتر شده به عنوان ورودی برای بررسی DEM شروع می شود و هر دو داده در نرم افزار GCD بارگذاری می شوند. حداقل دو مجموعه داده DEM به عنوان ورودی مورد نیاز بود، با هر دو مجموعه داده DEM جدید یا قدیمی بر اساس دوره: DEM جدید (DEM جزر و مد 2017) و DEM قدیمی ( DEM کم جزر و مد )سال 2016). تقاطع گستره داده های سطحی جدید و قدیمی به عنوان منطقه مورد علاقه در طول تجزیه و تحلیل تشخیص تغییر هر دو مجموعه داده عمل می کند. سپس الگوریتم یکی از سه رویکرد را برای ارزیابی عدم قطعیت انتخاب می کند: (1) سطح حداقل سطحی تشخیص (minLoD)، (ب) خطاهای منتشر شده، و (iii) آستانه احتمالی. اگرچه این با استفاده از ماشین حساب شطرنجی در ArcGIS یکسان است، نرم افزار GCD به اعمال یک آستانه برای داده ها کمک می کند. این آستانه مفید است زیرا متداول ترین روش مورد استفاده برای مدیریت عدم قطعیت های DEM ، حداقل آستانه تشخیص (minLoD) را برای شناسایی تغییرات سطح واقعی از نویز ذاتی مشخص می کند. در این مطالعه، minLoD به دلیل DEM ساده، بیش از خطاهای منتشر شده و آستانه احتمالی انتخاب شد.ورودی با استفاده از آستانه یکسان، که منجر به خطاهای مشابه در سطح DEM می شود. مقدار آستانه MinLoD برای همه ROI ها 0.1 متر است، با توجه به مقدار RMSE برای UAV-DSM در مقابل ارزیابی دقت GNSS ایستا. شکل 4 جریان روش برای ایجاد تشخیص تغییر DEM با استفاده از نرم افزار مستقل GCD را نشان می دهد.

4. نتایج و بحث

4.1. نتیجه SfM-MVS

همه دوره ها برای خطای RMSE تجزیه و تحلیل شده اند تا دقت هر نتیجه بر اساس جدول GCP قبلی تعیین شود. برای مشاهدات جزر و مد در سال 2016، جدول 1 مجموع خطای N را 1.380 سانتی متر، خطای E برابر با 1.003 میلی متر، خطای H 0.263 میلی متر و خطای NE را 1.723 میلی متر تعیین کرده است. در همین حال، برای سال 2017، مشاهدات جزر و مد، N خطا را در 1.309 میلی متر، خطای E در 1.463، خطای H را در 0.232 میلی متر، و خطای NE را در 1.921 میلی متر برای هر 8 GCP نمایش داد ( جدول 1 ). آخرین اما نه کم اهمیت ترین، جدول 1همچنین ارزیابی دقت GCP را برای هر دو دوره خلاصه و نمایش می‌دهد. برای مشاهدات جزر و مد در سال 2016، جدول حداقل خطا را 0.339، حداکثر خطا را 2.612 میلی متر، خطای ME را 1.697 میلی متر و خطای SDE را 0.686 میلی متر نشان می دهد. در همین حال، برای مشاهدات جزر و مد در سال 2017، 8 GCP مورد تجزیه و تحلیل قرار گرفت و حداقل خطا را 0.131- میلی متر، حداکثر خطا در 2.372 میلی متر، خطای ME در 1.660 میلی متر و خطای SDE را در 0.652 میلی متر نشان داد.

جدول 2 همچنین ارزیابی پارامترهای کالیبراسیون دوربین برای داده های پهپاد را بر اساس فاصله کانونی (F)، مختصات نقطه اصلی (C _x و C _y )، ضرایب چند جمله ای اعوجاج شعاعی (K1، K2، و K3) و ضرایب اعوجاج مماسی نشان می دهد. (P1، P2، P3 و P4). مقدار F برای جزر و مد در سال 2016 2335.58 بود، در حالی که در سال 2017، فاصله کانونی برای جزر و مد پایین 4002.28 بود. برای مقدار C _x در سال 2016، مقدار جزر و مد 28.6748- بود، در حالی که مقدار جزر و مد در سال 2017 -27.3149 بود. در همین حال، برای C _yمقدار، مقدار -14.2392 برای سال 2016 است، در حالی که مقدار 10.0872 برای سال 2017 است. برای مقدار B1، داده های سال 2016 مقدار -4.02501 (کم جزر) را نشان می دهد در حالی که داده های سال 2017 مقداری از -4.2571 (جزر و مد). برای B2، داده ها در سال 2016 مقدار 1.76359 (کم جزر) را ثبت کردند، در حالی که داده های سال 2017 مقدار 2.3614 (کم جزر) را ثبت کردند. سپس، مقدار K1 در سال 2016 مقدار -0.000666 (کم جزر) را نشان می دهد، در حالی که در سال 2017، مقدار 0.0102225 (کم جزر) است. برای مقدار K2، داده‌های سال 2016 مقدار -0.003219 (کم جزر) را نشان می‌دهند در حالی که داده‌های سال 2017 مقدار -0.0258016 (کم جزر) را نشان می‌دهند. برای مقدار K3، داده های سال 2016 مقدار 0.000425734 (کم جزر) را نشان می دهد، در حالی که برای سال 2017، مقدار جزر و مد 0.037059 است. برای P1، داده های سال 2016 مقدار -0 را نشان می دهد. 00000878648 (کم جزر) در حالی که داده های سال 2017 مقدار -0.00000000927189 (کم جزر) را نشان می دهد. برای P2، داده ها در سال 2016 مقدار -0.0000520873 (کم جزر) را ثبت کردند، در حالی که داده های سال 2017 مقدار -0.000000555727 (کم جزر) را ثبت کردند. مقدار P3 برای جزر و مد در سال 2016 7.86566 بود، در حالی که در سال 2017، فاصله کانونی برای جزر و مد پایین 7.2483 بود. در نهایت، برای پارامتر P4، داده‌ها در سال 2016 مقدار -7.03535 (کم جزر) را ثبت کردند در حالی که داده‌های سال 2017 مقدار -8.1128 (کم جزر) را ثبت کردند.

شکل 5 خروجی پهپاد را با داده‌های ارتوموسائیک و DSM از دو دوره مجزا، 2016 و 2017 نشان می‌دهد. در DSM، اندازه جزر کم (2016) 13529×17191 بود، در حالی که اندازه جزر کم (2017×15) بود. 13,221. در سال 2016، ارتفاع DSM از 99.8065- تا 106.325 متر متغیر بود، در حالی که در سال 2015، ارتفاع DSM از 93.9257- تا 105.059 متر بود. برای داده‌های ارتوموزائیک و DSM، همان WGS 84 (EPSG:4326) برای همه دوره‌ها استفاده شد، همانطور که در شکل 6 نشان داده شده است.. برای دسته بندی ابرهای نقطه ای، کل نقاط ایجاد شده در سال 2016، 72066 از 90739 (کم جزر) بود، در حالی که در سال 2017، کل نقاط ایجاد شده در جزر و مد 35،766 از 40،957 بود. بازطراحی مجدد RMS در سال 2016 برای جزر و مد 0.29469 (2.07029 پیکسل) بود، در حالی که در سال 2017، بازپرداخت مجدد RMS برای جزر و مد 0.460728 (2.25272 پیکسل) بود. برای حداکثر خطای بازپرداخت، مقدار جزر و مد (2016) 6.11634 بود در حالی که برای جزر و مد (2017) 7.12983 بود. متعاقباً، دسته بندی ابرهای نقطه متراکم نشان داد که کل نقاط ایجاد شده برای جزر و مد در سال 2016، 84848119 بوده است، در حالی که برای سال 2017، نقاط تولید شده 49،950،801 (کم جزر) بوده است. همه دوره‌ها از حالت نگاشت ارتوفتو، حالت ترکیب موزاییک، اندازه‌های بافت 4096 × 4096، پر کردن حفره و با فعال بودن فیلتر شبح استفاده می‌کردند. سپس، برای مدل کاشی، بافت سه باند (RGB) و واحد هشت (8) برای همه دوره ها استفاده شد. برای DSM، اندازه جزر و مد (2016) 17،191 × 13،529 بود، در حالی که برای جزر و مد (2017) 15،810 × 13،221 بود. همان WGS 84 (EPSG: 4326) برای همه دوره‌ها در داده‌های ارتوموزائیک و DSM استفاده شد، همانطور که در نشان داده شده است.شکل 5 . برای پارامترهای بازسازی، همه دوره‌ها از داده‌های منبع ابری متراکم استفاده کردند و درون یابی را برای داده‌های DSM و ارتوموسائیک فعال کردند. در ضمن برای سایز ارتوموزائیک سایزهای استفاده شده در سال 2016 برابر با 21756 × 19274 و 21484 × 19152 می باشد در حالی که برای سال 2017 سایزهای استفاده شده 19892 × 19824 × 74 308 و 7.20 می باشد. برای پارامترهای بازسازی برای ارتوموزائیک، حالت ترکیبی موزاییک، سطح DSM و پر کردن سوراخ برای همه دوره‌ها استفاده شد.

4.2. نتیجه فیلتر SNERL

فرآیند فیلتر کردن از داده‌های DSM پهپاد در سال‌های 2016 و 2017 تشکیل شد. برای دوره 2016، هشت منطقه مورد علاقه (ROI) در منطقه مورد مطالعه ایجاد شد. در ROI 1، میانگین ارتفاع قبل از فیلتر بین 1.5 متر تا 25 متر بود و پس از فرآیند فیلتر، میانگین ارتفاع به میانگین بین 3.7- تا 6.3 متر کاهش یافت. همانطور که در شکل 6 نشان داده شده استمیانگین ارتفاع قبل از فیلتر بین 5- تا 29 متر بود و پس از فرآیند فیلتر کردن، ارتفاع متوسط به 1.0- و 6.0 متر کاهش یافت. برای ROI 3، میانگین ارتفاع قبل از فیلتر بین 10- تا 67 متر بود اما پس از فرآیند فیلتر کردن به 1.0- و 5.6 متر کاهش یافت. در همین حال، در ROI 4، میانگین ارتفاع از میانگین 37- متر به 48 متر قبل از فیلتر کردن به -5.0 متر و بعد از فیلتر کردن 6.7 متر تغییر کرد. قبل از فیلتر کردن، میانگین ارتفاع در ROI 5 بین 74- تا 50 متر بود، اما پس از فیلتر کردن به 24- تا 15 متر کاهش یافت. در ROI 6، ارتفاع از میانگین 10- متر به 30 متر (قبل از فیلتر کردن) به 4.1- متر و 12.5 متر (پس از فیلتر کردن) تغییر می کند. ROI زیر (ROI 7) در ارتفاع متوسط از -10 و 50 متر به -2.5 متر و 12.5 متر پس از فرآیند فیلتر کاهش می یابد.

در سال 2017، تعداد مشابهی از ROI در منطقه مورد مطالعه اعمال شد. در ROI 1، میانگین ارتفاع قبل از فیلتر بین 29- تا 50 متر بود و پس از فرآیند فیلتر کردن، میانگین ارتفاع به میانگین بین 6.7- تا 12.5 متر کاهش یافت. در ROI 2، میانگین ارتفاع قبل از فیلتر بین 10- تا 30 متر بود و پس از فرآیند فیلتر کردن، ارتفاع متوسط به 0.2 متر و 5.0 متر کاهش یافت، همانطور که در شکل 6 نشان داده شده است.. برای ROI 3، میانگین ارتفاع قبل از فیلتر بین 0 متر و 80 متر بود اما پس از فرآیند فیلتر به 0.0 متر و 4.8 متر کاهش یافت. در همین حال، در ROI 4، میانگین ارتفاع از میانگین 2 متر به 60 متر قبل از فیلتر کردن به 0.3 متر و 7.0 متر پس از فیلتر تغییر کرد. در ROI 5، میانگین ارتفاع قبل از فیلتر بین 19- تا 50 متر بود و پس از فرآیند فیلتر کردن به 5.0- و 14.5 متر کاهش یافت. در ROI 6، ارتفاع از میانگین 1 متر به 40 متر (قبل از فیلتر) به 0.2 متر و 12.5 متر (بعد از فیلتر) تغییر یافت. ROI زیر (ROI 7) در ارتفاع متوسط از 10- متر به 29 متر در 2.5- متر و 7.7 متر پس از فیلتر کاهش یافت. آخرین ROI (ROI 8) میانگین کاهش ارتفاع را از -4.0 متر به 39 متر (قبل از فیلتر کردن) به -10.0 متر و 7.5 متر (پس از فیلتر کردن) نشان داد.ضمیمه A و ضمیمه B .

پس از تولید DEM فیلتر شده، ارتفاع سطح بین دوره ها با استفاده از ابزارهای پروفایل مسیر نرم افزار Global Mapper v22.0 مقایسه شد. خط مشخصات مسیر به طور همزمان در هر دو دوره DEM فیلتر شده انجام شد. مقایسه شامل انحراف در ارتفاع بین دو دوره DEM فیلتر شده و ارتفاع غالب هر ROI است. بر اساس شکل 7، ROI 2 افزایش DSM (فیلتر نشده) و DEM (فیلتر شده) را بین سالهای 2016 و 2017 نشان داد و وضعیت مشابهی نیز در ROI 3، 5، 6 و 8 رخ داد. از طرف دیگر، موقعیت های کنتراست در ROI 1 رخ داد. ، 4 و 7، جایی که کاهش بر سطح غالب بود. کیفیت DEM با استفاده از الگوریتم فیلتر SNERL بر اساس ارزیابی دقت عمودی ارزیابی و کمی سازی شد. ارزیابی دقت عمودی DSM پس از پردازش با استفاده از الگوریتم SNERL با داده‌های GNSS مقایسه شد که منجر به خطای RMSE 0.089 متر، میانگین 0.039 متر و انحراف استاندارد (SD) 0.322 متر شد. بنابراین، می توان نتیجه گرفت که دقت الگوریتم فیلتر SNERL کمتر از 1 متر است.

4.3. نتیجه GCD

شکل 8 خروجی گرافیکی تغییرات ارتفاعی سطح در زیر سایبان حرا را نشان می دهد که شامل نمای گرافیکی تغییرات منطقه، تغییرات حجمی و میانگین های عمودی محاسبه شده با نرم افزار GCD می باشد. علاوه بر این، نقشه GCD با مقدار آستانه 20 نشان داده شد تا یک نگاه سریع به فرسایش (کاهش سطح) و برافزایش (بالا بردن سطح) در هر منطقه مورد علاقه (ROI) ارائه دهد.

در ROI 1 (a)، نقشه GCD نسبت تقریباً متعادلی از فرسایش و برافزایش را برای تغییرات منطقه نشان داد، با افزایش کمی بیشتر از فرسایش. در مقایسه، ROI 1 (b) و 1 (c) همچنین برافزایش بیشتری را بر فرسایش در هیستوگرام خود برای تغییرات حجمی و تغییرات عمودی نشان دادند. نقشه GCD در ROI 2 (a) و (b) نسبت نامتعادلی از فرسایش به برافزایش را برای تغییرات سطحی و حجمی نشان داد، و چیزی مشابه در میله‌های تغییر در ROI (c) ظاهر شد. برای ROI 3 (a) و (b)، فرسایش غالب تر از برافزایش به نظر می رسد، و تغییرات عمودی نیز به مقدار قابل توجهی افزایش یافته است. وضعیت مشابهی در ROI 3، 4، 7، و 8 رخ داد که نشان می‌دهد فرسایش غالب‌تر از برافزایش است، اما این مورد در ROI 6 نبود، جایی که برافزایش بسیار مهم‌تر از فرسایش بود.

هیستوگرام و میله‌های تغییر در شکل 9 نشان می‌دهد که ROI 1 (a) تقریباً نسبت متعادلی از فرسایش و برافزایش را برای تغییرات منطقه تجربه می‌کند، با برافزایش کمی بالاتر از فرسایش، در حالی که ROI 1 (b,c) نیز برافزایش بیشتری نسبت به فرسایش در خود نشان می‌دهد. هیستوگرام برای تغییرات حجمی و تغییرات عمودی. هیستوگرام و میله‌های تغییر ROI 2 (a,b) در شکل A1 نسبت نامتعادلی از فرسایش به برافزایش را برای تغییرات سطحی و حجمی نشان می‌دهد، و چیزی مشابه روی میله‌های تغییر ROI 2 (c) ظاهر شد. برای نرخ های ROI 3 (a,b)، فرسایش غالب تر از برافزایش به نظر می رسد، و تغییرات عمودی نیز به مقدار قابل توجهی افزایش یافته است، همانطور که در شکل A2 نشان داده شده است. وضعیت مشابهی در ROI 4 و 7 در شکل A3 رخ دادو شکل A5 ، در حالی که ROI 8 در شکل 6 نشان می دهد که فرسایش غالب تر از برافزایش است، اما این مورد در ROI 6 ( شکل A5 )، که در آن برافزایش بسیار بیشتر از فرسایش بود، صدق نمی کند. تغییرات عمودی مستقیماً بر عدم تعادل بین فرسایش و برافزایش تأثیر می‌گذارد، که با میله‌های تغییر در همه ROI (c) که مقادیر میانگین عمق پایین‌آمدن، میانگین عمق بالا آمدن و میانگین اختلاف ضخامت کل را منتشر می‌کند، ثابت شد.

تجزیه و تحلیل GCD میزان تغییرات ژئومورفولوژیکی را تعیین کرده است که شامل نرخ تغییر حجمی، عمودی و درصد نامتعادل در هر ROI در رودخانه گلیم است. بر اساس جدول 2 ، ROI 1 0.101 سانتی متر مکعب از نرخ تغییر حجمی را ثبت ^کرد ، به دنبال آن 0.114 متر نرخ تغییر عمودی، و 8.957 درصد نامتعادل بود. برای ROI 2، -0.540.101 سانتی متر مکعب ^از نرخ تغییر حجمی، به دنبال -0.482 متر از نرخ تغییر عمودی، و -39.010٪ عدم تعادل را ثبت کرد. ROI 3 0.338- سانتی متر مکعب ^از نرخ تغییر حجمی را ثبت کرد، به دنبال آن 0.568- متر از نرخ تغییر عمودی، و -46.998٪ نامتعادل بود. متعاقبا، ROI 4 0.003- سانتی متر مکعب را ثبت ^کرداز نرخ تغییر حجمی، به دنبال -0.023 متر از نرخ تغییر عمودی، و -1.702٪ نامتعادل. ROI 5 0.566 سانتی متر مکعب از نرخ های تغییر حجمی را ثبت ^کرد ، به دنبال آن 0.196 متر نرخ تغییر عمودی، و 12.229 درصد نامتعادل بود. در همین حال، ROI 6 1.248 سانتی متر مکعب ^نرخ تغییر حجمی را ثبت کرد و پس از آن 1.281 متر نرخ تغییر عمودی و 43.882 درصد از درصد نامتعادل بود. ROI 7 0.499-cm3 از نرخ تغییر حجمی را ثبت ^کرد ، به دنبال آن 0.261-m نرخ تغییر عمودی و -16.956٪ نامتعادل بود. در نهایت، ROI 8 2.469- سانتی متر مکعب ^از نرخ تغییر حجمی را ثبت کرد، به دنبال آن -0.470 متر نرخ تغییر عمودی، و -33.404٪ نامتعادل بود.

4.4. تغییرات ژئومورفولوژیکی در زیر سایبان حرا در رودخانه گلیم

همانطور که توسط هیستوگرام، میله های تغییر و اطلاعات جدول بندی شده از نتیجه GCD نشان داده شده است، هر ROI دارای نرخ ارتفاع سطح متفاوتی بر اساس خروجی فیلتر شده الگوریتم SNERL است. نرم افزار GCD از روش دیفرانسیل DEM (DoD) در تخمین فرسایش (کاهش سطح)، برافزایش (بالا بردن سطح) و میانگین های عمودی برای هر ROI استفاده کرد زیرا منطقه به یکدیگر متصل نبود و پردازش GCD را از زمانی که مساحت کوچکتر شد آسان کرد. . نشانگر ROI که دارای فرسایش یا برافزایش باشد به کل اختلاف حجم خالص بستگی دارد. در عین حال، با توجه به میانگین عمودی، میانگین ضخامت خالص میانگین اختلاف در ناحیه را با تغییرات قابل تشخیص محاسبه می کند.

یافته‌های جدول 1 نشان می‌دهد که تنها ROI 1، 5، و 6 تحت سلطه برافزایش بودند در حالی که بقیه تحت سلطه فرسایش بودند. نقشه GCD ROI 1، 5، و 6 را نشان می‌دهد که رنگ مبتنی بر برافزایش را نشان می‌دهد. هیستوگرام و نوارهای تغییر نیز خروجی مشابهی را نشان می‌دهند که در آن برافزایش در ROIهای خاص بیشتر دیده می‌شود. نرخ تغییر حجمی برای ROI 1، 5، و 6 یک مقدار مثبت را نشان می‌دهد که نشان می‌دهد منطقه در حال افزایش است. به طور خاص، بر اساس نتایج عددی، ROI 1 0.101 سانتی متر مکعب را جدول بندی کرد ^در حالی که ROI 5 و 6 0.566 سانتی متر ^مکعب و 1.248 سانتی متر مکعب ^از نرخ های حجمی را ثبت کردند. در این بین، بقیه ROI ها نرخ های حجمی منفی را نشان دادند، از جمله ROI 2 (-0.640 سانتی متر مکعب ⁾ ، ROI 3 (-0.338 سانتی متر)³ )، ROI 4 (-0.003 cm3 )، ROI 7، ( ^-0.499^{cm3 )، و ROI}⁸ (-2.469 cm3 ). این یافته خلاصه می کند که ROI 5 بیشترین افزایش حجمی (بالا بردن سطح) را تجربه کرد، در حالی که بیشترین فرسایش (کاهش سطح) در ROI 8 شناسایی شد.

نشانه دیگری از منطقه تحت سلطه برافزایش با تغییرات سطحی و میانگین عمودی نرخ بازگشت سرمایه 1، 5 و 6 نشان داده شد. یافته های جدول 1 یک مقدار مثبت را برای میانگین ضخامت خالص اختلاف در منطقه با تغییرات قابل تشخیص نشان می دهد. . مقدار میانگین ضخامت خالص اختلاف در منطقه با تغییرات محسوس برای ROI 1 0.114 متر بود، در حالی که برای ROIs 5 و 6، مقادیر کمی 0.196 متر و 1.281 متر بود. در همین حال، برای سایر ROI، مقادیر منفی در ROI 2 (-0.482 m)، ROI 3 (-0.568 m)، ROI 4 (-0.023 m)، ROI 7، (-0.261 m) و ROI 8 تعیین شد. -0.470 متر). بر اساس یافته ها، ROI 6 دارای بالاترین برافزایش عمودی (بالا بردن سطح)، در حالی که ROI 3 دارای بالاترین فرسایش (کاهش سطح) بود.

4.5. اثرات کوتاه مدت و بلندمدت تغییرات ژئومورفولوژیکی بر سطح حرا و تعامل با افزایش سطح دریا

نسبت متعادل فرسایش (کاهش سطح) و برافزایش (بالا بردن سطح) در تغییرات حجمی، سطحی و عمودی برای تعادل اکوسیستم، به ویژه در اکوسیستم‌های پویا مانند حرا ضروری است. تغییرات اقیانوس از طریق جزر و مد مستقیماً بر هرگونه تغییر در سطح زمین در مناطق حرا تأثیر می گذارد. مانند جریان اقیانوسی که به دلیل جزر و مد دائماً در حال تغییر است، تعادل شار جزر و مدی که جریان اقیانوس را در حالت تعادل نگه می دارد، به نوعی تغییرات غیرعادی را به دلیل افزایش سطح دریا تجربه می کند. میانگین سطح دریاها به دلیل انبساط حرارتی آب دریا به دلیل افزایش دما به دلیل تغییرات آب و هوایی و ذوب شدن یخ های قطبی و سایر یخ های خشکی که آب اضافی به دریا می افزاید در حال افزایش است [ 53 ]]. افزایش سطح دریا باعث جریان نامتعادل انتقال آب کم و زیاد می شود که بر مناطق ساحلی در معرض آب اقیانوس تأثیر می گذارد.

خاک‌های حرا ممکن است نتوانند به همان سرعتی که نرخ محلی افزایش سطح دریا افزایش یابد، و در نتیجه درختان در قسمت‌های پایینی منطقه حرا و در امتداد لبه دریا از بین می‌روند. حرا به احتمال زیاد به مناطقی که در حال حاضر در چارچوب جزر و مد قرار دارند حمله می کنند، با فرض وجود بستر و توپوگرافی کافی. به دلیل عمق بیشتر آب در مناطق حرا، امواج ممکن است بیشتر به منطقه نفوذ کنند و منجر به فرسایش، به ویژه در امتداد سمت دریا شود. بازخورد مثبت و منفی بین تغییرات سطح دریا و نرخ سطح ممکن است تحت تأثیر قرار گیرد. مازاد ارتفاع زمانی رخ می دهد که ارتفاع سطح سریعتر از سطح دریا بالا می رود، در حالی که کمبود ارتفاع زمانی رخ می دهد که سطح دریا سریعتر از سطح حرا افزایش یابد.

هنگامی که سطح دریا بالا می رود یا زمین فروکش می کند، حجم فضای اقامتی افزایش می یابد زیرا اختلاف ارتفاع بین بستر و میانگین سطح دریا افزایش می یابد. اگر ورودی خاک به اندازه کافی زیاد باشد، اکنون می توان این حجم را با خاک پر کرد و اجازه می دهد تا سطح خاک بالا بیاید تا فضای اقامتی تازه تشکیل شده پر شود. ورودی های خاک شامل رسوبات آلی و معدنی و همچنین ریشه های زیرزمینی است. حرا در چارچوب جزر و مدی ایده آل خود، یعنی بین سطح متوسط دریا و جزر و مد، با افزایش ارتفاع سطح خاک حرا باقی می مانند. بدون چنین افزایشی در ارتفاع سطح خاک، سطح حرا می تواند از سطح متوسط دریا پایین بیاید و باعث استرس و آسیب فیزیکی به درختان حرا شود.

با توجه به پدیده افزایش سطح دریا در مالزی، به ویژه در تنگه مالاکا (سواحل غربی شبه جزیره مالزی)، این روند بر اساس مطالعه [ 54 ] ، نرخ افزایشی 0.15 ± ^{4.95 میلی متر در سال را نشان می دهد.}مطالعه مشابهی در مورد روند افزایش سطح دریا توسط [ 55 ]، میانگین افزایش در منطقه خط ساحلی مالزی را در 4.47 ± 0.71 میلی متر در سال کشف کرد ^.بر اساس ارتفاع سنجی ماهواره ای و داده های جزر و مدی اصلاح شده. اگرچه مقادیر بسیار اندک به نظر می رسند، اما اثرات بلندمدت، به ویژه در ارتفاعات پایین تر یا مناطق ساحلی، در آینده قابل توجه خواهد بود. به نظر می رسد که اگر میزان تغییرات نامتعادل ارتفاع سطح در منطقه حرا در آینده به سرعت افزایش یابد، اوضاع بدتر می شود. پایین آمدن مکرر سطح (فرسایش) باعث می شود که ارتفاع در هنگام نفوذ آب زیاد با طغیان جزر و مدی سازگار نشود.

در این مطالعه، چند ROI، مانند ROIs 2 و 5، تعادلی از فرسایش و برافزایش را نشان دادند، همانطور که در جدول 1 نشان داده شده است.. هر دو ROI همچنین به صورت عددی تعداد مناسبی از نرخ‌های فرسایش و برافزایش را نشان می‌دهند، که نشان‌دهنده تعادل در تغییرات ژئومورفولوژیکی ظرف یک سال است. فرض کنید وضعیت در آینده به همین صورت باقی بماند. در این صورت، هر دو ROI دارای یک اکوسیستم پایدار و سالم خواهند بود، حتی اگر تغییرات غیرعادی اقیانوس مانند افزایش سطح آب دریا یا رویدادهای طبیعی مانند طوفان یا طوفان به منطقه برخورد کند. این به این دلیل است که در مناطقی با نرخ برافزایش بسیار بالا، سطوح خاک حرا ممکن است سریعتر از نرخ محلی افزایش سطح دریا افزایش یابد و باعث نفوذ گونه‌های خشکی به مناطق خشکی و رشد آن شود (یعنی زمین‌های جدیدی به سمت دریا تشکیل شود. منطقه مانگرو فعلی، که حرا سپس مستعمره می شود). این به احتمال زیاد در امتداد دلتاهای رودخانه های بزرگی که مقادیر زیادی رسوب را به ساحل می برند، اتفاق می افتد.

5. نتیجه گیری ها

در نتیجه، داده‌های فتوگرامتری پهپاد می‌تواند به عنوان داده‌های اولیه برای تخمین ارتفاع سطح زیر سایه‌بان حرا استفاده شود. یک رویکرد جغرافیایی متشکل از SfM-MVS، جداسازی شاخص گیاهی (VI)، و یک الگوریتم فیلتر SNERL در تولید DEM پهپاد زیر سایه‌بان حرا در نزدیک‌ترین سطح به زمین کارآمد است. رویکرد دیگر، بر اساس یک روش ژئومورفولوژیکی به نام تجزیه و تحلیل GCD، می‌تواند نرخ تغییرات ارتفاع سطح را با استفاده از تکنیک DoD ارزیابی کند و می‌تواند تعاملات بین تغییرات ارتفاع سطح حرا و افزایش سطح دریا را کشف کند. امیدواریم تحقیقات بیشتری برای بهبود و غنی سازی دانش ما در مورد اکوسیستم حرا و آماده سازی برای یک طرح کاهش انجام شود. نقشه GCD و نرخ تغییرات ارتفاع سطح در رودخانه گلیم به مقاماتی مانند اداره توسعه لنکاوی (LADA) و وزارت زهکشی و آبیاری (DID) این امکان را می دهد تا وضعیت را بسیار عمیق تر درک کنند. این اجازه می دهد تا یک برنامه کاهش برای جلوگیری از تغییرات نامتعادل ارتفاع سطح که می تواند تعادل ناپایدار را برای اکوسیستم حرا در آینده ایجاد کند، آماده شود.

پیوست اول

محتوای پیوست A ادامه شکل 9 بود. شکل A1 به عنوان نتیجه GCD برای ROI 2، در حالی که شکل A2 برای ROI 3، شکل A3 برای ROI 4، شکل A4 برای ROI 5، شکل A5 برای ROI 6، شکل A6 برای ROI 7، و شکل A7 برای ROI 8 ذکر شده است . (a) به عنوان تغییرات سطحی، در حالی که (b،c) به عنوان تغییرات حجمی و نرخ تغییر عمودی نامیده می شد.

شکل A1. نتیجه GCD برای ROI 2.

شکل A2. نتیجه GCD برای ROI 3.

شکل A3. نتیجه GCD برای ROI 4.

شکل A4. نتیجه GCD برای ROI 5.

شکل A5. نتیجه GCD برای ROI 6.

شکل A6. نتیجه GCD برای ROI 7.

شکل A7. نتیجه GCD برای ROI 8.

ضمیمه B

محتوای ضمیمه B ادامه شکل 7 بود. شکل A8 به یک مقایسه ارتفاع متوسط بین فیلتر شده و فیلتر نشده برای ROI 1 اشاره شده است، در حالی که شکل A9 برای ROI 3، شکل A10 برای ROI 4، شکل A11 برای ROI 5، شکل A12 برای ROI 6، شکل A13 برای ROI 7، و شکل A13 برای ROI 7 و شکل A14 برای ROI 8.

شکل A8. مقایسه ارتفاع متوسط بین فیلتر شده و فیلتر نشده برای ROI 1.

شکل A9. مقایسه ارتفاع متوسط بین فیلتر شده و فیلتر نشده برای ROI 3.

شکل A10. مقایسه ارتفاع متوسط بین فیلتر شده و فیلتر نشده برای ROI 4.

شکل A11. مقایسه ارتفاع متوسط بین فیلتر شده و فیلتر نشده برای ROI 5.

شکل A12. مقایسه ارتفاع متوسط بین فیلتر شده و فیلتر نشده برای ROI 6.

شکل A13. مقایسه ارتفاع متوسط بین فیلتر شده و فیلتر نشده برای ROI 7.

شکل A14. مقایسه ارتفاع متوسط بین فیلتر شده و فیلتر نشده برای ROI 8.

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

برآورد تغییرات ارتفاع سطح زیر سایبان مانگرو با استفاده از الگوریتم فیلتر SNERL و تکنیک DoD در داده های DSM مشتق از پهپاد