نقشه برداری پهپاد بر مدل سازی سطوح کاربری اراضی شهری

تاثیر پارامترهای نقشه برداری پهپاد بر مدل سازی سطوح کاربری اراضی شهری مختلط

خلاصه

وسایل نقلیه هوایی بدون سرنشین (پهپادها) به عنوان یک ابزار نقشه برداری عمدتاً با حجم زیاد داده و هزینه محاسباتی بالا مشخص می شوند. این تحقیق به بررسی استفاده از مقدار کمی داده با هزینه محاسباتی کمتر برای محصولات فتوگرامتری سه بعدی (3 بعدی) دقیق تر با دستکاری پارامترهای نقشه برداری پهپاد مانند الگوی خطوط پرواز و درصد همپوشانی تصویر می پردازد. شانزده پروژه فتوگرامتری با نقشه های پروازی عمود بر هم و تنوع 55 تا 85 درصد همپوشانی جانبی و جلویی در Pix4DMapper پردازش شد. برای ارجاع جغرافیایی داده های پهپاد و ارزیابی دقت، 10 نقطه کنترل زمینی (GCPs) و 18 نقطه چک (CPs) استفاده شد. تجزیه و تحلیل مقایسه ای با ترکیب میانه نقاط پیوند، تعداد ابر نقاط سه بعدی، خطای میانگین مربع ریشه افقی/عمودی (RMSE) انجام شد. و تغییرات توپوگرافی در مقیاس بزرگ. نتایج نشان می‌دهد که افزایش همپوشانی رو به جلو، میانه نقاط اتصال را نیز افزایش می‌دهد و افزایش همپوشانی جانبی و جلویی منجر به افزایش تعداد ابرهای نقطه می‌شود. دقت افقی 16 پروژه از 0.13 ± متر تا 0.17 ± متر متغیر است در حالی که دقت عمودی از 0.09 ± متر تا 0.32 ± متر متغیر است. با این حال، کمترین مقدار RMSE عمودی برای بالاترین درصد همپوشانی نبود. معاوضه بین پارامترهای نقشه برداری پهپاد می تواند منجر به محصولاتی با دقت بالا با هزینه محاسباتی کمتر شود. 17 متر در حالی که دقت عمودی از 0.09 ± متر تا 0.32 ± متر متغیر است. با این حال، کمترین مقدار RMSE عمودی برای بالاترین درصد همپوشانی نبود. معاوضه بین پارامترهای نقشه برداری پهپاد می تواند منجر به محصولاتی با دقت بالا با هزینه محاسباتی کمتر شود. 17 متر در حالی که دقت عمودی از 0.09 ± متر تا 0.32 ± متر متغیر است. با این حال، کمترین مقدار RMSE عمودی برای بالاترین درصد همپوشانی نبود. معاوضه بین پارامترهای نقشه برداری پهپاد می تواند منجر به محصولاتی با دقت بالا با هزینه محاسباتی کمتر شود.

کلید واژه ها:

خط پرواز عمود ; همپوشانی تصویر ؛ الگوی خطوط پرواز ; ریشه میانگین مربعات خطا (RMSE) ; مدل سطح دیجیتال (DSM) ; نقاط کراوات ؛ ابر نقطه سه بعدی (3D) ; وسیله نقلیه هوایی بدون سرنشین (UAV) ؛ توپوگرافی

1. معرفی

نقشه برداری و نقشه کشی همیشه مکمل یکدیگر هستند. پیشرفت در تکنیک ها و فن آوری های نقشه برداری منجر به افزایش دقت محصولات نقشه برداری می شود. عصر دیجیتال تکنولوژی ها و تکنیک های نقشه برداری را متحول کرده است. پیشرفت‌ها در فناوری‌های نقشه‌برداری مانند سنجش از دور ماهواره‌ای، پیمایش هوایی، تشخیص نور و محدوده (LIDAR) و غیره، همراه با تکنیک‌های پردازش تصویر و پیشرفت‌های نرم‌افزاری، نقشه‌برداری سه‌بعدی (مدل‌سازی زمین) سطح زمین را متحول کرده است. نقشه برداری سه بعدی از سطح زمین معمولاً به عنوان مدل سطح دیجیتال (DSM) شناخته می شود. DSM یک نمایش دیجیتالی از بعد افقی و عمودی مربوط به زمین است که شامل تمام اشیاء طبیعی و مصنوعی در ساختار سلول شبکه ای می شود. در تمام فعالیت های اقتصادی-اجتماعی انسان ها، سطح زمین اهمیت زیادی دارد. نقشه برداری آن توسط محققان در جامعه علوم زمین در چند دهه گذشته مورد توجه قرار گرفته است. سطح زمین توسط دانشمندان زمین به صورت دو بعدی (نقشه پلانیمتری)، 2.5 بعدی (نقشه توپوگرافی) و سه بعدی (DSM) مدل سازی می شود. از اوایل دهه 1300 با «کارکنان جیکوب» و «قطب‌نما» تا به امروز، نسل مدل‌های ارتفاعی از نقشه‌های توپو و پلان‌متریک ترسیم شده با دست یا میدانی (با جدول آلیداد در اواخر دهه 1800) به نمایش‌های دیجیتالی به‌عنوان DSM تکامل یافته است.1 ]. یک DSM نشان دهنده ارتفاع مرتبط با سطح زمین از جمله توپوگرافی و تمام ویژگی های طبیعی یا ساخت انسان واقع در سطح زمین است [ 2 ]. DSM یکی از اساسی ترین محصولات زمین فضایی است و در بسیاری از کاربردها استفاده شده است [ 3 ]. مهمتر از آن، پیشرفت‌های اخیر در فتوگرامتری اجازه می‌دهد مدل‌های زمین با وضوح تصویر واقعی به راحتی ساخته شوند و تجسم‌های بی‌سابقه‌ای از سطح زمین تولید کنند [ 4 ].

نقشه های توپوگرافی مجموعه داده های اساسی زیرساخت داده های مکانی ملی (NSDI) هر کشور است. بنابراین، تغییرات زمانی و پوشش کامل به ویژه در مناطق ناهموار دور و در مناطق شهری متراکم با تکنیک های نقشه برداری زمینی چالش برانگیز است. تصاویر ماهواره ای و تکنیک های پردازش تصویر دیجیتال چالش بزرگی را برای تکنیک های نقشه برداری زمینی برای پردازش و تجسم مدل های سه بعدی از سطح زمین ایجاد می کند. امروزه DSM را می توان با انواع مختلفی از داده ها مانند بررسی های ژئودتیکی، تصاویر ماهواره ای (اپتیکی یا راداری)، عکس های هوایی (معمولی یا پهپاد)، و اسکنرهای لیزری (هوایی یا زمینی) تولید کرد [5 ، 6 ] .

فتوگرامتری یک تکنیک سنجش از دور است که از حداقل دو تصویر از یک صحنه برای بدست آوردن مکان سه بعدی ویژگی ها در صحنه از مقادیر شناخته شده موقعیت دوربین، فاصله کانونی و جهت گیری استفاده می کند [7 ] . فتوگرامتری به احتمال زیاد در دهه 1420 در دوران رنسانس ایتالیا اختراع شد، زمانی که نقاشان صحنه های سه بعدی را در یک رسانه دو بعدی نمایش می دادند و در عین حال احساس عمق را ایجاد می کردند. اصطلاح واقعی فتوگرامتری در سال 1867 ابداع شد، زمانی که آلبرشت میدن باوئر شروع به اندازه‌گیری عکس‌ها برای ایجاد بررسی‌های معماری کرد که آن را «فتوگرامتری» نامید [ 8] .]. امروزه هدف فتوگرامتری گرفتن تصاویر دو بعدی از منظرهای مختلف و ایجاد نمایشی سه بعدی از همان فضا است. در طول دهه گذشته، پیشرفت‌های قابل توجهی در تکنیک‌های فتوگرامتری مبتنی بر تصاویر پهپاد برای تولید مدل‌های ارتفاعی دیجیتال (DEM) وجود داشته است [ 9 ].

اصطلاح وسیله نقلیه هوایی بدون سرنشین (UAV) معمولاً در هوش مصنوعی، علوم رایانه و روباتیک و همچنین در جوامع فتوگرامتری و سنجش از دور استفاده می شود. پهپاد به عنوان یک مفهوم شامل وسیله نقلیه هوایی کنترل از راه دور، محموله حسگر متصل، و برنامه ریزی پرواز و نرم افزار پردازش داده مورد نیاز است [ 10 ]. پهپاد به‌عنوان یک جایگزین کم‌هزینه برای سیستم فتوگرامتری معمولی برای یک پلت‌فرم ثبت تصویر با قابلیت تفکیک مکانی-زمانی بالا برای دستیابی به اهداف مختلف ظاهر شده است [ 11 ]. پهپادها پتانسیل زیادی در انجام کارهای نقشه برداری، نقشه برداری و سنجش از دور با داده های بسیار با وضوح بالا در شرایط پرواز در ارتفاع پایین و شرایط تصویربرداری نشان داده اند [12 ]]. پهپادها توانایی تولید محصولات داده مانند ابر نقطه سه بعدی، DSM، ارتفوتو، مدل زمین دیجیتال (DTM)، خط کانتور، و غیره را دارند که مقیاس بیشتری برای بررسی های میکرو توپوگرافی مناسب هستند [13 ، 14 ] .

پلت فرم‌های پهپاد به طور فزاینده‌ای برای تولید نقشه‌های با وضوح بسیار بالا برای مطالعات علوم زمین استفاده می‌شوند که به مناطق غیرقابل دسترس به جای تکنیک‌های اندازه‌گیری سنتی زمان‌بر زمینی نیاز دارند [ 15 ، 16 ]. استفاده از پهپادها برای اهداف نقشه برداری مانند نقشه برداری، مدل سازی سه بعدی، استخراج ابر نقطه ای، و تولید ارتوفوتو به یک عملیات استاندارد در سال های اخیر تبدیل شده است [ 17] .]. فرآیند فتوگرامتری پهپاد شامل برنامه ریزی پرواز پهپاد، استقرار و پردازش نقاط کنترل زمینی (GCP) و نقاط چک (CPs)، جمع آوری داده های تصویر، پردازش تصویر و ارزیابی محصولات نقشه برداری با توجه به پروژه نقشه برداری است. کیفیت داده های پهپاد تحت تأثیر عوامل متعددی مانند پارامترهای سنسور و پرواز قرار می گیرد. از آنجایی که پهپادها به عنوان جدیدترین و پرکاربردترین تجهیزات نقشه برداری در سرتاسر جهان ظاهر شده اند، محققان در جامعه سنجش از دور در حال بررسی اثرات پارامترهای برنامه ریزی پرواز پهپاد برای کاربردهای مختلف در علوم زمین هستند. برنامه ریزی پرواز به تعیین اولیه هندسه پرواز با توجه به منطقه مورد علاقه و محصول نهایی مورد نیاز و در نتیجه دقت مطلوب اشاره دارد [ 18]]. مهمترین پارامترهای برنامه ریزی پرواز عبارتند از زمان پرواز، ارتفاع پرواز، خطوط پرواز، الگو و تصاویر، درصد همپوشانی جانبی و جلو.

برای مدل سازی سه بعدی، باید همپوشانی کافی در تصاویر طبقه بندی شده به عنوان همپوشانی جانبی و رو به جلو وجود داشته باشد. همپوشانی جانبی همپوشانی بین دو خط مسیر پرواز مجاور است، در حالی که همپوشانی بین دو تصویر متوالی در یک مسیر، همپوشانی رو به جلو یا دور پایانی نامیده می‌شود. درصد همپوشانی تعداد خطوط پرواز، تعداد تصاویر گرفته شده و فاصله زمانی بین ثبت تصویر را تعیین می کند. در هر پروژه فتوگرامتری، درصد همپوشانی جانبی و جلویی در امتداد سرعت پرواز، تعیین کننده ثبت یک صحنه در چندین عکس از زوایای دید چندگانه است. بنابراین، همپوشانی تصاویر کیفیت محصولات فتوگرامتری پهپاد را تعیین می کند، زیرا بر تراکم نقطه به عنوان تابعی از زاویه دید تأثیر می گذارد.

همراه با درصد همپوشانی تصویر، الگوی خطوط پرواز نیز بر تعداد تصاویر ثبت‌شده از یک صحنه تأثیر می‌گذارد. تعدادی از الگوهای خط پرواز را می توان بر اساس بعد منطقه مورد مطالعه و نیاز داده ها توسعه داد. با این حال، در جامعه علوم زمین، الگوی خط پرواز به طور کلی یا یک طرح پرواز ماشین چمن زنی (هواپیما در حال حرکت به جلو و عقب در خطوط پروازی موازی) یا یک طرح پرواز عمود است (هواپیما در حال حرکت به جلو و عقب در دو الگوی عمود بر هم متعامد). تعدادی از محققین در کاربردهای علوم زمین تأثیر همپوشانی تصاویر پهپاد بر کیفیت محصولات نقشه برداری را مورد مطالعه قرار داده اند، اما آنها به طرح مسیر پرواز به عنوان یک عامل کلیدی مؤثر بر کیفیت محصولات فتوگرامتری، همراه با درصد همپوشانی تصویر اشاره چندانی نکرده اند. زینگ و هوانگ [19 ] تنها از دو تصویر برای مطالعه تجربی اثرات همپوشانی تصویر بر روی عملکرد الگوریتم تغییر ویژگی تغییر ناپذیر مقیاس (SIFT) با تغییر همپوشانی از 10% تا بیش از 90% استفاده کرد و آستانه درجه همپوشانی 55% را برای جهت مسیر و پیشنهاد کرد. 30٪ برای جهت جانبی. داندویس و همکاران [ 20] داده های پهپاد را برای اندازه گیری ارتفاع درخت با دو تغییر همپوشانی رو به جلو (96٪، 60٪) و چهار تغییر همپوشانی جانبی (20٪، 40٪، 60٪ و 80٪) تجزیه و تحلیل کرد. آنها به این نتیجه رسیدند که به حداکثر رساندن همپوشانی عکاسی، به ویژه همپوشانی رو به جلو، برای به حداقل رساندن خطای ارتفاع تاج پوشش و برای نمونه برداری کلی از تاج پوشش جنگل بسیار مهم است. با این حال، همپوشانی زیاد منجر به عکس‌های بیشتر و افزایش زمان محاسبات، صرف نظر از تجهیزات محاسباتی می‌شود، که مبادلات مهم بین کیفیت داده و توانایی تولید سریع نتایج با کیفیت بالا را برجسته می‌کند. Mesas-Carrascosa و همکاران. [ 21 ] 80-50٪ همپوشانی رو به جلو و 70-40٪ همپوشانی جانبی را برای نقشه برداری سایت باستان شناسی مورد مطالعه قرار دادند. Mesas-Carrascosa و همکاران. [ 22] دو تنظیمات مختلف همپوشانی رو به جلو و همپوشانی جانبی را بررسی کرد: 60-30٪ و 70-40٪، با همپوشانی رو به جلو 60٪ و 70٪ و یک همپوشانی جانبی 30٪ و 40٪ برای نقشه برداری محصول، و پیشنهاد کرد که 70٪ همپوشانی رو به جلو و 40 درصد همپوشانی جانبی نتایج مورد نظر را ارائه کردند. فری و همکاران [ 23 ] با انتخاب تعداد تصاویر برای نقشه برداری جنگل از طریق طرح پرواز ماشین چمن زنی، پروژه های همپوشانی متعددی را از یک پروژه پرواز ایجاد کرد. دومینگو و همکاران [ 24 ] اثرات همپوشانی تصویر بر پیش‌بینی زیست توده در جنگل‌های استوایی را مورد مطالعه قرار داد. برای بررسی های پهپاد، همپوشانی تصویر رو به جلو تا 90٪ ثابت شد و همپوشانی جانبی از 80٪ تا 70٪ متغیر بود. یافته های این مطالعه این بود که بهترین مدل زیست توده با استفاده از همپوشانی جانبی 70 درصد و همپوشانی رو به جلو 90 درصد به دست آمد. سیفرت و همکاران [25 ] برای تصاویر در فرکانس‌های مختلف نمونه‌برداری شد تا نسبت‌های همپوشانی رو به جلو بین 91% و 99% برای نقشه‌برداری جنگل از طریق ویدئوهای گرفته شده توسط پهپاد بدست آید. گابارا و ساویکی [ 26 ] دقت چند متغیره بررسی های پهپاد انجام شده با 85% و 65% همپوشانی رو به جلو و 85%، 65% و 45% همپوشانی جانبی را ارزیابی کردند. این مطالعه به منظور ارزیابی تأثیر همپوشانی کمتر رو به جلو و جانبی و کاهش تعداد تصویر بر کاهش قابل توجه دقت تنظیم بلوک بسته نرم افزاری (BBA) انجام شد. نتیجه‌گیری شد که نوع بهینه از نظر دقت و زمان محاسبه با استفاده از ایستگاه کاری درجه استاندارد، عکس‌های کاهش‌یافته است که در سطح 65 درصد برای هم‌پوشانی رو به جلو و همپوشانی جانبی همپوشانی دارند.

با این حال، طبق آخرین اطلاعات موجود، پارامتر درصد همپوشانی تصویر در رابطه با طرح پرواز عمود بر تغییرات توپوگرافی در مقیاس بزرگ هنوز باید توسط محققان مورد توجه قرار گیرد. نقشه برداری توپوگرافی یکی از قدیمی ترین کاربردهای نقشه برداری است و این تکنیک همیشه در حال تکامل است. عکاسی هوایی و فتوگرامتری دیجیتال یکی از مهم ترین رسانه های مدرن برای نقشه برداری توپوگرافی است [ 27 ].

فرضیه این تحقیق این است که طرح پرواز عمود بر هم که به عنوان شبکه متقاطع یا دوتایی نیز نامیده می شود، اثر همپوشانی رو به جلو و درصد همپوشانی جانبی را به حداقل می رساند. کابریرا و همکاران [ 28] مروری بر الگوهای خطوط پروازی متعدد با توجه به شکل منطقه ارائه کرد. طبق اصل اولیه فتوگرامتری، افزایش درصد همپوشانی جانبی و همپوشانی رو به جلو به این معنی است که یک صحنه خاص در تعداد بیشتری از تصاویر ثبت می شود. نتایج تعداد بیشتری از نقاط ویژگی منطبق، ابرهای نقطه سه بعدی و به طور همزمان، افزایش دقت DSM است. با این حال، افزایش همپوشانی رو به جلو و همپوشانی جانبی منجر به افزایش تعداد تصاویر و متعاقبا افزایش زمان پردازش پروژه فتوگرامتری می‌شود. هدف مشابهی را می توان با پرواز پهپاد در خطوط پروازی عمود بر هم به دست آورد. همچنین، هدف مشابهی از ثبت یک صحنه فردی در تعداد بیشتری از تصاویر را می توان با خطوط پرواز عمود بر هم به دست آورد. بنابراین، با تدوین یک طرح پرواز عمود بر،

در این تحقیق، 16 پروژه فتوگرامتری با نقشه های پروازی عمود بر هم با تغییرات 55 تا 85 درصد همپوشانی رو به جلو و همپوشانی جانبی از ارتفاع پرواز ثابت، زمان پرواز و سرعت پرواز مقایسه شد. تصاویر به دست آمده در نرم افزار Pix4D با استفاده از 10 GCP و 18 CP پردازش شدند. برای مقایسه اثرات تغییرات همپوشانی تصویر بر روی داده‌های فتوگرامتری و محصولاتی مانند نقاط پیوند، ابر نقطه، خطای میانگین مربع ریشه افقی و عمودی (RMSE) و تغییرات توپوگرافی در مقیاس بزرگ استفاده شد. شکل 1 گردش کار مفصلی را برای این مطالعه ارائه می دهد. کل این مطالعه در سه مرحله اصلی به نام‌های: جمع‌آوری داده‌ها، پردازش داده‌ها و تجزیه و تحلیل انجام می‌شود. ویژگی های اصلی هر فاز در شکل 1 ارائه شده استدر بخش بعدی این مقاله مورد بحث قرار خواهد گرفت.

2. سایت مطالعه

مکان مورد مطالعه بر اساس ناهمگونی پوشش زمین و تغییرات توپوگرافی انتخاب شد. منطقه ای که از طریق فتوگرامتری پهپاد گرفته شده است 0.51 کیلومتر ^مربع در دانشگاه فناوری مالزی، جوهور، مالزی است. این منطقه از 172957.68663 متر بالا، چپ 347،951.55466 متر، راست 349،070.47732 متر و پایین 171،999.48669 متر، منطقه مرکاتور عرضی جهانی 48N محدود شده است. مالزی کشوری استوایی است که با روزهای گرم آفتابی و بارانی مشخص می شود، بنابراین مناسب ترین زمان بررسی از نظر بارندگی و زاویه نور خورشید قبل از ظهر است. منطقه مورد مطالعه (پردیس UTM-Johor) تقریباً 575 ساختمان را در خود جای داده است. دایره داخلی فشرده شامل چهار دانشکده، یک منطقه اداری، یک مسجد، یک کتابخانه و یک سالن اصلی است. این منطقه با مفهوم شعاعی [29 ]. منطقه مورد مطالعه بر روی تپه کوچک با شیب ملایم با زوایای شیب متفاوت قرار دارد. ارتفاع از 37.4 متر تا 107 متر متغیر است. شکل 2 منطقه مورد مطالعه را نشان می دهد که مجموعه ای از ساختمان ها، جاده ها، لکه های سبز و درختان بلند با موج های زمین را نشان می دهد.

3. اکتساب داده

3.1. برنامه ریزی پرواز پهپاد و تهیه تصاویر

تجهیزات 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) با اسکنر 20 مگاپیکسلی در هیئت مدیره توسعه یافت. این مدل سایز متوسط، با وزن خالص 1388 گرم و فاصله بین دو محور مورب (بدون اندازه پروانه) تنها 350 میلی متر است. DJI Phantom 4 Advanced قادر است با حداکثر ارتفاع 6000 متر و برد پرواز 5000 متر پرواز کند. DJI Phantom 4 Advanced که مجهز به باتری 5870 میلی آمپر ساعتی LiPo 4S است، حداکثر زمان پرواز را تقریباً 30 دقیقه دارد و حداکثر مقاومت در برابر سرعت باد آن بین 29 تا 38 کیلومتر در ساعت است. مطابق با کمیسیون ارتباطات فدرال (FCC) و 3، این دستگاه مجهز به یک کنترل از راه دور با فرکانس کاری 2.4-2.483 گیگاهرتز با حداکثر فاصله انتقال 5 کیلومتر است.https://www.dji.com/phantom-4/info). Phantom 4 Advanced مجهز به سیستم Flight Autonomy متشکل از 5 حسگر بینایی، موقعیت یابی ماهواره ای دو باند (GPS و GLONASS)، فاصله یاب اولتراسونیک و حسگرهای اضافی است، Phantom 4 Advanced می تواند دقیقاً در مکان هایی با GPS شناور شود و می تواند در محیط های پیچیده پرواز کند. سنسورهای دوگانه دید رو به جلو می توانند تا فاصله 30 متری جلو را ببینند و ترمز خودکار، شناور شدن یا انحراف در مقابل موانع را در محدوده 15 متری فعال می کنند. این در کنار حالت‌های پرواز هوشمند متعدد (طراحی، مسیر فعال، پرواز ضربه بزنید، بازگشت به خانه، و حالت اشاره) اجازه می‌دهد تا آزادی بی‌نظیری برای تمرکز روی عکس و کمتر در خلبانی داشته باشید. Phantom 4 Advanced همچنین می تواند با فرمت RAW عکس بگیرد و دیافراگم آن را در لحظه تنظیم کند. نتیجه کیفیت تصویر بی نظیر است (اطلاعات جمع آوری شده از انجمن DJI در 17 سپتامبر 2020).30 ].

قبل از بررسی پهپاد، آشنایی با منطقه مورد مطالعه مهم بود تا بتوانیم پارامترهای مناسب برنامه ریزی پرواز را انتخاب کنیم. بنابراین، به عنوان اولین گام در مرحله جمع‌آوری داده‌ها، یک بررسی شناسایی با مشاهدات عمده از ارتفاعات زیرساخت‌های مصنوعی، خوشه‌های درختان و تغییرات زمین انجام شد تا اطمینان حاصل شود که طرح پرواز پهپاد با استقامت سکوی پهپاد سازگار است.

برنامه پرواز پهپاد لیستی از سفارشات است که یک پهپاد باید انجام دهد تا ماموریت طراحی شده را انجام دهد (یعنی برخاستن، به یک ایستگاه بین راهی بروید، سپس برای گرفتن عکس، شناور را نگه دارید، سپس به ایستگاه دوم برسید، سپس دوباره شنا کنید. برای گرفتن عکس، تکمیل نظرسنجی، و در نهایت، فرود). امروزه ابزارهای اختصاصی زیادی برای تعریف ماموریت برای پهپادها وجود دارد. این ابزارها به کاربر این امکان را می دهند که به صورت دستی پهپاد را به پرواز درآورد یا مجموعه ای از نقاط را ایجاد کند که مسیری را که باید توسط پهپاد دنبال شود مطابقت دارد. آن‌ها به فناوری‌های استاندارد نقشه مانند Google Maps متکی هستند و دیدگاهی دوبعدی ارائه می‌دهند [ 31]. طرح بررسی با استفاده از نرم افزار Drone Deploy تهیه و اجرا شد. Drone Deploy یک برنامه آنلاین است که هم در رایانه شخصی و هم در دستگاه تلفن همراه قابل استفاده است. هدف اصلی آن آسان کردن نقشه برداری توسط پهپاد برای هر نوع کاربری است. خدمات استقرار پهپاد را می توان تقریباً به دو دسته تقسیم کرد: اتوماسیون پرواز و ضبط داده. Drone Deploy به کاربر اجازه می دهد تا مسیر پرواز پهپاد را دقیقا مشخص کند و تصمیم بگیرد که چه زمانی عکس ها توسط پهپاد گرفته شود [ 32 ].

از آنجایی که هدف اصلی این مطالعه بررسی تأثیر درصد همپوشانی تصویر در رابطه با الگوی خط پرواز بود، سایر پارامترها مانند ارتفاع پرواز، زمان بررسی پهپاد، الگوی خط پرواز و غیره برای هر 16 پروژه فتوگرامتری ثابت نگه داشته شدند. جدول 1 نمای کلی از پارامترهای پرواز پهپاد را نشان می دهد.

تمامی پروازها دارای خطوط پروازی عمود با ارتفاع پرواز 300 متر بودند. ارتفاع پرواز به بخشی جدایی ناپذیر از فتوگرامتری تبدیل شده است. در درجه اول در فتوگرامتری برد نزدیک با استفاده از پهپاد، ارتفاع پرواز به موضوع حساس تری تبدیل می شود. علیرغم تأثیر آن بر اندازه فاصله نمونه برداری زمینی مورد انتظار (GSD)، ارتفاع پرواز کمتر به زمان طولانی تری برای تکمیل کل منطقه نیاز دارد. از آنجایی که مهم‌ترین محدودیت برای یک پهپاد، عمر باتری آن است، در اکثر سناریوها، منطقه بزرگ‌تری از علاقه احتمالاً به خرید چند پرواز ختم می‌شود. اگر گرفتن تصویر بیش از حد طول بکشد، مشکل دیگری مربوط به وجود سایه ایجاد می شود. سایه در اثر حرکت خورشید شکل خود را تغییر می دهد و بر نتایج تأثیر منفی می گذارد [ 33]. از آنجایی که بلندترین سازه در منطقه مورد مطالعه 107 متر ارتفاع دارد، ارتفاع پروازی 300 متری با دو ملاحظات عمده در نظر گرفته شد: اول اینکه به دلیل بلندی ساختمان ها، ارتفاع کم پرواز می تواند منجر به اثر زمین مرده و ایجاد تصاویر با کیفیت پایین شود. ، ترجیحاً طبق زمان باتری DJI Phantom 4 Advanced منطقه را در یک پرواز پوشش دهید. زمان جمع‌آوری داده‌ها بین 10 صبح تا 12 ظهر برای حفظ و به حداقل رساندن تأثیر نور خورشید، سایه و اثر بازتابی بود. درصد همپوشانی تصویر رو به جلو و جانبی دارای چهار تغییر بود که از 55٪ تا 85٪ متغیر بود که منجر به 16 پروژه نظرسنجی شد. شکل 3نقشه های پرواز را برای همپوشانی های متعدد نشان می دهد که تغییرات تعداد خطوط پرواز و تعداد تصاویر گرفته شده با تغییر پارامتر همپوشانی تصویر را نشان می دهد. تعداد کل تصاویر گرفته شده در 16 نظرسنجی از حداقل 37 تا حداکثر 275 تصویر (یعنی نقطه قرمز نشان دهنده نقطه راه یا ایستگاه نوردهی) انتخاب شده برای پردازش نهایی متفاوت است.

3.2. جمع آوری داده های پایه

جدا از تصاویر پهپاد، داده های پایه نیز برای پردازش فتوگرامتری و ارزیابی دقت مورد نیاز است. GCPها و CPها عمدتاً برای ارجاع جغرافیایی غیرمستقیم و ارزیابی دقت محصولات داده پهپاد استفاده می شوند. نقاط کنترل زمینی (GCPs) اهداف مصنوعی یا اشیاء طبیعی درون صحنه با موقعیت مشخصی هستند که می‌توان آنها را شناسایی کرد و برای جهت‌دهی مدل نهایی استفاده کرد [ 4]]. برای GCPها و CPها، یک رویه رایج در میان دانشمندان زمین شناسی، استقرار علائم مصنوعی در منطقه مورد مطالعه قبل از بررسی پهپاد و به دست آوردن موقعیت دقیق آنها از طریق تکنیک سریع GPS استاتیک است. اندازه این علائم مصنوعی مطابق با GSD زمینی است و اطمینان حاصل می شود که در عکس های پهپاد قابل مشاهده هستند. با این حال، در این مطالعه، تنوع زیادی در تعداد عکس‌های 16 نظرسنجی وجود داشت. بنابراین، GCP ها و CP ها پس از بررسی پهپاد جمع آوری شدند. انتخاب GCPها و CPها بر اساس این شرایط انجام شد که آنها عمدتاً شامل اشیاء قابل تشخیص در تمام پروژه‌های فتوگرامتری و توزیع مناسب با توجه به پوشش زمین و تغییرات زمین بودند. شکل 3همچنین مکان‌های GCP و CP (یعنی صلیب آبی) را نشان می‌دهد زیرا همه آنها به خوبی در منطقه مورد مطالعه توزیع شده‌اند و عمدتاً در جاده‌ها به دور از زیرساخت‌های بلند قرار دارند. آنها عمدتاً شامل علائم ترافیکی در جاده ها، روکش منهول ها و نقاط قابل شناسایی در مسیرهای پیاده روی بودند. مکان دقیق این نقاط با GPS استاتیک سریع به دست آمد. GPS استاتیک سریع تکنیکی است که در آن گیرنده مریخ نورد و ایستگاه پایه (مرجع) مکان را به طور همزمان مشاهده می کنند. با استفاده از نرم افزار Trimble Business Center مکان نقاط پس از پردازش پست مشخص می شود.

برای این مطالعه، از گیرنده درجه نظرسنجی TOPCON GR5 استفاده شد و داده‌های مشاهده‌شده با ترکیب داده‌های ایستگاه‌های مرجع دائماً فعال (CORS) موجود در دانشگاه فناوری مالزی (UTM) به نام شبکه ISKANDAR، بیشتر در مرکز تجاری Trimble پردازش شد. مختصات نقطه نهایی در پروجکشن جهانی عرضی مرکاتور (UTM) با استفاده از سیستم جهانی ژئودتیک 84 (WGS84) به عنوان داده تولید شد.

4. پردازش داده ها

در طول دهه گذشته، پیشرفت های قابل توجهی در تکنیک های فتوگرامتری بر اساس تصاویر پهپاد [ 16] صورت گرفته است.]. فتوگرامتری دیجیتال تکنیک‌های خوبی برای تولید مدل‌های سه‌بعدی زمین از عکس‌های دوبعدی همپوشانی دارد. تعدادی نرم افزار منبع باز و تجاری برای پردازش داده های پهپاد موجود است. هدف اصلی پردازش تصویر ایجاد یک ابر نقطه متراکم است. در فتوگرامتری دیجیتال، یک ابر نقطه مبتنی بر تصویر با رویکرد ساختاری از حرکت (SFM) بدست می‌آید. با توجه به مجموعه ای از تصاویر به دست آمده از نقاط مشاهده مختلف، SFM موقعیت و جهت دوربین را برای هر تصویر ورودی و بازسازی سه بعدی صحنه به شکل یک ابر نقطه پراکنده بازیابی می کند. پس از این اولین بازسازی پراکنده، می توان یک فاز بازسازی متراکم را با استفاده از استریو چند نمای (MVS) اجرا کرد [ 34]. مزایای ارائه شده توسط الگوریتم SFM منجر به بهبود کیفیت محصولات زمین به دست آمده از فتوگرامتری هوایی با پهپادها می شود [ 35 ].

در این تحقیق، 16 پروژه فتوگرامتری با استفاده از نرم افزار Pix4D Mapper، نسخه 4.5.2، پردازش شد که الگوریتم SIFT را در روش سنتی SFM شرح داده شده در [36، 37 ، 38 ، 39 ، 40 ، 41 ، 42 ، 44 ، گنجانده است .]. Pix4DMapper محصول شاخص شرکت سوئیسی Pix4D بود که اکنون بخشی از گروه Parrot است. این یک بسته کامل فتوگرامتری است که می‌تواند ورودی‌های عکاسی از پهپاد و سایر دستگاه‌های دوربین، ویدئو، چشم ماهی یا تصاویر 360 درجه و همچنین تصاویر طیفی از جمله حرارتی را مدیریت کند. Pix4D از یک رویکرد تغییر یافته ساختار از حرکت یا SFM برای پردازش تصاویر پهپاد استفاده می کند. SFM یک تکنیک فتوگرامتری است که برای تخمین ساختار سه بعدی (3D) اجسام از توالی های تصویر افست چند بعدی دو بعدی (2D) استفاده می شود [45] .]. SFM با استفاده از SIFT برای مطابقت با ویژگی ها، می تواند موقعیت دوربین و جهت گیری آن را فقط از روی تصاویر، بدون اطلاعات قبلی از پارامترهای آنها محاسبه کند. ابر نقطه ای به دست آمده برای زمین شناسی مناسب است. به طور گسترده ای در زمینه فتوگرامتری برای پردازش تصاویر پهپاد و تولید ارتوموزائیک و مدل های بافت استفاده شده است. این یک گردش کار کامل فتوگرامتری را فراهم می کند و از تکنیک CPU و GPU چند هسته ای برای شتاب بخشیدن به کارایی استفاده می کند [ 46 ].

در شکل 1گردش کار فتوگرامتری که در این تحقیق مورد استفاده قرار گرفته است به تفصیل شرح داده شده است. اولین مرحله تطبیق امتیاز ویژگی است. تصاویر به طور خودکار بر اساس اطلاعات فرمت فایل تصویری تبادلی (EXIF) برای تولید نقطه اتصال کالیبره شدند. اطلاعات EXIF یک ابرداده برای هر تصویر است که جزئیات اندازه‌گیری‌های GPS روی برد را که برای شناسایی نقاط ویژگی اولیه استفاده می‌شود، ارائه می‌کند. تطبیق تصویر، ایجاد تناظر از یک نقطه ثبت شده در دو یا چند تصویر و تخمین موقعیت سه بعدی متناظر آن با استفاده از هم خطی یا مدل طرح ریزی است. این روش معمولاً دو مرحله دارد: (1) در فضای تصویر، نقشه‌های عمق از محاسبه جفت استریو استریو یا چند نمایه با در نظر گرفتن اختلاف بین جفت تصویر تولید می‌شوند، (2) سپس این نقشه‌های عمق برای ایجاد یک سه بعدی ادغام می‌شوند. ابر نقطه ای در فضای شی [47 ، 48 ]. تصاویر کالیبره شده به طور غیرمستقیم با استفاده از GCP برای ایجاد یک ابر نقطه 3 بعدی متراکم به زمین ارجاع داده می شوند. ارجاع جغرافیایی تصویر، فرآیند تخصیص اطلاعات مکانی به یک تصویر برای تعیین مکان آن با توجه به یک سیستم مختصات زمینی است. ارجاع جغرافیایی به طور کلی اولین گام اکثر کاربردهای فتوگرامتری است که پیش نیازی برای بهره برداری متریک آنها است [ 49 ]. ارجاع جغرافیایی غیرمستقیم بسته به دقت و داده مرجع مختصات GCPهای مورد استفاده، نتایج موقعیت‌یابی دقیقی را در داده‌های زمین‌شناسی مورد نیاز فراهم می‌کند [ 50]]. یک ابر نقطه سه بعدی، در ساده ترین عبارت، به مجموعه داده های نقطه ای در یک فضای تصویر با مختصات X، Y و Z اشاره دارد. با این ابر نقطه متراکم سه بعدی، یک شبکه برای تولید خطوط ارتوموزائیک، DSM، DTM و کانتور ایجاد می شود. وضوح DSM تمام 16 پروژه فتوگرامتری بین 0.083 و 0.085 متر بود. پس از آن، تمام DSM ها با استفاده از تکنیک Nearest Neighbor تا وضوح 0.08 متر نمونه برداری شدند تا برای تجزیه و تحلیل مقایسه ای سازگار شوند.

5. تجزیه و تحلیل

همانطور که در شکل 1 نشان داده شده است، پروژه های فتوگرامتری در این مطالعه به چهار روش مختلف برای شناسایی اثر درصد همپوشانی تصویر و ارزیابی این ایده کلی که افزایش درصد همپوشانی تصویر منجر به افزایش دقت محصولات فتوگرامتری می شود، مقایسه شدند. محصولات آماری فرآیندهای مختلف فتوگرامتری مقایسه می شوند.

اولین محصول در گردش کار SFM نقاط اتصال هستند، بنابراین نقاط اتصال برای 16 پروژه مقایسه می شوند. نقاط پیوند به نقاط تصویر از تصاویر مختلف اشاره دارد که با همان نقاط زمین مطابقت دارند [ 51 ]. تعداد نقاط کراوات تأثیر قابل توجهی بر روند مثلث بندی و دقت DSM حاصل دارد. جدول 2پس از ارجاع جغرافیایی داده ها، میانه نقاط اتصال را در هر تصویر کالیبره شده ارائه می دهد. تجزیه و تحلیل دقیق مقادیر میانگین امتیاز نشان می دهد که افزایش منطقی با توجه به همپوشانی رو به جلو وجود دارد. به این معنی که با یک همپوشانی جانبی ثابت، افزایش درصد همپوشانی رو به جلو و مقدار میانه نقاط کراوات رخ می دهد. با این حال، با یک همپوشانی رو به جلو ثابت، افزایش همپوشانی جانبی منجر به افزایش مقدار میانه نقاط کراوات نمی شود، به همین دلیل نمی توان حداکثر تعداد نقاط اتصال را با حداکثر همپوشانی رو به جلو و جانبی پیدا کرد. در عوض، حداکثر مقدار میانه نقاط اتصال با بیشترین همپوشانی رو به جلو و کمترین درصد همپوشانی جانبی مشخص می شود. علاوه بر این، اولین و دومین مقادیر بالاتر در پروژه هایی با حداکثر همپوشانی رو به جلو و افزایش همپوشانی جانبی یافت می شود. با این حال،

در فرآیند فتوگرامتری، مرحله بعدی تولید یک ابر نقطه سه بعدی متراکم بر اساس نقاط اتصال برای تولید DSM است. این مرحله از نظر محاسباتی گرانترین بخش از نظر زمان است. جدول 2 زمان محاسباتی استفاده شده برای تولید ابر نقطه سه بعدی را نشان می دهد، و در مقایسه با زمان استفاده شده برای تولید DSM تفاوت زیادی وجود دارد. همچنین تفاوت بین پروژه های حداقل همپوشانی و حداکثر همپوشانی 8 ساعت، 52 دقیقه و 35 ثانیه است. جدول 2تعداد نقاط سه بعدی را در هر پروژه فتوگرامتری نشان می دهد، اما از روند نقاط اتصال نسبت به درصد همپوشانی رو به جلو و جانبی پیروی نمی کند. افزایش منطقی در تعداد نقاط سه بعدی با افزایش همپوشانی رو به جلو و جانبی مشاهده می شود. در نتیجه حداکثر تعداد نقاط سه بعدی در پروژه فتوگرامتری با حداکثر همپوشانی رو به جلو و جانبی وجود دارد و با سایر مقادیر به ترتیب روند مشابهی مشاهده می شود.

همانطور که قبلا ذکر شد، صحت محصولات فتوگرامتری را می توان به روش های مختلفی تضمین کرد، بنابراین، گردش کار بعدی تحقیق، ارزیابی دقت خروجی نهایی (DSM) از طریق RMSE است. جدول 2 همچنین اندازه گیری دقت را از گزارش کیفیت تولید شده توسط نرم افزار Pix4D ارائه می کند، زیرا Pix4D دارای میانگین مقادیر خطای بازپرداخت زیر 2 پیکسل در تمام مقیاس های فضایی است [ 52 ]. با این حال، در مقایسه با میانگین نقاط اتصال به ازای هر تصویر کالیبره شده و تعداد ابر نقطه سه بعدی در جدول 2 ، روند کاملاً متفاوتی در مقادیر RMSE مطابق گزارش Pix4D در جدول 2 مشاهده می شود.. به این ترتیب، این ایده اساسی که افزایش همپوشانی می تواند دقت را افزایش دهد در این گزارش مشاهده نمی شود زیرا حداقل RMSE در 65% سمت و 55% در پروژه همپوشانی رو به جلو است. این در حالی است که حداکثر در 75 درصد برای همپوشانی رو به جلو و کناری مشاهده می شود و دومین رقم بالاتر در 85 درصد برای همپوشانی رو به جلو و کناری مشاهده می شود. علاوه بر این، هیچ روند ثابتی را نمی توان با تغییرات در پارامترهای همپوشانی رو به جلو و جانبی مشاهده کرد.

برای به دست آوردن بینش بیشتر در مورد اثرات تغییر در درصد همپوشانی رو به جلو و جانبی، CPs برای اندازه گیری دقت استفاده شد. یک روش اساسی آنالیز باقیمانده‌های تنظیم بسته (BA) با محاسبه RMSE باقیمانده‌ها در GCPها یا با استفاده از مختصات اندازه‌گیری شده بر روی زمین مستقل از نقاطی است که با آن مختصات اندازه‌گیری شده در مدل فتوگرامتری مقایسه می‌شود. 53 ]، بر اساس استانداردهای دقت انجمن آمریکایی فتوگرامتری و سنجش از راه دور (ASPRS) 2014 [ 39 ]. فن آوری پهپاد و تکنیک های فتوگرامتری مبتنی بر بینایی کامپیوتری در حوزه نقشه برداری و نقشه برداری نسبتاً جدید هستند.

ارزیابی پارامترهای کیفیت عمدتاً بر اساس تحقیقات تجربی در زمینه‌های خاص است. تعدادی از کشورها و سازمان های نقشه برداری در حال حاضر در حال بررسی قوانین و مقررات برای بررسی پهپادها و تعریف استانداردهایی برای گنجاندن داده های پهپاد در برنامه های به روز رسانی پایگاه های داده ملی خود هستند. با این حال، به طور کلی، هیچ استاندارد بین المللی را نمی توان برای مدل سازی سطوح سه بعدی در مقیاس بزرگ مشاهده کرد. محققان عمدتاً با توجه به کاربردهای خاص در حال بررسی هستند. انجمن آمریکایی فتوگرامتری و سنجش از دور (ASPRS) استانداردهای دقت نقشه برداری در مقیاس بزرگ را برای ارتفتوهای دیجیتال و DEM در سال 2014 ایجاد کرد و این استانداردها مستقل از اندازه پیکسل، مقیاس نقشه و فاصله کانتور هستند [54 ] .

به‌عنوان یک پارامتر آماری، مقادیر RMSE توصیف می‌شوند که به‌عنوان «ریشه دوم از میانگین مجموعه تفاوت‌های مجذور بین مقادیر مختصات مجموعه داده و مقادیر مختصات از یک منبع مستقل با دقت بالاتر برای نقاط یکسان» تفسیر می‌شوند [26 ] . در این مطالعه، نقاط چک مبتنی بر RMSEr (دقت افقی) و RMSEz (دقت عمودی) تمام 16 پروژه فتوگرامتری محاسبه و با استانداردهای دقت ASPRS مطابق فرمول‌های زیر مقایسه شد:

R M اس E ایکس = \pm \sum من ( ایکس د a t a ( i ) - ایکس r e f e r e n c e ( i ) ) n 2 ———————-\sqrt

(1)

جایی که $x_{d a t a (i)}$ = چک نقاط مشاهده شده است $‘ x ’$ از طریق استاتیک سریع با CORS به عنوان ایستگاه پایه، $x_{r e f e r e n c e (i)}$ = بررسی نقاط مرجع $‘ x ’$ به طور مستقیم از هر ارتوموزائیک تولید شده با استفاده از Pix4D Mapper مشاهده شد و $n$ = تعداد نقاط چک

R M اس E y = \pm \sum من ( y د a t a ( i ) - y r e f e r e n c e ( i ) ) n 2 ———————-\sqrt

(2)

جایی که $y_{d a t a (i)}$ = چک نقاط مشاهده شده است $‘ y ’$ از طریق استاتیک سریع با CORS به عنوان ایستگاه پایه $y_{r e f e r e n c e (i)}$ = بررسی نقاط مرجع $‘ y ’$ به طور مستقیم از هر ارتوموزائیک تولید شده با استفاده از Pix4D Mapper مشاهده شد و $n$ = تعداد نقاط چک

R M اس E r = R M اس E 2 ایکس + آر ام اس E 2 y —————-\sqrt

(3)

$R M S E_{x}^{2}$ = محاسبه شده در معادله (1)، $R M S E_{y}^{2}$ = محاسبه شده در رابطه (2):

R M اس E z = \pm \sum ( z د a t a ( i ) - z r e f e r e n c e ( i ) ) n 2 ———————\sqrt

(4)

جایی که $z_{d a t a (i)}$ = چک نقاط مشاهده شده است $‘ z ’$ از طریق استاتیک سریع با CORS به عنوان ایستگاه پایه $z_{r e f e r e n c e (i)}$ = بررسی نقاط مرجع $‘ z ’$ به طور مستقیم از هر ارتوموزائیک تولید شده با استفاده از Pix4D Mapper مشاهده شد و $n$ = تعداد نقاط چک

بالاترین سطح دقت طبق استانداردهای ASPRS به عنوان کلاس 1 [ 39 ] تعریف شده است. نتایج نشان داد که دقت افقی و عمودی تمام 16 پروژه فتوگرامتری در محدوده معیارهای دقت کلاس 1 ASPRS 2014 قرار دارد. همانطور که در شکل 4 نشان داده شده است ، دقت افقی (RMSEr) بین 0.13 متر تا 0.17 متر است. از آنجایی که تحقیقات عمده مربوط به تغییرات توپوگرافی بود، دقت عمودی نگرانی عمده بود. دقت عمودی (RMSEz) نشان داده شده در شکل 5دارای حداقل مقدار 0.09 متر و حداکثر مقدار 0.32 متر بود، اما رفتار این مجموعه داده با افزایش درصد همپوشانی رو به جلو یا جانبی مطابقت نداشت زیرا حداکثر مقدار RMSEz در پروژه همپوشانی 85/85 درصد بود و حداقل مقدار در پروژه 75% رو به جلو و 85% همپوشانی جانبی بود.

اکثر محققان کیفیت محصولات فتوگرامتری پهپاد را برای کل مجموعه داده ها با استفاده از اندازه گیری های RMSE بررسی کرده اند. با این حال، برخی دقت عمودی را برای زیر مجموعه‌های کوچک داده‌های سه‌بعدی انواع مختلف زمین نیز بررسی کرده‌اند. پیپو و همکاران [ 55 ] کاربرد DEM ها برای ترسیم اشکال مختلف زمین را بررسی کرد. لیو و همکاران [ 56 ] خطاهای DEM را برای انواع مختلف زمین و ارتفاع محاسبه کرد. هو و همکاران [ 57 ] دقت DEM ها را برای زمین های دشت، تپه و کوهستانی مشاهده کرد. پودگورسکی و همکاران [ 58 ] 2019 دقت را برای شیب‌های مختلف ارزیابی کرد. کرام و هافمایستر [ 59] شاخص زبری توپوگرافی را برای DEM های منبع متعدد از جمله داده های تولید شده توسط پهپاد محاسبه کرد.

در این مطالعه، بررسی بیشتر دقت داده ها با توجه به تغییرات توپوگرافی در مقیاس بزرگ از چهار پروفایل مختلف (A-D) انجام شد. شکل 6 مقایسه ها را در تمام 16 DSM فتوگرامتری نشان می دهد.

به طور کلی، اولین پروفیل A (بالای سقف ساختمان) همانطور که در شکل 6 نشان داده شده است ، نتیجه بهتری را در سمت چپ نسبت به سمت راست نشان می دهد. با این حال، هنوز طبق استانداردها قابل تحمل است. تنها خط قابل توجه در این نمودار که رفتار متفاوتی دارد، پایین‌ترین خط است که داده‌ها را از 55% طرف و 55% همپوشانی رو به جلو نشان می‌دهد، اما همچنان الگوی صحیح سقف ساختمان را نشان می‌دهد. نمایه دوم شکل 6ب گنبد بنای مسجد را نشان می دهد. خطوط در این نمودار به خصوص برای سمت چپ گنبد نزدیک به یکدیگر هستند. با این حال، برخی از خطوط در سمت راست نزدیک بالای گنبد یکنواخت یا نزدیک به یکدیگر نیستند که این امر به دلیل صدای ناشی از انعکاس سطح است. شاید تأثیر نور خورشید باعث انعکاس مصالح سطحی گنبد شده باشد. همچنین به وضوح مشاهده می شود که تمام نمودارها به سمت پایین گنبد در سمت راست به یکدیگر نزدیک می شوند.

شکل 6 C سطح شیب را نشان می دهد. تمام خطوط مشاهده شده برای این نوع ویژگی به یکدیگر نزدیک هستند، که نشان می دهد تمام درصدهای همپوشانی رو به جلو و جانبی نمی تواند بر روی نگاشت چنین ویژگی تأثیر بگذارد و می توان از آنها بیشتر استفاده کرد. هیچ تفاوت قابل توجهی با تغییر همپوشانی پرواز برای این نوع ویژگی ایجاد نمی شود. در نهایت، در آخرین نمایه D، که در شکل 6 نشان داده شده است، به راحتی می توان دید که همپوشانی روی نتیجه در سمت چپ و راست جریان تأثیر نمی گذارد. خطوط به هم نزدیک هستند. شاید انعکاس در دو طرف جریان مانند شیب در شکل 6 خوب باشد.ج- با این حال، با افزایش عمق جریان، خطوط به درستی جریان را نشان می دهند و حتی از یکدیگر عبور می کنند. این مشکل شاید به این دلیل به وجود می آید که مدل SFM به درستی برای بدنه های آبی کار نمی کند. در فتوگرامتری دیجیتال، تطبیق تصویر معمولاً برای ویژگی‌های همگن با لحن یکنواخت بدون الگو یا بافت مناسب با شکست مواجه می‌شود.

6. نتیجه گیری و پیشنهادات

فتوگرامتری پهپاد یکی از جدیدترین فناوری‌ها در صنعت نقشه‌برداری برای ارائه داده‌های زمین با وضوح مکانی-زمانی بالا در یک محیط دیجیتال است. کاربرد آن برای بررسی نواحی کوچک مورد توجه محققان جامعه علوم زمین است. با پیشرفت های اخیر در پردازش تصویر دیجیتال مدرن، همراه با قابلیت روزافزون رایانه شخصی، ترسیم فتوگرامتری یک ابزار بررسی انعطاف پذیر و در دسترس را ارائه می دهد. کیفیت پهپاد DSM به عوامل مختلفی مانند کیفیت سنسور، ویژگی‌های پلت فرم، پارامترهای پرواز و تکنیک‌های پردازش تصویر بستگی دارد. پارامترهای پرواز مانند ارتفاع پرواز، سرعت پرواز، زمان پرواز، مسیر پرواز، و درصد همپوشانی تصویر، تعادلی بین کیفیت DSM و هزینه محاسباتی پروژه فتوگرامتری هستند. با این حال، در بین تمام این پارامترها، درصد همپوشانی تصاویر به عنوان عامل کلیدی تاثیرگذار بر کیفیت DSM از نظر تطبیق تصویر، تولید نقطه اتصال و ابر نقطه سه بعدی در نظر گرفته می‌شود. به طور کلی، در نظر گرفته می شود که همپوشانی تصویر بالا منجر به کیفیت بهتر DSM می شود، اما افزایش درصد همپوشانی یک خط پایه کوتاه برای مثلث بندی هوایی و مشکلات زاویه دید نیز ممکن است باعث خطاهای هندسی شود. علاوه بر این، افزایش بسیار زیاد تعداد تصاویر به دلیل همپوشانی زیاد به فضای دیسک و زمان محاسبات بیشتری نیاز دارد. اما افزایش درصد همپوشانی یک خط پایه کوتاه برای مثلث بندی هوایی و مشکلات زاویه دید نیز ممکن است باعث خطاهای هندسی

منابع

بندرا، KRMU؛ سامرکون، ل. Shrestha، RP; کامیا، ی. تولید خودکار مدل زمین دیجیتال با استفاده از ابرهای نقطه ای مدل سطح دیجیتال در منطقه جنگلی. Remote Sens. 2011 , 3 , 845-858. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
الگاروانی، ع. آلوبید، ع. El Garouani، S. مدل سطح دیجیتال بر اساس جفت استریو تصویر هوایی برای ساختمان سه بعدی. بین المللی J. Sustain. محیط ساخته شده 2014 ، 3 ، 119-126. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
هان، ی. کوین، آر. Huang, X. ارزیابی تطبیق‌کنندگان تصویر متراکم برای تولید مدل سطح دیجیتال با استفاده از تصاویر هوابرد و فضابرد – به‌روزرسانی. فتوگرام ضبط 2020 ، 35 ، 58-80. [ Google Scholar ] [ CrossRef ]
فلمینگ، ز. Pavlis، T. یک روش تصحیح مبتنی بر جهت‌گیری برای ابرهای نقطه‌ای SfM-MVS – مفاهیمی برای زمین‌شناسی میدانی. جی. ساختار. جئول 2018 ، 113 ، 76-89. [ Google Scholar ] [ CrossRef ]
اویسال، م. توپراک، ع. نسل پولات، N. DEM با فتوگرامتری پهپاد و آنالیز دقت در تپه Sahitler. اندازه گیری 2015 ، 73 ، 539-543. [ Google Scholar ] [ CrossRef ]
وارلیک، ا. سلوی، اچ. کالایچی، آی. کاراوغوز، جی. Öğütcü, S. بررسی سازگاری بناهای تاریخی هیتیت فاسیلار و افلاتون پینار با تکنیک فتوگرامتری برد نزدیک. مدیتر. آرکائول. آرکئوم. 2016 ، 16 ، 249-256. [ Google Scholar ]
توانی، س. گرانادو، پی. کورادتی، آ. ژیروندو، م. ایاناس، ا. آربوئس، پی. مونوز، جی. Mazzoli، S. ساختن یک رخنمون مجازی، استخراج اطلاعات زمین شناسی از آن، و به اشتراک گذاری نتایج در Google Earth از طریق OpenPlot و Photoscan: نمونه ای از تاقدیس خاویز (ایران). محاسبه کنید. Geosci. 2014 ، 63 ، 44-53. [ Google Scholar ] [ CrossRef ]
ردویک، پی. فتوگرامتری. در علوم ژئودزی ; Xu, G., Ed. Springer: Berlin/Heidelberg, Germany, 2013. [ Google Scholar ] [ CrossRef ]
ماتیوس، آ. Jensen, J. تجسم و تعیین کمیت سایبان تاکستان LAI با استفاده از یک وسیله نقلیه هوایی بدون سرنشین (UAV) ساختار چگالی بالا جمع آوری شده از Motion Point Cloud. Remote Sens. 2013 ، 5 ، 2164-2183. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
آگودو، پ. پاجاس، ج. پرز-کابلو، اف. ردون، جی. Lebrón, B. پتانسیل پهپادها و حسگرها برای افزایش تشخیص نشانه های باستان شناسی: مطالعه مقایسه ای بین تصاویر چند طیفی و حرارتی. Drones 2018 , 2 , 29. [ Google Scholar ] [ CrossRef ][ Green Version ]
پولات، ن. Uysal، M. تجزیه و تحلیل تجربی مدل‌های ارتفاعی دیجیتال تولید شده با داده‌های Lidar و فتوگرامتری پهپاد. J. شرکت هندی Remote Sens. 2018 , 46 , 1135–1142. [ Google Scholar ] [ CrossRef ]
Xia، G.-S. بای، ایکس. دینگ، جی. زو، ز. بلنگی، اس. لو، جی. داتکو، ام. پلیلو، ام. Zhang، L. DOTA: مجموعه داده در مقیاس بزرگ برای تشخیص اشیاء در تصاویر هوایی. در مجموعه مقالات کنفرانس IEEE در مورد بینایی کامپیوتری و تشخیص الگو (CVPR)، سالت لیک سیتی، UT، ایالات متحده آمریکا، 18 تا 22 ژوئن 2018؛ صص 3974–3983. [ Google Scholar ]
Laliberte، A. سنجش از راه دور مبتنی بر وسایل نقلیه هوایی بدون سرنشین برای ارزیابی، نظارت و مدیریت مراتع. J. Appl. Remote Sens. 2009 ، 3 . [ Google Scholar ] [ CrossRef ]
اندرسون، ک. وسایل نقلیه هوایی بدون سرنشین سبک وزن گاستون، کی جی انقلابی در اکولوژی فضایی ایجاد خواهند کرد. جلو. Ecol. محیط زیست 2013 ، 11 ، 138-146. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
آگوئرا-وگا، اف. کارواخال رامیرز، اف. Martínez-Carricondo، P. سانچز-هرموسیلا لوپز، جی. Mesas-Carrascosa، FJ; گارسیا-فرر، آ. پرز-پوراس، FJ بازسازی توپوگرافی شدید از ساختار پهپاد از فتوگرامتری حرکتی. اندازه گیری 2018 ، 121 ، 127-138. [ Google Scholar ] [ CrossRef ]
زیبک، م. شانلی اوغلو، ای. فیلتر نقطه ای ابر در ابر نقطه ای مبتنی بر پهپاد. اندازه گیری 2019 ، 133 ، 99-111. [ Google Scholar ] [ CrossRef ]
کازلا، وی. چیابراندو، اف. فرانزینی، م. Manzino، AM ارزیابی دقت یک بلوک پهپاد توسط بسته‌های نرم‌افزاری مختلف، طرح‌های پردازش و استراتژی‌های اعتبارسنجی. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 164. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
روپنیک، ای. نکس، اف. توشی، آی. Remondino، F. سیستم های چند دوربین هوایی: دقت و مسائل مربوط به مثلث بندی بلوک. ISPRS J. Photogramm. Remote Sens. 2015 ، 101 ، 233-246. [ Google Scholar ] [ CrossRef ]
زینگ، سی. Huang, J. یک روش موزاییک بهبود یافته بر اساس الگوریتم SIFT برای تصاویر توالی پهپاد. در مجموعه مقالات کنفرانس بین المللی 2010 در طراحی و برنامه های کاربردی کامپیوتر، Qinhuangdao، چین، 25-27 ژوئن 2010. صص V1-414–V1-417. [ Google Scholar ]
Dandois، JP; اولانو، ام. الیس، ارتفاع بهینه EC، همپوشانی، و شرایط آب و هوایی برای برآورد پهپاد کامپیوتری ویژن ساختار جنگل. Remote Sens. 2015 ، 7 ، 13895–13920. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Mesas-Carrascosa، FJ; نوتاریو گارسیا، MD؛ Merono de Larriva، JE; گارسیا-فرر، A. تجزیه و تحلیل تاثیر پارامترهای پرواز در تولید وسایل نقلیه هوایی بدون سرنشین (UAV) Orthomosaicks برای بررسی مناطق باستان شناسی. Sensors 2016 ، 16 ، 1838. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
Mesas-Carrascosa، FJ; کلاورو رومبائو، آی. تورس سانچز، جی. گارسیا-فرر، آ. پنیا، جی. لوپز گرانادوس، F. تصاویر پهپاد چند طیفی شش بانده ارتو موزاییک شده دقیق که تحت تأثیر برنامه ریزی ماموریت برای کشاورزی دقیق پیشنهاد می شود. بین المللی J. Remote Sens. 2017 , 38 , 2161–2176. [ Google Scholar ] [ CrossRef ]
فری، جی. کواچ، ک. استملر، اس. Koch, B. فتوگرامتری پهپاد جنگل ها به عنوان یک فرآیند آسیب پذیر. تجزیه و تحلیل حساسیت برای یک ساختار از خط لوله حرکت RGB-Image. Remote Sens. 2018 , 10 , 912. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
دومینگو، دی. Ørka، HO; ناست، ای. کاچامبا، دی. Gobakken، T. اثرات وضوح تصویر پهپاد، نوع دوربین و همپوشانی تصویر بر دقت پیش‌بینی‌های زیست توده در جنگل‌های گرمسیری. Remote Sens. 2019 , 11 , 948. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
سیفرت، ای. سیفرت، اس. وگت، اچ. درو، دی. ون آرت، جی. کونکه، آ. سیفرت، T. تأثیر ارتفاع هواپیماهای بدون سرنشین، همپوشانی تصویر، و وضوح حسگر نوری در بازسازی چند نمای تصاویر جنگل. Remote Sens. 2019 , 11 , 1252. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
گابارا، جی. Sawicki، P. ارزیابی دقت چند متغیره تصویربرداری پهپاد. بررسی ها: مطالعه موردی در حوزه سرمایه گذاری. Sensors 2019 , 19 , 5229. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
Chaudhry، MH; احمد، ع. گلزار، س. مطالعه تطبیقی پلت فرم مدرن پهپاد برای نقشه برداری توپوگرافی. IOP Conf. سر. محیط زمین. علمی 2020 , 540 . [ Google Scholar ] [ CrossRef ]
کابریرا، تی. بریسولارا، ال. فریرا جونیور، بررسی روابط عمومی در مورد برنامه ریزی مسیر پوشش با وسایل نقلیه هوایی بدون سرنشین. هواپیماهای بدون سرنشین 2019 ، 3 ، 4. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
نجد، پی جی; احمد، ع. Zen، رویکرد IS به پایداری محیطی و پردیس سبز در دانشگاه فناوری مالزی: یک بررسی. محیط زیست Ecol. Res. 2018 ، 6 ، 203-209. [ Google Scholar ] [ CrossRef ]
اتو، ا. آگاتز، ن. کمپبل، جی. گلدن، بی. Pesch، E. رویکردهای بهینه سازی برای کاربردهای غیرنظامی وسایل نقلیه هوایی بدون سرنشین (UAVs) یا هواپیماهای بدون سرنشین: یک بررسی. Networks 2018 ، 72 ، 411-458. [ Google Scholar ] [ CrossRef ]
Besada، JA; برگزیو، ال. کامپانا، آی. Vaquero-Melchor، D.; لوپز-آراکیستین، جی. برناردوس، AM; تعریف و اجرای ماموریت پهپاد Casar، JR برای بازرسی خودکار زیرساخت با استفاده از سنسورهای هوابرد. Sensors 2018 , 18 , 1170. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
لولا، ال. گاندورف، جی. اوجانگ، U. آذری، س. آنتون، اف. عبدالرحمن، الف. تحلیل مقایسه ای بسته های نرم افزاری مدل سازی فتوگرامتری سه بعدی برای بررسی پهپادها. ISPRS Int. قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2019 ، XLII-4/W12 ، 95–100. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
راک، جی. ریس، جی. Udelhoven، T. تجزیه و تحلیل حساسیت پهپاد-فتوگرامتری برای ایجاد مدل های ارتفاعی دیجیتال (DEM). در مجموعه مقالات کنفرانس در مورد وسایل نقلیه هوایی بدون سرنشین در ژئوماتیک، زوریخ، سوئیس، 14-16 سپتامبر 2011. [ Google Scholar ]
بیانکو، اس. سیوکا، جی. مارلی، دی. ارزیابی عملکرد سازه از خطوط لوله حرکت. J. Imaging 2018 ، 4 ، 98. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
رویز، جی جی؛ دیاز-ماس، ال. پرز، اف. ویگوریا، الف. ارزیابی دقت الگوریتم‌های تولید دم از تصاویر پهپاد. بین المللی قوس. فتوگرام Remote Sens. Spatial Inf. علمی 2013 ، XL-1/W2 ، 333-337. [ Google Scholar ] [ CrossRef ]
ورهوون، جی. نگاهی به بینایی کامپیوتری – بازسازی های سه بعدی باستان شناسی از عکس های هوایی با فوتوسکن. آرکائول. چشم انداز. 2011 ، 18 ، 67-73. [ Google Scholar ] [ CrossRef ]
Lowe, G. SIFT – تبدیل ویژگی ثابت مقیاس. بین المللی J. 2004 ، 2 ، 91-110. [ Google Scholar ]
Fonstad، MA; دیتریش، جی تی. کورویل، BC; جنسن، جی ال. Carbonneau، PE ساختار توپوگرافی از حرکت: یک پیشرفت جدید در اندازه گیری فتوگرامتری زمین گشت و گذار. روند. Landf. 2013 ، 38 ، 421-430. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
وایتهد، کی. Hugenholtz، CH استفاده از استانداردهای دقت ASPRS در بررسی‌های سیستم‌های هواپیمای بدون سرنشین کوچک (UAS). فتوگرام مهندس Remote Sens. 2015 , 81 , 787–793. [ Google Scholar ] [ CrossRef ]
جیرود، ال. نوث، سی. کاب، ع. اتزلمولر، بی. Kohler, J. Terrain از تصاویر بدست آمده در پروازهای فرصت طلبانه توسط فتوگرامتری SfM تغییر می کند. Cryosphere 2017 ، 11 ، 827-840. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
ناگاراجان، س. خمارو، س. De Witt, P. UAS تشخیص تغییر سه بعدی خط ساحلی فانوس دریایی ورودی مشتری ONA پس از طوفان ایرما. بین المللی J. Remote Sens. 2019 , 40 , 9140–9158. [ Google Scholar ] [ CrossRef ]
کوچی، جی. جاریانی، ب. لئون، جی ایکس؛ سیدل، آر. ویلکینسون، اس. بارتلی، آر. ارزیابی پهپاد و ساختار زمینی از حرکت با فتوگرامتری استریو چند نمای در حوضه آبریز ساوانا. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 328. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
چیابراندو، اف. سامارتانو، جی. اسپانو، آ. Spreafico، A. مدل‌های سه بعدی ترکیبی: هنگامی که نوآوری‌های ژئوماتیک با مجموعه‌های میراث ساخته شده گسترده روبرو می‌شوند. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 124. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
سالاچ، ا. باکولا، ک. پیلارسکا، ام. اوستروفسکی، دبلیو. گورسکی، ک. Kurczyński، Z. ارزیابی دقت ابرهای نقطه از LiDAR و تطبیق تصویر متراکم با استفاده از پلتفرم پهپاد برای ایجاد DTM. ISPRS Int. J. Geo-Inf. 2018 ، 7 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Pricope، NG; Mapes، KL; وودوارد، KD; اولسن، اس.اف. باکسلی، JB چند سنسور ارزیابی اثرات پارامترهای پردازش متفاوت بر دقت و کیفیت محصول UAS. هواپیماهای بدون سرنشین 2019 ، 3 ، 63. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
جیانگ، اس. جیانگ، سی. Jiang, W. ساختار کارآمد از حرکت برای تصاویر پهپاد در مقیاس بزرگ: بررسی و مقایسه ابزارهای SfM. ISPRS J. Photogramm. Remote Sens. 2020 , 167 , 230–251. [ Google Scholar ] [ CrossRef ]
لی، جی. دروغ.؛ چن، ی. خو، ال. Zhang, Y. ادغام نقشه عمقی همراه برای استریو چند نمای. در مجموعه مقالات کنفرانس IEEE Computer Society در سال 2010 در مورد دید رایانه و تشخیص الگو، سان فرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، 13 تا 18 ژوئن 2010. صص 2769-2776. [ Google Scholar ]
رموندینو، اف. اسپرا، ام جی; نوچرینو، ای. منا، اف. نکس، اف. گونیزی-بارسانتی، اس. تطبیق تصویر متراکم: مقایسه ها و تحلیل ها. در مجموعه مقالات کنگره بین المللی میراث دیجیتال 2013 (Digital Heritage)، مارسی، فرانسه، 28 اکتبر تا 1 نوامبر 2013. ص 47-54. [ Google Scholar ]
Verykokou، S. Ioannidis، C. یک ساختار مبتنی بر فتوگرامتری از الگوریتم حرکت با استفاده از تکنیک‌های تنظیم دسته‌ای تکراری قوی. ISPRS Ann. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2018 ، IV-4/W6 ، 73-80. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
ارول، اس. اوزوگل، ای. کوچک، RA; ارول، بی. استفاده از تکنیک های فتوگرامتری هوابرد LiDAR و پهپاد در تعیین و اعتبارسنجی مدل ژئویدی محلی. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 528. [ Google Scholar ] [ CrossRef ]
Shin, J.-I.; چو، ی.-م. لیم، P.-C.; لی، اچ.-م. Ahn، H.-Y.; پارک، سی.-و. Kim, T. کالیبراسیون رادیومتری نسبی با استفاده از نقاط اتصال و انتخاب مسیر بهینه برای تصاویر پهپاد. Remote Sens. 2020 ، 12 ، 1726. [ Google Scholar ] [ CrossRef ]
برنز، JHR; دلپارت، دی. مقایسه نرم‌افزار فتوگرامتری ساختار تجاری مورد استفاده برای مدل‌سازی سه‌بعدی زیر آب محیط‌های صخره‌های مرجانی. ISPRS Int. قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2017 ، XLII-2/W3 ، 127–131. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Sanz-Ablanedo، E. چندلر، جی. رودریگز-پرز، جی. Ordóñez, C. دقت وسیله نقلیه هوایی بدون سرنشین (UAV) و بررسی فتوگرامتری SfM به عنوان تابعی از تعداد و مکان نقاط کنترل زمینی مورد استفاده. Remote Sens. 2018 ، 10 ، 1606. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
عبدالله، ق. ماون، دی. اسمیت، دی. کارل هایدمن، اچ. استاندارد جدید برای عصر جدید: مروری بر استانداردهای دقت موقعیتی 2015 ASPRS برای داده های جغرافیایی دیجیتال. فتوگرام مهندس Remote Sens. 2015 ، 81 ، 173-176. [ Google Scholar ] [ CrossRef ]
پیپو، آی. لویبل، دی. Lehmkuhl، F. ارزیابی داده های ارتفاعی TanDEM-X برای نقشه برداری و تفسیر ژئومورفولوژیکی در محیط های کوهستانی – مطالعه موردی از SE تبت، چین. ژئومورفولوژی 2015 ، 246 ، 232-254. [ Google Scholar ] [ CrossRef ]
لیو، ک. آهنگ، سی. که، ال. جیانگ، ال. پان، ی. Ma, R. عملکردهای جهانی DEM با دسترسی آزاد در ناهموارترین منطقه زمین در کوهستان بالا آسیا: ارزیابی چند سطحی. ژئومورفولوژی 2019 ، 338 ، 16-26. [ Google Scholar ] [ CrossRef ]
هو، ز. پنگ، جی. هو، ی. شان، جی. ارزیابی مدل‌های ارتفاع دیجیتال جهانی باز اخیراً منتشر شده در هوبی، چین. Remote Sens. 2017 , 9 , 262. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
پودگورسکی، جی. کینارد، سی. پتلیکی، ام. Urrutia، R. ارزیابی عملکرد TanDEM-X DEM برای تشخیص تغییر ارتفاع یخچالهای کوهستانی. Remote Sens. 2019 , 11 , 187. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کرام، تی. هافمایستر، دی. ارزیابی وابسته به امداد مدل‌های ارتفاعی دیجیتال در مقیاس‌های مختلف برای شمال شیلی. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 430. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]

شکل 1. نمودار گردش کار.

شکل 2. منطقه مطالعه.

شکل 3. پلان پرواز و تعداد تصاویر.

شکل 4. RMSEr برای ارزیابی دقت مدل سطح دیجیتال (DSM).

شکل 5. RMSEz برای ارزیابی دقت DSM.

شکل 6. نمودار نمایه برای تحقیقات توپوگرافی در مقیاس بزرگ، ( A ) سقف ساختمان معمولی منطقه گرمسیری، ( B ) گنبد، ( C ) شیب، ( D ) جریان.

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

تاثیر پارامترهای نقشه برداری پهپاد بر مدل سازی سطوح کاربری اراضی شهری مختلط

تاثیر پارامترهای نقشه برداری پهپاد بر مدل سازی سطوح کاربری اراضی شهری مختلط

خلاصه

1. معرفی

2. سایت مطالعه