مطالعات در مورد تغییر کاربری و پوشش زمین (LULCC) به دلیل مشارکت در تدوین سیاست ها و برنامه های استراتژیک در مناطق مختلف و در مقیاس های مختلف یک نگرانی بزرگ بوده است. LULCC زمانی که شدید و در مقیاس جهانی باشد، می تواند فاجعه بار باشد، اگر شناسایی و نظارت نشود و بر جنبه های کلیدی عملکرد اکوسیستم تأثیر بگذارد. برای دههها، پیشرفتهای تکنولوژیکی و ابزارهای سیستمهای اطلاعات جغرافیایی (GIS)، سنجش از دور (RS) و یادگیری ماشین (ML) از زمان جمعآوری، پردازش و نتایج در انتشار دادهها برای دسترسی به شرایط چشمانداز و در نتیجه، کاربریهای مختلف زمین و زمین مورد بررسی قرار گرفتهاند. سیستم های طبقه بندی پوشش در سطوح مختلف انجام شده است. ارائه رهنمودهای منسجم، بر اساس بررسی ادبیات، برای بررسی، ارزیابی و گسترش چنین شرایطی می تواند کمک زیادی باشد. از این رو، صدها مطالعه مرتبط موجود در پایگاههای اطلاعاتی مختلف (Science Direct، Scopus، Google Scholar) که نشاندهنده پیشرفتهای بهدستآمده در محصولات طبقهبندی پوشش زمین محلی، منطقهای و جهانی در وضوحهای مختلف مکانی، طیفی و زمانی در طول دهههای گذشته است، انتخاب و بررسی شدند. هدف این مقاله نشان دادن ابزارها، دادهها، رویکردهای اصلی برای تجزیه و تحلیل، ارزیابی، نقشهبرداری و پایش LULCC و بررسی برخی چالشها و محدودیتهای مرتبط است که ممکن است بر عملکرد کارهای آینده تأثیر بگذارد، از طریق یک چشمانداز پیشرو. بر اساس این مطالعه، با وجود پیشرفتهایی که در دهههای اخیر بایگانی شده است، مسائل مربوط به تجزیه و تحلیل چند منبع، چند زمانی و چند سطحی، استحکام و کیفیت، مقیاسپذیری نیاز به مطالعه بیشتر دارد زیرا برخی از چالشهای اصلی سنجش از دور را تشکیل میدهند. .
کلید واژه ها
داده های فضایی بزرگ ، محاسبات ابری ، یادگیری ماشینی ، سنجش از دور
1. مقدمه
کسب اطلاعات در سطح زمین و منابع آن از زمان پرتاب اولین ماهواره مصنوعی رصد زمین (EO) توسط برنامه سیستم مشاهده زمین (EOS) در سال 1972 تسریع شده است. این تا حدودی مرهون تلاش آژانس های فضایی جهانی است. (WSA) که در سالهای اخیر تصاویر متعددی از سنسورهای از راه دور همراه با هواپیما و ماهوارهها در دسترس عموم [ 1 ] [ 2 ] [ 3 ] و پیشرفتهای تکنولوژیکی در زمینه محاسبات با پردازندههای قدرتمند و کارآمد برای مدیریت حجم زیادی از دادهها ارائه کرده است. و همچنین تلاش هایی برای توسعه الگوریتم های قوی برای پردازش چنین داده هایی [ 2 ] [ 4 ].
تقاضا برای داده های سنجش از دور برای استفاده از زمین و نقشه برداری پوشش زمین به دلیل تأثیر کاربری زمین و تغییرات پوشش زمین برای اکوسیستم های زمینی در حال رشد است. از طریق این داده های مکانی می توان اثرات تغییرات چشم انداز بر محیط را درک و ارزیابی کرد. تصاویر با وضوح مکانی، زمانی، رادیومتری و طیفی بالا، امکان نقشه برداری از مناطق بزرگ را در زمان نسبتاً کوتاه فراهم می کنند [ 5 ] [ 6 ] [ 7 ] [ 8 ]، بهبود تکنیک ها و الگوریتم ها را تقویت می کنند، که امکان اتوماسیون را فراهم می کند. نقشه برداری، با نتایج قابل اعتماد برای واقعیت.
کشورهایی که هنوز رویکردهای سنتی را برای پردازش دادههای سنجش از دور با استفاده از نرمافزار پردازش تصویر تجاری در سیستمهای مبتنی بر رایانه شخصی با پیشنهادهایی برای نشان دادن نحوه استفاده از دادههای سنجش از دور و ارائه بستههای GIS (به دلیل محدودیتهای فنی، آموزشی و سازمانی) اتخاذ میکنند. گذشته از مطالعات عمیق تر، مانند مدل سازی زیرسطحی بر اساس GIS [ 9 ]، عملکرد محدودی را در مطالعات خود ارائه می دهند که مربوط به مدیریت داده های بزرگ است [ 6 ] [ 10 ] [ 11 ]]، زیرا مهم نیست که سیستم عامل ها چقدر قدرتمند باشند، کل فرآیند تجزیه و تحلیل داده ها، از جمله پیش پردازش در مناطق بزرگ که شامل هزاران تصویر است، تجمعی، کند و خسته کننده است و همچنان می تواند گران باشد زیرا به منابع زیادی نیاز دارد. .
با این حال، در کشورهایی که تغییر رویکرد خود را انتخاب کرده اند، بر چالش ها غلبه شده است. این پیشرفت به لطف توسعه و استفاده از الگوریتمهای یادگیری ماشین قدرتمند (MLA) در محیطهای محاسباتی ابری، مانند موتور Google Earth (GEE)، که تصاویر را در مقیاس سیارهای و با وضوحهای مکانی بالا پردازش میکند، رخ داده است [ 6 ] [ 12 ]. . با توجه به Mutanga و Kumar [ 7 ]، این رویکرد جدید می تواند توسط محققان کشورهای کمتر توسعه یافته به دلیل عدم نیاز به قدرت پردازش زیاد رایانه ها انجام شود.
بنابراین، فایلهایی با چندین پتابایت از مجموعه دادههای ارجاعشده (اقلیم، کاربری زمین و پوشش زمین، مدلهای ارتفاعی دیجیتال) محصول یا غیرمحصول از تصاویر ماهوارهای رصد زمین و حسگرهای هوابرد ممکن است ترکیب شده و در یک محیط محاسباتی در ابر ادغام شوند. با این حال، پردازش دادههای سنجش از دور، صرفنظر از رویکردی که دنبال میشود، دارای محدودیتهای مرتبط با اندازه و کیفیت نمونههای آموزشی، دقت موضوعی، انتخاب الگوریتم و اندازه منطقه مورد مطالعه است [ 13 ] [ 14 ].
اخیراً، روندهای جدیدی در تولید و پردازش داده ها برجسته شده است که عمدتاً با همکاری بین آژانس های فضایی در سراسر جهان هدایت می شود. این همکاری منجر به در دسترس بودن زیاد داده ها (دسترسی رایگان)، ابزارها (نرم افزار) و تکنیک ها (الگوریتم ها) برای پردازش چنین داده هایی شده است [ 2 ] [ 9 ] [ 10 ]، برنامه ها و ابزارهای جدیدی را برای جامعه سنجش از دور فراهم می کند. تحقیقات هدف این مقاله ارائه و برجسته کردن ابزارها، دادهها، رویکردهای اصلی مرتبط با مسائل مربوط به نقشهبرداری کاربری و پوشش زمین (LULC) و بررسی برخی چالشهای ممکن برای ارزیابی و پایش کاربری/پوشش زمین با استفاده از دادههای سنجش از دور و ارائه دیدگاهی انتقادی در مورد LULC دستاوردهای در حال پیشرفت را صادر می کند.
این مقاله موضوعات زیر را به ترتیب ارائه میکند: 1) به فرآیند کسب و پردازش دادههای سنجش از دور بهدستآمده در مقیاسهای مختلف میپردازد. 2) دسته های اصلی پلتفرم ها و نرم افزارهایی را که می توان برای پردازش چنین داده هایی استفاده کرد، ارائه می کند. 3) به تکنیکهایی برای پردازش دادههای مکانی برای اهداف استفاده از زمین و نقشهبرداری پوشش زمین که آنها را در رویکردهای مختلف (پیکسل، زیرپیکسل، شی و ترکیبی) چارچوببندی میکند. 4) تأثیرات استفاده از الگوریتم های یادگیری ماشین برای ارزیابی کاربری و پوشش زمین با داده های سری زمانی، چند منبعی و چند مقیاسی. 5) ارزیابی دقت نقشه ها. 6) پیشرفت های به دست آمده، چالش ها و چشم اندازهای آینده.
2. اکتساب و پردازش داده های سنجش از دور
داده ها عنصر کلیدی در یک تحقیق هستند و سنجش از دور به عنوان یکی از ابزارهای اصلی کسب داده های مکانی پیکربندی شده است [ 15 ]. اکتساب داده در سنجش از دور (RS) شامل چهار عنصر ضروری است: تابش الکترومغناطیسی (EMR)، منبع نور، سنسور و هدف و تعامل EMR با اهداف. برای تولید اطلاعات مرتبط، عناصر اساسی در تعامل همانطور که در شکل 1 نشان داده شده است را شامل می شود .
برای درک این فرآیند، ضروری است که EMR، حسگر (تخم مرغ، رزولوشن)، ویژگی های اساسی RS و ویژگی های آن را که به خوبی در [ 16 ] [ 17 ] [ 18 ] مستند شده است، هدف قرار می دهد. شکل 2 شدت خورشید و زمین، مناطق عبور جو و یک طیف الکترومغناطیسی را نشان می دهد که نور مرئی را برجسته می کند.
به گفته زوینکلز [ 16 ]، زمانی که نور با ماده برهمکنش می کند، بسته به برهمکنش طول موج (فرکانس) نور با اندازه فیزیکی (فرکانس های تشدید) ماده تداخلی، پدیده های مختلفی می تواند رخ دهد. شکل 3 بازتاب طیفی اهداف مختلف سطح را نشان می دهد.
با در نظر گرفتن تمام جنبه های ذکر شده در بالا، با پیروی از مراحل پردازش داده های سنجش از دور، می توان محصولی را برای یک پیشنهاد خاص تولید کرد. فهرستی از منابع و ارائه دهندگان دادههای سنجش از راه دور رایگان برای مقیاس درشت، متوسط و ریز دارای گستره است (Glovis، NASA Earth Observation، USGS Earth Explorer، دادههای Sentinel ESA، VITO Vision، IPPMUS Terra، و غیره) و قابل دسترسی است. جزئی در جدول 1 . داده های ارزیابی مقیاس خوب به طور کلی خریداری شده است.
اخیراً، مشکلات در دسترس بودن داده ها توسط سیاست ها به صورت رایگان برطرف شده است
شکل 1 . جمع آوری و پردازش داده های سنجش از دور. منبع: نویسندگان (2021).
شکل 2 . طیف الکترومغناطیسی که نور مرئی، خورشید و شدت زمین را برجسته می کند. منبع: نویسندگان (2021).
توزیع داده های سنجش از دور توسط ناسا [ 1 ] [ 8 ] [ 19 ] آغاز شده است. با این حال، در پشت مزایا، چالشهای مربوط به مدیریت دادههای بزرگ مانند پیچیدگی، مقیاسپذیری، استحکام و کیفیت ظاهر شد [ 11 ] [ 20 ].
ماهوارههای Landsat 7 و 8 ممکن است تا 1200 تصویر در روز جمعآوری کنند که نیاز به فضای ذخیرهسازی 1200 گیگابایتی در روز دارد [ 2 ]. در سال 2019، حجم داده های باز تولید شده توسط Landsat-7 و Landsat-8، MODIS (Terra و Aqua) و سه مأموریت اول Sentinel (Sentinel-1، -2 و -3) حدود 5 PB بود [ 10 ]. بدون احتساب چندین برنامه دیگر و محصولات سنجش از راه دور موجود.
شکل 3 . طیف الکترومغناطیسی که نور مرئی، خورشید و شدت زمین را برجسته می کند. منبع: نویسندگان (2021).
مجموعه دادههای بزرگ، علاوه بر فراتر رفتن از ظرفیتهای حافظه، ذخیرهسازی و پردازش رایانههای شخصی معمولی، محدودیتهای قابل توجهی را تحمیل میکند که کاربران را به استفاده از بخش کوچکی از دادههای موجود برای تحقیقات علمی و کاربردهای عملیاتی سوق میدهد [ 10 ]. با توجه به تقاضا، پلتفرمها، نرمافزارها و الگوریتمهای پردازش دادههای متعددی توسعه یافتهاند که در مباحث بعدی به آن پرداخته میشود.
استفاده از داده ها با استفاده از تکنیک های صحیح توسط متخصصان واجد شرایط، کلید حداکثر بهره مندی از این ابزارها است. با این حال، پیش پردازش و اعتبار سنجی چالش هایی را در فناوری سنجش از دور [ 13 ] [ 21 ] ارائه می کند. چندین محصول داده سنجش از دور برای تحقیقات خاص در دسترس هستند و نیازهای کاربران را برای مطالعه یکپارچه یک پدیده معین برآورده نمی کنند، زیرا وضوح آنها بین خودشان متفاوت است [ 22 ] [ 23 ]. به عنوان مثال، ارزیابی آتش سوزی جنگل به وضوح مکانی و زمانی بالا نیاز دارد، با این حال، یک سنسور نمی تواند وضوح بالایی را برای داده های طیف رادیومتر تصویربرداری با وضوح متوسط (MODIS) ارائه دهد، وضوح زمانی بالا، اما وضوح مکانی پایین را ارائه می دهد. به گفته سجاد و کومار [ 22]، حسگرهای فراطیفی به دلیل ظرفیتشان در کاهش زمان پردازش برای باندهای طیفی متعدد، راه حلی برای بن بست ارائه می دهند. حتی اگر برای دستیابی به نتایج بهتر، وضوح فضایی آنها باید بهبود یابد.
نرم افزار رایگان و متن باز و اختصاصی
در زمینه علمی GIS و سنجش از دور، ما دو دسته از برنامههای پردازش دادهها را برجسته میکنیم – منبع باز/رایگان (رایگان و منبع باز-FOSS) و نرمافزار تجاری (اختصاصی) [ 24 ] [ 25 ]، بر اساس معیارهای زیر: پلت فرم کاربر، رابط کاربری گرافیکی، پشتیبانی/هزینه، ابزارهای موجود، تلاش، کامل بودن، مجوز، وابستگی به سیستم عامل، مقیاس پذیری؛ کنترل حداکثری [ 24 ] [ 26 ].
محققان اصطلاحات را رایگان (تاسیس شده توسط بنیاد نرم افزار آزاد)، و منبع باز (تأسیس شده توسط Open Source Initiative) مترادف [ 24 ] [ 27 ] [ 28 ] می دانند. با این حال، شرایط در مورد محدودیت های اصلاح و توزیع مجدد متفاوت است. به گفته آناند و همکاران. [ 29 ] تنها محدودیت در نرم افزار آزاد این است که هر نسخه توزیع شده مجدد باید با شرایط استفاده رایگان اصلی، تغییر و توزیع معروف به عنوان کپی سمت چپ توزیع شود.
تعریف نرم افزار رایگان به هزینه آن مربوط نمی شود، بلکه به آزادی استفاده مجدد، تغییر یا عدم استفاده مجدد و توزیع مربوط می شود و برای اجرای بخشی از آزادی، باید به کد منبع دسترسی داشته باشید [ 26 ] [ 29 ] [29] 30 ]. بنابراین، مقوله ها متضاد نیستند، بلکه مکمل هم هستند، زیرا توسعه دهندگان آنها یافته های خود را به اشتراک گذاشته اند [ 24 ] [ 26 ]. توصیه میشود از اصطلاحات نرمافزار متنباز و رایگان با هم (FOSS) استفاده کنید، زیرا اجازه میدهد: 1) برای هر هدفی اجرا شود. 2) بررسی نحوه عملکرد برنامه و تطبیق آن با نیازها؛ 3) توزیع مجدد نسخه ها؛ 4) بهبود برنامه و در دسترس قرار دادن آن به نفع کل جامعه [ 26 ] [ 27 ] [ 29 ]].
هدف اصلی از توسعه نرم افزارهای اختصاصی کسب سود پولی است. آنها توسط افراد یا شرکت هایی توسعه می یابند که مهندسانی را استخدام می کنند که روی بهبود آنها کار می کنند [ 31 ]. در نتیجه، کاربران را از امکان کپی برداری از نرم افزار و توزیع مجدد آن، فروش مجوز به دیگران و/یا مهندسی معکوس و نقض حق چاپ و حق اختراع باز می دارند [ 29 ] [ 32 ]. علاوه بر این، به ندرت به کاربران نهایی امکان خرید یا مشاهده کد منبع را می دهد و ممکن است به هزینه مجوز سالانه نیاز داشته باشند. این درک کاربران را از کاری که کد و/یا ابزار انجام می دهند محدود می کند [ 25 ] [ 31 ] [ 32 ].
نرمافزارهای تجاری در بستههایی موجود هستند (به عنوان مثال، ERDAS Imagine) و هر بسته دارای محدودیتهایی است که کاربران را ملزم میکند تا به بسته کامل دسترسی داشته باشند تا بتوانند از تمام عملکردهای آن استفاده کنند. جدول 2 فهرستی از پرکاربردترین نرم افزارهای رایگان و اختصاصی در ژئوپردازش را نشان می دهد.
ارائه دهندگان نرم افزارهای تجاری و منبع باز دیدگاه های متفاوتی در مورد پشتیبانی فنی دارند. فقدان پشتیبانی و مستندسازی برای کاربران و مهارت های آموزشی خاص با مشخصات فنی برخی از معایب FOSS [ 30 ] است. پشتیبانی نرم افزار تجاری خدماتی است برای کاربران دارای مجوز [ 25 ].
اگرچه چندین کشور استفاده از FOSS را در مؤسسات عمومی توصیه می کنند [ 30 ] [ 32 ]، هزینه نباید عامل اصلی در انتخاب باشد. با توجه به نیازها و ظرفیتهای نهادی، جنبههایی مانند امنیت و همچنین قابلیت مدیریت باید در نظر گرفته شود. نرم افزار رایگان به برنامه های ملی برای پشتیبانی از توسعه و نگهداری آنها، آموزش برای تطبیق آن با نیازهای محلی نیاز دارد. برعکس، نرم افزارهای تجاری نیازمند ظرفیت نهادی برای تهیه تجهیزات برای اجرای برنامه ها، آموزش مستمر منابع انسانی و تمدید مجوزها هستند.
3. تکنیک های پردازش داده های سنجش از دور برای هدف استفاده از زمین و نقشه برداری پوشش زمین (LULC)
3.1. نقشه برداری کاربری و پوشش زمین
واژههای کاربری و پوشش زمین، اگرچه به روشهای مرتبط به کار میروند، ترجیح میدهند به روشی مجزا تعریف شوند. کاربری اراضی به نحوه دستکاری ویژگی های بیوفیزیکی زمین و قصد اساسی برای دستکاری آن اشاره دارد. پوشش زمین به وضعیت بیوفیزیکی سطوح زمین و زیر خاک نزدیک [ 46 ] [ 47 ] اشاره دارد. کاربری زمین باعث تغییراتی در پوشش زمین می شود و چنین تغییراتی زمانی که شدید و در مقیاس جهانی باشد، جنبه های کلیدی عملکرد سیستم های زمینی را تحت تاثیر قرار می دهد.
با توجه به Briassoulis [ 47 ]، و Nedd و همکاران. عوامل بیوفیزیکی ( اقلیم، دما، توپوگرافی، نوع خاک، آب های سطحی، رطوبت، پوشش گیاهی و جانوران) و اجتماعی (جمعیت، فناوری، اجتماعی-اقتصادی، سازمان فرهنگی و نهادی و تغییرات سیاسی) مسئول چنین تغییراتی هستند. در منظر فضا-زمان به هم پیوسته اند. گومز و همکاران [ 46] نشان می دهد که انواع متمایز پوشش زمین زیستگاه های خاصی را فراهم می کند و تبادل انرژی و کربن بین مناطق زمینی و جوی را تعیین می کند. دانش و نقشه برداری از کاربری و پوشش زمین برای برنامه ریزی و مدیریت منابع طبیعی، مدل سازی متغیرهای محیطی و درک توزیع زیستگاه ها ضروری است [ 48 ]. پوشش زمین به طور طبیعی در طول زمان تغییر می کند، همچنین به دلیل تأثیر و نتیجه فعالیت های انسانی.
به گفته گومز و همکاران. [ 46 ]، دادههای رصد زمین (EO) نقشهبرداری و پایش کاربری و پوشش زمین را به شیوهای ثابت و قوی در مناطق وسیع ارائه میکند، و نتایج توسط آژانسهای فضایی مختلف جهان در مقیاسهای مکانی و زمانی متفاوت، با اطلاعات علمی و سیاسی مطابقت دارد. نیاز دارد. ژئوتکنولوژیها در مطالعه کاربری و پوشش زمین مرتبط بودهاند، زیرا امکان مشاهده، شناسایی، نقشهبرداری، ارزیابی و پایش پوشش زمین را در مقیاسهای مکانی، زمانی و موضوعی فراهم کردهاند [ 46 ] [ 49 ].
شناسایی انواع پوشش زمین، اطلاعات اولیه را برای تولید نقشه های موضوعی دیگر، و ایجاد یک خط پایه برای فعالیت های پایش فراهم می کند. با توجه به روگان و چن [ 49 ] یک رویکرد موثر برای شناسایی تغییرات برای یک دوره خاص ممکن است کاوش در حوزه تفکیک فضایی و طیفی را به حداکثر برساند، مانند استفاده از داده های اضافی، مانند شاخص های پوشش گیاهی. از سوی دیگر، 2 تاکسون قابل توجه برای جداسازی پوشش از کاربری تغییر میکند: 1) مقولهای – معروف به مقایسه پس از طبقهبندی، که بین مجموعهای از دستههای موضوعی کاربری و پوشش زمین رخ میدهد ( یعنی، شهری، جنگلی)؛ و 2) پیوسته – معروف به بهبود پیش طبقهبندی، که در آن تغییرات در کمیت یا غلظت برخی از ویژگیهای منظر ساخته شده یا طبیعی که ممکن است به طور مداوم اندازهگیری شود، رخ میدهد.
اکثر رویکردها برای نظارت بر کاربری و پوشش زمین از الگوریتمهای طبقهبندی تصویر سنتی استفاده میکنند که فرض میکنند: 1) دادههای تصویر به طور معمول توزیع میشوند، 2) اشیاء مورد نظر روی سطح بزرگتر از اندازه پیکسل (رزولوشن H) هستند، و 3) پیکسل ها از یک نوع پوشش زمین یا کاربری زمین تشکیل شده اند. با این حال، برخی از رویکردها استدلال می کنند که اشیاء مورد علاقه در سطح کوچکتر از اندازه پیکسل (رزولوشن L) هستند، و بنابراین، آنها از مدل های تجربی برای برآورد اطلاعات بیوفیزیکی، جمعیتی و اجتماعی-اقتصادی استفاده کردند [ 49 ] [ 50 ].
3.2. تکنیک های پردازش داده سنجش از دور برای LULC
در طول سالها، مطالعات متعددی در مورد پوشش زمین با استفاده از دادههای حسگرهای مختلف با وضوح، تکنیکها و روشهای مختلف پردازش دادهها با هدف نقشهبرداری و پایش کاربری زمین انجام شده است [ 3 ] [ 23 ] [ 51 ] [ 52 ]. و پوشش زمین روشها ممکن است به دستهبندی نظارتشده/نیمه نظارتشده و طبقهبندیهای بدون نظارت، و طبقهبندیکنندهها به پارامتری و ناپارامتریک، صلب و انعطافپذیر (پراکنده)، یا بر اساس پیکسل/زیرپیکسل و شی گروهبندی شوند [ 21 ] [ 46 ].
پارامترهایی مانند حداکثر احتمال، حداقل فاصله و طبقهبندیکنندههای بیزی مبتنی بر تئوریهای احتمالی هستند، که مرزهای تصمیمگیری بین کلاسها را از تعداد ثابتی از پارامترها، مستقل از تعداد نمونهها، مدلسازی میکنند و با استفاده از معیارهای جهانی برای طبقهبندی [ 53 ]. برعکس، ناپارامتریک، مانند ماشین بردار پشتیبان (SVM)، شبکه عصبی مصنوعی (ANN)، گروه بندی کلاس ها را بر اساس عدد دیجیتال (تک باند/تصویر) یا بازتاب طیفی (تصویر چند طیفی) و سایر ویژگی ها هدایت می کند. به عنوان شکل و ویژگی های بافتی صحنه. توزیع مقادیر تصویر مستقل است و تمرکز آن بر ساختار داده های محلی است که به مجموعه بالایی از نمونه ها برای فرآیند طبقه بندی نیاز دارد [ 54 ] [ 55 ]] [ 56 ] [ 57 ].
طبق گفته فیری و مورگنروث [ 55 ]، پیشرفت در تکنیکهای تشخیص الگوی شی از طریق رویکردهای هوش مصنوعی و یادگیری ماشین کمک قابل توجهی به توسعه طبقهبندیکنندههای ناپارامتریک پیشرفته، که معمولاً در نرمافزار تجاری GIS و پردازش تصویر دیجیتال و همچنین منبع باز استفاده میشوند، داشته است.
رویکرد پیکسلی، مانند جنگل تصادفی و تکنیکهای تطبیق طیفی، مبتنی بر استفاده از اطلاعات طیفی پیکسل برای یافتن محتملترین کلاس آن است، و احتمالی را ترسیم میکند که یک پیکسل معین به کلاس خاصی تعلق دارد یا نه، یعنی پیکسلهای یک کلاس از نظر طیفی شبیهتر از پیکسلهای کلاسهای دیگر است [ 55 ] [ 58 ].
رویکرد تجزیه و تحلیل تصویر مبتنی بر شی (OBIA) از اشیاء جغرافیایی به عنوان واحدهای اساسی برای طبقهبندی استفاده از زمین و تغییرات کاهش پوشش زمین در اهداف درون کلاس استفاده میکند و اثرات «نمک و فلفل» را که از پیکسلهای جدا شده بهطور نادرست طبقهبندی شدهاند، حذف میکند. این مزیت ترکیب چندین منبع اطلاعاتی مانند بافت، شکل و موقعیت را به عنوان مبنایی برای طبقهبندی ارائه میکند [ 54 ] [ 55 ] [ 58 ]. محدودیت اصلی آن مربوط به انتخاب مقیاس تقسیم بندی مناسب و برخورد با مراحل مختلف است که اگر به درستی درمان نشود، ممکن است منبعی از تغییرات باشد.
رویکرد مبتنی بر پیکسلهای فرعی برای پرداختن به واگراییها در طبقهبندی مبتنی بر پیکسل، مانند جداسازی کاربریها و پوشش زمین در پیکسلهای مختلط [ 50 ] [ 51 ] [ 59 ] ایجاد شد. ثابت شد که این رویکرد از حسگرهای با وضوح فضایی متوسط تا پایین مناسب است و به طور گسترده در نقشه برداری منطقه ای، قاره ای یا حتی جهانی استفاده می شود [ 51 ] [ 60 ]. الگوریتمهای آماری مانند حداکثر احتمال (Maxver)، مدل مخلوط خطی (LSMM) و الگوریتمهای مبتنی بر تئوریهای مجموعهها، مانند C-Means احتمالی (PCM) و فازی C-Means (FCM) نمونههایی هستند. طبقه بندی زیر پیکسل
اینها قبلاً در نرم افزارهای پردازش تصویر متمایز موجود در بازار گنجانده شده اند، هم به صورت اختصاصی و هم منبع باز. با این حال، انتخاب طبقهبندیکننده پیچیده و چالشبرانگیز است، زیرا هر روش نقاط قوت و ضعف خود را همانطور که در جدول 3 نشان داده شده است، ارائه میکند.
در این رابطه، Ackom و همکاران. [ 61 ]، محمدی و همکاران. [ 62 ] رویکردهای ترکیبی را برای حل مسائلی پیشنهاد میکند که به دلیل توسعه طبقهبندیکنندههای قدرتمند و پیشرفته، قدرتمندتر و متنوعتر شدهاند.
استراتژیهای دیگری را میتوان گنجاند، مانند راهبردهایی که امکان استنباط نسبت پوشش گیاهی را دارند که معمولاً به عنوان شاخصهای گیاهی شناخته میشوند. بیشترین مورد استفاده عبارتند از: شاخص تفاوت نرمال شده گیاهی—(NDVI)—شاخص تفاوت نرمال شده آب (NDWI)—شاخص گیاهی تنظیم شده با خاک (SAVI)—شاخص تفاوت نرمال سازی شده (NDBI)—تحلیل طیفی مخلوط اصلاح شده خاک (MSAVI) .
با این وجود، موفقیت این رویکرد به عوامل متعددی مانند کیفیت پیش پردازش، تجربه تحلیلگر و عملکرد طبقهبندی کننده بستگی دارد. با این حال، بسته به پیچیدگی موضوع، گومز و همکاران. [ 46 ] به معیارهای زیر در انتخاب الگوریتم طبقهبندی اشاره میکند: نوع داده، توزیع آماری کلاسها، دقت هدف، سهولت استفاده، سرعت، مقیاسپذیری و تفسیرپذیری به منظور دستیابی به دقت قابل قبول و منطقیسازی منابع ( جدول 4 ).
الگوریتم های یادگیری ماشین
یادگیری ماشینی (ML) الگوریتمها یا مدلهایی هستند که برای به دست آوردن اطلاعات و عملکرد مناسب در شرایط آینده ساخته شدهاند که در گروهبندیهای زیر دستهبندی میشوند: تنبل (مثلاً k-نزدیکترین همسایه، استدلال مبتنی بر مورد) و مشتاق (درخت تصمیم، بیبیسابقه، شبکههای عصبی مصنوعی). ) و عمدتاً به چهار دسته تقسیم می شوند: یادگیری تحت نظارت، یادگیری بدون نظارت، یادگیری نیمه نظارتی و یادگیری تقویتی [ 81 ] [ 82 ].
به گفته گالوان و همکاران. [ 81 ] بیشتر الگوریتمهای یادگیری ماشین (MLA) – مبتنی بر درختها، قوانین، توابع و غیره- روشهای یادگیری مشتاق هستند، به این معنا که تعمیم فراتر از دادههای آموزشی قبل از مشاهده نمونه جدید انجام میشود. آنها ابزار قدرتمندی برای آموزش هوش مصنوعی هستند
ML-Maximum Likelihood; MKNN-Modified k-nearest Neighbors; پلت فرم بهره برداری موضوعی TEP; SMCF-Superpixel و Multi-Classifier Fusion. MESMA-Multiple Endember Mixture Analysis طیفی. APEX-Airborne Prism Experiment; تجزیه و تحلیل مخلوط طیفی خطی LSMA. NN-نزدیکترین همسایه; موتور GEE-Google Earth. منبع: نویسندگان (2021).
مدلهایی (AI) که میتوانند به افزایش اتوماسیون یا بهینهسازی کارایی عملیاتی سیستمهای پیچیده مانند روباتیک، وظایف رانندگی مستقل، تولید و تدارکات زنجیره تامین کمک کنند [ 82 ].
روشهای طبقهبندی در ML میتواند باینری باشد، که به وظایف طبقهبندی دارای دو برچسب کلاس مانند “درست یا بله و نادرست یا خیر” اشاره دارد. چند کلاسه – که به آن دسته از وظایف طبقه بندی اشاره دارد که بیش از دو برچسب کلاس دارند. و چند برچسب – که نشان دهنده تعمیم طبقه بندی چند طبقه است، که در آن کلاس های درگیر در مسئله به صورت سلسله مراتبی ساختار یافته اند، و هر مثال ممکن است به طور همزمان به بیش از یک کلاس در هر سطح سلسله مراتبی تعلق داشته باشد [ 82 ] [ 83 ].
چندین کار بر روی نقشهبرداری کاربری و پوشش زمین با استفاده از طبقهبندیکنندههای یادگیری ماشین انجام شده است [ 3 ] [ 6 ] [ 21 ] [ 56 ] [ 84 ] —درختهای طبقهبندی و رگرسیون (CART)، جنگل تصادفی (RF)، نزدیکترین همسایه ( k-NN)، ماشین بردار پشتیبان (SVM)، شبکه عصبی مصنوعی (ANN)، رگرسیون لجستیک چند جملهای (MLR)، C5.0، J48 (درخت تصمیم) کارایی بیشتری نسبت به نمونههای معمولی نشان دادهاند.
طبق گفته Shetty [ 21 ]، در حالی که برخی از این طبقهبندیکنندهها مانند SVM، زیرمجموعهای از دادههای آموزشی را به عنوان بردارهای پشتیبان با برازش یک ابر صفحه که کلاسهای دوگانه را به بهترین شکل ممکن جدا میکند، پیدا میکنند، CART درخت تصمیم ساده را از دادههای آموزشی داده شده میسازد، ANN. یک الگوی شبکه عصبی را دنبال کنید و چندین لایه گره بسازید تا مشاهدات ورودی را در طول فرآیند یادگیری (پرسپترون چند لایه) به عقب و جلو منتقل کند تا زمانی که به شرایط پایان برسد، RF از زیر مجموعه تصادفی داده های آموزشی برای ساخت درخت های تصمیم گیری چندگانه استفاده می کند. شکل 4 و شکل 5 به ترتیب برخی از روش های یادگیری ماشین را نشان می دهند که یادگیری نظارت شده و جریان کار یادگیری ماشین را برجسته می کند.
شکل 4 . روشهای یادگیری ماشینی که برخی از تکنیکهای یادگیری تحت نظارت را به رنگ خاکستری برجسته میکنند. منبع: نویسندگان (2021).
شکل 5 . گردش کار یادگیری ماشینی منبع: نویسندگان (2022) ایجاد شده در https://www.canva.com/.
هنگامی که با داده های پیچیده مربوط به مناطق بزرگ مواجه می شوند، بهبودهایی از 10٪ تا 20٪ دقت بالاتر را ثبت می کنند [ 46 ]. موفقیت طبقهبندیکنندهها برای موضوع به دلیل مفروضات نامحدود آنها از آمار پارامتریک است، و بنابراین، برای: 1) تجزیه و تحلیل دادههای چندوجهی، نویزدار و/یا غایب مناسبتر است. 2) تجزیه و تحلیل ترکیبی از داده های کمکی طبقه بندی شده و پیوسته. 3) کاهش مراحل پیش پردازش مورد نیاز در رویکردهای سنتی. 4) عملکرد در محیط های رایانش ابری، مانند موتور Google Earth (GEE).
GEE یک پلت فرم مبتنی بر ابر با پتابایت های متعدد است که محاسبات موازی و خدمات کاتالوگ داده را برای تجزیه و تحلیل جغرافیایی در مقیاس سیاره ای ارائه می دهد [ 5 ] [ 85 ]. محاسبات به طور خودکار موازی می شوند و مجموعه داده ها برای استفاده عمومی آماده می شوند. محاسبات از چندین آژانس توسعه دادههای جغرافیایی، مانند سازمان زمینشناسی ایالات متحده (USGS) و آژانس فضایی اروپا (ESA)، مجموعه دادههای بازتابی از سطح Landsat تا مجموعه دادههای سنتینل، دادههای مختلف پوشش زمین جهانی، مجموعه دادههای آب و هوا، درمیان دیگران. چندین روش یکپارچه را ارائه می دهد که از پیش پردازش تصاویر پشتیبانی می کند، علاوه بر اینکه دارای یک مخزن از توابع گسترده مانند ماسک ها، عملگرهای منطقی، نمونه برداری از داده ها و غیره است و عملیات مختلفی را بر روی تصاویر و بردارها انجام می دهد.21 ].
نمونه ای از برنامه های کاربردی یادگیری ماشین را می توان در Li et al. [ 86 ]، مقاله منتشر شده در Remote Sensing Journal. در این مقاله، پیشنهاد میشود با استفاده از الگوریتمهای یادگیری ماشین و دادههای چند منبعی در پلتفرم GEE، نقشه پوشش زمین از کل قاره آفریقا با وضوح 10 متر تولید شود. یک گردش کار طراحی شده برای آن در شکل 6 نشان داده شده است که در آن 5 مرحله گردش کار یادگیری ماشین برجسته شده است.
شکل 6 . فلوچارت چارچوب پیشنهادی که مراحل گردش کار یادگیری ماشین را برجسته می کند. منبع: لی و همکاران [ 86 ]. ویرایش شده توسط نویسندگان.
از طریق این مطالعه می توان نقشه ای از پوشش زمین کل آفریقا را با دقت 81 درصد برای 5 طبقه تهیه کرد که نسبت به محصول پوشش زمین 10 متری موجود (به عنوان مثال FROM-GLC10) در تشخیص طبقه شهری نسبتاً برتر است. در مناطق شهری و شناسایی مرز بین درختان و گیاهان کم ارتفاع در مناطق روستایی. بخشی از نتایج این مطالعه در شکل 7 نشان داده شده است (جزئیات بیشتر را می توانید در مقاله اصلی بیابید).
3.3. سری زمانی / چند زمانی، چند مقیاسی / چند منبعی
سری زمانی داده های نوری با وضوح فضایی متوسط نتایج قابل توجهی را در مقایسه با یک صحنه ارائه می دهد. ظرفیت بالایی برای توصیف پدیدههای زیستمحیطی که روندها را توصیف میکنند، و همچنین رویدادهای گسسته تغییر در خصوصیات و شناسایی تغییرات طبیعت در کاربری و پوشش زمین [ 51 ] [ 87 ] [ 88 ] را نشان میدهد.
شکل 7 . نتایج بصری آزمایشهای “اعتبارسنجی متقاطع نگهدارنده شهر” در A و نتایج نقشه برداری بصری از کل قاره آفریقا در B. منبع: لی و همکاران. [ 86 ]. ویرایش شده در https://www.canva.com/.
داده های Landsat به دلیل وضوح مکانی (30 متر)، زمانی (16/8 روز)، منطقه تحت پوشش (185 × 185 کیلومتر)، کالیبراسیون دقیق، مناسب / استاندارد برای طبقه بندی تغییرات کاربری و پوشش زمین [ 55 ] در نظر گرفته می شوند. و سازگاری در رادیومتری حسگرها (TM/ETM+/OLI).
برای چی و همکاران. [ 20 ] به طور سنتی، ادغام دادهها را میتوان بر حسب ادغام در سطح پیکسل، ادغام در سطح ویژگی، و ادغام در سطح تصمیم انجام داد. با این حال، داده های بزرگ در سنجش از دور معمولاً مقیاس ها و/یا قالب های مختلفی را شامل می شوند.
به گفته هوانگ و وانگ [ 11 ] دادههای فضایی بزرگ (BSD) میتواند دادهها را از منابع مختلف ادغام کند، تصویر جامعتری ارائه میدهد و هنگام انجام این کار، حجم عظیمی از دادهها از قالبها، دستگاهها یا سیستمهای مختلف استخراج میشود و به یک زمینه جغرافیایی داده میشود. برای تسهیل ساختن یک تصویر یا تجزیه و تحلیل کامل، اما مهم است که بدانیم چگونه می توان داده ها را از منابع مختلف ادغام کرد، جایی که ویژگی های داده به طور قابل توجهی متفاوت است (به عنوان مثال، امضاهای طیفی در داده های سنجش از دور نوری، تابش الکترومغناطیسی در داده های مایکروویو، ویژگی های ساختاری متون ، ویژگی های بدون ساختار تصاویر توسط دوربین دیجیتال و غیره).
استفاده از دادههای چند منبعی، همچنین نقشهبرداری کاربری و پوشش زمین را فراهم میکند، و دقت طبقهبندی [ 6 ] [ 23 ] [ 54 ] [ 86 ] را با جمعآوری نمونههایی با حسگرهای وضوح بالا و ترکیب محصولات حسگرهای مختلف (اپتیکال/اپتیکال یا نوری) بهبود میبخشد. نوری/رادار) که امکان تمایز واضح هدف را فراهم می کند.
در این رابطه، Häme و همکاران. [ 70 ] از روش خوشهبندی سلسله مراتبی برای شناسایی و شناسایی تغییرات پوشش زمین با استفاده از دادههای زوجی Sentinel-2/Sentinel-2، Landsat-8/Sentinel-2 و Sentinel-2/ALOS 2 PALSAR در منطقهای به مساحت 12372 کیلومتر مربع استفاده کرد . در فنلاند. جوشی و همکاران [ 89 ] 112 مطالعه را در مورد همجوشی دادههای نوری و راداری، که اطلاعات طیفی و ساختاری منحصربهفردی را برای ارزیابی پوشش و کاربری اراضی ارائه میدهند، در 32 مطالعه بررسی کردند، و اکثریت بزرگ (28 مطالعه) به این نتیجه رسیدند. این ترکیب نتایج را در مقایسه با استفاده از منابع داده منفرد بهبود بخشید. متئوگارسیا و همکاران [ 90] روشی را برای پوشاندن ابرها (Cloud Mask) با استفاده از GEE برای نقشهبرداری یک نوع بیوم بر اساس دادههای OLI/Landsat-8 پیشنهاد و اجرا کرد. الگوریتمهای مورد استفاده (FMask و ACCA)، عملکرد کمی مرتبط را نشان دادند، از 4% به 5% در دقت طبقهبندی و 3% تا 10% در خطاهای کمیسیون بهبود یافتند. آدامو و همکاران [ 80 ]، سمال و گدام [ 75 ] کاربردهای دیگری را ارائه می دهند.
3.4. اعتبارسنجی و ارزیابی دقت
نظارت و مدیریت قلمرو مستلزم اطلاعات دقیق در مورد پوشش زمین است. تلاش برای به دست آوردن نقشه های دقیق کاربری و پوشش زمین همیشه متخصصان در منطقه را همراهی می کند [ 21 ]. اعتبارسنجی محصولات پوشش زمین برای نشان دادن کیفیت محصولات سنجش از دور برای تصمیم گیری ضروری است. ارزیابی و گزارش دهی با معیارهای اطلاعاتی مناسب برای جامعه کاربران ضروری است [ 46 ]. بنابراین عواملی مانند اندازه و کیفیت نمونه های آموزشی، دقت موضوعی، انتخاب طبقه بندی کننده و اندازه منطقه مورد مطالعه بر دقت نقشه های طبقه بندی شده تأثیر می گذارد [ 13 ] [ 14 ] [ 21 ] [ 91 ].
درک این عوامل به یافتن طبقه بندی دقت مناسب برای یک مسئله معین مورد مطالعه کمک می کند [ 21 ]. انتخاب نمونه ها باید با معیارهای آماری مانند نوع و روش نمونه گیری مطابقت داشته باشد. Mastella و Vieira [ 56 ]، Shetty [ 21 ] بیان می کنند که در سنجش از دور، نمونه گیری تصادفی ساده و طبقه بندی شده عمدتاً مورد استفاده قرار می گیرد که بیشتر شاخص های اعتبار سنجی مبتنی بر تصادفی ساده هستند. با این حال، نویسندگانی که روشهای نمونهگیری سیستماتیک را برای مطالعه کاربری و پوشش زمین به کار میگیرند و توصیه میکنند، به دلیل نتایج دقیقشان، علیرغم عدم وجود برآورد بیطرفانه از واریانس [ 21 ].
ارزیابی دقت جزء کلیدی برای داشتن نقشههایی با دادههای سنجش از دور است، زیرا از ارزیابی عملکرد طبقهبندیکنندههای مختلف و اثر نمونهگیری پشتیبانی میکند [ 6 ]. ادبیات گنجاندن یک ماتریس خطا یا سردرگمی [ 13 ] [ 14 ] را برای کمک به شناسایی سردرگمی بین کلاسها و همچنین منابع احتمالی خطا [ 21 ] [ 46 ] [ 56 ] توصیه میکند.]. علاوه بر این، معیارهای کمی که از ماتریس سردرگمی به دست میآیند، پشتیبانی قابلتوجهی را ارائه میکنند، مانند دقت جهانی، که نشان میدهد چقدر نقشه طبقهبندیشده به نقشه اصلی نزدیک است، و همچنین معیارهای وزنی (دقت تولیدکننده و دقت کاربر، شاخص کاپا، تاو، آماری Z، در میان). دیگران) بر اساس منطقه و فواصل اطمینان.
4. چشم اندازها و چالش های آینده
جهان پیشرفت چشمگیر و سریعی را در زمینه سنجش از دور، کسب اطلاعات مکانی و نقشه برداری تجربه کرده است. معماریهای ابری، نرمافزارهای منبع باز، توسعهدهندگان خلاق پردازش تصویر، و بازاری که مشتاق به ادغام مجموعههای داده مبتنی بر مشاهدات زمین و مکان برای تأیید فرضیات و پیشبینی روندها است، همچنان صنعت را پیش میبرد.
در سال 2005، سیستم جهانی رصد زمین از سیستم ها (GEOSS) ایجاد شد و دوره جدیدی برای ژئوتکنولوژی ها و سنجش از دور آغاز شد. پیشرفتهای فنآوری جدید با جریان اطلاعات، همکاریهای بینالمللی، ارتباط متقابل بین سیستمهای رصد فعلی و آینده با تأثیر بر کاهش هزینه در تولید محصولات سنجش از راه دور و پردازش جغرافیایی مشخص شدهاند. توانایی مطالعه و مدیریت سیاره ما را متحول کرده است [ 92 ].
استفاده مجدد از موشک ها، پرتاب چندین ماهواره از یک ماموریت، استفاده از مدارهای پایین در صورت فلکی ماهواره ها [ 15 ] نمونه های موفقی هستند که علوم فضایی را متحول کردند.
ناسا و ESA پروژه هماهنگ سازی داده های Landsat-8 و Sentinel2 (HLS) را توسعه دادند که هدف آن ارائه یک داده واحد از 2 ماهواره با وضوح زمانی 3 تا 5 روز بسته به عرض جغرافیایی بود.
با توجه به Aubrecht [ 93 ]، تلاشهای ارائه شده در اینجا، مرتبط با بهبود استفاده ترکیبی از انواع جدید دادههای مبتنی بر فضا با دادههای شبکههای پویا حسگرها در محل، و سیاستهای توزیع رایگان داده، مسیر اجتنابناپذیری را به سمت پویا برجسته میکند. (تقریبا) نظارت در زمان واقعی، به ویژه در حوزه های کاربردی که شامل فعالیت های اجتماعی و جمعیتی است. علاوه بر این، بیان می کند که مزایای روند جدید به دست آوردن وضوح مکانی-زمانی بسیار بالایی است که قادر به نظارت بر گونه های زنده است. جدول 5 برخی از پیشرفت های به دست آمده در حوزه تولید و پردازش داده های مکانی را برای اهداف متمایز خلاصه می کند.
اگرچه تمام این سناریویی که در بالا مشاهده شد، چالشهای سنجش از راه دور همچنان ادامه دارد، برخی از آنها در زیر آورده شدهاند:
1) حسگرها را با هر رزولوشن بالا، در یک پلتفرم اختصاص دهید، زیرا ویژگیهای LULC در مقیاسهای فضایی ظریفتر در مقایسه با وضوح ماهوارههای سنجش از دور اولیه رخ میدهند.
2) MLA ها را بر اساس پیکسل فرعی به منظور تضعیف مخلوط های طیفی اهداف مرتبط با LULC، به ویژه در مناطقی با کاربردها و پوشش بسیار تکه تکه، بهبود دهید.
3) تعریف تعداد نمونه: طبق شتی [ 21 ]، به دلیل کم بودن تعداد نمونه های آموزشی و تنوع توزیع فضایی و طیفی پوشش های زمین، روش های طبقه بندی طیفی موجود و روش های طبقه بندی طیفی- فضایی معمولاً برای انواع خاصی از پوشش زمین بهتر و برای برخی دیگر نسبتا بدتر عمل می کند.
4) پرسنل واجد شرایط ناکافی مرتبط با محدودیت های مالی، سیاسی و اقتصادی را می توان به عنوان یک چالش در کشورهای در حال توسعه در نظر گرفت. به گفته سربارو و همکاران. [ 94 ]، اینها می توانند ظرفیت مؤسسات را برای توسعه پرسنل و زیرساخت های واجد شرایط برای بهره مندی از دستاوردهای تأیید شده ای که داده ها و اطلاعات EO می تواند برای نقش های مدیریت زیست محیطی و پایداری آنها به ارمغان بیاورد، محدود کند.
جدول 5 . پیشرفت هایی در زمینه تولید و پردازش داده های مکانی حاصل شده است.
منبع: نویسندگان (2021).
به طور کلی امکان استفاده همزمان از تمامی داده ها، ترکیب تمامی اطلاعات موجود در مورد حوزه های مورد مطالعه بدون توجه به رسانه آنها و بهره گیری از مکمل بودن روش های ناهمگون. فرصت انواع جدید تحلیل و روش های جدید افزایشی. نیاز به تقویت پیوند بین جغرافیدان و دانشمندان کامپیوتر؛ استفاده از رویکردهای بدون نظارت (یا هدایتشده) و بازنگری در الگوریتمها. الگوریتم و روشی را تعریف کنید که بتواند خطا/عدم دقت در دادهها و همینطور در دانش را در نظر بگیرد. چالش های سنجش از راه دور باقی می مانند. جزئیات بیشتر، در مورد روشی نظاممند از این چالشها و سایر چالشها را میتوان در Nedd و همکارانش یافت. [ 48 ].
5. نتیجه گیری ها
مطالعه حاضر با هدف پرداختن به پیشرفتهای بهدستآمده در زمینه کسب و پردازش دادههای سنجش از دور به منظور استفاده از زمین و نقشهبرداری پوشش زمین انجام شد. پیشرفتهایی در تکنیکهای جمعآوری دادهها، مانند استفاده مجدد از پایگاههای ماهوارهای و پرتاب موشک ارائه شد. نرمافزار و الگوریتمهایی برای پردازش دادههای مکانی و همچنین روشهایی برای پردازش این دادهها. چندین رویکرد به دلیل محدودیت های ارائه شده توسط هر یک و همچنین الگوریتم ها توسعه داده شد. بنابراین، پیشنهاد شده است که از الگوریتمهای یادگیری زیرپیکسلی برای حل مسائل مربوط به پیکسلهای مختلط موجود در رویکرد مبتنی بر پیکسل استفاده شود، زیرا آنها طیف پیکسل را به طیفهای تشکیلدهنده آن تجزیه میکنند.
نسبت به داده های بزرگ، پردازش ابری با استفاده از پلتفرم هایی مانند GEE پیشنهاد و توصیه می شود. با این حال، از آنجایی که یافتن یک رویکرد جهانی برای پردازش داده ها در مورد کاربری و پوشش ممکن نیست، به دلیل سیستم های طبقه بندی که، برای مثال، داده های سنجش از دور و مشاهدات زمین را به عنوان یک عملکرد ضروری برای تجزیه و تحلیل و ارزیابی کاربری اراضی ترکیب می کنند. و نقشههای پوشش زمین، چندین مطالعه به رویکردهای ترکیبی یا بهبود یافته اشاره میکنند، زیرا کلاسهای خاصی وجود دارد که با استفاده از یک تکنیک خاص کمی برجسته شدهاند.
جهان به هم پیوسته است، به منظور یافتن راهحلهایی برای چالشهای پیشنهادی، مانند استفاده بهتر ترکیبی از انواع جدید دادههای مبتنی بر فضا از شبکههای حسگر پویا در محل، به همافزایی میپیوندد و بهروزرسانیهای ضروری را ایجاد میکند. با این وجود، مسائل مربوط به چند منبع، تجزیه و تحلیل چند زمانی و چند سطحی، استحکام و کیفیت، مقیاسپذیری، سنجش از راه دور را به چالش میکشند.
بدون دیدگاه