دیدگاه‌های "رصد زمین و علم GIS برای کاربردهای کشاورزی" - هوش پیروزی

سایه زنی برجسته روش اصلی برای نمایش موثر زمین سه بعدی در یک صفحه دو بعدی است. با وجود رسا بودن آن، سایه زدن به صورت دستی دشوار و وقت گیر است. در مقابل، اگرچه سایه‌زنی تحلیلی برجستگی سریع و کارآمد است، اما اثر بصری به دلیل درجه پایین تعمیم زمین، ناتوانی در تنظیم روشنایی موضعی، و مشکل در نمایش اغراق‌آمیز و انتخابی، کاملاً متفاوت از سایه‌زنی دستی است. ما فناوری یادگیری عمیق را برای پیشنهاد یک روش تولید برای تسکین سایه‌دار بر اساس شبکه‌های متخاصم مولد مشروط معرفی می‌کنیم. این روش مجموعه‌ای از برش‌های سایه‌اندازی دستی-مدل ارتفاعی دیجیتال (DEM) را به‌عنوان دانش پیشینی می‌گیرد، پارامترهای شبکه را از طریق یک بازی مداوم «تبعیض نسل» بهینه می‌کند. و یک نقشه برجسته سایه دار از هر منطقه بر اساس DEM تولید می کند. نتایج آزمایش نشان می‌دهد که روش پیشنهادی مزایای سایه‌زنی دستی را حفظ می‌کند و می‌تواند به سرعت تسکین سایه‌دار با کیفیت و سبک هنری مشابه با سایه‌زنی دستی ایجاد کند. در مقایسه با شبکه‌های دیگر، برجستگی سایه‌دار ایجاد شده توسط روش پیشنهادی نه تنها زمین را به وضوح نشان می‌دهد، بلکه به یک اثر تعمیم خوبی نیز دست می‌یابد. علاوه بر این، از طریق استفاده از یک ساختار خصمانه، شبکه توانایی تولید در مقیاس متقابل قوی‌تری را نشان می‌دهد. برجستگی سایه‌دار ایجاد شده توسط روش پیشنهادی نه تنها زمین را به وضوح نشان می‌دهد، بلکه به یک اثر تعمیم خوبی نیز دست می‌یابد. علاوه بر این، از طریق استفاده از یک ساختار خصمانه، شبکه توانایی تولید در مقیاس متقابل قوی‌تری را نشان می‌دهد. برجستگی سایه‌دار ایجاد شده توسط روش پیشنهادی نه تنها زمین را به وضوح نشان می‌دهد، بلکه به یک اثر تعمیم خوبی نیز دست می‌یابد. علاوه بر این، از طریق استفاده از یک ساختار خصمانه، شبکه توانایی تولید در مقیاس متقابل قوی‌تری را نشان می‌دهد.

کلید واژه ها:

مشروط ژنراتور متخاصم ; ترجمه تصویر به تصویر ; مدل pix2pix ; تسکین سایه دار ; سایه زنی امدادی

1. مقدمه

روش سایه‌زنی برجسته، توزیع نور و سایه را بر روی زمین، با استفاده از سایه‌های رنگ‌های مختلف بر روی صفحه نقشه برای نمایش تغییرات در نور و سایه به‌گونه‌ای که زمین را در یک صفحه دو بعدی نشان می‌دهد، خلاصه می‌کند [ 1 ]. در مقایسه با سایر روش‌هایی که زمین به تصویر کشیده شده را در یک صفحه نشان می‌دهند، زمین نشان‌داده‌شده با سایه‌زنی برجسته، حس قوی سه‌بعدی را نشان می‌دهد. این به خوانندگان نقشه اجازه می دهد تا به سرعت اطلاعات زمین را درک کنند.

در حال حاضر، بسیاری از بسته‌های نرم‌افزاری، از جمله ArcGIS ( https://www.esri.com/ ، دسترسی به 15 مه 2022)، QGIS ( https://www.qgis.org/ ) می‌توانند به سرعت ایجاد کنند . 15 مه 2022) و Global Mapper ( https://www.bluemarblegeo.com/، مشاهده شده در 15 مه 2022). این شکل از تسکین سایه‌دار تولید شده توسط نرم‌افزار، سایه‌زنی تسکین تحلیلی نامیده می‌شود. علیرغم مزایای یک چرخه تولید کوتاه و نیازهای کم برای تلاش اپراتور، سایه‌اندازی تحلیلی دارای کاستی‌های آشکاری در مقایسه با سایه‌اندازی دستی است. به طور خاص، در تولید برجستگی سایه‌دار تحلیلی، رایانه نمی‌تواند به طور کامل شرایط کلی و محلی منطقه نقشه‌برداری شده را در نظر بگیرد. در عوض، کامپیوتر مقدار خاکستری مشخصی را ارائه می‌کند که دقیقاً بر اساس میزان دریافت نور هر پیکسل در مدل ارتفاعی دیجیتال (DEM) محاسبه می‌شود. اگرچه مقدار خاکستری بر اساس دانش علمی محاسبه می‌شود، این روش در تعمیم زمین شکسته و تنظیم انعطاف‌پذیر آزیموت و شیب بردار روشنایی برای زمین در ناحیه محلی شکست خورده است. این روش نمی تواند اغراق آمیز و به طور انتخابی مناطق محلی را نشان دهد. این منجر به فقدان بیان می شود. هنگام ترسیم سایه‌های برجسته به صورت دستی، نقشه‌نگاران متخصص ابتدا خطوط برآمدگی و خندق را مشخص می‌کنند، سپس سایه‌زنی را در امتداد شکاف‌های اصلی زهکشی آغاز می‌کنند. جزئیات اضافی به تدریج اضافه می شود، جهت روشنایی را تنظیم می کند و روشنایی اشکال زمین را تعدیل می کند تا ساختارهای زمین اصلی را به صورت بصری برجسته کند و نمایش لندفرم ها را بهبود بخشد. با این حال، تولید سایه‌زنی دستی با کیفیت بالا به مهارت‌های طراحی متخصص و زمان زیادی نیاز دارد. این مهارت‌های ترسیمی فوق‌العاده مبتنی بر تحلیل عمیق و الگوهای فکری آموخته‌شده نقشه‌نگاران زمین است که به سختی می‌توان آن‌ها را با مدل‌های ریاضی به دقت توصیف کرد. این منجر به فقدان بیان می شود. هنگام ترسیم سایه‌های برجسته به صورت دستی، نقشه‌نگاران متخصص ابتدا خطوط برآمدگی و خندق را مشخص می‌کنند، سپس سایه‌زنی را در امتداد شکاف‌های اصلی زهکشی آغاز می‌کنند. جزئیات اضافی به تدریج اضافه می شود، جهت روشنایی را تنظیم می کند و روشنایی اشکال زمین را تعدیل می کند تا ساختارهای زمین اصلی را به صورت بصری برجسته کند و نمایش لندفرم ها را بهبود بخشد. با این حال، تولید سایه‌زنی دستی با کیفیت بالا به مهارت‌های طراحی متخصص و زمان زیادی نیاز دارد. این مهارت‌های ترسیمی فوق‌العاده مبتنی بر تحلیل عمیق و الگوهای فکری آموخته‌شده نقشه‌نگاران زمین است که به سختی می‌توان آن‌ها را با مدل‌های ریاضی به دقت توصیف کرد. این منجر به فقدان بیان می شود. هنگام ترسیم سایه‌های برجسته به صورت دستی، نقشه‌نگاران متخصص ابتدا خطوط برآمدگی و خندق را مشخص می‌کنند، سپس سایه‌زنی را در امتداد شکاف‌های اصلی زهکشی آغاز می‌کنند. جزئیات اضافی به تدریج اضافه می شود، جهت روشنایی را تنظیم می کند و روشنایی اشکال زمین را تعدیل می کند تا ساختارهای زمین اصلی را به صورت بصری برجسته کند و نمایش لندفرم ها را بهبود بخشد. با این حال، تولید سایه‌زنی دستی با کیفیت بالا به مهارت‌های طراحی متخصص و زمان زیادی نیاز دارد. این مهارت‌های ترسیمی فوق‌العاده مبتنی بر تحلیل عمیق و الگوهای فکری آموخته‌شده نقشه‌نگاران زمین است که به سختی می‌توان آن‌ها را با مدل‌های ریاضی به دقت توصیف کرد. نقشه کشان متخصص ابتدا خطوط برآمدگی و خندق را ترسیم می کنند، سپس شروع به سایه اندازی در امتداد شکاف های اصلی زهکشی می کنند. جزئیات اضافی به تدریج اضافه می شود، جهت روشنایی را تنظیم می کند و روشنایی اشکال زمین را تعدیل می کند تا ساختارهای زمین اصلی را به صورت بصری برجسته کند و نمایش لندفرم ها را بهبود بخشد. با این حال، تولید سایه‌زنی دستی با کیفیت بالا به مهارت‌های طراحی متخصص و زمان زیادی نیاز دارد. این مهارت‌های ترسیمی فوق‌العاده مبتنی بر تحلیل عمیق و الگوهای فکری آموخته‌شده نقشه‌نگاران زمین است که به سختی می‌توان آن‌ها را با مدل‌های ریاضی به دقت توصیف کرد. نقشه کشان متخصص ابتدا خطوط برآمدگی و خندق را ترسیم می کنند، سپس شروع به سایه اندازی در امتداد شکاف های اصلی زهکشی می کنند. جزئیات اضافی به تدریج اضافه می شود، جهت روشنایی را تنظیم می کند و روشنایی اشکال زمین را تعدیل می کند تا ساختارهای زمین اصلی را به صورت بصری برجسته کند و نمایش لندفرم ها را بهبود بخشد. با این حال، تولید سایه‌زنی دستی با کیفیت بالا به مهارت‌های طراحی متخصص و زمان زیادی نیاز دارد. این مهارت‌های ترسیمی فوق‌العاده مبتنی بر تحلیل عمیق و الگوهای فکری آموخته‌شده نقشه‌نگاران زمین است که به سختی می‌توان آن‌ها را با مدل‌های ریاضی به دقت توصیف کرد. تنظیم جهت روشنایی و تعدیل روشنایی اشکال زمین برای برجسته کردن بصری ساختارهای اصلی زمین و بهبود نمایش فرم‌های زمین. با این حال، تولید سایه‌زنی دستی با کیفیت بالا به مهارت‌های طراحی متخصص و زمان زیادی نیاز دارد. این مهارت‌های ترسیمی فوق‌العاده مبتنی بر تحلیل عمیق و الگوهای فکری آموخته‌شده نقشه‌نگاران زمین است که به سختی می‌توان آن‌ها را با مدل‌های ریاضی به دقت توصیف کرد. تنظیم جهت روشنایی و تعدیل روشنایی اشکال زمین برای برجسته کردن بصری ساختارهای اصلی زمین و بهبود نمایش فرم‌های زمین. با این حال، تولید سایه‌زنی دستی با کیفیت بالا به مهارت‌های طراحی متخصص و زمان زیادی نیاز دارد. این مهارت‌های ترسیمی فوق‌العاده مبتنی بر تحلیل عمیق و الگوهای فکری آموخته‌شده نقشه‌نگاران زمین است که به سختی می‌توان آن‌ها را با مدل‌های ریاضی به دقت توصیف کرد.

با این حال، روش‌های یادگیری عمیق مزایای قابل‌توجهی در حل مسائلی دارند که توصیف آن‌ها با مدل‌های ریاضی دشوار است، از جمله با توجه به تشخیص شی [ 2 ]، طبقه‌بندی تصویر [ 3 ] و تقسیم‌بندی معنایی [ 4 ]. اگر بتوان از روش‌های یادگیری عمیق برای یادگیری تکنیک‌هایی مانند تعمیم زمین و تنظیم روشنایی موضعی از سایه‌اندازی دستی با کیفیت بالا استفاده کرد، می‌توان مزایای سایه‌زنی تسکینی تحلیلی و سایه‌زنی تسکین دستی را با هم ترکیب کرد. شبکه متخاصم مولد (GAN) [ 5] یک مدل یادگیری عمیق است که به طور گسترده در بسیاری از زمینه ها استفاده شده است. به دلیل عدم وجود محدودیت در GAN، تصاویر تولید شده به شدت کنترل نمی شوند. میرزا و همکاران بنابراین مفهوم شبکه های متخاصم مولد مشروط (cGANs) [ 6 ] را پیشنهاد کرد. سایه زنی امدادی با استفاده از DEM می تواند به عنوان تبدیل تصویر ورودی به تصویر خروجی دیده شود و cGAN ها برای حل این نوع مشکل بسیار مناسب هستند [ 7 ].

در این مقاله، ما یک روش جدید برای ایجاد سایه‌های برجسته پیشنهاد می‌کنیم. این روش بر اساس cGAN و جفت‌های برش سایه‌دار رلیف دستی-DEM، مشکل تولید برجسته‌سازی سایه‌دار با کیفیت بالا را به مشکل ترجمه تصویر به تصویر تبدیل می‌کند. در مرحله اول، داده ها از قبل پردازش شده اند، و سایه های تسکین دهنده دستی و برش های DEM برای ایجاد مجموعه داده آموزشی تقسیم می شوند. سپس cGAN که DEM را به برجسته‌سازی سایه‌دار تبدیل می‌کند، با استفاده از جفت‌های برش سایه‌دار-DEM راه‌اندازی و آموزش داده می‌شود. شبکه آموزش‌دیده در نهایت برای تبدیل DEM هر منطقه به نقش برجسته استفاده می‌شود.

بخش‌های زیر این مقاله محتویات ارائه روش‌شناختی ما را به شرح زیر پوشش می‌دهد: بخش 2 کار مرتبط انجام شده توسط محققان را برای بهینه‌سازی اثر سایه‌زنی برجسته معرفی می‌کند. بخش 3 روش تولید برای تسکین سایه دار بر اساس cGAN را معرفی می کند. بخش 4 فراپارامترهای cGAN را از طریق آزمایش تعیین می‌کند و سایه‌زنی شبکه شرح‌داده‌شده در اینجا را با سایه‌زنی تسکینی تحلیلی، سایه‌زنی کمکی دستی، و سایه‌زنی امدادی تولید شده توسط شبکه‌های دیگر مقایسه می‌کند. و بخش 5 نتایج به دست آمده در این مقاله را خلاصه می کند و کار آینده را مورد بحث قرار می دهد.

2. کارهای مرتبط

دو مسئله اصلی وجود دارد که باعث بیان کمتر سایه‌زنی برجستگی تحلیلی در مقایسه با سایه‌زنی دستی می‌شود. هنگام ترسیم نقش برجسته به صورت دستی، نقشه نگاران به طور کامل زمین کلی منطقه نقشه برداری شده را درک می کنند و ویژگی های اصلی آن را برای انجام تعمیم نقشه برداری تعیین می کنند. در فرآیند سایه‌اندازی دستی، جزئیات بی‌اهمیت زمین نادیده گرفته می‌شوند و تپه‌های کوچک ترکیب، یکپارچه، اغراق‌آمیز یا انتخابی نمایش داده می‌شوند. در مقابل، سایه‌زنی بر اساس بسته‌های نرم‌افزاری به‌طور دقیق تمام جزئیات داده‌های DEM را مطابق مدل محاسباتی ارائه می‌کند، که منجر به ایجاد مقدار بیش از حد جزئیات زمین شکسته در نقش برجسته سایه‌دار می‌شود. این مانع از درک سریع عناصر زمین توسط خوانندگان می شود. همینطور، محققان الگوریتم های تعمیم DEM را برای حذف ناهمواری های نامطلوب مطالعه کرده اند. این روش‌ها اهمیت هر پیکسل DEM را ارزیابی می‌کنند و تنها پیکسل‌های مهم را برای بازسازی DEM انتخاب می‌کنند.8 ]، خطوط ساختار توپوگرافی را برای تجزیه و تحلیل روابط فضایی بین ویژگی های توپوگرافی و عناصر توپوگرافی استخراج کرده و یک DEM را با این خطوط ساختار توپوگرافی به عنوان محدودیت تعمیم دهید [ 9 ، 10 ، 11 ، 12 ]. این الگوریتم ها یک DEM را به عنوان یک تصویر دیجیتال در نظر می گیرند و از تکنیک های پردازش تصویر مانند تجزیه و تحلیل موجک [ 13 ] و فیلتر تصویر [ 14 ] همراه با تئوری اطلاعات [ 15 ] و تجزیه و تحلیل ساختار زمین [ 16 ] برای ساده سازی DEM استفاده می کنند.

علاوه بر این، در طول تولید سایه های تحلیلی، روشنایی ثابت است و نمی توان آن را به طور انعطاف پذیر تنظیم کرد. در نتیجه، هنگامی که برآمدگی های متعدد با ضربات مختلف وجود داشته باشد، آنهایی که در جهت همان نور هستند به راحتی قابل شناسایی نیستند. در مقابل، سایه‌اندازی دستی جهت و شدت روشنایی را با توجه به زمین محلی تنظیم می‌کند و زمین اصلی را واضح‌تر می‌کند و همچنین اجازه می‌دهد برخی از زمین‌های کوچکتر اما مهم به سرعت شناسایی شوند [ 17 ]. اثر تنظیم روشنایی در شکل 1 نشان داده شده است . با توجه به این موضوع، بسیاری از محققان مطالعات عمیقی از جمله تنظیم روشنایی محلی با استفاده از روش تعاملی انجام داده اند [ 18 ]]؛ تنظیم روشنایی بر اساس جهت خطوط ویژگی زمین [ 19 ]، ارتفاع و شیب [ 20 ]، و جهت سطح [ 21 ]. اتخاذ مدل های جدید روشنایی (مثلاً مدل های آسمان) [ 22 ]. ترکیب نقش برجسته سایه دار چندگانه با جهت های مختلف روشنایی [ 23 ] یا ترکیب نقش برجسته سایه دار با نقشه انحنای پروفیل (یکی از مشتقات دوم DEM) [ 24 ]. و تنظیم مقادیر پیکسل با توجه به مقادیر خاکستری در لبه های زمین [ 11 ] و شاخص دید چند جهته [ 25 ].

اگرچه تلاش‌های فوق تا حدی اثر سایه‌زنی برجسته را بهبود بخشیده است، اما در مقایسه با سایه‌زنی دستی با کیفیت بالا، شکاف همچنان وجود دارد. به عنوان مثال، از نظر تعمیم DEM، فرآیند پیچیده است و نتایج به دلیل از دست دادن اطلاعات زیاد رضایت بخش نیست. علاوه بر این، از نظر روشنایی، روش‌های موجود در بهبود بیان و در عین حال کاهش دستکاری انسان شکست می‌خورند. در مجموع، مطالعات فوق نتوانستند به طور معنی‌داری اثر سایه‌اندازی برجسته را بهبود بخشند، در نهایت به این دلیل که تعمیم زمین و تنظیم روشنایی نیاز به درک کامل منطقه نقشه‌برداری شده (یعنی دانش در دسترس نقشه‌نگاران) دارد و اجرای آنها نیاز به تفکر انتزاعی دارد. فرآیندی که به سختی می توان آن را با مدل های ریاضی شبیه سازی کرد.

با این حال، فناوری یادگیری عمیق به یک مدل محاسباتی متشکل از لایه های پردازشی متعدد اجازه می دهد تا نمایش داده های انتزاعی را بیاموزد [ 26 ]. این توسط محققان در تلاشی برای بهبود اثر سایه‌دار به کار گرفته شده است. به عنوان مثال، پترسون [ 27 ] انتقال سبک عصبی را به سایه های برجسته معرفی کرد که با موفقیت بیان و حس هنری نقش برجسته را افزایش داد. با این حال، عناصر زمین تحریف شدند، در برخی موارد نادیده گرفته شدند، و در مواردی که وجود نداشتند، ایجاد شدند. به عنوان مثالی دیگر، جنی و همکاران. [ 28 ] از یک شبکه عصبی برای تولید سایه‌های برجسته استفاده کرد و به نتایج پیشگامی دست یافت. ساختار U-Net [ 29] با استفاده از سایه زنی دستی بهبود یافته و آموزش داده شد. از آنجایی که شبکه آموزش دیده از اصول طراحی سایه زنی دستی هنگام ارائه تصاویر برجسته سایه دار پیروی می کند، بیان نقش برجسته سایه دار تولید شده بسیار افزایش یافته است. این نتایج توسط بسیاری از نقشه‌برداران خبره شناخته شده است. با این وجود، نواحی مسطح و برجستگی های تیز ایجاد شده در برجستگی سایه دار گاهی تار می شوند و اگر اندازه سلول DEM تا حد زیادی با اندازه مورد استفاده برای آموزش شبکه متفاوت باشد، شبکه نیز عملکرد ضعیفی دارد. از آنجایی که ثابت شده است که روش‌های یادگیری عمیق تأثیر سایه‌اندازی برجسته را تا حد زیادی افزایش می‌دهند، انتظار می‌رود بسیاری از شبکه‌های یادگیری عمیق دیگر کلید حل مسائل موجود ذکر شده در بالا را داشته باشند تا اثر سایه‌زنی برجسته را بیشتر تقویت کنند.

3. مواد و روشها

3.1. معماری شبکه

GAN و GAN بهبود یافته با موفقیت در طیف وسیعی از زمینه ها از جمله سنتز تصویر، انتقال سبک، وضوح تصویر فوق العاده و طبقه بندی استفاده شده است. برخلاف مدل‌های یادگیری عمیق تنها با یک شبکه، دو شبکه مختلف در GAN وجود دارد: مولد (G) و تشخیص‌دهنده (D). هنگام آموزش مدل، مولد ویژگی‌های پنهان تصاویر نمونه را می‌آموزد تا صحت تصاویر تولید شده را بهبود بخشد تا در نهایت متمایزکننده را فریب دهد، و تشخیص‌دهنده تعیین می‌کند که آیا تصویر ورودی تولید شده است (یعنی جعلی) یا تولید نشده است. یعنی واقعی) تا حد ممکن. هدف نهایی این رقابت بین دو شبکه این است که تصاویر تولید شده توسط ژنراتور به اندازه کافی شبیه تصاویر واقعی باشد. از آنجایی که GAN فاقد محدودیت است و نتایج خروجی آن غیرقابل کنترل است، میرزا و همکاران. [6 ] یک محدودیت اضافی در مولد و تمایز کننده GAN برای بدست آوردن cGAN معرفی کرد. تابع هدف [ 6 ] cGAN به شرح زیر است:

ججیآن=دقیقهجی حداکثرD Lججیآن(D،جی)،

(1)

Lججیآن(D،جی)=Eایکس~پدآتیآ(ایکس)ورود به سیستمD(ایکس|y)+Ez~پz(z)ورود به سیستم(1-D(جی(z|y)))،

(2)

جایی که ایکسنشان دهنده ارزش واقعی است، yمتغیر شرط را نشان می دهد، zنویز تصادفی را نشان می دهد. پدآتیآ(ایکس)توزیع تصاویر واقعی را نشان می دهد، پz(z)توزیع پیشینی نویز را نشان می دهد. D(ایکس|y)نشان دهنده احتمال داده های واقعی است ایکسواقعی بودن توسط Dمتغیر شرط داده شده y; و جی(z|y)نشان دهنده داده های تولید شده با وارد کردن نویز است zو متغیر شرط yبه جی.

pix2pix [ 30 ] یک cGAN ویژه است که یک تصویر خروجی را بر اساس تصویر ورودی تولید می‌کند، بنابراین ترجمه تصویر به تصویر را انجام می‌دهد. مشابه pix2pix، شبکه پیشنهادی در این مقاله از دو جزء تشکیل شده است: یک ژنراتور U-Net و یک تشخیص دهنده PatchGAN [ 30 ]. ساختار شبکه همانطور که در شکل 2 نشان داده شده است.

U-Net اولین بار برای تقسیم بندی تصویر در زمینه پزشکی استفاده شد [ 29 ]. پس از آن، نشان داده شد که U-Net همچنین می تواند به طور موثر برای بخش بندی تصویر داده های شطرنجی جغرافیایی استفاده شود [ 31]. U-Net شامل یک فرآیند نمونه‌برداری پایین (رمزگذاری) برای استخراج ویژگی‌های فضایی و یک فرآیند نمونه‌برداری بالا (رمزگشایی) برای مکان‌یابی دقیق است. در فرآیند نمونه‌برداری پایین، ویژگی‌های چند مقیاسی با انجام کانولوشن‌های متعدد و فرآیندهای ادغام حداکثر بر روی تصویر ورودی به‌دست می‌آیند. در فرآیند نمونه برداری بالا، تصویر هدف به تدریج با انجام چند دکانولوشن روی ویژگی های استخراج شده تولید می شود. یک اتصال پرش بین مولفه نمونه برداری پایین و جزء نمونه برداری بالا در همان سطح وجود دارد. این ویژگی‌های به‌دست‌آمده در فرآیند نمونه‌برداری پایین را در فرآیند نمونه‌برداری بالا کپی می‌کند، بنابراین شبکه را قادر می‌سازد تا ویژگی‌های سطح پایین و سطح بالا را هنگام تولید تصاویر ترکیب کند. ساختار U-Net اتخاذ شده در این مقاله در شکل 3 نشان داده شده است، که یک سناریوی گویا را با یک DEM تک کانالی با اندازه 256 × 256 پیکسل به عنوان ورودی و یک سایه شبکه تک کانالی به همان اندازه خروجی ارائه می دهد.

تمایزگر در GAN ها معمولاً نمونه ورودی را مستقیماً به یک عدد واقعی نگاشت می کند، که نشان دهنده احتمال این است که نمونه ورودی یک نمونه واقعی است. در مقابل، تمایزکننده در PatchGAN چندین پیچیدگی را روی تصویر ورودی انجام می‌دهد و آن را به یک نقشه ویژگی با اندازه N × N نگاشت می‌کند. هنگام قضاوت در مورد واقعی بودن تصویر ورودی، PatchGAN ابتدا تعیین می‌کند که آیا هر وصله N × N واقعی است یا خیر، و سپس میانگین تمام نتایج قضاوت patch را به عنوان نتیجه قضاوت نهایی در نظر می گیرد. نقشه ویژگی نتیجه کانولوشن ها است، که نشان می دهد PatchGAN در اصل یک شبکه کانولوشن است. هر پیکسل از نقشه ویژگی مربوط به ناحیه خاصی از تصویر ورودی (یعنی میدان پذیرنده) است. اندازه میدان پذیرنده PatchGAN با توجه به تعداد کانولوشن ها تغییر می کند.

Vn=(کn-1)∏من=1n-1سمن+Vn-1،n≥2،

(3)

جایی که Vnنشان دهنده میدان پذیرنده است nلایه -ام؛ Vn-1نشان دهنده میدان پذیرنده ( n-1)-th لایه; V0=1،V1=ک1; سمننشان دهنده اندازه مرحله است من-مین لایه پیچیدگی؛ و کnاندازه هسته کانولوشن را نشان می دهد nلایه -ام.

تابع هدف این مقاله از دست دادن L1 و از دست دادن cGAN [ 30 ] را به صورت زیر ترکیب می کند:

جی*=ارگدقیقهجی حداکثرD Lججیآن(D،جی)+λLL1(جی)،

(4)

LL1(جی)=E[|| y-جی(ایکس،y)||1]،

(5)

جایی که λنشان دهنده ضریب مدت مجازات است.

3.2. داده ها و پیش پردازش

نقشه های تولید شده توسط آژانس ملی نقشه برداری سوئیس (Swisstopo، Wabern، سوئیس) دقیق و زیبا هستند و مدت هاست که به عنوان معیار در صنعت در نظر گرفته شده است. Swisstopo دارای یک محصول سایه‌انداز دستی دیجیتال با مرجع جغرافیایی است که می‌تواند به راحتی پس از تراز شدن با DEM استفاده شود. در این مقاله، سایه‌اندازی دستی با مقیاس 1:500 کیلویی تولید شده توسط Swisstopo و ماموریت توپوگرافی رادار شاتل (SRTM) با وضوح 90 متر DEM منطقه جغرافیایی مربوطه به عنوان داده‌های تجربی، همانطور که در شکل 4 نشان داده شده است، استفاده شد.. داده های تجربی مساحتی به ابعاد 316 کیلومتر × 452 کیلومتر، شامل سوئیس و مناطق اطراف آن، با ارتفاعی بین 12 متر و 4471 متر و عمدتاً شامل سه نوع زمین است: کوه ها، تپه ها و دشت ها.

از آنجایی که نواحی صاف در سایه‌اندازی دستی به‌طور کلی با استفاده از رنگ خاکستری نشان داده می‌شوند، مناطق روشنی که دریاچه‌ها در سایه‌های برجسته دستی قرار دارند با رنگ خاکستری پیوسته در Adobe Photoshop پر می‌شوند (Adobe, San Jose, CA, USA) پس از اشاره به پراکندگی دریاچه ها در منطقه آزمایشی. علاوه بر این، از آنجایی که سیستم مختصات سایه‌اندازی دستی و DEM به ترتیب سیستم مختصات طرح‌شناختی CH1903+/LV95 LN02 و سیستم مختصات جغرافیایی سیستم جهانی ژئودتیک 1984 (WGS84) هستند، تبدیل طرح‌ریزی بر روی DEM انجام می‌شود به طوری که سیستم مختصات آن با سایه زنی سازگار می شود. سپس سایه‌زنی و DEM مجدداً نمونه‌برداری می‌شوند تا اندازه سلولی 100 متر داشته باشند تا اطمینان حاصل شود که هر پیکسل منطقه‌ای به همان اندازه را پوشش می‌دهد. علاوه بر این، سایه و DEM بین 0 و 1 نرمال می شوند. در نهایت، سایه زنی دستی و DEM با حفظ رابطه متناظر بین این دو بخش بندی می شوند. هر برش حاوی 256 × 256 پیکسل است و هر برشی که کامل نباشد کنار گذاشته می شود. در نهایت، مقدار نهایی 200 برش برای سایه زنی دستی و DEM به دست می آید.

3.3. آموزش شبکه و خروجی

سخت افزار و محیط مورد استفاده برای آموزش شبکه، سیستم اوبونتو 18.04 (با 64 گیگابایت حافظه) و کارت گرافیک Quadro A2000 (با 6 گیگابایت حافظه ویدیویی) بود. این شبکه با استفاده از Pytorch 1.10، یک کتابخانه منبع باز یادگیری عمیق ( https://pytorch.org/ ، قابل دسترسی در 15 مه 2022) و Python 3.9 (Python, Fredericksburg, VA, USA؛ https:// ) ساخته و آموزش داده شد. www.python.org/ ، در 15 مه 2022 مشاهده شد. در طول آموزش شبکه، وزن ها بر اساس روش پیشنهادی He et al. [ 32 ]، تعداد تکرارهای آموزشی روی 500 تنظیم شد، نرخ یادگیری 0.001 بود و بهینه ساز Adam [ 33 ] برای بهینه سازی آموزش به کار گرفته شد.

به طور کلی، تعداد زیادی نمونه برای آموزش مدل برای به دست آوردن توانایی تعمیم خوب لازم بود. هنگامی که تعداد نمونه های آموزشی کم بود، امکان افزایش حجم نمونه از طریق افزایش داده ها (DA)، از جمله از طریق آینه سازی و چرخش وجود داشت. عملیات مشابهی در این مقاله انجام شد. با این حال، نتایج ما نشان می‌دهد که اگرچه چنین عملیاتی با موفقیت تعداد نمونه‌های آموزشی را افزایش داد، اما اثر بصری تسکین سایه‌دار شبکه به طور قابل‌توجهی بدتر شد. با توجه به کمبود سایه‌اندازی دستی با کیفیت بالا، نمونه‌های آموزشی مورد استفاده در این مقاله شامل 200 جفت سایه‌زنی دستی و برش‌های DEM از منطقه جغرافیایی مربوطه است که از طریق پیش پردازش به دست آمده‌اند.

هنگام استفاده از شبکه آموزش دیده برای رندر کردن یک DEM، لازم است DEM نرمال شده را به برش هایی تقسیم کنیم که سپس وارد شبکه می شوند. ژنراتور U-Net فقط شامل لایه های پیچشی است. آموزش شبکه در واقع فرآیندی برای حل پارامترهای هسته کانولوشن (که تحت تأثیر اندازه تصاویر ورودی نیستند) است. به این ترتیب، اندازه برش های DEM ورودی را می توان در صورت نیاز تنظیم کرد. با این وجود، اندازه باید توان دو باشد، مانند 256 × 256، 512 × 512، 1024 × 1024 و غیره.

در فرآیند سایه‌اندازی دستی، نقشه‌نگاران نور را تنظیم می‌کنند و زمین را تعمیم می‌دهند و در عین حال رابطه بین منطقه محلی و زمین اصلی را در نظر می‌گیرند تا بیان‌پذیری زمین اصلی را افزایش دهند. بنابراین، هر برش سایه‌زنی شبکه تنها ناحیه مرکزی خود را به عنوان نتیجه نهایی تولید شده حفظ می‌کند. بر اساس یافته های جنی و همکاران. [ 28]، سایه زنی شبکه از یک برش 256 × 256 پیکسل به یک تکه 156 × 156 پیکسل تقسیم می شود. منطقه در نظر گرفته شده (علاوه بر منطقه خروجی نهایی) 63 درصد از برش های ورودی را به خود اختصاص می دهد که حتی از ناحیه خروجی نهایی نیز بیشتر است، بنابراین به شبکه کمک می کند تا زمین خارج از منطقه خروجی را به طور کامل در نظر بگیرد تا به طور موثرتر زمین را تعمیم دهد و روشنایی را تنظیم کنید

سایه شبکه ایجاد شده در بلوک ها باید به هم متصل شود. با این حال، زمانی که لبه‌های برش‌های مجاور از نظر مقدار پیکسل بسیار متفاوت هستند، اثر بصری به دلیل علائم اتصال آشکار به شدت تحت تأثیر قرار می‌گیرد. بنابراین، لازم است اطمینان حاصل شود که برش های خروجی نهایی دارای مناطق همپوشانی هستند. از این رو، ترکیب آلفا برای کاهش اختلاف مقدار پیکسل بین لبه‌های برش‌های مجاور استفاده می‌شود. با فرض اینکه برش A در سمت چپ یا در بالا در جفت مجاور قرار دارد، برای هر سطر یا ستون، ترکیب با معادله زیر انجام می‌شود:

Vمن(O)=n-منnVمن(آ)+منnVمن(ب)،

(6)

جایی که Vمن(آ)، Vمن(ب)نشان دهنده مقادیر پیکسل مربوطه است من-مین پیکسل از چپ به راست (یا از بالا به پایین) در ناحیه همپوشانی بین برش A و برش B. Vمن(O)نشان دهنده مقدار پیکسل پس از ترکیب است. و nتعداد پیکسل ها را در هر سطر یا ستون از ناحیه همپوشانی نشان می دهد.

4. نتایج و بحث

4.1. تعیین فراپارامترها

یادگیری عمیق اغلب به عنوان یک مدل جعبه سیاه در نظر گرفته می شود و تعریف دقیق پارامترها در شبکه دشوار است. برای اطمینان از اینکه شبکه می‌تواند سایه‌اندازی با کیفیت بالا ایجاد کند، از متغیرهای شمارش و کنترل در این مقاله برای بررسی تنظیمات دو ابرپارامتر زیر استفاده شد: ضریب مدت جریمه و اندازه میدان گیرنده PatchGAN. با توجه به فقدان تصاویر مرجع استاندارد برای محاسبه مقایسه ای و این واقعیت که نقش برجسته سایه دار با کیفیت بالا دارای ارزش هنری ذاتی است، اتخاذ تابع از دست دادن یا سایر شاخص های مشابه برای ارزیابی کمی نقش برجسته سایه دار بسیار دشوار است. در عوض، بازرسی کیفی بصری برای ارزیابی تفاوت‌ها در نقش برجسته استفاده شد.

شبکه های مختلف با λمقادیر با همان مجموعه داده آموزش داده شدند و برش‌های DEM با وضوح 90 متر در خارج از ناحیه مجموعه آموزشی نیز به شبکه وارد شدند. شکل 5 تسکین سایه‌دار ایجاد شده توسط شبکه‌های با λمقادیر 1، 10، 50، 100، 500 و 1000 به ترتیب. از شکل 5 می توان دید که موزاییک های آشکار در نقش برجسته سایه دار ایجاد شده توسط شبکه های با λمقادیر 1 و 1000، به ترتیب، که بر نمایش کلی بصری سایه برجسته تأثیر می گذارد. علاوه بر این، به عنوان ضریب مدت مجازات λاز 1 به 50 افزایش می یابد، جزئیات بیشتری از زمین را می توان در نقش برجسته سایه دار مشاهده کرد. در مقابل، زمانی که ضریب مدت مجازات λاز 50 به 1000 بیشتر می شود، جزئیات زمین در نقش برجسته سایه دار به طور قابل توجهی افزایش نمی یابد.

برای بررسی عملکرد مقایسه ای شبکه های مختلف λمقادیر در مقیاس های دیگر، همان آزمایش با برش های DEM با وضوح 5 متر، 15 متر، 30 متر، 250 متر و 500 متر، با نتایجی که در شکل 6 نشان داده شده است، انجام شد . از شکل 6 می توان دید که موزاییک ها نه تنها در نقش برجسته سایه دار ایجاد شده توسط شبکه های با λمقادیر 1 و 1000، بلکه در شبکه با a λارزش 500 (البته کمی). علاوه بر این، زمانی که λمقدار نسبتاً کوچک است، اگرچه کنتراست قوی در روشنایی بین دو طرف خط الراس سه بعدی بودن زمین را افزایش می دهد، ارزش کلی خاکستری شیب سایه کوه زیاد است و تمایز ندارد و در نتیجه کمبود زمین ایجاد می شود. جزئیات. از نظر خصوصیات جزئیات، زمانی که λمقدار از 1 به 50 افزایش می یابد، جزئیات زمین در تعداد افزایش می یابد. هنوز زمانی که λمقدار بیشتر از 100 به 1000 افزایش می یابد، جزئیات زمین به طور قابل توجهی تغییر نمی کند. این به دلیل تغییر در وزن های نسبی کاهش cGAN و از دست دادن L1 در تابع هدف است، همانطور که در رابطه (4) نشان داده شده است. تلفات L1 تفاوت بین هر پیکسل سایه‌زنی شبکه و سایه‌زنی دستی را محاسبه می‌کند، در حالی که تلفات cGAN تفاوت را در یک منطقه خاص بین این دو اندازه‌گیری می‌کند (با توجه به ویژگی‌های PatchGAN). از آنجا که λضریب عبارت جریمه L1 از دست دادن است، تابع هدف نسبت به تفاوت جزئی بین سایه‌زنی شبکه و سایه‌زنی دستی حساس‌تر می‌شود که مقدار λافزایش. برای کاهش از دست دادن تابع هدف، شبکه رندر ویژگی های دقیق زمین را افزایش می دهد. با این حال، زمانی که ارزش λاز 100 فراتر می رود، وزن نسبی این دو تلفات دو مرتبه قدر متفاوت است، به طوری که افزایش بیشتر λارزش نمی تواند باعث افزایش جزئیات زمین شود.

ابرپارامتر دیگری که در اینجا مورد مطالعه قرار گرفته است، اندازه میدان گیرنده PatchGAN است که با تعداد لایه‌های پیچشی تعیین می‌شود. شکل 7 برجستگی سایه‌دار ایجاد شده توسط شبکه‌های مربوطه را نشان می‌دهد که میدان گیرنده PatchGAN به ترتیب دارای اندازه‌های 7 × 7، 16 × 16، 34 × 34، 70 × 70، یا 142 × 142 باشد. از شکل 7 قابل مشاهده استزمانی که اندازه میدان گیرنده PatchGAN متفاوت است، تفاوت در اثر سایه‌زنی برجسته عمدتاً در ویژگی‌های زمین آشکار می‌شود. هنگامی که میدان گیرنده PatchGAN دارای اندازه 7 × 7 و 142 × 142 باشد، سایه‌زنی شبکه از مقیاس‌های چندگانه، خصوصیات کمی تار از برآمدگی‌های تیز را نشان می‌دهد. هنگامی که میدان گیرنده PatchGAN اندازه 142 × 142 باشد، سایه شبکه زمانی که اندازه سلول بزرگ است (90 متر، 250 متر) دانه ای به نظر می رسد. هنگامی که میدان گیرنده PatchGAN اندازه 16 × 16، 34 × 34 و 70 × 70 باشد، سایه شبکه از نظر جلوه بصری کلی تفاوت چندانی ندارد.

برای دستیابی به اثر سایه تسکین مطلوب، لازم است دوباره تعریف شود λو اندازه فیلد پذیرنده زمانی که مجموعه داده های دیگر اعمال می شود. با در نظر گرفتن درجه تعمیم زمین، تضاد بین اضلاع روشن و سایه دار و جلوه بصری کلی، ضریب مدت جریمه λ100 در نظر گرفته شد و اندازه فیلد گیرنده PatchGAN برای مجموعه داده نمونه مورد استفاده در این مقاله 70 × 70 تنظیم شد.

4.2. مقایسه با سایه تحلیلی

برای مقایسه سایه‌زنی شبکه با سایه‌زنی تحلیلی تولید شده توسط بسته‌های نرم‌افزاری مختلف، یک DEM در خارج از سوئیس برای تولید تسکین سایه‌دار انتخاب شد. ما از یک لپ تاپ استفاده کردیم که سیستم عامل ویندوز 2020 (مایکروسافت، سیاتل، WA، ایالات متحده آمریکا) روی آن نصب شده بود (GPU، مدل NVIDIA GeForce RTX 2060). منطقه کوهستانی غرب تبت انتخاب شد ( 76.623∘~78.575∘E، 33.606∘~34.936∘ن)، با ارتفاعی از 2634 متر تا 7598 متر. برش های DEM دارای وضوح 90 متر و در مجموع شامل 1780 × 1432 پیکسل بودند. منطقه انتخاب شده دارای چندین کوه است که در جهات مختلف برخورد می کنند. شکل 8 DEM و سه نوع نقش برجسته در این ناحیه را نشان می دهد. سایه دهی شبکه (با برش DEM ورودی 256 × 256 پیکسل و برجستگی سایه دار خروجی 156 × 156 پیکسل، و جایی که برش های مجاور دارای یک منطقه همپوشانی 40 پیکسلی هستند) برای رندر 8 ثانیه طول کشید. QGIS برای سایه‌زنی پراکنده (با زاویه عمودی از 45درجه، یک آزیموت از 315درجهو ضریب az 1)؛ این رندر 0.4 ثانیه طول کشید. Skylum [ 34 ] برای سایه روشن آسمان (با ضریب az از 45درجهو یک آزیموت از 315درجه) این رندر 598 ثانیه طول کشید. از آنجایی که سه نوع نقش برجسته از نظر روشنایی و کنتراست متفاوت هستند، این مقادیر تقریباً یکسان تنظیم شدند تا میزان بیان نقش برجسته سایه‌دار مقایسه شود.

از شکل 8 می توان مشاهده کرد که سایه شبکه (b) به طور قابل توجهی با دو تصویر سایه زنی تحلیلی (c,d) متفاوت است، زیرا شبکه با موفقیت سبک هنری سایه‌زنی نقش برجسته دستی توسط نقشه‌برداران سوئیسی را شبیه‌سازی کرد و نقش برجسته سایه‌دار به سبک سوئیسی را تولید کرد. . علاوه بر این، توانایی نمایش دقیق زمین و همچنین ارتباط بین عناصر زمین، اساسی ترین نیاز برای سایه زنی امدادی است. مقایسه نشان می‌دهد که توزیع فضایی کوه‌ها و دره‌ها در سایه‌دهی شبکه با دو سایه‌نمای تحلیلی تطابق دارد و دقت موقعیت زمین را تضمین می‌کند. علاوه بر این، سایه‌دهی شبکه هیچ عنصر زمینی غیرموجودی را نشان نمی‌دهد و به همین ترتیب هیچ عنصر اصلی زمین را از دست نداده است.

علاوه بر برآورده کردن الزامات اساسی برای سایه‌زنی امدادی، سایه‌زنی شبکه با موفقیت زمین را تعمیم داد. این را می توان به راحتی با مقایسه انواع مختلف نقش برجسته های سایه دار مشاهده کرد. سایه شبکه منجر به جزئیات کمتر زمین شکسته شده و در عین حال بر ساختارهای اصلی زمین تأکید می کند، از این رو به خوانندگان اجازه می دهد تا ویژگی های زمین منطقه را راحت تر و سریع تر درک کنند. تسکین سایه‌دار معمولاً به تنهایی اعمال نمی‌شود. در عوض، ویژگی های جغرافیایی اضافی مانند رودخانه ها، جاده ها، و مناطق مسکونی اغلب بر روی نقش برجسته سایه دار قرار می گیرند. به این ترتیب، اگر تعداد زیادی از جزئیات زمین شکسته در نقش برجسته سایه دار وجود داشته باشد، نقشه به طور غیر ضروری پیچیده می شود. این برای بیان سایر ویژگی ها ناسازگار است. سایه شبکه نشان داده شده در اینجا کوه های کامل را به وضوح ترسیم می کند،

علاوه بر این، سایه‌زنی شبکه با موفقیت تنظیم روشنایی محلی را که در سایه‌زنی دستی مشهود است، شبیه‌سازی کرد. منطقه A در شکل 8 a یک رشته کوه با روند شمال غربی را در پایین سمت چپ منطقه نقشه برداری نشان می دهد. از آنجایی که این رشته کوه در راستای نور اصلی قرار دارد، به سختی می توان آن را در سایه های پراکنده و سایه های آسمان صاف تشخیص داد. در مقابل، سایه زنی شبکه قادر است جهت روشنایی را به صورت محلی تنظیم کند و بنابراین می تواند این رشته کوه را به وضوح قابل مشاهده کند. در یک منطقه حتی کوچکتر، مانند مناطق B، C و D در شکل 8الف، سایه شبکه کنتراست بین دو طرف خط الراس را از طریق تنظیم روشنایی تنظیم می کند، و وضوح سایه را بیشتر می کند. به عنوان مثال، در مناطق E و F در شکل 8 الف، سایه روشن آسمان، تن دره‌های باریک را عمیق‌تر کرده و درخشندگی برآمدگی‌ها را در مقایسه با سایه‌های پراکنده افزایش می‌دهد، که سه‌بعدی را تا حدی بهبود می‌بخشد. با این وجود، بیان زمین‌ها همچنان بسیار ضعیف‌تر از سایه‌دهی شبکه بود.

4.3. مقایسه با سایه زنی دستی

سایه‌زنی دستی در خارج از سوئیس از بایگانی امداد سایه‌دار [ 35 ] انتخاب شد و DEM نواحی مربوطه برای ایجاد سایه‌اندازی برجسته به شبکه وارد شد. مقایسه بین سایه زنی شبکه و سایه زنی دستی در شکل 9 نشان داده شده است. با توجه به رنگ تیره کلی و کنتراست قوی سایه زنی دستی که برای آموزش استفاده می شود، سایه شبکه نیز ویژگی های مشابهی را نشان می دهد. به این ترتیب، روشنایی و کنتراست سایه‌زنی شبکه در QGIS به‌گونه‌ای تنظیم شد که سایه‌دهی شبکه از نظر تن شبیه به سایه‌زنی دستی مربوطه شد. به دلیل فقدان اطلاعات داده و اطلاعات پیش‌بینی مورد استفاده برای سایه‌زنی دستی، تفاوت‌هایی بین سایه‌زنی شبکه (از طریق DEM) و سایه‌زنی دستی مربوطه وجود دارد.

مقایسه بین سایه‌زنی دستی و سایه‌زنی شبکه نشان می‌دهد که این دو محصول نهایی از جنبه‌های مختلف متفاوت هستند. از نظر تعمیم زمین، سایه شبکه در هنگام توصیف مناطق با تغییرات ارتفاع ملایم به دلیل فقدان این مناطق در مجموعه داده مورد استفاده برای آموزش، درجه تعمیم کمی دارد. هنگام به تصویر کشیدن مناطق کوهستانی با تغییرات ارتفاع زیاد، درجه تعمیم سایه‌دهی شبکه و سایه‌اندازی دستی تقریباً یکسان بود. علاوه بر این، به نظر می رسد شبکه از مقیاس تعمیم یکسانی برای کل نقش برجسته سایه دار استفاده می کند، در حالی که سایه زنی دستی مقیاس تعمیم را به صورت محلی با توجه به ویژگی های منطقه ای تنظیم می کند تا به طور کامل ویژگی های زمین را منعکس کند. همانطور که توسط دو جفت برجسته سایه دار ارائه شده در شکل 9 نشان داده شده است(به عنوان مثال، (a-d))، زمانی که درجه تعمیم مناطق کوهستانی به طور کلی یکسان است، سایه‌زنی دستی در مقایسه با سایه‌اندازی شبکه، درجه تعمیم بیشتری را در زمین‌هایی با تغییرات ملایم نشان می‌دهد.

از نظر خصوصیات زمین، سایه‌زنی شبکه به اندازه سایه‌زنی دستی دقیق نبود. مناطق در ارتفاعات نسبتاً کم با تغییرات زمین ملایم، تغییرات کمتری در تن در سایه شبکه نشان دادند. در مقابل، نواحی مربوطه در سایه‌زنی دستی تغییرات و جزئیات تون دقیق‌تری را نشان می‌دادند و جلوه بصری را هنری‌تر می‌کردند. این در ناحیه سمت راست در شکل 9 ب، مناطق مرکزی و چپ در شکل 9 د، مناطق مرکزی و بالایی در شکل 9 f، و دره ها در شکل 9 نشان داده شده است.g. از این مناطق می توان دریافت که نقشه نگاران نه تنها بر اساس ویژگی های زمین، بلکه با توجه به سایر عناصر جغرافیایی (مانند رودخانه ها و دریاچه ها) و همچنین با توجه به رابطه بین ویژگی های زمین، روش های ترسیم خود را تنظیم می کنند یا اغراق می کنند. در مقابل، سایه‌زنی شبکه تنها بر اساس برش‌های DEM توسط یک شبکه آموزش دیده با سایه‌زنی امدادی و DEM ارائه می‌شود. در نتیجه، رشته کوه با گرایش شمال غربی در مرکز شکل 9 c به سختی قابل تشخیص است، اما همانطور که در شکل 9 d نشان داده شده است، به راحتی قابل تشخیص است. این به دلیل تأکیدی است که بر روی این قسمت از زمین در هنگام سایه اندازی دستی صورت می گیرد.

4.4. مقایسه با سایر روش ها

در این مقاله، یک شبکه U-Net قبلاً [ 28 ] با همان مجموعه داده های آموزشی برای 2000 دوره آموزش داده شد. هم U-Net قبلی [ 28 ] و هم شبکه تطبیقی پیشنهاد شده در این مقاله برای سایه اندازی با یک DEM چند مقیاسی [ 36 ] استفاده شد. شکل 10 و شکل 11 تسکین سایه دار ایجاد شده با استفاده از شبکه های مختلف و با DEM با اندازه های مختلف سلول را نشان می دهد. همانطور که در شکل 10 نشان داده شده استتضاد بین دو طرف پشته های کوه در نقش برجسته سایه دار ایجاد شده توسط روش پیشنهادی قوی تر است و برآمدگی های تیز به وضوح نشان داده می شوند. این زمانی آشکارتر می شود که اندازه سلول های DEM کوچکتر شود. به طور کلی، زمانی که اندازه سلول DEM کوچکتر از داده های آموزشی باشد، شبکه پیشنهادی در این مقاله بهتر عمل می کند.

تفاوت بین دو شبکه زمانی که اندازه سلول DEM بزرگتر از داده های آموزشی بود، قابل توجه تر شد. همانطور که در شکل 11 نشان داده شده است ، هنگام استفاده از یک DEM با وضوح 250 متر، شبکه U-Net [ 28 ] نتوانست مناطق کوهستانی در مرکز و گوشه سمت چپ بالا را به خوبی نمایش دهد، زیرا صداهای دو طرف خط الراس تقریباً یکسان هستند. همان (همانطور که با کادر زرد در شکل 11 نشان داده شده است ). با افزایش اندازه سلول، این سایه زنی ناموفق بیشتر و بیشتر آشکار شد (همانطور که با کادر بنفش در شکل 11 نشان داده شده است )، به طوری که مناطق بزرگی از مناطق سیاه ظاهر می شوند (همانطور که در کادر قرمز در شکل 11 نشان داده شده است.، در نتیجه شناسایی ویژگی های زمین و جلوه های بصری را به شدت کاهش می دهد. شبکه پیشنهادی در این مقاله قادر به جلوگیری از چنین موقعیت‌هایی با ایجاد تسکین سایه‌دار با اندازه سلول بود که نسبتاً متفاوت از داده‌های آموزشی با جلوه بصری خوب بود. با این وجود، هنگامی که اندازه سلول DEM 2000 متر است، وضوح ویژگی های زمین در نقش برجسته سایه دار تا حد زیادی از بین می رود. بنابراین پیشنهاد می شود که اندازه سلول DEM نباید از 10 برابر داده های آموزشی تجاوز کند.

ما همچنین شبکه U-Net را در این مقاله به تنهایی آموزش دادیم (یعنی بدون تمایز) و شبکه U-Net مرجع [ 28 ] را به عنوان یک مولد در pix2pix (با یک تشخیص دهنده) آموزش دادیم. همانطور که در شکل 12 نشان داده شده است، از شبکه های آموزش دیده برای رندر کردن DEM با اندازه سلول 1000 متر استفاده می شود . می توان مشاهده کرد که بدون ساختار متخاصم، تسکین سایه دار به دست آمده توسط شبکه U-Net اقتباس شده در این مقاله، مناطق وسیعی از مناطق سیاه را نشان می دهد. در مقابل، U-Net پیشنهادی [ 28 ] با ساختار خصمانه در ارائه مناطق سیاه در غیر این صورت موفق بود (در شکل 11 نشان داده شده است.). این نشان می دهد که ساختار متخاصم می تواند به افزایش اثر سایه در زمانی که اندازه سلول نسبتاً بزرگ است (در مقایسه با داده های آموزشی) کمک کند. با این حال، شبکه U-Net پیشنهادی [ 28 ] با ساختار خصمانه نتوانست ویژگی‌های محو را زمانی که اندازه سلول نسبتاً کوچک بود، بهبود بخشد.

5. نتیجه گیری ها

برای بهبود کیفیت برجسته‌سازی سایه‌دار، این مقاله یک cGAN را از درون زمینه یادگیری عمیق معرفی کرد، با در نظر گرفتن تسکین سایه‌دار دستی و DEM مربوطه به عنوان مجموعه داده‌ای برای پیشنهاد یک روش تولید تسکین سایه‌دار بر اساس cGAN. دریاچه‌های موجود در نقش برجسته سایه‌دار دستی ابتدا رنگ‌آمیزی شدند، در حالی که طرح‌ریزی برای برش‌های DEM انجام شد، پس از آن نمونه‌گیری مجدد، عادی‌سازی و تقسیم‌بندی انجام شد تا برش سایه‌دار دستی relief-DEM به عنوان مجموعه داده آموزشی تشکیل شود. متعاقباً، cGAN تاسیس شده تحت نظارت آموزش داده شد. در نهایت، DEM هر ناحیه به شبکه وارد شد، و نتایج خروجی آن با ترکیب آلفا پردازش شد و برای تشکیل سایه‌زنی شبکه به هم متصل شد.

نتایج آزمایش ما نشان می‌دهد که شبکه با موفقیت سبک سایه‌زنی دستی نقشه‌برداران سوئیسی را شبیه‌سازی کرده است، و تأثیر هنری نقش برجسته سایه‌دار را بسیار افزایش می‌دهد. شبکه آموزش دیده بر ویژگی های اصلی زمین تاکید کرد و در عین حال جزئیات زمین شکسته را کاهش داد و به تعمیم زمین نسبتاً خوب دست یافت. در همان زمان، شبکه قادر به شبیه‌سازی تنظیمات روشنایی تکمیل شده با توجه به ویژگی‌های زمین محلی در سایه‌اندازی دستی بود و از این رو بیانی بودن زمین را افزایش داد. اگرچه سایه‌دهی شبکه هنوز نمی‌تواند با اثر بصری سایه‌زنی دستی مطابقت داشته باشد، با این وجود در مقایسه با سایه‌زنی تحلیلی، پیشرفت زیادی نشان می‌دهد. علاوه بر این، در مقایسه با شبکه‌های موجود، روش پیشنهادی در این مقاله مشکل محو شدن بخشی از ویژگی‌های زمین را حل می‌کند. با خصوصیات مشخصه واضح تر علاوه بر این، روش پیشنهادی زمانی عملکرد بهتر و پایدارتری را نشان می‌دهد که داده‌های سایه‌دار و امدادی دارای اندازه‌های سلولی بسیار متفاوتی باشند که می‌توان آن را به ساختار متخاصم این شبکه نسبت داد.

روش پیشنهادی با این وجود محدودیت های خاصی دارد. اولاً، برای سایه‌زنی داده‌شده به یک DEM با یک منطقه مسطح بزرگ و تنها با تغییرات ملایم، نویز در ناحیه صاف نقش برجسته سایه‌دار ایجاد شده ظاهر می‌شود. ثانیاً، از نظر تعمیم زمین به اندازه سایه‌زنی دستی انعطاف‌پذیر نیست، به طوری که تنها یک مقیاس تعمیم می‌تواند توسط کل منطقه نقشه‌برداری اتخاذ شود و تنظیم مقیاس تعمیم با توجه به زمین محلی غیرممکن است (مانند سایه‌زنی دستی). . ثالثاً، با توجه به یک DEM با اندازه سلولی که بزرگتر از داده های آموزشی است (به عنوان مثال، یک DEM با اندازه سلولی که 20 برابر بزرگتر از مجموعه داده آموزشی است)، برجستگی سایه دار ایجاد شده به طور کلی جلوه بصری خوبی دارد. اما شفافیت کوه ها تا حد زیادی از بین می رود. در کارهای آینده، ما قصد داریم داده‌های نمونه را افزایش دهیم و این روش را با شبکه‌ها و ماژول‌های بیشتری برای حل مشکلات موجود و بهبود بیشتر اثر سایه‌زنی آزمایش کنیم. این مطالعه می‌تواند به نقشه‌نگاران این امکان را بدهد که برای تهیه نقشه‌های زیباتر، به راحتی به نقش برجسته سایه‌دار با کیفیت بالا دست یابند.

منابع

وانگ، جی. سان، س. وانگ، جی. جیانگ، ن. لیو، X. اصل و روش نقشه برداری ، ویرایش دوم. انتشارات علمی: پکن، چین، 2014. [ Google Scholar ]
گیرشیک، آر. دوناهو، جی. دارل، تی. Malik, J. Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation. در مجموعه مقالات کنفرانس IEEE 2014 در مورد بینایی کامپیوتری و تشخیص الگو، کلمبوس، OH، ایالات متحده آمریکا، 23 تا 28 ژوئن 2014 . انتشارات IEEE: Columbus, OH, USA, 2014; صص 580-587. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کریژفسکی، آ. سوتسکور، آی. هینتون، GE ImageNet طبقه بندی با شبکه های عصبی پیچیده عمیق. اشتراک. ACM 2017 ، 60 ، 84–90. [ Google Scholar ] [ CrossRef ]
لانگ، جی. شلهامر، ای. دارل، تی. شبکه های کاملاً پیچیده برای تقسیم بندی معنایی. در مجموعه مقالات کنفرانس IEEE 2015 در مورد دید کامپیوتری و تشخیص الگو (CVPR)، بوستون، MA، ایالات متحده آمریکا، 7 تا 12 ژوئن 2015 . انتشارات IEEE: Boston, MA, USA, 2015; صص 3431–3440. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
دوست خوب، من. پوگت آبادی، ج. میرزا، م. خو، بی. وارد-فارلی، دی. اوزایر، س. کورویل، آ. Bengio، Y. شبکه های متخاصم مولد. اشتراک. ACM 2020 ، 63 ، 139-144. [ Google Scholar ] [ CrossRef ]
میرزا، م. شبکه های متخاصم مولد مشروط اوسیندرو، اس. arXiv 2014 ، arXiv:1411.1784. [ Google Scholar ]
کرزول، ا. سفید، تی. دومولن، وی. آرولکوماران، ک. سن گوپتا، بی. Bharath، AA Generative Adversarial Networks: An Overview. فرآیند سیگنال IEEE Mag. 2018 ، 35 ، 53-65. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
دونگ، ی. Tang, G. تحقیق در مورد ساده‌سازی زمین با استفاده از شاخص اطلاعات اهمیت زمین از مدل‌های ارتفاعی دیجیتال. Geomat. Inf. علمی دانشگاه ووهان 2013 ، 38 ، 353-357. [ Google Scholar ] [ CrossRef ]
آی، تی. لی، جی. تعمیم DEM با تشخیص شاخه کوچک دره و پر کردن شبکه. ISPRS J. Photogramm. Remote Sens. 2010 ، 65 ، 198-207. [ Google Scholar ] [ CrossRef ]
لی، جی. لی، دی. تعمیم DEM با ترکیب حوضه آبریز. Geomat. Inf. علمی دانشگاه ووهان 2015 ، 40 ، 1095-1099. [ Google Scholar ] [ CrossRef ]
گیستوول، آر. هورنی، ال. سایه‌زنی خودکار به سبک سوئیسی و هچورینگ صخره‌ای. کارتوگر. J. 2018 ، 55 ، 341-361. [ Google Scholar ] [ CrossRef ]
جنی، ب. تعمیم زمین با پیچیدگی انتگرال خط. کارتوگر. Geogr. Inf. علمی 2021 ، 48 ، 78-92. [ Google Scholar ] [ CrossRef ]
او، ز. گوا، کیو. ژائو، ام. لیو، جی. ژانگ، جی. لی، ایکس. Liang, Z. تحقیق در مورد تعمیم خودکار DEM در مناطق پیچیده ژئومورفیک بر اساس تجزیه و تحلیل موجک. Geogr. Geo-Inf. علمی 2019 ، 4 ، 57–63. [ Google Scholar ]
لیندسی، جی بی. فرانسیونی، ا. Cockburn، JMH LiDAR DEM صاف کردن و حفظ ویژگی های زهکشی. Remote Sens. 2019 ، 11 ، 1926. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
Raposo، P. تعمیم متغیر DEM با استفاده از آنتروپی محلی برای نمایش زمین از طریق مقیاس. بین المللی جی. کارتوگر. 2020 ، 6 ، 99-120. [ Google Scholar ] [ CrossRef ]
یو، دبلیو. ژانگ، ی. آی، تی. Chen, Z. یک روش یکپارچه برای ساده سازی DEM با ویژگی های ساختاری زمین و حفظ مورفولوژی صاف. بین المللی جی. جئوگر. Inf. علمی 2021 ، 35 ، 273-295. [ Google Scholar ] [ CrossRef ]
ایمهوف، ای . ESRI Press: Redlands، CA، USA، 2007. [ Google Scholar ]
جنی، بی. یک رویکرد تعاملی به سایه‌اندازی تحلیلی. Cartographica 2001 ، 38 ، 67-75. [ Google Scholar ] [ CrossRef ]
مارستون، BE; Jenny, B. بهبود بازنمایی لندفرم های اصلی در سایه اندازی تحلیلی برجستگی. بین المللی جی. جئوگر. Inf. علمی 2015 ، 29 ، 1144-1165. [ Google Scholar ] [ CrossRef ]
ورونزی، اف. Hurni، L. ابزار GIS برای افزایش کیفیت بصری سایه‌اندازی با تغییر خودکار جهت نور. محاسبه کنید. Geosci. 2015 ، 74 ، 121-127. [ Google Scholar ] [ CrossRef ]
ورونزی، اف. Hurni، L. تغییر آزیموت نور در بازنمایی سایه‌دار با جنبه خوشه‌بندی. کارتوگر. J. 2014 ، 51 ، 291-300. [ Google Scholar ] [ CrossRef ]
Kennelly، PJ; استوارت، مدل‌های آسمان عمومی AJ برای مناطق روشن. بین المللی جی. جئوگر. Inf. علمی 2014 ، 28 ، 383-406. [ Google Scholar ] [ CrossRef ]
فلورینسکی، IV; فیلیپوف، مدلسازی سه بعدی زمین با روشنایی چند منبع. ترانس. GIS 2019 ، 23 ، 937–959. [ Google Scholar ] [ CrossRef ]
Kennelly, PJ Terrain Maps نمایش سایه‌اندازی تپه با انحنا. ژئومورفولوژی 2008 ، 102 ، 567-577. [ Google Scholar ] [ CrossRef ]
Podobnikar، T. شاخص دید چند جهتی برای تقویت سایه تحلیلی. کارتوگر. J. 2012 ، 49 ، 195-207. [ Google Scholar ] [ CrossRef ]
LeCun، Y.; بنژیو، ی. هینتون، جی. یادگیری عمیق. طبیعت 2015 ، 521 ، 436-444. [ Google Scholar ] [ CrossRef ]
پترسون، تی. طراحی نقشه فیزیکی زمین برابر. در دسترس آنلاین: https://youtu.be/UYQ6vhxc9Dw (در 8 آوریل 2022 قابل دسترسی است).
جنی، بی. هایتسلر، ام. سینگ، دی. فارماکیس-سربریاکوا، م. لیو، جی سی. هورنی، ال. سایه زنی امداد نقشه کشی با شبکه های عصبی. IEEE Trans. Vis. محاسبه کنید. نمودار. 2021 ، 27 ، 1225-1235. [ Google Scholar ] [ CrossRef ]
رونبرگر، او. فیشر، پی. Brox، T. U-Net: شبکه های کانولوشن برای تقسیم بندی تصویر زیست پزشکی. در محاسبات تصویر پزشکی و مداخله به کمک کامپیوتر 2015 ; نواب، ن.، هورنگر، ج.، ولز، دبلیو ام، فرانگی، اف.اف.، ویرایش. انتشارات بین المللی Springer: چم، سوئیس، 2015; جلد 9351، ص 234–241. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
ایزولا، پی. ژو، جی.-ی. ژو، تی. Efros، ترجمه تصویر به تصویر AA با شبکه های خصمانه مشروط. در مجموعه مقالات کنفرانس IEEE 2017 در مورد دید رایانه و تشخیص الگو (CVPR)، هونولولو، HI، ایالات متحده آمریکا، 21 تا 26 ژوئیه 2017 ؛ انتشارات IEEE: Honolulu, HI, USA, 2017; ص 5967–5976. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
هایتسلر، ام. هورنی، ال. بازسازی نقشه‌کشی ردپای ساختمان از نقشه‌های تاریخی: مطالعه بر روی نقشه زیگفرید سوئیس. ترانس. GIS 2020 ، 24 ، 442-461.32. [ Google Scholar ] [ CrossRef ]
او، ک. ژانگ، ایکس. رن، اس. Sun, J. Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification. در مجموعه مقالات کنفرانس بین المللی IEEE 2015 در بینایی کامپیوتر (ICCV)، سانتیاگو، شیلی، 7 تا 13 دسامبر 2015 . انتشارات IEEE: سانتیاگو، شیلی، 2015; ص 1026-1034. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Kingma، DP; با، جی. آدام: روشی برای بهینه سازی تصادفی. arXiv 2017 , arXiv:1412.6980. [ Google Scholar ]
مدل های آسمان در دسترس آنلاین: https://watkins.cs.queensu.ca/~jstewart/skyModels.zip (در 8 آوریل 2022 قابل دسترسی است).
آرشیو امداد سایه دار. در دسترس آنلاین: https://www.shadedreliefarchive.com (در 8 آوریل 2022 قابل دسترسی است).
Kennelly، PJ; پترسون، تی. جنی، بی. هافمن، DP; مارستون، BE; بل، اس. Tait، مدل‌های ارتفاع AM برای ارزیابی تکرارپذیر بازنمایی زمین. کارتوگر. Geogr. Inf. علمی 2021 ، 48 ، 63-77. [ Google Scholar ] [ CrossRef ]

شکل 1. سایه زنی تحلیلی با یک جهت روشنایی ( چپ ) و سایه زنی دستی با تنظیمات روشنایی با توجه به فرم های محلی ( راست ). روشنایی تنظیم شده به صورت دستی، فرم های زمین را با وضوح بیشتری نشان می دهد.

شکل 2. ساختار شبکه.

شکل 3. ساختار U-Net.

شکل 5. نقش برجسته سایه دار ایجاد شده توسط شبکه هایی با مقادیر مختلف با وضوح 90 متر DEM.

شکل 6. نقش برجسته سایه دار ایجاد شده توسط شبکه هایی با مقادیر مختلف با برش های DEM چند مقیاسی.

شکل 7. نقش برجسته سایه دار ایجاد شده توسط شبکه هایی با اندازه های مختلف میدان گیرنده PatchGAN در برش های DEM چند مقیاسی.

شکل 8. (الف) DEM منطقه نقشه برداری. (ب) سایه زنی شبکه. (ج) سایه پراکنده. و (د) سایه روشن آسمان.

شکل 9. چهار جفت تصویر سایه شبکه (چپ) و سایه زنی دستی (راست). جفت اول، ( a ، b )، زمین در ایالت واشنگتن، ایالات متحده را نشان می دهد. جفت دوم، ( c ، d )، زمین را در پارک ملی یلوستون، وایومینگ، ایالات متحده نشان می دهد. جفت سوم، ( e ، f )، زمین در شبه جزیره سینا، مصر را نشان می دهد. جفت چهارم، ( g ، h )، زمین را در پارک ملی کوه راکی، کلرادو، ایالات متحده نشان می دهد. در میان این تصاویر، ( a ، c ، e ) با استفاده از DEM با وضوح 90 متر، و ( g ) تولید شدند.) با رزولوشن 45 متر DEM تولید شد. تنظیمات زیر در QGIS انجام شد: ( الف ) روشنایی روی 20 و کنتراست روی 20- تنظیم شد. ( ج ) روشنایی به 50 و کنتراست به -25 تنظیم شد. ( ه ) روشنایی به 20 و کنتراست به -20 تنظیم شد. و ( گرم ) روشنایی روی 25 و کنتراست روی 20- تنظیم شد.

شکل 10. برجستگی سایه دار ایجاد شده توسط شبکه ها و DEM های مختلف با اندازه سلول کوچکتر از داده های آموزشی.

شکل 11. نقش برجسته سایه دار با استفاده از شبکه های مختلف و DEM با اندازه سلول بزرگتر از داده های آموزشی ایجاد شده است.

شکل 12. اثر یک ساختار متخاصم بر سایه‌اندازی زمانی که اندازه سلول بزرگتر از اندازه سلول در داده‌های آموزشی بود: ( الف ) تسکین سایه‌دار ایجاد شده توسط U-Net ما بدون ساختار خصمانه، و ( ب ) تسکین سایه‌دار ایجاد شده توسط U پیشنهادی -Net [ 28 ] با ساختار خصمانه.

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

دیدگاه‌های “رصد زمین و علم GIS برای کاربردهای کشاورزی”

کلید واژه ها:

1. مقدمه

2. کارهای مرتبط