دو تکنیک برای کاوش دقت افقی نسبی ویژگی‌های فضایی خطی پیچیده توصیف شده و کد منبع نمونه (شبه کد) برای این منظور ارائه شده است. اولین تکنیک، سینوسیتی نسبی، به عنوان معیاری از پیچیدگی یا جزئیات یک شبکه چند خطی در مقایسه با یک شبکه مرجع ارائه می‌شود. ما تکنیک دوم ریشه طولی خطای میانگین مربعات (LRMSE) را نامگذاری می‌کنیم و آن را به عنوان وسیله‌ای برای ارزیابی کمی واریانس افقی بین دو مجموعه داده چند خطی نشان‌دهنده شبکه‌های جریان و رودخانه دیجیتالی (مرجع) و مشتق شده ارائه می‌کنیم. هر دو سینوسیتی نسبی و LRMSE معیارهای مناسبی برای دقت شبکه جریان افقی برای ارزیابی کیفیت و تنوع در ویژگی‌های خطی هستند. هر دو تکنیک در دو تحقیق اخیر شامل استخراج ویژگی‌های هیدروگرافی از داده‌های ارتفاعی LiDAR استفاده شده‌اند. یکی تأیید کرد که با افزایش وضوح داده‌های LiDAR، اندازه سلول‌های کوچک‌تر خطوط جریان بهتری را بر اساس سینووسیت و LRMSE هنگام استفاده از DEM‌های مشتق‌شده از LiDAR ایجاد می‌کنند. دیگری روش جدیدی را برای ترسیم کانال‌های جریان مستقیماً از ابرهای نقطه LiDAR، بدون مرحله میانی استخراج DEM نشان داد، که نشان داد که ترسیم مستقیم از ابرهای نقطه LiDAR مطابقت عالی و بسیار بهتری را به همراه داشت، همانطور که توسط LRMSE نشان داده شده است.

کلمات کلیدی:

 LiDAR، کانال های جریان، دقت، RMSE، سینوسیتی، تحلیل زمین

1. مقدمه

تمام داده های مکانی دقت محدودی دارند [ 1 ]. با این حال، اگر یک مجموعه داده را بهترین نمایش در دسترس از یک ویژگی خاص فرض کنیم، می‌توانیم خطای موجود در سایر ویژگی‌ها را با مقایسه آنها با داده‌های مرجع خود تخمین بزنیم. در برخی موارد، ممکن است حیاتی نباشد که مجموعه داده مدل شده یا مشتق شده کاملاً با مجموعه داده مرجع مطابقت داشته باشد، تا زمانی که تطابق بهتری نسبت به مجموعه داده های دیگر داشته باشد. به گفته ژانگ و گودچایلد [ 2] [هنگام در نظر گرفتن] به دست آوردن اشیاء گسسته با تفسیر بصری و ترسیم دستی، یک شی استخراج شده (اندازه گیری شده) به دلیل عدم دقت در شناسایی و موقعیت یابی شی با حقیقت متناظر متفاوت است… در اکثر نمایش های گسسته، اشیاء خط واقعی در دنیای واقعی توسط چند خطی که رئوس مرتب شده را با پاره های خط مستقیم به هم مرتبط می کند نمونه برداری می شوند. اگر خطوط واقعی واقعاً منحنی باشند، … یک نمایش چند خطی تقریبی خواهد بود و چنین تفاوت هایی بین چند خط و منحنی های اصلی بخشی از عدم قطعیت در مدل سازی اشیاء را تشکیل می دهد.

در حالی که مقایسه مجموعه ای از مقادیر اسکالر (با یک بزرگی واحد) یا مجموعه ای از بردارها (با مقدار و جهت) امری بی اهمیت است، مقایسه و ارزیابی درجه تشابه مجموعه های چند خطی چالش برانگیزتر است. دشوارتر، هنوز، مقایسه شبکه های مجموعه های متعدد چند خط است. به عنوان مثال، در شکل 1چند خطوط قرمز نشان دهنده یک شبکه جریان مشتق شده و چند خطوط آبی نشان دهنده شبکه جریان مرجع هستند. ما به وضوح می بینیم که این دو شبکه یکسان نیستند. اما، چگونه تفاوت ها را برای مقایسه کیفیت یا شباهت دو شبکه، یا مقایسه چندین شبکه مشتق شده با یکدیگر، نسبت به شبکه مرجع، کمی کنیم؟ این مقاله دو روش و الگوریتم را برای انجام مقایسه‌های کمی نزدیکی تناسب بین شبکه‌های جریان مشتق‌شده و داده‌های مرجع ارائه و ارزیابی می‌کند: سینوسیته و خطای میانگین مربع ریشه طولی (LRMSE).

2. پس زمینه

ارزیابی دقت یا اعتبارسنجی صحت داده های ویژگی باید جزء کلیدی هر پروژه ای باشد که از داده های مکانی استفاده می کند. این امر به ویژه هنگام مدل‌سازی یا تولید خودکار داده‌های مکانی از الگوریتم‌ها یا روش‌های محاسباتی ضروری است (مثلاً در مورد شبکه‌های جریان مشتق‌شده در این مطالعه). چنین ارزیابی دقت به فرد امکان مقایسه کمی روش‌ها و نتایج، کشف روش‌ها برای بهبود تکنیک‌ها و الگوریتم‌ها و اطمینان بیشتر در استفاده از نتایج تحلیل داده‌های مکانی در فرآیندهای تصمیم‌گیری را می‌دهد [ 3 ].

مدل‌سازی هیدرولوژیکی و مدیریت منابع آبخیز به شبکه‌های جریان دقیق و مرزهای حوضه برای درک بهتر جریان آب در سطح زمین نیاز دارد. روش‌های استخراج ویژگی‌های هیدروگرافی دقیق مانند شبکه‌های جریان در حرکت از DEM‌های معمولی [ 4 ] -[ 6 ] به DEM‌های مشتق‌شده از LiDAR [ 7 ] بسیار بهبود یافته‌اند. روش های ارزیابی کمی را می توان برای مقایسه و تجزیه و تحلیل تفاوت بین شبکه های جریان و حوضه های حاصل از داده های ارتفاعی با استفاده از چنین روش هایی استفاده کرد.

سینوسیته کانال جریان به عنوان درجه ای که کانال رودخانه از یک خط مستقیم خارج می شود، تعریف شده است. انواع مختلفی از شاخص های سینوسیتی پیشنهاد شده است [ 8 ] -[ 14 ]. Sinuosity برای بهبود درک استفاده شد

شکل 1 . دو نمایش چند خطی از شبکه جریان یکسان با شبکه مرجع به رنگ آبی و شبکه جریان مشتق شده به رنگ قرمز نشان داده شده است.

از ماهیت و پویایی الگوهای کانال رودخانه برای رودخانه المی در جنوب غربی نیجریه، که در آن طول یک مسیر در امتداد کانال اندازه‌گیری شد و بر اساس فاصله خطوط هوایی بین دو نقطه انتهایی دسترسی تقسیم شد [ 15 ]. عوامل مؤثر بر سینووسیت برای رودخانه پاناگون، هند [ 16 ] شناسایی شد. Downward، Gurnell و Brookes [ 17 ] روشی را برای تعیین کمیت تغییر شکل پلان کانال رودخانه با استفاده از تنوع GIS در فرسایش جریان و انتقال رسوب ارائه کردند. هیو و همکاران [ 18 ] مهاجرت کانال پرپیچ و خم رودخانه سابین در ایالات متحده را مورد مطالعه قرار داد، که ثابت کرد برآورد حداقل مربعات برای توصیف و پیش‌بینی مهاجرت کانال پرپیچ و خم مفید است.

کار بر روی ارزیابی شبکه جریان با استفاده از ریشه میانگین مربعات خطا در اندازه‌گیری‌های افقی و عمودی انجام شده است، که به عنوان روش‌های استاندارد توسط کمیته داده‌های جغرافیایی فدرال پذیرفته شده‌اند [ 19 ]. Zhang و Goodchild [ 2 ] همچنین در مورد استفاده از RMSE به عنوان معیاری برای خطاها در متغیرهای پیوسته مرتبط با داده های مکانی بحث می کنند.

هر دوی این معیارهای ارزیابی، سینوسیتی و RMSE، در این مقاله به عنوان کاندیدایی برای ارزیابی کمی کیفیت شبکه‌های جریان مشتق شده از LiDAR مورد بررسی قرار می‌گیرند. الگوریتم‌هایی برای پیاده‌سازی این روش‌ها توسعه داده شده‌اند و اسکریپت‌ها یا کدهای برنامه نوشته شده و برای پشتیبانی از دو تحقیق گزارش‌شده استفاده شده‌اند [ 7 ] [ 20 ].

3. روش ها

ارزیابی دقت یک شبکه جریان مانند آنچه در شکل 1 نشان داده شده است، شامل محاسبات مکرر فاصله بین دو نقطه است. 33 بخش چند خطی در شبکه نشان داده شده است. هر بخش چند خطی از چندین بخش خط مستقیم تشکیل شده است. هر پاره خط مستقیم با دو نقطه (یا رئوس) و هر نقطه (یا رأس) با دو مختصات (یک جفت مرتب شده) تعریف می شود. پیچیدگی انجام ارزیابی کیفیت داده ها در این شبکه بسیار مشهود است. علاوه بر این، مختصات (راس) می تواند در هر یک از تعداد زیادی از سیستم های مختصات، بر اساس پیش بینی نقشه وجود داشته باشد. GIS و زبان‌های برنامه‌نویسی مرتبط برای برخورد با همه سیستم‌های مختصات و برای تبدیل مختصات بین سیستم‌ها که امکان ارزیابی دقت شبکه‌های جریانی را در هر پیش‌بینی‌شده (مثلاً

روش‌های سینوسیتی و LRMSE که در زیر توضیح داده می‌شوند نیاز به محاسبه فاصله بین دو نقطه دارند. چنین محاسبه‌ای در مورد پیش‌بینی‌هایی که اساساً سیستم مختصات دکارتی (X، Y) هستند، که در آن X شرق و Y شمال‌شدن است، بی‌اهمیت است. در اینجا، فاصله بین دو نقطه را می توان با استفاده از معادله فاصله که بر اساس قضیه فیثاغورث است، محاسبه کرد:

(1)

در مورد محاسبه فواصل بین نقاط نشان داده شده در سیستم مختصات جغرافیایی، باید با مختصات کروی (r، q، j) کار کرد، جایی که r شعاع زمین R e در یک عرض جغرافیایی خاص q و طول جغرافیایی j است. در مقیاس های بسیار کوچک و برای مقاصد مقایسه، می توان فاصله ها را بر حسب درجه اعشار با اعمال معادله فاصله مشترک (معادله (1)) در سیستم مختصات جغرافیایی محاسبه کرد. با این حال، محاسبه دقیق‌تر فاصله بین دو نقطه در مختصات جغرافیایی، معادله قوس دایره بزرگ است، که با فرض یک شعاع زمین تقریباً ثابت R e ، برابر است با:

(2)

به طور مطلوب، این معادلات و معادلات مربوطه در یک GIS و زبان برنامه نویسی مرتبط با آن برای انجام محاسبات فاصله با استفاده از توابع بومی تعبیه شده، در هر کجا که ممکن باشد، استفاده می شوند. چنین محیط‌های محاسباتی همچنین توانایی ذاتی برای تلقی ساختارهای چند خطی به‌عنوان اشیاء در کد و انجام سریع و آسان عملیات ریاضی، مانند محاسبات فاصله، بر روی ویژگی‌ها یا اشیاء چند خطی، در لایه‌های داده چندگانه، که نشان‌دهنده شبکه‌های پیچیده بزرگ کانال‌های جریان است، ارائه می‌دهند. هر یک از تعدادی پیش بینی یا سیستم مختصات. کدهای شبه برای الگوریتم هایی که در GIS ایجاد و پیاده سازی کرده ایم در بخش های زیر ارائه شده است. در حالی که استفاده کامل ما از الگوریتم‌ها در محیط اسکریپت نویسی ArcView 3.2 Avenue انجام شد، نمایش کدهای شبه ما نرم‌افزار آگنوستیک هستند. اگرچه ما وجود توابع خاص و مشترک GIS را برای انجام محاسبات پیچیده بر روی ویژگی های جغرافیایی فرض می کنیم. الگوریتم‌های ارائه‌شده در اینجا می‌توانند در هر محیط برنامه‌نویسی GIS یا هر ابزار یا زبان برنامه‌نویسی مناسب دیگری پیاده‌سازی شوند، تا زمانی که روال‌های خاصی وجود داشته باشند یا برای رسیدگی به اشیاء نقطه‌ای و چند خطی که نمایش‌های شبکه جریانی را تشکیل می‌دهند، توسعه یافته باشند.

3.1. سینوسیتی

سینووسیتی برای توصیف وضعیت سیم پیچ یا انحنا در شکل استفاده می شود و در اینجا به عنوان شاخص کمی پیچ و تاب جریان و به عنوان یک ویژگی متمایز از الگوی کانال استفاده می شود. سینوسیت جریان اغلب در مطالعه هندسه، دینامیک و ابعاد کانال های آبرفتی استفاده می شود [ 13 ]. مقدار مطلق تفاوت سینوسی بین نمونه های مرجع و مشتق شده را می توان به عنوان معیاری برای دقت شبکه مدل سازی شده استفاده کرد.

سینوسیته (S) نسبت طول جریان به طول دره [ 21 ] یا به عبارت دیگر، نسبت طول جریان به فاصله خط مستقیم بین نقاط انتهایی است. این همچنین به عنوان درجه پیچ و خم [ 22 ]، یا نسبت طول پیچ و خم (L m ) به فاصله خط مستقیم (Ls ) شناخته می شود.

(3)

محاسبه فاصله خط مستقیم بین دو نقطه در هر کد کامپیوتری با استفاده از معادله فاصله مشترک، که به عنوان معادله (1) در بالا ارائه شده است، به اندازه کافی ساده است. اما برای محاسبه فاصله یا طول منحنی خط، این معادله باید به طور مکرر، یک بار برای هر پاره خط در چند خط استفاده شود. اینجاست که زبان های برنامه نویسی GIS نسبت به زبان های برنامه نویسی غیر GIS برتری دارند. توانایی در نظر گرفتن یک نقطه یا چند خط به عنوان یک شی و عمل بر روی آن با استفاده از روش های از پیش تعریف شده ایجاد شده به طور خاص برای برخورد با ویژگی های جغرافیایی، محاسبه فاصله یا طول منحنی خطی را به یک موضوع بی اهمیت تبدیل می کند. همچنین، زبان‌های برنامه‌نویسی GIS تکرار فرآیند را برای چند خط همه در یک لایه داده ساده می‌کنند و نیاز به روال‌های پیچیده ورودی/خروجی (I/O) برای خواندن و نوشتن نتایج را از بین می‌برند. الگوریتم ارائه شده در اینجا فرض می کند که یک لایه داده چند خطی انتخاب شده است. الگوریتم از طریق هر چند خط در لایه داده چرخه می‌کند و طول منحنی یا پرپیچ‌خط، L را محاسبه می‌کند.m ، به عنوان متغیر CalfPath، با استفاده از تابع طول چند خط GIS مناسب (مثلاً روش Avenue ReturnLength). سپس، فاصله خط مستقیم، L s ، بین دو نقطه پایانی را به عنوان متغیر CrowFlies، با استفاده از یک تابع فاصله GIS مناسب (مثلاً روش فاصله خیابان) محاسبه می کند. Sinuosity سپس با تقسیم CalfPath بر CrowFlies محاسبه می شود. این سه مقدار در سه فیلد جدید به جدول ویژگی لایه داده اضافه می شوند. این الگوریتم همچنین یک مجموع در حال اجرا از طول همه ویژگی‌ها را حفظ می‌کند، میانگین طول چند خط و میانگین سینوسیتی را محاسبه می‌کند و پس از پایان الگوریتم، این مقادیر را گزارش می‌دهد. الگوریتم به صورت شبه کد در جدول 1 خلاصه شده است .

اساس استفاده از سینوسیته این فرض است که به طور کلی، سینوسیته بالاتر به جزئیات بیشتر و در نتیجه دقت بیشتر دلالت دارد ( شکل 2 را ببینید ). با این حال، هدف به حداکثر رساندن سینوسیتی نیست، بلکه به دست آوردن نزدیکترین تطابق ممکن از سینوسیتی بین شبکه جریان مشتق شده و شبکه جریان مرجع است. اگر سینوسی داده های مشتق شده کمتر از داده های مرجع باشد، جزئیات کمتر و در نتیجه دقت کمتری را می توان استنباط کرد. با این حال، اگر سینوسی داده‌های مشتق‌شده بیشتر از داده‌های مرجع باشد، می‌توانیم جزئیات بیشتری را استنباط کنیم، اما نه لزوماً دقت بیشتر. در واقع، سینوسیته بالاتر در داده‌های مشتق‌شده فقط می‌تواند به این معنی باشد که فرآیند استخراج، در این مورد تعیین کانال جریان، شکست خورده است.

سینوسیته برای دو چند خط را می توان به طور مستقیم با هم مقایسه کرد یا سینوسیت های نسبی را محاسبه کرد. سینوسیتی نسبی می تواند یک دلتا یا اختلاف باشد، مانند

(4)

یا سینوسیتی نسبی می تواند یک نسبت (سینووسیت مشتق شده/سینووسیت مرجع یا برعکس) باشد، مانند:

(5)

یکی از مشکلات احتمالی در استفاده از سینوسیتی برای مقایسه جریان ها یا شبکه های جریان، نتیجه استفاده از نسبت ها است (S = L m / L s و S rel = S d / S r ). اگرچه سینوسیت هر دو جریان مشتق شده و جریان مرجع ممکن است نزدیک به هم تطابق داشته باشند، ممکن است سینوسیته های نزدیک به هم داشته باشند و در عین حال جریان مشتق شده نصف طول جریان مرجع باشد. نسبت Lm به Ls ممکن است برای هر دو جریان مشتق شده و مرجع یکسان باشد، زیرا هر دو Lm به Lsبه نسبت کوتاه می شوند. همچنین باید طول جریان خط مستقیم را بررسی و مقایسه کرد. فاصله بین نقاط انتهایی باید مشابه باشد. جریان مشتق شده احتمالاً طول خط مستقیم کوتاه تری خواهد داشت، اما نباید به طور قابل توجهی کوتاهتر باشد. تطبیق سینوسیته ها لزوماً به این معنی نیست که چند خطوط مطابقت دارند. فقط این که مقادیر مشابهی از پیچ و خم دارند. برخی تفسیرهای ذهنی از داده های عینی هنوز مورد نیاز است.

جدول 1 . کد شبه برای محاسبه سینوسیته.

شکل 2 . سینوسیتی (فاصله خط مستقیم در مقابل طول پیچ خوردگی) به عنوان یکی از معیارهای جزئیات و نزدیکی تناسب بین شبکه های جریان مشتق شده و مرجع.

3.2. خطای میانگین مربع ریشه طولی

دومین معیار برای مقایسه شبکه های جریان، خطای میانگین مربع ریشه طولی (LRMSE) است. استاندارد ملی برای دقت داده های مکانی (NSSDA، 1998) از خطای ریشه میانگین مربع (RMSE) برای تخمین دقت موقعیت استفاده می کند. RMSE جذر میانگین مجموعه اختلاف مجذور بین مقادیر مختصات مجموعه داده و مقادیر مختصات از یک منبع مستقل با دقت بالاتر برای نقاط یکسان است. خطاهای موقعیت که به عنوان جابجایی یا اعوجاج نیز شناخته می شوند، به عنوان تفاوت بین مختصات واقعی اندازه گیری شده و فرضی درک می شوند.

ژانگ و گودچایلد [ 2 ] پیشنهاد می‌کنند که «معیارهای خطای ریشه میانگین مربع (RMSE) شاخص‌های مفیدی از خطاها در متغیرهای پیوسته هستند». آنها با ارجاع به انجمن فتوگرامتری و سنجش از راه دور آمریکا اظهار می دارند که…

یک تخمین تجربی و مکان خاص از عدم قطعیت‌های موقعیت را می‌توان از طریق آزمایش‌هایی در برابر یک منبع مستقل با دقت بسیار بالاتر تولید کرد (این رویکرد تا حدودی دایره‌ای ضروری است زیرا هیچ منبع مرجعی نمی‌تواند دقت کاملی داشته باشد). بسته به نیازهای خاص، منبع مستقل دقت بالاتر ممکن است از طریق نقشه برداری از زمین یا به دست آمده از عکاسی هوایی به دست آید.

برای n نقطه با خطا e i (i = 1, 2,····,n) که به عنوان تفاوت در مختصات بین مجموعه داده های مورد آزمایش و داده های مرجع دقیق تر مشاهده می شود، RMSE است

(6)

که در آن خطا e i فاصله بین یک نقطه داده آزمایشی یا مدل شده ( Xi ، Yi ) و یک نقطه داده مرجع مربوطه (Xo i ، Yo i ) است. به عبارت دیگر، برای مختصات دکارتی،

(7)

ما LRMSE را به عنوان ریشه افقی خطای میانگین مربعات (RMSE) محاسبه شده بین تعدادی از مجموعه های جفتی از نقاط واقع در امتداد چند خط شبکه جریان مشتق شده و مرجع تعریف می کنیم. بدین ترتیب،

(8)

الگوریتم ما برای استخراج LRMSE فرض می کند که دو مجموعه داده چند خطی در محیط GIS انتخاب می شوند: یکی شبکه جریان مشتق شده و دیگری شبکه جریان مرجع. برای هر چند خط در داده‌های مرجع، چند خط مرجع به m بخش‌هایی با طول مساوی بین n نقطه با فاصله مساوی تقسیم می‌شود، جایی که m = n – 1. سپس برای هر نقطه مرجع، نزدیک‌ترین نقطه روی چندخط مشتق‌شده مشخص می‌شود و فاصله (d i ) از آن نقطه در چند خط مشتق شده تا نقطه فعلی در چند خط مرجع محاسبه می شود ( شکل 3 را ببینید ). LRMSE سپس به صورت محاسبه می شود

(9)

با m = 100 و n = 101 برای داده های نمونه ما.

مقادیر LRMSE در یک جدول ویژگی جدید ذخیره می شوند. اگر یک شاخه جریان در شبکه مرجع در شبکه مشتق شده وجود نداشته باشد، LRMSE به عنوان -9999.99 گزارش می شود. الگوریتم به صورت شبه کد در جدول 2 خلاصه شده است .

LRMSE به‌عنوان معیاری برای سنجش دقت شبکه‌های جریان مشتق‌شده با شبکه‌های مرجع استفاده می‌شود. هرچه LRMSE کوچکتر باشد، تناسب بین داده های مشتق شده و مرجع نزدیک تر است. بر خلاف سینوسیتی نسبی، که در آن هدف تطبیق نزدیک مقدار محاسبه شده برای شبکه مشتق شده با مقدار محاسبه شده برای شبکه مرجع است، به جای حداکثر کردن مقدار، هدف با LRMSE به حداقل رساندن مقدار است، زیرا مقایسه با مرجع در محاسبه تعبیه شده است.

با این حال، مانند تکنیک سینوسی، تکنیک LRMSE نیز یک دام احتمالی دارد. دو چند خط ممکن است تا یک نقطه کاملاً مطابقت داشته باشند، اما یک چند خط ممکن است کوتاه‌تر باشد، که شاید نشان‌دهنده این است که در ترسیم دامنه کامل یک جریان شکست خورده است. در حالت ایده‌آل، از آنجایی که تکنیک LRMSE نزدیک‌ترین نقاط را در چند خطوط مقایسه می‌کند، LRMSE یک مقدار کم است که نشان‌دهنده تطابق نزدیک برای دسترسی مشترک است. اما نه می داد

شکل 3 . محاسبه LRMSE بین جریان مشتق شده و جریان مرجع.

جدول 2 . کد شبه برای محاسبه LRMSE.

نشان می دهد که یک پلی لاین طولانی تر از دیگری است. با این حال، همانطور که اجرا شد، به دلیل اینکه چند خط مرجع برای مقایسه با چند خط مشتق شده قطعه بندی می شود، اگر چند خط مرجع بسیار طولانی تر از چند خط مشتق شده باشد، تمام نقاط روی چند خط مرجع که فراتر از انتهای چند خط مشتق شده هستند، با چند خط مشتق شده مقایسه می شوند. نقطه پایانی چند خط مشتق شده، با افزایش فاصله جداسازی و افزایش LRMSE. با در نظر گرفتن این موضوع، شاید بهتر باشد تعیین کنیم که کدام چند خط دارای طول منحنی کوتاه‌تر و قطعه قطعه آن چندخط است و آن را با چند خط بلندتر مقایسه کنیم. در این مورد، پسوند چند خط طولانی نادیده گرفته می شود و LRMSE واقعاً مطابقت خوبی را نشان می دهد، به استثنای پسوند. چنین تغییری در کد توصیه می شود، اما هنوز پیاده سازی و آزمایش نشده است. راه حل دیگر،20 ]، عبارت است از کوتاه کردن دستی چند خط بلندتر به طوری که فقط از دسترسی مشترک برای مقایسه دو چند خط استفاده شود. مانند سینووسیت، هنگام استفاده از LRMSE، برخی تفسیرهای ذهنی از داده های عینی هنوز مورد نیاز است.

3.3. ملاحظات خاص

ملاحظات متعددی وجود دارد که باید در استفاده از این روش‌ها با چند خط، به‌ویژه زمانی که در محیط ArcView با استفاده از داده‌های قالب‌بندی شده چند خطی (معمولاً “shapefile”) پیاده‌سازی می‌شوند، در نظر گرفته شوند. ابتدا، پلی لاین ها باید در همان جهت “جریان” شوند. این بدان معناست که دو چند خط، در شبکه‌های جریان متفاوتی که در حال مقایسه هستند، باید به ترتیب یکسان، انتهای بالادست به انتهای پایین دست ساخته شوند. جهت “جریان” چند خطوط را می توان با استفاده از ابزار Line Direction Tool که توسط Jennesse Enterprises ( www.jennessent.com ) ایجاد شده، بررسی و در صورت لزوم معکوس کرد.

اگر جهت “جریان” باید تغییر کند، توجه دوم مربوط می شود. اگر داده‌های چند خطی شبکه جریانی حاوی خطوط ArcZ هستند، باید به چند خط استاندارد تبدیل شوند، زیرا خطوط ArcZ معمولاً قابل ویرایش نیستند. این را می توان به راحتی با استفاده از یک اسکریپت Avenue به نام PolyShape.Coverter که توسط Deshpande (2000) توسعه یافته است، انجام داد.

در نهایت، سومین نکته این است که چند خطوط به بررسی کیفیت بصری نیاز دارند تا اطمینان حاصل شود که مطابقت یک به یک بین بخش‌های چند خطی وجود دارد. این بدان معنا نیست که برای هر چند خط در فایل مرجع باید یک چند خط در شبکه جریان مشتق شده وجود داشته باشد. اگر چند خط مشتق شده یک پاره چند خطی نداشته باشد، بخش مرجع نادیده گرفته می شود. با این حال، بخش های متناظر در شبکه های چند خطی مرجع و مشتق شده باید دارای شماره شناسایی (ID) یکسان باشند. به عنوان مثال، در دو منطقه از سه منطقه جغرافیایی شبکه جریانی که توسط یانگ و همکاران مورد مطالعه قرار گرفت. (2010)، که در بخش بعدی مورد بحث قرار گرفت، تعداد چند خط در شبکه مرجع با تعداد چند خط در شبکه مشتق شده برابری کرد، بدون در نظر گرفتن درشتی ترسیم، و بخش های چند خط مربوطه به شناسه های منطبق اختصاص یافتند. با این حال، برای خطوط درشت تر در منطقه جغرافیایی سوم، تعداد چند خط بین شبکه های مرجع و مشتق شده متفاوت است. یک یا دو شاخه در فرآیند ترسیم ایجاد نشد. در جاهایی که انشعاب‌ها وجود نداشتند، فرآیند ترسیم در ایجاد چند خط مجزا در دو طرف شاخه شکست خورد، و در نتیجه یک چند خط طولانی در شبکه مشتق شده ایجاد شد که با دو چند خط کوتاه‌تر در شبکه مرجع نشان داده شد. بسته به اینکه کدام یک از سه شماره شناسه مرجع به چند خط مشتق شده اختصاص داده شده باشد، به طور خودکار با هر یک از دو چند خط مرجع کوتاهتر یا با شاخه گمشده در شبکه مرجع مقایسه شد. تعداد چند خط بین شبکه های مرجع و مشتق شده متفاوت است. یک یا دو شاخه در فرآیند ترسیم ایجاد نشد. در جاهایی که انشعاب‌ها وجود نداشتند، فرآیند ترسیم در ایجاد چند خط مجزا در دو طرف شاخه شکست خورد، و در نتیجه یک چند خط طولانی در شبکه مشتق شده ایجاد شد که با دو چند خط کوتاه‌تر در شبکه مرجع نشان داده شد. بسته به اینکه کدام یک از سه شماره شناسه مرجع به چند خط مشتق شده اختصاص داده شده باشد، به طور خودکار با هر یک از دو چند خط مرجع کوتاهتر یا با شاخه گمشده در شبکه مرجع مقایسه شد. تعداد چند خط بین شبکه های مرجع و مشتق شده متفاوت است. یک یا دو شاخه در فرآیند ترسیم ایجاد نشد. در جاهایی که انشعاب‌ها وجود نداشتند، فرآیند ترسیم در ایجاد چند خط مجزا در دو طرف شاخه شکست خورد، و در نتیجه یک چند خط طولانی در شبکه مشتق شده ایجاد شد که با دو چند خط کوتاه‌تر در شبکه مرجع نشان داده شد. بسته به اینکه کدام یک از سه شماره شناسه مرجع به چند خط مشتق شده اختصاص داده شده باشد، به طور خودکار با هر یک از دو چند خط مرجع کوتاهتر یا با شاخه گمشده در شبکه مرجع مقایسه شد. فرآیند ترسیم در ایجاد چند خط مجزا در دو طرف شاخه شکست خورد و در نتیجه یک چند خط طولانی در شبکه مشتق شده ایجاد شد که با دو چند خط کوتاهتر در شبکه مرجع نشان داده شد. بسته به اینکه کدام یک از سه شماره شناسه مرجع به چند خط مشتق شده اختصاص داده شده باشد، به طور خودکار با هر یک از دو چند خط مرجع کوتاهتر یا با شاخه گمشده در شبکه مرجع مقایسه شد. فرآیند ترسیم در ایجاد چند خط مجزا در دو طرف شاخه شکست خورد و در نتیجه یک چند خط طولانی در شبکه مشتق شده ایجاد شد که با دو چند خط کوتاهتر در شبکه مرجع نشان داده شد. بسته به اینکه کدام یک از سه شماره شناسه مرجع به چند خط مشتق شده اختصاص داده شده باشد، به طور خودکار با هر یک از دو چند خط مرجع کوتاهتر یا با شاخه گمشده در شبکه مرجع مقایسه شد.

برای حل این مشکل، چند خطوط مشتق شده طولانی‌تر به صورت دستی در محل شاخه‌های از دست رفته شکسته شدند و شناسه‌های چند خطوط در مجموعه داده مشتق‌شده برای اطمینان از تطابق بین چند خط مرجع متناظر و چند خط مشتق‌شده تغییر کردند، به طوری که چند خطوط مشتق شده به درستی با آن مقایسه شدند. چند خطوط مرجع مربوطه ( شکل 4 را ببینید ).

ارزیابی دقت یک شبکه جریان مانند آنچه در شکل 1 نشان داده شده است، شامل محاسبات مکرر فاصله بین دو نقطه است. 33 بخش چند خطی در شبکه نشان داده شده است. هر بخش چند خطی از چندین بخش خط مستقیم تشکیل شده است. هر پاره خط مستقیم با دو نقطه (یا رئوس) و هر نقطه (یا رأس) با دو مختصات (یک جفت مرتب شده) تعریف می شود. پیچیدگی انجام ارزیابی کیفیت داده ها در این شبکه بسیار مشهود است. علاوه بر این، مختصات (راس) می تواند در هر یک از تعداد زیادی از سیستم های مختصات، بر اساس پیش بینی نقشه وجود داشته باشد. GIS و زبان‌های برنامه‌نویسی مرتبط برای برخورد با همه سیستم‌های مختصات و برای تبدیل مختصات بین سیستم‌ها که امکان ارزیابی دقت شبکه‌های جریانی را در هر پیش‌بینی‌شده (مثلاً

4. کاربرد و نتایج

الگوریتم های سینوسیتی نسبی و LRMSE ارائه شده در اینجا برای مقایسه و ارزیابی کیفیت تعدادی از جریان ها و شبکه های جریان مشتق شده از LiDAR استفاده شد. یانگ و همکاران (2010) از تکنیک‌ها برای مقایسه شبکه‌های کانال جریان مشخص شده از مدل‌های ارتفاعی دیجیتال مشتق شده از LiDAR برای حوضه‌های آبخیز نهر خشک، اسلیت کریک و رینولدز کریک در آیداهو، ایالات متحده استفاده کرد. شکل 5 میانگین سینوسیتی را برای سه ناحیه مورد مطالعه نشان می دهد. شکل 6 نسبت های سینوسیتی مشتق شده (یا نمونه) به سینوسیته مرجع را برای سه ناحیه مورد مطالعه نشان می دهد.

شکل 4 . شکستن دستی چند خطوط برای اطمینان از مطابقت یک به یک.

شکل 5 . میانگین سینوسیتی برای شبکه های جریانی که از DEM های مشتق شده از LiDAR مشخص شده است.

شکل 6. سینوسیتی نسبی (مشتق شده/مرجع) برای شبکه های جریانی که از DEM های مشتق شده از LiDAR مشخص شده اند.

مقدار 1.0 نشان‌دهنده تطابق کامل در سینوسیته است، اگرچه لزوماً مطابقت کاملی از چند خطوط نیست. توجه داشته باشید که، برای رینولدز کریک، اندازه سلول 30 متری یک سینوسیتی ایجاد می کند که بیشترین تطابق را با مرجع دارد. برای درای کریک، اندازه سلول 10 متری، سینوسیتی ایجاد می‌کند که بیشتر با مرجع مطابقت دارد. و برای Slate Creek، اندازه سلول 50 متری باعث ایجاد سینوسیتی می شود که بیشترین تطابق را با مرجع دارد.

شکل 7 میانگین LRMSE را برای شبکه های جریان مشتق شده در مقابل شبکه های جریان مرجع برای سه منطقه مورد مطالعه نشان می دهد. توجه داشته باشید که، به طور کلی، LRMSE کاهش می یابد (نشان دهنده تطابق بهتر) با کاهش اندازه سلول. بحث بیشتر در مورد این نتایج را می توان در یانگ و همکاران یافت. (2010).

اندرسون و ایمز (2010) از تکنیک‌های سینوسی و LRMSE برای ارزیابی یک روش جدید ترسیم شبکه جریان استفاده کردند که مستقیماً از داده‌های ابر نقطه LiDAR کار می‌کند، برای ورودی نهر Fishhook در دریاچه Redfish، در شهرستان کاستر، آیداهو. در این مورد، ترسیم LiDAR با ترسیم شبکه جریان سلولی شبکه سنتی مبتنی بر DEM، دو مجموعه داده جریان استاندارد، و یک جریان مرجع بسیار دقیق که از پروژه ملی تصویربرداری کشاورزی با وضوح 1 متر یا عکس‌برداری هوایی NAIP ردیابی شده است، مقایسه شد ( جدول 3 را ببینید.). توجه داشته باشید که، در حالی که LRMSE نشان می‌دهد که ترسیم ابر نقطه LiDAR تطابق بسیار بهتری با مرجع دارد، ترسیم مبتنی بر DEM یک سینوسیتی نسبی ایجاد می‌کند که نزدیک‌ترین نقطه با مرجع مطابقت دارد. این امر از احتیاط ارائه شده در بخش 3.1 حمایت می کند که تطبیق سینوسیته ها لزوماً به این معنی نیست که چند خطوط مطابقت دارند. فقط میزان پیچش مشابه است. LRMSE از بین دو معیار برای تعیین تطابق بهتر است. اگرچه چند خط مرجع و مشتق شده از نظر طول متفاوت بودند، چند خطوط بلندتر به صورت دستی برای مقایسه منصفانه دسترسی رایج کوتاه شدند.

5. نتیجه گیری

شبکه های چند خطی را می توان از نظر دقت نسبی از نظر سینوسیتی و LRMSE مقایسه کرد تا ارزیابی کمی از کیفیت داده ها ارائه شود. نه سینوسیته و نه LRMSE نباید کورکورانه استفاده شوند. هر دو نیاز به تفسیر ذهنی دارند تا اطمینان حاصل شود که آنها به درستی مورد استفاده قرار می گیرند و هیچ ناهنجاری داده ای وجود ندارد، مانند طول چند خط بسیار متفاوت. با این وجود، با استفاده از این تکنیک‌ها برای مقایسه چند خط یا شبکه‌های چند خطی، می‌توان مقایسه‌های دقیقی از خطوط کانال جریان را که برای مثال در مفروضات اعمال شده یا فرآیندهای مشتق به کار گرفته شده متفاوت هستند، بررسی کرد. در حالی که به نظر می رسد LRMSE یک تکنیک به طور کلی مناسب تر است، هر دو زمانی که به درستی مورد استفاده و بررسی قرار گیرند، بینش ارزشمندی را ارائه می دهند. هر دو تکنیک بوده است

شکل 7 . LRMSE برای DEM های مشتق شده از LiDAR.

جدول 3 . نمونه ای از نتایج سینوسیتی و LRMSE (Fishhook Creek).

* نسبت به مرجع NAIP.

دنی ال. اندرسون، دانیل پی. ایمز، پینگ یانگ (7،21)”>7] دیگری روش جدیدی را برای ترسیم کانال های جریان مستقیماً از ابرهای نقطه LiDAR [ 20 ]، بدون مرحله میانی استخراج DEM نشان داد. نشان داده شد که ترسیم مستقیم ابرهای نقطه LiDAR مطابقت عالی و بسیار بهتری را به همراه داشت، همانطور که توسط LRMSE نشان داده شده است.

منابع

  1. Goodchild, MF and Gopal, S. (1989) The Accuracy of Spatial Databases. CRC Press، بوکا راتون.  [زمان(های استناد): 1]
  2. Zhang، J. و Goodchild، MF (2002) عدم قطعیت در اطلاعات جغرافیایی. CRC Press، بوکا راتون. https://dx.doi.org/10.4324/9780203471326  [زمان(های استناد): 3]
  3. Congalton، RG (2001) ارزیابی دقت و اعتبارسنجی سنجش از دور و سایر اطلاعات فضایی. مجله بین المللی آتش وحشی، 10، 321-328.  [زمان(های استناد): 1]
  4. Jenson, S. and Domingue, J. (1988) استخراج ساختار توپوگرافی از داده های ارتفاعی دیجیتال برای تجزیه و تحلیل سیستم اطلاعات جغرافیایی. مهندسی فتوگرامتری و سنجش از دور، 54، 1593-1600.  [زمان(های استناد): 1]
  5. Tarboton, DG, Bras, RL and Rodriguez-Iturbe, I. (1991) در مورد استخراج شبکه های کانال از داده های ارتفاعی دیجیتال. فرآیندهای هیدرولوژیکی، 5، 81-100. https://dx.doi.org/10.1002/hyp.3360050107
  6. Olivera, F. (2001) استخراج اطلاعات هیدرولوژیکی از داده های فضایی برای مدلسازی HMS. مجله مهندسی هیدرولوژی، 6، 524-530. https://dx.doi.org/10.1061/(ASCE)1084-0699(2001)6:6(524)  [زمان(های استناد): 1]
  7. Yang, P., Ames, D., Glenn, N. and Anderson, D. (2010) اثرات تفکیک DEM مشتق شده از LiDAR بر استخراج ویژگی هیدروگرافی. چکیده نشست پاییز AGU، 7.  [زمان(های استناد): 3]
  8. Leopold, LB, Wolman, MG, Wolman, MG and Wolman, MG (1957) الگوهای کانال رودخانه: بافته شده، پرپیچ و خم، و مستقیم. دفتر چاپ دولت ایالات متحده، واشنگتن دی سی.  [زمان(های استناد): 1]
  9. Friedkin, JF (1945) مطالعه آزمایشگاهی پیچ و خم رودخانه های آبرفتی.
  10. Schumm, S. (1963) سینوسیت رودخانه های آبرفتی در دشت های بزرگ. بولتن انجمن زمین شناسی آمریکا، 74، 1089- 1100. https://dx.doi.org/10.1130/0016-7606(1963)74[1089:SOAROT]2.0.CO;2
  11. Leopold، LB، Wolman، MG و Miller، JP (2012) فرآیندهای رودخانه ای در ژئومورفولوژی. انتشارات پیک دوور، مینولا.
  12. Mueller, JE (1968) Introduction to the Hydraulic and Topographic Sinuosity Indexs 1. Annals of the Association of American Geographers, 58, 371-385. https://dx.doi.org/10.1111/j.1467-8306.1968.tb00650.x
  13. Chorley, R., Schumm, S. and Sugden, D. (1984) Geomorphology, 1984. Methuen, London.   [زمان(های استناد): 1]
  14. Begin, ZB (1985) یادداشتی در مورد رابطه بین انرژی جریان و سینوسیتی جریان. تحقیقات جاری GSI، 5، 77-78.   [زمان(های استناد): 1]
  15. Ebisemiju، F. (1994) سینوسیت کانال های رودخانه آبرفتی در محیط گرمسیری مرطوب فصلی: مطالعه موردی رودخانه المی، جنوب غربی نیجریه. کاتنا، 21، 13-25. https://dx.doi.org/10.1016/0341-8162(94)90028-0   [زمان(های) نقل قول: 1]
  16. Aswathy, M., Vijith, H. and Satheesh, R. (2008) عوامل مؤثر بر سینوسیته رودخانه پاناگون، کوتایام، کرالا، هند: ارزیابی با استفاده از سنجش از دور و GIS. پایش و ارزیابی محیط زیست، 138، 173-180. https://dx.doi.org/10.1007/s10661-007-9755-6   [Citation Time(s):1]
  17. Downward, S., Gurnell, A. and Brookes, A. (1994) یک روش برای تعیین کمیت تغییر پلان کانال رودخانه با استفاده از GIS. انتشارات IAHS-Series of Proceedings and Reports-Intern Assoc Hydrological Sciences, 224, 449-456.   [زمان(های استناد): 1]
  18. هیو، جی.، دوک، TA، چو، H.-S. و چوی، S.-U. (2009) خصوصیات و پیش بینی مهاجرت کانال های پرپیچ و خم در محیط GIS: مطالعه موردی رودخانه سابین در ایالات متحده آمریکا. پایش و ارزیابی محیط زیست، 152، 155-165. https://dx.doi.org/10.1007/s10661-008-0304-8   [Citation Time(s):1]
  19. کمیته، FGD (1998) استانداردهای دقت موقعیت یابی جغرافیایی، قسمت 3: استاندارد ملی برای دقت داده های مکانی. کمیته فرعی برای داده های کارتوگرافی پایه، 25 ص.   [زمان(های استناد): 1]
  20. Anderson, DL and Ames, DP (2011) روشی برای استخراج مسیرهای جریان کانال جریان از داده های ابر نقطه ای LiDAR. مجله هیدرولوژی فضایی، 11، 17 ص.   [زمان(های استناد): 3]
  21. راهنمای، E. (1993) رودخانه هیدرولیک.   [زمان(های استناد): 1]
  22. McCuen, R. (1998) طراحی و تجزیه و تحلیل هیدرولوژیکی. پرنس هال، نیوجرسی، 814.   [زمان(ها):1]

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید