رویکردی مبتنی بر تصاویر Landsat برای نظارت بر خط ساحلی برای حمایت از مدیریت یکپارچه ساحل – مطالعه موردی، Ezbet Elborg، دلتای نیل، مصر

خلاصه

نظارت بر رفتار دینامیکی خطوط ساحلی یک عامل ضروری برای مدیریت یکپارچه ساحلی (ICM) است. در این مطالعه، خطوط ساحلی مشتق از ماهواره و مناطق فرسایش یافته و تجمع یافته مربوط به مناطق ساحلی به مدت 15 کیلومتر در امتداد سواحل ازبت البورگ، دلتای نیل، مصر محاسبه و ارزیابی شده است. یک رویکرد توسعه‌یافته بر اساس تصاویر ماهواره‌ای Landsat همراه با GIS برای تخمین دقیق تغییرات خط ساحلی و مطالعه تأثیر دیواره‌های دریایی بر آن طراحی شده است. تصاویر Landsat برای دوره زمانی 1985 تا 2018 با استفاده از ماشین‌های بردار پشتیبانی شده (SVM) تصحیح و طبقه‌بندی می‌شوند و سپس با استفاده از ArcGIS برای تخمین اثربخشی دیوار دریایی که در سال 2000 ساخته شده بود پردازش می‌شوند. نتایج ارزیابی دقت نشان می‌دهد که SVMها دقت تصاویر را بهبود می‌بخشند.
تا 92 62٪ و خط ساحلی شناسایی شده با روش پیشنهادی با اندازه‌گیری‌های RTK-GPS همبستگی زیادی دارد (0.87). علاوه بر این، تجزیه و تحلیل تغییر خط ساحلی فرسایش چشمگیر 2.1 کیلومتر را نشان می دهد2 در شرق ازبت البورگ دیوار دریایی رخ داده است. همچنین مجموع سطح برافزایش در امتداد ضلع جنوب شرقی منطقه مورد مطالعه به ترتیب برابر با 4.40 کیلومتر مربع و 10.50 کیلومتر مربع در فاصله سال‌های 1985-2000 و 2000-2018 است.

کلید واژه ها:

مدیریت یکپارچه ساحلی ; دلتای نیل ؛ GIS ; تصاویر لندست ; ماشین های بردار پشتیبانی شده ; ارزیابی دقت ; دیواره دریا

1. معرفی

مناطق ساحلی برای کشورهایی با مناطق ساحلی پرجمعیت بسیار مهم است. در نتیجه، نگرانی در مورد آینده آنها وجود دارد، به ویژه در مورد وضعیت منابع طبیعی آنها، که پشتیبانی زندگی و فرصت هایی را برای توسعه اقتصادی و گردشگری فراهم می کند [ 1 ]. به همین دلیل، مدل هایی برای پشتیبانی از مدیریت یکپارچه ساحلی (ICM) [ 2 ] توسعه یافته است.
از این منظر، مدیریت ساحلی به منظور شکل‌دهی به اهداف اقتصادی و اجتماعی، به‌ویژه برای مکان‌هایی با منابع دریایی بزرگ، اهمیت حیاتی دارد. برای دستیابی به چنین اهدافی، بررسی‌های نظارتی ساحلی برای جمع‌آوری داده‌های مفید برای مطالعه تکامل ساحل و واکنش‌های طوفان، شناسایی مکان‌های مناسب برای ساخت بنادر، طرح حفاظت از خط ساحلی، حفاظت از اکوسیستم، تغذیه و فعالیت‌های لایروبی [ 3 ] ایجاد شده‌اند.
ازبت البورگ یکی از محوری ترین شهرهای سواحل مصر است که در شمال شرقی دلتای نیل به نام شعبه دمیتا واقع شده است. ماهیگیری فعالیت اجتماعی-اقتصادی اصلی این منطقه ساحلی است که حدود 60 درصد از تمام فعالیت های ماهیگیری مصر در ازبت البورگ وجود دارد، در حالی که کشاورزی و دامپروری تا حد مشخصی کمک می کند [ 4 ]. قبل از ساخت سد بلند اسوان (AHD)، تخلیه رسوبات از شاخه دامیتا به دریای مدیترانه حدود 0.6 تا 1.8 میلیون متر مکعب در سال تخمین زده شد [ 5 ]] که باعث پیشروی خط ساحلی به سمت دریا شد. پس از ساخت AHD، ساحل به طور چشمگیری شروع به فرسایش کرد زیرا جریان و رسوبات تخلیه شده به دریا بسیار ناچیز شد. بر این اساس، ساحل دامیتا از سال 1970 از فرسایش شدید رنج می برد [ 6 ]. بنابراین، در سال 2000، دولت مصر به نمایندگی از سازمان حفاظت از ساحل (SPA)، یک دیوار دریایی به طول 6 کیلومتر برای محافظت از این منطقه در برابر فرسایش ساخت. همچنین بر اساس طرح توسعه استان دمیتا، یک بندر ماهیگیری جدید در این منطقه پیشنهاد شده است تا زمینه حیات و فرصت های توسعه اقتصادی فراهم شود. به همین دلیل، این مطالعه برای حمایت از مدیریت و نظارت بر تغییرات منطقه ساحلی در منطقه Ezbet Elborg مفید خواهد بود.
نظارت بر خط ساحلی به طور گسترده ای از طرح ها و سیاست های ICM حمایت کرده است. به عنوان مثال، دیباج نیا و همکاران. [ 7 ] یک طرح ملی مدیریت خط ساحلی (SMP) به سازمان بنادر و دریانوردی ایران ارائه کرد که برای رسیدگی به مشکلات موجود سواحل و تنظیم سیاست هایی که مدیریت خطوط ساحلی را به عنوان بخشی از سیاست ICM در ارتباط با توسعه موجود و برنامه ریزی شده در مناطق ساحلی نشان می دهد مفید است. گونکالوس و وانگ [ 1] سه مورد از متداول‌ترین روش‌های نظارت بر خط ساحلی مبتنی بر GPS را ارزیابی کرد: روش‌های سینماتیک نسبی (RK)، سینماتیک زمان واقعی (RTK) و موقعیت‌یابی نقطه‌ای دقیق (PPP). نتایج آنها مسائل و ملاحظات مهم را در انتخاب یک روش GPS مقرون به صرفه برای نقشه‌برداری تغییرات خط ساحلی، به ویژه برای حمایت از سیاست‌های ICM، برجسته کرد. والنتینی و همکاران [ 3] یک سیستم نظارتی را ارائه کرد که در سال 2015 در منطقه آپولیا (جنوب ایتالیا) با هدف حمایت از فعالیت های مدیریت و نظارت بر مناطق ساحلی مستقر شد. ایستگاه‌های ویدئویی در دو مکان مختلف نصب می‌شوند که با موقعیت جغرافیایی متفاوت و آب و هوای موج مشخص می‌شوند. استخراج خط ساحلی و پردازش پس از داده‌ها بر اساس الگوریتم‌های جدیدی است که به طور خودکار روی تصاویر Timex کار می‌کنند و محاسبه‌ای از تکامل خط ساحلی و پروفایل‌های متقاطع ارائه می‌دهند. سیستم ویدئویی به کار گرفته شده، روش‌های واقعی موجود برای استخراج خط ساحلی را بهبود می‌بخشد. ساماراس و کوتیتاس [ 8] یک مدل تکامل خط ساحلی جدید برای تعیین کمیت تأثیر مدیریت آبخیز بر مورفولوژی سواحل، با استفاده از یک رویکرد روش‌شناختی یکپارچه ارائه کرد. این رویکرد مبتنی بر در نظر گرفتن حوضه و ساحل به عنوان یک پیوستار فضایی – زمانی در چارچوب ICM با استفاده از قابلیت‌های مدل‌سازی عددی برای شبیه‌سازی تکامل پدیده‌ها در هر دو زمینه و در نتیجه کمی کردن همبستگی آنها است. از سوی دیگر، برای بهبود مفاهیم ICM، درک و آگاهی بهتر از دینامیک سواحل و فرسایش خط ساحلی ناشی از سازه‌های سخت مانند دیواره‌های دریایی لازم است. بسیاری از مطالعات اثر ساخت دیوارهای دریایی بر سواحل مجاور و دینامیک ساحلی را بررسی کرده اند. اسماعیل و السید [ 9] مورفولوژی کف دریا و پروفیل‌های متقاطع ساحل در مقابل دیوارهای دریایی روزتا را که در سال 1990 در خط ساحلی دلتای نیل برای کاهش فرسایش ساحلی سرچشمه پس از عملیات (AHD) در سال 1965 ساخته شد، مورد بررسی قرار داد. نتایج نشان داد که یک جزء قابل توجهی از آبشستگی رسوب، در مقابل دیواره دریا، به عنوان یک جریان انتقال رسوب دریایی آشکار می شود. پس از آن این جریان دریایی در امتداد ساحل منحرف می شود و به تجمع رسوب به پایین رانش دیواره دریا کمک می کند. بالاجی و همکاران [ 10] اثرات دیوار دریایی در امتداد سواحل فنسا، هند را با استفاده از ترکیبی از مدل‌سازی عددی، مدل‌سازی نظری و ژئوانفورماتیک مورد مطالعه قرار داد. آنها دریافتند که ساخت دیوار دریایی منجر به فرسایش رو به خشکی در حدود 20 متر در جهت پایین رانش دیواره دریا، در عرض یک سال پس از ساخت شد. همچنین پیش‌بینی می‌شود که ساحل قبل از رسیدن به حالت تعادل تا سال 2014، 20 متر دیگر فرسایش یابد. تقریباً 40 متر در ضلع شمالی دیواره دریا.
نظارت طولانی مدت تغییرات خطوط ساحلی توسط بررسی های میدانی جامع پرهزینه، کار فشرده و زمان بر است. بنابراین، با توجه به در دسترس بودن تصاویر ماهواره‌ای در تاریخ‌های مختلف برای مکان‌های مشابه، سنجش از دور یکی از بهترین راه‌حل‌ها برای نظارت بر تغییرات ساحلی در یک دوره طولانی است، زیرا روشی مقرون‌به‌صرفه است [ 11 ، 12 ، 13 ، 14 ].
استخراج ویژگی های تصاویر ماهواره ای توسط چندین محقق مورد مطالعه قرار گرفته است. به عنوان مثال، شاخص تفاوت نرمال شده آب (NDWI) همراه با سیستم قرمز، سبز و آبی (RGB) حدود بسیار خوبی از خط ساحلی را ارائه می دهد [ 15 ]. دی و همکاران [ 16 ] یک روش نیمه خودکار برای استخراج خط ساحلی از یک تصویر ماهواره ای تجاری مشاهده زمین (IKONOS) ارائه کرد. این روش بر اساس تقسیم بندی میانگین شیفت، شناسایی بدنه آب اصلی، استخراج اولیه خط ساحلی و پالایش خط ساحلی است. دویدار و فریهی [ 17] از نرم افزار تحلیل دیجیتال خط ساحلی (DSAS) برای محاسبه نرخ سالانه تغییرات ساحل برای تشخیص پاسخ قبل و بعد از ساحل به سازه های حفاظتی ساخته شده در شمال غرب دلتای نیل استفاده کرد. آنها دریافتند که داده های تاریخی Landsat را می توان برای تجزیه و تحلیل تشخیص تغییر خطوط ساحلی بسیار پرانرژی که به سرعت تغییر می کند، استفاده کرد. ال بانا و هرهر [ 18 ] تغییرات خط ساحلی زمانی را با تجزیه و تحلیل تصاویر ماهواره‌ای Landsat برای سواحل مدیترانه شمال سینا برای سال‌های 1986 و 2001 برای نظارت بر تغییرات خطوط ساحلی و ویژگی‌های رسوب مرتبط با آنها شناسایی کردند. جیانینی و پارنت [ 19] از تصاویر چندطیفی Quickbird برای استخراج خط ساحلی استفاده کرد که در آن، بخش‌بندی با استفاده از تمام باندهای چند طیفی مجموعه داده ماهواره‌ای انجام می‌شود. سپس، طبقه‌بندی با استفاده از هر دو تصویر تقسیم‌بندی شده و همچنین نقشه NDVI (شاخص تفاوت عادی شده گیاهی) برای تمایز دقیق بین آب و بدون آب برای استخراج خطوط ساحلی انجام می‌شود. مطالعات متعددی برای استخراج خط ساحلی از طریق تصاویر ماهواره ای از راه دور توسط منابع [ 20 ، 21 ، 22 ، 23 ، 24 ، 25 ] مورد بحث قرار گرفته است. همچنین، نقشه برداری خطوط ساحلی با استفاده از رویکردهای نظارت شده مانند تکنیک های یادگیری ماشین انجام شد. ژانگ و همکاران [ 26] الگوریتم طبقه بندی ماشین بردار پشتیبان (SVM) را برای استخراج خط ساحلی ارائه کردند، آنها توابع مختلف هسته SVM مانند Polynomial، Radial base و Sigmoid را بررسی کردند و دریافتند که عملکرد هسته Sigmoid عملکرد بهتری از سایر توابع دارد. یون و میونگ [ 27 ] روش مبتنی بر شاخص آب و الگوریتم SVM را برای ترسیم خطوط ساحلی دقیق با استفاده از تصاویر ماهواره ای با وضوح بالا مقایسه کردند. نتایج نشان داد که هر دو تکنیک به طور دقیق مناطق ساحلی را با SVM شناسایی کردند که از شاخص آب برای مناطق ساحلی با اشکال نامنظم و مناطق سایه دار بهتر عمل کرد.
وضوح تصاویر ماهواره ای محدودیت اصلی برای نقشه برداری است که بر دقت و دقت حاکم است. با این حال، مناطق ساحلی از نظر فضایی و نوری پیچیده‌تر هستند و به نمونه‌برداری فضایی و طیفی مکرر بیشتری نیاز دارند تا توانایی نظارت و ارزیابی پویایی فرآیندهای ساحلی را افزایش دهند [ 28 ، 29 ، 30 ، 31 ، 32 ، 33 ]. با وجود این، تعداد کمی از این مطالعات دقت خطوط ساحلی مشتق شده را از طریق تکنیک طبقه بندی تصویر، به ویژه در مصر بررسی کردند.
هدف از این مطالعه بررسی تغییرات خط ساحلی در شمال شرقی دلتای نیل مصر است که به دلیل ترکیبی از عوامل طبیعی و انسانی در معرض تغییرات آشکار در خط ساحلی قرار دارد. ساخت سدهایی در سراسر رودخانه نیل، مانند AHD، جریان رسوب به دریا را کاهش می دهد. در نتیجه، فرسایش ساحلی در دلتا ایجاد می شود. این فرسایش به دلیل سازه های سخت مانند اسکله ها، موج شکن های جدا شده و دیواره های دریا در دماغه های فرسایش یافته کاهش یافته است. این مطالعه در منطقه Ezbet Elborg، در شمال شرقی دلتای نیل، مصر، برای حمایت از مدیریت و نظارت بر تغییرات منطقه ساحلی اجرا شده است. این مکان به این دلیل انتخاب شد که فعالیت‌های اقتصادی-اجتماعی متعددی در حال انجام است. بنابراین، مطالعه حاضر برای طراحی بندر ماهی پیشنهادی در این مکان مفید خواهد بود. برای دستیابی به این اهداف، یک روش جدید برای ارزیابی تغییر خط ساحلی بر اساس ترکیبی از طبقه‌بندی SVMs برای تصاویر Landsat و GIS برای بهبود دقت تخمین خط ساحلی توسعه داده شده است. بر این اساس، تغییرات خطوط سواحل هر پنج سال یکبار در بازه زمانی 1985 تا 2018 شامل اثرات دیواره دریا مورد ارزیابی قرار می‌گیرد. پژوهش حاضر به شرح زیر سازماندهی شده است. مقدمه با پیشرفته ترین مشکل شروع می شود. سپس اطلاعات منطقه مورد مطالعه و فرآیندهای ساحلی مربوطه ارائه می شود. در بخش بعدی جزئیات تصاویر لندست جمع آوری شده، توضیح مختصری از تکنیک SVM ها معرفی می شود، روش های ارزیابی دقت برای تصاویر طبقه بندی شده ارائه می شود. همچنین، روش پیشنهادی برای تشخیص تغییرات خط ساحلی. سپس نتایج به‌دست‌آمده ارائه شده و با داده‌های میدانی مقایسه می‌شود.

2. منطقه مطالعه

این مطالعه در امتداد خط ساحلی شهر Ezbet Elborg واقع در کنار نوک دماغه Damietta در شمال شرقی ساحل دلتای نیل انجام شد. خط ساحلی منطقه مورد مطالعه در حدود 15 کیلومتری شرق دامیتا با دیوار دریایی به طول 6 کیلومتر امتداد دارد که در سال 2000 در امتداد سمت شرقی دهانه نیل برای محافظت از ساحل در برابر فرسایش ساخته شد همانطور که در شکل 1 نشان داده شده است.. منطقه مورد مطالعه بین عرض‌های جغرافیایی 31°26’00” شمالی تا 31°32’00” شمالی و طول جغرافیایی 31°54’00” شرقی تا 32°20’00” شرقی قرار دارد. ساحل منطقه از ماسه کوارتز سست ادغام شده تشکیل شده است. با مقادیر کمی مواد معدنی سنگین و قطعات پوسته. علاوه بر این، جنوب شرقی منطقه مورد مطالعه با توسعه تف های شنی به دلیل رسوبات ساحلی که توسط امواج غالب شمال غربی در امتداد ساحل دلتای نیل به سمت شرق منتقل می شود، متمایز می شود. علاوه بر این، شکل خط ساحلی شبه مقعر به تکامل تف ماسه کمک می کند [ 34]. اندازه گیری موج جهتی برای منطقه مورد مطالعه در سال 2010 نشان داد که حداکثر ارتفاع موج ثبت شده در طول طوفان تقریبا 6.0 متر است، در حالی که ارتفاع موج قابل توجه 4.2 متر از شمال است. حداکثر دوره موج اوج ماهانه بین 7.0 و 13.2 ثانیه متغیر است. جهت یک موج غالب در سراسر از بخش N-NW (86٪) برای همه ماه ها (عمدتا از جهت NNW (49٪) است. حرکت جریان ساحلی به طور کلی به سمت شرق با سرعت متوسط ​​حدود 34 سانتی متر بر ثانیه است. ساحل دماغه Damietta ماهیت نیمه شبانه جزر و مدی با دامنه ای از مرتبه 25-30 سانتی متر است [ 35 ].

3. مواد و روشها

3.1. تصاویر ماهواره ای و پیش پردازش

مجموعه ای از تصاویر Landsat در این مطالعه هر پنج سال یکبار بین سال های 1985 و 2018، همانطور که در جدول 1 ارائه شده است، استفاده شد . هشت تصویر Landsat در دوره زمانی بین 1985-2018 در نظر گرفته شد. این تصاویر از سازمان زمین شناسی ایالات متحده (USGS) Earth Explorer Web Tool ( https://earthexplorer.usgs.gov/ ) دانلود شده است. اکثر تصاویر لندست با کیفیت خوب و کمترین پوشش ابری هستند. همچنین، مجموعه داده های ماهواره ای سری زمانی باید در سطوح جزر و مدی مشابه جمع آوری شود تا خطوط ساحلی در زمان های مختلف همانطور که در جدول 1 نشان داده شده است ، مقایسه شود.
اعوجاج هندسی معمولاً در طول اکتساب به داده های ماهواره ای وارد می شود. آنها ناشی از عوامل متعددی از جمله نگرش (غلت، زمین و انحراف) یا به عبارت دیگر چرخش زمین و اعوجاج پانوراما هستند. بنابراین، مختصات صحنه سنجش از دور با یک نقشه استاندارد منطبق نیست و مختصات نقطه ثابت از تصویری به تصویر دیگر متفاوت است. از این رو، تصحیح هندسی (تصحیح) برای حذف ناهنجاری های هندسی و ایجاد یک نمایش وفادار از صحنه اصلی با تصحیح خطاهای مکان پیکسل و ایجاد همزمانی بین ویژگی های زمین و موقعیت نادرست در سراسر تصویر مورد نیاز است [ 38 ]. تصحیح هندسی هر تصویر Landsat با استفاده از روش های استاندارد [ 38 ] انجام می شود]. ابتدا داده‌های مختصات تصویر (یعنی خطوط و پیکسل‌ها) با انتخاب جفت‌های GCP – یکی از تصویر و دیگری از نقشه – به مختصات جغرافیایی (یعنی طول و عرض جغرافیایی یا UTM و غیره) تبدیل می‌شوند. همان مکان این کار برای چندین مکان در کل صحنه تکرار می شود تا زمانی که بهترین تناسب تبدیل ایجاد شود. این فرآیند که اصلاح نام دارد، اعوجاج در تصویر ورودی را اصلاح می کند. سپس، تصویر تصحیح‌شده مجدداً نمونه‌برداری می‌شود، زیرا موقعیت پیکسل‌ها در تصویر اصلاح‌شده هندسی با پیکسل‌های موجود در تصویر اصلی متفاوت است، نرم‌افزار یک استراتژی نمونه‌گیری از پیش تعریف‌شده را دنبال می‌کند تا تعیین کند که کدام پیکسل‌های منبع باید برای تعریف هر پیکسل ژئورفرنس شده استفاده شوند [ 38 ] ].

3.2. طبقه بندی تصاویر

طبقه بندی تصویر خط ساحلی برای بهبود دقت تغییر خط ساحلی استخراج شده ساخته شد. تکنیک‌های طبقه‌بندی تصویر بر عوامل بسیاری مانند پیچیدگی چشم‌انداز در منطقه مورد مطالعه، داده‌های سنجش از راه دور انتخاب شده، انتخاب روش‌های طبقه‌بندی مناسب و ارزیابی دقت طبقه‌بندی متکی است [ 39 ].
در این مقاله، SVMها برای استخراج خط ساحلی از تصاویر سنجش از دور استفاده شدند. الگوریتم طبقه بندی SVM بهترین روش برای مسائل نمونه کوچک، غیرخطی و ابعاد بالا در نظر گرفته می شود [ 40 ]. SVM از نظر سرعت آموزش و دقت طبقه بندی نسبت به سایر تکنیک ها هنگام استفاده برای طبقه بندی تصاویر سنجش از دور عملکرد بالاتری دارد. نیازی به کاهش ابعاد داده نیست. مشکلات رایج شبکه‌های عصبی مصنوعی و روش‌های دیگر، مانند مشکلات مرتبط با شناسایی ساختار شبکه، یادگیری بیش از حد و حداقل‌های محلی [ 26 ] را حل می‌کند.
اساساً ایده اصلی SVM انتخاب یک ابر صفحه بهینه است که می تواند برای طبقه بندی خطی الگوهای قابل تفکیک استفاده شود. سطح بهینه فوق را می توان به عنوان صفحه ای تعریف کرد که فاصله از سطح فوق العاده را تا نزدیکترین نقطه هر الگو که حاشیه نامیده می شود را به حداکثر می رساند. همانطور که در شکل 2 الف نشان داده شده است، صفحات بیش از حد زیادی وجود دارد اما تنها یکی می تواند ماکزیمم حاشیه را بین دو کلاس ارائه دهد ( شکل 2 ب) به نام سطح بهینه. بردارهای پشتیبان، نقاطی هستند که روی مرز حاشیه قرار دارند و ابرصفحه حداکثر حاشیه را مشخص می‌کنند.

SVM از سطح طبقه‌بندی بهینه در صورت جداسازی‌پذیر خطی، برای مجموعه‌های داده {xi ، y i } ( i = 1 ، . . ..، k) که در آن x ϵ R N در فضای N بعدی و y ϵ {− توسعه داده شده است. 1، +1}. ایده اصلی آن یافتن سطح طبقه بندی بهینه (هیپرپلن) بین دو نوع مجموعه داده است. همانطور که از شکل 2 ب نشان داده شده است، این ابر صفحه به صورت تعریف شده است

w*ایکسمن+ب=0،

که در آن (w) بردار وزن سطح طبقه بندی است، ( x ) نقطه ای است که روی ابر صفحه قرار دارد و (b) بایاس فاصله ابر صفحه از مبدا است. برای حالت قابل جداسازی خطی، یک ابر صفحه جداکننده را می توان برای دو کلاس به صورت زیر تعریف کرد:

w*ایکسمن+ب≥1.برای همه y=+1
w*ایکسمن+ب≤1.برای همه y=-1.
این نابرابری ها را می توان در یک نابرابری واحد ترکیب کرد:
yمن(w*ایکسمن+ب)-1≥0.
اگر سطح طبقه‌بندی بهینه شرایط موجود در رابطه (4) را برآورده کند، پدیده کلاس‌های قابل جداسازی خطی اجرا می‌شود [ 41 ]. همچنین، مدل SVM از یک تابع هسته برای جداسازی کلاس‌هایی استفاده می‌کند که با استفاده از خط یا صفحه قابل جداسازی نیستند. بنابراین، یک منطقه غیر خطی توسط طبقه بندی کننده برای جداسازی چنین کلاس هایی مورد نیاز است. این همچنین به عنوان ترفند هسته شناخته می شود، تبدیل داده ها به فضای ویژگی های ابعاد بالاتر به منظور جداسازی خطی آن ها.

با استفاده از ضرب‌کننده‌های لاگرانژ، فرمول دوگانه بر حسب متغیر بیان می‌شود ∝منتعیین می شود (همچنین به عنوان نمایش دوگانه مرز تصمیم شناخته می شود)، یک بردار وزن مطلوب مطلوب از ابر صفحه رگرسیون به صورت زیر نمایش داده می شود:

w*=∑من-1n( ∝من-∝j) ک( ایکسمن-ایکسj).

در نهایت، الگوریتم SVM را می توان به صورت زیر بیان کرد:

f(ایکس)=∑من-1n( ∝من-∝j) ک( ایکسمن-ایکسj)+ب،

جایی که ک ( ایکسمن-ایکسj)تابع هسته است که برابر با حاصلضرب داخلی دو بردار است ایکسمنو ایکسjدر فضای ویژگی ϕ(ایکسمن)و ϕ(ایکسj)که برای محاسبه یک تابع غیرخطی قابل تفکیک و سپس تبدیل آن به یک تابع قابل جداسازی خطی با ابعاد بالاتر استفاده می شود.

از توابع هسته برای تغییر ابعاد فضای ورودی استفاده می شود تا کار طبقه بندی با اطمینان بیشتری انجام شود. ژانگ و همکاران [ 26 ] تابع هسته سیگموید را برای طبقه بندی بهینه توصیه می کند (معادله (7))، بنابراین در مطالعه حاضر استفاده می شود.

ک( ایکسمن.ایکسj)=tanh[سی(ایکسمن.ایکسj)+ب]،

که در آن C و b پارامترهای تابع هسته هستند.

3.3. ارزیابی دقت تصاویر طبقه بندی شده

ارزیابی یا اعتبارسنجی دقت گام مهمی در پردازش داده های سنجش از دور است. پارامترهای ارزیابی دقت برای ارزیابی عملکرد مدل در رابطه با یک دسته / کلاس خاص مورد علاقه خاص برای مطالعه مفید هستند. ماتریس سردرگمی پرکاربردترین معیار دقت طبقه بندی تصاویر است. این یک جدول بندی متقابل ساده از برچسب کلاس نقشه برداری شده در برابر داده های مشاهده شده یا مرجع در زمین برای یک مجموعه نمونه است [ 42 ]]. چندین معیار دقت طبقه بندی را می توان از یک ماتریس سردرگمی به دست آورد، در این مطالعه، هم از دقت کلی (OA) و هم KAPPA (معادله (9)) برای ارزیابی دقت استفاده می شود. OA از تقسیم تعداد کل پیکسل های به درستی طبقه بندی شده (n) بر تعداد کل پیکسل ها (N) به دست می آید:

Oآ=n( تیoتیآل nتومتربهr of جorrهجتیهد پمنایکسهل)ن(تیoتیآل nتومتربهr of پمنایکسهل of rآw منمترآgه).

تجزیه و تحلیل KAPPA یک تکنیک چند متغیره گسسته است که برای ارزیابی دقت طبقه بندی تصویر استفاده می شود [ 42 ، 43 ]. به طور کلی معیاری برای توافق بین نقشه طبقه بندی شده و داده های مرجع است. با توجه به مرجع [ 43 ]، آمار KAPPA به صورت زیر محاسبه می شود:

 کآپپآ(ک)=ن∑من=1rایکسمنمن -∑من=1r(ایکسمن+*ایکس+من )ن2-∑من=1r(ایکسمن+* ایکس+من)،

جایی که؛ r = تعداد سطرها و ستون‌ها در ماتریس خطا، N = تعداد کل مشاهدات (پیکسل)، Xii = مشاهده در ردیف i و ستون i ، Xi + = مجموع حاشیه‌ای ردیف i و X+i = مجموع حاشیه‌ای ستون i .

بسیاری از طرح‌هایی که قدرت توافق طبقه‌بندی را توصیف می‌کنند بر اساس ضریب KAPPA هستند. طبقه بندی KAPPA توسط روانگا و ندامبوکی [ 42 ] همانطور که در جدول 2 نشان داده شده است بازتولید شده است.

3.4. مطالعه تطبیقی

برای ارزیابی دقت خط ساحلی استخراج‌شده، مشاهدات سیستم موقعیت‌یابی جهانی (GPS) سینماتیک زمان واقعی (DRTK) برای خط ساحلی جمع‌آوری شد. DRTK-GPS برای تخمین تغییر دقیق خط ساحلی استفاده شد [ 1 ]. داده‌های GPS D-RTK در همان دوره‌ای جمع‌آوری شد که تصویر Landsat در سال 2015 با راه رفتن در خط ساحلی منطقه مورد مطالعه، حمل DGPS نیمکره R131 قابل حمل همراه با لپ‌تاپ دریایی مدل Tetra Note-EX جمع‌آوری شد که به طور مداوم مختصات ساحل با استفاده از نرم افزار هیدروگرافیک (c-navigator). مجموعه داده های GPS در طرح UTM با منطقه 36 شمال و مبدأ WGS 84 پیش بینی می شود.

3.5. شاخص های خط ساحلی

خط ساحلی به عنوان خط تماس بین خشکی و یک بدنه آبی تعریف می شود. تعریف آن آسان است اما گرفتن آن دشوار است، زیرا سطح آب همیشه در حال تغییر است [ 44 ]. نقشه برداری تغییرات خط ساحلی به عنوان داده های ورودی برای ارزیابی خطرات ساحلی مانند سیل جزر و مد، افزایش سطح دریا، فرونشست زمین و فرسایش – رسوب مهم است. نقشه برداری چند ساله خط ساحلی یک کار ارزشمند برای نظارت و ارزیابی ساحلی است [ 44 ]. با توجه به رفتار پویای مرز ایده آل خط ساحلی و ملاحظات عملی، بواک و ترنر [ 45] دو گروه از شاخص های خط ساحلی را از 45 مثال طبقه بندی کرد. طبقه بندی های گروه اول بر اساس یک ویژگی ساحلی قابل تشخیص بصری است. دیگر شاخص‌های خط ساحلی مبتنی بر داده‌ها هستند که با تقاطع نیمرخ ساحلی با ارتفاع عمودی مشخصی که توسط اجزای جزر و مدی یک منطقه خاص تعریف می‌شود، مانند میانگین سطح بالا (MHL) یا میانگین سطح دریا (MSL) تعیین می‌شوند. مقدار اصلاح جزر و مد می تواند بزرگ یا کوچک باشد بسته به محدوده جزر و مد، حداکثر مقدار اصلاح می تواند چند متر در موارد دامنه جزر و مد زیاد باشد [ 20 ، 46 ].]. از آنجایی که تغییر جزر و مد در منطقه مورد مطالعه بسیار کم است، تأثیر آن بر تغییر خط ساحلی به دلیل تغییرات جزر و مد بسیار ناچیز است. بنابراین، این مقاله به بررسی تغییر خط ساحلی و تکامل ساحل ازبت البورگ با استفاده از تصاویر ماهواره‌ای Landsat می‌پردازد. موقعیت خط ساحلی استخراج‌شده از یک تصویر ماهواره‌ای یک خط آبی یا یک خط مرطوب/خشک است که مرز لحظه‌ای آب و خشکی را در زمان تصویربرداری مشابه با اولین نوع نشانگر خط ساحلی که قبلاً در بسیاری از مطالعات استفاده شده بود، توصیف می‌کند [ 20 ، 47 ]. علاوه بر این، برای به حداقل رساندن خطا، تصاویر Landsat با فازهای جزر و مدی مشابه در مطالعه حاضر همانطور که در جدول 1 نشان داده شده است، در نظر گرفته شده است.

3.6. روش پیشنهادی برای تشخیص تغییرات خط ساحلی

در این تحقیق با استفاده از یک مقایسه پس از طبقه بندی برای تشخیص تغییرات خط ساحلی Ezbet Elborg، تصاویر طبقه بندی شده با استفاده از ماژول Raster به Vector با استفاده از نرم افزار GIS (ArcGIS 10.4.1) به لایه های برداری تبدیل می شوند. تمام خطوط ساحلی استخراج‌شده از تصاویر طبقه‌بندی‌شده روی یک پایه ژئودتیکی در نرم‌افزار ArcGIS 10.4.1 برای تشخیص تغییر خط ساحلی قرار گرفتند. فرآیند مورد استفاده در این مطالعه در شکل 3 ارائه شده و به شرح زیر توضیح داده شده است:
  • فرآیند ثبت تصویر به تصویر برای تمامی تصاویر ماهواره ای اجرا می شود. نقشه ماهواره ای نرم افزار Google Earth به عنوان نقشه پایه برای ارجاع جغرافیایی تصویر Landsat که در سال 1985 از طریق ارجاع تصویر به نقشه به دست آمده بود، استفاده شد. سپس تصویر لندست به عنوان تصویر اصلی در نظر گرفته شد که برای ثبت تصاویر دیگر از طریق ثبت تصویر به تصویر مورد استفاده قرار گرفت. برای ثبت دقیق هر تصویر، در مجموع حداقل 35 نقطه کنترل زمینی (GCP) مورد بررسی قرار گرفت و با تمامی تصاویر مطابقت داده شد. این نقاط عبارتند از: تقاطع های جاده، ویژگی های برجسته ژئومورفولوژیکی و کانال های رودخانه همانطور که در شکل 1 نشان داده شده است.. پس از تصحیح، ریشه میانگین مربعات خطا (RMSE) برای انحرافات بین مکان GCP و GP تعیین می شود و کوچکتر از 0.45 پیکسل نگه داشته می شود تا از ارجاع جغرافیایی خوب تصاویر اطمینان حاصل شود. تصاویر منطقه مورد مطالعه با برش از تصاویر ماهواره ای ثبت شده بر اساس راه حل GIS استخراج می شود.
  • طبقه بندی تصاویر با استفاده از SVM ها انجام می شود. الگوریتم SVM با استفاده از نرم افزار MATLAB طراحی شده است. با این طبقه بندی، دو کلاس ایجاد می شود و به نام های “آب” و “دیگر میدان ها” نامیده می شود.
  • دقت طبقه بندی تصویر همانطور که قبلا در بخش “طبقه بندی تصویر” ارائه شد تعیین می شود. سپس ضرایب KAPPA محاسبه و ارزیابی می شود.
  • تصویر طبقه بندی شده با استفاده از ArcGIS برای استخراج خطوط ساحلی به لایه های برداری تبدیل می شود.
  • تأیید اضافی با مقایسه خطوط ساحلی استخراج شده با استفاده از رویکرد پیشنهادی با بررسی زمین GPS برای ارزیابی کاربرد آن برای نظارت بر تغییرات خط ساحلی انجام می شود.
  • در نهایت، تشخیص تغییر مناطق ساحلی با استفاده از نقشه‌های برداری تولید شده توسط ArcGIS مورد مطالعه قرار می‌گیرد.

https://gisland.org/

4. نتایج و بحث

شکل 4 تصویر ماهواره ای اصلی منطقه مورد مطالعه را نشان می دهد که برگرفته از تصاویر ثبت شده سال های 1985، 2000 و 2018 است. موقعیت واقعی خط ساحلی با استفاده از طبقه بندی کننده SVM با تابع هسته سیگموئید برای دسته بندی نمونه های آموزش دیده به دو کلاس به نام “آب” تعیین می شود. و “Other-Fields” از تصاویر Landsat، همانطور که در شکل 5 نشان داده شده است. همچنین دقت طبقه بندی تصاویر طبقه بندی شده محاسبه شده است ( جدول 3 ). از جدول 3ارزیابی دقت نهایی نشان داد که میانگین OA دقت طبقه‌بندی 92.625% و میانگین ضریب توافق KAPPA 0.8 است. بر این اساس، طبقه بندی بر اساس ضریب توافق KAPPA به عنوان قابل توجه رتبه بندی می شود و از این رو تصاویر طبقه بندی شده را می توان برای تشخیص تغییرات خط ساحلی استفاده کرد. سپس، هر تصویر طبقه‌بندی‌شده با استفاده از ماژول Raster به Vector به لایه‌های برداری تبدیل می‌شود تا پیکسل‌های نشان‌دهنده ساحل به لایه برداری تبدیل شود تا موقعیت واقعی خط ساحلی همانطور که در شکل 6 نشان داده شده است، به دست آید . خاطرنشان می شود که مناطق آبی رنگی که در سمت چپ تصویر ( شکل 6 ) مشاهده می شود، مزارع پرورش ماهی هستند.
برای استخراج خط ساحلی، فاصله بین موقعیت‌های خط ساحلی تولید شده از تحلیل جاری و چندضلعی ثابت اندازه‌گیری می‌شود تا یک رکورد قابل اعتماد برای نظارت بر تغییرات موقعیت‌های خط ساحلی در بازه زمانی 33 ساله ارائه شود. برای اعتبار سنجی، خط ساحلی استخراج شده از تصاویر Landsat با خط ساحلی شناسایی شده توسط بررسی زمینی انجام شده توسط موسسه تحقیقات ساحلی (CORI) در سال 2015، همانطور که در شکل 7 نشان داده شده است، مقایسه می شود. مشخص شد که ضریب همبستگی بین تصاویر Landsat و داده های میدانی 0.87 است که اعتبار تصاویر Landsat را برای تشخیص تغییرات خط ساحلی نشان می دهد.
تمام خطوط ساحلی استخراج شده از تصاویر طبقه بندی شده ( شکل 6 ) روی یک پایگاه داده جغرافیایی با استفاده از نرم افزار GIS همانطور که در شکل 8 مشاهده می شود، روی هم قرار گرفته اند. از شکل 8 ، مشاهده می شود که رفتار خط ساحلی در طول زمان نظارت به طور چشمگیری تغییر می کند. طول خط ساحلی در طول سال های 2000 و 2018 به ترتیب 7.52 و 31.31 درصد نسبت به طول خط ساحلی در سال 1985 افزایش یافته است.
شکل 9 و جدول 4 تغییرات منطقه ساحلی را برای سال های 2000 و 2018 بر اساس نقشه پایه نشان می دهد. در امتداد منطقه فرسایش/برافزایش، مروری بر پویایی تاریخی ساحلی می‌تواند به توضیح بهتر سایر ویژگی‌های پدیده‌های مورفولوژیکی رخ داده کمک کند. فرسایش در ضلع شرقی دماغه دامیتا پس از ساخت AHD آغاز شده بود و تا ساخت دیوار دریایی 6 کیلومتری در سال 2000 همانطور که در شکل 1 نشان داده شده است ادامه داشت . نرخ فرسایش 53 متر در سال در طول دوره 1990 تا 1999 [ 48 ] بود. دیواره دریا با موفقیت فرسایش را در منطقه پیشنهادی متوقف کرد و خط ساحلی نسبتاً پایدار است ( شکل 9آ؛ منطقه I) اما فرسایش به سمت لیز دیواره دریا با نرخ بالا 59 متر در سال منتقل شد همانطور که در شکل 9 B به وضوح مشاهده می شود. منطقه I و جدول 5 . همچنین بیشترین پیشرفت خط ساحلی (1950 متر) در دوره (2018-2000) برای جنوب شرقی منطقه مورد مطالعه با حداکثر برافزایش 124 متر در سال ثبت شد که باعث افزایش مساحت تف از 4.4 کیلومتر مربع به 10.38 کیلومتر مربع شد . تقریباً (6 کیلومتر مربع ) منطقه خالص، قبل و بعد از ساخت دیوار دریایی (منطقه II) به دلیل حرکت رانش ساحلی شن و ماسه در دیواره دریا پس از ساخت آن با عمل موج NE فصلی. البنا و فرحی [ 49] نشان داد که بازوهای تف دامیتا از رسوبات تخلیه شده به دلیل امواج غالبی که از N، NNW، NE ایجاد می‌شوند، تشکیل شده‌اند که یک جریان طولانی ساحلی یک طرفه به سمت جنوب شرقی بدون تغییر جریان به سمت غرب ایجاد می‌کنند. جریان غالب SE در امتداد این بخش مسئول ایجاد تف شنی است ( شکل 9 ).
در تلاشی جداگانه، از تحلیل تغییرات خط ساحلی و پس از ساخت دیواره دریا. برای منطقه (I) در شکل 9 B، مشخص شد که میانگین عقب نشینی خط ساحلی (1060 متر) در ناحیه کناری دیواره دریا در طول دوره (2000-2018) است. در مقایسه با تکنیک‌های مختلف سنجش از دور از مطالعات قبلی برای همان منطقه، روند ایجاد شده تغییر خط ساحلی استخراج‌شده با استفاده از روش SVM کاملاً با نتایج قبلی برای منطقه کنار دیواره دریا مطابقت دارد. این امر با مقایسه نتایج رویکرد کاربردی با نتایج مطالعات قبلی همانطور که در جدول 5 نشان داده شده است روشن می شود.

5. نتیجه گیری ها

یک رویکرد یکپارچه از تصاویر سنجش از دور در مطالعه حاضر، که با هدف پایش ساحلی شهر Ezbet Elborg، مصر، به عنوان یک مطالعه موردی، توسعه و ارائه شده است. این خط ساحلی تقریباً 15 کیلومتر به سمت شرق از دهانه شاخه Damietta Nile امتداد دارد. تصاویر لندست از دوره بین سال‌های 1985 تا 2018 با استفاده از SVM برای پایش تغییرات خط ساحلی منطقه مورد مطالعه طبقه‌بندی شدند. علاوه بر این، دقت طبقه‌بندی تصویر با استفاده از دقت کلی و ضریب KAPPA ارزیابی شد. اندازه‌گیری‌های پیمایش زمین GPS برای اعتبارسنجی روش پیشنهادی استفاده می‌شود.
بررسی دقت مدل پیشنهادی برای طبقه بندی تصاویر نشان می دهد که تصاویر طبقه بندی شده دارای دقت طبقه بندی کلی 92.625% و ضریب توافق KAPPA 0.8 بوده اند. بر این اساس، تصاویر طبقه بندی شده برای استفاده در نظارت بر تغییرات خط ساحلی مناسب هستند.
همچنین اعتبارسنجی مدل پیشنهادی با استفاده از داده‌های پیمایش زمین نشان می‌دهد که تطابق خوبی بین خط ساحلی استخراج‌شده توسط GPS و مدل پیشنهادی (با ضریب همبستگی 87/0=) وجود دارد. چنین توافقی دقت بالای مدل پیشنهادی و توانایی آن در برآورد دقیق تغییرات خط ساحلی را نشان می‌دهد. در نهایت، نتایج حاصل از تغییر خط ساحلی در مطالعه حاضر نشان می‌دهد که نرخ‌های فرسایش عظیم شمال غرب منطقه مورد مطالعه به دلیل ساخت دیواره دریایی به طول 6 کیلومتر به طول 2.15 کیلومتر مربع همراه با افزایش 6 کیلومتر مربعی است.منطقه تف درک مکانیسم اثر سازه های سخت بر تغییرات ساحل بسیار مهم است. اگرچه ساخت دیواره دریایی امکان حفاظت از اموال را با کنترل ساحل فراهم می کند، اما اثرات منفی ارائه شده در فرسایش حاصل در انتهای پایین رانش دیواره دریا باید هنگام ساخت دیوارهای دریایی مشابه در نظر گرفته شود. این تحقیق همچنین نیاز به بررسی تعامل سازه سخت-ساحل قبل از نصب یک سازه سخت برای کنترل فرسایش خط ساحلی با مطالعه سناریوهای مختلف و انتخاب مناسب را برجسته می‌کند.
این تحقیق تاثیرات جریان‌های آب، کنش‌های امواج، الگوهای باد، سایر متغیرهای اقلیمی و بی‌نظمی خطوط ساحلی را به دلیل ویژگی‌های مورفولوژیکی ساحلی مانند تف، مصب و سرها مورد مطالعه قرار نداد. با این حال، برای نتایج بهتر باید آنها را در نظر گرفت. اطلاعات تغییرات خطوط ساحلی در این منطقه کمک مهمی به ذینفعانی مانند مهندسان ساحلی و برنامه ریزان ساحلی است که در مدیریت مناطق ساحلی مشغول هستند. چنین اطلاعاتی به آن‌ها اجازه می‌دهد تا با ایجاد استراتژی‌هایی مانند ساخت سازه‌های دفاعی ساحلی برای تثبیت مناطق ساحلی، اقدامات احتیاطی مناسب مربوط به کاهش خطر بلایا را انجام دهند.

منابع

  1. Goncalves، RM; Awange، JL سه پرکاربردترین روش نظارت بر خط ساحلی مبتنی بر GNSS برای حمایت از سیاست‌های مدیریت یکپارچه مناطق ساحلی. Surv. مهندس ASCE 2017 ، 143 ، 1-11. [ Google Scholar ] [ CrossRef ]
  2. نگی، جی. گومز، ای.ام. کی، آر. گلاوویچ، بی. کلی، م. کی، آر. تراورس، الف. رویکردی مبتنی بر ریسک و مشارکتی برای ارزیابی آسیب پذیری آب و هوا و بهبود حکومت در اروگوئه ساحلی. تغییرات آب و هوا و سواحل ; Taylor & Francis Group CRC Press: لندن، بریتانیا، 2015; صص 357-378. [ Google Scholar ]
  3. والنتینی، ن. Spongier، A.; دامیان، L. یک سیستم نظارت تصویری جدید در حمایت از مدیریت منطقه ساحلی در منطقه آپولیا، ایتالیا. ساحل اقیانوس. مدیریت 2017 ، 142 ، 122-135. [ Google Scholar ] [ CrossRef ]
  4. شاران، کارشناسی ارشد مطالعه برای بهبود کارایی بنادر ماهیگیری مصر. دکتری پایان نامه، دانشکده منابع انرژی، محیط زیست، مهندسی شیمی و پتروشیمی، E-JUST، اسکندریه، مصر، 2018. [ Google Scholar ]
  5. استنلی، دی. وارن، A. دلتای نیل: تکامل زمین شناسی اخیر و تأثیر انسان. Science 1993 , 260 , 628-634. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  6. Sestini، G. Nile Delta: مروری بر محیط های رسوبی و تاریخ زمین شناسی. جئول Soc. لندن. مشخصات انتشار 1989 ، 41 ، 99-127. [ Google Scholar ] [ CrossRef ]
  7. دیباج نیا، م. سلطانپور، م. وفایی، ف. شوشتری، SMHJ; کبریایی، ع. طرح مدیریت خط ساحلی برای سواحل ایران. ساحل اقیانوس. مدیریت 2012 ، 63 ، 1-15. [ Google Scholar ] [ CrossRef ]
  8. ساماراس، AG; کوتیتاس، CG یک رویکرد یکپارچه برای تعیین کمیت تأثیر مدیریت آبخیز بر مورفولوژی ساحلی. ساحل اقیانوس. مدیریت 2012 ، 69 ، 68-77. [ Google Scholar ] [ CrossRef ]
  9. اسماعیل، ن. السید، دبلیو. تعامل امواج دریا و تاثیر بر مورفولوژی رسوب. در مجموعه مقالات کنفرانس روی تمرین مهندسی ساحلی 2011، سن دیگو، کالیفرنیا، ایالات متحده آمریکا، 21 تا 24 اوت 2011. [ Google Scholar ] [ CrossRef ]
  10. بالاجی، ر. کومار، اس.اس. Misra، A. درک اثرات ساخت دیوار دریایی با استفاده از ترکیبی از مدل‌سازی تحلیلی و تکنیک‌های سنجش از دور: مطالعه موردی Fansa، گجرات، هند. بین المللی J. Ocean Clim. سیستم 2017 ، 8 ، 153-160. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  11. آناند، آر. چاندراسخار، BN; Magesh، S. نرخ تغییر خط ساحلی و ارزیابی خطر فرسایش در امتداد ساحل Trou Aux Biches-Mont Choisy در ساحل شمال غربی موریس با استفاده از تکنیک GIS-DSAS. محیط زیست زمین 2016 ، 75 ، 1-12. [ Google Scholar ] [ CrossRef ]
  12. کبوث، AK; کرون، ا. پدرسن، JBT تغییرات خط ساحلی چند دهه ای در دانمارک تغییرات چند دهه ای خط ساحلی در دانمارک. ساحل. Res. 2014 ، 30 ، 714-728. [ Google Scholar ] [ CrossRef ]
  13. مصریا، ا. نادائوکا، ک. نگم، AM; اسکندر، MM تشخیص تغییرات خط ساحلی و پوشش زمین در اطراف دماغه روزتا، مصر، بر اساس تجزیه و تحلیل سنجش از دور. زمین 2015 ، 4 ، 216-230. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  14. Warnasuriya، نقشه برداری TWS الگوی استفاده از زمین با استفاده از تکنیک های پردازش تصویر برای داده های ماهواره ای با وضوح متوسط: مطالعه موردی در منطقه ماتارا، سریلانکا. در مجموعه مقالات کنفرانس بین المللی پیشرفت در فناوری اطلاعات و ارتباطات برای مناطق در حال ظهور (ICTer)، کلمبو، سریلانکا، 24 تا 26 اوت 2015. صص 106-111. [ Google Scholar ] [ CrossRef ]
  15. بوچما، م. Yan, W. اندازه‌گیری خودکار تغییر خط ساحلی در جزیره جربا تونس. جی. کامپیوتر. Inf. علمی 2012 ، 5 ، 17-24. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  16. دی، ک. وانگ، جی. ما، ر. LI، R. استخراج خودکار خط ساحلی از تصاویر ماهواره ای IKONOS با وضوح بالا. در مجموعه مقالات کنفرانس سالانه (ASPRS)، انکوریج، AK، ایالات متحده آمریکا، 5-9 مه 2003. در دسترس آنلاین: https://www.researchgate.net/publication/241058589_Automatic_shoreline_extraction_from_high_resolution_IKONOS_satellite_imagery (در 1 مه 2019 قابل دسترسی است).
  17. دویدار، KM; پاسخ Frihy، OE پیش و پس از ساحل به مهندسی سازه های سخت با استفاده از سری زمانی Landsat در بخش شمال غربی دلتای نیل، مصر. جی. ساحل. کنسر. 2008 ، 11 ، 33-142. [ Google Scholar ] [ CrossRef ]
  18. ال بانا، MM; هرهر، ام. تشخیص تغییرات خط ساحلی زمانی و نرخ‌های فرسایش/برافزایش، با استفاده از سنجش از دور، و ویژگی‌های رسوب مرتبط با آنها در امتداد ساحل شمال سینا، مصر. جی. محیط زیست. جئول 2009 ، 8 ، 1419-1427. [ Google Scholar ] [ CrossRef ]
  19. جیانینی، MB; Parente، C. یک رویکرد مبتنی بر شی برای استخراج خط ساحلی از تصاویر چندطیفی Quickbird. بین المللی J. Eng. فناوری (IJET) 2014 ، 6 ، 2698-2704. در دسترس آنلاین: https://www.researchgate.net/publication/270280894_An_object_based_approach_for_coastline_extraction_from_Quickbird_multispectral_images (در 1 مه 2019 قابل دسترسی است).
  20. چن، WW; Chang، HK برآورد موقعیت خط ساحلی و تغییر از تصاویر ماهواره ای با در نظر گرفتن تغییرات جزر و مدی. جی. استوار. ساحل. Shelf Sci. 2009 ، 84 ، 54-60. [ Google Scholar ] [ CrossRef ]
  21. کارخانه، NG; آرنینخوف، SGJ; ترنر، IL; Turner, KS عملکرد مدل‌های تشخیص خط ساحلی اعمال شده در تصاویر ویدیویی. جی. ساحل. Res. 2007 ، 23 ، 658-670. [ Google Scholar ] [ CrossRef ]
  22. دینش، پی کی; گوپینات، جی. لالوراج، سی ام; سرالاتان، پی. میترا، دی. مطالعات تشخیص تغییر جزیره ساگار، هند، با استفاده از داده‌های حسگر III خود اسکن تصویربرداری خطی ماهواره‌ای سنجش از دور هندی 1c. جی. ساحل. Res. 2007 ، 23 ، 1498-1502. [ Google Scholar ] [ CrossRef ]
  23. کوللی، ت. گونروغلو، ا. کارسلی، ف. دیهکان، م. تشخیص خودکار تغییر خط ساحلی در تالاب های ساحلی رامسر ترکیه. جی. اوشن. مهندس 2011 ، 38 ، 1141-1149. [ Google Scholar ] [ CrossRef ]
  24. وانگ، سی. ژانگ، جی. Ma، Y. تفسیر خط ساحلی از تصاویر سنجش از راه دور چندطیفی با استفاده از الگوریتم قانون ارتباط. بین المللی J. Remote Sens. 2010 , 31 , 6409-6423. [ Google Scholar ] [ CrossRef ]
  25. Teodoro، AC سنجش از دور ماهواره ای نوری از محیط منطقه ساحلی – یک مرور کلی. در کاربردهای زیست محیطی سنجش از دور ; در Tech Open: لندن، بریتانیا، 2016; صص 165-196. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  26. ژانگ، اچ. جیانگ، کیو. Xu, J. استخراج خط ساحلی با استفاده از ماشین بردار پشتیبانی از تصویر سنجش از دور. J. Multimedia 2013 ، 8 ، 175-182. در دسترس آنلاین: https://www.researchgate.net/publication/269808229_Coastline_Extraction_Using_Support_Vector_Machine_from_Remote_Sensing_Image (در 15 مه 2019 دسترسی پیدا کرد).
  27. یون، جی سی. میونگ، HJ مقایسه بین روش مبتنی بر یادگیری ماشینی و روش مبتنی بر شاخص آب برای نقشه برداری خط ساحلی با استفاده از یک تصویر ماهواره ای با وضوح بالا که در جزیره هوادو، کره جنوبی به دست آمده است. J. Sens. 2017 , 13 , 8245204. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  28. Choung، YJ نقشه برداری سه بعدی سواحل با استفاده از تصاویر KOMPSAT-2 و داده های هوابرد LiDAR. J. کره ای Soc. Surv. Geod. فتوگرام کارتوگر. 2015 ، 33 ، 23-30. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  29. دیویس، CO. کاوانا، ام. لتلیر، آر. بیست، WP; کوهلر، دی. ملاحظات تفکیک فضایی و طیفی برای تصویربرداری از آب های ساحلی. در مجموعه مقالات انجمن بین المللی مهندسی نوری (SPIE)، سن دیگو، کالیفرنیا، ایالات متحده آمریکا، 26 تا 30 اوت 2007. [ Google Scholar ] [ CrossRef ][ Green Version ]
  30. دویدار، KM; Frihy، OE تکنیک های خودکار برای تعیین کمیت نرخ تغییر ساحل با استفاده از سری Landsat در امتداد دلتای شمال شرقی نیل، مصر. اوشنگر. مارس Sci. 2010 ، 1 ، 28-39. در دسترس به صورت آنلاین: https://www.researchgate.net/publication/228989842_Automated_techniques_for_quantification_of_beach_change_rates_using_Landsat_series_along_the_Northeastern_Nile_Delta_Egypt (در 2011 نوامبر قابل دسترسی است).
  31. فیلیپ، NQ; کواسی، AA; Kufogbe، SK تصاویر ماهواره ای با وضوح متوسط ​​به عنوان ابزاری برای نظارت بر تغییرات خط ساحلی: مطالعه موردی سواحل شرقی غنا. جی. ساحل. Res. 2013 ، 65 ، 511-520. [ Google Scholar ] [ CrossRef ]
  32. مگلیون، پی. پارنت، سی. استخراج خط ساحلی Vallario، A. با استفاده از تصاویر ماهواره‌ای WorldView-2 با وضوح بالا. یورو. J. Remote Sens. 2014 ، 47 ، 685-699. [ Google Scholar ] [ CrossRef ]
  33. سکوسکی، آی. استچی، اف. مانچینی، اف. روش‌های طبقه‌بندی تصویر Del Rio، NL برای استخراج خط ساحلی روی تصاویر چندطیفی با وضوح بسیار بالا اعمال می‌شوند. بین المللی J. Remote Sens. 2014 , 35 , 3556-3578. [ Google Scholar ] [ CrossRef ]
  34. ال بانا، تف شنی MM Damietta، دلتای نیل، مصر. مصر رسوبات. 2004 ، 12 ، 269-282. [ Google Scholar ]
  35. خلیفه، ع. سلیمان، MR; یاسین، AA ارزیابی ترکیبی از سازه‌های سخت و تغذیه شنی شرق بندر دمیتا با استفاده از مدل‌سازی عددی. الکس. مهندس J. 2017 ، 56 ، 545-555. [ Google Scholar ] [ CrossRef ]
  36. وانگ، ایکس. لیو، ی. لینگ، اف. لیو، ی. Fang, F. تشخیص تغییر فضایی-زمانی خط ساحلی نینگبو با استفاده از تصاویر سری زمانی Landsat طی سال‌های 1976-2015. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 68. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  37. سازمان زمین شناسی ایالات متحده (USGS). در دسترس آنلاین: https://earthexplorer.usgs.gov/ (دسترسی در 10 اکتبر 2018).
  38. اولمانسون، ال جی؛ Kloiber، SM; بائر، ME; برزونیک، پروتکل پردازش تصویر PL برای ارزیابی منطقه ای کیفیت آب دریاچه . گزارش فنی مرکز منابع آب 14; دانشگاه مینه سوتا: سنت پل، MN، ایالات متحده آمریکا، 2001. [ Google Scholar ]
  39. لو، دی. Weng, Q. بررسی روش ها و تکنیک های طبقه بندی تصویر برای بهبود عملکرد طبقه بندی. بین المللی J. Remote Sens. 2007 , 28 , 823-870. [ Google Scholar ] [ CrossRef ]
  40. الگهری، ت. مبشر، ع. صلاح، اچ. پیش‌بینی معنی‌دار ارتفاع موج عمیق با استفاده از رویکرد ماشین بردار پشتیبان (اسکندری به عنوان مورد مطالعه). بین المللی J. Curr. مهندس فنی 2017 ، 7 ، 135-143. در دسترس آنلاین: https://inpressco.com/significant-deep-wave-height-prediction-by-using-support-vector-machine-approach-alexandria-as-case-of-study/ (دسترسی در 25 دسامبر 2018) .
  41. کاوزوغلو، تی. Colkesen، I. تحلیل توابع هسته برای ماشین‌های بردار پشتیبان برای طبقه‌بندی پوشش زمین. بین المللی J. Appl. زمین Obs. Geoinf. 2009 ، 11 ، 352-359. [ Google Scholar ] [ CrossRef ]
  42. روانگا، اس اس; Ndambuki، JM ارزیابی دقت طبقه‌بندی کاربری/پوشش زمین با استفاده از سنجش از دور و GIS. بین المللی جی. ژئوشی. 2017 ، 8 ، 611-622. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  43. جنس، جی. برنامه افزودنی Wynne, JJ 2007 Kappa Analysis (kappa_stats.avx) برای ArcView3.x.JennessEnterprises. در دسترس آنلاین: https://www.jennessent.com/arcview/kappa_stats.htm (دسترسی در 20 نوامبر 2018).
  44. لیپاکیس، م. کریسولاکیس، ن. Kamarianakis، Y. استخراج خط ساحلی با استفاده از تصاویر ماهواره ای. در پایش فرسایش ساحل. نتایج حاصل از پروژه BEACHMED/e-OpTIMAL (بهینه سازی تکنیک های یکپارچه نظارت بر برنامه های کاربردی Aux Lottoraux) INTERREG IIIC South ; Pranzini, E., Wetzel, E., Eds. Nuova Grafica Fiorentina: فلورانس، ایتالیا، 2008; صص 81-95. [ Google Scholar ]
  45. بواک، ای اچ. ترنر، تعریف و تشخیص خط ساحلی IL: بررسی. جی. ساحل. Res. 2005 ، 214 ، 688-703. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  46. انریکز، آر. مارکوس، ام. آلوارز-الالکوریا، آ. اورفیلا، ا. گومیس، دی. تغییرات در خط ساحلی ساحل به دلیل افزایش سطح دریا و امواج تحت سناریوهای تغییر آب و هوا: کاربرد در جزایر بالئاریک (غرب مدیترانه). جی. نات. سیستم خطرات زمین. علمی 2017 ، 17 ، 1075-1089. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  47. فودی، جنرال موتورز; مسلم، ع.م. اتکینسون، PM نقشه برداری با وضوح فوق العاده خط آب از داده های سنجش از راه دور. بین المللی J. Remote Sens. 2005 ، 26 ، 5381-5392. [ Google Scholar ] [ CrossRef ]
  48. اسماعیل، م. محمود، ما فتح، ح. ارزیابی و پیش‌بینی تغییر خط ساحلی با استفاده از تصاویر و آمار ماهواره‌ای چند زمانی: مطالعه موردی سواحل دامیتا. برنامه مصر Ocean Res. 2019 ، 82 ، 274-282. [ Google Scholar ] [ CrossRef ]
  49. البنا، م.م. Frihy، OE تغییرات ناشی از انسان در ژئومورفولوژی ساحل شمال شرقی دلتای نیل. ژئومورفول مصر. 2009 ، 107 ، 72-78. [ Google Scholar ] [ CrossRef ]
  50. الاسمار، ح. الکفراوی، س. طاها، ام. نظارت بر تغییرات ساحلی در امتداد دماغه دامیتا و ساحل مانع به سمت پورت سعید شرق دلتای نیل. مصر J. ساحل. Res. 2014 ، 30 ، 993-1005. [ Google Scholar ] [ CrossRef ]
Ijgi 09 00199 g001 550
شکل 1. موقعیت منطقه مورد مطالعه که دیوار دریایی ساخته شده 6 کیلومتری و نقاط کنترل زمینی (GCPs) را نشان می دهد (وب سایت USGS 2018).
Ijgi 09 00199 g002 550
شکل 2. جداسازی مجموعه داده های خطی. ( الف ) صفحات بیش از حد برای داده های خطی. ( ب ) بردارهای فوق صفحه و پشتیبان بهینه.
Ijgi 09 00199 g003 550
شکل 3. نمودار جریان رویکرد پیشنهادی برای تشخیص تغییر خط ساحلی.
Ijgi 09 00199 g004 550
شکل 4. تصویر ماهواره ای اصلی از منطقه مورد مطالعه.
Ijgi 09 00199 g005 550
شکل 5. طبقه بندی تصاویر ماهواره ای با استفاده از ماشین های برداری پشتیبانی شده (SVM).
Ijgi 09 00199 g006 550
شکل 6. طبقه بندی شطرنجی برای تصاویر طبقه بندی شده.
Ijgi 09 00199 g007 550
شکل 7. خطوط ساحلی استخراج شده از داده های میدانی GPS، تصویر Landsat از منطقه مورد مطالعه برای سال 2015.
Ijgi 09 00199 g008 550
شکل 8. خطوط ساحلی استخراج شده از طبقه بندی رستر.
Ijgi 09 00199 g009 550
شکل 9. تغییر نقشه های تشخیص برای سال های 2000 و 2018 نسبت به سال 1985.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید