خلاصه

دریاچه های آب شیرین مقدار زیادی از منابع آب داخلی را برای حفظ تحولات محلی و منطقه ای تامین می کنند. با این حال، برخی از سیستم های دریاچه به نوسانات زیاد در سطح آب بستگی دارد. دریاچه پویانگ، بزرگترین دریاچه آب شیرین در چین، دستخوش تغییرات فصلی و بین سالیانه است. نظارت به موقع سطح دریاچه پویانگ اطلاعات ضروری را در مورد تغییرات وقوع آب برای حفاظت از اکوسیستم آن فراهم می کند. استفاده از تقسیم‌بندی تصویر مبتنی بر هیستوگرام در تصاویر راداری به طور گسترده برای تشخیص سطح آب دریاچه‌ها مورد استفاده قرار گرفته است. با این حال، انتخاب آستانه بهینه چالش برانگیز است. در اینجا، ما مزایا و معایب یک الگوریتم تقسیم‌بندی، روش Otsu را از منظر ریاضی و کاربردی تحلیل می‌کنیم. ما روش Otsu را پیاده‌سازی می‌کنیم و اسکریپت‌های قابل استفاده مجدد را برای انتخاب خودکار آستانه برای استخراج آب سطحی با استفاده از تصاویر رادار دهانه مصنوعی Sentinel-1 (SAR) در Google Earth Engine، یک پلت‌فرم مبتنی بر ابر که پردازش داده‌های Sentinel-1 و خودکار را تسریع می‌کند، ارائه می‌کنیم. محاسبه آستانه آستانه بهینه برای هر ژانویه از سال 2017 تا 2020 است -14.88، -16.93، -16.96و -16.87به ترتیب، و دقت کلی به دست می آید 92%پس از اصلاح علاوه بر این، مطالعه ما به به‌روزرسانی تغییرات زمانی و مکانی دریاچه پویانگ کمک می‌کند و تأیید می‌کند که سطح آب سطحی آن سالانه در نوسان بوده و در هر ژانویه از سال 2017 تا 2020 در مرکز و مرز دریاچه کوچک می‌شود.

کلید واژه ها:

دریاچه پویانگ ؛ روش اوتسو ؛ موتور گوگل ارث ؛ وقوع آب ؛ دینامیک هیدرولوژیکی ; مساحت آب تغییر می کند

1. معرفی

آب برای همه اکوسیستم های روی زمین بسیار مهم است. وجود آب های سطحی روی زمین عمدتاً از اقیانوس ها، دریاچه ها و رودخانه ها تشکیل شده است [ 1 ]. وسعت دریاچه ها تقریباً به حساب می آید 3%از سطح [ 2 ] و به دلیل نقش منحصر به فرد آب در آب و هوا ، دارای عملکردهای غیرقابل جایگزینی برای تأمین آب [ 3 ]، کنترل سیل [ 4 ]، حفظ گونه ها [ 5 ] و ارائه خدمات اکوسیستمی به کشورها و مناطق [ 6 ] است. [ 7 ]، تنوع زیستی [ 8 ] و رفاه انسان [ 9 ]. در همین حال، پدیده‌های طبیعی و فعالیت‌های انسانی بر تنوع وقوع آب در پاسخ، به ویژه دینامیک آب دریاچه‌های آب شیرین داخلی تأثیر می‌گذارند [ 10 ]. پایش به موقع سطح دریاچه آب شیرین برای توسعه پایدار ضروری است [ 11] و پویایی اکوسیستم منطقه ای و جهانی [ 12 ].
سنجش از دور، علم و هنر تشخیص اجسام از راه دور، رایج ترین رویکرد برای نظارت و تجزیه و تحلیل ویژگی های زمین برای چندین دهه بوده است [ 13 ]. در تصاویر، ویژگی‌های زمین معمولاً به صورت کلاس‌های مختلط از پوشش گیاهی و انواع سطح مختلف نشان داده می‌شوند. بسیاری از سنسورهای مبتنی بر ماهواره وجود دارند که از نظر تفکیک زمانی و مکانی متفاوت هستند که به ترتیب مربوط به زمان بازدید مجدد و سطح زمین است که با یک پیکسل نشان داده می شود. تصاویر با وضوح متوسط ​​بیشترین استفاده را برای تشخیص سطح آب دریاچه دارند (با تقریباً 10 روز زمان بازبینی و هر پیکسل بین 10 تا 30 متر)، به دلیل دسترسی آزاد آن در مقایسه با هزینه به دست آوردن تصاویر با وضوح بالاتر [ 14 ]] و کمتر مستعد مشکل پیکسل های مختلط تصاویر با وضوح درشت هستند [ 15 ]. جدا از وضوح زمانی و مکانی، هر دو حسگر غیرفعال و سنسور فعال وجود دارد. سنسورهای غیرفعال، که به عنوان سیستم‌های نوری شناخته می‌شوند، از دهه 1970 زمانی که اولین حسگر ماهواره‌ای، اسکنر چندطیفی Landsat (MSS) به فضا پرتاب شد، مورد استفاده قرار گرفتند [ 16 ]. با این حال، فقدان اطلاعات عمودی، مسائل مربوط به پوشش گیاهی تالاب با تاج پوشش، و مشکلات مه و پوشش ابر تا حد زیادی دقت نتایج را مختل کرده است [ 17 ]]. بنابراین حسگرهای فعال، به‌ویژه سیستم‌های رادار، به سنجش از دور سیستم‌های تحت سلطه آب، مانند دریاچه‌ها نیز کمک کرده‌اند. پراکندگی برگشتی رادار به رطوبت و ناهمواری چشم‌انداز حساس است و طول موج سنجنده Sentinel-1 باند C نفوذ ابرها و سایبان‌های ضخیم را برای مقابله با چالش‌های شرایط پیچیده آب‌وهوا و گیاهان ممکن می‌سازد [ 18 ].
با این وجود، فرآیند پردازش داده‌های رادار Sentinel-1 شامل جمع‌آوری داده‌ها، کالیبراسیون، فیلتر کردن لکه‌ها، هندسه و تصحیح زمین، طبقه‌بندی و اعتبارسنجی [ 19 ] با استفاده از پلتفرم‌های پردازش تصویر سنتی، حتی آنهایی که جعبه ابزار داخلی دارند، بسیار زمان‌بر است. مانند بسته های نرم افزاری ENVI و ERDAS [ 20 ]. این هزینه می تواند زمان و کارایی تحقیق را محدود کند. با کمک محاسبات و سیستم‌های شبکه با کارایی بالا، Google Earth Engine (GEE) امکان پردازش و تجزیه و تحلیل آنلاین تصاویر رادار را با نوشتن اسکریپت‌های سبک وزن با یک حساب Google فراهم می‌کند و فرآیند را در یک پلتفرم مبتنی بر ابر سرعت می‌بخشد [ 21 ]]. انبوهی از کاتالوگ های داده و الگوریتم های پردازش نوآورانه ارائه شده توسط GEE می تواند به طور موثر موانع ایجاد شده توسط سیستم عامل های سنتی را از بین ببرد. الگوریتم های تشخیص آب بر اساس حسگرهای رادار در چندین دسته ظاهر شده اند: آستانه، طبقه بندی و تجزیه و تحلیل تصویر مبتنی بر شی. به طور کلی، آستانه معمولاً برای تمایز آب از سطح غیرآبی در نمایش لگاریتمی تصاویر رادار، که در آن ویژگی‌های آب و غیرآبی به عنوان دو توزیع گاوسی در هیستوگرام ضریب پراکندگی عقب داده‌های رادار در مقیاس دسی‌بل نشان داده می‌شوند، اتخاذ شده است. اگرچه با مسائل پراکندگی پرش مضاعف محدود شده است، زیرا آب های زیر لایه های گیاهی ممکن است باعث پراکندگی اضافی راداری شوند [ 22 ]]، آستانه گذاری همچنان روشی کارآمد و ساده برای استحصال آب مناطق روستایی در فصل زمستان با پوشش گیاهی پیچیده تر است.
یک روش کلاسیک برای انتخاب آستانه انتخاب دستی کوچکترین مقادیر دره بین دو قله توزیع بر اساس بازرسی بصری توسط محقق است. مسئله اصلی این روش سوگیری ناشی از هر ناظر منفرد است. راه حل برای جبران تعصب مشاهده محقق، استفاده از برنامه نویسی کامپیوتری برای انتخاب پایین ترین نقطه با سوگیری کمتر در دره است که می تواند از نظر محاسباتی در زمان خطی کارآمد باشد. با این حال، هیستوگرام شدت ارائه شده توسط تصویربرداری راداری ممکن است لزوماً یک دره تیز ارائه نکند، بلکه معمولاً یک منطقه صاف بین قله ها ارائه می دهد. بنابراین، انتخاب کوچکترین مقدار دره در این مورد کمتر دقیق یا معقول خواهد بود، زیرا مقدار نقطه انتخاب شده ممکن است کمی از مقدار نقاط مجاور خود در فواصل باز کنار نقطه انتخاب شده منحرف شود. علاوه بر این، به دلیل نویز در تشخیص رادار، خاصیت محدب دقیق در منطقه دره بین دو قله تضمین نمی شود. به عبارت دیگر، ممکن است چندین قله و حداقل های محلی نزدیک به هم وجود داشته باشد. در این مورد، روش انتخاب کوچکترین مقدار دره به شدت تحت تأثیر نویز قرار می گیرد.
مدل مخلوط گاوسی یکی دیگر از روش های مرسوم برای طبقه بندی باینری بر اساس توزیع است. توزیع آب و اجسام غیرآبی در هیستوگرام شدت رادار (dB) تقریباً به صورت دو توزیع گاوسی با میانگین های جداگانه ارائه می شود. μ1و μ2و انحرافات استاندارد σ1و σ2[ 23 ]. یکی از توزیع ها احتمال شرطی مقدار دسی بل پیکسل های آب است در حالی که دیگری احتمال شرطی مقدار دسی بل پیکسل های غیرآبی است. هدف این مدل به حداکثر رساندن احتمال شرطی پیش بینی است y^با توجه به هر مقدار دسی بل ( x ). طبق قضیه بیز، این معادل به حداکثر رساندن ضرب احتمال شرطی x بیش است.y^و احتمال حاشیه ای y^.
با این حال، مسئله با چنین فرمول بندی مسئله بر اساس فرض توزیع قبلی آب و زمین به عنوان یک توزیع گاوسی است. با این حال، چنین فرضی را نمی توان مستقیماً برای موارد جهانی صحیح فرض کرد. علاوه بر این، پارامترهای توزیع μ1، σ1، μ2، σ2ناشناخته هستند محقق همچنین باید برآوردگرهای این چهار پارامتر را از طریق نمودار چگالی شناسایی کند. راه حل های ممکن برای تخمین این پارامترهای ناشناخته می تواند روش های تکرار شونده مانند روش حداکثرسازی انتظار [ 24 ] باشد، اما به دو دلیل ناپایدار است. اول، فرآیند تکرار برای رسیدن به دقت رضایت‌بخش زمان‌بر است. دوم، همچنین احتمالاً در برخی از نقاط بهینه محلی محدود می شود و بنابراین هرگز به راه حل بهینه جهانی نمی رسد [ 25 ].
در عوض، ما پیشنهاد می کنیم از روش Otsu برای حل این مشکل آستانه استفاده کنیم. روش Otsu یک روش بدون نظارت است و در ابتدا برای انتخاب آستانه ای برای جدا کردن یک شی از پس زمینه آن، از طریق هیستوگرام سطح خاکستری تصویر طراحی شد [ 25 ]. در کاربرد، روش Otsu را می توان به طور گسترده گسترش داد تا بر روی هیستوگرام های چگالی یا توزیع های دیگر به غیر از هیستوگرام سطح خاکستری از تصاویر کار کند و همچنین می تواند برای مشکلات چند آستانه ای استفاده شود. روش Otsu رویکرد بهتری برای این مشکل در مقایسه با برخی راه‌حل‌های مرسوم است، زیرا به طور خودکار آستانه‌ای را از دو توزیع مختلط از طریق هیستوگرام چگالی انتخاب می‌کند [ 25 ].]. علاوه بر این، روش Otsu نیازی به دانش قبلی یا فرضیات توزیع اشیا ندارد [ 25 ]. علاوه بر این، روش Otsu معادل روش K-Means است اما روش Otsu می تواند راه حل بهینه جهانی را ارائه دهد، در حالی که روش K-Means ممکن است به نقطه بهینه محلی محدود شود [ 26 ]. اگرچه از نظر محاسباتی به دلیل جستجوی تکراری [ 26 ] پیچیده و سنگین است، GEE می‌تواند روش Otsu را با پلت فرم محاسبات ابری خود سرعت بخشد. به عنوان مثال، روش Otsu بر روی تصاویر Landsat TM بدون ابر برای تشخیص پوشش زمین شهری استفاده شده است که بر تمایز زمین شهری و منطقه غیر شهری در منطقه Haidian پکن، چین تمرکز دارد [ 27 ].]. این تحقیق منجر به دقت در 84.83%برای روش Otsu، که بزرگتر از دقت بود 74%برای روش مرسوم تشخیص تغییر پس طبقه بندی [ 27 ]. مطالعه دیگری از روش Otsu بر روی داده‌های SAR برای تشخیص نشت نفت بر روی سطوح دریا استفاده کرد، که سعی کرد آستانه‌ای بر روی داده‌های رادار پیدا کند تا لبه فیلم نفت ریخته شده شناور بر روی دریا را ترسیم کند [ 28 ]. این میدان نفتی Penglai و خلیج دالیان را مورد بررسی قرار داد که منجر به نرخ خطا شد 3.0%در میدان نفتی Penglai و نرخ خطا از 13.0%در خلیج دالیان برای روش اوتسو [ 28 ]. اگرچه روش Otsu قبلاً به طور گسترده در مسائل آستانه استفاده شده است، به ندرت برای استخراج آب های سطحی استفاده شده است. علاوه بر این، اکثر مطالعات قبلی الگوریتم‌ها و اسکریپت‌های دقیقی را برای اجرای روش Otsu ارائه نمی‌دهند. بنابراین، ما علاقه مند به استفاده از روش Otsu برای تشخیص آب های سطحی و ارائه کد قابل استفاده مجدد برای اجرای آینده هستیم.
بنابراین، اهداف کار حاضر عبارتند از:
  • روش Otsu را پیاده سازی کنید و اسکریپت های قابل استفاده مجدد بنویسید تا به طور خودکار آستانه های استخراج آب های سطحی را با استفاده از داده های Sentinel-1 در Google Earth Engine انتخاب کنید.
  • تجزیه و تحلیل مزایا و معایب یک طبقه بندی کننده بدون نظارت از هر دو دیدگاه ریاضی و کاربردی
  • با نقشه برداری از سطح آب دریاچه در ژانویه 2017، 2018، 2019 و 2020 به پایگاه دانش تغییرات هیدرولوژیکی دریاچه پویانگ کمک کنید.

2. مواد و روشها

2.1. منطقه مطالعه

دریاچه پویانگ، بزرگترین دریاچه آب شیرین در چین، بین شهر نانچانگ و شهر جیوجیانگ، در شمال استان جیانگشی واقع شده است. حوضه عبور از 28∘22″به 29∘45″N و 115∘47″به 116∘45″E، که متعلق به یک منطقه آب و هوایی مرطوب و نیمه گرمسیری موسمی است، با میانگین دمای سالانه 17.5 درجه سانتیگراد و میانگین بارندگی سالانه 1665 میلی متر [ 29 ]. حوضه دریاچه پویانگ توسط رودخانه های Xiu، Gan، Fu، Xin و Rao تغذیه می شود، در حالی که حوضه از طریق یک کانال خروجی در انتهای شمالی دریاچه به رودخانه یانگ تسه متصل می شود ( شکل 1 ). این دریاچه دارای مساحت تقریباً 4000 کیلومتر مربع در سطح پرآب تابستانی خود است [ 30 ، 31 ]]. دریاچه پویانگ علاوه بر اندازه آن، به دلایل اقتصادی و زیست محیطی متعددی نیز قابل توجه است. به عنوان مثال، اکوسیستم های آبی دریاچه پویانگ در حال زمستان گذرانی برای هزاران پرنده آبی مهاجر هستند، از جمله جرثقیل سیبری – گونه ای در معرض خطر انقراض که 4000 فرد بازمانده آن زمستان های خود را تقریباً تنها در تالاب های اطراف دریاچه پویانگ می گذرانند [ 32 ]. با این حال، دریاچه پویانگ دستخوش یک سری دگرگونی های مهم شده است که تنوع و زیستگاه های حیاتی در منطقه را تهدید می کند. در حالی که مناطق آب های سطحی به طور سنتی در مقیاس فصلی در نوسان هستند – در تابستان به اوج خود می رسد و در زمستان کاهش می یابد – کاهش بین سالانه بزرگی در میانگین سطح آب در سال های اخیر مشاهده شده است [ 33 ]]. تغییرات قابل توجه سطح آب و نوسانات سطح آب فصلی چشمگیر 8 تا 22 متر در هر سال ناشی از رژیم هیدرولوژیکی منطقه ای است که هم توسط پنج رودخانه حوضه آبریز و هم رودخانه یانگ تسه کنترل می شود [ 34 ]. علاوه بر این، دینامیک آب های زیرزمینی به جای بارش محلی، به شدت تحت تأثیر تغییرات سطح آب دریاچه قرار می گیرد، که نشان دهنده یک رابطه هیدرولیکی نزدیک بین آب های زیرزمینی و دریاچه است [ 35 ].

2.2. پلتفرم و داده ها

موتور Google Earth (GEE، https://earthengine.google.com ) از یک کاتالوگ داده تصاویر ماهواره ای چند پتابایتی تشکیل شده است که با یک سرویس محاسبات ابری با کارایی بالا و ذاتاً موازی قرار گرفته است. کاربران می توانند به GEE از طریق یک رابط برنامه نویسی کاربردی در دسترس اینترنت (API) و یک محیط توسعه تعاملی مبتنی بر وب (IDE) که نمونه سازی سریع و تجسم نتایج را ممکن می کند، دسترسی داشته باشند. این پلت فرم رایانش ابری نه تنها دسترسی به اکثر مجموعه داده های مکانی را آسان می کند، بلکه تجزیه و تحلیل توان عملیاتی بالا را نیز امکان پذیر می کند. مثال‌های زیادی وجود دارد که دانشمندان محیط‌زیست تحقیقات خود را با کمک GEE تقویت کردند، مانند نقشه‌برداری جمعیت [ 36 ]، نقشه‌برداری زمین‌های زراعی [ 37 ]، استخراج دریاچه‌های یخچالی [36].38 ] و نقشه برداری احتمالی تالاب [ 39 ].
Sentinel-1 اولین صورت فلکی ماهواره ای برنامه کوپرنیک است که توسط آژانس فضایی اروپا مستقر شده است. این ماموریت فضایی از دو ماهواره Sentinel-1A و Sentinel-1B تشکیل شده است که دارای یک ابزار راداری با دیافراگم مصنوعی باند C هستند که داده ها را در هر آب و هوا، روز یا شب جمع آوری می کند [ 40 ]. از آنجایی که حسگرهای رادار به دلیل توانایی آنها در نفوذ به ابرها در تشخیص رطوبت و آب مزیت دارند، Sentinel-1 یکی از رایج ترین مجموعه داده ها برای تشخیص آب های سطحی [ 41 ] و نقشه برداری سیل [ 42 ] است.
فصل زمستان کم آب دریاچه پویانگ، زیستگاه علوفه و منطقه زمستانی مهمی را برای بسیاری از پرندگان آبی مورد توجه ویژه، از جمله جرثقیل سیبری در معرض خطر انقراض، فراهم می کند. به دلیل اهمیت سطح آب در این مدت، ما به تصاویر گرفته شده در ژانویه در سال های بعد نگاه کردیم. ما تصاویر Sentinel-1 Level-1 IW GRD را از کاتالوگ داده GEE از ژانویه 2017 تا 2020 بارگیری کردیم ( جدول 1 ). تصاویر به دست آمده در ژانویه 2020 برای ارزیابی اجرای روش Otsu ما در GEE استفاده شد. بقیه برای تجزیه و تحلیل تغییر مساحت آب در ژانویه در طول 4 سال از 2017 تا 2020 استفاده شدند.

2.3. روش اوتسو

در این بخش، ابتدا ایده اصلی روش Otsu [ 25 ، 26 ] را در یک چارچوب کلی معرفی می‌کنیم و سپس نحوه اعمال روش Otsu را در این مسئله آستانه با هیستوگرام چگالی مقدار راداری مورد بحث قرار می‌دهیم.
در اینجا از نمادهای زیر استفاده می کنیم:
  • مجموعه C مجموعه شاخص همه عناصر است.
  • i شاخص عنصر i-امین است، جایی کهمن∈سیبه عنصر i- امین متعلق به کل مجموعه C که ما در نظر می گیریم اشاره دارد. ایکسمنمقدار این عنصر i است و بدون از دست دادن کلیت، می‌توانیم آن را فرض کنیم ایکسمنمرتب شده اند. به صراحت، ایکسمن<ایکسj، اگر من<j، برای من،j∈سی.
  • پمناحتمال یا چگالی عنصر i است. واضح است که ∑من∈سیپمن=1.
  • ما سعی می کنیم مجموعه C را به دو گروه فرعی جدا از هم تقسیم کنیم سی0، سی1، جایی که سی0،سی1⊂سیو سی0⋃˙سی1=سی.

  • μjمرکز یا مقدار میانگین خوشه است سیj، برای j=0،1:

    μj=∑من∈سیjپمن·ایکسمن∑من∈سیjپمن، برای j=0،1

  • μمرکز یا مقدار میانگین کل مجموعه C است :

    μ=∑من∈سیپمن·ایکسمن=∑من∈سی0⋃˙سی1پمن·ایکسمن

  • Vjبه عنوان واریانس درونی خوشه نشان داده می شود سیj، که به عنوان جمع وزنی مجذور فاصله خوشه تعریف می شود سیjهر نقطه داده از مرکز خود است μj، برای j=0،1:

    Vj=∑من∈سیjپمن·(ایکسمن-μj)2، برای j=0،1

  • V0،1به عنوان واریانس بین کلاسی بین خوشه نشان داده می شود سی0و خوشه سی1[ 25 ]، که به عنوان جمع وزنی مجذور فاصله مرکز هر خوشه تعریف می شود. μjاز مرکز کل مجموعه μ:

    V0،1=∑j=0،1((∑من∈سیjپمن)·(μj-μ)2)

  • V به عنوان واریانس کل نشان داده می شود، که به عنوان جمع وزنی فاصله مجذور تمام نقاط داده از مرکز کل مجموعه تعریف می شود. μ. علاوه بر این، می‌توانیم ببینیم که V در واقع دقیقاً واریانس است σسی2از مجموعه C :

    V=∑من∈سیپمن·(ایکسمن-μ)2

ایده اصلی روش Otsu به حداقل رساندن جمع واریانس درونی است Vjاز همه خوشه ها سیjکه واریانس درون کلاسی [ 25 ] نامیده می شود. واریانس داخلی یک خوشه مجموع فاصله مجذور هر عنصر تا مرکز خوشه را همانطور که تعریف کردیم نشان می دهد و مقدار کوچکتر واریانس داخلی فاصله نزدیکتر هر نقطه را به مرکز خوشه نشان می دهد. رابطه نزدیکتر یا شباهت بالاتری را نشان می دهد که عناصر در این خوشه به اشتراک می گذارند. بنابراین، بهترین جداسازی کل مجموعه عناصر باید عناصر مشابه را تا حد امکان بهینه در یک خوشه گروه بندی کند. در ریاضیات، این معادل به حداقل رساندن مجموع واریانس درونی در هر خوشه است. تابع هدف به صورت زیر فرموله می شود:

دقیقهسی0،سی1∑j=0،1Vj=دقیقهسی0،سی1∑j=0،1∑من∈سیjپمن·(ایکسمن-μj)2

علاوه بر این، مجموع واریانس درونی هر خوشه و واریانس بین طبقاتی باید برابر با کل واریانس کل مجموعه [ 25 ] باشد که برای یک مجموعه داده ثابت ثابت است.

V=∑j=0،1Vj+V0،1

بنابراین، تابع هدف قبلی معادله (1) معادل به حداکثر رساندن واریانس بین کلاسی است. V0،1:

حداکثرسی0،سی1∑j=0،1((∑من∈سیjپمن)·(μj-μ)2)

حال در اعمال روش Otsu بر روی هیستوگرام چگالی می توانیم داشته باشیم:
  • مجموعه تمام مقادیر bin ممکن در هیستوگرام چگالی به عنوان Θ، که فضای فرضیه برای تخمین آستانه نیز می باشد.
  • چگالی مربوط به سطل با مقدار θبه عنوان مشخص می شود پθو باید داشته باشیم 1=∑θ∈Θپθ.
  • برای هر مقدار bin θ∈Θ، می توانیم یک شاخص مربوطه قرار دهیم منθبه مجموعه نمایه شده C ، که در آن منθ-امین bin در هیستوگرام چگالی دارای مقدار bin است θ. از این رو، ایکسمنθ=θو پمنθبرابر چگالی است پθسطل با ارزش θاز هیستوگرام چگالی
  • پیش بینی نهایی آستانه به صورت نشان داده می شود θ^∈Θ، که مربوط به شاخص است منθ^∈سی.
  • دو خوشه مجزا که توسط یک آستانه تشکیل شده اند θاست سی0={من:من<منθ،من∈سی}و سی1={من:من≥منθ،من∈سی}.

تخمین نهایی آستانه θ^باید یکی باشد که بر اساس آن خرده خوشه سی0*و سی1*می تواند به مقدار بهینه تابع هدف در رابطه (3) برسد. سپس، می توانیم داشته باشیم:

منθ^=دقیقهمن∈سی1*من

θ^=ایکسمنθ^

این مسئله بهینه سازی را می توان در حداکثر زمان چند جمله ای درجه دوم به اندازه مجموعه محدود حل کرد. Θ، یعنی پیچیدگی زمانی خواهد بود O(|Θ|2). یکی از پیاده سازی های ممکن همانطور که در الگوریتم 1 نشان داده شده است، تکرار در مجموعه محدود و ثبت عنصری در مجموعه است که بالاترین مقدار را برای تابع هدف ارائه می دهد. هر تکرار داخلی برای محاسبه تابع هدف به زمان خطی نیاز دارد.

الگوریتم 1: OtsuMethodFindOptimal Thresholding (زمان: O(|Θ|2))
Ijgi 09 00424 i001
ما می توانیم پیچیدگی زمانی روش Otsu را به پیچیدگی زمانی خطی بهبود دهیم O(|Θ|). اگر مقدار آن را ذخیره کنیم μ0و μ1از تکرار حلقه بیرونی قبلی، زمان ثابتی طول خواهد کشید O(1)برای محاسبه مجدد مقدار تابع هدف بر اساس معادله (3) برای به‌روزرسانی جدید سی0و سی1در این دور فعلی
از آنجا که روش Otsu از طریق تمام مقادیر ممکن برای آستانه تکرار می شود و مقادیر هدف را با تمام این آستانه های ممکن مقایسه می کند، اجرای روش Otsu در الگوریتم 1 یک راه حل بهینه جهانی برای تابع هدف در معادله (3) ارائه می دهد.

2.4. تشخیص آب

هنگامی که فرآیند پیش پردازش توسط GEE تکمیل شد، هیستوگرام باند VV تولید شد و از روش Otsu برای جستجو در آستانه هایی استفاده شد که توسط bin ها در هیستوگرام نشان داده می شوند. آستانه بهینه برای طبقه بندی داده ها محاسبه شد، جایی که پارتیشنی که مقادیر آن کوچکتر از آستانه است به عنوان آب برچسب گذاری می شود در حالی که پارتیشنی که مقادیر آن بزرگتر از آستانه است به عنوان غیرآبی برچسب گذاری می شود. به منظور کاهش تأثیر مسائل پراکندگی پرش مضاعف، ما برچسب آب را به عنوان منطقه آب کاملاً باز تعریف کردیم، در حالی که برچسب غیرآب شامل پوشش گیاهی آبزی غوطه‌ور و نوظهور و ویژگی‌های زمین بود. پیاده سازی خاص روش Otsu را می توانید از طریق پیوند پیدا کنید: کد منبع برای روش Otsu(توسط سولونگ ژو). روش پس پردازش که نویز را حذف می‌کند و کیفیت خروجی طبقه‌بندی‌شده شامل استخراج ماسک، فیلتر اکثریت و تمیز کردن مرز را بهبود می‌بخشد در ArcGIS برای حذف آب‌هایی که از نظر جغرافیایی به دریاچه پویانگ، جزایر کوچک پیکسل‌ها و لبه‌های عجیب خوشه‌ها مرتبط نیستند، انجام شد.

2.5. ارزیابی دقت

نقطه x را با برچسب واقعی آن y که از توزیع واقعی گرفته شده است نشان می دهیمDمانند (ایکس،y)∼D، جایی که توزیع واقعی است Dدر واقع ناشناخته است به طور خاص، x مقدار dB رادار برای یک پیکسل است و به صورت زیر تعریف می شود:

y=1،اگر را درست است، واقعی برچسب از ایکس است اب0،اگر را درست است، واقعی برچسب از ایکس است غیر-اب

بر اساس برآورد آستانه بهینه θ^از روش Otsu می‌توانیم پیش‌بینی برچسب را ارائه دهیم y^برای نقطه x به صورت:

y^=fθ^(ایکس)=𝟙ایکس<θ^

جایی که،

𝟙ایکس<θ^=1،اگر ایکس<θ^0،در غیر این صورت

دقت توافق بین استاندارد فرض شده صحیح و تصویر طبقه بندی شده با کیفیت ناشناخته را اندازه می گیرد [ 43 ]. خطاهای طبقه بندی زمانی رخ می دهد که یک پیکسل (یا ویژگی) متعلق به یک دسته به دسته دیگری اختصاص داده شود. خطاهای حذف زمانی رخ می دهد که یک ویژگی از دسته ای که در حال ارزیابی است کنار گذاشته شود. خطاهای کارمزد زمانی رخ می دهد که یک ویژگی به اشتباه در دسته مورد ارزیابی گنجانده شود [ 44 ]. خطای حذف در یک دسته به عنوان اشتباه در کمیسیون در دسته دیگر محسوب می شود. به طور واضح، برای مقدار dB یک پیکسل x و برچسب واقعی آن y از توزیع واقعی ناشناخته D، خطا زمانی رخ می دهد که y^≠y. بنابراین، دقت را می توان از نظر ریاضی به صورت زیر تعریف کرد:

آججتوrآجy=E(ایکس،y)∼D𝟙y^=y

از زمان توزیع واقعی Dناشناخته است، نمی توان دقت را از طریق رابطه (7) محاسبه کرد. بنابراین، برای تخمین چنین دقتی به یک برآوردگر نیاز داریم. یک راه ممکن برای تخمین بر اساس توزیع تجربی [ 45 ] است. یک مجموعه تست تی={(ایکسمن،yمن)}من=1n، که یک توزیع تجربی را تشکیل می دهد D^، برای تقریب توزیع واقعی استفاده می شود D، جایی که هر عنصر (ایکسمن،yمن)به طور مستقل و یکسان ( iid ) از توزیع واقعی استخراج می شود D.

{(ایکسمن،yمن)}من=1n∼من.من.دD

تخمینگر تجربی دقت آججتوrآجy^برای تابع طبقه بندی fθ^را می توان به صورت زیر بیان کرد:

آججتوrآجy^=1n·∑(ایکسمن،yمن)∈تی𝟙y^من=yمن،wساعتهrهy^من=fθ^(ایکسمن)

از آنجا که (ایکسمن،yمن)∈تی، برای ∀من=1،…،n، است من.من.دبرگرفته از توزیع واقعی D، این برآوردگر آججتوrآجy^در معادله (8) یک برآوردگر بی طرفانه از درست است آججتوrآجyهمانطور که در معادله (7) [ 46 ] تعریف شد، به صورت زیر ثابت شد:

اثبات Unbias Estimator.

E[آججتوrآجy^]=E[1n·∑(ایکسمن،yمن)∈تی𝟙y^من=yمن]=1n·∑(ایکسمن،yمن)∈تیE[𝟙y^من=yمن]=من.من.د1n·∑(ایکسمن،yمن)∈تیE(ایکس،y)∼D[𝟙y^=y]=1n·n·E(ایکس،y)∼D[𝟙y^=y]=E(ایکس،y)∼D[𝟙y^=y]=آججتوrآجy

□

یک ارزیابی بصری دوسوکور اصلاح شده از یک نمونه تصادفی از مکان‌های آزمایش برای ارزیابی دقت طبقه‌بندی استفاده شد. در مرحله اول، یک مجموعه تصادفی از 304 سایت آزمایشی در سراسر منطقه ایجاد شد، و الگوریتم را می توان از طریق پیوند پیدا کرد: کد منبع برای نقاط تصادفی (توسط سولونگ ژو). این مجموعه تصادفی با مجموعه آزمایشی T مطابقت دارد n=304و هر عنصر (ایکسمن،yمن)است من.من.دبرگرفته از توزیع واقعی Dکه توزیع مقدار دسی بل و برچسب مکان ها در منطقه مورد مطالعه همانطور که در شکل 1 نشان داده شده است. سپس به تیمی در نانچانگ اختصاص داده شد که از تمام نقاط قابل دسترسی از مجموعه 304 بازدید کردند. سپس بر اساس تجربه، دانش و مشاهدات خود در هر دو تنظیمات میدانی واقعی و Google Earth، آنها سایت های بازدید شده را متمایز کردند و آنها را به عنوان آب برچسب زدند. و مناطق غیر آبی ما در نهایت داده های صحت زمین را با مقایسه با تصاویر ترکیبی رنگ نادرست Landsat 8 تأیید کردیم و 19 برچسب را تصحیح کردیم. به صراحت، این مرحله برای ارزیابی برچسب واقعی است yمنبه عنوان آب یا غیر آب برای هر کدام ایکسمندر مجموعه تست T. در نهایت، این سایت های تست برچسب {(ایکسمن،yمن،y^من)}من=1n=304، جایی که y^من=fθ^(ایکسمن)، به عنوان اطلاعات حقیقت پایه برای ایجاد یک ماتریس سردرگمی وارد شدند.

3. نتایج و بحث

3.1. ماتریس سردرگمی

دقت کلی قبل از تصحیح مجموعه تست بود 83.88%( جدول 2 ) در حالی که دقت کلی پس از تصحیح مجموعه تست به افزایش یافت 92.11%( جدول 3 ). عناصر مورب (از چپ به راست، از بالا به پایین) در ماتریس تعداد پیکسل‌های طبقه‌بندی صحیح هر کلاس را نشان می‌دهند، به عنوان مثال، تعداد پیکسل‌های حقیقت زمین با برچسب آب که در واقع به عنوان آب در طول طبقه‌بندی پیش‌بینی شده است.
در مقابل، عناصر متقاطع قطری نشان دهنده پیکسل های طبقه بندی نادرست هستند. از دست دادن دقت زیاد (40 از 93) در پیکسل‌هایی رخ می‌دهد که در داده‌های حقیقت زمین آب هستند اما به غیرآبی طبقه‌بندی می‌شوند ( شکل 2 a). این به دو دلیل اتفاق می افتد. اول اینکه بسیاری از این نقاط در پیکسل های مرزی بین دو کلاس قرار دارند. دوم، بیشتر نقاط از خوشه های همسایه خود جدا شده اند. ناحیه مرزی دارای مشکل پیکسل های مختلط است که به این معنی است که هم آب و هم غیرآب در پاسخ طیفی مشاهده شده پیکسل نقش دارند. علاوه بر این، توانایی نفوذ باند C قادر به تشخیص آب پنهان در زیر سنگ ها یا پوشش گیاهی در جایی که شاخص گیاهی تفاوت نرمال شده (NDVI) بیشتر از 0.7[ 47 ]. در مقابل، تنها 9 پیکسل وجود دارد که به اشتباه در آب طبقه بندی می شوند در حالی که در داده های حقیقت زمینی به عنوان غیرآبی برچسب گذاری شده اند ( شکل 2 ج). این احتمالاً به این دلیل است که باند VV می تواند تحت تأثیر باد قرار گیرد به طوری که سطح آب موج دار به دلیل بازتاب منتشر به غیرآبی طبقه بندی می شود. از سوی دیگر، ما هر یک از این نکات طبقه بندی شده اشتباه را بررسی کردیم و متوجه شدیم که خطاهای انسانی در داده های آزمایشی نیز دقت کلی را به خطر می اندازد. بیست و دو نقطه از 40 نقطه آزمایش غیرآبی و سه نقطه از نه نقطه آزمایش آب با استفاده از تصاویر لندست 8 به عنوان مرجع اصلاح شدند. در نتیجه، دقت کلی تقریباً افزایش یافت 9%.
توجه داشته باشید که تصحیح مجموعه تست T بر روند تمرین و تخمین آستانه بهینه تأثیر نمی گذارد. θ^ارائه شده توسط روش Otsu. از آنجایی که روش Otsu یک الگوریتم یادگیری بدون نظارت است، برای فرآیند آموزشی آن به برچسب y داده ها بستگی ندارد. این ویژگی ویژگی تحمل خرابی داده ها از روش Otsu را نشان می دهد. به عبارت دیگر، خرابی در برچسب داده های ورودی بر آموزش یا عملکرد واقعی روش Otsu تأثیر نمی گذارد. علاوه بر این، مجموعه آزمون T فقط برای تخمین آماری یا ارزیابی عملکرد طبقه‌بندی براساس تخمین آستانه بهینه استفاده می‌شود. θ^از روش اوتسو
علاوه بر این، برای عوامل مؤثر بر دقت، شایان ذکر است که مقدار dB رادار با برچسب مربوطه آن، داده‌های غیرقابل تفکیک خطی است [ 48 ]. به عبارت دیگر، ابر صفحه ای وجود ندارد که به وضوح مقدار dB مربوط به برچسب آب و مقدار dB مربوط به غیرآب را جدا کند. زیرا دو ناحیه یا پیکسل های مختلف i و j وجود دارد که در آن ها وجود داردمن≠j، به طوری که مقدار دسی بل یکسانی دارند ایکسمن=ایکسj، اما آنها در واقع برچسب متفاوتی دارند yمن≠yjیک منطقه مربوط به آب و منطقه دیگر مربوط به غیرآبی است. چنین غیر قابل تفکیک خطی ممکن است دقت این الگوریتم یادگیری را کاهش دهد، که اجتناب ناپذیر است زیرا روش Otsu در تلاش است از یک آستانه خطی برای جداسازی داده ها استفاده کند. یک مثال احتمالی از چنین منطقه ای i و j در شکل 2 b نشان داده شده است.

3.2. منطقه آب

آستانه بهینه برای سال 2020 به عنوان انتخاب شد -16.87از طریق هیستوگرام، جایی که اوج پایین مربوط به پیکسل های آب است در حالی که اوج بالا مربوط به پیکسل های غیرآبی است ( شکل 3 را ببینید ). به طور مشابه، آستانه بهینه برای هر سال از سال 2017 تا 2019 -14.88، -16.93و -16.96به ترتیب. بر اساس آستانه های انتخاب شده خودکار به دست آمده از روش Otsu، تصاویر به مناطق آبی و غیرآبی طبقه بندی شدند. در نتیجه، سطح زمین های آب سطحی دریاچه پویانگ از سال 2017 تا 2020 به دست آمد و در جدول 4 ارائه شده و از چپ به راست در شکل 4 نشان داده شده است. مساحت آب های سطحی نزدیک به 650 کیلومتر کاهش یافت 2بین سال های 2017 و 2018، پس از آن نزدیک به 640 کیلومتر افزایش یافت 2بین سال های 2018 تا 2019 و در نهایت نزدیک به 856 کیلومتر کاهش یافت 2بین سال‌های 2019 و 2020. این نشان می‌دهد که سطح آب سطحی دریاچه پویانگ با نوسانات کاهش یافته است، که با سایر تحقیقات در مورد تغییرات آب سطحی دریاچه پویانگ در دوره زمانی 1988-2016 مطابقت دارد [ 49 ].
علاوه بر تغییرات قابل توجه بین سالانه، نتایج ما نیز تغییرات فضایی سطح آب های سطحی را نشان داد. نواحی خشک یا خشک عمدتاً در مرکز و مرز دریاچه به طور همزمان رخ داده است. نواحی آبی واقع در شمال (مرتبط به رودخانه یانگ تسه) و غرب (مرتبط به رودخانه گان) بیشترین تغییرات را به خود اختصاص دادند، در حالی که نواحی آبی واقع در شرق و جنوب تغییرات بسیار کمتری را حفظ کردند.
تغییرات سطح آب معمولاً با تغییرات سطح آب در حوضه دریاچه پویانگ ارتباط نزدیکی دارد [ 50 ]. هم سطح آب و هم سطح آب عوامل غالب برای تالاب‌های دریاچه پویانگ هستند و بنابراین بر توزیع زیستگاه و دسترسی تأثیر می‌گذارند. در این مورد، نتایج طبقه‌بندی ما که تغییرات سطح آب مکانی-زمانی را نشان می‌دهد می‌تواند پیوندهای قوی با در دسترس بودن زیستگاه ایجاد کند و تحقیقات آینده را برای کمی کردن بیشتر این رابطه پیشنهاد کند.

4. نتیجه گیری

از طریق این تحقیق، تغییرات مکانی-زمانی دریاچه پویانگ را در ژانویه 2017 تا 2020 ترسیم کردیم و نشان دادیم که سطح آب سطحی سالانه در نوسان بوده و در طول چهار سال گذشته هم در مرکز و هم در مرز دریاچه کوچک می‌شود. این تنوع با تحقیقات مربوط به دریاچه پویانگ برای دهه های قبل سازگار بود. رویکرد نقشه‌برداری ما شامل اجرای جدیدی از روش Otsu و پردازش داده‌های Sentinel-1 در موتور Google Earth بود. GEE به عنوان یک پلت فرم محاسبات ابری قدرتمند برای اجرای یک الگوریتم جستجوی جامع عملکرد خوبی داشت. ما توضیحات ریاضی مفصلی را برای برشمردن مزایا و محدودیت‌های روش Otsu ارائه کردیم که در تحقیقات سنجش از دور قبلی به وضوح نشان داده نشده بود. ما همچنین نشان دادیم که روش Otsu می‌تواند یک طبقه‌بندی مؤثر برای الگوریتم‌های انتخاب خودکار آستانه برای استخراج سطح آب با استفاده از داده‌های Sentinel-1 باشد. در نتیجه، روش Otsu پتانسیلی برای استفاده در سایر مطالعات مرتبط با آب، مانند کاربردهای استخراج آب برای سایر مناطق دریاچه، تشخیص آلاینده‌های آب برای ارزیابی زیست‌محیطی و نقشه‌برداری زیستگاه‌های آبی برای حفاظت از محیط زیست، با استفاده از اسکریپت‌های دسترسی باز آستانه را دارد. الگوریتم در اینجا کمک می کند.
در آینده، برای کاهش تأثیر ماهیت غیرقابل تفکیک خطی داده ها، روش 2 بعدی Otsu [ 51] قابل بکارگیری است. با این حال، از آنجایی که روش Otsu یک روش بدون نظارت است، ما عملکرد آن را با الگوریتم های یادگیری نظارت شده مقایسه نکرده ایم. الگوریتم یادگیری نظارت شده به داده های آموزشی نیاز دارد که در حال حاضر برای ژانویه 2020 در دسترس نیست. علاوه بر این، روش Otsu تحت تأثیر توانایی نفوذ سیگنال رادار تک باند C قرار می گیرد به طوری که گرفتن آب از زیر پوشش گیاهی دشوار است. برای پیشبرد تحقیقات خود به سمت نقشه‌برداری در دسترس بودن زیستگاه آبی، مقایسه بین روش‌های نظارت شده و بدون نظارت را با استفاده از سری‌های مختلف تصاویر برای تمایز مناطق پوشش گیاهی توصیه می‌کنیم. این گام بعدی به ما امکان می‌دهد تا توزیع فضایی زیستگاه جستجوی موجود را تحت شرایط هیدرولوژیکی مختلف برای گونه‌های نگران‌کننده مانند جرثقیل سیبری و دیگر موجودات آبزی شناسایی و طرح‌ریزی کنیم.

اختصارات

در این نسخه از اختصارات زیر استفاده شده است:

SAR رادار دیافراگم مصنوعی
GEE موتور Google Earth
API رابط برنامه نویسی کاربردی

منابع

  1. پکل، جی اف. کوتام، ا. گولیک، ن. Belward، AS نقشه برداری با وضوح بالا از آب های سطحی جهانی و تغییرات طولانی مدت آن. طبیعت 2016 ، 540 ، 418-422. [ Google Scholar ] [ CrossRef ]
  2. داونینگ، جی. پریری، ی. کول، جی. دوارته، سی. ترانویک، ال. استریگل، آر جی. مک داول، دبلیو. کورتلاینن، پی. کاراکو، ن. ملاک، جی. و همکاران فراوانی جهانی و توزیع اندازه دریاچه ها، حوضچه ها و آبگیرها. لیمنول. Oceanogr. 2006 ، 51 ، 2388-2397. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  3. بارو، CJ منابع آب و توسعه کشاورزی در مناطق استوایی ; Routledge: لندن، انگلستان؛ نیویورک، نیویورک، ایالات متحده آمریکا، 2016. [ Google Scholar ]
  4. آهنگ، JH; کانگ، ام اس؛ آهنگ، من. ژوئن، SM بیلان آب در مخازن آبیاری با در نظر گرفتن کنترل سیلاب و تغییرات راندمان آبیاری. جی. ایریگا. زه کشی. مهندس 2016 , 142 , 04016003. [ Google Scholar ] [ CrossRef ]
  5. هوانگ، ز. لو، ال. جیائو، جی. جیانگ، جی. Ye, Q. تجزیه و تحلیل همبستگی بین عوامل محیطی و جرثقیل های نادر در منطقه دریاچه پویانگ چین. J. Great Lakes Res. 2018 ، 44 ، 140-148. [ Google Scholar ] [ CrossRef ]
  6. پریجنت، سی. پاپا، اف. آیرس، اف. خیمنز، سی. راسو، دبلیو. Matthews, E. تغییرات در دینامیک آبهای سطح زمین از دهه 1990 و ارتباط با فشار جمعیت. ژئوفیز. Res. Lett. 2012 ، 39 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  7. هولگرسون، MA; Raymond, PA سهم بزرگی در انتشار CO 2 و CH 4 آب داخلی از حوضچه های بسیار کوچک. نات. Geosci. 2016 ، 9 ، 222-226. [ Google Scholar ] [ CrossRef ]
  8. گاردنر، آرسی؛ بارچیزی، اس. بلترام، سی. فینلیسون، سی. گالوسکی، تی. هریسون، آی. پاگانینی، م. پرینو، سی. پریچارد، دی. روزنکویست، ا. و همکاران وضعیت تالاب های جهان و خدمات آنها به مردم: مجموعه ای از تحلیل های اخیر . یادداشت توجیهی رامسر شماره 7; دبیرخانه کنوانسیون رامسر: گلند، سوئیس، 2015. [ Google Scholar ] [ CrossRef ][ Green Version ]
  9. De Amorim، WS; والدوگا، آی بی; ریبیرو، JMP; ویلیامسون، وی جی. کراوزر، جنرال الکتریک؛ ماگتوتو، MK; de Andrade، JBSO رابطه بین آب، انرژی و غذا در زمینه خطرات جهانی: تجزیه و تحلیل تعاملات بین غذا، آب و امنیت انرژی. محیط زیست ارزیابی تاثیر Rev. 2018 , 72 , 1-11. [ Google Scholar ] [ CrossRef ]
  10. Vörösmarty، CJ; گرین، پ. سالزبری، جی. Lammers، RB منابع آب جهانی: آسیب پذیری از تغییرات آب و هوا و رشد جمعیت. Science 2000 , 289 , 284-288. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  11. ون دایک، هوش مصنوعی؛ بک، او؛ کراسبی، RS; de Jeu، RA; لیو، YY; پودگر، جنرال موتورز; تیمبال، بی. Viney، NR خشکسالی هزاره در جنوب شرقی استرالیا (2001-2009): علل و پیامدهای طبیعی و انسانی برای منابع آب، اکوسیستم، اقتصاد و جامعه. منبع آب Res. 2013 ، 49 ، 1040-1057. [ Google Scholar ] [ CrossRef ]
  12. هیپسی، ام آر. بروس، ال سی؛ بون، سی. بوش، بی. کری، سی سی; همیلتون، DP; هانسون، رایانه شخصی؛ Read, JS; دی سوزا، ای. وبر، ام. و همکاران یک مدل دریاچه عمومی (GLM 3.0) برای پیوند با داده‌های حسگر فرکانس بالا از شبکه جهانی رصدخانه اکولوژیکی دریاچه (GLEON). Geosci. مدل Dev. 2019 ، 12 ، 473-523. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  13. کمپبل، جی بی. Wynne, RH مقدمه ای بر سنجش از دور . Guilford Press: نیویورک، نیویورک، ایالات متحده آمریکا، 2011. [ Google Scholar ]
  14. سان، جی. چن، ایکس. رن، جی. ژانگ، ا. Jia, X. تجزیه و تحلیل مخلوط طیفی طبقه بندی شده تصاویر با وضوح متوسط ​​برای نقشه برداری سطح غیرقابل نفوذ. بین المللی J. Appl. زمین Obs. Geoinf. 2017 ، 60 ، 38-48. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  15. بوستتو، ال. مرونی، م. Colombo, R. ترکیب داده های ماهواره ای با وضوح فضایی متوسط ​​و درشت برای بهبود تخمین سری های زمانی NDVI زیر پیکسل. سنسور از راه دور محیط. 2008 ، 112 ، 118-131. [ Google Scholar ] [ CrossRef ]
  16. Woodcock، CE; آلن، آر. اندرسون، ام. بلوارد، ا. بیندشادلر، آر. کوهن، دبلیو. گائو، اف. گووارد، SN; هلدر، دی. هلمر، ای. و همکاران دسترسی رایگان به تصاویر لندست. Science 2008 , 320 , 1011. [ Google Scholar ] [ CrossRef ]
  17. جوشی، ن. باومن، ام. ایهامر، ا. فنشولت، آر. گروگان، ک. هاسترت، پ. جپسن، ام.آر. کومرل، تی. میفرویت، پ. میچارد، ای تی. و همکاران مروری بر کاربرد ادغام داده های سنجش از دور نوری و راداری برای نقشه برداری و پایش کاربری زمین. Remote Sens. 2016 ، 8 ، 70. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  18. بیورسیتا، اف. پوسانت، ا. استامف، ا. Malet، JP روشی برای نقشه برداری خودکار و سریع سطوح آب از تصاویر نگهبان-1. Remote Sens. 2018 , 10 , 217. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  19. توله، ا. کائو، دبلیو. پلانک، اس. نقشه برداری سیل مبتنی بر مارتینیس، S. Sentinel-1: یک زنجیره پردازش کاملاً خودکار. بین المللی J. Remote Sens. 2016 ، 37 ، 2990-3004. [ Google Scholar ] [ CrossRef ]
  20. بله، ی. بروزون، ال. شان، جی. بوولو، اف. Zhu, Q. یک چارچوب تطبیق سریع و قوی برای ثبت تصویر سنجش از راه دور چندوجهی. arXiv 2018 , arXiv:1808.06194. [ Google Scholar ]
  21. گولیک، ن. هنچر، م. دیکسون، ام. ایلیوشچنکو، اس. تاو، دی. Moore, R. Google Earth Engine: تجزیه و تحلیل جغرافیایی در مقیاس سیاره ای برای همه. سنسور از راه دور محیط. 2017 ، 202 ، 18-27. [ Google Scholar ] [ CrossRef ]
  22. شومان، GJP; Moller، DK مایکروویو سنجش از راه دور طغیان سیل. فیزیک شیمی. قطعات زمین ABC 2015 ، 83 ، 84-95. [ Google Scholar ] [ CrossRef ]
  23. زینگ، ال. تانگ، ایکس. وانگ، اچ. فن، دبلیو. وانگ، جی. پایش دینامیک ماهانه آب های سطحی دریاچه دانگتینگ با استفاده از داده های Sentinel-1 در 10 متر. PeerJ 2018 ، 6 ، e4992. [ Google Scholar ] [ CrossRef ]
  24. Wolynetz, M. Algorithm AS 138: تخمین حداکثر احتمال از داده های معمولی محدود و سانسور شده. JR Stat. Soc. سر. C Appl. آمار 1979 ، 28 ، 185-195. [ Google Scholar ] [ CrossRef ]
  25. Otsu، N. روش انتخاب آستانه از هیستوگرام های سطح خاکستری. IEEE Trans. سیستم مرد سایبرن. 1979 ، 9 ، 62-66. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  26. والا، HJ; Baxi، A. مروری بر الگوریتم تقسیم‌بندی تصویر Otsu. بین المللی J. Adv. Res. محاسبه کنید. مهندس تکنولوژی IJARCET 2013 ، 2 ، 387-389. [ Google Scholar ]
  27. آن، ک. ژانگ، جی. Xiao، Y. نظارت پویا شهری شی گرا – مطالعه موردی منطقه Haidian پکن. چانه. Geogr. علمی 2007 ، 17 ، 236-242. [ Google Scholar ] [ CrossRef ]
  28. یو، اف. سان، دبلیو. لی، جی. ژائو، ی. ژانگ، ی. Chen, G. روش بهبود یافته Otsu برای تشخیص نشت نفت از تصاویر SAR. Oceanologia 2017 ، 59 ، 311-317. [ Google Scholar ] [ CrossRef ]
  29. بله، X. لی، ایکس. Xu، CY; ژانگ، Q. شباهت، تفاوت و همبستگی شاخص‌های خشکسالی هواشناسی و هیدرولوژیکی در یک منطقه آب و هوای مرطوب – حوضه آبریز دریاچه پویانگ در چین. هیدرول. Res. 2016 ، 47 ، 1211-1223. [ Google Scholar ] [ CrossRef ]
  30. شانکمن، دی. کیم، بی دی. آهنگ، جی. فرکانس سیل در منطقه دریاچه پویانگ چین: روندها و ارتباطات از راه دور. بین المللی جی.کلیماتول. یک شهاب سنگ JR. Soc. 2006 ، 26 ، 1255-1266. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  31. برنهام، جی. بارزن، ج. Pidgeon، AM; سان، بی. وو، جی. لیو، جی. جیانگ، اچ. جست‌وجوی جدید توسط جرثقیل‌های سیبری زمستان‌گذران Leucogeranus leucogeranus در دریاچه پویانگ چین نشان‌دهنده تغییرات گسترده‌تر در اکوسیستم است و چالش‌های جدیدی را برای گونه‌ای در معرض خطر انقراض به‌وجود می‌آورد. محافظ پرندگان بین المللی 2017 ، 27 ، 204-223. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  32. می، ایکس. دای، ز. فاغرازی، س. چن، جی. تغییرات چشمگیر در منطقه تالاب نوظهور در بزرگترین دریاچه آب شیرین چین، دریاچه پویانگ. Adv. منبع آب 2016 ، 96 ، 1-10. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  33. بله، X. ژانگ، کیو. بای، ال. Hu, Q. مطالعه مدلسازی تخلیه حوضه به دریاچه Poyang تحت آب و هوای آینده در چین. کوات. بین المللی 2011 ، 244 ، 221-229. [ Google Scholar ] [ CrossRef ]
  34. گائو، جی اچ. جیا، جی. کتنر، ای جی; زینگ، اف. وانگ، YP; Xu، XN; یانگ، ی. Zou، XQ; گائو، اس. چی، اس. و همکاران تغییرات در تبادل آب و رسوب بین رودخانه چانگجیانگ و دریاچه پویانگ در شرایط طبیعی و انسانی، چین. علمی کل محیط. 2014 ، 481 ، 542-553. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  35. لی، ی. یائو، جی. ژائو، جی. ژانگ، Q. شواهدی از روابط هیدرولیکی بین آب های زیرزمینی و آب دریاچه در سراسر تالاب دشت سیلابی بزرگ دریاچه پویانگ، چین. علم آب. تکنولوژی تامین آب 2018 ، 18 ، 698–712. [ Google Scholar ] [ CrossRef ]
  36. پاتل، NN; آنجیولی، ای. گامبا، پی. گاگان، ا. لیسینی، جی. استیونز، FR; تاتم، ای جی. Trianni، G. سکونتگاه چند زمانی و نقشه برداری جمعیت از Landsat با استفاده از موتور Google Earth. بین المللی J. Appl. زمین Obs. Geoinf. 2015 ، 35 ، 199-208. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  37. شلستوف، آ. لاورنیوک، ام. کوسول، ن. نوویکوف، آ. Skakun، S. کاوش پلت فرم موتور Google Earth برای پردازش داده های بزرگ: طبقه بندی تصاویر ماهواره ای چند زمانی برای نقشه برداری محصول. جلو. علوم زمین 2017 ، 5 ، 17. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  38. چن، اف. ژانگ، ام. تیان، بی. Li، Z. استخراج خطوط دریاچه یخبندان در فلات تبت با استفاده از تصاویر Landsat 8 و موتور Google Earth. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2017 , 10 , 4002–4009. [ Google Scholar ] [ CrossRef ]
  39. هیرد، JN; دلانسی، ER; مک درمید، جی. Kariyeva، J. Google Earth Engine، داده های ماهواره ای با دسترسی باز، و یادگیری ماشینی در حمایت از نقشه برداری احتمالی تالاب بزرگ. Remote Sens. 2017 ، 9 ، 1315. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  40. تورس، آر. اسنوئیج، پ. گئودتنر، دی. بیبی، دی. دیویدسون، ام. آتما، ای. پوتین، پ. رومن، بی. فلوری، ن. براون، م. و همکاران ماموریت GMES Sentinel-1. سنسور از راه دور محیط. 2012 ، 120 ، 9-24. [ Google Scholar ] [ CrossRef ]
  41. فام دوک، بی. پریجنت، سی. آیرس، F. نظارت بر آب سطحی در کامبوج و دلتای مکونگ ویتنامی در طول یک سال، با مشاهدات Sentinel-1 SAR. Water 2017 , 9 , 366. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  42. بورا، اس بی؛ سیواسنکار، ت. رامیا، م. راجو، پی. نقشه برداری و نظارت بر طغیان سیل در پارک ملی کازیرانگا، آسام با استفاده از داده های Sentinel-1 SAR. محیط زیست نظارت کنید. ارزیابی کنید. 2018 ، 190 ، 520. [ Google Scholar ] [ CrossRef ]
  43. داستان، م. Congalton، RG ارزیابی دقت: دیدگاه کاربر. فتوگرام مهندس Remote Sens. 1986 , 52 , 397-399. [ Google Scholar ]
  44. Foody، GM وضعیت ارزیابی صحت طبقه بندی پوشش زمین. سنسور از راه دور محیط. 2002 ، 80 ، 185-201. [ Google Scholar ] [ CrossRef ]
  45. دوست خوب، من. بنژیو، ی. کورویل، آ. یادگیری عمیق . انتشارات MIT: کمبریج، MA، ایالات متحده آمریکا، 2016. [ Google Scholar ]
  46. دورویه، ال. گیورفی، ال. لوگوسی، جی. نظریه احتمالی تشخیص الگو . Springer Science & Business Media: برلین، آلمان، 2013. جلد 31. [ Google Scholar ]
  47. الحاج، م. بغدادی، ن. بزی، ح. Zribi، M. تجزیه و تحلیل نفوذ سیگنال های SAR در باندهای C و L برای گندم، ذرت، و علفزار. Remote Sens. 2019 ، 11 ، 31. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  48. فریدمن، جی. هستی، تی. تبشیرانی، ر . عناصر یادگیری آماری ; Springer Series in Statistics: New York, NY, USA, 2001; جلد 1. [ Google Scholar ]
  49. وانگ، ی. ما، جی. شیائو، ایکس. وانگ، ایکس. دای، اس. ژائو، بی. پویایی بلندمدت آب سطحی دریاچه پویانگ: کار نقشه برداری بر اساس پلتفرم ابر موتور Google Earth. Remote Sens. 2019 , 11 , 313. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  50. ژانگ، ز. چن، ایکس. Xu، CY; هونگ، ی. هاردی، جی. Sun، Z. بررسی تأثیر تعامل رودخانه-دریاچه بر خشکسالی و منابع آب در حوضه دریاچه پویانگ. جی هیدرول. 2015 ، 522 ، 510-521. [ Google Scholar ] [ CrossRef ]
  51. ژانگ، جی. Hu, J. تقسیم بندی تصویر بر اساس روش 2 بعدی Otsu با تجزیه و تحلیل هیستوگرام. در مجموعه مقالات کنفرانس بین المللی 2008 در علوم کامپیوتر و مهندسی نرم افزار، هوبی، چین، 12-14 دسامبر 2008. جلد 6، ص 105-108. [ Google Scholar ]
Ijgi 09 00424 g001 550
شکل 1. موقعیت دریاچه پویانگ در حوضه رودخانه یانگ تسه ( سمت چپ ) و در سطح متوسط ​​( راست ).
Ijgi 09 00424 g002 550
شکل 2. سه موقعیت طبقه بندی نادرست: ( الف ) یک پیکسل (116.4064 E، 28.8405 N) که به اشتباه به غیرآبی طبقه بندی شده است. ( ب ) دو پیکسل با مقادیر dB برابر اما برچسب حقیقت متفاوت y (116.2196 E، 28.9905 N) (116.2201 E، 28.9899 N). ( ج ) یک پیکسل (116.1584 E، 29.2136 N) که به اشتباه در آب طبقه بندی شده است.
Ijgi 09 00424 g003 550
شکل 3. نمونه ای از هیستوگرام باند VV در مقدار dB (4 ژانویه 2020)، محور x نشان دهنده این است که ضریب پراکندگی برگشتی در مقیاس دسی بل محاسبه می شود، محور y نشان می دهد که چند پیکسل دارای مقدار دسی بل یکسان در یک bin است. و فاصله سطل ها 0.5 است.
Ijgi 09 00424 g004 550
شکل 4. منطقه طغیان دریاچه پویانگ در زمستان 2017، 2018، 2019 و 2020 (از چپ به راست).

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید