آموزش نرم افزار ENVI

چگونه هندسه اکتساب تصویر کمپین های پهپاد بر محصولات مشتق شده و دقت آنها در مناطقی با ژئومورفولوژی پیچیده تأثیر می گذارد

چکیده

نقشه برداری دقیق و دقیق از مناظر و ویژگی های ژئومورفولوژیکی آنها یک موضوع کلیدی در مدیریت خطر است. مطالعه حاضر بررسی می‌کند که آیا هندسه اکتساب تصویر کمپین‌های وسایل نقلیه هوایی بدون سرنشین (UAV) بر دقت محصولات مشتق شده، به عنوان مثال، عکس‌های ارتو، مدل‌های سطح دیجیتال (DSM) و ابرهای نقطه فتوگرامتری تأثیر می‌گذارد، در حالی که یک نقشه ژئومورفولوژیکی دقیق از یک منطقه لغزش را انجام می‌دهد. . پروازهای پهپاد اجرا شد و تصاویر جمع آوری شده بر اساس زاویه دید دوربین پهپاد در سه زیر شاخه سازماندهی شد. زیرمجموعه اول شامل تصویر نادری است، دومی از تصویرسازی مایل تشکیل شده است و دسته سوم هر دو تصویر نادری و مایل را در هم می آمیزد. پردازش تصاویر پهپاد با استفاده از فتوگرامتری ساختار از حرکت (SfM) انجام شد. محصولات با وضوح بالا، متشکل از عکس‌های ارتوفتو، DSM و ابرهای نقطه‌ای مبتنی بر فتوگرامتری تولید شدند. دقت آنها با استفاده از رویکردهای آماری مانند برآورد ریشه میانگین مربعات خطا (RMSE)، محاسبه میانگین هندسی یک ویژگی، اندازه‌گیری طول، محاسبه فاصله ابر به ابر و همچنین معیارهای کیفی ارزیابی شد. تمام نتایج کمی و کیفی برای ارزیابی تاثیر در نظر گرفته شد. نشان داده شد که هندسه مشاهده مایل و همچنین ترکیب تصاویر نادر و مایل می تواند به طور موثر برای نقشه برداری ژئومورفولوژیکی در مناطقی با توپوگرافی پیچیده و شیب های تند که بیش از 60 درجه است استفاده شود. علاوه بر این،
کلمات کلیدی: پهپاد ; فتوگرامتری ؛ مایل ; نادر ; نقشه برداری ژئومورفولوژیکی

1. مقدمه

در طول چند دهه گذشته، دانشمندان توجه خود را به تغییرات آب و هوایی جهانی جلب کرده اند، زیرا تجزیه و تحلیل انتشار گازهای گلخانه ای نشان می دهد که گازهای گلخانه ای در حال افزایش است [ 1 ]. پیامدهای زیست محیطی تغییرات آب و هوایی از طریق تفاوت در تنوع آب و هوا و وقوع شرایط آب و هوایی شدید احساس می شود که می تواند منجر به بلایای طبیعی ویرانگر (امواج گرما، طوفان، سیل، رانش زمین و غیره) شود [ 2 ]. محققان در تلاشند تا روش‌ها، شیوه‌ها و برنامه‌هایی را برای تضمین ایمنی و کاهش خطر بلایا برای انسان توسعه دهند [ 3 ، 4 ]]. مطالعات متعددی در مورد سهم وسایل نقلیه هوایی بدون سرنشین (پهپادها) در مدیریت خطر بلایا و کاهش آن منتشر شده است [ 5 ، 6 ]. تحقیقات مناطق مستعد بلایای طبیعی و همچنین ساخت اقدامات حفاظتی بر اساس یک نقشه برداری دقیق و دقیق از تمام ویژگی های ژئومورفولوژیکی یک لندفرم است.
امروزه، نقشه‌برداری با تکنیک‌های مدرن‌تر، زمان‌بر و کم‌هزینه‌تر انجام می‌شود که از داده‌های سنجش از راه دور به‌دست‌آمده توسط ماهواره‌ها، سکوهای هوابرد یا سیستم‌های نوآورانه‌تر مانند پهپادها استفاده می‌کند [ 7 ]. به نظر می‌رسد استفاده از پهپادها در نقشه‌برداری دقیق در مقایسه با بررسی توپوگرافی کلاسیک مؤثرتر است، که منجر به ایجاد عکس‌های ارتوفتو و مدل‌های سطح دیجیتال (DSM) با وضوح بسیار خوب می‌شود [ 8 ]. در این زمینه، داده‌های با وضوح بالا و کم هزینه به‌دست‌آمده توسط پهپادها می‌توانند به طور بالقوه برای ایجاد و به‌روزرسانی نقشه‌ها با ارائه عکس‌های ارتو با دقت زیر دسی‌متر مورد استفاده قرار گیرند [ 9 ]]. علاوه بر این، ابرهای نقطه ای مبتنی بر پهپاد و DSMها با محصولات مربوطه ناشی از بررسی اسکن لیزری زمینی (TLS) قابل مقایسه هستند [ 10 ]. علاوه بر این، ادغام بررسی‌های فتوگرامتری پهپاد در بررسی‌های زمین‌شناسی سنتی منجر به یک نقشه‌برداری ژئومورفولوژیکی سریع‌تر و جامع‌تر می‌شود، زیرا داده‌های مناطق غیرقابل دسترس نیز شامل می‌شوند [ 11 ، 12 ].
چندین مطالعه مزایای استفاده از پهپادها برای نظارت بر مخاطرات طبیعی را نشان می دهد. فتوگرامتری پهپاد با دقت بالا در حال حاضر با موفقیت هم برای تعیین ویژگی‌های فضایی گسل‌های فعال و اندازه‌گیری جبران لرزه‌ای [ 13 ] و هم برای توصیف تغییرات توپوگرافی و مورفولوژیکی پس از فوران آتشفشانی و پس از آن استفاده شده است. نظارت بر تغییر شکل شیب، با هدف شناسایی پدیده های ناپایداری [ 14 ]. برای مستندسازی خطرات طبیعی، از تصاویر پهپاد می توان برای ایجاد عکس های ارتو، ابرهای متراکم، مدل های سه بعدی و مدل های ارتفاعی دیجیتال استفاده کرد [ 11]. توصیه می شود که پهپادها باید به دوربین 20 مگاپیکسلی مجهز شوند تا تصاویر بر روی سایت با نقاط کنترل زمینی ثابت برای ارجاع جغرافیایی به منظور تولید یک فتوگرامتری ارتو تصویر و ابر نقطه مدل سه بعدی سایت نمایش و همچنین برای مقایسه در فواصل زمانی [ 6 ].
علاوه بر این، ارتفتوهای به‌دست‌آمده توسط یک پهپاد ثابت بال همراه با الگوریتمی مبتنی بر تکنیک تجزیه و تحلیل تصویر مبتنی بر شی برای تشخیص و نقشه‌برداری زمین لغزش‌ها استفاده شد [ 15 ]. یک پهپاد جدید توسعه‌یافته برای کاربرد آن در نقشه‌برداری و شناسایی مؤثر زمین لغزش‌ها از طریق تولید نمایش‌های سه‌بعدی سطوح آزمایش شد [ 16 ]. یک رویکرد ترکیبی برای نقشه برداری و پایش دقیق زمین لغزش برای یک دوره چهار ساله، شامل بیش از بیست بررسی فتوگرامتری پهپاد و با هدف ارزیابی فعالیت زمین لغزش اجرا شد [ 17 ].]. علاوه بر این، مطالعه سایت‌های میراث فرهنگی متاثر از خطرات جغرافیایی از پهپادها و فتوگرامتری برای ایجاد عکس‌های ارتوفتو و مدل‌های سه بعدی به منظور شناسایی مناطق حساس به مخاطرات طبیعی استفاده کرد [ 18 ، 19 ].
با این وجود، برخی از مطالعات بر روی بخش‌های فنی بیشتری از فتوگرامتری پهپاد، مانند هندسه اکتساب تصویر، متمرکز شدند. به طور خاص، سناریوهای مختلف در ترکیب دوربین، به عنوان مثال، مایل و عمودی، با پیکربندی نقاط کنترل زمین ترکیب شدند تا تأثیر آنها بر دقت مدل‌های ارتفاعی استخراج‌شده دیجیتال (DEMs) بررسی شود [ 20 ]. در مطالعه دیگری، ادغام جهت گیری نادر و مایل تصاویر به ایجاد مدل های سطح سه بعدی با دقت بالا منجر شد [ 21 ].]. با این حال، همچنین نشان داده شد که تصاویر جهت نادر به همراه توزیع متراکم نقاط کنترل زمینی (GCPs) دقت مشابهی را نشان می‌دهند، که حتی با آنچه از یک اسکنر لیزری زمینی به دست آمده قابل مقایسه است [ 21 ]. علاوه بر این، مجموعه داده‌های مختلف از جمله پیکربندی‌های مختلف تصاویر نادر- مایل از نظر چگالی ابر نقطه‌ای و دقت مورد ارزیابی قرار گرفتند و تفاوت معنی‌داری نشان ندادند [ 22 ]. تصاویر نادر و خارج از نادر برای توپوگرافی با وضوح بالا مورد ارزیابی قرار گرفتند و دقت چند سانتی متری را ارائه کردند [ 23]. مطالعات دیگر تصویرسازی اریب اکتسابی را به عنوان یک رویکرد بسیار امیدوارکننده و موثر برای به دست آوردن نمایش های سه بعدی از سطح، به ویژه در مناطق نزدیک به شهرها، سایت های باستان شناسی و حتی معادن پیشنهاد کردند [ 24 ، 25 ]. ترکیب تصاویر مایل و نما، دقت هندسی ابرهای نقطه ای را افزایش داد و برای بازسازی توپوگرافی های پیچیده مناسب تر بود [ 26 ].
مطالعه حاضر بررسی می‌کند که آیا هندسه اکتساب تصویر کمپین‌های پهپاد بر دقت محصولات مشتق‌شده (عکس‌های ارتوفتو، DSM، ابرهای نقطه فتوگرامتری) تأثیر می‌گذارد، در حالی که یک نقشه ژئومورفولوژیکی دقیق از یک منطقه لغزش را انجام می‌دهد. چهار پرواز پهپاد انجام شد و سه زیرمجموعه برای هر کمپین ایجاد شد. زیرمجموعه ها شامل تصویرسازی نادری، تصویرسازی مایل و ترکیبی از تصویرسازی نادر و مایل بود. پردازش داده‌های پهپاد با استفاده از فتوگرامتری ساختار از حرکت (SfM) انجام شد و محصولات با وضوح بالا، متشکل از دوازده عکس ارتوفتو، دوازده DSM و دوازده ابر نقطه مبتنی بر فتوگرامتری تولید شدند. سپس، عکس‌های ارتو و DSM در یک محیط ArcGIS ادغام شدند تا صحت آنها را از طریق روش‌های آماری مانند تخمین ریشه میانگین مربعات خطا (RMSE)، محاسبه میانگین هندسی یک ویژگی و غیره بررسی کنند. در مورد ابرهای نقطه فتوگرامتری، مقایسه بر اساس محاسبه فاصله ابر به ابر (C2C) و ایجاد پروفایل های ارتفاعی است. ارزیابی تأثیر هندسه‌های مختلف دریافت تصویر پروازهای پهپاد، در طول نقشه‌برداری دقیق یک لندفرم، تمام نتایج کمی و کیفی و خروجی‌های پردازش ابر نقطه‌ای را در نظر گرفت. این مقایسه بر اساس محاسبه فواصل ابر به ابر (C2C) و ایجاد پروفایل های ارتفاعی بود. ارزیابی تأثیر هندسه‌های مختلف دریافت تصویر پروازهای پهپاد، در طول نقشه‌برداری دقیق یک لندفرم، تمام نتایج کمی و کیفی و خروجی‌های پردازش ابر نقطه‌ای را در نظر گرفت. این مقایسه بر اساس محاسبه فواصل ابر به ابر (C2C) و ایجاد پروفایل های ارتفاعی بود. ارزیابی تأثیر هندسه‌های مختلف دریافت تصویر پروازهای پهپاد، در طول نقشه‌برداری دقیق یک لندفرم، تمام نتایج کمی و کیفی و خروجی‌های پردازش ابر نقطه‌ای را در نظر گرفت.

2. مواد و روشها

2.1. مطالعه موردی

منطقه مورد مطالعه در غرب یونان و در چند کیلومتری شهر پاتراس و در محدوده یک زمین لغزش فعال واقع شده است. این منطقه کوهستانی تقریباً 65569.20 متر مربع را پوشش می دهد که دارای توپوگرافی شیب دار است. زمین شناسی سایت از فلیش، چرت های سست و سنگ آهک تشکیل شده است. زمین لغزش در 20 ژانویه 2017 رخ داد و به عنوان یک نوع پیچیده مشخص می شود. طول آن 300 متر و عرض آن 300 متر بود و ذوب سریع برف یک عامل محرک بود. تخریب شبکه راه ها پیامد وقوع زمین لغزش همراه با تغییر قابل توجه در امداد محلی بود. به طور خاص، زمین لغزش نقش برجسته را شکل داد و آن را تندتر و ناهمگن تر کرد ( شکل 1 ).

2.2. تجهیزات و جمع آوری داده ها

DJI Phantom 4 برای به دست آوردن تصاویر پهپاد استفاده شد. Phantom 4 دارای یک دوربین 12.4 مگاپیکسلی CMOS با وضوح 4000 × 3000 و سیستم GNSS روی برد است. یک گیمبال سه محوره جبران گام، چرخش و انحراف پهپاد را تضمین می کند.
چهار پرواز پهپاد در روزهای مختلف ( جدول 1 )، با پیروی از شبکه پروازی یکسان و حفظ مشخصات پرواز یکسان ( جدول 2 ) انجام شد. به طور خاص، هر پرواز در ارتفاع 110 متری با 90 درصد همپوشانی مسیر و 75 درصد روی همپوشانی مسیر انجام شد. یک شبکه فتوگرامتری منفرد با گزینه شناور و ضبط برای گرفتن عکس استفاده شد. تصاویر پهپاد به‌دست‌آمده از هر کمپین در سه زیرمجموعه داده سازمان‌دهی شد: (الف) تصاویر نادر با زاویه گام گیمبال در 90 درجه، (ب) تصاویر مایل با زاویه گام گیمبال در 65 درجه و (ج) ترکیبی از تصاویر نادر و مایل. ( جدول 3 ).
علاوه بر این، یک گیرنده GNSS Leica GS08 برای جمع آوری نقاط کنترل زمینی (GCPs) استفاده شد. چکرز مربع در رنگ های مختلف برای قرار دادن در سراسر منطقه تحقیق انتخاب شد ( شکل 2 ). به منظور اطمینان از استفاده از GCPهای یکسان در هر پرواز پهپاد، یک شبکه ستون دائمی نصب شد. 13 ستون دائمی در داخل و خارج منطقه لغزش نصب شد. GCP های مربعی روی این ستون های دائمی ادغام شدند تا هر گونه خطای مربوط به روش ارجاع جغرافیایی را به حداقل برسانند [ 4 ]]. مرکز هر هدف مربعی در پیچ 5/8 اینچی در بالای هر ستون قرار گرفت. پیچ برنزی دایره ای به راحتی در داخل هدف مربع رنگی در طول روش ارجاع جغرافیایی در نرم افزار Agisoft (Agisoft LLC، سنت پترزبورگ، روسیه)، همانطور که در شکل 2 ب ارائه شده است، شناسایی می شود. مختصات GCP ها در جدول 4 نشان داده شده است ، در حالی که توزیع ستون های دائمی در سراسر منطقه مورد نظر در شکل 3 نشان داده شده است . روش دیگری برای ارجاع جغرافیایی تصاویر پهپاد، که مبتنی بر بهره برداری از پهپادهای مجهز به قابلیت RTK است، توسط [ 27 ] پیشنهاد شد.]. در آن صورت، هیچ GCP مورد نیاز نیست. روش خاص به ساده سازی ساخت محصولات دیجیتالی با دقت بالا فتوگرامتری پهپاد کمک می کند. با این حال، از وجود خطاهای سیستماتیک ارتفاع رنج می برد [ 28 ، 29 ].

2.3. روش پردازش

چارچوب مطالعه در شکل 4 نشان داده شده است . هدف از این مطالعه بررسی این است که چگونه هندسه اکتساب تصاویر پهپاد می تواند به طور بالقوه بر دقت محصولات پردازش فتوگرامتری در طول نقشه برداری یک منطقه لغزش تأثیر بگذارد. بررسی‌های پهپاد انجام شد و داده‌ها در سه زیرمجموعه سازمان‌دهی شدند. ارتفتوها، DSMها و ابرهای نقطه ای مشتق شده از نظر دقت کیفی و کمی مورد ارزیابی قرار گرفتند. علاوه بر این، داده های GNSS به منظور استفاده به عنوان GCP برای پردازش فتوگرامتری و همچنین برای اهداف اعتبار سنجی جمع آوری شد.
داده‌های پهپاد با استفاده از فتوگرامتری ساختار از حرکت (SfM) پردازش شدند که روشی کم‌هزینه و کاربردی برای بازسازی سه‌بعدی اهداف است [ 7 ، 11 ]، بر اساس اصول فتوگرامتری همراه با بینایی کامپیوتری [ 30 ]. ، 31 ، 32]. اگرچه SfM اصول مشابهی با فتوگرامتری استریوسکوپی دارد، تفاوت اصلی این است که هندسه صحنه‌ها، موقعیت‌های دوربین و جهت‌گیری به طور خودکار و همزمان، بدون نقاط شناخته شده حل می‌شوند. مجموعه ای از تصاویر دوبعدی، که همپوشانی و آفست هستند، با استفاده از یک الگوریتم خودکار تطبیق ویژگی، پردازش می شوند، در تنظیم بسته نرم افزاری ادغام می شوند و بنابراین نمایش های سه بعدی خوب استخراج می شوند [ 30 ].
تصاویر پهپاد سازمان‌دهی شده در زیر مجموعه‌های تصاویر نادر، تصاویر مایل و ترکیبی از تصاویر نادر و مایل، تحت پردازش فتوگرامتری SfM در نرم‌افزار Agisoft Photoscan قرار گرفتند. به طور خاص، هم ترازی تصاویر مطابق با گزینه با بالاترین کیفیت انجام شد که به تخمین دقیق تر موقعیت های دوربین کمک می کند [ 33 ]]. علاوه بر این، تنظیمات خاص منجر به پردازش تصاویر پهپاد در اندازه اصلی آنها می شود، در حالی که تصاویر با ضریب 4 ارتقا یافته اند. تنظیمات کیفیت ارتباط نزدیکی با کیفیت بازسازی دارد. علاوه بر این، ساخت ابر متراکم و مش ساخت با دقت فوق‌العاده بالا ایجاد شد که منجر به 3.75 سانتی‌متر GSD برای نادر و 4.46 سانتی‌متر GSD برای تصاویر مایل شد. دقت اندازه گیری برای دقت موقعیت دوربین تا 10 متر و برای دقت نشانگر تا 0.005 متر تنظیم شد. اگرچه دقت موقعیت اسمی GNSS پهپاد 3 متر بود، اما به دلیل این واقعیت که کمپین های پروازی متنوعی در طول دوره نظارت دو ساله انجام شد و در نتیجه شرایط آب و هوایی متفاوت (باد) و همچنین شرایط آب و هوایی مختلف (باد) و همچنین، ما تصمیم گرفتیم محدودیت دقت کمتری را تعیین کنیم. سایر ابهامات باید در نظر گرفته شود. پارامترهای مربوط به دقت مختصات تصویر، دقت نشانگر 0.1 پیکسل بود در حالی که دقت نقطه اتصال 1 پیکسل بود. میانگین خطای GCPها در تمام کمپین‌های پروازی که هر بار استفاده می‌شد کمتر از 0.75 پیکسل بود. بنابراین، میانگین خطای فضایی GCPها در هر پرواز (مورب یا نادر) به کمتر از 3 سانتی متر محدود شد. همچنین کالیبراسیون و بهینه سازی دوربین با استفاده از مقادیر پیش فرض نرم افزار Agisoft برای دوربین DJI Phantom 4 انجام شد. به طور خاص، پارامترهای جهت گیری داخلی [ کالیبراسیون و بهینه سازی دوربین با استفاده از مقادیر پیش فرض نرم افزار Agisoft برای دوربین DJI Phantom 4 انجام شد. به طور خاص، پارامترهای جهت گیری داخلی [ کالیبراسیون و بهینه سازی دوربین با استفاده از مقادیر پیش فرض نرم افزار Agisoft برای دوربین DJI Phantom 4 انجام شد. به طور خاص، پارامترهای جهت گیری داخلی [ 27 ] از طریق نرم افزار Agisoft به صورت خودکار محاسبه شدند، زیرا این نرم افزار قابلیت شناسایی مدل دوربین و سپس تنظیم پارامترهای مناسب را دارد. بنابراین، ما گزینه خاص را حفظ کردیم، زیرا معتقد بودیم که تنظیمات بیشتری لازم نیست. سیستم مرجع ژئودتیک هلنیک 1987 به عنوان سیستم مختصات برای ارتفتوها و DSMهای تولید شده انتخاب شد.
شکل 5 مسیرهای اکتساب پهپاد پروازهای نادر و دید مایل را نشان می دهد. در مورد اکتساب مشاهده مایل، شایان ذکر است که محور پهپاد عمود بر شیب است و جمع‌آوری تصاویر با حرکت پهپاد به جلو و عقب در مسیرهای خط اجرا می‌شود.
پردازش داده های پهپاد منجر به ایجاد عکس های اورتوفوتو و DSM با اندازه پیکسل 4 سانتی متری و همچنین استخراج ابرهای متراکم نقطه ای شد. محصولات مشتق شده عبارتند از:
  • چهار عکس ارتو، چهار DSM و چهار ابر نقطه از تصاویر مشاهده نادر ( شکل 4 ب).
  • چهار عکس ارتو، چهار DSM و چهار ابر نقطه از تصاویر مشاهده مایل ( شکل 4 ب).
  • چهار عکس ارتو، چهار DSM و چهار ابر نقطه از ترکیب تصاویر نادر و مایل ( شکل 4 ب).
هر کمپین پروازی از هر زیرمجموعه منجر به ایجاد یک عکس ارتوفتو، یک DSM و یک ابر نقطه ای شد. در 5 نوامبر 2017، پردازش تصاویر سه زیرمجموعه (یعنی مشاهده نادر، مشاهده مایل و ترکیبی از تصاویر نادر و مایل) به تولید سه عکس اورتوفوتو، سه DSM و ابر سه نقطه کمک کرد. دوازده عکس ارتو، دوازده DSM و دوازده ابر نقطه فتوگرامتری در طول چهار کمپین پهپاد تولید شد.
محصولات فوق با استفاده از رویکردهای مختلف به منظور تعیین دقیق ترین، از نظر کیفی و کمی مقایسه شدند.

3. نتایج

3.1. ارزیابی دقت ارتفتو

دوازده عکس ارتوفتو با استفاده از روش فتوگرامتری SfM تولید شد. شکل 6 سه عکس ارتو از منطقه مورد مطالعه را نشان می دهد که در 5 نوامبر 2017 به دست آمده است. تفاوت بین آنها در این واقعیت است که آنها از (الف) ترکیبی از هندسه نادر و مایل به دست آمده اند ( شکل 6 الف)، (ب) هندسه مشاهده نادر ( شکل 6 ب) و (ج) هندسه مشاهده مایل ( شکل 6)ج). یک مقایسه صرفاً بصری بین عکس‌های ارتوفوتو نمی‌توان استفاده کرد زیرا کاملاً مشابه به نظر می‌رسند و نمی‌توان نتیجه‌گیری کرد. بنابراین، ارزیابی دقت عکس‌های ارتو بر اساس عملکرد دیجیتالی‌سازی، محاسبه و رویکرد مقایسه از طریق یک محیط ArcGIS بود. به طور خاص، اندازه‌گیری‌های GNSS واقع بر روی ستون‌های دائمی به عنوان اندازه‌گیری‌های مرجع برای تعیین موقعیت‌های صحیح برای تولید دو خط ژئودتیک از مختصات xy ستون‌ها استفاده شد ( شکل 7).). خط 1 ستون دائمی به نام خارجی 1 را به خارجی 2 متصل می کند، در حالی که خط 2 ستون دائمی 2 را به 3 خارجی متصل می کند. خطوط در دو نقش برجسته مختلف تشکیل شده اند، به عنوان مثال، خط 1 سطح صاف تری را به یک معنا قطع می کند، در حالی که خط 2 از شیب بیشتری عبور می کند. و یکی پیچیده تر پس از آن، خطوط مشابه در ارتفتوهای مشتق شده از هر زیر شاخه از هر کمپین پرواز، با توجه به شناسایی بصری همان ستون، دیجیتالی شد. طول هر خط دیجیتالی شده محاسبه و با طول متناظر خط مرجع مقایسه شد ( جدول 5). با توجه به طول خط 1، بهترین نتایج با استفاده از هندسه مشاهده نادر به دست آمد. به طور خاص، هندسه مشاهده نادر کمترین مقادیر را برای دو تا از چهار کمپین نشان داد. ترکیبی از تصاویر نادر و مایل در اندازه گیری طول خط 2 بهتر عمل کرد، جایی که درصد اختلاف در سه کمپین پهپاد تقریباً به صفر رسید. شایان ذکر است که تفاوت ها به طور کلی به طور قابل توجهی اندک بود که با محصولات با دقت و وضوح بالا فتوگرامتری پهپاد مرتبط است [ 34 ].

علاوه بر این، میانگین مرکز خطوط مرجع و خطوط دیجیتالی شده به منظور ارزیابی بیشتر دقت هر هندسه اکتساب برآورد شد. مرکز میانگین نشان دهنده مرکز جغرافیایی مجموعه ای از ویژگی ها مانند یک خط است که از میانگین مختصات x و y حاصل می شود [ 35 ، 36 ]. به طور گسترده ای برای ردیابی تغییرات در توزیع یا مقایسه توزیع ویژگی ها استفاده می شود. میانگین مرکز از رابطه زیر (معادله (1)) محاسبه می شود:

ایکس¯¯¯=∑ni = 1ایکسمنn،  Y¯¯¯=∑ni = 1yمنn

که در آن x i و y i مختصات یک ویژگی i و n تعداد کل ویژگی ها است. مرکز میانگین خط 1 در شکل 8 جابجا شده است و مرکز میانگین خط 2 در شکل 9 نشان داده شده است . فاصله بین مرکز میانگین مرجع و مرکز میانگین یک خط دیجیتالی از طریق ابزار نزدیک [ 37 ] تعیین شد. تغییرات میانگین مرکز هر عکس ارتوفتو در مقایسه با مرکز میانگین مرجع در جدول 6 نشان داده شده است.. ترکیب هندسه اکتسابی نادر و مایل کمترین فاصله را از مراکز میانگین مرجع هر دو خط دارند. با این حال، تصاویر مایل عملکرد بهتری را در اندازه‌گیری فواصل نزدیک از مرکز میانگین مرجع برای خط ژئودتیک 2 با دستیابی به مقادیر نزدیک به صفر در 50٪ از پروازهای پهپاد نشان داد. به طور کلی، تصاویر نادر مشاهده بیشترین فواصل را نشان می دهد که ممکن است مربوط به زمین پیچیده باشد.

3.2. ارزیابی دقت مدل‌های سطح دیجیتال (DSM).

DSMهای مشتق شده برای دقت از طریق محاسبه ریشه میانگین مربعات خطا (RMSE) مورد ارزیابی قرار گرفتند. به طور کلی، روش ارزیابی دقت و کیفیت باید زمانی اعمال شود که داده‌های مرجع یک مرتبه بهتر از داده‌های مورد ارزیابی باشند. اندازه گیری های GNSS به عنوان یک نقطه مرجع استفاده شد ( شکل 7 )، که دقت چند میلی متری را نشان می دهد. RMSE تفاوت بین مقادیر DSM و مقادیر مرجع ارائه شده توسط یک سیستم GNSS [ 38 ] را اندازه گیری می کند و با معادله زیر (معادله (2)) ارائه می شود:

R MاسE= 1n∑i = nn(ساعتr e f–ساعتمن)2————–√

که در آن h ref ارتفاع مرجع، h i ارتفاع DSM در نقطه i و n تعداد GCPها است. تغییرات ارتفاع ناشی از محاسبه RMSE بین داده های مرجع و DSMهای فتوگرامتری پهپاد در جدول 7 نشان داده شده است.. بدیهی است که ترکیب تصاویر نادر و مایل در طی عملیات پهپاد به کمترین اختلاف ارتفاعی رسیده است. علاوه بر این، تصاویر مایل تطبیق خوبی با تولید DSM دارند که با مقادیر کوچک RMSE مشخص شده است. علیرغم مقادیر نسبتاً کوچک RMSE ناشی از هندسه مشاهده نادر، به نظر می رسد که اکتساب خاص از سایرین عقب است.

3.3. ارزیابی دقت ابرهای نقطه

ابرهای نقطه پهپاد در نرم افزار CloudCompare ادغام شدند تا فواصل بین نقاط زیرمجموعه ها را محاسبه کنند. بنابراین، هر ابر نقطه از نادر یا هندسه مشاهده مایل هر کمپین با ابر نقطه مربوطه که از ترکیبی از تصاویر نادر و مایل به دست آمده است، همسو می‌شود. هم ترازی با تشخیص نقاط مشترک بین ابرها همراه با الگوریتم تکراری نزدیکترین نقطه (ICP) [ 39 ] صورت گرفت. فاصله ابر به ابر (C2C) بین مجموعه داده‌های انتخاب شده با استفاده از مثلث‌سازی 2D1/2 به عنوان روشی برای مدل‌سازی محلی محاسبه شد. در واقع، محاسبات C2C فاصله هر نقطه را از نزدیکترین نقطه مربوط به ابر دیگر تخمین می زند. شکل 10 الف و شکل 11 a فواصل C2C بین ابر مرجع را نشان می دهد که با ترکیبی از تصاویر نادر و مایل ایجاد شده است، و یک ابر نقطه دید نادری ایجاد شده است، در حالی که شکل 10c و شکل 11c فاصله های C2C را بین ابر مرجع و یک مایل نشان می دهد. ابر نقطه مشاهده شایان ذکر است که برای اطمینان از مقایسه مستقیم بصری، مقیاس رنگی یکسان بر روی تمام فیگورها اعمال شد. کوچکترین انحرافات سطحی شکل 10 الف عمدتاً در قسمتهای مرکزی زمین لغزش و اطراف منطقه جاده قرار دارد، در حالی که در شکل 10ج، نزدیکترین فواصل C2C در منطقه مورد مطالعه پراکنده تر است. تجزیه و تحلیل دو هیستوگرام محاسبات فاصله C2C نشان داد که بیشترین انحرافات سطح از مقایسه ابر مرجع با ابر نقطه دید نادر به وجود آمده است ( شکل 10 b,c). نتایج مشابهی از مقایسه ابرهای نقطه ای به دست آمده در 25 جولای 2018 استخراج شد ( شکل 11 ). علاوه بر این، از نظر مقایسه بین ابرهای نقطه‌ای، نیمرخ‌های سطحی از تصاویر نادر مشاهده (خط نارنجی) یا تصاویر با دید مایل (خط سبز) و با نمایه سطحی مربوطه با هم‌افزایی تصاویر نادر و مایل استخراج شدند. خط آبی) ( شکل 12). همانطور که مشاهده شد، نیمرخ سطحی مایل تقریباً مشابه شکلی است که توسط ترکیب ابر نقطه نادر و مورب ایجاد می شود.

4. بحث

نقشه برداری دقیق و دقیق از مناظر و ویژگی های ژئومورفولوژیکی آنها یک موضوع کلیدی در مدیریت خطر است. متأسفانه بلایای طبیعی به شدت زمین را تحت تأثیر قرار داده است و از این رو جامعه علمی توجه خود را به سمت طراحی برنامه های واکنش فوری برای کاهش خطر و حفاظت از محیط زیست و انسان معطوف کرده است. چندین روش جدید و ابتکاری سنجش از دور در این راستا توسعه داده شده است. هدف کار فعلی بررسی این است که آیا هندسه اکتساب تصویر کمپین‌های پهپاد بر دقت محصولات فتوگرامتری مشتق شده، به عنوان مثال، عکس‌های ارتوگرام، DSM و ابرهای نقطه فتوگرامتری در طول اجرای نقشه‌برداری دقیق از یک منطقه لغزش تأثیر می‌گذارد. چهار پرواز پهپاد با استفاده از DJI Phantom 4 تجاری انجام شد و تصاویر جمع‌آوری‌شده در سه زیرمجموعه بر اساس هندسه اکتسابی (تصاویر نادر، تصاویر مایل، ترکیبی از تصاویر نادر و مایل) سازمان‌دهی شدند. پردازش داده‌های پهپاد از طریق فتوگرامتری SfM انجام شد و دوازده عکس ارتوفتو، دوازده DSM و دوازده ابر نقطه مبتنی بر فتوگرامتری تولید شد.
دقت بالای ارتفتوهای پهپاد و DSMها قبلاً در مطالعات قبلی متعدد نشان داده شده است، که همچنین پارامترهایی را که می‌توانند بر آن تأثیر بگذارند تجزیه و تحلیل کردند [ 40 ، 41 ، 42 ]. سودمندی فتوگرامتری مایل به دست آمده از دوربین های مصرفی کم هزینه در گذشته برای جریان های گدازه ها و گنبدها [ 43 ، 44 ] یا برای بازسازی سه بعدی یک کلیسای قدیمی [ 45 ] مورد بررسی قرار گرفته است.]. آزمایش‌های متنوعی با زوایای مختلف گرفتن تصویر مایل در منطقه‌ای با برجسته‌سازی شیب‌دار با استفاده از داده‌های دقیق جمع‌آوری‌شده با اسکنر لیزری زمینی (TLS) به عنوان مجموعه داده مرجع انجام شده است [ 46 ]. بررسی انتخاب سیستم دوربین، پیکربندی و کسب تصویر به منظور بهبود دقت مدل زمین دیجیتال (DTM) نیز ارائه شد [ 47 ]. با این حال، دقت عکس‌های اورتوفتو، DSM و ابرهای نقطه‌ای که از هندسه‌های مختلف به دست آمده‌اند، تنوع یکسانی را نشان نمی‌دهند. این مطالعه نوآورانه است زیرا تأثیر هندسه اکتساب پهپاد بر دقت سه محصول فتوگرامتری مختلف را بررسی می‌کند که برای اولین بار با استفاده از پروازهای متعدد و روش‌های مختلف تجزیه و تحلیل شد.
در جزئیات بیشتر، ارتفتوهای مشتق شده در یک محیط ArcGIS ادغام شدند، جایی که ارزیابی دقت آنها بر اساس روش دیجیتالی کردن، محاسبه و مقایسه بود. اندازه گیری های GNSS اجرا شده در ستون های دائمی به عنوان اندازه گیری های مرجع برای تعیین موقعیت های صحیح استفاده شد. دو خط ژئودتیک از مختصات xy ستون ها بر روی دو نقش برجسته مختلف به منظور بررسی سازگاری هر هندسه اکتسابی در یک توپوگرافی خاص شکل گرفت. طول و میانگین مرکز خطوط مرجع و خطوط دیجیتالی محاسبه شد. نتایج نشان داد که عکس‌های ارتو از ترکیب هندسه نادر و مایل می‌توانند به طور موثر برای نقشه‌برداری ژئومورفولوژیکی استفاده شوند. هندسه اکتساب خاص یک تفاوت در طول 0± را نشان داد. 01% برای خط 1 و عملکرد خوب در اندازه گیری فواصل نزدیک از مرکز میانگین مرجع برای خط ژئودتیک 2، در حالی که تصاویر مشاهده مایل منجر به ایجاد خطوطی با طول تقریباً مشابه خط 2 و تغییرات کوچک در مراکز میانگین می شود. علاوه بر این، یک رابطه بین امداد و هندسه اکتساب شناسایی شد. به نظر می رسید که تصاویر نادیر نتایج بهتری را برای سطوح صاف و صاف ارائه می دهد، در حالی که تصاویر مایل عملکرد خوبی در توپوگرافی شیب دار و پیچیده تر نشان می دهد. نتایج در راستای دیدگاه جدیدی برای بازسازی سطح با استفاده از روش‌های فتوگرامتری است که مجموعه‌ای از تصاویر مایل و نادر را در طول پرواز پهپاد به منظور بهبود دقت محصولات توپوگرافی مشتق شده پیشنهاد می‌کند. 48 ]. این دیدگاه جدید برخلاف رویکردهای مرسوم است که از تصاویر نادری برای بازسازی سطح استفاده می کردند. ترکیب تصاویر مایل، نادر و نما دقت هندسی داده های پهپاد را بهبود بخشید. با این حال، کاربران باید توجه زیادی به زاویه بین جهت مشاهده تصویر و بردار طبیعی زمین داشته باشند [ 26 ]. تصویرسازی مایل می تواند راه حل موثری برای بازسازی ساختمان ها، اشیاء یا بازسازی مناطقی با توپوگرافی پیچیده باشد [ 25 ، 49 ].
ارزیابی دقت DSM ها با استفاده از GCP یا ارتفاعات از نقشه های توپوگرافی همراه با محاسبه RMSE قبلاً توسط چندین محقق بررسی شده است [ 50 , 51 , 52 , 53]. اندازه گیری های GNSS انجام شده در ستون های دائمی به عنوان داده های مرجع برای محاسبه RMSE هر DSM مشتق شده استفاده شد. ارزیابی نتایج محاسبه RMSE ثابت کرد که ترکیبی از تصاویر نادر و مایل به نمایش دقیق‌تری از شکل زمین کمک می‌کند. علاوه بر این، تصاویر مایل انطباق بهتری با نسل DSM نسبت به هندسه منحصراً مشاهده نادر نشان داد. این مورد انتظار و توجیه مورفولوژی منطقه مورد مطالعه است. شیب کاملاً تند با شیب هایی بالاتر از 60 درجه در برخی نقاط بدنه زمین لغزش است. این مطابق با مطالعه اخیر دیگری است [ 49]، که نشان داد سهم تصاویر مایل در مناطقی با ژئومورفولوژی پیچیده با محدودیتی که کمپین پهپاد در ارتفاع معقول قرار دارد ارزشمند است.
ابرهای نقطه فتوگرامتری در نرم افزار CloudCompare به منظور محاسبه فاصله بین نقاط زیرمجموعه ها پیاده سازی شدند. هر ابر نقطه از هندسه نادر یا مشاهده مایل هر کمپین با ابر نقطه متناظر حاصل از ترکیبی از تصاویر نادر و مایل و فاصله ابر به ابر (C2C) محاسبه شد. ارزیابی محاسبات فاصله C2C برای تجزیه و تحلیل تغییرات سطح قبلاً بررسی شده است [ 54 ]. تصاویر مشاهده مایل کوچکترین انحرافات سطحی و نمایه سطح مشابه را با ابر نقطه ایجاد شده توسط ترکیب تصاویر نادر و مایل نشان می دهد.
سنتز نهایی نتایج فوق به این نتیجه رسید که ترکیب تصاویر نادر و مایل مناسب ترین برای نقشه برداری دقیق از لندفرم های پیچیده است. علاوه بر این، تصاویر با دید مایل با نتایج به اندازه کافی دقیق بسیار امیدوارکننده است. این مطابق با نتایج به دست آمده از TLS [ 46 ] است. در آن مطالعه، نشان داده شد که ترکیب بلوک‌های تصویر نادر با تصاویر مایل در گردش کار UAV-SfM به طور مداوم هم دقت و هم دقت فضایی را بهبود می‌بخشد، در حالی که شکاف داده‌ها و خطاهای سیستماتیک را در ابر نقطه نهایی کاهش می‌دهد.

5. نتیجه گیری ها

مطالعه حاضر به منظور دستیابی به یک نقشه ژئومورفولوژیکی دقیق، تأثیر هندسه اکتساب تصویر پهپاد بر روی دقت محصولات مشتق شده را بررسی کرد. داده های پهپاد در سه زیرمجموعه، یعنی تصاویر نادر، تصاویر مایل و ترکیبی از تصاویر نادر و مایل سازماندهی شدند. ارتفتوهای مشتق شده، DSMها و ابرهای نقطه ای با استفاده از روش های متعدد مورد ارزیابی قرار گرفتند. ارزیابی ارتوفوتوها از طریق یک روش رقومی و مقایسه طول و مرکز میانگین خطوط ثابت کرد که ترکیبی از ارتوفوتوهای به‌دست‌آمده با هندسه نادر و دید مایل، اکتساب مؤثرتری برای یک نقشه‌برداری ژئومورفولوژیکی دقیق را تشکیل می‌دهند. همان نتیجه از محاسبه RMSE DSMهای مشتق شده به وجود آمد. علاوه بر این، نشان داده شد که یک هندسه صرفاً نادری برای نقشه برداری ژئومورفولوژیکی در مناطق بسیار شیب دار مناسب نیست، در حالی که به نظر می رسد هندسه خاص نتایج بهتری را برای سطوح صاف و مسطح ارائه می دهد. از سوی دیگر، تصاویر مایل عملکرد خوبی را در یک توپوگرافی شیب دارتر و پیچیده تر نشان می دهد که پردازش ابرهای نقطه مشتق شده نیز تایید می شود. بنابراین، ما یک رابطه بین امداد و هندسه اکتساب مشاهده کردیم. با این حال، پیشنهاد می‌شود زاویه دید دوربین‌های پهپاد را با توجه به ژئومورفولوژی و به‌ویژه با شیب زمین تنظیم کنید. علاوه بر این، محاسبه فاصله C2C می تواند به طور موثر به عنوان روشی برای ارزیابی ابرهای نقطه پهپاد مورد استفاده قرار گیرد. حتی اگر نتیجه اصلی این باشد که ترکیب تصاویر نادر و مایل هندسه اکتساب تصویر مناسب‌تر برای نگاشت دقیق لندفرم‌های پیچیده باشد، تحقیقات بیشتری در مورد بهره‌برداری از هندسه مشاهده مایل مورد نیاز است. به طور خاص، هندسه خاص در توپوگرافی پیچیده کاملا امیدوارکننده و دقیق بود. بنابراین، تحقیقات آینده بر ارزیابی زوایای دید مختلف در حین انجام پروازهای اکتسابی مایل تمرکز خواهد کرد.

مشارکت های نویسنده

مفهوم سازی، آگلیکی کیریو و کنستانتینوس نیکولاکوپولوس. روش شناسی، آگلیکی کیریو و کنستانتینوس نیکولاکوپولوس؛ نرم افزار، Aggeliki Kyriou; اعتبارسنجی، Aggeliki Kyriou، Ioannis Koukouvelas، و Konstantinos Nikolakopoulos; تحلیل رسمی، Aggeliki Kyriou; تحقیق، آگلیکی کیریو، کنستانتینوس نیکولاکوپولوس و یوانیس کوکوولاس؛ سرپرستی داده ها، آگلیکی کیریو، کنستانتینوس نیکولاکوپولوس، و یوانیس کوکوولاس، نگارش – آماده سازی پیش نویس اصلی، آگلیکی کیریو. نوشتن-بررسی و ویرایش، کنستانتینوس نیکولاکوپولوس و یوانیس کوکوولاس. مدیریت پروژه، کنستانتینوس نیکولاکوپولوس؛ جذب سرمایه، کنستانتینوس نیکولاکوپولوس و آگلیکی کیریو. همه نویسندگان نسخه منتشر شده نسخه خطی را خوانده و با آن موافقت کرده اند.

منابع مالی

کار تحقیقاتی توسط بنیاد یونانی برای تحقیق و نوآوری (HFRI) تحت کمک هزینه تحصیلی دکتری HFRI (شماره کمک هزینه تحصیلی: 525) حمایت شد.
Ijgi 10 00408 i001

بیانیه در دسترس بودن داده ها

داده های ارائه شده در این مطالعه به درخواست نویسنده مسئول در دسترس است. داده ها به دلیل حفظ حریم خصوصی در دسترس عموم نیستند.

تضاد علاقه

نویسندگان هیچ تضاد منافع را اعلام نمی کنند.

منابع

  1. گوبیت، ا. کوتلارسکی، اس. بنیستون، ام. هاینریش، جی. راجچاک، جی. Stoffel, M. تغییرات اقلیمی قرن بیست و یکم در کوه های آلپ اروپایی – مروری. علمی کل محیط. 2014 ، 493 ، 1138-1151. [ Google Scholar ] [ CrossRef ]
  2. ساوربورن، آر. ابی، ک. تغییرات آب و هوا و بلایای طبیعی – ادغام علم و عمل برای محافظت از سلامت. گلوب. Health Action 2012 , 5 , 19295. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  3. Alcántara-Ayala، I.; آلتان، او. بیکر، دی. بریسنو، اس. کاتر، اس. گوپتا، اچ. هالووی، ای. اسماعیل زاده، ع. جیمنز دیاز، وی. جانستون، دی. و همکاران تحقیق و ارزیابی خطرات بلایا برای ارتقاء کاهش و مدیریت ریسک . اسماعیل زاده، ع.، کاتر، س.، ویرایش. ICSU: پاریس، فرانسه، 2015. [ Google Scholar ]
  4. Themistocleous، K. Danezis، C. نظارت بر سایت‌های میراث فرهنگی متاثر از مخاطرات جغرافیایی با استفاده از داده‌های درجا و SAR: مطالعه موردی Choirokoitia. در سنجش از دور برای باستان‌شناسی و مناظر فرهنگی – بهترین شیوه‌ها و دیدگاه‌ها در سراسر اروپا و خاورمیانه ؛ Hadjimitsis, DG, Themisloceous, K., Cuca, B., Agapiou, A., Lysandrou, V., Lasaponara, R., Masini, N., Schreirer, G., Eds. سنجش از دور Springer/Photogrammetry: Cham، سوئیس، 2020؛ شابک 978-3-030-10978-3. [ Google Scholar ]
  5. Garnica-Peña، RJ; Alcántara-Ayala، I. استفاده از پهپادها برای تحقیقات خطر بلایای زمین لغزش و مدیریت خطر بلایا: مروری بر ادبیات. J. Mt. Sci. 2021 ، 18 ، 482-498. [ Google Scholar ] [ CrossRef ]
  6. Themistocleous، K. Themistocleous، K. استفاده از پهپادها برای میراث فرهنگی و باستان شناسی. در سنجش از دور برای باستان‌شناسی و مناظر فرهنگی – بهترین شیوه‌ها و دیدگاه‌ها در سراسر اروپا و خاورمیانه ؛ Hadjimitsis, DG, Themisloceous, K., Cuca, B., Agapiou, A., Lysandrou, V., Lasaponara, R., Masini, N., Schreirer, G., Eds. سنجش از دور Springer/Photogrammetry: Cham، سوئیس، 2020؛ شابک 978-3-030-10978-3. [ Google Scholar ]
  7. Themistocleous، K. Hadjimitsis، DG; مایکلیدس، اس. اسپیزیچینو، دی جی; کروستا، گیگابایت؛ فرناندز مرودو، جی. Bee, E. بهترین روش‌ها برای نظارت، کاهش و حفاظت از سایت‌های میراث فرهنگی متاثر از مخاطرات جغرافیایی. در مجموعه مقالات EGU2018، وین، اتریش، 8 تا 13 آوریل 2018؛ جلد 20. [ Google Scholar ]
  8. نیکولاکوپولوس، KG; سوره، ک. کوکوولاس، IK; Argyropoulos، NG UAV در مقابل فتوگرامتری هوایی کلاسیک برای مطالعات باستان شناسی. J. Arch. علمی 2017 ، 14 ، 758-773 . [ Google Scholar ] [ CrossRef ]
  9. کووا، م. مونزا، م. گوارت، سی. گرکه، ام. Nex, F. استفاده از پهپاد برای ایجاد و به روز رسانی نقشه. مطالعه موردی در رواندا Surv. Rev. 2018 , 50 , 312–325. [ Google Scholar ] [ CrossRef ]
  10. مانچینی، اف. دوبینی، م. گاتلی، ام. استچی، اف. فابری، اس. Gabbianelli، G. استفاده از وسایل نقلیه هوایی بدون سرنشین (UAV) برای بازسازی توپوگرافی با وضوح بالا: ساختار از رویکرد حرکت در محیط های ساحلی. Remote Sens. 2013 , 5 , 6880–6898. [ Google Scholar ] [ CrossRef ]
  11. پیراس، م. تادیا، جی. Forno، MG; گاتیگلیو، ام. آیکاردی، آی. دابوو، پ. لو روسو، اس. Lingua، A. نقشه برداری دقیق زمین شناسی در مناطق کوهستانی با استفاده از یک وسیله نقلیه هوایی بدون سرنشین: کاربرد در دره رودورتو، آلپ شمال غربی ایتالیا. ژئومات. نات. خطر خطرات 2017 ، 8 ، 137-149. [ Google Scholar ] [ CrossRef ]
  12. Themistocleous، K. استفاده از پهپادها برای نظارت بر سایت‌های باستان‌شناسی: مطالعه موردی Choirokoitia در پروژه PROTHEGO. در مجموعه مقالات پنجمین کنفرانس بین المللی سنجش از دور و اطلاعات جغرافیایی محیط زیست، پافوس، قبرس، 20 تا 23 مارس 2017. [ Google Scholar ]
  13. گائو، ام. خو، X. کلینگر، ی. ون در وورد، جی. Tapponnier، P. نقشه برداری با وضوح بالا بر اساس یک وسیله نقلیه هوایی بدون سرنشین (UAV) برای ثبت تغییرات دیرینه لرزه ای در امتداد گسل Altyn-Tagh، چین. علمی Rep. 2017 , 7 , 8281. [ Google Scholar ] [ CrossRef ]
  14. بالدی، پ. کولتلی، م. فابریس، م. مارسلا، ام. توماسی، ص. فتوگرامتری با دقت بالا برای نظارت بر تکامل جناح شمال غربی آتشفشان استرومبولی در طول و پس از فوران 2002-2003. گاو نر آتشفشان 2008 ، 70 ، 703-715. [ Google Scholar ] [ CrossRef ]
  15. راو، جی. جان، جی پی. Lo, CF; نقشه برداری زمین لغزش Lin, YS با استفاده از تصاویر بدست آمده توسط یک پهپاد بال ثابت. بین المللی قوس. فتوگرام 2012 ، 38 ، 195-200. [ Google Scholar ] [ CrossRef ]
  16. روسی، جی. تانتری، ال. طوفانی، وی. وانوچی، پی. مورتی، اس. Casagli، N. بررسی های پهپاد چند زمانی برای نقشه برداری زمین لغزش و خصوصیات. زمین لغزش 2018 ، 15 ، 1045-1052. [ Google Scholar ] [ CrossRef ]
  17. کیریو، ا. نیکولاکوپولوس، ک. کوکوولاس، آی. لامپروپولو، پی. کمپین‌های مکرر پهپاد، اندازه‌گیری‌های GNSS، GIS و تحلیل‌های پتروگرافی برای نقشه‌برداری و پایش زمین لغزش. Minerals 2021 , 11 , 300. [ Google Scholar ] [ CrossRef ]
  18. Themistocleous، K. دانزیس، سی. نظارت بر سایت های میراث فرهنگی تحت تأثیر مخاطرات زمین. در منابع زمین و کاربردهای سنجش از دور محیطی/GIS IX ; انجمن بین المللی اپتیک و فوتونیک: واشنگتن، دی سی، ایالات متحده آمریکا، 2018. [ Google Scholar ] [ CrossRef ]
  19. Themistocleous، K. دانزیس، سی. مندونیدیس، ای. Lymperopoulou، E. نظارت بر تغییر شکل زمین سایت‌های میراث فرهنگی با استفاده از پهپاد و تکنیک‌های ژئودتیک: مطالعه موردی Choirokoitia، پروژه JPI PROTHEGO. در منابع زمین و کاربردهای سنجش از دور محیطی/GIS VIII، مجموعه مقالات کنفرانس سنجش از دور SPIE، ورشو، لهستان، 11–14 سپتامبر 2017 . SPIE: واشنگتن، دی سی، ایالات متحده آمریکا، 2017; جلد 10428. [ Google Scholar ] [ CrossRef ]
  20. امرالله، سی. سووردحی، د. Meilano، I. اثر دقت محصول استفاده از دوربین دیجیتال غیر متریک مایل و عمودی در فتوگرامتری پهپاد برای تعیین صفحه خطا. ISPRS Ann. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2016 ، 3 ، 41-48. [ Google Scholar ] [ CrossRef ]
  21. Meinen، BU; رابینسون، DT نقشه برداری فرسایش و رسوب در یک چشم انداز کشاورزی: ​​بهینه سازی طرح های بدست آوردن تصویر پهپاد برای SfM-MVS. سنسور از راه دور محیط. 2020 ، 239 ، 111666. [ Google Scholar ] [ CrossRef ]
  22. کازلا، وی. فرانزینی، ام. مدلسازی سطوح شیب دار با پیکربندی های مختلف فتوگرامتری نادر و مایل. ISPRS Ann. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2016 ، 3 ، 175-182. [ Google Scholar ] [ CrossRef ]
  23. روسی، پی. مانچینی، اف. دوبینی، م. مازون، اف. کاپرا، الف. ترکیب تصاویر پهپاد نادر و مورب برای بازسازی توپوگرافی معدن: روش‌شناسی و تحلیل امکان‌سنجی. یورو J. Remote Sens. 2017 ، 50 ، 211-221. [ Google Scholar ] [ CrossRef ]
  24. لینگوا، ا. نواردو، اف. اسپانو، آ. سنا، س. Matrone، F. تولید مدل سه بعدی با استفاده از تصاویر مایل به دست آمده توسط پهپاد. ISPRS Ann. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2017 ، 42 ، 107-115. [ Google Scholar ] [ CrossRef ]
  25. واکا، جی. دسی، آ. Sacco, A. استفاده از تصاویر پهپاد نادر و مایل برای ایجاد دانش. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 393. [ Google Scholar ] [ CrossRef ]
  26. Tu، Y.-H.; یوهانسن، ک. آراگون، بی. Stutsel، BM; فرشته، ی. کامارگو، OAL؛ المشهراوی، SKM; جیانگ، جی. زیلیانی، MG; McCabe، MF ترکیب تصاویر نادر، مایل و نما، بازسازی سازندهای سنگی را با استفاده از وسایل نقلیه هوایی بدون سرنشین افزایش می دهد. IEEE Trans. Geosci. Remote Sens. 2021 ، 1-13. [ Google Scholar ] [ CrossRef ]
  27. استرونر، ام. شهری، ر. ریندل، تی. سیدل، ج. Brouček, J. ارزیابی دقت ژورفرانس یک مدل فتوگرامتری با استفاده از کوادروکوپتر با GNSS RTK آنبرد. Sensors 2020 , 20 , 2318. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  28. استرونر، ام. شهری، ر. سیدل، ج. ریندل، تی. Brouček, J. فتوگرامتری با استفاده از GNSS RTK نصب شده در پهپاد: استراتژی های ارجاع جغرافیایی بدون GCP. Remote Sens. 2021 , 13 , 1336. [ Google Scholar ] [ CrossRef ]
  29. تپاتی لوس، ال. چیابراندو، اف. جولیو تونولو، اف. افزایش به موقع بودن نقشه برداری پهپاد در مقیاس بزرگ. رویکردهای ارجاع جغرافیایی مستقیم: استراتژی های عملیاتی و بهترین شیوه ها. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 578. [ Google Scholar ] [ CrossRef ]
  30. التنر، ا. سوفیا، جی. فصل 1-ساختار از تکنیک فتوگرامتری حرکتی. در تحولات در فرآیندهای سطح زمین ; Tarolli, P., Mudd, SM, Eds. الزویر: آمستردام، هلند، 2020؛ جلد 23، ص 1-24. [ Google Scholar ]
  31. وستوبی، ام. براسینگتون، جی. گلسر، ن. هامبری، م. رینولدز، جی. فتوگرامتری “ساختار از حرکت”: ابزاری کم هزینه و موثر برای کاربردهای علوم زمین. ژئومورفولوژی 2012 ، 179 ، 300-314. [ Google Scholar ] [ CrossRef ]
  32. میچلتی، ن. چندلر، جی. Lane, SN فصل 2-ساختار از فتوگرامتری حرکتی (SFM). در تکنیک های ژئومورفولوژی ; بخش 2.2; انجمن بریتانیایی برای ژئومورفولوژی: لندن، بریتانیا، 2015. [ Google Scholar ]
  33. راهنمای Photoscan. در دسترس آنلاین: https://www.agisoft.com/pdf/photoscan-pro_1_1_en.pdf (در 27 فوریه 2021 قابل دسترسی است).
  34. نیکولاکوپولوس، ک. کیریو، ا. کوکوولاس، آی. زیگوری، وی. آپوستولوپولوس، دی. ترکیبی از فتوگرامتری هوایی، ماهواره‌ای و پهپاد برای نقشه‌برداری تکامل خط ساحلی دیاکرونیک: مورد جزیره لفکادا. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 489. [ Google Scholar ] [ CrossRef ]
  35. ArcMap (مرکز میانگین). در دسترس آنلاین: https://desktop.arcgis.com/en/arcmap/latest/tools/spatial-statistics-toolbox/mean-center.htm (در 2 مارس 2021 قابل دسترسی است).
  36. Mitchell, A. The ESRI Guide to GIS Analysis , 1st ed.; ESRI Press: Redlands, CA, USA, 2005; جلد 2. [ Google Scholar ]
  37. ArcMap (تحلیل نزدیک). در دسترس آنلاین: https://desktop.arcgis.com/en/arcmap/10.3/tools/analysis-toolbox/near.htm (در 2 مارس 2021 قابل دسترسی است).
  38. Congalton، RG; گرین، ک. ارزیابی دقت اصول و روش‌های داده‌های سنجش از دور . CRC Press: Boca Raton، FL، USA، 2009. [ Google Scholar ]
  39. چن، ی. مدیونی، جی. مدل‌سازی شی با ثبت تصاویر چند دامنه. تصویر Vis. محاسبه کنید. 1992 ، 10 ، 145-155. [ Google Scholar ] [ CrossRef ]
  40. Mesas-Carrascosa، FJ; رومبائو، آی سی; Berrocal، JAB; پوراس، AG-F. ارزیابی کیفیت موقعیت عکس‌های ارتوفت به‌دست‌آمده از سنسورهای روی پلت‌فرم‌های پهپاد چند روتوری. Sensors 2014 , 14 , 22394–22407. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  41. آگوئرا-وگا، اف. کارواخال رامیرز، اف. Martínez-Carricondo، P. دقت مدل‌های سطح دیجیتال و عکس‌های اورتوفوتو برگرفته از فتوگرامتری وسایل نقلیه هوایی بدون سرنشین. J. Surv. مهندس 2017 , 143 , 04016025. [ Google Scholar ] [ CrossRef ]
  42. گیندراکس، اس. بوش، آر. Farinotti، D. ارزیابی دقت مدل‌های سطح دیجیتال از تصاویر وسایل نقلیه هوایی بدون سرنشین بر روی یخچال‌ها. Remote Sens. 2017 , 9 , 186. [ Google Scholar ] [ CrossRef ]
  43. جیمز، MR; رابسون، اس. پینکرتون، اچ. توپ، M. فتوگرامتری مایل با تصاویر مرئی و حرارتی از جریان های گدازه فعال. گاو نر آتشفشان 2006 ، 69 ، 105-108. [ Google Scholar ] [ CrossRef ]
  44. جیمز، MR; پینکرتون، اچ. رابسون، اس. اندازه‌گیری تغییرات شار مبتنی بر تصویر در نواحی دیستال جریان‌های گدازه فعال. ژئوشیمی. ژئوفیز. Geosyst. 2007 ، 8 ، Q03006. [ Google Scholar ] [ CrossRef ]
  45. آیکاردی، آی. چیابراندو، اف. گراسو، ن. Lingua، AM؛ نواردو، اف. اسپانو، A. فتوگرامتری پهپاد با تصاویر مایل: اولین تحلیل در مورد جمع آوری و پردازش داده ها. در مجموعه مقالات آرشیو بین المللی فتوگرامتری، سنجش از دور و علوم اطلاعات مکانی. در مجموعه مقالات کنگره XXIII ISPRS، پراگ، جمهوری چک، 12 تا 19 ژوئیه 2016. جلد XLI-B1. [ Google Scholar ]
  46. Nesbit، PR; Hugenholtz، CH افزایش دقت مدل سه بعدی UAV-SfM در مناظر با برجسته‌سازی بالا با ترکیب تصاویر مایل. Remote Sens. 2019 , 11 , 239. [ Google Scholar ] [ CrossRef ]
  47. Mosbrucker، AR; سرگرد، جی جی. اسپایسر، KR؛ Pitlick، J. ملاحظات سیستم دوربین برای کاربردهای ژئومورفیک فتوگرامتری SfM. گشت و گذار در زمین. روند. Landf. 2017 ، 42 ، 969-986. [ Google Scholar ] [ CrossRef ]
  48. جیمز، MR; رابسون، اس. کاهش خطای سیستماتیک در مدل های توپوگرافی مشتق شده از پهپاد و شبکه های تصویری زمینی. گشت و گذار در زمین. روند. Landf. 2014 ، 39 ، 1413-1420. [ Google Scholar ] [ CrossRef ]
  49. سامارتانو، جی. چیابراندو، اف. Spanò، A. تصاویر مایل و فتوگرامتری مستقیم با سکوی بال ثابت: اولین آزمایش و نتایج در Hierapolis of Phrygia (TK). بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2020 ، 43 ، 75-82. [ Google Scholar ] [ CrossRef ]
  50. آلگانچی، U. بسول، بی. Sertel، E. ارزیابی دقت مدل‌های سطح دیجیتال مختلف. ISPRS Int. J. Geo-Inf. 2018 ، 7 ، 114. [ Google Scholar ] [ CrossRef ]
  51. وسل، بی. هوبر، ام. وولفارت، سی. مارشالک، یو. کوسمان، دی. Roth، A. ارزیابی دقت مدل جهانی ارتفاع دیجیتال TanDEM-X با داده های GPS. ISPRS J. Photogramm. Remote Sens. 2018 , 139 , 171–182. [ Google Scholar ] [ CrossRef ]
  52. الخرچی، اول. ارزیابی دقت عمودی برای مدل‌های ارتفاعی دیجیتال SRTM و ASTER: مطالعه موردی شهر نجران، عربستان سعودی. مهندس عین شمس J. 2018 ، 9 ، 1807–1817. [ Google Scholar ] [ CrossRef ]
  53. Hobi، ML; Ginzler, C. ارزیابی دقت مدل‌های سطح دیجیتال بر اساس داده‌های سنجش از راه دور استریو WorldView-2 و ADS80. Sensors 2012 , 12 , 6347-6368. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  54. احمد فواد، ن. یوسف، آر. اسماعیل، ز. مجید، ز. مقایسه عملکرد روش‌های ثبت ابر نقطه‌ای برای پایش زمین لغزش با استفاده از داده‌های اسکن لیزری سیار. در مجموعه مقالات آرشیو بین المللی فتوگرامتری، سنجش از دور و علوم اطلاعات فضایی، کنفرانس بین المللی ژئوماتیک و فناوری جغرافیایی (GGT 2018)، کوالالامپور، مالزی، 3 تا 5 سپتامبر 2018؛ جلد XLII-4/W9. [ Google Scholar ] [ CrossRef ]
Ijgi 10 00408 g001 550
شکل 1. منطقه لغزش. ( الف ) تصویر Google Earth که منطقه مورد مطالعه را قبل از لغزش پوشش می دهد. ( ب ) ارتفتو مطالعه پس از وقوع زمین لغزش.
Ijgi 10 00408 g002 550
شکل 2. ( الف – ج ) الگوهای GCP، واقع بر روی ستون های دائمی.
Ijgi 10 00408 g003 550
شکل 3. ( الف ) تصویر پهپاد در 5 نوامبر 2017 به دست آمد. مربع های قرمز ناحیه ای را که GCP ها در آن قرار دارند مشخص می کنند. ( ب – د ) الگوهای GCP همانطور که در تصاویر پهپاد شناسایی شده است.
Ijgi 10 00408 g004 550
شکل 4. ( الف ) فلوچارت که روش شناسی کاربردی را نشان می دهد. ( ب ) محصولات مشتق شده از هر کمپین پهپاد.
Ijgi 10 00408 g005 550
شکل 5. مسیرهای بدست آوردن پهپاد. ( الف ) مسیر شبکه مشاهده نادر. ( ب ) مسیر شبکه دید مایل. ( ج ) تصویر نادر مشاهده. ( د ) تصویر مشاهده مایل.
Ijgi 10 00408 g006 550
شکل 6. عکس های ارتوپوتی از منطقه مورد مطالعه. ( الف ) ارتفتو از ترکیب تصاویر نادر و مایل در 5 نوامبر 2017. ( ب ) ارتفتو از تصاویر نادر در 5 نوامبر 2017. ( ج ) ارتفتو از تصاویر مایل در 5 نوامبر 2017.
Ijgi 10 00408 g007 550
شکل 7. توزیع ستون های دائمی و خطوط ژئودتیک در سراسر منطقه مورد مطالعه.
Ijgi 10 00408 g008 550
شکل 8. محل میانگین مرکز خط 1.
Ijgi 10 00408 g009 550
شکل 9. محل میانگین مرکز خط 2.
Ijgi 10 00408 g010 550
شکل 10. فواصل ابر به ابر. a _ _ _ _ هندسه مشاهده نادر، به دست آمده در 9 ژوئن 2018. ( ج ) فواصل C2C بین ابر نقطه ای از تصاویر مایل نادر و هندسه مشاهده مایل مربوطه، به دست آمده در 9 ژوئن 2018. ( د ) هیستوگرام فواصل C2C بین ابر نقطه‌ای از تصاویر مایل نادری و تصویر مربوط به هندسه با دید مایل، در 9 ژوئن 2018 به دست آمد.
Ijgi 10 00408 g011 550
شکل 11. فواصل ابر به ابر. a _ _ _ _ از هندسه مشاهده نادر، به دست آمده در 25 ژوئیه 2018. ( ج ) فواصل C2C بین ابر نقطه ای از تصاویر مایل نادر و هندسه مشاهده مایل مربوطه، به دست آمده در 25 ژوئیه 2018. ( د ) هیستوگرام فواصل C2C بین ابر نقطه‌ای از تصاویر مایل نادری و تصویر متناظر با هندسه مشاهده مایل، در 25 ژوئیه 2018 به دست آمد.
Ijgi 10 00408 g012 550
شکل 12. پروفیل های سطحی. ( الف ) نیمرخ سطح ابر نقطه دید نادر (خط نارنجی) مطابق با نمایه سطح مربوطه ابر نقطه از تصاویر نادر- مایل (خط آبی). ( ب ) مشخصات سطح ابر نقطه دید مایل (خط سبز) مطابق با نمایه سطح مربوطه ابر نقطه از تصاویر نادر- مایل (خط آبی).

مقالات داخلی و بین المللی

چگونه هندسه اکتساب تصویر کمپین های پهپاد بر محصولات مشتق شده و دقت آنها در مناطقی با ژئومورفولوژی پیچیده تأثیر می گذارد

مطالب مرتبط ...

12 نظرات

دیدگاهتان را بنویسید