مدلهای دیجیتال ارتفاع (DEM) که از فناوری تشخیص نور و محدوده (LiDAR) مشتق شدهاند، در حال تبدیل شدن به استاندارد در نمایش سطوح زمین هستند. آنها کاربردهای متعددی در جنگلداری، کشاورزی و منابع طبیعی دارند. اگرچه خطاهای ارتفاعی بسیار کمتر از خطاهای ناشی از روش های سنتی است، اما گزارش شده است که دقت با شیب زمین و پوشش گیاهی کاهش می یابد. در این مطالعه، ما دقت DEM مشتق شده از LiDAR موجود در هوا را در جنگلهای برگریز شرقی فلات کامبرلند اندازهگیری کردیم. ما تغییرات ارتفاع نسبی را در قطعههای مزرعهای که در سرتاسر شیبها و کلاسهای ناهمواری مختلف قرار دارند اندازهگیری کردیم تا دقت DEM را کمی کنیم. ما خطاهای تغییر ارتفاع DEM های مشتق شده از سه مجموعه داده LiDAR را مقایسه کردیم: یک چگالی کم (~1.5 نقطه • m – 2، یک چگالی بالا (~40 pts • m − 2 )، و یک مجموعه داده ترکیبی. ما همچنین DEM های بدست آمده با درونیابی نقاط زمین را با استفاده از چهار روش درونیابی مقایسه کردیم. نتایج نشان می دهد که میانگین خطای تغییر ارتفاع (MECE) با شیب زمین و ناهمواری با میانگین 73.6 سانتی متر افزایش می یابد. مقادیر MECE از 23.2 سانتی متر در مناطق با کمترین شیب (0% – 39%) و ناهمواری (0% – 28%) تا 145.5 سانتی متر در مناطق با بیشترین شیب (50% – 103%) و ناهمواری (46% – 103) متغیر بود. ٪) کلاس ها. ما هیچ تفاوت قابل توجهی بین روش های درون یابی یا مجموعه داده های LiDAR پیدا نکردیم. مورد دوم نشان می دهد که سطوح دقت مشابهی را می توان با مجموعه داده های کم چگالی به دست آورد.
کلید واژه ها
خطای تغییر ارتفاع , تسکین زمین , ناهمواری و شیب , سنجش از دور
1. مقدمه
مدلهای ارتفاعی دیجیتال (DEM) که از فناوری تشخیص و محدوده نور هوابرد (LiDAR) مشتق شدهاند، به دلیل توانایی آن در توصیف دقیق تسکین در مناظر بزرگ، به استانداردی در نمایش سطوح زمین تبدیل میشوند. DEM های مشتق شده از LiDAR کاربردهای متعددی در منابع طبیعی دارند [ 1 ] [ 2 ] [ 3 ] . در جنگلداری، DEM ها معمولاً در کاربردهای هیدرولوژیکی (یعنی [ 4 ] [ 5 ]) و به طور فزاینده ای در برنامه ریزی عملیات جنگل (یعنی [ 6 ] [ 7 ] [ 8 ]) استفاده می شوند. دقت DEM های مشتق شده از LiDAR به طور قابل توجهی بالاتر از DEM های مشتق شده از منابع جایگزین مانند عکس های هوایی یا تصاویر ماهواره ای است [ 1 ]] [ 2 ] [ 9 ] ، که ایجاد DEM های با وضوح بالا (≤1 متر) را تسهیل می کند و به نوبه خود کاربرد آنها را افزایش می دهد.
دقت در ارتفاع سنجی DEM های مشتق شده از LiDAR با وضوح بالا معمولاً توسط ارائه دهندگان داده بین 15 تا 25 سانتی متر گزارش می شود [ 9 ] [ 10 ] [ 11 ]. با این حال، خطاهای ارتفاعی معمولاً در زمین های صاف و هموار و بدون پوشش گیاهی اندازه گیری می شوند [ 12 ] [ 13 ]. پارامترهای سیستم LiDAR مانند مسیر پرواز، زاویه اسکن و چگالی نقطه [ 14 ] [ 15 ] [ 16 ] و همچنین روشهای پردازش دادهها مانند روشهای فیلتر نقطه و درونیابی [ 17 ] [ 18 ] [ 19 ] [ 20 ]] می تواند بر دقت DEM مشتق شده تأثیر بگذارد. چندین مطالعه همچنین نشان داده اند که پوشش گیاهی، شیب زمین و تنوع زمین می تواند تأثیر قابل توجهی بر خطاهای ارتفاعی داشته باشد [ 21 ] [ 22 ] [ 23 ] [ 24 ] [ 25 ]. به طور کلی، خطاهای ارتفاعی با پوشش گیاهی و میزان سطح زیرین و همچنین با افزایش شیب و تنوع زمین [ 26 ] [ 27 ] [ 28 ] افزایش می یابد.
اکثر مطالعاتی که خطاهای ارتفاع از DEM های مشتق شده از LiDAR را کمی می کنند، بر اساس حالت های ایستا هستند که در آن خطاها با استفاده از شبکه دائمی ایستگاه های GPS که در حالت پیوسته اندازه گیری می شوند، محاسبه می شوند. در صورت عدم امکان، از واحدهای GPS با تکنیک سینماتیک زمان واقعی (RTK) برای به دست آوردن ارتفاع دقیق نقاط کنترل زمینی فردی استفاده می شود [ 10 ] [ 29 ] [ 30 ]] . این خوانش ارتفاعات GPS مقادیر واقعی در نظر گرفته می شوند و با ارتفاعات مشتق شده از DEM مقایسه می شوند. با این حال، در جنگلهایی با پوشش گیاهی پیچیده (سایبانهای متراکم و چند طبقه که توسط گونههای مختلف تشکیل شدهاند) و شرایط زمین پیچیده (شیبهای شیبدار، باریک و کوتاه با تشکلهای سنگی متعدد)، قدرت سیگنال ماهوارهای ضعیف است که حتی از استفاده از واحدهای GPS پیشرفته نیز جلوگیری میکند. برای به دست آوردن اندازه گیری ارتفاعات دقیق [ 31 ] [ 32] . در نتیجه، فقدان مطالعاتی برای ارزیابی دقت DEM های مشتق شده از LiDAR در مناطقی با شرایط پیچیده گیاهی و زمین وجود دارد. مانند جنگلهای فلات کامبرلند کوههای آپالاش، در ایالات متحده، که در آن علاقه فزایندهای به استفاده از دادههای LiDAR برای جنگلداری، هیدرولوژی، معدن، ارزیابی ریسک و کاربردهای حیات وحش وجود دارد [ 33 ] [ 34 ].
هدف از این مطالعه تعیین کمیت خطاهای ارتفاعی DEM با وضوح بالا و مشتق از LiDAR در مناطقی با شرایط پیچیده گیاهی و زمین با استفاده از روش گردآوری داده های حقیقت زمینی جایگزین بود. به جای استفاده از واحدهای GPS برای جمعآوری ارتفاعات نقاط کنترل، از یک روش جایگزین استفاده کردیم که تغییرات ارتفاع نسبی متعدد را در نمودارهای زمین میدانی اندازهگیری کرد. تغییرات ارتفاعی بین مرکز پلات و نقاط متعدد واقع در فواصل و آزیموت های مختلف با استفاده از طرح کرت ستاره ای شکل اندازه گیری شد. این روش گردآوری داده های حقیقت زمینی جایگزین برای ارزیابی توانایی DEM مشتق شده از LiDAR برای نمایش دقیق سطوح زمین به جای مقایسه ارتفاعات منفرد مناسب تر است. چندین برنامه DEM نیاز به محاسبه تغییرات ارتفاع در مکان های مختلف دارند (سایه تپه، شیب، انباشت جریان، جهت جریان در میان سایر موارد)، از این رو ارزیابی مستقیم این خطای نسبی ارتفاع، اطلاعات مفیدی را در مورد انتشار خطا به آن برنامهها هنگام استفاده از دادههای LiDAR ارائه میدهد. در نهایت، این مطالعه با توسعه و استفاده از این روش نمونه برداری جدید DEM برای ارزیابی دقت ارتفاع، بر مشکلات پوشش گیاهی پیچیده و شرایط زمین برای استفاده از GPS با RTK غلبه می کند.
2. روش ها
2.1. منطقه مطالعه
تحقیقات در جنگل رابینسون دانشگاه کنتاکی (Lat. 37.4611، Long. −83.1555)، واقع در بخش شرقی ناهموار منطقه فلات کامبرلند در جنوب شرقی کنتاکی در شهرستان های Breathitt، Perry و Knott انجام شد ( شکل 1 ). به دلیل محدودیتهای دسترسی، منطقه مورد مطالعه را به حوضههای آبخیز Clemons Fork و Lewis Fork در جنگل رابینسون با مساحت تقریباً 1800 هکتار محدود کردیم. زمین در سراسر منطقه مورد مطالعه و کل جنگل رابینسون با یک الگوی زهکشی انشعاب مشخص می شود، که پشته های باریکی با صخره های ماسه سنگی و سیلتستون، دره های منحنی و شیب های نیمکتی ایجاد می کند. دامنه ها با جریان های متناوب زیادی تشریح می شوند [ 35] و دارای شیب متوسطی از 10 تا بیش از 100 درصد، عمدتاً جنبه های شمال غربی و جنوب شرقی و ارتفاع از سطح دریا بین 252 تا 503 متر است. پوشش گیاهی از یک جنگل مزوفیتی مخلوط به هم پیوسته متنوع تشکیل شده است
شکل 1 . توپوگرافی منطقه مورد مطالعه (1797 هکتار) در جنگل رابینسون (4250 هکتار) واقع در شهرستان های Breathitt، Knott، و Perry در جنوب شرقی کنتاکی (Lat. 37.4611، Long. -83.1555).
از حدود 80 گونه درختی با بلوط قرمز شمالی (Quercusrubra)، بلوط سفید (Quercus alba)، صنوبر زرد (Liriodendron tulipifera)، راش آمریکایی (Fagus grandifolia)، شوکران شرقی (Tsugacanadensis) و افرا شکر (Acer saccharum) به عنوان غالب و گونههای غالب، در حالی که گونههای زیرزمینی شامل غنچه سرخ شرقی (Cerciscanadensis)، سگ گلدار (Cornusflorida)، بوته ادویه (Lindera benzoin)، پنجه پا (Asiminatriloba)، ماگنولیا چتری (Magnolia tripetala)، و ماگنولیا برگ بزرگ (Magnolia) [ 35 ]] . میانگین پوشش تاج پوشش در سراسر جنگل رابینسون حدود 93٪ با دهانه های کوچک پراکنده در سراسر است. اکثر مناطق بیش از 97 درصد پوشش تاج پوشش دارند، اما مناطقی که اخیراً برداشت شده اند دارای میانگین پوشش کمتر از 63 درصد هستند. پس از برداشت گسترده در دهه 1920، بیشتر جنگل های رابینسون به عنوان دومین جنگل رشد با 80 تا 100 سال قدمت در نظر گرفته می شوند و از فعالیت های چوب برداری تجاری و معدنکاری که کاربری معمولی زمین در منطقه هستند محافظت می شود [ 36 ].
2.2. مجموعه داده های LiDAR
ما از دو مجموعه داده LiDAR که منطقه مورد مطالعه را پوشش میدهند، استفاده کردیم که با همان سیستم LiDAR توسط فروشندهای مشابه جمعآوری شدهاند. یک مجموعه داده با چگالی کم (~1.5 pt∙m -2 ) بود که در بهار 2013 در طول فصل برگریزی به منظور کسب اطلاعات زمین، به عنوان بخشی از یک برنامه جمعآوری دادههای ارتفاعی در سطح ایالت از بخش جغرافیایی کنتاکی جمعآوری شد. اطلاعات. مجموعه داده دوم با تراکم بالا (~40 pt∙m -2 ) بود که در تابستان 2013 در طول فصل برگی به منظور جمع آوری اطلاعات دقیق پوشش گیاهی توسط گروه جنگلداری دانشگاه کنتاکی به دست آمد. پارامترهای سیستم LiDAR و پرواز برای هر دو مجموعه داده در جدول 1 ارائه شده است. فروشنده هر دو مجموعه داده خام LiDAR را با استفاده از نرم افزار TerraScan پردازش کرد [ 37] برای طبقه بندی نقاط LiDAR به نقاط زمینی و غیر زمینی. مجموعه داده سوم نیز با ترکیب نقاط کم چگالی و چگالی بالا ایجاد شد. برای

جدول 1 . پارامترهای جمع آوری داده LiDAR برای هر دو مجموعه داده جمع آوری شده در جنگل رابینسون استفاده می شود.
هر یک از سه مجموعه داده LiDAR (با چگالی کم، چگالی بالا و ترکیبی)، ابزار “ایجاد مجموعه داده LAS” در ArcGIS (ArcMap، نسخه 10.2) برای ایجاد یک فایل داده LASer (LAS) استفاده شد. سپس مجموعه داده LAS فیلتر شد تا فقط نقاط زمین را شامل شود، و ابزار “داده LAS به Raster” در ArcMap برای ایجاد یک DEM با وضوح 1 متر استفاده شد. چهار DEM برای هر مجموعه داده با در نظر گرفتن روش های درونیابی میانگین (AVG)، وزن معکوس فاصله (IDW)، حداقل (MIN)، و نزدیکترین همسایه (NN) ایجاد شد. در نتیجه، در مجموع 12 DEM که منطقه مورد مطالعه را پوشش می دهد ایجاد شد. سه مجموعه داده LiDAR و چهار روش درونیابی.
2.3. طراحی نمونه گیری
ما انتظار داشتیم که خطاهای DEM مشتق شده از LiDAR با شیب زمین و ناهمواری (تغییرپذیری) متفاوت باشد. به منظور شناسایی نواحی با سطوح مختلف شیب و ناهمواری زمین که در آن میتوان قطعههای نمونه زمین را تعیین کرد، یک شطرنجی شیب با وضوح 1 متر را با استفاده از مقدار متوسط به وضوح درشتتر 36.6 متر (120 فوت) نمونهبرداری کردیم. این وضوح 36.6 متری برای ارائه مقیاس معنیدارتر در سراسر منطقه مورد مطالعه و مطابقت با اندازه قطعات میدانی مورد استفاده برای جمعآوری اطلاعات سطح زمین انتخاب شد. شطرنجی شیب وضوح درشت تر فقط برای ایجاد سه کلاس شیب (کم، متوسط و زیاد) با مساحت نسبتا مشابه در سراسر سایت مورد مطالعه استفاده شد ( جدول 2 ، شکل 2).(آ)). ناهمواری زمین نیز در وضوح درشت تر به عنوان تغییرپذیری شیب شطرنجی شیب 1 متر، همانطور که توسط [ 38 ] برای تعیین ناهمگنی شیب استفاده می شود، محاسبه شد. تنوع شیب برای هر سلول در شطرنجی با وضوح درشت به عنوان محدوده (شیب حداکثر؟ شیب حداقل) مقادیر شیب تعریف شد ( شکل 2 (ب)). سپس منطقه مورد مطالعه به سه کلاس ناهمواری (کم، متوسط و زیاد) با سطوح مشابه در هر کلاس تقسیم شد ( جدول 2 ). سپس لایههای شطرنجی شیب و ناهمواری برای شناسایی نه کلاس شیب/ ناهمواری ترکیبی روی هم قرار گرفتند، که در آنها پنج پلات مزرعه بهطور تصادفی قرار گرفتند و در مجموع 45 قطعه صحرایی به دست آمد ( شکل 3 ).
(الف) (ب)
شکل 2 . لایههای شطرنجی با وضوح 36.6 متر درشتتر که درصد شیب (a) و تنوع درصد شیب، ناهمواری زمین (b) در سراسر منطقه مورد مطالعه را نشان میدهد برای ایجاد 9 ترکیب از دستههای شیب/ ناهمواری که در آن قطعههای نمونه زمین قرار میگیرد، استفاده میشود.
شکل 3 . محل قرارگیری قطعات مزرعه در محدوده مورد مطالعه. حرف اول در دسته بندی های نمودار کوتاه نشان دهنده سطح ناهمواری (حرف دوم) و حرف سوم نشان دهنده سطح شیب (حرف چهارم) است.
2.4. جمع آوری داده های طرح میدانی
قبل از به دست آوردن داده های LiDAR، تخته های تخته سه لا مربع 1.2 متری، به رنگ سفید در 45 مکان پلات تعیین شده با استفاده از یک واحد GPS دستی با دقت 6.1 متر نصب شد. تخته ها به صورت همسطح با مراکز آنها در محل تعیین شده GPS نصب شدند. پس از اکتساب LiDAR، مختصات سه بعدی و مقادیر شدت نقاط زمینی LiDAR به صورت بصری بررسی شد و تخته ها به وضوح در 32 قطعه شناسایی شدند. مکان دقیق 13 قطعه میدان باقیمانده با استفاده از مثلث بندی میدانی از ویژگی های به راحتی قابل شناسایی در داده های LiDAR و در میدان پیدا شد. این ویژگیها شامل درختان غالب، صخرهها، تقاطعهای جادهها، و سایر ویژگیهای جادهای (به عنوان مثال، برش و پر کردن مناطق شیبدار، خندقهای امدادی خندق و خمها) بود.
هنگامی که مکان یک قطعه مشخص مشخص شد، هشت ترانسکت با امتداد 18.3 متر (60 فوت) از مرکز پلات ایجاد شد که 360 درجه در فواصل 45 درجه (چهار جهت اصلی و چهار جهت ترتیبی) را پوشش می دهد. در شش نقطه در امتداد هر ترانسکت، هر 3.05 متر (10 فوت) فاصله افقی از مرکز طرح، تغییر ارتفاع (فاصله عمودی) بین مرکز پلات و نقاط را اندازهگیری کردیم ( شکل 4).). تغییر ارتفاع برای 48 نقطه (8 ترانسکت × 6 نقطه) با نصب قطب نمای الکترونیکی و فاصله یاب لیزری بر روی سه پایه در مرکز طرح و حرکت یک هدف، نصب شده بر روی یک قطب در همان ارتفاع از سطح زمین با برد اندازه گیری شد. یاب، به هر نقطه. مکان یک نقطه در امتداد یک ترانسکت با اندازهگیری آزیموت با استفاده از قطبنمای الکترونیکی با دقت 1˚ و فاصله افقی با استفاده از برد یاب لیزری بینایی در فاصله 0.06 متر تعیین شد.
2.5. تحلیل داده ها
مختصات x و y از 2160 نقطه (45 پلات × 48 نقطه) بر اساس مختصات مرکز نمودار، فاصله افقی از مرکز نمودار، و آزیموت ترانسکت مربوطه به دست آمد. برای یک نقطه معین، تغییر ارتفاع DEM مشتق شده از LiDAR از مقادیر ارتفاعی سلول های DEM حاوی محل نقطه و مرکز نمودار به دست آمد. تغییرات ارتفاع از نمودارهای میدانی مقادیر واقعی در نظر گرفته شد. خطاها در تغییر ارتفاع به عنوان تفاوت مطلق بین تغییرات ارتفاع نمودار میدانی و تغییرات ارتفاع ناشی از DEM محاسبه شد. مجموع 2160 خطای تغییر ارتفاع بر اساس تعداد نمودار و ترکیب شیب و ناهمواری مرتب شدند.
شکل 4 . نمودار هشت ترانسکت و شش مکان در امتداد ترانسکتها که برای جمعآوری اطلاعات تغییر ارتفاع در هر قطعه مزرعه استفاده میشوند.
کلاس میانگین خطاهای تغییر ارتفاع (MECE) با کلاس شیب و ناهمواری مقایسه شد. محاسبه MECE برای دوازده DEM مختلف تکرار شد تا اثر مجموعه داده LiDAR و روش درونیابی بررسی شود. ما با استفاده از آزمون تحلیل واریانس دو طرفه (ANOVA) در SAS 9.3 (نرم افزار تجزیه و تحلیل آماری، موسسه SAS، کری، NC، ایالات متحده آمریکا) تفاوت های قابل توجهی را در MECE بین دسته های شیب و ناهمواری آزمایش کردیم.
3. نتایج و بحث
میانگین کلی خطا برای همه تغییرات ارتفاعی مشتق شده از DEM از هر سه مجموعه داده LiDAR و چهار روش درونیابی حدود 73.6 سانتی متر بود ( جدول 3 ). تفاوت در MECE در بین مجموعه داده های LiDAR بسیار کوچک بود (در عرض 1.5 سانتی متر) و مجموعه داده های با چگالی بالا و ترکیبی به ترتیب کمترین (72.7 سانتی متر) و بالاترین (74.1 سانتی متر) MECE را ارائه کردند. هیچ تفاوت معنی داری بین مجموعه داده های LiDAR پیدا نشد. هنگام مقایسه روشهای درونیابی، مقادیر MECE حتی مشابهتر بود و از 73.4 تا 73.8 سانتیمتر متغیر بود ( شکل 5 ).
همانطور که انتظار می رفت، MECE با شیب و سطح ناهمواری افزایش یافت ( شکل 6 ). مقادیر بین 42.5 سانتیمتر و 100.4 سانتیمتر از کلاسهای شیب کم تا زیاد، و بین 53.2 سانتیمتر و 96.0 سانتیمتر از کلاسهای ناهمواری کم تا زیاد متغیر بود. اگرچه مقادیر MECE در بین کلاسهای شیب و ناهمواری به طور قابلتوجهی متفاوت بود (فاصلههای اطمینان 95٪ بدون همپوشانی)، به نظر میرسید که شیب اثر بزرگتری داشته باشد همانطور که با تغییرات بزرگتر مشهود است. حتی تنوع بیشتری در مقادیر MECE هنگام در نظر گرفتن ترکیب های فردی شیب و ناهمواری مشاهده شد که از 23.2 سانتی متر برای کلاس شیب کم/ ناهمواری کم تا 145.5 سانتی متر برای کلاس شیب زیاد/ ناهمواری زیاد متغیر بود ( شکل 7 ). در کلاس ناهمواری بالا، افزایش واضحی در MECE با افزایش شیب وجود دارد که همه این موارد معنیدار بودند.
شکل 5 . میانگین خطای ارتفاع با استفاده از مجموعه داده LiDAR و روش درون یابی با فاصله اطمینان 95 درصد مربوطه آنها به طور میانگین محاسبه شد.
شکل 6 . میانگین خطای ارتفاع بر اساس کلاسهای شیب و ناهمواری بهطور میانگین از تمام مجموعه دادههای LiDAR و روشهای درونیابی با فاصله اطمینان 95 درصد محاسبه شد.
شکل 7 . میانگین خطای ارتفاع با ترکیب کلاسهای شیب و ناهمواری بهطور میانگین از تمام مجموعه دادههای LiDAR و روشهای درونیابی با فواصل اطمینان 95 درصد محاسبه شد.
بین طبقات کاملاً متفاوت است اگرچه در دو کلاس دیگر ناهمواری، MECE به طور کلی با شیب افزایش مییابد، الگوی کمتر واضحی وجود داشت. در کلاس ناهمواری متوسط، کلاس شیب زیاد دارای بالاترین مقدار MECE بود که تفاوت معنیداری با کلاسهای شیب متوسط و کم داشت. در کلاس ناهمواری کم، کلاس شیب کم دارای کمترین MECE بود که به طور قابل توجهی با دو کلاس شیب دیگر تفاوت داشت. یک آنالیز واریانس دو طرفه که MECE را از تمام مجموعه داده های LiDAR و روش های درون یابی ترکیب می کرد، این نتایج را تأیید کرد ( جدول 4). تفاوت میانگین مقادیر MECE در بین کلاسهای شیب (0001/0p<) و کلاسهای ناهمواری (0001/0p) بهطور معنیداری متفاوت بود. ما همچنین یک تعامل معنیدار بین شیب و ناهمواری پیدا کردیم (0001/0p<). علاوه بر این، طبقات شیب دارای بالاترین مقدار F در بین دو اثر آزمایش شده بودند، که شواهد دیگری از تأثیر بیشتر شیب بر MECE است ( جدول 4 ).
میانگین خطا در تغییر ارتفاع از سطح زمین نشان داده شده توسط DEM های مشتق شده از LiDAR حدود 74 سانتی متر بود، که در محدوده مقادیر خطاهای ارتفاعی گزارش شده در ادبیات به دست آمده از مقایسه ارتفاعات نقطه با استفاده از واحدهای GPS و داده های LiDAR (0.1 – 2.7 متر) است. [ 39 ] اما بالاتر از خطاهای ارائه شده توسط چندین مطالعه [ 21 ] [ 23 ] [ 25 ]. نتایج نشان داد که هم شیب و هم ناهمواری تأثیر معنیداری بر MECE داشتند. روابط مشابهی توسط مطالعات دیگر گزارش شده است. به عنوان مثال، [ 22 ] دریافت که خطای ارتفاع در زمین های تندتر تقریباً دو برابر بیشتر از خطاهای ارتفاعی در زمین های مسطح است. همچنین [ 24] حتی تفاوتهای بزرگتری، سه برابر بزرگتر، بین خطاهای ارتفاعی در شیبهای شیبدار و صاف پیدا کرد. الگوهای مشابهی از خطاهای ارتفاعی بزرگتر در مناطقی با ناهمواری زمین بزرگتر گزارش شده است [ 28 ] [ 40 ]. یک دلیل احتمالی، طبقه بندی اشتباه نقاط LiDAR به نقاط زمینی و غیرزمینی (پوشش گیاهی) است. الگوریتمهای طبقهبندی فرض میکنند که پایینترین نقطه LiDAR ارتفاع در یک پنجره معین (1×1 متر) یک نقطه زمین را نشان میدهد و شیب بین نقاط زمین مجاور کمتر از شیب بین نقاط زمین و نقطه غیر زمینی مجاور است [ 41 ].] . در زمین های شیب دار و ناهموار، این مفروضات معمولاً منجر به این می شود که نقاط زمینی با ارتفاع بالاتر از پایین ترین نقطه ارتفاع در پنجره داده شده به اشتباه به عنوان پوشش گیاهی کم طبقه بندی شوند [ 42 ]. این طبقهبندی اشتباه نقاط LiDAR احتمالاً در مناطقی با صخرههای کوچک (به عنوان مثال، رخنمونها و صخرهها) و شیبهای آنقدر تند که تاجهای درختان در مجاورت زمین هستند، مانند منطقه مورد مطالعه ما، زیاد است. اگرچه، ما رسماً برای طبقهبندی اشتباه نقطه آزمایش نکردیم، بازرسی بصری ناحیه ناهموار چنین مواردی را نشان داد، که احتمالاً منجر به خطاهای بزرگ ارتفاع میشود.
اگرچه تفاوت های زیادی در تراکم نقطه بین مجموعه داده های کم و چگالی بالا وجود داشت، هیچ تفاوت آماری در MECE وجود نداشت. این هست
احتمالاً به این دلیل که دادههای با چگالی بالا در طول فصل برگی جمعآوری شدهاند و تنها بخش کوچکی از نقاط میتوانند به تاج پوشش متراکم نفوذ کرده و به سطح زمین برسند. شکل 8توزیع فضایی نقاط زمین از سه مجموعه داده LiDAR را نشان می دهد که در آن تنها مقدار کمی از نقاط زمین اضافی را می توان در مجموعه داده با چگالی بالا مشاهده کرد. سطح دقت DEM مشابه مجموعه دادههای کم و چگالی بالا نشاندهنده اهمیت فصلی است که دادهها در آن جمعآوری میشوند، و بنابراین اهمیت ساختار پوشش گیاهی در خطای ارتفاع زمین. به نظر میرسد ترجیح داده میشود که دادههای LiDAR را در طول فصل برگریزی برای نمایش دقیق سطوح زمین با استفاده از دادههای LiDAR بدست آوریم. برعکس، اگر کسی علاقه مند به بازیابی ویژگی های گیاهی باشد، جمع آوری اطلاعات LiDAR در طول فصل برگ درخت مناسب تر به نظر می رسد. چندین مطالعه یافته های مشابهی را گزارش کرده اند [ 43 ] [ 44] . نتایج ما همچنین تفاوت معنیداری بین روشهای درونیابی با میانگین خطای ارتفاع در 1 سانتیمتر برای هر سه مجموعه داده LiDAR نشان نداد. این احتمالاً به این دلیل است که فاصله اسمی پالس هر دو مجموعه داده کمتر از وضوح 1 متری DEM های مشتق شده از LiDAR است. مطالعات دیگری که روشهای درونیابی مختلف را ارزیابی میکنند، تفاوتهای قابلتوجهی را برای وضوح بزرگتر (> 5 متر) و نتایج مشابه برای وضوحهای خوب پیدا کردهاند [ 45 ] [ 46 ].
شکل 8 . الگوی نقطه زمین LiDAR و توزیع در سراسر یک چشم انداز برای مجموعه داده های LiDAR با چگالی بالا (a) کم چگالی (b) و ترکیبی (c) نشان داده شده است.
4. نتیجه گیری
علاقه روزافزون به استفاده از داده های LiDAR برای کاربردهای جنگلداری و منابع طبیعی، نیاز به ارزیابی دقت DEM مشتق شده از LiDAR را ایجاد می کند. مطالعات متعددی برای تعیین کمیت خطاهای ارتفاعی و تأثیر شیب زمین، ناهمواری و پوشش گیاهی وجود دارد. با این حال، به دلیل قدرت سیگنال ماهوارهای GPS ضعیف، مطالعاتی برای اندازهگیری خطای ارتفاع در مناطقی با شرایط پیچیده زمین و پوشش گیاهی وجود ندارد. ما از یک روش جایگزین برای ارزیابی دقت DEM بر اساس اندازهگیری تغییرات ارتفاع در قطعات زمین 0.1 هکتاری استفاده کردیم. از آنجایی که چندین برنامه DEM نیاز به محاسبه تغییرات ارتفاع در بین مکانهای مختلف دارند (شیب و تجمع جریان در میان سایر موارد)، نیاز به ارزیابی مستقیم خطاهای تغییر ارتفاع نسبی به جای خطای مطلق ارتفاع از نقاط کنترل فردی وجود دارد. سپس رویکرد ما برای ارزیابی توانایی DEM مشتقشده از LiDAR برای نمایش دقیق سطوح زمین مناسبتر است. این روش برای بسیاری از مناطق با شرایط پیچیده گیاهی و زمین مانند فلات کامبرلند از کوه های آپالاچی و همچنین سایر مناطق کوهستانی قابل استفاده است.
شیب زمین و ناهمواری تأثیر قابل توجهی بر دقت DEM های مشتق شده از LiDAR داشتند، اما شیب تأثیر بیشتری داشت. MECE از 42.5 سانتی متر در مناطق با زمین صاف تا 100.4 سانتی متر در مناطق با زمین های شیب دار متغیر بود. مقادیر MECE بین 53.2 سانتی متر و 96.0 سانتی متر در مناطق با ناهمواری زمین کم تا زیاد متغیر بود. یک تنوع MECE بزرگتر هنگام ارزیابی کلاس های شیب/ ناهمواری ترکیبی مشاهده شد، با مقادیر از 23.2 سانتی متر در مناطق با کمترین شیب و کلاس های ناهمواری تا 145.5 سانتی متر در مناطق با بالاترین کلاس شیب و ناهمواری. علیرغم تفاوت زیاد در تراکم نقطه در بین مجموعه داده LiDAR (کم، چگالی بالا و ترکیبی)، خطاها عمدتاً مشابه بودند زیرا مجموعه داده با چگالی بالا در طول فصل برگ جمعآوری شده بود و تنها بخش کوچکی از نقاط به زمین میرسیدند. مقدار کمی از نقطه زمین اضافی در مجموعه داده با چگالی بالا برای تأثیر بر دقت DEM کافی نبود. از آنجایی که DEM تجزیه و تحلیل شده دارای وضوح نسبتاً بالایی از 1 متر و بالاتر از فاصله اسمی پالس بود، روش های درون یابی نیز تأثیری بر MECE نداشتند. تفکیک پذیری بزرگتر باید در تحقیقات آینده گنجانده شود تا اثر آنها ارزیابی شود، به ویژه در مناطق شیب دار و ناهموار تحت پوشش گیاهی متراکم. اگرچه طبقهبندی اشتباه نقطه LiDAR به طور رسمی آزمایش نشده است، بازرسی بصری قطعات زمین در کلاس زمین ناهموار شواهد واضحی از چنین مواردی را نشان میدهد، که نشاندهنده نیاز به ارزیابی الگوریتمهای طبقهبندی جایگزین برای تعیین مناسبترین الگوریتمها برای مناطقی با شرایط پیچیده زمین و پوشش گیاهی است. از آنجایی که DEM تجزیه و تحلیل شده دارای وضوح نسبتاً بالایی از 1 متر و بالاتر از فاصله اسمی پالس بود، روش های درون یابی نیز تأثیری بر MECE نداشتند. تفکیک پذیری بزرگتر باید در تحقیقات آینده گنجانده شود تا اثر آنها ارزیابی شود، به ویژه در مناطق شیب دار و ناهموار تحت پوشش گیاهی متراکم. اگرچه طبقهبندی اشتباه نقطه LiDAR به طور رسمی آزمایش نشده است، بازرسی بصری قطعات زمین در کلاس زمین ناهموار شواهد واضحی از چنین مواردی را نشان میدهد، که نشاندهنده نیاز به ارزیابی الگوریتمهای طبقهبندی جایگزین برای تعیین مناسبترین الگوریتمها برای مناطقی با شرایط پیچیده زمین و پوشش گیاهی است. از آنجایی که DEM تجزیه و تحلیل شده دارای وضوح نسبتاً بالایی از 1 متر و بالاتر از فاصله اسمی پالس بود، روش های درون یابی نیز تأثیری بر MECE نداشتند. تفکیک پذیری بزرگتر باید در تحقیقات آینده گنجانده شود تا اثر آنها ارزیابی شود، به ویژه در مناطق شیب دار و ناهموار تحت پوشش گیاهی متراکم. اگرچه طبقهبندی اشتباه نقطه LiDAR به طور رسمی آزمایش نشده است، بازرسی بصری قطعات زمین در کلاس زمین ناهموار شواهد واضحی از چنین مواردی را نشان میدهد، که نشاندهنده نیاز به ارزیابی الگوریتمهای طبقهبندی جایگزین برای تعیین مناسبترین الگوریتمها برای مناطقی با شرایط پیچیده زمین و پوشش گیاهی است. به ویژه در مناطق شیب دار و ناهموار که تحت پوشش گیاهی متراکم قرار دارند. اگرچه طبقهبندی اشتباه نقطه LiDAR به طور رسمی آزمایش نشده است، بازرسی بصری قطعات زمین در کلاس زمین ناهموار شواهد واضحی از چنین مواردی را نشان میدهد، که نشاندهنده نیاز به ارزیابی الگوریتمهای طبقهبندی جایگزین برای تعیین مناسبترین الگوریتمها برای مناطقی با شرایط پیچیده زمین و پوشش گیاهی است. به ویژه در مناطق شیب دار و ناهموار که تحت پوشش گیاهی متراکم قرار دارند. اگرچه طبقهبندی اشتباه نقطه LiDAR به طور رسمی آزمایش نشده است، بازرسی بصری قطعات زمین در کلاس زمین ناهموار شواهد واضحی از چنین مواردی را نشان میدهد، که نشاندهنده نیاز به ارزیابی الگوریتمهای طبقهبندی جایگزین برای تعیین مناسبترین الگوریتمها برای مناطقی با شرایط پیچیده زمین و پوشش گیاهی است.
منابع
![]() |
customer@scirp.org |
![]() |
+86 18163351462 (واتس اپ) |
![]() |
1655362766 |
![]() |
![]() |
انتشار مقاله وی چت |
بدون دیدگاه