بخشی از مقاله
چکیده
در سالهای اخیر فنهای جمع آوری و پردازش مدل ارتفاعی بهسرعت بهبودیافته است و اجازه دسترسی به جزئیات و دقت بیشتر را میدهد، درنتیجه رسیدن به یک مدل ارتفاعی واحد بهروز شده با بیشترین دقت و صحت قابل حصول با استفاده از مدلهای ارتفاعی موجود و در دسترس نیاز است.
در این مقاله بهروزرسانیٍ، افزایش چگالی، افزایش دقت و صحت و حذف اشتباهات در مدل ارتفاعی با استفاده از روشی بر مبنای استخراج عوارض توپوگرافی ساختمان صورت گرفته است. دادههای مورد پردازش در مقاله مدل ارتفاعی لیدار قدیمی - تصاویر 8 باندی ارتو و مدل ارتفاعی worldview-2 بهروز است. روش ارائهشده است و نتایج بر اساس مدل ارتفاعی لیدار و worldview-2 مربوط به شهر مونیخ در المان با استفاده شبکه عصبی خودسازماندهَ نشان داده شده است.
-1 مقدمه
در بهروزرسانی مدل ارتفاعیمعمولاً نیاز به تصمیمگیری است که در چه نقاطی دادهها باید بهروز شوند، یا باید حفظ شوند، هدف نهایی این است که کجا اطلاعات ثابت باقیمانده و کجا تغییر کرده است و به همین دلیل نیاز به تفسیر تغییرات بین اطلاعات قدیمی و جدید است.
Jian-jun LIU و همکاران الگوریتم بر اساس استخراج خودکار عارضههای ژئومورفیک برای بهروزرسانی پایگاه داده مدل ارتفاعی با مقیاس 1:50000 ارائه داده استZhu Qing .[2] و همکاران روشی برای بهروزرسانی مدل ارتفاعی با مقیاس 1:10000 را برای نقشهبرداری چین ارائه داده است.
مدلهای ارتفاعی از منابع گوناگونی نظیر دادههای لیدار و تصاویر ماهوارهای worldview-2 به دست میآید. سیستم لیدار یک سیستم فعال است و میتواند شبانهروزی کار کند درحالیکه تصاویر ماهوارهای worldview-2 یک سیستم غیرفعال بوده و فقط در روز میتواند تصویربرداری کند. سیستم لیدار با استفاده از فرستادن پالس لیزری و اندازهگیری پارامترهای زمان رفتوبرگشت، جهت انتشار پالس، موقعیت و توجیه سنجنده مدل ارتفاعی را تولید میکند.
در تصاویر ماهوارهای worldview-2 با استفاده از الگوریتمهای تناظریابی، نقاط متناظر کشفشده و سپس با استفاده از ترفیع-تقاطع بین نقاط متناظر مدل ارتفاعی تولیدشده است. مدل ارتفاعی لیدار دقیقتر و صحیحتر از مدل ارتفاعی worldview-2 است. تصاویر مدل ارتفاعی لیدار و worldview-2 مورد پردازش در این مقاله در شکل 1 نشان دادهشده است. در ادامه در بخش 2 فلوچارت کلی روش بیانشده، بخش 3 نتایج، بخش 4 نتیجهگیری و پیشنهادات به تفصیل بیان شده است.
شکل .1 سمت راست: مدل ارتفاعی لیدار، سمت چپ: مدل ارتفاعی worldview-2
-2 روش پیشنهادی
منطقه مورد مطالعه دارای درخت و پوشش گیاهی، ساختمانها با اشکال مختلف و پیچیده است. روند روش پیشنهادی به طور کلی در شکل 2 نشان دادهشده است. در قسمتهای بعدی هر کدام از مراحل با جزئیات توضیح داده خواهند شد.
شکل .2 فلوچارت روش پیشنهادی بهروزرسانی مدل ارتفاعی
1؛Co-registration -2 دو مدل ارتفاعی با استفاده از کلاسهای زمین و ساختمان
از آنجا که در مدل ارتفاعی در یک سیستم مختصات یکسان نبوده، برای بررسی تغییرات در مدلهای ارتفاعی باید آن دو به یک سیستم - یا به یکی از سیستم دو مدل ارتفاعی - برده شوند. به دلیل اینکه مدل ارتفاعی لیدار زیر درختان را برداشت کرده و مدل ارتفاعی worldview روی سر درختان را میدهد، کلاسه درختان نباید در این مرحله وارد شود. یکی از روشهای موجود برای Co-registration دو سطح فن تناظریابی سطوح 3 بعدی با استفاده از روش کمترین مربعات است.
تابع بهینه سازی در این فن ، که فاصله اقلیدسی دو سطح است. این تابع بهینهسازی به معنی مینیمم سازی مجموع فواصل دو سطح در این فن است. در مسئله مورد نظر ما به دلیل اینکه مقیاس در جهت x و y با یکدیگر برابر بوده و دو سیستم دارای توجیهات یکسانی هستند به ترتیب قیود و به مسئله اضافه خواهد شد.
2؛-2 محاسبه ِnDEM مدل ارتفاعی
پس از Co-registration بین مدلهای ارتفاعی بیانشده، nDEM هر دو مدل ارتفاعی به روش سلسله مراتبی فیلترینگ با استفاده از عملگرهای مورفولوژیکّ برای کشف بلوکهای ساختمانی بدست آمده است.[1] این روش از با استفاده از عملگر Geodesic Dilation به استخراج ساختمانها میپردازد. از آنجا که عملگر Geodesic Dilation به پارامتر ارتفاع شی استخراجشده حساس است، در یک چرخه سلسله مراتبی به استخراج ساختمانهای با ارتفاع کم تا ارتفاع زیاد میپردازد. نمونهای از nDEM های بدست آمده از روش بیانشده در شکل 4 نشان دادهشده است.
شکل .4 راست: تصویر nDEM مدل ارتفاعی لیدار، چپ: تصویر nDEM مدل ارتفاعی Worldview-2
3؛-2ایجاد تصویر اختلاف
به منظور تشخیص تغییرات با استفاده از خوشهبندی با شبکه عصبی خود سازمانده، مدل ارتفاعی نرمال شده - nDEM - لیدار را از مدل ارتفاعی Worldview-2 مطابق رابطه زیر کم میکنیم و تصویر اختلاف را می-سازیم.
