الف – پرداخت وجه بحساب وب سایت ایران ترجمه(شماره حساب)ب- اطلاع جزئیات به ایمیل irantarjomeh@gmail.comشامل: مبلغ پرداختی – شماره فیش / ارجاع و تاریخ پرداخت – مقاله مورد نظر --مقالات آماده سفارش داده شده پس از تایید به ایمیل شما ارسال خواهند شد.
قیمت
قیمت این مقاله: 58000 تومان
(ایران ترجمه - Irantarjomeh)
توضیح
بخش زیادی از این مقاله بصورت رایگان ذیلا قابل مطالعه می باشد.
شماره
۱۲
کد مقاله
GEO12
مترجم
گروه مترجمین ایران ترجمه – irantarjomeh
نام فارسی
تشخیص اتوماتیک بهمن با استفاده از داده های نوری ماهواره ای با قابلیت تفکیک پذیری بالا
نام انگلیسی
Automatic detection of avalanches in highresolution optical satellite data
تعداد صفحه به فارسی
۵۰
تعداد صفحه به انگلیسی
۳۸
کلمات کلیدی به فارسی
نقشه برداری بهمن, بافت, Quickbird
کلمات کلیدی به انگلیسی
Avalanche mapping, texture, Quickbird
مرجع به فارسی
مرکز محاسبات نروژ
انتشارات نورسک ریجنسنترال
مرجع به انگلیسی
Norwegian Computer Center
کشور
نروژ
تشخیص اتوماتیک بهمن با استفاده از داده های نوری ماهواره ای با قابلیت تفکیک پذیری بالا
چکیده
در این مقاله ما نسبت به بررسی قابلیت تشخیص و نقشه برداری موفق تصاویر نوری ماهواره ای با قدرت تفکیک پذیری بالا از بهمن اقدام می نماییم. بخش کلیدی الگوریتم تشخیص، مرحله تفکیک بافت می باشد، که قابلیت تشخیص بهمن از آبجکت ها یا موضوعات و مواد دیگر، نظیر برف هموار و ناهموار، درختان و صخره ها، را دارا می باشد. در این مبحث دو دیدگاه مورد بررسی قرار می گیرند: یک روش برمبنای ماتریس های هم رخدادی سطح- خاکستری (GLCM)، و یک روش بر مبنای فیلترهای جهت دار. جهت ارتقای متعاقب عملکرد، فرایندی را پیشنهاد می نماییم که در بردارنده آبجکت ها / موضوعات بهمنی نقشه برداری شده در قالب استخراج ویژگی و مراحل طبقه بندی می باشد.
این الگوریتم ها بر روی یک تصویر Quickbird در ناحیه کوهستانی نروژ، که خود در بردارنده چندین بهمن می باشند، ایجاد و توسعه یافته اند. الگوریتم های تفکیک قابلیت تشخیص بخش هایی از کل بهمن را نیز خواهند داشت. روش فیلتر جهت دار همچنین بر روی یک تصویر Quickbird دیگر مورد ارزیابی و اعتبار سنجی قرار گرفت، که در بردارنده یک منظره متفاوت در نروژ می باشد. روش GLCM دارای نرخ بالاتری در زمینه تشخیص خطا در مقایسه با روش فیلتر جهت دار می باشد، اما در عین حال قابلیت نقشه برداری بهتری برای برجستگی های و نواحی کلی بهمن را نیز خواهد داشت. یک توصیف خلاصه در زمینه استخراج ویژگی ها معرف آن است که چنین محتوایی همراه با شکل موضوعات تشخیصی می تواند اطلاعات مهمی را جهت ارتقای متعاقب عملکرد، از طریق کاهش تشخیص های خطا، و همچنین پالایش نمای کلی و برجستگی های پیرامونی، فراهم آورد. از این مطالعه موردی، ما به این نتیجه می رسیم که نقشه برداری بهمن با استفاده از تصاویر نوری دارای رزولوشن بالا امکان پذیر خواهد بود.
کلمات کلیدی: نقشه برداری بهمن، بافت، Quickbird
تشخیص ماهواره ای اتوماتیک بهمن با تفکیک پذیری بالا
۱- مقدمه
هدف اصلی پروژه avalRS فراهم آوردن اطلاعات بهمن بر مبنای داده های حسگری از راه دور برای مقامات سازمان راه نروژ می باشد. این اطلاعات پس از بروز رخدادهای اصلی مربوط به بهمن جمع آوری گردیده اند. این سرویس می بایست نواحی خاص مطالعاتی را تحت پوشش قرار دهد که برحسب موارد اتفاق افتاده در مناطق گوناگون (منوط به بروز رخدادهای اصلی در مناطق مختلف در طی فاز پروژه) در محدوده کوهستان های جنوبی، غربی و مرکزی نروژ مد نظر می باشند.
هدف AvalRS نشان دادن این موضوع است که احتمال و امکان ارائه چنین خدماتی وجود داشته و همچنین این خدمات فراهم آورنده نوعی پشتیبانی برای اتخاذ تصمیمات مقتضی و فراهم آوردن دستورالعمل های الزامی، در طی بروز بهمن در جاده ها، و همچنین ارائه کمک جهت تعیین اعتبار مباحث پیش بینی بهمن می باشد. بررسی در نواحی مشکل زا، مخصوصا طول بخش جاده ای که تحت تاثیر بهمن قرار گرفته است و حجم برف بر روی جاده به عنوان پارامترهای الزامی برای مقامات مسئول جهت صدور دستور بستن جاده مد نظر می باشد.
پروژه avalRS به عنوان یک پروژه مشترک بین موسسه ژئوتکنیک نروژ (مقاطعه کار اصلی)، مرکز محاسباتی نروژ (پیمان کار فرعی) و سازمان جاده های عمومی نروژ (کاربر نهایی) تلقی می شود. تامین مالی این پروژه به وسیله ESA DUE (Data User Element) (قرارداد شماره ) بوده است.
علاوه براین ما نیز همچنین همانند Bühler و همکاران (۲۰۰۹)، از عنصر بافت به عنوان یک ویژگی تشخیصی و نقشه برداری بهمن استفاده می نماییم، اما دیدگاه ما برای تصویر برداری با رزولوشن / یا قدرت تفکیک پذیری بالا به وسیله ماهواره طراحی شده است. بافت غالبا به صورت مولفه های تقسیم شده درآمده و برمبنای آن موضوعات مختلف به تصاویر کوچکتری تقسیم می شوند (Fogel و Sagi، ۱۹۸۹، Jain و همکاران، ۱۹۹۷، Haralick و همکاران، ۱۹۷۳، Varma و Zisserman، ۲۰۰۴). جهت تشخیص و نقشه برداری بهمن، ما دو روش تفکیک متفاوت بافت را نشان می دهیم. یکی از این روش ها برمبنای سیستم های سنجشی هم رخدادی سطح خاکستری می باشد (Haralick و همکاران، ۱۹۷۳) و مورد دیگر برمبنای فیلتر جهت دار است (Varma و Zisserman، ۲۰۰۴). علی الخصوص، با توجه به فیلتر جهت دار، ما این موضوع را مشخص می سازیم که بافت های بهمن در مسیری با توجه به ویژگی زمین جهت می یابند. حتی در صورتی که فرایند تفکیک بافت جهت تشخیص بخش های بالقوه بهمن مناسب در نظر گرفته شوند، بررسی های متعاقب به منظور کاهش تعداد تشخیص های اشتباه و پالایش نقشه برداری از بهمن الزامی خواهند بود. براین مبنا ما فرایند استخراج شکل و ویژگی های مفهومی و زمینه ای موضوعات تشخیص داده شده را پیشنهاد می نماییم که این موارد علاوه بر ویژگی های بافت در نظر بوده و قابلیت اعمال یک رده بندی موضوع محور آبجکت ها یا موارد تشخیصی را خواهند داشت. چنین دیدگاهی در پروژه های دیگر به طور موفق پیاده سازی شده است، NR در یک محتوای شناسایی الگو در داده های ماهواره ای، شامل تشخیص لکه های نفتی با استفاده از تصاویر رادار (Solberg و همکاران، ۲۰۰۷)، تشخیص باقیمانده های میراث فرهنگی با استفاده از تصاویر نوری (Trier و همکاران، ۲۰۰۹) و تشخیص ماشین های نقلیه با استفاده از تصاویر نوری (Larsen و همکاران، ۲۰۰۹) مورد استفاده قرار گرفته است.
تشخیص ماهواره ای اتوماتیک بهمن با تفکیک پذیری بالا
۲- دیدگاه کلی
در پروژه های دیگر با انواع مشابهی از چالش ها، همانند تشخیص موضوعات به صورت اتوماتیک از تصاویر ماهواره ای، ما نتایج خوبی را با استفاده از یک دیدگاه حاوی فرایند تفکیک تصویر به دو آبجکت / موضوع، همراه با استخراج ویژگی و دسته بندی آن، حاصل آوردیم (شکل ۱-۲). مثال های مربوطه شامل تشخیص نشتی نفت در تصاویر SAR (Solberg و همکاران، ۲۰۰۷)، و تشخیص مناطق میراث فرهنگی (Trier و همکاران، ۲۰۰۹) یا ادوات نقلیه (Larsen و همکاران، ۲۰۰۹) با استفاده از تصاویر نوری دارای رزولوشن بالا می باشند. ما با استفاده از یک دیدگاه مشابه فرایند تشخیص و نقشه برداری بهمن به صورت اتوماتیک را ارائه می نماییم. هر مرحله فرایند می بایست به گونه ای منطبق و تعدیل گردد تا در تطابق با ضروریات شناسایی شیء / موضوع خاص، که در اینجا بهمن است، باشد.
تشخیص ماهواره ای اتوماتیک بهمن با تفکیک پذیری بالا
۳- مجموعه داده های تجربی
در ابتدا دو تصویر SPOT از ناحیه Tyin در مرکز نروژ گردآوری و مرتب شد. این تصاویر در دوازدهم و پانزدهم فوریه ۲۰۰۸، در حدوده دو هفته پس از چندین بهمن بزرگ در یک بازه زمانی بین بیست و چهارم الی بیست و ششم ژانویه، گردآوری شد. رزولوشن یا قدرت تفکیک پذیری پیکسل تصاویر m20 می باشد. این تصاویر از نظر اعوجاج با استفاده از مدل ارتفاع دیجیتال (DEM) با رزولوشن m25، همراه با نقاط کنترل انتخابی زمینی به صورت دستی، تصحیح شدند. هیچ ایستگاه مربوط به سنجش وضعیت آب و هوایی در منطقه وجود نداشت، اما نزدیک ترین ایستگاه ها معرف بارش برف در اولین هفته فوریه بوده اند. قابلیت تشخیص دیداری بهمن در تصاویر SPOT وجود نداشت، که به احتمال زیاد به واسطه بزرگی بیش از حد رزولوشن بوده است، با این حال شرایط آب و هوایی بین این رخداد و تصویر برداری نیز در این زمینه نقش داشته اند. جزئیات متعاقب در این باره در مستندات مربوط به این پروژه گزارش شده است رجوع شود به Frauenfelder و همکاران، ۲۰۱۰).
ما یک تصویر QuickBird را از ناحیه Hellesylt مورد تحلیل قرار داده و علاوه براین تصاویر دریافتی از ناحیه مرکزی نروژ که در ۱۶ آوریل ۲۰۰۵ (شکل ۱-۳) دریافت شده بود، و تصویر QuickBird از ناحیه Dalsfjorden، که در سوم آوریل ۲۰۰۵ حاصل شده بود (شکل ۲-۳) را مورد بررسی و آنالیز قرار دادیم. چندین بهمن در این تصاویر مشهود می باشند که دارای رزولوشن ۶/۰ m بر روی یک نوار پان کروماتیک (همه رنگ پذیر) و ۴/۲ m در نوارهای چند طیفی (رنگ های آبی، سبز، قرمز و نزدیک مادون قرمز) می باشند. روش های تشخیص بهمن با توجه به تصویر Hellesylt توسعه یافته و کلیه داده های آموزشی مورد نیاز نیز از این تصویر استخراج شد. تصویر Dalsfjorden به عنوان یک تصویر اعتبار سنجی/ نمایشی برگزیده شد، بدین سان که کلیه پردازش تصاویر Dalsfjorden با استفاده از روش ها و داده های آموزشی استخراج یافته از تصویر Hellesylt حاصل و اعمال شده اند.
تشخیص ماهواره ای اتوماتیک بهمن با تفکیک پذیری بالا
۴- تفکیک ساختارهای بهمن
دو استراتژی تفکیک مختلف مورد آزمایش قرار گرفته اند: استراتژی تفکیک بافت محور و استراتژی تفکیک بر مبنای فیلترهای جهت دار. این دو استراتژی در بخش های ۱-۴ و ۲-۴ به ترتیب به مورد بحث قرار خواهند گرفت.
۱-۴٫ تفکیک بافت محور
بافت یکی از ویژگی های مهمی به شمار می آید که قابلیت تمایز بصری نواحی تحت تاثیر بهمن در مقایسه با نواحی بدون تاثیر را در تصاویر مربوطه میسر می سازد. اولین تلاش ما جهت برآوردهای بافتی در زمینه تفکیک می باشد. این دیدگاه حاصل آمده از Bühler و همکاران (۲۰۰۹) است، که اقدام به ارائه روشی برای تشخیص اتوماتیک و نقشه برداری رسوبات بهمن در منطقه کوهستانی آلپ سوئیس با استفاده از تصویر برداری هوایی بصری نموده اند. ما قبل از تشریح تحقیق خود به طور خلاصه دیدگاه Bühler را به بحث می گذاریم.
۲-۴٫ تفکیک بهمن با استفاده از فیلترهای جهت دار
استخراج خواص بافتی از طریق به هم پیچیدگی تصویر با یک فیلتر مشخص غالبا در فرایند جداسازی و دسته بندی بافت اعمال می شود (به طور مثال به مبحث Varma و Zisserman، ۲۰۰۴، Fogel و Sagi، ۱۹۸۹، Bovik و همکاران، ۱۹۹۰، Jain و همکاران، ۱۹۹۷ رجوع شود). به طور متعارف، یک سری از تصاویر به هم پیچیده به وسیله کاربرد بانکی از فیلترها ایجاد می شوند، که هرکدام دارای ویژگی های خاص خود هستند (همانند مقیاس، جهت، فرکانس و غیره). سپس هر تصویر فیلتر شده به یک تصویر چند بعدی ترکیب گردیده و متعاقبا جهت طبقه بندی تصویر به بخش های دارای الگوهای بافت مشابه مورد تحلیل قرار می گیرد.
تشخیص ماهواره ای اتوماتیک بهمن با تفکیک پذیری بالا
۵- استخراج و طبقه بندی ویژگی های شیب
ما هم اکنون برخی از ایده های مرتبط با استخراج ویژگی های شیب و چگونگی انجام دسته بندی آبجکت مبنا را مورد بررسی قرار می دهیم تا آنکه از بکارگیری آبجکت های مارک دار شده با قابلیت اعتماد پایین جلوگیری شود. این ویژگی ها و روش هایی که ما ارائه می نماییم به صورت ابتدایی بوده و صرفا هم اکنون در آغاز این مسیر می باشیم. با این حال برخی از نتایج آزمون بسیار امید بخش هستند.
۱-۵٫ استخراج ویژگی های شیب
برای هر ناحیه بالقوه بهمن از ماژول تفکیک سازی، چندین شکل و ویژگی های شیب محتوا مبنا را می توان استخراج نمود. ما بررسی موارد ذیل را پیشنهاد می نماییم:
۲-۵٫ دسته بندی
با استفاده از ویژگی های پیشنهادی در بخش ۱-۵ نواحی بالقوه بهمن می بایست با استفاده از یک کلاسیفایر مناسب دسته بندی شوند. روش های بسیاری را می توان جهت ایجاد کلاسیفایر به کار گرفت، با این حال، چیزی که برای غالب کلاسیفایرها شایع است آن است که آنها نیازمند مقداری بردارهای ویژگی شیب در فاز فراگیری هستند.
۳-۵٫ ارزیابی کرانه ها، پیوستگی و برچسب زنی بهمن
پس از مرحله رده بندی، پیوسته سازی نواحی تشخیص داده شده بهمن ضروری می باشد. در اینجا قواعد محتوا مبنا غالبا به کار گرفته می شوند. به طور مثال، نواحی در داخل یک مسیر و نزدیک به یک فاصله را می توان به بهمن یکسانی تخصیص داد. به علاوه، یک ارزیابی مجدد کرانه های بهمن از طریق رشد نواحی تشخیصی، تحت برخی از قواعد محتوا مبنا، قابل اعمال خواهد بود.
تشخیص ماهواره ای اتوماتیک بهمن با تفکیک پذیری بالا
۶- نتایج آزمایشی
۱-۶٫ تفکیک برمبنای بافت
نتیجه آستانه سازی آنتروپی برای کل تصویر Hellesylt در شکل ۲-۶ نشان داده شده است. برخی از تصاویر نزدیک بهمن ها و نتیجه آستانه سازی آنتروپی منطبق در شکل ۱-۶، ۳-۶ و ۴-۶ نشان داده شده اند. توجه شود که بخش هایی از برخی از بهمن ها تفکیک نشده اند چرا که ما از ماسک جنگل جهت کاهش تعداد تشخیص های اشتباه بهمن استفاده می نماییم.
۲-۶٫ تفکیک برمبنای فیلترهای جهت دار
نتایج بکارگیری یک باند فیلتر بر روی نواحی مختلف را می توان ارتقای ویژگی های مختلف تصویر بر مبنای نوع فیلتر کاربردی دانست (شکل ۵-۶). نوعا، بهمن از طریق بکارگیری فیلترهای جهت دار شیب ارتقا می یابد، در حالیکه درختان پراکنده دیده نمی شوند (شکل ۵-۶، تصاویر میانی). با کاربرد فیلترهای جهت دار عمودی، ما واکنش متضاد را حاصل می آوریم (شکل ۵-۶، تصاویر پایینی).
۱-۲-۶٫ تحلیل اعتبار سنجی تصویر
نتایج بکارگیری روش فیلتر جهت دار بر روی تصویر Dalsfjorden، که دیکشنری تکستون از تصویر Hellesylt موارد مطلوبی را در این باب فراگرفته، مناسب گزارش شده است (شکل ۱۱-۶- شکل ۱۴-۶). با توجه به تصویر Hellesylt، نواحی استخراج شده این الگوریتم منطبق با بهمن بوده و اقدام به مجزا سازی جنگل پراکنده و برف ناهموار از بهمن می نماید. به علاوه برای تصویر Dalsfjorden، این الگوریتم قابلیت حصول کامل شکل بهمن ها را نخواهد داشت.
تشخیص ماهواره ای اتوماتیک بهمن با تفکیک پذیری بالا
۷- مباحث و نتیجه گیری
شاید بزرگترین چالش اعمال فرایند تفکیک بصورت موفقیت آمیز باشد، یعنی مشخص نمودن نواحی تصویر که منطبق با مناطق بالقوه بهمن هستند. با این وجود، هردوی دیدگاه های GLCM و فیلتر جهت دار قابلیت استخراج نواحی بالقوه بهمن را خواهند داشت. نتایج فرایند تفکیک معرف آن است که دیدگاه GLCM از نظر رویه های استخراجی دارای ویژگی های استخراجی کرانه ای بهتری در مقایسه با دیدگاه فیلتر جهت دار می باشد، اما مشکلی در زمینه جدا نمودن درختان کم پشت / پراکنده از نواحی بهمنی وجود دارد. توانمندی دیدگاه فیلتر جهت دار در آن است که این دیدگاه قابلیت جدا نمودن درختان کم پشت از نواحی بهمنی را به خوبی دارا می باشد. البته نقص اصلی آن اشتباه گرفتن نواحی سایه دار با صخره است. براین مبنا تحقیقات بیشتری جهت مشخص نمودن مناسب نواحی سایه دار الزامی می باشد.
در این تحقیق ما به طور مختصر استخراج ویژگی بخش های نگاشت شده بهمن را ارائه نمودیم. از طریق مقایسه ویژگی های مرتبط با شکل با ویژگی های بافت محور، نظیر تعداد آبجکت های مجاور، ویژگی زمین و غیره، ما عقیده داریم که فرآیند تشخیص نقشه بهمن ها را می توان به طور موفقیت آمیزی انجام داد.
لطفا به جای کپی مقالات با خرید آنها به قیمتی بسیار متناسب مشخص شده ما را در ارانه هر چه بیشتر مقالات و مضامین ترجمه شده علمی و بهبود محتویات سایت ایران ترجمه یاری دهید.
