خلاصه
کلید واژه ها:
OpenStreetMap ; داده های باز ؛ تقسیم بندی تصویر ؛ جوبیا _ منطقه در حال رشد ؛ نقشه برداری از نوع جنگل ; تصاویر هوایی
۱٫ معرفی
-
جداسازی انواع جنگل بر اساس تقسیم بندی در حال رشد منطقه و تصاویر هوایی در داخل مرزهای برداری موجود.
-
طبقه بندی بخش های مشتق شده
-
ارتقاء هندسه های OpenStreetMap از طریق تقسیم بندی های فضایی و موضوعی از نوع جنگل.
۲٫ منطقه مطالعه
۳٫ مواد و روشها
۳٫۱٫ انتخاب روابط OSM
۳٫۲٫ تقسیم بندی تصویر در چند ضلعی های جنگلی OSM
روشهای رشد منطقه ثابت کردهاند که در تقسیمبندی ویژگیهای طبیعی، مانند جنگلها، جایی که لبههای سخت ممکن است وجود نداشته باشند، عملکرد خوبی دارند [ ۵۳ ، ۵۴ ، ۵۵ ]. بنابراین، تقسیمبندی تصاویر هوایی با الگوریتم در حال رشد منطقه اجرا شده در ماژول GRASS GIS i.segment.gsoc [ ۵۶ ] انجام شده است. الگوریتمهای در حال رشد منطقه بر اساس یک معیار شباهت است که برای بخشهای همسایه محاسبه میشود و متعاقباً مشابهترین همسایهها ادغام میشوند. تقسیم بندی با هر پیکسل به عنوان یک قطعه تنظیم می شود. ادغام بخش های جداگانه توسط یک آستانه کنترل می شودپارامتر، سطح مجاز عدم تشابه بین بخش ها را توصیف می کند. بنابراین، آستانه ذاتاً اندازه بخشهای حاصل را تعیین میکند، زیرا نشاندهنده حداکثر اختلافی است که تحت آن دو بخش مختلف همچنان ادغام میشوند. محاسبه اندازه شباهت همانطور که در ماژول i.segment.gsoc استفاده می شود در معادله (۱) نشان داده شده است. پارامترهایی که باید در ماژول تقسیم بندی تنظیم شوند عبارتند از آستانه ، وزن رادیویی و وزن صاف [ ۵۷ ].
Radioweight وزن رنگ و شکل را نسبت به تفاوت محاسبه شده بین بخش ها تعیین می کند. اگر مقدار محاسبه شده v بین دو بخش کمتر از آستانه داده شده باشد ، بخش ها ادغام می شوند. به محض اینکه امکان ادغام بیشتر وجود نداشته باشد، پارامتر minsize قطعات کوچک را مجبور می کند تا با مشابه ترین همسایه خود ادغام شوند، حتی اگر مقدار v بزرگتر از آستانه تعیین شده باشد . پارامتر smoothweight را می توان به منظور اعمال وزن بیشتر بر روی صافی یا فشردگی قطعات در سهم hshape اندازه گیری شباهت (معادله (۱)) تطبیق داد.
۳٫۳٫ انتخاب مناطق آموزشی برای طبقه بندی
۳٫۴٫ طبقه بندی
۳٫۵٫ اعتبار سنجی
۴٫ نتایج
۴٫۱٫ تقسیم بندی تصویر در چند ضلعی های جنگلی OSM
۴٫۲٫ طبقه بندی و اعتبارسنجی
۵٫ بحث
۵٫۱٫ جداسازی انواع جنگل بر اساس تقسیم بندی در حال رشد منطقه و تصاویر هوایی در داخل مرزهای برداری موجود
۵٫۲٫ طبقه بندی بخش های مشتق شده
-
موقعیت های مرزی عمومی.
-
موقعیت های مرزی با جنگل های مختلط.
-
رشد جدید جنگل های سوزنی برگ.
-
زیر-/بیش از حد مناطق جنگلی از نظر ساختاری غنی.
۵٫۳٫ ارتقاء هندسه نقشه خیابان باز از طریق زیربخش های فضایی و موضوعی نوع برگ
۶٫ نتیجه گیری
منابع
- لیو، ی. گونگ، دبلیو. هو، ایکس. Gong، J. شناسایی نوع جنگل با جنگل تصادفی با استفاده از دادههای Sentinel-1A، Sentinel-2A، Multi-Temporal Landsat-8 و DEM. Remote Sens. ۲۰۱۸ , ۱۰ , ۹۴۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- Pasquarella، VJ; هولدن، CE; Woodcock، CE نقشه برداری از نوع جنگل با استفاده از ویژگی های لندست طیفی-زمانی بهبود یافته است. سنسور از راه دور محیط. ۲۰۱۸ ، ۲۱۰ ، ۱۹۳-۲۰۷٫ [ Google Scholar ] [ CrossRef ]
- نینک، اس. هیل، جی. استوفلز، جی. بودنباوم، اچ. فرانتز، دی. Langshausen, J. استفاده از دادههای Landsat و Sentinel-2 برای تولید لایههای اطلاعاتی نوع جنگل که به طور مداوم به روز میشوند در یک منطقه فرامرزی. Remote Sens. ۲۰۱۹ , ۱۱ , ۲۳۳۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- زو، ایکس. لیو، دی. نقشه برداری دقیق از انواع جنگل ها با استفاده از سری های زمانی متراکم فصلی Landsat. ISPRS J. Photogramm. Remote Sens. ۲۰۱۴ ، ۹۶ ، ۱-۱۱٫ [ Google Scholar ] [ CrossRef ]
- کمپینرز، پی. سدانو، اف. سیباخ، ال. استروبل، پی. San-Miguel-Ayanz، J. ادغام داده های تصاویر سنجش از دور با وضوح فضایی مختلف که برای نقشه برداری از نوع جنگل اعمال می شود. IEEE Trans. Geosci. Remote Sens. ۲۰۱۱ , ۴۹ , ۴۹۷۷–۴۹۸۶٫ [ Google Scholar ] [ CrossRef ]
- استوفلز، جی. هیل، جی. ساچتلبر، تی. مادر، اس. بودنباوم، اچ. استرن، او. لانگ شاوزن، جی. دیتز، جی. Ontrup، G. اشتقاق مبتنی بر ماهواره از لایههای اطلاعات جنگلی با وضوح بالا برای مدیریت عملیاتی جنگل. جنگل ها ۲۰۱۵ ، ۶ ، ۱۹۸۲-۲۰۱۳٫ [ Google Scholar ] [ CrossRef ]
- گیلیس، م. Leckie, D. رویه های نقشه برداری موجودی جنگل در سراسر کانادا. برای. کرون ۱۹۹۳ ، ۷۱ ، ۷۴-۸۸٫ [ Google Scholar ]
- توومینن، اس. Pekkarinen، A. عملکرد ویژگیهای مختلف عکسهای هوایی طیفی و بافتی در فهرست جنگل چند منبعی. سنسور از راه دور محیط. ۲۰۰۵ ، ۹۴ ، ۲۵۶-۲۶۸٫ [ Google Scholar ] [ CrossRef ]
- هال، RJ نقش عکس های هوایی در تجزیه و تحلیل تصویر سنجش از دور جنگلداری. در سنجش از دور محیط های جنگلی ; Springer: Boston, MA, USA, 2003; صص ۴۷-۷۵٫ [ Google Scholar ]
- لاوش، آ. اراسمی، س. کینگ، دی. مگدون، پ. هیوریچ، ام. درک سلامت جنگل با سنجش از دور – بخش اول – مروری بر ویژگیهای طیفی، فرآیندها و ویژگیهای سنجش از دور. Remote Sens. ۲۰۱۶ , ۸ , ۱۰۲۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- چن، جی. ونگ، کیو. هی، GJ; He, Y. تجزیه و تحلیل تصویر مبتنی بر شی جغرافیایی (GEOBIA): روندهای در حال ظهور و فرصت های آینده. گیسی. Remote Sens. ۲۰۱۸ , ۵۵ , ۱۵۹–۱۸۲٫ [ Google Scholar ] [ CrossRef ]
- اسمیت، جنرال موتورز مورتون، RD اشیاء دنیای واقعی در GEOBIA از طریق بهرهبرداری از نقشهبرداری دیجیتال موجود و تقسیمبندی تصویر. فتوگرام مهندس Remote Sens. ۲۰۱۰ ، ۷۶ ، ۱۶۳-۱۷۱٫ [ Google Scholar ] [ CrossRef ]
- کیم، ام. وارنر، TA; مدن، م. Atkinson، DS GEOBIA چند مقیاسی با تصاویر هوایی دیجیتال با وضوح فضایی بسیار بالا: اشیاء مقیاس، بافت و تصویر. بین المللی J. Remote Sens. ۲۰۱۱ ، ۳۲ ، ۲۸۲۵-۲۸۵۰٫ [ Google Scholar ] [ CrossRef ]
- چن، جی. هی، GJ; کاستیا، جی. سنت اونگه، بی. پاورز، R. تجزیه و تحلیل تصویر مبتنی بر شی جغرافیایی چند مقیاسی برای تخمین ارتفاع تاج جنگل اندازه گیری شده توسط لیدار با استفاده از تصاویر Quickbird. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۱ ، ۲۵ ، ۸۷۷-۸۹۳٫ [ Google Scholar ] [ CrossRef ]
- لانگ، اس. هی، GJ; بارالدی، ع. تاید، دی. Blaschke، T. Geobia دستاوردها و فرصت های فضایی در عصر داده های رصد زمین بزرگ. ISPRS Int. J. Geo-Inf. ۲۰۱۹ ، ۸ ، ۴۷۴٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- کیم، ام. مدن، م. نقشه برداری از نوع جنگل وارنر، TA با استفاده از معیارهای بافت شی خاص از تصاویر چند طیفی Ikonos. فتوگرام مهندس Remote Sens. ۲۰۰۹ ، ۷۵ ، ۸۱۹-۸۲۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- بلاشکه، تی. هی، GJ; کلی، م. لانگ، اس. هافمن، پی. آدینک، ای. فیتوسا، RQ; ون در میر، اف. ون در ورف، اچ. ون کویلی، F. تجزیه و تحلیل تصویر مبتنی بر شی جغرافیایی – به سمت یک پارادایم جدید. ISPRS J. Photogramm. Remote Sens. ۲۰۱۴ ، ۸۷ ، ۱۸۰-۱۹۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- هی، GJ; Castilla, G. تجزیه و تحلیل تصویر مبتنی بر شی جغرافیایی (GEOBIA): نام جدیدی برای یک رشته جدید. در تجزیه و تحلیل تصویر مبتنی بر شی ; Springer: برلین/هایدلبرگ، آلمان، ۲۰۰۸; صص ۷۵-۸۹٫ [ Google Scholar ]
- یو، کیو. گونگ، پی. کلینتون، ن. بیگینگ، جی. کلی، م. Schirokauer، D. طبقه بندی دقیق پوشش گیاهی مبتنی بر شی با تصاویر سنجش از دور با وضوح فضایی بالا در هوا. فتوگرام مهندس Remote Sens. ۲۰۰۶ ، ۷۲ ، ۷۹۹-۸۱۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- آگاروال، ن. سریواستاوا، م. دوتا، ام. تجزیه و تحلیل مقایسه ای طبقه بندی مبتنی بر پیکسل و مبتنی بر شی تصاویر سنجش از دور با وضوح بالا – یک بررسی. بین المللی J. Eng. Trends Technol. ۲۰۱۶ ، ۳۸ ، ۵-۱۱٫ [ Google Scholar ] [ CrossRef ]
- اسمیت، جی. مورتون، دی. تقسیم بندی: پاشنه آشیل تجزیه و تحلیل تصویر مبتنی بر شی؟ ISPRS Int. قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی ۲۰۰۸ ، ۳۸ ، XXXVIII-4/C1. [ Google Scholar ]
- گو، اچ. لی، اچ. یان، ال. Lu, X. چارچوبی برای تجزیه و تحلیل تصویر مبتنی بر شی جغرافیایی (GEOBIA) بر اساس هستی شناسی جغرافیایی. ISPRS Int. قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی ۲۰۱۵ ، ۴۰ ، ۲۷-۳۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- گریفیث، دی. هی، جی. ادغام GEOBIA، یادگیری ماشین، و اطلاعات جغرافیایی داوطلبانه برای نقشه برداری از پوشش گیاهی روی پشت بام ها. ISPRS Int. J. Geo-Inf. ۲۰۱۸ ، ۷ ، ۴۶۲٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- میسون، دی سی؛ کور، دی. کراس، آ. هاگ، دی سی؛ لارنس، دی. پترو، م. Tailor, A. استفاده از داده های نقشه دیجیتال در تقسیم بندی و طبقه بندی تصاویر سنجش از راه دور. بین المللی جی. جئوگر. Inf. سیستم ۱۹۸۸ ، ۲ ، ۱۹۵-۲۱۵٫ [ Google Scholar ] [ CrossRef ]
- سویی، دی. گودچایلد، م. الوود، اس. اطلاعات جغرافیایی، سیلاب و شکاف دیجیتالی رو به رشد داوطلب شد. در جمع سپاری دانش جغرافیایی ; Springer: Dordrecht، هلند، ۲۰۱۳; صص ۱-۱۲٫ [ Google Scholar ]
- Goodchild، MF Citizens به عنوان حسگر: دنیای جغرافیای داوطلبانه. ژئوژورنال ۲۰۰۷ ، ۶۹ ، ۲۱۱-۲۲۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- بالاتوره، آ. برتولتو، ام. استخراج دانش جغرافیایی ویلسون، دی سی و تشابه معنایی در OpenStreetMap. بدانید. Inf. سیستم ۲۰۱۲ ، ۳۷ ، ۶۱-۸۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- بروولی، MA; وو، اچ. مینگینی، ام. مولیناری، من; کیلسدار، م. ژنگ، ایکس. شو، پ. Chen, J. نرم افزار منبع باز و مواد آموزشی باز در مقایسه و اعتبارسنجی نقشه های پوشش زمین. ISPRS Int. قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی ۲۰۱۸ ، ۴۲ ، ۶۱-۶۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- پورعبدالله، ع. مورلی، جی. فلدمن، اس. جکسون، ام. به سوی نقشه خیابان باز معتبر: تلفیق شبکه جاده ای نقشه های ملی OSM و سیستم عامل OpenData. ISPRS Int. J. Geo-Inf. ۲۰۱۳ ، ۲ ، ۷۰۴-۷۲۸٫ [ Google Scholar ] [ CrossRef ]
- مونی، پی. Corcoran, P. آیا OpenStreetMap نقشی در برنامه های Digital Earth دارد؟ بین المللی جی دیجیت. زمین ۲۰۱۳ ، ۷ ، ۵۳۴-۵۵۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- بارون، سی. نیس، پ. Zipf، A. چارچوبی جامع برای تحلیل کیفی نقشه خیابان باز ذاتی. ترانس. GIS ۲۰۱۴ ، ۱۸ ، ۸۷۷-۸۹۵٫ [ Google Scholar ] [ CrossRef ]
- زیلسکه، ام. نیومن، ا. Nagel، K. OpenStreetMap برای شبیه سازی ترافیک . Technische Universität Berlin: برلین، آلمان، ۲۰۱۵٫ [ Google Scholar ]
- ژائو، پی. جیا، تی. Qin، K. شان، جی. Jiao, C. تجزیه و تحلیل آماری در مورد تکامل شبکههای جادهای OpenStreetMap در پکن. فیزیک یک آمار مکانیک. برنامه آن است. ۲۰۱۵ ، ۴۲۰ ، ۵۹-۷۲٫ [ Google Scholar ] [ CrossRef ]
- ژانگ، ی. لی، ایکس. وانگ، آ. بائو، تی. تیان، اس. تراکم و تنوع شبکههای جادهای OpenStreetMap در چین. J. Urban Manag. ۲۰۱۵ ، ۴ ، ۱۳۵-۱۴۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- لوکسن، دی. Vetter, C. مسیریابی بلادرنگ با داده های OpenStreetMap. در مجموعه مقالات نوزدهمین کنفرانس بین المللی ACM SIGSPATIAL در مورد پیشرفت در سیستم های اطلاعات جغرافیایی، شیکاگو، IL، ایالات متحده، ۱-۴ نوامبر ۲۰۱۱٫ صص ۵۱۳-۵۱۶٫ [ Google Scholar ]
- فن، اچ. Zipf، A.; Fu, Q. برآورد انواع ساختمان در نقشه خیابان باز بر اساس تجزیه و تحلیل مورفولوژی شهری. در اتصال اروپای دیجیتال از طریق مکان و مکان ؛ Springer: Cham, Switzerland, 2014; صص ۱۹-۳۵٫ [ Google Scholar ]
- باکیالله، م. لیانگ، اس. مبشری، ع. جوکار ارسنجانی، ج. Zipf، A. نگاشت جمعیت با وضوح خوب با استفاده از نقاط مورد علاقه OpenStreetMap. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۴ ، ۲۸ ، ۱۹۴۰-۱۹۶۳٫ [ Google Scholar ] [ CrossRef ]
- استیما، ج. Painho، M. بررسی پتانسیل OpenStreetMap برای استفاده از زمین / تولید پوشش زمین: مطالعه موردی برای پرتغال قاره. در OpenStreetMap در GIScience ; Springer: Cham, Switzerland, 2015; صص ۲۷۳-۲۹۳٫ [ Google Scholar ]
- Fonte, CC; Patriarca، JA; مینگینی، ام. آنتونیو، وی. ببینید، L. Brovelli، MA استفاده از openstreetmap برای ایجاد نقشه های کاربری زمین و پوشش زمین: توسعه یک برنامه کاربردی. در هوش مکانی: مفاهیم، روشها، ابزارها و کاربردها . IGI Global: Hershey، PA، ایالات متحده آمریکا، ۲۰۱۹؛ صص ۱۱۰۰–۱۱۲۳٫ [ Google Scholar ]
- ارسنجانی، ج. مونی، پی. Zipf، A.; Schauss, A. ارزیابی کیفیت اطلاعات استفاده از زمین از OpenStreetMap در مقابل مجموعه دادههای معتبر. در OpenStreetMap در GIScience ; Springer: Cham, Switzerland, 2015; صص ۳۷-۵۸٫ [ Google Scholar ]
- شولتز، ام. ووس، ج. اور، ام. کارتر، اس. Zipf، A. پوشش زمین را از OpenStreetMap و سنجش از راه دور باز کنید. بین المللی J. Appl. زمین Obs. Geoinf. ۲۰۱۷ ، ۶۳ ، ۲۰۶-۲۱۳٫ [ Google Scholar ] [ CrossRef ]
- یانگ، دی. فو، سی.- اس. اسمیت، AC; Yu, Q. نقشه کاربری زمین باز: یک استراتژی نقشه برداری کاربری منطقه ای برای ترکیب OpenStreetMap با مشاهدات زمین. ژئو اسپات. Inf. علمی ۲۰۱۷ ، ۲۰ ، ۲۶۹-۲۸۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- یانگ، دی. نقشه برداری از چشم انداز منطقه ای با استفاده از نقشه خیابان باز (OSM). در سیستم های اطلاعات محیطی: مفاهیم، روش ها، ابزارها و کاربردها . IGI Global: Hershey، PA، ایالات متحده آمریکا، ۲۰۱۹؛ صص ۷۷۱-۷۹۰٫ [ Google Scholar ] [ CrossRef ]
- آپتون، وی. رایان، م. O’Donoghue، سی. Dhubhain، AN ترکیب اطلاعات جغرافیایی مرسوم و داوطلبانه برای شناسایی و مدل سازی منابع تفریحی جنگل. Appl. Geogr. ۲۰۱۵ ، ۶۰ ، ۶۹-۷۶٫ [ Google Scholar ] [ CrossRef ]
- گریپا، تی. جورجانوس، اس. ونهویسه، اس. لنرت، ام. امبوگا، ن. وولف، É. نقشه برداری زاغه ها و مدل سازی تراکم جمعیت با استفاده از داده های رصد زمین و راه حل های منبع باز در مجموعه مقالات رویداد مشترک سنجش از دور شهری ۲۰۱۹ (JURSE)، وان، فرانسه، ۲۲ تا ۲۴ مه ۲۰۱۹؛ صص ۱-۴٫ [ Google Scholar ]
- لیو، سی. شیونگ، ال. هو، ایکس. Shan, J. یک روش بافر پیشرو برای به روز رسانی نقشه راه با استفاده از داده های OpenStreetMap. ISPRS Int. J. Geo-Inf. ۲۰۱۵ ، ۴ ، ۱۲۴۶-۱۲۶۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- روندوکس، جی. آلدرویرلد، ام. سعیدی، م. شیلینگ، تی. فریمن، ای. مورات، دی. Kugener, G. La Forêt Luxembourgeoise en Chiffres-Résultats de l’Lnventaire Forestier National au Grand-Duché de Luxembourg 2009–۲۰۱۱ ; Administration de la Nature et des forêts du Grand-Duché de Luxembourg—Service des Forêts: Diekirch، لوکزامبورگ، ۲۰۱۴٫
- نیمایر، تی. هاردتل، دبلیو. Ries, C. Die Waldgesellschaften Luxemburgs: Vegetation, Standort, Vorkommen und Gefährdung ; Musée National D’Histoire Naturelle Luxembourg: Luxembourg, 2010. [ Google Scholar ]
- جنگلهای BD-L-TC از پایگاه داده رسمی کارتو/توپوگرافی. در دسترس آنلاین: https://data.public.lu/fr/datasets/bd-l-tc-2015/ (دسترسی در ۲۰ دسامبر ۲۰۱۹).
- عکس های Aériennes. در دسترس آنلاین: https://act.public.lu/fr/cartographie/photos-aeriennes.html (در ۲۲ ژوئیه ۲۰۲۰ قابل دسترسی است).
- Orthophoto Officelle du Grand-Duché de Luxembourg, Édition 2018. موجود آنلاین: https://data.public.lu/fr/datasets/orthophoto-officelle-du-grand-duche-de-luxembourg-edition-2018/ (دسترسی در تاریخ ۱۰ نوامبر ۲۰۱۹).
- Raifer, M. Overpass Turbo—Overpass API. در دسترس آنلاین: http://overpass-turbo.eu/ (در ۱۵ ژانویه ۲۰۲۰ قابل دسترسی است).
- Bins، LS; Fonseca، LG; ارتال، GJ; II، تقسیمبندی تصاویر ماهوارهای FM: رویکرد رو به رشد منطقه. سوتین Simpósio. De Sens. Remoto ۱۹۹۶ ، ۸ ، ۶۷۷-۶۸۰٫ [ Google Scholar ]
- راسانن، آ. کویتونن، م. تومپو، ای. Lensu، A. جفت کردن تصاویر ماهوارهای با وضوح بالا با مدل ارتفاع تاج پوشش مبتنی بر ALS و مدل ارتفاع دیجیتال در طبقهبندی نوع زیستگاه جنگلهای شمالی مبتنی بر شی. ISPRS J. Photogramm. Remote Sens. ۲۰۱۴ ، ۹۴ ، ۱۶۹-۱۸۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- راسانن، آ. روسانن، ا. کویتونن، م. Lensu، A. چه چیزی باعث تقسیم بندی خوب می شود؟ مطالعه موردی در نقشه برداری زیستگاه جنگل های شمالی بین المللی J. Remote Sens. ۲۰۱۳ , ۳۴ , ۸۶۰۳-۸۶۲۷٫ [ Google Scholar ] [ CrossRef ]
- مامسن، ای. متز، ام. تیم توسعه GRASS. در دسترس آنلاین: https://grass.osgeo.org/grass76/manuals/addons/i.segment.gsoc.html (در ۵ مارس ۲۰۲۰ قابل دسترسی است).
- بنز، UC; هافمن، پی. ویلهاک، جی. لینگنفلدر، آی. Heynen، M. تجزیه و تحلیل فازی با وضوح چندگانه، شی گرا داده های سنجش از دور برای اطلاعات آماده GIS. ISPRS J. Photogramm. Remote Sens. ۲۰۰۴ ، ۵۸ ، ۲۳۹-۲۵۸٫ [ Google Scholar ] [ CrossRef ]
- گریپا، تی. لنرت، ام. بومونت، بی. ونهویسه، اس. استفن، ن. Wolff, E. یک زنجیره پردازش نیمه خودکار منبع باز برای طبقه بندی مبتنی بر شی شهری. Remote Sens. ۲۰۱۷ , ۹ , ۳۵۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- اسپیندولا، جی. کامارا، جی. ریس، آی. بینز، ال. Monteiro، A. انتخاب پارامتر برای الگوریتمهای تقسیمبندی تصویر در حال رشد با استفاده از همبستگی خودکار فضایی. بین المللی J. Remote Sens. ۲۰۰۶ ، ۲۷ ، ۳۰۳۵-۳۰۴۰٫ [ Google Scholar ] [ CrossRef ]
- جانسون، کارشناسی; براگیس، ام. اندو، آی. Magcale-Macandog، DB; Macandog، بهینهسازی پارامتر تقسیمبندی تصویر PBM با در نظر گرفتن ناهمگونی درون و بین بخش در سطوح چندگانه: مورد آزمایشی برای نقشهبرداری مناطق مسکونی با استفاده از تصاویر Landsat. ISPRS Int. J. Geo-Inf. ۲۰۱۵ ، ۴ ، ۲۲۹۲-۲۳۰۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- کارلیر، آ. دبیر، او. Wolff, E. ارزیابی تقسیم بندی های تصویر ماهواره ای با وضوح فضایی بسیار بالا. فتوگرام مهندس Remote Sens. ۲۰۰۵ ، ۷۱ ، ۱۲۸۵-۱۲۹۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- UNFCCC. گزارش کنفرانس احزاب در مورد هفتمین جلسه آن، که از ۲۹ اکتبر تا ۱۰ نوامبر ۲۰۰۱ در مراکش برگزار شد . FCCC/CP/2001/13/Add.1; UNFCCC: مراکش، مراکش، ۲۰۰۱٫ [ Google Scholar ]
- مالینس، جی. کوسیاس، ن. تساکیری استراتی، م. Karteris، M. طبقهبندی مبتنی بر شی با استفاده از تصاویر Quickbird برای ترسیم چند ضلعیهای پوشش گیاهی جنگل در یک سایت آزمایشی مدیترانهای. ISPRS J. Photogramm. Remote Sens. ۲۰۰۸ , ۶۳ , ۲۳۷-۲۵۰٫ [ Google Scholar ] [ CrossRef ]
- کیم، ام. مدن، م. Xu, B. GEOBIA نقشه برداری پوشش گیاهی در پارک ملی کوه های دودی بزرگ با اطلاعات جانبی طیفی و غیر طیفی. فتوگرام مهندس Remote Sens. ۲۰۱۰ ، ۷۶ ، ۱۳۷-۱۴۹٫ [ Google Scholar ] [ CrossRef ]
- هارالیک، آر.ام. شانموگام، ک. ویژگی های بافتی Dinstein، IH برای طبقه بندی تصویر. IEEE Trans. سیستم ManCybern. ۱۹۷۳ ، ۶۱۰-۶۲۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- فنگ، Q. لیو، جی. سنجش از دور پهپاد Gong، J. برای نقشه برداری پوشش گیاهی شهری با استفاده از تحلیل تصادفی جنگل و بافت. Remote Sens. ۲۰۱۵ ، ۷ ، ۱۰۷۴–۱۰۹۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- آنتونول، جی. باسکو، سی. سکارلی، م. متز، ام. لنارت، ام. تیم توسعه GRASS. در دسترس آنلاین: https://grass.osgeo.org/grass78/manuals/r.texture.html (دسترسی در ۵ مارس ۲۰۲۰).
- Haralick، RM رویکردهای آماری و ساختاری به بافت. Proc. IEEE ۱۹۷۹ ، ۶۷ ، ۷۸۶-۸۰۴٫ [ Google Scholar ] [ CrossRef ]
- Hall-Beyer, M. دستورالعملهای عملی برای انتخاب بافتهای GLCM برای استفاده در وظایف طبقهبندی منظر در طیف وسیعی از مقیاسهای فضایی متوسط. بین المللی J. Remote Sens. ۲۰۱۷ ، ۳۸ ، ۱۳۱۲-۱۳۳۸٫ [ Google Scholar ] [ CrossRef ]
- بریمن، L. جنگل های تصادفی. ماخ فرا گرفتن. ۲۰۰۱ ، ۴۵ ، ۵-۳۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- کوهن، ام. کارت: آموزش طبقه بندی و رگرسیون. در دسترس آنلاین: https://CRAN.R-project.org/package=caret (در ۱۰ مارس ۲۰۱۹ قابل دسترسی است).
- بلژیک، م. Drăguţ، L. جنگل تصادفی در سنجش از دور: بررسی برنامهها و جهتهای آینده. ISPRS J. Photogramm. Remote Sens. ۲۰۱۶ ، ۱۱۴ ، ۲۴–۳۱٫ [ Google Scholar ] [ CrossRef ]
- لی، ایکس. چنگ، ایکس. چن، دبلیو. چن، جی. لیو، اس. شناسایی زمین لغزش های جنگلی با استفاده از داده های LiDar، تجزیه و تحلیل تصویر مبتنی بر شی، و الگوریتم های یادگیری ماشین. Remote Sens. ۲۰۱۵ ، ۷ ، ۹۷۰۵–۹۷۲۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
بدون دیدگاه