مشاوره رایگان
فیس بوکتوئیتراینستاگراماسکایپ
کپی رایت 2024

تجزیه و تحلیل زمین در موتور Google Earth: روشی اقتباس شده برای تجزیه و تحلیل در مقیاس جهانی با کارایی بالا

مقالات تجزیه و تحلیل زمین در موتور Google Earth: روشی اقتباس شده برای تجزیه و تحلیل در مقیاس جهانی با کارایی بالا

خلاصه

تجزیه و تحلیل زمین یک ابزار مهم برای مدل سازی سیستم های محیطی است. با هدف استفاده از قابلیت‌های محاسباتی مبتنی بر ابر Google Earth Engine (GEE)، الگوریتمی را برای محاسبه ویژگی‌های زمین، مانند شیب، جنبه، و انحناها، برای وضوح و گستره‌های جغرافیایی مختلف سفارشی کردیم. روش محاسبه بر اساس مقادیر هندسی و ارتفاعی است که در یک پنجره کروی ۳ × ۳ تخمین زده می‌شود، و بر داده‌های ارتفاعی پیش‌بینی‌شده تکیه نمی‌کند. بنابراین، مشتقات جزئی زمین با در نظر گرفتن فواصل دایره بزرگ گره های مرجع از سطح توپوگرافی محاسبه می شوند. این الگوریتم با استفاده از رابط برنامه نویسی جاوا اسکریپت ویرایشگر کد آنلاین GEE توسعه یافته است و می تواند به عنوان یک بسته سفارشی بارگیری شود. این الگوریتم همچنین یک ویژگی اضافی برای ایجاد تجسم نقشه‌های زمین با مقیاس افسانه‌ای پویا فراهم می‌کند که برای نقشه‌برداری ابعاد مختلف مفید است: از محلی تا جهانی. ما سازگاری روش پیشنهادی را با یک ابزار تجزیه و تحلیل زمین در دسترس اما محدود GEE مقایسه کردیم که منجر به همبستگی ۰٫۸۹ و ۰٫۹۶ برای جنبه و شیب در مقیاس نزدیک به جهانی شد. علاوه بر این، ما شیب، جنبه، انحنای افقی و عمودی یک سایت مرجع (کوه آرارات) را با ویژگی‌های معادل آن‌ها که در سیستم تحلیل مکانی خودکار (SAGA) تخمین زده شده است، مقایسه کردیم، که به همبستگی بین ۰٫۹۶ و ۰٫۹۸ دست یافت. مکاتبات بصری TAGEE و SAGA پتانسیل آن را برای تجزیه و تحلیل زمین تایید می کند.

کلید واژه ها:

سطح توپوگرافی ; مدلسازی زمین ؛ مجموعه داده جهانی زمین

۱٫ معرفی

تجزیه و تحلیل زمین برای مدل سازی سیستم های محیطی ضروری است [ ۱ ، ۲ ، ۳ ]. تنوع شکل‌های زمین اغلب برای درک، نقشه‌برداری یا مدل‌سازی فرآیندهای ژئومورفولوژیکی، هیدرولوژیکی و بیولوژیکی استفاده می‌شود [ ۴ ، ۵ ، ۶ ، ۷ ]]. ارتفاع رابطه قوی با دمای زمین، نوع پوشش گیاهی و انرژی پتانسیل انباشته شده در یک شیب دارد. جنبه و محصولات مشتق شده، مانند ویژگی های شمالی بودن و شرقی بودن، می تواند با تابش خورشیدی بالقوه در زمین مرتبط باشد. برای مثال، شیب شیب، سرعت جریان زمینی و زیرسطحی و نرخ رواناب را کنترل می کند. به طور مشابه، انحناها با شتاب و پراکندگی جریان آب و رسوب همراه است که بر فرسایش و محتوای آب خاک تأثیر می گذارد [ ۸ ].
در دسترس بودن عمومی داده های ارتفاع با پوشش جهانی، مانند مدل دیجیتال ارتفاع (DEM) مشتق شده از ماموریت توپوگرافی رادار شاتل ناسا (SRTM DEM, [ ۹ ]) و مدل سطح دیجیتال از ماهواره مشاهده پیشرفته زمین (AW3D30 DSM، [۹]). ۱۰ ])، کاوش ویژگی های توپوگرافی را در زمینه های مختلف با استفاده از ابزارهای پردازش موجود در چندین سیستم اطلاعات جغرافیایی (GIS) ارتقا داده است [ ۴ ، ۱۱ ، ۱۲ ]. با این حال، علیرغم محبوبیت بسیاری از مجموعه داده‌های ارتفاعی جهانی، توجه به کیفیت آنها هنگام استفاده برای مقاصد مدل‌سازی مهم است، زیرا میانگین اکتساب و سایر جنبه‌های تولید می‌توانند به طور قابل‌توجهی بر خروجی‌ها تأثیر بگذارند ۱۳ ]، ۱۴ ]. علاوه بر این، تجزیه و تحلیل مجموعه داده‌های جغرافیایی بزرگ می‌تواند محدودیت‌هایی برای GIS سنتی ایجاد کند. این با در دسترس بودن مجموعه داده‌های دیجیتال جدید، که وضوح زمانی و مکانی بهتری را به دلیل پیشرفت در فناوری‌های حسگر ارائه می‌دهند، حیاتی‌تر می‌شود [ ۱۵ ].
داده‌های جهانی ارتفاع زمین با وضوح چندگانه ۲۰۱۰ [ ۱۶ ] و مجموعه جهانی ویژگی‌های زمین [ ۲ ] نمونه‌هایی از مجموعه داده‌هایی هستند که با استفاده از وظایف محاسباتی بزرگ برای نقشه‌برداری از گستره جهانی و در وضوح‌های فضایی مختلف، که نیازمند معماری‌های پردازش بهینه‌شده بودند، تولید شدند. به طور کلی، معماری‌های با کارایی بالا مبتنی بر تقسیم داده‌ها در زیر مجموعه‌های کوچک‌تر (کاشی‌ها) برای بهره‌گیری از مزایای عملیات محاسباتی توزیع‌شده هستند. اخیراً، با ظهور و رایج شدن رابط‌های مبتنی بر ابر برای پردازش داده‌های مکانی بزرگ، به عنوان مثال، موتور Google Earth [ ۱۷ ]، بسته‌های نرم‌افزاری Pangeo [ ۱۸ ] و سرویس Actinia REST [ ۱۹ ]]، وظایف محاسباتی اعمال شده برای تجزیه و تحلیل زمین می تواند به طور مستقیم توسط کاربر مقیاس و سفارشی شود.
Earth Engine (GEE) یک پلت فرم مبتنی بر ابر است که توسط Google توسعه یافته است که از تجزیه و تحلیل در مقیاس جهانی کاتالوگ های بزرگ داده های رصد زمین پشتیبانی می کند [ ۱۷ ]. از آن برای نقشه‌برداری تغییر جنگل‌های جهانی در قرن بیست و یکم [ ۲۰ ]، تغییر آب‌های سطحی زمین [ ۲۱ ]، مناطق شهری جهانی [ ۱۱ ]، پیشرفت آتش‌سوزی [ ۲۲ ]، تغییر سطح برهنه جهانی استفاده شده است. ۲۳ ] استفاده شده است.]، و دیگران. از این نظر، GEE قانع‌کننده می‌شود نه به این دلیل که وظایف پردازش توزیع‌شده در سمت سرور Google اجرا می‌شوند، بلکه به دلیل افزایش دسترسی به بسیاری از مجموعه داده‌های جغرافیایی جهانی که می‌توانند در نقشه‌برداری توپوگرافی کاوش شوند. چندین داده توپوگرافی موجود در GEE وجود دارد، مانند داده های جهانی SRTM DEM، AW3D30 DSM، داده های جهانی ۳۰ Arc-Second Elevation (GTOPO30 DEM, [ ۲۴ )])، و دیگران. بنابراین، ویژگی‌های GEE می‌توانند سفارشی‌سازی تحلیل زمین با کارایی بالا با حداقل ورودی کاربر و هرگونه پردازش محاسباتی در سمت کاربر را مجاز کنند. در واقع، GEE سه الگوریتم را برای محاسبه شیب، روشنایی، و جنبه زمین ارائه می‌کند، اما در ارائه روش‌های محاسبه دیگر اطلاعات زمین، مانند انحناها و خصوصیات منظر، ناتوان است.
علاوه بر این، یک مانع رایج برای تجزیه و تحلیل زمین جهانی در GIS مشترک، نیاز به پیش‌بینی DEM‌ها بر روی سیستم‌های مختصات پیش‌بینی‌شده است، که تضمین می‌کند داده‌های ارتفاعی به طور مساوی در یک شبکه مربع مسطح فاصله دارند [ ۲۵ ]. این مرحله پیچیده است، زیرا تعریف یک سیستم پیش بینی شده که اعوجاج زمین را در سطح جهانی به حداقل می رساند، دشوار است [ ۲۶ ]. علاوه بر این، از آنجایی که بسیاری از DEM های جهانی موجود توسط سیستم های مختصات جغرافیایی ارجاع داده می شوند و برخی از محققان همچنان الگوریتم های شبکه مربعی را برای آنها اعمال می کنند، الگوریتم ها باید هندسه و ویژگی DEM های کروی جهانی را در نظر بگیرند [ ۲۵ ]]. این جنبه مهم است زیرا استفاده از روش های شبکه مربعی برای DEM های زاویه ای مساوی کروی منجر به خطاهای محاسباتی قابل توجهی در مدل های متغیرهای مورفومتریک می شود [ ۲۵ ].
در این مقاله، هدف ما توصیف و در دسترس قرار دادن یک الگوریتم پردازش کاربر پسند برای انجام تجزیه و تحلیل زمین در GEE است. این الگوریتم از معماری با کارایی بالا GEE برای مقیاس پذیر ساختن تحلیل محاسباتی، سازگار با نیازهای سفارشی و نیاز به حداقل ورودی کاربر بهره می برد. برای این کار، بسته پیشنهادی از یک روش محاسبه مناسب برای شبکه‌های ارتفاعی کروی استفاده می‌کند، که به نفع تجزیه و تحلیل مقیاس جهانی وضوح‌های مختلف DEM بدون پیش‌بینی داده‌های ارتفاعی است.

۲٫ مواد و روش ها

۲٫۱٫ توضیحات الگوریتم

بسته تجزیه و تحلیل زمین در GEE (TAGEE) از روش های محاسبه سازگار با شبکه های زاویه ای کروی استفاده می کند، به عنوان مثال، DEM را می توان در یک سیستم مختصات جغرافیایی، به عنوان مثال، سیستم ژئودتیک جهانی (WGS84) ارجاع داد. پاراگراف های زیر به طور خلاصه روش های محاسبه انجام شده توسط بسته TAGEE را شرح می دهند. خوانندگان برای مفاهیم ریاضی ژئومورفومتری، مروری تاریخی از پیشرفت مدل‌سازی رقومی زمین، و مفهوم سطح توپوگرافی و محدودیت‌های آن به [ ۸ ] ارجاع داده می‌شوند.

۲٫۱٫۱٫ سطح توپوگرافی

توپوگرافی زمین را می توان با یک سطح توپوگرافی تعریف شده توسط یک تابع دو متغیره پیوسته و تک مقدار تقریب زد (معادله (۱)) [ ۸ ]:

z=fایکس،y

جایی که zارتفاع (متر) است و ایکسو yمختصات در مختصات جغرافیایی (درجه) هستند.

متغیرهای مورفومتریک محلی تابعی از مشتقات جزئی ارتفاع هستند. با استفاده از روش ایوانز-یونگ، تابع z=fایکس،yبه عنوان چند جمله ای تیلور دو متغیره مرتبه دوم بیان می شود (معادله (۲)):

z=rایکس۲۲+تیy22+سایکسy+پایکس+qy+تو

جایی که r، تی، س، پ، و qمشتقات جزئی هستند و توعبارت باقی مانده است.

متفاوت از یک مدل رقومی ارتفاعی پیش‌بینی‌شده بر روی یک شبکه مربع مسطح، که در آن مشتقات جزئی زمین با تفاوت‌های محدود تخمین زده می‌شود، پردازش و تحلیل یک DEM زاویه‌ای کروی باید هندسه کروی را در نظر بگیرد. در چنین حالتی، یک فاصله شبکه با واحدهای خطی تقریباً مساوی در امتداد نصف النهارها و موازی ها فقط در خط استوا وجود دارد. برای تخمین پارامترهای یک شبکه کروی، یک پنجره متحرک ۳×۳ باید هم عناصر هندسی و هم مقادیر ارتفاع گره های پنجره را بازیابی کند ( شکل ۱ ).
۲٫۱٫۲٫ پارامترهای زمین: ارتفاعات و هندسه همسایه

مقادیر ارتفاع یک پنجره متحرک ۳×۳ توسط هسته های کانولوشن تخمین زده می شود. برای هندسه ها، فرمول هاورسین برای تعیین فواصل دایره بزرگ بین دو گره همسایه در پنجره کروی شکل، با توجه به موقعیت جغرافیایی طول و عرض جغرافیایی آنها استفاده می شود (معادلات (۳) – (۵)):

j=گناه۲Δϕ۲+cosϕ۱⋅cosϕ۲⋅گناه۲Δλ۲
ک=۲⋅آتیآn2j،۱-j
ل=آر⋅ک

جایی که ϕ۱عرض جغرافیایی برای اولین گره داده شده بر حسب رادیان است، ϕ۲عرض جغرافیایی برای دومین گره داده شده بر حسب رادیان است، λ۱طول جغرافیایی برای اولین گره داده شده بر حسب رادیان است، λ۲طول جغرافیایی برای دومین گره داده شده بر حسب رادیان است، Δϕو Δλتفاوت های مربوط به طول و عرض جغرافیایی بین گره های داده شده، و آرشعاع متوسط ​​زمین برابر با ۶۳۷۱۰۰۰ متر است. فاصله خطی لبر حسب متر داده می شود.

با دانستن طول و عرض جغرافیایی گره های پنجره ( شکل ۱ )، فرمول هاورسین امکان محاسبه فواصل خطی a، b، c، d و e را می دهد که با مقادیر ارتفاع همسایه (از z1به z9) برای محاسبه مشتقات جزئی زمین.
۲٫۱٫۳٫ مشتقات زمین

برای تخمین مشتقات جزئی مرتبه اول و دوم r ، t ، s ، p و q ، مدل چند جمله‌ای با حداقل مربعات برازش می‌شود و به تخمین‌های زیر منجر می‌شود (معادلات (۶) – (۱۰)) [ ۸ ]:

پ=آ۲جدد+هz3-z1+بآ۲د۲+ج۲ه۲z6-z4+آج۲هد+هz9-z72[آ۲ج۲د+ه)۲+ب۲آ۲د۲+ج۲ه۲
q=13دهد+هآ۴+ب۴+ج۴ ⋅{د۲آ۴+ب۴+ب۲ج۲+ج۲ه۲آ۲-ب۲z1+z3 -د۲آ۴+ج۴+ب۲ج۲-ه۲آ۴+ج۴+آ۲ب۲z4+z6 -ه۲ب۴+ج۴+آ۲ب۲-آ۲د۲ب۲-ج۲z7+z9 +د۲ب۴z2-3z5+ج۴۳z2-z5+آ۴-۲ب۲ج۲z2-z5 +ه۲آ۴z5-3z8+ب۴۳z5-z8+ج۴-۲آ۲ب۲z5-z8 -۲آ۲د۲ب۲-ج۲z8+ج۲ه۲آ۲-ب۲z2}.
r=ج۲z1+z3-2z2+ب۲z4+z6-2z5+آ۲z7+z9-2z8آ۴+ب۴+ج۴
س={جآ[۲د+ه+ب۲هz3-z1-بآ۲د-ج۲هz4-z6+آج۲د+ه+ب۲دz7-z9}⋅۱۲[آ۲ج۲د+ه)۲+ب۲آ۲د۲+ج۲ه۲
تی=۲۳دهد+هآ۴+ب۴+ج۴ ⋅{دآ۴+ب۴+ب۲ج۲-ج۲هآ۲-ب۲z1+z3 -دآ۴+ج۴+ب۲ج۲+هآ۴+ج۴+آ۲ب۲z4+z6 +هب۴+ج۴+آ۲ب۲+آ۲دب۲-ج۲z7+z9 +دب۴z2-3z5+ج۴۳z2-z5+آ۴-۲ب۲ج۲z2-z5 +ه[آ۴۳z8-z5+ب۴z8-3z5+ج۴-۲آ۲ب۲z8-z5 -۲آ۲دب۲-ج۲z8-ج۲هآ۲-ب۲z2}

جایی که پارامترها آ، ب، ج، د، و هفواصل خطی محاسبه شده از فرمول هاورسین (معادلات (۳) – (۵)) و zمقادیر مقادیر ارتفاعی از همسایگان یک پنجره متحرک هستند ( شکل ۱ ).

۲٫۱٫۴٫ ویژگی های زمین

ویژگی های محلی، مانند شیب، جنبه، و انحناها، از مشتقات جزئی زمین محاسبه می شوند [ ۸ ]. شیب شیب ( جی، معادله (۱۱)) یک ویژگی جریان است که به سرعت جریان های گرانشی مربوط می شود. برای اندازه گیری جهت، از جنبه شیب ( آ، معادلات (۱۲) و (۱۳)). علاوه بر این، می توان مقداری را که یک شیب به سمت شمال یا شرق قرار دارد و در نتیجه شمالی بودن ( آن، معادله (۱۴)) و شرقی بودن ( آE، معادله (۱۵)) برگرفته از جنبه. ویژگی های شار باقی مانده که می توانند از مشتقات جزئی مرتبه اول و دوم محاسبه شوند، افقی هستند ( کساعت، معادله (۱۶)) و انحناهای عمودی ( کv، معادله (۱۷)). در حالی که انحنای افقی مربوط می شود اگر یک جریان جانبی همگرا شود ( کساعت< 0) یا واگرا می شود ( کساعت> 0)، انحنای عمودی شتاب نسبی را اندازه گیری می کند ( کv> 0) و کاهش سرعت ( کv< 0) یک جریان گرانشی:

جی=آرکتانپ۲+q2
آ=-۹۰۱-امضا کردنq1-امضا کردنپ+۱۸۰۱+امضا کردنپ-۱۸۰πامضا کردنپآرکوس-qپ۲+q2
امضا کردنایکس=۱برایایکس>00برایایکس=۰-۱برایایکس<0
آن=cosآ
آE=گناهآ
کساعت=-q2r-2پqس+پ۲تیپ۲+q21+پ۲+q2
کv=-پ۲r+2پqس+q2تیپ۲+q2(1+پ۲+q2)3

متفاوت از ویژگی‌های جریان، که متغیرهای ویژه میدان گرانش هستند، ویژگی‌های فرم به بخش‌های اصلی زمین مربوط می‌شوند [ ۸ ]. انحنای متوسط ​​( اچ، معادله (۱۸)) نیمی از مجموع هر دو مقطع عادی متعامد است و دو مکانیسم انباشتگی جریانهای گرانشی را با وزنهای مساوی نشان می دهد: همگرایی و کاهش نسبی. در میان کلاس ویژگی های فرم، انحنای گاوسی ( ک، معادله (۱۹)) حاصل ضرب حداکثر ( کمترآایکس) و حداقل ( کمترمنn) انحناها. دو انحنای اصلی بیشترین و کمترین انحنا را برای یک نقطه معین از سطح توپوگرافی محاسبه می کنند. حداکثر انحنا ( کمترآایکس، معادله (۲۰)) برای نگاشت دکل ها مفید است ( کمترآایکس> 0) و فرورفتگی های بسته ( کمترآایکس< 0). به همین ترتیب، حداقل انحنای ( کمترمنn، معادله (۲۱)) برای شناسایی تپه ها مفید است ( کمترمنn> 0) و دره ها ( کمترمنn< 0) در سراسر سطح توپوگرافی. با نتایج انحناهای میانگین و گاوسی، پس از پیشنهاد [ ۲۷ ] شکل پیوسته طبقه‌بندی گاوسی [ ۸ ، ۲۸ ] ، می‌توان یک طبقه‌بندی لندفرم ایجاد کرد. به جای ارائه مقادیر طبقه بندی شده، شاخص شکل ( اسمن، معادله (۲۲)) از ۱- تا ۱ و نقشه محدب ( اسمن> 0) و مقعر ( اسمن< 0) شکل زمین:

اچ=-۱+q2r-2پqس+۱+پ۲تی۲(۱+پ۲+q2)3
ک=rتی-س۲(۱+پ۲+q2)2
کمترآایکس=اچ+اچ۲-ک
کمترمنn=اچ-اچ۲-ک
اسمن=۲πآرکتاناچاچ۲-ک

۲٫۲٫ توضیحات بسته

روش های محاسبه ارائه شده در این مقاله با استفاده از رابط برنامه نویسی جاوا اسکریپت که به عنوان ویرایشگر کد آنلاین GEE در دسترس است، توسعه داده شده است. TAGEE توسط ماژول های مختلف محاسبه، مشابه آنچه در Methods توضیح داده شد، توسعه داده شد. اولین ماژول، محاسبه پارامترها، از هسته های پیچشی و فرمول هاورسین برای بازیابی مقادیر ارتفاع و هندسه های کروی یک پنجره متحرک ۳×۳ استفاده می کند. در این ماژول، یک مدل ارتفاع رقومی و یک چند ضلعی مربعی که نشان دهنده جعبه مرزی است (حداقل طول، حداقل طول، حداکثر طول و حداکثر عرض جغرافیایی، در سیستم مرجع مختصات WGS84) به عنوان پارامترهای ورودی برای اجرا مورد نیاز است. جعبه مرزی هم در این ماژول و هم در سایر ماژول ها برای تولید تصاویر با مقادیر ثابت و محدود کردن محاسبات به منطقه مورد مطالعه استفاده می شود. اولین ماژول یک تصویر را با ۱۴ باند برمی گرداند، یعنی مقادیر ارتفاع همسایه (از ز۱به ز۹) و فواصل ( آ، ب، ج، د،و ه) ( شکل ۱ ).
هنگامی که پارامترهای اصلی (ارتفاع و فواصل) مشخص شد، مشتقات جزئی زمین با ماژول محاسبه مشتقات محاسبه می‌شوند. این ماژول دوم به پارامترهای برگشتی از محاسبه پارامترها و همچنین کادر مرزی منطقه مورد مطالعه نیاز دارد. ماژول دوم مشتقات جزئی را اضافه می کند ( r، تی، س، پ،و q) به عنوان باندهای جدید به تصویر قبلی. سپس، ویژگی‌های زمین توسط ماژول calculateAttributes محاسبه می‌شوند ( شکل ۲ ).
ویژگی های زمین را نیز می توان با یک تابع واحد، بدون فراخوانی ماژول های میانی محاسبه کرد. خروجی نهایی، برای هر دو گزینه ( شکل ۲ )، یک شی چند باندی است که حاوی ویژگی های داده ای یکسان مدل ارتفاعی دیجیتال (رزولیشن، نوع داده، و سیستم مرجع مختصات) با ۱۳ باند است ( جدول ۱ ). ویژگی های نهایی را می توان برای مدل سازی بیشتر در داخل GEE یا نقشه برداری موضوعی استفاده کرد.
این بسته دارای یک ویژگی اضافی است که تجسم ویژگی های زمین را آسان تر می کند. از آنجایی که محدوده مقادیر مشخصه و وضوح پیکسل ممکن است با توجه به سطح تجسم (زوم) متفاوت باشد، که بر هندسه های تخمینی و مقادیر همسایه ارتفاع تأثیر می گذارد، ماژولی به نام makeVisualization به طور خودکار افسانه پویا تعریف شده توسط صدک های ۰٫۰۵ و ۰٫۹۵ در محدوده را محاسبه می کند. جعبه علاوه بر این، پالت های رنگی مختلف برای ساخت افسانه نقشه در TAGEE موجود است: رنگین کمان، جهنمی، cubehelix، red2green، green2red، elevation و aspect. کد بسته و یک نمونه حداقل قابل تکرار در https://github.com/zecojls/tagee ( مواد تکمیلی ) موجود است.

۲٫۳٫ ارزیابی آماری

ما ارزیابی ویژگی‌های TAGEE را با مقایسه جنبه و شیب حاصل از دو تابع موجود GEE (ee.Terrain.aspect و ee.Terrain.slope) در مقیاس تقریباً جهانی انجام دادیم. برای این کار، ما از تحلیل همبستگی پیرسون با SRTM DEM 30m استفاده کردیم که شامل ارتفاع بر حسب متر محدود به منطقه ای بین حدود ۶۰ درجه عرض شمالی و ۵۶ درجه عرض جغرافیایی جنوبی است. ذکر این نکته ضروری است که برای توابع زمین در حال حاضر موجود GEE، گرادیان محلی با استفاده از همسایگان چهار متصل هر پیکسل، متفاوت از روش پیشنهادی TAGEE، که از یک پنجره ۳×۳ پیکسل استفاده می کند و همچنین در نظر گرفته می شود، محاسبه می شود. هندسه های کروی در محاسبه آن. بنابراین، انتظار می رود حداقل تفاوت بین روش های محاسبه رخ دهد. این تحلیل در GEE انجام شد و علاوه بر همبستگی پیرسون، میانگین نسبی خطای مطلق (MAE) بین خروجی ها را محاسبه کردیم. MAE نسبی با محاسبه میانگین اختلاف مطلق بین دو شطرنجی و استاندارد کردن نتیجه به محدوده (حداکثر منهای حداقل مقادیر) شطرنج مرجع برآورد می شود.
به طور مشابه، ما نتایج TAGEE را با ویژگی‌های زمین محاسبه‌شده توسط سیستم تحلیل‌های زمین‌شناسی خودکار (SAGA) GIS نسخه ۲٫۳٫۲ [ ۱۲ ] مقایسه کردیم. در این مورد، ما ۳۰ متر SRTM DEM را همراه با ۱۲ مشخصه محاسبه شده توسط TAGEE از GEE دانلود کردیم که همگی کوه آرارات را پوشش می‌دهند (واقع بین ۴۴٫۲ درجه و ۴۴٫۵ درجه شرقی و ۳۹٫۶ درجه و ۳۹٫۸ درجه شمالی). کوه آرارات به دلیل تنوع بالای شکل‌های زمین و در دسترس بودن نقشه‌های منتشر شده از آثار قبلی انتخاب شد [ ۸ ، ۲۹ ]]، امکان مقایسه بصری الگوهای فضایی را فراهم می کند. کوه آرارات SRTM-DEM در SAGA GIS با استفاده از “شیب، جنبه، انحنا” از ماژول مورفومتری تجزیه و تحلیل زمین پردازش شد. روش محاسبه “Evan (1979)” بر اساس شش پارامتر و چند جمله ای های مرتبه دوم، مشابه روش محاسبه TAGEE بود. مقایسه با محاسبه ضریب همبستگی پیرسون ( r ) و MAE نسبی انجام شد، که در آن جنبه، شیب، انحنای افقی و انحنای عمودی از TAGEE به ترتیب با جنبه، شیب، مماسی و انحنای پروفیل از SAGA GIS مقایسه شد. معادل شرح داده شده در [ ۸ ].

۳٫ نتایج و بحث

تجزیه و تحلیل آماری همبستگی معنی‌داری ( ۰۱/ ۰p <) خروجی‌های TAGEE با ویژگی‌های زمین معادل محاسبه‌شده از GEE و SAGA GIS را نشان داد ( جدول ۲ ). شیب تخمین زده شده در یک گستره تقریباً جهانی به همبستگی ۰٫۹۸ (خطای ۲٪) بین TAGEE و توابع GEE رسید، در حالی که این جنبه منجر به r پیرسون ۰٫۸۹ (۱۳٪ خطا) شد. همبستگی کمتر جنبه را می توان به ماهیت بعد آن، یعنی یک متغیر دایره ای، و همچنین به تفاوت روش های محاسبه بین TAGEE و GEE مرتبط دانست. علیرغم تفاوت‌های کوچک، TAGEE همان الگوهای فضایی را نشان داد و امکان تخمین ویژگی‌های اضافی را در مقیاس جهانی، مانند شمالی بودن، انحنای افقی و عمودی (شکل ۳ A-C، به ترتیب). رشته کوه های اصلی زمین، مانند کوه های راکی ​​در آمریکای شمالی، آند در آمریکای جنوبی، آلپ در اروپا، هیمالیا و فلات تبت در آسیا و غیره، بالاترین انحنای محاسبه شده توسط TAGEE را ارائه می دهند. در مقابل، دشت ها و سطوح مسطح کمترین برآورد را برای هر دو انحنا داشتند. درجه جهت گیری به سمت شمال ( شکل ۳ الف) نیز اشکال اصلی زمین را نشان می دهد.
TAGEE در GEE توسعه داده شد تا از محاسبات با کارایی بالا پلت فرم استفاده کند. از آنجایی که رابط‌های مبتنی بر ابر، اشتیاق و تعامل زیادی در زمینه‌های سنجش از دور و زمین فضایی ایجاد کرده‌اند، بسیاری از الگوریتم‌های پردازشی برای ایجاد پیشرفت اساسی در چالش‌های جهانی که شامل پردازش داده‌های مکانی بزرگ است، اقتباس شده‌اند [ ۳۰ ].]. از این نظر، GEE پتابایت‌هایی از تصاویر سنجش از راه دور در دسترس عموم و سایر محصولات آماده برای استفاده را ارائه می‌کند. پردازش موازی پرسرعت سرورهای GEE و کتابخانه‌های اپراتورها و الگوریتم‌های یادگیری ماشینی که توسط رابط‌های برنامه‌نویسی کاربردی (API) در زبان‌های برنامه‌نویسی محبوب مانند جاوا اسکریپت و پایتون در دسترس هستند، کاربران را قادر می‌سازد تا داده‌های بزرگ جغرافیایی را کشف، تجزیه و تحلیل و تجسم کنند. بدون نیاز به دسترسی به ابر رایانه ها [ ۳۰ ]. در این چارچوب، TAGEE از توسعه تجزیه و تحلیل زمین سفارشی با داده‌های ارتفاعی مختلف در گستره‌های جغرافیایی بزرگ پشتیبانی می‌کند.
هنگامی که خروجی‌های TAGEE با SAGA GIS مقایسه شدند ( جدول ۲ )، ارزیابی آماری منجر به همبستگی معنی‌دار و بالایی برای شیب، انحنای افقی و عمودی زمین شد ( r پیرسون ۰٫۹۸، با اختلاف خطای ۳ و ۴٪). ). جنبه‌های TAGEE و SAGA GIS دارای ضریب همبستگی پایین‌تری بودند، اما نتیجه بالاتر از جنبه الگوریتم GEE بود. منطقه کوه آرارات همچنین برای مقایسه بصری شیب، انحناهای افقی و عمودی، محاسبه شده از هر دو TAGEE و SAGA GIS استفاده شد ( شکل ۴).). تجسم‌های سه‌بعدی شباهت زیادی بین هر دو نقشه نشان داد، اما برخی از تفاوت‌های کوچک را می‌توان با شدت رنگ مشاهده کرد. این مورد در مورد شیب کوه آرارات است که توسط TAGEE محاسبه شده است ( شکل ۴ A)، که در مقایسه با شیب SAGA GIS ( شکل ۴ B) شدت بیشتری داشت. شدت کمی بیشتر برای انحنای عمودی محاسبه شده توسط SAGA GIS نیز در لبه کوه آرارات مشهود بود ( شکل ۴ F). با وجود کوچک بودن، این تفاوت های بصری خطای نسبی هر دو روش را تایید می کند ( جدول ۲ ). علاوه بر این، الگوهای فضایی جنبه، شیب، و انحناها از TAGEE مطابقت بالایی با نقشه‌های زمین کوه آرارات موجود در [ ۸ ، ۲۹ ] نشان می‌دهد.]، اطمینان روش محاسبه TAGEE را تقویت می کند.
در این کار، الگوریتم TAGEE برای در نظر گرفتن هندسه های کروی در روش محاسبه آن توسعه داده شد. این رویکرد با تکنیک‌های موجود در GIS سنتی، که در آن TAGEE فواصل دایره‌ای بزرگ DEM تعریف شده توسط موقعیت‌های طول و عرض جغرافیایی را در نظر می‌گیرد، متفاوت است. نرم افزار متداول GIS، مانند SAGA GIS، نیاز به طرح ریزی DEM دارد تا اطمینان حاصل شود که داده های ارتفاعی دارای اندازه پیکسل یکسان هستند. با این حال، همانطور که توسط [ ۲۵ ] مشخص شد، برخی از محققان به استفاده از الگوریتم‌های شبکه مربعی برای DEM‌های زاویه‌ای کروی برابر ادامه می‌دهند، که می‌تواند منجر به خطاهای محاسباتی قابل‌توجهی در مدل‌های متغیرهای مورفومتریک شود. خطاهای نسبی کوچک بین TAGEE و GEE یا SAGA GIS می تواند به تفاوت در روش های محاسبه آنها مرتبط باشد.
در نهایت، برخی از محدودیت های TAGEE را نیز می توان ذکر کرد. فقط متغیرهای مورفومتریک محلی را می توان توسط بسته محاسبه کرد که شامل ویژگی های شار و شکل است. ویژگی‌های غیر محلی، مانند حوضه خاص، به دلیل عدم وجود یک نظریه تحلیلی عمومی، که هنوز توسعه کمی دارد [ ۲۹ ]، و به دلیل پردازش بازگشتی که هنوز در GEE چالش برانگیز است، اجرا نشدند [ ۱۷ ]. علاوه بر این، یک روش جدید برای رسیدگی به مشکلات عمده تحلیل زمین، که شامل تقریب DEM، تعمیم و حذف نویز، و محاسبه متغیرهای مورفومتریک است، در دسترس قرار گرفت. روش تحلیلی طیفی جهانی مبتنی بر بسط های متعامد مرتبه بالا با استفاده از چند جمله ای چبیشف توسط [ ۳۱ ] توسعه یافت.] برای رسیدگی به مسائل فوق الذکر در یک چارچوب یکپارچه، اما در این کار اجرا نشد.

۴٫ نتیجه گیری

بسته پیشنهادی (TAGEE) می‌تواند ویژگی‌های زمین را با استفاده از پلت فرم با کارایی بالا GEE با دقتی معادل GIS سنتی محاسبه کند. رویکرد استفاده از هندسه های کروی نیازی به طرح داده های ورودی ورودی برای محاسبه ویژگی های زمین ندارد. مقایسه بین الگوریتم‌ها نشان داد که TAGEE شیب و جنبه زمین را مشابه توابع موجود GEE تخمین می‌زند. مزیت TAGEE نسبت به توابع موجود در حال حاضر این است که خروجی های اضافی می توان تولید کرد، مانند انحناها و شاخص شکل، که می تواند برای مطالعات نقشه برداری و مدل سازی محیطی مفید باشد. علاوه بر این، زمانی که TAGEE با خروجی‌های معادل از SAGA GIS مقایسه شد، توافق خوبی پیدا شد که به ضریب همبستگی پیرسون بین ۰٫۹۶ و ۰٫۹۸ و تفاوت بین ۳-۴٪ رسید.

منابع

  1. مور، شناسه; گریسون، RB; Ladson، مدل‌سازی زمین دیجیتال AR: مروری بر کاربردهای هیدرولوژیکی، ژئومورفولوژیکی و بیولوژیکی. هیدرول. روند. ۱۹۹۱ ، ۵ ، ۳-۳۰٫ [ Google Scholar ] [ CrossRef ]
  2. آماتولی، جی. دومیش، اس. Tuanmu، M.-N.; پارمنتیه، بی. رانیپتا، ا. Malczyk، J. جتز، دبلیو. مجموعه ای از متغیرهای توپوگرافی در مقیاس جهانی برای مدل سازی محیطی و تنوع زیستی. علمی داده ۲۰۱۸ ، ۵ ، ۱۸۰۰۴۰٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  3. Pike، RJ ژئومورفومتری – تنوع در تحلیل کمی سطح. Prog. فیزیک Geogr. Earth Env. ۲۰۰۰ ، ۲۴ ، ۱-۲۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  4. بوگارت، PW; توزیع انحنای تروک، PA در دامنه ها و حوضه های آبریز و تأثیر آن بر پاسخ هیدرولوژیکی. هیدرول. سیستم زمین علمی ۲۰۰۶ ، ۱۰ ، ۹۲۵-۹۳۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  5. الکساندر، سی. دیاک، بی. Heilmeier, H. الگوهای گیاهی رانده شده با میکروتوپوگرافی در مناظر موزاییک باز. Ecol. اندیک. ۲۰۱۶ ، ۶۰ ، ۹۰۶-۹۲۰٫ [ Google Scholar ] [ CrossRef ]
  6. اولیویرا، اس. پریرا، JMC; سان میگل آیانز، ج. Lourenço, L. بررسی الگوهای فضایی چگالی آتش در جنوب اروپا با استفاده از رگرسیون وزن‌دار جغرافیایی. Appl. Geogr. ۲۰۱۴ ، ۵۱ ، ۱۴۳-۱۵۷٫ [ Google Scholar ] [ CrossRef ]
  7. مک گوایر، کی جی. مک دانل، جی جی؛ ویلر، ام. کندال، سی. مک گلین، BL; ولکر، جی.ام. Seibert, J. نقش توپوگرافی در زمان اقامت آب در مقیاس حوضه. منبع آب Res. ۲۰۰۵ ، ۴۱٫ [ Google Scholar ] [ CrossRef ]
  8. فلورینسکی، IV تجزیه و تحلیل دیجیتالی زمین در علم خاک و زمین شناسی . مطبوعات دانشگاهی: کمبریج، MA، ایالات متحده آمریکا، ۲۰۱۶; ISBN 9780128046326. [ Google Scholar ]
  9. USGS EROS. بایگانی USGS EROS-Digital Elevation-Shuttle Radar Topography Mission (SRTM) خالی پر شده است. در دسترس آنلاین: https://doi.org/10.5066/F7F76B1X (در ۴ آوریل ۲۰۲۰ قابل دسترسی است).
  10. JAXA EORC. سطح دیجیتال جهانی ALOS مدل “ALOS World 3D-30m (AW3D30)”. در دسترس آنلاین: https://www.eorc.jaxa.jp/ALOS/en/aw3d30/index.htm (در ۴ آوریل ۲۰۲۰ قابل دسترسی است).
  11. لیو، ایکس. در آغوش گرفتن.؛ چن، ی. لی، ایکس. خو، X. لی، اس. پی، اف. Wang, S. نقشه برداری چند زمانی با وضوح بالا از زمین شهری جهانی با استفاده از تصاویر Landsat بر اساس پلت فرم موتور Google Earth. Remote Sens. Env. ۲۰۱۸ ، ۲۰۹ ، ۲۲۷-۲۳۹٫ [ Google Scholar ] [ CrossRef ]
  12. اولایا، وی. کنراد، O. ژئومورفومتری در SAGA. در تحولات علوم خاک ; الزویر: آمستردام، هلند، ۲۰۰۹; جلد ۳۳، ص ۲۹۳–۳۰۸٫ [ Google Scholar ]
  13. Miliaresis، G. تأثیر پوشش زمینی بر وابستگی دقت جنبه / شیب داده های ارتفاعی SRTM-1 برای محدوده هومبولت. Sensors ۲۰۰۸ , ۸ , ۳۱۳۴-۳۱۴۹٫ [ Google Scholar ] [ CrossRef ]
  14. Bindzárová Gergeľová، M. Kuzevičová، Ž. لبانت، اس. Gašinec، J. Kuzevič، Š. Unucka، J. Liptai، P. ارزیابی عناصر فرعی انتخابی کیفیت داده‌های مکانی در مدل‌سازی رویداد سیل سه‌بعدی: مطالعه موردی شهر Prešov، اسلواکی. Appl. علمی ۲۰۲۰ ، ۱۰ ، ۸۲۰٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  15. شیا، جی. یانگ، سی. لی، کیو. ساخت یک شاخص مکانی-زمانی برای داده های بزرگ رصد زمین. بین المللی J. Appl. زمین Obs. Geoinf. ۲۰۱۸ ، ۷۳ ، ۲۴۵-۲۵۲٫ [ Google Scholar ] [ CrossRef ]
  16. دانیلسون، جی جی. Gesch, DB Global Multi-Resolution Rain Elevation Data 2010 (GMTED2010) ; گزارش پرونده باز بررسی جغرافیایی ایالات متحده ۱۰۷۳–۲۰۱۱; سازمان زمین‌شناسی ایالات متحده (USGS): Sioux Falls، SD، USA، ۲۰۱۱٫ [ Google Scholar ]
  17. گولیک، ن. هنچر، م. دیکسون، ام. ایلیوشچنکو، اس. تاو، دی. Moore, R. Google Earth Engine: تجزیه و تحلیل جغرافیایی در مقیاس سیاره ای برای همه. Remote Sens. Env. ۲۰۱۷ ، ۲۰۲ ، ۱۸-۲۷٫ [ Google Scholar ] [ CrossRef ]
  18. آبرناتی، آر. پل، ک. هامان، ج. راکلین، ام. لپور، سی. تیپت، ام. هندرسون، ن. سیگر، آر. می، آر. Del Vento، D. Pangeo NSF Earthcube Proposal. در دسترس آنلاین: https://figshare.com/articles/Pangeo_NSF_Earthcube_Proposal/5361094 (در ۱۰ مارس ۲۰۲۰ قابل دسترسی است).
  19. mundialis GmbH & Co. KG. Actinia: ژئوپردازش در ابر. در دسترس آنلاین: https://actinia.mundialis.de/ (دسترسی در ۱۰ مارس ۲۰۲۰).
  20. هانسن، ام سی; پوتاپوف، PV؛ مور، آر. هنچر، م. توروبانوا، SA; تیوکاوینا، آ. تاو، دی. Stehman، SV; گوتز، اس جی. لاولند، TR; و همکاران نقشه های جهانی با وضوح بالا تغییر پوشش جنگلی قرن بیست و یکم. Science ۲۰۱۳ ، ۳۴۲ ، ۸۵۰-۸۵۳٫ [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  21. دانچیتس، جی. باارت، اف. وینسمیوس، اچ. گولیک، ن. کوادیک، جی. van de Giesen، شمال تغییر آب سطحی زمین در ۳۰ سال گذشته. نات. صعود چانگ. ۲۰۱۶ ، ۶ ، ۸۱۰-۸۱۳٫ [ Google Scholar ] [ CrossRef ]
  22. کراولی، MA; کاردیل، جی. سفید، JC; Wulder، MA چند حسگر، چند مقیاسی، سنتز داده های بیزی برای نقشه برداری از پیشرفت آتش سوزی در یک سال. سنسور از راه دور Lett. ۲۰۱۹ ، ۱۰ ، ۳۰۲-۳۱۱٫ [ Google Scholar ] [ CrossRef ]
  23. دمات، جام جم؛ Safanelli، JL; Poppiel، RR; ریزو، آر. Silvero، NEQ; مندز، WS; Bonfatti، BR; Dotto، AC; سالازار، DFU؛ ملو، فائو؛ و همکاران طیف های سطحی زمین برهنه به عنوان یک پروکسی برای نظارت بر منابع خاک. علمی جمهوری ۲۰۲۰ ، ۱۰ ، ۴۴۶۱٫ [ Google Scholar ] [ CrossRef ]
  24. USGS EROS. GTOPO30-داده های شطرنجی دیجیتال ۱ کیلومتری جهانی که از منابع مختلفی مشتق شده است. در دسترس آنلاین: https://doi.org/10.5066/F7DF6PQS (دسترسی در ۱۰ مارس ۲۰۲۰).
  25. فلورینسکی، DEM های زاویه ای برابر کروی IV: ویژگی درمان مورفومتریک. ترانس. GIS ۲۰۱۷ ، ۲۱ ، ۱۱۱۵–۱۱۲۹٫ [ Google Scholar ] [ CrossRef ]
  26. برینرد، جی. Pang, A. پیش بینی ها و اعوجاج نقشه های تعاملی. محاسبه کنید. Geosci. ۲۰۰۱ ، ۲۷ ، ۲۹۹-۳۱۴٫ [ Google Scholar ] [ CrossRef ]
  27. کوندرینک، جی جی. ون Doorn، AJ سطح شکل و مقیاس های انحنا. تصویر Vis. محاسبه کنید. ۱۹۹۲ ، ۱۰ ، ۵۵۷-۵۶۴٫ [ Google Scholar ] [ CrossRef ]
  28. گاوس، CF بررسی های عمومی سطوح منحنی ۱۸۲۷ و ۱۸۲۵ . کتابخانه دانشگاه پرینستون: پرینستون، نیویورک، ایالات متحده آمریکا، ۱۹۰۲٫ [ Google Scholar ]
  29. فلورینسکی، چهارم مقدمه ای مصور بر ژئومورفومتری عمومی. Prog. فیزیک Geogr. Earth Env. ۲۰۱۷ ، ۴۱ ، ۷۲۳-۷۵۲٫ [ Google Scholar ] [ CrossRef ]
  30. تمیمینیا، اچ. صالحی، ب. مهدیان پری، م. کواکنبوش، ال. عادلی، س. Brisco، B. Google Earth Engine برای برنامه های کاربردی داده های جغرافیایی بزرگ: یک متاآنالیز و بررسی سیستماتیک. ISPRS J. Photogramm. Remote Sens. ۲۰۲۰ , ۱۶۴ , ۱۵۲–۱۷۰٫ [ Google Scholar ] [ CrossRef ]
  31. فلورینسکی، IV; پانکراتوف، AN یک روش تحلیلی طیفی جهانی برای مدل‌سازی زمین دیجیتال. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۶ ، ۳۰ ، ۲۵۰۶-۲۵۲۸٫ [ Google Scholar ] [ CrossRef ]
Ijgi 09 00400 g001 550
شکل ۱٫ یک شبکه زاویه ای مساوی ۳×۳ کروی با هندسه های خطی a، b، c، d، و f و نه گره ارتفاعی – اقتباس شده از [ ۸ ].
شکل ۱٫ یک شبکه زاویه ای مساوی ۳×۳ کروی با هندسه های خطی a، b، c، d، و f و نه گره ارتفاعی – اقتباس شده از [ ۸ ].
Ijgi 09 00400 g001
Ijgi 09 00400 g002 550
شکل ۲٫ ماژول های TAGEE برای محاسبه پارامترهای زمین، مشتقات و ویژگی ها.
شکل ۲٫ ماژول های TAGEE برای محاسبه پارامترهای زمین، مشتقات و ویژگی ها.
Ijgi 09 00400 g002
Ijgi 09 00400 g003 550
شکل ۳٫ نمونه ای از ویژگی های زمین محاسبه شده از بسته TAGEE و ۱ ثانیه قوس SRTM DEM، نمایش داده شده برای وسعت تقریباً جهانی در سطح تجسم ۳ (~۲۰ کیلومتر وضوح پیکسل): انحنای افقی ( A )، انحنای عمودی ( B ) ، و شمالی بودن ( C ).
شکل ۳٫ نمونه ای از ویژگی های زمین محاسبه شده از بسته TAGEE و ۱ ثانیه قوس SRTM DEM، نمایش داده شده برای وسعت تقریباً جهانی در سطح تجسم ۳ (~۲۰ کیلومتر وضوح پیکسل): انحنای افقی ( A )، انحنای عمودی ( B ) ، و شمالی بودن ( C ).
Ijgi 09 00400 g003
Ijgi 09 00400 g004 550
شکل ۴٫ تجسم سه بعدی از ویژگی های زمین تولید شده در نزدیکی کوه آرارات: شیب، انحنای افقی و عمودی از TAGEE ( به ترتیب A ، C ، E ) و SAGA GIS ( B ، D ، F ، به ترتیب). نقشه های سه بعدی با اغراق عمودی ۲ نمایش داده می شوند.
شکل ۴٫ تجسم سه بعدی از ویژگی های زمین تولید شده در نزدیکی کوه آرارات: شیب، انحنای افقی و عمودی از TAGEE ( به ترتیب A ، C ، E ) و SAGA GIS ( B ، D ، F ، به ترتیب). نقشه های سه بعدی با اغراق عمودی ۲ نمایش داده می شوند.
Ijgi 09 00400 g004
جدول
جدول ۱٫ ویژگی های زمین، به همراه واحدها و توضیحات، محاسبه شده توسط بسته TAGEE.
جدول ۱٫ ویژگی های زمین، به همراه واحدها و توضیحات، محاسبه شده توسط بسته TAGEE.
صفت واحد شرح
ارتفاع متر ارتفاع زمین از سطح دریا
شیب درجه شیب شیب
جنبه درجه جهت قطب نما
تپه شید بدون بعد روشنایی زمین روشن
شمالی بودن بدون بعد درجه گرایش به شمال
شرقی بودن بدون بعد درجه گرایش به شرق
انحنای افقی متر انحنای مماس بر خط کانتور
انحنای عمودی متر انحنای مماس بر خط شیب
انحنای متوسط متر نصف مجموع دو انحنای متعامد
حداقل انحنا متر کمترین مقدار انحنا
حداکثر انحنا متر بالاترین مقدار انحنا
انحنای گاوسی متر محصول انحنای حداکثر و حداقل
شاخص شکل بدون بعد شکل پیوسته طبقه بندی گاوسی
جدول
جدول ۲٫ مقایسه ویژگی های TAGEE با خروجی های الگوریتم های GEE و SAGA GIS.
جدول ۲٫ مقایسه ویژگی های TAGEE با خروجی های الگوریتم های GEE و SAGA GIS.
صفت منطقه ارجاع آر پیرسون rMAE ۱
جنبه نزدیک به
SRTM جهانی DEM 30 متر		 GEE ۰٫۸۹ * ۱۳%
شیب نزدیک به
SRTM جهانی DEM 30 متر		 GEE ۰٫۹۸ * ۲%
جنبه کوه آرارات
SRTM DEM 30 متر		 SAGA GIS ۰٫۹۶ * ۴%
شیب کوه آرارات
SRTM DEM 30 متر		 SAGA GIS ۰٫۹۸ * ۳%
انحنای افقی کوه آرارات
SRTM DEM 30 متر		 SAGA GIS ۰٫۹۸ * ۴%
انحنای عمودی کوه آرارات
SRTM DEM 30 متر		 SAGA GIS ۰٫۹۸ * ۴%
* برای p <0.01 قابل توجه است. ۱ میانگین نسبی خطای مطلق.

ونوس نصیرفام

مقالات

فیسبوکتوئیترپینترسترددیتDeliciousلینکدینواتس اپتلگرامایمیل

نوشته های مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

خانهدربارهتماسارتباط با ما