طرح فیوژن و پیاده سازی بر اساس SRTM1، ASTER GDEM V3 و AW3D30

ادغام داده‌های چند منبعی می‌تواند به تضعیف کاستی‌های داده‌های اصلی و در عین حال بهبود دقت داده‌ها کمک کند. منطقه آزمایشی در این تحقیق شهر تایوان در استان شانشی چین است. با استفاده از SRTM1 DEM، ASTER GDEM V3، و AW3D30 DEM، وضوح بهینه DEM ذوب شده در منطقه تحقیقاتی با تجزیه و تحلیل آنتروپی اطلاعات عامل توپوگرافی تعیین می شود. سپس ضریب همجوشی وزنی بهینه DEM با ریشه میانگین مربعات خطا (RMSE) به عنوان معیار در کلاس های شیب مختلف با اکتشاف پیمایش تعیین می شود و اثر همجوشی را به صورت کمی ارزیابی می کند. نتایج نشان می‌دهد که وضوح بهینه DEM ذوب شده ۴۰ متر تحت محدودیت ویژگی زمین شهر تایوان است. DEM ذوب شده برای میانگین خطای مطلق (MAE) 33.8٪، ۵۷٫۹٪ و ۱۱٫۵٪، ۳۶٫۳٪، ۵۴٫۶٪ و ۱ کاهش می یابد. ۴٪ برای انحراف استاندارد (STD)، و ۳۲٫۸٪، ۵۴٫۲٪ و ۹٫۷٪ برای ریشه میانگین مربعات خطا (RMSE) در مقایسه با SRTM1، ASTER GDEM V3، و AW3D30. ترکیب میانگین وزنی شدت های چندگانه دقت داده های اصلی را افزایش داد. کاهش خطاهای فاکتور توپوگرافی، مانند شیب، انحنای پروفیل، و TPI، ظرفیت نمایش توپوگرافی Fused DEM را بهبود بخشید. علاوه بر این، نتایج دقت بالای DEM ذوب شده در مناطق پیچیده کوهستانی را تایید می کند. ظرفیت نمایش توپوگرافی Fused DEM را بهبود بخشید. علاوه بر این، نتایج دقت بالای DEM ذوب شده در مناطق پیچیده کوهستانی را تایید می کند. ظرفیت نمایش توپوگرافی Fused DEM را بهبود بخشید. علاوه بر این، نتایج دقت بالای DEM ذوب شده در مناطق پیچیده کوهستانی را تایید می کند.

کلید واژه ها:

آنتروپی اطلاعات ; SRTM1 DEM ; ASTER GDEM V3 ; AW3D30 DEM ; همجوشی DEM ; شهر تایوان

۱٫ مقدمه

مدل‌های رقومی ارتفاع (DEM) معمولاً به‌عنوان داده‌های ورودی اولیه برای بسیاری از کاربردهای مرتبط با زمین‌شناسی به‌عنوان راهی برای استخراج طیفی از ویژگی‌های ژئومورفیک [ ۱ ، ۲ ، ۳ ، ۴ ] استفاده می‌شوند که در نقشه‌برداری، هیدرولوژی، ارزش زیادی دارند. زمین شناسی، پایش آب و هوا، هشدار بلایا و برنامه ریزی منابع [ ۵ ، ۶ ، ۷ ]. با ظهور فناوری‌های حسگر و پردازش داده، چندین محصول داده DEM باز جهانی با وضوح، دقت و کیفیت داده‌های متفاوت همزیستی دارند. مدل‌های ارتفاعی دیجیتال را می‌توان با رادار دیافراگم مصنوعی تداخل سنجی (InSAR)، فتوگرامتری، تشخیص نور و محدوده (LiDAR) و تکنیک‌های دیگر تولید کرد.۸ ]. به عنوان مثال، SRTM DEM تولید شده بر اساس فناوری InSAR داده‌های ارتفاعی زمین را در محدوده جهانی ۵۶ درجه جنوبی تا ۶۰ درجه شمالی ارائه می‌کند. با این حال، با توجه به معایب تکنیک‌های InSAR، ارتفاعات به‌دست‌آمده توسط InSAR به دلیل زمین‌های موج‌دار بالا، بازتاب‌های چشمگیر از بدنه‌های آبی، همبستگی مکانی و زمانی، و تأخیرهای جوی در طول فرآیند اکتساب، مستعد حفره‌ها هستند. با این حال، NASA DEM، مجموعه داده تازه منتشر شده ناسا، با ترکیب DEM های بهبود یافته SRTM باند، ASTER GDEM V2 و GLAS یکپارچه و بدون خالی است. از سوی دیگر، فتوگرامتری تحت تأثیر تغییرات پوشش ابر و تابش است [ ۹ ، ۱۰ ، ۱۱ ،۱۲ ]. در نتیجه، اینکه آیا می‌توان طرح ترکیب داده‌های DEM را برای استفاده مؤثر از مزایای مکمل منابع داده مختلف برای بهبود دقت و کیفیت داده Fused DEM پیشنهاد کرد، برای گسترش کاربرد محصولات DEM موجود ضروری است.

برخی از مطالعات برای بهبود دقت DEM طراحی شده اند. ادبیات [ ۱۳ ] از SRTM به عنوان داده پایه استفاده کرد و مجموعه داده های سنجش از دور مختلف، مانند ارتفاعات نقطه-زمین ICESat، پایگاه داده درصد پوشش درختان از ماهواره های MODIS را به عنوان نماینده ای برای عمق نفوذ SRTM، و یک نقشه جهانی ارتفاع پوشش گیاهی ترکیب کرد. از بین بردن مصنوعات گیاهی موجود در SRTM DEM اصلی. و دقت محصول نهایی SRTM “زمین برهنه” بسیار بهبود یافته است. ادبیات [ ۱۴] نوع فضای خالی را بر اساس اندازه فضاهای خالی در SRTM و نوع زمین اطراف شناسایی می کند و سپس از طبقه بندی برای تعیین بهترین روش برای الگوریتم پر کردن فضای خالی استفاده می کند. نتایج نشان داد که این فرآیند به طور موثر دقت و قابلیت استفاده SRTM را بهبود می بخشد. در ادبیات [ ۱۵ ]، یک شبکه خصمانه مولد شرطی محدود شده با دانش توپوگرافی (TKCGAN) برای پر کردن فضاهای خالی در SRTM استفاده شد. دقت ارتفاع و شیب سطح محصولات بازسازی شده بهبود یافته است.

آزمودنی‌ها در آزمایش‌های اولیه، DEM‌های تک منبعی هستند که دقت داده‌ها را بهبود می‌بخشند، اما نمی‌توانند برخی از خطاهای ذاتی را به دلیل فناوری جمع‌آوری داده‌ها حذف کنند. در نتیجه، ویژگی های خطای مکمل InSAR و فتوگرامتری امکان همجوشی DEM را فراهم می کند. برخی از محققان سعی کرده اند با ترکیب داده های منابع مختلف که دقیق تر هستند، مشکلات DEM را برطرف کنند.

پژوهشگران بر اساس ملاحظات قبلی چندین روش برای ادغام DEM از منابع متفاوت پیشنهاد کرده اند. تبدیل فوریه سریع در ادبیات [ ۱۶ ] برای تبدیل SRTM و ASTER به حوزه فرکانس استفاده شد و خطاهای محدوده فرکانس SRTM و ASTER فیلتر شدند. سپس طیف DEM فیلتر شده خلاصه شد و در نهایت به حوزه فضایی تبدیل شد. در حوزه تحقیق، روش نتایج بهتری به همراه دارد. با توجه به ادبیات [ ۱۷ ]، IRS-1C و ERS-1/2 به ترتیب با استفاده از تکنیک های فتوگرامتری و InSAR پردازش شدند. پس از به دست آوردن DEM های مربوطه، ادغام تکمیلی نواحی حفره با مقایسه دو داده انجام شد. پیش از ادغام، ادبیات [ ۱۸] آرایه ای از مقادیر ارتفاعی ناحیه عرضی کوه را با قضاوت آستانه اختلاف ارتفاع بین DEM ورودی و DEM مرجع به دست آورد و سپس به یک همجوشی میانگین وزنی DEM های تولید شده توسط تداخل سنجی راداری، فتوگرامتری نوری و مسیر ارتفاعی InSAR دست یافت. با ضریب همبستگی بین داده ها. ادبیات [ ۱۹ ] نشان داد که همجوشی وزنی دقت DEM های مقیاس بزرگ را بهبود می بخشد و اهمیت وزن ها را در نتایج برجسته می کند. این مطالعات از ترکیب وزنی DEM ها به عنوان یک کل استفاده کردند که وزنی را به DEM اختصاص می دهد در حالی که دقت داده ها را در شرایط توپوگرافی مختلف نادیده می گیرد. در نتیجه، در ادبیات [ ۲۰]، یک همجوشی میانگین وزنی DEM های دا نانگ، ویتنام، با استفاده از SRTM و ASTER GDEM، با وزن های متفاوتی که به خطای میانگین مطلق شیب (MAE) DEM های ورودی در دشت، دره و کوه اختصاص داده شده، انجام شد. اگر نسبت داده‌ها با MAE بالا کاهش یابد، DEM ذوب شده دقیق‌تر بود.

علاوه بر این، وضوح یک شاخص اساسی از مقدار اطلاعات توپوگرافی حمل شده توسط DEM است. به عنوان مثال، ادبیات [ ۲۱ ] تایید کرد که وضوح DEM تأثیر قابل توجهی بر پارامترهای مشتق شده هیدرولوژیکی مانند شبکه رودخانه و گسسته شدن حوضه دارد. ادبیات [ ۲۲ ] بیان کرد که وضوح DEM بر پیش بینی فضایی خواص خاک تأثیر می گذارد. علاوه بر این، مطالعات متعدد نشان داده است که با کاهش وضوح DEM، پارامترهای توپوگرافی تغییر کرده و اطلاعات توپوگرافی در DEM کاهش می یابد. در نتیجه، ادبیات [ ۱۵ ، ۲۳] روشی را برای کمی کردن اطلاعات زمین در DEM با استفاده از آنتروپی اطلاعات پیشنهاد کرد. در نتیجه، وضوح بهینه DEM ذوب شده با ارزیابی آنتروپی اطلاعات عوامل زمین تعیین می شود.

مدل‌های ارتفاعی دیجیتال باز جهانی مانند SRTM و ASTER GDEM به طور گسترده مورد استفاده قرار می‌گیرند. با پیشرفت تکنولوژی تصویربرداری مدرن، AW3D30 DEM دقیق تری تولید شده است. علاوه بر این، ترکیب AW3D30 در فرآیند همجوشی DEM، با در نظر گرفتن تأثیر توپوگرافی بر دقت و وضوح همجوشی، و گسترش همجوشی موجود بر اساس دو نوع داده در ترکیب سه نوع داده، لزوماً به تحقیقات بیشتری نیاز دارد. در نتیجه، برای به دست آوردن بهترین وضوح DEM در منطقه تحقیق، این مطالعه از SRTM1 DEM، ASTER GDEM V3، و AW3D30 DEM به عنوان داده های ورودی استفاده می کند و آنتروپی اطلاعات فاکتور توپوگرافی را محاسبه می کند. سپس، بهترین وزن های همجوشی برای شیب های مختلف با کاوش حداقل ریشه میانگین مربعات خطا (RMSE) به دست می آید. علاوه بر این،

۲٫ حوزه و داده های تحقیق

Taiyuan، واقع در مرکز استان شانشی، چین، به عنوان محل تحقیق برای مطالعه انتخاب شد. تایوان در قسمت شمالی حوضه تایوان است که بیش از ۱۴۴ کیلومتر از شرق به غرب و ۱۰۷ کیلومتر از شمال به جنوب را در بر می گیرد و مختصات جغرافیایی آن ۱۱۱ درجه ۳۰ دقیقه تا ۰۹ دقیقه شرقی و ۳۷ درجه و ۲۷ دقیقه تا ۳۸ درجه و ۲۵ دقیقه است. N. منطقه تحقیقاتی دارای شکل‌های زمین متنوعی از جمله کوه‌ها، تپه‌ها، دشت‌ها، حوضه‌ها و دره‌ها است. همانطور که در شکل ۱ نشان داده شده است، توپوگرافی منطقه موجدار است، با اختلاف ارتفاع نزدیک به ۱۹۴۸ متر .

InSAR توسط ماموریت توپوگرافی رادار شاتل (SRTM) برای به دست آوردن داده های ارتفاعی سطحی پیوسته که منطقه جهانی را از ۶۰ درجه شمالی تا ۵۶ درجه جنوبی پوشش می دهد استفاده شد [ ۲۴ ، ۲۵ ، ۲۶ ، ۲۷ ]. داده های مورد استفاده در این مطالعه به صورت رایگان در دسترس محصولات SRTM1 DEM آنلاین با وضوح ۱ قوس ثانیه است.

ASTER GDEM یک محصول ارتفاعی جهانی است که توسط فتوگرامتری با استفاده از پرتو سنج‌های پیشرفته گسیل حرارتی و انعکاس داخلی که توسط ناسا و METI بدست آمده است، تولید شده است [ ۲۸ ]. ASTER GDEM V3 استفاده شده در این مقاله یک محصول بازسازی مبتنی بر V2 برای فضای خالی ارتفاعی و آب با وضوح افقی ۱ قوس در ثانیه است.

آژانس اکتشاف هوافضای ژاپن (JAXA) ALOS World 3D (AW3D) را از ۳ میلیون جفت تصویر استریو اپتیکال جمع آوری شده توسط Panchromatic Remote Sensing Stereo Mapper (PRISM) روی ماهواره ALOS ایجاد کرد [ ۲۹ ]. یک DEM با پوشش جهانی و وضوح ۵ متر در طول فرآیند پردازش داده ایجاد شد. سپس مجدداً نمونه برداری شد و به صورت رایگان به عنوان AW3D30 DEM با وضوح ۳۰ متر [ ۳۰ ] منتشر شد.

Oriental General Aerial Photography Ltd. DEM مرجع مورد استفاده در سال ۲۰۱۴ را از طریق LiDAR به دست آورد و اساساً مبتنی بر سیستم اسکن لیزری هوابرد لایکا – ALS60 است که وضوح آن ۵ متر است. ارتفاع درون یابی ۳۲۶۹ ایست بازرسی میدانی با موقعیت های مربوطه DEM مرجع مقایسه شد و تفاوت ها به طور کلی با خطای میانه ۰٫۱۵ متر توزیع شد که الزامات ارزیابی دقت هر DEM در مطالعه را برآورده می کند. شکل ۲ نقشه های سایه تپه را از SRTM1، ASTER GDEM V3، AW3D30 و DEM مرجع برای بخشی از منطقه تحقیقاتی نشان می دهد. اطلاعات پایه از داده های تجربی در جدول ۱ نشان داده شده است .

داده های آزمایشی دارای همان مبنا ارتفاع [ ۳۱ ، ۳۲ ] هستند و تفاوت بین نیمه محور طولانی بیضی GRS80 و بیضی WGS84 بسیار کم است، بنابراین خطای بین دو بیضی ناچیز است [ ۳۳ ]. تفاوت بین نیمه محور طولانی بیضی WGS84 و بیضی Topex/Poseidon حدود ۷۰-۷۲ سانتی متر است و با استفاده از رابطه (۱) بیضی WGS84 و مقادیر ارتفاع GRS80 در زیر بیضی را به بیضی Topex/Poseidon تبدیل می کنیم. [ ۳۴ ]. سپس، داده‌های بردار مرز اداری برای برش سه داده DEM برای به دست آوردن داده‌های ورودی ثابت برای مبدأ افقی، مبدأ ارتفاع، بیضی مرجع و منطقه مورد مطالعه استفاده شد.

H _{Topex/Posedion} = H _WGS84 + ۰٫۷۰۵ متر،

(۱)

در معادله (۱)، H _{Topex/Poseidon} مقدار ارتفاع بر اساس بیضی Topex/Poseidon است و H _WGS84 مقدار ارتفاع بر اساس بیضی WGS84 است.

۳٫ روش ها

۳٫۱٫ آنتروپی اطلاعات فاکتور توپوگرافی

DEM از سلول های شطرنجی که حاوی داده های ارتفاع زمین است تشکیل شده است. وضوح DEM دقت توصیف ویژگی های زمین در منطقه را تعیین می کند [ ۳۵ ، ۳۶ ]. مقدار اطلاعات زمین موجود در DEM با وضوح متفاوت است. با کاهش وضوح DEM، اطلاعات زمین کمتری جمع آوری می شود. برعکس، با افزایش مقدار اطلاعات زمین، دقت توصیف ویژگی های زمین افزایش می یابد [ ۳۷ ، ۳۸ ، ۳۹ ، ۴۰]. رزولوشن بسیار کوچک برای DEM یک منطقه خاص منجر به داده ها و افزونگی بیش از حد داده می شود و در نتیجه باعث هدر رفتن منابع می شود. وضوح بیش از حد بزرگ به سرعت منجر به دقت بسیار پایین در توصیف زمین و شکاف خاصی با زمین واقعی می شود. یک موضوع مهم، تعیین بهترین وضوح یک DEM منطقه‌ای و متعادل کردن رابطه بین وضوح و مقدار اطلاعات زمینی است که بارگیری می‌کند [ ۴۱ ، ۴۲ ].

در سال ۱۹۴۸، شانون، معروف به “پدر نظریه اطلاعات”، مفهوم “آنتروپی” را که به طور گسترده در فیزیک استفاده می شود، به حوزه ارتباطات معرفی کرد [ ۴۳ ]. و پس از آن، او ایده “آنتروپی اطلاعات” را معرفی کرد که می تواند برای کمی کردن اطلاعات برای بهبود رمزگذاری آن استفاده شود.

بر اساس تئوری اطلاعات شانون و مفهوم آنتروپی اطلاعات، اندازه آنتروپی اطلاعات برای اندازه گیری اطلاعات زمین در DEM استفاده می شود. هنگامی که سلول های شطرنجی DEM به عنوان منابع تصادفی گسسته و توزیع شده در نظر گرفته می شوند، آنتروپی اطلاعات مجموع اطلاعات خود هر شطرنجی در DEM است، که در آن خود اطلاعاتی یک شطرنجی به عنوان مقدار اطلاعات زمین تعریف می شود. خود را بارگذاری می کند. موقعیت و اندازه سلول های شطرنجی در DEM با تغییر وضوح DEM تغییر می کند، همانطور که مقدار اطلاعات توپوگرافی آن نیز تغییر می کند.

DEM با رزولوشن های متفاوت با نمونه برداری مجدد از داده های ورودی با ArcGIS تولید شد. و آنتروپی اطلاعات چهار عامل توپوگرافی مانند شیب، جهت، انحنای صفحه و انحنای پروفیل با استفاده از معادله زیر برای تعیین بهترین وضوح DEM در منطقه تحقیق محاسبه شد [ ۴۴ ، ۴۵ ]:

H = −∑ P _i ln P _i ،

(۲)

که در آن H آنتروپی اطلاعات است. P _i درصد مساحت اشغال شده توسط ضریب توپوگرافی P _i ε (۰,۱) است.

۳٫۲٫ بدست آوردن ضرایب وزنی بهینه بر اساس جستجوی پیمایش

برای دستیابی به ترکیب میانگین وزنی چندین منبع DEM، ابتدا باید ضرایب وزنی هر منبع داده تعیین شود. وزن ها نشان می دهد که چگونه هر منبع داده بر داده های حاصل تأثیر می گذارد [ ۴۶ ]. ضرایب وزن به طور کلی با نسبت مجذور انحراف استاندارد محاسبه شده توسط هر منبع داده تعیین می شود [ ۴۷ ]. در مطالعه، روشی را برای به دست آوردن وزن ها با اندازه گام ۰٫۰۵ ارائه می دهیم که با روش سنتی برای به دست آوردن دقیق ترین نتایج متفاوت است و نمودار جریان در شکل ۳ نشان داده شده است .

شکل ۳ ایده اصلی را نشان می دهد: سه DEM سیستم مختصات یکپارچه به عنوان داده ورودی استفاده می شود و سپس شیب بر اساس نقاط قطع طبیعی تقسیم می شود. بر اساس نتایج تقسیم شیب فوق، ترکیب میانگین وزنی سبکی های مختلف DEM های ورودی در هر منطقه محقق می شود. در نهایت، بهترین طرح همجوشی DEM برای منطقه تحقیقاتی با وزن های مربوط به کمترین RMSE تعیین می شود.

طیف گسترده ای از داده های DEM باز جهانی با وضوح، دقت و کیفیت داده های مختلف در دسترس است. بسیاری از محققین برای ارزیابی کیفیت داده‌های خود، مقایسه‌های دقت بین مجموعه‌های داده‌های متعدد را تکمیل کرده‌اند. با توجه به ادبیات [ ۴۸ ]، AW3D30 DEM دقت بالاتری دارد و بهتر می تواند موج واقعی زمین را نشان دهد. در نتیجه، مطالعه از AW3D30 DEM به عنوان خط پایه استفاده می‌کند، شیب را استخراج می‌کند و با استفاده از ArcGIS با استفاده از روش فاصله طبیعی با فواصل ۵ درجه، ۱۰ درجه، ۱۵ درجه، ۲۰ درجه، ۲۵ درجه، ۳۰، شیب را استخراج می‌کند و آن را به ۹ سطح تقسیم می‌کند. درجه، ۳۵ درجه و ۴۵ درجه، به شیب۱-slope9 تغییر نام داد. سپس داده های اصلی مربوط به SRTM1i، ASTER GDEM V3i، و AW3D30i با استفاده از slopei استخراج می شوند، جایی که i ϵ [۱,۹]. در نهایت، DEM ذوب شده با استفاده از رابطه زیر محاسبه می شود:

DEM ذوب شده = SRTM1 DEM × W _۱ +ASTER GDEM V3 × W _۲ + AW3D30 DEM × (۱ – W _۱ – W _۲ )،

(۳)

که در آن Fused DEM نشان دهنده DEM ذوب شده است. W _۱ و W _۲ وزن SRTM1 و ASTER GDEM V3 را در همجوشی نشان می دهند، W _۱ و W _۲ ε [۰,۱]. RMSE هر DEM ذوب شده به دست آمده در شیب با معادله زیر محاسبه می شود:

(۴)

که در آن Fused DEM نشان دهنده DEM ذوب شده است. ۵mDEM نشان دهنده DEM مرجع با وضوح ۵ متر است و n تعداد نقاط ارتفاعی است که در محاسبه پیکسل به پیکسل نقش دارند.

۴٫ نتایج

۴٫۱٫ آنتروپی اطلاعات فاکتور توپوگرافی

بر اساس DEM ورودی، هشت DEM با اندازه شبکه به ترتیب ۶۴۰ متر، ۳۲۰ متر، ۱۶۰ متر، ۸۰ متر، ۴۰ متر، ۲۰ متر، ۱۰ متر و ۵ متر تولید می شود. چهار عامل زمین شیب، جهت، انحنای صفحه و انحنای پروفیل به ترتیب استخراج شده و آنتروپی اطلاعات آنها محاسبه می شود. تغییر آنتروپی اطلاعات عوامل توپوگرافی با اندازه شبکه های DEM در شکل ۴ نشان داده شده است .

شکل ۴ نشان می دهد که آنتروپی اطلاعات هر عامل زمین با کاهش اندازه شبکه DEM افزایش می یابد، به این معنی که ظرفیت اطلاعات زمین که توسط DEM حمل می شود با کاهش اندازه شبکه افزایش می یابد. آنتروپی اطلاعات هر عامل زمین زمانی شروع به کاهش می کند که اندازه شبکه DEM روی ۴۰ متر تنظیم شود. اندازه شبکه بهینه DEM ذوب شده بر اساس SRTM1 DEM، ASTER GDEM V3، و AW3D30 DEM با محدودیت ویژگی های توپوگرافی شهر تایوان ۴۰ متر است.

۴٫۲٫ ضرایب وزنی بهینه

برای به دست آوردن ضرایب وزنی با بهترین ترکیب، این مطالعه فرآیند پیمایش ضرایب را در مراحل ۰۵/۰ اجرا می‌کند و رابطه بین وزن‌ها و RMSE را متناسب می‌کند و نتایج در شکل ۵ نشان داده شده‌اند .

شکل ۵ نشان می دهد که سطوح سه بعدی نصب شده صاف تر هستند، که نشان دهنده همبستگی قوی بین ضرایب وزنی SRTM1، ASTER GDEM V3، AW3D30 و Fused DEM است. شکل ۵ a نشان می دهد که وقتی شیب ۰-۵ درجه است، منطقه با کمترین RMSE DEM ذوب شده در ناحیه ASTER GDEM V3 با وزن ۰-۰٫۲ متمرکز شده است. (مربوط به ناحیه بنفش در شکل ۵ ). حداقل سطح در شکل ۵ b-i به تدریج در منطقه ای که وزن هر دو ASTER GDEM V3 و SRTM1 0-0.2 است، متمرکز می شود. در مقابل، نسبت AW3D30 در فیوژن بین ۰٫۸ و ۱ است.

در شکل ۵ ، یک حداقل سطح در تمام قسمت های ناحیه بنفش وجود دارد که نشان دهنده حداقل RMSE DEM ذوب شده است و مختصات مربوطه آن بهترین نسبت SRTM1، ASTER GDEM V3 و AW3D30 در همجوشی وزنی است. در نتیجه، برای به دست آوردن بهترین وزن ضرایب وزن همجوشی، معادلات سطح برازش محاسبه شده و مختصات مربوط به حداقل سطح آنها، همانطور که در جدول ۲ نشان داده شده است، استخراج می شود .

برای شیب های ۰-۵ درجه، وزن SRTM1 محاسبه شده از سطح نصب شده ۰٫۷۰، ۰٫۱۰ برای ASTER GDEM V3، و ۰٫۲۰ برای AW3D30 است. وزن SRTM1 در منطقه بالاتر است، به این معنی که دقت SRTM1 برای شیب‌های ۰-۵ درجه بالاتر است. برای شیب های بیشتر از ۵ درجه، وزن SRTM1 کمتر از ۰٫۲۵ است، و حتی در محدوده های شیب ۱۰-۳۰ درجه و بیشتر از ۳۵ درجه، دقت SRTM1 برای ارائه پشتیبانی از داده ها برای Fused DEM کافی نیست. از سوی دیگر، در ناحیه ای با شیب بیشتر از ۵ درجه، AW3D30 مزیت قابل توجه تری دارد و ضریب همجوشی بالای ۰٫۸۰ باقی می ماند. ضریب وزنی ASTER GDEM V3 در منطقه مورد مطالعه نسبتاً پایدار است و بین ۰ تا ۰٫۲ متغیر است.

۴٫۳٫ ارزیابی طرح فیوژن

MAE، STD و RMSE SRTM1، ASTER GDEM V3، AW3D30 و Fused DEM با وضوح DEM 5 متری به عنوان DEM مرجع برای تجزیه و تحلیل دقت DEM ذوب شده شمارش شدند و نتایج در جدول ۳ نشان داده شده است.

در مقایسه با SRTM1، ASTER GDEM V3 و AW3D30، MAE DEM ذوب شده ۳۳٫۸%، ۵۷٫۹% و ۱۱٫۵% کاهش یافت. STD 36.3%، ۵۴٫۶% و ۱٫۴% کاهش یافت. و RMSE با توجه به مقادیر خطا در جدول ۳ ، ۳۲٫۸٪، ۵۴٫۲٪، و ۹٫۷٪ کاهش یافته است. پس از همجوشی میانگین وزنی با شدت های مختلف، مقادیر خطای SRTM1، ASTER GDEM V3 و AW3D30 درجه مشخصی از کاهش مقادیر خطا را نشان دادند. شکل ۶ هیستوگرام توزیع اختلاف ارتفاع را نشان می دهد که می توان از آن برای تجزیه و تحلیل بیشتر الگوی توزیع خطا استفاده کرد.

همانطور که در شکل ۶ نشان داده شده است ، توزیع اختلاف ارتفاعی هر DEM مشابه توزیع لاپلاس است. در مقایسه با توزیع‌های اختلاف ارتفاع SRTM1، ASTER GDEM V3، و AW3D30، توزیع اختلاف ارتفاع Fused DEM متمرکزترین است و نرم‌ترین عملکرد را نشان می‌دهد. همبستگی بین DEM اصلی، DEM ذوب شده و DEM مرجع در شکل ۷ نشان داده شده است .

DEM ذوب شده و DEM مرجع دارای ضریب همبستگی ۰٫۹۹۹۳ بودند. ضرایب همبستگی SRTM1، ASTER GDEM V3 و AW3D30 به ترتیب ۰٫۹۹۸۲، ۰٫۹۹۷۷ و ۰٫۹۹۹۲ در مقایسه با داده های مرجع بود. در نتیجه، همبستگی قوی تری بین DEM ذوب شده و DEM مرجع وجود داشت.

شاخص موقعیت توپوگرافی (TPI) تفاوت در ارتفاع بین نقطه مرکزی و مقدار میانگین ارتفاع بین ۸ پیکسل اطراف است که موقعیت نسبی نقاط ارتفاع را در محدوده محلی منعکس می کند [ ۴۹ ، ۵۰ ]. شیب، انحنای پروفیل و TPI از SRTM1، ASTER GDEM V3، AW3D30 و Fused DEM استخراج شده است ( شکل ۸ )، و تفاوت بین آنها و DEM مرجع بررسی می شود.

جدول ۴ نشان می دهد که پارامترهای توپوگرافی مشتق شده از Fused DEM خطای کمتری نسبت به سایرین دارند. فیوژن می تواند دقت پارامترهای توپوگرافی را به طور قابل توجهی بهبود بخشد. توزیع خطاهای ارتفاعی بین DEM ذوب شده و DEM مرجع ( شکل ۹ ) نشان می دهد که مکان هایی با اختلاف ارتفاعی قابل توجه DEM ذوب شده عمدتاً در مناطق کوهستانی شیب دار در شمال و شمال شرق متمرکز شده اند، در حالی که خطاها در مناطق کوچکتر هستند. مناطق نسبتا مسطح

به منظور بررسی دقت DEM ذوب شده در مناطق پیچیده کوهستانی، پنج ناحیه اعتبارسنجی با اندازه ۱۰۰ × ۱۰۰ پیکسل انتخاب شد ( شکل ۱۰ ) و خطاهای این مناطق در مطالعه بررسی شدند که نتایج در جدول ۵ نشان داده شده است. .

دقت AW3D30 در ناحیه اعتبار سنجی فوق بالاتر از SRTM1 و ASTER GDEM V3 است که با بهترین ضریب همجوشی ارائه شده در بخش قبل نیز مطابقت دارد. در مناطق پیچیده با شیب های تند، AW3D30 نسبت همجوشی بالاتری دارد. علاوه بر این، در مقایسه با قبل از ادغام، تمام شاخص های خطا تا حدی کاهش می یابد و دقت DEM ذوب شده در ناحیه اعتبار سنجی به طور قابل توجهی بهبود می یابد. در نتیجه، ادغام داده های DEM از منابع مختلف می تواند داده های DEM با دقت بالا را برای مناطق پیچیده کوهستانی ارائه دهد.

۵٫ بحث

این مطالعه از نظریه آنتروپی اطلاعات شانون برای ترکیب آنتروپی اطلاعات با مقدار اطلاعات در DEM استفاده می‌کند و آنتروپی اطلاعات چهار عامل زمین معمولی: شیب، جهت شیب، انحنای صفحه و انحنای پروفیل محاسبه می‌شود. مدل‌سازی برای تولید هر رزولوشن DEM و استخراج خودکار عوامل زمین مربوطه استفاده می‌شود. وضوح بهینه DEM مناسب برای منطقه تحقیقاتی بر اساس تجزیه و تحلیل رابطه تغییرات بین آنتروپی اطلاعات هر عامل زمین و وضوح DEM تعیین می شود. هنگامی که وضوح DEM منطقه مورد مطالعه ۴۰ متر است، آزمایش ها نشان می دهد که DEM می تواند نمایش زمین را به حداکثر برساند در حالی که از افزونگی داده ها جلوگیری می کند. افزونگی داده‌ها ممکن است تأثیر قابل‌توجهی بر استفاده محققان در زمانی که منطقه مورد مطالعه کوچک است، نداشته باشد. اما مزایای آن زمانی آشکار می شود که حوزه تحقیق گسترش یابد. علاوه بر این، این آزمایش تلاشی برای دستیابی به همجوشی داده های جهانی است. تعیین بهترین وضوح بر اساس در نظر گرفتن و مقدار داده تنظیم می شود.

بر اساس نتایج برخی از آزمایشات محققین با همجوشی میانگین وزنی DEM، این مطالعه روش علمی تری را برای به دست آوردن ضرایب وزن همجوشی پیشنهاد می کند. این روش تأثیر توپوگرافی بر DEM را محاسبه می کند، منطقه تحقیقاتی را بر اساس شیب به ۹ سطح تقسیم می کند و رابطه بین DEM ذوب شده و RMSE آن را برای تعیین وزن های همجوشی بهینه DEM ذوب شده محاسبه می کند. DEM ذوب شده با موزاییک کردن DEM های ذوب شده مربوط به هر بازه شیب به دست آمد. بر اساس محاسبه خطای مطلق ما از DEM ذوب شده، اکتساب فاکتور توپوگرافی و عملکرد DEM در مناطق پیچیده کوهستانی، DEM ذوب شده در این مطالعه مزایایی را در همه جنبه ها نشان داد و اهداف مطالعه را برآورده کرد.

مطالعات زیادی در مورد همجوشی DEM انجام شده است. این مطالعات به سه دسته طبقه‌بندی می‌شوند: اولی بهبود دقت و قابلیت استفاده از طریق پر کردن فضای خالی داده‌ها با داده‌های کمکی [ ۱۳ ، ۱۴ ، ۱۵ ]. با توجه به دقت محدود یک داده، نوع دوم تحقیق پیشنهاد شده است، که عبارت است از ادغام چندین DEM تک منبع، مانند ادغام InSAR یا DEM های فتوگرامتری [ ۵۱ ، ۵۲ ، ۵۳ ].]. اگرچه ادغام مجموعه های مختلف داده می تواند به طور موثر خطاهای سیستماتیک را کاهش دهد، اما نمی تواند خطاهای ذاتی ناشی از فرآیند اکتساب را حذف کند. در نتیجه، محققان ادغام DEM ها از منابع مختلف را برای تضعیف خطاهای ذاتی در داده های تولید شده توسط تکنیک های اکتساب داده بر اساس بهبود دقت DEM پیشنهاد کرده اند [ ۱۷ ، ۱۸ ، ۱۹ ، ۲۰ ].

SRTM و ASTER GDEM، به عنوان مدل‌های ارتفاعی باز دیجیتال جهانی که به طور گسترده مورد استفاده قرار می‌گیرند، اغلب به عنوان داده‌های ورودی در همجوشی DEM استفاده می‌شوند. دقت بالاتر AW3D30 DEM با پیشرفت فناوری تصویربرداری مدرن تولید می شود. در نتیجه، یکی از نقاط شروع مقاله این است که آیا استفاده از AW3D30 با دقت بالاتر به عنوان یکی از مجموعه داده های ورودی برای فرآیند همجوشی، دقت DEM فیوژن را بهبود می بخشد یا خیر. علاوه بر این، اکثر تحقیقات فیوژن فعلی DEM بر اساس دو مجموعه داده است. در این مقاله، ارزش آن را دارد که آزمایش کنیم که آیا افزودن داده های AW3D30 DEM با دقت بالاتر در بالای SRTM و ASTER GDEM دقت DEM ذوب شده را بهبود می بخشد یا خیر.

این مطالعه از SRTM1، ASTER GDEM V3، و AW3D30 به عنوان داده‌های ورودی برای دستیابی به ادغام وزنی DEM‌ها در منطقه تحقیقاتی، در ارتباط با ملاحظات فوق‌الذکر استفاده کرد. در مقایسه با داده های مورد مطالعه در ادبیات [ ۱۳ ، ۱۴ ، ۱۵ ، ۴۷ ، ۴۸ ، ۵۱ ]، منابع داده فراوان تر هستند و می توانند به طور موثری خطاهای ذاتی در داده های ناشی از تکنیک های اکتساب داده را تضعیف کنند. علاوه بر این، این مطالعه از AW3D30 DEM استفاده می‌کند که در مقایسه با داده‌های دو منبع مختلف مورد استفاده در ادبیات، دقت بالاتری دارد [ ۱۷ ، ۱۸ ، ۱۹ ، ۲۰ ].

وزن ها کلید همجوشی میانگین وزنی هستند. روش مورد استفاده در این مطالعه، پیمایش وزنه‌ها برای یافتن بهترین وزن‌های همجوشی برای شیب‌های مختلف است که با حداقل RMSE مطابقت دارد. این رویکرد قوی تر از روش مورد استفاده در ادبیات [ ۱۸ ] است زیرا نیازی به گنجاندن یک آستانه مرجع مصنوعی ندارد. زمین به طور قابل توجهی بر فرآیند جمع آوری داده ها تأثیر می گذارد و بر دقت داده ها تأثیر می گذارد. در نتیجه منطقه تحقیق بر اساس شیب به ۹ دسته تقسیم می شود و وزن های همجوشی را جداگانه محاسبه می کند. نتایج ادغام در مقایسه با ادبیات [ ۱۸ ، ۱۹ ] معتبرتر هستند]، جایی که DEM به عنوان یک کل ترکیب می شود. جامع‌تر از ترکیب پیشنهادی ادبیات مبتنی بر دشت‌ها، دره‌ها و کوه‌ها است [ ۲۰ ].

اگرچه طرح فیوژن می تواند دقت DEM را بهبود بخشد، فقط همبستگی بین شیب و دقت DEM در نظر گرفته می شود. نویسندگان امیدوارند که همبستگی‌های متعددی را در مطالعات آینده بررسی کنند، مانند ایجاد روابط رگرسیونی بین توپوگرافی، شکل‌های زمین، پوشش گیاهی و دقت DEM.

۶٫ نتیجه گیری

این مقاله یک طرح همجوشی وزنی DEM بر اساس شیب‌های مختلف برای کاهش عیوب ذاتی تداخل رادار DEM و DEM استریو نوری و کاهش اختلاف بین DEM و زمین واقعی پیشنهاد می‌کند. ابتدا، این طرح آنتروپی اطلاعات داده های ورودی را برای تعیین بهترین وضوح DEM برای منطقه تحقیق ارزیابی می کند. اهمیت کار در این است که وقتی منطقه بزرگ است، می‌خواهیم نمایش تغییرات موجی زمین واقعی را با بهترین وضوح DEM به حداکثر برسانیم و از افزونگی داده‌ها اجتناب کنیم. داده های بیش از حد ممکن است باعث مشکلاتی در برخی از وظایف پردازش داده شود. سپس، این مطالعه به بررسی یک طرح میانگین وزنی DEM بر اساس شیب های مختلف در منطقه تحقیقاتی می پردازد. روش فوق با پیمایش وزن ها برای به دست آوردن RMSE هر DEM ذوب شده و برازش رابطه بین وزن ها و RMSE برای به دست آوردن وزن های DEM ورودی مربوط به کمترین RMSE انجام می شود. نتایج ارزیابی دقت DEM ذوب شده نشان می دهد که همجوشی دقت SRTM1 و ASTER GDEM V3 را بهبود می بخشد. فیوژن همچنین می تواند خطای نسبی بین دقیق ترین داده های ورودی، AW3D30، و DEM مرجع را کاهش دهد. در مقایسه با سه داده ورودی، همجوشی همبستگی خود را با DEM مرجع بهبود می بخشد. ارزیابی عوامل توپوگرافی مانند شیب، انحنای پروفیل و TPI نیز مزایای Fused DEM را نشان می‌دهد. علاوه بر این، ارزیابی دقیق DEM ذوب شده برای مناطق کوهستانی پیچیده در منطقه تحقیقاتی نشان می‌دهد که همجوشی می‌تواند دقت را بهبود بخشد و زمین واقعی را بهتر نشان دهد. در نتیجه،

اگرچه طرح ادغام داده های پیشنهادی در این مطالعه نتایج بهتری را تولید می کند، اما محدودیت هایی دارد. این روش فقط همبستگی یک بعدی بین شیب و ارتفاع را در نظر می گیرد و عوامل مرتبط با زمین، مانند پوشش گیاهی و جنبه، برای تجزیه و تحلیل همبستگی چند بعدی در مطالعه زیر برای به دست آوردن نتایج همجوشی دقیق تر معرفی خواهند شد.

منابع

تانگ، جی. پیشرفت DEM و تجزیه و تحلیل زمین دیجیتال در چین. Acta Geogr. گناه ۲۰۱۴ ، ۶۹ ، ۱۳۰۵-۱۳۲۵٫ [ Google Scholar ] [ CrossRef ]
شیونگ، ال. تانگ، جی. یانگ، ایکس. لی، ف. تجزیه و تحلیل زمین دیجیتال مبتنی بر ژئومورفولوژی: پیشرفت و چشم اندازها. جی. جئوگر. علمی ۲۰۲۱ ، ۳۱ ، ۴۵۶-۴۷۶٫ [ Google Scholar ] [ CrossRef ]
لاکشمی، SE; Yarrakula، K. بررسی و تحلیل انتقادی بر روی مدل‌های ارتفاعی دیجیتال. Geofizika ۲۰۱۸ ، ۳۵ ، ۱۲۹-۱۵۷٫ [ Google Scholar ] [ CrossRef ]
پولیدوری، ال. El Hage، M. روش های ارزیابی کیفیت مدل ارتفاعی دیجیتال: یک بررسی انتقادی. Remote Sens. ۲۰۲۰ , ۱۲ , ۳۵۲۲٫ [ Google Scholar ] [ CrossRef ]
سلیم، ن. هاک، م. توماسی، نیویورک؛ جاوید، ا. سجاد، الف. پارامترهای مشتق شده از و/یا استفاده شده با مدل های رقومی ارتفاع (DEMs) برای نقشه برداری حساسیت زمین لغزش و ارزیابی خطر زمین لغزش: یک بررسی. ISPRS Int. J. Geoinf. ۲۰۱۹ ، ۸ ، ۵۴۵٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
بی، اچ. لی، ایکس. گو، ام. لیو، ایکس. Li, J. تجزیه و تحلیل زمین دیجیتال بر اساس DEM. جلو. برای. چین ۲۰۰۶ ، ۱ ، ۵۴-۵۸٫ [ Google Scholar ] [ CrossRef ]
متوالی، م. بازان، TM; Eltohamy, F. طراحی تلسکوپ های ماهواره ای با وضوح بسیار بالا قسمت اول: طراحی سیستم نوری. IEEE Trans. هوانوردی الکترون. سیستم ۲۰۱۹ ، ۵۶ ، ۱۲۰۲-۱۲۰۸٫ [ Google Scholar ] [ CrossRef ]
موکرجی، اس. جوشی، پی کی; موکرجی، اس. قوش، ع. Garg، RD; Mukhopadhyay, A. ارزیابی دقت عمودی مدل منبع باز دیجیتال ارتفاعی (DEM). بین المللی J. Appl. زمین Obs. Geoinf. ۲۰۱۳ ، ۲۱ ، ۲۰۵-۲۱۷٫ [ Google Scholar ] [ CrossRef ]
هاوکر، ال. بیتس، پی. نیل، جی. Rougier, J. دیدگاه‌های شبیه‌سازی مدل رقومی ارتفاع (DEM) برای مدل‌سازی سیل در غیاب یک DEM جهانی دسترسی باز با دقت بالا. جلو. علوم زمین ۲۰۱۸ ، ۶ ، ۲۳۳٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
Liu, X. Airborne LiDAR برای نسل DEM: برخی مسائل مهم. Prog. فیزیک Geogr. ۲۰۰۸ ، ۳۲ ، ۳۱-۴۹٫ [ Google Scholar ] [ CrossRef ]
اویسال، م. توپراک، ع. نسل پولات، N. DEM با فتوگرامتری پهپاد و آنالیز دقت در تپه Sahitler. اندازه گیری ۲۰۱۵ ، ۷۳ ، ۵۳۹-۵۴۳٫ [ Google Scholar ] [ CrossRef ]
گلاتز، م. پایلو، پی. چن، CW; Zebker، HA مطالعه تطبیقی استریو رادار و تداخل سنجی برای تولید DEM. در مجموعه مقالات کارگاه آموزشی FRINCE 2003، Frascati، ایتالیا، ۱-۵ دسامبر ۲۰۰۳٫ [ Google Scholar ]
O’Loughlin، FE; پایوا، RCD؛ دیورند، م. آلسدورف، دی. بیتس، PD یک رویکرد چند حسگر به سمت یک پوشش گیاهی جهانی محصول SRTM DEM را تصحیح کرد. سنسور از راه دور محیط. ۲۰۱۶ ، ۱۸۲ ، ۴۹-۵۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
رویتر، HI; نلسون، ا. Jarvis, A. ارزیابی روشهای درونیابی پر کردن فضای خالی برای داده های SRTM. بین المللی جی. جئوگر. Inf. علمی ۲۰۰۷ ، ۲۱ ، ۹۸۳-۱۰۰۸٫ [ Google Scholar ] [ CrossRef ]
لی، اس. در آغوش گرفتن.؛ چنگ، ایکس. شیونگ، ال. تانگ، جی. Strobl, J. ادغام دانش توپوگرافی در یادگیری عمیق برای پر کردن فضای خالی مدل های ارتفاعی دیجیتال. سناتور از راه دور محیط زیست. ۲۰۲۲ ، ۲۶۹ ، ۱۱۲۸۱۸٫ [ Google Scholar ] [ CrossRef ]
کرکی، م. مباشر، BL; Aziz, SA بهبود کیفیت مدل‌های ارتفاع دیجیتال دامنه عمومی از طریق ترکیب داده‌ها. Biosyst. مهندس ۲۰۰۸ ، ۱۰۱ ، ۲۹۳-۳۰۵٫ [ Google Scholar ] [ CrossRef ]
رائو، YS؛ رائو، KS؛ ونکاتارامان، جی. خاره، م. Reddy، CD مقایسه DEM های مشتق شده از INSAR و تکنیک های استریو نوری. در مجموعه مقالات کارگاه FRINGE در مورد تداخل سنجی ERS SAR، Frascati، ایتالیا، ۱-۵ دسامبر ۲۰۰۳٫ [ Google Scholar ]
دنگ، س. ژانگ، جی. لی، پی. Huang, G. DEM Fusion و کاربرد آن در نقشه برداری توپوگرافی مناطق پیچیده. در مجموعه مقالات سمپوزیوم بین المللی ۲۰۱۱ در مورد تلفیق تصویر و داده، Tengchong، چین، ۱-۴ اوت ۲۰۱۱٫ [ Google Scholar ]
شیندلر، ک. پاپاسایکا-هانوش، اچ. شوتز، اس. Baltsavias، E. بهبود DEM های گسترده از طریق فرصت ها و محدودیت های ترکیبی داده ها. Proc. فتوگرام هفته ۲۰۱۱ ، ۱۱ ، ۱۵۹-۱۷۰٫ [ Google Scholar ]
Tran، TA; رغوان، وی. ماسوموتو، اس. وینایارج، پ. Yonezawa، G. یک رویکرد مبتنی بر ژئومورفولوژی برای مطالعه موردی همجوشی مدل ارتفاعی دیجیتال در شهر دانانگ، ویتنام. زمین گشت و گذار. دین ۲۰۱۴ ، ۲ ، ۴۰۳-۴۱۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
فلورینسکی، IV; Kuryakova، GA تعیین اندازه شبکه برای مدل‌سازی زمین دیجیتال در بررسی‌های منظر – با توزیع رطوبت خاک در مقیاس میکرو. بین المللی جی. جئوگر. Inf. علمی ۲۰۰۰ ، ۱۴ ، ۸۱۵-۸۳۲٫ [ Google Scholar ] [ CrossRef ]
تامپسون، جی. بل، جی سی. باتلر، CA وضوح مدل ارتفاعی دیجیتال: اثرات بر محاسبه ویژگی زمین و مدل‌سازی کمی خاک-منظر. ژئودرما ۲۰۰۱ ، ۱۰۰ ، ۶۷-۸۹٫ [ Google Scholar ] [ CrossRef ]
شارما، ا. تیواری، KN; Bhadoria، PBS تعیین اندازه سلول بهینه مدل ارتفاعی دیجیتال برای کاربرد هیدرولوژیکی. J. Earth Sys. علمی ۲۰۱۱ ، ۱۲۰ ، ۵۷۳-۵۸۲٫ [ Google Scholar ] [ CrossRef ]
ژو، سی. ژانگ، جی. یانگ، ز. آئو، ام. لیو، ز. Zhu, J. یک روش وابسته به زمین تطبیقی برای اصلاح DEM SRTM در مناطق کوهستانی. دسترسی IEEE ۲۰۲۰ ، ۸ ، ۱۳۰۸۷۸–۱۳۰۸۸۷٫ [ Google Scholar ] [ CrossRef ]
یانگ، ال. منگ، ایکس. Zhang, X. SRTM DEM و پیشرفت های کاربردی آن. بین المللی J. Remote Sens. ۲۰۱۱ , ۳۲ , ۳۸۷۵-۳۸۹۶٫ [ Google Scholar ] [ CrossRef ]
ویدال، دی جی; برتار، اف. Bjerke, P. مقایسه تصاویر ماهواره ای RADARSAT-1 و IKONOS برای تشخیص ویژگی های شهری. Inf. فیوژن ۲۰۰۵ ، ۶ ، ۲۴۳-۲۴۹٫ [ Google Scholar ] [ CrossRef ]
اوئما، ای. آهی، س. مونتیبلر، بی. مورو، م. Kmoch، A. دقت عمودی مدل‌های ارتفاعی دیجیتال جهانی آزادانه در دسترس (ASTER، AW3D30، MERIT، TanDEM-X، SRTM، و NASADEM). Remote Sens. ۲۰۲۰ , ۱۲ , ۳۴۸۲٫ [ Google Scholar ] [ CrossRef ]
عبداللهد، ف. احمد، ع. عبدالله، ع. محمد، من. استخراج و تجزیه و تحلیل خطواره های زمین شناسی با ترکیب داده های تصویری ASTER-GDEM و Landsat 8 در اطلس مرتفع مرکزی مراکش. نات. خطرات ۲۰۲۱ ، ۱-۲۳٫ [ Google Scholar ] [ CrossRef ]
بولتون، اس جی; استوکس، ام. کدام DEM برای تجزیه و تحلیل توسعه چشم انداز رودخانه ای در زمین های کوهستانی بهترین است. ژئومورفولوژی ۲۰۱۸ ، ۳۱۰ ، ۱۶۸-۱۸۷٫ [ Google Scholar ] [ CrossRef ]
تاکاکو، جی. تادونو، تی. تسوتسویی، ک. Ichikawa، M. اعتبارسنجی dsm جهانی ‘aw3d’ تولید شده از ALOS PRISM. ISPRS Ann. فتوگرام حسگر از راه دور اسپات. Inf. علمی ۲۰۱۶ ، ۳ ، ۱۲-۱۹٫ [ Google Scholar ] [ CrossRef ]
تادونو، تی. ایشیدا، اچ. اودا، اف. نایتو، اس. میناکاوا، ک. Iwamoto، H. تولید دقیق DEM جهانی توسط ALOS PRISM. ISPRS Ann. فتوگرام حسگر از راه دور اسپات. Inf. علمی ۲۰۱۴ ، ۲ ، ۷۱-۷۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
رودریگز، ای. موریس، CS; Belz, JE ارزیابی جهانی عملکرد SRTM. فتوگرام مهندس Remote Sens. ۲۰۰۶ ، ۷۲ ، ۲۴۹-۲۶۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
یوان، ایکس. لی، جی. گائو، ایکس. ژانگ، دبلیو. Lu, J. ارزیابی کیفیت ارتفاع داده AW3D 30 متر DSM و اعتبار سنجی دقیق منطقه معمولی. Geomat. تف کردن Inf. تکنولوژی ۲۰۱۸ ، ۴۱ ، ۹۸-۱۰۱٫ [ Google Scholar ] [ CrossRef ]
بغدادی، ن. لمارکوند، ن. عبدالله، ح. Bailly, JS ارتباط داده های ارتفاعی GLAS/ICESat برای نظارت بر شبکه های رودخانه. Remote Sens. ۲۰۱۱ , ۳ , ۷۰۸-۷۲۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
چانگ، ز. Wu, L. Mountain Grid DEM فشرده سازی داده ها بر اساس تبدیل موجک و کدگذاری آنتروپی مختلط. Geogr. Geo-Inf. علمی ۲۰۰۴ ، ۱ ، ۲۴-۲۷٫ [ Google Scholar ] [ CrossRef ]
هو، ال. او، ز. لیو، جی. Zheng, C. روش برای اندازه‌گیری محتوای اطلاعاتی زمین از مدل‌های ارتفاعی دیجیتال. آنتروپی ۲۰۱۵ ، ۱۷ ، ۷۰۲۱-۷۰۵۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
لی، ایکس. لیو، جی. کانگ، جی. تجزیه و تحلیل اطلاعات زمین با استفاده از تطبیق ارتفاع بر اساس آنتروپی. J. Appl. علمی ۲۰۰۶ ، ۲۴ ، ۶۰۸-۶۱۲٫ [ Google Scholar ] [ CrossRef ]
چن، ز. بله، اف. فو، دبلیو. که، ی. هنگ، اچ. تأثیر تفکیک فضایی DEM بر نقشه‌برداری حساسیت زمین لغزش در حوضه رودخانه باکسی، شمال غربی چین. نات. خطرات ۲۰۲۰ ، ۱۰۱ ، ۸۵۳-۸۷۷٫ [ Google Scholar ] [ CrossRef ]
هائو، ز. چی، سی. وانگ، ال. وانگ، ی. تحلیل مقدماتی رزولوشن داده‌های فضای دم. Adv. علوم زمین ۲۰۰۵ ، ۲۰ ، ۴۹۹-۵۰۴٫ [ Google Scholar ] [ CrossRef ]
موکرجی، اس. موکرجی، اس. بهاردواج، ا. موخوپادهایای، ع. Garg، RD; Hazra, S. دقت Cartosat-1 DEM و ویژگی مشتق شده از آن در نمایش مقیاس چندگانه. J. Earth Sys. علمی ۲۰۱۵ ، ۱۲۴ ، ۴۸۷-۴۹۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Borkowski، A. در مورد اندازه سلول شبکه بهینه برای مدل‌های زمین دیجیتال درونیابی شده از نقشه‌های خطوط کانتور، Scientarum Polonorum. Geod. شرح Terrarum ۲۰۰۲ ، ۱ ، ۱۵-۲۲٫ [ Google Scholar ]
Becek، K. یک نمایش دیجیتالی ثابت σ از یک میدان اسکالر تصادفی. در ژئودزی برای سیاره زمین ; Springer: برلین/هایدلبرگ، آلمان، ۲۰۱۲; صص ۷۲۵-۷۳۱٫ [ Google Scholar ]
Raposo، P. تعمیم متغیر DEM با استفاده از آنتروپی محلی برای نمایش زمین از طریق مقیاس. بین المللی جی. کارتوگر. ۲۰۲۰ ، ۶ ، ۹۹-۱۲۰٫ [ Google Scholar ] [ CrossRef ]
Wise, S. آنتروپی اطلاعات به عنوان معیاری برای کیفیت DEM. محاسبه کنید. Geosci. ۲۰۱۲ ، ۴۸ ، ۱۰۲-۱۱۰٫ [ Google Scholar ] [ CrossRef ]
وی، ال. هائو، ز. Li, L. ارزیابی مبتنی بر آنتروپی اطلاعات DEM با تفکیک پذیری های مختلف و اثرات آن بر شبیه سازی رواناب. برق آبی انرژی ۲۰۰۴ ، ۴ ، ۱-۴٫ [ Google Scholar ] [ CrossRef ]
Xu، QY; بله، جی. Lyu, YJ یک روش مدل‌سازی ترکیب داده‌های چند منبعی برای مهندسی جلوگیری از جریان زباله. J. Mt. Sci. ۲۰۲۱ ، ۱۸ ، ۱۰۴۹-۱۰۶۱٫ [ Google Scholar ] [ CrossRef ]
پتراسووا، آ. میتاسووا، اچ. پتراس، وی. Jeziorska، J. ترکیب DEM های با وضوح بالا برای مدل سازی جریان آب. Geospat را باز کنید. نرم افزار داده ایستادن. ۲۰۱۷ ، ۲ ، ۶٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
جین، AO; تاکر، تی. چاوراسیا، ا. پاتل، پی. سینگ، AK ارزیابی دقت عمودی SRTM-GL1، GDEM-V2، AW3D30 و CartoDEM-V3. ۱ از وضوح ۳۰ متر با فرکانس دوگانه GNSS برای حوضه تاپی پایین هند. Geocarto Int. ۲۰۱۸ ، ۳۳ ، ۱۲۳۷-۱۲۵۶٫ [ Google Scholar ] [ CrossRef ]
چوبسکی، ک. کوزاک، جی. Kolecka، N. دقت داده های ارتفاعی SRTM-X و ASTER و تأثیر آن بر مدل سازی توپوگرافی و هیدرولوژیکی: مطالعه موردی کوه های Pieniny. در لهستان. بین المللی J. Geoinform. ۲۰۱۳ ، ۹ ، ۷-۱۴٫ [ Google Scholar ] [ CrossRef ]
دیکسون، بی جی; Beier, P. کمیت کردن تأثیر موقعیت توپوگرافی بر حرکت کوگار (Puma concolor) در جنوب کالیفرنیا، ایالات متحده. جی. زول. ۲۰۰۷ ، ۲۷۱ ، ۲۷۰-۲۷۷٫ [ Google Scholar ] [ CrossRef ]
Fuss, CE; برگ، AA; لیندسی، JB DEM Fusion با استفاده از یک الگوریتم خوشه‌بندی k-means اصلاح شده. بین المللی جی دیجیت. زمین ۲۰۱۶ ، ۹ ، ۱۲۴۲-۱۲۵۵٫ [ Google Scholar ] [ CrossRef ]
ستییوکو، ا. آریمورتی، AM; بصارالدین، مفهوم همجوشی T. DEM بر اساس روش کوکریجینگ LS-SVM. بین المللی J. Image Data Fusion ۲۰۱۹ ، ۱۰ ، ۲۴۴–۲۶۲٫ [ Google Scholar ] [ CrossRef ]
کای، جی. شن، دی. ژانگ، ا. یو، اچ. Zhang, X. یک روش همجوشی DEM برای صعود و نزول مدار StereoSAR DEM در مناطق کوهستانی پیچیده با در نظر گرفتن شدت پژواک SAR. J. Mt. Sci. ۲۰۲۱ ، ۱۸ ، ۱۰۱-۱۱۰٫ [ Google Scholar ] [ CrossRef ]

شکل ۱٫ حوزه تحقیق. ( الف ) موقعیت منطقه تحقیقاتی؛ ( ب ) DEM منطقه تحقیقاتی. ( ج ) نقشه شیب منطقه تحقیقاتی.

شکل ۲٫ داده های تجربی. ( a – d ) نقشه های سایه تپه SRTM1 DEM، ASTER GDEM V3، AW3D30 DEM و مرجع DEM هستند.

شکل ۳٫ فلوچارت برای حل ضریب وزنی بهینه. ( الف ) پیش پردازش داده ها؛ ( ب ) کسب وزن بهینه.

شکل ۴٫ نمودار تغییر آنتروپی اطلاعات عامل زمین. ( الف ) آنتروپی شیب. ( ب ) آنتروپی جنبه. ( ج ) آنتروپی انحنای صفحه. ( د ) آنتروپی انحنای پروفیل.

شکل ۵٫ رابطه RMSE با ضریب وزنی برای هر ناحیه درجه بندی شیب. ( الف ) ۰-۵ درجه؛ ( ب ) ۵-۱۰ درجه؛ ( ج ) ۱۰-۱۵ درجه؛ ( د ) ۱۵-۲۰ درجه؛ ( e ) ۲۰-۲۵ درجه؛ ( f ) ۲۵-۳۰ درجه؛ ( گرم ) ۳۰-۳۵ درجه؛ ( ساعت ) ۳۵-۴۵ درجه؛ ( i ) ۴۵-۹۰ درجه.

شکل ۶٫ ASTER GDEM V3، AW3D30، Fused DEM و مرجع DEM. ( الف ) SRTM1 DEM; ( ب ) ASTER GDEM V3 DEM; ( ج ) AW3D30 DEM; ( د ) DEM ذوب شده.

شکل ۷٫ همبستگی بین SRTM1 DEM، ASTER GDEM V3، AW3D30 DEM، Fused DEM و DEM مرجع. ( الف ) SRTM1 DEM; ( ب ) ASTER GDEM V3 DEM; ( ج ) AW3D30 DEM; ( د ) DEM ذوب شده.

شکل ۸٫ پارامترهای توپوگرافی استخراج شده از Fused DEM. ( الف ) شیب؛ ( ب ) انحنای نمایه. ( ج ) TPI.

شکل ۹٫ اختلاف ارتفاع بین DEM ذوب شده و DEM مرجع.

شکل ۱۰٫ تفاوت ارتفاع در مناطق پیچیده اعتبارسنجی کوهستانی.