بزرگراه‌ها نقش حیاتی در توسعه اجتماعی و اقتصادی چین ایفا می‌کنند. تا پایان سال ۲۰۲۳، کل مسافت پیموده شده بزرگراه‌ها در چین به ۵٫۴۳۷ میلیون کیلومتر رسید ^.۱ روسازی آسفالتی نوع اصلی سطح مورد استفاده در بزرگراه‌های درجه یک است و ترکیبی از آسفالت و سنگدانه است که با هزینه کم، راحتی بالا و دوام قوی مشخص می‌شود. با این حال، روسازی‌های آسفالتی به تدریج با گذشت زمان فرسوده می‌شوند. عوامل محیطی مانند نوسانات دما، رطوبت، هوازدگی و بارهای ترافیکی، پیری و آسیب سطح را تسریع می‌کنند. این تخریب، مقاومت سازه‌ای و عملکرد سطح را کاهش می‌دهد و منجر به خسارات اقتصادی قابل توجه و افزایش خطرات ایمنی می‌شود ^.۲ بنابراین، ارزیابی به موقع و دقیق پیری روسازی آسفالتی برای اطمینان از کیفیت و ایمنی حمل و نقل بزرگراهی ضروری است.

در حال حاضر، پیری روسازی آسفالت در چین عمدتاً از طریق بازرسی‌های دستی و وسایل نقلیه چند منظوره نقشه‌برداری جاده‌ای ارزیابی می‌شود . ^۳ این روش‌های نظارتی مرسوم، که به مشاهده مستقیم انسان و تجهیزات تخصصی نقشه‌برداری متکی هستند، ارزیابی‌های نسبتاً دقیقی را در سطح بخش جاده ارائه می‌دهند، اما از نظر پوشش مکانی محدود هستند. با این وجود، هنگامی که برای نظارت در مقیاس بزرگ به کار می‌روند، این روش‌ها با محدودیت‌های قابل توجهی روبرو هستند. هزینه‌های بالا و پوشش نمونه‌برداری محدود، ثبت وضعیت کلی پیری در شبکه‌های جاده‌ای گسترده را دشوار می‌کند. سنجش از دور جایگزین قدرتمندی برای نظارت سریع، گسترده و کارآمد ارائه می‌دهد که کاربردهایی در استخراج شبکه جاده‌ای، تجزیه و تحلیل مواد روسازی، نظارت بر راهروهای جاده‌ای و تشخیص و مکان‌یابی وسایل نقلیه دارد . ^۴ با پیشرفت سریع سنجش از دور ماهواره‌ای با وضوح بالا، بازیابی اطلاعات طیفی دقیق از تصاویر با کیفیت بالا امکان‌پذیر شده است . ^۵ این قابلیت امکان تشخیص و تجزیه و تحلیل دقیق‌تر تغییرات طیفی در سطوح آسفالت را فراهم می‌کند. در نتیجه، این داده‌ها پایه و اساس قابل اعتمادی برای توسعه مدل‌های ارزیابی پیری آسفالت در مقیاس بزرگ فراهم می‌کنند.

در مطالعات اخیر، تصاویر ماهواره‌ای با وضوح بالا به دلیل وضوح مکانی و طیفی بالای خود، به منبع اصلی داده برای ارزیابی کمی پیری آسفالت تبدیل شده‌اند ^.۶ به عنوان مثال، می و همکارانش از تصاویر چندطیفی IKONOS و QuickBird برای نظارت بر وضعیت جاده‌های آسفالت در مناطق شهری و فرودگاه‌ها استفاده کردند ^.۷ کریم‌زاده و همکارانش با تجزیه و تحلیل رابطه بین شاخص بین‌المللی ناهمواری (IRI) و ویژگی‌های طیفی از تصاویر Sentinel-2، یک مدل ارزیابی کیفیت جاده توسعه دادند.۸ ^امری و همکارانش از یک روش آستانه‌گذاری هیستوگرام برای طبقه‌بندی تصاویر پانکروماتیک WorldView-2 استفاده کردند و سطوح آسفالت را در سطوح مختلف پیری شناسایی کردند ^.۹ پان و همکارانش با استفاده از تصاویر چندطیفی WorldView-2، پیری آسفالت را در منطقه فانگشان، پکن، با موفقیت نقشه‌برداری کردند ^.۱۰ با پیشرفت سریع یادگیری عمیق، بسیاری از محققان شروع به بررسی رویکردهای مبتنی بر شبکه عصبی برای ارزیابی آسفالت کرده‌اند ^.۱۱ به عنوان مثال، چن و همکارانش از یک شبکه عصبی بازگشتی بهبود یافته برای تشخیص خودکار مناطق آسفالت پیر از تصاویر ماهواره‌ای با وضوح بالا استفاده کردند. نتایج آنها نشان داد که چنین تصاویری امکان نظارت کارآمد بر وضعیت روسازی در مقیاس بزرگ را فراهم می‌کند ^۱۲ . پن و همکارانش تصاویر جمع‌آوری‌شده توسط پهپاد را با طبقه‌بندی‌کننده CNN و SVM ترکیب کردند تا پیری روسازی آسفالت را ارزیابی کنند ^۱۳ . پیری آسفالت منجر به تغییراتی در زبری سطح و ترکیب شیمیایی مخلوط آسفالت می‌شود که به نوبه خود ویژگی‌های طیفی آن را تغییر می‌دهد و ۱D-CNN با باندهای طیفی به عنوان یک توالی ورودی تک بعدی رفتار می‌کند. ۱D-CNN از طریق عملیات کانولوشن، همبستگی بین باندهای مجاور را ثبت کرده و ویژگی‌های طیفی عمیق را استخراج می‌کند. این امر حساسیت مدل را به تغییرات طیفی ظریف افزایش می‌دهد ^۱۴ . بنابراین، اعمال ۱D-CNN برای ارزیابی پیری آسفالت نه تنها امکان‌پذیر است، بلکه یک بده‌بستان مؤثر بین دقت و کارایی نیز ارائه می‌دهد.

با این حال، علیرغم تلاش‌های قبلی برای ارزیابی پیری آسفالت، محدودیت‌ها و چالش‌های متعددی همچنان باقی مانده است. اول، بسیاری از رویکردها به شدت به جمع‌آوری دستی نمونه متکی هستند و فاقد استراتژی‌های مؤثر برای تولید مجموعه داده‌های آموزشی در مقیاس بزرگ، متعادل و نماینده هستند. دوم، اکثر مطالعات محدود به سناریوهای کوچک یا تک جاده‌ای هستند که کاربرد آنها را برای پایش مناطق بزرگ محدود می‌کند. سوم، روش‌های طبقه‌بندی طیفی سنتی اغلب در تشخیص تفاوت‌های ظریف بین آسفالت‌های با پیری زودرس، متوسط ​​و دیررس با مشکل مواجه هستند. در نهایت، قابلیت انتقال مدل‌های موجود به اندازه کافی اعتبارسنجی نشده است و کاربرد عملی آنها را در کاربردهای در مقیاس بزرگ محدود می‌کند. علاوه بر این، در سناریوهای عملی جاده، مناطق اطراف اغلب شامل علائم جاده، پوشش گیاهی، خاک لخت و سایه‌ها هستند که منجر به محیط‌های ناهمگن می‌شوند که در آنها انواع مختلف پوشش زمین در یک پیکسل واحد ترکیب می‌شوند . ^۱۵٫ گنجاندن این اجزای مختلط، چالش‌هایی را برای ارزیابی دقیق پیری آسفالت ایجاد می‌کند و پیچیدگی تجزیه و تحلیل را افزایش می‌دهد، که همچنان یک چالش بزرگ برای مطالعات قبلی است.

برای غلبه بر این مشکل، ما یک چارچوب یکپارچه پیشنهاد می‌کنیم که جداسازی پیکسل‌های مختلط، تولید نمونه خودکار و انتخاب مدل یادگیری عمیق را با هم ترکیب می‌کند. این چارچوب برای پشتیبانی از ارزیابی سریع، در مقیاس بزرگ و چند منطقه‌ای از پیری روسازی آسفالت طراحی شده است. این مطالعه یک چارچوب یکپارچه شامل سه استراتژی کلیدی را توسعه می‌دهد: (۱) افزایش جداسازی روسازی‌های آسفالت از ویژگی‌های اطراف از طریق یک مدل جداسازی پیکسل‌های مختلط بهبود یافته (جداسازی طیفی)، (۲) ایجاد یک روش خودکار برای تولید نمونه‌های آموزشی قابل اعتماد برای کاهش تلاش برای انتخاب دستی، و (۳) اعمال یک مدل یادگیری عمیق قابل انتقال برای پشتیبانی از ارزیابی دقیق و مقیاس‌پذیر در مناطق بزرگ.

منطقه مورد مطالعه

منطقه توسعه اقتصادی و فناوری ووهان (WEDZ) در قسمت جنوب غربی ووهان، در مجاورت رودخانه یانگ تسه، یک آبراه کلیدی در مرکز چین، واقع شده است. از نظر جغرافیایی، این منطقه از ۱۱۳°۲۵′E تا ۱۱۴°۹′E و از ۳۰°۱۱′N تا ۳۰°۲۹′N امتداد دارد ( ^۱۶ ) ، و مساحت کل این منطقه تقریباً ۴۸۹٫۷۴ کیلومتر مربع است (شکل ۱ ). WEDZ با ژئومورفولوژی معمول دشت آبرفتی رودخانه هان، با زمینی که در حاشیه بلندتر و در مرکز کوتاه‌تر است، مشخص می‌شود ^{(۱۷ ، ۱۸)} .

منطقه توسعه اقتصادی و فناوری WEDZ به عنوان یک منطقه توسعه اقتصادی و فناوری در سطح ملی، نقش محوری در برنامه آزمایشی چین برای وسایل نقلیه هوشمند و متصل (ICV) ایفا می‌کند. سیستم جاده‌ای آن متراکم، با برنامه‌ریزی خوب و بسیار متصل است و شامل بزرگراه‌ها، جاده‌های شریانی و کریدورهای حمل و نقل اصلی مانند بزرگراه پکن-هنگ کنگ-ماکائو و جاده کمربندی سوم ووهان می‌شود که اتصال منطقه‌ای کارآمد را تضمین می‌کند ^.

در سال‌های اخیر، با سرعت گرفتن شهرنشینی، فشار عملیاتی بر جاده‌های مناطق شهری به طور پیوسته در حال افزایش بوده است. کیفیت روسازی‌های آسفالتی به طور قابل توجهی تحت تأثیر بار ترافیکی، فرآیندهای تولید و شرایط محیطی قرار گرفته است . ^۲۰ در نتیجه، میزان پیری روسازی ناهمگونی مکانی قابل توجهی را نشان می‌دهد (شکل ۲ ). پیری زودرس به مرحله اولیه زوال روسازی آسفالتی اشاره دارد که در طی آن رنگ سطح به تدریج روشن می‌شود و همراه با سایش جزئی و ظهور ترک‌های ریز است، در حالی که ساختار کلی دست نخورده باقی می‌ماند. پیری میانی به مرحله میانی زوال روسازی آسفالتی اشاره دارد که در آن چسب آسفالت همچنان در حال تخریب است و منجر به قرار گرفتن در معرض سنگدانه‌ها و افزایش ترک خوردگی و شل شدن می‌شود. پیری دیررس به مرحله پیشرفته زوال روسازی آسفالتی اشاره دارد که با ترک خوردگی گسترده، چاله‌ها و لایه برداری سطح مشخص می‌شود و منجر به کاهش قابل توجه مقاومت روسازی می‌شود که اغلب با نشست همراه است.

بنابراین، شناسایی و پایش سریع و دقیق فرسودگی روسازی آسفالتی برای حفظ توسعه اقتصادی منطقه‌ای و تضمین عملکرد مؤثر پایگاه ملی آزمایش و نمایش ICV ضروری است.

پردازش داده‌های ماهواره‌ای

WorldView-3 یک ماهواره نوری با وضوح بالای نسل چهارم است که در آگوست ۲۰۱۴ توسط DigitalGlobe پرتاب شد و وضوح مکانی پانکروماتیک ۰.۳۱ متر را ارائه می‌دهد که آن را به بالاترین وضوح ماهواره نوری تجاری موجود در حال حاضر تبدیل می‌کند. WorldView-3 علاوه بر تصاویر پانکروماتیک ۰.۳۱ متر و تصاویر چند طیفی هشت باندی، به هشت باند مادون قرمز موج کوتاه مجهز است. WorldView-3 با توانایی ثبت جزئیات مکانی دقیق و پوشش طیفی گسترده در مناطق مرئی، مادون قرمز نزدیک و مادون قرمز موج کوتاه، کیفیت داده‌هایی قابل مقایسه با حسگرهای هوایی ارائه می‌دهد. این ویژگی‌ها، آن را برای کاربردهای سنجش از دور کمی، از جمله نظارت بر پوشش گیاهی، اکتشاف مواد معدنی و مطالعات زیست‌محیطی ساحلی و دریایی بسیار مناسب ^{می‌کند} .

برای ارزیابی دقیق وضعیت فرسودگی روسازی‌های آسفالت در یک منطقه وسیع در منطقه مورد مطالعه مشخص، مجموعه داده‌های اولیه شامل دو صحنه WorldView-3 بود که در ۱۲ و ۱۹ آگوست ۲۰۲۲ به دست آمده بودند. این مجموعه داده‌ها تحت شرایط آب و هوایی نسبتاً مطلوبی به دست آمد که کیفیت بالای داده‌ها را تضمین می‌کرد و اثرات نامطلوب بر ارزیابی فرسودگی روسازی آسفالت را به حداقل می‌رساند. این مجموعه داده‌ها شامل تصاویر پانکروماتیک ۰٫۵ متری و تصاویر چندطیفی ۲ متری است. ویژگی‌های طیفی مورد استفاده در این مطالعه شامل هشت باند طیفی است: ساحلی، آبی، سبز، زرد، قرمز، لبه قرمز، مادون قرمز نزدیک ۱ و مادون قرمز نزدیک ۲ (جدول  ۱ ).

ویژگی‌های طیفی تصاویر سنجش از دور برای ارزیابی قدمت روسازی ضروری هستند. بنابراین، یک سری مراحل پیش‌پردازش برای استخراج بازتاب سطحی دقیق روسازی‌های آسفالت از تصاویر WorldView-3 اعمال شد. به طور خاص، اعداد دیجیتال باندهای چندطیفی از طریق کالیبراسیون رادیومتری به درخشندگی تبدیل شدند. متعاقباً، تصحیح اتمسفری با استفاده از مدل FLAASH برای استخراج بازتاب سطحی انجام شد. به طور مشابه، کالیبراسیون رادیومتری برای به دست آوردن بازتاب ظاهری بر روی تصاویر پانکروماتیک اعمال شد. هر دو تصویر پانکروماتیک و چندطیفی با استفاده از ضرایب چندجمله‌ای منطقی و یک مدل ارتفاعی رقومی (DEM) تصحیح قائم شدند. سپس تصاویر تصحیح قائم با استفاده از روش Pan-sharpening گرام-اشمیت برای تولید تصاویر چندطیفی Pan-sharpened با وضوح مکانی ۰٫۵ متر ^۲۲ (شکل ۳ ) ادغام شدند. در نهایت، از یک بردار شبکه جاده‌ای برای برش تصاویر چندطیفی ادغام شده استفاده شد و اطمینان حاصل شد که تجزیه و تحلیل منحصراً متمرکز است.

نکته قابل توجه این است که در مقایسه با تصاویر چندطیفی ۲ متری، تصاویر با وضوح ۰.۵ متری جزئیات مکانی بسیار دقیق‌تری را ارائه می‌دهند. با توجه به اینکه مراحل مختلف فرسودگی آسفالت با درجات مختلفی از محو شدن رنگ، ترک خوردگی سطح و رگه رگه شدن مشخص می‌شوند، استفاده از تصاویر با وضوح مکانی بالاتر به ویژه برای ارزیابی فرسودگی آسفالت مفید است. بنابراین، پیش‌پردازش تصاویر WorldView-3 هم وضوح مکانی بالا و هم تنوع طیفی غنی را به همراه دارد و در نتیجه دقت و قابلیت اطمینان تشخیص و طبقه‌بندی مراحل مختلف فرسودگی آسفالت را تا حد زیادی افزایش می‌دهد.

ساخت کتابخانه طیفی سطح جاده

برای توصیف دقیق ویژگی‌های طیفی روسازی آسفالت، از یک طیف‌سنج قابل حمل FieldSpec 4 (ASD Inc., USA) استفاده شد. این دستگاه محدوده طیفی ۳۵۰ تا ۲۵۰۰ نانومتر را پوشش می‌دهد ^. بخش‌های نمونه جاده در منطقه مورد مطالعه برای اندازه‌گیری‌های درجا از بازتاب طیفی روسازی، با استفاده از نمونه‌های روسازی نسبتاً تمیز و نمونه، انتخاب شدند. طیف‌های جمع‌آوری‌شده موارد زیر را پوشش می‌دادند: (i) روسازی آسفالت با درجات مختلف فرسودگی؛ (ii) خرابی‌های روسازی مانند ترک‌ها و چاله‌ها؛ (iii) ویژگی‌های معمول سطح غیر آسفالتی مانند خط‌کشی‌ها، پوشش گیاهی کنار جاده، پوشش‌های منهول، گذرگاه‌های گورخری، آجرهای سنگفرش عابر پیاده و روسازی بتنی. در میان آنها، (i) مربوط به روسازی آسفالتی با فرسودگی اولیه، میانی و دیرهنگام است، در حالی که (ii) و (iii) مربوط به دسته روسازی غیر آسفالتی هستند.

تمام داده‌های طیفی جمع‌آوری‌شده از طریق کالیبراسیون بهره و سایر روش‌های استاندارد پیش‌پردازش شدند. اندازه‌گیری‌های متعدد برای هر نقطه نمونه‌برداری انجام می‌شود و مقدار میانگین گرفته می‌شود. سپس نویز با فیلتر پایین‌گذر سرکوب می‌شود. در نهایت، مقدار غیرطبیعی ناشی از جذب بخار آب جوی با درون‌یابی ^{۲۳ حذف می‌شود. به منظور جمع‌آوری راحت‌تر و سریع‌تر اطلاعات وضعیت فرسودگی سطح جاده، طبق تحقیقات میدانی واقعی و تجربه سایر محققان، از مقیاس مقدار مانسل (کاملاً براق) در طول اندازه‌گیری‌های میدانی برای ارزیابی بصری سطح سبکی روسازی در هر نقطه نمونه‌برداری ۲۴} استفاده شد .

یک جدول ارزیابی پیری آسفالت بر اساس نمودار رنگ روشنایی MunseIl – براقیت کامل ایجاد شد و بدین ترتیب مرجعی برای شدت پیری سطح ارائه شد (جدول  ۲ ). این محدوده‌های بازتاب نه تنها توزیع آماری طیف‌های اندازه‌گیری شده را منعکس می‌کنند، بلکه با پدیده‌های زوال در مراحل مختلف پیری آسفالت نیز مطابقت دارند. به طور خاص، مقادیر بازتاب کم (پیری اولیه) نشان می‌دهد که آسفالت تا حد زیادی دست نخورده باقی می‌ماند و فقط سایش جزئی دارد. مقادیر بازتاب متوسط ​​(پیری میانی) نشان دهنده تخریب چسب، قرار گرفتن در معرض سنگدانه‌ها و افزایش ترک خوردگی است. در حالی که مقادیر بازتاب بالا (پیری دیررس) با از بین رفتن شدید چسب، ترک خوردگی گسترده، چاله‌ها و پوسته پوسته شدن مرتبط هستند که با کاهش قابل توجه مقاومت و دوام آسفالت مطابقت دارند. بر اساس این اطلاعات، یک کتابخانه طیفی از سطوح معمول آسفالت ساخته شد.

گردش کار دقیق تحقیق در شکل  ۴ نشان داده شده است و شامل مراحل اصلی زیر است: (i) جداسازی پیکسل‌های مختلط با استفاده از ترکیبی از مدل MESMA دو عضوی و سه عضوی؛ (ii) تولید خودکار نمونه بر اساس نتیجه جداسازی پیکسل‌های مختلط؛ (iii) ساخت مدل ۱D-CNN برای ارزیابی منطقه‌ای پیری روسازی آسفالت؛ (iv) انتقال مدل با استفاده از رویکرد انتقال بدون نظارت zero-shot؛ (v) ارزیابی دقت شناسایی پیری روسازی آسفالت.

جداسازی پیکسل‌های مختلط

تحلیل مخلوط طیفی چند عضو انتهایی (MESMA) یک روش پیشرفته جداسازی پیکسل‌های مختلط است که بر اساس تحلیل مخلوط طیفی خطی (LSMA) توسعه یافته است. LSMA معمولاً از یک مجموعه ثابت از اعضای انتهایی برای کل تصویر استفاده می‌کند، در حالی که MESMA امکان انتخاب چندین امضا طیفی برای هر نوع پوشش زمین را فراهم می‌کند و امکان تولید ترکیبات متنوع اعضای انتهایی را فراهم می‌کند. متعاقباً، جداسازی طیفی برای هر پیکسل با انتخاب ترکیبی که خطای حداقل مربعات را به حداقل می‌رساند، انجام می‌شود و در نتیجه نسبت‌های اعضای انتهایی مختص پیکسل به دست می‌آید. MESMA با در نظر گرفتن تغییرپذیری طیفی درون کلاسی و ترکیبات مختلف مواد در یک پیکسل، به طور مؤثر به پدیده “یک شیء، طیف‌های مختلف” که اغلب در تصاویر سنجش از دور مشاهده می‌شود، می‌پردازد ^۲۵ .

بر اساس موارد فوق، به منظور کاهش تأثیر عناصر غیر آسفالتی مانند خط‌کشی مسیر، سایه‌ها و پوشش گیاهی بر ارزیابی کیفیت روسازی آسفالت، این مطالعه با ترکیب تصاویر ماهواره‌ای با وضوح بالا، یک مدل جداسازی پیکسل‌های مختلط مبتنی بر MESMA ارائه داد. این مدل به طور خاص برای پشتیبانی از ارزیابی سریع و در مقیاس بزرگ شرایط روسازی آسفالت طراحی شده است.

LSMA فرض می‌کند که طیف یک پیکسل مختلط، ترکیبی خطی از طیف‌های چندین نوع پوشش زمین متمایز است . ^۲۶ مدل پایه را می‌توان به صورت زیر بیان کرد:

که در آن نشان دهنده بازتاب عضو انتهایی i در باند طیفی ، نشان دهنده نسبت عضو انتهایی در پیکسل است، تعداد کل عضوهای انتهایی است، خطای باقیمانده است، j نشان دهنده شاخص عضو انتهایی با بیشترین فراوانی است و M تعداد کل باندهای طیفی است.ρλλελ

در مقایسه با LSMA سنتی، رویکرد MEMSA با ارزیابی و انتخاب مدل ترکیبی بهینه عضو انتهایی که به بهترین شکل هر پیکسل را نشان می‌دهد، تنوع و غنای ترکیبات عضو انتهایی را در پیکسل‌های مختلط افزایش می‌دهد. معیارهای بهینه‌سازی که معمولاً استفاده می‌شوند شامل خطای جذر میانگین مربعات (RMSE)، خطای جذر میانگین مربعات عضو انتهایی (EAR) و حداقل زاویه طیفی میانگین (MASA) ^{۲۷ هستند} . فرمول‌های محاسبه EAR و MASA به شرح زیر است:

که در آن A رده عنصر انتهایی، Ai عنصر انتهایی، B رده طیف مدل‌سازی و n تعداد طیف‌های مدل‌سازی در کلاس B است؛ زاویه طیفی، طول بردار عنصر انتهایی و طول بردار طیف مدل‌سازی است.θ

برای ارزیابی سریع وضعیت فرسودگی روسازی‌های آسفالت با استفاده از تصاویر ماهواره‌ای سنجش از دور با وضوح بالا، این مطالعه یک مدل MEMSA مبتنی بر عناصر ترکیبی دو پایانه‌ای و سه پایانه‌ای برای روسازی‌های آسفالتی و غیر آسفالتی و همچنین سایه‌ها می‌سازد. به طور خاص، مدل دو عضوی شامل ترکیبی از روسازی آسفالتی و سایه، یا روسازی غیر آسفالتی و سایه است، در حالی که مدل سه عضوی به ترکیبات بین روسازی آسفالتی، روسازی غیر آسفالتی و سایه اشاره دارد. فرآیند خاص اجرای این مدل به شرح زیر است: هر عنصر طیفی از گروه پایانه روسازی آسفالتی، هر طیف از گروه پایانه روسازی غیر آسفالتی و عنصر پایانه سایه طبق مدل‌های دو پایانه و سه پایانه ترکیب می‌شوند. سپس، جداسازی طیفی خطی روی هر ترکیب انجام می‌شود و RMSE برای هر پیکسل محاسبه می‌شود. در نهایت، گروه پایانه‌ای با کمترین RMSE برای هر پیکسل به عنوان ترکیب پایانه بهینه برای آن پیکسل انتخاب می‌شود. سپس این ترکیب برای جداسازی طیفی استفاده می‌شود تا فراوانی روسازی آسفالتی، روسازی غیر آسفالتی و سایه ، ، به دست آید. مؤلفه سایه ناشی از تغییرات نور از طریق روش وزن‌دهی ضریب نرمال‌سازی ^۲۸ حذف می‌شود و در نتیجه فراوانی نهایی روسازی آسفالتی و روسازی غیر آسفالتی به دست می‌آید :

با توجه به اینکه عضو انتهایی روسازی آسفالتی شامل سه نوع طیفی مربوط به پیری زودرس، پیری متوسط ​​و پیری دیررس است، ترکیبات عضو انتهایی انتخاب شده برای هر پیکسل در طول عملکرد مدل سه عضو انتهایی MEMSA ممکن است متفاوت باشد. برای تعیین بیشتر مرحله پیری خاص روسازی آسفالتی، هر پیکسل به صورت جداگانه بررسی و بر اساس ترکیب عضو انتهایی انتخاب شده آن طبق قوانین زیر طبقه‌بندی می‌شود:

• اگر ترکیب عضو انتهایی شامل هیچ طیفی از روسازی آسفالتی نباشد، پیکسل به عنوان روسازی غیر آسفالتی طبقه‌بندی می‌شود؛
• اگر ترکیب عضو انتهایی شامل طیف‌های روسازی آسفالتی باشد، اما فراوانی روسازی آسفالتی کمتر از روسازی غیرآسفالتی باشد، پیکسل همچنان به عنوان روسازی غیرآسفالتی طبقه‌بندی می‌شود؛
• اگر ترکیب عضو انتهایی شامل طیف‌های روسازی آسفالتی باشد و فراوانی روسازی آسفالتی بیشتر از روسازی غیر آسفالتی باشد، پیکسل در مرحله پیری مربوطه، بر اساس نوع خاص عضو انتهایی آسفالتی انتخاب شده، به عنوان روسازی آسفالتی طبقه‌بندی می‌شود.

تولید نمونه خودکار

بر اساس داده‌های رستری فراوانی که با استفاده از مدل ترکیبی MESMA با دو عضو انتهایی و سه عضو انتهایی به دست آمده بود، یک مجموعه نمونه با رعایت اصول تعادل کلاس، یکنواختی مکانی، استقلال نمونه و نمایندگی ساخته شد. این مجموعه داده‌ها شامل دسته‌هایی بود که نشان‌دهنده پیری زودرس، پیری متوسط ​​و پیری دیررس روسازی آسفالتی و همچنین سطوح روسازی غیر آسفالتی بودند.

با این وجود، نمونه‌های تولید شده برای هر دسته پوشش زمین هنوز درجه‌ای از عدم قطعیت را شامل می‌شدند. برای بهبود قابلیت اطمینان و نمایندگی نمونه‌های تولید شده و کاهش تأثیر نویز (به عنوان مثال، اختلالات جزئی ناشی از آسیب جاده یا عوامل محیطی طبیعی) در تصاویر سنجش از دور، اصول قانون اول جغرافیا (FLG) در فرآیند تولید نمونه ادغام شدند. FLG بیان می‌کند که همه چیز به همه چیز دیگر مرتبط است، اما چیزهای نزدیک بیشتر از چیزهای دور مرتبط هستند . ^۲۹ بر اساس این اصل، یک فیلتر مکانی به طور خاص برای اصلاح مجموعه نمونه‌های تولید شده برای هر کلاس طراحی شد.

این روش به جلوگیری از نقاط نمونه‌برداری نزدیک مرزهای کلاس کمک می‌کند، در نتیجه عدم قطعیت طبقه‌بندی را کاهش می‌دهد، پیوستگی مکانی را افزایش می‌دهد و نویز را به حداقل می‌رساند . ^۳۰ فرآیند دقیق در شکل ۵ نشان داده شده است .

فرآیند غربالگری به شرح زیر بود: ابتدا به پیکسل‌های نوعی که قرار است در نقشه فراوانی غربالگری شوند، مقدار ۱ و به سایر انواع مقدار ۰ اختصاص داده می‌شود. سپس، از یک فیلتر ۳ × ۳ با مقادیر هسته ۱ برای فیلتر کردن شیء ۳ × ۳ که مرکز آن پیکسل مورد نظر برای غربالگری است، استفاده می‌شود. هنگامی که نتیجه فیلترینگ (N) برابر با ۹ باشد، پیکسل حفظ می‌شود؛ در غیر این صورت، حذف می‌شود. فرمول فیلترینگ به شرح زیر است:

که در آن نشان دهنده مقادیر پیکسل‌های همسایه کلاس هدف برای فیلتر شدن است، نشان دهنده مقادیر هسته فیلتر است و i و j به ترتیب به شاخص‌های سطر و ستون اشاره دارند.

برای اطمینان از کیفیت چهار نوع مجموعه نمونه پیشنهادی، مجموعه‌های نمونه با ترکیب تصاویر سنجش از دور و داده‌های نمونه با استفاده از فاصله JM ارزیابی شدند. فاصله JM یک معیار آماری پرکاربرد برای ارزیابی تمایز بین کلاس‌ها بر اساس واگرایی توزیع نمونه‌های آنها ارائه می‌دهد ^۳۱ . فاصله JM بین ۰ تا ۲ متغیر است و مقادیر بالاتر نشان‌دهنده تفکیک‌پذیری بهتر کلاس‌ها هستند. معمولاً فاصله JM بالای ۱٫۸ نشان‌دهنده تفکیک‌پذیری قوی، مقادیر ۱٫۴ تا ۱٫۸ نشان‌دهنده تفکیک‌پذیری متوسط ​​یا قابل قبول و مقادیر کمتر از ۱٫۴ نشان‌دهنده تفکیک‌پذیری ضعیف کلاس‌ها هستند. روش محاسبه و فرمول فاصله JM در زیر شرح داده شده است:

که در آن B نشان دهنده فاصله باتاچاریا در یک بعد ویژگی خاص است. برای نمونه‌های انتخاب شده از انواع مختلف، فرمول محاسبه فاصله باتاچاریا B به شرح زیر است:

که در آن m نشان دهنده میانگین مقدار ویژگی و δ نشان دهنده واریانس یک ویژگی خاص است.

ساخت و انتقال مدل تک‌بعدی-سی‌ان‌ان

با توجه به حساسیت اطلاعات طیفی در تصاویر سنجش از دور به وضعیت فرسودگی روسازی‌های آسفالتی، از یک شبکه عصبی کانولوشن (CNN) برای ارزیابی فرسودگی روسازی بر اساس مجموعه داده‌های ترکیبی استفاده شد. ۱D-CNN مبتنی بر پیکسل به طور خاص برای پردازش داده‌های ترتیبی طراحی شده است. با استفاده از معماری چند لایه برای کاوش و استخراج ویژگی‌های با ابعاد بالا، این مدل می‌تواند به طور خودکار الگوهای پیچیده تعبیه شده در داده‌ها را یاد بگیرد و عملکرد قوی را در مطالعات قبلی نشان داده است . ^۳۲

معماری کامل ۱D-CNN شامل چهار جزء اصلی است: ورودی، لایه‌های کانولوشن، لایه‌های کاملاً متصل و خروجی. در این مطالعه، مدل ۱D-CNN پیشنهادی از دو لایه کانولوشن با ۶۴ و ۱۲۸ فیلتر تشکیل شده است که هر کدام از اندازه هسته ۳ و تابع فعال‌سازی ReLU استفاده می‌کنند. پس از هر لایه کانولوشن، یک لایه نرمال‌سازی دسته‌ای برای تسریع همگرایی و بهبود تعمیم مدل قرار دارد. یک لایه حداکثر تجمع و یک لایه حذف (۰٫۳) پس از اولین لایه کانولوشن برای کاهش ابعاد و کاهش بیش‌برازش اضافه شدند. پس از مسطح‌سازی ویژگی‌ها، یک لایه کاملاً متصل با ۱۲۸ نورون و یک تابع فعال‌سازی ReLU اعمال می‌شود و پس از آن یک لایه حذف (۰٫۵) برای منظم‌سازی بیشتر اعمال می‌شود. لایه خروجی نهایی از تابع Softmax برای انجام طبقه‌بندی چند کلاسه استفاده می‌کند. معماری ۱D-CNN در شکل  ۶ نشان داده شده است .

برای فعال کردن ارزیابی خودکار پیری آسفالت در چندین منطقه هدف، قابلیت تعمیم مدل پیشنهادی از طریق انتقال مدل بیشتر ارزیابی شد. با توجه به شباهت زیاد در توزیع داده‌ها و ویژگی‌های وظیفه بین مناطق منبع و هدف، از یک رویکرد انتقال بدون نظارت zero-shot استفاده شد. در این روش، مدل ارزیابی پیری آسفالت، که در ابتدا در منطقه منبع آموزش داده شده بود، مستقیماً در مناطق هدف جدید بدون نیاز به داده‌های برچسب‌گذاری شده اضافی یا آموزش مجدد اعمال می‌شود ^۳۳٫ این استراتژی نه تنها امکان ارزیابی سریع و در مقیاس بزرگ پیری آسفالت را نشان می‌دهد، بلکه هزینه کاربردهای عملی را نیز کاهش می‌دهد.

برای ارزیابی عملکرد طبقه‌بندی حالات پیری روسازی آسفالت در مناطق آموزش، انتقال و پیش‌بینی و در عین حال کاهش اثرات تصادفی بودن و بیش‌برازش، که در غیر این صورت ممکن است منجر به نتایج بیش از حد خوش‌بینانه شود، این مطالعه از استراتژی‌ای استفاده کرد که اعتبارسنجی متقابل پنج‌گانه را با تحلیل ماتریس سردرگمی ترکیب می‌کند ^{۳۴ ، ۳۵} .

روش اعتبارسنجی متقاطع پنج‌گانه، مجموعه داده‌ها را به پنج زیرمجموعه (fold) با اندازه مساوی تقسیم می‌کند و پنج دور اعتبارسنجی را انجام می‌دهد. در هر دور، یک زیرمجموعه به عنوان مجموعه اعتبارسنجی استفاده می‌شود، در حالی که چهار زیرمجموعه باقی‌مانده برای آموزش استفاده می‌شوند. معیارهای عملکرد نهایی با میانگین‌گیری نتایج در پنج دور به دست آمد، در نتیجه تأثیر تصادفی بودن از هر تقسیم داده واحد کاهش می‌یابد و ارزیابی عملکرد قوی‌تر و قابل اعتمادتری ارائه می‌شود (شکل  ۷ ).

بر اساس هر مجموعه اعتبارسنجی، دقت کاربر، دقت تولیدکننده، دقت کلی، ضریب کاپا و امتیاز F1 به عنوان معیارهای ارزیابی برای ارزیابی دقت طبقه‌بندی شرایط فرسودگی روسازی آسفالت محاسبه شدند. با فرض اینکه پیکسل‌های طبقه‌بندی شده به درستی وجود دارند و در مجموع N پیکسل وجود دارد، فرمول‌های مورد استفاده برای محاسبه هر معیار در زیر ارائه شده است:

دقت کاربر (UA) به نسبت پیکسل‌های درست طبقه‌بندی‌شده برای یک دسته خاص به تعداد کل پیکسل‌هایی که به عنوان آن دسته طبقه‌بندی شده‌اند، اشاره دارد.

دقت تولیدکننده (PA) به نسبت پیکسل‌های درست طبقه‌بندی‌شده از یک دسته خاص به تعداد کل پیکسل‌های مرجع که واقعاً به آن دسته تعلق دارند، اشاره دارد.

دقت کلی (OA) به نسبت پیکسل‌های درست طبقه‌بندی شده به تعداد کل پیکسل‌ها اشاره دارد.

کاپا یک معیار آماری است که برای ارزیابی سازگاری یا توافق نتایج طبقه‌بندی فراتر از سطح شانس استفاده می‌شود.

امتیاز F1 به طور جامع هم دقت و هم توانایی تمایز مدل را ارزیابی می‌کند.

جداسازی پیکسل‌های مختلط بر اساس ترکیبات دو عضو انتهایی و سه عضو انتهایی

روسازی‌های آسفالتی از لحظه ساخت در معرض محیط‌های طبیعی خشن قرار می‌گیرند و اثرات طولانی‌مدت ناشی از نوسانات دما، فرسایش آب و بارهای سنگین ترافیکی را تحمل می‌کنند. این عوامل استرس‌زای مکرر اغلب منجر به اثرات پیری مانند سایش سطح و تبخیر آسفالت می‌شوند. پیری روسازی آسفالتی یک فرآیند پیشرونده است که از یک الگوی نسبتاً قابل پیش‌بینی پیروی می‌کند و معمولاً به مراحل اولیه، میانی و نهایی ^۳۶ طبقه‌بندی می‌شود .

در مراحل اولیه فرسودگی، سایش ناشی از وسایل نقلیه، همراه با تبخیر و اکسیداسیون آسفالت، منجر به کاهش محتوای آسفالت سطحی می‌شود. در نتیجه، زبری روسازی شروع به افزایش می‌کند، رنگ سطح به تدریج محو می‌شود و ممکن است ترک‌های ریز شروع به ظاهر شدن کنند. با این حال، یکپارچگی ساختاری کلی روسازی تا حد زیادی دست نخورده باقی می‌ماند. در مرحله میانی، از بین رفتن چسب آسفالت بیشتر نمایان می‌شود و چسبندگی بین سنگدانه‌ها و آسفالت ضعیف می‌شود. سطح روسازی شروع به شل شدن می‌کند، بقایای آسفالت جمع می‌شود و آسیب ساختاری آشکار می‌شود و استحکام و پایداری روسازی را به خطر می‌اندازد. در مرحله پایانی فرسودگی، تخریب بیشتر و زوال مصالح منجر به پوسته پوسته شدن یا کنده شدن سطح، تشکیل ترک‌های گسترده و چاله‌ها و کاهش قابل توجه پایداری ساختاری می‌شود. در این مرحله، ممکن است مسائل جدی مانند نشست بستر و فروپاشی روسازی رخ دهد که چالش‌های قابل توجهی در ایمنی و نگهداری ایجاد می‌کند . ^۳۷

وجود همزمان سطوح آسفالت و غیرآسفالت می‌تواند تا حدودی بر بازتاب طیفی در تصاویر سنجش از دور تأثیر بگذارد. بنابراین، از یک طیف‌سنج برای جمع‌آوری داده‌های بازتاب طیفی برای جاده‌های آسفالت (در مراحل اولیه، میانی و پایانی)، سطوح غیرآسفالت (جاده‌های سیمانی، پیاده‌روهای کاشته‌شده، خطوط جاده و خاک لخت) و طیف‌های سایه استفاده شد. با انتخاب ۱۴۷ مکان نمونه‌برداری نمونه که روسازی‌های آسفالت را در مراحل مختلف پیری و همچنین سطوح غیرآسفالتی معمول پوشش می‌دادند، بازتاب طیفی را ده بار در هر مکان اندازه‌گیری کردیم و از مقدار میانگین برای کاهش نویز تصادفی استفاده کردیم. بر اساس مقدار EAR و MASA، ۱۴ طیف از روسازی‌های آسفالت در مراحل اولیه پیری، ۵۳ طیف از روسازی‌های آسفالت در اواسط پیری، ۱۷ طیف از روسازی‌های آسفالت در اواخر پیری، ۶ طیف از روسازی‌های سیمانی، ۴ طیف از پوشش گیاهی، ۱۰ طیف از پیاده‌روها، ۱۶ طیف از خطوط جاده و ۲ طیف از خاک لخت از کتابخانه طیفی به عنوان طیف‌های بهینه عضو نهایی انتخاب شدند. زیرمجموعه طیف‌های بهینه برای هر نوع در شکل  ۷ نشان داده شده است .

طبق توزیع‌های بازتاب طیفی نشان داده شده در شکل  ۸ ، روسازی‌های آسفالتی با قدمت اولیه، مقادیر بازتاب را در درجه اول از ۰٫۰۶۰ تا ۰٫۰۹۰ نشان می‌دهند. در اواسط پیری، بازتاب عمدتاً بین ۰٫۰۹۰ تا ۰٫۱۳۵ کاهش می‌یابد، در حالی که در اواخر پیری، به طور قابل توجهی افزایش می‌یابد و از ۰٫۱۰۵ تا ۰٫۲۴۰ متغیر است. علاوه بر این، تغییرات طیفی در طول موج‌ها در آسفالت با قدمت نهایی در مقایسه با اوایل و اواسط پیری بیشتر مشهود است. در مقابل، طیف‌های روسازی سیمانی عمدتاً بین ۰٫۰۸۰ تا ۰٫۱۳۰، پوشش گیاهی بین ۰٫۰۱۰ تا ۰٫۵۵۰، پیاده‌روها بین ۰٫۱۰۰ تا ۰٫۲۹۰، خط‌کشی‌های جاده بین ۰٫۲۰۰ تا ۰٫۴۲۵ و خاک لخت بین ۰٫۰۴۰ تا ۰٫۳۳۰ توزیع شده‌اند. نکته قابل توجه این است که طیف‌های پوشش گیاهی و خاک لخت، تنوع بیشتری را در محدوده طول موج نسبت به سایر انواع سطوح نشان می‌دهند. این ویژگی‌های طیفی متمایز در بین انواع مختلف سطوح پس از فیلتر کردن، مبنای محکمی برای تمایز و شناسایی مؤثر آنها در تصاویر سنجش از دور ارائه می‌دهند.

با توجه به ویژگی‌های تصاویر سنجش از دور با وضوح بالا، پیکسل‌های آسفالت خالص نسبتاً نادر هستند. پیکسل‌های واقع در نزدیکی میانه مرکزی یا لبه‌های جاده اغلب تحت تأثیر ویژگی‌های سطح غیر آسفالتی مانند سایه‌ها، خاک لخت، علائم خط کشی، میانه‌ها و سنگفرش‌ها قرار دارند. بنابراین، پیکسل‌هایی که نشان‌دهنده مناطق مرکزی آسفالت هستند، برای جداسازی با استفاده از یک مدل دو عضو انتهایی، با دو ترکیب عضو انتهایی ممکن، مناسب‌تر هستند: (۱) آسفالت و سایه، یا (۲) سطح غیر آسفالتی و سایه. در مقابل، پیکسل‌های نزدیک میانه یا لبه‌های جاده با استفاده از یک مدل سه عضو انتهایی، متشکل از آسفالت، سطح غیر آسفالتی و سایه، بهتر تجزیه می‌شوند. بر اساس این تحلیل، می‌توان سه نوع ترکیب عضو انتهایی برای آسفالت تعریف کرد. بر این اساس، یک مدل ترکیب عضو انتهایی تطبیقی ​​برای ارزیابی کیفیت آسفالت پیشنهاد شده است. این مدل با به حداقل رساندن RMSE نتایج جداسازی طیفی، بین جداسازی دو عضو انتهایی و سه عضو انتهایی انتخاب می‌کند (جدول  ۳ ).

طبق جدول  ۳ ، نسبت پیکسل‌هایی که در منطقه مطالعاتی I و II با موفقیت از هم جدا نشده‌اند، ۲۰٫۶۳٪ و ۱۳٫۶۷٪ از کل پیکسل‌ها در مناطق مورد مطالعه مربوطه را تشکیل می‌دهند. این امر عمدتاً به دلیل انواع طیفی محدود سطوح جاده‌های مورد بررسی و وجود عوامل تداخل مختلف، مانند انواع مختلف وسایل نقلیه، پوشش گیاهی و رطوبت سطح جاده است. با وجود این تداخل‌ها، اکثر پیکسل‌ها با موفقیت از هم جدا شدند. به طور خاص، در منطقه مطالعاتی I و II، نسبت پیکسل‌هایی که با موفقیت توسط مدل دو عضو انتهایی از هم جدا شدند، به ترتیب ۶۹٫۰۷٪ و ۷۶٫۷۴٪ بود، در حالی که آنهایی که با موفقیت توسط مدل سه عضو انتهایی از هم جدا شدند، به ترتیب ۱۲٫۹۷٪ و ۱۴٫۰۷٪ بودند. این نتایج نشان می‌دهد که در تصاویر ماهواره‌ای با وضوح بالا، پیکسل‌های مخلوط روی روسازی‌های آسفالتی نسبتاً کم هستند و اکثر آنها برای مدل دو عضو انتهایی مناسب هستند. در مقابل، پیکسل‌های نزدیک به میانه‌های مرکزی و لبه‌های جاده بیشتر تحت تأثیر ویژگی‌های غیر آسفالتی مانند خاک لخت، علائم خط کشی، میانه‌ها و سنگفرش‌ها قرار می‌گیرند و بنابراین برای مدل سه عضو انتهایی مناسب‌تر هستند. این امر، لزوم ادغام مدل‌های دو عضو انتهایی و سه عضو انتهایی را هنگام انجام جداسازی پیکسل‌های مختلط از سطوح جاده با استفاده از تصاویر ماهواره‌ای با وضوح بالا، بیشتر نشان می‌دهد.

بر اساس مدل اختلاط طیفی خطی سه عضو انتهایی متشکل از روسازی آسفالتی، روسازی غیرآسفالتی و سایه‌ها، جداسازی مؤثر پیکسل‌های مخلوط با ترکیب طیف‌های عضو انتهایی بهینه‌شده با تصاویر ماهواره‌ای با وضوح بالای WorldView-3 محقق می‌شود. برای اطمینان از قابلیت اطمینان مدل، محدوده فراوانی طیفی (مقادیر پوشش کسری هر عضو انتهایی در یک پیکسل) محدود شد. به طور خاص، محدوده فراوانی برای اجزای غیر سایه بین -۰٫۰۵ و ۱٫۰۵ تنظیم شد، حداکثر فراوانی سایه مجاز به ۰٫۸ محدود شد و هر دو آستانه RMSE و باقیمانده به ۰٫۰۲۵± ^۳۸ محدود شدند . این محدودیت‌ها، استحکام و قابلیت تفسیر فیزیکی فرآیند جداسازی را افزایش می‌دهند.

پس از جداسازی طیفی، نقشه‌های فراوانی برای اعضای انتهایی روسازی آسفالتی و غیر آسفالتی پس از نرمال‌سازی اجزای سایه، همانطور که در شکل  ۹ نشان داده شده است، استخراج شدند . به طور خاص، فراوانی روسازی آسفالتی نشان دهنده سهم اعضای انتهایی طیفی آسفالت (آسفالت با قدمت اولیه، میانی یا دیرهنگام) در یک پیکسل مخلوط است، در حالی که فراوانی روسازی غیر آسفالتی مربوط به سهم سایر انواع سطوح (مانند روسازی سیمانی، پوشش گیاهی، پیاده‌روها، علائم خط کشی و خاک لخت) است.

تولید و ارزیابی نمونه خودکار

بر اساس مدل جداسازی پیکسل‌های مختلط MEMSA، که پیکربندی‌های دو عضو انتهایی و سه عضو انتهایی را ادغام می‌کند، نقشه‌های فراوانی سطوح آسفالت و غیر آسفالت برای شناسایی پیکسل‌های مربوط به پیری زودرس، متوسط ​​و دیررس و همچنین سطوح غیر آسفالتی مورد تجزیه و تحلیل قرار گرفتند. به طور خاص، برای هر پیکسل، اگر با استفاده از ترکیبی از دو عضو انتهایی مدل‌سازی شده باشد، نوع آن (یعنی آسفالت زودرس، متوسط ​​یا دیررس یا سطح غیر آسفالتی) می‌تواند مستقیماً بر اساس ترکیب اعضای انتهایی و امضاهای طیفی به کار رفته تعیین شود. در مقابل، برای پیکسل‌هایی که از مدل سه عضو انتهایی استفاده می‌کنند، طبقه‌بندی بر اساس مقایسه بین فراوانی اعضای انتهایی آسفالت و غیر آسفالت انجام شد. پیکسل به دسته‌ای مربوط به مقدار فراوانی بالاتر اختصاص داده شد. برای آنهایی که به عنوان آسفالت شناسایی شدند، پیری با استفاده از منحنی‌های طیفی خاص (پیری زودرس، متوسط ​​یا دیررس) که در مدل سه عضو انتهایی وجود دارد، بیشتر مشخص شد.

برای بهبود بیشتر کیفیت مجموعه نمونه، یک فیلتر مکانی همسایگی ۳ × ۳ بر روی پیکسل‌های طبقه‌بندی شده اعمال شد تا نمونه‌های غیرمرزی به صورت تکراری استخراج شوند و در نتیجه عدم قطعیت برچسب در نزدیکی مرزهای کلاس کاهش یابد. شکل  ۱۰ نمونه‌های اصلی محلی را در کنار نمونه‌های تولید شده خودکار برای مقایسه نشان می‌دهد.

بنابراین، یک مجموعه نمونه آموزشی و آزمایشی یک بعدی-CNN متعادل و از نظر طیفی خالص ایجاد شد که شامل ۲۲۳۹ نمونه از روسازی آسفالت با فرسودگی زودرس، ۱۹۴۹ نمونه از روسازی آسفالت با فرسودگی متوسط، ۲۱۲۴ نمونه از روسازی آسفالت با فرسودگی شدید و ۱۸۶۲ نمونه از روسازی غیرآسفالتی بود (جدول  ۴ ). برای ارزیابی دقت طبقه‌بندی نهایی در دو منطقه مورد مطالعه، ۶۰۰۰ نقطه نمونه برای هر منطقه با استفاده از همین رویکرد ایجاد شد. علاوه بر این، ما تفسیر بصری دستی بخشی از نمونه‌های اعتبارسنجی خودکار تولید شده روی تصاویر سنجش از دور را انجام دادیم تا از قابلیت اطمینان آنها اطمینان حاصل کنیم. بر اساس اعتبارسنجی متقابل پنج‌گانه، در هر تکرار از ۳۰۰ نقطه اعتبارسنجی برای هر کلاس استفاده شد و مقادیر میانگین در تمام چین‌ها برای استخراج معیارهای طبقه‌بندی نهایی محاسبه شد.

برای ارزیابی کیفیت مجموعه نمونه‌های مورد استفاده برای آموزش و آزمایش مدل، و همچنین نمونه‌های مورد استفاده برای ارزیابی دقت طبقه‌بندی در دو منطقه مورد مطالعه، ما فاصله JM بین کلاس‌های مختلف را بر اساس نمونه‌های تولید شده محاسبه کردیم تا ارزیابی کمی امکان‌پذیر شود (شکل  ۱۱ ). همانطور که در شکل  ۱۱ نشان داده شده است ، فواصل JM برای مجموعه نمونه‌های آموزشی و آزمایشی همگی بالای ۱٫۹ هستند، که نشان می‌دهد کیفیت نمونه الزامات مدل ۱D-CNN را برآورده می‌کند و برای افزایش عملکرد مدل و توانایی تعمیم مفید است. برای نمونه‌های مورد استفاده در ارزیابی دقت، فواصل JM بین کلاس‌ها همگی بالای ۱٫۷ هستند که نشان‌دهنده تفکیک‌پذیری خوب کلاس‌ها است. علاوه بر این، نتایج نشان دهنده مقداری سردرگمی طیفی در تصاویر سنجش از دور، به ویژه بین روسازی آسفالت با پیری متوسط ​​و شدید، و همچنین بین روسازی آسفالت با پیری شدید و سطوح غیر آسفالتی است.

نتایج ارزیابی شرایط پیرشدگی روسازی آسفالتی

بر اساس مجموعه نمونه از تصاویر سنجش از دور منطقه مورد مطالعه-I و WorldView-3، ما یک مدل ۱D-CNN را آموزش داده و آزمایش کردیم. این مدل با استفاده از بهینه‌ساز Adam و یک تابع زیان آنتروپی متقاطع دسته‌بندی شده، با دقت و زیان به عنوان معیارهای ارزیابی اولیه، تدوین شد. در طول آموزش، از نمونه‌گیری طبقه‌بندی‌شده برای تقسیم‌بندی مجموعه اعتبارسنجی استفاده شد و توزیع متعادل کلاس تضمین شد. این مدل در ۳۰۰ دوره با اندازه دسته‌ای ۶۴ نمونه آموزش داده شد.

فرآیند آموزش، شامل تغییرات در دقت و میزان خطا، در شکل  ۱۲ نشان داده شده است . بر اساس عملکرد دقت و خطا در مجموعه نمونه‌های آموزشی و آزمایشی که در شکل  ۱۰ نشان داده شده است ، مدل عملکرد کلی رضایت‌بخشی را نشان می‌دهد. به طور خاص، دقت آموزش در نهایت در حدود ۰.۹۶ با مقدار خطای مربوطه تقریباً ۰.۰۹ تثبیت می‌شود. از نظر مجموعه آزمایشی، مدل به دقت نهایی حدود ۰.۹۵ دست می‌یابد، در حالی که خطای آن تقریباً به ۰.۱۳ همگرا می‌شود.

مدل آموزش‌دیده برای مطالعه منطقه I و منطقه II به کار گرفته شد تا وضعیت روسازی آسفالت در هر دو منطقه به سرعت ارزیابی شود. نتایج پیش‌بینی در شکل  ۱۱ ارائه شده است که نتایج طبقه‌بندی کلی و محلی را نشان می‌دهد. در مقیاس منطقه‌ای، وضعیت روسازی در منطقه I به طور کلی بهتر از منطقه II است. به طور خاص، سطوح آسفالت در منطقه I عمدتاً در اوایل فرسودگی هستند، در حالی که سطوح آسفالت در منطقه II عمدتاً در اواسط تا اواخر فرسودگی قرار دارند. علاوه بر این، نماهای محلی دقیق در شکل  ۱۳ ، اثربخشی مدل را در تشخیص دقیق سطوح غیر آسفالتی مانند میانه‌ها، وسایل نقلیه و میدان‌ها در تقاطع‌ها نشان می‌دهد.

برای ارزیابی کمی عملکرد طبقه‌بندی در دو منطقه، ۶۰۰۰ نمونه برای هر منطقه و ۱۵۰۰ نمونه برای هر کلاس جمع‌آوری شد. برای محاسبه معیارهای دقت طبقه‌بندی، از یک استراتژی اعتبارسنجی متقابل پنج‌گانه استفاده شد. در هر کلاس، ۳۰۰ نمونه از هر کلاس برای ارزیابی استفاده شد. نتایج نهایی برای UA، PA، F1-score، OA و ضریب کاپا با میانگین‌گیری نتایج در پنج تکرار به دست آمد (جدول  ۵ ).

برای منطقه مورد مطالعه-I، ضریب OA و کاپا به ترتیب به ۹۵٫۹۵٪ و ۰٫۹۴۵۹ رسید، و UA، PA و امتیاز F1 برای هر کلاس همگی بیش از ۹۴٪ بودند که نشان دهنده عملکرد بالای طبقه بندی است. برای منطقه مورد مطالعه-II، OA و کاپا به ترتیب ۸۹٫۷۰٪ و ۰٫۸۶۲۸ بودند و UA، PA و امتیاز F1 برای هر کلاس همگی بالای ۷۹٪ بودند. اگرچه دقت کلی در منطقه مورد مطالعه-II در مقایسه با منطقه مورد مطالعه-I کمی کمتر بود، اما همچنان نسبتاً بالا است و به طور کلی الزامات دقت طبقه بندی این مطالعه را برآورده می کند.

تحلیل علل فرسودگی روسازی آسفالتی در منطقه مورد مطالعه

بر اساس گزارش توسعه با کیفیت بالای حمل و نقل ووهان در سال ۲۰۲۴، تا پایان سال ۲۰۲۳، طول کل جاده‌های عملیاتی در ووهان به ۱۷۰۰۰ کیلومتر رسید. این شهر ۲۴ بزرگراه در مجموع ۹۷۵ کیلومتر داشت که یک شبکه بزرگراهی «شش حلقه، پانزده شعاعی» را تشکیل می‌داد. ساخت سیستم توسعه‌یافته «هفت حلقه، سی شعاعی» با نرخ تکمیل ۸۵٪ به طور پیوسته در حال پیشرفت است. آسفالت‌کاری بخش عمده‌ای از این شبکه را تشکیل می‌دهد. در سال‌های اخیر، توسعه سریع شهری فشار ترافیکی را در ووهان به طور قابل توجهی افزایش داده است. در نتیجه، فرسودگی آسفالت‌کاری به طور فزاینده‌ای رواج یافته است. اگرچه مقامات محلی بر نگهداری جاده‌ها از طریق بازرسی‌های معمول و تعمیرات هدفمند مانند آب‌بندی ترک‌ها تأکید کرده‌اند، اما به موقع بودن نگهداری آسفالت‌کاری همچنان ناکافی است.

در این مطالعه، ما یک چارچوب در مقیاس بزرگ، سریع و قابل انتقال برای ارزیابی روسازی آسفالت پیشنهاد می‌کنیم. با استفاده از این چارچوب، میزان فرسودگی آسفالت را در دو زیرمنطقه از منطقه توسعه اقتصادی و فناوری ووهان ارزیابی می‌کنیم. هدف، ارائه اطلاعات ارزشمند نگهداری برای مقامات حمل و نقل است. بر اساس نتایج طبقه‌بندی کیفیت روسازی آسفالت (شکل  ۱۴ )، تعداد پیکسل‌ها در هر دسته به دست آمد. سپس با ترکیب با وضوح مکانی تصاویر سنجش از دور، مساحت توزیع مکانی هر دسته محاسبه شد. به طور خاص، مساحت‌های فرسودگی اولیه، میانی و نهایی در منطقه مورد مطالعه-I تقریباً ۴۸۰۰۰۰ متر مربع، ۲۳۰۰۰۰ متر مربع و ۸۸۰۰۰ متر مربع است که به ترتیب ۳۲٫۶۹٪، ۱۵٫۸۳٪ و ۶٫۰۷٪ از کل را تشکیل می‌دهند. سایر انواع روسازی ۶۶۰۰۰۰ متر مربع را پوشش می‌دهند که ۴۵٫۴۰٪ را نشان می‌دهد. در منطقه مورد مطالعه-II، مساحت مناطق با فرسودگی اولیه، میانی و نهایی حدود ۲۰۰۰۰۰ متر مربع، ۴۲۰۰۰۰ متر مربع و ۲۱۰۰۰۰ متر مربع است که به ترتیب معادل ۱۵.۹۷٪، ۳۳.۸۱٪ و ۱۷.۰۰٪ است. سایر انواع روسازی ۴۱۰۰۰۰ متر مربع یا ۳۳.۲۱٪ از کل مساحت را تشکیل می‌دهند.

در منطقه مورد مطالعه-I، آسفالت روسازی عمدتاً در اوایل پیری و پس از آن در اواسط پیری قرار دارد و اواخر پیری کمترین شیوع را دارد. این نشان می‌دهد که کیفیت آسفالت در منطقه نسبتاً خوب است. در منطقه مورد مطالعه-II، آسفالت‌های میانی و اواخر پیری غالب هستند، در حالی که اوایل پیری نسبتاً نادر است. این نشان می‌دهد که شرایط آسفالت در این منطقه ضعیف‌تر است. هر دو منطقه همچنین حضور قابل توجهی از سطوح غیر آسفالتی را نشان می‌دهند، که عمدتاً به دلیل آسفالت‌های غیر آسفالتی و سایر ویژگی‌های سطحی در امتداد جاده‌ها است. تجزیه و تحلیل بیشتر تصاویر سنجش از دور (شکل  ۱ ) و نتایج طبقه‌بندی (شکل  ۱۳ ) برای دو منطقه ارزیابی آسفالت روسازی، ویژگی‌های مکانی متمایزی را نشان می‌دهد. منطقه مورد مطالعه-I در بخش جنوب مرکزی منطقه توسعه اقتصادی واقع شده است و نمایانگر یک منطقه شهری تازه توسعه یافته است. در مقابل، منطقه مورد مطالعه-II در بخش شمالی منطقه، نزدیک منطقه هانیانگ قرار دارد و متعلق به هسته شهری قدیمی‌تر است. شبکه جاده‌ها و تأسیسات مسکونی در منطقه مورد مطالعه-II زودتر ایجاد شده‌اند و تراکم بیشتری دارند. این امر به طور قابل توجهی به وضعیت نامناسب آسفالت روسازی‌ها در منطقه، که عمدتاً در اواسط پیری هستند، کمک می‌کند. اگرچه توسعه زیرساخت‌ها در منطقه مورد مطالعه-۱ اخیراً آغاز شده است، اما تصاویر، تأسیسات صنعتی گسترده‌ای را نشان می‌دهد. افزایش ترافیک وسایل نقلیه سنگین منجر به فرسودگی زودهنگام روسازی در سراسر منطقه شده است.

در واقع، پیر شدن روسازی آسفالتی یک فرآیند پیش‌رونده است که قبل از ظهور آسیب سطحی ظاهری رخ می‌دهد. اگرچه بیشتر فعالیت‌های نگهداری بر ترمیم خرابی‌های قابل مشاهده مانند ترک‌ها و چاله‌ها تمرکز دارند، مراحل مختلف پیر شدن ممکن است نشان‌دهنده روند زوال به سمت چنین آسیب‌هایی باشد. بنابراین، آگاهی به موقع از توزیع مکانی مراحل پیر شدن روسازی آسفالتی (همانطور که در شکل  ۱۱ نشان داده شده است ) و نسبت‌های منطقه‌ای شرایط پیر شدن (همانطور که در شکل  ۱۲ نشان داده شده است ) می‌تواند اطلاعات هشدار اولیه را ارائه دهد. این اطلاعات می‌تواند برای برنامه‌ریزی استراتژی‌های نگهداری پیشگیرانه (مانند جوان‌سازی، آب‌بندی سطح یا توانبخشی موضعی)، اولویت‌بندی تخصیص منابع محدود و کاهش احتمال توانبخشی پرهزینه در مقیاس بزرگ استفاده شود. به این ترتیب، ارزیابی پیری، بررسی‌های سنتی خرابی را تکمیل می‌کند و ارزش قابل توجهی برای نگهداری و مدیریت روسازی ارائه می‌دهد.

مزایا و ابهامات چارچوب تحقیق

به طور سنتی، ارزیابی پیری آسفالت به بررسی‌های میدانی متکی است که زمان‌بر و ناکارآمد است و آن را برای ارزیابی‌های در مقیاس بزرگ نامناسب می‌کند. برای رفع این محدودیت، ما یک چارچوب جدید پیشنهاد می‌کنیم که جداسازی طیفی چند عضو انتهایی، تولید خودکار نمونه و یادگیری عمیق را ادغام می‌کند. این روش امکان ساخت مجموعه نمونه کارآمد و با کیفیت بالا را فراهم می‌کند و در عین حال از ارزیابی‌های سریع و با دقت بالا از پیری آسفالت در محدوده‌های مکانی بزرگ پشتیبانی می‌کند. علاوه بر این، تنها تعداد کمی از طیف‌های سطحی نماینده باید در میدان جمع‌آوری شوند. جداسازی طیفی همراه با فیلتر همسایگی، امکان تولید خودکار تعداد زیادی نمونه آموزشی را فراهم می‌کند و به طور قابل توجهی نیاز به نیروی کار و زمان آماده‌سازی دستی نمونه را کاهش می‌دهد.

اگرچه چارچوب پیشنهادی برای طبقه‌بندی و ارزیابی پیری آسفالت، قابلیت کاربرد بالایی را در هر دو منطقه مورد مطالعه در منطقه توسعه اقتصادی و فناوری ووهان نشان داد، اما برخی عدم قطعیت‌ها همچنان باقی است. اولاً، اگرچه در این مطالعه از تصاویر با کیفیت بالا و داده‌های طیفی نمونه جمع‌آوری‌شده میدانی برای کاهش تأثیر عوامل خارجی استفاده شد، اما برخی عدم قطعیت‌ها همچنان باقی است. به‌طور خاص، رطوبت آسفالت، تغییرات روشنایی و تمیزی سطح ممکن است پاسخ طیفی ظاهری آسفالت‌ها را تغییر دهد، که در تصاویر سنجش از دور منعکس می‌شود. این عوامل ممکن است تغییرات طیفی ظریفی را ایجاد کنند که بر پایداری نتایج طبقه‌بندی تأثیر می‌گذارند، به‌ویژه هنگام اعمال چارچوب به مناطق وسیع‌تر با شرایط محیطی متفاوت. ثانیاً، این مطالعه اثربخشی چارچوب پیشنهادی ارزیابی پیری آسفالت را برای نظارت در مقیاس بزرگ نشان داد، زیرا تنها تعداد کمی از طیف‌های میدانی نمونه و یک مدل آموزشی مشتق‌شده از یک منطقه محدود برای کاربرد موفقیت‌آمیز در یک منطقه وسیع‌تر کافی بود. اگرچه دو منطقه مورد مطالعه از مناطق شهری تازه توسعه‌یافته و قدیمی‌تر با تفاوت‌های خاصی در سطوح پیری آسفالت، محیط‌های اطراف و شرایط ترافیکی انتخاب شدند، اما هر دو منطقه در ووهان واقع شده‌اند و بنابراین درجه‌ای از همگنی منطقه‌ای هنوز وجود دارد. بنابراین، تعمیم‌پذیری مدل نیاز به اعتبارسنجی بیشتر دارد. در مناطق متنوع‌تر، که شرایط آب و هوایی، بارگذاری ترافیک، مصالح ساختمانی یا شیوه‌های نگهداری به طور قابل توجهی متفاوت هستند، مدل ممکن است نیاز به تنظیمات اضافی، کالیبراسیون یا داده‌های آموزشی چند منبعی داشته باشد. در نهایت، هنگامی که دامنه نظارت به مقیاس بزرگتری گسترش می‌یابد (مثلاً شبکه‌های بزرگراهی استانی یا سراسری)، حجم تصاویر سنجش از دور با وضوح بالا بسیار زیاد می‌شود. پیش‌پردازش داده‌های در مقیاس بزرگ (از جمله تصحیح جوی، تصحیح ارتو و ادغام تصویر) و استنتاج مدل به منابع محاسباتی قابل توجهی نیاز دارند. تکیه صرف بر پردازش داده‌های محلی، تضمین نتایج به موقع را دشوار می‌کند و در نتیجه کارایی کاربردهای عملی را محدود می‌کند. اگرچه این مطالعه هنوز محدودیت‌های خاصی دارد، اما به طور کلی، این چارچوب یک الگوی علمی برای ارزیابی سریع و در مقیاس بزرگ پیری روسازی آسفالت ارائه می‌دهد و محدودیت‌های کلیدی روش‌های سنتی را برطرف می‌کند.

جهت‌گیری‌های تحقیقاتی آینده

برای پرداختن به محدودیت‌های چارچوب فعلی ارزیابی پیری روسازی آسفالت، تحقیقات آینده را می‌توان در جهات زیر بررسی کرد: اول، تحقیقات آینده باید با هدف کاهش عدم قطعیت‌ها در نمونه‌های طبقه‌بندی تولید شده به صورت خودکار و ارزیابی روش پیشنهادی در مناطق مختلف آب و هوایی و شرایط مصالح روسازی برای بهبود جامعیت و تعمیم‌پذیری آن انجام شود. دوم، ادغام مجموعه داده‌های سنجش از دور چندزمانه یا چندشرایطی و توسعه استراتژی‌های بهینه‌سازی ویژگی قوی‌تر برای امکان‌پذیر کردن نظارت پویا بر پیری روسازی. سوم، بهبود ابعاد مدل برای ادغام بهتر ویژگی‌های طیفی و مکانی تصاویر سنجش از دور، و تقویت قابلیت‌های پردازش داده‌ها و ویژگی‌های مبتنی بر محاسبات ابری برای افزایش کارایی نظارت بر روسازی در مقیاس بزرگ.

جاده‌های آسفالتی به عنوان یکی از رایج‌ترین انواع روسازی، برای اطمینان از ایمنی ترافیک، نیاز به ارزیابی به موقع شرایط فرسودگی دارند. این مطالعه یک چارچوب جدید و بسیار خودکار ارائه می‌دهد که جداسازی طیفی چند عضوی، تولید نمونه خودکار و ۱D-CNN را برای شناسایی کارآمد سطوح فرسودگی آسفالت در مناطق مختلف ادغام می‌کند. از نتایج تجربی و تجزیه و تحلیل، نتایج زیر به دست می‌آید:

1. ۱.استفاده ترکیبی از مدل‌های دو و سه عضوی، تجزیه دقیق‌تر پیکسل‌های مختلط پیچیده را ممکن می‌سازد.
2. ۲.یک فیلتر همسایگی مکانی مبتنی بر FLG برای بهینه‌سازی فضای نمونه اعمال شد و در نتیجه کیفیت نمونه بهبود یافته و پایداری مدل افزایش یافت.
3. ۳.این مدل ارزیابی‌های با دقت بالایی از پیرشدگی آسفالت در مناطق مختلف به دست آورد که هم توانایی تعمیم قوی آن و هم اثربخشی کلی چارچوب پیشنهادی را تأیید می‌کند.
4. ۴.از طریق شناسایی به موقع توزیع مکانی و نسبت‌های مراحل مختلف فرسودگی روسازی آسفالت، می‌توان اطلاعات هشدار اولیه را برای پشتیبانی از برنامه‌ریزی تعمیر و نگهداری پیشگیرانه ارائه داد. این رویکرد به کاهش هزینه‌های بالا و خطرات نوسازی در مقیاس بزرگ کمک می‌کند و در نتیجه ارزش مهمی برای مدیریت روسازی ارائه می‌دهد.

در مجموع، چارچوب پیشنهادی یک رویکرد علمی برای ارزیابی سریع و در مقیاس بزرگ از پیری آسفالت ارائه می‌دهد و محدودیت‌های کلیدی روش‌های سنتی را برطرف می‌کند، در عین حال از تجسم الگوهای پیری پشتیبانی کرده و به برنامه‌ریزی تعمیر و نگهداری کمک می‌کند. در کارهای آینده، هدف ما بررسی ادغام داده‌های چندزمانه و افزایش بیشتر ظرفیت تعمیم مدل‌های چندبعدی است، در نتیجه امکان نظارت پویا بر پیری آسفالت در مناطق جغرافیایی وسیع را فراهم می‌کند.