هوش مکانی اتیم تحقیقاتی ونوس نصیرفام

استفاده از OSM و GEOBIA برای ایجاد و به‌روزرسانی نقشه‌های نوع جنگل

خلاصه

اطلاعات به روز در مورد نوع و توزیع فضایی جنگل ها یک عنصر ضروری در مدیریت پایدار جنگل و پایش و مدل سازی محیطی است. پایگاه داده OpenStreetMap (OSM) حاوی مقادیر زیادی اطلاعات مکانی در مورد ویژگی های طبیعی، از جمله جنگل ها ( استفاده از زمین = جنگل ) است. مدل داده OSM شامل برچسب های توصیفی برای محتویات آن است، به عنوان مثال، نوع برگ برای مناطق جنگلی (یعنی leaf_type=broadleaved ). اگرچه برچسب نوع برگ رایج است، اما اکثریت قریب به اتفاق مناطق جنگلی با نوع برگ ترکیبی برچسب گذاری شده اند که به مساحت کل ۸۷ درصد از کاربری زمین = جنگل ها می رسد.از پایگاه داده OSM این مناطق منبع اطلاعاتی مهمی برای استخراج و به روز رسانی نقشه های نوع جنگل هستند. به منظور استفاده از این محتوای اطلاعاتی، روشی برای طبقه بندی انواع برگ در داخل این مناطق با استفاده از تقسیم بندی تصویر بر روی تصاویر هوایی و طبقه بندی بعدی انواع برگ توسعه یافته است. روش ارائه شده به دقت طبقه بندی کلی ۸۵% برای انواع برگ سوزنی و پهن برگ دست می یابد.در مناطق جنگلی انتخاب شده طبقه بندی حاصل نشان می دهد که از طریق رویکردهایی مانند آنچه ارائه شده است، استخراج نقشه های نوع جنگل از OSM با یک روش توسعه یافته و بهبود یافته امکان پذیر است. همچنین نشان می‌دهد که یک روش بهبودیافته ممکن است بتواند با مشارکت مشارکت‌کنندگان، به‌روزرسانی‌هایی از نوع برگ را به پایگاه داده OSM ارائه دهد.

کلید واژه ها:

OpenStreetMap ; داده های باز ؛ تقسیم بندی تصویر ؛ جوبیا _ منطقه در حال رشد ؛ نقشه برداری از نوع جنگل ; تصاویر هوایی

۱٫ معرفی

یک عامل کلیدی برای مدیریت پایدار جنگل و نظارت بر جنگل، در دسترس بودن اطلاعات به روز و با وضوح مکانی بالا در مورد وضعیت اکوسیستم های جنگلی است. داده‌های رصد زمین، و همچنین تکنیک‌ها و روش‌های ژئوانفورماتیک، می‌توانند کمک‌های ارزشمندی به این نیازهای اطلاعاتی ارائه دهند، در حالی که در رابطه با مبادله بین جزئیات مکانی، چرخه‌های به‌روزرسانی و هزینه‌های تولید نیز مناسب هستند. از آنجایی که داده‌های جدید رصد زمین منتشر می‌شوند و در دسترس عموم قرار می‌گیرند، ادغام منابع داده‌های مختلف و ترکیب داده‌ها منجر به افزایش کیفیت محصولات نوع جنگلی می‌شود [ ۱ ، ۲ ، ۳ ، ۴ ، ۵ ، ۶٫]. با توجه به جزئیات فضایی مورد نیاز و قابلیت استفاده از این محصولات در مطالعات جنگل محلی، نقشه برداری دقیق از توزیع فضایی انواع جنگل همچنان یک چالش است [ ۳ ، ۶ ]. مجموعه داده‌های فضایی باز که اطلاعات مربوط به جنگل و جنگل را پوشش می‌دهند در مقیاس قاره‌ای برای اروپا از طریق سرویس نظارت بر زمین کوپرنیک ( https://land.copernicus.eu/ ) در دسترس هستند، به عنوان مثال، مجموعه داده‌های پوشش زمین CORINE (CLC) (با پهن برگ، سوزنی‌برگ ) و کلاس های جنگلی مختلط) و لایه های با وضوح بالا (HRL) بر روی تراکم پوشش درخت، نوع برگ غالب و نوع جنگل. مجموعه داده هایی که فقط مناطق انتخاب شده را پوشش می دهند، به عنوان مثال، اطلس شهری (UA) هستند.برای مناطق شهری منتخب با توجه به این مثال‌ها، مجموعه داده‌های سراسر اروپا یا در وضوحی هستند که توسط داده‌های ماهواره‌ای زیرین القا می‌شود (یعنی Sentinel-2 و Landsat برای HRL منجر به وضوح فضایی ۲۰ متر می‌شود) یا با حداقل واحد نقشه‌برداری (MMU) ارائه می‌شوند. ) در یک زمینه محلی (یعنی CLC با ۲۵ هکتار MMU) کافی نیست. UA برای مناطق خاص با تفکیک فضایی ۲ تا ۲٫۵ متر و MMU 1 هکتار تولید می شود، اما فقط شامل یک کلاس جنگلی عمومی بدون اطلاعات بیشتر در مورد نوع برگ است. مجموعه داده های محلی می توانند دارای جزئیات مکانی و موضوعی بالایی باشند، اما به ندرت برای عموم قابل دسترسی هستند.
تصاویر با وضوح بسیار بالا (VHR) بر اساس اکتساب‌های هوایی یا ماهواره‌ای، دارایی بزرگی برای موجودی‌های جنگل است. با توجه به اکتساب در فواصل منظم برای کل ایالت ها و کشورها، تصاویر هوایی یک منبع داده مهم باقی می ماند [ ۷ ، ۸ ، ۹ ]، در حالی که تصاویر ماهواره ای VHR با اطلاعات طیفی اضافی مجذوب می شوند [ ۱۰ ، ۱۱ ]. با توجه به وضوح فضایی بالا در مقیاس زیر متر و گزینه ای برای استخراج پارامترهای بافتی، تصاویر هوایی و تصاویر ماهواره ای VHR منبع تصویر مهمی هستند [ ۹ ، ۱۲ ، ۱۳ ، ۱۴]]. علاوه بر این، پیشرفت در پردازش تصاویر VHR پتانسیل را بیشتر افزایش می دهد. یکی از این پیشرفت ها، زمینه تحلیل تصویر مبتنی بر شی جغرافیایی (GEOBIA) [ ۱۵ ] است. در GEOBIA، روش‌های تقسیم‌بندی و طبقه‌بندی تصویر برای ترسیم بخش‌های تصویر همگن برای تجزیه و تحلیل استفاده می‌شود. GEOBIA قدرت خود را به ویژه در تصاویر VHR دارد، زیرا اجسام تمایل دارند بزرگتر از پیکسل باشند. با استفاده از GEOBIA، پردازش بر اساس بخش‌ها به جای پیکسل‌های منفرد است [ ۱۵ ، ۱۶ ، ۱۷ ، ۱۸ ]. ثابت شده است که روش‌های GEOBIA نسبت به طبقه‌بندی سنتی مبتنی بر پیکسل در تصاویر با وضوح بالا برتر هستند، زیرا منجر به کاهش شدید اثر نمک و فلفل بسیاری از روش‌های طبقه‌بندی مبتنی بر پیکسل می‌شوند.۱۵ ، ۱۹ ، ۲۰ ]. ادغام اطلاعات برداری موجود (به عنوان مثال، قطعات زمین موجود) به عنوان یک منبع اطلاعات سودمند شناخته شده است که می تواند به عنوان محدودیت در فرآیند تقسیم بندی در GEOBIA برای کنترل فرآیند تقسیم بندی با تمرکز بر تشخیص تفاوت ها در داخل واحدهای از قبل شناخته شده استفاده شود [۱۵ ] , ۲۱ , ۲۲ , ۲۳ , ۲۴ ].
از آنجایی که دسترسی به پایگاه‌های داده رسمی جنگل‌ها اغلب محدود است یا فقط برای جنگل‌های دولتی در دسترس است، مجموعه داده‌های باز اهمیت بیشتری پیدا می‌کنند. به این ترتیب، اطلاعات جغرافیایی داوطلبانه (VGI) می تواند نقشی حیاتی در پیشرفت بیشتر مفاهیم GEOBIA ایفا کند. VGI در تحقیقات و انتشارات، و همچنین برای کاربردهای اداری و تجاری توجه بیشتری را به خود جلب می کند و علاقه در دهه گذشته افزایش یافته است [ ۲۵ ، ۲۶ ، ۲۷ ]. ادغام VGI و سنجش از دور گزینه های جدیدی را در پردازش تصویر ارائه می دهد که نیاز به بررسی دارند [ ۲۸]]. با توجه به مرزهای برداری مناسب برای استفاده در مرحله تقسیم‌بندی GEOBIA، OpenStreetMap (OSM) یک منبع داده گسترده است. از زمان ایجاد آن در سال ۲۰۰۴، پایگاه داده OSM و مشارکت کنندگان فعال آن به طور پیوسته برای ایجاد یک نقشه دقیق از جهان به عنوان داده باز رشد کرده اند [ ۲۹ ، ۳۰ ، ۳۱ ]. هندسه OSM در ترکیب با برچسب‌های توصیف‌کننده مرتبط به نیازهای اطلاعاتی جهانی برای بخش‌های مختلف کمک می‌کند ( به عنوان مثال، شبکه‌های جاده‌ای، ردپای ساختمان یا اطلاعات کاربری زمین/پوشش زمین (LULC) [23، ۳۲ ، ۳۳ ، ۳۴ ، ۳۵ ، ۳۶ ، ۳۷ ، ۳۸ ، ۳۹]). با وضوح فضایی بالا، سازگاری بین مرزی داده ها و در دسترس بودن رایگان آن، OSM توانسته است از کیفیت داده مجموعه داده های اداری در مناطقی با مشارکت مداوم و فعال پیشی بگیرد [۴۰ ، ۴۱ ] . به‌ویژه برای مطالعات فرامرزی، محدودیت‌های مجموعه داده‌های LULC اداری می‌تواند مشکلاتی را در مورد در دسترس بودن مرزی، سازگاری و ارز ویژگی‌های مورد بررسی ایجاد کند [ ۳ ].
به‌ویژه در مطالعاتی که بر پوشش زمین و ویژگی‌های طبیعی تمرکز دارند، داده‌های OSM اخیرا مورد توجه بوده‌اند. شولتز و همکاران (۲۰۱۷) [ ۴۱ ] و یانگ و همکاران. (۲۰۱۷) [ ۴۲ ] نقشه‌های کاربری منطقه‌ای را با استفاده از داده‌های آموزشی از OSM در طبقه‌بندی‌های نظارت شده داده‌های رصد زمین تولید کرد. یانگ (۲۰۱۹) [ ۴۳ ] از رویکرد مشابهی برای استخراج طبقه‌بندی پوشش زمین با استفاده از OSM به عنوان داده‌های آموزشی استفاده می‌کند و متعاقباً تکه تکه شدن جنگل را از طریق ادغام شبکه‌های جاده‌ای OSM ارزیابی می‌کند. آپتون و همکاران (۲۰۱۵) [ ۴۴] داده های OSM را با داده های جنگل اداری برای تخمین دسترسی به خدمات تفریحی جنگل ترکیب کنید. محدودیت‌های استفاده از OSM در این مطالعات عمدتاً به دلیل شکاف‌های داده‌ای برای ویژگی‌های کاربری طبیعی و زمین است که باید توسط منابع داده اضافی یا فعالیت کم مشارکت در ویژگی‌های LULC پر شود.
لوکزامبورگ یک سیاست داده باز (مکانی) را دنبال می کند و بنابراین به دلیل در دسترس بودن چندین مجموعه داده حیاتی (به عنوان مثال، تصاویر هوایی مادون قرمز و اشیاء سطحی از پایگاه داده رسمی کارتو / توپوگرافی)، که می تواند به عنوان ورودی استفاده شود، به عنوان منطقه مورد مطالعه انتخاب شد. داده ها برای طبقه بندی و همچنین داده های مرجع برای اعتبار سنجی. یک بررسی اولیه داده‌های بصری OSM در لوکزامبورگ نشان داد که نقشه‌برداری جنگل کلاس کاربری زمین کامل است و از دقت مکانی بالایی برخوردار است. با این وجود، طبقه بندی بیشتر در زیربخش های معتبر موضوعی اغلب وجود ندارد، زیرا تنها نیمی از مناطق جنگلی در لوکزامبورگ با اطلاعات اضافی در مورد نوع برگ (یعنی پهن برگ یا سوزنی برگ) برچسب گذاری شده اند. برجستگی مناطق جنگلی با نوع برگ مخلوطمشکل ساز دیده می شود. با توجه به فقدان راهنمایی در مورد حداقل واحدهای نقشه برداری در OSM، برچسب گذاری یک منطقه جنگلی بزرگ به عنوان مختلط از نظر فنی صحیح است، اگر منطقه جنگل از تکه هایی از جنگل های پهن برگ و سوزنی تشکیل شده باشد. متأسفانه، این روش برچسب گذاری مبهم است زیرا قادر به توصیف طبقه بندی انواع برگ های پهن برگ و سوزنی برگ در داخل چندضلعی های جنگلی نیست. مناطق جنگلی مختلط واقعی عموماً به سختی می‌توان به تقسیم‌بندی‌های طبقه‌بندی شده تقسیم کرد، زیرا ترکیب جنگل‌های سوزنی‌برگ و پهن‌برگ شناسایی مرزهای بین انواع جنگل‌ها را دشوار می‌کند. کاوش داده ها نشان داد که چند ضلعی ها به عنوان مخلوط برچسب گذاری شده اندجنگل‌ها در OSM شامل مناطق زیادی هستند که از توده‌های قابل تشخیص بصری از انواع مختلف جنگل تشکیل شده‌اند. بنابراین، تعیین انواع جنگل، جزئیات مکانی و موضوعی را در پایگاه داده OSM افزایش می دهد. تشریح دقیق انواع جنگل با اطلاعات مربوط به انواع برگ آنها همچنین می تواند پتانسیل استفاده و ادغام داده های OSM را در طبقه بندی پوشش زمین، برنامه ریزی و مدل سازی افزایش دهد.
به منظور افزایش کاربرد داده های OSM برای تحقیقات و کاربردهای جنگل، بخش های فرعی روابط جنگل باید نقشه برداری شوند و آن زیربخش ها باید با محتوای موضوعی (یعنی پهن برگ و سوزن برگ) غنی شوند. نقشه برداری دقیق از توزیع فضایی انواع جنگل در جزئیات فضایی مناسب برای استفاده در مطالعات منطقه ای یا محلی را می توان با ادغام داده های OSM و داده ها و روش های سنجش از دور به دست آورد.
بر اساس نیازهای اطلاعاتی و نیاز محصول نقشه، سوال تحقیق زیر تعریف شده است: آیا می توان از داده های OSM و تصاویر هوایی برای ایجاد، ارتقا، به روز رسانی و فضایی سازی نقشه های نوع جنگل استفاده کرد؟
به منظور شروع پاسخ به این سوال جامع، مطالعه حاضر اولین گام را در بررسی چند ضلعی های جنگلی OSM در حال حاضر برمی دارد که می توانند بیشتر به توده های جنگلی پهن برگ یا سوزنی برگ تقسیم شوند. برای دستیابی به این هدف، چندین چالش فنی در زنجیره پردازش باید حل شود:
  • جداسازی انواع جنگل بر اساس تقسیم بندی در حال رشد منطقه و تصاویر هوایی در داخل مرزهای برداری موجود.
  • طبقه بندی بخش های مشتق شده
  • ارتقاء هندسه های OpenStreetMap از طریق تقسیم بندی های فضایی و موضوعی از نوع جنگل.
داده های OSM به طور منظم در مطالعات استفاده می شود، به عنوان مثال، برای به روز رسانی مجموعه داده های موجود [ ۴۵ ، ۴۶ ] یا برای ایجاد مجموعه داده های جدید بر اساس داده های OSM [ ۴۱ ، ۴۲ ، ۴۳]]، اما به ندرت این پروژه ها بازخوردی را برای پایگاه داده OSM ایجاد می کنند. در حالت ایده‌آل، این بررسی به ارزیابی امکان‌سنجی استفاده از GEOBIA برای شناسایی زیرشاخه‌های چند ضلعی جنگلی OSM موجود می‌انجامد که می‌توانند بعداً با کلیدهای به‌روز شده در leaf_type در پایگاه داده OSM ادغام شوند. در یک سطح اساسی تر، مطالعه امکان سنجی منجر به تخمین محتوای فضایی و موضوعی در چند ضلعی های جنگلی مختلط OSM برای منطقه مورد بررسی می شود و می تواند فرصت هایی را که در انتظار کاوش بیشتر با استفاده از داده های کاربری طبیعی/زمین OSM هستند نشان دهد.

۲٫ منطقه مطالعه

جنگل ها ۹۴۰ کیلومتر مربع از لوکزامبورگ را پوشش می دهند (نگاه کنید به شکل ۱ )، که ۳۶ درصد از مساحت کشور را تشکیل می دهد و تقریباً دو سوم مساحت جنگل ها توسط جنگل های پهن برگ پوشیده شده است [ ۳ ]. معرف ترین گونه های درختی عبارتند از: راش اروپایی ( Fagus sylvatica L. )، بلوط بدون شکم و بلوط دمپایی ( Quercus petraea (Mat.) Liebl.؛ Quercus robur L. )، صنوبر نروژی ( Picea abies (L.) H. Karst. ممرز اروپایی ( Carpinus betulus L. ) و صنوبر داگلاس ( Pseudotsuga menziesii (Mirbel) Franco ) [ ۴۷ ، ۴۸ ].
پورتال داده های عمومی لوکزامبورگ ( https://data.public.lu/en ) تنوع زیادی از مجموعه داده های جغرافیایی مفید برای بررسی اکوسیستم های جنگلی را ارائه می دهد، به عنوان مثال، تصاویر هوایی (RGB و مادون قرمز با وضوح فضایی ۲۰ سانتی متر × ۲۰ سانتی متر)، مدل‌های رقومی ارتفاع و مجموعه داده‌ها در جنبه‌های مختلف (یعنی مناطق جنگلی) از پایگاه‌داده رسمی کارتو/توپوگرافی [ ۴۹ ]. دستیابی به تصاویر هوایی ۲۰۱۸ با پروازهایی در ۲ ژوئیه، ۸ ژوئیه، ۲۷ ژوئیه و ۵ آگوست انجام شد [۵۰ ] . اطلاعات اضافی از اداره کاداستر و توپوگرافی شامل ارتفاع پرواز ۳۰۰۰ متر و فاصله نمونه برداری از زمین بومی ۰٫۲۰ متر است. داده ها با فرمت JPEG2000 با وضوح رادیومتریک ۸ بیت [۵۰ ، ۵۱ ].
تجزیه و تحلیل داده‌های روابط و راه‌های OpenStreetMap نشان داد که مناطق جنگلی در لوکزامبورگ با برچسب کلید=مقدار استفاده از زمین=جنگل، مساحتی معادل ۸۱۲ کیلومتر مربع را پوشش می‌دهند ، که نشان می‌دهد مقادیر قابل‌توجهی از مناطق جنگلی در لوکزامبورگ نیز در پایگاه داده OSM نشان داده شده‌اند. تفاوت بین دو پایگاه داده به دلیل وجود جنگل ها در پایگاه داده OSM است که برچسب های مختلفی مانند طبیعی = چوب یا تفریح ​​= پارک را حمل می کند. علاوه بر این، مناطقی در پایگاه رسمی کارتو/توپوگرافیک وجود دارند که از نظر اداری جنگل هستند، اما در حال حاضر شامل پوشش جنگلی نیستند. برخی از این مناطق به عنوان جنگل در پایگاه داده OSM برچسب گذاری نشده اند زیرا داده ها با بازرسی بصری تصاویر ماهواره ای ساخته می شوند.
موجودیت‌های OpenStreetMap را می‌توان با چندین تگ توصیف کرد و بررسی بیشتر برچسب‌ها نشان داد که جنگل‌ها اغلب با یک برچسب leaf_type برچسب‌گذاری می‌شوند. اکثر مناطق جنگلی با مقدار برگ_نوع مخلوط برچسب گذاری شده اند (۵۰٪ از حدود ۳۶۰۰ چند ضلعی جنگلی). مساحت آن چند ضلعی های جنگلی مختلط OSM 703 کیلومتر مربع است ، بنابراین ۸۷ درصد از کل منطقه جنگلی OSM را شامل می شود. چند ضلعی های جنگلی پهن برگ OSM 87 کیلومتر مربع و چند ضلعی های جنگلی سوزنی برگ OSM 22 کیلومتر مربع را پوشش می دهند . اگرچه leaf_type با مقدار مخلوط شده از نظر فنی در بیشتر موارد صحیح است، اما پتانسیل OSM را برای ترسیم انواع جنگل با برچسب گذاری دقیق تر leaf_type = پهن برگ از دست می دهد.یا سوزن برگ با جزئیات فضایی بالا. این اطلاعات اطلاعات صریح فضایی را ارائه می کند که پایگاه داده را غنی می کند. پس از آن، این اطلاعات می تواند به عنوان داده های آموزشی برای طبقه بندی ها یا به عنوان داده های اعتبار سنجی برای سایر نقشه های نوع جنگل استفاده شود.
تقاطع چند ضلعی های جنگلی OSM با چند ضلعی های جنگلی از پایگاه داده رسمی کارتو/توپوگرافی لوکزامبورگ منجر به توافقنامه ۷۸۵ کیلومتر مربعی برای مکان جنگل شد. یک تقاطع بر اساس اطلاعات نوع برگ موجود در هر دو پایگاه داده، اختلاف زیاد بین دو پایگاه داده را نشان می دهد. این دوباره شیوع بالای چند ضلعی های جنگلی OSM با نوع برگ مخلوط را نشان می دهد زیرا ۸۴٪ از برگ های پهن برگ و ۸۶٪ از برگ های سوزنی از پایگاه داده رسمی کارتو / توپوگرافی را شامل می شود. مقدار قابل توجهی از اطلاعات نوع جنگل در چند ضلعی های جنگل OSM با ترکیب نوع برگ نگاشت نشده است.، که طبقه بندی انواع برگ را در داخل هندسه OSM دقیق نشان می دهد می تواند سهم ارزشمندی در ارتقا و به روز رسانی نقشه های نوع جنگل داشته باشد.

۳٫ مواد و روشها

کل زنجیره پردازش ( شکل ۲ ) منحصراً در نرم افزار منبع باز و با استفاده از منابع داده با دسترسی باز توسعه داده شد. این امر بسیار مهم تلقی می شد زیرا کل پردازش داده ها را می توان با استفاده از ابزارهای ذکر شده بازتولید کرد که ممکن است مطالعات مشابه را تشویق کند. همچنین پیش نیاز دسترسی نامحدود و در دسترس قرار دادن نتایج برای عموم است. نرم‌افزار منبع باز دسترسی به آخرین الگوریتم‌ها و کد منبع اصلی را فراهم می‌کند، که امکان تطبیق فرآیندها را در صورت نیاز برای وظایف خاص ممکن می‌سازد.

۳٫۱٫ انتخاب روابط OSM

داده های برداری OpenStreetMap با برچسب های landuse=forest و leaf_type=mixed با استفاده از Overpass Turbo API ( http://overpass-turbo.eu/ ) [ ۵۲ ] به دست آمده است. مناطقی که از مرز اداری لوکزامبورگ عبور می کنند متعاقباً کنار گذاشته شده اند، زیرا سایر منابع داده فقط در داخل مرزهای این کشور در دسترس هستند. ناسازگاری بین پایگاه داده OSM و پایگاه داده رسمی کارتونی/توپوگرافی را می توان در نوع برگ مخلوط بررسی کرد.کلاس هایی که توسط پایگاه داده OSM بسیار بیش از حد برآورد شده اند. این اختلاف به دلیل دیجیتالی شدن چند ضلعی های بزرگ در پایگاه داده OSM است که اندازه متوسط ​​آنها ۳۷ هکتار است. چند ضلعی های جنگلی مختلط OSM نیز ۸۷ درصد از کل مساحت جنگل را اشغال می کنند، که نشان می دهد این مناطق از نظر اندازه بزرگ هستند. در مجموع ۲۱ از چند ضلعی های جنگلی OSM بزرگتر (۱۲۷ هکتار تا ۱۳۶۵ هکتار) با ارزش نوع برگ مخلوط در سراسر لوکزامبورگ انتخاب شده اند تا آمادگی این رویکرد را با توجه به شرایط مختلف بوم شناختی و همچنین جنگل بررسی کنند. طرح های مدیریتی ( شکل ۳ ). این چند ضلعی های بزرگ جنگلی مختلط متعاقباً به عنوان مرز در تقسیم بندی تصویر استفاده می شوند ( شکل ۲ را مقایسه کنید ).

۳٫۲٫ تقسیم بندی تصویر در چند ضلعی های جنگلی OSM

روش‌های رشد منطقه ثابت کرده‌اند که در تقسیم‌بندی ویژگی‌های طبیعی، مانند جنگل‌ها، جایی که لبه‌های سخت ممکن است وجود نداشته باشند، عملکرد خوبی دارند [ ۵۳ ، ۵۴ ، ۵۵ ]. بنابراین، تقسیم‌بندی تصاویر هوایی با الگوریتم در حال رشد منطقه اجرا شده در ماژول GRASS GIS i.segment.gsoc [ ۵۶ ] انجام شده است. الگوریتم‌های در حال رشد منطقه بر اساس یک معیار شباهت است که برای بخش‌های همسایه محاسبه می‌شود و متعاقباً مشابه‌ترین همسایه‌ها ادغام می‌شوند. تقسیم بندی با هر پیکسل به عنوان یک قطعه تنظیم می شود. ادغام بخش های جداگانه توسط یک آستانه کنترل می شودپارامتر، سطح مجاز عدم تشابه بین بخش ها را توصیف می کند. بنابراین، آستانه ذاتاً اندازه بخش‌های حاصل را تعیین می‌کند، زیرا نشان‌دهنده حداکثر اختلافی است که تحت آن دو بخش مختلف همچنان ادغام می‌شوند. محاسبه اندازه شباهت همانطور که در ماژول i.segment.gsoc استفاده می شود در معادله (۱) نشان داده شده است. پارامترهایی که باید در ماژول تقسیم بندی تنظیم شوند عبارتند از آستانه ، وزن رادیویی و وزن صاف [ ۵۷ ].

v=rآدمنowهمنgساعتتی×ساعتجoلor+ (۱-rآدمنowهمنgساعتتی)×ساعتسساعتآپه

Radioweight وزن رنگ و شکل را نسبت به تفاوت محاسبه شده بین بخش ها تعیین می کند. اگر مقدار محاسبه شده v بین دو بخش کمتر از آستانه داده شده باشد ، بخش ها ادغام می شوند. به محض اینکه امکان ادغام بیشتر وجود نداشته باشد، پارامتر minsize قطعات کوچک را مجبور می کند تا با مشابه ترین همسایه خود ادغام شوند، حتی اگر مقدار v بزرگتر از آستانه تعیین شده باشد . پارامتر smoothweight را می توان به منظور اعمال وزن بیشتر بر روی صافی یا فشردگی قطعات در سهم hshape اندازه گیری شباهت (معادله (۱)) تطبیق داد.

گردش‌های کاری GEOBIA معمولاً به آزمایش پارامترهای مختلف و یک تخمین بصری متکی هستند اگر تقسیم‌بندی برای حل مشکل ترسیم ارائه‌شده مناسب باشد. رویه های خودکار به منظور یافتن بهترین پارامترها برای تقسیم بندی توسعه داده شده اند. بهینه‌سازی پارامتر بدون نظارت (USPO) که در ماژول GRASS GIS i.segment.uspo [ ۵۸ ] پیاده‌سازی شده است، چنین رویه‌ای خودکار است. این بهینه سازی بدون نظارت بر اساس تحقیقات اسپیندولا و همکاران است. (۲۰۰۶) [ ۵۹] با استفاده از همگنی درون بخش (واریانس وزن منطقه، WV) و ناهمگنی بین بخش (اندازه گیری Moran’s I برای خودهمبستگی فضایی، MI) برای ارزیابی خوبی کلی تقسیم بندی ها بر اساس ترکیبات پارامترهای مختلف. مقادیر WV و MI برای هر بخش بندی با توجه به حداکثر و حداقل مقادیر WV و MI همه بخش بندی ها مقیاس بندی می شوند. بخش بندی با بالاترین مجموع مقادیر مقیاس شده به عنوان بهترین تقسیم بندی انتخاب می شود. جانسون و همکاران (۲۰۱۵) [ ۶۰] این بهینه‌سازی را با معرفی F-measure که می‌تواند برای دادن همگنی درون بخش یا ناهمگنی بین بخش وزن بیشتری از طریق پارامتر α به کار برد، بیشتر کرد. پارامتر α روی مقدار ۲ تنظیم شده است تا بخش بندی های بهینه را پیدا کند که در آن همگنی درون بخش وزن بیشتری نسبت به ناهمگنی بین بخش دارد [ ۶۰ ]. این بر این فرض استوار است که تقسیم بیش از حد به طور کلی به کم‌بخشی ترجیح داده می‌شود. در اکثر روش‌های تقسیم‌بندی، تقسیم‌بندی بیش از حد گزینه‌های بیشتری را برای پس‌پردازش بخش‌ها (به عنوان مثال، طبقه‌بندی، ادغام) فراهم می‌کند [ ۵۸ ، ۶۱ ]. کد USPO از تابع i.segment.uspo منتقل شده است تا در ترکیب با i.segment.gsoc استفاده شود.مدول.
USPO برای انتخاب بهترین ترکیب پارامترهای تقسیم بندی بر اساس زیر مجموعه های منطقه ای مختلف در یک تصویر بزرگتر و انتخاب پایین ترین پارامتر تقسیم بندی بهینه برای تقسیم بندی کل صحنه توسعه یافته است [ ۵۸ ]. در مطالعه ارائه شده، خود مناطق به هندسه OSM چند ضلعی جنگلی مختلط محدود می شوند و بنابراین به عنوان زیر مجموعه برای تعیین بهترین پارامتر آستانه در هر چند ضلعی جنگل استفاده می شوند. چند ضلعی های جنگل OSM وارد می شوند و بخش بندی ها متعاقبا با استفاده از هر چند ضلعی جنگل OSM به عنوان ماسک برای الگوریتم تقسیم بندی اجرا می شوند. تجزیه و تحلیل بهترین مجموعه پارامتر بر روی پارامتر آستانه متمرکز شد ، در حالی که وزن رادیویی و وزن صاف را نگه داشت.در پیش فرض های ۰٫۹ و ۰٫۵ به ترتیب ثابت است. با در نظر گرفتن قابلیت مقایسه بین چند ضلعی های جنگل OSM تقسیم شده، این بهینه سازی محلی ایده آل نیست. از سوی دیگر، یک آستانه جهانی برای بهینه‌سازی تقسیم‌بندی در همه چند ضلعی‌های جنگلی OSM به دلیل زمینه‌های فضایی مختلف (به عنوان مثال، توپوگرافی اطراف، طرح‌های مدیریت جنگل یا شرایط مختلف توده‌های اکولوژیکی) مناسب نیست.
تصاویر هوایی با وضوح بسیار بالا R/G/B و IR به عنوان ورودی تقسیم بندی استفاده شده است تا بتوان تقسیم بندی های حاصل را بر اساس حذف یا گنجاندن یک باند مادون قرمز مقایسه کرد. تصاویر هوایی به دلیل هزینه های پردازش، مناسب بودن برای اشیاء مورد نظر و با توجه به حداقل اندازه قطعه مورد نظر، با وضوح پایین تر (اصلی ۰٫۲ متر × ۰٫۲ متر تا ۲ متر × ۲ متر) نمونه برداری شده اند. از آنجایی که اشیاء هدف درختان منفرد نیستند، اما باید مناطق جنگلی با نوع برگ همگن را تشکیل دهند، وضوح ۲ متر × ۲ متر منجر به بخش هایی می شود که جزئیات فضایی بالایی در ترسیم اشیاء هدف دارند. وضوح اصلی ۰٫۲ متر × ۰٫۲ متر به تغییرات کوچکتر در مناطق جنگلی منجر می شود. این تغییرات کوچک منجر به رفتار غیرقابل پیش بینی در آخرین مرحله از روند رشد منطقه می شود زیرا پارامتر کوچک منجر به تجمع ۱۲۵۰۰ پیکسل به منظور رسیدن به حداقل اندازه ۰٫۰۵ هکتار می شود. این همچنین پر هزینه ترین بخش فرآیند رشد منطقه است زیرا ممکن است برای رسیدن به حداقل اندازه چندین تکرار لازم باشد. حداقل واحد نقشه برداری ۰٫۰۵ هکتار تعیین شده است که مرز پایینی تعریف جنگل UNFCCC است [۶۲ ].

۳٫۳٫ انتخاب مناطق آموزشی برای طبقه بندی

از آنجایی که کل زنجیره پردازش مبتنی بر داده های باز و نرم افزار باز است، داده های آموزشی مستقیماً از پایگاه داده OSM مشتق شده اند. بخش مهمی از زنجیره پردازش در نظر گرفته می‌شود که بر روی رویکردی متمرکز شود که می‌تواند به طور عملیاتی با استفاده از اطلاعات پایگاه داده OSM، بدون نیاز به یافتن داده‌های آموزشی از منابع مختلف یا ساخت دستی آن‌ها از تصاویر هوایی استفاده شود. بررسی رویکردهای مختلف برای استخراج داده‌های آموزشی از OSM ممکن است نشان دهد که آیا می‌توان از چند ضلعی‌های جنگلی دیجیتالی شده قبلی از پایگاه داده OSM استفاده کرد یا اینکه کلیدهای نادرست یا دیجیتالی کردن خشن می‌تواند مشکل ساز شود. با توجه به اختلاف زمانی بین پایگاه داده OSM و کسب تصاویر هوایی،
داده‌های آموزشی با انتخاب آن چند ضلعی‌های جنگلی OSM، که شامل مقادیر نوع برگ سوزنی یا پهن‌برگ نوع برگ هستند، به دست آمد. این همچنین تضمین می‌کند که مجموعه داده‌های آموزشی و هدف از نظر فضایی مستقل از یکدیگر هستند، زیرا چند ضلعی‌ها در کل منطقه لوکزامبورگ توزیع شده‌اند و چند ضلعی‌های آموزشی از نظر فضایی از جنگل‌های مختلط OSM که در آن بخش‌ها بعداً طبقه‌بندی می‌شوند، جدا هستند. دو رویکرد آموزشی مختلف برای یافتن اینکه آیا انتخاب دستی مناطق آموزشی مناسب می‌تواند به دقت طبقه‌بندی بهتری نسبت به انتخاب خودکار منجر شود، آزمایش شد. مقدار مناطق آموزشی برای هر نوع جنگل به دست آمده توسط آن رویکردها در جدول ۱ ثبت شده است .
یک رویکرد خودکار برای استخراج همه چند ضلعی‌های جنگلی OSM که به‌عنوان پهن برگ یا سوزن‌برگ بین ۰٫۱ هکتار تا ۱۰ هکتار برچسب‌گذاری شده‌اند، بدون بررسی بیشتر اینکه آیا آن برچسب‌ها به درستی تنظیم شده‌اند، استفاده شد. رویکرد دوم شامل بازرسی دستی چند ضلعی‌های OSM Forest با مراجعه به تصاویر هوایی با وضوح بالا بود. فقط چند ضلعی هایی که به طور مناسب برچسب گذاری شده بودند برای آموزش نگهداری می شوند. جدول ۱ نشان می دهد که بررسی دستی به میزان قابل توجهی میزان مناطق آموزشی را کاهش داد.

۳٫۴٫ طبقه بندی

طبقه‌بندی‌ها در گردش‌های کاری GEOBIA بر اساس بخش‌های حاصله به جای پیکسل‌ها هستند. این بخش‌ها باید با داده‌های اضافی غنی شوند، زیرا نتیجه تقسیم‌بندی علاوه بر ویژگی‌های هندسی، هیچ اطلاعاتی ندارد. آماده سازی برای طبقه بندی در GRASS GIS با محاسبه آمار منطقه ای بر روی اطلاعات موضوعی اضافی برای هر یک از بخش ها انجام شد. لیست متغیرهای محاسبه شده شامل مقادیر رادیومتریک از تصاویر هوایی (R/G/B/nIR میانگین و انحراف استاندارد) و همچنین معیارهای بافت انتخاب شده است که می تواند مستقیماً از تصاویر هوایی استخراج شود.
استفاده از بافت در طبقه‌بندی GEOBIA یک ویژگی اضافی مهم برای تمایز انواع جنگل است و منجر به افزایش دقت طبقه‌بندی می‌شود [ ۱۶ ، ۶۳ ، ۶۴ ]. درک یک شی و تمایز اشیاء عمدتاً توسط بافت و اطلاعات مکانی هدایت می شود [ ۱۵ ، ۶۵ ]. به کارگیری موفقیت آمیز پارامترهای بافت در طبقه بندی، نیازمند بهینه سازی پارامترها (اندازه پنجره و فاصله نمونه برداری) با توجه به ویژگی هایی است که قرار است شناسایی شوند (به عنوان مثال، توده های جنگلی به جای درختان منفرد). پیروی از نویسندگان در Feng et al. (۲۰۱۵) [ ۶۶]، از نوار سبز برای محاسبه معیارهای بافت با اندازه پنجره ۷ و فاصله نمونه برداری ۱ استفاده شده است. معیارهای بافت با ماژول GRASS GIS r.texture [ ۶۷ ] محاسبه شده است که الگوریتم های توسعه یافته را در سطح خاکستری co پیاده سازی می کند . ماتریس‌های وقوع Haralick و همکاران. [ ۶۵ ، ۶۸ ] با استفاده از تصاویر هوایی ۱ متر × ۱ متر. معیارهای بافت به دنبال توصیه‌های یک دستورالعمل عملی برای انتخاب ویژگی GLCM [ 69 ] انتخاب شده‌اند و بنابراین ممان تفاوت معکوس (IDM)، تکانه دوم زاویه‌ای (ASM)، همبستگی (COR)، آنتروپی (ENT) به عنوان معیارهای بافت انتخاب شده‌اند. برای استفاده در طبقه بندی
میانگین و انحراف استاندارد برای هر باند تصویر هوایی و میانگین معیارهای بافت انتخابی برای همه چند ضلعی‌های تنظیمات آموزشی (اتوماتیک و دستی) و برای تمام بخش‌های حاصل از تنظیمات تقسیم‌بندی (RGB، RGBnIR) محاسبه شده است.
طبقه بندی با استفاده از طبقه بندی جنگل تصادفی [ ۷۰ ] با بسته R Caret در R 3.6.2 انجام شد . [ ۷۱ ]. برای یک مرور کلی و بررسی کامل طبقه‌بندی‌کننده جنگل تصادفی و استفاده از آن در سنجش از دور، به Belgui and Drăguţ (۲۰۱۶) [ ۷۲ ] مراجعه کنید. طبقه‌بندی‌کننده جنگل تصادفی با موفقیت در مطالعات GEOBIA استفاده شده است و حساسیت کمتری را در مورد انتخاب ویژگی‌هایی که در طبقه‌بندی استفاده می‌شوند نشان داده است [ ۷۳ ]. مزیت دیگر طبقه‌بندی‌کننده جنگل تصادفی (مثلاً نسبت به ماشین‌های بردار پشتیبانی) این است که پارامترهای کمتری باید تنظیم شوند و نتایج بهتری می‌توان روی داده‌های چند منبعی به دست آورد [ ۷۲]]. همچنین می توان از جنگل های تصادفی برای تخمین اهمیت متغیر استفاده کرد. برآورد اهمیت متغیر در بسته R برای طبقه‌بندی‌کننده‌های مختلف پیاده‌سازی شده است. در مورد جنگل تصادفی، نمونه های خارج از کیسه (OOB) برای تخمین اهمیت متغیر و برآورد خطاهای مدل داخلی استفاده می شود. همه مدل‌ها با استفاده از اعتبارسنجی متقاطع ۱۰ برابری با ۵ بار تکرار و با استفاده از جستجوی شبکه‌ای برای تنظیم پارامتر mtry آموزش دیدند که تعداد متغیرهای نمونه‌گیری تصادفی را برای استفاده در هر تقسیم مدل تعیین می‌کند. علاوه بر این، به دلیل نامتعادل بودن کلاس‌های نوع برگ، به‌ویژه در انتخاب منطقه تمرینی خودکار، از روش نمونه‌گیری مجدد برای پایین آوردن نمونه کلاس اکثریت (پهن برگ) استفاده شده است.

۳٫۵٫ اعتبار سنجی

چند ضلعی های نوع جنگل از پایگاه داده رسمی کارتو/توپوگرافی لوکزامبورگ به عنوان مبنایی برای اعتبارسنجی استفاده شده است. چند ضلعی های رسمی نوع جنگلی نیز شامل یک نوع جنگلی مخلوط می شوند. این نوع جنگل به طور کامل از استراتژی اعتبار سنجی حذف شده است. به طور عمده، این اطلاعات به راحتی قابل ترجمه و ادغام با رویکرد ارائه شده نیست. علاوه بر این، تنها ۱۵ درصد از مساحت جنگل از پایگاه داده رسمی کارتو/توپوگرافی متعلق به این نوع است. از آنجایی که داده‌های اعتبارسنجی به صورت چند ضلعی ارائه می‌شوند، برای انجام اعتبارسنجی باید یک استراتژی نمونه‌گیری تعریف می‌شد. استراتژی نمونه گیری انتخاب شده استفاده از شبکه نقطه ای منظم ۵۰ × ۵۰ متر است که بر وسعت لوکزامبورگ قرار گرفته است. این رویکرد به دلیل مستقل بودن از نتیجه تقسیم‌بندی انتخاب شد و بنابراین می‌تواند بهترین مقایسه را بین تنظیمات مختلف ارائه دهد. اعتبار سنجی شبکه منظم تضمین می کند که شرایط مکانی دشوار (به عنوان مثال،

۴٫ نتایج

۴٫۱٫ تقسیم بندی تصویر در چند ضلعی های جنگلی OSM

بخش‌بندی‌ها بر روی تصاویر هوایی با وضوح فضایی ۲ متر × ۲ متر (RGB) و تصاویر هوایی nIR (RGBnIR) انجام شده است. مقایسه تقسیم بندی برای چند ضلعی جنگل مختلط OSM شماره ۴ بر اساس RGB و RGBnIR در وضوح ۲ متر × ۲ متر در شکل ۴ ارائه شده است . واضح است که تقسیم بندی بیش از حد در هر دو مورد شایع است، که دیدن تفاوت ها در مقیاس بزرگتر را دشوار می کند. بنابراین نمای نزدیک از بخشی از منطقه ارائه شده است. این کلوزآپ ها هنگام استفاده از تصاویر RGB مشکلی را نشان می دهند. در مقایسه با تصاویر RGBnIR تک‌تاریخ، یک تصویر RGB تک‌تاریخ ممکن است قادر به تمایز بین جنگل‌های پهن برگ و سوزنی در روش تقسیم‌بندی نباشد ( شکل ۴ را ببینید.ج، ه). به دلیل پروازهای بیش از حد در ماه های ژوئیه و آگوست، پاسخ رادیومتری توده های جنگلی پهن برگ و سوزنی برگ به اندازه کافی ناهمگون نیست تا در فرآیند تقسیم بندی تصاویر RGB متمایز شود. بیشتر بخش‌های تقسیم‌بندی RGB در مرزهای توده‌های جنگلی با انواع برگ‌های مختلف رشد می‌کنند. این همچنین در مقایسه بصری تقسیم بندی با استفاده از RGB و نمایش رنگ کاذب به عنوان پس زمینه قابل توجه است ( شکل ۴ c,d را ببینید). ادغام مادون قرمز نزدیک در فرآیند تقسیم‌بندی، نتیجه بسیار امیدوارکننده‌تری را نشان می‌دهد زیرا پایه‌های پهن برگ و سوزنی با موفقیت بیشتری از هم جدا شده‌اند. با این حال، تقسیم بندی در RGBnIR بدون نقص نیست، همانطور که از نشان فلش در شکل ۴ نمای نزدیک قابل مشاهده است.e، جایی که بخشی از گونه های عمدتاً پهن برگ به یک توده مخروطی رشد کردند.
از آنجایی که آستانه بهینه برای تقسیم‌بندی توسط رویکرد بهینه‌سازی پارامتر بدون نظارت به دست آمد، یک نمودار از اندازه‌گیری F بر اساس تقسیم‌بندی تصاویر هوایی nIR را می‌توان در شکل ۵ بررسی کرد . نمودار مقدار اندازه گیری F را بر اساس همگنی درون بخش و ناهمگنی بین بخش برای تقسیم بندی ها با استفاده از آستانه های مختلف نشان می دهد. با نگاهی دوباره به منطقه جنگلی شماره ۴، نمودار F-measure نشان می دهد که بهترین تقسیم بندی را می توان با آستانه ۰٫۴۶ به دست آورد. در شکل ۶ ، نماهای نزدیک از تقسیم بندی به دست آمده توسط آستانه بهینه، با یک آستانه پایین تر (۰٫۴۴) و در یک آستانه بالاتر (۰٫۴۹) را می توان مقایسه کرد. شکل ۶b نشان می دهد که آستانه بهینه برای تقسیم بندی نیز از نظر بصری برای کار طبقه بندی جنگل بر اساس نوع برگ مناسب است. علاوه بر این، آستانه پایین نشان می‌دهد که تقسیم‌بندی بیش از حد لزوماً معیاری برای رد یک تقسیم‌بندی نیست، زیرا از نظر بصری با تقسیم‌بندی از آستانه بهینه مقایسه می‌شود. از سوی دیگر، در شکل ۶ ج، نتیجه تقسیم بندی آستانه بالاتر، کم‌تقسیم‌بندی را نشان می‌دهد، در نتیجه توده‌های پهن برگ و سوزنی‌برگ به خوبی از هم جدا نشده‌اند.

۴٫۲٫ طبقه بندی و اعتبارسنجی

طبقه بندی بخش های مشتق شده با یک طبقه بندی جنگل تصادفی در R با استفاده از Caret انجام شده است.بسته بندی تنظیمات مختلف آموزشی (اتوماتیک و دستی) و ویژگی‌های موجود (با میانگین و انحراف استاندارد برای ویژگی‌های رادیومتریک (RGB+nIR) و میانگین برای ویژگی‌های بافتی (Texture)) برای آموزش مدل‌ها برای استخراج تأثیر آنها بر دقت مدل داخلی استفاده شده‌اند. مدل‌های ساخته شده بر روی ویژگی‌های RGB به کمترین دقت مدل منجر می‌شوند (۷۰٪ خودکار، ۷۷٪ دستی)، در حالی که گنجاندن مادون قرمز نزدیک منجر به دقت مدل بالاتری می‌شود، مخصوصاً در تنظیم آموزش دستی (۷۸٪ خودکار، ۹۱٪ دستی). گنجاندن ویژگی های بافت منجر به دقت بالاتر در همه تنظیمات (۲-۶٪) می شود، در حالی که منجر به بالاترین افزایش برای راه اندازی دستی RGB (6٪) می شود.شکل ۷ ).
متعاقباً، مدل‌های آموزش‌دیده بر روی RGB و RGB+Texture برای طبقه‌بندی بخش‌های مشتق‌شده از تصاویر هوایی RGB استفاده شدند، در حالی که بخش‌های مشتق‌شده از تصاویر هوایی RGBnIR با مدل‌های آموزش‌دیده با گنجاندن باند nIR طبقه‌بندی شدند (جدول ۲ را ببینید ) . دقت طبقه‌بندی که از طریق ماتریس‌های سردرگمی به دست می‌آید، الگوی یکسانی را برای هر مجموعه آموزشی نشان می‌دهد، که در آن گنجاندن معیارهای بافت، دقت را اندکی افزایش می‌دهد. مقایسه دقت بین تنظیمات آموزشی نشان می‌دهد که طبقه‌بندی‌های مبتنی بر راه‌اندازی خودکار آموزش بر اساس بخش‌های مشتق‌شده از تصاویر هوایی RGB به دقت کمی بالاتر می‌رسند، در حالی که تنظیم آموزش دستی بر اساس بخش‌هایی که از تصاویر هوایی RGBnIR به دست می‌آید به دقت‌های بالاتری می‌رسد.
با توجه به بهترین عملکرد طبقه بندی نوع جنگل (RGB+nIR+Texture) با دقت کلی ۸۵ درصد، مناطق جنگلی مختلط OSM انتخاب شده شامل ۷۰ کیلومتر مربع جنگل پهن برگ و ۲۶ کیلومتر مربع جنگل سوزنی برگ است. شکل ۸ مقایسه اندازه مناطق جنگلی پهن برگ و سوزنی برگ را بین طبقه بندی و پایگاه داده رسمی کارتونی/توپوگرافی برای هر منطقه جنگلی انتخابی OSM نشان می دهد (در مقایسه با شکل ۳)). این مقایسه تطابق خوبی را برای بسیاری از مناطق جنگلی انتخاب شده نشان می دهد. تمایل به مقادیر بالاتر برای مناطق به دست آمده از طبقه بندی از مناطق جنگلی مختلط در پایگاه داده رسمی کارتو / توپوگرافی ناشی می شود. از آنجایی که هیچ کلاس مختلطی در روش طبقه‌بندی وجود ندارد، منطقه‌ای که می‌تواند جنگل مختلط در پایگاه داده رسمی باشد، در طبقه‌بندی به جنگل‌های پهن برگ و سوزنی‌برگ توزیع می‌شود. برخی از مناطق جنگلی انتخاب شده برای بررسی دقیق تر انتخاب شده اند، به عنوان مثال، منطقه جنگلی شماره ۱۰ تطابق خوبی را نشان می دهد و منطقه جنگلی شماره ۸ تطابق خوبی را در کلاس پهن برگ نشان می دهد، اما تخمین زیادی از طبقه سوزنی برگ نشان می دهد. این نیز توسط دقت طبقه بندی برای این مناطق خاص منعکس شده است،
بهترین عملکرد طبقه بندی (آموزش دستی با RGB+nIR+Texture) برای بررسی دقیق تر انتخاب شده است. جدول ۳ ماتریس سردرگمی طبقه بندی را با اطلاعات اضافی در مورد دقت کلاس (دقت تولید کننده و کاربر) و نشان دهنده اختلاف کمیت و تخصیص علاوه بر دقت کلی و آمار کاپا نشان می دهد.
شکل ۹مقایسه فضایی انواع جنگل از پایگاه‌داده رسمی کارتو/توپوگرافی و بهترین نتیجه طبقه‌بندی را برای منطقه جنگلی شماره ۱۰ نشان می‌دهد. طبقه‌بندی به طور کلی برای استخراج انواع جنگل‌های صحیح در داخل این رابطه OSM خاص با توافق خوب با جنگل موفق بوده است. انواع از پایگاه داده رسمی carto-/topographic همانطور که در نمای نزدیک (جعبه آبی و قرمز) قابل مشاهده است. این نشان می دهد که گردش کار می تواند انواع جنگل ها را با جزئیات قابل توجهی مشخص کند. نگاه دقیق‌تر به این مناطق نشان می‌دهد که احتمال تعلق بخش‌ها به کلاس جنگل‌های پهن برگ در نمای نزدیک جعبه قرمز کمی بیش از ۵۰ درصد است، در حالی که احتمالات در نمای نزدیک جعبه آبی بسیار بیشتر است. این نشان می دهد که مدل قادر به طبقه بندی بخش های موجود در کادر قرمز با احتمال زیاد نیست.
نتیجه برای منطقه جنگلی شماره ۸ در شکل ۱۰ قابل بررسی است . همانطور که با مقایسه مساحت از شکل ۸ نشان داده شده است ، طبقه بندی جنگل های سوزنی برگ در این منطقه جنگلی را تا حد زیادی بیش از حد تخمین زده است. توده‌های جنگل‌های پهن برگ در نمای نزدیک احتمال کمی دارند که به کلاس جنگل‌های پهن برگ تعلق داشته باشند، که ممکن است به دلیل نسبت زیاد سایه‌ها باشد که منجر به مقادیر طیفی پایین‌تر و اشتباه گرفتن با جنگل‌های سوزنی برگ می‌شود.

۵٫ بحث

کار ارائه شده طبقه بندی انواع جنگل را در داخل چند ضلعی های جنگلی بزرگتر OSM نشان می دهد که با نوع برگ مخلوط شده برچسب گذاری شده اند. می توان با موفقیت نشان داد که یک منبع باز و گردش کار داده باز برای استخراج این طبقه بندی مناسب است و به نتایج امیدوارکننده ای منجر می شود که می تواند بیشتر بر روی آن بنا شود. خود گردش کار به راحتی قابل پیاده‌سازی است زیرا داده‌ها و نرم‌افزار مورد نیاز آشکارا در دسترس هستند و می‌توان آن‌ها را در جایی که منابع داده مشابه در دسترس هستند، تکرار کرد. اگر تصاویر با وضوح بالا در دسترس باشد و مقدار کافی از مناطق جنگلی به درستی در پایگاه داده OSM برچسب گذاری شده باشد، می توان فرض کرد که گردش کار به مناطق دیگر قابل انتقال است. جنبه‌های مشکل‌ساز را می‌توان تعیین کرد و برای توسعه بیشتر رویکرد باید بهبودهایی در جریان کار ایجاد کرد.

۵٫۱٫ جداسازی انواع جنگل بر اساس تقسیم بندی در حال رشد منطقه و تصاویر هوایی در داخل مرزهای برداری موجود

بخش بندی یک مرحله پردازش حیاتی در گردش کار GEOBIA است که به شدت بر دقت احتمالی طبقه بندی بعدی تأثیر می گذارد. انتخاب پارامتر بدون نظارت که برای استخراج بهترین پارامتر تقسیم‌بندی استفاده می‌شود، به خوبی کار می‌کند و در اکثر موارد می‌توان آن را به صورت بصری تأیید کرد. با توجه به خاص بودن نتایج برای هر یک از مناطق جنگلی انتخاب شده، آستانه های بسیار متفاوتی ممکن است به عنوان بهترین پارامتر تقسیم بندی انتخاب شوند. این رویکرد تضمین می‌کند که هر منطقه جنگلی بر اساس تغییرات داخلی مقادیر طیفی تقسیم‌بندی می‌شود، اما تقسیم‌بندی‌ها برای مناطق مختلف جنگلی به راحتی قابل مقایسه نیستند. متعاقباً، این رویکرد می‌تواند به بخش‌های بسیار کوچک در یک منطقه جنگلی کاملاً یکنواخت منجر شود. از آنجایی که مناطق جنگلی یکنواخت بیشتر به بخش های کوچک تقسیم می شوند، تأثیر برخی از جنبه‌های مشکل‌ساز تصاویر هوایی، مانند سایه‌اندازی، افزایش می‌یابد و منجر به طبقه‌بندی اشتباه سایه‌ها به جنگل‌های سوزنی می‌شود. پیش پردازش اضافی تصاویر هوایی با استفاده از الگوریتم‌های هموارسازی ممکن است بتواند ایجاد بخش‌هایی را که عمدتاً حاوی تکه‌های سایه هستند، کاهش دهد.
در رابطه با تصاویر ورودی، نمونه‌برداری مجدد به وضوح پایین‌تر (۲ متر × ۲ متر به جای ۲۰ سانتی‌متر × ۲۰ سانتی‌متر وضوح اصلی) این مزیت را دارد که مشکل تقسیم‌بندی را در مقیاس مورد نظر حل کند. در نتیجه باید تکه های جنگلی همگن را مشخص کند و نه تاج درختان منفرد. به همین ترتیب، وضوح ۱۰ متر برای ترسیم لکه های جنگلی بزرگتر و وضوح ۳۰ متر و بیشتر برای ترسیم عناصر کوچکتر چشم انداز کافی است. تقسیم بندی بر اساس وضوح فضایی اصلی را می توان برای ترسیم تاج های درختان جداگانه، به ویژه با ادغام داده ها در مورد ارتفاع تاج استفاده کرد. سپس تکنیک های پس پردازش برای گروه بندی درختان جداگانه برای استخراج تکه های جنگل مورد نیاز است.
علاوه بر این، استفاده از تصویر هوایی تک‌تاریخ ممکن است ایده‌آل نباشد اگر تصویر هوایی از منطقه هدف در دوره‌ای به دست آمده باشد که گونه‌های پهن برگ و سوزنی برگ به خوبی قابل تشخیص نیستند. گنجاندن یک باند مادون قرمز نزدیک به شدت کیفیت بخش‌بندی را افزایش می‌دهد، همانطور که می‌توان نشان داد. احتمالات برای بهبود بیشتر بخش‌بندی، گنجاندن مدل‌های سطحی و ارتفاعی دیجیتال و ادغام مجموعه‌های داده سنجش از دور (به عنوان مثال، Sentinel-2) برای شامل ویژگی‌های زمانی و فنولوژیکی است. بخش بندی در حال حاضر بر روی نوارهای تصویر ورودی ارزیابی می شود، اما باندهای انتخاب شده یا شاخص های محاسبه شده اضافی را می توان برای یافتن بهترین پارامتر تقسیم بندی مورد استفاده قرار داد.

۵٫۲٫ طبقه بندی بخش های مشتق شده

همانطور که از انتخاب مناطق آموزشی مشاهده می شود، بررسی دستی چند ضلعی های جنگلی OSM منجر به کاهش چند ضلعی های آموزشی شده است. این چند ضلعی ها شامل مناطق جنگلی بدون پوشش جنگلی در تصویر هوایی سال ۲۰۱۸ و مناطق جنگلی با برچسب های کاذب، یا چند ضلعی های بزرگ جنگلی مختلط با برچسب پهن برگ/سوزن برگ یا ترکیبی از جنگل های پهن برگ و سوزنی برگ بودند. بنابراین انتظار می رفت که رویکرد آموزش دستی متعاقباً به دقت طبقه بندی بالاتری منجر شود. این را می‌توان تأیید کرد، اما رویکردهای آموزش خودکار و دستی منجر به دقت طبقه‌بندی بسیار مشابهی می‌شود، که ممکن است با تعداد زیادی از مناطق جنگلی که به درستی برچسب‌گذاری شده‌اند در رویکرد خودکار و حجم نمونه بزرگ‌تر توضیح داده شود. تأثیر جنگل‌ها با برچسب‌های کاذب می‌تواند بسیار کم باشد تا تأثیر قابل‌توجهی بر عملکرد تمرینی داشته باشد. نتایج خوبی را می توان با داده های آموزشی که به راحتی برای منطقه مورد مطالعه لوکزامبورگ در دسترس است به دست آورد. این ممکن است برای مناطقی که رقومی سازی پوشش زمین کمتر برجسته است یا جنگل ها به عنوان یکپارچه به طور کامل برچسب گذاری شده اند.
همانطور که در شکل ۱۰ برای منطقه جنگلی ۸ ارائه شده است، بهترین طبقه بندی هنوز منجر به طبقه بندی نادرست مناطق جنگلی می شود که به راحتی از نظر بصری قابل تشخیص هستند، حتی اگر تقسیم بندی منجر به نتیجه خوبی شود. این نشان می دهد که مدل طبقه بندی باید بیشتر بهبود یابد. اندازه‌گیری‌های دقت کلاس ( جدول ۳ )، مشکلات باقی‌مانده در طبقه‌بندی را نشان می‌دهد، به‌ویژه با توجه به اینکه جنگل‌های سوزنی در طبقه اقلیت هستند. دلایل متعددی برای طبقه بندی نادرست وجود دارد که می تواند برای جنگل های سوزنی برگ رسمی طبقه بندی شده به عنوان جنگل های پهن برگ شناسایی شود:
  • موقعیت های مرزی عمومی.
  • موقعیت های مرزی با جنگل های مختلط.
  • رشد جدید جنگل های سوزنی برگ.
  • زیر-/بیش از حد مناطق جنگلی از نظر ساختاری غنی.
مشکلات مربوط به طبقه بندی نادرست جنگل های پهن برگ رسمی طبقه بندی شده به عنوان جنگل های سوزنی برگ عمدتاً به دلیل نسبت سایه زیاد در شرایط توده باز است. این را می توان با گنجاندن یک کلاس سایه حل کرد، اما سوالاتی در مورد نحوه مدیریت کلاس برای نقشه جنگل نهایی باقی می ماند، زیرا هیچ اطلاعات موضوعی ارائه نمی دهد. گزینه های دیگر باید مورد بررسی قرار گیرند، به عنوان مثال، چن و همکاران. (۲۰۱۱) [ ۱۴ ] از کسر سایه به عنوان ویژگی ورودی اضافی برای طبقه بندی بخش های مشتق شده استفاده کرد.

۵٫۳٫ ارتقاء هندسه نقشه خیابان باز از طریق زیربخش های فضایی و موضوعی نوع برگ

با توجه به رویکرد ارائه‌شده، ادغام مجدد تقسیم‌بندی‌های فضایی و موضوعی مناطق جنگلی امکان‌پذیر نیست زیرا نتایج مراحل پردازش قبلی برای دستیابی به کیفیت بالاتر نیاز به بهبود دارد. توسعه بیشتر روش ممکن است منجر به ادغام زیرشاخه‌های متناسب با نوع جنگل با OSM شود. با توجه به کیفیت بالاتر زیربخش ها، ادغام مجدد به OpenStreetMap باید شامل مشارکت مشارکت کنندگان OSM باشد. تلاش برای یافتن راهبردهایی برای ادغام مجدد نتایج در پایگاه داده OSM، تأیید مشارکت کنندگان OSM ممکن است یک رویکرد امیدوارکننده باشد. رویکردهای جدید در زمینه جمع‌آوری داده‌ها برای تمرکز OSM، یعنی در جاده‌های شناسایی‌شده با هوش مصنوعی، که باید توسط مشارکت‌کنندگان OSM تأیید شوند تا در نهایت در پایگاه داده OSM گنجانده شوند. از این رو، یک امکان می تواند راه اندازی یک پروژه اختصاص داده شده برای دعوت از مشارکت کنندگان برای شناسایی و تأیید نوع برگ شناسایی شده برای مناطق جنگلی تقسیم شده باشد. از سوی دیگر، روش ارائه شده می‌تواند در سناریویی ادغام شود که در آن مناطقی با محتوای نوع برگ اضافی برای راهنمایی مشارکت‌کنندگان به مناطقی که دیجیتالی‌سازی دقیق انواع جنگل‌ها منجر به به‌روزرسانی فضایی و موضوعی پایگاه داده OSM می‌شود، ادغام شود. یک گزینه برای رویکرد ارائه‌شده این است که فقط بخش‌هایی با احتمال کلاس بالا برای یکی از کلاس‌های نوع جنگل پس‌فرایند شوند و آن مناطق دوباره در پایگاه داده OpenStreetMap ادغام شوند. مناطق با احتمال کم به صورت چند ضلعی های جنگلی مخلوط از نوع برگ باقی می مانند. در هر صورت،

۶٫ نتیجه گیری

طبقه بندی حاصل نشان می دهد که استخراج نقشه های نوع جنگل از OSM با یک روش توسعه یافته و بهبود یافته امکان پذیر است. استفاده از هندسه OSM در ترکیب با داده ها و روش های سنجش از دور ممکن است بتواند کمک های ارزشمندی به نیاز اطلاعاتی نقشه های دقیق نوع جنگل ارائه دهد. همچنین نشان می‌دهد که یک روش بهبودیافته ممکن است بتواند با مشارکت مشارکت‌کنندگان، به‌روزرسانی‌هایی از نوع برگ را به پایگاه داده OSM ارائه دهد. با این حال، سوالات به عنوان جنبه های فنی به منظور ادغام مجدد داده ها در پایگاه داده OSM به طور مفصل مورد بحث قرار نگرفته است. رویکرد ارائه‌شده تنها با توجه به کیفیت بالای مشارکت‌های OSM، به پتانسیل کامل خود می‌رسد، که مقدار قابل توجهی از منطقه مورد بررسی را پوشش می‌دهد تا بتوان داده‌های آموزشی را استخراج کرد. جنگل‌های OSM در لوکزامبورگ به خوبی دیجیتالی شده‌اند و مرتباً به‌روزرسانی می‌شوند. همچنین نشان دادن پتانسیل ناشی از باز کردن مجموعه داده‌های با بودجه دولتی برای عموم و ادغام منابع مختلف داده برای بهترین نتیجه ممکن است. با توجه به این موضوع، چندین مجموعه داده باز در مطالعه حاضر دست نخورده باقی می‌مانند و پتانسیل زیادی هنوز نیاز به بررسی دارد (یعنی Sentinel-2 برای استخراج اطلاعات فنولوژیکی، ادغام مدل‌های ارتفاع و سطح دیجیتال).
ادغام OSM در گردش کار سنجش از دور پتانسیل زیادی برای ایجاد، به روز رسانی، ارتقاء و فضایی کردن نقشه های نوع جنگل دارد. ما می‌توانیم نگاهی اولیه به این جهت داشته باشیم و نتایج امیدوارکننده‌ای را می‌توان به دست آورد. با توجه به نتایج به دست آمده، باید به سوال تحقیق به شیوه ای متمایزتر پاسخ داده شود. آیا می توان از داده های OSM و تصاویر هوایی برای ایجاد، ارتقاء، به روز رسانی و فضاسازی نقشه های نوع جنگل استفاده کرد؟ OSM را می توان برای ایجاد یک نقشه نوع جنگل که سهم آن زیاد است و مناطقی وجود دارند که به درستی با انواع برگشان برچسب گذاری شده اند یا می توان آنها را برای استخراج انواع برگ تقسیم کرد، استفاده کرد. برای تهیه نقشه نوع جنگل برای کل لوکزامبورگ، تمام مناطق جنگلی مختلط باید پردازش و ارزیابی شوند.طبیعی = چوب ، اوقات فراغت = پارک ، و غیره، باید گنجانده شود. گردش کاری که ارائه شد مبتنی بر نرم افزار متن باز و داده های باز است، پیاده سازی آسان و قابل انتقال و تکثیر در مناطق دیگر است. ارتقا و به روز رسانی انواع جنگل OSM در حال حاضر امکان پذیر نیست زیرا طبقه بندی های حاصل از کیفیتی برخوردار نیستند که اجازه ادغام مجدد در پایگاه داده OSM را بدهد. بهبود بیشتر این گردش کار می‌تواند منجر به طبقه‌بندی انواع جنگل‌ها شود که می‌تواند قبل از ادغام در پایگاه داده OSM توسط مشارکت‌کنندگان تأیید شود.

منابع

  1. لیو، ی. گونگ، دبلیو. هو، ایکس. Gong، J. شناسایی نوع جنگل با جنگل تصادفی با استفاده از داده‌های Sentinel-1A، Sentinel-2A، Multi-Temporal Landsat-8 و DEM. Remote Sens. ۲۰۱۸ , ۱۰ , ۹۴۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  2. Pasquarella، VJ; هولدن، CE; Woodcock، CE نقشه برداری از نوع جنگل با استفاده از ویژگی های لندست طیفی-زمانی بهبود یافته است. سنسور از راه دور محیط. ۲۰۱۸ ، ۲۱۰ ، ۱۹۳-۲۰۷٫ [ Google Scholar ] [ CrossRef ]
  3. نینک، اس. هیل، جی. استوفلز، جی. بودنباوم، اچ. فرانتز، دی. Langshausen, J. استفاده از داده‌های Landsat و Sentinel-2 برای تولید لایه‌های اطلاعاتی نوع جنگل که به طور مداوم به روز می‌شوند در یک منطقه فرامرزی. Remote Sens. ۲۰۱۹ , ۱۱ , ۲۳۳۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  4. زو، ایکس. لیو، دی. نقشه برداری دقیق از انواع جنگل ها با استفاده از سری های زمانی متراکم فصلی Landsat. ISPRS J. Photogramm. Remote Sens. ۲۰۱۴ ، ۹۶ ، ۱-۱۱٫ [ Google Scholar ] [ CrossRef ]
  5. کمپینرز، پی. سدانو، اف. سیباخ، ال. استروبل، پی. San-Miguel-Ayanz، J. ادغام داده های تصاویر سنجش از دور با وضوح فضایی مختلف که برای نقشه برداری از نوع جنگل اعمال می شود. IEEE Trans. Geosci. Remote Sens. ۲۰۱۱ , ۴۹ , ۴۹۷۷–۴۹۸۶٫ [ Google Scholar ] [ CrossRef ]
  6. استوفلز، جی. هیل، جی. ساچتلبر، تی. مادر، اس. بودنباوم، اچ. استرن، او. لانگ شاوزن، جی. دیتز، جی. Ontrup، G. اشتقاق مبتنی بر ماهواره از لایه‌های اطلاعات جنگلی با وضوح بالا برای مدیریت عملیاتی جنگل. جنگل ها ۲۰۱۵ ، ۶ ، ۱۹۸۲-۲۰۱۳٫ [ Google Scholar ] [ CrossRef ]
  7. گیلیس، م. Leckie, D. رویه های نقشه برداری موجودی جنگل در سراسر کانادا. برای. کرون ۱۹۹۳ ، ۷۱ ، ۷۴-۸۸٫ [ Google Scholar ]
  8. توومینن، اس. Pekkarinen، A. عملکرد ویژگی‌های مختلف عکس‌های هوایی طیفی و بافتی در فهرست جنگل چند منبعی. سنسور از راه دور محیط. ۲۰۰۵ ، ۹۴ ، ۲۵۶-۲۶۸٫ [ Google Scholar ] [ CrossRef ]
  9. هال، RJ نقش عکس های هوایی در تجزیه و تحلیل تصویر سنجش از دور جنگلداری. در سنجش از دور محیط های جنگلی ; Springer: Boston, MA, USA, 2003; صص ۴۷-۷۵٫ [ Google Scholar ]
  10. لاوش، آ. اراسمی، س. کینگ، دی. مگدون، پ. هیوریچ، ام. درک سلامت جنگل با سنجش از دور – بخش اول – مروری بر ویژگی‌های طیفی، فرآیندها و ویژگی‌های سنجش از دور. Remote Sens. ۲۰۱۶ , ۸ , ۱۰۲۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  11. چن، جی. ونگ، کیو. هی، GJ; He, Y. تجزیه و تحلیل تصویر مبتنی بر شی جغرافیایی (GEOBIA): روندهای در حال ظهور و فرصت های آینده. گیسی. Remote Sens. ۲۰۱۸ , ۵۵ , ۱۵۹–۱۸۲٫ [ Google Scholar ] [ CrossRef ]
  12. اسمیت، جنرال موتورز مورتون، RD اشیاء دنیای واقعی در GEOBIA از طریق بهره‌برداری از نقشه‌برداری دیجیتال موجود و تقسیم‌بندی تصویر. فتوگرام مهندس Remote Sens. ۲۰۱۰ ، ۷۶ ، ۱۶۳-۱۷۱٫ [ Google Scholar ] [ CrossRef ]
  13. کیم، ام. وارنر، TA; مدن، م. Atkinson، DS GEOBIA چند مقیاسی با تصاویر هوایی دیجیتال با وضوح فضایی بسیار بالا: اشیاء مقیاس، بافت و تصویر. بین المللی J. Remote Sens. ۲۰۱۱ ، ۳۲ ، ۲۸۲۵-۲۸۵۰٫ [ Google Scholar ] [ CrossRef ]
  14. چن، جی. هی، GJ; کاستیا، جی. سنت اونگه، بی. پاورز، R. تجزیه و تحلیل تصویر مبتنی بر شی جغرافیایی چند مقیاسی برای تخمین ارتفاع تاج جنگل اندازه گیری شده توسط لیدار با استفاده از تصاویر Quickbird. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۱ ، ۲۵ ، ۸۷۷-۸۹۳٫ [ Google Scholar ] [ CrossRef ]
  15. لانگ، اس. هی، GJ; بارالدی، ع. تاید، دی. Blaschke، T. Geobia دستاوردها و فرصت های فضایی در عصر داده های رصد زمین بزرگ. ISPRS Int. J. Geo-Inf. ۲۰۱۹ ، ۸ ، ۴۷۴٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  16. کیم، ام. مدن، م. نقشه برداری از نوع جنگل وارنر، TA با استفاده از معیارهای بافت شی خاص از تصاویر چند طیفی Ikonos. فتوگرام مهندس Remote Sens. ۲۰۰۹ ، ۷۵ ، ۸۱۹-۸۲۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  17. بلاشکه، تی. هی، GJ; کلی، م. لانگ، اس. هافمن، پی. آدینک، ای. فیتوسا، RQ; ون در میر، اف. ون در ورف، اچ. ون کویلی، F. تجزیه و تحلیل تصویر مبتنی بر شی جغرافیایی – به سمت یک پارادایم جدید. ISPRS J. Photogramm. Remote Sens. ۲۰۱۴ ، ۸۷ ، ۱۸۰-۱۹۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  18. هی، GJ; Castilla, G. تجزیه و تحلیل تصویر مبتنی بر شی جغرافیایی (GEOBIA): نام جدیدی برای یک رشته جدید. در تجزیه و تحلیل تصویر مبتنی بر شی ; Springer: برلین/هایدلبرگ، آلمان، ۲۰۰۸; صص ۷۵-۸۹٫ [ Google Scholar ]
  19. یو، کیو. گونگ، پی. کلینتون، ن. بیگینگ، جی. کلی، م. Schirokauer، D. طبقه بندی دقیق پوشش گیاهی مبتنی بر شی با تصاویر سنجش از دور با وضوح فضایی بالا در هوا. فتوگرام مهندس Remote Sens. ۲۰۰۶ ، ۷۲ ، ۷۹۹-۸۱۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  20. آگاروال، ن. سریواستاوا، م. دوتا، ام. تجزیه و تحلیل مقایسه ای طبقه بندی مبتنی بر پیکسل و مبتنی بر شی تصاویر سنجش از دور با وضوح بالا – یک بررسی. بین المللی J. Eng. Trends Technol. ۲۰۱۶ ، ۳۸ ، ۵-۱۱٫ [ Google Scholar ] [ CrossRef ]
  21. اسمیت، جی. مورتون، دی. تقسیم بندی: پاشنه آشیل تجزیه و تحلیل تصویر مبتنی بر شی؟ ISPRS Int. قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی ۲۰۰۸ ، ۳۸ ، XXXVIII-4/C1. [ Google Scholar ]
  22. گو، اچ. لی، اچ. یان، ال. Lu, X. چارچوبی برای تجزیه و تحلیل تصویر مبتنی بر شی جغرافیایی (GEOBIA) بر اساس هستی شناسی جغرافیایی. ISPRS Int. قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی ۲۰۱۵ ، ۴۰ ، ۲۷-۳۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  23. گریفیث، دی. هی، جی. ادغام GEOBIA، یادگیری ماشین، و اطلاعات جغرافیایی داوطلبانه برای نقشه برداری از پوشش گیاهی روی پشت بام ها. ISPRS Int. J. Geo-Inf. ۲۰۱۸ ، ۷ ، ۴۶۲٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  24. میسون، دی سی؛ کور، دی. کراس، آ. هاگ، دی سی؛ لارنس، دی. پترو، م. Tailor, A. استفاده از داده های نقشه دیجیتال در تقسیم بندی و طبقه بندی تصاویر سنجش از راه دور. بین المللی جی. جئوگر. Inf. سیستم ۱۹۸۸ ، ۲ ، ۱۹۵-۲۱۵٫ [ Google Scholar ] [ CrossRef ]
  25. سویی، دی. گودچایلد، م. الوود، اس. اطلاعات جغرافیایی، سیلاب و شکاف دیجیتالی رو به رشد داوطلب شد. در جمع سپاری دانش جغرافیایی ; Springer: Dordrecht، هلند، ۲۰۱۳; صص ۱-۱۲٫ [ Google Scholar ]
  26. Goodchild، MF Citizens به عنوان حسگر: دنیای جغرافیای داوطلبانه. ژئوژورنال ۲۰۰۷ ، ۶۹ ، ۲۱۱-۲۲۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  27. بالاتوره، آ. برتولتو، ام. استخراج دانش جغرافیایی ویلسون، دی سی و تشابه معنایی در OpenStreetMap. بدانید. Inf. سیستم ۲۰۱۲ ، ۳۷ ، ۶۱-۸۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  28. بروولی، MA; وو، اچ. مینگینی، ام. مولیناری، من; کیلسدار، م. ژنگ، ایکس. شو، پ. Chen, J. نرم افزار منبع باز و مواد آموزشی باز در مقایسه و اعتبارسنجی نقشه های پوشش زمین. ISPRS Int. قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی ۲۰۱۸ ، ۴۲ ، ۶۱-۶۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  29. پورعبدالله، ع. مورلی، جی. فلدمن، اس. جکسون، ام. به سوی نقشه خیابان باز معتبر: تلفیق شبکه جاده ای نقشه های ملی OSM و سیستم عامل OpenData. ISPRS Int. J. Geo-Inf. ۲۰۱۳ ، ۲ ، ۷۰۴-۷۲۸٫ [ Google Scholar ] [ CrossRef ]
  30. مونی، پی. Corcoran, P. آیا OpenStreetMap نقشی در برنامه های Digital Earth دارد؟ بین المللی جی دیجیت. زمین ۲۰۱۳ ، ۷ ، ۵۳۴-۵۵۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  31. بارون، سی. نیس، پ. Zipf، A. چارچوبی جامع برای تحلیل کیفی نقشه خیابان باز ذاتی. ترانس. GIS ۲۰۱۴ ، ۱۸ ، ۸۷۷-۸۹۵٫ [ Google Scholar ] [ CrossRef ]
  32. زیلسکه، ام. نیومن، ا. Nagel، K. OpenStreetMap برای شبیه سازی ترافیک . Technische Universität Berlin: برلین، آلمان، ۲۰۱۵٫ [ Google Scholar ]
  33. ژائو، پی. جیا، تی. Qin، K. شان، جی. Jiao, C. تجزیه و تحلیل آماری در مورد تکامل شبکه‌های جاده‌ای OpenStreetMap در پکن. فیزیک یک آمار مکانیک. برنامه آن است. ۲۰۱۵ ، ۴۲۰ ، ۵۹-۷۲٫ [ Google Scholar ] [ CrossRef ]
  34. ژانگ، ی. لی، ایکس. وانگ، آ. بائو، تی. تیان، اس. تراکم و تنوع شبکه‌های جاده‌ای OpenStreetMap در چین. J. Urban Manag. ۲۰۱۵ ، ۴ ، ۱۳۵-۱۴۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  35. لوکسن، دی. Vetter, C. مسیریابی بلادرنگ با داده های OpenStreetMap. در مجموعه مقالات نوزدهمین کنفرانس بین المللی ACM SIGSPATIAL در مورد پیشرفت در سیستم های اطلاعات جغرافیایی، شیکاگو، IL، ایالات متحده، ۱-۴ نوامبر ۲۰۱۱٫ صص ۵۱۳-۵۱۶٫ [ Google Scholar ]
  36. فن، اچ. Zipf، A.; Fu, Q. برآورد انواع ساختمان در نقشه خیابان باز بر اساس تجزیه و تحلیل مورفولوژی شهری. در اتصال اروپای دیجیتال از طریق مکان و مکان ؛ Springer: Cham, Switzerland, 2014; صص ۱۹-۳۵٫ [ Google Scholar ]
  37. باکی‌الله، م. لیانگ، اس. مبشری، ع. جوکار ارسنجانی، ج. Zipf، A. نگاشت جمعیت با وضوح خوب با استفاده از نقاط مورد علاقه OpenStreetMap. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۴ ، ۲۸ ، ۱۹۴۰-۱۹۶۳٫ [ Google Scholar ] [ CrossRef ]
  38. استیما، ج. Painho، M. بررسی پتانسیل OpenStreetMap برای استفاده از زمین / تولید پوشش زمین: مطالعه موردی برای پرتغال قاره. در OpenStreetMap در GIScience ; Springer: Cham, Switzerland, 2015; صص ۲۷۳-۲۹۳٫ [ Google Scholar ]
  39. Fonte, CC; Patriarca، JA; مینگینی، ام. آنتونیو، وی. ببینید، L. Brovelli، MA استفاده از openstreetmap برای ایجاد نقشه های کاربری زمین و پوشش زمین: توسعه یک برنامه کاربردی. در هوش مکانی: مفاهیم، ​​روش‌ها، ابزارها و کاربردها . IGI Global: Hershey، PA، ایالات متحده آمریکا، ۲۰۱۹؛ صص ۱۱۰۰–۱۱۲۳٫ [ Google Scholar ]
  40. ارسنجانی، ج. مونی، پی. Zipf، A.; Schauss, A. ارزیابی کیفیت اطلاعات استفاده از زمین از OpenStreetMap در مقابل مجموعه داده‌های معتبر. در OpenStreetMap در GIScience ; Springer: Cham, Switzerland, 2015; صص ۳۷-۵۸٫ [ Google Scholar ]
  41. شولتز، ام. ووس، ج. اور، ام. کارتر، اس. Zipf، A. پوشش زمین را از OpenStreetMap و سنجش از راه دور باز کنید. بین المللی J. Appl. زمین Obs. Geoinf. ۲۰۱۷ ، ۶۳ ، ۲۰۶-۲۱۳٫ [ Google Scholar ] [ CrossRef ]
  42. یانگ، دی. فو، سی.- اس. اسمیت، AC; Yu, Q. نقشه کاربری زمین باز: یک استراتژی نقشه برداری کاربری منطقه ای برای ترکیب OpenStreetMap با مشاهدات زمین. ژئو اسپات. Inf. علمی ۲۰۱۷ ، ۲۰ ، ۲۶۹-۲۸۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  43. یانگ، دی. نقشه برداری از چشم انداز منطقه ای با استفاده از نقشه خیابان باز (OSM). در سیستم های اطلاعات محیطی: مفاهیم، ​​روش ها، ابزارها و کاربردها . IGI Global: Hershey، PA، ایالات متحده آمریکا، ۲۰۱۹؛ صص ۷۷۱-۷۹۰٫ [ Google Scholar ] [ CrossRef ]
  44. آپتون، وی. رایان، م. O’Donoghue، سی. Dhubhain، AN ترکیب اطلاعات جغرافیایی مرسوم و داوطلبانه برای شناسایی و مدل سازی منابع تفریحی جنگل. Appl. Geogr. ۲۰۱۵ ، ۶۰ ، ۶۹-۷۶٫ [ Google Scholar ] [ CrossRef ]
  45. گریپا، تی. جورجانوس، اس. ونهویسه، اس. لنرت، ام. امبوگا، ن. وولف، É. نقشه برداری زاغه ها و مدل سازی تراکم جمعیت با استفاده از داده های رصد زمین و راه حل های منبع باز در مجموعه مقالات رویداد مشترک سنجش از دور شهری ۲۰۱۹ (JURSE)، وان، فرانسه، ۲۲ تا ۲۴ مه ۲۰۱۹؛ صص ۱-۴٫ [ Google Scholar ]
  46. لیو، سی. شیونگ، ال. هو، ایکس. Shan, J. یک روش بافر پیشرو برای به روز رسانی نقشه راه با استفاده از داده های OpenStreetMap. ISPRS Int. J. Geo-Inf. ۲۰۱۵ ، ۴ ، ۱۲۴۶-۱۲۶۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  47. روندوکس، جی. آلدرویرلد، ام. سعیدی، م. شیلینگ، تی. فریمن، ای. مورات، دی. Kugener, G. La Forêt Luxembourgeoise en Chiffres-Résultats de l’Lnventaire Forestier National au Grand-Duché de Luxembourg 2009–۲۰۱۱ ; Administration de la Nature et des forêts du Grand-Duché de Luxembourg—Service des Forêts: Diekirch، لوکزامبورگ، ۲۰۱۴٫
  48. نیمایر، تی. هاردتل، دبلیو. Ries, C. Die Waldgesellschaften Luxemburgs: Vegetation, Standort, Vorkommen und Gefährdung ; Musée National D’Histoire Naturelle Luxembourg: Luxembourg, 2010. [ Google Scholar ]
  49. جنگل‌های BD-L-TC از پایگاه داده رسمی کارتو/توپوگرافی. در دسترس آنلاین: https://data.public.lu/fr/datasets/bd-l-tc-2015/ (دسترسی در ۲۰ دسامبر ۲۰۱۹).
  50. عکس های Aériennes. در دسترس آنلاین: https://act.public.lu/fr/cartographie/photos-aeriennes.html (در ۲۲ ژوئیه ۲۰۲۰ قابل دسترسی است).
  51. Orthophoto Officelle du Grand-Duché de Luxembourg, Édition 2018. موجود آنلاین: https://data.public.lu/fr/datasets/orthophoto-officelle-du-grand-duche-de-luxembourg-edition-2018/ (دسترسی در تاریخ ۱۰ نوامبر ۲۰۱۹).
  52. Raifer, M. Overpass Turbo—Overpass API. در دسترس آنلاین: http://overpass-turbo.eu/ (در ۱۵ ژانویه ۲۰۲۰ قابل دسترسی است).
  53. Bins، LS; Fonseca، LG; ارتال، GJ; II، تقسیم‌بندی تصاویر ماهواره‌ای FM: رویکرد رو به رشد منطقه. سوتین Simpósio. De Sens. Remoto ۱۹۹۶ ، ۸ ، ۶۷۷-۶۸۰٫ [ Google Scholar ]
  54. راسانن، آ. کویتونن، م. تومپو، ای. Lensu، A. جفت کردن تصاویر ماهواره‌ای با وضوح بالا با مدل ارتفاع تاج پوشش مبتنی بر ALS و مدل ارتفاع دیجیتال در طبقه‌بندی نوع زیستگاه جنگل‌های شمالی مبتنی بر شی. ISPRS J. Photogramm. Remote Sens. ۲۰۱۴ ، ۹۴ ، ۱۶۹-۱۸۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  55. راسانن، آ. روسانن، ا. کویتونن، م. Lensu، A. چه چیزی باعث تقسیم بندی خوب می شود؟ مطالعه موردی در نقشه برداری زیستگاه جنگل های شمالی بین المللی J. Remote Sens. ۲۰۱۳ , ۳۴ , ۸۶۰۳-۸۶۲۷٫ [ Google Scholar ] [ CrossRef ]
  56. مامسن، ای. متز، ام. تیم توسعه GRASS. در دسترس آنلاین: https://grass.osgeo.org/grass76/manuals/addons/i.segment.gsoc.html (در ۵ مارس ۲۰۲۰ قابل دسترسی است).
  57. بنز، UC; هافمن، پی. ویلهاک، جی. لینگنفلدر، آی. Heynen، M. تجزیه و تحلیل فازی با وضوح چندگانه، شی گرا داده های سنجش از دور برای اطلاعات آماده GIS. ISPRS J. Photogramm. Remote Sens. ۲۰۰۴ ، ۵۸ ، ۲۳۹-۲۵۸٫ [ Google Scholar ] [ CrossRef ]
  58. گریپا، تی. لنرت، ام. بومونت، بی. ونهویسه، اس. استفن، ن. Wolff, E. یک زنجیره پردازش نیمه خودکار منبع باز برای طبقه بندی مبتنی بر شی شهری. Remote Sens. ۲۰۱۷ , ۹ , ۳۵۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  59. اسپیندولا، جی. کامارا، جی. ریس، آی. بینز، ال. Monteiro، A. انتخاب پارامتر برای الگوریتم‌های تقسیم‌بندی تصویر در حال رشد با استفاده از همبستگی خودکار فضایی. بین المللی J. Remote Sens. ۲۰۰۶ ، ۲۷ ، ۳۰۳۵-۳۰۴۰٫ [ Google Scholar ] [ CrossRef ]
  60. جانسون، کارشناسی; براگیس، ام. اندو، آی. Magcale-Macandog، DB; Macandog، بهینه‌سازی پارامتر تقسیم‌بندی تصویر PBM با در نظر گرفتن ناهمگونی درون و بین بخش در سطوح چندگانه: مورد آزمایشی برای نقشه‌برداری مناطق مسکونی با استفاده از تصاویر Landsat. ISPRS Int. J. Geo-Inf. ۲۰۱۵ ، ۴ ، ۲۲۹۲-۲۳۰۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  61. کارلیر، آ. دبیر، او. Wolff, E. ارزیابی تقسیم بندی های تصویر ماهواره ای با وضوح فضایی بسیار بالا. فتوگرام مهندس Remote Sens. ۲۰۰۵ ، ۷۱ ، ۱۲۸۵-۱۲۹۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  62. UNFCCC. گزارش کنفرانس احزاب در مورد هفتمین جلسه آن، که از ۲۹ اکتبر تا ۱۰ نوامبر ۲۰۰۱ در مراکش برگزار شد . FCCC/CP/2001/13/Add.1; UNFCCC: مراکش، مراکش، ۲۰۰۱٫ [ Google Scholar ]
  63. مالینس، جی. کوسیاس، ن. تساکیری استراتی، م. Karteris، M. طبقه‌بندی مبتنی بر شی با استفاده از تصاویر Quickbird برای ترسیم چند ضلعی‌های پوشش گیاهی جنگل در یک سایت آزمایشی مدیترانه‌ای. ISPRS J. Photogramm. Remote Sens. ۲۰۰۸ , ۶۳ , ۲۳۷-۲۵۰٫ [ Google Scholar ] [ CrossRef ]
  64. کیم، ام. مدن، م. Xu, B. GEOBIA نقشه برداری پوشش گیاهی در پارک ملی کوه های دودی بزرگ با اطلاعات جانبی طیفی و غیر طیفی. فتوگرام مهندس Remote Sens. ۲۰۱۰ ، ۷۶ ، ۱۳۷-۱۴۹٫ [ Google Scholar ] [ CrossRef ]
  65. هارالیک، آر.ام. شانموگام، ک. ویژگی های بافتی Dinstein، IH برای طبقه بندی تصویر. IEEE Trans. سیستم ManCybern. ۱۹۷۳ ، ۶۱۰-۶۲۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  66. فنگ، Q. لیو، جی. سنجش از دور پهپاد Gong، J. برای نقشه برداری پوشش گیاهی شهری با استفاده از تحلیل تصادفی جنگل و بافت. Remote Sens. ۲۰۱۵ ، ۷ ، ۱۰۷۴–۱۰۹۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  67. آنتونول، جی. باسکو، سی. سکارلی، م. متز، ام. لنارت، ام. تیم توسعه GRASS. در دسترس آنلاین: https://grass.osgeo.org/grass78/manuals/r.texture.html (دسترسی در ۵ مارس ۲۰۲۰).
  68. Haralick، RM رویکردهای آماری و ساختاری به بافت. Proc. IEEE ۱۹۷۹ ، ۶۷ ، ۷۸۶-۸۰۴٫ [ Google Scholar ] [ CrossRef ]
  69. Hall-Beyer, M. دستورالعمل‌های عملی برای انتخاب بافت‌های GLCM برای استفاده در وظایف طبقه‌بندی منظر در طیف وسیعی از مقیاس‌های فضایی متوسط. بین المللی J. Remote Sens. ۲۰۱۷ ، ۳۸ ، ۱۳۱۲-۱۳۳۸٫ [ Google Scholar ] [ CrossRef ]
  70. بریمن، L. جنگل های تصادفی. ماخ فرا گرفتن. ۲۰۰۱ ، ۴۵ ، ۵-۳۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  71. کوهن، ام. کارت: آموزش طبقه بندی و رگرسیون. در دسترس آنلاین: https://CRAN.R-project.org/package=caret (در ۱۰ مارس ۲۰۱۹ قابل دسترسی است).
  72. بلژیک، م. Drăguţ، L. جنگل تصادفی در سنجش از دور: بررسی برنامه‌ها و جهت‌های آینده. ISPRS J. Photogramm. Remote Sens. ۲۰۱۶ ، ۱۱۴ ، ۲۴–۳۱٫ [ Google Scholar ] [ CrossRef ]
  73. لی، ایکس. چنگ، ایکس. چن، دبلیو. چن، جی. لیو، اس. شناسایی زمین لغزش های جنگلی با استفاده از داده های LiDar، تجزیه و تحلیل تصویر مبتنی بر شی، و الگوریتم های یادگیری ماشین. Remote Sens. ۲۰۱۵ ، ۷ ، ۹۷۰۵–۹۷۲۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Ijgi 09 00499 g001 550
شکل ۱٫ نمای کلی جنگل ها از پایگاه داده رسمی کارتو/توپوگرافی در دوک نشین بزرگ لوکزامبورگ و نمای نزدیک از یک منطقه جنگلی از پایگاه داده در مقایسه با OSM Landuse Forest و nIR-orthphoto از سال ۲۰۱۸٫
Ijgi 09 00499 g002 550
شکل ۲٫ شماتیک گردش کار پردازش.
Ijgi 09 00499 g003 550
شکل ۳٫ چند ضلعی های جنگلی ترکیبی OpenStreetMap (OSM) انتخاب شده و موقعیت آنها در دوک نشین بزرگ لوکزامبورگ.
Ijgi 09 00499 g004 550
شکل ۴٫ نتایج تقسیم بندی در حال رشد منطقه در منطقه جنگلی شماره ۴٫ بر اساس آستانه های بهینه شده ( الف ) مروری بر تقسیم بندی بر اساس تصاویر RGB با آستانه ۰٫۴٫ ( ب ) نمای کلی تقسیم بندی بر اساس تصاویر RGBnIR با آستانه ۰٫۴۶٫ ( ج ) نمای نزدیک از تقسیم بندی بر اساس تصاویر RGB. ( د ) نمای نزدیک از تقسیم بندی روی تصاویر RGB با تصاویر RGB در پس زمینه. ( ه ) نمای نزدیک از تقسیم بندی در RGBnIR.
Ijgi 09 00499 g005 550
شکل ۵٫ F-Measure برای چند ضلعی های جنگلی مختلط OSM انتخاب شده بر اساس آستانه های مختلف. خط نارنجی نقطه چین آستانه بهینه برای منطقه جنگلی شماره ۴ را نشان می دهد.
Ijgi 09 00499 g006 550
شکل ۶٫ نتایج تقسیم بندی در حال رشد منطقه در منطقه جنگلی شماره ۴ در تصاویر RGBnIR با آستانه ( a ) ۰٫۴۴٫ ( ب ) ۰٫۴۶ (بهینه)؛ ( ج ) ۰٫۴۹٫
Ijgi 09 00499 g007 550
شکل ۷٫ اهمیت متغیر در آموزش جنگل تصادفی با داده های آموزشی به دست آمده توسط ( الف ) خودکار. ( ب ) فرآیندهای انتخاب دستی برای مدل‌های آموزش‌دیده بر روی همه متغیرها (RGB+nIR+Texture).
Ijgi 09 00499 g008 550
شکل ۸٫ مقایسه منطقه بهترین عملکرد طبقه بندی نوع جنگل (بخش بندی: RGB+nIR؛ آموزش: دستی؛ ویژگی های ورودی: RGB+nIR+بافت) با پایگاه داده رسمی کارتو/توپوگرافی برای هر منطقه جنگلی انتخاب شده.
Ijgi 09 00499 g009 550
شکل ۹٫ مقایسه انواع جنگل از پایگاه داده رسمی کارتو/توپوگرافی با بهترین عملکرد طبقه بندی نوع جنگل برای جنگل شماره ۱۰ (بخش بندی: RGB+nIR؛ آموزش: دستی؛ ویژگی های ورودی: RGB+nIR+بافت) با نمای نزدیک. به مناطقی که طبقه بندی موفقیت آمیز بوده است. مقادیر نشان دهنده احتمال تعلق منطقه به کلاس نوع جنگل پهن برگ است که از مدل جنگل تصادفی مشتق شده است.
Ijgi 09 00499 g010 550
شکل ۱۰٫ مقایسه انواع جنگل از پایگاه داده رسمی کارتو-/توپوگرافی با بهترین عملکرد طبقه بندی نوع جنگل برای جنگل شماره ۸ (تقسیم بندی: RGB+nIR؛ آموزش: دستی؛ ویژگی های ورودی: RGB+nIR+بافت) با نزدیک از یک منطقه بسیار مشکل ساز. مقادیر نشان دهنده احتمال تعلق منطقه به کلاس نوع جنگل پهن برگ است که از مدل جنگل تصادفی مشتق شده است.

ونوس نصیرفام

دیدگاهتان را بنویسید

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

خانهدربارهتماسارتباط با ما