محیط‌های آبی کم‌عمق واقع در مناطق ساحلی، یکی از پربارترین و ارزشمندترین اکوسیستم‌های روی زمین هستند که به چرخه مواد مغذی، ترسیب کربن و حمایت از طیف گسترده‌ای از گونه‌های دریایی، از جمله گونه‌های مهم اقتصادی، کمک می‌کنند. منطقه بدون جزر و مد تالاب پوک در ساحل لهستانی دریای بالتیک ^۱ (شکل  ۱ )، در قسمت شرقی خلیج پوک و خلیج گدانسک واقع شده است. این منطقه به عنوان ارزشمندترین نقطه کانونی تنوع زیستی در سواحل لهستان در نظر گرفته می‌شود. این منطقه توسط شبه جزیره هل در شمال غربی از دریای آزاد و توسط نوار شنی تا حدی غرق شده سیگول در جنوب غربی از خلیج پوک جدا می‌شود (شکل  ۱a ). این منطقه ۱۰۲٫۶۹ کیلومتر ^مربع با عمق متوسط ​​۳٫۱۳ متر و حداکثر عمق ۹٫۴ متر ^مربع را پوشش می‌دهد . کم‌عمق‌ترین قسمت‌های تالاب پوک (تا ۲ متر) تقریباً ۳۰٪ از منطقه را پوشش می‌دهند. کل منطقه تحت عنوان «دستورالعمل پرندگان» و «دستورالعمل زیستگاه» ^۳ ، در پارک چشم‌انداز ساحلی و سایت‌های Natura 2000 PLB220005 و PLH220032 گنجانده شده است .

در طول چند دهه گذشته، این منطقه به دلیل آلودگی و تغذیه، تحت فشارهای شدید انسانی قرار گرفته است که منجر به از بین رفتن قابل توجه زیستگاه‌ها و گونه‌های کفزی، به ویژه فیتوبنتوزها شده است. ^۴ ، ۵٫ خلیج پاک، واقع در دریای بالتیک، به ویژه در معرض فرآیند اتروفیکاسیون است که نتیجه هجوم مواد مغذی از زمین‌های کشاورزی اطراف است . ^۶٫ این رواناب غنی از مواد مغذی، که عمدتاً از ترکیبات نیتروژن و فسفر تشکیل شده است، از طریق شبکه‌ای از رودخانه‌ها و نهرهایی که از این مزارع کشاورزی سرچشمه می‌گیرند، به خلیج پاک منتقل می‌شود . ^۷٫ اگرچه بخش‌های شمالی تالاب بین سال‌های ۱۹۸۹ تا ۱۹۹۶ در پنج محل برای حمایت از احیای ساحل در بخش ساحلی شبه جزیره هل لایروبی شد. ^۸ ، تنوع زیستی اکولوژیکی این منطقه هنوز بالا است. این امر با وجود حدود ۲۵ گونه از جلبک‌های ماکرو، هشت گونه از گیاهان آوندی و بیش از ۳۰ گونه از سخت‌پوستان و نرم‌تنان کفزی نشان داده شده است. ^۹ . تالاب پوک همچنین پتانسیل باستان‌شناسی قابل توجهی دارد، همانطور که تحقیقات زیست‌محیطی و اکتشافات باستان‌شناسی قبلی نشان داده‌اند ^[۱۰] . به دلیل عدم شناسایی مناسب و در نتیجه حفاظت از این منطقه آبی، میراث فرهنگی قابل توجه زیر آب در معرض تهدیدات بسیاری قرار دارد.

تاکنون، تالاب پوک فاقد داده‌های دقیق و با وضوح بالا در حوزه عمق‌سنجی و اندازه‌گیری شدت پراکندگی بوده است، که به طور قابل توجهی مانع تلاش‌های حفاظتی و میراث فرهنگی زیر آب در معرض خطر شده است. قبل از این کار، تنها لایه عمق‌سنجی موجود برای این منطقه از طریق درون‌یابی بین اندازه‌گیری‌های اکوساندر تک‌بیم (SBES) که در فواصل ۲۵ متری انجام شده بود، ایجاد می‌شد (شکل  ۱c ). این اندازه‌گیری‌ها طی کار میدانی ۱۳ ژوئن تا ۲۵ سپتامبر ۲۰۱۲ توسط دفتر هیدروگرافی نیروی دریایی لهستان به دست آمد. نکته قابل توجه این است که جدیدترین توصیف هیدروآکوستیک زیستگاه‌های بستر دریا در محدوده تالاب پوک در سال ۲۰۰۳ انجام شد. دستگاه‌های اندازه‌گیری اولیه مورد استفاده برای این منظور SBES و سونار اسکن جانبی ^۱۱ بودند .

محیط‌های کم‌عمق آب، مانند تالاب پوک، نه تنها از نظر زیست‌محیطی، بلکه از نظر تاریخی و فرهنگی نیز اهمیت عمیقی دارند. دریای بالتیک شاهد قرن‌ها تبادل فرهنگی بوده است و تالاب پوک در دوره قرون وسطی قطب تجارت و حمل و نقل دریایی بوده است. این دریا به عنوان یکی از بنادر اصلی قرون وسطایی در بالتیک، یک مرکز شلوغ تجارت و بازرگانی، پذیرای کشتی‌هایی از گوشه و کنار مختلف اروپا بوده است ^.۱۰ بسیاری از این کشتی‌ها غرق شدند و در نتیجه، بستر تالاب پوک اکنون یک مکان باستان‌شناسی مهم در زیر آب است، نه تنها به خاطر بقایای بندر قرون وسطایی، بلکه به خاطر لاشه‌های متعدد کشتی‌هایی که در آن قرار دارند. این لاشه‌های کشتی بینش‌های ارزشمندی در مورد تاریخ دریایی منطقه، از کشتی‌های تجاری قرون وسطایی گرفته تا کشتی‌های دریایی جدیدتر (به ویژه جنگ جهانی دوم) و کشتی‌های تجاری، در خود جای داده‌اند. کاوش‌های باستان‌شناسی در این منطقه، آثار باستانی را به دست داده است که سنت‌های دریانوردی، مسیرهای تجاری و فناوری‌های دریایی این منطقه مهم شمال اروپا را روشن می‌کند ^{.۱۲ ، ۱۳ ، ۱۴} . تحقیقات زیست‌محیطی انجام‌شده در تالاب پوک، همواره بر پتانسیل باستان‌شناسی این منطقه تأکید کرده‌اند . ^۱۵ با این حال، این مکان‌های میراث فرهنگی غرق‌شده در معرض فرآیندهای طبیعی، فشارهای انسانی و گذشت زمان هستند. شناسایی، حفظ و درک صحیح این میراث فرهنگی زیر آب برای اطمینان از حفاظت و مدیریت مسئولانه آنها برای نسل‌های آینده بسیار مهم است.

بررسی زیستگاه‌های بستر دریا در سال ۲۰۰۹ به عنوان بخشی از یک پروژه ملی بزرگ ^۱۶ انجام شد . این تحقیق دو نوع بستر دریا را شناسایی کرد: کف نرم و گودال‌های پس از لایروبی. انواع زیستگاه‌ها شامل: مراتع زوسترای مارینا ، مراتع کاروفیسه ، گونه‌های پوتاموژتون و/یا مراتع روپیا ماریتیما و/یا زانیشلیا پالیستریس بود. عمق‌سنجی بستر دریا بر اساس عمق‌یابی‌های بایگانی، عمق‌یابی‌های مصنوعی اضافی، نمودارهای ناوبری و نقشه‌های ماهواره‌ای با استفاده از برنامه OASIS (۲۰۰۹) ^۱۶ مدل‌سازی شد . زیستگاه‌های بستر دریا در این منطقه همچنین تحت پروژه «زوسترای – احیای عناصر کلیدی اکوسیستم داخلی خلیج پاک» در سال‌های ۲۰۱۰-۲۰۱۵ ( www.zostera.pl ) مورد مطالعه قرار گرفتند. نتایج این پروژه عموماً بر حضور مکانی زوسترای مارینا ، یکی از گونه‌های آسیب‌پذیر و در معرض خطر تعریف شده در قانون لهستان، متمرکز بود. نقشه‌های زیستگاه کفزیان در این مطالعه بر اساس مدل‌های هیدرودینامیکی، داده‌های ماهواره‌ای و داده‌های زمینی تهیه شده‌اند . ^۴ یکی از کارهای اخیر، طبقه‌بندی زیستگاه‌های کفزیان را مطابق با سیستم طبقه‌بندی EUNIS 2019 بر اساس تجزیه و تحلیل GIS ارائه می‌دهد . ^۱۷

جدا از DEM عمق‌سنجی، دستگاه‌های فعلی اکوساندر چند پرتوی (MBES) و عمق‌سنجی لیزری هوابرد (ALB) اندازه‌گیری‌هایی از شدت سیگنال صوتی یا لیزری از بستر دریا ارائه می‌دهند. این اندازه‌گیری‌ها، که عموماً به عنوان شدت بازتابی شناخته می‌شوند، می‌توانند به عنوان نماینده‌ای برای ویژگی‌های مختلف بستر دریا عمل کنند. اگرچه بسیار پیچیده‌تر از عمق‌سنجی ساده هستند، اما درک غنی‌تری از کف دریا ارائه می‌دهند. با این حال، توجه به این نکته مهم است که تعیین دقیق ویژگی‌های خاص مانند انواع رسوب یا پوشش گیاهی نیاز به اطلاعات واقعیت زمینی دارد. بنابراین، شدت بازتابی اساس رشته مدرن نقشه‌برداری از زیستگاه‌های کف‌زی است که به شدت با پیشرفت‌های فنی اخیر روش‌شناسی سنجش از دور زیر آب مرتبط است. این رویکرد چند رشته‌ای دانش اقیانوس‌شناسی، آکوستیک زیر آب، بوم‌شناسی، رسوب‌شناسی، ژئومورفولوژی، آمار، اطلاعات جغرافیایی، مهندسی ژئو، ژئودزی و مدل‌سازی عددی را به هم پیوند می‌دهد. در حالی که به دست آوردن عمق‌سنجی MBES برای اهداف هیدروگرافی استاندارد شده است، درک اندازه‌گیری‌های شدت سیگنال صوتی/لیزری از بستر دریا بسیار پیچیده‌تر است . ^۱۸

هدف اصلی این مطالعه، تولید یک مجموعه داده جامع و با وضوح بالا برای عمق‌سنجی منطقه تالاب پاک در دریای بالتیک بود. این مجموعه داده که از نظر جزئیات بی‌نظیر است، با استفاده از ترکیبی از LiDAR عمق‌سنجی، MBES، فتوگرامتری هوایی و عمق‌سنجی مشتق‌شده از ماهواره ^۱۹ گردآوری شده است . مجموعه داده حاصل نه تنها یک نقشه عمق‌سنجی دقیق از تالاب پاک ارائه می‌دهد، بلکه شامل اندازه‌گیری‌های بازتاب نیز می‌شود.

ارزش استفاده مجدد بالقوه این مجموعه داده‌ها قابل توجه است. این مجموعه داده‌ها می‌تواند به عنوان منبعی ارزشمند برای پرداختن به طیف وسیعی از سوالات زیست‌محیطی، زمین‌شناسی و باستان‌شناسی عمل کند. علاوه بر این، می‌توان از آن برای مدیریت پایدار و تلاش‌های حفاظتی در منطقه تالاب پاک استفاده کرد. داده‌های تولید شده توسط تحقیقات ما مزایای بلندمدت قابل توجهی دارند و از تصمیم‌گیری آگاهانه پشتیبانی می‌کنند، به حفظ تنوع زیستی و میراث فرهنگی کمک می‌کنند و به دانش علمی گسترده‌تر اکوسیستم‌های ساحلی در معرض خطر در مناطق توریستی با تراکم بالا کمک می‌کنند. با ارائه این مجموعه داده‌ها، امیدواریم شکاف داده‌های حیاتی را پر کنیم و تحقیقات و ابتکارات حفاظتی آینده را تسهیل کنیم.

جمع‌آوری داده‌های لیدار

نقشه‌برداری هوایی تالاب پوک توسط شرکت GISPRO SA تحت نظارت موسسه دریانوردی، دانشگاه دریانوردی گدینیا، در شرایط آب و هوایی آرام از ۲۷ فوریه تا ۲ مارس ۲۰۲۲ (۳ روز نقشه‌برداری) انجام شد. شرایط دقیق آب و هوایی برای دوره پرواز و منطقه تحقیق توسط موسسه هواشناسی و مدیریت آب لهستان (IMGW-PIB)، مدل Zephr-HD با وضوح ۳ کیلومتر برای اروپا (ارائه شده توسط Windguru و شرکا) و پیش‌بینی موج EWAM برای اروپا با وضوح ۵ کیلومتر (ارائه شده توسط سرویس هواشناسی آلمان) ارائه شده است. خلاصه نتایج برای سه روز اندازه‌گیری در جدول  ۱ ارائه شده است .

اندازه‌گیری‌ها از ارتفاع ۶۰۰ تا ۷۰۰ متری توسط یک هواپیمای SP-PRO Vulcanair P68 TC Observer مجهز به سیستم ناوبری Topo/Applanix و ضبط‌کننده GPS-IMU Type 57 انجام شد. دستگاه اندازه‌گیری اصلی مورد استفاده، یک اسکنر لیزری عمق‌سنجی Riegl VQ-880-GII بود که با دو دوربین RGB و IR یکپارچه شده بود. سازنده دستگاه حداکثر عمق نفوذ تا ۱.۵ عمق Secchi را اعلام می‌کند. اندازه‌گیری‌های عمق‌سنجی LiDAR برای ثبت حداقل ۱۲ نقطه در هر متر مربع برنامه‌ریزی شده بود. ارزیابی کیفیت استاندارد با نرم‌افزار علمی اسکن لیزری OPALS، میانگین چگالی پالس ۱۲ نقطه در متر مربع ⁽ میانگین: ۱۰ نقطه در متر ^مربع ) را برای خطوط تکی تأیید کرد. در ناحیه همپوشانی بین خطوط پرواز مجاور، چگالی نقاط به تقریباً ۲۵ نقطه در متر مربع افزایش ^یافت . در مجموع، کل تالاب با ۵۸ خط پرواز مورد بررسی قرار گرفت که هر کدام داده‌ها را از یک کانال لیزر مادون قرمز برای اندازه‌گیری سطح آب و توپوگرافی آبرفتی و یک کانال لیزر سبز برای اندازه‌گیری عمق ارائه می‌دادند. ابر نقاط ثبت شده در سیستم عمودی PL-EVRF2007-NH و سیستم مختصات تصویر شده UTM 34 N، بر اساس بیضوی ETRS89، تولید شدند.

پردازش داده‌های لیدار

اندازه‌گیری‌های عمق‌سنجی لیدار ابتدا از نظر هم‌ترازی مسیر با پیمایش‌های هواپیما مورد تجزیه و تحلیل قرار گرفتند. روش هم‌ترازی مسیر با توجه به یک ایستگاه مرجع اساسی سرویس ماهواره‌ای ناوبری جهانی (GNSS) که تقریباً در ۲۰ کیلومتری دورترین محل اندازه‌گیری قرار داشت، انجام شد. برای اطمینان از استحکام داده‌های هوایی، آمار انحراف مسیر را برای هرگونه انحراف قابل توجه بررسی کردیم. این رویکرد دقیق برای هم‌ترازی مسیر و انطباق با نقطه مرجع، پایه و اساس گردش کار پردازش داده‌های ما را تشکیل داد و در نهایت دقت و قابلیت اطمینان مجموعه داده‌های با وضوح بالای ما را افزایش داد.

اصلاح شکست نور، شامل شکست پرتوهای تابشی و کاهش سرعت انتشار پرتو در آب، در نرم‌افزار RiHydro انجام شد. برای اجرای مؤثر فرآیند اصلاح شکست نور، یک مدل سطح آب (WSM) با دقت برای هر سری از داده‌های جمع‌آوری‌شده ساخته شد. این فرآیند اصلاح، گامی حیاتی در اصلاح داده‌های عمق‌سنجی، افزایش دقت نتایج نهایی و کاهش اعوجاج‌های ناشی از اثرات شکست نور بود.

با گنجاندن این اصلاحات، هدف ما ارائه داده‌های عمق‌سنجی قابل اعتمادی بود که بتوان با اطمینان در کاربردهای مختلف از آنها استفاده کرد و به پیشرفت نقشه‌برداری و تحقیقات زیر آب کمک کرد. در گردش کار پردازش داده‌ها، هم‌ترازی گامی حیاتی برای اطمینان از دقت و ثبات داده‌های استخراج شده بود. این فرآیند هم‌ترازی با استفاده از مجموعه‌ای از ابزارهای نرم‌افزاری Riegl، یعنی RiPPROCESS، SDCImport و RiWORLD انجام شد. اصل اساسی زیربنای این فرآیند هم‌ترازی، اندازه‌گیری تفاوت‌ها در موقعیت صفحات یکسان در مقاطع عرضی ردیف‌های داده بود. خطاهای سیستماتیک مشاهده و اندازه‌گیری شده در طول این مرحله به بردارهای جابجایی تبدیل شدند و امکان تصحیح دقیق را فراهم کردند. RiProcess، یکی از اجزای کلیدی استراتژی هم‌ترازی داده‌های ما، نقش محوری در این تلاش ایفا کرد. این نرم‌افزار برای محاسبه و اصلاح طیف وسیعی از خطاهای سیستماتیک، از جمله جابجایی‌ها، رانش‌ها در تمام جهات مکانی (XYZ)، تغییرات در جهت و همچنین اختلافات غلتش و گام، مجهز شده بود. یکی از جنبه‌های مهم گردش کار پردازش داده‌ها، هم‌ترازی دقیق خطوط ثبت شده اسکن‌های هوایی عمق‌سنجی بین یکدیگر و با نقاط مرجع بود. در روش پردازش ما، از نقاط خودکار و نقاط تعیین‌شده به عنوان مرجع استفاده کردیم. برای شناسایی و ترازبندی خودکار صفحات در مجموعه داده‌ها، از گزینه «فیلتر وصله صفحه» استفاده کردیم که از ویژگی‌های موجود در نرم‌افزار Riegl ^۲۰ بود . این روش ابزاری کارآمد برای تشخیص و ترازبندی صفحات در داده‌ها ارائه می‌دهد. در کاربرد این روش، یکی از جنبه‌های مهم، تعیین بردارهای نرمال برای نقاط تشکیل‌دهنده صفحات در مجموعه داده‌ها بود. در مورد ابر نقاط متراکم، دو مؤلفه برای تعریف صفحه اختصاص داده شدند، در حالی که مؤلفه سوم جهت بردار نرمال را مشخص می‌کرد. مفهوم اصلی پشت این رویکرد ریشه در روش نزدیکترین همسایه دارد. دو روش اصلی برای پیاده‌سازی این مفهوم وجود دارد. روش اول شامل استفاده از رویکرد نزدیکترین همسایه برای تعداد از پیش تعیین‌شده‌ای از نقاط است، در حالی که روش دوم از تمام نقاط در فاصله مشخصی از اشیاء منفرد استفاده می‌کند. در چارچوب این مطالعه، ما رویکرد دوم را انتخاب کردیم که از محدودیت مرکز ثقل در مناطق مکعبی مجزا استفاده می‌کند. بنابراین، هم‌ترازی از طریق تکنیک‌های بهینه‌سازی داده‌ها و الگوریتم تکرار نزدیکترین نقطه (ICP) ^{۲۱ ، ۲۲} حاصل شد .

پس از انجام مراحل هم‌ترازی، مشاهده کردیم که طیف سیگنال، اهداف را در ارتفاع صحیح خود به طور دقیق مشخص نمی‌کند و ردپاهای پله‌ای بین خطوط اندازه‌گیری باقی می‌گذارد. در پاسخ به این مشکل، ما یک راه‌حل حداقل مربعات غیرخطی را بر روی سطحی که نتایج اسکن صحیح را تقریب می‌زد، برازش دادیم. این چالش ما را به بررسی چندین مورد خاص سوق داد. اول و مهمتر از همه، مناطقی را که در آنها خطا در ثبت نقاط رخ داده است، شناسایی کردیم، به ویژه در مواردی که طبقه‌بندی کف به تنهایی کافی نبود. پس از این، سطح جزئیات کف را ارزیابی کردیم، یک پارامتر حیاتی که نشان دهنده کیفیت داده‌های به دست آمده است. در مرحله بعدی، باید بین نقاطی که به طور دقیق کف را نشان می‌دادند و نقاطی که این کار را نمی‌کردند، تمایز قائل می‌شدیم. پس از دسته‌بندی این نقاط بر اساس آن، سطحی را بر اساس نقاط ثبت شده دقیق ساختیم و نقاط با موقعیت اشتباه را با این سطح هم‌تراز کردیم. این رویکرد در افزایش موفقیت‌آمیز ثبت دامنه بازتاب پرتو، محوری بود. برخلاف تلاش‌ها برای تعیین بهترین مدل برازش و گنجاندن اطلاعات ساختاری، استخراج مستقیم اندازه بازتاب پرتو از نقاط تعریف شده در فضا نتایج بهتری به همراه داشت.

نکته قابل توجه این است که بسیاری از روش‌های فیلترینگ اسکن هوایی ^{۲۳ ، ۲۴} ، آخرین بازتاب را به عنوان نقطه زمینی تعیین می‌کردند. با این حال، در بررسی روش‌های تصحیح هوا-آب، مواردی را شناسایی کردیم که نقاط ثبت شده به عنوان آخرین بازتاب، به طور دقیق زمین را نشان نمی‌دادند. برای رفع این مشکل، پس از تقسیم ابر نقاط به بخش‌های کوچک‌تر و قابل مدیریت‌تر، فیلتر سلسله مراتبی را پیاده‌سازی کردیم.

استراتژی فیلترینگ داده‌های ما به شیوه‌ای سیستماتیک اجرا شد که شامل مراحل کلیدی زیر است:

1. ۱.تقسیم منطقه نمونه: ما این فرآیند را با تقسیم منطقه نمونه به بخش‌های کوچک‌تر و قابل مدیریت آغاز کردیم. در هر یک از این بخش‌ها، نقاط نمونه را با دقت انتخاب کردیم. این نقاط نمونه از طریق مقایسه دقیق با داده‌های چند پرتویی شناسایی شدند و از مطابقت آنها با کف واقعی تالاب پاک اطمینان حاصل شد.
2. ۲.تقریب سطح زیرین: با تکیه بر نقاط نمونه انتخاب شده، با استفاده از تکنیک‌های مثلث‌بندی، سطح زیرین کف را تقریب زدیم. این مرحله به ما امکان داد تا یک نمایش تقریبی از بستر دریای تالاب ایجاد کنیم.
3. ۳.رد نقطه سلسله مراتبی: برای اصلاح بیشتر مجموعه داده‌ها، ما یک مکانیسم رد نقطه سلسله مراتبی را پیاده‌سازی کردیم. این مرحله شامل شناسایی و رد نقاطی بود که از سطح تقریبی کف خیلی دور تلقی می‌شدند. با حذف سیستماتیک داده‌های پرت، کیفیت کلی داده‌ها را افزایش دادیم.

پس از تکمیل این مراحل فیلتراسیون، ما فیلترهای پوشش گیاهی را به صورت محلی برای اصلاح و سازماندهی بیشتر داده‌ها پیاده‌سازی کردیم. این استراتژی جامع فیلتراسیون تضمین کرد که مجموعه داده‌های نهایی نه تنها دقیق هستند، بلکه به طور مؤثر برای تجزیه و تحلیل و تفسیر بعدی نیز پردازش می‌شوند. پس از تکمیل تمام مراحل لازم برای تطبیق داده‌ها، یک ارزیابی نسبی انجام دادیم. این امر مستلزم ارزیابی کیفیت داده‌های اسکن لیزری هوایی در رابطه با داده‌های به‌دست‌آمده از اکوساندر چند پرتویی بود. با پرداختن و اصلاح سیستماتیک این خطاها، فرآیند هم‌ترازی داده‌های ما تضمین کرد که مجموعه داده‌های نهایی نه تنها به طور دقیق هم‌ترازی شده‌اند، بلکه سازگار نیز هستند و امکان تجزیه و تحلیل و تفسیر قابل اعتماد داده‌های به‌دست‌آمده را فراهم می‌کنند. سطح بالای دقت نشان داده شده توسط این فرآیند هم‌ترازی، همانطور که در تجزیه و تحلیل توزیع مقادیر ویژه و استخراج ابر نقاط ما که در فصل «کیفیت داده‌های LiDAR» به تفصیل شرح داده شده است، نشان دهنده پتانسیل این روش برای افزایش نوآورانه هم‌ترازی و دقت کلی داده‌های اسکن لیزری هوایی است. این رویکرد جدید نشان دهنده یک سهم روش‌شناختی قابل توجه توسط نویسندگان با هدف تسریع پردازش داده‌ها و کاهش زمان مورد نیاز برای اندازه‌گیری‌های میدانی، به ویژه در مقایسه با روش‌های سنتی با استفاده از توتال استیشن‌ها است.

به عنوان نتیجه‌ای از تلاش‌های پردازش داده‌ها، نتایج را به صورت دامنه‌های بازتاب نمایش داده شده در مقیاس خاکستری ارائه دادیم (شکل  ۲b ). مقادیر شدت را می‌توان برای ارزیابی کیفیت داده‌ها از طریق بازرسی بصری استفاده کرد. ناهنجاری‌ها یا داده‌های پرت در شدت ممکن است نشان‌دهنده مصنوعات داده یا خطا در فرآیند اسکن باشند. این می‌تواند به بهبود پیش‌پردازش داده‌ها و رویه‌های کنترل کیفیت کمک کند.

ابرهای نقطه‌ای پردازش‌شده‌ی LiDAR برای تولید شبکه‌های عمق‌سنجی (شکل  ۲a ) و شدت سطح در نرم‌افزار GlobalMapper استفاده شدند. ما از روش شبکه‌بندی Binning با فاصله‌ی شبکه‌ای مشخص‌شده‌ی دستی تا ۰٫۲ متر و معیار فاصله‌ی پیش‌فرض «بدون داده» استفاده کردیم. تمام شبکه‌ها به فرمت داده‌ی GeoTiff تبدیل شدند. شبکه‌ها در سیستم عمودی PL-EVRF2007-NH، سیستم مختصات تصویر شده‌ی UTM34N، بر اساس بیضوی ETRS89 ذخیره شدند.

برداشت و پردازش داده‌های فتوگرامتری هوایی

عکس‌های هوایی توسط GISPRO SA به عنوان یک مجموعه داده اضافی برای اندازه‌گیری‌های لیزری در طول همان پروازها (که در بخش قبلی توضیح داده شد) تهیه شدند. عکس‌های هوایی به گونه‌ای برنامه‌ریزی شده بودند که ۸۰٪ پوشش طولی و ۴۰٪ پوشش عرضی، با اندازه پیکسل زمین تقریباً ۸ سانتی‌متر و ترکیب رنگی RGB و NIR را تضمین کنند.

تصحیح انکسار و تولید تصاویر ارتو

اگرچه نقشه‌برداری عمق‌سنجی مبتنی بر تصویر هوایی می‌تواند هم عمق آب و هم اطلاعات بصری را ارائه دهد، اما شکست آب چالش‌های قابل توجهی را برای تخمین دقیق عمق ایجاد می‌کند ^{۲۵ ، ۲۶٫} برای مقابله با این چالش در این مجموعه داده‌ها، ما یک روش اصلاح تصویر پیشرفته ^{۲۷ ، ۲۸} را پیاده‌سازی کردیم که ابتدا از رویه‌های یادگیری ماشینی اخیر که عمق را از ابرهای نقطه‌ای متراکم مبتنی بر تصویر بازیابی می‌کنند ^{۲۵ ، ۲۶} بهره برد و سپس اثرات شکست را بر روی مجموعه داده‌های تصویربرداری اصلی ^۲۷ اصلاح کرد . به این ترتیب، خطوط پردازش ساختار از حرکت (SfM) و استریو چندنمایی (MVS) در نهایت بر روی مجموعه‌ای از مجموعه داده‌های هوایی بدون شکست اجرا شدند که منجر به نقشه‌های عمق‌سنجی بسیار دقیق و به ترتیب تصاویر قائم با کیفیت بالا و دقیق شد.

پس از جمع‌آوری داده‌های تصاویر هوایی و اندازه‌گیری نقاط کنترل زمینی (GCP)، یک SfM-MVS اولیه به منظور دستیابی به داده‌های مورد نیاز برای اعمال روش پیشنهادی اصلاح شکست نور (یعنی جهت‌گیری داخلی و خارجی دوربین‌ها و ابر نقاط متراکم اولیه) اجرا شد. برای مرحله SfM-MVS، پیاده‌سازی نرم‌افزاری خاص بر کیفیت نتایج تأثیری نداشت و آنها را می‌توان به روشی مشابه با استفاده از هر نرم‌افزار فتوگرامتری خودکار تجاری یا متن‌باز، بدون استفاده از هیچ گونه جبران شکست نور، تولید کرد. برای رویکرد ارائه شده در اینجا، از نرم‌افزار تجاری Agisoft Metashape استفاده شد.

ابر نقطه‌ای متراکم اولیه حاصل با تخمین کمتر از حد عمق سیستماتیک به دلیل اثر شکست، با استفاده از راه‌حل DepthLearn ^۲۶ که اخیراً برای نقاط بستر دریا توسعه داده شده بود، اصلاح شد. برای DepthLearn، از یک مدل رگرسیون بردار پشتیبان که قبلاً بر روی داده‌های مصنوعی ^۲۸ آموزش دیده بود ، استفاده شد. این مدل ما را قادر ساخت تا اثرات شکست نور بر روی ابرهای نقطه‌ای مناطق غوطه‌ور را اصلاح کنیم و منابع خطای اضافی غیرمرتبط با شکست نور، مانند امواج، نویز ابر نقطه‌ای ناشی از ابهامات در تطبیق ناشی از ستون آب یا اثر شکست نور را نادیده بگیریم.

در نتیجه، این ابر نقطه‌ای اصلاح‌شده برای ایجاد یک DEM به‌روزرسانی‌شده (ادغام‌شده) با عمق‌سنجی بستر دریا که سپس برای تصحیح تفاضلی مجموعه داده‌های تصویر هوایی اولیه استفاده شد، مورد استفاده قرار گرفت ^. در نهایت، یک پردازش SfM جدید بر اساس مجموعه داده‌های تصویربرداری بدون شکست نور اجرا شد تا جهت‌گیری داخلی و خارجی دوربین‌ها، قبل از ارتوموزائیک‌سازی، به‌روزرسانی شود. در طول مراحل آخر، می‌توان بافت و تصاویر ارتو را بر اساس DEM ادغام‌شده تولید شده توسط ابرهای نقطه‌ای متراکم اصلاح‌شده با استفاده از DepthLearn و نقاط اولیه خشکی تولید کرد. همچنین ابرهای نقطه‌ای متراکم اصلاح‌شده و DEM را می‌توان برای استفاده به عنوان منبع عمق‌سنجی صادر کرد (شکل  ۳ ).

به طور مشابه، مانند مجموعه داده‌های لیدار، ما شبکه‌های یکپارچه را از ابرهای نقطه‌ای عکس در نرم‌افزار GlobalMapper با همان تنظیمات تولید کردیم. همه شبکه‌ها به فرمت داده GeoTiff در سیستم عمودی PL-EVRF2007-NH، سیستم مختصات تصویر UTM34N، بر اساس بیضوی ETRS89، صادر شدند.

جمع‌آوری داده‌های چند پرتوی

مجموعه داده‌های اکوساندر چند پرتوی (MBES) طی یک بررسی سه ماهه از ۲۲ مارس تا ۲۲ ژوئن ۲۰۲۲، با مجموع ۲۱ روز بررسی، به دست آمد. دستگاه اندازه‌گیری اصلی مورد استفاده، Teledyne Reson T50-P یا T20-P (از ۲۳ مه ۲۰۲۲) بود که بر روی یک تیرک روی واحدهای بررسی IMOROS 2 یا IMOROS 3 نصب شده بود. هر دو MBES در طول بررسی تنظیمات یکسانی داشتند، به طوری که تعداد پرتوها در T50-P 1024 و در T20-P 999 بود (جدول  ۲ ).

علاوه بر MBESها، سیستم اندازه‌گیری و موقعیت‌یابی شامل گیرنده‌های GPS کپی‌شده Trimble SPS851 و Trimble BX982، سیستم ناوبری اینرسی iXBlue Hydrins، کاوشگر سرعت صوت Reson SVP70 و پروفایلر سرعت صوت Reson SVP15 بود. تمام اندازه‌گیری‌ها با اصلاحات RTK موجود برای کل منطقه مورد نظر انجام شد. داده‌های ثبت‌شده اکوساندر چند پرتوی با استفاده از نرم‌افزار QINSy 8.18 جمع‌آوری شدند.

برای اطمینان از اندازه‌گیری‌های با کیفیت بالا، حسگرهای MBES برای زمان، انحرافات پیچشی، غلتشی و انحرافی کالیبره شده و مرتباً بررسی شدند. سرعت صوت حداقل هر ۶ ساعت یکبار، برای هر تغییر شرایط محیطی و همیشه قبل و بعد از هر جلسه اندازه‌گیری با SVP15 اندازه‌گیری شد. بررسی MBES برای اطمینان از حداقل ۲۰٪ همپوشانی بین خطوط مسیر کشتی، چگالی اندازه‌گیری حداقل پنج نقطه برای یک شبکه ۱ متری و سرعت نسبتاً ثابت (میانگین سرعت ۲ تا ۲٫۵ متر بر ثانیه) انجام شد. بررسی MBES برای پوشش عمیق‌ترین مناطق در محل مطالعه (حوضه کوزنیزا، گودال‌های پس از لایروبی، ورودی بندر) و همچنین منطقه کم‌عمق‌تر با اهمیت بالقوه باستان‌شناسی برنامه‌ریزی شده بود (شکل  ۴a ). اندازه‌گیری‌های MBES در سیستم عمودی PL-EVRF2007-NH و سیستم مختصات تصویر شده PUWG1992، بر اساس بیضوی ETRS89 ثبت شدند.

پردازش داده‌های عمق‌سنجی

فایل‌های خام عمق‌سنجی از MBESها در نرم‌افزار Beamworx Autoclean پردازش شدند. پردازش داده‌ها شامل استفاده از فیلتر Surface Spline برای حذف خودکار داده‌های عمق‌سنجی پرت از اندازه‌گیری‌ها بود. فیلتر دیگری که برای پردازش داده‌های عمق‌سنجی استفاده شد، Shift Pings to Neighbors بود. این فیلتر تنها زمانی کار می‌کند که حداقل مقداری همپوشانی بین همسایه‌ها وجود داشته باشد و خطوط نقشه‌برداری را با استفاده از یک الگوریتم بهترین برازش به همسایه‌های خود منتقل می‌کند. مجموعه داده‌ها به صورت دستی بررسی شدند تا هرگونه داده‌های عمق‌سنجی اشتباه باقی مانده حذف شوند . ^۳۰

پردازش داده‌های MBES Backscatter (شکل  ۴b ) در نرم‌افزار Fledermaus Geocoder Toolbox (FMGT) انجام شد. داده‌های عمق‌یابی MBES تمیز شده و همچنین سطح عمق‌یابی، به یک پروژه FMGT وارد شدند. پردازش داده‌ها شامل اعمال فیلتر بهره متغیر زاویه (AVG) برای جبران اندازه‌گیری‌های Backscatter برای تغییرات زاویه‌ای ^۳۱ بود. ما از تنظیمات زیر برای فیلتر AVG استفاده کردیم: پنجره کشویی ۳۰۰ پینگ و الگوریتم “مسطح”. تمام تصحیحات رادیومتری و هندسی با استفاده از تنظیمات پیش‌فرض به طور خودکار اعمال شدند.

در نهایت، تمام مجموعه داده‌های عمق‌سنجی و پراکندگی برگشتی با فرمت داده‌های GeoTiff و با وضوح ۰٫۲ متر به شبکه‌های سطحی منتقل شدند. برای اطمینان از یکسان‌سازی بین تمام مجموعه داده‌ها، شبکه‌ها در سیستم عمودی PL-EVRF2007-NH، سیستم مختصات تصویر شده UTM34N، بر اساس بیضوی ETRS89 ذخیره شدند.

جمع‌آوری و پردازش داده‌های عمق‌سنجی ماهواره‌ای

عمق‌سنجی ماهواره‌ای (SDB) بر اساس تصویر ماهواره‌ای ۴ باندی SPOT 6 که در ۱۹ آوریل ۲۰۲۱ گرفته شده بود (شکل  ۵a ) به دست آمد. این تصویر توسط شرکت Apollo Mapping LLC، ایالات متحده، در قالب داده‌های اولیه، بدون کاشی‌کاری، عمق پیکسل ۱۶ بیتی و پردازش رادیومتری بازتاب (بدون پان شارپنینگ و ارتو رکتیفیکیشن) ارائه شده است. تصویر ماهواره‌ای SPOT امکان دستیابی به وضوح پانکروماتیک ۱٫۵ متر و وضوح پیکسل RGB 6 متر را فراهم می‌کند. تصویر مورد استفاده دارای ابعاد ۳۰۷۰ × ۲۵۴۱ پیکسل و اندازه پیکسل ۵٫۲۱۸ متر در ۸٫۳۱۱ متر است. سیستم مختصات عمق‌های پیش‌بینی شده EPSG:25834 – ETRS89/UTM zone 34 N است در حالی که مبنای عمودی PL-EVRF2007-NH است.

روش‌های تجربی SDB، مانند روش‌های یادگیری ماشین، به باندهای خاصی در طول موج‌های مرئی نیاز دارند، که آبی و سبز پرکاربردترین آنها به عنوان متغیرهای مستقل هستند و مجموعه‌ای از عمق‌های شناخته شده در محل (متغیر وابسته) به عنوان تنها ورودی در مدل‌های ساده یا پیچیده آموزش دیده برای ارائه تخمین‌های عمق‌سنجی در یک منطقه معین. برای ارائه SDB در آب‌های شفاف و کم‌عمق از نظر نوری این مجموعه داده، یک رویکرد جنگل تصادفی پیاده‌سازی شد که از باندهای آبی (۰٫۴۵-۰٫۵۲ میکرومتر)، سبز (۰٫۵۳-۰۶۰ میکرومتر) و قرمز (۰٫۶۲-۰٫۶۹ میکرومتر) SPOT6 استفاده می‌کند. به عنوان یک مرحله پیش‌پردازش، زمین خشک پوشانده شد تا بر آموزش تأثیر نگذارد. جنگل تصادفی یک روش یادگیری جمعی برای طبقه‌بندی، رگرسیون و سایر وظایف است که تعدادی از طبقه‌بندی‌کننده‌های درخت تصمیم‌گیری را بر روی زیرنمونه‌های مختلف مجموعه داده برازش می‌دهد و از میانگین‌گیری برای بهبود دقت پیش‌بینی و کنترل بیش‌برازش استفاده می‌کند. برای وظایف طبقه‌بندی، خروجی جنگل تصادفی، کلاسی است که توسط اکثر درختان انتخاب شده است. برای وظایف رگرسیون مانند SDB، میانگین یا میانگین پیش‌بینی درختان منفرد ^۳۲ برگردانده می‌شود . در رویکرد انجام‌شده، ۳۰۰ درخت و میانگین خطای استاندارد به عنوان معیاری برای دقت استفاده شد. عمق‌سنجی SDB حاصل دارای اندازه پیکسل ۵٫۲۱۸ × ۸٫۳۱۱ متر است. مقدار ۰٫۲۹۳۷۴۶- متر در مناطق خاص برای نشان دادن عدم وجود داده استفاده شد.

یکی از ویژگی‌های بسیار مهم رویکرد SDB انجام‌شده، استفاده از داده‌های عمق‌سنجی موجود در محل برای آموزش مدل RF است. معمولاً چنین داده‌هایی توسط تجهیزات پیشرفته و گران‌قیمت مانند سیستم‌های LiDAR هوایی یا MBES جمع‌آوری می‌شوند. برای پوشش کامل منطقه مورد نظر برای نقشه‌برداری، ترکیبی از داده‌های ALB و SBES استفاده شد. استفاده از SBES ضروری تلقی شد زیرا پوشش ALB محدود به قسمت‌های کم‌عمق‌تر تالاب بود. به طور مشابه، MBES پوشش جزئی محدودی از منطقه داشت. در همین راستا، داده‌های مفقود ALB توسط یک کمپین SBES قدیمی‌تر که در منطقه انجام شده بود (مجموعه داده‌های سال ۲۰۱۲ که توسط دفتر هیدروگرافی نیروی دریایی لهستان که در مقدمه ذکر شد، پوشش داده شده بود) پوشش داده شدند. SDB پیش‌بینی‌شده در شکل  ۵b در مقیاس رنگی نشان داده شده است.

عمق‌سنجی یکپارچه

ما اندازه‌گیری‌های عمق‌سنجی از LiDAR و MBES را ترکیب کردیم و آنها را در یک مدل جامع ارتفاعی رقومی ادغام کردیم. این ادغام در نرم‌افزار SAGA GIS با استفاده از روش موزاییک‌سازی با پارامترهای خاص انجام شد: پر کردن مناطق همپوشانی، فاصله ترکیبی ۱۰۰، مرز ترکیبی برای سلول‌های داده معتبر و گزینه رگرسیون برای تطبیق. پر کردن با تخمین میانگین وزنی برای یافتن مقدار هدف برای سلول‌های همپوشانی، با استفاده از وزن‌دهی پنجاه پنجاه زمانی که فاصله مرزی دو شبکه برابر است، عمل می‌کند. گزینه تطبیق، رگرسیون خطی را بر اساس مقادیر همه سلول‌های همپوشانی انجام می‌دهد. این کار برای هم‌تراز کردن مقادیر شبکه پردازش شده با مقادیری که قبلاً در موزاییک گنجانده شده‌اند، انجام می‌شود. عمق‌سنجی یکپارچه در شکل  ۶ ارائه شده است .

شبکه‌های سنجش از دور شرح داده شده در این مقاله را می‌توان از طریق سیستم داده‌های علوم زمین دریایی (MGDS) ^۱۹ ارزیابی کرد . همه مجموعه داده‌ها در قالب رستری GeoTiff ارائه شده‌اند و فایل‌ها بر اساس منبع جمع‌آوری داده‌ها نامگذاری شده‌اند.

DEM های با وضوح ۰.۲ متر تحت نام های زیر موجود هستند: MBES_DEM (از Multibeam Echosounder)، LIDAR_DEM (از Light Detection and Ranging)، PHOTO_DEM (از Photogrammetry) و INTEGRATED_DEM (از Integrated MBES/LiDAR data). یک فایل DEM اضافی، SDB (از Satellite-Derived Bathymetry)، نیز موجود است، اما با وضوح دقیق تر تقریباً ۵ متر در ۸ متر.

سه فایل آخر، ویژگی‌های کف دریا/زمین را با وضوح ۰.۲ متر نشان می‌دهند. نام آنها به شرح زیر است: MBES_BSS که نشان دهنده پراکندگی سیگنال صوتی است؛ LIDAR_INTENSITY که نشان دهنده شدت سیگنال لیزر است؛ و ORTHOPHOTO، یک موزاییک تصحیح شده قائم از عکس‌های هوایی منطقه تحقیقاتی.

در این بخش، ما یک رویکرد جامع برای اعتبارسنجی هر مجموعه داده ارائه می‌دهیم. از آنجایی که برخی از روش‌ها هنوز به طور مکرر برای رویکردهای هیدروگرافی استفاده نمی‌شوند، در مقایسه با روش‌های شناخته‌شده برای اندازه‌گیری‌های عمق‌سنجی (MBES)، توجه بسیار بیشتری به آنها اختصاص داده‌ایم. شایان ذکر است که تمام کمپین‌های اندازه‌گیری در شرایط آب و هوایی و محیطی مطلوب انجام شده‌اند که در طول تمام بررسی‌ها به دقت مورد توجه و بررسی قرار گرفته‌اند. این امر نه تنها برای بررسی‌های آکوستیک دریایی، بلکه به ویژه برای اندازه‌گیری‌های لیدار یا فتوگرامتری هوایی بسیار مهم است. در واقع، شرایط محیطی ایده‌آل برای چنین اندازه‌گیری‌هایی در دریای بالتیک جنوبی ممکن است فقط برای چند روز در سال رخ دهد . ^۳۳

کیفیت داده‌های لیدار

برای ارزیابی دقیق داده‌های به‌دست‌آمده، فرآیند ارزیابی را با تجزیه و تحلیل ترازبندی مسیر، که مسیر هواپیما را مشخص می‌کرد، آغاز کردیم. اصل اساسی رویکرد ترازبندی مسیر، جمع‌آوری داده‌ها در یک ایستگاه مرجع واحد بود. به‌طور متوسط، جزئیات سطح میدان دقتی تقریباً ۳ سانتی‌متر را نشان دادند که پایه محکمی برای ترازبندی و تجزیه و تحلیل‌های بعدی فراهم می‌کند. از این رو، تعیین پارامترهای اضافی که نشان دهنده کیفیت هندسی ماهواره‌ها در طول فعالیت‌های اندازه‌گیری انجام‌شده هستند، ضروری است. این مقادیر در جدول  ۳ ارائه شده‌اند .

بر اساس مسیر تراز شده و ارزیابی آن، نقاط اسکن لیزری استخراج شدند و پس از آن ترکیب نسبی این سری‌های استخراج شده در صفحات خودکار و نقاط اندازه‌گیری شده انجام شد.

ارزیابی ما از داده‌های به‌دست‌آمده شامل تعیین خطاهای نقطه ارتفاع (برای داده‌های مدل مطلق) بود. فرآیند هم‌ترازی با استفاده از روش «حداقل مربعات» و با استفاده از نقاط کنترل تعیین‌شده دستی و خودکار انجام شد. هر ردیف داده شامل چندین پارامتر متغیر برای جبران بود: غلتش [درجه]، پیچ [درجه]، یاو (جهت) [درجه]، شرق [متر]، شمال [متر] و ارتفاع [متر]. در مجموع، ۳۴۵ پارامتر آزاد وجود داشت که ۴۰۰۰۰ صفحه به عنوان مشاهدات در نظر گرفته می‌شدند. نقاط کنترل دستی از طریق تکنیک GNSS تفاضلی، با ارجاع به ایستگاه پایه مرجع، به‌دست آمدند. نقاط کنترل خودکار با استفاده از یک الگوریتم تکراری که صفحات را در مناطق مکعبی با استفاده از روش درخت هشت‌تایی جستجو می‌کرد، شناسایی شدند. این روش شامل برازش یک صفحه بین نقاط واقع در یک مکعب بود و اطمینان حاصل می‌شد که مقدار خطا از آستانه تعریف‌شده توسط کاربر تجاوز نکند. متعاقباً، شعاع و انحراف زاویه‌ای تنظیم شدند که به عنوان حداکثر مقادیر قابل قبول برای فرآیند جبران عمل می‌کردند. فرآیند هم‌ترازی تکرارشونده بود، که در آن هر تکرار، تنظیماتی را در محدوده تلرانس مشخص‌شده ارائه می‌داد. آستانه تلرانس ۰٫۰۰۰۱ متر در نظر گرفته شد. ارزیابی کیفیت هم‌ترازی از طریق انحراف معیار بین نقاط سنجیده شد. میانگین خطای انحراف معیار برای خطوط اسکن کل پرواز ۰٫۰۶۴۷ متر محاسبه شد.

در مرحله نهایی تست فنی، استخراج ویژگی را بر اساس ماتریس کوواریانس انجام دادیم. این ماتریس به تعیین جهت داده‌های ما کمک می‌کند. تعداد جهت‌ها یا بردارهای ویژه، با تعداد ابعاد موجود در مجموعه داده ما مطابقت دارد. از آنجایی که داده‌های ابر نقاط ما در سه بعد (X، Y، Z) وجود دارند، هر نقطه در مجموعه داده دارای سه بردار ویژه و سه مقدار ویژه مربوطه است که واریانس‌ها را در امتداد هر جهت نشان می‌دهند. این مقادیر ویژه اساساً ضرایبی هستند که به بردارهای ویژه مرتبط شده‌اند و بینشی در مورد میزان تغییر داده‌ها در جهات خاص ارائه می‌دهند. محاسبات در نرم‌افزار CloudCompare انجام شد. در مطالعه ما، از ابزارهای زیر برای این منظور استفاده کردیم:

زبری. به انحرافات محلی از صفحه اشاره دارد. این ویژگی برابر با فاصله بین نقطه انتخاب شده تا صفحه برازش شده است (حداقل ۳ نقطه برای برازش صفحه مورد نیاز است). مقادیر مختلف ویژگی می‌تواند، از جمله موارد دیگر، نواحی آلوده به نویز، تفاوت در نقاط ثبت شده در کف یا بی‌نظمی‌های محلی را نشان دهد. توزیع مقادیر زبری در شکل  ۷a ارائه شده است .

1. ۱.مقادیر ویژه یک ماتریس کوواریانس، بینش‌هایی در مورد الگوهای تغییرات و تغییرات در ساختار محلی داده‌ها ارائه می‌دهند. اولین مقدار ویژه با اولین بردار ویژه ماتریس کوواریانس برای یک نقطه معین مرتبط است که جهت بزرگترین واریانس را نشان می‌دهد. دومین و سومین مقدار ویژه به ترتیب نشان دهنده میانگین و کوچکترین مقادیر کوواریانس هستند، بنابراین میانگین و کمترین جهت متغیر داده‌ها را نشان می‌دهند. انحرافات محلی قابل توجه در هر یک از این جهات در یک قطعه شیء خاص ممکن است به تغییرات قابل توجه در جهت آن اشاره داشته باشد. نتایج در شکل  ۷b ارائه شده است .
2. ۲.تحلیل مؤلفه‌های اصلی (PCA). PCA تکنیکی است که برای کاهش ابعاد مجموعه داده‌ها و به حداقل رساندن از دست دادن داده‌ها استفاده می‌شود. این روش بر اساس بردارهای ویژه و مقادیر ویژه است. برای یک مجموعه داده سه‌بعدی، سه مؤلفه اصلی وجود دارد. مؤلفه اصلی اول (PCA1) حداکثر واریانس در مجموعه داده‌ها را ثبت می‌کند، در حالی که مؤلفه دوم (PCA2) دومین مؤلفه با بالاترین مقدار را ثبت می‌کند. مؤلفه‌های بعدی حاوی داده‌های کمتری هستند و می‌توان آنها را حذف کرد تا اندازه مجموعه داده‌ها با کاهش جزئی دقت کاهش یابد. در نرم‌افزار مورد استفاده، PCA1 و PCA2 ابرهای نقطه‌ای هستند که از تقسیم مقادیر ویژه اول و دوم بر مجموع هر سه به دست می‌آیند و اهمیت جهت‌های تغییر داده‌ها را ارزیابی می‌کنند. تقسیم یک مقدار ویژه بر مجموع هر سه، درصد سهم آن را در واریانس کل داده‌ها نشان می‌دهد که به دلیل نرمال‌سازی از ۰ تا ۱ متغیر است. مقداری نزدیک به ۱ نشان دهنده سهم قابل توجه است، در حالی که مقداری نزدیک به صفر اهمیت کمتری دارد. اگر هیچ مؤلفه اصلی غالب نباشد، مقادیر آنها در محدوده میانی قرار خواهد گرفت. نتایج تحلیل‌های PCA در شکل  ۷a نشان داده شده است .

کیفیت مجموعه داده‌های LiDAR با بررسی پراکندگی، چولگی و پیک‌های ویژگی‌های ارائه شده ارزیابی شد (شکل  ۷ ). درجه بالای چولگی در زبری یا مقادیر ویژه ممکن است نشان‌دهنده ناسازگاری در فرآیند جمع‌آوری داده‌ها باشد، در حالی که پراکندگی زیاد در ویژگی‌های PCA می‌تواند نشان‌دهنده زمین متنوع و پیچیده باشد.

ناهمواری (سبز) به شدت به سمت مقادیر پایین‌تر چولگی دارد. این چولگی به سمت مقادیر زبری پایین‌تر نشان می‌دهد که اکثر نقاط داده LiDAR نشان‌دهنده عمق‌سنجی نسبتاً همواری هستند. از نظر کیفیت داده‌ها، این نشان می‌دهد که سیستم LiDAR توانسته است همواری زمین را به طور دقیق ثبت کند، که شاخص مثبتی از کیفیت داده‌ها است. PCA1 (آبی) توزیع متوسطی دارد اما همچنان چولگی دارد که نشان‌دهنده سطح مشخصی از تغییرپذیری در داده‌ها است. این تغییرپذیری در PCA1 می‌تواند نشان‌دهنده توانایی سیستم LiDAR در ثبت ویژگی‌های مختلف زمین باشد، که یکی دیگر از جنبه‌های مثبت کیفیت داده‌ها است. PCA2 (زرد) تقریباً به طور نرمال توزیع شده به نظر می‌رسد، که نشان‌دهنده یک مجموعه داده متعادل از نظر این ویژگی است. توزیع متعادل در PCA2 نشان می‌دهد که سیستم LiDAR توانسته است ویژگی‌های زمین را به طور یکنواخت ثبت کند و کیفیت داده‌ها را بیشتر پشتیبانی کند.

علاوه بر این، مقدار ویژه اول (سبز) به شدت به سمت مقادیر پایین‌تر چولگی دارد، که نشان می‌دهد برای اکثر نقاط در مجموعه داده‌ها، جهت بیشترین واریانس کوچک است. این می‌تواند نشان دهد که نقاط در یک جهت به هم نزدیک هستند، که اگر داده‌های LiDAR نشان دهنده یک سطح صاف یا ویژگی خطی باشند، ممکن است چنین باشد. مقادیر ویژه دوم و سوم توزیع‌های متعادل‌تری را نشان می‌دهند، که نشان می‌دهد این اجزا به طور یکنواخت‌تری در واریانس کل نقش دارند. این نشان می‌دهد که جهت‌های متوسط ​​و کم‌تغییر در داده‌ها طیف وسیع‌تری از مقادیر را دارند. از نظر کیفیت داده‌ها، این توزیع متعادل در مقادیر ویژه دوم و سوم نشان می‌دهد که سیستم LiDAR توانسته است انواع ویژگی‌های زمین را ثبت کند، که شاخص مثبتی از کیفیت داده‌ها است.

به طور خلاصه، چولگی، پراکندگی و پیک‌های عوارض در مجموعه داده‌های LiDAR، بینش‌های ارزشمندی در مورد کیفیت داده‌ها ارائه می‌دهند. چولگی در ناهمواری و مقدار ویژه اول، تغییرپذیری در PCA1، تعادل در PCA2 و سهم زوج مقادیر ویژه دوم و سوم، همگی نشان می‌دهند که سیستم LiDAR توانسته است به طور دقیق و جامع زمین را ثبت کند، که نشان‌دهنده داده‌های LiDAR با کیفیت بالا است.

کیفیت داده‌های فتوگرامتری هوایی و تصحیح شکست نور

ترازبندی تصویر و کیفیت تطبیق تصویر متراکم

همپوشانی ساختار-از-حرکت و تصویر، امکان ثبت مجموع ۴۳۸۴ تصویر از ارتفاع پرواز ۶۷۶ متری را فراهم کرد، با این حال، به دلیل بافت ضعیف کف، تنها ۳۴۷۳ تصویر از این تصاویر به درستی تراز شدند. در مجموع ۱۶۴۹۹۷۰ نقطه اتصال با ۶۱۴۳۷۱۵ تصویر و خطای بازنمایی برابر با ۱.۱۹ پیکسل یافت شد. ابر نقاط متراکم، ۲۳۶۷۷۵۹۷۵ نقطه را شمارش کرد. تخمین خطاهای موقعیت دوربین تأیید کرد که خطاهای بزرگتری در ناحیه بیرونی بلوک و روی مناطقی با بافت ضعیف کف آشکار است. در مورد تخمین موقعیت دوربین، میانگین خطای موقعیت دوربین برابر با ۱.۲۱ سانتی‌متر برای محور X، ۱.۲۹ سانتی‌متر برای محور Y و ۲.۳۹ سانتی‌متر برای محور Z است که منجر به میانگین خطای کل ۲.۹۷ سانتی‌متر می‌شود. خطاهای مشابه برای ۲۲ نقطه کنترل زمینی مورد استفاده به شرح زیر محاسبه می‌شوند: ۱.۱۵ سانتی‌متر برای محور X، ۰.۷۱ سانتی‌متر برای محور Y، ۰.۶۹ سانتی‌متر برای محور Z و در مجموع ۱.۵۲ سانتی‌متر. خطاهای بزرگتر را می‌توان در قسمت شمالی منطقه مورد مطالعه یافت و همانطور که انتظار می‌رفت، این امر بر عمق‌سنجی مبتنی بر تصویر تخمین زده شده برای این منطقه تأثیر منفی گذاشت.

در طول پردازش SfM-MVS و تصحیح انکسار، تصمیم گرفته شد که تصاویر قائم فقط برای مناطقی که ابر نقطه‌ای تصحیح شده با انکسار در دسترس بود، ارائه شوند، به جای اینکه از ابزارهای پرکننده سوراخ و غیره برای ارائه یک تصویر قائم از کل منطقه استفاده شود، هرچند که در مناطقی با DEM نادرست، دقت محدودی وجود دارد.

اصلاح شکست نور و کیفیت نهایی ابر نقاط سه‌بعدی

پس از انجام SfM-MVS، ابرهای نقطه‌ای متراکم سه‌بعدی تولید شده و اصلاحات انکسار با داده‌های ALB جمع‌آوری‌شده و شرح داده‌شده در بالا مقایسه شده‌اند. در این زمینه، گزارش شده است که قبل از مراحل اصلاح انکسار، با مقایسه با داده‌های ALB، RMSE برابر با ۰٫۹۵۶ متر، میانگین ۰٫۷۰۷ متر و انحراف معیار ۰٫۶۴۳ متر محاسبه شد. با این حال، پس از مراحل اصلاح انکسار، معیارهای مشابهی به شرح زیر تشکیل شدند: RMSE برابر با ۰٫۴۲۰ متر، میانگین ۰٫۰۴۲۷- متر و انحراف معیار ۰٫۴۱۶ متر. اکثر نقاط فاصله‌ای حدود ۰ متر تا ALB نشان می‌دهند. با این حال، هنوز نقاطی با تفاوت‌های بسیار بیشتر وجود دارند که مسئول مقدار RMSE و انحراف معیار هستند. خطاهای باقی مانده عمدتاً به دلیل نویز در ابر نقاط به دلیل کف عمدتاً همگن در اکثر منطقه و همچنین خطاها در مناطقی که توسط ابر نقاط مبتنی بر تصویر در مجاورت مناطق آب‌های عمیق «از نظر نوری» پوشش داده شده‌اند، می‌باشد. مسلم است که عدم وجود بافت مناسب در کف دریاچه، پردازش داده‌های هوایی SfM-MVS را به روشی کاملاً منفی تحت تأثیر قرار داده است. همچنین، خطاها به دلیل مشکلات موجود در نقاط کنترل زمینی (GCP) بخش شمالی منطقه ایجاد می‌شوند.

کیفیت داده‌های MBES

طبق استانداردهای IHO، کیفیت داده‌های MBES بسیار بالا بود. تقریباً تمام ردپاهای MBES (99.83٪) با استاندارد IHO Special Order ^۳۴ مطابقت داشتند ، که به پارامترهای حداکثر زیر برای عدم قطعیت کل عمودی در سطح اطمینان ۹۵٪ نیاز دارد: a = 0.25 متر، b = 0.0075 متر. متغیر ‘a’ نشان دهنده عدم قطعیت سیستماتیک است که صرف نظر از عمق ثابت می‌ماند. از سوی دیگر، متغیر ‘b’ نشان دهنده عدم قطعیت تصادفی است که با عمق ^۳۴ تغییر می‌کند . تنها ۰٫۰۹٪ از ردپاها به دلیل خطا یا داده‌های پرت رد شدند. تعداد کل ردپاهای پذیرفته شده ۲,۵۷۶,۲۰۳,۴۰۳ بود، در حالی که تعداد کل ردپاهای رد شده ۲,۲۰۶,۶۵۴ بود. جدول  ۴ جزئیات بیشتری در مورد آمار اعتبارسنجی را نشان می‌دهد.

کیفیت داده‌های SDB

دقت افقی SDB تابعی از وضوح مکانی حسگر ماهواره‌ای مورد استفاده و عدم قطعیت موجود در داده‌های عمق‌سنجی درجا است که برای آموزش مدل جنگل‌های تصادفی استفاده می‌شود. با این حال، در عمق‌سنجی مشتق‌شده از ماهواره، دقت عمودی به‌دست‌آمده بسیار مهم است. این امر به شدت تحت تأثیر ویژگی‌های ستون آب و بافت بستر دریا و زیستگاه قرار می‌گیرد، به این معنی که مناطقی با آب‌های بسیار کدر، غلظت کلروفیل-a یا رسوبات تیره رنگ، عمق‌هایی با عدم قطعیت‌های بزرگتر ارائه می‌دهند.

در کار ارائه شده، عمق‌سنجی تخمینی مشتق‌شده از ماهواره و همچنین کارایی مدل جنگل تصادفی ارزیابی شد. برای رویکرد اعتبارسنجی، از اطلاعات کیفی مبتنی بر پیکسل در مورد قابلیت اطمینان نتایج استفاده و ارائه کردیم. برای این منظور، داده‌های دیده نشده برای مدل، یعنی ۱۰٪ باقی‌مانده از داده‌هایی که برای آموزش استفاده نشده بودند، برای محاسبه RMSE، MAE و R2 استفاده شدند ^. به طور خاص، اندازه کل داده‌های موجود برای آموزش ۱,۲۱۴,۴۵۶ نقطه بود که از این تعداد ۱,۰۹۳,۰۱۰ نقطه (۹۰٫۰٪ نمونه استفاده شده) برای آموزش استفاده شد در حالی که ۱۲۱,۴۴۶ نقطه باقی‌مانده (۱۰٫۰٪ نمونه استفاده شده) برای آزمایش مدل و محاسبه RMSE که برابر با ۰٫۴۹۸ متر، MAE برابر با ۰٫۲۹۷ متر و R² برابر با ۰٫۹۱۷ است، استفاده شد.

در بخش‌های بزرگی از تالاب پاک، SDB به دقت بسیار بالایی دست یافت. با این حال، هنوز مناطقی با پیش‌بینی‌های اشتباه وجود دارد که عمدتاً به عدم دید کافی به کف، یعنی آب‌های عمیق نوری، نسبت داده می‌شود، جایی که این روش قادر به ارائه عمق نیست، زیرا بازتاب کف توسط حسگر ماهواره ثبت نمی‌شود. در حالی که اکثر تفاوت‌های عمودی مقادیر نزدیک به ۰ متر را نشان می‌دهند، برخی از نقاط پرت تا ۶ متر اختلاف وجود داشت.

کیفیت داده‌های DEM یکپارچه

کیفیت مجموعه داده‌های یکپارچه از طریق یک فرآیند اعتبارسنجی متقابل بین مجموعه داده‌های یکپارچه و مجموعه داده‌های MBES/ALB ارزیابی شد. در ناحیه مرجع، که نشان دهنده متراکم‌ترین پوشش بین MBES و ALB است (که با خط چین در شکل  ۸ نشان داده شده است )، نمودارهای پراکندگی رگرسیون را برای ردیابی همبستگی آنها با مجموعه داده‌های DEM یکپارچه ایجاد کردیم. نتایج ضریب تعیین (R-squared) همبستگی بسیار بالایی را بین مجموعه داده‌های MBES و Integrated (R2 = 0.9998؛ شکل  ۸a ) و همچنین بین مجموعه داده‌های Lidar و Integrated (R2 = 0.9992؛ شکل  ۸b ) نشان داد.

ادغام مجموعه داده‌های مکانی اغلب منجر به مشکلاتی در تقاطع یا همپوشانی مجموعه داده‌های مختلف می‌شود. از آنجایی که این موارد اغلب در عمق‌سنجی قابل مشاهده نیستند، ما ویژگی شیب عمق‌سنجی را برای نظارت بر تغییرات ظریفی که ممکن است در این مکان‌ها رخ دهد، استخراج کردیم (شکل  ۸c ). ویژگی شیب، درجات مختلفی از همواری را بین مناطق عمق‌سنجی با منشأهای مختلف نشان می‌دهد. به طور کلی، به نظر می‌رسد مناطقی که از MBES مشتق شده‌اند، در مقایسه با مناطقی با منشأ LiDAR، برجستگی هموارتری دارند. بررسی دقیق‌تر نمونه‌های نزدیک‌تر (شکل  ۸d-f ) نشان دهنده انتقال هموار بین مجموعه داده‌ها است. بر اساس این نتایج، می‌توانیم با اطمینان ادعا کنیم که مجموعه داده‌های یکپارچه از کیفیت بالایی برخوردار است و می‌تواند به عنوان ورودی برای تجزیه و تحلیل و تفسیر بیشتر تالاب پاک مورد استفاده قرار گیرد.