تشخیص خودکار خط الرأس ها با استفاده از تحلیل الگوی همسایگی کرنل

محورهای موضوعی : توسعه سیستم های مکانی

کورش شیرانی ¹ , سینا صلحی ² , فاطمه نعمت اللهی ³

1 - استادیار، بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان اصفهان، سازمان تحقیقات، آموزش و ترویج کشاورزی، اصفهان، ایران
2 - دانش آموخته دکتری ژئومورفولوژی، گروه جغرافیای طبیعی، دانشکده علوم جغرافیایی و برنامه‌ریزی، دانشگاه اصفهان، اصفهان، ایران
3 - پژوهشگر پسا دکتری ژئومورفولوژی، گروه جغرافیای طبیعی، دانشکده علوم جغرافیایی و برنامه‌ریزی، دانشگاه اصفهان، اصفهان، ایران

تاریخ دریافت : 1400/01/14 تاریخ پذیرش : 1400/05/04 تاریخ انتشار : 1401/02/01

کلید واژه: کرنل, تشخیص خودکار, الگوی همسایگی, خط‌الرأس,

چکیده مقاله :

پیشینه و هدف لندفرم به هر عارضه فیزیکی سطح زمین با ساختار و شکل قابل تشخیص اطلاق می شود. عناصر لندفرمی و ساختارهای وابسته به فرم که بر روی سطح زمین قرار دارند، به صورت مستقیم و یا غیر مسیتقیم بسیاری از متغیرهای محیطی دیگر را کنترل می کنند. نمایش عددی سطح و الگوی ناهموار زمین، موضوعی مشترک در مطالعات جغرافیایی، ژئومورفولوژیکی، نقشه کشی مخاطرات زمین و ژئوفیزیک و همچنین اکتشافات کف دریا است. ترکیب علوم زمین و کامپیوتر به همراه ریاضیات و مهندسی ژئومورفومتری در تعامل با لندفرم های گسسته و پیوسته قرار دارد. ژئومورفومتری به حدود 150 سال قبل و کارهای الکساندر فون همبلت و زمین ریخت شناسان برمی گردد و امروزه با انقلاب در علوم کامپیوتر و خصوصاً مدل های رقومی کامپیوتری به شدت در حال توسعه است. تشخیص و طبقه بندی لندفرم ها یکی از اهداف توسعه دهندگان GIS، محققین علوم زمین و ژئومورفولوژیست ها است. در این مسیر، انتظار می رود که استخراج این واحدها با سرعت و دقت بیشتری انجام گرفته و نتایج به صورت نقشه های برداری و رستری ارائه گردد. رویکردهای موجود عمدتاً بر اساس ارتفاع، مشتق سطح زمین، گرادیان، انحنا، جهت جریان، موقعیت شیب، نمایه های مورفومتریکی و مواردی از این قبیل قرار دارد. همچنین به چالش تناسب مقیاس تشخیصی با مقیاس لندفرمی کمتر توجه شده و بیشتر مدل ها دارای این نقیصه هستند. از طرف دیگر به امکان برداری سازی نتایج خروجی از مدل ها و همچنین به تحلیل حساسیت و پاسخ زمانی الگوریتم ها به پردازش های ماشینی کمتر توجه شده است. در این پژوهش با استفاده از الگوریتم های پایه ای آنالیز رستری و کدنویسی، روش ها و الگوریتم های جدیدی در تشخیص خودکار عوارض زمین ارائه گردیده است. همچنین آنالیز های رستری از نوع کانونی (Focal) مورد تأکید قرار گرفته است و از تکنیک پنجره متحرک به منظور پیاده سازی الگوریتم ها استفاده شده است. مواجه با چالش مقیاس، آنالیز حساسیت و پاسخ الگوریتم ها به تغییرات ورودی و نیز ارزیابی صحت نیز از جنبه های دیگری است که در این پژوهش به آن پرداخته شده است.مواد و روش ها در این پژوهش از داده‌های ارتفاعی سطحی (DSM) منتشر شده توسط آژانس فضایی ژاپن در ماه می و اکتبر 2015 با رزولوشن افقی در حدود 30 متر برای بررسی توپوگرافی منطقه، مورد استفاده قرار گرفت. این داده‌ها از تصاویر ماهواره ALOS به دست آمده است. این پایگاه بر اساس داده‌های DSM (نسخه شبکه 5 متری) توپوگرافی سه بعدی از جمله دقیق‌ترین داده‌های ارتفاعی در مقیاس جهانی به دست آمده است. مدل رقومی ارتفاعی در محیط کدنویسی پایتون به ساختار ماتریسی تبدیل شد. سپس ساختار آنالیز رستری با استفاده از تکنیک پنجره متحرک پیاده سازی گردید. الگوریتم پنجره متحرک به صورتی کدنویسی شد که ابعاد پنجره متحرک به صورت آزاد قابل تعیین و تغییر باشد. متناسب با اندازه پنجره متحرک، الگوریتم مواجه با اثر حاشیه ای کدنویسی گردید تا تصحیح و سازماندهی اثر حاشیه ای متناسب با اندازه پنجره متحرک، به صورت خودکار انجام گیرد. در گام بعدی سه الگوریتم تشخیص درجه شباهت به قلل در ساختارهای شبکه رستری تک باند با استفاده از مدل سازی الگوهای کرنلی انجام گرفت. هر سه الگوریتم قابلیت انطباق با تغییرات اندازه پنجره متحرک را داراست که از نقاط قوت این سه الگوریتم به حساب می آید. ابعاد سلول های شبکه رستری و اندازه پنجره متحرک، فاکتورهای تغییر مقیاس در هر یک از این سه الگوریتم هستند. در نهایت حساسیت سنجی زمانی هر یک از این سه الگوریتم به نسبت تغییرات اندازه پنجره متحرک، تغییرات دقت مکانی شبکه رستری و تغییرات وسعت شبکه رستری انجام گرفت. تمامی پروسه به صورتی طراحی گردید که به سادگی قابلیت به کارگیری در یک نرم افزار رسمی را داشته باشد و به طور کامل با ساختار پردازش ماشینی هماهنگی و سازگاری داشته باشد در ضمن اتوماتیک بودن و قابلیت اجرا بر روی پلاتفرم های مختلف نیز از اولویت های ما در این بخش مورد نظر قرار داشت.نتایج و بحث در تشخیص خودکار قلل و خط الرأس ها با استفاده از مدل رقومی زمین، از آنالیز الگوی مکانی کرنل استفاده شد. در این راستا سه الگوریتم پیشنهادی در این زمینه طراحی، طرح بندی، کدنویسی و اجرا گردید. نتایج خروجی از هر یک از الگوریتم ها به صورت ساختار های رستری و برداری ارائه شد. ارزیابی صحت و حساسیت سنجی به نسبت تغییرات اندازه پنجره متحرک، رزولوشن و وسعت شبکه رستری برای هر یک از الگوریتم ها انجام گرفت. الگوریتم MLMSR، در ابعاد پائین تر پنجره متحرک تمایل به تفکیک باینری داشته، در صورتی که الگوریتم های CMLSR و SPSR اینگونه عمل نمی کنند. در تمامی الگوریتم ها، افزایش ابعاد پنجره متحرک باعث کلی سازی نتایج و حذف جزئیات می گردد. الگوریتم های CMLSR و SPSR به دلیل درجه استدراج بیشتر در تفکیک عوارض، برای مقاصد کارتوگرافیکی و نمایشی مناسب تر هستند. از لحاظ عملکرد زمانی یا حساسیت به تغییرات ورودی، الگوریتم SPSR عملکرد بهتری از خود نشان می دهد. این موضوع خصوصاً در مواردی که حجم فایل ورودی پرحجم و تعداد سطر و ستون ها زیاد باشد، اهمیت بیشتری خواهد داشت. با توجه به نتایج اعتبارسنجی و ارزیابی صحت، الگوریتم MLMSR و سپس SPSR عملکرد بهتری داشته اند و الگوریتم CMLSR به نسبت سایر روش ها عملکرد ضعیف تری از خود نشان داده است. در طراحی و اجرای تمامی الگوریتم ها و نیز در بخش حساسیت سنجی و اعتبارسنجی، به طور گسترده از زبان برنامه نویسی پایتون استفاده شده است و مجموعاً بیش از 500 خط کدنویسی بدین منظور انجام گرفت. تمامی الگوریتم ها به طور خودکار بوده و با استفاده از پردازش ماشینی قادر به اجرا و ذخیره سازی نتایج به فرمت رستر و بردار می باشند.نتیجه گیری نتایج نشان می دهد که الگوریتم MLMSR، در ابعاد پائین تر پنجره متحرک تمایل به تفکیک باینری داشته، در صورتی که الگوریتم های CMLSR و SPSR اینگونه عمل نمی کنند. در تمامی الگوریتم ها، افزایش ابعاد پنجره متحرک باعث کلی سازی نتایج و حذف جزئیات می گردد. الگوریتم های CMLSR و SPSR به دلیل درجه استدراج بیشتر در تفکیک عوارض، برای مقاصد کارتوگرافیکی و نمایشی مناسب تر هستند. از لحاظ عملکرد زمانی یا حساسیت به تغییرات ورودی، الگوریتم SPSR عملکرد بهتری از خود نشان می دهد. این موضوع خصوصاً در مواردی که حجم فایل ورودی پرحجم و تعداد سطر و ستون ها زیاد باشد، اهمیت بیشتری خواهد داشت. با توجه به نتایج اعتبارسنجی و ارزیابی صحت، الگوریتم MLMSR و سپس SPSR عملکرد بهتری داشته اند و الگوریتم CMLSR به نسبت سایر روش ها عملکرد ضعیف تری از خود نشان داده است.

چکیده انگلیسی:

Background and Objective Landform refers to any physical feature of the surface with a recognizable structure and shape. Landform elements and structural forms of the terrain surface could, directly and indirectly, drive many other environmental variables. Numerical representation of the surface and uneven pattern of the earth is a common topic in geographical, geomorphological, geological, and geophysical hazard mapping as well as sea-bed exploration. The combination of the earth and computer science with mathematics and geomorphometric engineering interacts with discrete and continuous landforms. Geomorphometry dates back to about 150 years ago and the work of Alexander von Humboldt and geomorphologists, and today with the revolution in computer science and especially digital computer models is developing rapidly. Detection and classification of landforms are of interest to GIS developers, geoscientists, and geomorphometry researchers. In this way, the desired work units are extracted with higher speed and accuracy and used in the form of vector and raster maps. Existing approaches are mainly based on height, terrain derivative, gradient, curvature, flow direction, slope position, morphometric indices, and the like. Also, less attention has been paid to the challenge of matching the diagnostic scale with the Landform scale, and most models have this shortcoming. On the other hand, less attention has been paid to the possibility of vectorization output results and also to the analysis of sensitivity and temporal response algorithms to machine processing. In this research, we attempted to recover and resolve the mentioned shortcoming and problems in the previous works. In this research, using basic algorithms of raster analysis and coding, new methods and algorithms for the automatic detection of landforms have been developed. Focal raster analysis is also emphasized and the moving window technique is used to implement the algorithms. Facing the scale challenge, sensitivity analysis, and the response algorithms to input changes as well as accuracy assessment are other aspects that have been addressed in this research.Materials and Methods In this study, the Digital Surface Model (DSM) published by the Japan Space Agency in May and October 2015 with a horizontal resolution of about 30 meters was used to work on the topography of the region. These data are obtained from ALOS satellite images. This database is based on DSM data (5m network version) 3D topography, one of the most accurate elevation data on a global scale. The digital elevation model was transformed into a matrix structure using a Python coding environment. Then, raster analysis was implemented using the moving window technique. The moving window algorithm was coded in a way that the dimensions of the moving window could be freely determined and changed. In proportion to the size of the moving window, some adaptive algorithms are implemented to automatically correct and organize the edge effect in proportion to the size of the moving window. In this study, automatic landform detection was performed using spatial analysis of kernel patterns in the raster grid of digital elevation models and the results were presented in the form of three algorithms applied in the detection of topographic peaks and ridges. These algorithms include Multilevel Mean Summit Recognition Algorithm (MLMSR), Complex Multilevel Summit Recognition Algorithm (CMLSR), and Single Point Summit Recognition (SPSR). Each of these three algorithms was first conceptually designed and then coded and executed using the Python programming language. In the next step, the sources of error and specific scenarios of the algorithms were examined. The sensitivity of each algorithm related to the dimensions of the moving window, the resolution, and the size of the raster file, was evaluated, and finally, the accuracy and validation of the three models, using reference layers that were manually prepared and plotted, were assessed. All the procedures were designed in a way that could easily be implemented in an official software and were completely compatible with the structure of machinery processing. Also, being automatic and working on different platforms where one of our priorities.Results and Discussion In the automatic detection of peaks and ridges using a digital terrain model, kernel spatial pattern analysis was used. In this regard, three proposed algorithms in this field were designed, coded, and executed. The output results of each of the algorithms were presented in the form of a raster and vector data model. Accuracy and sensitivity assessments were performed by considering changes in moving window size, resolution, and raster grid size (row x column) for each of the algorithms. The MLMSR algorithm tends to be in a more binary result in the lower dimensions of the moving window, while the CMLSR and SPSR algorithms do not. In all algorithms, increasing the size of the moving window causes a more generalization ratio. CMLSR and SPSR algorithms are more suitable for cartographic and visual purposes due to the higher degree of grading in the results. Regarding the temporal performance (Runtime) or sensitivity to input changes, the SPSR algorithm performs better. This is especially important when the input file size (number of rows and columns) is large. According to the results of validation and accuracy evaluation, MLMSR and SPSR had better performance than, the CMLSR algorithm. Python programming language has been widely used in the design and implementation of all algorithms, as well as in the field of sensitivity evaluation and validation. Totally more than 500 lines of codes were done for this purpose. All algorithms are automated and are able to execute and store results in raster and vector format using machine processing.Conclusion The results show that the MLMSR algorithm in smaller dimensions of the moving window is tending to more binary results, which is problematic in some graphical and cartographic applications, but the CMLSR and SPSR algorithms showed more gradual trends in their outputs and so, they performed better in this respect. Researchers who intend to study and develop in this field are advised to focus on adaptive algorithms and optimize the dimensions of the moving window in relation to the volume of input information and so, in this way, they increase the flexibility of algorithms in relation to input changes.

منابع و مأخذ:

Adediran AO, Parcharidis I, Poscolieri M, Pavlopoulos K. 2004. Computer-assisted discrimination of morphological units on north-central Crete (Greece) by applying multivariate statistics to local relief gradients. Geomorphology, 58(1): 357-370. doi:https://doi.org/10.1016/j.geomorph.2003.07.024.

Ahnert F. 1996. The point of modelling geomorphological systems. Geomorphology Sans Frontières: 91-114.

Azanon J, Delgado J, Gómez A. 2004. Morphological terrain classification and analysis using geostatistical techniques. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 34(Part XXX).

Bates RL, Jackson JA. 1987. Glossary of geology, https://www.osti.gov/biblio/5128638.

Böhner J, Selige T. 2006. Spatial prediction of soil attributes using terrain analysis and climate regionalisation. In:  SAGA-Analyses and modelling applications. Goltze, 45 p.

Brabyn L. 1997. Classification of macro landforms using GIS. ITC journal(1): 26-40.

Carrara A. 1983. Multivariate models for landslide hazard evaluation. Journal of the International Association for Mathematical Geology, 15(3): 403-426. doi:10.1007/BF01031290.

Chang K-T. 2008. Introduction to geographic information systems, vol 4, . McGraw-Hill Boston, 117-122.

Clayton K, Shamoon N. 1999. A new approach to the relief of Great Britain: III. Derivation of the contribution of neotectonic movements and exceptional regional denudation to the present relief. Geomorphology, 27(3): 173-189. doi:https://doi.org/10.1016/S0169-555X(98)00072-5.

Dikau R. 1990. Geomorphic landform modelling based on hierarchy theory. In: Proceedings of the 4th international symposium on spatial data handling. Department of Geography, University of Zürich Zürich, Switzerland, pp 230-239.

Dikau R. 2020. The application of a digital relief model to landform analysis in geomorphology. In:  Three dimensional applications in geographical information systems. CRC Press, pp 51-77.

Dikau R, Brabb EE, Mark R, Pike R. 1995. Morphometric landform analysis of New Mexico. Zeitschrift für Geomorphologie Supplementband(101): 109-126.

Dikau R, Brabb EE, Mark RM. 1991. Landform classification of New Mexico by computer. US Dept. of the Interior, US Geological Survey, https://doi.org/10.3133/ofr91634.

Dobos E, Daroussin J, Montanarella L. 2010. A quantitative procedure for building physiographic units supporting a global SOTER database. Hungarian Geographical Bulletin, 59(2): 181-205.

Dymond J, Derose R, Harmsworth G. 1995. Automated mapping of land components from digital elevation data. Earth Surface Processes and Landforms, 20(2): 131-137. doi:https://doi.org/10.1002/esp.3290200204.

Dymond JR, Harmsworth GR. 1994. Towards automated land resource mapping using digital. ITC journal: 2, 129-138.

Etzelmüller B, Sulebak JR. 2000. Developments in the use of digital elevation models in periglacial geomorphology and glaciology. Physische Geographie, 41: 35-58.

Evans IS. 1980. An integrated system of terrain analysis and slope mapping. Zeitschrift fur Geomorphologie, 36: 274-295.

Evans IS. 2019. General geomorphometry, derivatives of altitude, and descriptive statistics. In:  Spatial analysis in geomorphology. Routledge, pp 17-90.

Felicísimo AM. 1994. Modelos digitales del terreno. Introducción y aplicaciones en las ciencias ambientales Oviedo: Pentalfa Ediciones, 122 p.

Fels JE, Matson KC. 1996. A cognitively-based approach for hydrogeomorphic land classification using digital terrain models. In: Proceedings of Third NCGIA International Conference/Workshop on Integrating GIS and Environmental Modeling. Santa Fe, New Mexico. Available: http://www. ncgia. ucsb. edu/conf/SANTA_FE_CD-ROM/sf_papers/fels_john/fels_and_matson. html.

Fenneman N, Johnson D. 1946. Physical division of the United States: US geological survey. Physiography Committee Special Map, scale, 1(7,000,000).

Florinsky IV. 1998. Combined analysis of digital terrain models and remotely sensed data in landscape investigations. Progress in physical geography, 22(1): 33-60.

Hammond EH. 1954. Small-scale continental landform maps. Annals of the Association of American Geographers, 44(1): 33-42.

Hammond EH. 1964. Analysis of properties in land form geography: an application to broad-scale land form mapping. Annals of the Association of American Geographers, 54(1): 11-19. doi:https://doi.org/10.1111/j.1467-8306.1964.tb00470.x.

Hengl T, Reuter HI. 2008. Geomorphometry: concepts, software, applications. Newnes, 796 p.

Hodgson ME. 1998. Comparison of angles from surface slope/aspect algorithms. Cartography and Geographic Information Systems, 25(3): 173-185. doi:https://doi.org/10.1559/152304098782383106.

Irvin BJ, Ventura SJ, Slater BK. 1997. Fuzzy and isodata classification of landform elements from digital terrain data in Pleasant Valley, Wisconsin. Geoderma, 77(2): 137-154. doi:https://doi.org/10.1016/S0016-7061(97)00019-0.

Iwahashi J, Pike RJ. 2007. Automated classifications of topography from DEMs by an unsupervised nested-means algorithm and a three-part geometric signature. Geomorphology, 86(3): 409-440. doi:https://doi.org/10.1016/j.geomorph.2006.09.012.

Lane SN, Richards KS, Chandler JH. 1998. Landform monitoring, modelling and analysis. John Wiley and Sons Ltd, 480 p.

MacMillan RA, Jones RK, McNabb DH. 2004. Defining a hierarchy of spatial entities for environmental analysis and modeling using digital elevation models (DEMs). Computers, Environment and Urban Systems, 28(3): 175-200. doi:https://doi.org/10.1016/S0198-9715(03)00019-X.

MacMillan RA, Pettapiece WW, Nolan SC, Goddard TW. 2000. A generic procedure for automatically segmenting landforms into landform elements using DEMs, heuristic rules and fuzzy logic. Fuzzy Sets and Systems, 113(1): 81-109. doi:https://doi.org/10.1016/S0165-0114(99)00014-7.

Moffat A, Catt J, Webster R, Brown E. 1986. A re‐examination of the evidence for a Plio‐Pleistocene marine transgression on the Chiltern Hills. I. Structures and surfaces. Earth Surface Processes and Landforms, 11(1): 95-106. doi:https://doi.org/10.1002/esp.3290110110.

Moore ID, Gessler PE, Nielsen G, Peterson G. 1993. Soil attribute prediction using terrain analysis. Soil Science Society of America Journal, 57(2): 443-452. doi:https://doi.org/10.2136/sssaj1993.03615995005700020026x.

Moore ID, Grayson R, Ladson A. 1991. Digital terrain modelling: a review of hydrological, geomorphological, and biological applications. Hydrological processes, 5(1): 3-30. doi:https://doi.org/10.1002/hyp.3360050103.

Moore ID, Nieber JL. 1989. Landscape assessment of soil erosion and nonpoint source pollution. Journal of the Minnesota Academy of Science, 55(1): 18-25.

Morgan JM, Lesh AM. 2005. Developing landform maps using ESRI’S Model-Builder. In: ESRI International User Conference.

Mulla DJ. 1988. Using geostatistics and spectral analysis to study spatial patterns in the topography of southeastern Washington State, USA. Earth Surface Processes and Landforms, 13(5): 389-405. doi:https://doi.org/10.1002/esp.3290130505.

Murphy RE. 1968. Annals map supplement number nine landforms of the world. Annals of the Association of American Geographers, 58(1): 198-200. doi:https://doi.org/10.1111/j.1467-8306.1968.tb01643.x.

Nogami M. 1995. Geomorphometric measures for digital elevation models. Z Geomorph, NF, Suppl, 101: 53-67.

Pike RJ. 1988. The geometric signature: Quantifying landslide-terrain types from digital elevation models. Mathematical Geology, 20(5): 491-511. doi:10.1007/BF00890333.

Pike RJ. 1995. Geomorphometry: progress, practice and prospect. Zeitschrift fur Geomorphologie NF SupplementBand, 101: 221-238.

Pike RJ. 2000. Geomorphometry-diversity in quantitative surface analysis. Progress in Physical Geography, 24(1): 1-20. doi:https://doi.org/10.1177/030913330002400101.

Prima ODA, Echigo A, Yokoyama R, Yoshida T. 2006. Supervised landform classification of Northeast Honshu from DEM-derived thematic maps. Geomorphology, 78(3): 373-386. doi:https://doi.org/10.1016/j.geomorph.2006.02.005.

Speight J. 2009. Landform. In ‘Australian soil and land survey field handbook’. CSIRO Publishing: Melbourne, 8-43 p.

Sulebak JR, Etzelmüller B, Sollid JL. 1997. Landscape regionalization by automatic classification of landform elements. Norsk Geografisk Tidsskrift-Norwegian Journal of Geography, 51(1): 35-45. doi:https://doi.org/10.1080/00291959708552362.

Tadono T, Ishida H, Oda F, Naito S, Minakawa K, Iwamoto H. 2014. Precise global DEM generation by ALOS PRISM. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2(4): 71. doi:https://doi.org/10.5194/isprsannals-II-4-71-2014.

Takaku J, Tadono T, Tsutsui K. 2014. Generation of High Resolution Global DSM from ALOS PRISM. ISPRS Annals of Photogrammetry, Remote Sensing & Spatial Information Sciences, 2(4). doi:https://doi.org/10.5194/isprsarchives-XL-4-243-2014.

Wood J. 1996. The geomorphological characterisation of digital elevation models. University of Leicester (United Kingdom). Thesis submitted for the degree of Doctor of Philosophy at the University of Leicester, 450 p.

Zinck JA, Valenzuela CR. 1990. Soil geographic database: structure and application examples. ITC journal(3): 270-294.

متن کامل:



تشخیص خودکار خط الرأس­ها با استفاده از تحلیل الگوی همسایگی کرنل

 

چکیده

تشخیص و طبقه‏بندی لندفرم‏های زمین، مورد توجه توسعه‏دهندگان علم GIS، محققین علوم زمین و ژئومورفومتری است، تا از این طریق واحدهای کاری مورد نظرشان با سرعت و دقت بالاتری استخراج شده و در قالب نقشه‏های برداری و رستری، استفاده شود. در این پژوهش تشخیص خودکار عوارض زمین با استفاده از آنالیز مکانی الگوهای کرنلی در شبکه رستری مدل‏های رقومی ارتفاعی زمین انجام گرفت که نتایج آن در قالب سه الگوریتم کاربردی در تشخیص قلل و خط‏الرأس‏های توپوگرافی ارائه شد. این الگوریتم­ها، شامل الگوریتم میانگین چند سطحی (MLMSR)، الگوریتم تشخیص چند سطحی پیچیده (CMLSR) و الگوریتم تشخیص چند نقطه‏ای (SPSR) است. هر یک از این سه الگوریتم ابتدا به طور مفهومی طراحی و سپس با استفاده از زبان برنامه‏نویسی پایتون، کدنویسی و اجرا گردید. در مرحله بعد منابع خطا و حالات خاص اجرای الگوریتم‏ها مورد بررسی قرار گرفت. حساسیت هر یک از الگوریتم‏ها به ابعاد پنجره متحرک، رزولوشن و وسعت فایل رستری، اندازه‏گیری شد و در نهایت، صحت و اعتبارسنجی مدل‏های سه‏گانه با استفاده از لایه‏های مرجع که به طور دستی تهیه و ترسیم شده بودند، ارزیابی گردید. نتایج نشان می­دهد که الگوریتم MLMSR در ابعاد کوچکتر پنجره متحرک تمایل بیشتری به تفکیک باینریک دارد که‏ در برخی از کاربردهای گرافیکی و کارتوگرافیکی مشکل‏ساز است اما الگوریتم‏های CMLSR و SPSR از تغییرات تدریجی بیشتری بهره‏مند بوده و از این لحاظ عملکرد بهتری داشتند. هر سه الگوریتم با بزرگتر شدن ابعاد پنجره متحرک، درجه جنرالیزاسیون بیشتری در نتایج اعمال می‏کنند که البته می‏تواند توجیه کننده چالش مقیاس باشد و در آخر نتایج اعتبارسنجی نشان می‏دهد که الگوریتم MLMSR بهترین عملکرد را نشان داده و الگوریتم SPSR عملکرد بهتری نسبت به الگوریتم CMLSR داشته است. نتایج مقایسه سه مدل­ پیشنهادی با مدل TPI نشان می­دهد که مدل­های MLMSR و به خصوص CMLMSR دارای کیفیت تفکیک و نمایش بهتری هستند.

واژه‌های کلیدی: کرنل، الگوی همسایگی، تشخیص خودکار، خط­الرأس  

 

 

 

 

 

 

 

 

 

 

 

مقدمه 

لندفرم به هر عارضه فیزیکی سطح زمین با ساختار و شکل قابل تشخیص اطلاق می­شود (4). یک تیپ لندفرم، الگوی ایجاد شده بر روی سطح زمین همراه با تغییراتی در ابعاد، مقیاس، شکل و موقعیت نسبی با عوارض ژئومورفیک مجاور است (50 و5). تیپ‏های لندفرم¹ (13)، به عنوان فرم‏های ناهمواری زمین²، پیوندهای مزوفرم³ (10) و الگوی لندفرم⁴ (45) نیز شناخته می‏شوند. تیپ‏های لندفرم‏ها شامل سطوح هموار یا دشت‏ها، تپه‏ها، کوه‏ها، قله‏ها، دره‏ها و جلگه‏ها در مقیاس‏های مختلف قابل رویت هستند (6). نمایش عددی سطح و الگوی ناهموار زمین، موضوعی مشترک در مطالعات جغرافیایی، ژئومورفولوژیکی، نقشه‏کشی مخاطرات زمین و ژئوفیزیک و همچنین اکتشافات کف دریا است. ترکیب علوم زمین و کامپیوتر به همراه ریاضیات و مهندسی ژئومورفومتری در تعامل با لندفرم‏های گسسته و پیوسته قرار دارد. این رشته مطالعاتی به طور گسترده‏ای به نام آنالیز زمین⁵ و یا ژئومورفولوژی کمی شناخته شده است. در حالیکه واژه جدیدتر، مدل‏سازی رقومی زمین⁶ به طور فزاینده‏ای در حال استفاده است (42 و 30).

ژئومورفومتری به حدود 150 سال قبل و کارهای الکساندر فون همبلت و زمین‏ریخت‏شناسان برمی­گردد و امروزه با انقلاب در علوم کامپیوتر و خصوصاً مدل‏های رقومی کامپیوتری به شدت در حال توسعه است (43). مورفومتری منبع بسیـاری از روش‏های قابل اطمینـان در محاسبـات هیـدروگراف حوضه‏ها، برآورد فرسایش خاک، نقشه‏های حساسیت زمین­لغزش، پیش‏بینی حرکت آب‏های زیرزمینی، نمایش توپوگرافی و بسیاری از کاربردهای دیگر در علوم زمین و زمینه‏های مهندسی است (27 و 23). این تکامل و بلوغ در ظرفیت و توانایی‏های جدید مدل‏سازی زمین⁷، در سیستم اطلاعات جغرافیایی و استفاده از مورفومتری برای تحلیل چشم‏اندازها مشخص است (9 و 2). تکنیک‏ها و ابزار‏های بسیاری در ژئومورفومتری به مانند اصول مفهومی این شاخه علمی مورد نظر قرار گرفته است (10، 42 و 23). در این راستا امروزه سامانه‏های اطلاعات مکانی با بکارگیری زبان برنامه‏نویسی پیشرفته و محاسبات ریاضی، برای شناسایی خودکار عوارض زمین در خدمت علم ژئومورفومتری قرار گرفته است. در این پژوهش هدف آن است تا با تحلیل‏های ماتریسی بر روی داده‏های رستری از نوع داده‏های رقومی زمین به عنوان مبنای‏ترین شکل برداشت شده از سطح زمین و همچنین بکارگیری الگوریتم‏های آنالیز رستری جدید از طریق کدنویسی، به تشخیص خودکار عوارض زمین دست یافت.

در زمینه آنالیز رقومی زمین، در پژوهش­های متعددی، از روش‏های زمین‏آماری استفاده شده است. به طور مثال سمی‏واریوگرام⁸، برای تشخیص مورفولوژی سطح زمین (39) و روش‏های کریگینگ برای برآورد ارتفاع، مورد استفاده قرار گرفته است (33). بنابراین برخی محققان از اطلاعات به دست‏آمده از روش‏های آماری و زمین‏آماری انجام شده بر روی مدل‏های رقومی ارتفاعی، اقدام به طبقه‏بندی سطح زمین⁹ کرده­اند (3). طبقه‏بندی لندفرم‏ها یکی از شاخه‏های اصلی ژئومورفومتری یا علم کمی آنالیز سطح زمین است. لندفرم‏ها به عنوان واحدهای همگن از لحاظ پارامترهای سطح زمین¹⁰ (LSP) همچون گرادیان شیب، ارتفاع و انحنا، شناخته می‏شوند. طبقه‏بندی لندفرم‏ها به عنوان واحدهای مکانی گسسته (آنالوگ و دیجیتال) شرایط قطعه‏بندی برای کاربردهای هیدرولوژی، ژئومورفولوژی، خاک‏شناسی و زمینه‏های مرتبط را فراهم می‏آورد (26).

بر اساس مقیاس‏های فضایی مختلفی، لندفرم‏ها قابل تشخیص هستند. فرم‏های کلی مانند ارتفاعات و دشت‏ها در مقیاس بزرگ تشخیص داده می‏شوند. این در حالی است که لندفرم‏های جزئی‏تر مانند خندق‏ها، قلل و یا سطوح شیب‏دار در مقیاس کوچک، به صورت زیرگروهی از فرم‏های با مقیاس بزرگ‏تر تشخیص داده می‏شوند. بنابراین سطح زمین نمایش‏دهنده ساختار سلسله‏مراتبی از لندفرم‏های مختلف است (11). امروزه ایجاد یک سیستم خودکار که توانایی تشخیص و ترسیم لندفرم‏ها را در مقیاس‏های مختلف داشته باشد، هنوز چالش بزرگی است (32). استخراج واحدهای لندفرمی می‏تواند با استفاده از رویکردهای مختلفی انجام شود که شامل طبقه‏بندی پارامترهای مورفومتریک، روش‏های فیلترینگ، آنالیز خوشه‏بندی، روش‏های آماری چند متغیره و رویکردهای مختلف دیگر می‏شود (13، 10، 46، 19 و 1). مطالعات مورفومتریکی معمولاً با استخراج مؤلفه‏های ناهمواری زمین همانند ارتفاع، شیب و جهت شیب آغاز می‏گردد. توصیف پیچیده‏تر لندفرم‏ها ممکن است از طریق استفاده از مشتق مکانی این مؤلفه‏های مورفومتریکی به دست آید که شاخص‏های مفیدی هستند. به طور مثال شاخص رطوبت توپوگرافیکی¹¹، شاخص توان جریان¹² و شاخص رسوب‏گذاری و برداشت رسوب¹³ را می‏توان نام برد (34، 36 و 49). در حال حاضر ژئومورفومتری به طور گسترده از مدل رقومی ارتفاعی به عنوان اطلاعات پایه برای استخراج مؤلفه‏های پایه و نیز استخراج نمایه‏ها و شاخص‏ها استفاده می‏کند. وود (49) مجموعه‏ الگوریتم‏هایی را برای تشریح عددی لندفرم‏ها پیشنهاد کرد و تعداد محدود شده‏ای از کلاس‏های فرمی و یا مورفومتریک را مد نظر داشت. قواعد تعریف شده برای هر کلاس مورفومتریک بر اساس مقدار شیب و تحدب محاسبه شده از مدل رقومی ارتفاعی تعیین می‏شود. رویکرد وود بر اساس فرضیه ایونس قرار داشت اما سطح زمین می‏تواند به صورت سطحی پیوسته فرض شود و در نتیجه می‏تواند به طور ریاضی از طریق توابع چندجمله‏ای درجه دوم نمایش داده شود. کلاس‏های مورفومتریک پیشنهاد شده توسط وود شامل خط‏الرأس، کانال، سطوح مسطح، قله، چاله و گردنه است (17). برخی فرم‏های عددی دیگر همچون پرتگاه و رمپ‏ها نیز توسط فلسیسیمو ارائه شده است (20). تفسیر عکس‏های هوایی و مطالعات میدانی، روش‏های قدیمی تشخیص لندفرم‏ها هستند که بسته به کیفیت و توانایی هر تفسیر متفاوت خواهد بود (14). فرایند تشخیص لندفرم‏ها در ابتدا مشکل و زمان بر بود اما اخیراً پژوهش‏هایی بر روی ژئومورفومتری عمومی منتشر شده‏اند که در ارتباط با اندازه‏گیری شکل سطح زمین می‏باشند. به طور مثال مجموعه‏ای از 15 لندفرم اصلی بر اساس ویژگی‏های هندسی همچون ارتفاع، شیب و انحنا توسط دیکاو تشخیص داده شده است(10). روش‏های جدید طبقه‏بندی، همچون روش فنمن که ایالات متحده آمریکا را از لحاظ فیزیکی تقسیم‏بندی می­کند، دارای مقیاس وسیع بوده و بیشتر به صورت کیفی تعریف می‏شود (22). هاموند (24) اولین کسی بود که ساز و کاری عددی را به کار برد. اگرچه به صورت دستی، نقشه انواع واحدهای زمین را از طریق آستانه‏های ژئومورفیکی شامل گرادیان شیب، ناهمواری نسبی، الگو و نیمرخ سطح زمین تهیه نمود. مورفی (38) مناطق توپوگرافیک جهان را طبقه‏بندی کرده است که به شدت کلی شده¹⁴ است. نقشه وی به صورت دستی از ارتفاع و ناهمواری نسبی از نقشه منحنی میزان با مقیاس 1:1000000 به دست آمده است.

سیستم اطلاعات جغرافیایی و علوم کامپیوتر، بسیاری از موانع طبقه‏بندی سطح زمین، با استفاده از هندسه سطح پوسته زمین برای اراضی وسیع و در قدرت تفکیک‏های مختلف را برطرف کرده است (29). توپوگرافی به طور خودکار از طریق ذخیره‏سازی ارتفاع سطح زمین به صورت یک آرایه شبکه‏ای از سلول‏ها به صورت مدل رقومی ارتفاعی، قابلیت آنالیز و تحلیل دارد.

توپولوژی منطقه‏ای سطح زمین، از ترکیب ناهمواری، شیب و فواصل عوارض و سایر مشتقات ارتفاع و موقعیت‏های جغرافیایی به دست می‏آید (29). در بسیاری پژوهش‏های پیشین، روش‏های مختلف طبقه‏بندی، با فرم سطح زمین و داده‏های مکانی دیگر ترکیب شده و در برآورد ناپایداری شیب‏ها و استخراج واحدهای ژئومورفیک زمین مورد استفاده قرار گرفته­اند (45، 18، 7، 41، 35 و 40).

روش تیپ‏شناسی هاموند برای اولین بار توسط دیکائو و همکارانش خودکارسازی شد (25 و 12). سپس توسط برباین¹⁵ اصلاح و ویرایش گردید (5). در مرحله بعد توسط مورگان و لش مجدداً برنامه­نویسی شد (37). پریما¹⁶ و همکاران، هفت تیپ سطح زمین را در هانشو واقع در شمال شرق ژاپن با استفاده از چهار پارامتر مورفومتریک تهیه کردند (44). برخی از طبقه‏بندی‏ها نظارت شده هستند که برای ترسیم تیپ‏های توپوگرافی زمین از داده‏های آموزشی، استفاده می­کنند (25). در حالیکه برخی دیگر، نظارت نشده، غیر جبری و کنترلی بوده و اجازه می‏دهند که خود داده‏ها بهترین طبقه‏بندی را تعریف کنند (31 و 28). بیشتر این طبقه‏بندی‏ها، تلاشی تجربی در ژئومورفومتری عمومی هستند (17). این طبقه­بندی‏ها، لندفرم‏ها را بر اساس ویژگی‏های سیستمی و قوانین فیزیکی و مدل‏های تکامل چشم‏انداز و قوانین حمل رسوب و معادلات توزیع رسوب و مسائل احتمالاتی، آماری طبقه‏بندی و تقسیم‏بندی می‏کنند (29).

تلاش‏های زیادی در سال‏های اخیر برای ایجاد ساز و کاری برای استخراج خودکار عناصر لندفرم‏های زمینی از مدل‏های رقومی ارتفاعی انجام گرفته است. دایموند و هارمسورس (15)، رویکردی جدیدی در مدل‏سازی واحدهای اراضی با استفاده از شیب زمین و آنالیز نیمرخ برای تعیین شکستگی‏های گرادیانی، ارائه کردند. این روش، بر اساس روش تعیین بیشترین شیب قرار دارد و ویژگی‏های دوبعدی سطحی زمین مانند تغییرات کانتوری را تشخیص نمی‏دهد. دایموند و همکاران، از یک طبقه‏بندی ترکیبی شامل ارتفاع، شیب و جهت شیب برای استخراج عناصر فرمی استفاده کردند. این الگوریتم شامل یک طبقه‏بندی اختیاری از 9 کلاس جهت شیب زمین و روش‏های فیلترینگ تکرار شونده پیچیده و ترکیبی برای حذف نویزهای داده‏های ورودی است (16). این روش‏ها، به طور غیرمستقیم ویژگی‏های مقیاس و انحنای زمین در چشم‏انداز‏ها را مدنظر قرار می‏دهد. فلز و ماتسون (21)، پارامتر مقیاس‏پذیر موقعیت چشم‏اندازها را معرفی کردند و مدلی بر اساس ترکیب موقعیت شیب و چشم‏انداز توسعه دادند. در مدل آنها، انحنای زمین، مد نظر قرار نگرفته است. مک میلان و همکاران (31)، یک سیستم ترکیبی طبقه‏بندی را بر اساس10 مؤلفه ژئومورفومتریک توسعه دادند. این مؤلفه‏ها شامل انحنای زمین، فاصله از خطوط تقسیم آب و قواعد مجموعه‏های فازی بود که منتهی به تشخیص پانزده عنصر لندفرمی گردید. مدل آنها نیاز به مؤلفه‏ها و آستانه‏های زیادی دارد. همچنین مراحل اجرای مدل در الگوریتم‏های مختلف و پارامترهایی که مورد استفاده قرار می‏گیرند، متغیر است. بنابراین فرمت و دامنه واحدهای تشخیصی نیز متفاوت خواهد بود. عامل مهم دیگر آن است که آنها مسئله مقیاس لندفرم‏ها را به طور کامل مورد نظر قرار نداده‏اند. 

در برخی منابع از روش­های طبقه­بندی واحدهای فرمی TPI استفاده شده است (51)، در این الگوریتم­ها از تکنیک پنجره متحرک استفاده می­شود و اختلاف ارتفاع بین پیکسل مرکزی با میانگین پیکسل­های مجاور محاسبه می­گردد. از نتایج به دست آمده از TPI لندفرم­های زمین طبقه­بندی و به نقشه تبدیل می­شوند. در برخی رویکردهای دیگر از الگوریتم­های یادگیری عمیق و یادگیری ماشین برای تشخیص لندفرم­ها استفاده شده است (52). این مجموعه روش­ها به دنبال تشخیص نظارت شده یا نظارت نشده عوارض سطح زمین با استفاده از داده­های آموزشی و اخذ الگوها و روابط بین آنها می­باشند. از جمله رویکردهای دیگر در تشخیص خودکار لندفرم­های زمین با استفاده از مدل رقومی زمین، استفاده از شبکه­های عصبی کانولوشن است (53). در این روش­ها با استفاده از مدل یادگیری ماشین شبکه عصبی و با استفاده از داده­های آموزشی عملیات یادگیری تکمیل و سپس تشخیص و استخراج و طبقه­بندی لندفرم­های زمین انجام می پذیرد.

رویکردهای موجود عمدتاً بر اساس ارتفاع، مشتق سطح زمین، گرادیان، انحنا، جهت جریان، موقعیت شیب، نمایه­های مورفومتریکی و مواردی از این قبیل قرار دارد. همچنین به چالش تناسب مقیاس تشخیصی با مقیاس لندفرمی کمتر توجه شده و بیشتر مدل­ها دارای این نقیصه هستند. از طرف دیگر به امکان برداری‏سازی نتایج خروجی از مدل­ها و همچنین به تحلیل حساسیت و پاسخ زمانی الگوریتم­ها به پردازش­های ماشینی کمتر توجه شده است.

در این پژوهش با استفاده از الگوریتم­های پایه‏ای آنالیز رستری و کدنویسی، روش­ها و الگوریتم­های جدیدی در تشخیص خودکار عوارض زمین ارائه گردیده‏است. همچنین آنالیز­های رستری از نوع کانونی (Focal) مورد تأکید قرار گرفته است و از تکنیک پنجره متحرک به منظور پیاده­سازی الگوریتم­ها استفاده شده است. مواجه با چالش مقیاس، آنالیز حساسیت و پاسخ الگوریتم­ها به تغییرات ورودی و نیز ارزیابی صحت نیز از جنبه­های دیگری است که در این پژوهش به آن پرداخته شده است.

روش­ تحقیق 

در این پژوهش از داده‌هاي ارتفاعي سطحي (DSM) منتشر شده توسط آژانس فضايي ژاپن در ماه مي و اکتبر 2015 با رزولوشن افقي در حدود 30 متر براي بررسي توپوگرافي منطقه، مورد استفاده قرار گرفت. اين داده‌ها از تصاوير ماهواره ALOS به دست آمده است (48). اين پايگاه بر اساس داده‌هاي DSM (نسخه شبکه 5 متري) توپوگرافي سه بعدي از جمله دقيق‌ترين داده‌هاي ارتفاعي در مقياس جهاني به‏دست آمده است (47). مدل رقومی ارتفاعی در محیط کدنویسی پایتون به ساختار ماتریسی تبدیل شد. سپس ساختار آنالیز رستری با استفاده از تکنیک پنجره متحرک پیاده‏سازی گردید. الگوریتم پنجره متحرک به صورتی کدنویسی شد که ابعاد پنجره متحرک به صورت آزاد قابل تعیین و تغییر باشد. متناسب با اندازه پنجره متحرک، الگوریتم مواجه با اثر حاشیه‏ای¹⁷ کدنویسی گردید تا تصحیح و سازماندهی اثر حاشیه‏ای متناسب با اندازه پنجره متحرک، به صورت خودکار انجام گیرد. در گام بعدی سه الگوریتم تشخیص درجه شباهت به قلل در ساختارهای شبکه رستری تک باند با استفاده از مدل‏سازی الگوهای کرنلی انجام گرفت. هر سه الگوریتم قابلیت انطباق با تغییرات اندازه پنجره متحرک را داراست که از نقاط قوت این سه الگوریتم به حساب می‏آید. ابعاد سلول‏های شبکه رستری و اندازه پنجره متحرک، فاکتورهای تغییر مقیاس در هر یک از این سه الگوریتم هستند. در نهایت حساسیت‏سنجی زمانی هر یک از این سه الگوریتم به نسبت تغییرات اندازه پنجره متحرک، تغییرات دقت مکانی شبکه رستری و تغییرات وسعت شبکه رستری انجام گرفت. شکل1 مراحل انجام پژوهش را به صورت خلاصه نمایش می‏دهد.

 

شکل1. نمودار گردشی مسیر مفهومی پژوهش

Fig 1. Flowchart diagram of the conceptual path of research

تبدیل شبکه رستری به ساختار ماتریسی

شبکه‏های رستری بایستی به منظور آنالیزهای ماشینی به ساختارهای ماتریسی تبدیل گردند. شبیه‏ترین مدل‏ مجموعه‏ای داده¹⁸ به ماتریس‏ها در زبان برنامه‏نویسی پایتون لیست‏ها هستند. لیست‏ها مدل­ داده استاندارد¹⁹ و درون ساخت²⁰ زبان برنامه‏نویسی پایتون بوده که در راستای تبدیل شبکه‏های رستری به ساختارهای ماتریسی از این نوع مدل داده استفاده شد.

آنالیز شبکه رستری با ساختار ماتریسی

در سیستم اطلاعات جغرافیایی چهار حالت کلی برای آنالیز شبکه‏های رستری وجود دارد که شامل آنالیزهای محلی²¹، کانونی²²، منطقه‏ای²³ و سراسری²⁴ می‏شوند (8). یکی از رایج‏ترین تکنیک‏های مورد استفاده در آنالیزهای کانونی، تکنیک پنجره متحرک²⁵ است. در این پژوهش از این تکنیک استفاده شده است.

تعریف پنجره متحرک

اگر پنجره متحرک را mw و تعداد سطر و ستون آن را (r,c) در نظر بگیریم، پنجره متحرک مربعی با سطر و ستون فرد در فرد دارای تعریف ریاضی مطابق با رابطه1 است.

[1]                                                                                                                

که در این رابطه، r تعداد ردیف‏های پنجره متحرک و c تعداد ستون‏های آن است. شروط r mod 2 و c mod 2 نامساوی صفر، به ترتیب فرد بودن تعداد سطر و ستون پنجره را مدنظر دارد. در صورتی که سطر و ستون پنجره متحرک غیر فرد در نظر گرفته می‏شد، تعیین مرکز هندسی آن با مشکل روبه‏رو بود در نهایت شرط r = c برای مربعی بودن پنجره متحرک و r,c >2 تعیین حداقل ابعاد پنجره، یعنی بزرگتر یا مساوی 3 در 3 را تعیین می­کند.

بعد از تعریف پنجره متحرک بایستی هر یک از درآیه‏های پنجره‏های متحرک با استفاده از یک سیستم نام‏گذاری یا کدگذاری تعیین حدود گردند. روش‏های متفاوتی در آدرس‏دهی به درایه‏های پنجره‏های متحرک وجود دارد که در شکل2 چند نمونه از آن نشان داده شده‏اند. در این پژوهش از روش کدگذاری مختصاتی با مبدأ مرکزی استفاده شده است.

 

شکل2. روش‏های آدرس­دهی مکانی به درایه‏های پنجره‏های متحرک الف) روش کدگذاری سطری، ب) روش کدگذاری جغرافیایی ج) روش کدگذاری مختصاتی (با مبدأ مرکزی)

Fig 2. Spatial addressing methods for moving window frames a) Line coding method, b) Geographic coding method c) Coordinate coding method (with central origin)

الگوریتم شناور تغییر مقیاس با تغییر اندازه پنجره متحرک

برای انعطاف بیشتر در مدل‏سازی الگوهای کرنلی، اندازه پنجره متحرک در روند اجرا با یک الگوریتم خودکار کامپیوتری بهینه‎‏سازی شد. این الگوریتم می‏تواند اندازه پنجره متحرک را با هر عدد صحیح فرد مثبت غیر 1 بازسازی کند. بخشی از قطعه کد تهیه شده برای اجرای این الگوریتم در شکل3 ملاحظه می‏شود.

 

شکل3. استخراج ایندکس پنجره متحرک متناسب با اندازه پنجره متحرک

Fig 3. Extract the moving window index to related to the size of the kernel

 

مواجه با اثرحاشیه‏ای ²⁶متناسب با اندازه پنجره متحرک

در آنالیزهای رستری که از تکنیک پنجره متحرک استفاده می‏کنند، بخشی از حاشیه ساختارهای رستری بسته با ابعاد پنجره متحرک درگیر اثر حاشیه‏ای می‏‏گردد. در کدنویسی الگوریتم‏های وابسته به پنجره متحرک بایستی توجه گردد. رابطه2 اثر حاشیه‏ای ایجاد شده به نسبت ابعاد سطر و ستون پنجره متحرک را نشان می‏دهد.

 

[2]                                          

که در این رابطه  اثر حاشیه­­ای است که برای پنجره متحرک  با اندازه سطر و ستون  ایجاد می­شود. rup و rdown به ترتیب تعداد سطرهایی است که در بالا و پائین شبکه رستری تحت­تأثیر اثر حاشیه­ای قرار می­گیرند. به همین ترتیب cup و cdown تعداد ستون­هایی است که در سمت چپ و راست شبکه رستری تحت­تأثیر اثر حاشیه­ای قرار می­گیرند.

طراحی الگوریتم­های تشخیص قلل با استفاده از آنالیز مکانی الگو­های کرنلی

در ادامه، الگو­های مکانی کرنل­­ها با استفاده از سه مدل مختلف، مدل‏سازی، الگوریتم­‏سازی و اجرا گردید. این سه مدل که در تشخیص قلل قابل استفاده می­باشند، شامل مدل­های MLMSR یا میانگین چندسطحی و CMLSR یا تشخیص چندسطحی پیچیده و SPSR یا تشخیص تک‏نقطه­ای قلل می­گردد. در ادامه الگوریتم هر یک از این سه مدل به طور تفصیلی شرح داده می­شود:

الگوریتم میانگین چند سطحی تشخیص قلل (MLMSR²⁷)

در این الگوریتم پنجره متحرک با ابعاد فرد در فرد در نظر گرفته شده و با توجه به ابعاد پنجره متحرک، تعداد سطوح (L) با استفاده از رابطه3 محاسبه شد. نحوه سطح­بندی و پیکربندی پنجره متحرک در این الگوریتم در شکل4 نشان داده شده است.

 

شکل4. نحوه سطح­بندی پیکسل­ها در الگوریتم میانگین چند سطحی تشخیص قلل (MLMSR)

Fig 4. Leveling pixels in multi-level mean summit recognition (MLMSR) algorithm

 

[3]                                                          

در این رابطه  تعداد سطوح بر اساس ابعاد پنجره متحرک  است. برای محاسبه تعداد سطوح از رابطه  استفاده شد که متناسب با اندازه پنجره متحرک محاسبه می­شود. سه شرط در این رابطه وجود دارد یکی فرد در فرد بودن ابعاد پنجره متحرک و دیگر آنکه اندازه سطری و ستونی پنجره متحرک با هم برابر بوده (مربعی بودن پنجره متحرک و داشتن مرکز هندسی) و دیگری حداقل اندازه سطر و ستونی پنجره متحرک بزرگتر و یا مساوی 3 باشد.  پیکسل­هایی که در سطح L قرار گرفته و با ایندکس i-ام نامگذاری شده­اند. با توجه به توضیحات فوق متوسط ارزش پیکسلی²⁸ هر سطح از طریق فرمول  به دست آمد به طوری که تعداد پیکسل­هایی که در سطح i-ام قرار گرفته­اند یا  از رابطه   به دست می­آید. حال اگر متوسط ارزش پیکسلی هر سطح از متوسط ارزش پیکسلی سطح بعد از خود بیشتر باشد به مقدار m یک واحد اضافه خواهد شد و کل حالات محتمل در هر پنجره متحرک یا n برابر با تعداد سطوح یا L است. سپس با استفاده از رابطه4 درصد شباهت به عارضه قله به دست آمد.

 [4]                                                                                                           

که در این رابطه  درصد شباهت به عارضه قله و خط­الرأس بر اساس الگوریتم طراحی شده MLMSR است به طوری که m,n با استفاده از رابطه3 محاسبه می­شوند. الگوریتم پیشنهادی MLMSR توسط زبان برنامه­نویسی پایتون پیاد­سازی شد در شکل 5 قطعه­ای از کدهای مربوطه نشان داده شده است.

 

شکل5. بخشی از کدهای اجرایی الگوریتم پیشنهادی MLMSR

Fig 5. Part of Python Code related to the MLMSR suggested algorithm

 

 

 

 

الگوریتم تشخیص چند سطحی پیچیده قلل (CMLSR²⁹)

در این نوع الگوریتم که تا حدودی به الگوریتم MLMSR شباهت دارد، تعداد سطوح بر اساس ابعاد پنجره متحرک تعیین می­گردد که از  تا  متناسب با اندازه پنجره متحرک تغییر می­کند. شکل6 نحوه سطح­بندی و توزیع پیکسل­های هر سطح در این الگوریتم را نشان می­دهد.

 

شکل6. نحوه سطح­بندی و توزیع پیکسل­های هر سطح در الگوریتم تشخیص چند سطحی پیچیده قلل (CMLSR)

Fig 6. leveling and distributing pixels on the levels in Complex Multi-level summit recognition

 

در مرحله بعد، مقدار عددی هر پیکسل که در سطح  ام قرار گرفته با تمامی پیکسل­هایی که در سطح بعدی یا  ام قرار گرفته به صورت زوجی مقایسه شده و در صورتی که دارای ارزش ارتفاعی³⁰ بیشتری باشد به مقدار m یک واحد اضافه می­شود رابطه5 این شرایط را به زبان ریاضی بیان می­کند.

 [5]                                                 

به طوری که در این رابطه L تعداد سطوح واقع شده در یک پنجره متحرک با ابعاد r,c است و r,c  هر دو اعدادی فرد و برابر هستند.  مجموعه پیکسل­هایی است که در سطح  قرار گرفته­اند. برای محاسبه m تمامی حالاتی در نظر گرفته می­شود که پیکسل­های موجود در سطح   که با  نمایش داده می­شوند، با تمامی پیکسل­های موجود در سطح   که با  نمایش داده می­شوند، به صورت دو به دو مقایسه شده و در صورتی که ارزش بیشتری داشته باشند به مقدار  یک واحد اضافه خواهد شد.  تعداد کل حالات ممکن در مقایسه دو به دو است. بدین منظور مجموع ضرب تعداد اعضای مجموعه   را که با  نشان داده شده در تعداد اعضای مجموعه سطح بعدی یا  که با  نمایش داده شده است محاسبه کرده و معادل n در نظر گرفته شد. بعد از محاسبه مقدار عددی m,n که از رابطه 5 محاسبه شده­اند به کمک رابطه6، درصد شباهت به عارضه قله و خط­الرأس محاسبه شد.

[6]                                                                                                                 

که در این رابطه  درصد شباهت به عارضه قله بر اساس الگوریتم CMLSR است.

الگوریتم پیشنهادی CMLSR توسط زبان برنامه­نویسی پایتون پیاده­سازی شد در شکل 7 قطعه­ای از کدهای مربوطه نشان داده شده است.

 

شکل7. بخشی از کدهای اجرایی الگوریتم پیشنهادی CMLSR

Fig 7. Part of Python Code related to the CMLSR suggested algorithm

 

الگوریتم تشخیص تک نقطه ای قلل (SPSR³¹)

در الگوریتم پیشنهادی سوم، سطح­بندی وجود نداشته و تمامی پیکسل­های موجود در پنجره متحرک mw با ابعاد سطر و ستونی r,c به طور زوجی مقایسه شده و در صورتی که ارزش پیکسل مرکزی مقدار ارتفاعی بیشتری را دارا باشد به مقدار m یک واحد اضافه خواهد شد. شکل8 نحوه توزیع پیکسل­ها در الگوریتم تشخیص تک­نقطه­ای قلل را نشان می­دهد.

 

شکل8. نحوه توزیع پیکسل­ها در الگوریتم تشخیص تک­نقطه­ای قلل (SPSR)

Fig 8. How to distribute the pixels in the single-point summit recognition algorithm

الگوریتم تشخیص تک­نقطه­ای قلل با استفاده از رابطه7 پیاده­سازی و با نماد ریاضی نشان داده شده است.

[7]                                                                                                         

در این رابطه در صورتی که ارزش ارتفاعی پیکسل مرکزی (C) در هر زوج مقایسه بیشتر از ارزش ارتفاعی سایر پیکسل­های پنجره متحرک  با ابعاد سطر و ستونی  باشد، یک واحد به مقدار m اضافه می­شود. تعداد کل حالات مقایسه­ای محتمل (n) برابر با ضرب تعداد سطر و ستون پنجره متحرک منهای یک واحد است. بعد از محاسبه مقدار m و n با استفاده از رابطه 8 درصد شباهت به عارضه قله و خط­الرأس بر اساس الگوریتم تشخیص تک­نقطه­ای قلل (SPSR) به دست آمد.

 [8]                                                                                                               

الگوریتم پیشنهادی SPSR توسط زبان برنامه­نویسی پایتون پیاده­سازی شد. در شکل 9 قطعه­ای از کدهای مربوطه نشان داده شده است.

 

شکل9. بخشی از کدهای اجرایی الگوریتم پیشنهادی SPSR

Fig 9. Part of Python Code related to the SPSR suggested algorithm

برداری­سازی³² نتایج الگوریتم­ها و استخراج نقطه­ای قلل

در مرحله نهایی با استفاده از یک آستانه عددی بر روی مقدار S.S که توسط هر یک از الگوریتم­های سه­گانه، محاسبه شده­اند، عملیات برداری­سازی نقطه­ای انجام گرفت. این بخش با استفاده از زبان برنامه­نویسی پایتون پیاده­سازی و برنامه­نویسی شد تا نتایج به صورت فایل­های برداری نقطه­ای تهیه و فرآوری گردند.

نتایج و بحث

الگوریتم­های سه­گانه مطرح شده به طور نمونه بر روی مدل رقومی ارتفاعی اجرا شد که نتایج آن در شکل‏های10تا 12 نشان داده شده است. هر یک از الگوریتم­ها بر روی پنجره­های متحرک با ابعاد 3، 5، 7، و 9 اجرا شده­اند.

 

 

شکل10. نتایج خروجی الگوریتم MLMSR

Fig 10. The results of MLMSR algorithm

نتایج خروجی الگوریتم MLMSR در ابعاد پنجره متحرک کوچک­تر، تمایل به تفکیک باینری داشته و استدراج کمتری در نتایج دیده می­شود که البته با افزایش اندازه پنجره متحرک این وضعیت بهبود می­یابد. در پنجره­های متحرک 3، 5 و تا حدودی 7 پیکسلی، نتایج، تمایل به تفکیک باینری داشته ولی از ابعاد 7 پیکسل به بالاتر شروع به تغییر کرده و هر قدر ابعاد پنجره متحرک بزرگ­تر می­شود، مقیاس کلی­سازی و تفکیک غیر باینریک، افزایش می­یابد.

 

 

شکل11. نتایج خروجی الگوریتم CMLSR

Fig 11. The results of CMLSR algorithm

نتایج خروجی الگوریتم CMLSR که در شکل11 ملاحظه شد، تقریباً در تمامی ابعاد پنجره متحرک، تفکیک غیر باینری داشته و بر خلاف مدل MLMSR تفکیک تدریجی در نتایج آن به خوبی ملاحظه می­گردد. به طور مشابه با افزایش ابعاد پنجره متحرک، درجه جنرالیزاسیون نتایج افزایش می­یابد. از لحاظ بصری و گرافیکی نتایج قابل قبول داشته و از همواری و تطابق بصری با وضعیت و فرم منحنی­های تراز به دست آمده از مدل رقومی ارتفاعی برخوردار است. نتایج این الگوریتم از ظرافت بیشتری نسبت به الگوریتم MLMSR برخوردار بوده و نسبت به مدل MLMSR از لحاظ نمایشی و گرافیکی عملکرد بهتری از خود نشان می­دهد. در ضمن به دلیل استدراج بهتر مقادیر در نتایج خروجی این مدل، طبقه­بندی و نمایش کارتوگرافیکی عملکرد بهتری دارد.

 

 

شکل12. نتایج خروجی الگوریتم SPSR

Fig 12. The results of SPSR algorithm

نتایج الگوریتم SPSR تا حدودی شبیه به الگوریتم CMLSR است. درجه استدراج، قابل قبول و مناسب بوده، تصویر خروجی، حالت غیر باینری داشته و در تفکیکی عوارض، عملکرد خوبی از خود نشان داده است. افزایش ابعاد پنجره متحرک منجر به درجه کلی­سازی یا جنرالیزاسیون شده و نتایج از نرمی و تطابق بصری با منحنی­های تراز به دست آمده از مدل رقومی ارتفاعی برخوردار است. به لحاظ مفهومی الگوریتم TPI (54) بیشترین شباهت را به مدل­های پیشنهادی دارد در نتیجه نتایج به دست آمده از سه مدل پیشنهادی در این پژوهش با مدل TPI مقایسه می­شوند. به طوری که در شکل 13 نشان داده شده است، مدل پیشنهادی SPSR و به خصوص CMLSR عملکرد بصری بهتری به نسبت مدل TPI نشان می­دهد. مدل MLMSR دارای الگوی تشخیصی و بافت متفاوتی است و در کل عملکرد بصری ضعیف­تری به نسبت TPI و مدل­های SPSR و CMLSR نشان می­دهد.

 

 

شکل13. مقایسه مدل­های پیشنهادی با مدل TPI (54)

Fig 13. Comparing the results of suggested models with TPI

بررسی منابع خطا و حالات خاص

منابع خطا در سه بخش خطای ناشی از اثر حاشیه­ای پنجره متحرک، خطای ناشی از ابعاد پنجره متحرک و موقعیت محلی آن در سطوح توپوگرافیک و در نهایت خطای ناشی از برداری­سازی نتایج و تبدیل به الگوهای نقطه­ای مورد توجه قرار گرفته که در ادامه به بررسی این منابع و حالات خاص آن در عملکرد سه الگوریتم پیشنهادی پرداخته می­شود.

خطای ناشی از Ignore کردن اثر حاشیه­ای

این نوع خطا زمانی اتفاق خواهد افتاد که قله در حاشیه شبکه رستری قرار گرفته باشد و با توجه به ابعاد پنجره متحرک می­تواند از برد تشخیصی الگوریتم­ها خارج شده و باعث خطای عدم تشخیص این عارضه در موقعیت حاشیه­ای شبکه رستری گردد. شکل14 به طورمفهومی این نوع خطا را نشان می­دهد.

 

شکل14. خطای ناشی از Ignore کردن اثر حاشیه­ای در تکنیک آنالیز رستری با استفاده از پنجره متحرک

Fig 14. Error resulting from ignoring the edge effect in the raster analysis technique, which is using moving window

خطای ناشی از الگوی کرنل

با توجه به الگوی قرار گرفته در هر فریم کرنل، بعضی مواقع ممکن است یک یا چند قله در محدوده پردازشی پنجره متحرک قرار بگیرد که در آن صورت می­تواند باعث ایجاد خطای تشخیصی در الگوریتم حامل پنجره متحرک گردد. در صورتی که قله یا قلل قرار گرفته در محدوده پردازش پنجره متحرک، بزرگ­تر از قله قرار گرفته در مرکز پنجره باشد، در نتیجه خطای ناشی از الگوی کرنل ایجاد خواهد شد. شکل15 نمونه­ای از این نوع خطا را نشان می­دهد. این نوع خطا، به شدت وابسته به ابعاد پنجره متحرک است. در ابعاد کوچک­تر معمولاً این خطا پیش نخواهد آمد اما در ابعاد بزرگتر این نوع خطا افزایش می­یابد.

 

شکل15. خطای ناشی از الگوی محلی واقع شده در محدوده کرنل

Fig 15. Error due to the local pattern located inside the kernel

 

ارزیابی خطای ناشی از برداری­سازی نقطه ای قلل

نتایج خروجی هر یک از الگوریتم­های سه­گانه به ساختار برداری با توپولوژی نقطه­ای تبدیل گردید. آستانه این نوع تبدیل به ساختار برداری³³ شباهت (S.S) 100 درصد در نظر گرفته شد. نتایج در شکل 16 نمایش داده شده­ است که برای پنجره متحرک با ابعاد 3، 7 و 11 پیکسل تهیه گردیده­اند.

به طوری که در شکل16 مشخص است، الگوریتم MLMSR برای استخراج نقطه­ای قلل عملکرد مناسبی نداشته ولی الگوریتم CMLSR و SPSR در این زمینه عملکرد بهتری از خود نشان می­دهند (شکل‏های 17 و 18). بین الگوریتم CMLSR و SPSR، الگوریتم SPSR عملکرد بهتری از خود نشان می­دهد. الگوریتم CMLSR با افزایش اندازه پنجره متحرک، سختگیرانه­تر در تشخیص قلل عمل نموده و در نتیجه با تراکم کمتری لایه نقطه­ای قلل را استخراج می­کند.

 

شکل16. برداری سازی نتایج الگوریتم MLMSR (تبدیل به نقطه)

Fig 16.Vectorization of the MLMSR results (Create Points)

 

شکل17. برداری سازی نتایج الگوریتم CMLSR (تبدیل به نقطه)

Fig 17.Vectorization of the CMLSR results (Create Points)

 

شکل18. برداری­سازی نتایج الگوریتم SPSR (تبدیل به نقطه)

Fig 18.Vectorization of the SPSR results (Create Points)

آنالیز حساسیت زمانی الگوریتم­ها

در این بخش، حساسیت هر یک از مدل­ها و الگوریتم­های ارائه شده به متغیر­های ورودی سنجیده و بررسی می­گردد تا از این طریق عملکرد هریک از مدل­ها آنالیز و بررسی گردد. حساسیت­سنجی هر یک از مدل­ها که شامل حساسیت زمان اجرای هر یک از مدل­ها به تغییرات ابعاد پنجره متحرک، قدرت تفکیک مکانی لایه رستری ورودی و وسعت محدوده مورد پردازش است در سه بخش مورد بررسی قرار گرفت:

حساسیت زمانی الگوریتم­ها به اندازه پنجره متحرک

به منظور بررسی کارایی هر یک از سه الگوریتم ارائه شده در این پژوهش، 50 مدل رقومی ارتفاعی از مناطق مختلف و با شرایط توپوگرافیک محلی متفاوت انتخاب شد و برای هر یک از این فایل­ها ابعاد پنجره متحرک 3، 5، 7 و9 پیکسلی انتخاب و هر کدام 5 بار تکرار شده و مدت زمان اجرای هر الگوریتم به طور متوسط در نظر گرفته شد. نتایج این آنالیز در جدول1 نمایش داده شده است.

جدول1.حساسیت سنجی زمانی الگوریتم­ها به ابعاد پنجره متحرک (به توضیحات پاورقی توجه شود³⁴)

Table 1. Temporal sensitivity of algorithms to the dimensions of the moving window

اندازه پنجره متحرک	متوسط زمان اجرا (ثانیه)			توضیحات
	الگوریتم 1 MLMSR	الگوریتم 2 CMLSR	الگوریتم 3 SPSR
3	591/1	287/1	1/1	50 فایل مدل رقومی ارتفاعی به عنوان نمونه انتخاب شد. برای هر فایل ابعاد پنجره متحرک 7،5،3، و 9 در نظر گرفته شد و برای هر اندازه 5 بار تکرار انجام گردید
5	075/6	096/4	733/2
7	926/15	193/9	021/5
9	993/32	4/19	064/8

 

نتایج آنالیز زمان اجرای هر یک از الگوریتم­ها، در شکل‏های19 تا 21 نشان داده شده است. الگوریتم SPSR از لحاظ اتلاف زمان، کارایی بهتری دارد. به طوری که با افزایش اندازه پنجره متحرک، شیب افزایش زمان اجرای الگوریتم، به نسبت الگوریتم­های MLMSR و CMLSR ، شیب بسیار ملایم­تری دارد. در نتیجه این الگوریتم برای تغییر مقیاس از طریق اندازه پنجره متحرک دارای کارایی بهتری خواهد بود.

 

شکل19. حساسیت زمانی الگوریتم­های سه­گانه به تغییرات ابعاد پنجره متحرک

Fig 19. Time sensitivity of the algorithms to changes in the dimensions of the moving window

حساسیت زمانی الگوریتم­ها به رزولوشن

در این بخش حساسیت زمان اجرای هر یک از الگوریتم­ها به تغییرات رزولوشن فایل رستری ورودی بررسی و اندازه­گیری شد که نتایج آن در جدول2 نشان داده شده است.

 

 

 

جدول2.حساسیت سنجی زمانی الگوریتم­ها به رزولوشن

Table 2. Temporal sensitivity of algorithms to resolution

رزولوشن – متر	متوسط زمان اجرا (ثانیه)
	الگوریتم 1 MLMSR	الگوریتم 2 CMLSR	الگوریتم 3 SPSR
10	503/102	131/115	352/73
20	63/25	992/28	324/18
30	426/11	859/12	177/8
40	412/7	412/8	329/5
50	067/4	726/4	026/3
60	814/2	314/3	047/2
70	088/2	492/2	516/1
80	602/1	936/1	189/1
90	277/1	542/1	927/0

به طوری که در شکل20 مشاهده می­شود، الگوریتم SPSR عملکرد زمانی بهتری به نسبت الگوریتم­های CMLSR و MLMSR داشته و الگوریتم CMLSR نیز به نسبت الگوریتم MLMSR عملکرد زمانی بهتری دارد. حساسیت زمانی الگوریتم­های سه­گانه به تغییرات رزولوشن تصاعدی بوده و از حدود رزولوشن 30 متر به پائین با شیب تصاعدی زمان اجرای الگوریتم را افزایش می­دهد.

 

شکل20. حساسیت زمانی الگوریتم­ها به تغییرات رزولوشن شبکه رستری

Fig 20. Temporal sensitivity of algorithms to changes in raster grid resolution

حساسیت زمانی الگوریتم­ها به وسعت (مساحت شبکه رستری)

در بخش دوم از آنالیز حساسیت زمانی، پاسخ زمانی الگوریتم­های سه­گانه به تغییرات مساحت شبکه رستری انداز­گیری و مورد بررسی قرار گرفت. نتایج آن در جدول3 گردآوری شده­اند.

جدول3. حساسیت سنجی زمانی الگوریتم­ها به وسعت

Table 3. The temporal sensitivity results of algorithms to the area

مساحت (Km2)	متوسط زمان اجرا (ثانیه)
	الگوریتم 1 MLMSR	الگوریتم 2 CMLSR	الگوریتم 3 SPSR
1233	66/6	31/7	83/4
2775	70/15	69/15	39/10
11093	13/58	82/59	61/41
24980	03/123	80/133	37/98
80921	31/406	12/442	77/324

 

 

شکل21 پاسخ زمانی الگوریتم­های سه­گانه به متغیر وسعت شبکه رستری را نشان می­دهد.

 

شکل21. حساسیت زمانی الگوریتم­ها به تغییرات وسعت (مساحت به کیلومتر مربع)

Fig 21. The temporal sensitivity of algorithms to the area

 

به طوری که در شکل21 ملاحظه می­گردد، حساسیت زمانی تمامی الگوریتم­ها به تغییرات وسعت شبکه رستری، پاسخ‏های زمانی تصاعدی را به دنبال دارد که البته الگوریتم SPSR از این نظر بهترین عملکرد زمانی و الگوریتم CMLSR بدترین عملکرد زمانی را از بین سه الگوریتم پیشنهادی نشان می­دهند.

ارزیابی دقت و اعتبار سنجی نتایج

برای ارزیابی دقت و اعتبارسنجی نتایج، خطوط خط­الرأس با استفاده از مدل هیدرولوژیکی Arc Hydro در نرم­افزار Arc GIS به صورت خودکار ترسیم گردید. خط­القعرها نیز با استفاده از نرم افزار Global Mapper استخراج گردید. نتایج در شکل 22 و 23 نشان داده شده است.

 

شکل22. خط­القعرهای ترسیم شده بر اساس مدل هیدرولوژیکی Arc Hydro در نرم افزار Arc GIS

Fig 22. Drainage line Extraction based on Arc GIS Hydrological Model

 

 

شکل23. خط­ الرأس های ترسیم شده بر اساس مدل استخراج خط الرأس نرم افزار Global Mapper

Fig 23. Ridgeline Extraction based on Global Mapper Model

 

درصد شباهت به خط­الرأس­ در هر یک از سه الگوریتم MLMSR و CMLSR و SPSR در محدوده لایه مرجع خط­الرأس­ها و خط­القعرها در ابعاد کرنلی فرد در فرد 3 تا 11 محاسبه شد (شکل 22 و 23) و متوسط مقادیر هر یک از سه الگوریتم در این پهنه­ها به دست آمد، که نتایج آن در جدول4 نشان داده شده­اند.

جدول4. متوسط برآورد صحیح وجود (TP) و برآورد غلط وجود (FP)

Table 4. True and False Positive Average

 

 

با توجه به اطلاعات جدول ‏ 4 و با استفاده از رابطه 9 ارزیابی صحت و اعتبارسنجی هر یک از مدل­ها انجام پذیرفت.

 [9]                                                                                                                       

به طوری که در این رابطه  درصد اعتبار و صحت مدل، ، برآورد صحیح وجود و  ³⁵برآورد غلط وجود است. با توجه به رابطه 9 ارزیابی صحت انجام گرفت که نتایج آن در جدول 5 نشان داده شده است.

جدول5. برآورد و ارزیابی صحت بر اساس لایه خط­الرأس­ها و خط­القعرهای مرجع (مراجعه شود به شکل 18 و 19)

Table 8. Estimation and evaluation of accuracy based on the reference layer of ridge and drainage lines (see Figure 18 and 19)

نوع الگوریتم	ابعاد پنجره متحرک		متوسط درصد شباهت به خط الرأس		متوسط درصد شباهت به خط القعرها
			True Positive ()		False Positive ()
الگوریتم اول (MLMSR)		3		85/87		95/9
		5		41/89		72/8
		7		57/89		78/8
		9		08/89		5/9
		11		41/88		25/10
		متوسط		17/87		44/9
الگوریتم دوم (CMLSR)		3		64/60		03/38
		5		32/61		74/37
		7		47/59		05/40
		9		82/57		96/41
		11		55/56		34/43
		متوسط		22/40		55/58
الگوریتم سوم (SPSR)		3		64/60		03/38
		5		95/63		61/34
		7		41/65		31/33
		9		12/66		74/32
		11		5/66		5/32
		متوسط		52/64		23/34

 

نتیجه­گیری

در تشخیص خودکار قلل و خط­الرأس­ها با استفاده از مدل رقومی زمین، از آنالیز الگوی مکانی کرنل استفاده شد. در این راستا سه الگوریتم پیشنهادی در این زمینه طراحی، طرح­بندی، کدنویسی و اجرا گردید. نتایج خروجی از هر یک از الگوریتم­ها به صورت ساختار­های رستری و برداری ارائه شد.

ارزیابی صحت و حساسیت­سنجی به نسبت تغییرات اندازه پنجره متحرک، رزولوشن و وسعت شبکه رستری برای هر یک از الگوریتم­ها انجام گرفت. الگوریتم MLMSR، در ابعاد پائین­تر پنجره متحرک تمایل به تفکیک باینری داشته، در صورتی که الگوریتم­های CMLSR و SPSR اینگونه عمل نمی­کنند.

در تمامی الگوریتم­ها، افزایش ابعاد پنجره متحرک باعث کلی­سازی نتایج و حذف جزئیات می­گردد. الگوریتم­های CMLSR و SPSR به دلیل درجه استدراج بیشتر در تفکیک عوارض، برای مقاصد کارتوگرافیکی و نمایشی مناسب­تر هستند. از لحاظ عملکرد زمانی یا حساسیت به تغییرات ورودی، الگوریتم SPSR عملکرد بهتری از خود نشان می­دهد. این موضوع خصوصاً در مواردی که حجم فایل ورودی پرحجم و تعداد سطر و ستون­ها زیاد باشد، اهمیت بیشتری خواهد داشت.

نتایج به دست آمده از مدل TPI با نتایج مدل­های سه­گانه پیشنهادی در این پژوهش نیز مقایسه شد، نتایج نشان می­دهد که به لحاظ بصری مدل­های MLMSR و به خصوص CMLSR کیفیت تفکیک و نمایش بصری بهتری به نسبت مدل TPI نشان می­دهند.

با توجه به نتایج اعتبارسنجی و ارزیابی صحت، الگوریتم MLMSR و سپس SPSR عملکرد بهتری داشته­اند و الگوریتم CMLSR به نسبت سایر روش­ها عملکرد ضعیف­تری از خود نشان داده است. در طراحی و اجرای تمامی الگوریتم­ها و نیز در بخش حساسیت­­سنجی و اعتبارسنجی، به طور گسترده از زبان برنامه­نویسی پایتون استفاده شده است و مجموعاً بیش از 500 خط کدنویسی بدین منظور انجام گرفت. تمامی الگوریتم­ها به طور خودکار بوده و با استفاده از پردازش ماشینی قادر به اجرا و ذخیره­سازی نتایج به فرمت رستر و بردار هستند.

به محققین و پژوهشگرانی که در این زمینه قصد مطالعه و توسعه دارند پیشنهاد می­گردد که بر روی الگوریتم­های تطبیق­دهنده و بهینه­ساز ابعاد پنجره متحرک در ارتباط با حجم اطلاعات ورودی متمرکز شوند و از این طریق قدرت انعطاف الگوریتم­ها را به نسبت تغییرات ورودی افزایش دهند.

تقدیر و تشکر ­

این مقاله بخشی از یافته­های طرح پژوهشی است که در مرکز تحقيقات کشاورزي و منابع طبيعي استان اصفهان به اجرا در آمده است، بنابراین نویسندگان برخود لازم می­دانند مراتب سپاس و قدرداني خود را از آن مرکز و پژوهشکده حفاظت خاک و آبخيزداري کشور به خاطر فراهم آوردن امکان اين تحقيق اعلام نمایند.

منابع مورد استفاده ­

1. Adediran, A. O., Parcharidis, I., Poscolieri, M., & Pavlopoulos, K. 2004. Computer-assisted discrimination of morphological units on north-central Crete (Greece) by applying multivariate statistics to local relief gradients. Geomorphology, 58(1-4), 357-370. 

https://doi.org/10.1016/j.geomorph.2003.07.024

2. Ahnert, F. 1996. The point of modelling geomorphological systems. In Geomorphology sans frontières (pp. 91-113).

3. Azanon, J. M., Delgado, J., & Gómez, A. 2004. Morphological terrain classification and analysis using geostatistical techniques. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 3.

4. Bates, R. L., & Jackson, J. A. 1987. Glossary of geology. United States.

5. Brabyn, L. 1997. Classification of macro landforms using GIS. ITC journal, (1), 26-40.

6. Boehner, J., Koethe, R., Conrad, O., Gross, J., Ringeler, A., & Selige, T. 2001. Soil regionalisation by means of terrain analysis and process parameterisation. Soil classification, 7, 213.

7. Carrara, A. 1983. Multivariate models for landslide hazard evaluation. Journal of the International Association for Mathematical Geology, 15(3), 403-426.

https://doi.org/10.1007/BF01031290

8. Chang, K. T. 2006. Introduction to geographic information systems (pp. 117-122). Boston: McGraw-Hill Higher Education.

9. Clayton, K., & Shamoon, N. 1999. A new approach to the relief of Great Britain: III. Derivation of the contribution of neotectonic movements and exceptional regional denudation to the present relief. Geomorphology, 27(3-4), 173-189.

https://doi.org/10.1016/S0169-555X(98)00072-5

10. Dikau, R. 1989. The application of a digital relief model to landform analysis in geomorphology. Three dimensional applications in geographical information systems, 51-77.

11. Dikau, R. 1990. Geomorphic landform modelling based on hierarchy theory. In Proceedings of the 4th international symposium on spatial data handling (pp. 230-239). Zürich, Switzerland: Department of Geography, University of Zürich.

12. Dikau, R., Brabb, E. E., & Mark, R. M. 1991. Landform classification of New Mexico by computer (No. 91-634). US Dept. of the Interior, US Geological Survey.

https://doi.org/10.3133/ofr91634

13. Dikau, R., Brabb, E. E., Mark, R. K., & Pike, R. J. 1995. Morphometric landform analysis of New Mexico. Zeitschrift für Geomorphologie. Supplementband, (101), 109-126.

14. Dobos, E., Daroussin, J., & Montanarella, L. 2010. A quantitative procedure for building physiographic units supporting a global SOTER database. Hungarian Geographical Bulletin, 59(2), 181-205.

15. Dymond, J., & Harmsworth, G. 1994. Towards automated land resource mapping using digital terrain models. ITC journal, (2), 129-138.

16. Dymond, J. R., Derose, R. C., & Harmsworth, G. R. 1995. Automated mapping of land components from digital elevation data. Earth Surface Processes and Landforms, 20(2), 131-137.

https://doi.org/10.1002/esp.3290200204

17. Evans, I. S. 1972. General geomorphometry, derivatives of altitude, and descriptive statistics. Spatial analysis in geomorphology, 17-90.

18. Evans, I. S. 1980. An integrated system of terrain analysis and slope mapping. Zeitschrift für Geomorphologie. Supplementband Stuttgart, (36), 274-295.

19. Etzelmüller, B., & Sulebak, J. R. 2000. Developments in the use of digital elevation models in periglacial geomorphology and glaciology. Physische Geographie, 41, 35-58.

20. Felicísimo, A. M. 1999. Modelos digitales del terreno. Curso introductorio.

21. Fels, J. E., & Matson, K. C. 1996. A cognitively-based approach for hydrogeomorphic land classification using digital terrain models. In 3rd International Conference on Integrating GIS and Environmental Modeling, Santa Fe, New Mexico.

22. Fenneman, N. M., & Johnson, D. W. 1946. Physical division of the United States: US geological survey. Physiography Committee Special Map, scale, 1(7,000,000).

23. Florinsky, I. V. 1998. Combined analysis of digital terrain models and remotely sensed data in landscape investigations. Progress in physical geography, 22(1), 33-60.

24. Hammond, E. H. 1954. Small-scale continental landform maps. Annals of the Association of American Geographers, 44(1), 33-42.

25. Hammond, E. H. 1964. Analysis of properties in land form geography: an application to broad-scale land form mapping. Annals of the Association of American Geographers, 54(1), 11-19.

26. Hengl, T., & Reuter, H. I. (Eds.). 2009. Geomorphometry: Concepts, Software, Applications (Vol. 33). Elsevier.

27. Hodgson, M. E. 1998. Comparison of angles from surface slope/aspect algorithms. Cartography and Geographic Information Systems, 25(3), 173-185.

https://doi.org/10.1559/152304098782383106

28. Irvin, B. J., Ventura, S. J., & Slater, B. K. 1997. Fuzzy and isodata classification of landform elements from digital terrain data in Pleasant Valley, Wisconsin. Geoderma, 77(2-4), 137-154.

https://doi.org/10.1016/S0016-7061(97)00019-0

29. Iwahashi, J., & Pike, R. J. 2007. Automated classifications of topography from DEMs by an unsupervised nested-means algorithm and a three-part geometric signature. Geomorphology, 86(3-4), 409-440.

https://doi.org/10.1016/j.geomorph.2006.09.012

30. Lane, S. N., Richards, K. S., & Chandler, J. H. 1998. Landform monitoring, modelling and analysis. John Wiley and Sons Ltd.

31. MacMillan, R. A., Pettapiece, W. W., Nolan, S. C., & Goddard, T. W. 2000. A generic procedure for automatically segmenting landforms into landform elements using DEMs, heuristic rules and fuzzy logic. Fuzzy sets and Systems, 113(1), 81-109.

DOI: 10.1016/S0165-0114(99)00014-7

32. MacMillan, R. A., Jones, R. K., & McNabb, D. H. 2004. Defining a hierarchy of spatial entities for environmental analysis and modeling using digital elevation models (DEMs). Computers, Environment and Urban Systems, 28(3), 175-200.

https://doi.org/10.1016/S0198-9715(03)00019-X

33. Moffat, A. J., Catt, J. A., Webster, R., & Brown, E. H. 1986. A re‐examination of the evidence for a Plio‐Pleistocene marine transgression on the Chiltern Hills. I. Structures and surfaces. Earth surface processes and landforms, 11(1), 95-106.

https://doi.org/10.1002/esp.3290110110

34. Moore, I. D., & Nieber, J. L. 1989. Landscape assessment of soil erosion and nonpoint source pollution. Journal of the Minnesota Academy of Science (USA), Vol.55, pp.18-24.

35. Moore, I. D., Grayson, R. B., & Ladson, A. R. 1991. Digital terrain modelling: a review of hydrological, geomorphological, and biological applications. Hydrological processes, 5(1), 3-30.

https://doi.org/10.1002/hyp.3360050103

36. Moore, I. D., Gessler, P. E., Nielsen, G. A. E., & Peterson, G. A. 1993. Soil attribute prediction using terrain analysis. Soil science society of america journal, 57(2), 443-452.

https://doi.org/10.2136/sssaj1993.03615995005700020058x

37. Morgan, J. M., & Lesh, A. M. 2005. Developing landform maps using ESRI’S Model-Builder. In ESRI International User Conference.

38. Murphy, R. E. 1968. Landforms of the world. Annals Assoc Amer Geographers.

39. Mulla, D. J. 1988. Using geostatistics and spectral analysis to study spatial patterns in the topography of southeastern Washington State, USA. Earth Surface Processes and Landforms, 13(5), 389-405.  

https://doi.org/10.1002/esp.3290130505

40. Nogami, M. 1995. Geomorphometric measures for digital elevation models. Zeitschrift für Geomorphologie. Supplementband, (101), 53-67.

41. Pike, R. J. 1988. The geometric signature: quantifying landslide-terrain types from digital elevation models. Mathematical geology, 20(5), 491-511.

 https://doi.org/10.1007/BF00890333

42. Pike, R. J. 1995. Geomorphometry-progress, practice, and prospect. Zeitschrift für Geomorphologie. Supplementband, (101), 221-238.

43. Pike, R. J. 2000. Geomorphometry-diversity in quantitative surface analysis. Progress in physical geography, 24(1), 1-20.

 https://doi.org/10.1177/030913330002400101

44. Prima, O. D. A., Echigo, A., Yokoyama, R., & Yoshida, T. 2006. Supervised landform classification of Northeast Honshu from DEM-derived thematic maps. Geomorphology, 78(3-4), 373-386. https://doi.org/10.1016/j.geomorph.2006.02.005

45. Speight, J. G. 1984. Landform. In ‘Australian soil and land survey field handbook’.(Eds RC McDonald, RF Isbell, JG Speight, J Walker, MS Hopkins) pp. 8–43.

46. Sulebak, J. R., Etzelmüller, B., & Sollid, J. L. 1997. Landscape regionalization by automatic classification of landform elements. Norsk Geografisk Tidsskrift-Norwegian Journal of Geography, 51(1), 35-45. https://doi.org/10.1080/00291959708552362

47. Tadono, T., Ishida, H., Oda, F., Naito, S., Minakawa, K., & Iwamoto, H. 2014. Precise global DEM generation by ALOS PRISM. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2(4), 71. 10.5194/isprsannals-II-4-71-2014

48. Takaku, J., Tadono, T., & Tsutsui, K. 2014. Generation of High Resolution Global DSM from ALOS PRISM. ISPRS Annals of Photogrammetry, Remote Sensing & Spatial Information Sciences, 2(4). 10.5194/isprsarchives-XL-4-243-2014

49. Wood, J. 1996. The geomorphological characterization of digital elevation models (Doctoral dissertation, University of Leicester).

50. Zinck, J. A., & Valenzuela, C. R. 1990. Soil geographic database: structure and application examples. ITC journal, (3), 270-294.

51. Mokaram, M., & Sathyamoorthy, D, 2016. Relationship between landform classification and vegetation (case study: southwest of Fars province, Iran), Open Geosci. 2016; 8:302–309.

10.1515/geo-2016-0027

52. Du, L., You, X., Li, K., Cheng, G., Xiong, L., Wang, G. 2019. Multi-modal deep learning for landform recognition, ISPRS Journal of Photogrammetry and Remote Sensing 158 (2019) 63–75.

https://doi.org/10.1016/j.isprsjprs.2019.09.018

53. Leon F. Palafox, Christopher W. Hamilton, Stephen P. Scheidt, Alexander M. Alvarez, 2017. Automated detection of geological landforms on Mars using Convolutional Neural Networks, Computers & Geosciences, 101, 48-56, ISSN 0098-3004. 10.1016/j.cageo.2016.12.015

54.Weiss, A. (2006). Topographic Position and landforms Analysis. Poster presentation, ESRI user Conference, San Diego, C.A.

 

 

Automated Ridgeline Recognition, using Kernel Neighborhood Pattern Analysis

Abstract

 Detection and classification of landforms is of interest to GIS developers, geoscientists and geomorphometry researchers. In this way, the desired work units are extracted with higher speed and accuracy and used in the form of vector and raster maps. In this study, automatic landform detection was performed using spatial analysis of kernel patterns in the raster grid of digital elevation models and the results were presented in the form of three algorithms applied in the detection of topographic peaks and ridges. These algorithms include Multilevel Mean Summit Recognition Algorithm (MLMSR), Complex Multilevel Summit Recognition Algorithm (CMLSR) and Single Point Summit Recognition (SPSR). Each of these three algorithms was first conceptually designed and then coded and executed using the Python programming language. In the next step, the sources of error and specific scenarios of the algorithms were examined. The sensitivity of each algorithm related to the dimensions of the moving window, the resolution and size of the raster file, was evaluated and finally, the accuracy and validation of the three models, with using reference layers that were manually prepared and plotted, were assessed. The results show that the MLMSR algorithm in smaller dimensions of the moving window is tending to more binary results, which is problematic in some graphical and cartographical applications, but the CMLSR and SPSR algorithms showed more gradual trends in their outputs and so, they performed better in this respect.

Keywords: Kernel, Neighborhood Pattern, Automatic Detection, Ridgeline

 

تشخیص خودکار خط الرأس­ها با استفاده از تحلیل الگوی همسایگی کرنل

 

چکیده مبسوط 

طرح مسئله: لندفرم به هر عارضه فیزیکی سطح زمین با ساختار و شکل قابل تشخیص اطلاق می­شود. عناصر لندفرمی و ساختارهای وابسته به فرم که بر روی سطح زمین قرار دارند، به صورت مستقیم و یا غیر مسیتقیم بسیاری از متغیرهای محیطی دیگر را کنترل می کنند. نمایش عددی سطح و الگوی ناهموار زمین، موضوعی مشترک در مطالعات جغرافیایی، ژئومورفولوژیکی، نقشه‏کشی مخاطرات زمین و ژئوفیزیک و همچنین اکتشافات کف دریا است. ترکیب علوم زمین و کامپیوتر به همراه ریاضیات و مهندسی ژئومورفومتری در تعامل با لندفرم‏های گسسته و پیوسته قرار دارد. ژئومورفومتری به حدود 150 سال قبل و کارهای الکساندر فون همبلت و زمین‏ریخت‏شناسان برمی­گردد و امروزه با انقلاب در علوم کامپیوتر و خصوصاً مدل‏های رقومی کامپیوتری به شدت در حال توسعه است. تشخیص و طبقه بندی لندفرم ها یکی از اهداف توسعه دهندگان GIS، محققین علوم زمین و ژئومورفولوژیست ها است. در این مسیر، انتظار می رود که استخراج این واحدها با سرعت و دقت بیشتری انجام گرفته و نتایج به صورت نقشه های برداری و رستری ارائه گردد.

هدف: رویکردهای موجود عمدتاً بر اساس ارتفاع، مشتق سطح زمین، گرادیان، انحنا، جهت جریان، موقعیت شیب، نمایه­های مورفومتریکی و مواردی از این قبیل قرار دارد. همچنین به چالش تناسب مقیاس تشخیصی با مقیاس لندفرمی کمتر توجه شده و بیشتر مدل­ها دارای این نقیصه هستند. از طرف دیگر به امکان برداری‏سازی نتایج خروجی از مدل­ها و همچنین به تحلیل حساسیت و پاسخ زمانی الگوریتم­ها به پردازش­های ماشینی کمتر توجه شده است.  در این پژوهش با استفاده از الگوریتم­های پایه‏ای آنالیز رستری و کدنویسی، روش­ها و الگوریتم­های جدیدی در تشخیص خودکار عوارض زمین ارائه گردیده‏است. همچنین آنالیز­های رستری از نوع کانونی (Focal) مورد تأکید قرار گرفته است و از تکنیک پنجره متحرک به منظور پیاده­سازی الگوریتم­ها استفاده شده است. مواجه با چالش مقیاس، آنالیز حساسیت و پاسخ الگوریتم­ها به تغییرات ورودی و نیز ارزیابی صحت نیز از جنبه­های دیگری است که در این پژوهش به آن پرداخته شده است.

روش تحقیق: در این پژوهش از داده‌هاي ارتفاعي سطحي (DSM) منتشر شده توسط آژانس فضايي ژاپن در ماه مي و اکتبر 2015 با رزولوشن افقي در حدود 30 متر براي بررسي توپوگرافي منطقه، مورد استفاده قرار گرفت. اين داده‌ها از تصاوير ماهواره ALOS به دست آمده است. اين پايگاه بر اساس داده‌هاي DSM (نسخه شبکه 5 متري) توپوگرافي سه بعدي از جمله دقيق‌ترين داده‌هاي ارتفاعي در مقياس جهاني به‏دست آمده است. مدل رقومی ارتفاعی در محیط کدنویسی پایتون به ساختار ماتریسی تبدیل شد. سپس ساختار آنالیز رستری با استفاده از تکنیک پنجره متحرک پیاده‏سازی گردید. الگوریتم پنجره متحرک به صورتی کدنویسی شد که ابعاد پنجره متحرک به صورت آزاد قابل تعیین و تغییر باشد. متناسب با اندازه پنجره متحرک، الگوریتم مواجه با اثر حاشیه‏ای کدنویسی گردید تا تصحیح و سازماندهی اثر حاشیه‏ای متناسب با اندازه پنجره متحرک، به صورت خودکار انجام گیرد. در گام بعدی سه الگوریتم تشخیص درجه شباهت به قلل در ساختارهای شبکه رستری تک باند با استفاده از مدل‏سازی الگوهای کرنلی انجام گرفت. هر سه الگوریتم قابلیت انطباق با تغییرات اندازه پنجره متحرک را داراست که از نقاط قوت این سه الگوریتم به حساب می‏آید. ابعاد سلول‏های شبکه رستری و اندازه پنجره متحرک، فاکتورهای تغییر مقیاس در هر یک از این سه الگوریتم هستند. در نهایت حساسیت‏سنجی زمانی هر یک از این سه الگوریتم به نسبت تغییرات اندازه پنجره متحرک، تغییرات دقت مکانی شبکه رستری و تغییرات وسعت شبکه رستری انجام گرفت. تمامی پروسه به صورتی طراحی گردید که به سادگی قابلیت به کارگیری در یک نرم افزار رسمی را داشته باشد و به طور کامل با ساختار پردازش ماشینی هماهنگی و سازگاری داشته باشد در ضمن اتوماتیک بودن و قابلیت اجرا بر روی پلاتفرم های مختلف نیز از اولویت های ما در این بخش مورد نظر قرار داشت.

نتایج و بحث: در تشخیص خودکار قلل و خط­الرأس­ها با استفاده از مدل رقومی زمین، از آنالیز الگوی مکانی کرنل استفاده شد. در این راستا سه الگوریتم پیشنهادی در این زمینه طراحی، طرح­بندی، کدنویسی و اجرا گردید. نتایج خروجی از هر یک از الگوریتم­ها به صورت ساختار­های رستری و برداری ارائه شد. ارزیابی صحت و حساسیت­سنجی به نسبت تغییرات اندازه پنجره متحرک، رزولوشن و وسعت شبکه رستری برای هر یک از الگوریتم­ها انجام گرفت. الگوریتم MLMSR، در ابعاد پائین­تر پنجره متحرک تمایل به تفکیک باینری داشته، در صورتی که الگوریتم­های CMLSR و SPSR اینگونه عمل نمی­کنند. در تمامی الگوریتم­ها، افزایش ابعاد پنجره متحرک باعث کلی­سازی نتایج و حذف جزئیات می­گردد. الگوریتم­های CMLSR و SPSR به دلیل درجه استدراج بیشتر در تفکیک عوارض، برای مقاصد کارتوگرافیکی و نمایشی مناسب­تر هستند. از لحاظ عملکرد زمانی یا حساسیت به تغییرات ورودی، الگوریتم SPSR عملکرد بهتری از خود نشان می­دهد. این موضوع خصوصاً در مواردی که حجم فایل ورودی پرحجم و تعداد سطر و ستون­ها زیاد باشد، اهمیت بیشتری خواهد داشت. با توجه به نتایج اعتبارسنجی و ارزیابی صحت، الگوریتم MLMSR و سپس SPSR عملکرد بهتری داشته­اند و الگوریتم CMLSR به نسبت سایر روش­ها عملکرد ضعیف­تری از خود نشان داده است. در طراحی و اجرای تمامی الگوریتم­ها و نیز در بخش حساسیت­­سنجی و اعتبارسنجی، به طور گسترده از زبان برنامه­نویسی پایتون استفاده شده است و مجموعاً بیش از 500 خط کدنویسی بدین منظور انجام گرفت. تمامی الگوریتم­ها به طور خودکار بوده و با استفاده از پردازش ماشینی قادر به اجرا و ذخیره­سازی نتایج به فرمت رستر و بردار می­باشند.

نتیجه­گیری: نتایج نشان می دهد که الگوریتم MLMSR، در ابعاد پائین­تر پنجره متحرک تمایل به تفکیک باینری داشته، در صورتی که الگوریتم­های CMLSR و SPSR اینگونه عمل نمی­کنند. در تمامی الگوریتم­ها، افزایش ابعاد پنجره متحرک باعث کلی­سازی نتایج و حذف جزئیات می­گردد. الگوریتم­های CMLSR و SPSR به دلیل درجه استدراج بیشتر در تفکیک عوارض، برای مقاصد کارتوگرافیکی و نمایشی مناسب­تر هستند. از لحاظ عملکرد زمانی یا حساسیت به تغییرات ورودی، الگوریتم SPSR عملکرد بهتری از خود نشان می­دهد. این موضوع خصوصاً در مواردی که حجم فایل ورودی پرحجم و تعداد سطر و ستون­ها زیاد باشد، اهمیت بیشتری خواهد داشت. با توجه به نتایج اعتبارسنجی و ارزیابی صحت، الگوریتم MLMSR و سپس SPSR عملکرد بهتری داشته­اند و الگوریتم CMLSR به نسبت سایر روش­ها عملکرد ضعیف­تری از خود نشان داده است. به محققین و پژوهشگرانی که در این زمینه قصد مطالعه و توسعه دارند پیشنهاد می­گردد که بر روی الگوریتم­های تطبیق­دهنده و بهینه­ساز ابعاد پنجره متحرک در ارتباط با حجم اطلاعات ورودی متمرکز شوند و از این طریق قدرت انعطاف الگوریتم­ها را به نسبت تغییرات ورودی افزایش دهند. 

واژگان کلیدی: کرنل، الگوی همسایگی، تشخیص خودکار، خط­الرأس  

 

Automated Ridgeline Recognition, using Kernel Neighborhood Pattern Analysis

Abstract

Statement of the Problem: Landform refers to any physical feature of the surface with a recognizable structure and shape. Landform elements and structural forms of the terrain surface could directly and indirectly drive many other environmental variables. Numerical representation of the surface and uneven pattern of the earth is a common topic in the geographical, geomorphological, geological and geophysical hazard mapping as well as sea-bed exploration. The combination of the earth and computer science with mathematics and geomorphometric engineering interacts with discrete and continuous landforms. Geomorphometry dates back to about 150 years ago and the work of Alexander von Humboldt and geomorphologists, and today with the revolution in computer science and especially digital computer models is developing rapidly. Detection and classification of landforms is of interest to GIS developers, geoscientists and geomorphometry researchers. In this way, the desired work units are extracted with higher speed and accuracy and used in the form of vector and raster maps.

Purpose: Existing approaches are mainly based on height, terrain derivative, gradient, curvature, flow direction, slope position, morphometric indices and the like. Also, less attention has been paid to the challenge of matching the diagnostic scale with the Landform scale, and most models have this shortcoming. On the other hand, less attention has been paid to the possibility of vectorization of output results and also to the analysis of sensitivity and temporal response of algorithms to machine processing. In this research we had attempted to recover and resolve the mentioned shortcoming and problems in the previous works. In this research, using basic algorithms of raster analysis and coding, new methods and algorithms in automatic detection of landforms have been developed. Focal raster analysis is also emphasized and the moving window technique is used to implement the algorithms. Facing the scale challenge, sensitivity analysis and response of algorithms to input changes as well as accuracy assessment are other aspects that have been addressed in this research.

Methodology: In this study, Digital Surface Model (DSM) published by the Japan Space Agency in May and October 2015 with a horizontal resolution of about 30 meters were used to work on the topography of the region. These data are obtained from ALOS satellite images. This database is based on DSM data (5m network version) 3D topography, one of the most accurate elevation data on a global scale. The digital elevation model was transformed into a matrix structure using Python coding environment. Then, raster analysis was implemented using the moving window technique. The moving window algorithm was coded in the way that the dimensions of the moving window could be freely determined and changed. In proportion to the size of the moving window, some adaptive algorithms implemented to automatically correct and organize the edge effect in proportion to the size of the moving window. In this study, automatic landform detection was performed using spatial analysis of kernel patterns in the raster grid of digital elevation models and the results were presented in the form of three algorithms applied in the detection of topographic peaks and ridges. These algorithms include Multilevel Mean Summit Recognition Algorithm (MLMSR), Complex Multilevel Summit Recognition Algorithm (CMLSR) and Single Point Summit Recognition (SPSR). Each of these three algorithms was first conceptually designed and then coded and executed using the Python programming language. In the next step, the sources of error and specific scenarios of the algorithms were examined. The sensitivity of each algorithm related to the dimensions of the moving window, the resolution and size of the raster file, was evaluated and finally, the accuracy and validation of the three models, with using reference layers that were manually prepared and plotted, were assessed. All the procedures were designed in the way which could easily implemented in an official software and were completely compatible with the structure of machinery processing. Also, being automatic and working on different platforms were one of our priorities.

Results and discussion: In automatic detection of peaks and ridges using digital terrain model, kernel spatial pattern analysis was used. In this regard, three proposed algorithms in this field were designed, coded and executed. The output results of each of the algorithms were presented in the form of raster and vector data model. Accuracy and sensitivity assessments were performed by considering changes in moving window size, resolution, and raster grid size (row x column) for each of the algorithms. The MLMSR algorithm tends to be in a more binary results in the lower dimensions of the moving window, while the CMLSR and SPSR algorithms do not. In all algorithms, increasing the size of the moving window causes more generalization ratio. CMLSR and SPSR algorithms are more suitable for cartographic and visual purposes due to the higher degree of grading in the results. Regarding to the temporal performance (Runtime) or sensitivity to input changes, the SPSR algorithm performs better. This is especially important when the input file size (number of rows and columns) is large. According to the results of validation and accuracy evaluation, MLMSR and SPSR had better performance than, CMLSR algorithm. Python programming language has been widely used in the design and implementation of all algorithms, as well as in the field of sensitivity evaluation and validation. Totally more than 500 lines of codes were done for this purpose. All algorithms are automated and are able to execute and store results in raster and vector format using machine processing.

Conclusion: The results show that the MLMSR algorithm in smaller dimensions of the moving window is tending to more binary results, which is problematic in some graphical and cartographical applications, but the CMLSR and SPSR algorithms showed more gradual trends in their outputs and so, they performed better in this respect. Researchers who intend to study and develop in this field are advised to focus on adaptive algorithms and optimize the dimensions of the moving window in relation to the volume of input information and so, in this way, they increase the flexibility of algorithms in relation to input changes.

Keywords: Kernel, Neighborhood Pattern, Automatic Detection, Ridgeline

 

 

 

1

 

---

[1] - Landform type

[2] - Relief form

[3] - Mesoform association

[4] - Landform patterns

[5] - Terrain Analysis

[6] - Digital Terrain Modeling

[7] - Terrain Modeling

[8] - Semi variogram

[9] - Terrain Classification

[10] - Land Surface Parameter (LSP)

[11] - Topographic Wetness Index (TWI)

[12] - Stream Power Index (SPI)

[13] - Aggradation and Degradation index

[14] - Generalized

[15] - Brabyn

[16] - Prima

[17] - Edge Effect

[18] - Data Collection Model

[19] - Standard Data Model

[20] - Built-in Data model

[21] - Local

[22] - Focal

[23] - Zonal

[24] - Global

[25] - Moving Window

[26] - Edge Effect

[27] - Multi-Level Mean Summit Recognition

[28] - Z-value – Pixel Value

[29] - Complex Multi-Level Summit Recognition

[30] - Z-value

[31] - Single Point Summit Recognition

[32]  - Vectorize

[33] - Threshold of Vectorization

[34] - نوع پردازنده­ای که در این آنالیز مورد استفاده قرار گرفته است Intel Core i7-2630QM CPU- 2.00GHz 2.00GHz است. در ضمن مقدار حافظه موقت سیستم 8  گیگابایت و از ویندوز 7 نسخه Ultimate سرویس پک 1 استفاده شده است.

[35] - False Positive

نوع الگوریتم	درصد شباهت به خط الرأس		برآورد صحت )(
	محدوده خط الرأس­ها	محدوده خط القعرها
	True Positive ()	False Positive ()
الگوریتم اول (MLMSR)	17/87	44/9	86/88
الگوریتم سوم (SPSR)	29/63	23/34	52/64
الگوریتم دوم (CMLSR)	55/58	22/40	16/59

---