Abstract:
از مهمترین موضوعات در علم ژئومورفولوژی کمی افزایش قدرت تفکیک مکانی بهمنظور افزایش میزان اطلاعات در مدل رقومی ارتفاع (DEM) است. مدلهای مختلفی بهمنظور افزایش قدرت تفکیک مکانی تاکنون استفادهشدهاند. از بین مدلهای مختلف مدل جاذبه بهعنوان جدیدترین مدل، دارای دقت بسیار بالایی میباشد. در این تحقیق از مدل جاذبه برای اولین بار بهمنظور افزایش قدرت تفکیک مکانی DEM در جنوب شهرستان داراب (قلاتویه) استفاده شد. در این تحقیق از دو مدل همسایگی پیکسلهای مماس و مدل همسایگی چهارگانه برای تخمین مقادیر زیر پیکسلها بر روی DEM استفاده شد. هر مدل دارای پیکسلهای همسایه متفاوت هستند که به کمک آنها مقادیر جاذبه هر زیرپیکسل محاسبه میشود. پس از تولید تصاویر خروجی برای زیر پیکسلها در مقیاسهای 2، 3، 4 با همسایگیهای متفاوت، بهترین مقیاس با مناسبترین نوع همسایگی با استفاده از نقاط کنترل زمینی تعیین شد و مقادیر RMSE برای آنها محاسبه شد. از بین مقیاسها با همسایگیهای مختلف مشخص شد که فاکتور مقیاس 3 و مدل همسایگی چهارگانه نسبت به بقیه روشها دارای بیشترین دقت با کمترین میزان RMSE 8/07)) برای DEM 90 متر (8/09) میباشد. نتایج حاصل از بررسی میزان RMSE نشان میدهد که مدل چهارگانه نتایج بهتری نسبت به مدل مماس نشان میدهد و میانگین RMSE خروجیهای این مدل کمتر از مدل همسایگی مماس است. در حالت S=2 مدل همسایگی و چهارگانه بهطور استثنا نتایج یکسانی ارائه میکنند که موجب میشود RMSE این دو مدل در این حالت مقدار یکسانی را ارائه میکند که این مقدار همچنین کمترین مقدار مربوطه در بین سایر شاخصهای مقیاس (3و4) است. درنهایت از بهترین مدل رقومی ارتفاع حاصل از مدل جاذبه، بهعنوان داده ورودی برای تهیه لندفرم های منطقه موردمطالعه با استفاده از روش TPI استفاده شد. نتایج نشان داد مساحت لندفرم های قله کوه، یال های مرتفع، یال های شیب میانی، تپههای کوچک موجود در دشت، شیبهای بالایی، مساها، شیبهای باز، دشت و درههای u شکل در لندفرم حاصل از مدل جاذبه نسبت به DEM 90 متری افزایش یافت. درحالیکه مساحت لندفرم های درههای باریک، آبراههها، زهکشهای شیب میانی، درههای کمعمق، زهکشهای مناطق مرتفع و یال های موضعی، تپههای موجود در دره کاهش یافت. با استفاده از این تحقیق مشخص شد که استفاده از مدل رقومی ارتفاع (DEM) حاصل از الگوریتم جاذبه نسبت به DEM 90 متری دارای جزئیات بیشتری میباشد و اطلاعات بیشتری را از منطقه موردمطالعه نشان میدهد.
The most important subject in quantitative geomorphology is increasing of spatial resolution to increase the information in the digital elevation model (DEM). Different models have been used to improve the spatial resolution. Among the different models, sub-pixel/pixel spatial attraction model as the newest model is very high accuracy. In the study area was used the sub-pixel/pixel spatial attraction model for the first time to improve the spatial resolution DEM in the southern city of Darab (Qalatuyeh). The sub-pixel attraction models convert the pixel towards sub-pixels based on the fraction values in neighboring pixels that can be attracted only by central pixel. Based on this approach only a maximum of eight neighboring pixels can be selected for the attraction. In the model other pixels are supposed to be far from the central pixel to have any attraction. In this study by using sub-pixel attraction model the spatial resolution of digital elevation models (DEM) was increased. The design of the algorithm is accomplished by using digital elevation model (DEM) with spatial resolution of 30 m (Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER)) and 90 m (Shuttle Radar Topography Mission (SRTM)) in the north of Darab, Fars province, Iran. In attraction model scale factors of (2,3,4) with two neighboring methods of touching and quadrant are applied to DEMs using Matlab. As the result, it showed that the spatial attraction model with scale factor of (S=3) gives better results compared to scale factors that are greater than 2 and also touching neighborhood method proved to be more accurate then quadrant (RMSE=8.07). In fact, subtracting each pixel to more than two sub-pixels caused to decrease the accuracy of resulted DEM which makes to increase the value of root-mean-square error (RMSE) and showed that attraction models could not be used for S which is greater than 2. So according the results is suggested that used the model for increasing spatial resolution of DEM in the studies catchment. In order to preparing the geomorphology map using topographic position index (TPI) used DEM with scale factor of (S=3) and touching neighboring as input data (the new DEM with high spatial resolution) in the GIS software. Also the results show that areas of mountain tops, high ridges, local ridges/hills in valleys, upper slopes, mesas, open slopes, plains small, u-shaped valleys was more than DEM 90 in sub-pixel model. While the area of midslope ridges, small hills in plains,, upland drainages, headwaters, midslope drainages, shallow valleys, canyons, deeply incised streams lower than DEM 90 in sub-pixel model. The results of landform classes were extracted by using TPI with the new DEM and the extracting of attraction model showed that landforms have more details and are separable than the landform map preparing with DEM 90m.
Machine summary:
استفاده از مدل زيرپيکسل جاذبه (attraction) به منظور طبقه بندي لندفرم ها مجيد حجتي - دانشجوي کارشناسي ارشد سنجش ازدور و GIS، دانشکده جغرافيا، دانشگاه تهران مرضيه مکرم - استاديار دانشکده کشاورزي و منابع طبيعي داراب ، دانشگاه شيراز پذيرش مقاله : ١٣٩٤/٠٦/١٩ تأييد نهايي : ١٣٩٥/٠١/٢٦ چکيده از مهم ترين موضوعات در علم ژئومورفولوژي کمي افزايش قدرت تفکيک مکاني به منظـور افـزايش ميزان اطلاعات در مدل رقومي ارتفاع (DEM) است .
5)] 2 در اين مطالعه براي از مدل جاذبه با اندازه پيکسل ٣ ×٣ استفاده شده است و کد نويسي آن در نرم افزار Matlab انجام شد که قسمتي از توابع مربوط به آن در معادله ٥ آمده است : function [result]= Attraction Model(S,t, input) result=nan(S,S); for a=0:S-1 for b=0:S-1 [ Classes, Attraction Values, class_ without_ normalization ]=neighborhood (S,t ,input, a,b); result(a+1,b+1)=class_ without_ normalization; end معادله ٥ که ورودي : پنجره هاي ٣×٣، S: فاکتور مقياس ، T: روش همسايگي ، a و b موقعيت زير پيکسل ها مي باشد.
مراحل مختلف مدل جاذبه به منظور افزايش قدرت تفکيک مکاني در مدل رقومي ارتفاع (DEM) در شکل زير نشان داده شده است : (به تصویر صفحه مراجعه شود) شکل ٣.
Wang, Super-resolution land-cover mapping based on the selective endmember spectral mixture model in hyperspectral imagery, Opt. Eng.
X. Li, A new sub-pixel mapping algorithm based on a BP neural network with an observation model, Neurocomputing 71 (2008) 2046–2054.
K. Varshney, Super-resolution land cover mapping using a Markov random feld based approach, Remote Sens.