خلاصه

بر اساس پیش بینی های سازمان ملل، انتظار می رود جمعیت جهان تا سال ۲۰۵۰ به ۹٫۱ میلیارد نفر افزایش یابد، با رشد احتمالی مناطق شهری حدود ۸۴ درصد. نشان داده شده است که افزایش مصرف زمین مرتبط با فرآیندهای شهرنشینی اثرات منفی بر محیط زیست در مقیاس محلی، منطقه ای و همچنین جهانی دارد. بسیاری از اثرات منفی زیست‌محیطی شهرنشینی مربوط به افزایش سطوح غیرقابل نفوذ است که می‌تواند به عنوان ویژگی‌های انسانی تعریف شود که از طریق آن آب نمی‌تواند به خاک نفوذ کند. افزایش پوشش سطحی غیرقابل نفوذ ممکن است منجر به شدت بیشتر رواناب شهری شود و ممکن است تأثیر مستقیمی بر کیفیت آب داشته باشد و انتقال آلاینده ها به خاک، آب های سطحی و سیستم آب زیرزمینی را تسهیل کند. در عین حال، افزایش سطوح غیرقابل نفوذ منجر به کاهش و تکه تکه شدن پوشش گیاهی می شود که ممکن است اثرات منفی بر تنوع زیستی در زیستگاه های شهری داشته باشد. سطوح بالای نفوذناپذیری نیز با افزایش شار حرارتی شهری و تغییر الگوهای حرارتی شهری بر اقلیم شهری تأثیر می گذارد. به همین دلیل، پوشش سطح غیرقابل نفوذ یک شاخص مهم کیفیت محیطی است. بنابراین اطلاعات دقیق در مورد توزیع پوشش سطحی غیرقابل نفوذ برای برنامه ریزی و فعالیت های مدیریت شهری، که شامل تنوع بالایی از ذینفعان است، ضروری است.

نقشه برداری سطح غیرقابل نفوذ از داده های سنجش از دور یک چالش بزرگ به دلیل ناهمگونی فضایی و طیفی محیط های شهری است. مصالح شهری اغلب از نظر طیفی بسیار مشابه هستند، اما در عین حال ناهمگونی طیفی درون طبقه ای قوی را نشان می دهند. وجود خاک برهنه و پوشش گیاهی پیچیدگی صحنه های شهری را افزایش می دهد و نقشه برداری از پوشش زمین شهری را به یک کار دشوار تبدیل می کند. در دهه‌های گذشته، مطالعات متعددی درباره محدودیت‌های داده‌های چند طیفی سنجش از دور برای نقشه‌برداری پوشش زمین شهری، که عمدتاً به تعداد محدود باندهای طیفی مربوط می‌شود، بحث کرده‌اند. وجود پیکسل های مختلط در صحنه های شهری مشکل دیگری در استخراج اطلاعات دقیق پوشش زمین از داده های سنجش از راه دور است، حتی در هنگام استفاده از تصاویر با وضوح فضایی بالا. حسگرهای فراطیفی که داده‌های تصویر را در ده‌ها یا صدها باند طیفی باریک به دست می‌آورند، به لطف انبوه اطلاعات طیفی موجود در این داده‌ها، امکانات جدیدی را برای نقشه‌برداری سطح غیرقابل نفوذ ارائه می‌دهند، که ممکن است به کاهش سردرگمی طیفی بین مواد مختلف سطح غیرقابل نفوذ نیز کمک کند. بین انواع پوشش سطحی غیرقابل نفوذ و سایر پوشش های زمین از نظر طیفی مشابه (عمدتاً خاک لخت). با این حال، تا کنون، استفاده از داده‌های فراطیفی برای نقشه‌برداری عملیاتی مناطق شهری، عمدتاً به دلیل در دسترس بودن کمیاب داده‌ها با وضوح فضایی و طیفی به اندازه کافی بالا، محدود است.

هدف کلی این مطالعه توسعه و ارزیابی استراتژی‌های طبقه‌بندی تصویر سنجش از دور مناسب برای نقشه‌برداری از سطوح غیرقابل نفوذ در وضوح فضایی و طیفی مختلف، با استفاده از داده‌های ابرطیفی فضابرد و هوابرد است. تمرکز این تحقیق بر این است که چگونه تفکیک فضایی و طیفی مجموعه داده‌های فراطیفی بر خصوصیات سطح غیرقابل نفوذ تأثیر می‌گذارد و چگونه این به نوبه خود تأثیری بر تخمین تعادل آب شهری دارد. سایت اصلی مطالعه برای این تحقیق حوضه آبریز Woluwe است، یک حوضه به شدت شهری، که بخشی از شهر داخلی بروکسل و همچنین حاشیه شهری آن را پوشش می دهد.

در بخش اول مطالعه از داده‌های حسگر فراطیفی فضایی با وضوح متوسط ​​(CHRIS/Proba) استفاده می‌شود. به دلیل وضوح فضایی متوسط ​​این حسگر، یک رویکرد غیر اختلاط چند عضو انتهایی (MESMA) برای رسیدگی به مشکل مخلوط طیفی که معمولاً تنظیم ناهمگن مناطق شهری را مشخص می‌کند، اتخاذ شده است. برای انتخاب مدل مناسب برای عدم اختلاط هر پیکسل هنگام اعمال MESMA، یک معیار مبتنی بر RMSE پیشنهاد شده است که کاهش/افزایش نسبی در RMSE را هنگام افزایش/کاهش تعداد اعضای انتهایی مدل توسط یک مورد ارزیابی می‌کند. اعتبارسنجی زیرپیکسلی بر اساس عکس‌برداری هوایی ۲۵ سانتی‌متری نشان می‌دهد که بالاترین دقت با مقادیر آستانه RMSE به دست می‌آید که به نفع استفاده از مدل‌هایی با تعداد اعضای انتهایی کمتر است که منجر به میانگین خطاهای کسری برای سطوح غیرقابل نفوذ، پوشش گیاهی و خاک لخت اطراف می‌شود. ۱۵ درصد کار ما نشان می‌دهد که انتخاب بهینه آستانه RMSE ممکن است از یک برنامه به برنامه دیگر متفاوت باشد، بسته به داده‌های حسگر استفاده‌شده، ویژگی‌های صحنه، و نوع اعضای انتهایی تعریف‌شده. به این ترتیب ممکن است ادغام بهینه سازی آستانه RMSE در گردش کار MESMA مفید باشد.

بخش دوم این مطالعه بر محدودیت‌های تفکیک مکانی داده‌های فراطیفی فضایی متمرکز است. اخیراً، به منظور دور زدن مسئله وضوح فضایی، محققان استفاده از روش‌های بازسازی تصویر با وضوح فوق‌العاده (SR) را برای افزایش وضوح فضایی تصاویر فضایی، با ترکیب تصاویر چند زاویه‌ای از یک صحنه پیشنهاد کرده‌اند. از آنجایی که CHRIS/Proba اکتساب همزمان از زوایای دید مختلف را فراهم می‌کند، پتانسیل SR برای نقشه‌برداری زیرپیکسلی پوشش زمین در مناطق شهری متراکم، با بکارگیری و ارزیابی استفاده از تکنیک در ترکیب با رویکرد عدم اختلاط چند عضو انتهایی ارائه شده در بخش اول مطالعه نقشه‌های کسری پوشش زمین به‌دست‌آمده با اعمال عدم اختلاط چند عضو انتهایی روی داده‌های CHRIS/Proba با SR (9 متر) خطای کسری کلی کمتری در مقایسه با بخش‌های پوشش زمین تولید شده از داده‌های CHRIS اصلی (۱۸ متر) دارند. زمانی که هر دو در وضوح ۱۸ متر اصلی تایید شده باشند. تجزیه و تحلیل دقیق نتایج نقشه‌برداری سطح غیرقابل نفوذ برای فواصل نسبت مرجع مختلف به میانگین خطاهای کسری کوچک‌تر برای بخش‌های سطح غیرقابل نفوذ تولید شده از داده‌های تقویت‌شده با SR، در کل محدوده نسبت‌ها اشاره می‌کند. نقشه سطح غیرقابل نفوذ تولید شده با وضوح ۹ متر، سطح جزئیات بسیار بالاتری را نسبت به نقشه های اصلی نشان می دهد، که الگوی ساخته شده از محیط شهری را بهتر نشان می دهد و بنابراین پتانسیل داده های تقویت شده با SR را برای نقشه برداری دقیق تر سطح غیرقابل نفوذ در متراکم نشان می دهد. و مناطق شهری ناهمگون.

با وجود مزایای آن به عنوان یک حسگر فضایی، CHRIS/Proba به دلیل محدودیت‌های آن از نظر تفکیک فضایی و محدوده طیفی، اجازه نمی‌دهد تا از پتانسیل داده‌های فراطیفی برای نقشه‌برداری پوشش زمین شهری به طور کامل استفاده کند. بنابراین بخش سوم این مطالعه بر روی نقشه برداری با وضوح فضایی و طیفی بالا با استفاده از حسگر APEX در هوا متمرکز است. علیرغم غنای بالای اطلاعات ارائه شده توسط این حسگر، نگاشت دقیق پوشش زمین شهری از این داده ها چالش های متعددی از جمله مشکل ابعاد بالای مجموعه داده ها و تعریف استراتژی طبقه بندی مناسب، استفاده بهینه از محتوای اطلاعاتی موجود را به همراه دارد. در داده ها در این مطالعه دو تکنیک جدید کاهش ابعاد بدون نظارت – رویکرد شبکه عصبی خودکار انجمنی و روش BandClust – در ترکیب با چهار طبقه‌بندی‌کننده پیشرفته یادگیری ماشین آزمایش می‌شوند: Random Forest، AdaBoost، پرسپترون چند لایه، و پشتیبانی ماشین های برداری (SVM). دقت طبقه‌بندی بالا به‌دست‌آمده با ترکیب BandClust/SVM پتانسیل داده‌های حسگر APEX را برای نقشه‌برداری دقیق پوشش زمین در مناطق شهری پیچیده از نظر فضایی و طیفی نشان می‌دهد. از سوی دیگر، ابعاد نسبتاً پایین مجموعه داده APEX کاهش یافته با BandClust، که تنها از ۱۱ باند تشکیل شده است، هر دو بخش VNIR و SWIR طیف را پوشش می دهد، نشان می دهد که نقشه برداری با جزئیات موضوعی پوشش زمین شهری لزوماً به مجموعه داده ای با ابعاد بالا و پهنای باند بسیار باریک.

در بخش آخر تحقیق، استفاده از داده‌های فراطیفی با وضوح متوسط ​​(فضایی) (CHRIS/Proba) برای نقشه‌برداری از پوشش کسری انواع عمده پوشش زمین شهری، که به عنوان ورودی برای مدل‌سازی هیدرولوژیکی پراکنده مهم است، در مقابل استفاده از داده های فراطیفی با وضوح بالا (هوابرد) (APEX). حساسیت برآورد اجزای اصلی تعادل آب شهری – همانطور که توسط مدل هیدرولوژیکی توزیع شده WetSpass تولید می شود – به استفاده از داده های فراطیفی با تفکیک فضایی و طیفی مختلف به عنوان ورودی برای مدل سازی، نیز بررسی شده است. مقایسه کسرهای پوشش زمین برای کلاس‌های اصلی پوشش زمین شهری تولید شده از CHRIS/Proba و APEX نشان می‌دهد که عدم اختلاط داده‌های CHRIS/Proba فرکانس‌های بالاتری را برای بخش‌های میانی و فرکانس‌های پایین‌تری را برای کسرهای بالا و پایین تولید می‌کند. این اثر صاف کننده بر تخمین بیلان آب تأثیر دارد. تغییرات در توزیع پوشش سطحی غیرقابل نفوذ و کسر پوشش گیاهی نشان داده شده است که به وضوح با تغییرات تخمینی رواناب و تبخیر و تعرق مرتبط است و حساسیت تخمین تعادل آب به ترکیب پوشش زمین را تایید می کند. از سوی دیگر، به طور کلی تفاوت های مشاهده شده در هنگام استفاده از هر دو نوع داده حسگر نسبتا کوچک است. از این رو داده‌های فضابردی با وضوح طیفی متوسط ​​مانند CHRIS/Proba را می‌توان جایگزینی مفید و مقرون‌به‌صرفه برای استفاده از داده‌های هوابرد با وضوح بالا برای تخمین تعادل آب شهری در نظر گرفت، به‌ویژه در مواردی که پوشش فضایی زیادی مورد نیاز است.