آموزش شناسایی محیط های شهری با دقت بالا – شناسایی شهرها در تصاویر ماهواره ای

در این محصول آموزشی به روش پیشرفته شناسایی شهرها از تصاویر ماهواره ای پرداخته شده و با تصاویر سنتینل 1 و سنتینل 2 کار شده است. این آموزش روشی را توضیح میدهد که بسیار دقیق است و حتی مناطق کوچک را نیز شناسایی می کند.

جمعیت شهرها رو به افزایش است و انتظار می­رود که تا سال 2030 بیش از 1٫4 میلیارد نفر در شهرها زندگی کنند. رشد سریع شهرها باید مد نظر قرار بگیرد تا مسائل محیطی، آلودگی، جزیره حرارتی و نحوه خدمت رسانی به آن­ها بررسی شوند. پایش رشد شهرها نیازمند شناسایی شهرها به صورت سری زمانی است تا با مقایسه آن­ها، میزان رشد شهرها تعیین شوند.

داده ­های ماهواره­ ها منابع با ارزشی در شناسایی محیط شهری هستند که می ­توانند به صورت محلی و جهانی نتایج را فراهم کنند. در گذشته تنها داده­ های ماهواره­ های نوری برای تحلیل رشد شهرها مورد بررسی قرار می­ گرفتند. اما امروزه ماهواره ­های زیادی برای این کار وجود دارند که داده های سنحش از دور را به داده­ های بزرگ (Bid Data) تبدیل کرده ­اند. برای دسترسی آسان به این داده ­ها و اشتراک گذاری آسان نتایج، استفاده از محیط پردازش ابری Google Earth Engine انتخاب مناسبی است.

استفاده از داده ­های ماهواره SAR در کنار ماهواره ­های نوری می­تواند دقت الگوریتم را بالاتر ببرید و آن را کاربردی تر کند. زیرا این داده­ های به زمان تصویربرداری وابسته نیستند و تحت تاثیر عوامل محیطی مانند ابری بودن منطقه قرار نمی­ گیرند.

با پرتاب ماهواره های سنتینل-1 و سنتینل -2 توسط اتحادیه اروپا، تصاویر با رزولوشن مکانی 10 متر در تمامی مکان­ های کره زمین در دسترس عموم قرار گرفت. در نتیجه، این ماهواره­ ها امکان پردازش دقیق­ تر سطح زمین و ایجاد نقشه دقیق ­تر از شهرها را فراهم کرد.

توضیحات محصول آموزشی

هدف این آموزش، توسعه روشی برای تلفیق داده­ های سنتینل-1 و سنتینل-2 است تا محیط شهری با دقت بالا استخراج شود. همچنین با توسعه یک Application مبتنی بر GEE امکان پایش محیط شهری در مکان­ های زیادی از کره زمین فراهم می ­شود. روش توسعه داده شده کاملا خودکار است و آستانه گذاری و تعیین مناطق شهری بدون نیاز به تنظیم کردن پارامترها به صورت دستی است.

در این آموزش ابتدا فضای باند تصاویر سنتینل-1 توسط PCA تبدیل می ­شود. در نتیجه باندهایی تولید می­ شود که حداقل وابستگی را به هم دارند. سپس به کمک باند PCA و با آستانه گذاری اوتسو که به هیستوگرام تصویر اعمال می ­شود، نقاط آموزش به صورت خودکار تعیین می ­شوند. به کمک این نقاط و باندهای سنتینل 1 و 2 و شاخص های مد نظر، یک طبقه بندی جنگل تصادفی آموزش می­ بیند تا مناطق تحت بررسی را به کلاس های شهری و غیرشهری منتسب کند. در نهایت به کمک ui در GEE یک application تولید می­ شود که قابل اشتراک گذاری با دیگر محققان است.

شناسایی محیط شهری ساری

تشخیص شهرها از تصاویر ماهواره ای

شناسایی محیط شهری حاشیه میلان

شناسایی شهرها در گوگل ارث انجین

عناوین آموزشی

عناوین آموزش داده شده عبارت است از:

• فراخوانی تصاویر سنتینل – 1 و سنتینل – 2 در زمان و مکان مشخص
• محاسبه تصویر با میانگین صفر
• تعریف تبدیل PCA و اعمال آن به تصویر
• استخراج هیستوگرام تصویر با ترکیب میانگین و واریانس
• تعریف آستانه گذاری اوتسو و اعمال آن به هیستوگرام تصویر
• آستانه گذاری با مقادیر آستانه اوتسو و انحراف از معیار
• نمونه برداری از تصویر با توجه به ماسک تولید شده
• آموزش طبقه بندی جنگل تصادفی و SVM
• آموزش ساخت Application با امکانات بخش UI

ویدئوی معرفی آموزش

لینک های مفید

• آموزش شناسایی سایه در محیط های شهری در تصاویر ماهواره ای
• پیش بینی رشد و توسعه شهر و سایر کاربری ها در سال های آینده با Land Change Modeler
• آشکارسازی شهر با استفاده از تصاویر راداری ماهواره سنتینل 1 – در نرم افزار SNAP
• شناسایی جزیره حرارتی شهری با استفاده از تصاویر ماهواره Sentinel-3 – در نرم افزار SNAP
• پروداکت توسعه فیزیکی شهری ماهواره لندست در Google Earth Engine