اخبار ، مقالات و تحقیقات گروهی را دنبال کنید.
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 ۱ و سنتینل ۲ 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 ۲۰۳۰ بیش از…
در این محصول آموزشی به روش پیشرفته شناسایی شهرها از تصاویر ماهواره ای پرداخته شده و با تصاویر سنتینل ۱ و سنتینل ۲ 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 ۲۰۳۰ بیش از ۱٫۴ 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-۱ و سنتینل -۲ توسط اتحادیه اروپا، تصاویر با رزولوشن مکانی ۱۰ 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.
مشخصات محصول آموزشی
- مدرس: محمد کاکوئی
- متخصص برنامه نویسی، پردازش تصویر و سنجش از دور در محیط Google Earth Engine
- موضوع: سنجش از دور شهری و شناسایی محیط های شهری با دقت بالا
- نرم افزار: سامانه گوگل ارث انجین
- ماهواره: سنتینل ۱ و سنتینل ۲
- فرمت آموزش: ویدئوهای آموزشی MP4
- طول آموزش: ۲ ساعت و ۴۰ دقیقه
- کد تمرینی: دارد
- پیشنهاد آموزش: آموزش ArcGIS در شهرسازی
تهیه آموزش
برای خرید محصول بر روی لینک زیر کلیک کرده و بلافاصله پس از خرید آن را دانلود نمایید.
توضیحات محصول آموزشی
هدف این آموزش، توسعه روشی برای تلفیق داده های سنتینل-۱ و سنتینل-۲ 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-۱ 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 ۱ و ۲ 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
شناسایی محیط شهری حاشیه میلان
عناوین آموزشی
عناوین آموزش داده شده عبارت است از:
- فراخوانی تصاویر سنتینل – ۱ و سنتینل – ۲ 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
تهیه آموزش
برای خرید محصول بر روی لینک زیر کلیک کرده و بلافاصله پس از خرید آن را دانلود نمایید.
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 ۱ – 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
نوشته های مرتبط :
آموزش ویدئویی لیندا: GIS on the web
207 بازدید
آموزش توپولوژی در جی آی اس
2,616 بازدید
آموزش روش تحلیل شبکه ای در منابع طبیعی
270 بازدید
35 دیدگاه. ارسال دیدگاه جدید
موضوع:
۱) استخراج محدوده ساختمانها از تصاویر ماهواره ای همانند جاده،گیاهان،پیاده روها و پشت بام ساختمانها و غیره (در واقع سوال اینه کدام تصویر ماهواره ای برای این کار مناسبتر هستش و نوع الگوریتم که استفاده میشه و برای استخراج در کدام نرم افزار بهتره که اعمال بشه)
۲) و با چه تصاویر ماهواره ای ترجیحا بهتره مدلسازی هدر رفت انرژی گرمایی را در رابطه با ساختمانها انجام داد.
سلام
۱- سوال اولتون یک review کامل از urban area detection نیاز داره. چه ماهواره های نوری و چه ماهواره های راداری ویژگی های منحصر به فردی دارند که نمی توان از آن ها چشم پوشی کرد. به همین خاطر در این آموزش از تلفیق تصاویر سنتینل-۱ و سنتینل-۲ برای استخراج محیط شهری با رزولوشن ۱۰ متر استفاده شده است.
ولی این تصاویر محدود به ۳ سال اخیر است و اگر نیاز به آنالیز سری زمانی داشته باشد مجبور به استفاده از تصاویر سری لندست هستید.
نوع الگوریتم و نوع نرم افزار هم وابسته به کاربرد شما است. حتما روش های مبتنی بر داده های راداری دارای تفاوت زیادی از روش های مبتنی بر داده های نوری هستند که در آن ها از ویژگی لبه، تعریف شاخص و … استفاده می شود.
همچنین اگر بخواهید از روش های Deep استفاده کنید هیچ کدام از نرم افزار های مرسوم مانند ENVI و ArcGis به کار نمی آید و باید سراغ برنامه نویسی بروید.
اگر عبارت “urban area detection ” را سرچ کنید نتایج زیادی برای شما میاره.
۲- اگر منظور شما از مدل سازی هدر رفتن انرژی گرمایی، مفاهیمی مانند جزیره حرارتی هست، می توانید از آموزش های آقای احراری که در سایت وجود داره استفاده کنید که از ماهواره های لندست ۸، سنتینل ۳ و Aster بهره بردند.
لطف کردید اقای مهندس…با تصاویر ایکنوس و لندست و الگوریتم desision tree در نرم افزار envi با وارد کردن حد استانه مطلوب هست استخراج عوارض انجام بشه ا ترجیحا کدوم بهتره چون من بازه زمانی نیاز دارم استفاده کنم.
خیلی ممنون
خواهش میکنم
بین کدوم گزینه ها منظورتونه؟
منظور از بازه زمانی، تحلیل سری زمانی برای شناسایی تغییر و … هست؟
سلام دوباره زحمتتون دادم….اقای مهندس من واقعیت برای مقطع دکترا یک استاد خارجی سه نفر را انتخاب کرده که از بین اینا یکی رو میخاد بگیره و من م انتخاب شدم و گفته یک پروپوزال بنویسید موضوعی که گفته اینه…
(i) Segmentation of dense urban roof tops/buildings, roads and vegetation from high-resolution TIR/RGBi imagery, (ii) Generation of heat-loss and energy-efficiency metrics from high-resolution TIR imagery.
سپس من سرچ کردم به نتایجی رسیدم و خود شما توضیحات تکمیلی در ادامه دادین .
الان یه مقاله دیگه که در همین دانشکده کار شده برای این تفکیک عوارض (پشت بام و غیره) از تصاویر airborne oblique images استفاده کردن/الان من مرددم چکار کنم و در واقع نمی دونم این airborn images کجا و چجوری استفاده میشن اصلا چجوری باید تهیه کرد…چون من فقط با لندست و ایکونوس و استر کار کردم..خیلی خیلی ممنونم اگه یه راهنمایی بکنید در مورد موضوعی که دادن و نظر کلی بگید
سلام مجدد
نگران نباشید. داده های هوایی هم شبیه ماهواره ها هستند ولی عموما رزولوشن مکانی بهتری داره. همچنین تصاویر هوایی علاوه بر زاویه NADIR در زاویه مورب (oblique) هم وجود داره. مثلا داده های NAIP که آمریکا رو پوشش میده و دارای رزولوشن مکانی ۱ متر است و در ۴ باند RGB+NIR تصویر برداری میشه.
در هر حال، جای این مباحث در کامنت ها نیست، ایمیل بزنید
kakooey.m@gmail.com
سلام
در خصوص این آموزش سوال داشتم
این آموزش برای شناسایی نواحی روستایی(روستاهای کوچک، بزرگ و …..) هم کاربرد داره؟
این آموزش، خطوط ارتباطی هم شناسایی میکنه(مثل جاده)؟
سلام
بله، در تصاویر نمونه ای که در همین صفحه قرار داده شده، نشان داده می شود که نقاط کوچک روستایی هم قابل شناسایی است.
خطوط ارتباطی به واسطه اینکه اندازه سیگنال S1 آنها ضعیف است، عموما شناسایی نمی شوند.
سلام
من این آموزش رو روی شهر کرمانشاه پیاده کردم
ولی عدد درست حدآستانه رو بلد نیست
محدوده شهری و غیر شهری مقداری خطا دارن
راهکار چیه؟
بعد ndviتنها اینجا کفایت میکنه با توجه به اینکه زمینهای بایر هم وجود دارد؟
کوهستانی بودن منطقه چی؟
سلام
این کد رو در کرمانشاه بررسی کردم، در مورد زمین های بایر عموما مشکل وجود نداره
البته با توجه به استفاده از سنتینل ۱، عموما مشکلی در زمین های بایر نداره
گرچه شما میتوانید شاخص های بیشتری را در نظر بگیرید.
اما در مورد کوهستانی بودن منطقه، خصوصا اگر مناطق Foreshortening مدیریت نشود، میتوانید مناطق کوهستانی را به اشتباه شناسایی کند.
برای مدیریت مناطق Foreshortening می توانید از آموزش زیر استفاده کنید.
https://girs.ir/foreshortening-mask
عددی که برای حد آستانه در نظر گرفتین چند بود برای کرمانشاه؟
سلام
لینک کدتون رو برام بفرستید تا بررسی کنم
Kakooey.m@gmail.com
سلام استاد
وقت شما بخیر
عذر میخوام اینجا از تلفیق تصاویر اپتیکی راداری استفاده کردین
آیا روش تلفیق شما روش خاصی ست ؟نام روش تلفیق منظورمه
ممنونم اگر پاسخ دهید
سلام و وقت بخیر
معمولا به این حالتی که باندهای متفاوت و با ماهیت های مختلف را برای آموزش کنار هم قرار میدهیم، Heterogeneous Feature Map میگیم.
موفق باشید
سلام
ضمن تشکر از راهنماییهای مفید و دلسوازنه شما
میخواستم بپرسم در این آموزش میتوان فقط از تصاویر سنتینل۱ استفاده کرد؟
در اینصورت پروداکتهای مورد استفاده در این آموزش مانند ndviو,ndsi راچگونه حساب کنیم؟
سلام
خیر.. در این آموزش از ترکیب سنتینل-۱ و -۲ استفاده شده است و امکان استفاده از سنتینل-۱ به تنهایی موجب افزایش خطای FP می شود.
البته اگر جستجو کنید میتوانید روش های مبتنی بر تنها داده های راداری را بیابید و مبنای کار تحقیقاتی خود قرار دهید
با عرض سلام و ادب
عذر میخوام من نقاط کنترل رو بصورت شیب فایل وارد برنامه کردم واسه اعتبار سنجی یعنی بصورت دو شیب فایل شهری و غیر شهری
وقتی ران میکنم واسه ضریب کاپا و اوورال اکیوریسی پیغام زیر میاد چرا؟
Number (Error)
Property ‘landcover’ of feature ‘۱_۰۰۰۰۰۰۰۰۰۰۰۰۰۰۰۰۰۰۰۰_۰’ is missing.
سلام
عذر میخوام این برنامه شما رفرنس خاصی داشت؟
مقدور هست نام ببرین؟
سلام
رفرنس این روش خودم هستم!
میتونید به مقالات کنفرانسی من رفرنس بدهید که در کنفرانس های زیر ارائه شده اند
۲۰۱۹ Dragon 4 Symposium
۲nd mapping urban areas from space, ESA
ممنونم بابت پاسخدهی
آقای مهندس تصحیحات اتمسفری و رادیومتریکی و هندسی برای تصاویر نوری در گوگل انجین لازمه؟
تصحیحات رادیومتریکی و اسپکل و حذف سایه و خطای وارونگی برای تصاویر راداری درگوگل انجین چی؟
با سلام و احترام
بستگی به داده های ماهواره ای مورد استفاده دارد. ۹۰ درصد داده های موجود در ارث انجین نیاز به تصحیحات رادیومتریکی و اتمسفری ندارند.
تصحیح هندسی نیز اصلا نیاز به انجام آن نیست.
تصحیحات مربوط به حذف نویز اسپکل و سایه باید بصورت دستی انجام شود.
موفق باشید
با تشکر از راهنمایی شما
داده های مورد استفاده من لندست۸ و سنتینل۱ و سنتیل۲ می باشد
پس نیازی به تصحیحات رادیومتریکی و اتمسفری ندارند؟
فقط مرجع اینکه این تصحیحات نیاز نیست کجای گوگل انجین ذکر شده؟
داده های سنتینل ۲ و لندست ۸ هم تصحیح شده و هم تصحیح نشده آن در گوگل ارث انجین موجود است. شما می توانید از داده های تصحیح شده به انتخاب خودتون استفاده کنید.
داده های سنتینل ۱ تصحیح هندسی شده است اما باید تصحیح رادیومتریکی رو خودتون انجام دهید.
در ارتباط با سوال آخرتون هم در کامنت قبلی خدمتتون عرض کرده بودم که جایی این عبارت بصورت واضح نوشته نشده اما ما بر اساس دانش تئوری که از کتاب ها بدست آوردیم + توضیحاتی که در ارتباط با داده ها در گوگل ارث انجین وجود دارد همگی اثبات کننده این ادعا هست. مثلا جایی ننوشته تصاویر تصحیح هندسی شده است اما وقتی دانلود میکنیم و میبینیم که زمین مرجع شده هست و خطایی ندارد پس اطمینان کسب میکنیم.
جایی نگفته تصاویر لندست نیازی به تصحیح ندارند اما ما بر اساس دانش تئوری که داریم می دانیم که تصاویر تصحیح اتمسفری شده نیاز به تصحیحات بیشتر ندارند بنابراین وقتی در گوگل ارث انجین چنین داده ای موجود است اطمینان کسب می کنیم که نیاز به تصحیحات بیشتر ندارد.
موفق باشید
عرض سلام خدمت شما استاد گرامی.
سوالی در رابطه با این آموزش داشتم.ممنون میشم راهنمایی بفرمایید.
آیا با این آموزش میتوانم خانه ها رابه صورت تفکیکی استخراج کنم؟
یعنی هر واحد از واحد کناری جدا شوند
سلام
بحث building detection از بحث urban area detection جداست.
برای استخراج ساختمان ها شما به تصاویر با رزولوشن حدود ۱ متر نیاز دارید که به جز داده های خاص، به صورت عمومی و رایگان در دسترس قرار ندارد.
موفق باشید
درصورت استفاده از داده های یک متری، هر ساختمان را میتوان با روشهایی که در این آموزش ارائه دادید به تفکیک مشاهده نمود؟با در اون حالت هم بصورت پیوسته نمایش داده میشوند؟
خیر..
در داده های HR و VHR شما نیاز به ویژگی ها مکانی دارید تا بتوانید ساختمان های مجزا را شناسایی کنید. در حالی که استفاده از تلفیق داده ها و ویژگی های مکانی در داده های mid-resolution برای استخراج محیط شهری کفایت میکند.
اگر به عنوان محصول هر دقت کنید، «شناسایی محیط شهری» است، نه استخراج ساختمان.
در مقدمه مقاله زیر، مروری بر روش های استخراج ساختمان با تصاویر HR و VHR شده است.
Mohammad, Kakooei, and Baleghi Yasser. “A two-level fusion for building irregularity detection in post-disaster VHR oblique images.” Earth Science Informatics 13, no. 2 (2020): 459-477.
با سلام و احترام. آیا این محصول قابل استفاده با داده های لندست ۸ و سنتینل ۱ هست؟
سلام
بله، با روش استفاده شده در این محصول، امکان استفاده از داده های لندست-8 و سنتینل-1 نیز وجود دارد.
موفق باشید
سلام ممنون از زمانی که برای پاسخگویی قرار می دید
آیا این اموزش برای بررسی تغییرات منطقه شهری در دو تاریخ متفاوت قابل استفاده است؟
مثل بررسی میزان تخریب شهر در اثر زلزله؟؟
سلام
برای بررسی سری زمانی تغییرات شهری میتوان از این محصول استفاده کرد.
برای بررسی میزان تخریب، می تواند مفید باشد، اما برای این هدف طراحی نشده است.
همچنین، باید موارد مختلفی را در تخریب در نظر گرفت. مثلا، سطح تخریب (ساختمان، محلی، ناحیه ای) و مقیاس تخریب (دو سطحی یا چند سطحی) و همچنین شدت تخریب باید مد نظر قرار بگیرد.
موفق باشید
سلام لطفا برنامه ای که در آموزش پردازش تصاویر در گوگل انجین نوشتین رو در اختیار قرار میدین!
سلام
آدرس ایمیل را بفرمایید تا برایتان ارسال شود.
موفق باشید
Ahmad.ghorbaninejad@gmail.com
به ایمیل شما ارسال شد.