آستانه‌گذاری محلی تطبیقی برای بهبود تشخیص تغییرات ارتفاعی در محیط‌های شهری با استفاده از داده‌های لایدار دوزمانه

نوع مقاله : علمی - پژوهشی

نویسندگان

1 دانشجوی دکترای تخصصی سنجش از دور و سیستم اطلاعات جغرافیایی دانشگاه شهد بهشتی

2 رئیس و استاد مرکز مطالعات سنجش از دور و GIS ، دانشکده علوم زمین، دانشگاه شهید بهشتی، تهران

چکیده

تغییرات سه‌بعدی در محیط‌های شهری یکی از مهم‌ترین موضوعات در مطالعات تغییرات محیط زیست شهری و پایش تغییرات ساختاری آن است. با توجه به رشد سریع شهرها و افزایش تعداد پروژه‌های ساخت‌وساز، شناسایی و پایش این تغییرات اهمیت زیادی پیدا کرده است. از سوی دیگر، امکان شبیه‌سازی و پیش‌بینی تغییرات شهری می‌تواند به برنامه‌ریزان شهری و مقامات مسئول در اتخاذ تصمیمات بهینه کمک کند. در این راستا، استفاده از داده‌های سه‌بعدی مانند ابر نقاط لایدار یکی از روش‌های مؤثر در شبیه‌سازی دقیق تغییرات سه‌بعدی در سطح شهر است. هدف این تحقیق توسعه الگوریتمی در زمینه شناسایی و تحلیل تغییرات ارتفاعی در مناطق شهری با استفاده از پردازش داده‌های لایدار دو زمانه می‌باشد. این تغییرات می‌توانند ناشی از عوامل مختلفی مانند ساخت و تخریب ساختمان‌ها، تغییرات کاربری اراضی و یا تغییرات در رشد پوشش گیاهی باشند. در این تحقیق، داده‌های ابر نقطه لایدار برای سال‌های 2014 و 2019 از منطقه ساحلی داک در کارولینای شمالی در اختیار قرار گرفت. این داده‌ها شامل نقاط سه‌بعدی با مولفه‌هایX, Y, Z و شدت نور است که به‌وسیله سنجش‌گر لایدار از سطح زمین برداشت شده‌اند. در این مطالعه، برای شناسایی تغییرات ارتفاعی از محاسبه فاصله بین دو ابر نقطه استفاده شد. فاصله بین دو ابر نقطه با استفاده از فاصله یک سری نقاط نسبت به شبکه نامنظم مثلثی ایجاد شده از سری دیگر نقاط بدست آمد. سپس روش آستانه‌گذاری محلی تطبیقی استفاده شد که قادر است تغییرات ارتفاعی در مقیاس‌های مختلف را شناسایی کند. در این تحقیق، ترکیب دو ابر نقطه در یک مجموعه داده برای شناسایی تغییرات ارتفاعی در مناطق شهری استفاده گردید. این روش موجب ایجاد ابر نقطه واحد با چگالی بالاتر در نواحی بدون تغییر گردیده در حالی که در نواحی دارای تغییرات ارتفاعی، سطح‌های ارتفاعی متفاوتی ایجاد شد که باعث افزایش واریانس ارتفاعی می‌شود. به‌ویژه در مواردی که کاربری زمین تغییر کرده و یا ساختمان‌ها تخریب و بازسازی شده‌اند، این تفاوت‌های واریانس به‌طور واضح قابل مشاهده بود. در مناطق دارای تغییر، مقدار واریانس ارتفاعی نقاط ترکیبی به‌طور قابل توجهی افزایش یافت که نشان‌دهنده تغییرات واقعی در سطح زمین بود. در مقابل، در مناطقی که تغییرات ارتفاعی نداشتند، واریانس ارتفاعی نقاط ترکیبی در محدوده پایین باقی ماند. این روش به‌ویژه برای شناسایی تغییرات کوچک که ممکن است در روش‌های سراسری نادیده گرفته شوند، مناسب است. برای ارزیابی دقت نتایج، معیارهایی چون کامل بودن، درستی، کیفیت کلی و امتیاز F1 محاسبه شد. نتایج نشان داد که روش پیشنهادی در شناسایی تغییرات ارتفاعی در مناطق شهری، عملکرد بسیار خوبی داشته است. به‌طور خاص، در مناطقی که تغییرات در ارتفاعات ساختمان‌ها یا تغییرات کاربری زمین مانند تبدیل زمین به ساختمان یا درخت به ساختمان صورت گرفته بود، الگوریتم پیشنهادی قادر است که تغییرات را به درستی و دقت بالا شناسایی کند. به‌طور خاص، در دو زیرمجموعه اول از منطقه مورد مطالعه که تغییرات ارتفاعی در سطوح تخریب و یا ساخت ساختمان‌ها وجود داشت، دقت شناسایی تغییرات در معیار کامل بودن بیش از 98 درصد بوده و در سایر معیارها، دقت بین 86 تا 98 درصد متغیر می‌باشد. در زیرمجموعه سوم از منطقه مورد مطالعه که پوشش گیاهی به کاربری مسکونی تبدیل شده بود، دقت شناسایی تغییرات در معیار کامل بودن 85 درصد بوده و در سایر معیارها نیز دقت بین 83 تا 98 درصد متغیر است. روش آستانه‌گذاری محلی تطبیقی که در این تحقیق ارائه شد، قادر است به‌طور مؤثری تغییرات ارتفاعی در محیط‌های شهری پیچیده را شناسایی کند. این روش به‌ویژه در شناسایی تغییرات کوچک و محلی که ممکن است در روش‌های سراسری نادیده گرفته شوند، عملکرد مناسبی دارد. استفاده از نتایج این تحقیق در برنامه‌ریزی شهری، پایش تغییرات زیرساخت‌ها و مدیریت بلایا می‌تواند به بهبود تصمیم‌گیری‌ها کمک کند. پیشنهاد می‌شود که در پژوهش‌های آینده این روش در مناطق شهری مختلف آزمایش شده و به‌ویژه کارایی محاسباتی آن مورد توجه قرار گیرد.

کلیدواژه‌ها


عنوان مقاله [English]

Efficient Adaptive Local Thresholding for Improving Elevation Change Detection in Urban Environments Using Bi-temporal LiDAR Data

نویسندگان [English]

  • vahid ahmadi 1
  • AliAkbar Matkan 2
1 Phd student GIS & Remote sensing, Shahid Beheshti University
2 Head and Professor of Remote Sensing and GIS Studies Center, Faculty of Earth Sciences, Shahid Beheshti University
چکیده [English]

Three-dimensional changes in urban environments have become one of the most critical topics in urban environmental studies and structural change monitoring. As cities rapidly expand and the number of construction projects continues to increase, identifying and monitoring these changes have gained significant importance. Furthermore, the ability to simulate and predict urban changes can help urban planners and decision-makers make informed choices. In this regard, the use of three-dimensional data, such as LiDAR point clouds, is an effective method for accurately simulating and detecting three-dimensional changes at the urban level. The primary objective of this research is to develop an algorithm for identifying and analyzing elevation changes in urban areas using bi-temporal LiDAR data processing techniques. These elevation changes can result from various factors, such as the construction and demolition of buildings, changes in land use, or variations in vegetation cover. In this study, LiDAR point cloud data from the years 2014 and 2019, collected from the coastal region of Duck in North Carolina, were utilized. These datasets contain three-dimensional points with X, Y, and Z coordinates, along with intensity values recorded from the Earth's surface using a LiDAR sensor. To identify elevation changes, the distance between the two point clouds was computed. The relative distance between corresponding points was determined using Delaunay triangulation, which created an irregular triangular network from one set of points and measured the distance between this network and the corresponding points in the other dataset. Following this step, a local adaptive thresholding method was applied to detect elevation changes at various scales. This method has the advantage of identifying localized changes more effectively than global detection techniques, which may overlook smaller variations. In this research, the two point clouds were merged into a single dataset to analyze elevation changes in urban environments. This process resulted in a unified point cloud with higher density in unchanged areas. In contrast, in areas where elevation changes occurred, multiple elevation surfaces emerged, leading to an increase in elevation variance. This effect was particularly noticeable in cases where land use had changed or where buildings had been demolished and reconstructed. The variance differences were clearly visible, providing strong indicators of real changes in the urban landscape. In regions experiencing changes, the elevation variance of the combined point cloud increased significantly, highlighting structural modifications. Conversely, in areas without elevation changes, the elevation variance remained low. This method proved especially effective in detecting minor changes that are often overlooked by conventional global change detection methods. To evaluate the accuracy of the proposed approach, key performance metrics such as completeness, correctness, overall quality, and the F1 score were computed. The results demonstrated that the proposed method performed exceptionally well in detecting elevation changes in urban areas. Specifically, in regions where changes in building heights or land use had occurred—such as the conversion of land into buildings or vegetation into urban structures—the algorithm successfully identified changes with high precision. In particular, for two subsets of the study area where building demolition and construction activities took place, the completeness metric exceeded 98%, while accuracy in other metrics ranged between 86% and 98%. For the third subset, where vegetation was converted into residential land use, completeness was measured at 85%, with accuracy in other metrics ranging between 83% and 98%. The local adaptive thresholding method introduced in this study effectively identifies elevation changes in complex urban environments. This technique is particularly efficient in detecting small-scale, localized changes that global methods may overlook. The results of this research have significant implications for urban planning, infrastructure monitoring, and disaster management, as they can enhance decision-making processes in these domains. Future studies should focus on applying this method to various urban environments while considering its computational efficiency and scalability for processing large-scale datasets. The integration of advanced machine learning models with this approach could further improve change detection accuracy and automation, leading to more efficient monitoring of urban transformations.

کلیدواژه‌ها [English]

  • Adaptive Local Thresholding
  • Elevation Changes
  • Urban Environment
  • Bi-temporal LiDAR
  • Remote Sensing