آشکارسازی تغییرات ساخت‌وساز مناطق مسکونی با استفاده از محصولات فتوگرامتری

نوع مقاله : مقاله پژوهشی

نویسندگان

مرکز علم و فناوری مهندسی ژئوماتیک، دانشکده پیامبر اعظم (ص)، دانشگاه جامع امام حسین (ع)، تهران، ایران

چکیده

سابقه و هدف: شناسایی تغییرات یکی از کاربردهای تصاویر و داده‌های سنجش ‌از دور و فتوگرامتری، با سابقه‌ای بیش از چهار دهه در حوزه‌های گوناگون نظامی و غیرنظامی، برای اهداف و عوارض گوناگون است که در مدیریت شهری، مدیریت بحران، پایش منابع طبیعی، تأمین امنیت و حکمرانی دولت‌ها نقش مهمی ایفا می‌کند. پایش و کنترل تغییرات در محدوده و حریم شهرها، به‌ویژه در مواجهه با تغییر کاربری غیرمجاز زمین، از ضروری‌ترین نیازهای مدیریت شهری است. روش‌های کلاسیک، به‌رغم سادگی و دردسترس‌بودن، به‌دلیل محدودیت‌های دقت و سرعت و جامعیت، کارآیی لازم را ندارند. در مقابل، اجرای روش‌های جدید مبتنی‌بر یادگیری عمیق، مانند شبکه‌های عصبی نیز به‌دلیل مشکلات آماده‌سازی داده‌های آموزشی، زمان‌بر و هزینه‌بربودن و نیازداشتن به منابع محاسباتی و سخت‌افزاری قدرتمند، با چالش‌هایی همراه است. این مقاله،‌ با هدف مطرح‌کردن فرایندی تقریباً سریع، کم‌هزینه و دارای دقت بالا برای شناسایی و آشکارسازی تغییرات در مناطق مسکونی، انجام شد.
مواد و روش‌ها: هدف از طرح فرایند پیشنهادی برطرف‌کردن محدودیت‌های روش‌های پیشین، مبتنی‌بر استفاده از محصولات فتوگرامتری، شامل مدل رقومی سطح (DSM) و تصاویر ارتوفتوموزائیک و اعمال فیلترهای گوناگون روی آن‌هاست. داده‌های ورودی، با دقت‌های مسطحاتی و ارتفاعی بهتر از ۳۰ سانتی‌متر، تهیه شده و امکان شناسایی ساختمان‌هایی را که در طول زمان دچار تغییرات شده‌اند، فراهم می‌کنند. فرایند پیشنهادی شامل تولید مدل رقومی اختلاف (DDM) از تفریق مدل رقومی سطح دوزمانه است که این مدل، تغییرات ارتفاعی را در دو جهت مثبت و منفی، نمایش می‌دهد. سپس با اعمال حدهای آستانة ارتفاع و مساحت، همراه با چند مرحلة فیلترگذاری روی دادة ورودی، اهداف اولیه استخراج می‌شوند. برای اینکه خطای شناسایی ناشی از وجود عوارضی نظیر سایه‌ها، پوشش گیاهی و خودروها کاهش یابد، تصاویر ارتوفتوموزائیک با استفاده از الگوریتم‌های هوشمند، طبقه‌بندی می‌شود و به مدل رقومی اختلاف، اعمال می‌شود. این مرحله تأثیر عوارض مزاحم را کاهش می‌دهد و به استخراج اهداف نهایی منجر می‌شود.
نتایج و بحث: برای ارزیابی عملکرد فرایند پیشنهادی، دو منطقة مطالعاتی در استان یزد، یک منطقه دارای بافت شهری ساده و دیگری دارای بافت شهری پیچیده، انتخاب شد. داده‌ها شامل تصاویر ارتوفتوموزائیک، با اندازة پیکسل ۱۰ سانتی‌متر، برای هر دو منطقة مطالعاتی می‌شود. مدل‌های رقومی سطح نیز به‌ترتیب، دارای اندازة پیکسل ۴۰ و ۱۰ سانتی‌متر است. شایان ذکر است که فاصلة زمانی تهیة داده‌ها، برای منطقة مطالعاتی اول، برابر با دو ماه و در منطقة مطالعاتی دوم، سه سال است. نتایج اجرای فرایند پیشنهادی، در منطقة مطالعاتی اول، با دقت کلی بیش از %۹۰ و در منطقة دوم، با دقت کلی بیش از %۸۳ به دست آمد. تعیین مقادیر بهینه برای حدهای آستانة ارتفاع و مساحت و مقادیر فیلترها، به‌نحوی که به بالا‌ترین دقت برسند، ازطریق فرایند آزمون‌وخطا و با تعریف رخدادهای گوناگون و بررسی و شمارش دقیق تعداد اهداف صحیح، اهداف جاافتاده و اهداف اشتباه، انجام شد. تحلیل و ارزیابی فرایند پیشنهادی نشان می‌دهد که اعمال فیلترهای مناسب، در چهار مرحله، دقت کلی الگوریتم را تا بیش از %۳۰ افزایش داده ‌است.
نتیجه‌گیری: فرایند پیشنهادی بسیار تحت تأثیر منطقة مطالعاتی و مقادیر حد آستانة متناسب با بافت شهری آن قرار دارد. با وجود این محدودیت، روش مطرح‌شده به‌دلیل هزینة کمتر و سرعت بالاتر، در قیاس با دیگر روش‌ها، امکان اجرایی گسترده‌ای در منطقه‌های مشابه با مناطق مورد مطالعه دارد. همچنین نتایج این مقاله‌ نشان می‌دهد که این فرایند، به‌علت دقت بالا و نتایج مورد قبول، می‌تواند به‌منزلة ابزاری کارآمد در حوزة مدیریت شهری و پایش تغییرات مجاز و غیرمجاز، بهره‌برداری شود و در بهبود فرایندهای تصمیم‌گیری در این زمینه، مؤثر باشد و نیازهای آن به کنترل حریم شهری را به‌خوبی برطرف کند. درمورد دیگر مناطقی که بافت متفاوتی با مناطق مطرح‌شده در این مقاله‌ دارند، مقادیر بهینه باید با روشی مشابه، درمورد مؤلفه‌های اجرایی و حدهای آستانه، محاسبه شود.

کلیدواژه‌ها

عنوان مقاله [English]

Change Detection in Residential Areas Construction by Using Photogrammetry Products

نویسندگان [English]

  • Muhammad Amin Bakhshi
  • Mehrdad Eslami
  • Ali Sarkargar Ardakani
  • Ramin Saadi Esfangareh
Geomatics Department, Imam Hossein University, Tehran, Iran
چکیده [English]

 
Introduction: Change detection, one of the applications of remote sensing images and photogrammetric data, with a history of over four decades in various military and civilian domains, plays an important role in urban management, crisis management, monitoring natural resources, ensuring security, and governmental governance. Monitoring and controlling changes within the boundaries and urban areas, especially in addressing unauthorized land-use changes, is one of the most critical needs of urban management. For this purpose, using classical methods, despite their simplicity and accessibility, lacks the necessary efficiency due to limitations in accuracy, speed, and comprehensiveness. On the other hand, implementing new deep learning-based methods such as neural networks also faces challenges due to the difficulties in preparing training data, being time-consuming and costly, and requiring powerful computational and hardware resources. This paper aims to present a relatively fast, cost-effective, and high-accuracy process for detecting and identifying changes in residential areas.
Material and Methods: The proposed process, aimed at overcoming the limitations of previous methods, is based on the use of photogrammetric products, including Digital Surface Models (DSM) and orthophotomosaics, along with the application of various filters. The input data, with horizontal and vertical accuracies better than 30 cm, have been prepared and enable the identification of buildings that have undergone changes over time. The proposed process involves generating a Digital Difference Model (DDM) by subtracting two-time DSMs, which visualizes height changes in both positive and negative directions. Initial targets are then extracted by applying height and area threshold limits, combined with multiple filtering stages on the input data. To reduce recognition errors caused by factors such as shadows, vegetation, vehicles, and other existing features, orthophotomosaic classification using intelligent algorithms is performed and applied to the Digital Difference Model. This step reduces the impact of interfering features and leads to the extraction of the final targets.
Results and Discussion: To evaluate the performance of the proposed process, two study areas in Yazd Province were selected: one with a simple urban texture and the other with a complex urban texture. The data include orthophotomosaics with a pixel size of 10 cm for both study areas. Additionally, the Digital Surface Models (DSMs) have pixel sizes of 40 cm and 10 cm, respectively. It is worth noting that the time interval between data acquisitions was two months for the first study area and three years for the second. The results of implementing the proposed process achieved an overall accuracy of over 90% in the first study area and over 83% in the second. Optimal values for height and area thresholds and filter settings were determined through a trial-and-error process, by defining various events and precisely analyzing the counts of correct targets, missed targets, and false targets to achieve the highest accuracy. Analysis and evaluation of the proposed process show that applying appropriate filters in four stages increased the overall algorithm accuracy by more than 30%.
Conclusion: The proposed process is highly dependent on the study area and the threshold values corresponding to its urban texture. Despite this limitation, the presented method, due to its lower cost and higher speed compared to similar methods, has broad applicability in areas similar to those studied. Additionally, the results of this paper show that this process, due to its high accuracy and acceptable results, can serve as an effective tool in the field of urban management and monitoring authorized and unauthorized changes, contributing to improving decision-making processes in this domain and effectively addressing the need for urban boundary control. For other areas with textures different from those in this study, it is necessary to calculate optimal values for operational components and thresholds using a similar methodology

کلیدواژه‌ها [English]

  • Change detection
  • DSM
  • Unauthorized construction
  • Photogrammetry products
  • Urban management

مراجع

Adeline, K.R., Chen, M., Briottet, X., Pang, S.K. & Paparoditis, N., 2013, Shadow Detection in Very High Spatial Resolution Aerial Images: A Comparative Study, Isprs Journal of Photogrammetry and Remote Sensing, 80, PP. 21-38, DOI: 10.1016/j.isprsjprs.2013.02.003.
Cheng, G. & Han, J., 2016, A Survey on Object Detection in Optical Remote Sensing Images, ISPRS Journal of Photogrammetry and Remote Sensing, 117, PP. 11-28, ISSN 0924-2716, https://doi.org/10.1016/j.isprsjprs.2016.03.014.
Cheng, G., Yunmeng, H., Xiangtai, L., Shuchang, L., Zhaoyang, X., Hongbo, Zh., Qi, Zh. & Shiming, X., 2024, Change Detection Methods for Remote Sensing in the Last Decade: A Comprehensive Review, Remote Sensing, 16(13), P. 2355, DOI: 10.48550/arXiv.2305.05813.
Erdogan, M. & Yilmaz, A., 2018, Detection of Building Damage Caused by Van Earthquake Using Image and Digital Surface Model (DSM) Difference, International Journal of Remote Sensing, 40(10), P.P 3772-3786, DOI: 10.1080/01431161.2018.1552816.
Gao, X., Wang, M., Yang, Y. & Li, Chuck, 2018, Building Extraction from RGB VHR Images Using Shifted Shadow Algorithm, IEEE Access, 6, PP. 22034-22045, DOI: 10.1109/ACCESS.2018.2819705.
Goyal, V., Singh, R., Dhawley, M., Kumar, A. & Sharma, S., 2023, Aerial Object Detection Using Deep Learning: A Review, In: Shukla, A., Murthy, B.K., Hasteer, N., Van Belle, JP. (Eds.) Computational Intelligence, Lecture Notes in Electrical Engineering, 968, Springer, Singapore, DOI: 10.1007/978-981-19-7346-8_8.
Guerin, R.B. & Pierrot-Deseilligny, M., 2014, Automatic Detection of Elevation Changes by Differential DSM Analysis: Application to Urban Areas, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7(10), PP. 4020-4037, DOI: 10.1109/JSTARS. 2014.2300509.
Guo, Zh., Jianping, P., Peng, X., Ling, Zh., Chen, Q., Xunxun, W., Yihan, Y., Yan, W., Huijuan, Zh. & Zhaohui, R., 2024, MFFNet: A Building Change Detection Method Based on Fusion of Spectral and Geometric Information, Geocarto International, 39(1), DOI: 10.1080/ 10106049.2024.2322053.
Hamidi, M.A. & Bigdeli, H., 2021, Damage Assessment in Military Operations Using Deep Learning and Image Processing, Journal of Soft Computing and Information Technology, 10(3), PP. 1-10.
Han, W., Chen, J., Wang, L., Feng, R., Li, F., Wu, L., Tian, T. & Yan, J., 2021, Methods for Small, Weak Object Detection in Optical High-Resolution Remote Sensing Images: A Survey of Advances and Challenges, Geoscience and Remote Sensing Magazine, 9(4), PP. 8-34, DOI: 10.1109/MGRS. 2020.3041450.
Hong, F., Jianqing, Z., Zuxun, Z., … et al., 1999, House Change Detection Based on DSM of Aerial Image in Urban Area, Geo-spat. Inf. Sci., 2, PP. 68-72, https://doi.org/10.1007/BF02826721.
Ioannidis, C., Psaltis, C. & Potsiou, C., 2009, Towards a Strategy for Control of Suburban Informal Buildings through Automatic Change Detection, Comput. Environ. Urban Syst., 33, PP. 64-74, DOI: 10.1016/j.compenvurbsys.2008.09.010.
Krauß, T. & Tian, J., 2020, Automatic Change Detection from High-Resolution Satellite Imagery, In: Hadjimitsis, D., … et al., Remote Sensing for Archaeology and Cultural Landscapes, Springer Remote Sensing/ Photogrammetry, Springer, Cham., https://doi.org/10.1007/978-3-030-10979-0_4.
 
Liang, H. & Seo, S., 2023, UAV Low-Altitude Remote Sensing Inspection System Using a Small Target Detection Network for Helmet Wear Detection, Remote Sensing, 15(1), P. 196, https://doi.org/10.3390/ rs15010196.
Masumei, A., Feizizadeh, B. & Valizadeh Kamran, K., 2022, A Novel Semi-Automated Approach for Detecting and Extracting of Urban Features Using Object-Based Aerial Image Analysis, Journal of Geography and Planning, 26(80), PP. 315-303, DOI: 10.22034/gp.2020. 41630.2696.
Moghimi, A., Ebadi, H. & Sadeghi, V., 2016, Review of Change Detection Methods from Multitempolar Satellite Images by Pixel-Based and Object-Based Approach, GEJ., 7(2), PP. 99-110, DOI: http://gej. issgeac.ir/article-1-170-en.html.
Movia, A., Beinat, A. & Crosilla, F., 2016, Shadow Detection and Removal in RGB VHR Images for Land Use Unsupervised Classification, ISPRS Journal of Photogrammetry and Remote Sensing, 119, P. 10.1016, DOI: 10.1016/j.isprsjprs.2016. 05.004.
Pang, S., Hu, X., Zhang, M., Cai, Z. & Liu, F., 2019, Co-Segmentation and Superpixel-Based Graph Cuts for Building Change Detection from Bi-Temporal Digital Surface Models and Aerial Images, Remote Sensing, 11(6), P. 729, https://doi.org/10.3390/rs11060729.
Raja, P., Kumar, S., Yadav, D.S., Kumar, A. & Kumar, R.K., 2023, Intelligent Remote Sensing: Applications and Techniques, Journal of Image Processing and Intelligent Remote Sensing, 3(02), PP. 46-53, https://doi.org/10.55529/jipirs.32.46.53.
Qiqi, Zh., Xi, G., Weihuan, D., Sunan, Sh., Qingfeng, G., Yanfei, Zh., Liangpei, Zh. & Deren, L., 2022, Land-Use/Land-Cover Change Detection Based on a Siamese Global Learning Framework for High Spatial Resolution Remote Sensing Imagery, ISPRS Journal of Photogrammetry and Remote Sensing, 184, PP. 63-78, ISSN 0924-2716, https://doi.org/10.1016/j.isprsjprs. 2021.12.005.
Sanin, A., Sanderson, C. & Lovell, B., 2012, Shadow Detection: A Survey and Comparative Evaluation of Recent Methods, Pattern Recognition, 45, PP. 1684-1695, 10.1016/, DOI: 10.1016/j.patcog. 2011.10.001.
Shahtahmassebi, A.R., Yang, N., Wang, K., Moore, N.J. & Shen, Z., 2013, Review of Shadow Detection and De-Shadowing Methods in Remote Sensing, Chinese Geographical Science, 23, PP. 403-420, DOI: 10.1007/s11769-013-0613-x.
Shen, Y., Lindenbergh, R. & Wang, J., 2017, Change Analysis in Structural Laser Scanning Point Clouds: The Baseline Method, Sensors, 17(1), P. 26, https://doi.org/10.3390/s17010026.
Shi, W., Min, Zh., Rui, Zh., Shanxiong, Ch. & Zhao, Zh., 2020, Change Detection Based on Artificial Intelligence: State-of-the-Art and Challenges, Remote Sensing, 12(10), P. 1688, https://doi.org/10.3390/rs12101688.
Uwe, S. & Yusheng, X., 2023, Change Detection of Urban Objects Using 3D Point Clouds: A Review, ISPRS Journal of Photogrammetry and Remote Sensing, 197, PP. 228-255, ISSN 0924-2716, https://doi.org/ 10.1016/j.isprsjprs. 2023.01.010.
Wu, C., Zhang, L. & Zhang, L., 2016, A Scene Change Detection Framework for Multi-Temporal Very High Resolution Remote Sensing Images, Signal Process., 124, PP. 184-197, DOI: 10.1016/j.sigpro.2015.09.020.
Xie, Y., Yuan, X., Zhu, X.X. & Tian, J., 2024, Multimodal Co-Learning for Building Change Detection: A Domain Adaptation Framework Using VHR Images and Digital Surface Models, IEEE Transactions on Geoscience and Remote Sensing, 62, PP. 1-20, Art no. 5402520, DOI: 10.1109/ TGRS.2024.3362680.
Zhang, Y., … et al., 2023, Mixed-Former: Multi-Fusion Remote Sensing Change Detection, International Journal of Remote Sensing, 44(11), PP. 3507-3528, DOI: 10.1080/01431161.2023.2224100.
Zhifang, L., Jianqing, Z., Zuxun, Z., … et al., 2003, Change Detection Based on DSM and Image Features in Urban Areas, Geo-Spat. Inf. Sci., 6, PP. 35-41, https://doi.org/ 10.1007/BF02826752.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار