[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
بخش‌های اصلی
صفحه اصلی::
اطلاعات نشریه::
آرشیو مجله و مقالات::
برای نویسندگان::
داوران::
ثبت نام و اشتراک::
تماس با ما::
تسهیلات پایگاه::
بایگانی مقالات زیر چاپ::
آمار نشریه::
::
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
آمار سایت
مقالات منتشر شده: 335
نرخ پذیرش: 63.1
نرخ رد: 36.9
میانگین داوری: 208 روز
میانگین انتشار: 343 روز
..
:: دوره 12، شماره 2 - ( 6-1403 ) ::
جلد 12 شماره 2 صفحات 41-23 برگشت به فهرست نسخه ها
متراکم سازی ابر نقاط حاصل از تداخل‌سنجی راداری مبتنی بر پراکنش‌گرهای دائمی در مناطق شهری
سجاد ساجدی زاده ، یاسر مقصودی مهرانی*
دانشگاه صنعتی خواجه نصیرالدین طوسی
چکیده:   (1636 مشاهده)
ابر نقاط سه‌بعدی سهم قابل توجهی از مشاهدات هواپایه و فضاپایه در سالیان گذشته داشته‌اند. محدودیت‌ها و چالش‌های پردازشی این مشاهدات در مطالعات مختلف ماشین‌بینایی و سنجش‌ازدور مورد بررسی قرار گرفته است. یکی از روش‌های تولید ابر نقاط سه‌بعدی بهره‌گیری از روش تداخل‌سنجی پراکنش‌گرهای دائمی به‌منظور تخمین ارتفاع عوارض مختلف است. با برآورد خطای ارتفاعی مدل توپوگرافی مورد استفاده در پردازش تداخل‌سنجی راداری پراکنش‌گرهای دائمی (فاز باقی‌مانده ارتفاعی)، ارتفاع هر پراکنش‌گر دائمی تخمین زده می‌شود. دقت ارتفاعی حاصل از این روش، با تغییر در روش انتخاب تصویر پایه و معیارهای انتخاب پراکنش‌گرهای دائمی بهبود پیدا کرد. به دلیل تراکم پائین و همچنین پهلونگر بودن تصویربرداری سار، ابر نقاط حاصل از این روش، بیانگر هندسه کامل عوارض نخواهد بود. در این مقاله با هدف افزایش تراکم و تکمیل هندسه عارضه موردنظر، از شبکه‌های یادگیری عمیق تکمیل‌کننده ابر نقاط سه‌بعدی استفاده شد. این شبکه‌ها با انجام فرآیند یادگیری، مستقیماً از فضای ابر نقاط غیرمتراکم به فضای ابر نقطه متراکم رسیده و با استخراج ساختار هندسی کلی عارضه موردنظر، جزئیات را نیز تا حد مطلوبی حفظ می‌کنند. معیار هزینه این شبکه مبتنی بر فاصله چمفر بوده است که فاصله دو ابر نقطه سه‌بعدی ورودی غیرمتراکم و مرجع زمینی متراکم را اندازه‌گیری کرده و در عین افزایش تراکم نقاط خروجی شبکه، فاصله این دو فضا حداقل شود. به دلیل استفاده این شبکه در مطالعات ماشین‌بینایی، مجموعه داده‌های ابر نقطه سه‌بعدی هواپایه یا فضاپایه موجود نیست. در این مطالعه، 27 تصویر ماهواره سنتینل-1 در منطقه فیلادلفیا آمریکا استفاده شد. به‌منظور آموزش شبکه در مناطق شهری، مجموعه داده‌ای شامل 30000 ساختمان در این مطالعه تولید شد. مقدار تابع زیان بدست آمده در فرآیند آموزش 0/048 و در فرآیند ارزیابی شبکه 0/0482 بوده است. با ارزیابی مدل ارتفاعی سطح استخراج شده با داده‌های مرجع لیدار منطقه مورد مطالعه، میانگین خطای تخمین ارتفاع مطلق 4/67 متر بدست آمد که نزدیک به مقادیر دقت مطلق مدل‌های ارتفاعی سطح تجاری موجود در دنیاست.
واژه‌های کلیدی: تکمیل‌کننده ابر نقاط سه‌بعدی، تداخل‌سنجی راداری، پراکنش‌گرهای دائمی، مدل ارتفاعی سطح ساختمان
متن کامل [PDF 2224 kb]   (284 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: سنجش از دور
دریافت: 1401/6/31 | پذیرش: 1401/12/15 | انتشار الکترونیک پیش از انتشار نهایی: 1403/5/16 | انتشار: 1403/8/8
فهرست منابع
1. [1] Maghsoudi, Y., van der Meer, F., Hecker, C., Perissin, D., & Saepuloh, A. "Using PS-InSAR to detect surface deformation in geothermal areas of West Java in Indonesia". International Journal of Applied Earth Observation and Geoinformation, 2017. [DOI:10.1016/j.jag.2017.04.001]
2. [2] Graham, L. C. "Synthetic interferometer radar for topographic mapping". Proceedings of the IEEE, 62(6), 763-768, 1974. [DOI:10.1109/PROC.1974.9516]
3. [3] Tadono, T., Ishida, H., Oda, F., Naito, S., Minakawa, K., & Iwamoto, H. "Precise global DEM generation by ALOS PRISM". ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2(4), 71, 2014. [DOI:10.5194/isprsannals-II-4-71-2014]
4. [4] Ferretti, A., Prati, C., & Rocca, F. "Permanent scatterers in SAR interferometry". IEEE Transactions on Geoscience and Remote Sensing, 39(1), 8-20, 2001. [DOI:10.1109/36.898661]
5. [5] Maghsoudi, Y., & Mahdavi, S. "The Principles of Radar Remote Sensing". K. N. Toosi University of Technology, [In Persian], 2015.
6. [6] Hooper, A., Segall, P., & Zebker, H. "Persistent scatterer interferometric synthetic aperture radar for crustal deformation analysis, with application to Volcán Alcedo, Galápagos". Journal of Geophysical Research: Solid Earth, 112(B7), 2007. [DOI:10.1029/2006JB004763]
7. [7] Berardino, P., Fornaro, G., Lanari, R., & Sansosti, E. "A new algorithm for surface deformation monitoring based on small baseline differential SAR interferograms". IEEE Transactions on Geoscience and Remote Sensing, 40(11), 2375-2383, 2002. [DOI:10.1109/TGRS.2002.803792]
8. [8] Hooper, A., Zebker, H., Segall, P., & Kampes, B. "A new method for measuring deformation on volcanoes and other natural terrains using InSAR persistent scatterers". Geophysical research letters, 31, 2004. [DOI:10.1029/2004GL021737]
9. [9] Werner, C., Wegmuller, U., Strozzi, T., & Wiesmann, "A. Interferometric point target analysis for deformation mapping". Geoscience and Remote Sensing Symposium. IGARSS'03. Proceedings, 2003.
10. [10] Kampes, B. M. "Displacement parameter estimation using permanent scatterer interferometry". TU Delft, Delft University of Technology, 2005.
11. [11] Perissin, D., & Wang, T. "Repeat-pass SAR interferometry with partially coherent targets". IEEE Transactions on Geoscience and Remote Sensing, 50(1), 271-280, 2012. [DOI:10.1109/TGRS.2011.2160644]
12. [12] Ferretti, A., Fumagalli, A., Novali, F., Prati, C., Rocca, F., & Rucci, A. "A new algorithm for processing interferometric data-stacks: SqueeSAR". IEEE Transactions on Geoscience and Remote Sensing, 49(9), 3460-3470, 2011. [DOI:10.1109/TGRS.2011.2124465]
13. [13] Cireşan, D., Meier, U., Schmidhuber, J., 2012. "Multi-Column Deep Neural Networks for Image Classification". In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 3642-3649, 2012. [DOI:10.1109/CVPR.2012.6248110]
14. [14] Qi, Charles R and Su, Hao and Mo, Kaichun and Guibas, Leonidas J. "PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation". Computer Vision and Pattern Recognition (CVPR), 2017. [DOI:10.1109/CVPR.2017.16]
15. [15] C. R. Qi, L. Yi, H. Su, and L. J. Guibas. "Pointnet++: Deep hierarchical feature learning on point sets in a metric space". In Advances in Neural Information Processing Systems, pages 5105-5114, 2017.
16. [16] P. Achlioptas, O. Diamanti, I. Mitliagkas, and L. Guibas. "Learning representations and generative models for 3d point clouds". arXiv preprint arXiv:1707.02392, 2017.
17. [17] W. Yuan, T. Khot, D. Held, C. Mertz, M. Hebert, "PCN: Point Completion Network". In Proc. 3D Vision (3DV), Verona, Italy, 5-8 September 2018; pp. 728-737, 2018. [DOI:10.1109/3DV.2018.00088]
18. [18] Y. Yang, C. Feng, Y. Shen, and D. Tian. "Foldingnet Point Completion Network. Interpretable unsupervised learning on 3d point clouds". arXiv preprint arXiv:1712.07262, 2017.
19. [19] H. Fan, H. Su, and L. Guibas. "A point set generation network for 3d object reconstruction from a single image". In Conference on Computer Vision and Pattern Recognition (CVPR), volume 38, 2017. [DOI:10.1109/CVPR.2017.264]
20. [20] A. Braun. "Retrieval of Digital Elevation Models from Sentinel-1 radar data-open applications, techniques, and limitations". Open Geosciences, De Gruyter, 2021. [DOI:10.1515/geo-2020-0246]
21. [21] Ahmadabadi A, Karam A, Saffari A, Yazdanpanah M. "Estimation of surface and elevation displacement of Ardestan sand dunes using radar interferometry and spectral indices." Quant Geomorphol Res. 2020; 5(8):1-17, 2020.
22. [22] Atalay C, Sefercik UG. "Comparison of Sentinel-1 and ALOS AW3D30 DSM potentials in a mountainous topography". Young Professionals Conference on Remote Sensing; 7-8 June 2018, Aachen, Germany: Institute of Electrical and Electronics Engineers (IEEE), 2018.
23. [23] Dabiri Z, Hölbling D, Abad L, Helgason JK, Sæmundsson Þ, Tiede D. "Assessment of landslide-induced geomorphological changes in Hítardalur Valley, Iceland, using Sentinel-1 and Sentinel-2 data." Appl Sci. 10:5848. 2020. [DOI:10.3390/app10175848]
24. [24] Ghannadi MA, Alebooye S, Izadi M, Moradi A. "A method for Sentinel-1 DEM outlier removal using 2-D Kalman filter". Geocarto Int. 2020. [DOI:10.1080/10106049.2020.1815866]
25. [25] Yang H, Chen C, Chen S, Xi F, Liu Z. "Radar interferometry using two images with different resolutions. IEEE Radar Conference (RadarConf), 2019. [DOI:10.1109/RADAR.2019.8835515]
ارسال پیام به نویسنده مسئول



XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Sajedizadeh S, Maghsoudi Mehrani Y. The Densification of the point cloud from PS-InSAR Method in Urban Area. jgit 2024; 12 (2) :23-41
URL: http://jgit.kntu.ac.ir/article-1-894-fa.html

ساجدی زاده سجاد، مقصودی مهرانی یاسر. متراکم سازی ابر نقاط حاصل از تداخل‌سنجی راداری مبتنی بر پراکنش‌گرهای دائمی در مناطق شهری. مهندسی فناوری اطلاعات مکانی. 1403; 12 (2) :23-41

URL: http://jgit.kntu.ac.ir/article-1-894-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 12، شماره 2 - ( 6-1403 ) برگشت به فهرست نسخه ها
نشریه علمی-پژوهشی مهندسی فناوری اطلاعات مکانی Engineering Journal of Geospatial Information Technology
Persian site map - English site map - Created in 0.11 seconds with 38 queries by YEKTAWEB 4710